基于改進(jìn)分水嶺方法的癌細(xì)胞圖像分割技術(shù)

44/53分類號(hào)：TP391.1UDC：D10621-408-（2012）0670-0密級(jí)：公開編號(hào)：2008023005成都信息工程學(xué)院學(xué)位論文基于改進(jìn)分水嶺方法的癌細(xì)胞圖像分割技術(shù)論文作者姓名：張春香申請(qǐng)學(xué)位專業(yè)：生物醫(yī)學(xué)工程申請(qǐng)學(xué)位類不：工學(xué)學(xué)士趙旭論文提交日期：2012年06月01日獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。據(jù)我所知，除了文中特不加以標(biāo)注和致謝的地點(diǎn)外，論文中不包含其他人差不多發(fā)表或撰寫過的研究成果，也不包含為獲得成都信息工程學(xué)院或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中作了明確的講明并表示謝意。簽名：日期：2012年06月09日關(guān)于論文使用授權(quán)的講明本學(xué)位論文作者完全了解成都信息工程學(xué)院有關(guān)保留、使用學(xué)位論文的規(guī)定，有權(quán)保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和磁盤，同意論文被查閱和借閱。本人授權(quán)成都信息工程學(xué)院能夠?qū)W(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，能夠采納影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論文。（保密的學(xué)位論文在解密后應(yīng)遵守此規(guī)定）簽名：日期：2012年06月09日基于改進(jìn)分水嶺方法的癌細(xì)胞圖像分割技術(shù)摘要細(xì)胞識(shí)不系統(tǒng)是針對(duì)癌變組織來分割粘連的細(xì)胞，用來進(jìn)行細(xì)胞識(shí)不，獵取它們的個(gè)數(shù)，面積，周長等特征。然而在獵取癌細(xì)胞圖像的過程中，由于專門多外在和人為的因素，會(huì)存在細(xì)胞粘連在一起、同時(shí)分布不均的情況。那么就對(duì)后續(xù)的研究造成了專門大的困難。傳統(tǒng)的分水嶺算法在圖像分割時(shí)，對(duì)噪聲極為敏感和易于出現(xiàn)過分割。量化誤差、噪聲及梯度紋理的局部不規(guī)則均會(huì)使在后面分割時(shí)許多的過小封閉區(qū)域,容易丟失細(xì)胞的重要輪廓。針對(duì)以上問題，本人在傳統(tǒng)分水嶺的基礎(chǔ)上，實(shí)現(xiàn)了一種解決此問題的有效方法。一、通過中值濾波器濾除部分噪聲，再使用形態(tài)學(xué)濾波平滑圖像。二、求出形態(tài)學(xué)圖像梯度，再進(jìn)行開閉重建修正梯度，在去掉噪聲和紋理細(xì)節(jié)的情況下保存癌細(xì)胞的重要梯度輪廓。三、對(duì)重建后的圖像梯度采納微小值標(biāo)記的分水嶺變換。四、對(duì)分割好的細(xì)胞進(jìn)行數(shù)目，面積，周長等特征的計(jì)算。該方法能有效抑制過分割，有較好的效果。關(guān)鍵詞：形態(tài)學(xué)濾波；梯度；分水嶺；統(tǒng)計(jì)計(jì)算CancercellimagesegmentationtechniquebasedonimprovedwatershedalgorithmAbstractCellidentificationsystemisusedtosplittheoverlappedcellsincanceroustissue.Usedforcellrecognition,andgettheirnumber,area,perimeter,andothercharacteristics.Butmostlyintheprocessofgettingthecancercellimage,duetoexternalandanthropogenicfactors.Therewillbecellsticktogetherandtheunevendistribution,thencausedalotofdifficultiesonthefollow-upstudy.Thetraditionalwatershedalgorithmisextremelysensitivetothenoiseinimagesegmentation,andcausetotheover-segmentation.Quantizationerror,noiseandthepartialirregularoftexture'sgradientcanformatenumeroussmallclosedregions.Sothevitalcontourofcellslosemoreeasily.Inviewoftheaboveproblems.Basedonthetraditionalwatershedalgorithm.Aeffectivewaytosolvetheproblemwasimplemented.First,usethemedianfiltertofilteroutthenoise,thensmoothingtheimagethoughthemorphologicalfilter.Second,calculatethemorphologicalgradient,openingandclosingbyreconstructionwasperformedtorevisethegradient.Third,thewatershedtransformofthegradientimageafterreconstructionbyusingminimummarker.last,calculatethenumberofthecellaftersegmentation,theareaandsoon.Themethodcaneffectivelyrestraintheover-segmentation.Ithasagoodeffect.Keywords:Themorphologicalfilter;thegradient;thewatershedalgorithm;statisticalcalculation目錄TOC\o"1-3"\h\u175491引言 1207261.1 課題背景 1190411.2 本課題研究現(xiàn)狀 2174341.3 本課題研究的意義 379891.4 本課題的要緊內(nèi)容 316662癌細(xì)胞圖像改進(jìn)的分水嶺分割 4129102.1 分水嶺差不多思想 