一种提取体式显微镜图像特征点的方法

张芸蕾，范胜利，王一刚

（1.太原科技大学电子信息工程学院，太原　030024；2.浙江大学宁波理工学院信息科学与工程学院，浙江宁波　315100）

一种提取体式显微镜图像特征点的方法

张芸蕾1，范胜利2，王一刚2

（1.太原科技大学电子信息工程学院，太原030024；2.浙江大学宁波理工学院信息科学与工程学院，浙江宁波315100）

精确提取标定板的特征点是体视显微镜标定的关键，其结果会影响体标定的准确性和稳定性。针对体视显微镜图像噪声大和部分图像清晰度低的问题，提出一种基于分水岭算法的标定板图像特征提取方法，利用区域信息来表征图像特征，以提高检测的稳定性。首先采用高斯高通滤波器锐化得到边缘清晰图像；然后用大津法对图像二值化，并进行形态学腐蚀，接着采用分水岭算法提取图像特征区域，最后通过求取区域几何重心来获取特征点。实验结果表明该特征提取方法具有较强的稳定性。

分水岭算法；特征点提取；摄像机标定；体视显微镜

作为一种常用的三维微观测量仪器，体视显微镜在生物学、医学和工业等领域有着广泛的应用。标定是体视显微镜测量的前提，标定参数精确度会大大影响最终三维微测量结果的精确度。标定板特征提取是标定的重要步骤，为了保证标定参数的精确度，必须提高特征提取的准确度。然而，体视显微图像往往存在比较大的噪声，且部分体视显微图像清晰度低，都会影响特征提取的准确度。如何在图像清晰度低的情况下精确提取标定板图像特征，成为体视显微镜标定中需要解决的重要问题。

在提取特征点方面，目前所提出的方法大多是在Harris角点检测方法［1］和SUSAN［2］角点检测方法上改进得到的。He和Zhou等［3］人将SUSAN角点检测方法进行改进后，能检测到亮度差别少的角点，但对于本文图像存在限制。The Camera Calibration Toolbox［4］在Harris角点检测方法的基础上进行改进，在图像清晰度好时能取得很好的效果，但是该方法实时性差，测量结果受人为因素影响，而且图像清晰度变差，得到的角点误差大。Yang L等［5-13］人在The Camera Calibration Toolbox方法上进行改进，消除了人为因素的影响，提高了实时性，但仍没解决图像清晰度变差情况下角点检测误差大的问题。以上所有提取标定板图像特征点的方法都是针对狭义特征点—角点，本文根据标定板图像呈网格状的特点，提取图像的广义特征点——标定板图像单元网格的几何重心，对体式显微镜进行标定。本方法克服已往方法中特征点提取准确度受图像清晰度的影响，并能准确提取连续相邻几帧图像中对应特征点，且稳定性好。

1　基于分水岭算法的图像特征点提取方法的实现

1.1图像特征点提取过程框图

如图1所示。

特征点的提取过程主要包括三个模块，即，图像预处理模块，分水岭分割模块和几何重心提取模块，图像预处理模块由高斯高通滤波、二值化和形态学腐蚀三个步骤构成，预处理后采用分水岭算法对图像进行分割，最后提取图像的特征点。

图1　图像特征点提取过程框图Fig.1 The diagram of extracting the image characteristic points

1.2图像预处理

图像预处理的过程可以描述为，首先采用高斯高通滤波器对原图像I进行滤波处理，在图像频谱中，低频主要对应图像在平滑区域的总体灰度级分布，高频对应图像的细节部分，如边缘。经多次实验结果表明选用方差为2的高斯高通滤波器对I进行锐化，能消除过度分割的隐患，锐化效果如图2（b）所示。再采用最大类间方差法找到锐化图像I1的一个合适阈值t，并运用该阈值对I1二值化处理，得到二值化图像I2，如图2（c）所示。由图可知，图像的边缘已经比较清晰，但是有些边缘上还存在一些缺口，这些缺口会影响分水岭算法的分割效果，因此在运用分水岭算法之前采用形态学腐蚀处理二值图像。采用5×5正方形结构元素S对I2进行形态学腐蚀，得到被腐蚀图像I3，如图2（d）所示，形态学腐蚀后，二值图像中缺口部分连接在一起，图像中的所有边缘都清晰可见且边缘变粗，整幅图像由许多独立的小连通域组成，再运用距离变换函数对图2（d）进行处理得到适合分水岭算法的图像矩阵M.

