彩色图像分割介绍

第一章绪论

计算机图像处理在医学领域的应用越来越广泛，白细胞图像的自动判断就是其中的代表之一。它能有效地减少主观干扰，提高工作效率，减轻医生负担。近些年来，计算机硬件技术和光谱成像技术的飞速发展，使得成功研制开发出小型实用的基于多光谱的白细胞图像自动分类识别系统成为可能。

本文研究的主要目的在于对白细胞多光谱图像分割进行初步的探索研究，为系统中其后的白细胞能够准确地分类识别奠定基础。

本章简要阐述了基于多光谱的白细胞图像分割的应用背景和研究意义，回顾了国内外细胞图像分割和多光谱遥感图像分类的研究发展状况，并简要介绍了本论文的主要工作。

§1.1 概述

§1.1.1 白细胞检验

白细胞的光学显微镜检查是医院临床检验项目之一，特别是对各种血液病的诊断占有极其重要的地位。它的任务是观察或测定血液中的各种白细胞的总数、相对比值、形态等，用于判断有无疾病、疾病种类以及严重程度等，特别是对类似白血病这类血液病诊断具有更加重要的意义。

白细胞分类计数的传统方法是将血液制成涂片，染色后，临床医生在显微镜下用肉眼按照有关标准，如核的形状、细胞浆的量和颜色，细胞浆颗粒的大小和颜色，整个细胞形状、稀薄与细胞间的接触等，来观察和检查这样的细胞标本[1]。然而这项工作十分繁重，工作效率低，容易误判，且人工识别误差随检查人员而异。同时通过观察的细胞数目较少，从统计的角度看，因样本集较小而影响诊断结果的可靠性。

计算机图像处理与分析技术伴随着信息技术的不断进步在最近20年间得到了飞速的发展，已经迅速渗透到人类生活和社会发展的各个方面，这为智能化细胞分析仪代替人工方法提供了基础。因此，借助于现代计算机技术结合临床医生的实践经验，采用图像处理技术对图像进行处理，从而对细胞进行识别，对于医学科研与实践，以及临床诊断方面有着现实意义和非常广阔的前景。

目前已经制成的自动白细胞分析仪主要有两种类型：

一类是用组织化学染色法，通过连续流动的系统，以光电效应的方式分别数出单一细胞，并可同时报告白细胞总数、各类细胞的百分率和绝对值。因为该法不是由细胞形态学特点识别各类白细胞，所以不能目视观察白细胞形态，亦不能保留样本，对感染中毒细胞无法识别。

另一类是原型认定型，其工作原理模仿人“脑眼系统”[2]的智能识别过程，运用计算机图像处理和模式识别技术，将从显微镜与相机或摄像机得到的数字化图像进行自动处理分析和分类。与前一种类型的白细胞分类仪器相比，其主要优

势在于：

（1）能获得丰富的关于细胞形态、色彩、纹理等方面的多种信息，可综合运用图像处理及模式识别技术进行细胞分类，可取得高效准确的识别效果；

（2）由于计算机的应用，保留了第一手资料，便于诊断的回顾和疑难病症的会诊，使系统在临床基础研究、病理资料积累等方面具有很大的潜力。

随着计算机技术的发展，第二类方法近些年得到了较大发展。此类方法是目前的研究热点和发展方向。

§1.1.2 细胞图像分割概述

细胞自动识别和统计系统主要方法是对原始图像进行分割，以提取单个细胞，然后对单个细胞进行分析处理和分类识别。图像分析识别的一般过程如图1.1所示：

图1.1图像识别流程

细胞图像的分割是细胞自动识别计算机分析的第一步和关键性问题，其分割质量亦即与细胞的吻合程度，将直接影响到特征参数提取的准确性和分类系统的最终识别率。传统细胞图像的分割，就是将血液中的白细胞自动检出，并在除去图像中各种噪声干扰的基础上，将单个白细胞图像划分成背景、细胞浆、细胞核三个区域。白细胞图像的分割包括两个方面的任务：

（1）从一幅血液图像背景中自动检测出待分类识别的单个白细胞区域；

（2）为了计算细胞的特征参数，应将检出后的白细胞中的背景部分清除，并将细胞核与细胞浆分为不同的区域。

§1.1.3 白细胞的分类及特点

白细胞是人体血液的重要组成部分，由核和原形质（细胞浆）两部分组成，为无色、球状有核细胞，根据包含在核与原形质中的颗粒不同，分成颗粒细胞、单核细胞和淋巴细胞。颗粒细胞又根据颗粒的性质不同分为嗜中性粒细胞、嗜酸性粒细胞和嗜碱性粒细胞。中性粒细胞根据核形状又可分为中性杆状核粒细胞和中性分叶核粒细胞。

观察白细胞图像，可以发现该类图像具有下述特点：

（1）显微细胞图像反差小，有些图像由于各种因素产生的噪声多，图像背景不均匀。另外，由于人工涂片和染色的非标准性，常常出现因染色剂过浓或染色时间过久，致使细胞结构模糊不清；

（2）在一个细胞图像采样视野内，除了出现1～2个白细胞外，周围存在一些次要的区域，如大量的成熟红细胞和少量凝血细胞（血小板）等。红细胞无核

且呈圆盘状，细胞中央稍淡，直径约为7.5μm，红细胞的分布密度约是白细胞密度的800倍，凝血细胞的胞体小，呈星状，约为红细胞的1/4～2/3，凝血细胞具有粘附性且常成堆出现在图像中。

以下是经过Wright 染色后各类细胞的显微图像：

§1.2 目前国内外研究现状

由于将光谱成像手段应用到显微细胞图像处理的研究工作才刚刚兴起，目前已公布的关于这方面的论文和相关资料都很少，由于多光谱最初是用于遥感成像中，且在遥感领域，多光谱图像的分割已经取得了非常丰富的研究成果。因此本节从传统细胞图像分割和多光谱图像分割两个方面来阐述研究现状。 §1.2.1 细胞图像分割方法概述

传统的细胞图像分割按对象可以分为灰度图像和彩色图像两类。传统的细胞图像分割方法大多是针对灰度图像进行的，然而由于上一节所阐述的白细胞图像分割中的几个难点，使针对灰度的分割方法无法准确分割出细胞图像的各种成分。

如果把灰度信息看作是一维的话，那么彩色图像包含的信息是三维的，信息量比灰度图像多。所以近年来的细胞分割算法主要针对彩色图像来展开，并取得了一定的成果。

细胞图像分割方法大致可分为三类[3]。

1、基于区域的分割方法

阈值法：是一种简单而有效的图像分割方法，早期的基于直方图的阈值分割方法主要针对灰度图像，实现简单，计算量小，但其无法有效的分辨白细胞图像中的诸多成分，局限性较大。近年来，针对彩色图像，人们选取RGB 空间或HSI 空间中的某一个通道或者是它们的线性组合来进行阈值分割，使得分割效果有所提高。

