基于局部自適應閾值的細胞圖像分割方法

（武漢理工大學a.材料科學與工程學院; b.計算機科學與技術學院， 武漢 430070)



摘 要：

為了實現對細胞圖像的有效分割，提出了一種自適應的圖像分割算法。該算法首先將整幅圖像分為若干子塊；然后計算每個子圖像的梯度直方圖，對每幅子圖像進行Otsu分割；最后還考慮圖像中噪聲的影響，采用形態學噪聲濾波器去噪。實驗結果表明，該算法對細胞圖像細節有很好的區分和分割，適用于背景與目標對比不是很明顯并具有一定噪聲的圖像。

關鍵詞：閾值分割； 自適應閾值； 局部閾值

中圖分類號：TP391.41 文獻標志碼：A

文章編號：1001-3695(2009)02-0755-02



Cell image segmentation method based on partial adaptive thresholds



MA Bao-guoa， QIAO Ling-lingb， JIA Yin-bob

(a.School of Materials Science Engineering， b. School of Computer Science Technology， Wuhan Univertsity of Technology， Wuhan 430070， China）



Abstract:The paper proposed an adaptive segmentation algorithm to segment the cell images efficiently. First，divided the whole image into several parts， then computed the grads histogram each parts and performed OTSU segmentation， at last， consi-dered the effect of yawp in the image and removed the yawp with morphologic yawp filter. The experimental results show that the algorithm can well differentiate and segmentate detail of the cell image，and applys to the image that unconspicuous between background and objects and being some yawp.

Key words：threshold segmentation; adaptive threshold; partial threshold



圖像分割是將圖像中有意義的特征部分提取出來，這是進一步進行圖像識別、分析和理解的基礎。在眾多的圖像分割算法中，閾值分割是一種簡單的、常用的方法[1]，通過選擇一個或幾個適合的灰度閾值，原圖像中的目標和背景就能被分開。它不僅可以極大地壓縮數據量，而且也大大簡化了圖像信息的分析和處理步驟。閾值法分割的結果依賴于閾值的選取，確定閾值是閾值法分割的關鍵，也是閾值分割的一個難題[2，3]，閾值分割實質上就是按照某個準則求出最佳閾值的過程。目前，已經有大量的閾值分割方法。其中自適應閾值被認為是一種可能對多數圖像分割均適用的處理方法，其主要是針對圖像特征的不同能產生適合的閾值。在自適應閾值的基礎上，本文提出了一種局部自適應閾值分割算法，在處理目標與背景不明顯的圖像中有較好的效果。

1 閾值分割算法

閾值分割是將灰度根據主觀愿望分為兩個或多個等間隔或不等間隔的灰度區間，其主要是利用圖像中要提取的目標物體與背景在灰度上的差異，選擇一個合適的閾值，通過判斷圖像中的每一個像素點的特征屬性是否滿足閾值的要求來確定圖像中該像素點屬于目標區域還是應該屬于背景區域，從而產生二值圖像。一般意義下，閾值運算可以看做是一種對圖像中某點的灰度函數，或者該點的某種局部特性(如該點的平均灰度)及該點在圖像中的位置的檢驗，這種閾值檢驗函數可記做：

T=T[x，y， f(x，y)， p(x，y)]



其中：f(x，y)是點(x，y)的灰度值；p(x，y)是點(x，y)的局部鄰域特性。如果F(x，y)＞T[x，y，f(x，y)，p(x，y)]，則點(x，y)記做物體點；反之則記做背景點。

這里，當T僅僅取決于f(x，y)時，閾值就是全局的；當T同時取決于f(x，y)和p(x，y)時，閾值就是局部的；另外，當T取決于(x，y)的坐標，閾值就是自適應的。

閾值的選擇通常是利用直方圖，因為直方圖分析的門限分割法最直觀，應用最普遍。這種方法對于直方圖具有明顯的雙峰圖像，可獲得很好的分割效果。在圖像內容不太復雜、灰度分布較集中的情況下，往往采用最簡單的全局閾值，并不考慮圖像中點的位置和其鄰域性質。但現實生活中大多數自然景象的圖像直方圖變化豐富，很少表現為明顯的雙峰，對于這類圖像，一種方法是將圖像分成若干小塊即子圖像，并對每塊設定局部閾值；另一種方法是根據空間信息和灰度信息值采用自適應閾值。局部方法不能決定單一的閾值，自適應閾值依賴于局部圖像的特點。由于各個子圖的閾值化是獨立進行的，在相鄰子圖像邊界處的閾值會有突變，應該以采用適當的平滑技術消除這種不連續性，子圖像之間的相互交疊也有利于減小這種不連續性。

2 局部自適應閾值分割算法

在文獻[4]中提出了一種局部自適應閾值分割算法，該算法的局部閾值與坐標無關，用被分割目標的形態學特點來判斷子圖像的性質，對于目標與背景的分離度較小的圖像有較好的效果。但是，對每幅子圖像分割的結果中很可能還含有仍然要進行分割的模糊區域；另外該算法對于噪聲的影響，適應性比較差。因此可以對該算法進行改進，以盡可能減少模糊區域。本文提出一種新的局部自適應閾值分割算法，其基本步驟如下：

a）將整幅大小為m×n的圖像分為M×N個子塊，m和n分別為M和N的整數倍。

b）計算其梯度直方圖，即計算每個子圖像中像素點的梯度分布。這樣做的目的是僅考慮子圖像中與邊緣信息有關的像素點，從而使所得直方圖與原始直方圖之間相比，雙峰基本保持不變，而谷底變得更深。

