摘要：将非线性扩散滤波和背景差分法相结合，提出了一种新的运动细胞检测方法。通过在时间域内使用非线性扩散滤波，消除了背景差分法对阈值的强依赖性，并消除了图像噪声，增强了图像边界。实验结果表明，新方法能够较好地检测出运动细胞。 

　　关键词关键词：运动细胞；背景差分法；非线性扩散滤波 

　　0引言 

　　在生物医药学和疾病防治研究领域，为了进行针对性的研究，需要获取细胞的各种参数，如运动轨迹、移动速度、分裂周期等。而这些参数的获取，需要对细胞进行检测和追踪。细胞形态不确定性、交叉和重叠等因素，导致采取传统手工分析方法效率和精准度都非常低下。因此，面对大量的细胞图像数据，迫切需要一种高效、精准，且能够自动对细胞行为进行分析的方法来对其加以处理。 

　　在过去的几十年中，细胞追踪作为一个热点课题，已经被广大学者所持续关注和研究。细胞检测作为细胞追踪中重要的第一步，同样被科研工作者潜心研究。Meanshift算法和背景差分法是基于模型扩展的方法，Meanshift方法可以快速追踪到视频序列移动的物体，但通常并不能很好地描绘出物体的轮廓。在该领域内Xiuzhuang和Yao[12]提出了一种较好方法，他们在粒子滤波框架中引入方向自适应均值飘移算法，以此来提高细胞追踪中的粒子滤波。Snake模型则要求相邻的视频帧之间要有重叠。Xufei等[3]提出使用背景差分法来追踪非惰性细胞，他们在进行细胞追踪前，通过使用分水岭算法并结合细胞的特征来实现细胞的识别和分割。Fu shujun等[4]采用双向扩散的非线性扩散滤波方程，实现图像的边缘检测并增强图像质量。 

　　本文提出了一种新的运动细胞检测算法，在时间域内采用非线性扩散滤波，可以在一个宽泛的范围内选择出一个合适的阈值，消除了背景差分法对阈值的强依赖性。 

　　1研究方法 

　　1.1背景差分法 

　　细胞追踪的第一步就是要检测出目标细胞。背景差分法[5]是对运动目标进行检测的常用方法，它是基于模型扩展的一种方法。该方法的理论架构如下：首先，需要建立背景模型，然后用当前帧的图像减去背景模型，把相减所得到的差分图像与设定的阈值进行比较，若差分图像阈值大于设定阈值，则表明该像素偏离背景模型较大，为检测的运动目标像素，反之为背景像素。其理论公式如下： 

　　其中，Gk（x，y）为当前图像帧，Bk（x，y）为背景模型，Rk（x，y）为相差图像，即包含运动目标的二值化图像，T为设置的阈值。1表示检测到的目标像素，0表示背景像素。 

　　背景差分法是一种很快速的方法，所需内存较小。但是，该方法存在一个严重缺陷，即高度依赖于阈值的选择。为了克服这种缺陷，本文提出了一种将非线性扩散滤波和背景差分法相结合的运动细胞检测方法。 

　　1.2非线性扩散滤波 

　　近年来，对如何消除扩散过程中产生的噪声相关研究较多。人们发现一种非线性方程可以达到消除噪声并增强图像边界的目的，这就是非线性扩散滤波（Nonlinear Diffusion Filtering， NLD）[6]，它是图像分割中对图像多尺度描述的一种效果显著的工具。非线性扩散滤波方法的使用由Prona和Malik[7]首先提出。他们在前人的基础上面提出了PM模型，该模型以“高频部分扩散系数小，低频部分扩散系数大”为准则，将扩散系数表示为一个关于图像梯度的函数，提出了在图像处理中引入扩散系数方程，来实现图像平滑。