一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统技术方案

本发明专利技术公开了一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统，多个任务蚂蚁系统既独立又相互协作工作；每个独立任务蚂蚁系统模块对应于一个细胞跟踪,并用一个对应的变量来描述其任务完成概率；对于每个独立蚂蚁系统，蚂蚁个体状态先通过蚂蚁模型概率和似然函数值来确定，再通过局部调整模块进行状态局部调优；对于蚂蚁系统协作层，在定义了一种有效的似然函数基础上，通过相互交换信息方式找出当前多个蚂蚁群系统中最佳直方图模板来更新模板直方图库，并进一步更新每个蚂蚁的模型概率、权重、影响区域和每个蚂蚁系统任务完成概率，最终给出细胞状态估计。本发明专利技术基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统，能够实现多种、具有不同动力学特征参数、近距离移动、细胞数量时变的多细胞自动跟踪难题。

【技术实现步骤摘要】

本专利技术涉及多细胞跟踪领域，特别是涉及一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统。
技术介绍
多细胞运动分析对于生物细胞学过程分析、疾病的诊断、新药物的研制是必不可少的手段之一。细胞运动分析面临着众多难题，如细胞变形，多细胞动力学特性差异、细胞重叠、细胞数量变化、低对照比细胞图像序列等等。目前细胞跟踪的方法主要分为三类，分别是基于模型扩散方法、基于检测方法和基于贝叶斯概率估计技术。模型扩散技术主要代表是主动轮廓法(Active contours),同时也是一种较早的细胞跟踪技术,但该方法针对细胞运动慢的情形有效，一般要求相邻帧同一细胞轮廓之间部分重合；水平集方法(Levelset)能处理细胞变形问题，但是很容易将两个接触细胞误认为一个细胞；平均平移法 (Mean-shift)能快速处理细胞跟踪问题，但是不能给出细胞轮廓信息。基于检测方法虽然方法有效，但对于多细胞跟踪，需要解决数据关联问题，误关联很容易造成细胞跟踪丢失。基于贝叶斯概率估计技术是近年来发展的一种新型多目标跟踪技术，代表了未来多细胞跟踪技术的发展方向，一般以基于随机有限集(RFS)的概率假设密度滤波器(PHD filter)为代表，该技术无需解决数据关联问题，但是对于不同细胞图像序列，特征表示或似然函数的选取非常重要。从目前的文献、专利搜索结果来看，基于先于测量跟踪的多细胞跟踪技术报道很少，相关的研究也是处于起步阶段，特别是多个、不同动力学特性、近距离多细胞跟踪问题仍然是该领域技术难题。
技术实现思路
本专利技术主要解决的技术问题是提供一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统，能够实现多种、具有不同动力学特征参数、近距离移动、细胞数量时变的多细胞自动跟踪难题。为解决上述技术问题，本专利技术采用的一个技术方案是提供一种基于多任务蚂蚁系统的多细胞自动跟踪方法，具体步骤包括 (100)、初始化设定多任务蚂蚁系统中的蚂蚁个体在图像中的初始状态分布；初始设定每个蚂蚁系统任务完成概率；初始直方图模板库构建；设定蚂蚁个体最大、最小活动影响区域、模型概率与权重； (200)、跟踪多个蚂蚁系统对细胞进行跟踪，每个独立蚂蚁系统对应一个细胞的跟踪; (300)、找出每个独立蚂蚁系统中的最佳直方 (400)、更新直方图模板库从上述的多个蚂蚁系统中找到最佳直方图；若当前最佳直方图与直方图模板库的平均相似度超过预设阈值，则该最佳直方图序列加入当前直方图模板库，为下一次迭代计算所用； (500)、筛选蚂蚁系统对每个蚂蚁系统任务完成概率进行阈值判断，若超过设定阈值，则该蚂蚁系统为有效的，继续进行下一步骤；否则删除该蚂蚁系统； (600)、提取细胞状态对剩余的蚂蚁系统的似然函数阈值化，并提取多个细胞状态。在本专利技术一个较佳实施例中，所述步骤(400)和步骤(500)之间有步骤(450)，调整蚂蚁系统状态通过蚂蚁移动状态模块，实现蚂蚁系统状态进一步调整；更新每个蚂蚁个体系统中每只蚂蚁的运动模型概率、似然函数值、影响区域、权重和每个蚂蚁系统的跟踪任务完成概率。在本专利技术一个较佳实施例中，所述步骤(500 )和步骤(600 )之间有步骤(550 )，合并蚂蚁系统若两个蚂蚁系统找得是同一细胞，则两蚂蚁系统进行合并，其个数是原先两蚂蚁系统之和，任务完成程度也是之和，但小于I。在本专利技术一个较佳实施例中，所述步骤(300)还包括实现下一步蚂蚁个体移动方向与具体位置，通过蚂蚁模型概率和似然函数值来实现随机搜索；在此基础上，进一步实现蚂蚁局部状态调整。在本专利技术一个较佳实施例中，所述步骤(600)还包括对于所剩余蚂蚁系统，计算对应的各蚂蚁系统重心位置，对其位置的似然函数重新计算，若该似然函数大于设定阈值，则该重心位置对应细胞估计位置。本专利技术的另一个目的是提供一种基于多任务蚂蚁系统的多细胞自动跟踪系统，包括 多个蚂蚁系统，每个独立蚂蚁系统对应一个细胞的跟踪； 直方图模板库，用于存储细胞直方 初始化模块，用于设置多个蚂蚁系统中的蚂蚁个体在图像中的初始分布情况，假定每个蚂蚁系统跟踪任务完成概率，初始直方图模板库构建，设定蚂蚁个体最大、最小活动影响区域、模型概率与权重； 多个蚂蚁个体决策单元，每个蚂蚁个体决策单元对应一个蚂蚁系统，实现随机搜索，决定下一步蚂蚁个体的移动方向与具体位置，并进一步对蚂蚁个体的局部状态进行调整；蚂蚁协作决策单元，提取在当前迭代中多个蚂蚁系统中最佳直方图，作为下次迭代过程直方图模板库； 细胞状态提取模块，对各个所述蚂蚁系统进行筛选，将利用有效的蚂蚁系统对多细胞状态进行提取。在本专利技术一个较佳实施例中，所述蚂蚁协作决策单元，从上述的多个蚂蚁系统中找到最佳直方图；若当前最佳直方图与直方图模板库的平均相似度超过某阈值，该最佳直方图序列加入当前直方图模板库，为下一次迭代计算所用。在本专利技术一个较佳实施例中，所述蚂蚁协作决策单元还通过蚂蚁移动状态模块，实现蚂蚁个体状态进一步调整；并更新每个蚂蚁系统中每只蚂蚁个体的运动模型概率、似然函数值、影响区域、权重和每个蚂蚁系统跟踪任务完成概率。在本专利技术一个较佳实施例中，所述细胞状态提取模块，通过对细胞跟踪任务完成程度进行阈值判断，确认有效蚂蚁系统；通过蚂蚁系统合并模块，将两两状态相近蚂蚁系统进行合并；并对剩余蚂蚁系统的似然函数阈值化，提取多个细胞状态。在本专利技术一个较佳实施例中，所述蚂蚁系统的数量大于需要跟踪的细胞的数量。本专利技术的有益效果是本专利技术基于多任务蚂蚁系统的多细胞自动跟踪方法和系统具有以下优点 1)无需细胞检测模块，是一种直接基于细胞原始图像序列的、多任务蚂蚁系统自动多细胞跟踪技术； 2)通过蚂蚁系统之间的协作，动态方式构建直方图模板库，无需大量的细胞样本库，节省了计算成本； 3)能有效跟踪动力学特性差异大的不同细胞、跟踪变形细胞和近距离移动多细胞。4)能实现对进入、离开观察区域的多细胞自动跟踪。附图说明图1是本专利技术基于多任务蚂蚁系统的多细胞自动跟踪方法一较佳实施例的流程示意图。具体实施例方式下面结合附图对本专利技术的较佳实施例进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。一种基于多任务蚂蚁系统的多细胞自动跟踪系统，包括 多个蚂蚁系统，每个独立蚂蚁系统对应一个细胞的跟踪； 初始化模块，设置多个蚂蚁系统中的蚂蚁个体在图像中的分布情况；假定每个蚂蚁系统初始跟踪任务完成概率；初始直方图模板库构建；设定蚂蚁个体最大、最小活动影响区域、模型概率与权重； 多个蚂蚁个体决策单元，每个蚂蚁个体决策单元对应一个蚂蚁系统，主要实现下一步蚂蚁移动方向与具体位置，通过蚂蚁模型概率和似然函数值等启发式概率函数来实现随机搜索；在此基础上，进一步实现蚂蚁局部状态调整； 蚂蚁协作决策单元，主要实现在当前迭代中多个蚂蚁系统最佳直方图提取，作为下次迭代过程直方图模板库；同时，在通过蚂蚁移动状态模块，实现蚂蚁状态进一步调整，进而对每个蚂蚁系统中蚂蚁个体运动模型、似然函数值、影响区域、权重和每个蚂蚁系统跟踪任务完成概率进行更新； 细胞状态提取模块，主要实现对上述蚂蚁系统的筛选，将利用有效蚂蚁系统对多细胞状态进行提取。首先通过对细胞跟踪任务完成程度进行阈值判断，确认有效蚂蚁本文档来自技高网...

