基于改进分水岭算法的细胞图像分割

论文摘要

不同的细胞具有不同的形态结构,一个生物细胞图像中包含有多种生物信息。为了准确的描述和分析这些信息,就要对生物细胞图像进行定量的分析。不同的细胞图像呈现的形状特征也各不相同,因此,在对细胞图像进行分析研究的时候,要根据不同的需要提取感兴趣的目标。这就为细胞图像分割技术的发展奠定了基础。利用图像的分割技术,可以有效地提取细胞结构的各种结构,从而进行下一阶段的分析。所以,图像的分割技术是图像处理和分析中的重点,是为图像的分析阶段提供准备。随着医学图像处理和分析技术的发展,医学图像的分割技术也得到了快速的发展。在现有的人们提出的多种分割算法和研究中,没有一种算法是可以通用的。其原因在于,在在实际的应用中,医学图像具有及其繁杂的多样性和复杂性。对于不同的医学图像,人们想要提取的细节目标各不相同,用不同的方法得到的医学图像其性质也不同。所以,目前已有的分割方法多是各种分割方法的综合运用。针对不同的图像的特点,有目的的对图像进行具体的分割。形态学分水岭算法是较为常用的分割方法。由于分水岭算法运用的是图像的灰度梯度,所以对噪声比较敏感,直接运用分水岭算法分割图像,容易造成过度分割。因此,为了解决过度分割的问题,人们往往结合其它的分割方法对图像进行预处理或者是分割后进行区域融合。本文针对医学细胞图像的特点,在形态学分水岭算法的基础上,对分水岭算法提出改进。结合形态学基本运算,运用交替序贯滤波对图像进行滤波处理,采用多尺度形态梯度代替形态学梯度。利用开重建,减少极小值标记点,从而减少过分割产生的区域。结合具体的实例分析,表明了基于标记的分水岭分割是一种实用有效的细胞图像分割方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题的目的及意义
• 1.2 国内外研究现状
• 1.3 本文的研究内容
• 第二章 形态学基础
• 2.1 形态学的基本运算
• 2.1.1 腐蚀和膨胀
• 2.1.2 开运算和闭运算
• 2.1.3 结构元素
• 2.2 形态学滤波器
• 2.3 形态学梯度
• 2.4 本章小结
• 第三章 分水岭算法
• 3.1 分水岭算法的基本思想
• 3.2 分水岭算法的数学表示
• 3.2.1 测地影响区
• 3.2.2 分水岭变换
• 3.3 分水岭算法分割图像
• 3.3.1 分水岭分割实现
• 3.3.2 分水岭分割中的过分割现象
• 3.4 本章小结
• 第四章 分水岭算法的改进
• 4.1 交替序贯滤波器
• 4.2 形态学多尺度梯度
• 4.3 形态学重建
• 4.4 基于标记的分水岭分割
• 4.5 本章小结
• 结论
• 参考文献
• 致谢
• 附录 A 攻读学位期间发表的学术论文目录