细胞追踪在细胞行为、药物和疾病的研究中是至关重要的。例如以神经元干细胞为例,目前医学临床试验证明可在病人体内通过神经元干细胞移植来进行神经系统疾病的治疗,而且可大大提高诊断的准确性和疾病的治愈率,其治疗技术的关键首先要观察和研究神经元干细胞的自然分裂、增值规律及移动过程,进而找出该特定神经元干细胞的祖细胞,发育成特定的神经细胞,进而培植出所需要的具有特定功能的神经器官。由此可见观察研究细胞的运动过程对治疗多种疾病有非常重要的意义,能同时追踪和分析数千个细胞的自动追踪系统成为近年来细胞追踪的研究热点。本文提到的追踪方法是基于拓扑约束和匈牙利算法相结合的追踪方法,是一种基于分割的追踪方法。基于拓扑约束的细胞追踪是利用图模型描述细胞之间的拓扑关系,将分割图像中细胞追踪问题转变为相似结构图之间顶点匹配问题。拓扑约束的方法已经证实能够有效的追踪高密度细胞图像,且对于细胞的形变不敏感。但该方法对于图像中含有稀疏细胞的部分区域处理能力不强,以及当相邻细胞发生分裂时易造成细胞的错误追踪。针对这个问题,我们在此基础上利用匈牙利算法的宏观性,全局性的特点,将相邻两帧的细胞匹配问题看成是多目标最优化分配问题,从而实现较高效率的细胞追踪。由于本文所采用的细胞追踪方法是一种基于分割的追踪方法,所以首先要对细胞图像序列进行分割。针对实验所用细胞图像序列的特点,本文分别采用了不同的分割方法。细胞图像序列Ⅰ是由光学显微镜成像的未经染色的神经干细胞图像序列。该图像序列的特点是目标与背景的对比度较弱,多数图像帧中存在着细胞粘连、团簇。针对该序列的特点,采用了水平集算法与局部灰度阈值法相结合的序列细胞图像分割方法。细胞图像序列Ⅱ是荧光图像序列,采用了阈值分割法以及凹点匹配的分割算法。然后我们根据图模型描述细胞之间的拓扑关系,将分割图像中相邻两帧的细胞之间进行数据关联构成系数矩阵,再利用匈牙利算法实现细胞的最优化匹配,实现细胞追踪。最后利用本文方法对两个细胞图像序列进行测试,实验结果表明本文所提出的细胞追踪方法有更好的追踪效果,准确性更高。