CN105160668A - 图像分割方法、系统与细胞图像分割方法、系统 - Google Patents
图像分割方法、系统与细胞图像分割方法、系统 Download PDFInfo
- Publication number
- CN105160668A CN105160668A CN201510531283.7A CN201510531283A CN105160668A CN 105160668 A CN105160668 A CN 105160668A CN 201510531283 A CN201510531283 A CN 201510531283A CN 105160668 A CN105160668 A CN 105160668A
- Authority
- CN
- China
- Prior art keywords
- image
- split
- gradient image
- gradient
- watershed
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于修正梯度图像和分水岭算法的图像分割方法、系统与细胞图像分割方法、系统,由于预先通过距离变换获取的前景标记和分水岭变换获取的背景标记来修正待分割图像的梯度图像,再对该修正后的梯度图像进行分水岭变换,得到图像分割结果,所以既保留了对梯度图像进行分水岭变换,能有效定位目标物体边缘,分割出目标物体完整轮廓的优点,又能通过前景标记和背景标记区分粘连区域无明显边界的目标,使得不会出现欠分割和过分割的现象,提高了图像分割的精度,尤其适用于粘连、重叠的细胞图像分割领域。
Description
技术领域
本发明涉及图像工程领域,特别是涉及一种图像分割方法、系统与细胞图像分割方法、系统。
背景技术
图像工程领域中,常需要将粘连在一起的目标独立分割出来,以医学图像工程为例,常需要对细胞形态进行自动分析,快速准确的从细胞显微图像中分割出完整的细胞并进行细胞个数的统计,然而血液细胞常常出现粘连、重叠的现象,所以精准地分割出粘连着的细胞并计数是医学图像处理中的难点和研究重点。
近年来,基于数学形态学的分水岭变换技术被应用到粘连目标分割中,但是,基于距离变换的分水岭变换方法,如快速灰度重建算法重建距离变换后图像的分水岭变换算法、自适应距离变换的分水岭变换算法等,对粘连目标的分割生硬,不能充分考虑目标形状和边缘信息,且分割结果的好坏过度依赖于原图像转换至二值化图像效果的好坏。
现有技术中另有一种基于梯度图像的分水岭变换,虽然对目标物体边缘的定位能力强,能充分利用图像的边缘信息,很好的分割出目标物体的完整轮廓,但无法分割粘连区域无明显边界的目标,且容易与图像背景相互混淆导致欠分割,因此现有技术中的基于梯度图像的分水岭变换并不适应于粘连目标的分割领域中。
综上,如何提高粘连目标图像,尤其是细胞图像的分割精确性是图像分割技术中亟待解决的难题。
发明内容
基于此,有必要针对如何提高粘连目标图像分割精确性的问题,提供一种基于修正梯度图像和分水岭算法的图像分割方法,包括步骤:
获取待分割图像的梯度图像。
对待分割图像进行距离变换,获取待分割图像的第一变换图。
对第一变换图进行转换,获取待分割图像的第二变换图。
根据第一变换图或第二变换图提取待分割图像的前景标记。
对第二变换图进行分水岭变换,提取待分割图像的背景标记。
根据前景标记和背景标记,修正梯度图像,以得到修正后的梯度图像。
对修正后的梯度图像进行分水岭变换,得到图像分割结果。
本发明还提供一种基于修正梯度图像和分水岭算法的图像分割系统,包括:
梯度图像生成模块,用于获取待分割图像的梯度图像。
距离变换模块,用于对待分割图像进行距离变换,获取待分割图像的第一变换图。
转换模块,用于对第一变换图进行转换,获取待分割图像的第二变换图。
前景标记提取模块,用于根据第一变换图或第二变换图提取待分割图像的前景标记。
背景标记提取模块,用于对第二变换图进行分水岭变换,提取待分割图像的背景标记。
梯度图像修正模块,用于根据前景标记和背景标记,修正梯度图像,以得到修正后的梯度图像。
变换模块,用于对修正后的梯度图像进行分水岭变换,得到图像分割结果。
本发明还提供一种基于修正梯度图像和分水岭算法的细胞图像分割方法,包括上述基于修正梯度图像和分水岭算法的图像分割方法,其中待分割图像为细胞样本图。
本发明还提供一种基于修正梯度图像和分水岭算法的细胞图像分割系统,包括上述基于修正梯度图像和分水岭算法的图像分割系统,其中待分割图像为细胞样本图。
