摘  要： 在經(jīng)典算法的基礎(chǔ)上，結(jié)合分水嶺算法檢測細(xì)胞圖像邊緣，然后對(duì)處理過的圖像使用Canny算子實(shí)現(xiàn)邊緣檢測。對(duì)梯度圖像進(jìn)行閾值處理才能有效地抑制噪聲污染，提高邊緣檢測的質(zhì)量，為醫(yī)學(xué)細(xì)胞的分析及診斷等提供更為有利的決策信息。
關(guān)鍵詞： 分水嶺； 邊緣檢測； 算子； 閾值

1 醫(yī)學(xué)圖像邊緣檢測方法研究現(xiàn)狀
    目前，醫(yī)學(xué)圖像處理已經(jīng)在圖像分割、 圖像匹配、 圖像融合及偽彩色處理等領(lǐng)域取得了巨大的成就[1]。醫(yī)學(xué)圖像邊緣檢測技術(shù)的發(fā)展與醫(yī)學(xué)圖像處理的發(fā)展同步，比較成熟的工具有：微分算子、小波變換和形態(tài)處理學(xué)，并且也發(fā)展出了眾多的有效算法。小波變換和分析作為一種多尺度多通道分析工具，比較適合對(duì)圖像進(jìn)行多尺度的邊緣檢測[2]。因?yàn)獒t(yī)學(xué)圖像一般較為復(fù)雜，有許多不確定性和不精確性(即模糊性)，所以有人將模糊理論引入到圖像處理與分析中，形成了模糊邊緣檢測理論，它可以很好地處理MR圖像內(nèi)在的模糊性和不確定性，而且對(duì)噪聲不敏感。
2 基于分水嶺算法的醫(yī)學(xué)細(xì)胞圖像邊緣檢測
    傳統(tǒng)的邊緣檢測算子由于受噪聲抑制，其邊緣檢測效果受到了很大影響，而小波變換和圖像形態(tài)學(xué)處理方法是近年來較為流行的方法，它們解決了噪聲的污染問題[3]。但是對(duì)于醫(yī)學(xué)細(xì)胞圖像這一特定對(duì)象，邊緣檢測是進(jìn)行細(xì)胞面積、圓度和個(gè)數(shù)等形態(tài)的定量計(jì)算和分析的基礎(chǔ)。其檢測結(jié)果直接影響病情的分析和診斷的結(jié)果，如果邊緣檢測不理想，就無法進(jìn)行細(xì)胞的形態(tài)分析。最基本的邊緣檢測方法就是使用微分算子,如Roberts算子、Sobel算子、Prewitt算子、Krisch算子、Laplacian算子和Canny算子等。圖1是不同的邊緣檢測處理方法的處理結(jié)果。

    分水嶺算法就是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的處理方法，它對(duì)微弱邊緣具有良好的響應(yīng)，可以得到封閉連續(xù)的邊緣。分水嶺比較經(jīng)典的計(jì)算方法是由VINCENT L提出的。分水嶺計(jì)算分為排序過程和淹沒過程兩個(gè)步驟。另外，分水嶺算法所得到的封閉的集水盆為分析圖像的區(qū)域特征提供了可能。分水嶺的計(jì)算過程是一個(gè)迭代標(biāo)注過程。在該算法中，首先對(duì)每個(gè)像素的灰度級(jí)從低到高進(jìn)行排序，然后在從低到高實(shí)現(xiàn)淹沒過程中，對(duì)每一個(gè)局部極小值在h階高度的影響域采用先進(jìn)先出(FIFO)結(jié)構(gòu)進(jìn)行判斷及標(biāo)注。分水嶺變換得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點(diǎn)即為分水嶺，它表示的是輸入圖像的極大值點(diǎn)。為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像1。使用此方法作出的邊緣檢測結(jié)果如圖2所示(結(jié)合Canny 算子檢測邊緣）。

    從處理結(jié)果看，使用分水嶺算法檢測到的邊緣比單純使用Canny算子得到的更加豐富，細(xì)節(jié)更完善，并且檢測到更多的細(xì)節(jié)邊緣，能有效地抑制噪聲污染，提高邊緣檢測的質(zhì)量，能為醫(yī)學(xué)細(xì)胞的分析及診斷等提供更為有利的決策信息。由于沒有使用閾值分割，因此對(duì)模糊信息處理的不夠好，看不出灰度差別的影響，實(shí)際應(yīng)用中分辨起來反而增加了難度。為消除分水嶺算法產(chǎn)生的過度分割，通?？梢圆捎脙煞N處理方法，一種方法是利用先驗(yàn)知識(shí)去除無關(guān)邊緣信息，另一種方法是修改梯度函數(shù)，使得集水盆只響應(yīng)想要探測的目標(biāo)。一個(gè)簡單的方法是對(duì)梯度圖像進(jìn)行閾值處理，以消除灰度的微小變化產(chǎn)生的過度分割，獲得適量的區(qū)域，再對(duì)這些區(qū)域的邊緣點(diǎn)的灰度級(jí)從低到高進(jìn)行排序，然后再從低到高實(shí)現(xiàn)淹沒的過程。實(shí)際圖像中可能含有微弱的邊緣，灰度變化的數(shù)值差別不是特別明顯，因此對(duì)梯度圖像進(jìn)行閾值處理時(shí)，選取閾值過大可能會(huì)消去這些微弱邊緣。閾值的選取是圖像分割效果好壞的一個(gè)關(guān)鍵。
    醫(yī)學(xué)細(xì)胞圖像的處理還有很多問題需要進(jìn)一步探索，如：
    (1) 醫(yī)學(xué)細(xì)胞圖像成像過程中會(huì)受到各種噪聲的污染，而噪聲的種類和污染程度是完全不可預(yù)料的，隨著環(huán)境的變化，這種影響仍然無法確定；
    (2) 如何更加有效地抑制虛假邊緣的產(chǎn)生；
    (3) 隨著數(shù)學(xué)形態(tài)學(xué)的發(fā)展，以及其他新方法的涌現(xiàn)，邊緣檢測算法也在不斷改進(jìn)中，如何檢測到更加清晰的邊緣仍是一個(gè)研究課題。
參考文獻(xiàn)
[1] 王昌元．醫(yī)學(xué)圖像處理[M]．北京：人民衛(wèi)生出版社,2003.
[2] 章毓晉． 圖像處理和分析基礎(chǔ)[M]．北京：高等教育出版社,2003.
[3] 李敏．一種精確的醫(yī)學(xué)細(xì)胞圖像邊緣檢測法[J]． 工程設(shè)計(jì)學(xué)報(bào),2007，14(6):490-493.
[4] 周長發(fā)．計(jì)算機(jī)圖形學(xué)－幾何工具算法詳解[M]．北京：電子工業(yè)出版社,2005.
[5] 霍宏濤．?dāng)?shù)字圖像處理[M]． 北京:北京理工大學(xué)出版社, 2006.
[6] 張震． 數(shù)字圖像處理中邊緣提取和去噪算法研究[D]．長春：吉林大學(xué)，2009.