基于梯度修正的改進(jìn)分水嶺模型在細(xì)胞分割中的應(yīng)用*

肖月，李朋偉

(太原理工大學(xué)信息與計(jì)算機(jī)學(xué)院,晉中 030600)

1 引 言

細(xì)胞分割是細(xì)胞分析處理技術(shù)的重要環(huán)節(jié)之一，如何獲取更加準(zhǔn)確和完整的分割結(jié)果顯得尤為重要。近年來，研究人員提出了許多有效的分割算法，關(guān)濤等[1]采用形態(tài)學(xué)濾波與自適應(yīng)直方圖均衡增強(qiáng)圖像，然后在圖像內(nèi)容與直方圖分布關(guān)系的基礎(chǔ)上，利用經(jīng)驗(yàn)因子加權(quán)Otsu尋找自適應(yīng)閾值的宮頸細(xì)胞分割方法；夏海英等[2]提出了一種改進(jìn)的簡(jiǎn)單線性迭代聚類(simple linear iterative clustering, SLIC)分割算法，利用SLIC算法得到超像素區(qū)域并與原圖像融合后進(jìn)行標(biāo)記，再由最大相似準(zhǔn)則合并區(qū)域獲取宮頸細(xì)胞分割結(jié)果；林麗群等[3]利用形態(tài)學(xué)去噪與分?jǐn)?shù)階微分對(duì)圖像進(jìn)行預(yù)處理增強(qiáng)，采用分水嶺算法與最小生成樹算法結(jié)合的融合算法對(duì)粘連血細(xì)胞圖像進(jìn)行分割。然而，閾值分割只考慮圖像的灰度信息，且對(duì)噪聲敏感，容易造成分割結(jié)果不均勻；區(qū)域分割算法適應(yīng)性低，單獨(dú)使用效果差；圖論分割算法復(fù)雜、計(jì)算量大，不易操作。因此，目前尚無一種通用的細(xì)胞分割算法能使細(xì)胞圖像達(dá)到完美的分割效果。

Vincent和Soille在1991年首次提出了基于淹沒的分水嶺分割算法[4]，該算法結(jié)構(gòu)簡(jiǎn)單、抗噪聲能力強(qiáng)，并且可以得到連續(xù)封閉且位置準(zhǔn)確的目標(biāo)輪廓，適用于細(xì)胞圖像的分割。但傳統(tǒng)分水嶺算法易受噪聲影響出現(xiàn)過分割現(xiàn)象，因此，研究人員提出了許多改進(jìn)的分水嶺算法。朱逸婷[5]將標(biāo)記的分水嶺法與局部信息模糊C均值聚類算法(fuzzy local information c-means, FLICM)結(jié)合在一起，通過聚類算法進(jìn)行區(qū)域合并來改善過分割現(xiàn)象。孟少波等[6]利用小波分解變換對(duì)形態(tài)學(xué)梯度圖進(jìn)行分解去噪，并通過閾值處理重構(gòu)二維小波，經(jīng)小波二次分解去噪后的分水嶺變換極大地減少了過分割的現(xiàn)象。郭小梅等[7]利用分水嶺方法將圖像分割成許多區(qū)域一致的像素塊(超像素)，基于超像素重新構(gòu)建原圖像后再作標(biāo)記，減少了算法過程中的待處理信息量，提高了運(yùn)算速度及圖像分割效率。

針對(duì)以上問題，我們提出了一種基于Canny算子梯度修正的優(yōu)化分水嶺算法，并用于細(xì)胞圖像的分割。首先對(duì)圖像HSV顏色空間的各個(gè)通道分量利用Canny算子提取梯度，然后利用圖像信息熵確定各個(gè)分量在原始梯度中的權(quán)值，通過加權(quán)擬合形成最終的梯度圖像；對(duì)加權(quán)梯度圖進(jìn)行基于開閉的濾波重建操作以平滑梯度圖像中的偽極小值，之后區(qū)域化梯度圖像，通過設(shè)定閾值對(duì)各個(gè)區(qū)域分別提取梯度極小值聯(lián)合構(gòu)成前景標(biāo)記圖，再由前景圖像獲取背景分割脊線并記為背景標(biāo)記；最后利用強(qiáng)制極小值標(biāo)記技術(shù)對(duì)重建梯度圖和前景、背景標(biāo)記圖對(duì)梯度進(jìn)行修正，將修正后的梯度圖用作分水嶺算法求出最終分割結(jié)果。