文献[4]中则利用RGB 中的G 通道来区分核和其他区域，根据对血液图像的直方图分析，应用自适应多阈值分割方法完成对白细胞核的提取以及背景的扣除，实现了白细胞的自动检出。对胞浆的分割中，

提出基于局部颜色相似性和凸图1.2 经过染色后的白细胞显微细胞图像

性收敛控制进行区域生长的分割方法，取得较为满意的结果。

文献[5]中将白细胞分割分为三个步骤，第一步实现白细胞的快速定位，针对白细胞核在R通道中灰度值较低的特点，检测出该图像中有无白细胞，如果有，则划定包含白细胞区域的一个矩形。第二步，分析该矩形区域内的亮度直方图，最亮的部分为背景，最暗的则是白细胞核，然后再利用B通道中红细胞成分较亮的特点，找出细胞浆的位置。第三步，通过形态学中的腐蚀和膨胀使轮廓线趋于平滑。

聚类：也是一种常用的分割算法。它指的是根据数据本身的特征将其分至不同类别的过程。输入的图像数据首先进行特征提取（如颜色，纹理等），然后根据这些特征按照一定的准则把图像分成具有特征一致性的区域。

文献[6]中，采用模式识别中的均值聚类算法并结合分裂算法确定细胞核的颜色以及细胞的个数，从而从彩色图像中分割出了细胞核；在确定细胞核的基础上，该文参照阈值分割和数学形态学中的流域分割的原理，提出结合两种分割算法的方案，最终确定每个细胞核所对应的白细胞的区域，成功地分割出单个的白细胞。

2、基于边界的分割方法

基于边界检测分析的分割方法近年来研究很多。Kass[7]提出了活动轮廓模型，在确定初始轮廓的情况下，利用一定的能量表达式，通过将总体能量最小化，达到边界和形状因素之间的平衡。近年来人们把动态规划、神经网络和贪婪算法[8]等应用到了边界优化上，能够比较快速地得到某个准则下的最优边界或局部边界。

文献[9]针对DNA染色法处理后的标本图像，利用彩色空间RGB中R分量直接对细胞图像进行分割，先对图像进行全局二值化，确定细胞的初始轮廓之后再采用活动轮廓模型逼近真实的轮廓。该论文提出的分割方法取得了比较好的效果。

3、基于区域与边界模型的分割方法

区域生长的基本思想是选定若干种子区域或种子像素，将其邻近的像素按某种相似准则归入区域，使得区域逐步增长。与阈值法相比，这种方法除了考虑分割区域的同一性，还考虑了区域的连通性。

区域生长的效果一般由种子区域和相似性准则（或称生长准则）的选择决定。如何使用鲁棒的非参数方法完成选择是近来区域生长算法研究的热点。

J.M.Chassery[10]在80年代后期利用白细胞的局部颜色相似性和形态特征，用区域生长方法对骨髓细胞进行了分割，得到了较好的效果。文献[11]同样利用局部颜色相似性和白细胞的凸性特征，较好地解决了白细胞图像分割问题。

§1.2.2 多光谱图像分割方法概述

多光谱遥感图像分类是模式识别技术在遥感技术领域中的具体应用，是遥感数字图像处理的一个重要内容。多光谱遥感图像分类技术的研究包括特征选择与

提取和算法设计两个主要内容。特征选择与特征提取的方法很多，对于多光谱图像分类的特征选择，起初大部分集中在波段选择上；后来针对不同的分类目的，采用各种数学变换来提取一些有用的分类特征；最后光谱波形特征、纹理特征和其它一些变换特征都尝试着用于遥感图像分类。

1、遥感多光谱图像的分类算法概述

遥感影像分类是遥感界最重要的研究领域之一，因为分类是对遥感影像进行进一步分析的基础。根据数学模型的应用，遥感影像分类可分为参数分类和非参数分类。参数分类要求数据按一定的数学模型分布；非参数分类则不要求数据的分布服从一定的数学模型。在实际应用中，遥感影像分类可分监督分类和非监督分类。监督分类和非监督分类的最大区别在于，监督分类要求首先给定类别，而非监督分类则由图像数据本身的统计特征来决定。对于分类算法的研究也百花齐放，下面简单介绍两种常用的分类算法：

（1）最大似然分类法（Maximum Likelihood Classifier－MLC）

基于贝叶斯决策的最大似然分类法[12,13]，属于监督、参数分类算法，有着严格的理论基础，对于呈正态分布的数据，判别函数易于建立，有较好的统计特征，其贝叶斯分类错误率最小。在文献[13]中利用非监督分类的结果来估计各类的先验概率。为了突破最大似然法的一次划分模式类的限制，提高分类精度，许多复合算法都以最大似然法为基础构造，Xiuping Jia等[14]提出的渐进二类判别分类器就属于这一类方法。Chulhee Lee等[15]，Jayantha Ediriwickrema等[16]也是把最大似然法作为基础，构造了一种多层似然算法，把一次性划分变为多次划分，从而提高分类精度。

（2）神经网络分类法（Neural Network Classifier－NNC）

神经网络分类算法[12,13]具有许多优点，一般属于监督、非参数分类算法。它可以很方便地结合不同类别的特征；不需要训练样本的先验知识，也不需要训练样本的具有正态分布的特征；每一个训练数据具有相同的权，都可以对网络权阵施加同等影响；分类精度较高等等。因此人工神经网络分类方法广泛地应用于遥感图像分类。神经网络最早用于遥感图像分类始于1988年，此后神经网络方法用于遥感图像分类得到了普遍关注[17-20]。BP算法一出现，便受到了广泛地欢迎，也被应用于遥感图像分类[21]。此后又有改进的神经网络模型用于遥感图像分类，如高阶神经网络分类算法[12]和分层神经网络分类算法[12]等。

2、多光谱显微细胞图像的分割算法概述

多光谱显微细胞图像分析与识别是多光谱成像技术在医学细胞疾病诊断领域中的应用，多光谱图像在追求光谱分辨率的同时，也提供了大量的其化学成分分布的信息。不同的白细胞不论是外形还是内部成分有不同程度的差异，这些差异必然会在光谱上有所反映[22]。多光谱成像技术应用于血液细胞图像领域，必然会给我们的识别带来更多的信息，从而能够更有效地解决以往细胞分割、识别中一些问题，提高分割、识别的准确率，同时由于信息量的增大也对细胞分割算

法提出了更高的要求，增大了分割的难度。

传统的显微细胞图像分割算法都是针对灰度图像和彩色图像的，如果将灰度图像看成是一维图像数据的话，那么彩色图像就是3维（R、G、B）图像数据。而本文研究的多光谱显微细胞图像的共有33个波段（在光谱400nm～720nm范围内每隔10nm取一个波段），图像数据就是33维的。由于灰度和彩色图像信息量小，分割算法也相对简单，因此多光谱显微细胞图像的分割必须寻找更好的算法。

