人类想要攻克宫颈癌疾病，需要对宫颈细胞的所有信息以及形态做全方位的了解，单个宫颈细胞的研究分析，是必不可少的重要环节。由于细胞周期不同，形态各异，加上外界的干扰等因素，细胞信息的提取有一定的难度。

对此，Tsai和 Yezzi等［1］利用分段逼近的 PS分割模型在一定范围内抑制了纹理，但是运算较为复杂。为此，Li等在PS分割模型基础之上，提出LBF分割模型［2］，较好地分割灰度强烈不匀的图像。Bamford等［3］采用Viterbi搜索的双 Snake主动轮廓模型，精确分割细胞核轮廓，但要求初始位置接近真实细胞轮廓。Zamani等［4］运用直方图分析阈值化定位细胞核，以细胞核凸包作为GVF Snake的初始轮廓，完成了细胞图像的分割。

本文提出了一种将自适应可变区域拟合能量和优化的LOG能量结合的活动轮廓模型进行图像分割。首先，计算闭合曲线内外信息熵，使其RSF模型自适应调整权值；其次，提出一个能量泛函优化LOG项，它可以平滑同质区域，同时增强边缘信息；然后，将优化后的LOG能量项与ARSF能量项结合起来，利用局部区域信息将曲线驱动到边界。在LOG项的加入下，实现了初始轮廓的自由设定，从而实现轮廓精确提取。

1 背景介绍

本文实验所用的宫颈细胞图像集为Herlev数据集，共917张，分为7类，如图1所示。

  

图1 宫颈细胞示例图

RSF模型可表示为：

 

LΔ（φ）是优化的LOG项，其中通过求解式（16）获得 L（x，y）。L（x，y）的功能可以快速准确地检测物体的边界。使用优化的LOG函数L（x，y），代替图像 ΔI（x，y）的 Laplacian算子。

 

因此，式（1）可以被改写为：

 

正则化Heaviside函数得：

 

式（4）的导数为：

 

此外，长度项L（φ）目的是平滑轮廓。p（φ）保证水平集函数的正则性。因此，整个能量泛函可以表示如下：

 

使用最陡的下降法，将式（6）的能量函数最小化，可以得到以下的变分公式：

 

因此，我们将优化的LOG能量与自适应RSF能量结合起来如下：

2 相关模型

针对不同的细胞图像，本文在相同的实验操作环境中，进行对比试验：

为了克服初始轮廓不敏感问题，本文提出如下改进：

（1）权值自适应调整RSF

定义3： 特征项t权值用Qt表示。设特征项为专业词汇且为名词，赋予其权重为QZ；特征项为方言词汇且为名词，赋予其权重为Qf。特征项为常用词汇且为名词，特征项为专业词汇、方言词汇的非名词词性，赋予其权重为Qc； 特征项为常用词汇的非名词，赋予其权重为Qo利用定义3，本文词汇termk的TF-IDF计算方法为

参数动态调节策略：迭代完成后，计算闭合曲线C内外的信息熵，记为E in和E out，代替RSF模型中的权重λ1、λ2参数，定义为：

开展同课异构活动有利于教师互相切磋，相互学习。不同教师对同一教材内容的不同处理，不同的教学策略所产生的不同教学效果，可以帮助教师从多个角度把握文本，选择更合适的教学内容，采用更有效的教学方式，同时也能充分体现教师的教学个性。开展同课异构活动也有利于教师的个人成长与专业发展。同一教师对同一教材内容的认识要有发展，对学生情况的分析要切实，对教学内容的选择要适当，对教学方式的选择要有效，从而提高课堂教学效果和教学质量。追求同课异构的过程也是教师不断成长的过程。

 

其中，n为灰度级，Pi为第i个灰度级出现的概率。λ1、λ2参数设置的过大，会导致轮廓尖锐；过小，则导致演化速度慢。演化特性如表1所示，令常量λ1＝E out，λ2＝E in，使得 λ1、λ2有很好的适应性，提高了轮廓曲线演化速度。

 

表1 演化特性表

  

C与目标边界关系 λ1与λ2关系 演化方向C⊃目标边界 E in＞E out，即 λ2＞λ1 φ＜0目标边界⊃C E in＜E out，即 λ2＜λ1 φ＞0相交 E in≈E out，即 λ2≈λ1 依靠 λ2和 λ1的比较

（2）优化的LOG能量

二阶微分边缘检测算子（LOG）的数学定义是

2.5 miR-145可靶向调控MY06基因 TargetScan预测结果显示，MY06基因3′UTR区有2个miR-145结合位点，分别位于MY063′UTR374-380和809-815，见图5A。荧光素酶报告基因实验结果见图5B，与阴性对照组比较，mimics野生型MY06组的荧光素酶活性显著降低，差异有统计学意义（P＜0.05）；与mimics野生型MY06组比较，mimics突变型MY06组的荧光素酶活性均显著升高，差异有统计学意义（P＜0.05）。

广角反射／折射方法的一个重要方面是绘出壳—幔边界（即，莫霍面＝莫霍不连续面）的能力。扩展Zelt等（2003）的策略，由广角反射／折射数据两步就能得到最小结构模型：

