基于ＨＳＶ空间的大壁虎脑图谱图像分割研究

程　湛　戴振东

摘 要：针对大壁虎染色脑切片图像的分割需要，提出一种基于HSV空间的图像分割方法。根据脑图谱本身的染色特征以及人工识别脑图谱的经验，建立脑图谱颜色特征经验模型，分析该模型中的特征图片，从而得到分割阈值，据此利用Matlab图像编程，对脑图谱图像进行多阈值分割。对试验结果进行分析，发现该算法能够将大壁虎脑图谱分割为简洁、直观和清晰的特征脑区，并且具有一定的抗噪声能力。

关键词：HSV空间；脑图谱；阈值分割；经验模型；Matlab

中图分类号：TP391 文献标识码：A 文章编号：1004－373X(2009)04－108－03

Study of Image Segmentation in Gekko Gecko′s Brain Atlas Based on HSV Color Space

CHENG Zhan1,2,DAI Zhendong1

(1.Institute of Bin－inspired Structure and Surface Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing,210016,China;

2.College of Mechanical and Electrical Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing,210016,China)

Abstract：A method of image segmentation based on HSV color space is studied in order to segment the Gekko Gecko′s brain atlas.According to the stain characteristic of brain atlas,a brain atlas color model is built,from which some threshold values can be obtained.Brian atlas image is operated by multi－threshold segmentation.The image operation result is distinct,clear and directviewing.The algorithm has the ability of anti－jamming.

Keywords：HSV color space;brain atlas;threshold segmentation;empirical model;Matlab

脑图谱的识别与标定一般采取人工方式。这种方式基于研究者的经验，具有较好的识别效果，但也有弊端，如：人工识别过分依赖于专家的经验知识，没有经过相应培训的人无法胜任；在脑图谱图片的数量达到成百上千张的时候，人工识别的工作量过大，完成任务所需的时间过长。在医学脑图像计算机处理方面，相关的研究主要针对CT图像与NMR图像，所处理的图像多为灰度图像或者是伪彩色图像，且相应地偏向病理医学方向［1］，而对于含有丰富细节信息的彩色染色脑图谱图像的数字图像处理研究比较少。在脑图谱处理方面，有科研人员提出在RGB空间中利用边缘检测算子对脑图谱的图像进行边缘检测［2］，从而实现对脑图谱图像的分割，该算法较为准确地加强了各个区域的边缘，但是由于脑图谱图像内部噪音较多且色块较为复杂，不可避免地得到大量无用边缘，最终影响到图像的精确分割。

考虑到脑图谱图片是在不同光照强度下拍摄的，在图像处理时基于RGB颜色空间的情况下进行，图像的RGB三个分量随着拍摄条件的改变，均会受到影响，从而影响到图像分割算法的通用性。而在HSV空间中，色度值和、饱和度值和强度值3个分量具有较好的独立性［3］，在拍摄光照条件改变的情况下，3个分量中只有强度值受到明显的影响，而色度与饱和度受影响较少。因此提出一种基于HSV颜色空间的分割方法。选取色度、饱和度、强度作为图像特征量，通过建立脑图谱特征区域颜色经验模型，分析模型中不同区域样本的特征值，确定分割的阈值，利用Matlab软件编写程序，实现对脑图谱图像的多阈值分割。

1 大壁虎脑图谱的染色特征

1.1 大壁虎脑切片的制作及染色方法

选取健康成年大壁虎 (Gekko gecko) 的完整脑部，制作石蜡切片。并利用伊红染色法与苏木精染色法进行切片染色［4］。伊红染色法的染色对象为细胞质及非细胞成分，苏木精染色法的染色对象为核内染色质及胞质内核糖体等物质。因此，壁虎脑切片经过染色以后，神经元细胞的区域被染成红色。神经纤维的区域被染成蓝色。使用 Keyence 公司的数码显微镜VHX－100对切片进行拍摄，放大比例为1∶400；通过图像采集卡获得数字格式的图像，为了保证图像信息的完整性，将图像保存为TIFF格式，分辨率为4 800×3 600，如图1所示。