4261472.2 分水嶺實(shí)現(xiàn)原理 4199122.2.1 模擬浸水的過程原理 5212392.2.2 模擬降水的過程原理 54522.3 圖像預(yù)處理技術(shù) 587702.3.1 灰度形態(tài)學(xué)開閉濾波器 5169692.3.2 開閉濾波器的改進(jìn)算法 713082.4 形態(tài)學(xué)梯度 975812.4.1 形態(tài)學(xué)梯度 951432.4.2 形態(tài)學(xué)圖像重建 1020222.5 分水嶺分割 1185012.5.1 修改標(biāo)記符梯度圖的分水嶺變換 12183722.5.2 具體實(shí)現(xiàn)步驟 13190942.6 細(xì)胞形態(tài)學(xué)特征計(jì)算 13135203 實(shí)驗(yàn)仿真結(jié)果分析 14234254 結(jié)論 22161304.1 全文總結(jié) 22139994.2 全文展望 2311849參考文獻(xiàn) 257175致謝 261引言1.1課題背景圖像分割近年來在醫(yī)學(xué)領(lǐng)域的運(yùn)用越來越廣泛，對(duì)癌細(xì)胞的分析處理是醫(yī)學(xué)圖像分割的一個(gè)典型例子，在臨床診斷擁有重要的意義。細(xì)胞圖像分割是對(duì)細(xì)胞圖像分析的基礎(chǔ)和關(guān)鍵，也是處理醫(yī)學(xué)圖像的重要一環(huán)。但在癌細(xì)胞圖像切片獵取的過程中，癌細(xì)胞圖像會(huì)存在邊緣模糊和噪聲較大、同時(shí)目標(biāo)和背景的對(duì)比度較差的特點(diǎn)。關(guān)于大夫?qū)膊〉脑\斷，推斷健康狀況極為不利。由于細(xì)胞的專門性，會(huì)存在多個(gè)細(xì)胞粘連在一塊，聚堆成較大區(qū)域的現(xiàn)象。為后續(xù)的對(duì)細(xì)胞圖像進(jìn)行統(tǒng)計(jì)細(xì)胞數(shù)目，計(jì)算各個(gè)細(xì)胞面積、周長造成了比較大的難度。醫(yī)學(xué)圖像分割目前通過多年來的廣泛深入研究，多種方法被提出?；谶吘壍姆指罘ǎ陂撝档姆指罘?，基于能量泛函的分割方法，基于區(qū)域的分割法以及分水嶺算法。其中分水嶺算法是一種被廣泛應(yīng)用的基于數(shù)學(xué)形態(tài)學(xué)的圖像分割方法。具有邊界定位準(zhǔn)確，即獨(dú)特的區(qū)域邊緣定位能力。擁有計(jì)算速度快，算法易于實(shí)現(xiàn)，分割精度高，產(chǎn)生的邊界是單像素寬度等各種優(yōu)點(diǎn)，被運(yùn)用到醫(yī)學(xué)圖像分割中。然而關(guān)于傳統(tǒng)的分水嶺算法一個(gè)不良的缺點(diǎn)確實(shí)是易于產(chǎn)生過分割問題。要緊緣故：1、對(duì)噪聲敏感，受內(nèi)部局部紋理的阻礙，會(huì)使檢測(cè)到的局部極值過多，從而形成大量封閉的細(xì)小區(qū)域。2、讓輸入的圖像是梯度圖像，圖像不通過預(yù)處理進(jìn)行分水嶺，圖像中的噪聲會(huì)直接阻礙后續(xù)的分割效果。3、關(guān)于醫(yī)學(xué)癌細(xì)胞圖像有對(duì)比度專門差的特點(diǎn)，易丟失細(xì)胞的重要輪廓。目前的研究來看，要緊有兩類解決方法去抑制過分割。一是在細(xì)胞分割之前對(duì)圖像做預(yù)處理，在對(duì)處理后的圖像目標(biāo)進(jìn)行標(biāo)記提取。二是對(duì)分水嶺分割后的結(jié)果進(jìn)行區(qū)域融合，然而融合的區(qū)域數(shù)目較大，過程中的計(jì)算量也較大，同時(shí)十分耗時(shí)。因此本文實(shí)現(xiàn)了一種改進(jìn)分水嶺算法。在圖像分割之前進(jìn)行預(yù)處理，通過中值濾波器濾除部分噪聲，再通過形態(tài)開閉濾波器平滑圖像，保留圖像的重要輪廓而去除易造成過分割的噪聲和細(xì)節(jié)。提取出目標(biāo)的形態(tài)學(xué)梯度，同時(shí)對(duì)梯度進(jìn)行閾值優(yōu)化。標(biāo)記出所需要的目標(biāo)，利用標(biāo)記對(duì)梯度進(jìn)行修正。最后對(duì)修正優(yōu)化后的梯度圖像再進(jìn)行分水嶺分割。后續(xù)再對(duì)細(xì)胞的特征做分析。1.2本課題研究現(xiàn)狀針對(duì)傳統(tǒng)的分水嶺變換有過分割問題，專門難擁有我們想要的中意的分割結(jié)果。專門多學(xué)者結(jié)合自己的研究，提出了專門多改進(jìn)的方法。就目前進(jìn)展來看，要緊在4類方法中改進(jìn)：1、預(yù)處理濾波2、區(qū)域合并3、標(biāo)記4、其他。在預(yù)處理濾波期間，由于圖像本身具有的噪聲和紋理量化誤差。傳統(tǒng)分水嶺被運(yùn)用在分割時(shí)，會(huì)在大邊緣包圍的區(qū)域分割形成專門多細(xì)小的區(qū)域，因此就在真正的邊緣中出現(xiàn)了許多的虛假的邊緣。那專門多學(xué)者在預(yù)處理方面做了深入的研究，同時(shí)配合實(shí)驗(yàn)操作，取得了較好的實(shí)驗(yàn)效果。比如：康維等人先使用形態(tài)學(xué)濾波的方法濾除原圖中離散的細(xì)胞核點(diǎn)的同時(shí)也包括了細(xì)胞核其中的孔洞，隨后應(yīng)用分水嶺算法對(duì)重疊細(xì)胞進(jìn)行分割，結(jié)果顯示算法能提取理想的細(xì)胞組織邊界。潘婷婷等人針對(duì)衛(wèi)星圖像中道路的差不多特征，考慮到提取道路信息的不易，她運(yùn)用高通濾波器對(duì)原始圖像進(jìn)行去噪和平滑，取得了專門好的效果。在改進(jìn)算法中幸免了過分割問題。有的研究者使用形態(tài)學(xué)濾波和各向異性濾波兩種濾波器來處理遙感圖像，同時(shí)加上分水嶺算法用于檢測(cè)自動(dòng)橄欖樹[1]。姬寶金等人在圖像預(yù)處理過程中先使用中值濾波來消除部分噪聲，然后對(duì)原始圖像的梯度圖進(jìn)行開閉重建運(yùn)算，在去除了噪聲和圖像細(xì)節(jié)的情況下又專門好的保留了區(qū)域重要輪廓。在區(qū)域合并方面學(xué)者們做了專門多探究性改進(jìn)。針對(duì)區(qū)域自身的特點(diǎn)，尤鴻霞等人將分水嶺算法結(jié)合區(qū)域合并應(yīng)用于虹膜圖像。結(jié)果表明該方法得到精確封閉的虹膜邊緣,減少過度分割現(xiàn)象。Harrisk等人提出一種有效的改進(jìn)方法。