由于多光谱最初是应用在遥感图像中的，且从上一节中可以看出遥感多光谱图像分类算法已经发展的比较成熟了，所以我们可以借鉴遥感图像分类中的算法。

§1.3 系统概述

细胞图像自动分析系统[23]硬件配置见图1.3。系统以市场上的主流配置微机为主机，配以高倍显微镜、自动控制平台、黑白摄像机、图像采集卡、液晶分光器等组成。

图1.3图像采集示意图

该系统的具体配置是OL YMPUS BX41光学显微镜，致冷型CCD数码摄像机（Pixera Penguim 600CLM），WD-2000液晶可调谐滤光控制器。

其中，液晶分光器是获取多光谱图像的关键部件，它在计算机的控制下，只允许特定波长（间隔10nm）的光通过，滤掉其它的光。自动控制平台可以在X、Y、Z三个方向上自动定位和聚焦，与相应软件模块的配合实现了血液涂片的自动扫描和细胞搜索。

本课题所使用实验样本主要是骨髓细胞涂片，由武汉大学附属中南医院血液科提供。本实验平台的硬件配置为：Intel 2.40GHz处理器，512M sdram内存，操作系统为Microsoft Windows2000。软件开发环境为MS Visual C++ 6.0。

第二章显微细胞图像的预处理

由于医学显微图像的复杂性，以及采样过程中存在外界干扰，都会影响细胞图像的准确分割，因此在分割前必须对图像进行必要的预处理，以平滑并消除噪声增强目标与背景的差别，消除由于光源不均匀引起的照度变化等。这是一般图像预处理需要完成的任务。

白细胞图像远远没有遥感图像的多样性和复杂性，然而单独采用通常基于灰度图像或彩色图像的分割方法却又难以得到好的分割效果，而通过观察不同显微细胞图像不同成分的光谱曲线，发现背景和其它成分的光谱曲线有明显的区别，所以本文提出了先对图像进行预处理，然后以像素各个波段的灰度值为特征先分类再分割的方法。即先利用彩色图像中一些分割方法对细胞图像进行预处理，同时为了充分利用多光谱图像信息量大的优势，对预处理后的图像采用先分类再分割的方案。多光谱图像由于信息量较大（或者说特征较多），运用此方法可以获得比较好的分割效果。

同时由于多光谱数据量比较大，以像素各个波段的灰度值为特征进行分类，计算量是一个不得不考虑的问题，所以必须通过预处理减少计算量。本章将细胞图像的RGB空间映射到HSI空间，然后通过阈值分割去掉背景和部分红细胞，剩下的部分图像就通过RBFNN和SVM以像素为对象进行分类识别。

§2.1显微细胞图像的多光谱特征

多光谱成像技术应用在显微细胞图像中，大大增加了图像的信息量，为了充分利用多光谱图像信息量大的优势，本文在对显微细胞图像进行分割前，对图像的多光谱特征进行了实验研究，通过对大量实验样本的光谱分析，可以得到如图2.1所示的多光谱特征结果。图2.1（a）为五类白细胞核的光谱曲线，图2.1（b）为五类白细胞浆的光谱曲线，图2.1（c）为显微细胞图像中4种成分（背景、白细胞核、白细胞浆和红细胞）的光谱曲线。

从图2.1可以看出，各类白细胞核的光谱曲线相对稳定，而白细胞浆的光谱曲线虽然有一定的起伏变化，但是变化趋势仍是相对集中的；细胞图像中各种成分的光谱曲线层次分明，相差较大，由此可知图像中相同组份的像素具有较一致的光谱特性，而不同组份的像素其光谱特性差别较大。多光谱显微细胞图像的这一特点使得细胞图像能够准确分割成为可能，也是本文提出用模式识别方法以像素各个波段的灰度值为特征先分类再分割方案的基础；同时细胞图像背景的光谱曲线与其它成分相差很大，且变化趋于平坦，这为本章的预处理提供了基础。 §2.2 图像的预处理

由于本文待分割图像是多光谱显微细胞图像，实验对象主要是骨髓细胞图像，每个像素有33个波段，每波段的灰度值用一个字节表示，则每幅520×696

（红色—嗜中性；绿色—嗜酸性；蓝色—嗜碱性；黄色—淋巴；天蓝色—单核）

（a ）各类白细胞核的光谱曲线 （b ）各类白细胞浆的光谱曲线

图2.1 显微细胞图像的多光谱特征

（c ）细胞图像中各种成分的光谱曲线

大小图像的数据量为520×696×33＝11943360字节，而本文的核心算法RBFNN 和SVM 都是以图像像素各个波段的灰度值为特征先分类再分割，如果不经过一定的预处理，就需把整幅图像中的像素分为4类：白细胞核、白细胞浆、红细胞和背景，且直接将图像的所有像素都进行分类，计算量可想而知，为了提高计算速度必须进行预处理。

在图像采集过程中，原始图像数据中除了33个波段的数据外，还有RGB 彩色数据，传统算法中为了解决白细胞显微图像自动识别中的图像分割问题，文献

[11]提出了一种在彩色空间内，先采用自动阈值分割技术扣除背景，得到白细胞核区域，然后用色调相似性作为生长准则，以白细胞形状的凸出形态作为收敛准则，序贯分割白细胞浆区域的处理方法。本文的预处理借鉴了该方法。 §2.2.1 从RGB 到HSI 彩色空间的映射

RGB 空间模型属于线性表示系统，可以用三维空间第一象限的一个立方体来表示，如图2.2（a ）所示。彩色立方体中的3个角对应于红、绿、蓝3种基色，从立方体的原点（黑色）到白色顶点的主对角线被称为灰度线，线上所有点具有相等的3个分量，产生灰度影调。在此模型中计算的任何颜色都落在RGB 彩色立方体内。RGB 空间具有比较简单、直观的优点，但是线性表示系统存在一定的缺陷[25]，因此提出了非线性色彩表示系统HSI 彩色空间模型。

依据人的视觉特性，可用色调（H ），饱和度（S ）、亮度（I ）三参数来描述颜色，任何彩色图像都可用一组HSI 特征来表征。根据不同的需要可构成不同的HSI 彩色空间模型，图2.2（b ）表示HSI 圆柱形彩色空间。其中，垂直轴线代表彩色亮度I ，离中心轴线的径向距离代表色彩饱和度S ，色调（H ）由色点矢量绕中心轴旋转的角度表示。

HSI 色彩表示方法的优点在于：它同人对色彩的感知相一致，且在HSI 彩色空间中，人对色差的感知较均匀，因此其图像特征明显，将RGB 空间转换为HSI 空间后，使信息结构更加紧凑，各个分量的独立性增强，颜色信息丢失少，易于

