（计算机应用技术专业论文）叶类中药显微图像分割和气孔指数测定.pdf

叶类中药显微图像分割和气孔指数测定 中文摘要 叶类中药显微图像分割和气孑l 指数测定 中文摘要 中药鉴定有助于新中药的发现和打击假冒伪劣中药。鉴于传统中药鉴定人工操作 效率低下，本文提出基于图像分割的中药鉴定思路，给出两种可行的基于图像分割技 术的中药鉴定方法，即基于r g b 空间聚类的叶类中药显微图像分割方法和基于阈值 分割的叶类中药显微图像分割和目标计数方法，解决了叶类中药显微图像分割中图像 噪声干扰多、光照不均匀、存在刀口和抓痕、目标种类多、个数多、色调不均匀等多 种困难。 在基于r g b 空间聚类的叶类中药显微图像分割技术研究中，针对r g b 空间聚类 技术中初始聚类中心难以选取的问题，本文提出了基于核密度和类内最大距离的k - 均值聚类分割算法。算法运用一种特殊的存储结构存储颜色空间数据，根据颜色的密 度特征对图像中的颜色进行排序，根据排序结果进行聚类，并根据待聚类色彩与已有 聚类中心距离是否小于类内最大距离来决定归入已有的类或形成一个新的类。 在基于阈值分割的叶类中药显微图像分割和目标计数技术研究中，充分利用边缘 信息和目标像素呈正态分布的假设，来解决阈值分割存在的单峰问题，具有一定的创 新性。通过对图像灰度化、噪声去除、边缘检测后所得的边缘图像设定阈值，从而确 定边缘区域，利用边缘信息获取图像分割阈值，分割出去除边缘区域的目标区域；采 用小邻域去除、空洞填充技术消除大部分非细胞目标和细胞空洞；进行区域标记并对 每个区域计算面积周长比区域描述子，从而实现了细胞的分割和计数。气孔的分割则 根据气孔在饱和度分量中与其他目标区分明显的特性，基于目标背景像素呈正态分 布这一假设，对单峰图像进行分割，从而解决了气孔目标小，图像直方图没有明显波 谷这一困难。 本文提出的技术解决叶类中药显微图像分割和显微常数测定问题，同时解决了一 些当前图像分割中的困难，对当前图像分割技术也具有一定的借鉴意义。 关键词：叶类中药，图像分割，聚类，阈值 作者：张翠萍 指导老师：龚声蓉 a b s t r a c tt h em i c r oi m a g es e g m e n t a t i o na n ds t o m a t ai n d e xm e a s u r e m e n to f l e a f yh e r b a lm e d i c i n e t h em i c r oi m a g e s e g m e n t a t i o na n d s t o m a t ai n d e x m e a s u r e m e n to fl e a f yh e r b a lm e d i c i n e a b s t r a c t t h ei d e n t i f i c a t i o no ft h ec h i n e s eh e r b a lm e d i c i n ew i l lc o n t r i b u t et ot h ed i s c o v e r yo f t h en e wm e d i c i n ea n dt h ec r a c k - d o w no nt h ef a k ea n ds h o d d ym e d i c i n e i nt h el i g h to ft h e l o we f f i c i e n c yo ft h et r a d i t i o n a lm e t h o do fi d e n t i f i c a t i o no ft h ec h i n e s eh e r b ，t h i sp a p e r d i s c o v e r e dt h en e ww a y so fi d e n t i f i c a t i o na n dp r e s e n t e dt w of e a s i b l ei d e n t i f i c a t i o n a p p r o a c h e so nt h eb a s i so fi m a g es e g m e n t a t i o n t h ef i r s ta p p r o a c hi st h em i c r oi m a g e s e g m e n t a t i o no fl e a f yh e r b a lm e d i c i n eb a s e do nf e a t u r es p a c ec l u s t e r i n g a n dt h es e c o n d a p p r o a c hi st h em i c r oi m a g es e g m e n t a t i o no fl e a f yh e r b a lm e d i c i n eb a s e do nt h r e s h o l d s e g m e n t a t i o na n dt h et a r g e tc o u n t i n gm e t h o d t h e s et w oa p p r o a c h e sf o u n ds o l u t i o n