上述提供的基于修正梯度图像和分水岭算法的图像分割方法和系统,由于预先通过距离变换获取的前景标记和分水岭变换获取的背景标记来修正待分割图像的梯度图像,再对该修正后的梯度图像进行分水岭变换,得到图像分割结果,所以既保留了对梯度图像进行分水岭变换,能有效定位目标物体边缘,分割出目标物体完整轮廓的优点,又能通过前景标记和背景标记区分粘连区域无明显边界的目标,使得不会出现欠分割和过分割的现象,可以很好的适用于目标边缘粘连的图像分割领域,提高了图像分割的精度。在此基础上,进一步提供的细胞图像分割方法和系统,将该图像分割方法和系统应用到细胞图像分割中,能很好的分割细胞样本图中粘连、重叠的细胞。
附图说明
图1为本发明中基于修正梯度图像和分水岭算法的图像分割方法的一个实施例的流程图;
图2为本发明中待分割图像的细胞样本图;
图3为本发明中待分割图像的梯度图像;
图4为本发明中待分割图像的前景标记图;
图5为本发明中待分割图像的背景标记图;
图6为本发明中根据前景标记和背景标记修正后的梯度图像;
图7为本发明中基于修正梯度图像和分水岭算法的图像分割方法的分割结果图;
图8为本发明中实验一的验证结果图;
图9为本发明中实验二的验证结果图;
图10为本发明中实验三的验证结果图;
图11为本发明中基于修正梯度图像和分水岭算法的图像分割方法的一个实施例的子流程图;
图12为本发明中基于修正梯度图像和分水岭算法的图像分割方法的一个实施例的子流程图;
图13为本发明中待分割图像的距离变换图;
图14为本发明中待分割图像的距离地形图;
图15为本发明中基于修正梯度图像和分水岭算法的图像分割方法的一个实施例的子流程图;
图16为本发明中结合前景标记和背景标记的标记图;
图17为本发明中基于修正梯度图像和分水岭算法的图像分割系统的一个实施例的结构图;
图18为本发明中基于修正梯度图像和分水岭算法的图像分割系统的一个实施例的子结构图;
图19为本发明中基于修正梯度图像和分水岭算法的图像分割系统的一个实施例的子结构图;
图20为本发明中基于修正梯度图像和分水岭算法的图像分割系统的一个实施例的子结构图。
具体实施方式
如图1所示,显示了本发明一实施例,一种基于修正梯度图像和分水岭算法的图像分割方法,包括步骤:
S100:获取待分割图像的梯度图像。
S200:对待分割图像进行距离变换,获取待分割图像的第一变换图。
S300:对第一变换图进行转换,获取待分割图像的第二变换图。
S400:根据第一变换图或第二变换图提取待分割图像的前景标记。
S500:对第二变换图进行分水岭变换,提取待分割图像的背景标记。
S600:根据前景标记和背景标记,修正梯度图像,以得到修正后的梯度图像。
S700:对修正后的梯度图像进行分水岭变换,得到图像分割结果。
具体的,以图2所示的,在血细胞样本中截取的320*320像素大小的细胞样本图为例,该图像中包含了背景、单个白细胞、红细胞、血小板,以及粘连的红细胞和血小板。由于,医学分析需要对图像中的各类细胞分类计数,所以要将图像分割,提取每个目标的边缘,但是目标的边缘往往是梯度变化明显的区域,所以采用梯度图像进行分割。而且,分水岭变换与图像本身的相关性不大,而与图像的梯度有很大的关系,所以将梯度图像作为分水岭变换的直接处理对象,能较好地反映图像的灰度变化,得到比直接对原始图像处理更好的分割结果。因此,步骤S100,首先获取待分割图像的梯度图像,如图3所示。
但是,尽管对梯度图像进行分水岭变换,能有效定位目标物体的边缘,很好的分割出目标物体的完整轮廓,然而无法分割粘连区域无明显边界的目标,如图3中间部分所示。所以,步骤S200,对待分割图像进行距离变换,获取待分割图像的第一变换图。再由步骤S300,对第一变换图进行转换,获取待分割图像的第二变换图。进而,步骤S400,根据第一变换图或第二变换图提取待分割图像中对应单个细胞的前景标记,如图4所示。步骤S500,对第二变换图进行分水岭变换,提取分布在整个图像的背景上的背景标记,如图5所示。步骤S600,再根据前景标记和背景标记,修正梯度图像(图3)至修正后的梯度图像,如图6所示。最后,步骤S700,对修正后的梯度图像进行分水岭变换,得到图像分割结果,如图7所示。由图7可见,得到了较好的粘连细胞图像分割结果。
在该实施例中,由于预先通过第一变换图或第二变换图获取前景标记、并对第二变换图进行分水岭变换获取背景标记,再用前景标记和背景标记来修正待分割图像的梯度图像,最后对该修正后的梯度图像进行分水岭变换,得到图像分割结果,所以既保留了对梯度图像进行分水岭变换,能有效定位目标物体边缘,分割出目标物体完整轮廓的优点,又能通过前景标记和背景标记区分粘连区域无明显边界的目标,使得不会出现欠分割和过分割的现象,提高了细胞分割的精度。