绿

I （a ）RGB 空间模型 （b ）HSI 空间模型

图2.2 RGB 空间和HSI 空间模型

进行分割和目标识别等处理。

RGB 空间到HSI 空间的变换公式如下[26]：

3

)

(B G R I ++= (2.1) I B G R S ),,min(1-= (2.2)

?????<≥-=B

G B G H ?π?2 (2.3) 其中，

))(()()]

()[(21cos 21B G B R G R B R G R --+--+-=-? (2.4)

§2.2.2 白细胞图像在HSI 彩色空间中的特点及预处理

将彩色白细胞图像从RGB 空间映射到HSI 空间，对白细胞图像在HSI 彩色空间大量观察分析发现：

（1）彩色白细胞图像的浆区域基本轮廓是凸的（图2.3（a ））；

（2）结构知识：红细胞无细胞核，白细胞核嵌入具有连通性的细胞浆区域内（图2.3（a ））；

（3）彩色白细胞图像背景区域的亮度（I ）明显大于其它部分，且分布十分集中（图2.3（b ））；

（4）各类白细胞图像的饱和度（S ）统计直方图呈现明显的双峰分布（图

2.4（b ）），且细胞核区域的饱和度明显大于其它区域（图2.3（c ））；

（5）白细胞与部分红细胞区域色调（H ），有明显差别，且在各自区域内具有色调一致性（图2.3（d ））。

考虑到上述特征，通过在HSI 彩色空间由亮度I 和色调H 图像构成的直方图，图2.4 白细胞图在HSI 空间中各分量的直方图

（c ）HSI 空间中H 分量直方图

×104

用阈值分割技术扣除背景和部分红细胞，剩下的白细胞和部分红细胞，用RBFNN 和SVM以像素为对象进行分类。

由于HSI空间中背景区域的的亮度（I）明显大于其它部分，且分布十分集中，从I分量直方图2.4（a）中可以很明显地看出，通过计算机可以很容易地得到分割出背景的阈值，求取阈值的方法是：在直方图上进行全局搜索得到最大值对应的灰度值，然后从这个灰度值开始向灰度值减小的方向搜索，直到直方图上的值第一次开始增大时停止搜索，这个点对应的灰度值就是分割出背景来的阈值。

又由于HSI空间中白细胞与大部分红细胞区域色调（H）有明显差别，且在各自区域内具有色调一致性，通过大量的实验发现H分量的直方图中灰度值为128左右附近的值都是零，所以就选择128作为阈值分割出大部分红细胞，与前一步扣除的背景的并集作为将从白细胞图像中除去的区域，对如图2.3（a）的图像经过这样的预处理后的结果如图2.5所示。从图中可以看出经过预处理后背景和大部分红细胞被扣除了，剩下部分红细胞和白细胞，很大程度上为后面的RBFNN 和SVM的分类识别减小了计算量。

多光谱显微细胞图像经过RBFNN和SVM以像素为对象进行分类后，形式上就是三值图像，图像中像素的值是：背景、白细胞核和白细胞浆。由于噪声或者采集图像过程的一些其它因素，以及分类识别时样本的选择不当，分类后的图像中难免会有些颗粒和空洞，为了得到较为完整的白细胞核和白细胞浆，必须进行后处理，去除其中的颗粒和空洞。

区域生长是一种根据相似准则，把相似像素组合在一起，并进行标记，形成一个区域的算法。区域生长的一种最简单的方法是从某个像素开始，然后检查它的近邻，判断它们是否有相似性，这个相似性准则可以是灰度级、彩色、组织、梯度或其它特性。本文采用灰度值相同这一区域生长准则，对分类后的三值图像进行了后处理，最后得到了较好的分割效果。

经过后处理的图像就是最后的分割结果，本文对RBFNN和SVM这两种分类算法进行了对比，发现SVM是一种更优的分类识别算法，并在理论上对此进行了一定的分析。

§5.1 区域生长

§5.1.1 原理和步骤

区域生长法作为图像分割的一类算法，充分利用了像素的空间结构关系和灰度特征以及其它特征。区域生长的基本思想[70]是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在区域中。将这些新像素当作新

的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。

在实际应用区域生长法时需要解决三个问题：

（1）选择或确定一组能正确代表所需区域的种子像素；

（2）确定在生长过程中能将相邻像素包括进来的准则；

（3）制定让生长过程停止的条件或规则。

种子像素的选取常可借助具体问题的特点进行。利用迭代的方法从大到小逐步收缩是一种典型的方法[71,72]，它不仅对2-D图像而且对3-D图像也适用。再如在军用红外图像中检测目标时，由于一般情况下目标辐射较大，所以可以选用图中最亮的像素作为种子像素。要是对具体问题没有先验知识，则常可借助生长所用准则对每个像素进行相应计算。如果计算结果呈现聚类的情况则接近聚类重心的像素可取为种子像素。

生长准则的选取不仅依赖于具体问题本身，也和所用图像数据的种类有关。例如当图像是彩色的时候，仅用单色的准则效果会受到影响。另外还需要考虑像素间的连通性和邻近性，否则有时会出现无意义的分割结果。5.1.2小节将介绍几种典型的生长准则和对应的生长过程。

一般生长过程在进行到再没有满足生长准则需要的像素的时候停止。但常用的基于灰度、纹理、彩色的准则大都基于图像中的局部性质，并没有充分考虑生长的“历史”。为增加区域生长的能力常需考虑对分割结果建立一定的模型或辅以一定的先验知识。

§5.1.2 生长准则和过程

区域生长的一个关键是选择合适的生长或相似准则，大部分区域生长准则使用图像的局部性质[73-76]。生长准则可根据不同原则制订，而使用不同的生长准则会影响区域生长的过程。下面介绍三种基本的生长准则和方法。

1、基于区域灰度差

区域生长方法将图像以像素为基本单位来进行操作，基于区域灰度差的方法主要有如下步骤：

（1）对图像进行逐行扫描，找出没有归属的像素；

（2）以该像素为中心检查它的邻域像素，即将邻域中的像素逐个与它比较，如果灰度差小于预先确定的阈值，将它们合并；

（3）以新合并的像素为中心，返回到步骤（2），检查新像素，直到区域不能进一步扩张；

（4）返回到步骤（1），继续扫描直到不能发现没有归属的像素，则结束整个生长过程。

采用上述方法得到的结果对区域生长起点的选择有较大的依赖性。为克服这个问题可采用下面的改进方法：

（1）设灰度差的阈值为零，用上述方法进行区域扩张，使灰度相同像素合

并；

（2）求出所有邻接区域之间的平均灰度差，并合并具有最小灰度差的邻接区域；

（3）设定终止准则，通过反复进行上述步骤（2）中的操作将区域依次合并直到终止准则满足为止。

另外，当图像中存在缓慢变化的区域时，上述方法有可能会将不同区域逐步合并而产生错误。为了克服这个问题，可以不用新像素的灰度值去与邻域像素的灰度值比较，而用新像素所在区域的平均值去与各个邻域像素的灰度值进行比较。