2 傳統(tǒng)分水嶺算法

傳統(tǒng)分水嶺算法的操作對(duì)象并不是圖像本身，而是針對(duì)圖像梯度進(jìn)行處理。算法基于拓?fù)鋵W(xué)原理，將圖像梯度視作地貌高度，通過模擬降水(或淹沒)過程使每個(gè)局部的最低點(diǎn)處匯集成一個(gè)集水盆地，當(dāng)兩個(gè)鄰近的集水區(qū)要匯合時(shí)，在匯合處筑造堤壩，全局建成的堤壩即為分水嶺。分水嶺算法依據(jù)圖像的梯度變化將圖像迅速地區(qū)域化，為分析提取圖像的局部特征提供更多可能。該算法對(duì)圖像的微弱邊緣響應(yīng)靈敏，可以得到單一、封閉且強(qiáng)連續(xù)性的圖像邊緣，因此，適合細(xì)胞圖像的分割提取[8]。

由于分水嶺算法靈敏度高、響應(yīng)性好，其對(duì)圖像噪聲以及圖像的不規(guī)則變換也異常敏感，具體表現(xiàn)為圖像灰度細(xì)節(jié)的微弱變化或是噪聲均能使圖像的局部極小值增加，造成分割后的區(qū)域過多而產(chǎn)生過分割現(xiàn)象；噪聲會(huì)直接影響圖像梯度，對(duì)含噪聲的梯度圖像直接分割會(huì)造成圖像輪廓偏移或混疊。這些均給圖像的分析帶來困擾，因此，如何獲取表達(dá)圖像信息完整且不含噪聲的梯度圖像，是優(yōu)化分水嶺算法的一個(gè)重要解決方案。

本研究算法流程見圖1。

圖1 改進(jìn)分水嶺算法的流程圖

3 改進(jìn)分水嶺算法

3.1 Canny算子提取梯度

Canny算子是目前應(yīng)用最多的邊緣檢測(cè)算子，具有良好的抗噪性能，同時(shí)又能保證邊緣檢測(cè)的完整性[9-10]。Canny算子是針對(duì)灰度圖像的邊緣檢測(cè)設(shè)計(jì)的，而彩色圖像直接轉(zhuǎn)為灰度圖像時(shí)，會(huì)導(dǎo)致部分顏色特征丟失，使檢測(cè)結(jié)果出現(xiàn)邊緣斷接或虛假連接。故本研究算法選擇在圖像的HSV顏色空間上進(jìn)行梯度提取，該顏色模型由色調(diào)(H)、飽和度(S)、明度(V)三個(gè)通道組成，各個(gè)分量之間關(guān)聯(lián)性較弱，互不影響。所以HSV顏色模型的抗干擾能力強(qiáng)，在對(duì)圖像邊緣進(jìn)行檢測(cè)時(shí)穩(wěn)定性較高。

算法中利用Canny算子對(duì)HSV空間的三個(gè)顏色分量分別提取梯度gH(x,y)、gS(x,y)、gV(x,y)，之后由三個(gè)顏色分量所含信息熵的比值確定各分量梯度的權(quán)值，然后通過加權(quán)擬合形成最終的梯度圖，見圖2。具體操作過程如下：

(1)提取H、S、V各通道分量的梯度：由Canny算子對(duì)fH(x,y)、fS(x,y)、fV(x,y)三個(gè)通道分量的圖像提取梯度，主要分圖像平滑、梯度幅值計(jì)算、非極大值抑制和邊緣連接四個(gè)步驟進(jìn)行，得到各顏色通道的梯度圖像gH(x,y)、gS(x,y)、gV(x,y)；

(2)計(jì)算各分量梯度圖的權(quán)值：圖像信息熵是圖像特征的集中反映，表示圖中平均信息量的數(shù)量，根據(jù)不同顏色通道的圖像特征不同，利用信息熵作為量化三個(gè)分量圖像攜帶信息量的參數(shù)，以確定各通道分量的權(quán)重。圖像二維熵不僅可以反應(yīng)一維灰度信息分布的聚集特征，還可以聯(lián)合像素鄰域灰度均值構(gòu)成二元序列組表達(dá)灰度特征的空間分布關(guān)系。假設(shè)圖像像素的灰度值表示為i，取其鄰域像素的灰度均值記為j(鄰域范圍由圖像大小決定)，共同構(gòu)成二維灰度特征的元組序列(i,j)，其中，0≤i≤255，0≤j≤255，l(i,j)表示該灰度元組出現(xiàn)的頻次，其出現(xiàn)的概率為(圖像尺寸為m×n)：

