前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇閾值分割的基本原理范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

閾值分割的基本原理范文第1篇

關鍵詞：遺傳算法；肝臟CT圖像；圖像分割；閾值

中圖分類號：TP391文獻標識碼：A文章編號：1009-3044(2011)04-0864-02

Research on Liver CT Image Segmentation Based on Genetic Algorithm

KONG Xiao-rong1, SHI Yan-xin2, LIU Peng1

(1.Department of Computer Technology，Inner Mongolia Medical College, Huhhot 010059; 2.Department of Mathematics and Physics, Xi'an Technology University, Xi'an 710032, China)

Abstract: Genetic Algorithm (GA) is a global optimization and random search algorithm based on natural selection and genetic mechanism. It is suited to dealing with the tradition searching algorithms which cannot solve difficult and complicated problem. And it have great potentialities. First, this paper discusses fundamental principle and primary features of Genetic Algorithm. And it emphases on image segmentation based on GA. Then applying genetic algorithm to select theproper threshold, and it uses maximum entropy method to process liver CT images by segmentation methods. It obtains the results by segmentation experimentation and analyses the results.

Key words: genetic algorithm; liver CT images; image segmentation; threshold value

遺傳算法(Genetic Algorithm, GA)的基本思想來源于Darwin的生物進化論和Mendel的群體遺傳學，該算法最早是由美國Michigan大學的John Holland教授于20世紀70年代創(chuàng)建，之后，遺傳算法的研究引起了國際組織及學者的關注。遺傳算法通過模擬生物的遺傳進化過程形成一種全局優(yōu)化概率搜索算法，提供了一種求解復雜系統(tǒng)優(yōu)化問題的通用框架，可以不依賴于問題的具體領域[1]。近年來，遺傳算法已被廣泛應用于函數(shù)優(yōu)化、組合優(yōu)化、生產(chǎn)調(diào)度、自動控制、人工智能、人工生命、機器學習、圖像處理和模式識別等多個領域，具有巨大的發(fā)展?jié)摿Α１疚闹饕榻B遺傳算法在醫(yī)學圖像處理方面的應用。

1 遺傳算法的基本原理

遺傳算法是模擬生物進化和遺傳機制發(fā)展起來的一種全局優(yōu)化、隨機、自適應搜索算法。它模擬了自然界遺傳過程中的繁殖、和變異現(xiàn)象，依據(jù)適者生存、優(yōu)勝劣汰的進化原則，利用遺傳算子（即選擇、交叉和變異）逐代產(chǎn)生優(yōu)選個體（候選解），最終搜索到適合的個體。

遺傳算法的運算對象是由N個個體所組成的集合，稱為群體。遺傳算法的運算過程是一個群體反復迭代的過程，這個群體不斷地經(jīng)過遺傳和進化操作，每次按照優(yōu)勝劣汰的進化原則將適應度較高的個體以更高的概率遺傳到下一代，這樣最終在群體中將會得到一個優(yōu)良的個體，它將達到或接近于問題的最優(yōu)解[2]。

遺傳算法的求解步驟如下：

1）編碼：定義搜索空間解的表示到遺傳空間解的表示的映射，兩個空間的解需一一對應且編碼盡量簡明。遺傳算法把問題的解也稱為個體或染色體，個體通常由字符串表示，字符串的每一位稱為遺傳因子，多個個體形成一個種群。

2）初始化種群 隨機產(chǎn)生N個個體組成一個種群，此種群代表一些可能解的集合。GA 的任務是從這些群體出發(fā)，模擬進化過程進行優(yōu)勝劣汰，最后得出優(yōu)秀的種群和個體，滿足優(yōu)化的要求。

3）設計適應度函數(shù)：將種群中的每個個體解碼成適合于計算機適應度函數(shù)的形式，并計算其適應度。

4）選擇：按一定概率從當前群體中選出優(yōu)良個體，作為雙親用于繁殖后代，一些優(yōu)良的個體遺傳到下一代群體中，適應度越高，則選擇概率越大。進行選擇的原則是適應性強的優(yōu)良個體將有更多繁殖后代的機會，從而使優(yōu)良特性得以遺傳。選擇是遺傳算法的關鍵，它體現(xiàn)了適者生存原則。

5）交叉：交叉操作是遺傳算法中最主要的遺傳操作。對于選中的用于繁殖的每一對個體，隨機選擇兩個用于繁殖下一代的個體的相同位置，在選中的位置實行交換。交叉體現(xiàn)了信息交換的思想。

6）變異：從群體中選擇一個個體，對于選中的個體按一定的概率隨機選擇改變串結構數(shù)據(jù)中某個串的值，即對某個串中的基因按突變概率進行翻轉(zhuǎn)。變異模擬了生物進化過程中的偶然基因突變現(xiàn)象，遺傳算法中變異發(fā)生的概率很低。對產(chǎn)生的新一代群體進行重新評價、選擇、雜交和變異。

7）終止準則：如此循環(huán)往復，使群體中最優(yōu)個體的適應度和平均適應度不斷提高，直至最優(yōu)個體的適應度滿足某一性能指標或規(guī)定的遺傳代數(shù)，迭代過程收斂，算法結束。

2 遺傳算法在圖像分割處理中的應用

在圖像處理中，圖像分割是圖像三維重建的基礎，常用的分割方法包括閾值法、邊緣檢測法和區(qū)域跟蹤法，其中閾值法是最常用的方法[3]。圖像閾值分割算法是利用圖像中目標物體與背景灰度上的差異，根據(jù)圖像灰度值的分布特性把圖像分為不同灰度級的目標區(qū)域和背景區(qū)域，目前已有模糊集法、共生矩陣法、四元樹法、最大類間方差法、最佳直方圖熵法、最小誤差閾值法等多種閾值分割方法。

遺傳算法在圖像分割中的作用是：幫助現(xiàn)存的圖像分割算法在參數(shù)空間內(nèi)搜索參數(shù)，或者在候選的分隔空間內(nèi)搜索最優(yōu)的分隔方案[3]。在參數(shù)空間內(nèi)搜索參數(shù)主要是指利用遺傳算法的全局搜索特性優(yōu)化現(xiàn)有的閾值分割算法，用于幫助確定最佳分割閾值。

3 基于遺傳算法的肝臟CT圖像分割

本文基于遺傳算法選取閾值，采用最大熵原則對肝臟CT圖像進行分割。目的是將圖像的灰度直方圖分成兩個或多個獨立的類，使得各類熵的總量最大，根據(jù)信息論，這樣選擇的閾值能獲得的信息量最大[4]。在圖像的灰度直方圖中設定一個灰度閾值，可以把圖像分成背景和物體兩類區(qū)域，這是一般的單閾值選擇的情況，而設定N個閾值，可以把圖像分成N+1類區(qū)域[4]。

最大熵分割方法步驟為：

用p0,p1,…,pn表示灰度級的概率分布，如果把閾值設置在灰度級s，將獲得兩個概率分布，一個包含1到s間的灰度級，另一個包含s+1到n間的灰度級，這兩個分布如下：

其中，與每一個分布相關的熵為：

令: (4)

當該函數(shù)取最大值時即為圖像的最佳分割，用此函數(shù)作為遺傳算法中的適應度函數(shù)。通過遺傳算法的設計步驟，取得最佳閾值，既而對人體肝臟中有病灶組織的CT圖像進行分割，得到下面分割處理實驗結果。

(a) 原圖 (b) 分割結果(c)原圖 (d) 分割結果

圖1 對有病灶肝臟圖像進行分割

通過實驗結果可以看到，基于遺傳算法采用最大熵原則，對人體肝臟CT圖像進行分割，能夠使選取的閾值獲得的信息量比較大，從而原始圖像和分割圖像之間的信息量差異最小。因此分割后的圖像效果明顯，具有一定的優(yōu)勢[5]。

但由于醫(yī)學圖像的復雜性和人體的差異性，對人體同一器官不同狀況的圖像，無法找出一種最為適合的分割方法處理，必須根據(jù)具體情況具體分析，針對圖像的特點來選取相應的分割算法，才能較好地解決問題。

參考文獻：

[1] 田瑩,苑瑋琦.遺傳算法在圖像處理中的應用[J].中國圖象圖形學報,2007,12(3):389-396.

