基于层次特征提取及形态学的图像分割算法(

1、基于层次特征提取及形态学的图像分割算法*王 茵：硕士研究生，主要研究方向：模式识别、多媒体技术 陈孝威：教授，博导，主要研究方向：虚拟现实技术，数字水印技术及多媒体技术 联系作者：王茵 wyy78wy，陈孝威 gzu王 茵1，陈孝威2贵州大学计算机科学与技术学院，贵州 贵阳 550025摘要：提出基于层次特征提取及数学形态学的图像分割算法。该算法用分层次的特征提取方法对不同类的目标物体进行特征提取，逐步实现分离。对纹理特征复杂的物体，采用数学形态学的方法提取所需细节特征，实现精确的分割。关键词：分层次特征提取；数学形态学；灰值形态学梯度；Top-Hat变换1 引 言 计算机视觉已经广泛应用于各

2、个领域，而图像处理则是计算机视觉的基本处理方法，用计算机视觉实现工业检测中的元器件自动计数，不仅准确率高、速度快，而且也能大大减轻人的工作量。元器件的特点是几何尺寸基本相等，难点是相互之间有粘连，要对其进行准确的分割和计数，难度相当大，而且对于不同种类的元器件，需要根据不同的图像特征采用不同的分割算法，只有将所有的元器件都独立的分割出来，才能进行计数。元器件这类颗粒物体很容易出现粘连情况，对于圆形和类圆形的颗粒，分割相对简单。目前，已经有了很多比较成熟的算法，如：流域分割、边界链码跟踪、快速聚类分割、颗粒分析算法等，但是矩形元器件的分离直接采用类似的方法，很容易出现过分割和误分割的情况。形态学

3、一般是指生物学中研究动物和植物的一个分支，后来人们用数学形态学对以形态为基础的图像进行分析。形态学的基本思想是使用被称作是结构元素的“探针”收集图像信息，进行图像处理。这种算法接近人类的视觉和思维方式，比较容易理解，而且实用性很高，在图像分析和处理的过程中应用广泛。本文提出基于层次特征提取及形态学的图像分割算法，其算法特点为：（1）对不同类型的目标物体分别进行图像处理；（2）对同一类的目标物体进行分层次的分割，即使用不同的算法分别提取物体不同的特征。（3）对纹理特征复杂的物体，采用形态学的方法提取物体特征。首先，用灰值形态学梯度提取边缘或者物体中灰度值变化比较明显的细节。然后，用Top-Hat

4、变换检测出图像中不易检测出来的特征点。 将以上两种方法相结合，可以较完整地提取分割所需要的特征，实现精确的图象分割，从而也简化了粘连元器件的分离问题。本文课题来源于某军工单位的项目：“电子元器件自动计数技术”。2 算法分析在“电子元器件自动计数技术”项目中，所需计数的电子元器件形状如图1所示。该器件有正反两面之分，元器件与背景的颜色差别明显。利用该特征，可以先将器件从背景中分离开来，再分别对正反元器件进行处理。将器件从背景中分离后，可进一步用阈值化方法将反面元器件与正面元器件分离开来。对正面元器件可用数学形态学的方法进行处理。首先，用灰值形态学梯度的方法将正面元器件的边缘和中间白色数字型号比较

5、明显的地方提取出来。然后，用Top-Hat变换检测出正面元器件不易提取的特征点。将以上两种方法相结合可得到完整的正面元器件。最后，用形态学的初步运算或者流域分割方法对少数仍然存在粘连的器件进行分割，即可得到完全分离的反面元器件和正面元器件。该算法将复杂的图像分解为简单的场景进行分割，算法具有可靠和高效的特点。3 图像预处理在进行图像分割之前，为了能达到更好的效果，需要突出图像中待分割物体的特征，削弱其他的不良干扰，需要对采集的图像进行预处理。由于图像采集过程中各种条件的影响，采集到的图像中存在很多因素的噪声，如：光线的明暗程度分布不均匀，各种微小的杂质和斑点等，这些都影响了后续的分割和计数过程