1.3分水岭算法的实现

分水岭分割方法是一种基于拓扑理论的数学形态学分割方法。其算法计算速度快，能提取封闭的物体轮廓，且对微弱边缘也具有良好的响应。其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一个像素的灰度值表示该点的海拔高度，局部最小值点集合和其影响区域称“集水盆”，集水盆的边界线则是“分水岭”，以灰度值为基准的剖面图如图3所示。通常描述分水岭算法的方有“注水法”，假设在每个最小值区域的位子打一个洞，并且让水匀速上升从洞涌出，从低到高淹没整个地形。

图2　图像预处理过程Fig.2 The process of pre-processing image

当处在不同汇聚盆地中的水将要聚合在一起时，修建大坝阻止水汇聚，这样水将只能达到大坝的顶部处于水线之上的程度。这些大坝边界对应于分水岭的分界线，从而达到图像分割的目的。

图3　分水岭方法示意图Fig.3 The diagram of watershed method

针对标定板图像由多个小正方形连通域组成的特点，本文采用分水岭算法对预处理后的图像进行分割并提取各个小正方形连通域。矩阵M中元素的数值可以看作测地学上的海拔高度，运用分水岭算法对矩阵M进行分割就能提取各个小连通域，如图4所示，图中每个近似于正方形的小连通域都被准确提取，接着对指定连通域的几何重心进行提取。

1.4几何重心提取

根据标定板图像呈网格状的特点，本文突破以往检测狭义特征点的思维，转向提取标定板图像单位网格的几何重心，提取各个单位网格连通域后，计算每个小连通域的几何重心坐标，第i个连通域的几何重心坐标为（xi，yi），计算方法如式1所示。

图4　分水岭分割Fig.4 The segmentation quality of watershed

其中Mi为第i个连通域像素点的个数，并用红色的‘+’对该连通域重心进行标记，标记结果如图5（a）所示。

图5　特征点提取结果Fig.5 The result of extracting the characteristic points

2　算法的实现与分析

2.1仿真实现

立体测量系统由SLM、精密移动平台和计算机组成，其中SLM型号为NOVEL OPTICS的NSZ-800型显微镜，左右摄像机像素均为720×576，标定板为一印有互相垂直的网格的玻璃标定板，水平和垂直方向网格间隙均为100 μm，即10线/mm.该目标板放置于精密电控垂直升降平台（CHUO SEIKI XA07A-R2H）上，最小移动步长为2 μm.升降平台每移动10歩拍摄一组左右图像，一共拍摄12组图像，每组由12幅图像组成。本文方法提取的特征点为20×30单元网格的几何重心坐标。仿真结果局部图（10×10单元网格）如图5（a）所示。

2.2结果比较与分析

针对算法稳定性，将本文提取特征点方法与The Camera Calibration Toolbox（以下简称Toolbox）中提取角点方法进行比较。采用Toolbox中方法提取同一图像中为20×30范围内的角点，同样采用红色‘+’标记对角点进行标记，提取角点效果如图5（b）所示。比较图5（a）和图5（b），两种方法都能准确的提取图像特征点，但是在对摄像进行标定的过程中需要获取在同一焦距下物距改变的多组图像，随着物距的变化图像的清晰度会变化，这对提取特征点算法稳定性有较高的要求。下面以第一组图为基准分别计算接下来11对图像中对应特征点之间距离的方差，第i幅图像相对于第一幅图像的对应特征点之间的距离方差计算公式如式2所示。

其中i取2—12，N表示标记特征点的个数，本方法中N取600，Toolbox方法中N取651，dij=计算得到的方差曲线分布如图6所示。

由于升降平台每次移动的距离相同，两幅图对应的特征点之间的距离理论上相等，以第一对图像为基准分别计算图像间距离方差，距离方差可以反映两幅图像对应特征点之间的距离大小的波动。距离方差越小表示前后两幅图像提取的特征点算法位置越稳定。

图6　多次仿真下两种方法提取特征点对应特征点之间距离方差曲线比较Fig.6 The comparison of the distance variance cures of corresponding points by the two methods

从上图可以看出多次仿真下，采用本文的方法提取的特征点相比于Toolbox中的方法更加精准，所有的距离方差都小于Toolbox中计算的距离方差，说明本方法在提取特征点时相对准确。观察图中随着升降平台移动曲线的变化趋势，采用本方法得到的距离方差在一个值范围内上下波动，而采用Toolbox方法曲线是呈逐步上身的趋势，且多次仿真结果都呈现这样的趋势，这说明本文方法相对于Toolbox的方法更加稳定。

分析Toolbox的方法计算得到距离方差曲线上升的原因。随着升降平台的移动，双目显微镜拍摄到的图像的清晰度降低，选取间隔相同的三幅图比较，如图7所示。

观察比较三幅图片可知，图像的清晰度逐渐下降，放大（a）、（c）两图的角点提取图如图8所示。

比较图8（a）和图8（b），相对于（a），（b）中标记的角点位置明显偏移了真实的角点，造成这种现象的原因主要有两点：

图7　间隔相同的三幅图像清晰度比较图Fig.7 The comparison of sharpness among three images

图8　不同清晰度图像的角点提取效果比较图Fig.8 The comparison of extraction result of the images with different sharpness

1）Toolbox中给出的角点检测方法需要手动操作，在提取角点前需要手动输入4个角点，然后在4个角点包围的范围内采用改进的Harris角点检查法提取角点，这样就存在人为因素的影响。