[2] Hsieh puted Tomography Principle, Design, Artifacts and Recent Advances（中文翻譯版）[M].北京:科學出版社,2006.

[3] 徐丹霞,郭圣文,吳效明,等. 肝臟CT圖像分割技術研究進展[J].醫(yī)療衛(wèi)生裝備,2009,30(3):34-36.

閾值分割的基本原理范文第2篇

關鍵詞:圖像分割;閾值分割;直方圖

中圖分類號:TP317文獻標識碼:A 文章編號:1009-3044(2010)08-1944-03

Research of Image Segmentation Algorithms

BU Tao-tao, LU Chao

(Department of Physics, Shanxi University of Technology, Hanzhong 723000, China)

Abstract: Image segmentation is a digital image processing, one of the key technologies to study the edge detection and threshold segmentation method to achieve image segmentation. Summarized a variety of segmentation algorithms, including the minimum value method, derivation, histogram transform method, iterative method, averaging method, large law and edge detection method.

Key words: image segmentation; threshold segmentation; histogram

圖像分割是將圖像中有意義的特征部分提取出來,包括圖像中的邊緣、區(qū)域等。圖像分割是數(shù)字圖像處理中的關鍵技術之一,并得到了廣泛的重視、研究和應用,圖像分割的技術和算法種類繁多,是計算機視覺領域的一個經(jīng)典難題,人們至今仍在不斷探索新的分割理論與分割算法。

1 圖像分割方法

圖像分割的方法和種類有很多,有些分割運算可直接應用于任何圖像,而另一些只能適用于特殊類別的圖像。分割結果的好壞需要根據(jù)具體的場合及要求衡量。圖像分割是從圖像處理到圖像分析的關鍵步驟,圖像分割結果的好壞直接影響對圖像的理解。分割算法基本可以分為兩大類:邊緣檢測和閾值分割。

1.1 邊緣檢測

邊緣是指圖像中灰度發(fā)生急劇變化的區(qū)域。圖像灰度的變化情況可以用灰度分布的梯度來反映,給定連續(xù)圖像f(x,y),其方向?qū)?shù)在邊緣法線方向上取得局部最大值。圖像的邊緣是指圖像局部區(qū)域亮度變化顯著的部分,該區(qū)域的灰度剖面可以看作是一個階躍,既從一個灰度值在很小的緩沖區(qū)域內(nèi)急劇變化到另一個灰度相差較大的灰度值。圖像的邊緣部分集中了圖像的大部分信息,邊緣檢測主要是圖像的灰度變化的度量、檢測和定位。圖像邊緣檢測的基本步驟如下:

1)濾波。邊緣檢測主要基于導數(shù)計算,受噪聲影響,但是濾波器在降低噪聲的同時也導致邊緣強度的損失。

2)增強。增強算法將鄰域中灰度有顯著變化的點突出顯示,常通過計算梯度幅值完成。

3)檢測。有些圖像中梯度幅值較大的并不是邊緣點。常用的邊緣檢測是梯度幅值閾值判定。

4)定位。精確確定邊緣的位置。

邊緣檢測常用的算子有梯度算子Roberts, Sobel, Prewitt;Laplace算子;二階導數(shù)過零點算子;canny算子等。

1.2 閾值分割

閾值分割法是一種基于區(qū)域的圖像分割技術,其基本原理是通過設定不同的特征閾值,把圖像像素點分為若干類。常用的特征包括:直接來自原始圖像的灰度或彩色特征;由原始灰度或彩色值變換得到的特征。閾值分割法是將灰度圖像變?yōu)槎祱D像以達到分割目的的方法,它是一種并行區(qū)域法。其過程是決定一個灰度值,用以區(qū)分不同的類,這個灰度值就叫做“閾值”,把灰度值大于閾值的所有像素歸為一類,小于閾值的所有像素歸為另一類。閾值法是一種簡單但是非常有效的方法,特別是不同物體或結構之間的有很大的強度對比時,能夠得到很好的效果。閾值分割實現(xiàn)簡單、計算量小、性能較穩(wěn)定,已被應用于很多的領域。

2 圖像分割算法

對灰度圖像,基于各像素值的閾值是僅考慮各像素本身灰度值而確定的,因而算法一般較簡單,但抗噪聲能力不強。所確定的閾值(對多閾值分割是閾值序列)作用于整幅圖像的每個像素,因而對目標和背景的灰度有梯度變化的圖像效果較差。

圖像的灰度直方圖是圖像各像素灰度值的一種統(tǒng)計度量。許多常用的閾值選取方法就是根據(jù)直方圖來進行的。根據(jù)對圖像模型的描述,如果對雙峰直方圖選取兩峰之間的谷所對應的灰度值作為閾值就可以將目標和背景分開。谷的選取有許多方法,下面介紹幾種算法。

2.1 極小值法

極小值法原理:圖像由前景和背景組成,在灰度直方圖上,前后二景都形成高峰,在雙峰之間的最低谷處就是圖像的閾值所在。如果將直方圖的包絡看作是一條直線,則選取直方圖的谷可借助求曲線極小值的方法。設用h(z)代表直方圖,那么極小值點就應同時滿足:h(z0)

其中σ為高斯函數(shù)的標準差。

極小值點法實現(xiàn)簡單、計算量小,而且只產(chǎn)生一個閾值,但是它必須準確算出雙峰的位置,而且要保證不能有毛刺的存在。而且具體圖像要用的高斯濾波器系數(shù)不同,系數(shù)選取又不當分割后的效果將很不理想。

2.2 求導法

求導法是改進了的極小值法,它也是求極小點,不同的是它不是通過比較的方法,而是通過求導的方法找閾值。設用g(z)代表直方圖,那么最小點應同時滿足:

導數(shù)使用gradient指令,一階導數(shù)P=gradient(g),二階也就是Q=gradient(P),那么在圖像灰度范圍1到256內(nèi)尋找滿足條件P=0 and Q>0的點,可以得到Z0閾值點。理論上一階導數(shù)應該是0,但是實際中通常由于毛刺的存在,一階導數(shù)是不為零的,而是無限趨近于零,因而給程序設計帶來不便。可以讓一階導數(shù)P取大些,計算出的閾值個數(shù)增加了,要對比的圖像也多了,但是卻可以找到合適的閾值,通過調(diào)整P可以來調(diào)節(jié)計算出的閾值的個數(shù)。編程時我先設定P

求導法是也受圖像毛刺的影響,毛刺會使圖像產(chǎn)生很多滿足P的點,使計算出的閾值更多而且遠離理想閾值點。因而要使圖像平滑,必然要濾除掉毛刺。可以通過高斯濾波,濾波系數(shù)可以設為定值。