(1)

統(tǒng)計(jì)圖像所有灰度級(jí)出現(xiàn)的概率，則圖像的信息熵I(x,y)可以表示為：

(2)

由此可得H、S、V三個(gè)顏色分量的圖像熵值分別為IH(x,y)、IS(x,y)、IV(x,y)。

g(x,y)=εHgH(x,y)+εSgS(x,y)+εVgV(x,y)

(3)

通過加權(quán)合成的梯度圖像，既可以準(zhǔn)確定位圖像輪廓，又可以最大限度地保留各分量的邊界信息。

圖2 梯度圖像

3.2 形態(tài)學(xué)梯度重建

分水嶺算法直接處理梯度圖像時(shí)，會(huì)因噪聲或梯度邊緣過厚引起的輪廓定位誤差而導(dǎo)致過分割現(xiàn)象，因此，需要對(duì)梯度圖像進(jìn)行形態(tài)學(xué)濾波重建[11-12]。

(4)

反復(fù)迭代該過程k次至穩(wěn)定狀態(tài)，得到F關(guān)于G的測(cè)地膨脹的形態(tài)學(xué)重構(gòu)表達(dá)式為：

(5)

測(cè)地腐蝕與測(cè)地膨脹互為對(duì)偶運(yùn)算，在此不作介紹。本研究算法首先將梯度圖g作為掩膜，腐蝕梯度圖作為標(biāo)記，然后基于開操作實(shí)現(xiàn)圖像重構(gòu)：

ho={(gΘse)⊕se}∩g

(6)

之后再對(duì)開重建圖像進(jìn)行膨脹，并將其補(bǔ)集作為閉重建過程中的標(biāo)記圖像，同時(shí)取開重建圖像的補(bǔ)集作為模板圖像進(jìn)行重構(gòu)，得到基于閉操作的重構(gòu)圖像：

hoc={～(ho⊕se)⊕se}∩(～ho)

(7)

由上述可知，形態(tài)學(xué)重建結(jié)果的好壞與結(jié)構(gòu)元素的選取密切相關(guān)。結(jié)構(gòu)元素[13]是提取分析圖像特征的“信息元探針”，其形狀、大小直接影響圖像特征量化的結(jié)果。一般選擇與目標(biāo)特征輪廓相似、大小相近的結(jié)構(gòu)元形狀，以最大程度地減少圖像信息的丟失，較好地恢復(fù)圖像目標(biāo)的細(xì)節(jié)邊緣。因此，結(jié)構(gòu)元素的選擇必須結(jié)合圖像自身以及實(shí)驗(yàn)中的具體情況分析確定[14]。

形態(tài)學(xué)重建簡(jiǎn)化了梯度圖像，減弱了梯度對(duì)于圖像邊緣方向性的依賴，保留了圖像的重要輪廓信息，同時(shí)梯度圖像中由噪聲和非規(guī)則細(xì)節(jié)引起的偽極小值也被剔除，從根源上消除了產(chǎn)生過分割現(xiàn)象的可能。

3.3 形態(tài)學(xué)標(biāo)記提取

為了獲取感興趣的目標(biāo)區(qū)域，需要用標(biāo)記圖像對(duì)梯度圖像進(jìn)行修正，使圖像只在特定的位置產(chǎn)生區(qū)域極小值[15]。因此，本研究提出了一種新的獲取標(biāo)記圖像的方法，通過將梯度圖像區(qū)域化來尋找局部區(qū)域中的梯度極小值以構(gòu)成前景標(biāo)記圖像。根據(jù)經(jīng)驗(yàn)，在圖像內(nèi)部的相鄰像素間灰度值變化較小，梯度值小，而位于圖像邊緣的相鄰像素間的灰度值變化劇烈，對(duì)應(yīng)的梯度值大。所以，通過像素灰度值的分布情況將圖像劃分成若干個(gè)獨(dú)立區(qū)域，然后對(duì)每個(gè)區(qū)域進(jìn)行局部極小值梯度標(biāo)記，即可實(shí)現(xiàn)對(duì)圖像內(nèi)部像素的充分標(biāo)記。具體方法為：