6、。对图像进行预处理时，首先，采用如（1）式所示的最佳灰度化法则，将导入的数字图像I从BMP格式转化为灰度图像G， ( 1 ) 其中，I(R)、I(G)、I(B)分别为RGB的红色、绿色和蓝色分量，各分量分别乘以一定的比例，再加上一个修正值，其和即为最佳灰度值化的图像。将三维的RGB图像转化为二维的灰度图像，在保留了有用的图像信息的条件下又减少了处理的数据量。接下来使用传统的中值滤波法去掉图像中的微小斑点。 对于光照不均的处理一般按照以下步骤进行：（1） 首先估计图像背景的灰度。一般使是取图像中每个32×32大小的图形块中的最小值作为图像背景的灰度；（2） 然后粗略的估计出背景灰度矩阵

7、扩展成和原始图像大小相同的矩阵；（3） 从原始图像中减去前两步计算出的背景灰度矩阵，校正光照的不均匀分布，但是此操作会导致前景图像变暗；（4） 通过灰度调整增大图像中目标的对比灰度，从而将图像变得清晰。接着，将高帽变换和低帽变换相结合，进一步增大图像的对比度，突出元器件的边缘以及有价值的灰度细节部分。4 目标物体分层次的特征提取以及分割过程从采集到的图像中可以看到，待分离元器件特征相对复杂，呈现正面和反面两种状态，元器件的正面灰度信息相对复杂，边缘为灰色，中间为黑色，而且还有白色的数字型号；反面灰度信息则比较简单，整体呈白色，边缘略为灰色。根据元器件正反两面的不同特征，采用分层提取特征的方法：

8、对正面和反面元器件分别进行特征抽取和图像分割；对具有同种特征的元器件，逐步提取其中的有用特征，结合所有特征使得分割能够更加简单和准确。该算法即为分层次的特征提取算法，通常适合于表面特征复杂的物体和场景。下面以此类元器件为例，详细的介绍一下分层次的特征提取算法的分割过程。41 阈值化分离图像背景和元器件 为了能更加准确的分离元器件，需要首先分离图像中的背景和元器件，并且完整地保留元器件的灰度信息。阈值化方法是最简单的图像分割处理，计算量小，算法实现容易，通常图像的直方图中界于两个波峰之间的局部最小值为最佳适的分割阈值。在彩色图像中，还可以在每个彩色分量中独立地确定阈值，然后综合起来形成单一的分割

9、图像。图像中背景为绿色，元器件的主色为黑白两色，如图1所示，二者差异较为明显，因此基于彩色图像的分割效果较好。彩色图像一般为RGB格式，包含了R、G、B三个分量，观察图像这三个分量的直方图，R分量的峰值所占比例较大，谷值也比较明显，因此直接在R分量中提取阈值进行二值化处理。经实验取阈值T=60，得到最佳的元器件与背景分离的二值图像，然后在预处理后的图像中仅去掉该背景可以即可分离背景与元器件，如图2所示。可以看出，背景被赋于了单一的灰度值，而元器件本身的灰度值保持不变，为后续分割最大程度的保留了有用的特征信息。 图1 原 始 图 像 图2 背景与元器件分离图 图3 反面元器件提取图 4.2 元器

10、件反面的提取 整个图像中元器件粘连形式多，有元器件反面相互连接、元器件正面相互连接和元器件正反两面相互连接多种情况，而且元器件表面特征复杂，直接采用图像二值化的方法进行分离不可行。本文提出的分层次的特征提取方法，根据待分割元器件的不同种类分别进行分割。通过观察，元器件反面总体的灰度值较大，比较容易提取出来，因此首先提取元器件的反面。仍然使用阈值化的方法，直方图阈值门限为200，经过形态学优化,得到图3。对比看出，元器件反面完全被提取出来，位置准确，没有遗漏。 4.3 用基于数学形态学的算法实现元器件正面的提取 数学形态学是一门新兴的图像分析学科，它建立在严格数学理论基础上，其基本思想和方法对图