求導法實現(xiàn)起來比較簡單,計算量小,性能比較穩(wěn)定,分割結果也較理想,但是由于它需要人工的比對,花費大量的時間才能算出理想的結果。

2.3 平均法

平均法原理簡單,基于對稱的理論。先統(tǒng)計出大于零的總的像素個數(shù)P,然后設定條件:從1開始到某一點大于零的總的像素個數(shù)為Q(Z),一旦Q(Z)>P/2就停止運算,計算出的這一點就是閾值點Z0。優(yōu)點是程序設計簡單,運算量小,運行也穩(wěn)定,缺點是它是根據(jù)直方圖對稱的原理計算的閾值,因而當基本對稱時分割效果最好,而普遍效果一般。

2.4 直方圖變換法

直方圖變換法,是利用一些像素領域的局部性質(zhì)變換原始的直方圖為一個新的直方圖。這個新的直方圖與原始直方圖相比,或者峰之間的谷底更深,或者谷轉(zhuǎn)變成峰從而更易于檢測。這里的像素領域局部性質(zhì),在很多方法中經(jīng)常用的是像素的梯度值。例如,由于目標區(qū)的像素具有一定的一致性和相關性,因此梯度值應該較小,背景區(qū)也類似。而邊界區(qū)域或者噪聲,就具有較大的梯度值。利用直方圖變換方法,根據(jù)梯度值加權,梯度值小的像素權加大,梯度值大的像素權減小。這樣,就可以使直方圖的雙峰更加突起,谷底更加凹陷。

直方圖變換法是通過對直方圖進行變換找到直方圖的谷,然后進行分割的。相比其它程序比較復雜,但可靠性高。

2.5 邊緣檢測法

邊緣是圖像的特征之一,通過分離邊緣就可以實現(xiàn)對圖像的分割,流程圖如圖1所示。邊緣檢測是用各種算子模版與圖像作卷積運算實現(xiàn),邊緣檢測的結果往往離提取圖像信息的要求還很遠。

實現(xiàn)邊緣檢測的算子很多,各種算子對邊緣的提取效果也不同,從效果來看,canny效果比較好,但是邊緣檢測只能為人們提供不完整的邊緣信息,不是人類所要獲取的信息,還要進行處理。

2.6 迭帶法

迭代法是基于逼近的思想,其步驟如下:

1)求出圖像的最大灰度值和最小灰度值,分別記為ZMAX和ZMIN,令初始閾值T0=(ZMAX+ZMIN)/2;

2)根據(jù)閾值TK將圖像分割為前景和背景,分別求出兩者的平均灰度值ZO和ZB;

3)求出新閾值TK+1=(ZO+ZB)/2;

4)若TK=TK+1,則所得即為閾值;否則轉(zhuǎn)2),迭代計算。

具體實現(xiàn)時,首先根據(jù)初始開關函數(shù)將輸入圖逐個圖像分為前景和背景,在第一遍對圖像掃描結束后,平均兩個積分器的值以確定一個閾值。用這個閾值控制開關再次將輸入圖分為前景和背景,并用做新的開關函數(shù)。如此反復迭帶直到開關函數(shù)不在發(fā)生變化,此時得到的前景和背景即為最終分割結果。迭代所得的閾值分割的圖像效果良好。基于迭代的閾值能區(qū)分出圖像的前景和背景的主要區(qū)域所在,但在圖像的細微處還沒有很好的區(qū)分度。對某些特定圖像,微小數(shù)據(jù)的變化卻會引起分割效果的巨大改變,兩者的數(shù)據(jù)只是稍有變化,但分割效果卻反差極大。對于直方圖雙峰明顯,谷底較深的圖像,迭代方法可以較快地獲得滿意結果,但是對于直方圖雙峰不明顯,或圖像目標和背景比例差異懸殊,迭代法所選取的閾值不如其它方法。

2.7 大津法

圖像記t為前景與背景的分割閾值,前景點數(shù)占圖像比例為w0,平均灰度為u0;背景點數(shù)占圖像比例為w1,平均灰度為u1,則圖像的總平均灰度為:u=w0*u0+w1*u1。從最小灰度值到最大灰度值遍歷t,當t使得值g=w0*(u0-u)2+w1*(u1-u)2最大時t即為分割的最佳閾值。

大津法可作如下理解:該式實際上就是類間方差值,閾值t分割出的前景和背景兩部分構成了整幅圖像,而前景取值u0,概率為w0,背景取值u1,概率為w1,總均值為u,根據(jù)方差的定義即得該式。因方差是灰度分布均勻性的一種度量,方差值越大,說明構成圖像的兩部分差別越大,當部分目標錯分為背景或部分背景錯分為目標都會導致兩部分差別變小,因此使類間方差最大的分割意味著錯分概率最小。直接應用大津法計算量較大,因此在實現(xiàn)時采用了等價的公式g=w0*w1*(u0-u1)2。在測試中發(fā)現(xiàn),大津法選取出來的閾值非常理想,表現(xiàn)較為良好。雖然它在很多情況下都不是最佳的分割,但分割質(zhì)量通常都有一定的保障,可以說是最穩(wěn)定的分割。

3 結束語

介紹了多種圖像分割的方法,原理不同,分割的結果也各異,為我門進一步對圖像分割評價和獲取信息提供了重要依據(jù)。極值法、求導法都是直接對直方圖研究,而直方圖變換法則是通過變換直方圖,使求谷值轉(zhuǎn)換為極大值的方法;迭代法和大律法則是通過類間方差公式的不同變換形式來計算閾值;平均法是通過理想情況來類比尋一般情況求取閾值。

參考文獻:

[1] Barrera J,Tomita N S,Silva F S C,et al."Automatic Programming of Binary Morphological Machines by PAC Learning"[C].SPIE,Proceedings Neural,Morphological and Stochastic Methods in Image and Signal Processing,1995.

[2] Hirata N S T ,Barrera J,Terada R."Text Segmentation by Automatically Designed Morphological Operators"[C]."Proc. Of SIBGRAPI'2000",Gramado,Brazil,October,2000.

[3] 盧超.基于熵的多點脈搏傳感器信息融合方法[J].佳木斯大學學報:自然科學版,2009(5).

[4] 劉斌,歐宗瑛,等.一種序列切片圖像的快速自動分割方法[J].武漢大學學報:信息科學版,2009(5).

[5] 盧超.單片機同PC機通信的一種新方法[J].礦山機械,2007(4).

[6] 黃長專,王彪,楊忠.圖像分割方法研究[J].計算機技術與發(fā)展,2009,(6).

[7] 盧超.基于PC機與單片機分布式溫度采集系統(tǒng)的設計[J].儀表技術與傳感器,2007(6).