为验证该实施例粘连细胞图像分割方法的有效性,在CPU为Pentum双核,主频为2.7GHz,存储器为2GRAM,操作系统为WindowsXP的计算机上,采用Matlab2011a进行血液细胞图像分割的仿真实验如下:
实验一:在如图8(a)所示的两个细胞轻微粘连的情况下,分别执行基于距离变换分水岭算法的细胞图像分割方法和本实施例的基于修正梯度图像和分水岭算法的图像分割方法,可分别得到如图8(b)、8(c)所示的分割结果。参见图8(b)、8(c)可知,前者的细胞轮廓,是通过分割线生硬的划分所得,而本实施例的轮廓,是对梯度图像进行分水岭变换所得,该轮廓封闭自然,更符合细胞形状近圆的特点。
实验二:在如图9(a)所示的多细胞粘连且粘连区域比较大的复杂情况下,分别执行基于距离变换分水岭算法的细胞图像分割方法、基于特征标记点梯度图像分水岭算法的细胞图像分割方法和本实施例的基于修正梯度图像和分水岭算法的图像分割方法,可分别得到如图9(b)、9(c)、9(d)所示的分割结果。参见图9(a)、9(b)可知,基于距离变换分水岭算法的细胞图像分割方法未能将9(a)中间部位粘连的多个细胞分离开,出现欠分割现象。参见图9(a)、9(c)可知,基于特征标记点梯度图像分水岭算法的细胞图像分割方法,将右上角的细胞分割成两个细胞,但靠右的细胞边缘出现过分割现象,且中间多个粘连的细胞中有一细胞与背景混淆,从分割结果中消失出现欠分割现象。参见图9(a)、9(d)可知,本实施例的基于修正梯度图像和分水岭算法的图像分割方法成功分割出所有粘连细胞,且未出现过分割现象。
实验三:在如图10(a)所示的大小为949*634像素的细胞样本图上执行本实施例的基于修正梯度图像和分水岭算法的图像分割方法,能将血小板和边界的细胞有效去除,其分割结果如图10(b)所示。其中实际红细胞个数为180,实验所得红细胞计数为180,仅有2处血小板与红细胞粘连未分离开,且所需时间仅为2S。
综合以上3个对比试验,可有效验证本实施例基于修正梯度图像和分水岭算法的图像分割方法的精确性和快速性。该图像分割方法还可以适用于分割其它粘连的目标。
优选的,如图11所示,步骤S100包括:
S110:利用Sobel边缘算子,对待分割图像进行水平方向和垂直方向的滤波。
S120:求取模值,获取待分割图像的梯度图像,如图3所示。
具体的,该Sobel边缘算子具体为,
S(i,j)=|Δif(i,j)+Δjf(i,j)|
Δif(i,j)=f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)
-f(i-1,j-1)-2f(i-1,j)-f(i-1,j+1)
Δjf(i,j)=f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)
-f(i-1,j-1)-2f(i,j-1)-f(i+1,j-1)
其中,i为图像像素横坐标,j为图像像素纵坐标,f(i,j)为坐标为(i,j)的灰度值,△if(i,j)为横坐标上的计算模板,△jf(i,j)为纵坐标上的计算模板,S(i,j)为梯度图像(i,j)点的数值。
优选的,如图12所示,步骤S200包括:
S210:对待分割图像进行二值化处理,获取待分割图像的二值化图像。
S220:对二值化图像进行距离变换,获取待分割图像的距离变换图,其中第一变换图为距离变换图。
具体的,血细胞图像由背景、红细胞、白细胞和血小板四部分组成,背景和其他区域灰度值差异大,较易区分。所以,通过对待分割的细胞样本图进行二值化处理,可将细胞分割问题转换成前景和背景二分类问题。为了进一步区分两者,凸显出作为前景的细胞轮廓,将对二值化图像执行距离变换,获取待分割图像的距离变换图,如图13所示,以将该二值化图像转化为灰度图像,用灰度值表示每个像素与距离最近的背景间的距离。优选的,步骤S210,二值化处理,可具体为通过自适应阈值分割方法得到二值化图像。步骤S220,距离变换可选欧式距离变换、非欧式距离变换,及现有技术中其它距离变换方式。更为优选的,步骤S220采用下列欧式距离变换算法,公式为:
dij=min{DE[(i,j),(x,y)],(x,y)∈B}(2)
其中,M×N表示一个二值化图像,具体用AM×N=[aij]表示,i=1,2,3,…,M,j=1,2,3,…,N,其中aij=0的像素对应背景点,aij=1的像素对应目标点,B={(x,y)|aij=0}为背景像素集合,F={(x,y)|aij=1}为目标像素集合,DE为(x,y)点到目标点(i,j)的欧式距离,dij为(x,y)点到目标点(i,j)的欧式距离最小值,即距离变换图中(i,j)点的数值。