2）Toolbox角点检测方法对于清晰度相对低的图像反应不灵敏。

而本文的方法很好的解决的这两个问题。本文自动提取特征点，无需手动操作，消除了人为因素影响；由于分水岭算法对微弱的边缘也存在良好的反应，则图像的清晰度在一定程度上产生变化对本方法的可操作性没有影响。

3　结束语

提出一种体视显微镜标定中图像特征点提取方法。在预处理图像后，采用分水岭算法对图像进行分割，消除存在的过度分割问题，得到封闭的边界线，运用数学计算方法得到的每个小连通域的几何重心，实验结果表明，该方法在提取特征点方面不仅定位精准，运算速度快，而且对同一个场景不同图像的特征点提取稳定性强，具有较高的实用价值。接下来需要做的工作是运用该方法提取的特征点标定体式显微镜。

［1］ HARRIS C，STEPHENS M.A combined corner and edge detector［J］.Proc of 4 Alvey Vision Conf，1998，53（3）：315-319.

［2］ SMITH S M，BRADY J M.SUSAN-a new approach to low level image processing［J］.International journal of computer vision，1997，23（1）：45-78.

［3］ ZHAO F，WEI C，WANG J，et al.An Automated X-corner Detection Algorithm（AXDA）［J］.Journal of Software，2011，6（5）：791-797.

［4］ HE L，ZHOU X.An auto-adaptive threshold pre-detection SUSAN corner detection algorithm［C］∥Intelligent Human-Machine Systems and Cybernetics（IHMSC），2013 5th International Conference on.IEEE，2013：511-514.

［5］ 王国权，周小红，蔚立磊.基于分水岭算法的图像分割方法研究［J］.计算机仿真，2009，26（5）：255-258.

［6］ SAHOO P K，SOLTANI S，WONG A K C.A survey of thresholding techniques［J］.Computer vision，graphics，and image processing，1988，41（2）：233-260.

［7］ QIAO Y，TANG Y，LI J.Improved Harris sub-pixel corner detection algorithm for chessboard image［C］∥Measurement，Information and Control（ICMIC），2013 International Conference on.IEEE，2013：1408-1411.

［8］ BEUCHER S，BILODEAU M.Road segmentation and obstacle detection by a fast watershed transformation［C］∥Intelligent Vehicles'94 Symposium，Proceedings of the.IEEE，1994：296-301.

［9］ 戴青云，余英林.数学形态学在图象处理中的应用进展［J］.控制理论与应用，2001，18（4）：478-482.

［10］ HEIKKILA J，SILVÉN O.A four-step camera calibration procedure with implicit image correction［C］∥Computer Vision and Pattern Recognition，1997.Proceedings.，1997 IEEE Computer Society Conference on.IEEE，1997：1106-1112.

［11］ ZHANG Y.Fast approach to checkerboard corner detection for calibration［J］.Optical Engineering，2014，53（11）：139-152.

［12］ MISRA I，MOORTHI S M，DHAR D，et al.An automatic satellite image registration technique based on Harris corner detection and Random Sample Consensus（RANSAC）outlier rejection model［C］∥Recent Advances in Information Technology（RAIT），2012 1st International Conference on.IEEE，2012：68-73.

［13］ 李平阳，孙志毅.一种提升Canny算子的自适应边缘检测方法［J］.太原科技大学学报，2013，34（3）：171-174.

A Method of Extracting the Feature Points of Microscope Images

ZAHNG Yun-lei1，FAN Sheng-li2，WANG Yi-gang2
（1.College of Electronic and Information engineering，Taiyuan University of Science and Technology，Taiyuan 030024，China；2.College of Information Science and Engineering，Ningbo Institute of Technology，Zhejiang University，Zhejiang Ningbo 315100，China）

Extracting the feature points of calibration board accurately is the key point of stereo light microscope calibration，whose results will influence the accuracy and stability of calibration.Due to the lots of noise and partly fuzzy of the stereo light microscope image，a feature points extract method based on watershed algorithm is proposed，which applies the regional information to represent the image characteristics to improve the stability of the test.Firstly，Gaussian High-pass Filter is used to sharpen the target image and an image with clear edges is got. Secondly，OTSU is applied to binary the clear edge image，and the binary image is corroded by binary mathematical morphology.Finally，watershed algorithm is used to segment the corroded image，and then the geometric center of the separated regions is extracted，which are the feature points of the target image.The experimental results show that this extraction method has strong stability.

watershed algorithm，feature points extraction，camera calibration，stereo microscope

TP391

A

10.3969/j.issn.1673-2057.2016.02.005

1673-2057（2016）02-0103-05

2015-06-08

宁波市自然科学基金（2010A610112）；浙江省重中之重学科开放基金项目（xkx11419）；数码体视显微镜信号处理关键技术研究

张芸蕾（1989-），女，硕士研究生，主要研究方向为智能信息处理与识别；通讯作者：范胜利，硕士，讲师，E-mail：victorfsl@nit.zju.edu.cn