閾值分割的基本原理范文第3篇

關鍵詞：缺陷檢測；Blob；Canny；模板匹配；差影

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2012）28-6775-04

半導體電子元器件被廣泛應用于各類電子產(chǎn)品和通信系統(tǒng)中，它的外觀質(zhì)量主要取決于封裝這一工藝技術。良好的封裝可以保護芯片或晶體管少受外界環(huán)境的影響，因此封裝后的元器件可以得到更加可靠的電氣性能，當然也更加方便后續(xù)的PCB板上的焊接和貼裝[1]。對半導體器件的視覺檢測主要包括管腳檢測和管體檢測。隨著計算機技術和圖像處理技術的結合和發(fā)展，機器視覺被廣泛應用于半導體行業(yè)的各階段在線檢測中。利用機器視覺[2]進行檢測不僅可以排除主觀因素的干擾，降低勞動強度，提高生產(chǎn)效率，還可以對缺陷進行定量描述，具有人工肉眼檢測無法比擬的優(yōu)越性。

1 檢測系統(tǒng)概要

在線半導體表面缺陷檢測系統(tǒng)[3]主要由PC機、圖像處理軟件、圖像采集設備、光源照明部分以及IO控制裝置和機械裝置組成。其中圖像采集由CCD、鏡頭、圖像采集卡和光源共同完成，高質(zhì)量的圖像信息是系統(tǒng)正確判斷和決策的原始依據(jù)，是整個系統(tǒng)成功與否的關鍵所在。

圖1 缺陷檢測系統(tǒng)結構

系統(tǒng)采用定位槽對器件進行準確定位，定位槽的底部有一個通氣孔，下面連接一個真空吸氣裝置，機器手將管子放入凹槽，在吸氣裝置的作用下管子沿著凹槽四周的導向斜面滑入槽底部。確保了獲取到的圖像中三極管擁有正確的位姿。

2 基于邊緣的位姿檢測

硬件系統(tǒng)采用了定位模具保證管子的位姿，但管子在凹槽內(nèi)仍不可避免的存在輕微的傾斜和旋轉(zhuǎn)，采用邊緣點檢測擬合邊緣線的方法尋找管子矩形，根據(jù)矩形的中心位置和旋轉(zhuǎn)角度來對準參考圖像與目標圖像。

實現(xiàn)圖像的邊緣點檢測就是用離散化梯度逼近函數(shù)計算每一個像素位置的梯度值和梯度方向，滿足閾值要求和方向要求的灰度躍變位置即為邊緣點。現(xiàn)實情況的邊緣都是斜坡性邊緣，這就使得邊緣檢測的首要工作是濾波。對比Sobel算子，Log算子，Canny算子各自的優(yōu)缺點[4]后本文采用Canny算子尋找邊緣點。

邊緣點檢測之前，劃定檢測的感興趣區(qū)域，這里使用的感興趣區(qū)域是一條方向線段，規(guī)定邊緣點的檢測方向是從線段的起點到終點。本文的圖像處理需要用到的邊緣點檢測目的主要是在限定區(qū)域檢測滿足梯度閾值及方向的點，方向即從亮到暗或從暗到亮。判斷方向時需要兼顧檢測方向的影響。檢測方向不同，x向、y向的一階偏導對于判斷明暗變化的影響比重也不同，因此給出如下的判斷表達式：

3 缺陷檢測

3.1 基于差影的雙模板匹配法

用于缺陷檢測的模板匹配技術常用的有兩種：差影法和灰度相關法。差影法的基本原理是將待檢測圖像與模板圖像做像素差，對得到的差值圖像進行判斷是否存在缺陷及缺陷大小和位置；灰度相關法則是計算待檢測圖像與模板圖像對應像素間的相似度，根據(jù)相似度的大小確定缺陷所在。兩種方法相比較，由于灰度相關法算法時間復雜度明顯高于差影法，對于在線檢測對實時性的要求，顯然不可取，本文所述缺陷檢測思想仍然沿用差影法的基本原理。

在以下的論述中規(guī)定[gr，c]代表理想圖像，即無缺陷的圖像，也稱為參考圖像。[fr，c]代表待檢測圖像。[r，?c]代表像素坐標。

為檢測出待測圖像與理想圖像的偏差，僅需要將兩幅圖像的對應像素相減即可。通常并不關心缺陷是偏亮區(qū)域還是偏暗區(qū)域，因此通過預先設置閾值[gabs]使用以下的等式便可找到缺陷。

此方法對圖像對準有非常高的精度要求。如果物體發(fā)生略微的偏移。那么在待測圖像與模板圖像的邊緣便會很容易產(chǎn)生超過[gabs]的灰度值差異，誤檢缺陷在所難免。另外受到周圍環(huán)境光線變化的影響，該方法也不能給予任何應對策略。然而在實際的生產(chǎn)應用中，這些因素都是無法避免的，針對以上存在的問題，本了以下的工作。

改進的匹配方法使用偏差模型[5]學習雙模板[6][g1r，c]和[g2r，c]，其中[g1r，c]作為下限模板，[g2r，c]作為上限模板。下限模板由參考圖像與容許偏差的差值確定，上限模板則由參考圖像與容許偏差的和值確定。容許偏差可以從一組訓練圖像中計算得到。一般使用標準偏差來計算需要的容許偏差。另外，為了增強抗干擾和抑制噪聲的能力，參考圖像也不再簡單的使用某一幅理想圖像簡單獲取，也應該從一組訓練圖像中計算像素均值得到。n幅圖像的平均值和標準差計算如下：

這里還需引入可調(diào)倍數(shù)常量[p]，[q]和可調(diào)絕對常量[a]，[b]。一般情況由一個小的可調(diào)倍數(shù)乘以標準差即得到所需的容許偏差，用戶只需合理設置[p]，[q]值調(diào)節(jié)容許偏差。然而當標準偏差大大小于被測圖像偏差時，這樣的方法就顯得很不好，因此引入絕對常量，當某處容許偏差小于絕對常量時，使用絕對常量值替代容許偏差值。

考慮到環(huán)境光線變化的影響，引入環(huán)境光因子[θ]，在對模板與待測圖像做減法比較之前，計算待測圖像像素均值[m0]和模板圖像均值[m1]，[m0]和[m1]的比例關系即代表[θ]，令模板圖像的每一個像素乘以環(huán)境光因子[θ]，可有效抑制環(huán)境光帶來的不穩(wěn)定圖像質(zhì)量造成的缺陷誤檢，以下給出了圖像分割公式：

3.2 缺陷提取

圖像的幾何特征在圖像處理中起著十分重要的作用。利用區(qū)域特征的大小、位置、方向等來確定物體的位置并識別它們。特征值量度的合理選取可以有效地減小誤檢率。本文采用Blob算法提取已經(jīng)分割的缺陷特征。Blob算法用于從背景中分離目標，測量目標的形態(tài)參數(shù)，包括面積、周長、寬度、高度、細長度、數(shù)量等。與基于逐點像素處理的算法相比，該算法處理速度快，被廣泛應用于工業(yè)在線檢測系統(tǒng)中。

盡管上述處理方法已經(jīng)在抑制噪聲方面做了很多工作，但分割后的圖像仍可能存在偽缺陷，因此通過設置特征閾值來抑制缺陷誤檢，如寬度閾值、高度閾值、面積閾值、周長閾值，當檢測的Blob對象分別滿足各方面的閾值要求時，則認為是缺陷，否則被判定為噪聲點。

4 缺陷檢測系統(tǒng)實現(xiàn)

硬件環(huán)境如下，相機：SONY XC-HR50；鏡頭：50mm；曝光時間：5ms

軟件環(huán)境如下：基于OpenCV的VC++編程實現(xiàn)

檢測目標：SOD323半導體器件的塑封表面缺陷檢測

硬件系統(tǒng)采用了定位模具保證了待測元件有較精確的定位，每幅圖像中，器件的位置只有細微的偏差。因此，檢測開始之前根據(jù)模具的位置劃定感興趣區(qū)域。這種方法稱之為圖像局部分析法。

