第二章图像处理的基本方法
图像处理是通常是图像识别过程中必经的阶段，未经处理的图像中包含有过分充足与冗余的干扰信息，不利于有利信息的获取。所以只有通过图像处理，才能获取图像中真正有意义的信息，本章节将要介绍和分析这类图像处理的基本方法。
2.1图像处理中常见的图像类型
计算机图像处理技术所使用的图像为数字图像，有别于平时生活的一些模拟图像。因此，在计算机图像处理中，需要先完成图像数字化的工作。为了方便信息交换和使用，数字图像必须以一定的数据格式进行存储?。从数字图像格式上来划分，数字图像分为BMP, JPEG，GIF等图像文件格式。从数字图像的颜色类别上来划分，数字图像又分为灰度图像，彩色图像等类别[“]。在图像处理的领域内，选取合适的图像类型不仅能给前期在血细胞图像预处理的过程的工作中带来很大方便，还能提高算法的运算速度和步骤上的简洁，下面具体介绍几种在图像处理中最为常用的几种图像。
2.1.1 BMP图像文件格式
BMP (BitMap Picture)文件格式（即位图）是一种标准格式的交换图像数据。它的存储格式选择了位映射的方式，不支持除可选择的集中图像深度以外的其他任何压缩方式。因而，这是由于它的这些特点，BMP文件在文件系统中所消耗的存储空间相比较一些其它的图像格式而言要显得更大。BMP格式下的图像深度有4种不同选择，分别支持Ibit、4bit、8bit及24bit的图像深度，在完成图像的存储操作时按照先左后右，自上而下的扫描顺序进行图像数据的存储。它的优点在于其兼容性极佳，凡是在Windows系统中各种类型的图像处理软件都可以在无需第三方插件的支持下都可全部识别[m。BMP文件的格式的组成如表2-1所示：
2. 1.2 TIF图像文件格式
标记图像文件格式TIF (Tag Image File Format)。TIF文件格式是常用的图像文件格式之一，其优点是设计时由于同时兼顾了拓展性，简洁性与可修改性这三者，使其在使用时修改能力很好。TIF文件格式的缺点也很明显，它与现存的图像相比较而言数据组成结构复杂，消耗存储空间大，读写速度慢。TIF文件格式由文件头，参数指针表与参数域，参数数据表和图像数据4部分组成[13]。
2.1.3 JPEG图像文件格式
JPEG (Joint Photographer' s Experts Group)格式即联合图像专家组，是由CCITT为静态图像建立的第一个国际数字图像压缩标准，设计该图像格式的初衷为专业摄影领域找到一个能够很好的保留海量图像信息的一个出路。由于其设计时面向的是偏向专业要求的图像领域，并支持24位颜色，因而JEPG在图像的图像质量的表现能力方面十分出色，能够表现出图像中的亮度和色相中不论是显著还是细微的变化。
第二章图像处理的基本方法................................5
2.1图像处理中常见的图像..............................5
2.2色彩学基础和颜色模型..............................6
2.3灰度化..............................10
2.4图像强度修正..............................11
2.5图像平滑..............................13
第三章血液细胞特征提取..............................27
3.1细胞边界修正..............................27
3.2细胞的特征提取..............................28
3.3重叠细胞的分离方法..............................29
3.4自动计数算法的整体流程..............................34
3.5血细胞识别的方法与.................................40
第四章血液细胞识别统计系统的..........................46
4.1系统的开发与运行环境....................46
4.2系统的功能.................................47
4.3系统的主要流程.................................47
4.4系统界面设计.....................................48
第五章总论和展望
在本章节中，将就前部分章节中的血细胞识别统计系统所涉及的研究与实验以及系统设计作一个整体上的总结工作，并对不足和需要改进的部分做出需要在将来予以改进的部分做出展望。
5.1工作总结
本文对血液细胞医学图像中的血细胞的识别统计算法做出研究，并以此算法设计了血液细胞识别系统，满足了血细胞的识别与计数问题，同时为进一步的研究设计打下了基础。本文的的主要工作如下：
(1)完成了对图像的预处理工作，包括图像的平滑，锐化，灰度化，二值化等。在通过比较了多种预处理时的算法的优劣后，选取了适合解决本文问题的算法，取得了满意的效果。
(2)在本文的图像分割阶段，通过转换RBG空间到HSI空间的方法，综合了分割图像的阈值，在分离背景中未经染色的杂细胞与染色后的血细胞图像得到了良好的效果。事实证明，对于彩色图像，转化到HSI空间的后进行图像分割方法比单纯的由RGB空间的图像灰度化后的分割效果要好很多。
(3)在完成图像分割之后，通过开闭运算等方法恢复一些重叠细胞之间的间隔，然后通过标记图像特征，利用基于统计学的形状面积因子修正方法，对独立的，重叠的细胞进行识别修正。最终得到预期中识别出的细胞数量。(4)在最后根据设计出的算法流程本文设计和实现出了系统的图形用户界面，实现了用户交互功能，完成了这个血液细胞识别统计系统。
参考文献
[30]Lai C-H, et al. A protozoan parasite extraction scheme for digital microscopic images. ComputMed Imaging Graph(2009), doi: 10.1016/j. compmedimag. 2009.07.008
[31]Y.P.Ginorisaa，et al.Development of an image analysis procedure for identifying protozoa andmetazoan typical of active sludge system.2007
[32]Cesar A. B. Biological shape characterization for automatic image recognition and diagnosis ofprotozoan parasites of genus Eimerial[J]. Pattern Recognition, 2007,(40):1900-1910
[33]Y.p. Ginoris.Recognition of protozoa and metazoan using image analysis tools, discriminantanalysis, neural networks and decision trees[J]. Analytica Chimica Acta520 07:160-169
[34]G.CORKIDI etc. COVASIAM: an Image Analysis Method That Allows Detection of ConfluentMicrobial Colonies and Colonies of Various Sizes for Automated Counting[J]. Applied andEnvironmental Microbiology, 1998,(64): 1400-1404
[35]J.Marotz *，C.Lubbert, W.Eisenbei. Effective object recognition for automated counting ofcolonies in Petri dishes (automated colony counting). Computer Methods and Programs inBiomedicine 2001 66 [J]: 183-19
[36]AL. Amaral. Survey of Protozoa and Metazoa population in wastewater treatment plants byimage analysis and discriminant analysis[J]. Environmetrics，2004:381-190
