摘 要: 在分水嶺算法基礎(chǔ)上融合多種方法,試圖找出適合粘連蟲卵圖像的有效分割方法。通過對比實(shí)驗(yàn)發(fā)現(xiàn),最小誤差閾值法、極小值合并、分水嶺等多種方法的融合能夠準(zhǔn)確地將粘連蟲卵圖像分離,取得很好的效果。
關(guān)鍵詞: 分水嶺算法;圖像分割;多方法融合;蟲卵圖像
寄生蟲病是影響家畜及人類健康的一種傳染病,而對寄生蟲蟲卵進(jìn)行識別和計(jì)數(shù)是控制和預(yù)防人畜寄生蟲病的重要手段和環(huán)節(jié)。傳統(tǒng)的檢驗(yàn)方法對研究人員的操作執(zhí)行能力要求高,依賴于工作的經(jīng)驗(yàn)及技術(shù),且不能妥善保存和重現(xiàn)結(jié)果等,因此不能適應(yīng)現(xiàn)代新技術(shù)發(fā)展的需求。隨著計(jì)算機(jī)圖像處理技術(shù)的快速發(fā)展,國內(nèi)外已對寄生蟲蟲卵進(jìn)行數(shù)字信息化存儲(chǔ)和識別研究[1-4],取得了一定的成績。但在蟲卵顯微圖像中,經(jīng)常出現(xiàn)多個(gè)蟲卵粘連在一起的情況,如何把它們分離開是圖像處理需要解決的難題。在已有方法[5]中,分水嶺算法結(jié)合距離變換能夠?qū)⑵溥M(jìn)行分離,但在處理此類圖像時(shí)極易造成過分割現(xiàn)象。本文在分水嶺算法基礎(chǔ)上,融合多種方法,合理配置,旨在取得有效結(jié)果,有效避免了過分割現(xiàn)象,能夠準(zhǔn)確分割粘連蟲卵圖像,為蟲卵圖像的識別奠定基礎(chǔ)。
1 基本原理及方法
1.1 最小誤差閾值法
最小誤差閾值法[6]基于Bayes理論,是由KITTLER J和ILLINGWORTHY J提出的,通過信息論中的熵的概念進(jìn)行描述。
設(shè)定圖像大小為M×N,用函數(shù)f(x,y)來表示圖像上各個(gè)點(diǎn)的灰度值,x為該點(diǎn)的橫坐標(biāo),y為該點(diǎn)的縱坐標(biāo),有f(x,y)∈G=[0,1,…L-1],圖像的灰度直方圖用h(g)來表示。假設(shè)灰度圖像由目標(biāo)區(qū)域和背景區(qū)域組成,且二者組成的混合總體的概率密度函數(shù)為:
本文應(yīng)用最小誤差分割法將蟲卵圖像進(jìn)行閾值分割,能夠很好地將蟲卵圖像二值化,為后續(xù)處理打下基礎(chǔ)。
1.2 形態(tài)學(xué)分水嶺變換的分割方法
形態(tài)學(xué)方法的目的是選取一定的形態(tài)結(jié)構(gòu)元素處理圖像,提取圖像中特征區(qū)域及一定程度上消除雜質(zhì)及噪聲。數(shù)學(xué)形態(tài)學(xué)中的基本運(yùn)算基于膨脹和腐蝕兩個(gè)基本運(yùn)算。本文應(yīng)用形態(tài)學(xué)膨脹腐蝕算法來進(jìn)一步削弱蟲卵圖像中蟲卵的粘連程度,而且可以有效消除閾值處理后的蟲卵圖像中的部分噪聲及雜質(zhì),為后期的距離變換及分水嶺分割作鋪墊。
分水嶺分割算法的原理是:將灰度圖像視為起伏的地貌模型,圖像中的各個(gè)像素的灰度值對應(yīng)模型中的海拔高度,將灰度值的局部極小值區(qū)域視為盆地,隨水慢慢侵入至盆地填滿時(shí),兩個(gè)或多個(gè)盆地之間修筑水壩,最終水壩將各個(gè)盆地包圍,即得到各個(gè)分水嶺及目標(biāo)圖像,達(dá)到分割粘連圖像的目的。
2 實(shí)驗(yàn)
本文方法在Matlab環(huán)境下運(yùn)行實(shí)現(xiàn),為了驗(yàn)證該方法的有效性,采用粘連性較強(qiáng)的蟲卵圖像進(jìn)行實(shí)驗(yàn),并比對其他方法進(jìn)行分析討論。
2.1 本文方法的具體過程
本文方法的具體過程如下:
?。?)利用最小誤差法對蟲卵圖像進(jìn)行二值化處理;