对于一个含N 个像素的区域R ，其均值为

∑=R y x f N m ),(1

(5.1)

对像素的比较测试可表示为：

T m y x f R

<-),(max (5.2) 其中T 为给定的阈值。现考虑两种情况[73,77]：

（1）设区域为均匀的，各像素灰度值为均值m 与一个零均值高斯噪声的叠加。当用式(5.2)测试某个像素时，条件不成立的概率为：

?∞-=T dz z T P )2exp(22

)(22δδπ (5.3)

这就是误差函数erf (t )，当T 取3倍方差时，误判概率为1－(99.7%)N 。这表明，当考虑灰度均值时，区域内的灰度变化应尽量小。

（2）设区域为非均匀，且由两部分像素构成。这两部分像素在R 中所占比例分别为1q 和2q ，灰度值分别为1m 和2m ，则区域均值为2211m q m q +。对灰度值

为1m 的像素，它与区域均值的差为：

)(22111m q m q m S m +-= (5.4)

根据式(5.2)，可知正确判决的概率为：

)]()([21

)(m m S T P S T P T P ++-= (5.5)

这表明，当考虑灰度均值时，不同部分像素间的灰度差距应尽量大。

2、基于区域内灰度分布统计性质

这里考虑以灰度分布相似性作为生长准则来决定区域的合并，其具体实现步骤为：

（1）把图像分成互不重叠的小区域；

（2）比较邻接区域的累积灰度直方图，根据灰度分布的相似性进行区域合并；

（3）设定终止准则，通过反复进行步骤（2）中的操作将各个区域依次合并直到终止准则满足。

这里对灰度分布的相似性常用两种方法检测（设)(),(21z h z h 分别为两邻接区

域的累积灰度直方图）：

（1）Kolmogorov-Smirnov 检测：

)()(max 21z h z h - (5.6)

（2）Smoothed-Difference 检测：

∑

-z z h z h )()(21 (5.7)

如果检测结果小于给定的阈值，即将两区域合并。

对上述两种方法有两点值得说明：

（1）小区域的尺寸对结果可能有较大影响，尺寸太小时检测可靠性降低，尺寸太大时则得到的区域形状不理想，小的目标也可能漏掉；

（2）式(5.7)比式(5.6)在检测直方图相似性方面较优，因为它考虑了所有灰度值。

3、基于区域形状

在决定对区域的合并时也可以利用对目标形状的检测结果，常用的方法有两种：

（1）把图像分割成固定的区域，设两邻接区域的周长分别为1P 和2P ，把两

区域共同边界线两侧灰度差小于给定值的那部分长度设为L ，如果（1T 为预定阈值）

{}121,min T P P L > (5.8) 则合并两区域；

（2）把图像分割成灰度固定的两区域，设两邻接区域的共同边界长度为B ，把两区域共同边界线两侧灰度差小于给定值的那部分长度设为L ，如果（2T 为预定阈值）

2T B L

> (5.9)

则合并两区域。

上述两种方法的区别是：第一种方法是合并两邻接区域的共同边界中对比度较低部分占整个区域边界份额较大的区域，而第二种方法则是合并两邻接区域的共同边界中对比度较低部分比较多的区域。

§5.2 后处理

后处理的目的是删除经过分类后图像中的颗粒和空洞，以使细胞分割的效果更好。由于这些颗粒和空洞是随机分布在图像中的，所以可以用区域生长的方法

先找到这些颗粒和空洞，然后根据其周围的像素的灰度值，使它们跟周围的灰度值一致，以达到删除颗粒和空洞的目的。

在分类的过程中图像实际上有四种类别的像素，背景、白细胞核、白细胞浆和红细胞分别用四种不同的颜色表示，红细胞不是我们要分割出的对象，所以可以将背景与红细胞的颜色合为一种颜色，这样就成为三值图像，图像中灰度的种类就非常少，使用区域生长的方法就更加简单，所以这里就采用基于区域灰度差的生长准则来对整幅图像进行搜索，生长准则为与种子点灰度值相同（灰度差为零），具体算法描述如下：

找到灰度值等于pixelValue1种子点的位置，并将其灰度值赋为pixelValue2;

BOOL bNotEnd = true;

int iPixelCount = 0;//遍历一遍找到的像素个数

int iAreaSize = 1;//总的像素个数

while (bNotEnd)

{

for (int i =0; i < iAreaSize; i ++)

{

取得当前点;

iPixelCount = 0;

if (当前像素点的邻近8个点的灰度值== pixelValue1)

{

记下邻近点的位置，并将其灰度值赋为pixelValue2;

iAreaSize ++;

iPixelCount ++;

}

if (iPixelCount >= 1)

{

bNotEnd = true;

i --;

}

}

if (iPixelCount == 0)

{

bNotEnd = false;

break;

}

}

区域生长得到的区域可能是白细胞核或白细胞浆，所以必须设定一个阈值，

像素个数小于阈值的区域判定为需要删除的颗粒或空洞。以上程序是得到单个区域，要得到整幅图像中的不相邻的区域，必须遍历整个图像，程序中只需在前面加两个for循环语句。通过观察实验中大量物镜100倍率下的骨髓细胞图像，图像中白细胞核和浆覆盖区域的像素个数一般都是大于500，所以在程序中取阈值为500，当然对不同物镜倍率下的细胞图像则需要适当的调整阈值。

§5.3 实验结果与比较

§5.3.1 实验结果

通过区域生长方法对前两章的分类结果进行后处理，实验结果如图5.1所示，从处理后的图像可以看出，区域生长方法能够很好地去掉分类后图像中的颗粒和空洞。经过后处理的图像就是最终多光谱显微细胞图像的分割结果，图中用白色表示背景，蓝色表示白细胞核，绿色表示白细胞浆。更多其它图像的分割图示见附录。

形态学程序：

附录

clear;

close all;

I=imread('cell05.jpg');

f=rgb2gray(I)

BWs=edge(f,'canny',(graythresh(f)*.1));

se1=strel('disk',15);

itop=imtophat(f,se1);

ibot=imbothat(f,se1);

ienhance=imsubtract(imadd(itop,f),ibot);

se2=strel('disk',6);

bw1=imclose(ienhance,se2);

bw2=imopen(bw1,se2);

se90=strel('line',3,90);

se0=strel('line',3,0);

BWsdil=imdilate(BWs,[se90 se0]);

BWdfill=imfill(BWsdil,'holes');

BWnobord=imclearborder(BWdfill,4);

seD=strel('diamond',2);

BWfinal=imerode(BWnobord,seD);

BWfinal=imerode(BWfinal,seD);

BWoutline=bwperim(BWfinal);

Segout=f;