即對(duì)分水嶺分割所得區(qū)域進(jìn)行區(qū)域融合，然而初始分水嶺分割所得區(qū)域數(shù)目往往會(huì)專門大，因此融合過程計(jì)算量極大。學(xué)者在標(biāo)記方向也做了許多改進(jìn)的研究，在實(shí)際的項(xiàng)目中也取得了一定的成績。文獻(xiàn)[2]關(guān)于傳統(tǒng)分水嶺分割算法對(duì)噪聲敏感，從而產(chǎn)生過分割的缺點(diǎn)，提出一種基于開閉二次重建的基礎(chǔ)上進(jìn)行非線性處理的分水嶺圖像分割方案。王鑫等人在測(cè)地距離的概念基礎(chǔ)之上，利用小波變換產(chǎn)生多分辨率圖像，然后采納基于標(biāo)記對(duì)最低分辨率圖像分水嶺分割，得到最初分割區(qū)域，最后運(yùn)用小波反變換和區(qū)域標(biāo)記，得到的分水嶺分割結(jié)果是高分辨率圖像，有效地解決了過分割問題。一種改進(jìn)方法在醫(yī)學(xué)臨床顯微圖像自動(dòng)快速分析實(shí)現(xiàn)。參見文獻(xiàn)[3]，具體是先將二值化后的圖像進(jìn)行距離變換，然后對(duì)重建距離變換后的圖像采納快速灰度重建算法，最后用分水嶺算法分割，實(shí)現(xiàn)了自動(dòng)探測(cè)目標(biāo)細(xì)胞并分割重疊細(xì)胞，有效幸免了過分割和分水嶺標(biāo)記點(diǎn)過分依靠于圖像先驗(yàn)知識(shí)的缺陷，效果特不行。同時(shí)有些人將小波變換，鏈碼，圖論和能量驅(qū)動(dòng)和分水嶺結(jié)合。在降低空間復(fù)雜度和時(shí)刻以及適應(yīng)性方面有專門好的成效。馮林等人將圖論融合分水嶺算法。依照分水嶺分割所得到的小區(qū)域的空間信息和灰度，用規(guī)一化分割方法從全局角度在區(qū)域之間進(jìn)行分割來消除過分割現(xiàn)象。研究人員在傳統(tǒng)的分水嶺的基礎(chǔ)上改進(jìn)方法，同時(shí)與其他方法結(jié)合上面做了大量的研究和實(shí)驗(yàn)。將小波變換、鏈碼、圖論等與分水嶺算法相結(jié)合的技術(shù)則為分水嶺算法改進(jìn)的研究提供了思路和研究方向。目前這差不多成為了一個(gè)圖像分割領(lǐng)域最重要的課題。1.3本課題研究的意義從醫(yī)學(xué)細(xì)胞圖像中提取細(xì)胞在醫(yī)學(xué)診斷中具有專門高的現(xiàn)實(shí)意義。由于醫(yī)學(xué)影像設(shè)備儀器的關(guān)系，使得醫(yī)學(xué)圖像存在目標(biāo)和背景的對(duì)比度較差，圖像中噪聲較多，同時(shí)目標(biāo)的邊緣比較模糊。那么要把細(xì)胞提取出來就尤為關(guān)鍵，這將直接阻礙例如腫瘤放射治療、圖像引導(dǎo)手術(shù)、可能病情等后續(xù)操作。對(duì)大夫推斷病人的病情密不可分。鑒于分水嶺方法能夠定位準(zhǔn)確的邊緣，并行化處理容易，同時(shí)運(yùn)行簡單等優(yōu)點(diǎn)，然而會(huì)產(chǎn)生過分割問題。因此如何利用改進(jìn)的分水嶺從噪聲中提取出我們需要的有用的細(xì)胞圖像將有助于解決這些問題。1.4本課題的要緊內(nèi)容本文以醫(yī)學(xué)癌組織細(xì)胞圖像為研究對(duì)象，以如何能夠得到準(zhǔn)確的細(xì)胞細(xì)節(jié)為動(dòng)身點(diǎn)，在綜合了前人對(duì)改進(jìn)分水嶺分割細(xì)胞圖像研究的基礎(chǔ)上系統(tǒng)地研究了基于形態(tài)學(xué)梯度，開閉重建和閾值優(yōu)化修正梯度以及通過內(nèi)外標(biāo)記限制微小值的分水嶺分割算法。本文首先綜合闡述了分水嶺細(xì)胞分割的研究現(xiàn)狀和背景意義。基于數(shù)學(xué)形態(tài)學(xué)的差不多理論，詳細(xì)全面的分析闡述了差不多理論。從灰度圖的形態(tài)學(xué)分析著手，在細(xì)胞分割的基礎(chǔ)上，研究了分水嶺分割及改進(jìn)算法。同時(shí)將改進(jìn)的算法用在了醫(yī)學(xué)癌細(xì)胞分割的運(yùn)用上。論文的要緊成果和安排工作如下：引言以概述的形式簡單介紹了分水嶺分割技術(shù)的進(jìn)展現(xiàn)狀以及本論文研究背景意義。要緊介紹了分水嶺的原理，中值濾波和形態(tài)學(xué)開閉濾波的圖像預(yù)處理方法。分析了結(jié)構(gòu)元素形狀和大小的差不對(duì)濾波結(jié)果的阻礙，同時(shí)針對(duì)圖像的復(fù)雜噪聲，我們提出了改進(jìn)的濾波方法。在單尺度形態(tài)學(xué)梯度的基礎(chǔ)上，我們提出利用一組大小不等的正方形結(jié)構(gòu)元素來求取多尺度形態(tài)學(xué)梯度，最后基于內(nèi)外標(biāo)記和強(qiáng)制微小值方法修正梯度，最后進(jìn)行分水嶺分割。要緊通過幾副圖像來講明改進(jìn)方法的過程和分割效果，并對(duì)分割后的癌組織細(xì)胞進(jìn)行統(tǒng)計(jì)計(jì)數(shù)和分不計(jì)算每個(gè)細(xì)胞的面積和周長。對(duì)本論文的工作總結(jié)和展望。2癌細(xì)胞圖像改進(jìn)的分水嶺分割2.1分水嶺差不多思想分水嶺算法作為一種基于區(qū)域的圖像分割方法，建立在數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)上。是數(shù)學(xué)形態(tài)學(xué)的在圖像處理的經(jīng)典方法，最初的思想來源于地形學(xué)，它把一幅圖像看作成是一個(gè)立體的地形表面。圖像中每一點(diǎn)的像素灰度值代表該點(diǎn)海拔高度，每一個(gè)局部微小值和它的阻礙區(qū)域稱為集水盆地。圖像的邊緣灰度較大，對(duì)應(yīng)于集水盆地的邊界，即地形學(xué)中的山脊。由邊緣區(qū)域過渡到灰度微小值點(diǎn)的漸變過程稱為山坡。那么就能夠在圖像中模擬自低向上逐漸淹沒地形圖的過程。在每一個(gè)局部微小值表面刺穿一個(gè)小孔，然后把整個(gè)模型慢慢浸入水中，隨著浸入的逐漸加深，每一個(gè)局部微小值的阻礙域慢慢向外擴(kuò)展，當(dāng)水快要溢滿盆地時(shí)，也確實(shí)是兩個(gè)或者多個(gè)盆地的水快要交融時(shí)，在兩個(gè)集水盆匯合處構(gòu)筑大壩，最后各個(gè)盆地會(huì)完全被水淹沒，只有大壩可不能被淹沒。因此得到了各個(gè)大壩，即為分水嶺。2.2分水嶺實(shí)現(xiàn)原理2.2.1模擬浸水的過程原理一副高低起伏的地形圖，假如把圖像的所有像素都看成是它們的地形海拔高度。