st ot h e v a r i o u sd i f f i c u l t i e si nt h em i c r oi m a g es e g m e n t a t i o no fl e a f yh e r b a lm e d i c i n e ，s u c ha st h e h u g ea m o u n to fn o i s ed i s t u r b i n gt h es e g m e n t a t i o n , a n du n e v e no fl i g h t , t h ee x i s t e n c eo ft h e i n c i s i o na n da b r a s i o n ，g r e a tn u m b e ro fc a t e g o r i e sa n du n e v e nt i n c t u r e i nt h ef i r s ts t u d yo ft h ea p p r o a c h , i no r d e rt os o l v et h ep r o b l e mo f h a r dt oi d e n t i f yt h e i n i t i a lc l u s t e r i n gc e n t e ri nf e a t u r es p a c ec l u s t e r i n gt e c h n i q u e ，t h i se s s a yb r o u g h tf o r w a r d t h ek m e a n sc l u s t e r i n gs e g m e n t a t i o nc o u n t i n gm e t h o db a s e do nk e r n e ld e n s i t ya n dt h e m a x i m u md i s t a n c ei nt h ei n t r a - c l a s s t h ec o u n t i n gm e t h o du s e das p e c i a ls t o r a g es t r u c t u r e t os t o r et h ed a t ao fc o l o rs p a c e ，s o r tt h ec o l o r si nt h ei m a g ea c c o r d i n gt ot h ed e n s i t y f e a t u r e so ft h ec o l o r s ，a n dc l u s t e ra c c o r d i n g l y , a n dt h e nd e c i d e dw h e t h e ri tb e l o n g e dt ot h e e x i s t i n gc l u s t e ro rf o r m e dan e wc l u s t e ra c c o r d i n gt ow h e t h e rt h ed i s t a n c eb e t w e e nt h e c o l o rw a i t i n gt ob es o r t e da n dt h ec e n t e ro fe x i s t i n gc l u s t e ri ss m a l l e rt h a nt h em a x i m u m d i s t a n c e t h es e c o n da p p r o a c hi so r i g i n a la n dc r e a t i v et os o m ee x t e n ti nt h a ti tm a d ef u l lu s eo f t h eh y p o t h e s i st h a tt h ei m a g ee d g e sa n dt h et a r g e tp i x e l sa r en o r m a l l yd i s t r i b u t e dt os o l v e t h e s i n g l e p e a kp r o b l e md u r i n g t h et h r e s h o l ds e g m e n t a t i o n a f t e rt h e g r a y l e v e l t r a n s f o r m a t i o no ft h ei m a g e ，r e m o v a la l ls o u r c e so fn o i s ea n de d g ed e t e c t i o n ，t h et h r e s h o l d v a l u ew i l lb es e t a n du s et h ei m a g ee d g ei n f o r m a t i o nt og e tt h et h r e s h o l dv a l u eo ft h e i m a g es e g m e n t a t i o n ，a n dd i v i d et h et a r g e ta r e aw i t h