图1 壁虎染色脑切片图像I0

1.2 大壁虎染色脑切片的颜色特征

结合制作大壁虎脑切片的染色方法以及脑图谱学的相关知识［5］，可以根据颜色特征对脑切片上的染色区域做如下划分：

2 基于HSV空间的图像阈值分割算法

2.1 RGB空间转换为HSV空间

HSV颜色空间把彩色信号表示为3种分量：色调H,色饱和度S和强度V;HSV颜色空间比较符合人的视觉习惯，特别适合描述出一些有意义的色彩。

从常用的RGB空间到HSV空间的转换可以用以下几个公式来完成：

И

θ=cos-10.5［(R-G)+(R-B)］(R-G)2+(R-B)(G-B)(1)

H=θ，B≤G

360-θ,B＞G(2)

S=1-3min(R,G,B)/(R+G+B)(3)

V=1/3(R+G+B)(4)

И

2.2 脑图谱颜色特征模型的建立

考虑到脑图谱图像的处理识别依赖于人工经验的特点，在大壁虎染色脑图谱图片系列中以手工的方式选取600张不同特征脑区的图片，其中红色神经元区域图片，浅蓝色神经纤维区域图片，深蓝色神经纤维区域图片各200张。将所有图片的颜色空间转化为HSV空间，计算并统计所有图片的色度均值、强度均值，得到一个基于脑图谱人工经验的颜色特征模型库，具体分布如图2所示。

从统计结果可以看出，红色区域与蓝色区域(包括深蓝色区域与浅蓝色区域)之间的色度值差异较大，而深蓝色区域与浅蓝色区域之间的强度值差异较大。因此可以利用色度值的差异性将红色区域从整个图像中分割出来，然后利用强度值的差异性分割深蓝色区域和浅蓝色区域。

图2 统计样本的特征值分布图

2.3 基于饱和度阈值的图像预分割

通过对脑图谱图像的采样试验发现，图像中前景图像与背景图像的饱和度值相差较大.所以可以直接利用饱和度阈值分割前景图像与背景图像，具体步骤如下：

(1) 设源图像为I0,将I0划分成5像素×5像素的网格；

(2) 计算各个方格中所有像素的平均饱和度值，记作Save；

(3) 经过采样试验，取Save=0.2为前景背景分割的阈值。如果某方格的所有像素的平均饱和度值小于0.2，则将此方格判断为背景图像，并将此方格中的每个像素都置为白色，而平均饱和度值大于等于0.2的方格判断为前景图像，方格中的像素颜色保持与源图像一样，通过遍历处理图像中所有的方格区域，就可以得到仅包含前景图像的图片I1，如图3所示。

很明显，背景图像与前景图像的交界处即是整个脑区域的外轮廓，得到外轮廓边界的步骤如下：

(1) 遍历I1中所有像素点，判断当前处理的像素点是否是前景图像；

(2) 如果此像素点是前景图像，接着判断该像素点的八邻域范围里面有没有背景图像，如果有的话，这个像素点就是轮廓点；

(3) 将该像素点在新建的I2图像中用黑色标示出来,在处理完图像中所有像素点以后，就可以得到前景图像的外轮廓，该轮廓很清晰，如图4所示。

2.4 基于色度阈值的神经元区域与神经纤维区域分割

从脑图谱颜色特征模型中可以发现：神经元区域(红色)的色度值一般分布在220~280之间；神经纤维区域(蓝色)的色度值一般分布在200~220之间；因此可以将200，220和280这3个值作为分割阈值，据此对图像进行分割，具体步骤如下：

