專利名稱：一種數(shù)字圖像中顆粒狀對(duì)象的自動(dòng)分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像分析與處理技術(shù)領(lǐng)域，特別是數(shù)字圖像中顆粒狀對(duì)象的自動(dòng)分割。
背景技術(shù)：
數(shù)字圖像，尤其是生物醫(yī)學(xué)顯微圖像中，許多對(duì)象的結(jié)構(gòu)或微結(jié)構(gòu)呈顆粒狀，如淀粉類食物土豆、小麥的淀粉顆粒、嗜熱菌、球形球菌、紅細(xì)胞、小淋巴細(xì)胞等的顯微圖像，其特點(diǎn)為(1)顆粒數(shù)量較多，呈聚集分布狀態(tài)；( 顆粒間距離很小，存在大量粘連及重疊現(xiàn)象；C3)形狀規(guī)則，大多為圓形或近似圓形。在進(jìn)行生物學(xué)、醫(yī)學(xué)基礎(chǔ)研究時(shí)，常常需要對(duì)這些顆粒的結(jié)構(gòu)與分布特性進(jìn)行分析和處理，如細(xì)胞/顆粒計(jì)數(shù)、病毒特征提取與識(shí)別、異常判斷、生長過程監(jiān)測(cè)與動(dòng)態(tài)評(píng)估等。細(xì)胞/顆粒狀對(duì)象的分割，是進(jìn)行上述分析的基礎(chǔ)與重要環(huán)節(jié)，然而，由于有限的光照條件，以及大量顆粒狀對(duì)象發(fā)生粘連或重疊等原因，使得它們的自動(dòng)分割變得十分困難。圖像分割一直是圖像處理領(lǐng)域引起人們重點(diǎn)關(guān)注的熱點(diǎn)與難點(diǎn)問題之一。眾多圖像分割方法中，比較有代表性的是基于灰度與輪廓幾何形狀的分割方法，主動(dòng)輪廓模型(active contourmodel, ACM or snake)，最早由 Kass 等人于 1988 年提出， (Kass M, Witkin A, Terzopoulos D. Snakes :Active contour models, Int.J. Comput. Vision. 321-331, (1988))。它建立一個(gè)包含基于圖像灰度外能與輪廓內(nèi)能的函數(shù)，通過輪廓曲線內(nèi)力與灰度梯度外力的驅(qū)動(dòng)，使初始輪廓產(chǎn)生形變，最終收斂到真實(shí)的目標(biāo)邊界，從而實(shí)現(xiàn)目標(biāo)的分割。隨后，出現(xiàn)了許多改進(jìn)的方法，如Xu等人(Xu C, Prince J L. Snakes, shapes, and gradient vector flow. IEEE Trans ImageProcessing 7 (3) 359-369(1998) ；Xu C. ,Prince J L. Generalized gradient vector flow externalforces for active contours, Signal Processing 71 (2) : 131-139 (1998))提出的梯度向量流 (gradientvector flow, GVF)，擴(kuò)大了傳統(tǒng)Snake的捕捉范圍，對(duì)噪聲具更強(qiáng)的健壯性。近年來，另一類應(yīng)用很廣泛的方法，水平集(Level set)，也被用于細(xì)胞或顆粒狀對(duì)象的顯微圖像的分割(Solorzano De C, Malladi R, Lelievre S, et al. Segmentation of nuclei and cells usingmembrane related protein markers,Journal ofMicroscopy 201 :404-415 (2001) ；Vese L. Chan T. Amultiphase level set framework for image segmentation using the Mumford and Shah model,International Journal of Computer Vision 