CN103914843A - 基于分水岭算法和形态学标记的图像分割方法 - Google Patents

Abstract

本发明提供一种基于分水岭算法和形态学标记的图像分割方法，对灰度图像进行中值滤波得到滤波后的图像；对滤波后的图像使用OTSU大津法得到二值化图像；利用基于重建的形态学运算处理二值化图像得到特征标记图像；采用分水岭算法对特征标记图像进行变换得到分割后的图像。本发明提供的图像分割方法，利用OTSU大津法和中值滤波，对图像的杂质和噪点进行过滤，并作为分水岭算法的初步标记来源，有效的消除了噪声的干扰；采用形态学运算方法，在保证不丧失有效区域的信息的同时，能够将某些模糊区域或相连区域分离开，保证图像分割的完整性和一致性；结合连通域的计算，可以排除非噪点的无效目标和信息，精确定位的分水岭算法的标记，消除了过分割现象。

Description

基于分水岭算法和形态学标记的图像分割方法

技术领域

本发明涉及一种图像分割处理方法，具体涉及一种基于分水岭算法和形态学标记的图像分割处理方法，可用于包括微纳米颗粒分布，细胞或缺陷检测在内的多种图像分割。

背景技术

图像分割是图像处理和检测分析中的一个非常重要的步骤，它可将目标图像划分为若干具有某种相似性和一致性特性的区域，精确定位这些区域并对它们的一些特性做进一步的分析和处理。

图像分割通常用于对图像进行进一步的分析，检测，评估等，分割的准确性以及区域的一致性会直接影响到后续工作的价值。主流的图像分割方法，一般分为两类，一类是基于阈值的分割，一类是基于区域的分割。基于阈值的分割，算法简单，速度快，但在目标与背景差距较小的情况下，很难得到精确的区域划分；基于区域的划分，是将区域的某些相似特性作为判断标准，在此基础上，将这些相似的区域连接起来，从而形成有效的区域划分。图像分割的分水岭算法，最早由Digabel和Lantujoul引入，Meyer提出了最初的形态学分割方法（Meyer F,Beucher S.Morphologicalsegmentation[J].Journal of visual communication and image representation,1990,1(1):21-46.），但存在计算量大的缺点，Vincent和Soille于1991年提出的快速形态学分水岭方法，奠定了现代分水岭方法的基础。

分水岭方法对边缘的定位准确，运算简单，且易于并行处理，但存在一个重要的问题，分水岭方法对噪声和杂质点特别敏感，一旦图像中噪声和杂质点较多时，算法会检测到过多的局部极限值，进而造成过分割现象。过分割会导致无法正确划分目标区域，无法进一步对目标区域的特性进行分析和评估等结果。为提高图像分割的准确性，须在进行分水岭处理之前，对目标特征区域进行标记。

一般的标记方法，多适用于处理图像中冗余的纹理信息，如基于灰度级共生矩阵的方法，基于纹理谱的方法等，对于处理非纹理信息的颗粒分布显微图像，缺陷检测图像或金相图像等有效组织或区域在图像中易粘合在一起的图像来说，并不适用。如何在保证图像中的有效信息不丢失的情况下，将特征区域分割开，并且不会造成过分割，成为一个亟待解决的问题。

发明内容

本发明的目的在于针对以上所述的技术的不足以及需要解决的问题，提出一种基于分水岭算法和形态学标记的图像分割方法，将形态学运算和处理和分水岭算法结合，用形态学运算处理过之后的图像作为分水岭标记的来源，对图像进行分割。

