专利名称：一种数字图像中颗粒状对象的自动分割方法
技术领域：
本发明属于数字图像分析与处理技术领域，特别是数字图像中颗粒状对象的自动分割。
背景技术：
数字图像，尤其是生物医学显微图像中，许多对象的结构或微结构呈颗粒状，如淀粉类食物土豆、小麦的淀粉颗粒、嗜热菌、球形球菌、红细胞、小淋巴细胞等的显微图像，其特点为(1)颗粒数量较多，呈聚集分布状态；( 颗粒间距离很小，存在大量粘连及重叠现象；C3)形状规则，大多为圆形或近似圆形。在进行生物学、医学基础研究时，常常需要对这些颗粒的结构与分布特性进行分析和处理，如细胞/颗粒计数、病毒特征提取与识别、异常判断、生长过程监测与动态评估等。细胞/颗粒状对象的分割，是进行上述分析的基础与重要环节，然而，由于有限的光照条件，以及大量颗粒状对象发生粘连或重叠等原因，使得它们的自动分割变得十分困难。图像分割一直是图像处理领域引起人们重点关注的热点与难点问题之一。众多图像分割方法中，比较有代表性的是基于灰度与轮廓几何形状的分割方法，主动轮廓模型(active contourmodel, ACM or snake)，最早由 Kass 等人于 1988 年提出， (Kass M, Witkin A, Terzopoulos D. Snakes :Active contour models, Int.J. Comput. Vision. 321-331, (1988))。它建立一个包含基于图像灰度外能与轮廓内能的函数，通过轮廓曲线内力与灰度梯度外力的驱动，使初始轮廓产生形变，最终收敛到真实的目标边界，从而实现目标的分割。随后，出现了许多改进的方法，如Xu等人(Xu C, Prince J L. Snakes, shapes, and gradient vector flow. IEEE Trans ImageProcessing 7 (3) 359-369(1998) ；Xu C. ,Prince J L. Generalized gradient vector flow externalforces for active contours, Signal Processing 71 (2) : 131-139 (1998))提出的梯度向量流 (gradientvector flow, GVF)，扩大了传统Snake的捕捉范围，对噪声具更强的健壮性。近年来，另一类应用很广泛的方法，水平集(Level set)，也被用于细胞或颗粒状对象的显微图像的分割(Solorzano De C, Malladi R, Lelievre S, et al. Segmentation of nuclei and cells usingmembrane related protein markers,Journal ofMicroscopy 201 :404-415 (2001) ；Vese L. Chan T. Amultiphase level set framework for image segmentation using the Mumford and Shah model,International Journal of Computer Vision 50(3) :271-293, (2002) ；Yan P, Zhou X, Shah M，et al. Automatic segmentation of high throughput RNAi fluorescent cellular images, IEEE Transaction onlnformation Technology in Biomedicine 12(1) 109-117 (2008)) 基于几何形变模型的分割，无论是传统的Snake，还是改进的GVF，及气球(Ballon)力模型，或B样条Snake 等方法，它们分割单一的目标时，经过合适的初始化后，能快速准确地搜寻到目标边界；水平集算法，虽然能将二维轮廓的搜索问题变换到三维空间中表面拓扑结构的演化，使其更适合分割多目标，但它存在构建速率函数困难、控制参数较多、时间开销大等不足。更为重要的是，这两类方法，对于图像中存在大量粘连与重叠的对象，其性能并不理想，它们无法检测到正确的对象边界，实施准确有效的分割。
