基于数学形态学的细胞图像分割技术研究

论文摘要

数学形态学以其严密的理论体系和直观的几何表示为图像处理问题提供了一种一致的有力方法。基于数学形态学的图像分割是近年来图像处理中的研究热点之一。目前基于数学形态学图像分割的研究主要集中在两个方面:基于数学形态学的边缘检测和基于形态学分水岭变换的区域分割算法改进。本文围绕这两方面展开深入研究,分别改进了基于形态学重构的细胞图像边缘检测算法和基于形态学重构与标记的细胞图像分水岭分割算法,主要的工作和研究成果如下:1.阐述了课题的研究背景及意义,给出了图像分割的有关概念,对目前细胞图像分割的方法及国内外研究现状进行了综述性分析。介绍了数学形态学的基础理论及形态学重构的原理与应用。2.针对数学形态学简单开闭运算会导致边缘信息的不连续,影响分割的精确度,利用形态学重构运算保持边缘的良好特性,引入了形态学重构滤波器,解决了简化图像和保护边缘这一矛盾。3.针对形态学开闭(闭开)重构滤波应用在严重噪声污染细胞图像上会导致滤波效果差的问题,引入了连续开闭(闭开)重构滤波方案,获得了很好的效果。4.针对形态学重构中结构元素难以选取的关键问题,结构元素选取太小,难滤除大的噪声,结构元素若取得过大,会破坏细胞的形态结构,引入了多结构元素自适应迭代膨胀的结构元素选取方法,可以很好的解决这一问题。结合上述优点,提出基于形态学重构的多结构元多路加权边缘检测算法。通过实验证明,该细胞图像边缘检测新方法在提取图像的边缘效果和滤除伪边界方面优于传统的边缘检测方法。并与参考文献[59]所采用的区域形态学运算的边缘检测方法进行实验结果比较,本文提出的算法其实验结果具有明显的优势。5.对分水岭分割算法进行深入研究,借鉴形态学重构思想,针对传统分割方法的“过分割”问题,改进了基于形态学重构与标记的细胞图像分水岭分割新算法。引入形态学重构作为分割前的预处理,该算法计算复杂度较低、参数选取简单,大大改善了分水岭算法的过分割问题。本文所提出的算法与另外三种经过改进的分水岭分割算法进行实验结果比较,本文提出的算法可以得到更为准确的分割效果。6.本文根据实际研究工作需要,修订了传统教科书中形态学理论的运算符表达式,统一改写为函数表达式,有利于研究工作深入后算法思想的确切描述。7.本文提出的算法解决了细胞图像分割的两个关键问题。今后将从以下几个方面继续努力:提高结构元素选取的自适应性能;对二维的细胞进行三维重建,从三维的角度研究图像中的细胞更加客观,可以获取更多的有价值医学信息。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景和意义
• 1.2 图像分割概述
• 1.3 目前使用的细胞图像分割方法及国内外研究现状
• 1.3.1 基于边缘检测的细胞图像分割
• 1.3.2 基于区域生长和分裂合并的细胞图像分割
• 1.3.3 基于阈值分割的细胞图像分割
• 1.3.4 其它细胞图像分割方法
• 1.4 论文的研究内容及章节安排
• 1.4.1 主要研究内容
• 1.4.2 论文章节安排
• 第2章 数学形态学基本理论
• 2.1 数学形态学简介
• 2.2 二值形态学基本运算
• 2.2.1 膨胀和腐蚀
• 2.2.2 开运算和闭运算
• 2.3 灰度图像的形态学处理
• 2.3.1 灰度膨胀和灰度腐蚀
• 2.3.2 灰度图像开、闭操作
• 2.3.3 形态学梯度运算
• 2.4 形态学重构运算
• 2.4.1 形态学重构流程
• 2.4.2 二值图像重构
• 2.4.3 灰度图像重构
• 2.5 本章小结
• 第3章 基于形态学重构的细胞图像边缘检测
• 3.1 引言
• 3.2 常见的边缘检测算子
• 3.3 形态学边缘检测算子
• 3.4 形态学重构滤波器设计
• 3.4.1 形态学重构滤波器构建
• 3.4.2 开、闭重构运算滤波及实验结果与分析
• 3.4.3 改进的连续开闭（闭开）重构运算滤波及实验结果与分析
• 3.5 基于形态学重构的多结构元素加权合成边缘检测算法
• 3.5.1 多结构元素的选取
• 3.5.2 算法流程描述
• 3.6 实验结果与分析
• 3.6.1 实验效率分析
• 3.6.2 与经典边缘检测算子检测结果比较
• 3.6.3 与参考文献[59]所采取的区域形态学运算检测细胞边缘的检测效果相比
• 3.7 本章小结
• 第4章 细胞图像形态学分水岭变换分割方法
• 4.1 引言
• 4.2 分水岭变换原理
• 4.2.1 分水岭算法概述
• 4.2.2 分水岭算法数学描述
• 4.2.3 分水岭算法过分割问题
• 4.3 分水岭分割的常用方法
• 4.3.1 使用距离变换的分水岭分割
• 4.3.2 使用梯度的分水岭分割
• 4.3.3 控制标记符的分水岭分割
• 4.4 一种基于形态学重构与标记的分水岭彩色细胞图像分割算法
• 4.4.1 彩色细胞图像梯度信息的形态学提取
• 4.4.2 梯度图像形态学重构处理
• 4.4.3 标记的提取
• 4.4.4 基于标记的图像分割
• 4.5 实验结果与分析
• 4.6 本章小结
• 第5章 论文总结与展望
• 5.1 论文工作总结
• 5.2 前景展望
• 参考文献
• 附录:符号说明
• 致谢
• 攻读学位期间参加的科研项目和成果