分水岭算法的标记，是建立在OTSU大津法对原始图像的处理，以及形态学运算对目标区域的提取和对无效信息的过滤的基础上。

本发明提供的图像分割方法既能保证标记的准确性，消除杂质噪点等无效信息，又能有效解决分水岭算法分割图像时的过分割问题。

本发明提供的基于分水岭算法和形态学标记的图像分割方法，包括以下步骤：

（1）对灰度图像进行中值滤波，得到滤波后的图像；

（2）对滤波后的图像使用OTSU大津法，得到二值化图像；

（3）利用基于重建的形态学运算处理二值化图像，得到特征标记图像；

（4）采用分水岭算法对特征标记图像进行变换，得到分割后的图像。

本发明提供的基于分水岭算法和形态学标记的图像分割方法，使用OTSU大津法作对图像进行初步分割，利用图像中目标区域与背景之间的灰度值的不同，通过选取合适的阈值区分背景和目标，不但可以大量压缩数据，节省时间，还未后面下一步的目标区域的过滤和标记提供了较好的基础。

本发明提供的基于分水岭算法和形态学标记的图像分割方法，采用形态学运算方法，通过腐蚀、膨胀及重建等运算，将某些原本粘结在一起的区域分离开，能够更加精确的对应目标区域，准确找出目标的有效区域，并去除某些非噪点的无效目标，为采用分水岭算法进行图像分割提供标记。

进一步地，步骤（1）中的中值滤波包括以下步骤：

（11）选择sobel边缘算子对灰度图像进行水平和垂直方向的滤波；

（12）计算模值。

进一步地，步骤（11）中sobel边缘算子包括两组3x3矩阵，其中一组为横向矩阵：

$G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right],$

另一组为纵向矩阵：

$G_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right].$

本发明提供的基于分水岭算法和形态学标记的图像分割方法，采用的滤波方法为sobel边缘算子的中值滤波方法，以横向和纵向的算子计算灰度的梯度，对图像中的噪点和杂质进行过滤，增强目标区域，保留有效信息，去除无效信息和细节。

进一步地，步骤（3）包括以下步骤：

（31）对二值化图像进行形态学中的腐蚀操作；

（32）统计腐蚀后的图像中所有连通域的像素面积，计算连通域的像素面积的均值和偏差；

（33）根据连通域的像素面积与连通域的像素面积的偏差，删除腐蚀后的图像边缘与内部的杂质点以及过小的连通域；

（34）利用步骤（33）中得到的图像与步骤（2）中的二值化图像，进行重建，获得重建图像；

（35）对重建图像，进行膨胀及重建操作，得到膨胀后重建图像；

（36）对步骤（34）中获得的重建图像与步骤（35）中得到的膨胀后重建图像，求补，并进行重建，然后再求补，获得用于分水岭算法的特征标记图像。

进一步地，步骤（31）中腐蚀操作的结构元素为圆形算子或者方形算子。

进一步地，结构元素的像素值为2～20。

进一步地，步骤（35）中的膨胀操作，使用的结构元素与步骤（35）中腐蚀操作的结构元素相同。

进一步地，步骤（4）中分水岭算法采用象素点的欧拉距离作为分割标准。

与现有技术相比，本发明提供的基于分水岭算法和形态学标记的图像分割方法具有以下有益效果：

（1）利用OTSU大津法和中值滤波，对图像的杂质和噪点进行过滤，并作为分水岭算法的初步标记来源，有效的消除了噪声的干扰；

（2）采用形态学运算方法，在保证不丧失有效区域的信息的同时，能够将某些模糊区域或相连区域分离开，保证图像分割的完整性和一致性；

（3）结合连通域的计算，可以排除非噪点的无效目标和信息，精确定位的分水岭算法的标记，消除了过分割现象。

附图说明

图1是本发明的一个实施例的基于分水岭算法和形态学标记的图像分割方法的流程示意图；

图2是分水岭变换示意图；

图3是原始输入图像的灰度图；

图4是直接使用分水岭算法造成的过分割情况；

图5是滤波后直接使用分水岭算法某些特征区域无法分离出来的效果图；

图6是使用形态学运算对相邻目标区域分离并消除无效目标区域后使用分水岭算法的效果。

具体实施方式

如图1所示，本发明提供的基于分水岭算法和形态学标记的图像分割方法包括以下步骤：

1、对灰度图像进行中值滤波，过滤噪声和一些杂质。中值滤波是一种非线性的数字滤波器技术，也是一种邻域运算，将目标的邻域中包含的像素按照灰度级升或降序排列起来，取灰度值居中的像素灰度作为该邻域中点像素的灰度。