(1)先將灰度圖像f平分為m個(gè)區(qū)域(區(qū)域大小視圖像尺寸而定，應(yīng)盡量小)，計(jì)算每個(gè)區(qū)域像素灰度值的方差，然后與圖像整體的灰度方差值(定義為閾值)進(jìn)行比較，當(dāng)灰度方差大于該閾值，表示該區(qū)域包含的主要為邊緣像素點(diǎn)；灰度方差小于閾值，則表示包含的多為圖像內(nèi)部像素點(diǎn)，然后將所有小于方差閾值的區(qū)域記為M1,M2,...,Mr(r

(2)將灰度圖中r個(gè)區(qū)域的位置關(guān)系映射到梯度圖像(f→g)，在梯度圖像g中統(tǒng)計(jì)r個(gè)區(qū)域內(nèi)圖像梯度等級(jí)Xn的分布情況，并將區(qū)域內(nèi)的梯度均值作為標(biāo)記閾值Xs。

(3)比較M1區(qū)域中的各級(jí)梯度Xn與閾值Xs1，當(dāng)XnXs1時(shí)不做標(biāo)記。遍歷M1區(qū)域中的所有梯度級(jí)并找到該區(qū)域范圍內(nèi)的所有極小值后，將M1區(qū)域標(biāo)記的局部極小值圖記為標(biāo)號(hào)label1。

(4)重復(fù)步驟3，對(duì)M2～Mr區(qū)域內(nèi)的梯度極小值進(jìn)行標(biāo)記，確定r-1個(gè)標(biāo)號(hào)區(qū)域，最后由r個(gè)局部極小值的標(biāo)號(hào)圖像構(gòu)成前景標(biāo)記圖：

fgm={label1+label2+…+labelr}

(8)

通過上述方法，可以將標(biāo)記點(diǎn)限定在目標(biāo)區(qū)域而避開圖像邊緣，再利用距離變換“細(xì)化”前景標(biāo)記圖，對(duì)距離圖像做分水嶺變化求出背景分割脊線，分割脊線正好將連通的前景標(biāo)記分隔開，將其作為背景標(biāo)記圖像bgm。

3.4 梯度修正及分水嶺分割

利用前景、背景標(biāo)記圖像對(duì)梯度進(jìn)行修改，屏蔽原梯度圖像中的極小值而凸顯被重新標(biāo)記的局部極小值，去除偽極小值對(duì)梯度圖像的影響，使檢測(cè)到的圖像邊緣更加準(zhǔn)確清晰。本研究對(duì)Canny算子檢測(cè)到的HSV顏色空間加權(quán)梯度圖進(jìn)行形態(tài)學(xué)濾波重建后，利用強(qiáng)制極小值技術(shù)結(jié)合形態(tài)學(xué)前景、背景標(biāo)記對(duì)其進(jìn)行梯度修正，使局部極小值只出現(xiàn)在前景圖像中標(biāo)記的位置。修改后的待分割梯度圖像g為：

g=imimposemin(hoc,fgm|bgm)

(9)

將其應(yīng)用于分水嶺變換求出分割結(jié)果圖f:

f=watershed(g)

(10)

4 實(shí)驗(yàn)結(jié)果與分析

4.1 細(xì)胞圖分割結(jié)果

為驗(yàn)證Canny算子在本研究算法中的有效性，我們進(jìn)行了兩組對(duì)比實(shí)驗(yàn)以評(píng)價(jià)分割結(jié)果。實(shí)驗(yàn)一為形態(tài)學(xué)改進(jìn)的分水嶺算法與經(jīng)典分水嶺算法的對(duì)比，其分割結(jié)果及評(píng)價(jià)參數(shù)見圖3。圖3(a)、(b)分別為改組對(duì)比實(shí)驗(yàn)的分割結(jié)果。由圖3(a)可知，經(jīng)典分水嶺算法只分割出了部分細(xì)胞(約為總細(xì)胞數(shù)的70%)，且分割出的細(xì)胞輪廓定位不夠準(zhǔn)確；利用形態(tài)學(xué)操作優(yōu)化后的結(jié)果見圖3(b)，分割出的紅細(xì)胞數(shù)約占細(xì)胞總數(shù)的98%，同時(shí)，形態(tài)學(xué)處理可以提取到圖像更多的暗部細(xì)節(jié)特征，得到的分割線邊緣光滑，無凸起，定位也更精確。本研究在對(duì)細(xì)胞圖像的分割結(jié)果進(jìn)行分析評(píng)價(jià)時(shí)，選取了交并比(intersection-over-union, IOU)和分割精確度(Precision)兩個(gè)特征參數(shù)進(jìn)行判斷，兩個(gè)參數(shù)值越高，表示分割效果越好，結(jié)果見圖3(c)、(d)。經(jīng)計(jì)算得出，形態(tài)學(xué)改進(jìn)的分水嶺算法其IOU值和Precision值比經(jīng)典分水嶺算法分別提高了14.96%和11.95%。

