显微图像目标识别与结构提取方法研究*

常君明 任 琼 许 璐 许中元

(江汉大学数学与计算机学院 武汉 430056)

显微图像目标识别与结构提取方法研究*

常君明 任 琼 许 璐 许中元

(江汉大学数学与计算机学院 武汉 430056)

比较了显微图像和宏观图像之间的区别。针对显微图像特点,对已有的图像处理方法进行分析与比较,并加以改进与优化,建立了适合显微图像的目标识别与结构提取的较优方案。实验表明,研究结果不仅可以提高显微目标对象提取正确率,还可以提高特征提取的速度。

显微图像;目标识别;结构提取

(Department of maths and Computer JiangHan University, Wuhan 430056)

Class Number TP391

1 引言

微操作和微装配离不开显微设备,利用微设备实现手工操作和手工定位已经应用于相关行业,取得了一些进展[1～2]。但是手工操作难以避免个体因素导致的失误,用分析和处理系统来实现微操作的自动化迫在眉睫,由此促成了显微视觉、显微图像处理等研究领域的发展。

显微图像与宏观图像略有不同[3],主要表现在：显微图像中的场景简单,图像中的点、线和面之间的结构关系远没有宏观图像中的复杂；显微图像受光照的影响明显,图像的对比度低,特征识别困难,容易产生大量的误识别像素；附着在微观对象上的污点经过显微镜的放大,在显微镜中变得非常明显,目标识别过程中容易产生遗留噪声,影响识别的质量。

目前,图像识别方法有很多种[4～5],但是针对显微图像分割、识别的算法不多,其主要原因在于显微图像生成的多噪声、多干扰的特点。本文从分析显微图像特点出发,在总结已有的图像分割与提取方法的特点及不足的基础上,对己有的图像分割与结构提取方法进行比较与分析,并加以优化与改进,建立了适合显微图像的目标识别与结构提取算法。

2 图像增强预处理

2.1 预处理目的

显微图像在视角效果和识别方便性等方面都可能存在诸多的问题。为了改善视觉效果或者便于人和机器对图像的理解和分析,根据显微图像的特点或存在的问题采取简单的改善方法或加强特征的措施,主要有按照需要进行适当的变换突出某些有用的信息,去除或者弱化无用信息,如改变显微图像的对比度、去除噪声或强调边缘等处理。

2.2 直方图修正

显微图像具有对比度低的特点,而直方图修正在处理对比度低的图像中非常有效。

灰度直方图反映了一幅图像的灰度分布特征[6],使人们从中得到诸如总体明亮程度、对比度、对象物的可分性等与显微图像质量有关的灰度分布概貌,这是显微图像处理方法的重要依据；同时,对直方图进行分析可以得到显微图像的一些能反映图像特点的有用特征,例如,当显微图像的对比度比较小时,其灰度直方图自在灰度轴上较小的一段区间上非零；较暗的显微图像由于较多像素的灰度值低,因此直方图的主体出现在灰度区间上,在高值灰度区间上的幅度较小或为零。较亮的显微图像正好相反。通常一副均匀量化的自然图像由于其灰度直方图分布集中在较窄的低值灰度区间,引起图像的细节看不清楚,为使图像变的清晰,可以通过变换使图像的灰度范围拉开或使灰度分布在动态范围内趋于均化,从而增加反差,使图像的细节清晰,达到显微图像增强的目的。

2.3 直方图修正显微图像实验与分析

1) 实验效果

使用直方图均衡化增强灰度显微图像对比度,其效果如图1～图4所示。

图1 原始图像

图2 直方图均衡化图像

图3 原始图像直方图

图4 均衡化图像直方图

2) 效果分析

比较图1和图2后可以看出,原来的图1中模糊的曲线在图2中显示出了丰富清晰的细节。比较图3和图4后可以看到,图3中亮度主要分布在右边低值区域,而图4中亮度区域都有比较平均的分布,因此可以显示图像的细节。

3 自动阈值分离背景

3.1 阈值分割的基本原理[6～7]

阈值分割是一种基于区域的图像分割技术。其基本原理是通过设定不同的特征阈值,把图像像素点分为若干类。常用的特征包括直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。设原始图像为f(x,y),按照一定的准则在f(x,y)中找到若干个特征值T1,T2,,Tn,将图像分割为几部分,分割后的图像为

一般意义上,阈值运算可以看做是对图像中某点的灰度、改点的某种局部特性以及该点在图像中的位置的一种函数。这种阈值函数可以记作：

T(x,y,N(x,y),f(x,y))

根据对T的不同约束,可以得到三种不同类型的阈值。

全局阈值T=T(f(x,y)),只与点的灰度值有关；

局部阈值T=T(N(x,y),f(x,y)),与点的灰度值和该点的局部领域特征有关；

动态阈值T=T(x,y,N(x,y),f(x,y)),与点的位置、灰度值和领域特征有关。

3.2 阈值在显微图像处理中的应用

阈值分割的优点是实现简单,对于不同类的显微图像灰度值或其他特征相差很大时,能有效对图像进行分割。阈值分割通常作为图像的预处理,然后应用其他一系列分割方法进行后处理。

3.3 自动阈值法

变阈值分割最为简单的方法是人工选择法。虽然人工法可以选出令人满意的阈值,但是在无人介入的情况下自动选取阈值是大部分应用的基本要求。自动阈值方法通常使用灰度直方图来分析图像中灰度值的分布,结合特定的应用领域知识来选取最合适的阈值。