二维中值滤波，采用一个m×n的窗口，从左至右，从上到下，逐行移动。在滑动过程中，对窗口内的像素点灰度进行排序，选择像素集的中间值作为指定像素点的灰度值。我们使用的Sobel算子，即是一个3x3的梯度算子矩阵。图像f(x,y)在位置(x,y)的梯度由下式表征：

$\▿f=\left[\begin{array}{c}{G}_x\\ G_y\end{array}\right]=\left[\begin{array}{c}\frac{\∂f}{\∂x}\\ \frac{\∂f}{\∂y}\end{array}\right]$

Sobel算子通过在横向和纵向两个方向上，对图像邻域进行卷积来实现。横向检测水平边缘，纵向检测垂直边缘，G_x和G_y分布分别为两个方向上的算子矩阵。

$G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right],G_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$

算子元素与窗口像素之间，有如下对应关系：

${\left[G\right]}^i=\left[\begin{array}{ccc}{G}_{-1,-1}^i& G_{-\mathrm{1,0}}^i& G_{-\mathrm{1,1}}^i\\ G_{0,-1}^i& G_{\mathrm{0,0}}^i& 1\\ G_{1,-1}^i& G_{\mathrm{1,0}}^i& G_{\mathrm{1,1}}^i\end{array}\right]$

式中，i=1,2分别代表垂直，水平的算子。则窗口的灰度为f(j,k)，则有

$\left[f\right]=\left[\begin{array}{ccc}f(j-1,k-1)& f(j-1,k)& f(j-1,k+1)\\ f(j,,k-1)& f(j,k)& f(j,k+1)\\ f(j+1,k-1)& f(j+1,k)& f(j+1,k+1)\end{array}\right]$

则卷积过程为：

$f_i(j,k)=\underset{m-1}{\overset{i}{\mathrm{\Σ}}}\underset{n-1}{\overset{i}{\mathrm{\Σ}}}F(j+m,k+n)G_{m,n}^i$

f_i(j,k)为处理过后的图像，同时也是下一步处理的输入图像Img（x,y）。

2、对过滤后的图片进行灰度处理，并使用OTSU大津法获得初步的特征标记图像：

（1）首先对原始的图片进行灰度处理，获得灰度图，该图像的每个像素点值，为灰度值。

（2）使用OTSU算法，对灰度图进行目标和背景的分离。OTSU算法利用了图像中目标和背景之间灰度值上的差异，将图像视为具有不同灰度等级的目标与背景的组合，通过选取一个合适的阈值，判断图像中某一个具体的像素点是属于目标还是背景，从而产生具有初步标记特征的二值化图像。

设定过滤后的灰度图像为Img（x,y），目标和背景的分离阈值为T，属于目标的像素点占总像素点的比例为w_o，平均灰度为Mean_o，背景像素占总像素点的比例为w₁，平均灰度为Mean₁。图像的总平均灰度记为Mean，类间方差记为g。图像的大小为M×N，像素中灰度值小于阈值T的像素个数记为N₀，像素中灰度值大于阈值T的像素个数记为N₁，则有：

$w_0=\frac{N_0}{M\×N}---\left(1\right)$

$w_1=\frac{N_1}{M\×N}---\left(2\right)$

N₀+N₁=M×N    (3)

w₀+w₁=1    (4)

Mean=w₀×Mean₀+w₁×Mean₁    (5)

g=w₀(Mean₀-Mean)²+w₁(Mean₁-Mean)²    (6)

