数字图像处理课程项目报告-read.docVIP

数字图像处理课程项目报告 班级 信息与计算科学 姓名 陈玉娟 学号 0583024117 完成时间 2008-12-30 评分 项目内容： 使用计算机图像处理技术与模式识别技术对血细胞显微图像进行自动分析识别,，区分正常红细胞跟非常态的棒状雪茄状红细胞。 具体要求： 将彩色图像转化灰度图，二值化，分割前找出阈值 把边界部分和粘连的细胞都从图像中删除 使用各种描述子形成单个细胞区域的特征向量，用图像分割技术将单个的红细胞从背景中分割出来，统计红细胞个数、面积。 把非常态的棒状雪茄状红细胞用特殊符号标记出来。 问题分析： 1、图像阈值化。在许多情况下，图像中目标区域和背景区域的灰度或平均灰度是不同的。所以，在灰度直方图上取阈值分割就成为最广泛的应用方法之一。在二值化图像分割中，一般认为图像灰度直方图是双峰的，它们分别与图像中的物体与背景对应，并且在两峰之间有一个谷，当阈值取为谷的底部时认为是对图像进行了最好的分割。阈值化可以利用灰度差异去除一部分噪声，并使细胞区域更加易于观察，同时使后续的处理变得简易。阈值化的核心问题是阈值的选择，割据图像中目标和背景的灰度分布状态，可以选用不同的方法，主要有全局单阈值法、双阈值法、自适应阈值法等。本文采取函数graythresh取一幅图像，计算它的直方图，找出最大化的阈值。阈值返回为0.0和1.0之间的归一化值。函数graythresh的调用语法为T=graythresh（f）。算得T=0.7451 在图像传输过程中，外部干扰和系统内部干扰会给图像带来很多的随机噪声干扰。对图像进行中值滤波后，可以很好的消除分布在图像上的各类随机噪声，且不影响图像给人的感觉。因此，利用中值滤波法来消除图像的随机干扰噪声是图像随机噪声消除的最佳方法。具体实现：gnoise=medfilt2(gbw2,[7 7],symmetric); 原细胞图像有一部分是在边界或者几个粘连重叠在一起，不利于分割提取细胞特征，利用清除边界运算可以消除不完整的细胞，利用求细胞的面积运算可以删除粘连在一起的细胞和一些比较细小的噪声。 如何区分正常红细胞跟非正常的棒状雪茄状红细胞。先标注连通分量，初步获得细胞个数，利用函数regionprops计算区域描绘子，找出每个细胞的面积跟偏心率，偏心率越大，说明焦距与主轴的距离越大，越接近椭圆，由此可以找出非正常的红细胞 算法清单： 二值化，阈值处理，中值滤波，连通标记，区域描述 算法流程： 否 清 是 计算偏心率 程序代码： f= imread(棒状雪茄状红细胞.jpg); %读入原图 figure,imshow(f); %显示原图 title(原图); gf = rgb2gray(f); %灰度化图像 T=graythresh(gf);%取阈值 gbw=im2bw(gf,T);%二值化 figure,imshow(gbw); gbw2=imclearborder(~gbw,8);%清除边界 figure,imshow(~gbw2);%显示清除边界后的图像 gnoise=medfilt2(gbw2,[7 7],symmetric);%去噪 [L,num]=bwlabel(gnoise);%去掉粘连细胞 for i=1:num bwhist(i)=sum(sum(L==i)); if bwhist(i)400 | bwhist(i)800 L(L==i)=0; end end figure,imshow(~(L0)); %-----------------------筛选图象--------------------- [Label Number] = bwlabel(L, 8);%初步取得细胞个数 Array = bwlabel(L,8);%取得贴标签处理后的图像 D = regionprops(Label,Eccentricity);%偏心率 de = [D.Eccentricity];%赋值给de figure,imshow(f); hold on for i=1:Number [r,c] = find(Array==i);%获取相同标签号的位置，将位置信息存入[r,c] bw = bwselect(L,c,r,4);%选择对应的图像区域 if(bwarea(bw)1000)%面积筛选 if de([i])0.805 %偏心率筛选 i = i +1; rbar=mean(r); cbar=mean(c); plot(cbar, rbar, Marker, o, MarkerEdgeColor, k, MarkerFaceColor, K, Mark