o u tt h ee d g ea r e a m o s tn o nc e l l u l a r i i t h em i c r oi m a g es e g m e n t a t i o na n ds t o m a t ai n d e xm e a s u r e m e n to fl e a f yh e r b a lm e d i c i n e a b s t r a c t t a r g e ta n dc e l lh o l ew i l lb ee l i m i n a t e dt h r o u g hr e m o v i n go ft h es m a l lr r e aa n dh o l e f i l l i n g t e c h n i q u e ；t h ed i v i s i o na n dc o u n t i n go ft h ec e l l sw i l lb ea c h i e v e dt h r o u g hm a r k i n gt h ea r e a a n dc a l c u l a t i n gt h ep e r i m e t e ro fe v e r ya r e a t h es e g m e n t a t i o no fs t o m aw i l lb eb a s e do ni t s d i s t i n c tf e a t u r e sf r o mo t h e rt a r g e t s ，a n da c c o r d i n gt ot h eh y p o t h e s i st h a tt h et a r g e tp i x e l s a n db a c k i n gp i x e l sa r en o r m a l l yd i s t r i b u t e d , t h es i n g l e - p e a ki m a g ei ss e g m e n t e d , t h u st h e p r o b l e mo f t h et a r g e tb e i n gt o os m a l la n dn oa p p a r e n tt r o u g hi nt h ei m a g eh i s t o g r a m t h et e c h n i q u eb r o u g h tf o r w a r di nt h i sp a p e rs o l v e dt h ep r o b l e mo ft h es e g m e n t a t i o n o fm i c r oi m a g eo fl e a f yh e r b a lm e d i c i n ea n dt h em e a s u r e m e n to fm i c r oc o n s t a n t , a n dw a s s i g n i f i c a n t i n f m d i n g s o m es o l u t i o n st o p r o b l e m se x i s t i n g i nt h ec u r r e n t i m a g e s e g m e n t a t i o n k e yw o r d s ：l e a f yh e r b a lm e d i c i n e ，i m a g es e g m e n t a t i o n , c l u s t e r i n g ，t h r e s h o l dv a l u e i i i w r i t t e n b yz h a n gc u i p i n g s u p e r v i s e db yg o n gs h e n g r o n g 苏州大学学位论文独创性声明及使用授权的声明 学位论文独创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进 行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含 其他个人或集体己经发表或撰写过的研究成果，也不含为获得苏州大学 或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡 献的个人和集体，均已在文中以明确方式标明口本人承担本声明的法律 责任。 研究生签名： 熘辱_ 学位论文使用授权声明 苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论文 合作部、中国社科院文献信息情报中心有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本 人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文 外，允许论文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分 内容。论文的公布( 包括刊登) 授权苏州大学学位办办理。 