将式（5）代入式（6），得到

g=w₀w₁(Mean₀-Mean₁)²

遍历所有类间方差，即可得最大的阈值T。

设B={b₀，b₁}代表一个二值化灰度级，于是有处理后的图像Img′(x,y)在阈值T上的处理结果为：

${\mathrm{Img}}^{\text{'}}(x,y)=\left\{\begin{array}{c}{b}_0,\mathrm{Img}(x,y)\&GreaterEqual;T\\ b_1,\mathrm{Img}(x,y)<T\end{array}\right.$

Img′(x,y)即为处理后的图像。

3、利用基于重建的形态学运算，对图像中的杂质进行处理，得到具有特征标记的待分割图像。

基于步骤2的结果，以Img′(x,y)为输入对图像进行形态学处理，获得特征更加清晰，相连目标区域区分明确的标记图像。其具体步骤如下：

（1）对Img′(x,y)进行腐蚀。腐蚀是一种消除边界点，使边界向内收缩的过程，用来消除相连区域或相邻区域在图像中以像素连接造成的边缘干扰。我们使用圆形算子，其算子根据原始图像的特征选择大小,也可以使用方形算子。令Img_D(x,y)为腐蚀后的图像，A为结构元素，则有：

以结构元素A扫描图像中的每一个像素，将结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为0，则该像素为0，否则为1。腐蚀的作用是消除小于结构元素的噪声点，以及将某些实际相邻不接触，但反映在图像中为相连的目标边界区分开来。

（2）计算所有目标区域的连通域的像素面积，通过统计分析，删除某些非噪点但无效的区域。

计算图像中所有连通域的像素面积，并根据其面积大小的排序，以及偏差的大小，根据连通域像素面积的总体分布，均值以及偏差值，删除那些比噪点更大，但并非有效信息区域的连通域。

（3）对图像进行重建，并以同样的步骤对输入图像进行膨胀及重建。

在原始输入图像及腐蚀后图像的基础上，对图像进行重建，是基于腐蚀或膨胀操作对输入图像进行了平滑的处理，并且在此基础上作为掩膜板，并使用结构元素对腐蚀后的图像进行不断的膨胀操作，并时刻保持与原始图像的扫略，直到这个过程使得掩膜板图像与原始输入图像开始接触或重合，重建过程停止。膨胀的公式如下：

$\mathrm{Img}\_E(x,y)=\mathrm{Img}\_D(x,y)\&CirclePlus;A$

与此同时，对原始图像Img′(x,y)进行膨胀操作，使用的结构元素与腐蚀操作中相同，对其补集和重建图像的补集，进行二值图像的重建，最终获得待分割的标记图像。

4、对待分割的标记图像使用分水岭方法，获得分割后的图像。

分水岭方法，是一种来源于地形学中分水岭变换原理的方法，如图2所示。地形中的凹陷地点，就是图像中的局部极小值1，汇水盆2则是地形中这些凹陷地点影响的区域，即是图像中包围局部极小值的区域。通过注水，在水面上涨的过程中，这些凹陷的地点被浸没，每一个汇水盆2被水面浸没，最终在其周围形成堤坝，这些堤坝用来阻挡其他汇水盆里的水混到自己的盆中。当地形中所有的汇水盆都被水坝包围后，停止注水，此时这些堤坝即是分水岭3。对应于二值化图像，局部极小值为目标连通域中的每个像素，汇水盆为目标连通域整体，通过距离变换，靠近目标中心的位置距离较小，远离目标中心的位置距离较大，经过分水岭变换后，相邻目标之间的界线即是分水岭。

在图像中，不同目标相邻的地方，其像素变化往往比目标区域内的变化要大，因此通过对目标区域外延进行像素值梯度变换，将注水过程转变为不同目标区域从内部向外部灰度值变化的过程。基于待分割的标记图像，已经将有效目标区域的边界划分出来，在此基础上进行分水岭算法的切割，最终可获得能够准确反映有效目标区域的分割图像。

