学术研究报告：一种改进的Otsu算法在疟疾寄生虫图像分割中的应用
一、 研究团队与发表信息 本研究的主要作者为Mosam K. Sangole*, Sanjay T. Gandhe与Dipak P. Patil。他们分别来自印度马哈拉施特拉邦纳西克的Sandip基金会旗下两个机构：Sandip Foundation’s SITRC和Sandip Foundation’s SIEM。该项研究成果以章节形式收录于Tushar H. Jaware等人编辑的学术著作《Medical Imaging and Health Informatics》中，该著作由Scrivener Publishing LLC出版社于2022年出版。本章节的标题为“改进的Otsu算法用于疟疾寄生虫图像分割”。
二、 学术背景与研究目的 本研究隶属于医学图像处理与分析领域，具体聚焦于基于显微镜图像的自动疾病诊断技术。疟疾是一种由疟原虫引起的、威胁全球健康的严重传染病，每年导致约百万人死亡，对发展中国家尤甚。传统的疟疾诊断依赖于专业技术人员通过显微镜手动检查血涂片，此过程耗时耗力且易受主观因素影响。因此，开发快速、准确的自动化或半自动化检测技术，对于加速治疗、控制疫情传播具有重要意义。
在自动化检测流程中，图像分割是核心且关键的一步，其目标是从血液涂片图像中精确分离出受感染的红细胞（Red Blood Cells, RBCs）。在众多分割方法中，大津算法（Otsu’s Method）作为一种经典的自动全局阈值选取方法，因其简单有效，在疟疾血涂片图像分割中得到了广泛应用。然而，经典大津算法在处理直方图接近单峰分布的图像时效果不佳，它通过最大化类间方差来选取阈值，但在图像背景复杂、光照不均或目标与背景对比度不高时，其分割精度会下降。
基于此背景，本研究旨在对现有的大津算法进行改进，以提升其在疟疾寄生虫图像分割中的性能。研究目标明确：提出一种改进的大津算法，使其在分割吉姆萨染色的疟疾血涂片图像时，比经典大津算法、山谷强调大津法（Valley-emphasis Otsu）及混合大津法（Hybrid Otsu）更加有效，并通过多项定量评价指标证明其优越性。
三、 详细研究流程与方法 本研究工作流程清晰，主要包含理论基础构建、算法改进设计、实验验证与结果分析三个阶段。
第一阶段：理论基础与文献综述。 研究首先系统回顾了图像分割，特别是阈值分割法在疟疾检测中的应用。通过文献调研指出，尽管存在多种分割技术（如K-means聚类、蚁群优化、Chan-Vese模型、支持向量机SVM结合、分水岭算法、模糊C均值FCM等），但大津阈值法因其易于使用和鲁棒性，仍是该领域研究者最常用的方法之一。同时，研究也指出了经典大津算法的局限性，即其性能高度依赖图像直方图的双峰或多峰特性。这为后续的算法改进提供了明确的方向。
第二阶段：改进算法的设计与提出。 本研究的核心在于提出了一种改进的大津算法。该算法融合了两个关键思想： 1. 中位数增强的类中心估计：研究指出，当一个类别的灰度分布呈现重尾或偏态时，中位数是比平均值更稳健的估计量。因此，在计算类间方差时，并非直接使用前景（C0）和背景（C1）的均值（μ0, μ1），而是使用“均值与中位数之和”来代表各类的中心位置，即用 (m0 + μ0) 和 (m1 + μ1) 分别替代 μ0 和 μ1，其中 m0 和 m1 分别是前景和背景类的中位灰度值。这使得算法对噪声和非对称分布更不敏感。 2. 加权山谷强调机制：借鉴Hui-Fuang Ngai提出的“山谷强调”思想，理想的阈值应位于直方图的山谷处，该处的像素出现概率 h(t) 较低。因此，在目标函数中引入权重因子 (1 - h(t))。最终，改进算法的目标函数是最大化以下乘积： t* = arg max { (1 - h(t)) * [ ω0 * ω1 * ((m1+μ1) - (m0+μ0))^2 ] } 其中，第一部分 (1 - h(t)) 是权重，确保在直方图谷底选取阈值；第二部分是基于中位数增强的类间方差。该设计迫使算法在寻找最大类间方差的同时，倾向于选择像素出现概率低的阈值点。为进一步提升精度，算法在得到初步阈值t*后，还会考虑其相邻的前后两个灰度值（共五个候选值），并从中选取最小值作为最终的优化阈值。
第三阶段：实验验证与数据分析。 1. 研究对象与数据来源：实验使用了8幅吉姆萨染色的疟疾血涂片标准图像，图像采集自美国疾病控制与预防中心（CDC）官方网站。这些图像涵盖了不同类型的疟原虫（如恶性疟原虫Falciparum、间日疟原虫Vivax、卵形疟原虫Ovale、三日疟原虫Malariae），图像尺寸统一为300×300像素。为了进行定量评估，研究使用ImageJ软件手动分割获得了二值化的“金标准”（Ground Truth）图像。 2. 对比方法与评价指标：将提出的改进大津算法与三种现有算法进行对比：经典大津算法（Nobuyuki Otsu, 1979）、山谷强调大津法（Ng, 2006）和混合大津法（Suhas & Venugopal, 2020）。