研究生签名： 鼯日期：止 导师签名一参主琴 日期：勉垦羔 叶类中药显微图像分割和气孔指数测定第一章概述 1 1 研究背景与意义 第一章概述 中药是中华民族的瑰宝，也是- 1 3 实践性非常强的科学。自古就有“神农尝百草 之滋味，一日而遇七十余毒 的说法，起初中药材的药效都是通过病人的服用来 验证的，但其药效的验证带有极大的风险，甚至是生命危险，中国中医的理论基础著 作伤寒杂病论就是在这样的背景下产生的，从古到今的中医中药著作为鉴定药材 的种类和疗效提供了重要的理论基础，发展到今天已经成为一门科学中药鉴定学， 并在鉴定中药的品种和质量、继承和弘扬祖国医学遗产、制定规范化的质量标准、扩 大和开发中药资源等方面起着非常重要的作用。鉴定中药能够保证药材疗效的确切， 防止制售假药，有助于开发新药材。 目前主要的鉴定中药材的方法主要有基原( 来源) 鉴定法、性状鉴定法、理化鉴 定法、生物鉴定法和显微鉴定法，称为“五大鉴定法 。显微鉴定法就是利用显微技 术对中药进行分析鉴定，以便确定其真伪、纯度、品质的一种鉴别方法。进行显微鉴 定时，鉴定人必须具有生物解剖的基本知识，掌握制片的基本技术。显微常数测定是 显微鉴定的一项重要内容，常用的显微常数主要有鉴别叶类中药的栅表细胞比、气孔 数、气孔指数、脉岛数等，这些常数常因植物种类不同而异，常用于叶类药材、部分 花类和带叶的全草类药材的定性鉴别。尤其是用于同属不同种类来源的药材的鉴别。 对叶类中药而言，气孔指数是指叶单位面积上气孔数占表皮细胞数与气孔数之和的百 分比。气孔指数有一定的范围且比较固定，可用来区分不同种的植物和中药。气孔指 数计算公式如1 1 所示。 气孔指数= ( 单位面积上的气孔数+ 表皮细胞数) 单位面积的气孔数x1 0 0 ( 1 1 ) 传统区分叶类中药的方法是人工进行的，不仅效率低而且浪费人力。随着数字图 像技术的发展，图像通过成像设备进行数字化，并利用现有图像处理技术对数字化图 像进行分割，然后利用图像分析技术对图像内容进行分析，最终实现叶类中药的自动 分类，从而提高了中药药材分类的效率。 实现这一分类过程比较关键的技术是图像分割技术，一直以来图像分割技术都是 图像处理和分析领域最为活跃的研究课题之一，虽然图像分割的研究历史很长，成果 也很多，但至今还不存在适用于任何情况的通用分割算法，而较多算法是针对某一具 体领域的具体问题而设计，包括在医学图像领域的一些图像分割算法。在医学图像领 第一苹概述叶类中药显微图像分割和气孔指数测定 域的图像分割技术主要应用包括以下几个方面：人体正常组织、病变组织的三维重建 和分析、图像引导手术、肿瘤放射治疗等。为此，结合本人工作单位福建中医学 院的实际需求，开展将数字图像处理技术应用于叶类中药显微鉴定的研究工作。这一 研究工作也是基于叶类中药显微图像的特点采用特定的图像分割技术实现不同目标 分割和计数，从而可以自动化地计算每幅叶类中药显微图像的气孔指数，为实现叶类 中药的种属自动判定提供技术支持。 1 2 研究现状 叶类中药的显微鉴别，通常作横切片观察表皮、叶肉及中脉的组织构造。表皮大 多为一层细胞组成，细胞呈扁平或近方形，外壁通常被有角质层，有的表皮细胞分化 成向外突出的毛茸。表皮具有气孔。观察时要注意上、下表皮细胞的形状、大小、外 壁、气孔、角质层厚度，以及有无内含物，特别是毛状物的类型及其特征。 叶的表面制片，还可以对气孔指数等进行常数测定，对别亲缘相近的同属植物的 叶，有一定参考价值。“气孔指数 是指单位面积上气孔数所占表皮细胞数的百分比。 该值较为恒定，不受叶的高度、叶龄等因素的影响，可用来区别不同种的植物和中药。 生物医学图像应用焦点有二：一是在生物体内构成部件观察；第二点是微观的观 测，光镜与电子显微镜则是最常用的手段。光镜可以由观测人员目测，而电子显微镜 出来的图像则必需要应用计算机进行处理分析。电子显微镜的放大倍数高时成像系统 中的噪声、电子显微取像时光照的不均匀，电子显微镜的被摄样品的切片制作时常见 的刀口、抓痕等问题都会影响显微图像的质量，这给显微图像的分析带来了困难。 对具体的叶类中药显微图像而言，图像中存在多类多个目标，且因染色方法不同， 导致图像内目标的色调不统一，这些因素也会给图像分割增加难度。 为了实现叶类中药显微图像的分割，我查阅了当前图像分割技术的有关文献。纵 观当前图像分割【1 3 1 ，除了研究对一些标准测试图像( 如b e r k e l e y 分割图像库中的图 像等) 的通用分割技术【4 ，5 】外，图像分割技术在很多领域得到广泛应用。在医学图像 领域，研究人和动物的m r 图像分割较多，文献【6 】引入高斯混合模型描述整幅图像， 并改进活动轮廓模型使其更适合心脏m 的分割，文献 7 提出自适应气球力主动轮 廓的图像分割算法用于胸部肿瘤和脑m r 图像分割。对于植物图像，主要侧重用摄像 头或数码相机获取的可见图像分割。采用阈值分割技术，文献 8 】提出的应用于草莓 图像的快速分割算法，文献 9 】提出了应用于番茄图像的基于r g 色差特征分割技术， 这都给收获机器人的果实采摘提供了技术支持。文献【1 0 】提出了一种新的移动中心超 2 叶类中药显微图像分割和气孔指数测定第一章概述 球分类器，并利用该分类器对得到的形状特征进行分类从而实现了对2 0 多种植物叶 片的快速识别，是种有监督的分类方法。