在上述公式中,公式(1)先求取所有满足条件的点到(i,j)的欧式距离,再由公式(2)选取所有值的最小点,即距离变换图中(i,j)点的数值
在此基础上,步骤S300,包括:对距离变换图进行转换,获取待分割图像的距离地形图,其中第二变换图为距离地形图,如图14所示。
具体的,根据距离变换图,获取待分割图像的距离地形图的公式为:
IDist(i,j)=255-dij
其中,dij为(x,y)点到目标点(i,j)的欧式距离最小值,即距离变换图中(i,j)点的数值,IDist(i,j)为距离地形图中(i,j)点的数值。
步骤S400,包括:提取距离变换图中每个连通区域中的灰度值最大的一点或点集,作为前景标记;或提取距离地形图中每个连通区域的灰度值最小的一点或点集,作为前景标记,如图4所示。
优选的,步骤S500,包括:对距离地形图进行分水岭变换,将得到的分水岭脊线作为背景标记,如图5所示。
优选的,如图15所示,步骤S600,包括:
S610:合并前景标记和背景标记,得到待分割图像的标记图。
S620:屏蔽梯度图像中的局部极小值,根据标记图强制标记梯度图像的局部极小值,得到修正后的梯度图像。
具体的,步骤S610中,合并先前获得的前景标记和背景标记,得到待分割图像的标记图,如图16所示。再通过形态学腐蚀操作,屏蔽梯度图像中的局部极小值,并利用强制极值点H-mini技术,通过标记图强制标记梯度图像的局部极小值,得到修正后的梯度图像,得到具有前景标记和背景标记的修正后的梯度图像,如图6所示。
在第二实施例中,如图17所示,还提供一种基于修正梯度图像和分水岭算法的图像分割系统,包括:
梯度图像生成模块100,用于获取待分割图像的梯度图像。
距离变换模块200,用于对待分割图像进行距离变换,获取待分割图像的第一变换图。
转换模块300,用于对第一变换图进行转换,获取待分割图像的第二变换图。
前景标记提取模块400,用于根据第一变换图或第二变换图提取待分割图像的前景标记。
背景标记提取模块500,用于对第二变换图进行分水岭变换,提取待分割图像的背景标记。
梯度图像修正模块600,用于根据前景标记和背景标记,修正梯度图像,以得到修正后的梯度图像。
变换模块700,用于对修正后的梯度图像进行分水岭变换,得到图像分割结果。
优选的,如图18所示,梯度图像生成模块100包括:
滤波单元110,用于利用Sobel边缘算子,对待分割图像进行水平方向和垂直方向的滤波。
模值求取单元120,用于求取模值,获取待分割图像的梯度图像。
优选的,如图19所示,距离变换模块200,包括:
二值化处理单元210,用于对待分割图像进行二值化处理,获取待分割图像的二值化图像。
距离变换单元220,用于对二值化图像进行距离变换,获取待分割图像的距离变换图,第一变换图为距离变换图。
转换模块300,具体用于对距离变换图进行转换,获取待分割图像的距离地形图,第二变换图为距离地形图。
前景标记提取模块400,具体用于提取距离变换图中每个连通区域的灰度值最大的一点或点集,作为前景标记;或用于提取距离地形图中每个连通区域的灰度值最小的一点或点集,作为前景标记。
优选的,背景标记提取模块500,具体用于对距离地形图进行分水岭变换,将得到的分水岭脊线作为背景标记。
优选的,如图20所示,梯度图像修正模块600包括:
标记图生成单元610,用于合并前景标记和背景标记,得到待分割图像的标记图。
修正单元620,用于屏蔽梯度图像中的局部极小值,根据标记图强制标记梯度图像的局部极小值,得到修正后的梯度图像。
以上基于修正梯度图像和分水岭算法的图像分割系统与基于修正梯度图像和分水岭算法的图像分割方法对应,其具体细节和实现方式在此不再赘述。
在另一实施例中,本发明还提供一种基于修正梯度图像和分水岭算法的细胞图像分割方法,包括上述任意的基于修正梯度图像和分水岭算法的图像分割方法,其中待分割图像为细胞样本图。
在另一实施例中,本发明还提供一种基于修正梯度图像和分水岭算法的细胞图像分割系统,包括上述任意的基于修正梯度图像和分水岭算法的图像分割系统,其中待分割图像为细胞样本图。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于修正梯度图像和分水岭算法的图像分割方法,其特征在于,包括步骤:
获取待分割图像的梯度图像;
对所述待分割图像进行距离变换,获取所述待分割图像的第一变换图;
对所述第一变换图进行转换,获取所述待分割图像的第二变换图;
根据所述第一变换图或所述第二变换图提取所述待分割图像的前景标记;
对所述第二变换图进行分水岭变换,提取所述待分割图像的背景标记;
根据所述前景标记和所述背景标记,修正所述梯度图像,以得到修正后的梯度图像;
