[发明专利]基于分水岭算法和形态学标记的图像分割方法

说明书

技术领域

本发明涉及一种图像分割处理方法，具体涉及一种基于分水岭算法和形态学标记的图像分割处理方法，可用于包括微纳米颗粒分布，细胞或缺陷检测在内的多种图像分割。

背景技术

图像分割是图像处理和检测分析中的一个非常重要的步骤，它可将目标图像划分为若干具有某种相似性和一致性特性的区域，精确定位这些区域并对它们的一些特性做进一步的分析和处理。

图像分割通常用于对图像进行进一步的分析，检测，评估等，分割的准确性以及区域的一致性会直接影响到后续工作的价值。主流的图像分割方法，一般分为两类，一类是基于阈值的分割，一类是基于区域的分割。基于阈值的分割，算法简单，速度快，但在目标与背景差距较小的情况下，很难得到精确的区域划分；基于区域的划分，是将区域的某些相似特性作为判断标准，在此基础上，将这些相似的区域连接起来，从而形成有效的区域划分。图像分割的分水岭算法，最早由Digabel和Lantujoul引入，Meyer提出了最初的形态学分割方法（Meyer F,Beucher S.Morphological segmentation[J].Journal of visual communication and image representation,1990,1(1):21-46.），但存在计算量大的缺点，Vincent和Soille于1991年提出的快速形态学分水岭方法，奠定了现代分水岭方法的基础。

分水岭方法对边缘的定位准确，运算简单，且易于并行处理，但存在一个重要的问题，分水岭方法对噪声和杂质点特别敏感，一旦图像中噪声和杂质点较多时，算法会检测到过多的局部极限值，进而造成过分割现象。过分割会导致无法正确划分目标区域，无法进一步对目标区域的特性进行分析和评估等结果。为提高图像分割的准确性，须在进行分水岭处理之前，对目标特征区域进行标记。

一般的标记方法，多适用于处理图像中冗余的纹理信息，如基于灰度级共生矩阵的方法，基于纹理谱的方法等，对于处理非纹理信息的颗粒分布显微图像，缺陷检测图像或金相图像等有效组织或区域在图像中易粘合在一起的图像来说，并不适用。如何在保证图像中的有效信息不丢失的情况下，将特征区域分割开，并且不会造成过分割，成为一个亟待解决的问题。

发明内容

本发明的目的在于针对以上所述的技术的不足以及需要解决的问题，提出一种基于分水岭算法和形态学标记的图像分割方法，将形态学运算和处理和分水岭算法结合，用形态学运算处理过之后的图像作为分水岭标记的来源，对图像进行分割。

分水岭算法的标记，是建立在OTSU大津法对原始图像的处理，以及形态学运算对目标区域的提取和对无效信息的过滤的基础上。

本发明提供的图像分割方法既能保证标记的准确性，消除杂质噪点等无效信息，又能有效解决分水岭算法分割图像时的过分割问题。

本发明提供的基于分水岭算法和形态学标记的图像分割方法，包括以下步骤：

（1）对灰度图像进行中值滤波，得到滤波后的图像；

（2）对滤波后的图像使用OTSU大津法，得到二值化图像；

（3）利用基于重建的形态学运算处理二值化图像，得到特征标记图像；

（4）采用分水岭算法对特征标记图像进行变换，得到分割后的图像。

本发明提供的基于分水岭算法和形态学标记的图像分割方法，使用OTSU大津法作对图像进行初步分割，利用图像中目标区域与背景之间的灰度值的不同，通过选取合适的阈值区分背景和目标，不但可以大量压缩数据，节省时间，还未后面下一步的目标区域的过滤和标记提供了较好的基础。

本发明提供的基于分水岭算法和形态学标记的图像分割方法，采用形态学运算方法，通过腐蚀、膨胀及重建等运算，将某些原本粘结在一起的区域分离开，能够更加精确的对应目标区域，准确找出目标的有效区域，并去除某些非噪点的无效目标，为采用分水岭算法进行图像分割提供标记。

进一步地，步骤（1）中的中值滤波包括以下步骤：

（11）选择sobel边缘算子对灰度图像进行水平和垂直方向的滤波；

（12）计算模值。

进一步地，步骤（11）中sobel边缘算子包括两组3x3矩阵，其中一组为横向矩阵：

另一组为纵向矩阵：

本发明提供的基于分水岭算法和形态学标记的图像分割方法，采用的滤波方法为sobel边缘算子的中值滤波方法，以横向和纵向的算子计算灰度的梯度，对图像中的噪点和杂质进行过滤，增强目标区域，保留有效信息，去除无效信息和细节。