论文部分内容阅读
细胞跟踪是指在观测时间内对特定细胞的运动轨迹，运动速度，形状等属性进行分析，在生物学、药理学和病理学方面都具有十分重要的研究意义和使用价值。传统的细胞跟踪方法在技术日益革新的现今己不再适用，不但需要大量繁琐的人为操作，而且可重复操作性不强，最重要的是传统的研究方法由于使用物理化学操作，而使得研究结果不能客观的反映细胞的自然运动，所以需要一种客观且方便的方法。本论文针对这一问题展开研究，其主要工作如下：
1、探讨了基于KHM的运动细胞跟踪方法。首先通过KHM算法对细胞二值图像进行聚类处理，然后结合最近邻思想和代价函数完成关联，确定细胞在下一帧中的位置，完成细胞的跟踪，由于细胞数目较大且相对密集，引入KHM的“软聚类”思想，实现了运动细胞精确跟踪。
2、探讨了基于Meanshift的运动细胞跟踪方法。由于Meanshift算法能够沿着核密度函数的梯度方向快速找到与当前模式最匹配的模式，因此利用Meanshift算法能够在较短的时间内完成对细胞二值图像的聚类处理，将得到的聚类中心作为待跟踪细胞中心下一时刻的预测位置，以这些预测位置为中心，为每个待跟踪细胞建立矩形搜索匹配区域，计算待跟踪细胞与它的每一个可疑匹配细胞之间的代价函数值，将代价函数值最小的可疑匹配细胞作为待跟踪细胞的最佳匹配细胞，完成对待跟踪细胞的跟踪。
3、探讨了基于PAM的运动细胞跟踪方法。本文首次将PAM算法用于运动细胞问题中，根据PAM算法聚类的特点，利用PAM对分割后的细胞二值图像进行聚类处理。由于PAM存在计算量大的缺点，本章对PAM算法进行了一些改进，即用极少的非代表对象来检验是否替换代表对象，减少计算量，提高了算法的运算速度。仿真结果表明，本算法的细胞跟踪位置误差在很小的范围内，有较好的跟踪效果。
从仿真结果可以看出，在跟踪效果方面，基于KHM的运动细胞跟踪方法最好，Meanshift算法次之，PAM算法最差，而从运行时间上来看，基于Meanshift的运动细胞跟踪方法运行时间最短，KHM算法次之，PAM算法最差。