摘 要： 在分水嶺算法基礎上融合多種方法，試圖找出適合粘連蟲卵圖像的有效分割方法。通過對比實驗發(fā)現(xiàn)，最小誤差閾值法、極小值合并、分水嶺等多種方法的融合能夠準確地將粘連蟲卵圖像分離，取得很好的效果。
關鍵詞： 分水嶺算法；圖像分割；多方法融合；蟲卵圖像
寄生蟲病是影響家畜及人類健康的一種傳染病，而對寄生蟲蟲卵進行識別和計數(shù)是控制和預防人畜寄生蟲病的重要手段和環(huán)節(jié)。傳統(tǒng)的檢驗方法對研究人員的操作執(zhí)行能力要求高，依賴于工作的經(jīng)驗及技術，且不能妥善保存和重現(xiàn)結果等，因此不能適應現(xiàn)代新技術發(fā)展的需求。隨著計算機圖像處理技術的快速發(fā)展，國內(nèi)外已對寄生蟲蟲卵進行數(shù)字信息化存儲和識別研究[1-4]，取得了一定的成績。但在蟲卵顯微圖像中，經(jīng)常出現(xiàn)多個蟲卵粘連在一起的情況，如何把它們分離開是圖像處理需要解決的難題。在已有方法[5]中，分水嶺算法結合距離變換能夠將其進行分離，但在處理此類圖像時極易造成過分割現(xiàn)象。本文在分水嶺算法基礎上，融合多種方法，合理配置，旨在取得有效結果，有效避免了過分割現(xiàn)象，能夠準確分割粘連蟲卵圖像，為蟲卵圖像的識別奠定基礎。
1 基本原理及方法
1.1 最小誤差閾值法
最小誤差閾值法[6]基于Bayes理論，是由KITTLER J和ILLINGWORTHY J提出的，通過信息論中的熵的概念進行描述。
設定圖像大小為M×N，用函數(shù)f（x，y）來表示圖像上各個點的灰度值，x為該點的橫坐標，y為該點的縱坐標，有f（x，y）∈G=[0，1，…L-1]，圖像的灰度直方圖用h（g）來表示。假設灰度圖像由目標區(qū)域和背景區(qū)域組成，且二者組成的混合總體的概率密度函數(shù)為：
本文應用最小誤差分割法將蟲卵圖像進行閾值分割，能夠很好地將蟲卵圖像二值化，為后續(xù)處理打下基礎。
1.2 形態(tài)學分水嶺變換的分割方法
形態(tài)學方法的目的是選取一定的形態(tài)結構元素處理圖像，提取圖像中特征區(qū)域及一定程度上消除雜質及噪聲。數(shù)學形態(tài)學中的基本運算基于膨脹和腐蝕兩個基本運算。本文應用形態(tài)學膨脹腐蝕算法來進一步削弱蟲卵圖像中蟲卵的粘連程度，而且可以有效消除閾值處理后的蟲卵圖像中的部分噪聲及雜質，為后期的距離變換及分水嶺分割作鋪墊。
分水嶺分割算法的原理是：將灰度圖像視為起伏的地貌模型，圖像中的各個像素的灰度值對應模型中的海拔高度，將灰度值的局部極小值區(qū)域視為盆地，隨水慢慢侵入至盆地填滿時，兩個或多個盆地之間修筑水壩，最終水壩將各個盆地包圍，即得到各個分水嶺及目標圖像，達到分割粘連圖像的目的。
2 實驗
本文方法在Matlab環(huán)境下運行實現(xiàn)，為了驗證該方法的有效性，采用粘連性較強的蟲卵圖像進行實驗，并比對其他方法進行分析討論。
2.1 本文方法的具體過程
本文方法的具體過程如下：
?。?）利用最小誤差法對蟲卵圖像進行二值化處理；
?。?）將蟲卵圖像進行形態(tài)學重構，膨脹填充并去除邊界非完整蟲卵信息，進行腐蝕運算，消除部分雜質和噪聲；
（3）用距離變換將步驟（2）中的二值圖像轉換為灰度圖像，得到各個灰度值；
?。?）根據(jù)步驟（3）中得到的灰度圖像的灰度值改善圖像的局部極小值區(qū)域；
?。?）根據(jù)得到的局部極小值區(qū)域進行分水嶺分割，進行標記處理，最終將粘連蟲卵分離。
圖1給出了本文方法的過程圖。
2.2 與單一分水嶺變換方法分割的對比
分水嶺算法中，每一個局部極小值對應一個分割區(qū)域，在這些局部極小值點中，既包含真實目標蟲卵的極小值點，同時也包含背景噪聲及邊緣引起的錯誤極小值點，大量錯誤極小值點經(jīng)過分水嶺變換，最后造成了過分割等現(xiàn)象。由圖2可以看出，本文方法中用局域極小值合并的方法有效消除錯誤極小值點帶來的影響，能夠進行有效粘連分割，避免了分水嶺算法直接用距離變換造成的過分割情況。
2.3 與其他方法融合后的對比
圖3顯示了本文方法與其他方法融合后的比較結果。對比融合sobel方法的分割效果，本文方法能夠得到更加清晰且平滑的蟲卵邊緣；對比融合otsu方法的分割效果，本文方法邊緣及內(nèi)部信息完整，填充后的效果更佳，能夠將蟲卵的內(nèi)部區(qū)域與背景區(qū)域很好區(qū)分。
在求取極小值區(qū)域時常用到極限腐蝕的方法進行處理，在處理蟲卵圖像的過程中，由于極限腐蝕得到的極小值區(qū)域面積過小，產(chǎn)生誤差較大，不能很好地進行粘連蟲卵分離。對比極限腐蝕方法，本文方法在處理粘連蟲卵圖像時得到的極小值區(qū)域優(yōu)于極限腐蝕方法，能夠準確將粘連蟲卵分離。圖4給出了兩者比較的效果圖。
本文在采用基于分水嶺算法的多方法融合方法將粘連蟲卵圖像進行分割時，發(fā)現(xiàn)分水嶺與最小誤差閾值法、極小值合并方法的融合效果顯著，實驗論證了該方法的有效性，此方法對粘連蟲卵圖像分割較為適用。
參考文獻
[1] SOMMER C . Digital image analysis and identification of eggs bovine parasitic nematodes[J]. Journal of Helminthology，1996，70（2）：143-151.
[2] THEODOROPOULOS G， LOUMOUS V， ANAGOSTOPOULOS C， et al. A digital image analysis and neural network based system for identification of third-stage parasitic strongyle lare from domestic animals[J]. Computer Methods and Programs in Biomedicine， 2000，62（2）：69-76.
[3] 趙亞娥.人體寄生蟲蟲卵圖像的自動識別[J].中國體視學與圖像分析，1997，2（3）：135-138.
[4] 石俊杰，阿木古楞，哈斯蘇榮.基于改進變形雅克比-傅里葉矩的不變性分析[J].微型機與應用，2011，30（8）：42-44.
[5] 張芹，侯德文.形態(tài)學分水嶺算法在粘連圖像中的應用[J].微型機與應用，2012，31（9）：44-49.
[6] KITTLER J， ILLINGWORTH J. Minimum error thresholding[J]. Pattern Recognition，1986，19（1）：41-47.