基于分水嶺算法和形態(tài)學標記的圖像分割方法
【專利摘要】本發(fā)明提供一種基于分水嶺算法和形態(tài)學標記的圖像分割方法，對灰度圖像進行中值濾波得到濾波后的圖像；對濾波后的圖像使用OTSU大津法得到二值化圖像；利用基于重建的形態(tài)學運算處理二值化圖像得到特征標記圖像；采用分水嶺算法對特征標記圖像進行變換得到分割后的圖像。本發(fā)明提供的圖像分割方法，利用OTSU大津法和中值濾波，對圖像的雜質和噪點進行過濾，并作為分水嶺算法的初步標記來源，有效的消除了噪聲的干擾；采用形態(tài)學運算方法，在保證不喪失有效區(qū)域的信息的同時，能夠將某些模糊區(qū)域或相連區(qū)域分離開，保證圖像分割的完整性和一致性；結合連通域的計算，可以排除非噪點的無效目標和信息，精確定位的分水嶺算法的標記，消除了過分割現(xiàn)象。
【專利說明】基于分水嶺算法和形態(tài)學標記的圖像分割方法
【技術領域】
[0001]本發(fā)明涉及一種圖像分割處理方法，具體涉及一種基于分水嶺算法和形態(tài)學標記的圖像分割處理方法，可用于包括微納米顆粒分布，細胞或缺陷檢測在內的多種圖像分割。
【背景技術】
[0002]圖像分割是圖像處理和檢測分析中的一個非常重要的步驟，它可將目標圖像劃分為若干具有某種相似性和一致性特性的區(qū)域，精確定位這些區(qū)域并對它們的一些特性做進一步的分析和處理。
[0003]圖像分割通常用于對圖像進行進一步的分析，檢測，評估等，分割的準確性以及區(qū)域的一致性會直接影響到后續(xù)工作的價值。主流的圖像分割方法，一般分為兩類，一類是基于閾值的分割，一類是基于區(qū)域的分割。基于閾值的分割，算法簡單，速度快，但在目標與背景差距較小的情況下，很難得到精確的區(qū)域劃分；基于區(qū)域的劃分，是將區(qū)域的某些相似特性作為判斷標準，在此基礎上，將這些相似的區(qū)域連接起來，從而形成有效的區(qū)域劃分。圖像分割的分水嶺算法，最早由Digabel和Lantujoul引入,Meyer提出了最初的形態(tài)學分割方法(Meyer F，Beucher S.Morphological segmentation [J].Journal of visualcommunication and image representation, 1990，I (I):21-46.),但存在計算量大的缺點，Vincent和Soille于1991年提出的快速形態(tài)學分水嶺方法，奠定了現(xiàn)代分水嶺方法的基礎。
[0004]分水嶺方法對邊緣的定位準確，運算簡單，且易于并行處理，但存在一個重要的問題，分水嶺方法對噪聲和雜質點特別敏感，一旦圖像中噪聲和雜質點較多時，算法會檢測到過多的局部極限值，進而造成過分割現(xiàn)象。過分割會導致無法正確劃分目標區(qū)域，無法進一步對目標區(qū)域的特性進行分析和評估等結果。為提高圖像分割的準確性，須在進行分水嶺處理之前，對目標特征區(qū)域進行標記。
[0005]一般的標記方法，多適用于處理圖像中冗余的紋理信息，如基于灰度級共生矩陣的方法，基于紋理譜的方法等，對于處理非紋理信息的顆粒分布顯微圖像，缺陷檢測圖像或金相圖像等有效組織或區(qū)域在圖像中易粘合在一起的圖像來說，并不適用。如何在保證圖像中的有效信息不丟失的情況下，將特征區(qū)域分割開，并且不會造成過分割，成為一個亟待解決的問題。