 

其中，Gσ（x，y）是具有标准偏差σ的高斯核函数。LOG在亮侧为负，在暗侧为正，如图2所示。在零交叉点处，灰度值跳变。利用图像的这一特性，检测二阶差分的零交叉点，捕获轮廓边缘。

  

图2 LOG能量图

二阶导数的存在，使得图像的强度稍有变化，LOG就能感知。由于不均匀性或噪声的干扰，许多零交叉的点都是虚假的边缘点。为了优化图像的LOG，即平滑均匀的区域，增强物体的边缘，我们提出了如下的能量函数：

 

其中，L表示优化 LOG的值，g大约等于0，在同质区域大约等于1。（L－0）2是测量优化LOG和零平面之间距离的数据拟合项。当能量下降时将在同质区域驱动L接近0，因此平滑均匀区域是有帮助的。类似地，（L－β×Δ（Gσ·I））2是测量图像优化的LOG和原始LOG之间的接近度的数据拟合项。将在物体边界附近的位置驱动 L接近当β＝1时，可以保留图像边缘；当β＞1时，可以增强图像边缘。

通过最小化式（14），得到方程：

 

由图3可知，优化LOG方法虽然进行了优化，但仍有一些伪边存在，特别是在分割图像的边缘和严重的不均匀背景的情况下。

通过网络媒体作为媒介，强化对大数据的认识，提高人们对大数据的重视。大量的网络公开课等网络学习平台为认识当前的数据状况提供了良好的机会。借助这些平台向人们普及关于大数据的知识与方法，感受到其魅力，促进管理会计在大数据时代的可持续发展。

 

式（16）的稳定解即最优 LOG。图 3（b）和图3（c）分别表示图像原始LOG和优化LOG。参数σ＝1.00，α＝0.01，β＝5.00，Δt＝0.01。图 3（d）中，绿线是原始LOG，红线是优化的LOG。从图3可以看出，与原始LOG相比，优化LOG的图像在均匀区域更平滑，物体边界附近较陡。

用变分水平集表示的能量泛函如下［8－10］：

 

其中，Kσ是高斯核函数，σ是标准偏差。f1和f2是两个平滑的函数，分别近似于在一个区域内外的图像的强度。能量最小化可得：

 

采用最快梯度下降法，得到以下方程［5－7］：

在分析9个注水系统中，果7注水系统存在回流，回流量为5 m3/h，如果通过及时调整注水泵的运行频率，使注水量与注水泵排量吻合，避免出现打回流现象。系统的注水单耗为14.33 kWh/m3，此运行状况按照运行2个月计算，则避免回流可节约电量为10.32×104kW。

由于高斯核函数的定位特性，当点y远离中心点x时，强度I（y）的贡献减小到0。因此，RSF能量由x附近的点y的强度支配。高斯窗口中，f1轮廓外部加权平均；f2轮廓内部加权平均。

 

利用最陡下降法，得到梯度方程：

按照相关规则,按照税法规定外国企业以及外国企业收入,相关企业包含三例:在资金、运营、购销等方面，存在直接或间接地操控或具有联系;直接或间接地同为第三者所操控或具有;以及有其他利益上的相相联系。

 

  

图3 原始LOG和优化LOG对比

3 实验结果分析

从理论上讲，RSF模型处理灰度不均匀图像的灰度不均匀有效。但对初始轮廓位置的选定有很高的要求。

无论学校职务发明的成果是想要实现转移还是转化，技术市场以及科技中介服务组织这二者对其提供相应的系列支撑都是必不可少的。就目前来说，学校职务发明成果主要是在两方面有所欠缺，分别是市场发现机制和衔接机制；与此同时，可以说没有实力相对而言较强的科技成果转化运营机构，以及在人才方面的建设亦不够，所以使得学校专利成果转化方面就有了限制。

参数设置：σ＝3，μ＝2，υ＝0.002×2552，ω＝10，Δt＝0.1，λ1＝E out，λ2＝E in。优化的 LOG参数σ＝1，α＝0.01，β＝5，Δt＝0.1。

实验1：对比不同模型在不同初始位置对细胞图像分割精度以及速度的结果。由表2可以看出改进模型与其它模型相比，收敛速度快，边界获取更为精确。

 

表2 分割细胞图像时间比较

  

模型 迭代次数 时间／s CV 356 12.223 RSF 232 7.763本文模型108 4.247

从图4可看出，对于初始轮廓位置的定位不同，本文模型对目标图像边界的获取优于其它模型，边界分割结果都很准确。

大学新生在学习适应方面主要表现为老师授课方式的改变、学习方法的适应以及没有明确的目标[3]。中学的学习目标是考上一所好的大学，无需个人思考，在应试教育背景下，抹杀了很多学生学习的独立性。于是，致使大学阶段成为“理想间歇期”。不少大学新生反映“感觉大学并没有想象中的那么好，很空虚、无聊，课余时间那么多，不知道要做什么，除去上课时间，大多时候是上网打游戏或在宿舍宅着”。新生心理普测反馈时，当问及“你打算怎样过自己的大学生活”时，不少同学的回答是“争取大学不挂科，顺利拿到毕业文凭”。当问及“你打算怎样开展大学的学习”时，不少同学的回答是“不知道，争取不逃课吧”。