使用該方法的必要性主要體現(xiàn)在兩個方面：

1） 本系統(tǒng)用于在線工業(yè)檢測系統(tǒng)，同時用于三個工位的實時檢測，要求每個工位的檢測時間不得超過50ms，在硬件上采用四核處理器的計算機，軟件上采用多核多線程編程技術，采用局部分析法可以大大的減少圖像數(shù)據(jù)量，有效地降低圖像處理時間。

2） 待測器件表面塑封材料微小顆粒分布的不均勻性以及環(huán)境光造成的光線不均勻都會影響成像質(zhì)量。圖像中目標邊緣幅度大小不一，甚至非邊緣幅度比邊緣更大，這些因素都需要盡量回避，局部分析法將檢測區(qū)域盡量縮小，干擾量也得以大大減少。

如圖2所示，其中帶箭頭的虛線線段分別代表上下左右四個感興趣區(qū)域內(nèi)邊緣點的尋找方向，如Top區(qū)域，表示從下到上搜尋邊緣點。十字叉則代表搜尋到的邊緣點。

圖2 邊緣檢測示意圖

利用OpenCV提供的方法cvFitLine將搜尋到的邊緣點分別擬合為四條邊緣線，圖中管體矩形框已經(jīng)標出，計算矩形的中心位置和旋轉(zhuǎn)角度用于后續(xù)的參考模板與目標圖像的對準。對該矩形區(qū)域進行平滑圖像處理后計算該區(qū)域圖像的灰度平均值，得到環(huán)境光因子。對準模板和目標圖像，逐一比較像素灰度值，如果灰度值不在兩個模板的閾值范圍內(nèi)則被認為缺陷。

5 結論

綜上所述，通過對傳統(tǒng)的缺陷檢測算法的分析和運用，利用模具和邊緣定位獲取到物體可靠位姿，縮小了在線檢測范圍，有效提高了檢測效率。結合半導體器件的塑封缺陷特征，采用雙模板匹配法，有效的抑制了噪聲和環(huán)境光對缺陷識別的影響。

參考文獻：

[1] 張素娟，李海岸.新型塑封器件開封方法以及封裝缺陷[J]，半導體技術，2006，31（7）：509-511.

[2] 賈云得.機器視覺[M].北京：科學出版社，2000.

[3] 鄭秀蓮，袁巧玲，沈亞琦.基于圖像處理的電子元器件表面缺陷檢測技術[J]，機電工程，2009，26（7）：15.

[4] 徐臨洪，張桂梅，陳少平.基于機器視覺的發(fā)動機表面缺陷檢測技術[J]，計算機與現(xiàn)代化，2010，176（4）：157.

閾值分割的基本原理范文第4篇

醫(yī)學圖像處理教學需要課堂教授，更需要加強實踐性教學環(huán)節(jié)[2-3]，但由于課時和實驗條件的限制，傳統(tǒng)授課有時難以達到教學要求，而虛擬實驗則可彌補這方面的局限[4]：通過將Matlab仿真技術與GUI界面設計引入到教學中，開發(fā)可視化的醫(yī)學圖像處理虛擬實驗平臺，既取得理想的教學效果，也可培養(yǎng)醫(yī)學生的自主學習能力、獨立思考能力和綜合應用能力[5]。醫(yī)學生通過圖像處理仿真熟悉各種醫(yī)學圖像處理方法的原理，并通過調(diào)整參數(shù)，了解參數(shù)變化對醫(yī)學圖像處理效果的影響。

1 實驗平臺的結構

醫(yī)學圖像處理虛擬實驗平臺的設計思想是結合醫(yī)學圖像處理的基本理論，通過虛擬實驗的方法強化醫(yī)學圖像處理的基本思想與核心概念，為醫(yī)學生的理解和應用提供幫助[6]。

通過GUI界面，醫(yī)學生可選擇任意感興趣的項目或教師指定的項目進行仿真實驗[7]。實驗平臺還提供醫(yī)學圖像處理相關課件、圖像處理Matlab編程的教學視頻、仿真實驗指導書、拓展實驗題等資料，醫(yī)學生可利用GUI界面隨時調(diào)入進行自學。

同時，實驗平臺還提供腦腫瘤fmri處理示例，此示例選取于臨床影像三維顯示的實際應用，幫助醫(yī)學生了解如何將自己所學的圖像處理知識應用到工作實踐中，從而提高醫(yī)學生的綜合素質(zhì)。

根據(jù)教學計劃的要求，醫(yī)學圖像處理虛擬實驗平臺包含醫(yī)學圖像處理教學內(nèi)容中所有典型的實驗項目，具體內(nèi)容如下：

（1）圖像插值實驗。主要分析最近鄰插值（Nearest Interpolation）、雙線性插值（Bilinear Interpolation）和雙三次插值（Bicubic Interpolation）的原理[8]和Matlab編碼。

（2）圖像銳化實驗。主要分析Roberts算子、Prewitt算子和Sobel算子的原理和Matlab編碼，并且比較每種邊緣檢測算法對應的6個結果，包括原圖、直接梯度輸出圖像、門檻判斷圖像、邊緣規(guī)定圖像、背景規(guī)定圖像和二值圖像。

（3）圖像去噪實驗。主要分析均值濾波、中值濾波、維納濾波等圖像平滑處理算法[9]的原理和Matlab編碼。

（4）圖像融合實驗。主要分析像素灰度值極大/極小融合法、加權平均融合法、傅里葉變換法的原理[10]和Matlab編碼。

（5）圖像分割實驗。主要分析全局閾值法、大津閾值法、迭代法、最大熵分割法和局部閾值法等圖像分割方法[11]的原理和Matlab編碼。

（6）頭動校正實驗。主要研究投影法[12]配準技術的原理與Matlab編碼，并且展示投影法頭動校正后的效果。

（7）三維可視化實驗。主要研究基于體繪制的三維重建算法[13]原理與Matlab編碼。

例如，在圖像去噪實驗中，加入噪聲的參數(shù)可由用戶自己輸入。針對噪聲圖像，醫(yī)學生可以選用不同的平滑算法，自行設置模板參數(shù)，進行圖像去噪處理。通過觀察加噪效果及比較各種平滑處理算法處理后的結果，醫(yī)學生對平滑算法處理的針對性、參數(shù)取值范圍和實驗結果都會比較熟悉，從而達到教學目的（具體操作過程見第3部分）。

2 實驗平臺的設計

使用Matlab圖形用戶界面開發(fā)環(huán)境（Matlab Graphical User Interface Development Environment，GUIDE）創(chuàng)建GUI圖形界面是常用創(chuàng)建Matlab GUI的方法，該方法簡單易學，能方便實現(xiàn)圖形控件的各種功能。醫(yī)學圖像處理虛擬實驗平臺的GUI界面主要包括虛擬實驗平臺主界面、課件界面、實驗名稱界面、各實驗項目界面、教學視頻界面、腦腫瘤fmri處理示例界面等。

醫(yī)學圖像處理虛擬實驗平臺主界面的主要控件為7個按鈕（Push Button）。按鈕有多個功能，如函數(shù)的調(diào)入、界面之間的跳轉(zhuǎn)等。將所需控件移入GUI界面，再對各控件按照程序要求進行屬性編輯，修改完成后，點擊GUI界面工具欄中的運行按鈕，即可運行設計完成的GUI界面，Matlab系統(tǒng)會自動生成相應的M文件。