Segout(BWoutline)=255;

figure

subplot(3,3,1),imshow(f),title('原始图像'); subplot(3,3,2),imshow(BWs),title('边缘提取图像'); subplot(3,3,3),imshow(BWsdil),title('膨胀操作'); subplot(3,3,4),imshow(BWdfill),title('填充'); subplot(3,3,5),imshow(BWnobord),title('分割'); subplot(3,3,6),imshow(BWfinal),title('腐蚀操作'); subplot(3,3,7),imshow(Segout),title('分割结果');

分水岭算法：

附录clear;

close all;

rgb=imread('cell07.jpg');

rgb=im2double(rgb);

r=rgb(:,:,1);

g=rgb(:,:,2);

b=rgb(:,:,3);

I=(r+g+b)/3;

tmp1=min(min(r,g),b);

tmp2=r+g+b;

tmp2(tmp2==0)=eps;

S=1-3.*tmp1./tmp2;

tmp1=0.5*((r-g)+(r-b));

tmp2=sqrt((r-g).^2+(r-b).*(g-b));

theta=acos(tmp1./(tmp2+eps));

H=theta;

H(b>g)=2*pi-H(b>g);

H=H/(2*pi);

H(S==0)=0;

hsi=cat(3,H,S,I);

figure,imshow(S);

h=fspecial('sobel');

g=sqrt(imfilter(S,h,'replicate').^2+imfilter(S,h','replicate').^2); L=watershed(g);

rm=imregionalmin(g);

im=imextendedmin(S,0.0965);

fim=S;

fim(im)=0.5;

Lim=watershed(bwdist(im));

em=Lim==0;

g2=imimposemin(g,im|em);

L2=watershed(g2);

f2=rgb;

f2(L2==0)=1;

figure;

subplot(3,3,1),imshow(rgb);

subplot(3,3,2),imshow(g);

subplot(3,3,3),imshow(L);

subplot(3,3,4),imshow(im);

subplot(3,3,5),imshow(fim);

subplot(3,3,6),imshow(Lim);

subplot(3,3,7),imshow(g2);

subplot(3,3,8),imshow(L2);

subplot(3,3,9),imshow(f2);

普通的分割方法

图像分割方法综述

图像分割方法综述

图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering

analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方

彩色图像分割介绍

第一章绪论 计算机图像处理在医学领域的应用越来越广泛，白细胞图像的自动判断就是其中的代表之一。它能有效地减少主观干扰，提高工作效率，减轻医生负担。近些年来，计算机硬件技术和光谱成像技术的飞速发展，使得成功研制开发出小型实用的基于多光谱的白细胞图像自动分类识别系统成为可能。 本文研究的主要目的在于对白细胞多光谱图像分割进行初步的探索研究，为系统中其后的白细胞能够准确地分类识别奠定基础。 本章简要阐述了基于多光谱的白细胞图像分割的应用背景和研究意义，回顾了国内外细胞图像分割和多光谱遥感图像分类的研究发展状况，并简要介绍了本论文的主要工作。 §1.1 概述 §1.1.1 白细胞检验 白细胞的光学显微镜检查是医院临床检验项目之一，特别是对各种血液病的诊断占有极其重要的地位。它的任务是观察或测定血液中的各种白细胞的总数、相对比值、形态等，用于判断有无疾病、疾病种类以及严重程度等，特别是对类似白血病这类血液病诊断具有更加重要的意义。 白细胞分类计数的传统方法是将血液制成涂片，染色后，临床医生在显微镜下用肉眼按照有关标准，如核的形状、细胞浆的量和颜色，细胞浆颗粒的大小和颜色，整个细胞形状、稀薄与细胞间的接触等，来观察和检查这样的细胞标本[1]。然而这项工作十分繁重，工作效率低，容易误判，且人工识别误差随检查人员而异。同时通过观察的细胞数目较少，从统计的角度看，因样本集较小而影响诊断结果的可靠性。 计算机图像处理与分析技术伴随着信息技术的不断进步在最近20年间得到了飞速的发展，已经迅速渗透到人类生活和社会发展的各个方面，这为智能化细胞分析仪代替人工方法提供了基础。因此，借助于现代计算机技术结合临床医生的实践经验，采用图像处理技术对图像进行处理，从而对细胞进行识别，对于医学科研与实践，以及临床诊断方面有着现实意义和非常广阔的前景。 目前已经制成的自动白细胞分析仪主要有两种类型： 一类是用组织化学染色法，通过连续流动的系统，以光电效应的方式分别数出单一细胞，并可同时报告白细胞总数、各类细胞的百分率和绝对值。因为该法不是由细胞形态学特点识别各类白细胞，所以不能目视观察白细胞形态，亦不能保留样本，对感染中毒细胞无法识别。 另一类是原型认定型，其工作原理模仿人“脑眼系统”[2]的智能识别过程，运用计算机图像处理和模式识别技术，将从显微镜与相机或摄像机得到的数字化图像进行自动处理分析和分类。与前一种类型的白细胞分类仪器相比，其主要优

基于Matlab的彩色图像分割

用Matlab来分割彩色图像的过程如下： 1）获取图像的RGB颜色信息。通过与用户的交互操作来提示用户输入待处理的彩色图像文件路径; 2）RGB彩色空间到lab彩色空间的转换。通过函数makecform()和applycform()来实现; 3）对ab分量进行Kmean聚类。调用函数kmeans()来实现； 4）显示分割后的各个区域。用三副图像分别来显示各个分割目标，背景用黑色表示。Matlab程序源码 %文件读取 clear; clc; file_name = input('请输入图像文件路径：','s'); I_rgb = imread(file_name); %读取文件数据 figure(); imshow(I_rgb); %显示原图 title('原始图像'); %将彩色图像从RGB转化到lab彩色空间 C = makecform('srgb2lab'); %设置转换格式 I_lab = applycform(I_rgb, C); %进行K-mean聚类将图像分割成3个区域 ab = double(I_lab(:,:,2:3)); %取出lab空间的a分量和b分量 nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; %分割的区域个数为3 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重复聚类3次 pixel_labels = reshape(cluster_idx,nrows,ncols); figure(); imshow(pixel_labels,[]), title('聚类结果'); %显示分割后的各个区域 segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1 1 3]); for k = 1:nColors color = I_rgb; color(rgb_label ~= k) = 0; segmented_images{k} = color;

图像分割技术与MATLAB仿真

中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日

中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日

目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)

图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MA TLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,

