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(chóng)卵圖像的有效分割方法。通過(guò)對(duì)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(chóng)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(chóng)卵圖像
寄生蟲(chóng)病是影響家畜及人類(lèi)健康的一種傳染病，而對(duì)寄生蟲(chóng)蟲(chóng)卵進(jìn)行識(shí)別和計(jì)數(shù)是控制和預(yù)防人畜寄生蟲(chóng)病的重要手段和環(huán)節(jié)。傳統(tǒng)的檢驗(yàn)方法對(duì)研究人員的操作執(zhí)行能力要求高，依賴(lài)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(guó)內(nèi)外已對(duì)寄生蟲(chóng)蟲(chóng)卵進(jìn)行數(shù)字信息化存儲(chǔ)和識(shí)別研究[1-4]，取得了一定的成績(jī)。但在蟲(chóng)卵顯微圖像中，經(jīng)常出現(xiàn)多個(gè)蟲(chóng)卵粘連在一起的情況，如何把它們分離開(kāi)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(lèi)圖像時(shí)極易造成過(guò)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(guò)分割現(xiàn)象，能夠準(zhǔn)確分割粘連蟲(chóng)卵圖像，為蟲(chóng)卵圖像的識(shí)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(guò)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(lái)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(lái)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(chóng)卵圖像進(jìn)行閾值分割，能夠很好地將蟲(chóng)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(lái)進(jìn)一步削弱蟲(chóng)卵圖像中蟲(chóng)卵的粘連程度，而且可以有效消除閾值處理后的蟲(chóng)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(duì)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(mǎn)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(chóng)卵圖像進(jìn)行實(shí)驗(yàn)，并比對(duì)其他方法進(jìn)行分析討論。
2.1 本文方法的具體過(guò)程
本文方法的具體過(guò)程如下：
?。?）利用最小誤差法對(duì)蟲(chóng)卵圖像進(jìn)行二值化處理；
?。?）將蟲(chóng)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(chóng)卵信息，進(jìn)行腐蝕運(yùn)算，消除部分雜質(zhì)和噪聲；
?。?）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；
（4）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(chóng)卵分離。
圖1給出了本文方法的過(guò)程圖。
2.2 與單一分水嶺變換方法分割的對(duì)比
分水嶺算法中，每一個(gè)局部極小值對(duì)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(chóng)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(guò)分水嶺變換，最后造成了過(guò)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(lái)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(guò)分割情況。
2.3 與其他方法融合后的對(duì)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(duì)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(chóng)卵邊緣；對(duì)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(chóng)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(chóng)卵圖像的過(guò)程中，由于極限腐蝕得到的極小值區(qū)域面積過(guò)小，產(chǎn)生誤差較大，不能很好地進(jìn)行粘連蟲(chóng)卵分離。對(duì)比極限腐蝕方法，本文方法在處理粘連蟲(chóng)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(chóng)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(chóng)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(duì)粘連蟲(chóng)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(chóng)蟲(chóng)卵圖像的自動(dòng)識(shí)別[J].中國(guó)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.