設計實驗平臺時，考慮到醫(yī)學圖像處理的理論知識較多，同時考慮到醫(yī)學生自學的要求，將課件與教學視頻按照由易到難的順序排列。按照教學要求，設置7項醫(yī)學圖像處理實驗，而每個實驗都有實驗目的、實驗原理、實驗內(nèi)容、實驗結果與分析等項目，因此設置成實驗目的、實驗原理、實驗內(nèi)容、實驗結果與分析和返回5個按鈕，以圖像去噪實驗為例。

通過“實驗結果與分析”按鈕就可進入仿真界面，進行仿真分析，如圖1所示。選取相應的文件，輸入相應的參數(shù)，點擊對應按鈕，即可對圖片進行加噪去噪處理，并能直接觀察比較處理結果。

為培養(yǎng)醫(yī)學生應用所學圖像處理知識的能力，實驗平臺設計腦腫瘤fmri處理示例板塊。其內(nèi)容是對腦部fmri原始數(shù)據(jù)進行預處理、放大、圖像分割、體重建等操作，對腦部進行三維可視化[14]。腦部MRI圖像的三維顯示就是指利用一系列的二維腦部MRI圖像重建三維圖像模型并進行定性定量分析的技術。通過三維重建可以科學、準確地重建出被檢物體，避免傳統(tǒng)方法中臨床醫(yī)生通過自己大?X想象的不確定因素[15]。醫(yī)學生只有親自對腦部fmri原始數(shù)據(jù)進行讀入、預處理、分割、重建等操作才能得到如圖2所示的腦部輪廓三維圖，從而初步認識自己所學圖像處理技能的組合應用，明確醫(yī)學圖像處理對臨床診斷與治療規(guī)劃的意義，達到學以致用的效果。

3 仿真實例分析

每個實驗項目都提供仿真演示示例。以圖像去噪實驗為例，如圖3所示。首先加入方差為0.02的高斯噪聲，修改完參數(shù)后，點擊加入噪聲按鈕就能得到噪聲圖像，如果均值參數(shù)修改為除0以外的任何數(shù)，則不會顯示任何圖像。然后針對生成的噪聲圖像，對其進行中值濾波處理、均值濾波處理和維納濾波處理。每次進行處理前，都需要輸入模板尺寸，模板尺寸越大，去噪效果越明顯，但是圖像丟失信息也會更加嚴重。醫(yī)學生可通過反復修改模板尺寸，比對每次處理結果，選出最佳的模板參數(shù)。進行三種濾波處理后，醫(yī)學生可根據(jù)三種濾波處理后的結果來總結每種濾波處理的特點與效果。最后，醫(yī)學生如果有學習或者校驗代碼的需要，可以點開對應的主要代碼查看按鈕進行代碼查看。

4 虛擬實驗平臺的使用與評價

醫(yī)學圖像處理虛擬實驗平臺的Matlab文件編譯完畢后，生成的可執(zhí)行文件需要Matlab運行環(huán)境的支持，如果要將此軟件到其他沒有Matlab運行環(huán)境的機器，還需要進行一項工作，即打包Matlab組件運行環(huán)境（Matlab Component Runtime，MCR）[16]。建議采用專業(yè)的安裝包制作軟件Setup Factory將MCR與軟件一起打包，設置代碼使得安裝包解壓完畢后，自動安裝MCR。安裝完成后，點擊編譯的Matlab可執(zhí)行程序，即可運行醫(yī)學圖像處理虛擬實驗平臺。

經(jīng)過醫(yī)學圖像處理選修課投入使用后，醫(yī)學生的學習積極性顯著提高。除課堂授課外，大多數(shù)醫(yī)學生在課后通過虛擬實驗平臺進行理論自學和題目自測，使得總體考核成績明顯上升，教學質(zhì)量顯著提高。

閾值分割的基本原理范文第5篇

【關鍵詞】細胞分割；分割算法；比較分析

Survey：the research method of cells segmentation algorithm

Chen Aibin，Jiang Xia

（Central South University of Forestry & Technology，College of Computer Science，Hunan Changsha 410004，China）

Abstract：With the development of modern technology，computer processing cells plays an important role in medical diagnostics and medical image processing.Cell division is cellular feature extraction and recognition foundation.Segmentation of accurate medical images is challenging task from the cell image.Automatic identification of the cells produced a study of the demand for effective segmentation.people made a different image segmentation algorithms based on different characteristics，such as the threshold，a watershed algorithm.In this paper，various methods of cell division system analysis，and detail the advantages and disadvantages of each methods.

Key words：cell division；segmentation algorithm；comparative analysis

1.引言

圖像分割是根據(jù)圖像的某些特征或特征相似的集合，對圖像進行分組聚類，把圖像分成若干個特定的，有意義的區(qū)域并提取出感興趣的目標技術和過程。它使圖像高級處理階段的圖像分析和圖像識別等處理過程的數(shù)據(jù)量大大減少，并保留圖像結構的重要信息。細胞分割的精度對細胞分割有重要作用，它的好壞直接影響細胞分析。細胞分割到今天仍沒有取得圓滿成功的幾個重要原因是：（1）細胞圖像很復雜，不僅有白血細胞、紅細胞和血小板還有其它東西，而且根據(jù)白細胞的成熟程度不同可以分為20多種不同的類別。（2）細胞圖像經(jīng)常受染色不均勻，光照不一致的影響，導致灰度值發(fā)生變化。（3）細胞圖像經(jīng)常重疊，沒有明顯的邊界。（4）細胞的大小變化很大，細胞核的形狀各種各樣。這些使得細胞分割是一個困難和富有挑戰(zhàn)的任務。所以，我們有必要針對醫(yī)學圖像這個領域?qū)毎麍D像分割方法進行研究。本文對細胞分割的各種方法進行系統(tǒng)分析。

2.常用的圖像分割方法

為了解決醫(yī)學圖像細胞分割的難題，多年來許多研究人員做了大量的工作，研究出了很多有用的分割方法。隨著閾值分割，活動輪廓，邊緣檢測和形態(tài)學等方法在圖像分割中廣泛應用，活動輪廓，多光譜等新出現(xiàn)的算法也不斷的用于解決細胞分割的問題，國內(nèi)外學者針對一些具體應用的醫(yī)學圖像分割提出了不少好的分割方法。

2.1 基于閾值分割的方法

閾值分割法是一種基于區(qū)域的圖像分割技術，其基本原理是：通過設定不同的特征閾值，把圖像象素點分為若干類。常用的特征包括：直接來自原始圖像的灰度或彩色特征；由原始灰度或彩色值變換得到的特征。閾值選取方法有多種，如Mode法、Otsu法、熵方法、P-tile法和最小誤差法等。由于閾值分割算法原理簡單，計算量比較小，但它依賴閾值的選擇，廣泛的應用于早期的細胞分割。在目標和背景差異比較大的圖像可以用全局閾值，柯行斌，王汝傳[1]在已經(jīng)經(jīng)過預處理的圖像上用全局閾值分割白血細胞，發(fā)現(xiàn)比匹配法分割的效果好一些。而細胞的胞漿和背景相差不大，因此用單一的閾值分割很難取得很好的效果。王任揮[2]提出用最大信息熵原理來確定多閾值分割彩色細胞，能基本區(qū)分細胞的細胞核、細胞漿及背景區(qū)域，但不能得到清晰的細胞輪廓。由于多閾值一般是設置兩個值，而細胞圖像一般比較復雜，很難得到明顯的雙峰的直方圖，這就需要設置局部閾值。局部閾值分割法是將原始圖像劃分成較小的圖像，并對每個子圖像選取相應的閾值。自適應閾值可以根據(jù)特征不同產(chǎn)生不同的合適的閾值，因此適合分割處理大多數(shù)圖像。馬保國，喬玲玲[3]提出的自適應閾值分割，先對圖像各像素進行梯度計算，然后局部用最大類間方差法分割。這種算法對有噪聲的白血細胞圖像也能取得一定的效果。下列圖1對四個圖的細胞對比閾值分割的效果。總的來說，閾值分割只考慮灰度信息沒有考慮空間信息，不適用于多通道圖像，也不適用于特征值相差不大的圖像，并且對噪聲和灰度不均勻敏感。