在工业领域，文献 1 l 】针对棒材计数中存 在的棒材粘连问题，提出一种粘连棒材图像自动计数技术，能够给粘连细胞的计数提 供一些参考。然而，利用计算机自动分割和判定时类中药显微图像的神属，尚未见文 献报道。 1 3 研究目标与研究内容 本文的研究目标是通过研究，实现叶类中药显微图像的分割和图像内目标的计 数，这里分割需要将图像中的各类目标从背景中分离出来。根据此目标，需要研究当 前的图像分割技术，并选择适当的图像分割算法实现叶类中药显微图像的快速高效分 割，分割过程结束后，对图像不同区域添加标记，并对区域进行分类，统计每一类区 域的个数。具体内容包括： 一、基于r g b 空间聚类技术的叶类中药显微图像分割，主要是在指定图像目标 种类的情况下，在图像的r g b 色彩空间对图像中不同目标进行聚类，从而将不同种类 的目标分割出来。对于叶类中药显微图像而言，图像中目标的种类是固定的，利用种 类数量指导聚类的过程能够提高聚类分割的效果。 二、基于阈值分割技术的叶类中药显微图像分割和目标计数，主要是利用边缘检 测技术，确定目标边界像素的色彩，作为阈值分割的阈值，根据图像中不同种类目标 的特点，依次将不同种类的目标分割出来，同时采用区域标记技术统计区域个数。 1 4 本文的框架结构 本文将通过研究图像分割技术，实现叶类中药显微图像的分割和图像内目标的计 数，重点通过采用阈值分割技术、r g b 空间聚类技术对叶类中药图像进行分割。因此， 本文的内容将按一下框架结构加以安排： 第一章，概述。介绍了本文的研究背景、意义和研究现状，研究内容、目标和框 架结构。 第二章，图像分割概述。重点分析了当前的图像分割技术，为本文图像分割技术 的选择提供理论依据。 第三章，基于聚类技术的叶类中药显微图像分割。采用r g b 空间聚类技术，对叶 类中药显微图像进行分割，给出算法实现过程和分割的实验结果。 第四章，基于阈值分割的叶类中药显微图像分割和目标计数。采用边缘检测、阈 3 第一章概述 叶类中药显微图像分割和气孔指数测定 值分割技术对叶类中药进行分割，将描述分割和计数算法的实现过程，并给出实验结 果。 第五章，结束语。总结了本文提出利用图像分割技术解决中药鉴定的思路和对下 一步工作的展望。 4 叶类中药显微图像分割和气孔指数测定第二章图像分割概述 第二章图像分割概述 2 1 图像分割技术的概念 一幅图像一般包括人们感兴趣的区域称为“前景”或“目标 和不感兴趣的 区域称为“背景”。图像分割俗称“抠图 ，就是把前景或目标从背景中分离出来。 从数学定义上说，图像分割( s e g m e n t a t i o n ) 就是把图像分成若干各具特性区域的技术和 过程【1 2 , 1 3 】。 定义：将一幅图像g ( x ，y ) ，其中0 了m a x 一工，0 y m a x y ，进行分割就是将图 像分为满足如下条件的子区域g i g ：g ，g ： ( 1 ) 定义：ug k ( 工，y ) = g ( 工，y ) ，即所有子区域组成了整幅图像； ( 2 ) g k 是连通区域； ( 3 ) g k ( x ，y ) n g ，( 五y ) = ( 后= 1 2 ，n ；j = 1 2 ，n ；k _ ，) ；即任意两个子区域不存在公 共元素； ( 4 ) 区域g 。满足一定的均一性条件，均一性( 或相似性) 一般指同一区域内的 像素点之间的灰度值差异较小或灰度值的变化较缓慢。 如果连通性的约束被取消，那么对像素集的划分就称为分类( p i x e lc l a s s i f i c a t i o n ) ， 每一个像素集称为类( c l a s s ) 。为了简单，我们将经典的分割和像素分类通称为分割。 2 2 图像分割技术的研究现状 图像分割技术种类繁多，但总的来讲可以分为两类：( 1 ) 基于区域的分割方法； ( 2 ) 基于边缘的分割方法。 2 2 1 基于区域的分割 基于区域的分割技术包括：( 1 ) 阈值分割技术；( 2 ) 聚类分割技术；( 3 ) 分类器 技术；( 4 ) 区域生长和分裂合并技术；( 5 ) 分水岭技术；( 6 ) 马尔科夫随机场技术。 2 2 1 1 阈值分割 阈值分割法是最常见的分割方法，是一种高效并行的图像分割方法。该方法假设 图像中背景或目标具有灰度上的相似性或一致性，反映在直方图上，背景和目标分别 具有波峰，波峰处反映背景或目标灰度值较多的灰度，能代表背景或目标的灰度。而 第二章图像分割概述 叶类中药显微图像分割和气孔指数测定 背景和目标波峰之间一般会具有一个波谷，波谷恰好反映了背景、目标重叠的区域， 也就是最佳的分割边界，因此，在波谷处可以很好地将背景和目标区分开( 如图2 1 所示) 。对于多个目标进行阈值分割，需要确定多个阈值。而对于彩色图像和多波段 图像，则需要对每个分量的直方图进行分割。分割后要对各个区域做标记从而区分出 不同的区域。o h l a n d e r 等提出了一种多维直方图阈值化方案1 1 4 j ，其阈值取自r g b 、 y i q 、h s i 颜色空间用于区域分裂。对于每个要分裂的区域，先计算r 、g 、b 、y 、 i 、q 、h 、s 、i 等9 个特征量的直方图后，选出具有最佳峰值的直方图，并从中确定 出一个阈值来将要分裂的区域一分为二，对于新分裂出的子区域重复同样的过程，直 至每个区域都是相似的，不能再进行分裂为止。