50(3) :271-293, (2002) ；Yan P, Zhou X, Shah M，et al. Automatic segmentation of high throughput RNAi fluorescent cellular images, IEEE Transaction onlnformation Technology in Biomedicine 12(1) 109-117 (2008)) 基于幾何形變模型的分割，無論是傳統(tǒng)的Snake，還是改進(jìn)的GVF，及氣球(Ballon)力模型，或B樣條Snake 等方法，它們分割單一的目標(biāo)時(shí)，經(jīng)過合適的初始化后，能快速準(zhǔn)確地搜尋到目標(biāo)邊界；水平集算法，雖然能將二維輪廓的搜索問題變換到三維空間中表面拓?fù)浣Y(jié)構(gòu)的演化，使其更適合分割多目標(biāo)，但它存在構(gòu)建速率函數(shù)困難、控制參數(shù)較多、時(shí)間開銷大等不足。更為重要的是，這兩類方法，對(duì)于圖像中存在大量粘連與重疊的對(duì)象，其性能并不理想，它們無法檢測(cè)到正確的對(duì)象邊界，實(shí)施準(zhǔn)確有效的分割。

發(fā)明內(nèi)容
本發(fā)明目的在于針對(duì)現(xiàn)有技術(shù)存在的缺點(diǎn)與不足，提供一種數(shù)字圖像中顆粒狀對(duì)象的自動(dòng)分割方法。本發(fā)明的目的通過如下技術(shù)方案實(shí)現(xiàn)—種數(shù)字圖像中顆粒狀對(duì)象的自動(dòng)分割方法，包括如下步驟第一步分離顆粒狀對(duì)象與背景先將圖像轉(zhuǎn)化為二值圖像，再采用自動(dòng)閾值法將待分割的對(duì)象與背景進(jìn)行分離；第二步搜索顆粒狀對(duì)象的中心計(jì)算圖像的梯度向量場(chǎng)；求顆粒中心點(diǎn)；第三步計(jì)算方向梯度先構(gòu)建一個(gè)基于灰度與空間位置的能量函數(shù)，計(jì)算每個(gè)像素對(duì)應(yīng)的能量最大的中心點(diǎn)，作為此像素同質(zhì)性最強(qiáng)的中心；計(jì)算每一個(gè)像素與其對(duì)應(yīng)的中心的方向梯度；第四步初始化圓形輪廓從每一顆粒的中心出發(fā)，分別沿上、下、左、右四個(gè)方向， 搜索第一個(gè)非零值的像素，將中心與該像素的距離，作為初始化圓的半徑；第五步分割顆粒狀對(duì)象利用GVF Snake形變模型實(shí)施分割，其外力項(xiàng)的梯度采用第三步中的方向梯度。第三步中定義一個(gè)基于灰度與空間位置的有效能量函數(shù)Eeffect = Ic1Ept^k2Ehomo,其中\(zhòng)\P-C\\Ehomo=e-r2lf0j)-^；式中，1^與1^2為權(quán)值參數(shù)；[與Y1為大于0的常數(shù)；P為像素；C為顆粒中心；μ k為顆粒Ck的灰度均值。第三步中的方向梯度定義為圖像中某一像素點(diǎn)P (px，Py)指向某一中心C(cx，cy) 的方向梯度向量為d(x，y) = (dx，尖)，其中大=|^，(^=|^°與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果(1)自動(dòng)定位顆粒中心點(diǎn)，確定顆粒數(shù)量。(2)通過建立基于灰度與空間位置的同質(zhì)函數(shù)，每一像素均能唯一對(duì)應(yīng)與其同質(zhì)性最高的中心點(diǎn)，即每一中心點(diǎn)均有一個(gè)同質(zhì)局部區(qū)域，或稱力場(chǎng)范圍。(3)以方向梯度代替?zhèn)鹘y(tǒng)的灰度梯度，一方面，由于只需要計(jì)算一個(gè)方向的梯度， 因此可以減少計(jì)算量，另一方面，可提高分割結(jié)果的準(zhǔn)確性。(4)分割過程不需要任何人工參與，分割過程快速，結(jié)果準(zhǔn)確。(5)對(duì)聚集性較強(qiáng)顆粒的分割具有顯著特異性，能有效分割粘連或重疊的顆粒。