c）對每幅子圖像進行Otsu分割[5，6]。由于b)中，使直方圖的谷底得到了強化，繼續使用Otsu分割方法，可以容易地得到各個子圖像的最優分割閾值。

使用該算法的關鍵，是對每幅子圖像進行梯度直方圖的求取。如果直方圖的尖峰很窄，而谷底很寬，則利用Otsu法可以得到更好的分割閾值。由前面的討論可以知道，圖像中目標與背景的邊緣，可以由像素的灰度變化即梯度來確定。在步驟b）中，利用檢測各像素點的梯度值來確定該像素是否處在邊緣上或是否與邊緣信息相關，得到的像素點在目標實際邊緣的兩側作基本對稱的分布。可見，這一步驟并不是要準確地提取出目標的邊緣，其目的只是為了使直方圖更接近于容易被Otsu閾值分割處理的理想狀態。除此之外，將整幅圖像分割成若干子圖像，也是考慮到目標和背景的差別有時并不十分明顯，如果使用全局閾值，目標信息有可能會湮沒在背景信息中，因此將圖像分為小區域，使其滿足閾值選取與坐標相關的自適應特點。

上面描述了該算法的三個基本步驟，對每幅子圖像進行Otsu分割。會得到若干不同的閾值，在處理目標與背景特征不十分明顯的條件下的圖像有明顯優勢，但運用于當背景信息并不是單一的圖像時，會遇到新的問題。由于背景信息的復雜性和區域性，以及目標被分散在不同的子圖像中，整幅圖像的分割會出現比較明顯的塊狀效應。為了平衡各個子圖像之間的閾值，可以使用一種插值的方法得到一個新的閾值矩陣，這樣可以明顯地減輕塊狀效應的影響。文獻[7]介紹了一種等間距插值方法，具體的思想是將子圖像的閾值形成的閾值矩陣T，在相鄰元素中插入新的閾值元素，最后形成一個新的閾值矩陣T′，T′中的元素個數與整個圖像的像素個數相等，插入的新閾值元素，其大小間隔為矩陣T相鄰元素差的平均數。通過這種插值的方法，可以明顯降低塊狀效應。

最后，還要考慮圖像中噪聲的影響。由于圖像中的邊緣和噪聲均是灰度突變的地方，在使用本方法時不能抑制噪聲的影響。當用閾值分割目標和背景時，如果某一灰度值g是某圖像的分割閾值，一般而言，灰度值g應該使按照它進行劃分的目標和背景的錯誤像素個數最小。設有一幅混入噪聲的圖像g(x，y)是由原始圖像f(x，y)和噪聲e(x，y)疊加而成，即

這里假設各點的噪聲互不相關，且具有零均值，標準差為ε。通過閾值分割將圖像分割為兩部分，由于噪聲是隨機作用于圖像的像素點上，則可以認為在分割出目標g1和背景g2圖像上噪聲干擾仍為e(x，y)，即

雖然邊緣和噪聲都是灰度突變的地方，但是邊緣與噪聲又具有不同的形態。在用本方法進行分割后，可以使用數學形態學的方法除去圖像中的噪聲點，利用邊緣的結構元素判斷梯度圖像中的邊緣點或是噪聲點。由于開、閉運算所處理的信息分別與圖像的凸、凹處相關，它們本身都是單邊算子，可以利用開、閉運算去除圖像的噪聲。一般都是將開、閉運算相結合來構成形態學濾波器，本文采用的形態學噪聲濾波器形式如下：

其中：A為圖像；B為選取的結構元素。簡化該式為

3 實驗結果及分析

本文用兩種方法對紅細胞圖像進行分割，圖1為原始紅細胞圖像，圖2為加入噪聲后的紅細胞圖像，圖3為全局閾值分割后的結果，圖4為本文所述方法的分割結果。

由上述實驗可以看出，使用局部自適應閾值算法處理的紅細胞圖像，細胞的邊緣輪廓清晰，細胞邊緣完全從背景中分離出來，與使用全局閾值相比，分割效果更有利于細胞形態的分析和計算。

4 結束語

本文提出的局部自適應閾值分割算法，在處理目標與背景不明顯的圖像中有較好的效果，同時也考慮到圖像噪聲和分塊處理的塊狀效應。但由于該算法的運算量比較大，不太適合運用于實時性比較高的場合。而對于圖像信息比較復雜的醫學圖像（如細胞圖像）是一種比較有效的閾值分割算法。

參考文獻：

[1]SAHOO P K， SOLTAN I S， WONG A K C， et al. A survey of thresholding techniques[J].Computer Vision Graphics and Ima-ge Process， 1988，41(2): 233-260. 

[2]PAL N R， PAL S K. A review on image segmentation techniques[J]. Pattern Recognition，1993，26(9):1277-1291.

[3]陳敏.一種自動識別最優閾值的圖像分割方法[J].計算機應用與軟件，2006，23（4）：85-86.

[4]陳宇，龐全.局部自適應的細胞圖像分割方法[J].杭州電子科技大學學報，2005，25(2)：57-60.

[5]OTSU N. A threshold selection method from gray level histogram[J]. IEEE Trans on Syst Man， Cybern， 1979，9(1): 62-66.

[6]趙鳳，范九倫.一種結合二維Otsu法和模糊熵的圖像分割方法[J].計算機應用研究，2007，24（6）：189-191.

[7]江澤濤，朱穎.一種基于插值的圖像分割方法[J].計算機工程與應用，2005(7)：47-48.