采用六种广泛认可的定量指标进行评估：准确度（Accuracy）、灵敏度（Sensitivity）、马修斯相关系数（Matthews Correlation Coefficient, MCC）、戴斯系数（Dice Coefficient）、杰卡德指数（Jaccard Index）和结构相似性指数（Structural Similarity Index, SSIM）。这些指标从不同角度（整体正确率、目标检出能力、分割区域重叠度、结构相似性等）全面衡量分割效果。 3. 实验环境与过程：实验在Intel Core i5-7200 CPU、8GB RAM的硬件平台上，使用MATLAB R2018a软件环境进行。研究对每一幅测试图像，分别运行四种算法，生成分割结果图（如图10.2所示，分别展示了原始图像、经典Otsu、山谷强调Otsu、混合Otsu及改进Otsu的分割效果），并基于“金标准”计算各项评价指标。
四、 主要研究结果与分析 实验结果通过详细的表格（表10.1至表10.6）和直观的折线图（图10.3至图10.8）进行了展示，数据充分证明了所提改进算法的优越性。
在所有六项评价指标上，提出的改进大津算法在测试的8幅图像上，绝大部分结果均优于或等于其他三种对比方法。例如： * 准确度（Accuracy）：对于图像“malariae_1”，经典Otsu的准确度仅为0.529，而山谷强调和混合Otsu提升至约0.967，改进Otsu进一步达到0.982。在所有图像中，改进Otsu的准确度始终最高或接近最高。 * 灵敏度（Sensitivity）：灵敏度衡量正确检测出感染区域的能力。改进Otsu在多数图像上取得了最高值，例如在“ovale_1”和“vivax_1”上分别达到0.999和0.998，表明其漏检率极低。 * MCC、Dice、Jaccard：这三个指标综合衡量分割结果与真实情况的相关性和重叠程度。数据一致显示，改进Otsu的得分最高。例如，在“falci_1”图像上，改进Otsu的MCC为0.983，显著高于经典Otsu的0.780和其他两种方法的0.964。Dice和Jaccard系数也呈现相同趋势。 * SSIM（结构相似性指数）：该指标评估分割图像与“金标准”在结构信息上的相似度。改进Otsu同样表现最佳，尤其在难度较大的图像如“malariae_1”上，其SSIM值（0.855）大幅高于经典Otsu（0.191）和其他两种方法（约0.792）。
从结果图中可以明显观察到，经典Otsu算法在某些图像（如malariae_1）上分割效果很差，无法有效分离目标与背景。山谷强调Otsu和混合Otsu虽有显著改善，但改进Otsu在视觉上能产生更清晰、更完整、噪声更少的分割边界，更接近于手动标注的“金标准”。这些定量与定性结果在逻辑上紧密衔接：算法设计的改进（引入中位数和山谷加权）直接导致了类间方差计算和目标函数构建的优化，从而在复杂图像上能选出更合理的阈值，最终体现为各项评价指标的全面提升。实验结果强有力地支撑了“所提算法更有效”的结论。
五、 研究结论与价值 本研究得出结论：基于Hui-Fuang Ngai山谷强调技术思想所提出的改进大津算法，在分割吉姆萨染色的疟疾图像方面表现出色。定量结果证明，该算法在准确度、灵敏度、MCC、Dice、Jaccard和SSIM指标上均优于经典的Nobuyuki Otsu算法、山谷强调Otsu算法以及混合Otsu阈值算法。因此，该改进算法是用于血液细胞中疟疾寄生虫分割的一种有效且高效的方法。
本研究的价值体现在： 1. 科学价值：提出了一种创新的图像阈值分割算法，通过结合中位数的稳健估计和山谷加权的双重机制，有效克服了经典大津法在单峰或近单峰直方图图像上性能不佳的固有缺陷，为图像处理领域的阈值选取技术提供了新的思路。 2. 应用价值：所提算法直接面向疟疾自动化诊断这一重大公共卫生需求。通过提升血涂片图像分割的准确性和鲁棒性，有助于推动更可靠、更快速的计算机辅助诊断（CAD）系统的开发，对于医疗资源匮乏地区的疟疾筛查和诊断具有重要的现实意义。
六、 研究亮点 1. 方法创新性：本研究并非简单应用现有算法，而是对经典大津算法进行了有针对性的、融合式的改进。将“中位数增强”与“山谷强调加权”两种思想有机结合，形成了具有更高鲁棒性的新目标函数。 2. 验证全面性：研究采用了多达六种不同的定量评价指标，从多个维度全面、客观地评估算法性能，结论可信度高。同时，使用了包含不同疟原虫种类的公开标准数据集进行测试，增强了结果的普适性和说服力。 3. 问题导向明确：研究从实际应用（疟疾图像分割）中的具体问题（经典算法局限性）出发，通过文献综述明确技术瓶颈，进而设计解决方案，整个研究逻辑清晰，工程与实践导向性强。
七、 其他有价值内容 本章节在“文献综述”部分提供了非常详尽的该领域技术发展概览，引用了从2015年至2020年的近20篇相关研究，涵盖了基于Otsu、分水岭、机器学习（SVM、神经网络）、聚类（K-means, FCM）、活动轮廓模型（Chan-Vese）等多种方法的疟疾图像分割工作。这部分内容对于希望进入该领域的研究者而言是一份有价值的参考资料。此外，文中清晰给出了经典大津算法和改进算法的数学公式推导，便于读者理解和复现。实验部分详细列出了各项评估指标的计算公式（如TP、FP等定义及SSIM的分解），增加了研究的可重复性和透明度。