11、像处理的理论和技术产生了重大的影响，许多非常成功的理论模型和视觉检测系统都采用了数学形态学算法作为其理论基础或组成部分。数学形态学由击中与否变换开始，包括腐蚀与膨胀、开与闭、粗化与骨架化以及Top-hat与Bottom-hat等图像的代数运算，这些运算还可以组合形成更多的结构化算法。采用数学形态学中的灰值形态学梯度和Top-Hat变换，可以解决本文中元器件分割的难点正面元器件的分割。而形态学初级运算，如：腐蚀、膨胀、开运算、闭运算则应用于对特征提取和分割结果进行优化的过程中。 图1中，待分割的元器件有正反两面，元器件的形状为矩形，当粘连情况严重时，常用的粘连物体分割算法，如：流域分割、分水岭算

12、法、极限腐蚀等等算法都不能得到良好的分割效果。在本文算法中，很容易将反面元器件提取出来。对于正面元器件，边缘灰度变换明显，器件中间的黑色部分，白色数字型号也清晰可见，使用边缘分割和阈值算法都不能达到分割目的。而各种聚类算法和区域生长的算法又比较耗费计算时间，不能满足工业上的实时统计系统的要求。本文采用基于数学形态学的方法，分步检测出元器件正面不同的灰度细节特征，然后将其结合在一起，可以轻易地提取出正面元器件。 本文采用灰值形态学梯度检测正面元器件灰度变化显著的部分。该算法是灰值形态学算法中的一种，用梯度表示图像中的明暗变化，通常以数字差分的形式给出。其定义如公式（2）所示。 （2） 式中，f为

13、输入图像，g为结构元素，为膨胀运算符，为腐蚀运算符。待处理图像分别与结构元素进行膨胀和腐蚀运算，其差值为所求的灰值形态学梯度。灰值梯度与结构元素的大小和形状有关，结构元素越大，其灰值梯度越明显。结构元素做腐蚀和膨胀处理可以得到极小和极大滤波器的效果，因此在每一个点，形态学梯度都可以得到有该结构元素所确定的区域上的极大值和极小值的差值。而在经典的数字图像处理中，差分梯度往往也会与阈值相结合，用于检测图像的边缘以及图像中梯度变化较为明显的地方。利用梯度图像的直方图即可以确定阈值，阈值处理后可以得到边缘图像或者是梯度变化的特征。本例中，我们利用灰值形态学梯度算法检测出元器件正面的灰度信息以及整体元器

14、件的边缘部分（图4） 图4 灰值形态学梯度 图5 Top-Hat 变 换 图这里结构元素采用的是半径r=3的圆形结构元，而结构元过大会增大某些边缘信息，造成误分割。从图中可以看出灰值梯度变化比较明显的边缘以及元器件正面灰值的变化都已经被完整的提取出来。在这里我们只需要提取元器件的正面，因此去掉元器件的边缘，并进行阈值化处理，得到了元器件正面中间灰值变化明显的部分。这样的特征提取虽然有较好的效果，但是所得特征还不足以分割正面元器件，而且存在误分割和过分割现象。需要用Top-Hat变换提取的特征进行补充。Top-Hat变换也属于灰值形态学算法，它的思想是值从一幅原始图像中减去对其做开运算后得到的图

15、像，这些图像通常表现为一些重要的标记点，这些标记点在识别算法中起着很重要的作用。通常这种方法对在较亮的背景中求暗的象素聚集体（颗粒），或者在较暗的背景中求亮的象素聚集体非常有效，这种算法还可以用于检测噪声污染图像中的边缘。在本例中，使用Top-Hat变换提取出了元器件正面中用常用方法难以检测出来的特征信息，这些信息在特征提取的过程中不易与其它的特征值分离，对分割非常不利。 Top-Hat变换的算子如公式（3）定义： （3） 其中为开运算符号。选择适当的结构元素得到所需要的特征点，这里我们选用了边长为8的正方形结构元素，提取出了正面元器件的特征点。因为开运算是一种非扩展运算，处理过程在原始图像的