2.2 分水嶺分割

分水嶺分割方法，是一種基于拓撲理論的數(shù)學形態(tài)學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然后把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構筑大壩，即形成分水嶺。在細胞處理過程中，由于設備或人為原因，有時候會出現(xiàn)細胞粘連程度分布不均勻的情況，這樣分割起來很困難，分水嶺算法經(jīng)常用于處理這類問題。丁宏和王澤提出用先對細胞圖像用距離變換和對種子點改進，再用分水嶺算法分割，如果種子定位精確的情況下，粘連的細胞分割能取得很好的效果。分水嶺算法直觀，快速，可以并行處理并具有分割精度高的優(yōu)點。但用分水嶺方法進行圖像分割時，容易造成圖像的過度分割而且對噪聲特別敏感。一般都通過對圖像進行預處理和區(qū)域合并的改進來抑制圖像過分分割。謝文娟[4]等提出采用形態(tài)學基本運算，運用交替序貫濾波對白血細胞圖像進行濾波處理，然后采用多尺度形態(tài)梯度代替形態(tài)學梯度。利用開重建細胞圖像，減少極小值標記點，減少過分割產(chǎn)生的區(qū)域。通過對白血細胞預處理的改進，有效的解決噪音引起的白血細胞過分分割。包振健，邸書靈[5]提出一種混合的分水嶺策略來分割骨髓細胞圖像，它是用標記的形態(tài)學重建和基于區(qū)域相似度的區(qū)域合并算法來克服分水嶺對標記點敏感的缺點。針對分水嶺算法的缺點并結合自身的研究需求，許多學者提出4種方法對其進行改進，預處理濾波，這個主要是在預處理消除圖像噪聲，標記、區(qū)域合并和其它方法，后面這三種方法主要是針對過分分割這一優(yōu)點進行改進。圖2為標記分水嶺算法實驗效果。

2.3 基于模糊理論算法分割

有些分割方法很容易產(chǎn)生過分分割，如上面提到的分水嶺算法，而模糊聚類分割算法就很好彌補了這一方面的缺失。模糊聚類是根據(jù)事物間的相似性進行區(qū)分和分類的過程，它將數(shù)據(jù)劃分為不同組或類的過程，并使同一個組內(nèi)的數(shù)據(jù)對象具有較高的相似程度，而且不同組中的數(shù)據(jù)對象則是不相似。模糊理論算法中最常用的是模糊C-均值聚類算法，模糊C均值聚類（FCM），是用隸屬度確定每個數(shù)據(jù)點屬于某個聚類的程度的一種聚類算法。模糊C均值聚類算法的優(yōu)點是運算簡單，收斂比較快，適合處理數(shù)據(jù)量大的圖像，它的缺點是對初始中心很敏感，易陷入局部極小值而難收斂到聚類中心。用模糊C均值處理圖像一般采用改進的C均值聚類算法，或者用C均值聚類算法和別的算法結合使用，這樣可以揚長避短。S.Chinwaraphat[6]提出改進FCM算法消除由于散射或假的聚類造成不明顏色或像素之間的相似性和等離子體胞質(zhì)背景。Nipon Theera-Umpon[7]用模糊C均值聚類方法對細胞過份分割，然后再結合形態(tài)學對細胞進行開與閉運算去除小孔和平滑邊緣。下面圖3為此方法自動分割和用手動分割圖的比較。聚類算法中還有一個常用的是K均值聚類。EunSang Bak，KayvanNajarian[8]提出K均值聚類算法和自適應閾值分割方法結合使用分割細胞，由實驗結果得出分割效果比較好。現(xiàn)在研究人員主要研究是模糊聚類算法如何優(yōu)化初始中心和如何不陷入局部最小值。

Myeloblast Promylocyte Myelocyte Mctamyclocyte Band PMN

2.4 基于可形變模型的方法

可形變模型最初用來解決計算機視覺和計算機圖像的一種方法，但很快就被應用到醫(yī)學圖像細胞處理技術中，如邊緣檢測，匹配等等。可形變模型可以分為參數(shù)可形變模型和幾何可形變模型。參數(shù)可形變模型就是把研究的曲線或曲面直接表示出來，它可以對模型直接干預，并且可以為快速實時應用提供緊湊的表達形式，但不可以改變模型的拓撲結構。而幾何可形變模型容易實現(xiàn)拓撲學的變化，容易空間維數(shù)擴展。細胞分割常用的可形變模型有參數(shù)型的Snake算法和幾何型的水平集算法。傳統(tǒng)的可形變模型的缺陷是運算量大，難收斂于凹形區(qū)域。Snake模型是通過尋找自身能量函數(shù)的極小值，這個值是由內(nèi)部和外部函數(shù)獲得，使曲線由初始區(qū)域向目標真實輪廓靠近并調(diào)整形狀以逼近目標輪廓的算法。所以基于參數(shù)的活動輪廓算法的缺點是對初始輪廓的要求很高，優(yōu)點是整個算法就是一個特征提取的過程。一般對參數(shù)形輪廓進行改進，一方面會針對獲得高質(zhì)量的初始輪廓進行改進，另一方面對外部能量算法進行改進以便有效指引關鍵點朝著正確的目標方向運動。楊誼[9]提出基于Snake模型的細胞圖像分割新方法研究就是從這兩方面分別進行改進的。Farnoosh Sadeghian，Zainina Seman[10]也是先對細胞圖像先預處理再用canny算子進行邊緣檢測，然后才用改進的GVF Snake獲取清晰的邊緣，如圖4。水平集活動輪廓對初始輪廓并不很敏感但它的收斂速度比較慢。傳統(tǒng)的水平集分割比較適合分割不粘在一起的細胞，而YayunZhou[11]提出的多相水平集能較好的分割粘連細胞，并提出改進水平集收斂于Mumford-Shah函數(shù)以提高收斂速度。

2.5 其它分割方法

除了上面提到的細胞分割算法，還有遺傳算法，形態(tài)學，區(qū)域增長，光譜算法等。

遺傳算法是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優(yōu)解的方法。它的優(yōu)點是有很好的收斂性，計算時間少，魯棒性。缺點是不可以很好的處理大規(guī)模計算量的問題。候振杰，潘新[12]提出一種基于熵的遺傳聚類算法。用遺傳算法和聚類分析及熵結合分割骨髓細胞。

數(shù)學形態(tài)學是由一組形態(tài)學的代數(shù)運算子組成的，它的基本運算有4個：膨脹、腐蝕、開啟和閉合，它們在二值圖像和灰度圖像中各有特點。基于這些基本運算還可推導和組合成各種數(shù)學形態(tài)學實用算法，用它們可以進行圖像形狀和結構的分析及處理。孫萬蓉，俞卞章[13]提出用形態(tài)金字塔分割細胞圖像，再用流域算法對低分辨率圖像進行分割，然后再復合得到原始圖像。