对所述修正后的梯度图像进行分水岭变换,得到图像分割结果。
2.根据权利要求1所述的基于修正梯度图像和分水岭算法的图像分割方法,其特征在于,
所述对所述待分割图像进行距离变换,获取所述待分割图像的第一变换图的步骤,包括:
对所述待分割图像进行二值化处理,获取所述待分割图像的二值化图像;
对所述二值化图像进行距离变换,获取所述待分割图像的距离变换图,所述第一变换图为所述距离变换图;
所述对所述第一变换图进行转换,获取所述待分割图像的第二变换图的步骤,包括:
对所述距离变换图进行转换,获取所述待分割图像的距离地形图,所述第二变换图为所述距离地形图;
所述根据所述第一变换图提取所述待分割图像的前景标记的步骤,包括:
提取所述距离变换图中每个连通区域的灰度值最大的一点或点集,作为所述前景标记;
所述根据所述第二变换图提取所述待分割图像的前景标记的步骤,包括:
提取所述距离地形图中每个连通区域的灰度值最小的一点或点集,作为所述前景标记。
3.根据权利要求2所述的基于修正梯度图像和分水岭算法的图像分割方法,其特征在于,对所述第二变换图进行分水岭变换,提取所述待分割图像的背景标记的步骤,包括:
对所述距离地形图进行分水岭变换,将得到的分水岭脊线作为所述背景标记。
4.根据权利要求1-3任意一项所述的基于修正梯度图像和分水岭算法的图像分割方法,其特征在于,所述根据所述前景标记和所述背景标记,修正所述梯度图像,以得到修正后的梯度图像的步骤包括:
合并所述前景标记和所述背景标记,得到所述待分割图像的标记图;
屏蔽所述梯度图像中的局部极小值,根据所述标记图强制标记所述梯度图像的局部极小值,得到所述修正后的梯度图像。
5.一种基于修正梯度图像和分水岭算法的图像分割系统,其特征在于,包括:
梯度图像生成模块,用于获取待分割图像的梯度图像;
距离变换模块,用于对所述待分割图像进行距离变换,获取所述待分割图像的第一变换图;
转换模块,用于对所述第一变换图进行转换,获取所述待分割图像的第二变换图;
前景标记提取模块,用于根据所述第一变换图或所述第二变换图提取所述待分割图像的前景标记;
背景标记提取模块,用于对所述第二变换图进行分水岭变换,提取所述待分割图像的背景标记;
梯度图像修正模块,用于根据所述前景标记和所述背景标记,修正所述梯度图像,以得到修正后的梯度图像;
变换模块,用于对所述修正后的梯度图像进行分水岭变换,得到图像分割结果。
6.根据权利要求5所述的基于修正梯度图像和分水岭算法的图像分割系统,其特征在于,
所述距离变换模块,包括:
二值化处理单元,用于对所述待分割图像进行二值化处理,获取所述待分割图像的二值化图像;
距离变换单元,用于对所述二值化图像进行距离变换,获取所述待分割图像的距离变换图,所述第一变换图为所述距离变换图;
所述转换模块,具体用于对所述距离变换图进行转换,获取所述待分割图像的距离地形图,所述第二变换图为所述距离地形图;
所述前景标记提取模块,具体用于提取所述距离变换图中每个连通区域的灰度值最大的一点或点集,作为所述前景标记;或用于提取所述距离地形图中每个连通区域的灰度值最小的一点或点集,作为所述前景标记。
7.根据权利要求6所述的基于修正梯度图像和分水岭算法的图像分割系统,其特征在于,所述背景标记提取模块,具体用于对所述距离地形图进行分水岭变换,将得到的分水岭脊线作为所述背景标记。
8.根据权利要求5-7任意一项所述的基于修正梯度图像和分水岭算法的图像分割系统,其特征在于,所述梯度图像修正模块包括:
标记图生成单元,用于合并所述前景标记和所述背景标记,得到所述待分割图像的标记图;
修正单元,用于屏蔽所述梯度图像中的局部极小值,根据所述标记图强制标记所述梯度图像的局部极小值,得到所述修正后的梯度图像。
9.一种基于修正梯度图像和分水岭算法的细胞图像分割方法,其特征在于,所述细胞图像分割方法包括如权利要求1-4中任意一项所述的基于修正梯度图像和分水岭算法的图像分割方法,其中所述待分割图像为细胞样本图。
10.一种基于修正梯度图像和分水岭算法的细胞图像分割系统,其特征在于,所述细胞图像分割系统包括如权利要求5-8中任意一项所述的基于修正梯度图像和分水岭算法的图像分割系统,其中所述待分割图像为细胞样本图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510531283.7A CN105160668B (zh) | 2015-08-26 | 2015-08-26 | 图像分割方法、系统与细胞图像分割方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510531283.7A CN105160668B (zh) | 2015-08-26 | 2015-08-26 | 图像分割方法、系统与细胞图像分割方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105160668A true CN105160668A (zh) | 2015-12-16 |
