CN102663700B - 粘连颗粒二值图像的分割方法 - Google Patents

Abstract

本发明涉及复杂颗粒图像分割技术领域，特别是一种粘连颗粒二值图像的分割方法，包括以下步骤：步骤1：对二值区域对象进行目标物体的骨架提取；步骤2：在欧氏空间中定义骨架的边界距离函数；步骤3：求出所述骨架的边界距离函数的极小值点，即谷点；步骤4：以所述谷点为中心按区域边界距离函数最小差商分割目标对象。该方法有利于分割二值图像中粘连的目标区域对象，具有良好的抗干扰能力。

Description

粘连颗粒二值图像的分割方法

技术领域

本发明涉及复杂颗粒图像分割技术领域，特别是一种粘连颗粒二值图像的分割方法。

背景技术

图像分割算法是图像处理的一种基本方法，是图像分析与模式识别首先要解决的问题，其根本的目的是把有价值的区域从背景中分离出来。利用图像“质”的特征，人们提出了各种算法，大致分为以下几种：灰度阀值法、区域生长法、边缘检测法、松施法等。这些方法都依赖于图像中的灰度或颜色相似性或不连续性。受噪声或者区域对象本身相互连接的影响，在上述算法的图像分割结果中，总会有一些区域聚集在一起，即多个对象之间相互粘贴、重叠，影响了对图像的进一步分析与识别，也就是当在二值图像中有许多粘连目标物体时，这些算法很难被使用。在这种情况下，一般采用人工交互的方式进行处理，但这种方法速度慢，易受人为因素的影响，其处理结果并不令人满意。为了提高处理性能，增强自动化处理能力，有必要设计粘连区域（颗粒）对象自动分割算法完成相粘区域的分离。目前多数算法是基于颗粒边界的凹点，按照凹点的性质分割粘连区域。这些算法要求凹点性质明显，并需适当地人工干预，因而需反复试算才能得到较为可靠的结果，这样大大地降低了算法或程序的自动化程度。

一般在复杂多颗粒图像中，区域对象的粘连处都呈现凹状，基于此，人们提出了许多自动分割算法。

此类分割算法的基本思想是：首先进行区域对象的多边形近似，查找到区域边界的凹点，然后对凹点进行配对连接，实现对象分割。这种方法直观、简单，但实际处理中区域对象粘连各异，凹点的配对复杂，因而算法均不同程度的存在如下问题：

（1）凹点求取不准确，造成分割失败。凹点的求取通常是先多边形近似，然后求出多边形顶点中满足凹点条件的点集。多边形近似算法在一定程度上模糊了区域对象的凹凸特征，易受噪声的影响，因而影响了对凹点的正确求取。以错误的凹点分割区域对象，必然造成分割失败。

（2）凹点配对困难。由于对象粘连不同，多边形近似后，可能在粘连处求得了一个凹点，也可能求出3个或3个以上的凹点。当求得对象的凹点为一个时，算法难于决定分割对象；当凹点为3个或3个以上时，算法难于决定各凹点之间的配对选择。

（3）分离点集或分离曲线难于查找。分离曲线分割对象，其基本原则是最大程度接近对象形状。但只有两个凹点是不够的，因而有些算法要求两凹点处存在局部最小灰度区域，但受光照或者对象粘连因素的影响，局部最小灰度区域很难保证，因而分离曲线很难查找。

各算法在实际处理中除了使用凹点分割之外，还采用了别的信息，如对凹点算法进行了改进，在一定程度上改善了分割结果。也有算法基本过程如下：首先在边界上找到凹点，以凹点为顶点，以相邻多边形的边为边构成一个角，然后以局部灰度最小值为分离原则，沿角平分线向另一边查找分离曲线，直到所有凹点都完成上述查找。算法在局部灰度变化较为明显的前提下能较好地分割对象，但是当光照引起灰度变化不均匀时算法无能为力，也导致分割失败。