16、下方，故HAT(f)总是非负的。对Top-Hat变换图像做阈值处理，可以用来做二值化处理，得到的二值图像进一步利用形态学的初步运算进行优化。 图6 Top-Hat与灰值形态学梯度结合图 图7 元器件正面分割图 用Top-Hat变换可以补充灰值形态学梯度算法的不足，将灰值形态学梯度检测出来的元器件特征与Top-Hat变换检测出来的特征（图5）相结合，元器件正面的基本特征（图6）已经被完整的提取出来，误分割和过分割现象也得以消除。经过阈值化以及形态学初级运算，得到图7结果。4.4 修正分割利用元器件正面和反面的不同特征进行图像分割，大部分的元器件已经得到了准确的定位和分离，但仍存在少数粘连的元器件

17、。但是此时分割出来的元器件形状基本类似于圆形，可以采用对细胞或者是类圆形颗粒进行分割的算法对其进行分离，这里对其使用基于距离变换和极限腐蚀的流域分割算法，就能将其进行分离。上述算法已经分层次分步将不同特征元器件提取出来，综合提取出来的元器件，最终的分离结果（图8）中正面元器件 (紫红色)个数为162个，反面（黄色）个数为156个，共计318个，准确率达到了100%，实现了代替人工实现工业自动计数的目的。 图8 整 体 分 割 图5 结论对于特征复杂的物体的图像分割，可以根据其不同的表象特征和类型，采用分层次的方法分别对其进行分割，逐步提取出所需要的特征，最后综合所有的特征进行图像分割处理。这样

18、不仅可以减少分割过程中算法的复杂性，还可以减少图像处理的时间。本文采用的数学形态学的算法，可以很好的提取出每一步所需要的细节特征，而且算法易于掌握和实现，在实际的图像分析和处理中具有非常重要的作用。我们将本文提取的方法用于微小电子元器件的计数，准确率达到了100%。但是该类元器件的分割算法如果需要实现保形分割，还需要做进一步的研究。参考文献 1 崔 屹图像处理与分析数学形态学方法及应用 M 北京：科学出版社，2000 2 姚 敏数字图像处理 M 北京：机械出版社，2006 . 3 董长虹，赖志国，余啸海 . Matlab图像处理与应用 M 北京：国防工业出版社，2004 4康晓泉，首祥云，陈世

19、悦，邵才瑞，姜艳玲条件颗粒分割方法研究 J中国图象图形学报，2004，9(5)：5655695高奂文，董慧颖，陈海波一种基于多层次特征的目标继承提取方法 J沈阳理工大学学报，2005，24(3)： 38426刘生浩，曾立波，刘 斌，方 勇重叠颗粒的分割图像 J计算机工程，2002，28(2)：1982107高敬东一种基于形态学多结构元素的图像边缘检测算法 J工程图学学报，2005，2：1061098Alia Benali，Iris Leefken，Ulf T . Eysel，Elke WeilerA computerized image analysis system for quantita

20、tive analysis of cells in histological brain sections JJournal Of Neuroscience Methods9王金涛，刘文耀，路烁流域分割算法在细胞图像分割中的应用 J西南交通大学学报，2002，37(3):291294An Image Segmentation Algorithm Base onMathematical Morphology and Layered Features ExtractionWang Yin1, Chen Xiaowei21,2(College of Computer Science and Tech

21、nology, Guizhou University, 550025, China)Key words: Layered Features Extraction ；Mathematical Morphology；Gray Morphological Gradient；Top-Hat TransformationAbstract：Computer visual is widely used in industrial fields, such as taking count of components automatically. The Components to be counted hav

22、e same basic geometrical form, and are very difficult to separate when they conglutinate. Each kind of components need different division algorithm for their unique characteristics. Only all the components are separated independence can achieve a precise count result. According to the complex charac

23、teristics of the components to be separated, an image division algorithm based on the layered features extraction method and mathematical morphology is put forward. In the layered features extraction method, firstly, different types of objects in an image should be dealt with separately; secondly, d

24、ivide the same type objects, namely, use mathematical morphology algorithms to extract the different characteristics from the same objects, and gradually achieve separation. For the target objects which have complex textures, use mathematical morphology method to achieve more precise segmentation. T

