CN102663700B - 粘连颗粒二值图像的分割方法 - Google Patents
粘连颗粒二值图像的分割方法 Download PDFInfo
- Publication number
- CN102663700B CN102663700B CN201210107909.8A CN201210107909A CN102663700B CN 102663700 B CN102663700 B CN 102663700B CN 201210107909 A CN201210107909 A CN 201210107909A CN 102663700 B CN102663700 B CN 102663700B
- Authority
- CN
- China
- Prior art keywords
- point
- skeleton
- distance function
- pixel
- valley
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210107909.8A CN102663700B (zh) | 2012-04-13 | 2012-04-13 | 粘连颗粒二值图像的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210107909.8A CN102663700B (zh) | 2012-04-13 | 2012-04-13 | 粘连颗粒二值图像的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663700A CN102663700A (zh) | 2012-09-12 |
CN102663700B true CN102663700B (zh) | 2014-11-05 |
Family
ID=46773179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210107909.8A Expired - Fee Related CN102663700B (zh) | 2012-04-13 | 2012-04-13 | 粘连颗粒二值图像的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663700B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657972A (zh) * | 2013-11-25 | 2015-05-27 | 北京大学 | 一种图像块的模糊度判断方法及系统 |
CN104699358A (zh) * | 2015-04-02 | 2015-06-10 | 南京触宏微电子有限公司 | 一种电容屏触摸中紧致双手指数据分离方法 |
CN106447669B (zh) * | 2016-04-08 | 2019-01-25 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
CN106898000B (zh) * | 2017-02-15 | 2020-02-18 | 华东师范大学 | 一种磁共振成像大脑灰质核团的自动分割方法 |
CN108284793A (zh) * | 2018-01-10 | 2018-07-17 | 深圳市鑫汇达机械设计有限公司 | 一种车辆辅助控制装置 |
CN108986119B (zh) | 2018-07-25 | 2020-07-28 | 京东方科技集团股份有限公司 | 图像分割方法及装置、计算机设备及可读存储介质 |
CN111260675B (zh) * | 2020-01-21 | 2022-07-05 | 武汉大学 | 一种图像真实边界高精度提取方法及系统 |
CN113313761B (zh) * | 2021-07-28 | 2022-04-01 | 盎锐(常州)信息科技有限公司 | 用于实测实量的站点获取方法、扫描装置及系统 |
CN114049494B (zh) * | 2022-01-13 | 2022-04-22 | 安徽高哲信息技术有限公司 | 粮食籽粒标注方法及设备、存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140660A (zh) * | 2007-10-11 | 2008-03-12 | 华中科技大学 | 基于离散曲线演化的骨架剪枝方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7706600B2 (en) * | 2000-10-02 | 2010-04-27 | The Research Foundation Of State University Of New York | Enhanced virtual navigation and examination |
-
2012
- 2012-04-13 CN CN201210107909.8A patent/CN102663700B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140660A (zh) * | 2007-10-11 | 2008-03-12 | 华中科技大学 | 基于离散曲线演化的骨架剪枝方法 |
Non-Patent Citations (4)
Title |
---|
Colony image acquisition system and segmentation algorithms;Weixing Wang;《2011 Society of Photo-Optical Instrumentation Engineers (SPIE)》;20111231;第50卷(第12期);第123001-1~123001-9页 * |
Weixing Wang.Colony image acquisition system and segmentation algorithms.《2011 Society of Photo-Optical Instrumentation Engineers (SPIE)》.2011,第50卷(第12期),第123001-1~123001-9页. * |
刘永强 王卫星.基于小波分析的图像分割技术.《计算机科学》.2009,第36卷(第4A期),第302-305页. * |
基于小波分析的图像分割技术;刘永强 王卫星;《计算机科学》;20090430;第36卷(第4A期);第302-305页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102663700A (zh) | 2012-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663700B (zh) | 粘连颗粒二值图像的分割方法 | |
WO2020000253A1 (zh) | 一种雨雪天气中的道路交通标志识别方法 | |
CN109919039B (zh) | 一种基于手掌和手指特征的静态手势识别方法 | |
Gomez et al. | Traffic lights detection and state estimation using hidden markov models | |
CN108647648A (zh) | 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法 | |
CN108009472B (zh) | 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法 | |
CN103971102A (zh) | 基于手指轮廓和决策树的静态手势识别方法 | |
CN103886589A (zh) | 面向目标的自动化高精度边缘提取方法 | |
CN102956035A (zh) | 用于乳腺x线图像中提取乳腺区域的预处理方法及系统 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN202084185U (zh) | 一种交通标志自动识别装置 | |
CN109145742A (zh) | 一种行人识别方法及系统 | |
CN104036523A (zh) | 一种基于SURF特征的改进Mean Shift的目标跟踪方法 | |
CN107945200A (zh) | 图像二值化分割方法 | |
CN101944232B (zh) | 一种利用最短路径的粘连细胞精确分割方法 | |
CN109961016B (zh) | 面向智能家居场景的多手势精准分割方法 | |
CN102629318A (zh) | 一种基于支持向量机的指纹图像分割方法 | |
CN111583178B (zh) | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 | |
CN103942808A (zh) | 粘连岩石颗粒图像的分割方法 | |
CN108229247A (zh) | 一种移动车辆检测方法 | |
CN103578113A (zh) | 前景图像提取方法 | |
CN103020953A (zh) | 一种指纹图像的分割方法 | |
CN112528868A (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
CN105426846A (zh) | 一种基于图割模型的场景图像中文本的定位方法 | |
CN104021372A (zh) | 一种人脸识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141105 Termination date: 20170413 |
|
CF01 | Termination of patent right due to non-payment of annual fee |