【發(fā)明內容】

[0006]本發(fā)明的目的在于針對以上所述的技術的不足以及需要解決的問題，提出一種基于分水嶺算法和形態(tài)學標記的圖像分割方法，將形態(tài)學運算和處理和分水嶺算法結合，用形態(tài)學運算處理過之后的圖像作為分水嶺標記的來源，對圖像進行分割。
[0007]分水嶺算法的標記，是建立在OTSU大津法對原始圖像的處理，以及形態(tài)學運算對目標區(qū)域的提取和對無效信息的過濾的基礎上。
[0008]本發(fā)明提供的圖像分割方法既能保證標記的準確性，消除雜質噪點等無效信息，又能有效解決分水嶺算法分割圖像時的過分割問題。
[0009]本發(fā)明提供的基于分水嶺算法和形態(tài)學標記的圖像分割方法，包括以下步驟:
[0010](I)對灰度圖像進行中值濾波，得到濾波后的圖像；
[0011](2)對濾波后的圖像使用OTSU大津法，得到二值化圖像；
[0012](3)利用基于重建的形態(tài)學運算處理二值化圖像，得到特征標記圖像；
[0013](4)采用分水嶺算法對特征標記圖像進行變換，得到分割后的圖像。
[0014]本發(fā)明提供的基于分水嶺算法和形態(tài)學標記的圖像分割方法，使用OTSU大津法作對圖像進行初步分割，利用圖像中目標區(qū)域與背景之間的灰度值的不同，通過選取合適的閾值區(qū)分背景和目標，不但可以大量壓縮數(shù)據(jù)，節(jié)省時間，還未后面下一步的目標區(qū)域的過濾和標記提供了較好的基礎。
[0015]本發(fā)明提供的基于分水嶺算法和形態(tài)學標記的圖像分割方法，采用形態(tài)學運算方法，通過腐蝕、膨脹及重建等運算，將某些原本粘結在一起的區(qū)域分離開，能夠更加精確的對應目標區(qū)域，準確找出目標的有效區(qū)域，并去除某些非噪點的無效目標，為采用分水嶺算法進行圖像分割提供標記。
[0016]進一步地，步驟(1)中的中值濾波包括以下步驟:
[0017](11)選擇sobel邊緣算子對灰度圖像進行水平和垂直方向的濾波；
[0018](12)計算模值。
[0019]進一步地，步驟(11)中sobel邊緣算子包括兩組3x3矩陣，其中一組為橫向矩陣:
【權利要求】
1.一種基于分水嶺算法和形態(tài)學標記的圖像分割方法，其特征在于，包括以下步驟: (1)對灰度圖像進行中值濾波，得到濾波后的圖像； (2)對所述濾波后的圖像使用OTSU大津法，得到二值化圖像； (3)利用基于重建的形態(tài)學運算處理所述二值化圖像，得到特征標記圖像； (4)采用分水嶺算法對所述特征標記圖像進行變換，得到分割后的圖像。
2.根據(jù)權利要求1所述的基于分水嶺算法和形態(tài)學標記的圖像分割方法，其特征在于，步驟(1)中的中值濾波包括以下步驟: (11)選擇sobel邊緣算子對所述灰度圖像進行水平和垂直方向的濾波； (12)計算模值。
3.根據(jù)權利要求2所述的基于分水嶺算法和形態(tài)學標記的圖像分割方法，其特征在于，步驟(11)中所述sobel邊緣算子包括兩組3x3矩陣，其中一組為橫向矩陣:

4.根據(jù)權利要求1所述的基于分水嶺算法和形態(tài)學標記的圖像分割方法，其特征在于，步驟(3)包括以下步驟: (31)對所述二值化圖像進行形態(tài)學中的腐蝕操作； (32)統(tǒng)計腐蝕后的圖像中所有連通域的像素面積，計算所述連通域的像素面積的均值和偏差； (33)根據(jù)所述連通域的像素面積與所述連通域的像素面積的所述偏差，刪除所述腐蝕后的圖像邊緣與內部的雜質點以及過小的所述連通域； (34)利用步驟(33)中得到的圖像與步驟(2)中的所述二值化圖像，進行重建，獲得重建圖像； (35)對所述重建圖像，進行膨脹及重建操作，得到膨脹后重建圖像； (36)對步驟(34)中獲得的重建圖像與步驟(35)中得到的膨脹后重建圖像，求補，并進行重建，然后再求補，獲得用于分水嶺算法的特征標記圖像。
5.根據(jù)權利要求4所述的基于分水嶺算法和形態(tài)學標記的圖像分割方法，其特征在于，步驟(31)中腐蝕操作的結構元素為圓形算子或者方形算子。
6.根據(jù)權利要求5所述的基于分水嶺算法和形態(tài)學標記的圖像分割方法，其特征在于，所述結構元素的像素值為2~20。
7.根據(jù)權利要求5所述的基于分水嶺算法和形態(tài)學標記的圖像分割方法，其特征在于，步驟(35)中的膨脹操作，使用的結構元素與步驟(35)中腐蝕操作的結構元素相同。
8.根據(jù)權利要求1所述的基于分水嶺算法和形態(tài)學標記的圖像分割方法，其特征在于，步驟(4)中所述分水嶺算法采用象素點的歐拉距離作為分割標準。
【文檔編號】G06T7/00GK103914843SQ201410136163
【公開日】2014年7月9日 申請日期:2014年4月4日 優(yōu)先權日:2014年4月4日
【發(fā)明者】袁鑫, 熊振華, 盛鑫軍, 賈磊, 朱向陽 申請人:上海交通大學