一种用于尿沉渣图像自适应阈值分割新方法.pdfVIP

一种用于尿沉渣图像的自适应阈值分割新方法1 △ 李勇明 ，曾孝平，覃剑，韩亮 重庆大学通信工程学院， 重庆（400030 ） E-mail ：lymcentor@ 摘 要：本文针对复杂散焦的尿沉渣图像的精细分割，首先使用小波变换和形态学处理消除 散焦影响并进行图像的粗分割，然后对粗分割得到的小波变换子图像进行自适应阈值处理， 结合形态学处理完成细分割，最后再采用剥离算法处理粘连重叠成分。该方法不受散焦影响， 充分利用了图像的多种信息，实验结果表明，该方法对尿沉渣图像的分割有效且令人满意。 关键词：尿沉渣；图像分割；小波变换；数学形态学；自适应阈值 1 引言 尿沉渣自动检测是检测疾病的重要辅助诊断方法。尿沉渣的有形成分一般需要识别出来 并加以计数，其结果可有助于诊断某些内脏是否患有疾病，例如，肾脏，尿道，膀胱等。为 了能自动识别尿沉渣图像，就需要研究出相应的图像分割方法。 目前有一些分割方法，如： 聚类，边缘检测，区域提取 [1] 。聚类的数目是事先不可知的，并且其没有考虑到不同类在 空间中是交叉的[9] 。迄今为止，许多边缘算子被使用过，但通过这些算子得到的有意义的边 界并非都令人满意，因此后处理过程不可缺少；要使所有边缘都令人满意，即使有后处理过 程，也常常非常困难。对于某些图像分割应用，区域提取表现良好，但它存在寻找初始种子 点，停止准则困难以及复杂的计算代价等缺点。 阈值分割是一种有效且广泛使用的算法[2-6] 。 通常来说，对于亮度不均匀的图像，局部阈值分割方法优于全局阈值分割方法，但是，一个 好的阈值分割方法不仅要考虑局部图像特点，也要考虑到整幅图像的全局信息特点。 小波 变换是一种用于边缘增强，去除噪声，压缩等用途的好方法[7-8] 。 数学形态学处理是一种有 效的图像处理方法，可处理一些质量较差的图像[9]，但仍然有一定的局限性。 本文提出了一种新的分割方法，该方法引入了小波变换和形态学处理，并结合了二次分 割的思想，最后采用了自动剥离算法较好的解决了图像的粘连问题。 2 算法分析 2.1 离散小波变换降低散焦影响 在本文中，应用 Mallat 算法被用来对图像进行分解，通过使用 Daubechies 9-7 小波得 到 4 个子带部分，然后对低频部分置零，保证高频部分不变；接着，进行重建，高频部分得 以突出，并且大量散焦部分得以消除；最后根据图像的灰度统计特性获得经验阈值，利用简 单判别得到相应的二值图像，主要流程如下： step 1：输入图像，得到图像矩阵input_image_int ； step 2：将input_image_int 进行灰度变换，重新赋给 input_image_int ； step 3：采用9/7 小波对 input_image_int 进行小波变换； step 4：对小波变换后的低频分量置零； step 5：进行小波重建，获得重建后的图像矩阵out_idwt2_image ； step 6：根据统计实验获得的经验阈值对 out_idwt2_image 进行阈值处理，高于阈值的为 255 ， 低于阈值的为 0 1本课题得到国家自然科学基金）的资助。 - 1 -* 2.2 形态学后处理 在使用小波变换后使用形态学处理对图像进行后处理能收到较好的效果，其主要流程如 下： step1：将像素值255 的置为1； step2：采用5 ×5 模板滤波，if 模板内像素值总数≥5 ，then 模板内像素值全部置为1； step3：选用圆形模板作为结构元素对图像进行闭运算，平滑对象轮廓，封闭破碎图像块； step4：对图像进行填充运算； step5 ：选用圆形模板作为结构元素对图像进行开运算，断开狭窄的连接，去掉细小的突出 部分。 step6 ：根据最小红细胞尺寸，设定阈值T ，若连通成分像素值总数小于T ，则将其像