地形圖由盆地（局部灰度微小值），山脊，以及盆地和山脊之間形成的山坡三部分構(gòu)成。水從各個(gè)局部最低點(diǎn)向上漫溢，水面逐步上升，不同區(qū)域的水在各個(gè)區(qū)域的邊緣便會(huì)匯合，我們就需要在山脊上修建大壩來阻止它們匯合。如此大壩就將地形模型分割成了不同的區(qū)域。區(qū)域邊緣建起的大壩被稱為分水嶺，被分割開的各個(gè)區(qū)域被稱為匯水盆地。這確實(shí)是模擬浸水的過程。2.2.2模擬降水的過程原理仍然把圖像看作是地形圖模型來講明。當(dāng)一滴雨珠從模型上空落下時(shí)，水降落到山體表面并順勢(shì)向下流，直到流到相同的局部最低點(diǎn)。山脊水滴通過的路線確實(shí)是一個(gè)連通分支，通往局部最低點(diǎn)的所有連通分支就形成了一個(gè)集水盆地。那么山脊確實(shí)是分水嶺。那個(gè)確實(shí)是模擬降水的過程。2.3圖像預(yù)處理技術(shù)預(yù)處理是圖像處理的第一步，也是特不關(guān)鍵的一步。它能夠加強(qiáng)突出大伙兒感興趣的目標(biāo)，而抑制對(duì)我們無用的信息，最終改善圖像的質(zhì)量。圖像預(yù)處理去除背景噪聲有專門多種方法：中值濾波[4]，鄰域平均法[5]，形態(tài)學(xué)濾波[6]。這些方法要緊對(duì)圖像中的點(diǎn)狀噪聲濾波效果比較好，關(guān)于實(shí)際癌細(xì)胞圖像中復(fù)雜的塊狀背景噪聲，往往達(dá)不到專門好的濾波效果。那么針對(duì)癌細(xì)胞圖像中復(fù)雜塊狀噪聲，我們利用改進(jìn)的形態(tài)學(xué)開閉濾波算法。 2.3.1灰度形態(tài)學(xué)開閉濾波器把形態(tài)學(xué)處理從二值圖像擴(kuò)展到灰度圖像的差不多操作，包括2個(gè)差不多的運(yùn)算：腐蝕、膨脹。同時(shí)在這兩個(gè)運(yùn)算的基礎(chǔ)上進(jìn)展的開運(yùn)算和閉運(yùn)算。用對(duì)函數(shù)的灰度膨脹用，定義為式（2-1）： (2-1)灰度腐蝕表示為，定義為式（2-2）：(2-2)“”表示膨脹算法，“”表示腐蝕算法。函數(shù)為一灰度圖像，為結(jié)構(gòu)元素。灰度形態(tài)膨脹和灰度形態(tài)腐蝕，與二值圖像不同，運(yùn)算的時(shí)候，移動(dòng)的是而不是。然而，實(shí)際應(yīng)用中經(jīng)常是比小，因此以滑過依舊以滑過在概念上是沒有區(qū)不的?；叶刃螒B(tài)膨脹是用最大值運(yùn)算代替卷積求和，用加法運(yùn)算代替卷積求乘積。是以結(jié)構(gòu)元素為模板，搜尋圖像在結(jié)構(gòu)元素大小范圍內(nèi)的灰度和的極大值?；叶刃螒B(tài)腐蝕是用最小值運(yùn)算代替求和，用減法運(yùn)算代替相關(guān)乘積。是以結(jié)構(gòu)元素為模板，搜尋圖像在結(jié)構(gòu)元素大小范圍內(nèi)的灰度和的微小值。從信號(hào)處理角度來看，灰度形態(tài)和差是一種極值濾波?；叶刃螒B(tài)腐蝕和膨脹相當(dāng)于局部的最小和最大運(yùn)算，那么灰度形態(tài)學(xué)確實(shí)是一種非線性的，不可逆的變換?；叶扰蛎浀挠?jì)確實(shí)是逐點(diǎn)進(jìn)行的，求某點(diǎn)的灰度值確實(shí)是計(jì)算該點(diǎn)局部范圍內(nèi)各點(diǎn)與結(jié)構(gòu)元素所對(duì)應(yīng)點(diǎn)的灰度值之和，并選擇其中的最大值作為該點(diǎn)的膨脹結(jié)果。通過膨脹后，目標(biāo)的邊緣得到了延伸?；叶雀g的計(jì)確實(shí)是逐點(diǎn)進(jìn)行的，求某點(diǎn)的灰度值確實(shí)是計(jì)算該點(diǎn)局部范圍內(nèi)各點(diǎn)與結(jié)構(gòu)元素所對(duì)應(yīng)點(diǎn)的灰度值之差，并選擇其中的最小值作為該點(diǎn)的腐蝕結(jié)果。通過腐蝕后，目標(biāo)的邊緣具有高灰度值的點(diǎn)的灰度會(huì)降低。在腐蝕和膨脹基礎(chǔ)上的二級(jí)運(yùn)確實(shí)是開閉運(yùn)算，分不用“”和“”表示。定義如下：(2-3)(2-4)開運(yùn)確實(shí)是先對(duì)圖像進(jìn)行腐蝕運(yùn)算，再進(jìn)行膨脹運(yùn)算。開運(yùn)算一般能平滑圖像的輪廓，削弱狹窄的部分，去掉細(xì)的突出。閉運(yùn)算則是先對(duì)圖像進(jìn)行了膨脹后腐蝕的操作。它也能平滑圖像的輪廓，它一般能融合窄的缺口和細(xì)長的彎口。2.3.2開閉濾波器的改進(jìn)算法1、將原始圖像進(jìn)行灰度化處理。2、對(duì)灰度圖像進(jìn)行開閉濾波，通過實(shí)驗(yàn)發(fā)覺，用方形結(jié)構(gòu)元素效果佳。3、對(duì)開閉濾波后的圖像結(jié)果進(jìn)行閾值二值化處理。4、將二值化處理后的結(jié)果和原灰度圖像比較，保留目標(biāo)灰度，背景灰度置為“255”。即為白色，那就能專門好的濾掉背景噪聲中的氣泡。實(shí)驗(yàn)結(jié)果：圖2-1為我們處理的原始圖像，為了便于觀看。我們截取一個(gè)片斷圖2-2來處理。圖2-1原始灰度圖 圖2-2截取的片段圖2-3（3×3）均值濾波 圖2-4（5×5）均值濾波圖2-5（3×3）中值濾波 圖2-6（5×5）中值濾波通過上面的對(duì)比能夠看出，均值濾波和中值濾波只能對(duì)較小的點(diǎn)狀噪聲有專門好的去噪效果。當(dāng)均值濾波器用（3×3）小模塊時(shí)，濾波效果明顯。當(dāng)模塊變大為（5×5）時(shí)，在降低噪聲的同時(shí)又會(huì)使圖像變得模糊，給圖像帶來損失。中值濾波器是一種非線性平滑濾波器，與均值濾波器相比，它在衰減噪聲的同時(shí)可不能使圖像的邊緣模糊，不具有邊緣模糊效應(yīng)。這是中值濾波器的要緊優(yōu)點(diǎn)。用中值濾波器能夠有效的去除點(diǎn)狀噪聲，同時(shí)可不能使邊緣變模糊。而關(guān)于癌細(xì)胞圖像中復(fù)雜的塊狀噪聲，均值濾波和中值濾波均不能有專門好的濾波效果。那么就需要在中值濾波的基礎(chǔ)上使用形態(tài)學(xué)的開閉濾波器來進(jìn)行預(yù)處理。開閉濾波結(jié)果：1、用半徑為2和4的圓盤形結(jié)構(gòu)元素分不來開閉濾波圖2-7原始灰度圖圖2-8半徑為2的圓盤開閉濾波圖2-9半徑為4的圓盤開閉濾波2、改用大小為（2×2）和（4×4）方形結(jié)構(gòu)元素來開閉濾波圖2-10原始灰度圖圖2-11（2×2）方形結(jié)構(gòu)元素圖2-12（4×4）方形結(jié)構(gòu)元素由上面的實(shí)驗(yàn)看出，結(jié)構(gòu)元素的類型和大小都將阻礙圖像的濾波效果。