(1) 利用5像素×5像素的方格将去除了背景的脑切片图像I1分割成网格状；

(2) 计算I1每个方格中25个像素的平均色度值，记为Have；

(3) 如果I1中某个方格的平均色度值在220~280之间，则保留该方格中原有的I1的像素元素，反之，则将该方块中的像素点都置为白色，可以得到神经元区域分割图I3，如图5所示。同样以200和220为分割阈值，按照上述的方法可以得到神经纤维区域分割图I4，如图6所示。

图3 去除了背景的

脑切片图像I1

图4 脑区域的外轮廓图像I2

图5 神经元区域

分割图I3

图6 神经纤维区域分割图I4

2.5 基于强度阈值的神经纤维区域进一步分割

脑切片的神经纤维密度分布的不同，造成染色切片中蓝色区域的颜色深浅的不同，如图6所示，在HSV空间中则表现为强度值的不同，所以可以利用强度值作为深蓝色区域与浅蓝色区域的分割阈值。

参照图2中强度值的分布，取强度值80为分割阈值，将神经纤维区域分割图I4划分为5×5的方格，然后判断各个方格中强度平均值，以阈值法分割图像，可以得到深蓝色密集纤维区域图像I5与浅蓝色稀疏纤维区域图像I6，如图7，图8所示。

图7 浅蓝色密集

纤维区域I5

图8 深蓝色稀疏纤维区域I6

3 试验结果及讨论

该算法考虑到在HSV空间中不同染色区域中各个特征量的差异，建立了基于人工识别脑图谱经验的样本特征模型，并从中得出分割阈值，实现对脑图谱图像的多阈值分割。

经过试验，发现该算法能够将脑图谱图像较好地分割成具有不同特征的脑图谱区域图像，且具有以下优点：

(1) 由于使用了统计5×5区域平均特征量的算法，对图像噪声的影响不敏感，具有一定的鲁棒性；

(2) 基于区域分割相对于基于边缘检测的算法可以获得更加完整与简洁的边界与分割区域图像；

(3) 基于人工识别经验建立脑图谱的颜色特征模型，并提出了相应的分割算法，得到的分割结果较为直观、清晰，比较符合对染色脑图谱图像的认知，为进一步的脑图谱识别标定工作做了很好的铺垫。

但是该算法并没有很好地解决染色不均匀对图像分割影响的问题，在处理结果中出现了过分割的现象：部分属于同一组织的脑区被分割成不相连的区域。这个问题需要在下一步的工作中继续研究解决。

参 考 文 献

［1］曹丽珍,李坤成,赵欣,等.CT与MR图像融合技术在颅脑肿瘤诊断的应用［J］.临床放射学杂志,2004,23(12):1 023－1 026.

［2］诸素萍,戴振东.边缘检测算子在壁虎脑切片显微图像中的研究［J］.现代电子技术,2008,31(10):148－150.

［3］冈萨雷斯.数字图像处理(Matlab版)［M］.北京:电子工业出版社,2005.

［4］翁秀琴,沈武成.制作HE染色石蜡切片的关键技术［J］.医药论坛杂志,2008(21):80－83.

［5］孙久荣.神经解剖生理学［M］.北京:北京大学出版社,2004.

［6］王爱玲.Matlab R2007图像处理技术与应用［M］.北京:电子工业出版社,2008.

［7］汪鼎文,李元香.基于HSI颜色空间的X射线彩色图像分割［J］.计算机工程与设计,2006,27(1):140－141.

［8］王平,洪向共,杨华.基于彩色图像分割的飞机机头定位方法［J］.中国图像图形学报,2006,11(11):1 716－1 719.

［9］金军.基于子块的区域生长的彩色图像分割算法［J］.计算机工程与应用,2008,44(1):82－83.

［10］彭启民,贾云得.一种形态学彩色图像多尺度分割算法［J］.中国图像图形学报,2006,11(5):635－639.

作者简介

程 湛 男，1984年出生，江苏镇江人，硕士研究生。研究方向为计算机辅助仿生学。

戴振东 教授，博士生导师。研究方向为仿生结构与材料、摩擦学。

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。