g u o 等对图像像素在多维特征空间的 多峰概率密度函数，采用基于直方图熵的方法来确定峰和谷【1 5 1 。 i 八。 图2 1 阈值分割示意图 与灰度图像相比，彩色图像需要建立一个颜色个数为2 5 6 3 = 1 6 7 7 7 2 1 6 的直方图， 这给确定阈值带来了困难，一种解决办法是将三维空间投影到低维空间。u n d e r w o o d i l 6 j 等把颜色空间从( x ，y ，i ) 投影到二维( x y ，x i 和y - i ) ，实现了从航空彩色图像中交 互地检测出果园中植物的病害情况。k u r u g o l l u i 7 j 等提出一种多谱图像分割方法，对 频谱个数多于3 的情况，可以用主分量变换将频谱个数减少到3 ，然后再采用彩色图 像分割方法进行分割。对于彩色图像，首先选取f r g 、f r b 、f g b 为频谱子集，并在计 算3 个频谱子集的二维直方图后，再进行多阈值化处理，然后利用融合算法对根据3 个子集的二维直方图分割的图像进行合成。 同时对于多波段图像和彩色图像，各分量之间具有相关性，对每个分量的直方图 割裂了各个分量的相关性。而若能在颜色空间上找到一条能够将个目标分开的投影线 ( 投影方向) ，则能够大大减少需要处理数据的维数。c e l e n k ! 冽利用f i s h e r 线性判别 来确定此投影线进行降维处理，并在一维空间上进行直方图阈值化。即先利用定义在 c i e ( l a b ) 空间上的h 、s 、i3 个分量的一维直方图来估计像素点在三维颜色空间分布 的圆形柱面体单元的形状，并将每个柱面单元内的像素点投影到f i s h e r 线性判别方法 所确定的直线上，再利用一维直方图阈值化方法就可以对柱面单元所确定的区域进行 6 叶类中药显微图像分割和气孔指数测定第二章图像分割概述 分割。由于这种方法可以同时利用所有的颜色信息，因此有效地减少了聚类的错误率。 尽管同一目标区域的色彩具有相似性，但不可否认同一区域像素又具有不相似 性，因此，选择同一区域相似特性进行分割非常重要，否则，如果根据同一区域不相 似的特征进行区分，将得到不正确的分割结果。这对于彩色图像分割尤为重要，同一 物体因为光源所处位置不同，目标表面与光线夹角不同，从而导致图像中同一物体具 有不同的色彩。对于h s l 空间而言，色调有可能相同，而亮度可能不同。因此，文 献 1 9 1 在h s l 空间进行分割，并以色调作为主要依据进行粗分割，以亮度和饱和度信 息进行细分割。 基于背景和目标像素服从正态分布的假设，文献 2 0 】提出一种改进的基于最大类 间方差的图像分割算法。与同类算法比较，具有速度快效果好的特点。 文献【8 】针对目前草莓采摘机器人草莓图像分割运算量大、耗时多等问题，基于 r g b 彩色模型，通过分析色度图，推导出一个简单的分割公式，用加法运算替代乘 法运算，提出一种快速分割的草莓图像的彩色图像分割算法。为了实现番茄采收机器 人自动采摘番茄，文献 9 】提出一种基y ：( r - g ) 色差特征的阈值分割方法，实现了自适 应阈值处理，能对不同自然光照强度下的番茄图像进行有效分割，但算法对半熟期番 茄的分割效果较差。 阈值分割的优点是简单、速度快、运算量小、不需要先验信息。其缺点也是明显 的：( 1 ) 阈值分割的关键是选择合适的阈值，阈值选择的不合理，分割效果也会不理 想；( 2 ) 对背景复杂、多目标、多波段的情况分割比较复杂；( 3 ) 复杂图像可能并不 存在明显的波谷。( 4 ) 单纯基于颜色分割得到的区域可能是不完整的；鉴于阈值分割 具有运算速度快、不需要先验信息的特点，本文将采用阈值分割技术对叶类中药显微 图像进行分割，并根据分割结果进行显微常数的测定。针对( 1 ) ( 4 ) 阈值分割的 缺点，本文结合待分割图像特点，考虑目标边界像素和基于目标像素呈正态分布的假 设对这些问题加以解决。 2 2 1 2 聚类分割 特征空间聚类算法不需要训练样本，是一种无监督分类方法【2 l j ，通过迭代地执行 分类算法来提取各类的特征值，对灰度图像而言，其灰度值所处的一维空间是图像空 间聚类的空间，利用k 均值聚类算法实现一维空间上的数据分割，其迭代过程实际 上就是迭代寻找最佳阈值的过程，算法退化成直方图阈值分割算法。对真彩色图像而 言，因为每个像素具有三个分量，其特征空间很好的与像素的颜色空间相对应【4 1 ，在 颜色空间上，不同目标的颜色会聚集到一块，从而形成多个数据点集，聚类分割就是 7 第二章图像分割枉进 叶类中药显镊图像分g 和气孔指教祷定 通过迭代把这些点集分离开来的过程。三维空间数据仍然比较大，提高效率的方法是 对颜色进行量化处理和对空间进行降维处理。图2 2 和图23 分n 给w 7 - - 些图像和 其像素在r o b 颜色空间的分布特征。 瑟 0 ) w a t e i - i l l 溉 图22 测试图像 ( d l w i n t e r 器 叶粪中药镳图像分割和气孔指敛铡定第= 章圈像分割概述 砷b l u e h i u s ；f r g b 颜色空间的分布( 吣s u m e t , 芷r g b 颜色空间的分布 ( 0 w a t e r l i l i e s 在r g b 颜色空间的分布u ) w i n t e r 在r g b 颜色空间的分布 田2 j r g b 聚共空间的数据分布 最常用的聚类分类方法主要有k 均值【”| 2 3 】、模糊c 均值( f u z z y c m e a n ，f c m ) m j 、e m ( e x p c c t a t i o a - m a x i m i z a t i o n ) 和分层聚类方法等。