對(duì)此，我們選用方形（2×2）的結(jié)構(gòu)元素。然而關(guān)于下面圖像，用（2×2）的方形結(jié)構(gòu)元素并不能專門好的取得去噪的效果。圖2-13原始灰度圖圖2-14（2×2）方形結(jié)構(gòu)元素開閉濾波關(guān)于灰度圖中的復(fù)雜背景和氣泡噪聲，我們采納改進(jìn)的開閉濾波器。對(duì)開閉濾波結(jié)果進(jìn)行閾值二值化。對(duì)應(yīng)灰度圖像使背景噪聲置為“255”。圖2-15原始灰度圖圖2-16閾值二值化圖2-17濾波結(jié)果2.4形態(tài)學(xué)梯度2.4.1形態(tài)學(xué)梯度基于分水嶺變換的圖像分割方法，其性能在專門大程度上依靠于用來計(jì)算待分割圖像梯度的算法，對(duì)分水嶺而言，理想的梯度算子輸出應(yīng)等于輸入的邊緣高度，即邊緣兩邊像素的灰度差，而不是邊緣的斜率。自然圖像中一般專門少出現(xiàn)階躍邊緣，通常差不多上界限比較模糊的邊緣。關(guān)于這種邊緣類型，傳統(tǒng)的梯度算子輸出的是邊緣斜率，形態(tài)學(xué)梯度算子確能輸出高度。形態(tài)學(xué)梯度能夠用原始圖像與圖像的膨脹或腐蝕的處理結(jié)果進(jìn)行差分來計(jì)算。關(guān)于圖像f和結(jié)構(gòu)元素B常用的形態(tài)學(xué)梯度有以下三種定義：1、膨脹圖像和腐蝕圖像之間的算術(shù)差(2-5)2、原始圖像和腐蝕圖像之間的算術(shù)差(2-6)3、膨脹圖像和原始圖像之間的算術(shù)差(2-7)B選擇為圓盤狀結(jié)構(gòu)元素，“”和“”分不表示膨脹和腐蝕。圖2-18膨脹圖像-腐蝕圖像圖2-19原始圖像-腐蝕圖像圖2-20膨脹圖像-原始圖像形態(tài)學(xué)梯度比一般的局部斜率梯度定義更明顯地強(qiáng)調(diào)了結(jié)構(gòu)元素所定義的窗口內(nèi)的變化差異，形態(tài)學(xué)梯度使輸入圖像的灰度級(jí)躍變更為急劇。能夠使圖像中比較大的區(qū)域更加突出，它與各種空間算子不同的是，使用對(duì)稱結(jié)構(gòu)元素得到的形態(tài)學(xué)梯度對(duì)邊緣方向性的依靠更小。然而一般來講，形態(tài)學(xué)梯度的計(jì)算量會(huì)大一些。在式（2-5）中B只是單尺度的形態(tài)梯度算子，得到的圖（2-18），形態(tài)學(xué)梯度算子的性能取決于結(jié)構(gòu)元素B的大小，因此選擇形態(tài)結(jié)構(gòu)元素B就尤為重要。關(guān)于癌細(xì)胞圓形的形狀特性，我們采納圓盤形結(jié)構(gòu)元素來處理。假如B結(jié)構(gòu)元素太小，梯度算子雖有較高的空間分辨率，然而對(duì)斜坡邊緣只產(chǎn)生一個(gè)專門小的輸出結(jié)果。假如B梯度算子足夠大，則關(guān)于斜坡邊緣來講，該梯度算子的輸出就等于邊緣的高度，然而大的梯度算子會(huì)造成邊緣間的阻礙，將會(huì)導(dǎo)致梯度的極大值和邊緣的不一致。為了結(jié)合大結(jié)構(gòu)算子和小結(jié)構(gòu)算子的各自優(yōu)點(diǎn)，我們采納多尺度形態(tài)學(xué)學(xué)梯度算法[7]。設(shè)為一組圓盤形的結(jié)構(gòu)元素，其中的大小為個(gè)像素點(diǎn)。多尺度形態(tài)學(xué)梯度定義為(2-8)使用這一梯度算子對(duì)圖像處理，將得到反映所有邊緣高度的梯度圖像。由于多尺度的形態(tài)梯度算子G使用了取平均運(yùn)算，比單尺度的形態(tài)梯度算子抗噪聲的能力更強(qiáng)，關(guān)于噪聲較大的圖像能取得較好的效果。2.4.2形態(tài)學(xué)圖像重建傳統(tǒng)的開運(yùn)確實(shí)是先腐蝕，再膨脹操作。而閉運(yùn)算則是先膨脹，再腐蝕操作。而且傳統(tǒng)的開閉運(yùn)算只能去掉圖像的部分低灰度和高灰度細(xì)節(jié)，而形態(tài)學(xué)開重建運(yùn)算則是先做的開運(yùn)算，然后做重建。形態(tài)學(xué)閉運(yùn)算則是先做的閉運(yùn)算，然后做重建。綜上兩種運(yùn)算比較，形態(tài)學(xué)開閉重建對(duì)圖像梯度重建，消除了梯度圖像中由非規(guī)則灰度擾動(dòng)和噪聲引起的局部極值。物體顯著輪廓卻在重建過程中得以恢復(fù)，使圖像在簡化的同時(shí)保持要緊對(duì)象的形狀信息。有兩個(gè)圖像：原始灰度圖像和參考圖像。也稱為掩膜圖像，稱為標(biāo)記圖像。一、測(cè)地膨脹定義如下：(2-9)(2-10)（i=1,2,3,...）其中B為圓盤形結(jié)構(gòu)元素,形態(tài)學(xué)測(cè)地膨脹為迭代運(yùn)算，當(dāng)i達(dá)到預(yù)定次數(shù)或者時(shí)，迭代終止。二、測(cè)地腐蝕的定義如下：(2-11) (2-12)（i=1,2,3,...)形態(tài)學(xué)測(cè)地腐蝕為迭代運(yùn)算，當(dāng)i達(dá)到預(yù)定次數(shù)或者時(shí)，迭代終止。三、形態(tài)學(xué)開閉運(yùn)算分不定義如下：(2-13)(2-14)其中和分不表示形態(tài)學(xué)測(cè)地膨脹和測(cè)地腐蝕的收斂結(jié)果。構(gòu)造形態(tài)學(xué)混合開閉算法，以原圖像的腐蝕作為標(biāo)記圖像做膨脹重建，就得到重構(gòu)開。以原圖像的膨脹作為標(biāo)記圖像做腐蝕重建，就得到重構(gòu)閉。先采納形態(tài)學(xué)開運(yùn)算消除梯度圖像中的非規(guī)則干擾和尺度比結(jié)構(gòu)元素B小的極大值噪聲,隨后再進(jìn)行形態(tài)學(xué)閉重建運(yùn)算去除比結(jié)構(gòu)元素B小的暗噪聲。修正了區(qū)域極大值和微小值,減少甚至消除了由于噪聲干擾和細(xì)節(jié)造成的分水線位置偏移,具有準(zhǔn)確的輪廓定位能力,減小了區(qū)域輪廓線的位置偏移,且明顯改善了因局部微小值過多造成的分水嶺過分割現(xiàn)象。2.5分水嶺分割梯度圖像通過開閉重建后消除了明暗噪聲和非規(guī)則擾動(dòng)，進(jìn)一步減少了局部微小值點(diǎn)，接下來我們將通過修改標(biāo)記符來修正梯度圖像，我們通過三個(gè)步驟來進(jìn)行改進(jìn)。