?。?)將蟲卵圖像進(jìn)行形態(tài)學(xué)重構(gòu),膨脹填充并去除邊界非完整蟲卵信息,進(jìn)行腐蝕運(yùn)算,消除部分雜質(zhì)和噪聲;
(3)用距離變換將步驟(2)中的二值圖像轉(zhuǎn)換為灰度圖像,得到各個(gè)灰度值;
?。?)根據(jù)步驟(3)中得到的灰度圖像的灰度值改善圖像的局部極小值區(qū)域;
?。?)根據(jù)得到的局部極小值區(qū)域進(jìn)行分水嶺分割,進(jìn)行標(biāo)記處理,最終將粘連蟲卵分離。
圖1給出了本文方法的過程圖。
2.2 與單一分水嶺變換方法分割的對比
分水嶺算法中,每一個(gè)局部極小值對應(yīng)一個(gè)分割區(qū)域,在這些局部極小值點(diǎn)中,既包含真實(shí)目標(biāo)蟲卵的極小值點(diǎn),同時(shí)也包含背景噪聲及邊緣引起的錯(cuò)誤極小值點(diǎn),大量錯(cuò)誤極小值點(diǎn)經(jīng)過分水嶺變換,最后造成了過分割等現(xiàn)象。由圖2可以看出,本文方法中用局域極小值合并的方法有效消除錯(cuò)誤極小值點(diǎn)帶來的影響,能夠進(jìn)行有效粘連分割,避免了分水嶺算法直接用距離變換造成的過分割情況。
2.3 與其他方法融合后的對比
圖3顯示了本文方法與其他方法融合后的比較結(jié)果。對比融合sobel方法的分割效果,本文方法能夠得到更加清晰且平滑的蟲卵邊緣;對比融合otsu方法的分割效果,本文方法邊緣及內(nèi)部信息完整,填充后的效果更佳,能夠?qū)⑾x卵的內(nèi)部區(qū)域與背景區(qū)域很好區(qū)分。
在求取極小值區(qū)域時(shí)常用到極限腐蝕的方法進(jìn)行處理,在處理蟲卵圖像的過程中,由于極限腐蝕得到的極小值區(qū)域面積過小,產(chǎn)生誤差較大,不能很好地進(jìn)行粘連蟲卵分離。對比極限腐蝕方法,本文方法在處理粘連蟲卵圖像時(shí)得到的極小值區(qū)域優(yōu)于極限腐蝕方法,能夠準(zhǔn)確將粘連蟲卵分離。圖4給出了兩者比較的效果圖。
本文在采用基于分水嶺算法的多方法融合方法將粘連蟲卵圖像進(jìn)行分割時(shí),發(fā)現(xiàn)分水嶺與最小誤差閾值法、極小值合并方法的融合效果顯著,實(shí)驗(yàn)論證了該方法的有效性,此方法對粘連蟲卵圖像分割較為適用。
參考文獻(xiàn)
[1] SOMMER C . Digital image analysis and identification of eggs bovine parasitic nematodes[J]. Journal of Helminthology,1996,70(2):143-151.
[2] THEODOROPOULOS G, LOUMOUS V, ANAGOSTOPOULOS C, et al. A digital image analysis and neural network based system for identification of third-stage parasitic strongyle lare from domestic animals[J]. Computer Methods and Programs in Biomedicine, 2000,62(2):69-76.
[3] 趙亞娥.人體寄生蟲蟲卵圖像的自動(dòng)識別[J].中國體視學(xué)與圖像分析,1997,2(3):135-138.
[4] 石俊杰,阿木古楞,哈斯蘇榮.基于改進(jìn)變形雅克比-傅里葉矩的不變性分析[J].微型機(jī)與應(yīng)用,2011,30(8):42-44.
[5] 張芹,侯德文.形態(tài)學(xué)分水嶺算法在粘連圖像中的應(yīng)用[J].微型機(jī)與應(yīng)用,2012,31(9):44-49.
[6] KITTLER J, ILLINGWORTH J. Minimum error thresholding[J]. Pattern Recognition,1986,19(1):41-47.