區(qū)域增長算法一般和別的算法結合一起使用，單獨分割效果很差。王瑞胡[14]提出用自適應曲面多尺度曲面擬合的方法，對腐蝕圖像得到的種子區(qū)域進行擬合和區(qū)域生長。在分水嶺算法中有時也用到區(qū)域增長算法。由于遺傳算法計算量很大而且分割效果不是很好，一般和其它的算法結合使用。

多光譜算法郭寧寧[15][16]提出的多光譜算法和其它算法不同，它更依賴于硬件設備，是一種新穎的分割方法。它把光譜圖像看成一個三維的圖像表示光譜信息和空間信息，不同的灰度對應不同的波長，得到唯一的光譜曲線。再用支持向量機分割圖像。Xuqing Wu，Shishir K.Shah[17]提出自下而上和自上而下的條件隨機域模型，它不僅從光譜域來考慮還從空間域考慮分割。

3.多種方法結合

細胞分割的算法有很多，但每種算法都有各自的優(yōu)缺點，單獨用于分割的時候算法均不是很理想。所以現(xiàn)在很多的學者把多種算法結合利用，取其所長，避其所短，這樣得到的分割效果就大大的提高，但它的缺點是運算量特別的大。蔡雋[17]提出先用HIS空間中的S飽和度分割細胞核，然后利用連通域標記法得到白細胞個數(shù)確定細胞窗再用改進的流域算法得到細胞漿的粗分割并用它作為細胞的初始輪廓，再用改進的GVF算法得到細胞的精確分割。這樣子分割出來的細胞準確率高，魯棒性好但運算時間特別長。Farnoosh Sadeghian，Zainina Seman[9]用canny算子進行邊緣檢測，然后用GVF Snake獲取清晰的邊緣，分割細胞質(zhì)是用zack閾值分割，并且在這算法中還用到形態(tài)學里的開與閉運算。J.Cheewatanon，T.Leauhatong[19]提出用mean shift濾波方法去除噪音，保持很好的細胞結構邊緣，再用CIE LAB彩色空間用區(qū)域增長的方法進行分割，再用活動輪廓提出提取白血細胞的邊界。

4.總結與展望

細胞分割的算法有很多，但每種算法都有各自的優(yōu)缺點，單獨用于分割的時候算法均不是很理想。所以現(xiàn)在很多的學者把多種算法結合利用，取其所長，避其所短，這樣得到的分割效果就大大的提高，但它的缺點是運算量特別的大。蔡雋[17]提出先用HIS空間中的S飽和度分割細胞核，然后利用連通域標記法得到白細胞個數(shù)確定細胞窗再用改進的流域算法得到細胞漿的粗分割并用它作為細胞的初始輪廓，再用改進的GVF算法得到細胞的精確分割。這樣子分割出來的細胞準確率高，魯棒性好但運算時間特別長。Farnoosh Sadeghian，Zainina Seman[8]用canny算子進行邊緣檢測，然后用GVF Snake獲取清晰的邊緣，分割細胞質(zhì)是用zack閾值分割，并且在這算法中還用到形態(tài)學里的開與閉運算。J.Cheewatanon，T.Leauhatong[18]提出用mean shift濾波方法去除噪音，保持很好的細胞結構邊緣，再用CIE LAB彩色空間用區(qū)域增長的方法進行分割，再用活動輪廓提出提取白血細胞的邊界。

通過對醫(yī)學領域白血細胞中常用的圖像分割算法比較，系統(tǒng)分析各種算法的優(yōu)缺點。近年來，許多研究人員致力于研究白血細胞分割算法，并出了很多的研究成果。但由于白血細胞分割本身的困難，至今還沒有一種通用算法分割細胞圖像。除了細胞結構的復雜性，準確率要求必須很高。雖然細胞分割取得一定的成就，但面對臨床應用的準確率還是遠遠不夠的。人們逐漸認識到任何一種算法單獨分割都難達到很好的效果，在不斷的研究和改進某種算法和創(chuàng)新算法的同時也注重多種算法結合使用，并研究怎么樣結合才能突出各自的優(yōu)點。同時三維甚至多維的彩色圖像分割技術也一直受到人們的關注。在彩色圖像中能夠提取到的信息量比灰度圖像更為豐富，有利于后續(xù)的研究。近年來由用戶參與控制、引導的交互式分割方法技術在醫(yī)學圖像分割中正受到越來越多的人關注。目前人們?nèi)栽诶^續(xù)研究更先進的成像技術和更復雜的圖像處理算法。

參考文獻

[1]柯行斌,王汝傳.白細胞圖像分割的研究與實現(xiàn)[J].南京郵電學院學報,2003,23(3):53-57.

[2]王任揮.基于最大信息熵原理的顯微細胞圖像多閾值分割算法[J].內(nèi)蒙古科技與經(jīng)濟,2010,

18(220):58-61.

[3]馬保國,喬玲玲.基于局部自適應閾值的細胞圖像分割方法[J].計算機應用研究,2009,26(2):755-756.

[4]謝文娟,段汕.基于改進分水嶺算法的細胞圖像分割[D].武昌:中南民族大學,2010,5.

[5]包振健,邸書靈.一種基于分水嶺變換的細胞圖像分割方法[J].計算機工程與應用,2008,7(4):

230-232.

[6]S.Chinwaraphat,A.Sanpanich.A Modified Fuzzy Clustering For White Blood Cell Segmentation[C].The 3rd International Symposium on Biomedical Engineering,2008,356-359.

[7]Nipon Theera-Umpon.Patch-Based White Blood Cell Nucleus Segmentation Using Fuzzy Clustering[J].Electrical Eng,Electronics,And Communications,2005,3(1):15-19.

[8]EunSang Bak,KayvanNajarian.Efficient Segmentation Frame work of cell Images In Noise Environments[J].IEEE,2005,1802-1805.

[9]楊誼.基于Snake模型的細胞圖像分割新方法研究[D].廣州同和:第一軍醫(yī)大學,2005,4.

[10]Farnoosh Sadeghian,Zainina Seman.A Framework for White Blood Cell Segmentation in Microscopic Blood Images Using Digital Image Proc[J].Biology and Life Sciences,2009,11(2):196-206.

[11]YayunZhou,YuanxinXu等.Cell Segmentation Using Level Set Method[J].Video Engineering,2005(6):36-38.

[12]候振杰,潘新等.一種基于遺傳算法的骨髓細胞圖像分割方法[J].計算機工程與科學,2006,

28(10):63-66.

[13]孫萬蓉,俞卞章.基于數(shù)學形態(tài)金字塔分解和流域分割的骨髓細胞圖像分割[J].西北工業(yè)大學學報,2006,24(5):600-605.

[14]王瑞胡.基于多尺度曲面擬合的細胞圖像表面分割算法[J].2009,30(17):4041-4044.

[15]NingningGuo,LiboZeng.A method based on multispectral imaging technique for White Blood Cell puters in Biology and Medicine,2006(37):70-76.

[16]寧寧,吳瓊水等.一種細胞分割新方法[J].計算機應用研究,2006(3):141-144.

[17]Xuqing Wu,Shishir K.Shah.A bottom-up and top-down model for cell segmentation using multispectral data[J].IEEE,2010,592-595.

[18]蔡雋.彩色白細胞圖像自動分割方案研究[D].南京:東南大學,2006,3.