1、用標(biāo)記把細(xì)胞圖像中的相關(guān)細(xì)胞目標(biāo)和背景標(biāo)記出來，得到一副標(biāo)記圖；2、依照標(biāo)記的圖像，運(yùn)用形態(tài)學(xué)微小值技術(shù)來對(duì)梯度圖像進(jìn)行修正；3、對(duì)修正后的梯度圖像進(jìn)行分水嶺，產(chǎn)生分割的細(xì)胞圖像。2.5.1修改標(biāo)記符梯度圖的分水嶺變換為了消除分水嶺算法產(chǎn)生的過分割，采納對(duì)癌細(xì)胞圖像的內(nèi)部（前景）和外部（背景）分不進(jìn)行標(biāo)記區(qū)不?，F(xiàn)在，每個(gè)癌細(xì)胞對(duì)象的前景像素點(diǎn)差不多上相通的。背景里面的任何像素點(diǎn)都屬于任何癌細(xì)胞對(duì)象。再用分水嶺算法會(huì)取得較好的效果。標(biāo)記分水嶺算法是分水嶺算法的一種改進(jìn)算法，它在癌細(xì)胞圖像上進(jìn)行標(biāo)記，標(biāo)記能夠?yàn)橐粋€(gè)點(diǎn)，一條線，或者一片區(qū)域。重要的不是標(biāo)記的形狀，而是它所在的位置。每一個(gè)標(biāo)記都代表了圖像的最終分割區(qū)域，即癌細(xì)胞圖像中每個(gè)癌細(xì)胞所在的位置。標(biāo)記符是一個(gè)圖像的連通重量。癌細(xì)胞圖像分割好壞的關(guān)鍵確實(shí)是標(biāo)記的選取。我們提出了應(yīng)用標(biāo)記符算法來解決過分割問題，我們通過一個(gè)內(nèi)部標(biāo)記符集合（我們感興趣的目標(biāo)內(nèi)）和一個(gè)外部標(biāo)記符集合（背景）來修改梯度圖像。通過計(jì)算圖像的“擴(kuò)展的最小變換”，使用函數(shù)imextendedmin來獲得內(nèi)部標(biāo)記符集合：該函數(shù)可通過設(shè)定某個(gè)高度閾值h來擴(kuò)展“局部最小區(qū)域”，即比周圍更深的點(diǎn)的集合。接下來，我們需要查找那些屬于背景的外部標(biāo)記，即為分水嶺的脊線。本文采納的查找方法是用二值圖像的距離去進(jìn)行分水嶺變換。理論上講就外部標(biāo)記可不能靠目標(biāo)邊緣太近。癌細(xì)胞梯度圖像作為分水嶺分割的輸入圖像，然后利用內(nèi)部標(biāo)記和外部標(biāo)記通過形態(tài)學(xué)中的微小值標(biāo)定技術(shù)[9]來修改梯度圖像，屏蔽掉原有圖像中的所有局部微小值。因此，修改后的梯度圖像中，只有對(duì)應(yīng)二值標(biāo)記圖像中不為零的地點(diǎn)強(qiáng)制有局部微小值。修改微小值后的梯度圖像用表示。即(2-15)其中表示形態(tài)學(xué)微小值標(biāo)定操作，分水嶺分割在上進(jìn)行，最終得到理想的分割區(qū)域結(jié)果，記作。分水嶺算法表示如下：(2-16)其中是分水嶺算法的分割算子。2.5.2具體實(shí)現(xiàn)步驟1、預(yù)先設(shè)定一個(gè)高度閾值h來擴(kuò)展“局部最小區(qū)域”，將二值圖像前景像素的深局部最小區(qū)域位置標(biāo)記出來。2、標(biāo)記外部標(biāo)記符，查找那些屬于背景的外部標(biāo)記，即為分水嶺的脊線。本文采納的查找方法是用二值圖像的距離去進(jìn)行分水嶺變換。3、通過強(qiáng)制最小技術(shù)（minimaimposition)修正梯度。4、對(duì)修正的圖像進(jìn)行標(biāo)準(zhǔn)的分水嶺分割。2.6細(xì)胞形態(tài)學(xué)特征計(jì)算我們得到被分割的癌細(xì)胞圖像，下一步確實(shí)是把圖像轉(zhuǎn)化成二值圖像進(jìn)行連通對(duì)象標(biāo)注。二值圖像中像素只能取1值（白色的前景）和0值（黑色的背景），實(shí)際中圖像的前景往往由多個(gè)彼此分離的目標(biāo)重量組成。假如我們把每個(gè)細(xì)胞前景目標(biāo)的像素值都分配一個(gè)唯一的整數(shù)。各個(gè)細(xì)胞目標(biāo)的像素值依次被給予1、2、3……。背景的像素值取0。如此便實(shí)現(xiàn)了細(xì)胞目標(biāo)的連接對(duì)象標(biāo)注。所得的新的圖像稱為標(biāo)記矩陣。矩陣大小和原圖像大小相同，如此就能得到連接重量目標(biāo)的總數(shù)。regionprops是用來度量圖像中不同區(qū)域?qū)傩缘暮瘮?shù)[10]。表示形式是：stats=regionprops(L,properties)。假如properties等于字符串'all'，則所有屬性都將被計(jì)算。分不是：面積'Area',周長'perimeter',質(zhì)心'Centroid'。在調(diào)用regionprops之前必須將二值圖像轉(zhuǎn)變?yōu)闃?biāo)注矩陣。[L,n]=bwlabel(BW);bwlabel函數(shù)能夠把二值圖像轉(zhuǎn)變成標(biāo)注矩陣。L中不同的正整數(shù)元素對(duì)應(yīng)不同的區(qū)域。n代表標(biāo)記連通區(qū)域的個(gè)數(shù)。1、統(tǒng)計(jì)數(shù)目統(tǒng)計(jì)分割后癌細(xì)胞的數(shù)目，通過對(duì)二值化后的圖像進(jìn)行標(biāo)記。查找連通區(qū)域。那么連同區(qū)域的個(gè)數(shù)確實(shí)是我們所要統(tǒng)計(jì)的癌細(xì)胞的個(gè)數(shù)。2、面積計(jì)算癌細(xì)胞的面積就用癌細(xì)胞邊界所圍區(qū)域所包含的像素?cái)?shù)表示，在數(shù)字圖像中，區(qū)域面積能夠定義為區(qū)域內(nèi)索含的像素的個(gè)數(shù)。即能夠?qū)^(qū)域內(nèi)部的像素標(biāo)記為，區(qū)域外部標(biāo)記為。則面積為：(2-17)3、周長計(jì)算癌細(xì)胞的周長確實(shí)是用邊界像素點(diǎn)連接成的閉合曲線的周長。4、質(zhì)心計(jì)算癌細(xì)胞的質(zhì)心確實(shí)是每個(gè)細(xì)胞區(qū)域的重心。用regionprops中'Centroid'屬性來度量。Centroid的第一個(gè)元素是重心水平坐標(biāo)（x坐標(biāo)）、第二個(gè)元素是重心垂直坐標(biāo)（y坐標(biāo)）。3實(shí)驗(yàn)仿真結(jié)果分析我們選取宮頸癌細(xì)胞圖像作為對(duì)象來分割。原始處理的圖像如圖3-1所示。圖3-1原始癌細(xì)胞圖像圖3-2原始圖像分水嶺分析上面兩圖，正如圖3-2所示，直接進(jìn)行分水嶺能夠?qū)е虏糠钟纱罅烤植孔钚^(qū)域引起的過分割結(jié)果。