本实施例中，灰度图像如图3所示，一些目标区域因为相连而很难分割；如果直接使用分水岭算法，会造成如图4所示的过分割现象；图5是滤波后直接使用分水岭算法效果，由图5可见，由于噪点及图像中无效目标没有消除，在分割时被当作有效目标处理，因而无法准确找到真正的目标，并将其与相邻的目标分割开；图6是使用形态学运算对相邻目标区域分离并消除无效目标后使用分水岭算法的效果，即采用本发明提供的基于分水岭算法和形态学标记的图像分割方法进行图像分割的效果，从中可以看出，获得的分割图像能够准确划分分割图像，确认目标区域，为进一步的分析提供良好的基础。

本发明提供的基于分水岭算法和形态学标记的图像分割方法具有以下有益效果：利用OTSU大津法和中值滤波，对图像的杂质和噪点进行过滤，并作为分水岭算法的初步标记来源，有效的消除了噪声的干扰；采用形态学运算方法，在保证不丧失有效区域的信息的同时，能够将某些模糊区域或相连区域分离开，保证图像分割的完整性和一致性；结合连通域的计算，可以排除非噪点的无效目标和信息，精确定位的分水岭算法的标记，消除了过分割现象。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种基于分水岭算法和形态学标记的图像分割方法，其特征在于，包括以下步骤：

（1）对灰度图像进行中值滤波，得到滤波后的图像；

（2）对所述滤波后的图像使用OTSU大津法，得到二值化图像；

（3）利用基于重建的形态学运算处理所述二值化图像，得到特征标记图像；

（4）采用分水岭算法对所述特征标记图像进行变换，得到分割后的图像。

2.根据权利要求1所述的基于分水岭算法和形态学标记的图像分割方法，其特征在于，步骤（1）中的中值滤波包括以下步骤：

（11）选择sobel边缘算子对所述灰度图像进行水平和垂直方向的滤波；

（12）计算模值。

3.根据权利要求2所述的基于分水岭算法和形态学标记的图像分割方法，其特征在于，步骤（11）中所述sobel边缘算子包括两组3x3矩阵，其中一组为横向矩阵：

$G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right],$

另一组为纵向矩阵：

$G_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right].$

4.根据权利要求1所述的基于分水岭算法和形态学标记的图像分割方法，其特征在于，步骤（3）包括以下步骤：

（31）对所述二值化图像进行形态学中的腐蚀操作；

（32）统计腐蚀后的图像中所有连通域的像素面积，计算所述连通域的像素面积的均值和偏差；

（33）根据所述连通域的像素面积与所述连通域的像素面积的所述偏差，删除所述腐蚀后的图像边缘与内部的杂质点以及过小的所述连通域；

（34）利用步骤（33）中得到的图像与步骤（2）中的所述二值化图像，进行重建，获得重建图像；

（35）对所述重建图像，进行膨胀及重建操作，得到膨胀后重建图像；

（36）对步骤（34）中获得的重建图像与步骤（35）中得到的膨胀后重建图像，求补，并进行重建，然后再求补，获得用于分水岭算法的特征标记图像。

5.根据权利要求4所述的基于分水岭算法和形态学标记的图像分割方法，其特征在于，步骤（31）中腐蚀操作的结构元素为圆形算子或者方形算子。

6.根据权利要求5所述的基于分水岭算法和形态学标记的图像分割方法，其特征在于，所述结构元素的像素值为2～20。

7.根据权利要求5所述的基于分水岭算法和形态学标记的图像分割方法，其特征在于，步骤（35）中的膨胀操作，使用的结构元素与步骤（35）中腐蚀操作的结构元素相同。

8.根据权利要求1所述的基于分水岭算法和形态学标记的图像分割方法，其特征在于，步骤（4）中所述分水岭算法采用象素点的欧拉距离作为分割标准。