基于分水嶺算法的尿沉渣圖像處理方法分析

徐曉蓉

（湖南文理學院，湖南常德，415000）

0 前言

所謂的尿沉渣分析就是對尿液中的有形成分進行一定的檢查與辨識，并以此來幫助診斷泌尿系統(tǒng)疾病，同時對腎臟方面疾病的診斷與鑒別也具有非常重要的意義。傳統(tǒng)的人工檢測方法，其檢測過程較為繁瑣復(fù)雜，干擾因素較多，且識別分析前物質(zhì)的制備過程難度較大，費時費力，而且比較容易受到主觀因素的影響，因此無法達到預(yù)期的標準，得出的結(jié)果的也不利于醫(yī)生進行臨床觀察。本文首先介紹了尿沉渣圖像的預(yù)處理方式，并在此基礎(chǔ)上詳細地介紹了醫(yī)學圖像在進行分割和處理時較為常用的方法：分水嶺算法。分水嶺算法在醫(yī)學圖像中的優(yōu)勢是計算速度快，圖像邊緣定位精準。采取此種方法能夠有效改善圖像的視覺效果，提高圖像的清晰程度。

1 圖像預(yù)處理

在尿沉渣顯微圖像的預(yù)處理中主要有：圖像灰度化、圖像去噪、圖像增強。在進行圖像灰度化的處理中通常采用的三種方式分別是：最大值法、平均值法以及加權(quán)平均值法。圖像灰度化也是預(yù)處理工作的第一步，其目的就是為了在進行特征提取工作時能夠更好的利用形態(tài)特征、紋理特征以及光密度特征進行樣本特性的提取，從而很大程度上減少計算量。第二步則需要對尿沉渣圖像進行降噪處理，在進行降噪處理時，則可以采用低通、中值、高斯等濾波方法進行噪聲的清除。第三步需要對尿沉渣圖像的邊緣進行銳化，并對圖像進行加強，邊緣銳化指的是經(jīng)過降噪處理的圖像存在邊緣模糊問題后通過增強高頻分量從而減少圖像中的模糊現(xiàn)象。通常在進行圖像銳化時會采用以下幾種方法：梯度法、拉普拉斯算子法等，最后對目標和背景進行對比度上的調(diào)整。

2 圖像分割

通過對尿沉渣圖像的預(yù)處理，就可以獲得目標與背景灰度對比較強的圖像，接下來則需要對圖像進行分割。進行圖像分割的目的就是將尿沉渣圖像當中具有相似特性的有形成分組合在一起，并對該目標區(qū)域中存在的重疊和粘連部分進行分割，為后續(xù)的成分識別提高準確效率。而圖像的特性指的是尿沉渣圖像當中具有的標志性屬性，比如目標區(qū)域當中的色彩、亮度、紋理等，這一類特性屬于可以直接感受的特性。還有一些圖像特性屬于數(shù)學特性，需要通過對圖像中數(shù)據(jù)進行測量和變換才能夠得到。現(xiàn)階段常用的尿沉渣圖像的分割方法有很多種，比如：閾值法、邊緣檢測法。而閾值法中還可以分為直方圖技術(shù)和自適應(yīng)閾值法，邊緣檢測法中也分為Sobel 邊緣檢測算子、Prewitt 邊緣檢測算子、Roberts 邊緣檢測算子等方法。在本文中主要以分水嶺算法為基礎(chǔ)，進行尿沉渣圖像的分割。

2.1 分水嶺算法概述

分水嶺算法是一種源自數(shù)學形態(tài)學的圖像處理工具，其主要的應(yīng)用范圍是圖像分割以及梯度圖像的提取[1]。分水嶺算法和邊緣檢測算法相比，其具有邊界連續(xù)、準確高、速度快的優(yōu)點。在將分水嶺概念實際應(yīng)用到尿沉渣圖像的分割中，可以通過兩種方式，（1）將灰度圖像當作測地學中的拓撲地貌。（2）將待分割圖像的梯度圖當作測地學中的拓撲地貌。在這兩種形式下，需要將尿沉渣圖像中每一點像素的灰度值表示為該點的海拔高度，圖像中每一個區(qū)域的極小值以及影響區(qū)域都被稱為集水盆，而集水盆的邊界就成為了分水嶺。如圖1 所示。

基于上述概念可以看出分水嶺分割算法的計算目的就是找出分水線。這里可以通過模擬侵入的過程進行說明，假設(shè)在每個區(qū)域的極小值表面刺穿一個小孔，然后向整個模型進行注水，隨著注水時間的變化，每個區(qū)域極小值的影響域也會向外進行擴散，整個地形會被淹沒，當不同的集水盆被注滿時，會使兩個集水盆匯合處構(gòu)筑大壩，這樣大壩的邊界就對應(yīng)成為了分水嶺的分割線。