25、he mathematical morphology is a new image analysis disciplines, which is based on strict mathematical theoretical foundation. Its basic ideas and methods have had a major impact to image processing theory and technology, and many very successful theoretical models and visual detection systems are us

26、ed mathematical morphology algorithms as their theoretical basis. First, use the method of gray morphology gradient to extract the gray values of the edges or the details which have obvious change in the image. Then, using the Top-Hat algorithm gets the feature points that can not be easily detected

27、 in the image.Gray morphology gradient method is one of the mathematical morphology algorithm .It uses gradient to denote the light and shade changes in an image and presents as difference. The method extracts the contours and gray information of an image, but includes some interferential informatio

28、n at the same time.Top-Hat conversion means that subtract the image which has implemented with open operation from the original image, and get some marking points. The method is usually very effective to achieve dark pixels in the light image background, or to seek the light pixels in the dark backg

29、round of the image. The marking points can make up the deficiency of gray morphology gradient. It reinforces the useful information and weakens the interference which has been extracted from the front step. Combine the two methods mentioned above to draw up more complete features, and to achieve mor

30、e precise segmentation, thus simplify the separation of conglutination components. For the complex characteristics of the target objects in images, use the layered extraction method to extract features respectively. At last, carry through the segmentation with the final integration of all the featur

31、es. The algorithm will not only reduce the algorithm complexity, but also can reduce image processing time. The mathematical morphology algorithm can extract necessary details in every step .It is easily to be realized and mastered. The experiment of automatically counting components reached 100% ac

32、curacy rate and achieved the purpose to work for people.基于层次特征提取及形态学的图像分割算法摘要：计算机视觉广泛应用于工业检测中，元器件的自动计数是其中之一。元器件的特点是几何尺寸基本相等，难点是相互之间有粘连，要对其进行准确的分割和计数，难度相当大，对于不同种类的元器件，需要根据不同的图像特征采用不同的分割算法。用机器代替人进行元器件的自动计数，具有速度快、准确率高的优点。根据待分割元器件的特征，提出基于层次特征提取及数学形态学的图像分割算法。分层次的特征提取方法中，首先对不同类型的目标物体分别进行图像处理；其次，对同一类的目标物体进

33、行分层次的分割，即使用不同的算法分别提取物体不同的特征，逐步实现分离。对纹理特征复杂的物体，采用数学形态学的方法提取所需细节特征，实现精确的分割。首先，用灰值形态学梯度提取边缘或者物体的边缘或者灰度变化比较明显的细节。然后，用Top-Hat变换检测出图像中不易检测出来的特征点。 灰值形态学梯度是形态学算法中的一种，用梯度表示图像中的明暗变化，通常以数字差分的形式给出。提取出了图像中待分割物体大部分的轮廓信息，其中也包括一些干扰信息。Top-Hat变换从一幅原始图像中减去对其做开运算后得到的图像，这些图像通常表现为一些重要的标记点。提取的特征点则可以弥补灰值形态学梯度算法的不足，强化了其中的有用

34、信息，去除了没有用的干扰。结合以上两种方法，可以较完整地提取分割所需要的特征，实现精确的图像分割，从而也简化了粘连元器件的分离问题。实验中元器件的自动计数达到了100的准确率，实现了代替人计数的目的。An Image Segmentation Algorithm Base onMathematical Morphology and Layered Features ExtractionAbstract：Computer visual is widely used in industrial fields, such as taking count of components automatic

35、ally. The Components to be counted have same basic geometrical form, and are very difficult to segment and get an accurate automatic count when they conglutinate. Different kind of components need different division algorithm. It is faster and more efficient than human to take count with computer. A

36、ccording to the characteristics of the components to be separated, an image division algorithm based on the layered features extraction method and mathematical morphology is put forward. In the layered features extraction method, firstly, different types of objects in an image should be dealt with separately; secondly, divide the same type objects, namely, use mathematical morphology algorithms to extract the different characteristics from the same objects.