图像处理文献综述

文献综述 1.1理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不

图像分割算法研究与实现

中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日

中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日

课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。

彩色图像快速分割方法研究【开题报告】

毕业论文开题报告 电子信息工程 彩色图像快速分割方法研究 一、课题研究意义及现状 图像分割是一种重要的图像技术，不论是在理论研究还是实际应用中都得到了人们的广泛重视。图像分割是我们进行图像理解的基础，是图像处理中的难点之一，也是计算机视觉领域的一个重要研究内容。把图像划分为若干个有意义的区域的技术就是图像分割技术，被划分开的这些区域相互不相交，而且每个区域也必须满足特定区域的一致性条件。 彩色图像反映了物体的颜色信息，比灰度图像提供的信息更多，因此，彩色图像的分割得到了越来越多人的关注，彩色图像分割方法的研究具有很大的价值。彩色图像分割一直是彩色图像处理中一个很重要的问题，它可以看作是灰度图像分割技术在各种颜色空间上的应用。 目前，图像分割的主要方法有：基于区域生长的分割方法、基于边缘检测的分割方法、基于统计学理论的分割方法、基于小波变换法、基于模糊集合理论的方法等多种方法。其中，JSEG算法是一种基于区域生长的图像分割方法，它同时考虑了图像的颜色和纹理信息，分割结果较为准确，受到了广泛的关注。但是JSEG算法要在多个尺度下反复进行局部J值计算和区域生长，同时还要进行基于颜色直方图的区域合并，这样，该算法就显得更为繁琐、复杂。针对这些不足之处，有学者提出了一种结合分水岭与JSEG的图像分割新算法。这种新算法在计算得到图像J后，通过引入分水岭算法直接对J图进行空域分割，然后通过形态后处理完成分割。与原JSEG算法比较，新算法能够得到良好的分割效果，有效的降低了JSEG算法的复杂度。 国内外也有很多学者对彩色图像的分割方法进行研究，也提出了许多有价值的彩色图像分割算法及改进的彩色图像分割算法，而多种分割算法的结合使用也改进了单一算法的不足之处，使得彩色图像的分割结果更加理想。但是从目前对彩色图像的研究来看，由于应用领域的不同、图像质量的好与坏以及图像色彩的分布和结果等一些客观因素引起的差异，我们还没有找到一种能够完全适用于所有彩色图像分割的通用的算法。因此，彩色图像的分割方法仍是一个尚未解决的难题，还需要图像处理领域的研究人员进一步的研究探索。 本研究是对基于JSEG的改进彩色图像分割算法的研究，该算法能够有效降低原JSEG算法的复杂度，提高图像分割效率，在图像分割领域有很重要的意义。该算法是在原JSEG算法的基础上，引入了分水岭算法，降低了原算法的计算量，降低了图像分割时间。 二、课题研究的主要内容和预期目标 主要内容：

基于Matlab的彩色图像分割

3 Matlab编程实现 3.1 Matlab编程过程 用Matlab来分割彩色图像的过程如下： 1）获取图像的RGB颜色信息。通过与用户的交互操作来提示用户输入待处理的彩色图像文件路径; 2）RGB彩色空间到lab彩色空间的转换。通过函数makecform()和applycform()来实现; 3）对ab分量进行Kmean聚类。调用函数kmeans()来实现； 4）显示分割后的各个区域。用三副图像分别来显示各个分割目标，背景用黑色表示。3.2 Matlab程序源码 %文件读取 clear; clc; file_name = input('请输入图像文件路径：','s'); I_rgb = imread(file_name); %读取文件数据 figure(); imshow(I_rgb); %显示原图 title('原始图像'); %将彩色图像从RGB转化到lab彩色空间 C = makecform('srgb2lab'); %设置转换格式 I_lab = applycform(I_rgb, C); %进行K-mean聚类将图像分割成3个区域 ab = double(I_lab(:,:,2:3)); %取出lab空间的a分量和b分量 nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; %分割的区域个数为3 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重复聚类3次 pixel_labels = reshape(cluster_idx,nrows,ncols); figure(); imshow(pixel_labels,[]), title('聚类结果'); %显示分割后的各个区域 segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1 1 3]); for k = 1:nColors

数字图像目标分割与提取研究背景意义目的与现状

数字图像目标分割与提取研究背景意义目的与现状 1 背景 数字图像目标分割与提取是数字图像处理和计算机视觉领域中一个备受关注的研究分支。因为在目标分割与提取过程中可以利用大量的数字图像处理的方法，加上其在计算机视觉、模式识别等领域中的广泛应用，都吸引了众多研究者的注意。相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。图像分割和边缘检测的问题在近二十年中得到了广泛的关注和长足的发展，国内外很多研究人士提出了很多方法，在不同的领域取得了一定的成果。但是对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割和检测算法，还有很大的探索空间。边缘提取和分割是图像分析的经典研究课题之一，目前的理论和方法仍存在许多不足之处，仍在不断改进和发展。 由于图像的多义性和复杂性，许多分割的工作无法依靠计算机自动完成，而手工分割又存在工作量大，定位不准确的难题，因此，人们提出了一些人工交互和计算机自动定位相结合的方法，利用各自的优势，实现目标轮廓的快速定位。相信这些交互式方法的应用，必将推动图像目标分割与提取这一既具有广阔的应用前景又具有重要的学术价值的课题的进一步研究，也必将成为一个更为独立和活跃的研究领域[1]。近年来，DSP技术的发展不断将数字信号处理领域的理论研究成果应用到实际系统中，并且推动了新的理论和应用领域的发展，对图像处理等领域的技术发展也起到了十分重要的推动作用。基于DSP的图像处理系统也被广泛的应用于各种领域。 从图像处理技术的发展来看，实时性在实际中有着广泛的应用。实时图像处理系统设计的难点是如何在有限的时间内完成大量图像数据的处理。因为要对图像进行实时处理,所以为了实现实时和快速,高效的处理,在这个系统中要求我们的图像处理速度要达到一定的速度，而图像处理的速度是由算法的执行时间、视频输入输出延迟以及外部数据存储器与DSP的数据交换效率等因素决定。算法执行时间与CPU 速度有关;图像处理的速度既图像处理所要用的时间，它主要是由算法决定的。算法执行的指令的多少决定了处理速度。而图像的处理的算法包含有大量的算法指令，为了快速的处理大数据量的多媒体信息，特别是活动图像信息，同时又能灵活的支持多种不同的应用，DSP的应用势在必行。相比于通用的DSP，用于多媒体应用的专用DSP集成了许多专用模块，这些模块用硬件加速很多通用的多媒体方面的大量算法明晰的处理、实时性强等要求.由于图像处理的数据量大，数据处理相关性高，实时的应用环境决定严格的帧、场时间限制，因此实时图像处理系统必须具有强大的运算能力。各种高性能DSP不仅