圖1 分水嶺形象圖

L.Vincent 提出了關(guān)于分水嶺的計算方法，而分水嶺的計算過程屬于迭代標注過程。在該計算方法當中，分水嶺計算方法被分為兩個步驟，分別是排序過程和淹沒過程。計算時，首先要按照從低到高的排序方式對區(qū)域內(nèi)的每個像素進行灰度級別的排序，然后在從低到高進行淹沒，并對每個區(qū)域極小值在H 階高度的影響域采用先進先出的結(jié)構(gòu)進行標注和判斷。通過分水嶺的變換所得到輸入圖像為集水盆圖像，每個集水盆之間的邊界就是分水嶺，而分水嶺則代表極大值，所以想要獲取圖像的信息，需要將梯度圖像作為輸入圖像進行計算，計算公式如下：

在該計算公式中f(x,y)則代表原始圖像，grad{.}則代表梯度運算。

2.2 控制過度分割的方法

在分水嶺算法中，如果醫(yī)學圖像存在噪聲或灰度值有變化，那么都會產(chǎn)生過度分割的現(xiàn)象。為了能夠消除分水嶺算法當中的過度分割現(xiàn)象，通常可以采用兩種方式，分別是修改梯度函數(shù)和區(qū)域合并。

利用控制過度的分割方式其實也是以表達標記概念的基礎(chǔ)和前提。一幅醫(yī)學圖像的連通分量就是標記。然而一般情況下標記分為兩種，一是與較為重要的對象進行聯(lián)系的內(nèi)部標記，另一個則是與背景進行聯(lián)系的外部標記。進而在對標記進行選擇的時候，最為典型的一個過程主要有兩個步驟；（1）預(yù)處理；（2）制定一個需要所有的標記都能夠滿足的基本條件與準則。通常來說，大量的隱含最小值就是直接導(dǎo)致過度分割結(jié)果的主要原因。對于選擇標記來說，一般會采取介于灰度值以及連通性等較為簡單的過程進行分類，其中較為主要的就是合理的使用標記能夠為分割問題帶來什么樣的先驗知識。需要高度注意的地方是：人們習慣性的以先驗知識為基礎(chǔ)，視覺為輔助，進而來進行分割或者更高級的工作等?；诖?，分水嶺分割法就此問題提出了有效解決此類問題的機制。

修改梯度函數(shù)降低分水嶺算法所產(chǎn)生的過度分割，實際上就是對梯度圖像進行閾值處理，從而使因為灰度變化所引起的過度分割得到降低。通過采用閾值限制的方法消除過度分割現(xiàn)象，分割后所得到區(qū)域則需要按照區(qū)域邊緣處的灰度級進行排序，然后實行淹沒過程。而整個過程中的梯度圖像可以才用邊緣檢測的計算方法獲取。閾值能夠直接影響到最后的分割效果，所以在選取閾值時一定要挑選合適的閾值。

采用區(qū)域合并的方法時需要先將尿沉渣圖像分成多個小區(qū)域，對區(qū)域內(nèi)的圖像進行有關(guān)紋理、平均灰度值、顏色等信息的計算[2]。并給所計算的區(qū)域中設(shè)定一個有關(guān)區(qū)域?qū)傩缘膮?shù)值，該參數(shù)值必須能夠放映出尿沉渣圖像中某些有形成分的屬性。然后在對計算區(qū)域的領(lǐng)域進行觀察。在計算相鄰區(qū)域的邊界強度時，如果兩側(cè)區(qū)域的平均度量差異較為明顯，說明這個邊界很強，反之則很弱。邊界強的將會得到保留，而邊界弱的則將會被合并。

3 效果對比

本文采用分水嶺分割方法對尿沉渣圖像進行了分割如圖2 所示。

圖2 分水嶺算法圖像分割結(jié)果

對過度分割的尿沉渣圖像進行區(qū)域合并處理，如圖3 所示。

通過對分割圖像的觀察，可以看出分水嶺算法在針對尿沉渣圖像中像素的微弱邊緣有很好的效果，并且能夠封閉連續(xù)邊緣。同時分水嶺算法能夠?qū)D像中有形成分粘連或重疊的現(xiàn)象進行處理。最后通過采用區(qū)域合并的方式進行圖像處理，能夠有效的降低尿沉渣圖像的過度分割現(xiàn)象。

圖3 區(qū)域合并后的分割效果

4 結(jié)論

本文論述了基于分水嶺算法下的尿沉渣圖像處理，首先，簡單介紹了圖像分割前進行的預(yù)處理工作；其次，對分水嶺算法進行了概述，并對該算法中存在的過度分割現(xiàn)象進行了探討；最后，采用分水嶺算法和合并區(qū)域的方式對尿沉渣圖像進行了分割處理。從分割效果中可以看出，分水嶺算法對處理像素微弱邊緣有很好的效果，并且能夠有效解決重疊和粘連的問題。