基于自适应阈值的MATLAB细胞图像分割系统源代码

资 源 简 介

本项目提供了一套基于MATLAB实现的细胞图像分割源代码，核心采用自适应阈值（Adaptive Thresholding）算法来解决传统全局阈值法在处理光照不均或背景复杂的显微细胞图像时效果不佳的问题。系统首先对输入的细胞图像进行预处理，包括灰度转换和滤波去噪，以减少环境噪声对分割精度的影响。随后，算法根据图像中每个像素点邻域内的统计特性（如局部均值、方差或高斯加权和）动态计算该点的阈值，从而实现对图像的局部二值化处理。这种方法能够有效应对图像亮度的渐变和阴影干扰，准确地将细胞目标从背景中分离出来。为了进一步提升分割质量，代码还集成了形态学后处理模块，利用腐蚀、膨胀、开闭运算等操作来填充细胞内部空洞、断开粘连细胞并平滑边缘。该项目代码经过验证，具有良好的可执行性和鲁棒性，分割效果清晰准确，适用于生物医学工程、病理分析及细胞计数等多种应用场景。

详 情 说 明

基于自适应阈值的细胞图像分割系统

项目简介

本项目利用MATLAB实现了一套专门针对细胞图像的自动分割与计数系统。针对显微镜成像中常见的光照不均、背景复杂等问题，系统摒弃了传统的全局阈值方法，采用了鲁棒性更强的自适应阈值（Adaptive Thresholding）算法。该算法通过计算像素点局部的统计特性，动态确定分割阈值，从而能够精确地将细胞从亮度渐变的背景中提取出来。

该代码不仅包含核心分割算法，还内置了一个高性能的模拟数据生成器，能够在不依赖外部图像文件的情况下演示系统功能。系统集成了图像预处理、对比分析、形态学优化、轮廓可视化以及统计图表生成全套流程。

主要功能特性

• 内置模拟数据生成：代码包含一个合成图像生成模块，能够模拟显微镜下的光照不均（晕影效应）、高斯噪声以及随机分布的椭圆细胞，方便直接运行测试。
• 自适应阈值分割：利用局部均值滤波计算动态阈值，有效克服全局光照不均匀导致的分割失败问题。
• 算法对比演示：运行时直观展示“传统全局阈值法（Otsu）”与“自适应阈值法”的效果对比，突显本算法优势。
• 鲁棒的预处理机制：结合灰度转换、直方图拉伸（对比度增强）和高斯滤波去噪，提升输入图像质量。
• 形态学后处理：通过开运算、闭运算、孔洞填充及面积过滤，有效去除噪点、平滑边界并分离部分粘连细胞。
• 可视化与统计分析：提供多子图处理流程展示，在原图叠加分割轮廓，并自动生成细胞面积分布直方图和形态学散点图。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（图像处理工具箱）

使用方法

1. 确保MATLAB环境已安装图像处理工具箱。
2. 将代码保存为 .m 文件。
3. 直接运行主函数（main）。
4. 程序将自动生成一张模拟的细胞图像，并在弹出的窗口中显示处理流程对比图及统计分析图表。
5. 控制台将输出检测到的细胞总数量。

如需处理自己的图片，请在代码中找到获取图像输入的区域，注释掉 generateSyntheticCellImage 调用，并使用 imread 读入实际图像。

详细功能与算法实现分析

本项目代码逻辑清晰，主要分为以下几个核心处理阶段：

1. 数据获取与模拟

代码首先尝试构建输入数据。为了保证代码的可移植性和演示效果，系统内置了一个图像生成函数。该函数通过数学模型模拟了显微镜成像特征：

• 光照模型：利用距离中心的平方反比规律生成中间亮、四周暗的背景（Vignetting），模拟真实显微环境。
• 细胞模拟：随机生成位置、大小不一的椭圆掩膜，并降低该区域亮度（模拟明场下的暗细胞）。
• 噪声添加：叠加高斯白噪声以测试算法的抗噪能力。

2. 图像预处理

为了提高后续分割的准确性，系统对原始图像进行了一系列预处理：

• 灰度化：将多通道图像转换为单通道灰度图。
• 对比度增强：使用 imadjust 进行直方图拉伸，扩展图像的灰度范围，增强细胞与背景的对比度。
• 高斯去噪：应用 imgaussfilt 对图像进行平滑处理，核心在于滤除高频噪声，防止其在局部阈值计算时被误判为前景。

3. 自适应阈值分割（核心算法）

这是本项目的核心模块，代码中并未直接调用现成的高级封装函数，而是手动实现了局部均值阈值算法，逻辑如下：

• 局部均值计算：利用一个指定大小（如35x35）的均值滤波器（fspecial('average')）对图像进行卷积，得到每个像素点的局部背景估计值。
• 动态阈值判定：根据公式 Pixel < (LocalMean - C) 进行二值化。其中 C 是一个灵敏度常数。
• 逻辑解释：如果一个像素的灰度值显著低于其周围邻域的平均值，则认为该像素属于前景（细胞）；否则属于背景。这种方法使得分割标准随背景亮度变化而浮动，完美解决了光照不均问题。
• 对比环节：代码同时执行了 graythresh (Otsu算法) 用于生成对比结果，通常Otsu在光照不均时会丢失暗部区域的细胞或保留过多背景。

4. 形态学后处理与优化

初步分割的图像通常包含噪点、孔洞或边缘毛刺，系统通过以下步骤进行优化：

• 开运算：使用圆盘结构元素进行腐蚀后膨胀，用于平滑轮廓、去除细小的背景噪点突起。
• 闭运算：进行膨胀后腐蚀，用于闭合细胞内部的细小断裂或填补边界缺口。
• 孔洞填充：使用 imfill 填充细胞内部封闭的黑色区域，确保细胞实心。
• 面积过滤：利用 bwareaopen 移除面积小于设定阈值（如50像素）的连通域，彻底消除非细胞的残留噪点。

5. 结果可视化与统计

• 轮廓叠加：代码通过提取二值掩膜的边界（bwperim），直接操作图像矩阵的红色通道（R通道置为255），从而在原图上绘制出清晰的红色分割边界。
• 连通域分析：使用 bwlabel 统计细胞数量。
• 属性统计：利用 regionprops 提取每个检测对象的“面积”、“周长”和“离心率”。
• 图表展示：生成直方图展示细胞面积分布情况，并通过散点图（面积 vs 周长）展示细胞的形态学特征分布。

--- *注：本说明文档严格基于提供的 main.m 代码逻辑编写，真实反映了代码中实现的模拟数据生成、手动自适应算法实现及形态学处理流程。*