医学图像分割综述

医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可

图像分割方法综述matlab论文

图像分割方法综述 摘要：图像分割就是根据图像的某些特征或特征集合的相似性准则对图像进行分类，把图像空间分成若干个某些具有一致性属性的不重叠区域。它是图像分析和理解的基础，是计算机视觉领域中最困难的问题之一。图像分割的质量将直接影响着对图像的后续处理，所以图像分割被视为图像处理的瓶颈，具有十分重要的意义。人们很早就开始了对图像分割方法的研究，并且几十年来，这方面的研究从来没有间断过。到目前为止，已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。 关键字：图像分割；阈值；区域和边缘；交互式算法；纹理分割彩色图像分割 1.引言 图像分割是一项基于计算机技术的重要的图像分析和处理技术，从其产生至今，已经广泛的应用于各个领域，为人们的生产和生活中图像处理的水平提高做出了重大贡献。 2.国内外发展的状况 人工生命是一个快速发展的多学科交叉的研究领域，是计算机科学新的发展方向之一。目前，已经有科研人员尝试将人工生命应用到图像分割领域中。虽然目前使用人工生命进行图像分割的研究还比较少，但是这些相关研究成果表明将人工生命引入到图像分割中能获得有意义的成功，显示出了巨大的潜力。 在医学数据可视化方面，也有了许多硕果。如：医学图像如CT图像和MRI图像的三维重建、显示与分析处理；大脑生理形态分析，神经细胞中钙活性的可视化；计算机辅助外科手术模拟与计划等。其中值得一提的：如美国国家超级计算机应用中心利用远程的并列计算机资源，用体绘制技术实现了CT扫描三维数据的动态显示。其内容为显示一个狗心脏跳动周期的动态图像。 3.图像分割概述 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，因此图像信息是非常重要的一类信息。在一幅图像中，人们往往只对其中的某些目标感兴趣，这些目标通常占据一定的区域，并且在某些特性（如灰度、轮廓、颜色、纹理等）上和周围的图像有差别。这些特性差别可能非常明显，也可能很细微，以致人眼觉察不出来。计算机图像处理技术的发展，使得人们可以通过计算机来获取与处理图像信息。现在，图像处理技术已经成功应用于许多领域，其中，纸币识别、车牌识别、文字识别、指纹识别等已为大家所熟悉。 图像分割是指将一幅图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割应具有以下特征：（1）分割出来的各区域对某种性质（例如灰度、纹理）而言具有相似性，区域内部是连通的且没有过多小孔。（2）相邻区域对分割所依据的性质有明显的差异。（3）区域边界是明确的。 大多数图像分割方法只是部分满足上述特征。如果强调分割区域的同性质约束，则

彩色图像分割的国内外研究现状

1．阈值分割方法 阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。从该方法中可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像木身的特点，可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位罝的阈值分割方法。若根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛贵浩、帝毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计像素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广,即采用二维统计量(如散射图或共生矩阵)取代直方图,以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性。付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。华长发等人提出了一种基于二维熵阈值的图像分割快速算法，使传统二维阈值方法的复杂度从0(W2 S2)降至0(W2/3 S2/3)。赵雪松等人提出的综合全局二值化与边缘检测的图像方法，将全局二值化与边缘检测有效的结合起来，从而达到对信封图分割的理想效果。靳宏磊等人提出的二维灰度直方图的最佳分割方法，找到了一条最佳分割曲线，使该算法得到的分割效果明显优于一维直方图阈值方法。乐宁等人根据过渡区内象素点具有的邻域方向性特点，引入了基于一元线性回归处理的局部区域随机波动消除方法，将图像过渡区算法进行了改进。模糊技术及其日趋成熟的应用也正适应了大部分图像边缘模糊而难以分析的现状，赵初和王纯提出的模糊边缘检测方法能有效地将物体从背景中分离出来，并已在模式识别中的图像预处理和医学图像处理中获得了良好的应用。金立左、夏良正等提出图像分割的自适应模糊阈值法，利用目标一背景对比度自动选取窗宽的方法，并给出了根据目标与摄像机间的相对距离估计目标--背景对比度的算法，克服隶属函数的分布特性及其窗宽对阈值选取的不良影响。其应用于智能电视跟踪系统，对不同对比度和不同距离的海面舰船图像进行阈值分割，有较强的场景适应能力。王培珍、杜培明等人提出了一种用于多阈值图像自动分割的混合遗传算法，针对Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点，以及结合模糊C-均值算法和遗传算法的两大显著特点而改进的算法，这种分割方法能够快速正

图像分割阈值选取技术综述

图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-

彩色图像分割-RGB模型

成绩评定表学生姓名班级学号 专业电子信息工 程课程设计题目彩色图像分割程序设 计——RGB模型 评 语 组长签字： 成绩 日期201年月日

课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名班级学号 课程设计题目彩色图像分割程序设计——RGB模型 实践教学要求与任务： 本次课程设计中，主要任务是实现基于RGB模型的彩色图像分割的程序设计，对给定的彩色图像的颜色，使用RGB颜色模型，来对其进处理。 并且设计MATLAB程序，使其能完成输入图像便自动使用RGB 模型来进行图像分割。 工作计划与进度安排： 第一阶段（1-2天）：熟悉matlab编程环境，查阅相关资料； 第二阶段（2-3天）：算法设计； 第三阶段（2-3天）：编码与调试； 第四阶段（1-2天）：实验与分析； 第五阶段（1-2天）：编写文档。 指导教师： 201年月日专业负责人： 201年月日 学院教学副院长： 201年月日

Matlab是当今最优秀的科技应用软件之一，它一强大的科学计算与可视化功能，简单易用，开放式可扩展环境，特别是所附带的30多种面向不同领域工具箱支持，使得它在许多科学领域中成为计算机辅助设计与分析，算法研究和应用开发的基本工具盒首选平台在图像处理中，Matlab也得到了广泛的应用，例如图像变换，设计FIR滤波器，图像增强，四叉树分解，边缘检测，小波分析等等。不同的颜色空间在描述图像的颜色时侧重点不同。如RGB（红、绿、蓝三原色）颜色空间适用于彩色监视器和彩色摄象机，HSI（色调、饱和度、亮度）更符合人描述和解释颜色的方式（或称为HSV，色调、饱和度、亮度），CMY（青、深红、黄）、CMYK（青、深红、黄、黑）主要针对彩色打印机、复印机等，YIQ （亮度、色差、色差）是用于NTSC规定的电视系统格式，YUV（亮度、色差、色差）是用于PAL规定的电视系统格式，YCbCr（亮度单一要素、蓝色与参考值的差值、红色与参考值的差值）在数字影像中广泛应用。 彩色图像的处理有时需要将图像数据在不同的颜色空间中表示，因此，图像的颜色空间之间的转换成为一项有意义的工作。其中RGB在颜色空间转换中其关键作用，是各个空间转换的桥梁。Matlab中的颜色空间转换只涉及到了RGB、HSV、YCbCr、YIQ等，没有包含lαβ和其它颜色空间的转换。 关键字：Matlab；图像处理；RGB

图像分割综述

摘要 图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。 在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了总结和归纳，并对图像分割的发展趋势进行了初步的展望和预测。在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结， 本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。 关键词：图像分割；边界；区域；水平集；马尔科夫

Abstract Image segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields. Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article. This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized. Keywords: Image segmentation; Border; Area；Level-set；Markov