发明内容

本发明的目的在于克服现有技术的不足，提供一种粘连颗粒二值图像的分割方法，该方法有利于分割二值图像中粘连的目标区域对象，具有良好的抗干扰能力。

为实现上述目的，本发明的技术方案是：本发明的粘连颗粒二值图像的分割方法，包括以下步骤：

步骤1：对二值区域对象进行目标物体的骨架提取；

步骤2：在欧氏空间中定义骨架的边界距离函数；

步骤3：求出所述骨架的边界距离函数的极小值点，即谷点；

步骤4：以所述谷点为中心按区域边界距离函数最小差商分割目标对象。

本发明的有益效果是有效地克服了现有技术对凹点要求严格的缺点，提高了粘连区域的分割精度。该方法能实现对二值图像中粘连目标区域对象的合理有效分割，受边界局部毛刺影响小，具有速度快和抗干扰性强等特点，具有非常广泛的应用前景。

附图说明

图1是本发明实施例的工作流程图。

具体实施方式

本发明的粘连颗粒二值图像的分割方法，如图1所示，包括以下步骤：

步骤1：对二值区域对象进行目标物体的骨架提取；

步骤2：在欧氏空间中定义骨架的边界距离函数；

步骤3：求出所述骨架的边界距离函数的极小值点，即谷点；

步骤4：以所述谷点为中心按区域边界距离函数最小差商分割目标对象。

在步骤1中，目标物体的骨架提取算法包括以下步骤：

步骤1.1：细化后得到单像素宽度的二值图像                                               ；如果二值图像中的像素点i，满足f(x _i ,y _i )=255，则在像素点i的8邻域模板内统计f(x _i +Dx,y _i +Dy)=255的像素点的个数并计入Count _i 中，其中Dx,Dy={-1,0,1}；重复此操作，直至所有像素点操作完毕；

步骤1.2：对于二值图像中的像素点，如果Count _i >3，则记该像素点为线条分支点P _i ；如果Count _i =1，则记该像素点为顶点D _i ；

步骤1.3：在原图像f(x,y)中去除记录的线条分支点P _i ，从而产生多个不连通区域，然后进行连通区域标记，得到标记图f _p (x,y)；

步骤1.4：在所述标记图f _p (x,y)中，从所有顶点D _i 像素开始计算D _i 所在的各个连通区域的长度信息，记作N _i ；

步骤1.5：设定长度阈值T _L ，取最小长度min(N _i )，如果min(N _i )<T _L ，则置min(N _i )对应的连通区域为0，并转至步骤1.6；否则，处理结束，得到结果；

步骤1.6：恢复去除的线条分支点P _i ，得到去除毛刺的初步结果图，并重复步骤1.1~步骤1.5操作。

在步骤3中，按如下步骤求出所述骨架的边界距离函数的谷点：

步骤3.1：对骨架曲线进行遍历，建立一个以遍历次序为自变量，以骨架值（距离函数值）为因变量的函数A(n)，其中n表示当前检测的骨架点，A(n)表示n点对应的距离函数值；

步骤3.2：按中心插值法求出A(n)的导数A’(n)；

步骤3.3：扫描A’(n)，得到一个或多个波峰或波谷；

步骤3.4：排除波峰得到波谷；设一个梯度阀值，控制对谷点的提取，得到可靠的谷点；

步骤3.5：重复步骤3.1~步骤3.4，直到所有骨架点均遍历完成。

下面说明确定分割路径的方法。

求得谷点后便以谷点为中心点，按照一定路径进行对象的分离。最简单的方法是流域分割法中的圆盘法：以谷点为中心画圆便可以找到另外两个边界上的点，然后分别连接谷点与这两个边界点分开区域对象。这种方法虽然简单，但不能精确地实现粘连区域的分割。

要从谷点精确地分割区域对象，应按照粘连区域对象的不同形状特征来进行分析，本算法从差商的角度提出一种新分割标准。从距离函数曲面可以发现，函数就好象两座山，相同函数值的点集可以看作是一条等高线。现假定一股水流从谷点流下，由于水总是流向最陡峭的地方，因而顺着水流的路径分开两座山峰，便能得到最佳的分割结果，而这条路径便是分割对象的最优路径。