CN105160668B CN105160668B (zh) | 2018-01-09 |
Family
ID=54801510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510531283.7A Active CN105160668B (zh) | 2015-08-26 | 2015-08-26 | 图像分割方法、系统与细胞图像分割方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160668B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865329A (zh) * | 2016-03-31 | 2016-08-17 | 河北科技大学 | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 |
CN106097331A (zh) * | 2016-06-07 | 2016-11-09 | 浙江工业大学 | 一种基于锁孔识别的集装箱定位方法 |
CN106570872A (zh) * | 2016-10-27 | 2017-04-19 | 中国石油天然气股份有限公司 | 一种岩心孔隙图像分割方法及装置 |
CN107067406A (zh) * | 2017-04-18 | 2017-08-18 | 湖南大学 | 一种脂肪细胞外形参数的图像测量方法 |
CN107247958A (zh) * | 2017-04-14 | 2017-10-13 | 安徽工程大学 | 一种基于图像识别的皮肤病特征提取方法 |
CN107481225A (zh) * | 2017-07-26 | 2017-12-15 | 山东颐泽天泰医疗科技有限公司 | 一种自动寻找最优参数分割粘连细胞的方法 |
CN107481241A (zh) * | 2017-08-24 | 2017-12-15 | 太仓安顺财务服务有限公司 | 一种基于混合方法的彩色图像分割方法 |
CN109191483A (zh) * | 2018-09-19 | 2019-01-11 | 南昌航空大学 | 一种直升机桨叶图像中圆形标识的快速分水岭检测方法 |
CN110610490A (zh) * | 2019-09-11 | 2019-12-24 | 哈尔滨理工大学 | 一种病变细胞图像中白细胞的定位方法 |
CN111681244A (zh) * | 2020-05-29 | 2020-09-18 | 山东大学 | 叶片图像分割方法、系统、设备及存储介质 |
CN112074841A (zh) * | 2018-03-30 | 2020-12-11 | 珀金埃尔默健康科学有限公司 | 3d图像中自动检测和分割椎体的系统和方法 |
CN112102341A (zh) * | 2020-08-29 | 2020-12-18 | 深圳市瑞沃德生命科技有限公司 | 一种细胞图像分割方法及其装置 |
CN112337810A (zh) * | 2020-09-14 | 2021-02-09 | 西安工程大学 | 一种视觉引导分拣珍珠机器人及其分拣方法 |
CN113506301A (zh) * | 2021-07-27 | 2021-10-15 | 四川九洲电器集团有限责任公司 | 一种牙齿图像分割方法和装置 |
CN113592783A (zh) * | 2021-07-08 | 2021-11-02 | 北京大学第三医院(北京大学第三临床医学院) | 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 |
CN113781515A (zh) * | 2021-09-16 | 2021-12-10 | 广州安方生物科技有限公司 | 细胞图像分割方法、装置和计算机可读存储介质 |
CN114821071A (zh) * | 2022-06-08 | 2022-07-29 | 四川大学 | 一种从动态冰图像中提取粘连气泡的方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339118A (zh) * | 2008-08-08 | 2009-01-07 | 华中科技大学 | 谷粒参数自动测量装置及方法 |