发明内容
本发明目的在于针对现有技术存在的缺点与不足，提供一种数字图像中颗粒状对象的自动分割方法。本发明的目的通过如下技术方案实现—种数字图像中颗粒状对象的自动分割方法，包括如下步骤第一步分离颗粒状对象与背景先将图像转化为二值图像，再采用自动阈值法将待分割的对象与背景进行分离；第二步搜索颗粒状对象的中心计算图像的梯度向量场；求颗粒中心点；第三步计算方向梯度先构建一个基于灰度与空间位置的能量函数，计算每个像素对应的能量最大的中心点，作为此像素同质性最强的中心；计算每一个像素与其对应的中心的方向梯度；第四步初始化圆形轮廓从每一颗粒的中心出发，分别沿上、下、左、右四个方向， 搜索第一个非零值的像素，将中心与该像素的距离，作为初始化圆的半径；第五步分割颗粒状对象利用GVF Snake形变模型实施分割，其外力项的梯度采用第三步中的方向梯度。第三步中定义一个基于灰度与空间位置的有效能量函数Eeffect = Ic1Ept^k2Ehomo,其中\\P-C\\Ehomo=e-r2lf0j)-^；式中，1^与1^2为权值参数；[与Y1为大于0的常数；P为像素；C为颗粒中心；μ k为颗粒Ck的灰度均值。第三步中的方向梯度定义为图像中某一像素点P (px，Py)指向某一中心C(cx，cy) 的方向梯度向量为d(x，y) = (dx，尖)，其中大=|^，(^=|^°与现有技术相比，本发明具有如下有益效果(1)自动定位颗粒中心点，确定颗粒数量。(2)通过建立基于灰度与空间位置的同质函数，每一像素均能唯一对应与其同质性最高的中心点，即每一中心点均有一个同质局部区域，或称力场范围。(3)以方向梯度代替传统的灰度梯度，一方面，由于只需要计算一个方向的梯度， 因此可以减少计算量，另一方面，可提高分割结果的准确性。(4)分割过程不需要任何人工参与，分割过程快速，结果准确。(5)对聚集性较强颗粒的分割具有显著特异性，能有效分割粘连或重叠的颗粒。
图1为本发明一种数字图像中颗粒状对象的自动分割方法的流程图。图2为本发明8邻域方向及向量之间相似性。图3为本发明实施例土豆淀粉颗粒显微图像。图4为本发明实施例图像的直方图。图5为本发明实施例图像的颗粒与背景分离后二值图。图6为本发明实施例图像的GVF场与颗粒中心。图7为本发明实施例指向各颗粒中心的向量图。图8为本发明实施例求出的方向梯度图。图9为本发明实施例的初始圆形轮廓图。图10为本发明实施例土豆淀粉颗粒显微图像的分割结果。图11 13为本发明实施例的三个研究对象。图14 16为本发明实施例的三个研究对象对应的分割结果。
具体实施例方式下面结合实施例和附图对本发明的技术方案作进一步的描述，但本发明的实施方式不限于此。实例采用土豆淀粉颗粒的显微图像，由DP71 Olympus光学显微镜采集。如图1所示，本发明包括以下步骤(1)输入待分析的土豆淀粉颗粒的显微图像；(2)分离颗粒状对象与背景；从图4淀粉颗粒显微图像及其直方图可知，图像主要有两个相隔较大的主峰，较低的峰值区间是灰度值较小的淀粉颗粒，较高的峰值区间为高亮度背景。采用全局自适应阈值法将对象与背景分离首先给定一个初始阈值(如图像灰度平均值)，然后通过迭代算法，逐渐使阈值逼近最优值，最后求出准确的阈值，对图像实施分割。具体过程如下应用该阈值将图像分为两类，分别计算两类对象的平均密度，求两个平均密度的均值并作为新的阈值，再对图像进行分类，比较连续两次的阈值之差，或判断迭代次数是否达到最大值，决定是否结束处理过程。其过程可描述为a)选择初始估计值Ttl，给定很小的终止值t，及最大迭代次数Nmax ；b)用Ttl作为阈值将图像分为C1与C2两类；c)对C1与C2中所有像素计算平均密度其中f ( ·)为图像密度， 与^2分别为C1与C2的像素数量。d)计算新阈值 e)计算连续二次阈值之差Δ T = | TrT01，如果Δ T < t，或迭代次数等于Nmax，则结束；否则，将新阈值T1赋给Ttl，重复步骤b)-e)。