因此，在本发明实施例中，按如下方法确定分割路径：

以谷点为中心，以骨架为中轴，查找中轴两边两邻域内与谷点差最大的点，即差商最大的点，则在这个邻域内此点达到边界的距离最短；以该点为中心，以谷点到这点为矢量方向，继续查找矢量两边新邻域中与该点差商最大的点，如此反复直到边界点。

完成上述工作后，即可按如下主要步骤进行图像分割：

步骤4.1：将原始图转化为二值图，背景为0，前景为1；

步骤4.2：对图像各目标区域进行细线化（即骨架），同时求得区域距离函数与区域骨架距离函数；

步骤4.3：求出骨架距离函数的极小值点，多于一条分支的骨架距离函数按遍历的先后进行分枝，求出每一分支的谷点；

步骤4.4：以谷点为中心点，分别从骨架曲线的两边查找到最优路径，分割粘连区域。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (2)

1.一种粘连颗粒二值图像的分割方法，其特征在于：包括以下步骤：

步骤1：对二值区域对象进行目标物体的骨架提取；

在步骤1中，目标物体的骨架提取算法包括以下步骤：

步骤1.1：细化后得到单像素宽度的二值图像 ；如果二值图像中的像素点i，满足f(x _i ,y _i )=255，则在像素点i的8邻域模板内统计f(x _i +Dx,y _i +Dy)=255的像素点的个数并计入Count _i 中，其中Dx,Dy= -1,0,1；重复此操作，直至所有像素点操作完毕；

步骤1.2：对于二值图像中的像素点，如果Count _i >3，则记该像素点为线条分支点P _i ；如果Count _i =1，则记该像素点为顶点D _i ；

步骤1.3：在原图像f(x,y)中去除记录的线条分支点P _i ，从而产生多个不连通区域，然后进行连通区域标记，得到标记图f _p (x,y)；

步骤1.4：在所述标记图f _p (x,y)中，从所有顶点D _i 像素开始计算D _i 所在的各个连通区域的长度信息，记作N _i ；

步骤1.5：设定长度阈值T _L ，取最小长度min(N _i )，如果min(N _i )<T _L ，则置min(N _i )对应的连通区域为0，并转至步骤1.6；否则，处理结束，得到结果；

步骤1.6：恢复去除的线条分支点P _i ，得到去除毛刺的初步结果图，并重复步骤1.1~步骤1.5操作；

步骤2：在欧氏空间中定义骨架的边界距离函数；

步骤3：求出所述骨架的边界距离函数的极小值点，即谷点；

在步骤3中，按如下步骤求出所述骨架的边界距离函数的谷点：

步骤3.1：对骨架曲线进行遍历，建立一个以遍历次序为自变量，以骨架值为因变量的函数A(n)，其中n表示当前检测的骨架点，A(n)表示n点对应的数学形态学的距离函数值；

步骤3.2：按中心插值法求出A(n)的导数A’(n)；

步骤3.3：扫描A’(n)，得到一个或多个波峰或波谷；

步骤3.4：排除波峰得到波谷；设一个梯度阀值，控制对谷点的提取，得到可靠的谷点；

步骤3.5：重复步骤3.1~步骤3.4，直到所有骨架点均遍历完成；

步骤4：以所述谷点为中心按区域边界距离函数最小差商分割目标对象；

在步骤4中，按如下方法确定分割路径：

以谷点为中心，以骨架为中轴，查找中轴两边两邻域内与谷点差最大的点，即差商最大的点，则在这个邻域内此点达到边界的距离最短；以该点为中心，以谷点到这点为矢量方向，继续查找矢量两边新邻域中与该点差商最大的点，如此反复直到边界点。

2.根据权利要求1所述的粘连颗粒二值图像的分割方法，其特征在于：在步骤4中，按如下方法进行图像分割：

步骤4.1：将原始图转化为二值图，背景为0，前景为1；

步骤4.2：对图像各目标区域进行细线化（即骨架），同时完成距离函数的计算，求得区域每一个像素的距离函数与区域骨架的距离函数；

步骤4.3：求出骨架距离函数的极小值点，多于一条分支的骨架距离函数按遍历的先后进行分支，求出每一分支的谷点；

步骤4.4：以谷点为中心点，分别从骨架曲线的两边查找到最优路径，分割粘连区域。