4.2 形態(tài)學(xué)結(jié)構(gòu)元的影響

結(jié)構(gòu)元素的選取是影響分水嶺算法分割結(jié)果好壞的重要因素，因此，本研究對(duì)結(jié)構(gòu)元素的選取做如下分析：選擇三幅目標(biāo)各不相同的圖像進(jìn)行分析研究，并選取線形、圓盤形、菱形三種形狀的結(jié)構(gòu)元素對(duì)每一幅圖像進(jìn)行實(shí)驗(yàn)，見圖5。其中，圖5(a)、(b)為結(jié)構(gòu)元尺寸一定時(shí)，結(jié)構(gòu)元形狀對(duì)圖像分割的影響。圖5(a)中的分割目標(biāo)為大米顆粒，由圖可知，線形、圓盤形、菱形三種結(jié)構(gòu)元的未分割目標(biāo)數(shù)量依次減少，其占總目標(biāo)數(shù)的比率分別為0.355、0.282、0.186，由于線形結(jié)構(gòu)元與圖像目標(biāo)的形態(tài)及大小相差較大，在參與運(yùn)算時(shí)不能最大限度地對(duì)目標(biāo)進(jìn)行提取；而圓盤結(jié)構(gòu)更容易將多余的背景區(qū)域覆蓋造成過分割現(xiàn)象，因此，選擇菱形作為提取大米圖像的結(jié)構(gòu)元。圖5(b)中的分割目標(biāo)為紅細(xì)胞。線形、菱形、圓盤形三條曲線未分割出的紅細(xì)胞數(shù)占總目標(biāo)數(shù)的比率依次為0.389、0.279、0.257，即圓盤形結(jié)構(gòu)元更適于對(duì)紅細(xì)胞圖像的分割。由此可知，當(dāng)結(jié)構(gòu)元大小一致時(shí)，越符合圖像特征的結(jié)構(gòu)元形狀提取到圖像信息越完整，且能夠最大程度地保留原圖像的幾何形狀。

圖3 經(jīng)典分水嶺算法與形態(tài)學(xué)分水嶺算法分割結(jié)果對(duì)比圖

實(shí)驗(yàn)二為本研究改進(jìn)的分水嶺算法與經(jīng)典分水嶺算法的對(duì)比，二者的分割結(jié)果對(duì)比見圖4。其中，圖4(a)結(jié)果與圖3(a)一致。圖4(b)為本研究改進(jìn)分水嶺算法的分割結(jié)果，該圖中分割出的細(xì)胞數(shù)約占細(xì)胞總數(shù)的98%，且分割邊緣更貼合細(xì)胞的真實(shí)狀態(tài)，能夠較好地識(shí)別紅細(xì)胞的具體形態(tài)，有助于進(jìn)一步觀測(cè)紅細(xì)胞的大小變化，并為檢測(cè)紅細(xì)胞是否產(chǎn)生病變提供依據(jù)。利用IOU和Precision兩個(gè)參數(shù)對(duì)7分割結(jié)果進(jìn)行分析對(duì)比，結(jié)果見圖5(c)、(d)，顯示本研究提出的基于Canny算子提取加權(quán)梯度和形態(tài)學(xué)修正梯度圖的改進(jìn)分水嶺算法較經(jīng)典分水嶺算法的IOU值和Precision值分別提高了31.86%和21.88%；與只有形態(tài)學(xué)優(yōu)化的分水嶺算法相比，其值分別提高了14.69%和8.87%。通過兩組對(duì)比實(shí)驗(yàn)可以得出，本研究的改進(jìn)分水嶺算法分割效果更佳，具有一定的可行性與有效性。