k - 均值聚类算法先对当前的 每一类求均值，然后按新均值对像素进行重新分类( 将像素归八与均值最近的类) ，对 新生成的类再迭代执行前面的步骤。模糊c 均值算法从模糊集合理论的角度对k 均 值算法进行了推广。对于模糊d 均值聚类而言，目前已有一些分类指标：基于隶属 度矩阵的分割系数( p a r t i t i o n c o e f f i c i e n t ，p c ) 、分割熵( p a r t i t i o ne n t r o p y ，p e ) 、数据 点紧密度分离度( c o m p a c m e s s - s e p a r a t i o n ) 的x i e - b e n i 指标和f u , k a y a m a - s u g n o 指标， 以及将紧密度分离度和隶属度矩阵特性进行综合的s c 指标 2 s ，2 曰。e m 算法把图像中 每一个像素的灰度值看作是几个概率分椎( 一般用c r a u s s i a n 分布) 按一定比例的混 合，通过优化基于最大后验概率的目标函数来估计这几个概率分布的参数和它们之间 的混合比例。分层聚类方法则通过一系列连续合并和分裂完成，聚类过程可以用一个 类似树的结构来表示。 文献【2 7 】中提出了一种j s e g 的无监督的分类方法，这种算法考虑了颜色的相似 性及颜色的空间分布，由于对一般图像及视频图像分割具有矗好的鲁棒性而受到人们 的重视但是这种算法在处理由于光照不同而造成颜色不均匀的区域时会产生过分 割文献【2 8 】中提出了一种新的彩色图像的分割方法一h 值的方法，为了方便与 j s e o 进行比较，称它为h s e c - ih s e g 按照一种启发式的准则进行分类，该准则考虑 了包括对称性、周期性、图像尺寸在内的诸多因素，能取得较好的分割效果。为了解 决彩色图像的过分割问题文献【5 】在j s e g 和h s e g 两种方法的的基础上提出一种 新的结合颜色特征和区域增长法的彩色图像分割算法。采用j 值作为图像区域同质 第二章图像分割概述叶类中药显微图像分割和气孔指数测定 性描述，并考虑边界信息构造b 图，在两者基础上形成jb 图对图像进行分割 文献 2 9 】提出种基于直方图的多阈值灰度图像自动分割方法，该方法利用加权 模糊c 均值聚类算法快速实现了分割过程，同时通过单峰统计检验指导来自动确定 多阈值的合适数目。 文献 3 0 1 提出种基于单遍聚类和k 均值聚类相结合的自适应图像分色算法。 该算法首先对原图像颜色进行统计学习，由单遍聚类产生初始调色板，然后根据该调 色板对原图像的像素点进行k 均值聚类，产生分色图像。实验结果表明，与单纯k 均值聚类算法相比，该算法能在提高分色图像质量的同时进一步减少颜色数。 传统模糊c 均值聚类( f c m ) 算法进行图像分割时仅利用了像素的灰度信息，并 且使用对噪声较敏感的欧氏距离作为像素与聚类中心距离度量的标准，因此抗噪性能 较差。为了克服传统f c m 算法的局限性，文献 3 1 1 提出了一种基于空间邻域信息的 二维模糊聚类图像分割方法( 2 d f c m ) 。该方法利用二维直方图描述的像素邻域关系属 性，一方面为聚类提供较准确的初始聚类中心，从而避免聚类中的死点问题；另一方 面通过提出聚类中心同时在像素值、像素邻域值二维方向上进行更新的思想，建立了 包含邻域信息的新的聚类目标函数，实现了图像的分割。实验结果表明，这种方法抗 噪能力强、收敛速度快，是一种有效的模糊聚类图像分割方法。 文献 3 2 1 提出一种基于二维直方图加权的模糊c 均值图像快速分割算法，通过将 原图像和它的平滑图像相结合，构造一个二元组的“广义图像”，广义图像的直方图 就是原图像的二维直方图然后对此二维直方图进行塔形分解得到金字塔的上一层 顶层，相应地称原二维直方图为底层。最后，利用加权模糊c 均值聚类算法分 别对顶层和底层进行模糊聚类，从而实现对原图像的分割。实验结果与性能分析表明， 该算法具有较高的分割速度和良好的抑制噪声的能力。 聚类的特点是，不需要训练集，但需要分割的初始参数，例如初始聚类中心，分 类个数等。分类效果的好坏与初始参数的选择密切相关。经典的聚类方法因为没有考 虑空间相关性( 像素空间的邻接关系、边缘信息) ，因此对噪声和灰度不均匀也非常敏 感，如果聚类既考虑邻域颜色特征又考虑空间位置则可以提高聚类分割的效果。本文 采用聚类技术对叶类图像进行分割，为了解决初始聚类中心难以选取闯题，本文主要 考虑像素在颜色空间的密度特征和待分类目标的种类。 2 2 1 3 分类器 分类是模式识别领域中的一种基本的统计分析方法。分类的目的是利用已知的训 练样本集在图像的特征空间找到点( 一维) ，曲线( 二维) ，曲面( 三维) 或超曲面( 高维) ， 1 0 叶类中药显微图像分割和气孔指数测定第二章图像分割概述 实现对图像的划分。