  

图4 不同初始位置单个宫颈细胞分割图

实验2：对比本文模型与RSF模型对弱边界细胞图像分割结果，如图5所示。

停药反跳：服用氢化可的松、强的松等治疗风湿、类风湿性关节炎时，吃维生素E既可助激素一臂之力，增强疗效，又可防止和减少激素撤停时疾病“反跳现象”的发生。

  

图5 弱边界单个宫颈细胞分割图

准确性评价采用 ZSI评价指标度量，ZSI定义为：

 

其中，A1、A2表示要比较的两个区域表示互相重叠的区域表示重叠区域的面积。

应用统计学软件即SPSS18.0实施综合处理，分析文本资料后，计数资料采用卡方检验，计量资料则是用（±s）进行表示，行t检验后若P＜0.05，就说明临床结果的比较差异明显，具备统计学意义。

单个宫颈细胞图像轮廓分割精度对比如表3、表4所示，表中μZSI表示分割模型与Herlev数据集的手工分割的ZSI平均值，δZSI表示ZSI的标准。

 

表3 单个宫颈细胞核分割精度对比

  

μZSI＋δZSI名称／数量模型 本文模型正常宫颈细胞CV模型 RSF／50 0.863±0.109 3 0.923±0.103 6 0.978±0.037 3病变宫颈细胞／30 0.857±0.095 2 0.915±0.112 3 0.975±0.047 2癌变宫颈细胞／80 0.836±0.104 6 0.910±0.106 6 0.977±0.041 2

 

表4 单个宫颈细胞质分割精度对比

  

μZSI＋δZSI名称／数量模型 本文模型正常宫颈细胞CV模型 RSF／50 0.960±0.034 6 0.956±0.038 7 0.980±0.017 8病变宫颈细胞／30 0.924±0.046 8 0.934±0.038 1 0.980±0.013 2癌变宫颈细胞／80 0.920±0.047 7 0.937±0.049 3 0.980±0.015 7

由表4可以看出，与CV模型以及RFS模型相比，本文提出的改进的RSF模型能够较好地对细胞图像边缘轮廓进行分割，具有良好的分割速度和精度。

4 结束语

本文提出了一种将自适应可变区域拟合能量和优化的LOG能量结合的活动轮廓模型进行图像分割。通过计算闭合曲线内外信息熵，实现RSF模型自适应调整权值，优化LOG能量泛函来平滑同质区域，增强边缘信息，最后将优化的 LOG能量项与ARSF能量项结合，利用局部区域信息将曲线驱动到边界。实验表明，该方法实现了初始轮廓的自由设定，提高了细胞轮廓的收敛速率，能够精确地定位宫颈细胞的轮廓，具有更高的鲁棒性、稳定性、有效性。

参考文献：

［1］TSAIA，YEZZIA，WILLSKY A S.Curve evolution implementation of the Mumford-Shah functional for image segmentation，denoising，interpolation，and magnification［J］.IEEE Transactions on Image Processing，2001，10（8）：1169－1186.

［2］LIC，KAO C，DING Z，etal.Implicitactive contours driven by local binary fitting energy［C］∥Proceedings of the IEEEConference on Computer Vision and Pattern Recognition.2007：1－7.

［3］BAMFORD P，LOVELL B.Unsupervised cell nucleus segmentation with active contours［J］.Signal Processing，1998，71（2）：203－213.

［4］ ZAMANI F，SAFABAKHSH R.An unsupervised GVF snake approach for white blood cell segmentation based on nucleus［C］∥ Proceedings of the 8th International Conference on Signal Processing.2006：1－4.

［5］LIC，KAO C，GORE J，et al.Minimization of region-scalable fitting energy for image segmentation［J］.IEEE Transactions on Image Processing，2008，17（10）：1940－1949.

［6］MUMFORD D，SHAH J.Boundary detection byminimizing functionals［C］∥ Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.2013，1：22－26.

［7］CHAN T F，VESE L A.A level setalgorithm forminimizing the Mum ford-Shah function in image processing［C］∥Proceedings of the IEEE Workshop on Variational and Level Set Methods.2001：161－168.

［8］ HE C，WANG Y，CHEN Q.Active contours driven by weighted region-scalable fitting energy based on local entropy［J］.Signal Processing，2012，92（2）：587－600.

［9］姜慧研，冯锐杰.基于改进的变分水平集和区域生长的图像分割方法的研究［J］.电子学报，2012，40（8）：1659－1664.JIANG Huiyan，FENG Ruijie.Image segmentation method research based on improved variational level set and region growth［J］.Acta Electronica Sinica，2012，40（8）：1659－1664.（in Chinese）

［10］DING C，CHOI J，TAO D，et al.Multi-directional multilevel dual-cross patterns for robust face recognition［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，38（3）：518－531.