圖4 經(jīng)典分水嶺算法與本研究改進(jìn)算法的分割結(jié)果對(duì)比圖

圖5(c)、(d)為結(jié)構(gòu)元尺寸對(duì)圖像分割影響的結(jié)果。圖5(c)中結(jié)構(gòu)元尺寸從S1變?yōu)镾2時(shí)，未分割出的大米顆粒數(shù)量逐漸減少，占總數(shù)量的比率分別為0.19、0.154；當(dāng)結(jié)構(gòu)元尺寸為S3時(shí)，未分割目標(biāo)數(shù)量的比率達(dá)到最小值0.141，此時(shí)的分割準(zhǔn)確度最高；當(dāng)結(jié)構(gòu)元尺寸繼續(xù)從S4變?yōu)镾6時(shí)，未分割出的大米顆粒數(shù)量重新增多，結(jié)構(gòu)元各尺寸對(duì)應(yīng)的未分割目標(biāo)比率也分別增大至0.205、0.224、0.257。在圖5(d)中，結(jié)構(gòu)元從S1增大到S5的過程中，未分割出的紅細(xì)胞數(shù)量均在逐漸減少，其占總目標(biāo)數(shù)的比率分別為0.497、0.319、0.254、0.249，并在S5的時(shí)候達(dá)到了最小值0.194；當(dāng)繼續(xù)增大結(jié)構(gòu)元為S6時(shí)，未分割出的目標(biāo)比率增大為0.393。因此，由圖5(c)、(d)可知，當(dāng)結(jié)構(gòu)元的尺寸與目標(biāo)大小相近時(shí)，分割效果最好，因?yàn)榻Y(jié)構(gòu)元的增大意味著“探針”可攜帶的圖像信息變多，能夠更精準(zhǔn)地描述圖像的結(jié)構(gòu)特征并識(shí)別目標(biāo)。但無限地增大結(jié)構(gòu)元素，將導(dǎo)致圖像的一些局部細(xì)節(jié)被模糊掉，在形態(tài)學(xué)重建時(shí)，能更完整地恢復(fù)原圖像形貌，從而造成最終的分割結(jié)果準(zhǔn)確性降低。

4.3 客觀評(píng)價(jià)參數(shù)對(duì)比

表1給出了本研究改進(jìn)的分水嶺算法與文獻(xiàn)[16]、[17]的交并比和精確度性能參數(shù)的對(duì)比情況。文獻(xiàn)[16]的算法中圖像受光照情況影響較為明顯，對(duì)光照不均勻或曝光度高的細(xì)胞存在欠分割情況，故分割精確度較低；文獻(xiàn)[17]的算法中粘連細(xì)胞在邊界處的亮度變化較弱，易造成細(xì)胞邊界檢測(cè)不全，引起過分割現(xiàn)象。而本研究算法利用圖像HSV顏色空間的各分量梯度求加權(quán)擬合梯度，避免了原細(xì)胞圖像信息丟失，同時(shí)在形態(tài)學(xué)重建時(shí)修正對(duì)梯度圖的充分標(biāo)記，剔除了細(xì)胞圖像中的偽極小值，使圖像信息被充分表達(dá)，其分割精確度較文獻(xiàn)[16]、[17]分別提高了9.97%、7.55%，獲得的細(xì)胞邊緣更加完整、連續(xù)且無過分割現(xiàn)象。

圖5 形態(tài)學(xué)結(jié)構(gòu)元對(duì)分割結(jié)果的影響

表1 不同算法性能參數(shù)比較結(jié)果

5 結(jié)束語

本研究改進(jìn)的分水嶺算法不同于經(jīng)典分水嶺算法中直接對(duì)灰度圖像的梯度圖進(jìn)行提取和分割，而是由Canny算子獲取圖像HSV顏色空間的各個(gè)梯度分量后進(jìn)行加權(quán)擬合，保留更多的圖像細(xì)節(jié)，然后對(duì)平滑后的擬合梯度圖進(jìn)行區(qū)域化，使得待標(biāo)記的目標(biāo)像素趨于集中，之后標(biāo)記局部極小值時(shí)只在包含內(nèi)部像素較多的區(qū)域進(jìn)行，最后利用標(biāo)記圖像對(duì)梯度圖進(jìn)行形態(tài)學(xué)修正并求出分水嶺分割結(jié)果。實(shí)驗(yàn)結(jié)果表明，本研究算法與經(jīng)典分水嶺算法相比，其交并比(IOU)參數(shù)值提高了31.86%，分割精確度提高了21.88%，對(duì)比文獻(xiàn)[18]、[19]，本研究算法的分割精確度均有提高，因此，可用于后續(xù)細(xì)胞圖像的識(shí)別分類研究。后續(xù)研究工作將在已有基礎(chǔ)上對(duì)算法作進(jìn)一步的豐富與擴(kuò)展，以應(yīng)用于更加復(fù)雜的圖像處理領(lǐng)域。