US20120288189A1 (en) * | 2011-05-13 | 2012-11-15 | Tsinghua University | Image processing method and image processing device |
-
2015
- 2015-08-26 CN CN201510531283.7A patent/CN105160668B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339118A (zh) * | 2008-08-08 | 2009-01-07 | 华中科技大学 | 谷粒参数自动测量装置及方法 |
US20120288189A1 (en) * | 2011-05-13 | 2012-11-15 | Tsinghua University | Image processing method and image processing device |
Non-Patent Citations (1)
Title |
---|
倪志强: "基于数字图像处理的异形纤维检测系统的研究与开发", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865329B (zh) * | 2016-03-31 | 2018-05-04 | 河北科技大学 | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 |
CN105865329A (zh) * | 2016-03-31 | 2016-08-17 | 河北科技大学 | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 |
CN106097331A (zh) * | 2016-06-07 | 2016-11-09 | 浙江工业大学 | 一种基于锁孔识别的集装箱定位方法 |
CN106570872A (zh) * | 2016-10-27 | 2017-04-19 | 中国石油天然气股份有限公司 | 一种岩心孔隙图像分割方法及装置 |
CN107247958A (zh) * | 2017-04-14 | 2017-10-13 | 安徽工程大学 | 一种基于图像识别的皮肤病特征提取方法 |
CN107067406A (zh) * | 2017-04-18 | 2017-08-18 | 湖南大学 | 一种脂肪细胞外形参数的图像测量方法 |
CN107481225B (zh) * | 2017-07-26 | 2020-06-30 | 山东颐泽天泰医疗科技有限公司 | 一种自动寻找最优参数分割粘连细胞的方法 |
CN107481225A (zh) * | 2017-07-26 | 2017-12-15 | 山东颐泽天泰医疗科技有限公司 | 一种自动寻找最优参数分割粘连细胞的方法 |
CN107481241A (zh) * | 2017-08-24 | 2017-12-15 | 太仓安顺财务服务有限公司 | 一种基于混合方法的彩色图像分割方法 |
CN112074841A (zh) * | 2018-03-30 | 2020-12-11 | 珀金埃尔默健康科学有限公司 | 3d图像中自动检测和分割椎体的系统和方法 |
CN109191483A (zh) * | 2018-09-19 | 2019-01-11 | 南昌航空大学 | 一种直升机桨叶图像中圆形标识的快速分水岭检测方法 |
CN110610490A (zh) * | 2019-09-11 | 2019-12-24 | 哈尔滨理工大学 | 一种病变细胞图像中白细胞的定位方法 |
CN111681244B (zh) * | 2020-05-29 | 2022-06-21 | 山东大学 | 叶片图像分割方法、系统、设备及存储介质 |
CN111681244A (zh) * | 2020-05-29 | 2020-09-18 | 山东大学 | 叶片图像分割方法、系统、设备及存储介质 |
CN112102341A (zh) * | 2020-08-29 | 2020-12-18 | 深圳市瑞沃德生命科技有限公司 | 一种细胞图像分割方法及其装置 |
CN112337810A (zh) * | 2020-09-14 | 2021-02-09 | 西安工程大学 | 一种视觉引导分拣珍珠机器人及其分拣方法 |
