專利名稱：一種用于紡織和醫(yī)學(xué)圖像的分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像分割方法，尤其是能改善過(guò)分割現(xiàn)象的圖像分割方法。
背景技術(shù)：
圖像分割是計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)關(guān)鍵任務(wù)。在各種分割算法中，分水嶺是一種較好的算法。它以梯度幅值圖像為處理對(duì)象，能夠自動(dòng)分割圖像中的各個(gè)目標(biāo)物體，在圖像處理中被廣泛應(yīng)用。從原理上分析，分水嶺是一種基于區(qū)域的圖像分割方法。目前，分水嶺算法的一個(gè)公認(rèn)的嚴(yán)重缺點(diǎn)就是對(duì)噪音敏感，易于產(chǎn)生過(guò)分割，即分割的區(qū)域數(shù)目遠(yuǎn)超過(guò)圖像中包含的實(shí)際對(duì)象數(shù)。其原因在于每個(gè)實(shí)際對(duì)象區(qū)域中經(jīng)常包含多個(gè)局部最小值。而依據(jù)分割原理，每個(gè)局部最小值就會(huì)產(chǎn)生一個(gè)分割區(qū)域。所以一般的梯度幅值圖像因其含有噪音，并不適合用分水嶺算法處理。因此在用分水嶺進(jìn)行圖像分割前，需要對(duì)其做預(yù)處理。距離變換是一種常用的預(yù)處理算法，它將二值圖像構(gòu)造成一幅具有分水嶺結(jié)構(gòu)的梯度幅值圖像，然后再進(jìn)行分割。另外一些濾波算法也可用于預(yù)處理灰度圖像，減少局部最小值的個(gè)數(shù)，以改進(jìn)分割質(zhì)量。

發(fā)明內(nèi)容
為了克服現(xiàn)有分水嶺算法對(duì)噪音敏感、易于產(chǎn)生過(guò)分割的不足，本發(fā)明提出一種能改善過(guò)分割現(xiàn)象的圖像分割方法。本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是首先，為得到梯度幅值圖像，對(duì)原始圖像進(jìn)行邊界檢測(cè)；然后，利用一維梯度向量流偏微分方程對(duì)梯度幅值圖像進(jìn)行邊界信息擴(kuò)散和噪音去除；再后，檢測(cè)梯度圖像的局部最小值點(diǎn)，并通過(guò)形態(tài)學(xué)膨脹運(yùn)算自動(dòng)合并相近的局部最小值點(diǎn)；最后，用分水嶺算法分割處理后的圖像。所述的分水嶺算法是基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像看作是測(cè)地學(xué)上的拓?fù)涞孛?，圖像中每一點(diǎn)像素的灰度值表示該點(diǎn)的海拔高度，每一個(gè)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。所述分水嶺算法的計(jì)算過(guò)程是分成兩個(gè)步驟的迭代標(biāo)注過(guò)程，一是排序過(guò)程，另一是淹沒(méi)過(guò)程；即，首先對(duì)每個(gè)像素的灰度級(jí)進(jìn)行從低到高排序，然后在從低到高實(shí)現(xiàn)淹沒(méi)過(guò)程中，對(duì)每一個(gè)局部極小值在h階高度的影響域采用先進(jìn)先出的 FIFO結(jié)構(gòu)進(jìn)行判斷及標(biāo)注。本發(fā)明的有益效果是，改善了分水嶺算法的過(guò)分割現(xiàn)象，為后續(xù)處理提供較為可靠的技術(shù)手段，可廣泛用于各種圖像預(yù)處理中，尤其在例如紡織、生物醫(yī)學(xué)圖像等精細(xì)圖像的分割中。相對(duì)于傳統(tǒng)預(yù)處理方法，提高了后續(xù)階段如目標(biāo)提取和模式識(shí)別等任務(wù)的正確率。
具體實(shí)施例方式第一步，利用一維梯度向量流偏微分方程對(duì)梯度幅值圖像進(jìn)行邊界信息擴(kuò)散和噪音去除。具體為，將原始的用于對(duì)二維梯度向量進(jìn)行擴(kuò)散的梯度向量流GVF修改為對(duì)一維的梯度幅值進(jìn)行擴(kuò)散的偏微分方程，即ID-GVF
u▽2g-f2(g-f) = 0⑴其中，f表示原始圖像的梯度幅值圖像，μ是權(quán)值因子，▽是梯度算子，g是偏微分方程對(duì)f的擴(kuò)散作用結(jié)果，它的初始值是f。式(1)所對(duì)應(yīng)的最小化能量泛函為
權(quán)利要求
1.一種提高圖像分割性能的方法，其特征是首先，為得到梯度幅值圖像，對(duì)原始圖像進(jìn)行邊界檢測(cè)；然后，利用一維梯度向量流偏微分方程對(duì)梯度幅值圖像進(jìn)行邊界信息擴(kuò)散和噪音去除；再后，檢測(cè)梯度圖像的局部最小值點(diǎn)，并通過(guò)形態(tài)學(xué)膨脹運(yùn)算自動(dòng)合并相近的局部最小值點(diǎn)；最后，用分水嶺算法分割處理后的圖像.
2.根據(jù)權(quán)利要求1所述的提高圖像分割性能的方法，其特征是分水嶺算法是基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像看作是測(cè)地學(xué)上的拓?fù)涞孛玻瑘D像中每一點(diǎn)像素的灰度值表示該點(diǎn)的海拔高度，每一個(gè)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。
3.根據(jù)權(quán)利要求1所述的提高圖像分割性能的方法，其特征是分水嶺算法的計(jì)算過(guò)程是分成兩個(gè)步驟的迭代標(biāo)注過(guò)程，一是排序過(guò)程，另一是淹沒(méi)過(guò)程；即，首先對(duì)每個(gè)像素的灰度級(jí)進(jìn)行從低到高排序，然后在從低到高實(shí)現(xiàn)淹沒(méi)過(guò)程中，對(duì)每一個(gè)局部極小值在h 階高度的影響域采用先進(jìn)先出的結(jié)構(gòu)進(jìn)行判斷及標(biāo)注。
全文摘要
一種用于紡織和醫(yī)學(xué)圖像的分割方法。它改善了圖像分水嶺算法中的過(guò)分割現(xiàn)象，是以如下步驟進(jìn)行的首先，為得到梯度幅值圖像，對(duì)原始圖像進(jìn)行邊界檢測(cè)；然后，利用一維梯度向量流偏微分方程對(duì)梯度幅值圖像進(jìn)行邊界信息擴(kuò)散和噪音去除；再后，檢測(cè)梯度圖像的局部最小值點(diǎn)，并通過(guò)形態(tài)學(xué)膨脹運(yùn)算自動(dòng)合并相近的局部最小值點(diǎn)；最后，用分水嶺算法分割處理后的圖像。
文檔編號(hào)G06T5/00GK102542531SQ20101057849
公開(kāi)日2012年7月4日 申請(qǐng)日期2010年12月8日 優(yōu)先權(quán)日2010年12月8日
發(fā)明者吉慶, 周頔 申請(qǐng)人:江南大學(xué)