用分类器进行分割是一种有监督的统计方法，需要手工分割得到 的样本集作为新图像进行自动分类的参考。分类器有分为两种：非参数( n o n p a r 锄e t r i c ) 分类器和参数( p a r a n a e t r i c ) 分类器。典型的非参数分类器包括k 近邻( 叮n ) 及p a r z e n 窗( 一种投票分类器) 。参数分类器的代表是b a y e s 分类器。分类器算法的优点是，不 需要迭代运算，因此计算量相对较小，并且能应用于多通道图像。缺点是，没有考虑 空间信息；因此对灰度不均匀的图像分割效果不好。文献 1 0 1 提出一种基于叶片图像 的形状特征对叶片进行识别的方法，首先对叶片图像进行预处理并且提取出叶片的轮 廓，然后利用轮廓计算得到叶片的矩形度、圆形度、偏心率等8 项几何特征和7 个图 像不变矩，同时在文中提出了一种新的移动中心超球分类器，并利用该分类器对得到 的形状特征进行分类从而实现了对2 0 多种植物叶片的快速识别。 2 2 1 4 区域生长 区域生长属于串行的分割方法。其特点是将分割过程分解为一系列顺序执行的步 骤，后续步骤根据前面步骤地结果而执行。区域生长首先选择一个种子点，然后依次 将种子像素周围的相似像素包括进来，实际过程转化成三个问题：( 1 ) 如何确定种子 区域；( 2 ) 相邻像素包括进来的准则；( 3 ) 停止生长的条件。区域生长的特点是，计 算简单，由于相似性通常是用统计的方法确定的，因而这些方法对噪声不敏感。但算 法不太适合于分割大面积区域，而且区域生长算法通常和其他算法结合使用。区域生 长的缺点是需要人工交互获得种子点，而且分割效果依赖于种子点的选择及生长顺 序。为了解决这些缺点，j em a n g i n 等提出了一种同伦的( h o m o t o p i c ) 区域生长方法1 3 3 。， 以保证初始区域和最终抽取出的区域的拓扑结构相同。 文献e 3 4 提出一种可应用于基于内容的图像查询系统的图像分割算法。算法有效 结合了图像的局部和整体信息，可以在没有监督的情况下将彩色图像分割成带有较完 整信息的区域。这个算法由两个分割阶段构成：在粗分阶段，算法运用基于边界强度 变化的区域生长算法进行局部最优化的分割；在细分阶段，算法将粗分结果构造成一 个无向图、定义了边的权重矩阵，并采用了全局最优化的图划分技术。 文献【4 】提出了一种基于图像颜色和空间信息的彩色图像分割算法。该算法首先 根据所提出的颜色粗糙度概念对图像进行颜色量化，并在此基础上使用增量式的区域 生长算法发现颜色相近的像素之间的空间连通性，形成图像的初始分割区域。然后， 根据融合了颜色和空间信息的区域距离，对初始分割区域进行分级合并，直到系统满 足了所提出的停止区域合并的准则。最后，利用形态学的有关算法对分割区域的边缘 进行平滑。实验证明，算法的分割结果与人的主观视觉感知具有良好的致性。 第二章图像分割概述叶类中药显微图像分割和气孔指数测定 文献【5 】提出了一种新的结合了颜色特征与区域生长的彩色图像分割算法 b j s e g 。该算法是在彩色图像分割的j s e g 算法和边缘检测中的方向算子的基础上实 现的。根据已有算法的缺陷，利用新的参数描述纹理颜色信息，并通过区域增长和合 并来获得最后的分割结果。由于在j s e g 算法中加入了方向算子，同时考虑了区域的 相似性和边界的非连续性，减少了过分割。 2 2 1 5 马尔科夫随机场分割 马尔科夫随机场( m a r k o vr a n d o mf i e l d ，m i u ) 是图像分割中最常用的一种统计学 方法，其实质是把图像中各个点的颜色值看成是具有一定概率分布的随机变量。从统 计学的角度看，正确分割观察到的图像，就是以最大概率得到图像的物体组合；从贝 叶斯定理看，就是要求具有最大后验概率( m a x i m u m a p o s t e f i o f i ，m a p ) 的分布。m r f 最重要的一个特点是，图像中每个点的取值是由其邻域像素决定的，其本质上是一种 基于局部区域的分割方法。h a m m e r s l e y c l i f f o r d 定理1 3 5 】为m r f 中局部特性的条件概 率和g i b b s 分布中的局部势能之间建立了等价关系，这样，m a p 的求解就转变为极 小化一个势能函数的优化问题。常用的m a p 求解方法有模拟退火( s i m u l a t e d a n n e a l i n g ，s a ) 3 5 】、迭代条件模式( i t e r a t e dc o n d i t i o n a lm o d e s ，i c m ) 3 6 1 、最大期 望( e x p e c t a t i o nm a x i m i z a t i o n ， e m ) 1 3 7 , 3 8 等。与阈值法和聚类分析相比，由于基于区 域的方法同时考虑了图像的颜色信息和空间关联信息，因此分割效果较好。 2 2 1 6 分水岭分割 分水岭( w a t e r s h e d ) 是地形学的经典概念，也是图像形态学的一个主要算子。在图 像处理领域，计算分水岭的算法有很多，其中，典型的一种方法是基于浸没模拟 ( i m m e r s i o ns i m u l a t