CN113592783A (zh) * | 2021-07-08 | 2021-11-02 | 北京大学第三医院(北京大学第三临床医学院) | 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 |
CN113592783B (zh) * | 2021-07-08 | 2024-01-19 | 北京大学第三医院(北京大学第三临床医学院) | 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 |
CN113506301A (zh) * | 2021-07-27 | 2021-10-15 | 四川九洲电器集团有限责任公司 | 一种牙齿图像分割方法和装置 |
CN113506301B (zh) * | 2021-07-27 | 2024-02-23 | 四川九洲电器集团有限责任公司 | 一种牙齿图像分割方法和装置 |
CN113781515A (zh) * | 2021-09-16 | 2021-12-10 | 广州安方生物科技有限公司 | 细胞图像分割方法、装置和计算机可读存储介质 |
CN114821071A (zh) * | 2022-06-08 | 2022-07-29 | 四川大学 | 一种从动态冰图像中提取粘连气泡的方法、装置及设备 |
CN114821071B (zh) * | 2022-06-08 | 2023-09-22 | 四川大学 | 一种从动态冰图像中提取粘连气泡的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105160668B (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160668A (zh) | 图像分割方法、系统与细胞图像分割方法、系统 | |
CN103366190B (zh) | 一种识别交通标志的方法 | |
CN102209974B (zh) | 特征量提取装置、物体识别装置、以及特征量提取方法 | |
CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN107633516A (zh) | 一种识别路面变形类病害的方法和装置 | |
CN109934224B (zh) | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 | |
CN101697229B (zh) | 一种医学图像的感兴趣区域提取方法 | |
CN103914843A (zh) | 基于分水岭算法和形态学标记的图像分割方法 | |
CN108090429A (zh) | 一种分级前脸卡口车型识别方法 | |
CN103839279A (zh) | 一种目标检测中基于vibe的粘连目标分割方法 | |
CN108828608B (zh) | 车辆检测方法中激光雷达背景数据滤除方法 | |
CN103136528A (zh) | 一种基于双边缘检测的车牌识别方法 | |
CN103530600A (zh) | 复杂光照下的车牌识别方法及系统 | |
CN111462140B (zh) | 一种基于区块拼接的实时图像实例分割方法 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN103942797A (zh) | 基于直方图和超像素的场景图像文字检测方法及系统 | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及系统 | |
CN104237121A (zh) | 一种精子活力性能检测方法 | |
CN104282026A (zh) | 基于分水岭算法和最小生成树的分布均匀性评估方法 | |
CN104966047A (zh) | 一种车牌识别的方法及装置 | |
Li et al. | Road markings extraction based on threshold segmentation | |
CN105447489A (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN108596115A (zh) | 一种基于卷积神经网络的车辆检测方法、装置及系统 | |
CN108573238A (zh) | 一种基于双网络结构的车辆检测方法 | |
CN111583178A (zh) | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |