基于方向信息的微胶囊显微图像的分割算法研究

论文摘要

研究显微物体一直是医学中很有必要的部分,它对了解生物学过程具有重要的意义。目前,对于显微图像的分析仍然停留在人工阶段,即通过人眼观察进行分析和检查,这给我们带来了很多问题:工作力度大、判断错误率高、工作效率低等。为了改善上述问题,人们越来越关注如何利用计算机代替人眼来识别图像,因而基于图像处理的自动识别技术也发展成该领域的研究课题之一。由于显微图像是借助特定的成像仪器获得的,因此具有自身的图像特点,对比度不高、光照不均、噪声干扰大、图像边界不清晰等一些复杂背景因素给识别工作带来了很大困难,本文在对常用的分割算法进行研究的基础上,针对微胶囊形态特殊性的考虑,提出了一种基于方向信息的图像分割算法。首先针对所研究的图像具有屋脊型边缘的特点,把两个分别从空间分布和灰度分布上体现出屋脊边缘点的特征度量,即散度和对比度结合起来,对图像边缘进行检测。实际应用中取得了不错的效果,同时还能获得边缘点的方向信息。接着利用边缘点的方向信息提取出边缘骨架,实验结果能保证细化后边缘曲线的连通性、单像素宽,并保留边缘曲线的端点。然后利用边缘点的方向信息、边缘曲线的相对位置以及端点间的距离大小等来连接边缘。实验结果中能将边缘粘连处和断开处较好地分离和连接起来,大大有利于图像的分析和识别工作。最后将整个算法流程在开发的实用性算法研究软件平台上测试运行,证明了基于方向信息的分割算法思想的可行性、有效性和鲁棒性。本文的创新之处在于:1.考虑到边缘具有方向性的特点,结合散度和对比度,定义边缘点的方向信息来反映屋脊边缘的特征;2.在边缘检测中,加入了隶属度概念使算法更具自适应能力。此外,还提出了基于方向信息的去噪方法;3.充分利用边缘点的方向信息来进行边缘细化和边缘连接,整个图像的分割算法以方向信息为核心,将边缘检测、边缘细化、边缘连接一体化。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的来源
• 1.2 课题的背景及意义
• 1.3 国内外研究现状
• 1.4 本课题主要研究工作
• 第2章 基于方向信息的图像分割算法思想
• 2.1 图像分割的概述
• 2.2 边缘的分类及其特点
• 2.3 屋脊边缘点的特征度量
• 2.3.1 边缘点的散度与对比度
• 2.3.2 边缘点的方向信息
• 2.4 基于方向信息的分割算法思想
• 第3章 微胶囊显微图像的预处理
• 3.1 图像灰度化
• 3.2 基于同态滤波器的图像增强
• 3.2.1 成像模型
• 3.2.2 同态滤波器
• 3.3 基于最大类间类内距离比准则法的模糊增强
• 3.3.1 模糊增强原理
• m值'>3.3.2 基于最大类间类内距离比准则法来确定g_m值
• 第4章 基于屋脊边缘点度量的边缘检测
• 4.1 边缘检测的概述
• 4.2 常用的边缘检测算法
• 4.2.1 基于微分的边缘检测
• 4.2.2 基于区域的边缘检测
• 4.2.3 基于灰度直方图的阈值化边缘检测
• 4.3 基于屋脊边缘点度量的边缘检测算法
• 4.3.1 基于曲线拟合的阈值化边缘检测
• 4.3.2 基于散度和对比度模糊集的边缘检测
• 4.3.3 基于方向信息的去噪算法
• 4.3.4 算法小结
• 第5章 基于方向信息的边缘细化
• 5.1 边缘细化的概述
• 5.2 常用的边缘细化算法
• 5.2.1 OPTA算法
• 5.2.2 Zhang快速并行细化算法
• 5.2.3 HSCP细化算法
• 5.3 基于方向信息的边缘细化算法
• 5.4 边缘评价方法及结果分析
• 5.4.1 边缘及边缘细化的评价
• 5.4.2 基于连通性的边缘评价方法
• 5.4.3 基于区域一致性的边缘评价方法
• 5.5 本章小结
• 第6章 基于方向信息的边缘连接
• 6.1 边缘连接的概述
• 6.2 基于方向信息的边缘连接算法
• 6.2.1 边缘粘连处的处理
• 6.2.2 边缘断开处的处理
• 6.3 本章小结
• 第7章 算法研究软件平台的构建
• 7.1 算法研究软件平台的开发环境
• 7.2 算法研究软件平台的模块设计
• 7.3 算法研究软件平台的界面设计及操作
• 7.3.1 载入原始图像
• 7.3.2 图像灰度化
• 7.3.3 图像增强
• 7.3.4 自适应选取阈值
• 7.3.5 边缘检测
• 7.3.6 边缘细化
• 7.3.7 边缘连接
• 7.4 本章小结
• 结论
• 参考文献
• 附录 微胶囊显微测试图
• 攻读学位期间公开发表论文
• 致谢
• 研究生履历