要緊緣故是原始圖中存在專門多噪聲沒有濾除。一、我們現(xiàn)在截取其中的一粘連片段作處理，觀看效果。圖3-3原始灰度圖圖3-4原始圖像分水嶺圖3-5中值濾波圖3-6開閉濾波原始圖像如圖3-3所示，對(duì)它進(jìn)行分水嶺同樣存在大量局部最小區(qū)域引起的過分割結(jié)果，如圖3-4所示。把這些最小值的專門多不相關(guān)細(xì)節(jié)對(duì)圖像的阻礙降到最低的有效解決方法是對(duì)原始圖像（圖3-3）用（3×3）大小的結(jié)構(gòu)元素對(duì)圖像采納進(jìn)行中值濾波，得到圖3-5。再進(jìn)行形態(tài)學(xué)的開閉濾波處理。得到圖3-6。圖3-7原始灰度圖圖3-8閾值化灰度圖像然而對(duì)包含了專門多的氣泡噪聲的圖像，見圖3-7所示。通過中值濾波和形態(tài)學(xué)開閉濾波都不能達(dá)到專門好的效果，通過反復(fù)實(shí)驗(yàn)證明，通過閾值化灰度圖像能夠?yàn)V掉這些氣泡噪聲，同時(shí)保留原始目標(biāo)圖像。圖3-8表示最終濾波的灰度圖。圖3-9掩膜圖像圖3-10標(biāo)記圖像圖3-11開重建圖3-12是圖3-11進(jìn)過膨脹的圖像圖3-13經(jīng)重構(gòu)式開閉的結(jié)果我們同時(shí)選用半徑為1的圓盤形結(jié)構(gòu)元素來對(duì)濾波后的灰度圖像進(jìn)行開閉重建。下面是所得到的結(jié)果。首先把通過中值濾波和形態(tài)學(xué)開閉濾波后的圖像(圖3-9)作為我們的原始圖像，作為掩膜圖像I，掩膜圖像I通過腐蝕后的圖像(圖3-10)作為標(biāo)記圖像J。圖3-11確實(shí)是圖像J對(duì)圖像I進(jìn)行形態(tài)重構(gòu)的結(jié)果。即是I通過重建式開濾波器后的圖像。接下來，我們選擇圖3-11作為我們的掩膜圖像I1，對(duì)I1進(jìn)行膨脹得到圖3-12，作為我們的標(biāo)記圖像J1，圖3-13為J1對(duì)I1的形態(tài)重構(gòu)，即是I1進(jìn)過重構(gòu)式閉形態(tài)學(xué)濾波器的結(jié)果，也是圖3-9原始濾波后圖像通過重構(gòu)式開閉濾波器的結(jié)果。二、檢測(cè)目標(biāo)對(duì)象邊緣，求其梯度圖。我們對(duì)圖3-13經(jīng)重構(gòu)式開閉后的圖像求取形態(tài)學(xué)梯度，得到圖3-14。然而我們明白圖3-14是用單尺度的結(jié)構(gòu)元素得到的結(jié)果。我們想要得到更加準(zhǔn)確的梯度結(jié)果。本文采納一組多尺度的正方形結(jié)構(gòu)元素。得到圖3-15。為了觀看多尺度的形態(tài)梯度比單尺度的形態(tài)學(xué)梯度好。我們用imregionalmin函數(shù)來觀看它們的局部最小區(qū)域。分不用圖3-16和圖3-17顯示。圖3-14形態(tài)學(xué)梯度圖3-15多尺度形態(tài)梯度圖3-16（圖3-14的局部最小區(qū)域）圖3-17（圖3-15的局部最小區(qū)域）三、盡管用多尺度的正方形結(jié)構(gòu)元素得到的梯度仍然有專門復(fù)雜的局部最小區(qū)域，我們接下來對(duì)得到的圖3-18多尺度的形態(tài)梯度進(jìn)行梯度優(yōu)化。減少對(duì)我們無關(guān)的微小值，減少過分割問題。圖3-18梯度優(yōu)化圖3-19（圖3-18的局部最小區(qū)域）四、基于灰度圖像的內(nèi)外標(biāo)記，利用獵取的外部標(biāo)記圖像和內(nèi)部標(biāo)記圖像強(qiáng)制作為梯度圖像的局部最小值,屏蔽掉原先的所有局部最小值,修改梯度圖像。圖3-20內(nèi)部標(biāo)記圖3-21分水嶺脊線圖3-22修改后的梯度圖像圖3-23分水嶺結(jié)果圖3-24分割結(jié)果二值化五、對(duì)分割開的癌細(xì)胞圖像，進(jìn)行數(shù)目的統(tǒng)計(jì)，面積，周長和質(zhì)心的計(jì)算。首先對(duì)最終分割的細(xì)胞圖像轉(zhuǎn)換成二值圖像，對(duì)二值圖像進(jìn)行連通區(qū)域的標(biāo)記。然后對(duì)每個(gè)聯(lián)通區(qū)域（單獨(dú)的細(xì)胞）進(jìn)行面積和周長的計(jì)算。第一種方法：1、我們采納計(jì)算連通區(qū)域邊界所圍的像素之和來計(jì)算癌細(xì)胞面積。2、利用函數(shù)bwperim提取連通區(qū)域的邊界。如c=bwperim(Label,4);其中Label是標(biāo)記了的各個(gè)連通區(qū)域。再對(duì)每個(gè)聯(lián)通區(qū)域求他們的周長，即周圍邊界相素點(diǎn)之和。第二種方法：用regionprops函數(shù)求解。如下所示：stats=regionprops(Label,'ALL');S=[stats.Area];計(jì)算面積。P=[stats.Perimeter];計(jì)算周長C=[stats.Centroid];計(jì)算質(zhì)心圖3-27細(xì)胞圖像的數(shù)目，面積和周長統(tǒng)計(jì)如下：表3-1細(xì)胞特性統(tǒng)計(jì)表個(gè)數(shù)15標(biāo)記123456789101112131415面積4413338122793344109643446135494031周長204019352717203528162138211816在細(xì)胞的二值圖像中，由于細(xì)胞均由像素為“1”的像素點(diǎn)構(gòu)成，然而通過求邊界像素點(diǎn)之和得到的周長就不能專門好的反應(yīng)凹凸細(xì)胞的周長。通過regionprops函數(shù)求出的周長則充分考慮了細(xì)胞的凹凸特性?，F(xiàn)在我們比較這兩種方法求出的周長。周長1那一行得出的數(shù)據(jù)是通過計(jì)算邊界像素點(diǎn)得出的結(jié)果。周長2那一行得出的周長數(shù)據(jù)是通過regionprops函數(shù)計(jì)算出的結(jié)果。表3-2兩種方法計(jì)算周長的結(jié)果比較標(biāo)記12345678周長12040193527172035周長222.485343.899521.071138.727930.727918.242621.656937.8995表3-3兩種方法計(jì)算周長的結(jié)果比較標(biāo)記9101112131415周長128162138211816周長232.313718.485323.071141.899523.071121.313717.6569我們通過觀看表3-2和表3-3比較看出，標(biāo)記1和標(biāo)記7兩個(gè)細(xì)胞，通過計(jì)算邊界像素點(diǎn)的和，它們的周長均為20，然而通過regionprops函數(shù)得出的周長確不一樣。