圖1為本發(fā)明一種數(shù)字圖像中顆粒狀對(duì)象的自動(dòng)分割方法的流程圖。圖2為本發(fā)明8鄰域方向及向量之間相似性。圖3為本發(fā)明實(shí)施例土豆淀粉顆粒顯微圖像。圖4為本發(fā)明實(shí)施例圖像的直方圖。圖5為本發(fā)明實(shí)施例圖像的顆粒與背景分離后二值圖。圖6為本發(fā)明實(shí)施例圖像的GVF場(chǎng)與顆粒中心。圖7為本發(fā)明實(shí)施例指向各顆粒中心的向量圖。圖8為本發(fā)明實(shí)施例求出的方向梯度圖。圖9為本發(fā)明實(shí)施例的初始圓形輪廓圖。圖10為本發(fā)明實(shí)施例土豆淀粉顆粒顯微圖像的分割結(jié)果。圖11 13為本發(fā)明實(shí)施例的三個(gè)研究對(duì)象。圖14 16為本發(fā)明實(shí)施例的三個(gè)研究對(duì)象對(duì)應(yīng)的分割結(jié)果。
具體實(shí)施例方式下面結(jié)合實(shí)施例和附圖對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步的描述，但本發(fā)明的實(shí)施方式不限于此。實(shí)例采用土豆淀粉顆粒的顯微圖像，由DP71 Olympus光學(xué)顯微鏡采集。如圖1所示，本發(fā)明包括以下步驟(1)輸入待分析的土豆淀粉顆粒的顯微圖像；(2)分離顆粒狀對(duì)象與背景；從圖4淀粉顆粒顯微圖像及其直方圖可知，圖像主要有兩個(gè)相隔較大的主峰，較低的峰值區(qū)間是灰度值較小的淀粉顆粒，較高的峰值區(qū)間為高亮度背景。采用全局自適應(yīng)閾值法將對(duì)象與背景分離首先給定一個(gè)初始閾值(如圖像灰度平均值)，然后通過迭代算法，逐漸使閾值逼近最優(yōu)值，最后求出準(zhǔn)確的閾值，對(duì)圖像實(shí)施分割。具體過程如下應(yīng)用該閾值將圖像分為兩類，分別計(jì)算兩類對(duì)象的平均密度，求兩個(gè)平均密度的均值并作為新的閾值，再對(duì)圖像進(jìn)行分類，比較連續(xù)兩次的閾值之差，或判斷迭代次數(shù)是否達(dá)到最大值，決定是否結(jié)束處理過程。其過程可描述為a)選擇初始估計(jì)值Ttl，給定很小的終止值t，及最大迭代次數(shù)Nmax ；b)用Ttl作為閾值將圖像分為C1與C2兩類；c)對(duì)C1與C2中所有像素計(jì)算平均密度其中f ( ·)為圖像密度， 與^2分別為C1與C2的像素?cái)?shù)量。d)計(jì)算新閾值 e)計(jì)算連續(xù)二次閾值之差Δ T = | TrT01，如果Δ T < t，或迭代次數(shù)等于Nmax，則結(jié)束；否則，將新閾值T1賦給Ttl，重復(fù)步驟b)-e)。
圖5為經(jīng)自動(dòng)閾值法處理后，顆粒與背景分離后的結(jié)果。(3)搜索顆粒狀對(duì)象的中心當(dāng)?shù)玫筋w粒與背景被分離后的二值圖像，首先計(jì)算梯度向量場(chǎng)，再求顆粒中心。(3. 1)計(jì)算梯度向量場(chǎng)(GVF)基于梯度向量場(chǎng)v(x，y) = (u(x,y),v(x, y))的能量函數(shù)定義為Egvf (ν) = [f μ(η2χ + U2y + ν2χ + V2y) + |V/|2|v - dxdy(3)其中，f(x，y)為圖像邊緣圖， 與、分別為u(x，y)和v(x，y)在χ與y方向的偏導(dǎo)，11表示向量的模。求C3)式能量函數(shù)的最小值，可應(yīng)用變分法求解以下兩個(gè)Euler方程//VM2-(M-Z1)(Z^ZZ) = O(4)//νν2-(ν-^)(Λ2 + /;) = 0(5)其中ν2為Laplacian算子，fx與fy分別為f在χ與y方向的偏導(dǎo)。GVF場(chǎng)通過以下迭代法求得WiCx,擬)=/^2 辦,_y,i)-(w(Jc,_y,i)-/x(Jc,_y)X/x(x,_y)2+//jc,_y)2)(6)=(J)其中t為迭代次數(shù)。(3. 2)求顆粒中心由于顆粒大多為圓形或近似圓形，理想的中心點(diǎn)具有兩個(gè)特征(a)GVF向量指向 8鄰域方向，從中心點(diǎn)出發(fā)，向外的8鄰域方向均有向量分布；(b)梯度值為0。但實(shí)際圖像中，由于光照不均勻或噪聲的影響，中心點(diǎn)的GVF向量并不是完全指向8鄰域方向，而是與8 鄰域方向相近，因此，如果兩個(gè)向量的相似性足夠大，則認(rèn)為二者是一致的。向量的相似性測(cè)度定義如下