1) 迭代式阈值选择[7～8]

迭代式阈值选择的方法基本思想是：开始时选择一个阈值作为初始估计值,然后按某种策略不断地改进这一估计值,直到满足给定的准则为止。在迭代过程中,关键之处在于选择什么样的阈值改进策略。好的改进策略应用具有两个特征：一是能够快速收敛,二是在每一迭代过程中,新产生的阈值优于上一次的阈值。其算法的基本步骤是：

步骤1：选择图像灰度中的中值作为初始阈值T0；

步骤2：利用阈值T0把图像分割为两个区域R1和R2,用下式计算区域R1和R2的灰度值u1和u2；

步骤3：计算出u1和u2后,用下式计算出新的阈值Ti+1；

步骤4：重复步骤2～3,直到和的差小于某个给定值。

2) Otsu法阈值选择[9～10]

Otsu法是一种使类间方差最大的自动确定阈值的方法,该方法具有简单、处理速度快的特点,是一种常用的阈值选择方法。基本思想是：设图像像素数为N,灰度范围为[0,L-1],对应的灰度级i的像素数为Ni,几率为

pi=ni/N,i=0,1,,L-1

把图像中的像素按灰度值用阈值T分为两类C0和C1,由灰度值在[0,T]之间的像素组成,C1由灰度值在[T+1,L-1]之间的像素组成,对于灰度分布几率,整幅图像的均值为

则C0和C1的均值为

其中：

由上面的式子可得：

uT=ω0u0+ω1u1

类间方差的定义为

=ω1ω0(u0-u1)2

3.4 阈值法对显微图像背景分离与分析

1) 分割实验

对同一副显微图像分别进行迭代法全局阈值分割、全局阈值Otsu法阈值分割和局部阈值分割,结果如图5～图8所示。

图5 原始图像

图6 迭代法全局阈值分割

图7 全局阈值Ostu法阈值

图8 局部阈值分割

2) 实验分析

从上述效果图可以看出,迭代法全局阈值分割得到的图像白色部分最多,局部阈值分割得到的图像白色部分最少,全局阈值Ostu法阈值得到的图像白色部分基于两种之间。但迭代法全局阈值目标图像发生了断裂,而全局阈值Ostu法阈完整保留了目标图像,为后续处理打下了良好的基础。

表1所示是迭代法全局阈值分割、全局阈值Otsu法阈值分割和全局阈值Otsu法阈值分割各自自动生成的分割阈值。

表1 各种分割法自动生成阈值比较

4 结语

只有把目标对象从显微图像中提取出来,才有可能进一步对目标对象进行定量分析或者识别,进而对显微图像进行理解。文章针对于显微图像生成的多噪声、多干扰的特点,对直方图修正进行讨论,对自动阈值分割常见算法进行分析与比较,获得了针对显微图像目标识别与结构提取的最佳方法。

[1] Tetsuya Sano,Hidekazu Nagahata, Hiroshi Endo et al. A visual feedback system for micromanipulation whit stereoscopic microscope[C]// In: IEEE Instrumentation and Measurement Technology Conference, 1998:1127-1132.

[2] Tetsuya Sano, Hideki Yamamoto. Study of Micromanipulation using stereoscopic[J]. IEEE Transaction on Instrumentation & Measurement,2000,3(2):327-321.

[3] 王跃宗,刘冲,王立鼎,徐征.显微图像中目标对象的边缘提取研究方正[J].小型微型计算机系统,2003,24(12):2178-2180.

[4] Bodnarova A, Bennamoun N, Latham S. Optimal Gabor filters for textile flaw detection [J].Pattern Recognition,2002, 35(12)：2973 -2991.

[5] Tsai DM,Wu SK. Automated surface inspection using Gabor filters[J].The International Journal of Advanced Manufacturing Technology,2000,16(7)：474-482.

[6] 龚声荣,刘纯平等.数值图像处理与分析[M].北京：清华大学出版社,2006.

[7] 章毓晋.图像处理和分析基础[M].北京：高等教育出版社,2002.

[8] 冈萨雷斯.数字图像处理[M].北京：电子工业出版社,2005.

[9] Otsu N. IEEE Trans. System Man Cybernet[C].1979. SMC-9:62-66.

[10] 余成波,秦华锋,等.生物特征识别技术手指静脉识别技术[M].北京：清华大学出版社,2009.

Target Recognition and Structure Extraction in Microscopic Images

CHANG Junming REN Qiong XU Lu XU Zhongyuan

The common characters are summarized by comparing microscopic images with macroscopic images. Based on microscopic image characteristics, analyzing and comparing the existing image processing algorithms which are improved and optimized later, the optimal scheme which is suitable for microscopic image target recognition and structure extraction is set up. Experiments show that the method can not only improve the microscopic object extraction accuracy, but also increase the speed of the feature extraction.

microscopic image, target recognition, structure extraction

2016年6月3日,

2016年7月24日

武汉市科技局项目(编号:2013071004010472);湖北省教育厅项目(编号:B2016281)资助。

常君明,男,硕士研究生,副教授,研究方向：图形图像处理、科学计算可视化、仿真。任琼,女,硕士研究生,讲师,研究方向：网络工程。许璐,男,硕士研究生,副教授,研究方向：数理统计。许中元,男,副教授,研究方向：多媒体技术。

TP391

10.3969/j.issn.1672-9730.2016.12.010