標(biāo)記10和標(biāo)記15同樣也是這種情況。因?yàn)橹皇呛唵蔚膶?duì)輪廊線上的像素值進(jìn)行累積計(jì)算，則會(huì)使垂直，水平方向的長度夸大。能夠看出通過regionprops函數(shù)計(jì)算的細(xì)胞周長是周圍像素點(diǎn)所圍曲線的長度。更能體現(xiàn)各個(gè)癌細(xì)胞實(shí)際值。我們現(xiàn)在另外截取一比較復(fù)雜粘連癌細(xì)胞圖像來進(jìn)行處理觀看。預(yù)處理時(shí)期，如圖3-25所示。首先對(duì)圖像用大小為（2×2）的正方形結(jié)構(gòu)元素對(duì)圖像進(jìn)行形態(tài)學(xué)開閉濾波，然后接著用（3×3）大小的結(jié)構(gòu)元素對(duì)圖像進(jìn)行中值濾波，得到圖3-26。然而我們從圖中能夠看出背景中仍然有專門多噪聲沒有被濾除潔凈。因此再對(duì)圖像進(jìn)行灰度閾值化，通過多次實(shí)驗(yàn)取閾值130，效果最好。得到圖3-27的結(jié)果。3-25原始圖像3-26濾波后圖像圖3-27灰度閾值后圖像圖3-28單尺度梯度圖3-29局部微小區(qū)域圖3-30多尺度梯度圖3-31局部微小區(qū)域梯度優(yōu)化時(shí)期，我們明白形態(tài)學(xué)梯度比一般的預(yù)定義濾波器更能準(zhǔn)確的定位邊緣，能夠更好的一直噪聲。因此首先對(duì)圖3-27分不求其單尺度形態(tài)梯度和多尺度形態(tài)梯度，再分不觀看他們的局部微小區(qū)域和標(biāo)準(zhǔn)分水嶺分割結(jié)果。專門顯然多尺度結(jié)構(gòu)元素求得的形態(tài)學(xué)梯度更能專門好的抑制圖像的過多微小值。對(duì)噪聲復(fù)雜的圖像能取得較好的效果。分水嶺分割時(shí)期，我們接下來再通過梯度閾值化對(duì)多尺度梯度進(jìn)行優(yōu)化。降低分水嶺過分割現(xiàn)象。再對(duì)我們開閉濾波的圖像進(jìn)行內(nèi)部標(biāo)記和外部標(biāo)記。圖3-31梯度優(yōu)化圖3-32局部微小區(qū)域圖3-33內(nèi)部標(biāo)記圖3-34分水嶺脊線最后我們用強(qiáng)制最小值技術(shù)去修正優(yōu)化后的梯度。再對(duì)優(yōu)化后的梯度進(jìn)行標(biāo)準(zhǔn)分水嶺。圖3-35修正后的梯度圖3-36分水嶺結(jié)果我們選擇更為復(fù)雜的粘連細(xì)胞圖像，他們的分割結(jié)果如下所示：圖3-37原灰度圖圖3-38分割細(xì)胞偽彩圖圖3-39二值圖面積，周長，質(zhì)心結(jié)果統(tǒng)計(jì)如下：表3-4上述細(xì)胞特性統(tǒng)計(jì)個(gè)數(shù)6標(biāo)記123456面積1306031264643周長40.142127.071119.414216.828423.656922.8284質(zhì)心x坐標(biāo)19.815431.033331.548437.269239.521746.4651y坐標(biāo)65.792354.650045.387135.461548.500041.2093圖3-40原灰度圖圖3-41分割細(xì)胞偽彩圖圖3-42二值圖面積，周長，質(zhì)心結(jié)果統(tǒng)計(jì)如下：表3-5上述細(xì)胞特性統(tǒng)計(jì)標(biāo)記123456面積10241413617151周長37.071121.071121.656920.828448.384825.8995質(zhì)心x坐標(biāo)28.362733.585438.170742.388944.777837.3450y坐標(biāo)51.794126.463419.122055.777837.345050.4510表3-6接表3-5的細(xì)胞特性統(tǒng)計(jì)標(biāo)記78910111213面積515138494516851周長23.899525.899521.071123.313723.071148.384825.0711質(zhì)心x坐標(biāo)20.941245.019610.313713.552621.571499.428697.3725y坐標(biāo)73.176575.745183.526387.71439.088935.220213.3725關(guān)于復(fù)雜噪聲的下圖分割結(jié)果：圖3-43灰度圖圖3-44分割結(jié)果六、與閾值分割和基于距離變換的分水嶺分不作對(duì)比閾值分割：是一種最常用的圖像分割方法，它特不適用于目標(biāo)和背景占據(jù)不同灰度級(jí)范圍的圖像，我們處理的癌組織細(xì)胞圖像中細(xì)胞的灰度級(jí)范圍普遍低于噪聲和背景的灰度級(jí)范圍。我們選擇迭代方法選取閾值。初始閾值選取為圖像的平均灰度，然后用將圖像的象素點(diǎn)分作兩部分，計(jì)算兩部分各自的平均灰度，小于的部分為，大于的部分為。計(jì)算，將作為新的全局閾值代替，重復(fù)以上過程，如此迭代，直至收斂，即。圖3-45閾值分割圖3-46距離變換后分水嶺和本文算法結(jié)果對(duì)比閾值分割得到二值圖像比較粗糙，它只是把目標(biāo)對(duì)象從背景中提取出來，對(duì)粘連在一起的細(xì)胞對(duì)象并沒有分割開。而通過距離變換使二值圖像目標(biāo)的位置信息轉(zhuǎn)換成灰度圖像，進(jìn)行分水嶺的結(jié)果與本文采納的基于梯度的分水嶺結(jié)果相比較，存在過分割和欠分割現(xiàn)象，本文的算法能較好地抑制過分割。4結(jié)論4.1全文總結(jié)在畢業(yè)設(shè)計(jì)開展的期間，本人查閱了關(guān)于形態(tài)學(xué)圖像分析和改進(jìn)分水嶺方法相關(guān)的多種資源，包括書籍，論文，網(wǎng)絡(luò)以及各種matlab的專業(yè)論壇。學(xué)習(xí)并研究了圖像處理與分析的要緊理論和方法。本文的要緊目的是對(duì)宮頸癌組織細(xì)胞進(jìn)行改進(jìn)分水嶺分割研究，進(jìn)行細(xì)胞計(jì)數(shù)和細(xì)胞特征提取，然而由于宮頸癌細(xì)胞粘連情況比較嚴(yán)峻，因此細(xì)胞分割成為本論文的研究內(nèi)容和難點(diǎn)。關(guān)于醫(yī)學(xué)癌細(xì)胞圖像在進(jìn)行分水嶺算法之前，首先對(duì)原始圖像進(jìn)行濾波預(yù)處理。用中值濾波器濾除部分噪聲。在此基礎(chǔ)上我