權(quán)利要求
1.一種數(shù)字圖像中顆粒狀對(duì)象的自動(dòng)分割方法，其特征在于包括如下步驟第一步分離顆粒狀對(duì)象與背景先將圖像轉(zhuǎn)化為二值圖像，再采用自動(dòng)閾值法將待分割的對(duì)象與背景進(jìn)行分離；第二步搜索顆粒狀對(duì)象的中心計(jì)算圖像的梯度向量場(chǎng)；求顆粒中心點(diǎn)； 第三步計(jì)算方向梯度先構(gòu)建一個(gè)基于灰度與空間位置的能量函數(shù)，計(jì)算每個(gè)像素對(duì)應(yīng)的能量最大的中心點(diǎn)，作為此像素同質(zhì)性最強(qiáng)的中心；計(jì)算每一個(gè)像素與其對(duì)應(yīng)的中心的方向梯度；第四步初始化圓形輪廓從每一顆粒的中心出發(fā)，分別沿上、下、左、右四個(gè)方向，搜索第一個(gè)非零值的像素，將中心與該像素的距離，作為初始化圓的半徑；第五步分割顆粒狀對(duì)象利用GVF Snake形變模型實(shí)施分割，其外力項(xiàng)的梯度采用第三步中的方向梯度。
2.根據(jù)權(quán)利要求1所述的一種數(shù)字圖像中顆粒狀對(duì)象的自動(dòng)分割方法，其特征在于第三步中定義一個(gè)基于灰度與空間位置的有效能量函數(shù) F = l· ρ +l· ρj^effect aIj^pos ^^homo，其中‘ =^t-CtUW1; 式中，1^與1^2為權(quán)值參數(shù)； 、與Y1為大于O的常數(shù)； P為像素；C為顆粒中心； μ k為顆粒Ck的灰度均值。
3.根據(jù)權(quán)利要求1所述一種數(shù)字圖像中顆粒狀對(duì)象的自動(dòng)分割方法，其特征在于第三步中的方向梯度定義為圖像中某一像素點(diǎn)P(Px，Py)指向某一中心C(cx，cy)的方向梯度向,_ Cx-Px_ Cy-Py量為 d(x，y) = (dx，dy)，其中αχ — _ C| ‘a(chǎn)>> - _ C| °
全文摘要
本發(fā)明公開了一種數(shù)字圖像中顆粒狀對(duì)象的自動(dòng)分割方法，屬于數(shù)字圖像處理技術(shù)領(lǐng)域。本發(fā)明針對(duì)數(shù)字圖像，尤其是顯微圖像中顆粒狀對(duì)象的灰度、結(jié)構(gòu)分布與幾何形狀等特點(diǎn)，先應(yīng)用自動(dòng)閾值法將目標(biāo)與背景分離；然后計(jì)算其梯度向量場(chǎng)，在梯度向量場(chǎng)中搜索關(guān)鍵點(diǎn)，理想的關(guān)鍵點(diǎn)在8鄰域均有相應(yīng)的梯度向量分布，其梯度值為零，獲取的關(guān)鍵點(diǎn)作為每一個(gè)顆粒狀對(duì)象的中心；接著定義一個(gè)新的基于灰度與空間位置的有效能量函數(shù)用以計(jì)算方向梯度，將其代替?zhèn)鹘y(tǒng)的灰度梯度；最后應(yīng)用主動(dòng)輪廓模型搜尋顆粒狀對(duì)象的邊界。本發(fā)明能準(zhǔn)確有效地分割聚集型的顆粒狀對(duì)象，尤其是生物醫(yī)學(xué)顯微圖像中存在的大量粘連或重疊的微小顆粒，為圖像分析與識(shí)別提供幫助。
文檔編號(hào)G06T5/00GK102324092SQ20111026725
公開日2012年1月18日 申請(qǐng)日期2011年9月9日 優(yōu)先權(quán)日2011年9月9日
發(fā)明者郭圣文 申請(qǐng)人:華南理工大學(xué)