图5为经自动阈值法处理后，颗粒与背景分离后的结果。(3)搜索颗粒状对象的中心当得到颗粒与背景被分离后的二值图像，首先计算梯度向量场，再求颗粒中心。(3. 1)计算梯度向量场(GVF)基于梯度向量场v(x，y) = (u(x,y),v(x, y))的能量函数定义为Egvf (ν) = [f μ(η2χ + U2y + ν2χ + V2y) + |V/|2|v - dxdy(3)其中，f(x，y)为图像边缘图， 与、分别为u(x，y)和v(x，y)在χ与y方向的偏导，11表示向量的模。求C3)式能量函数的最小值，可应用变分法求解以下两个Euler方程//VM2-(M-Z1)(Z^ZZ) = O(4)//νν2-(ν-^)(Λ2 + /;) = 0(5)其中ν2为Laplacian算子，fx与fy分别为f在χ与y方向的偏导。GVF场通过以下迭代法求得WiCx,拟)=/^2 办,_y,i)-(w(Jc,_y,i)-/x(Jc,_y)X/x(x,_y)2+//jc,_y)2)(6)=(J)其中t为迭代次数。(3. 2)求颗粒中心由于颗粒大多为圆形或近似圆形，理想的中心点具有两个特征(a)GVF向量指向 8邻域方向，从中心点出发，向外的8邻域方向均有向量分布；(b)梯度值为0。但实际图像中，由于光照不均勻或噪声的影响，中心点的GVF向量并不是完全指向8邻域方向，而是与8 邻域方向相近，因此，如果两个向量的相似性足够大，则认为二者是一致的。向量的相似性测度定义如下
权利要求
1.一种数字图像中颗粒状对象的自动分割方法，其特征在于包括如下步骤第一步分离颗粒状对象与背景先将图像转化为二值图像，再采用自动阈值法将待分割的对象与背景进行分离；第二步搜索颗粒状对象的中心计算图像的梯度向量场；求颗粒中心点； 第三步计算方向梯度先构建一个基于灰度与空间位置的能量函数，计算每个像素对应的能量最大的中心点，作为此像素同质性最强的中心；计算每一个像素与其对应的中心的方向梯度；第四步初始化圆形轮廓从每一颗粒的中心出发，分别沿上、下、左、右四个方向，搜索第一个非零值的像素，将中心与该像素的距离，作为初始化圆的半径；第五步分割颗粒状对象利用GVF Snake形变模型实施分割，其外力项的梯度采用第三步中的方向梯度。
2.根据权利要求1所述的一种数字图像中颗粒状对象的自动分割方法，其特征在于第三步中定义一个基于灰度与空间位置的有效能量函数 F = l· ρ +l· ρj^effect aIj^pos ^^homo，其中‘ =^t-CtUW1; 式中，1^与1^2为权值参数； 、与Y1为大于O的常数； P为像素；C为颗粒中心； μ k为颗粒Ck的灰度均值。
3.根据权利要求1所述一种数字图像中颗粒状对象的自动分割方法，其特征在于第三步中的方向梯度定义为图像中某一像素点P(Px，Py)指向某一中心C(cx，cy)的方向梯度向,_ Cx-Px_ Cy-Py量为 d(x，y) = (dx，dy)，其中αχ — _ C| ‘a>> - _ C| °
全文摘要
本发明公开了一种数字图像中颗粒状对象的自动分割方法，属于数字图像处理技术领域。本发明针对数字图像，尤其是显微图像中颗粒状对象的灰度、结构分布与几何形状等特点，先应用自动阈值法将目标与背景分离；然后计算其梯度向量场，在梯度向量场中搜索关键点，理想的关键点在8邻域均有相应的梯度向量分布，其梯度值为零，获取的关键点作为每一个颗粒状对象的中心；接着定义一个新的基于灰度与空间位置的有效能量函数用以计算方向梯度，将其代替传统的灰度梯度；最后应用主动轮廓模型搜寻颗粒状对象的边界。本发明能准确有效地分割聚集型的颗粒状对象，尤其是生物医学显微图像中存在的大量粘连或重叠的微小颗粒，为图像分析与识别提供帮助。
文档编号G06T5/00GK102324092SQ20111026725
公开日2012年1月18日 申请日期2011年9月9日 优先权日2011年9月9日
发明者郭圣文 申请人:华南理工大学