【技术保护点】
一种基于多任务蚂蚁系统的多细胞自动跟踪方法，其特征在于，具体步骤包括：（100）、初始化：设定多任务蚂蚁系统中的蚂蚁个体在图像中的初始状态分布；初始设定每个蚂蚁系统任务完成概率；初始直方图模板库构建；设定蚂蚁个体最大、最小活动影响区域，模型概率与权重；?（200）、跟踪：多个任务蚂蚁系统对细胞进行跟踪，每个独立蚂蚁系统对应一个细胞的跟踪；（300）、找出每个独立蚂蚁系统中的最佳直方图；（400）、更新直方图模板库：从上述的多个蚂蚁系统中找到最佳直方图；若当前最佳直方图与直方图模板库的平均相似度超过预设阈值，则该最佳直方图序列加入当前直方图模板库，为下一次迭代计算所用；（500）、筛选蚂蚁系统：对每个蚂蚁系统任务完成概率进行阈值判断，若超过设定阈值，则该蚂蚁系统为有效的，继续进行下一步骤；否则删除该蚂蚁系统；（600）、提取细胞状态：对剩余的蚂蚁系统的似然函数阈值化，并提取多个细胞状态。

【技术特征摘要】

【专利技术属性】
技术研发人员：徐本连，陈庆兰，鲁明丽，毛丽民，朱培逸，王小英，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：