细胞图像预处理及形态学分析(2)

??g?x,y???1?M?f?x,y?其他当f?x,y?－1M?x,y??S?f?x,y??x,y??S?f?x,y??T

其中T是阈值。

图2 邻域平均模板

1.2.3 中值滤波

邻域平均算法在消除噪声的同时会将图像中的一些细节模糊掉。如果既要消除噪声又要保持图像的细节可以使用中值滤波。中值滤波是一种能有效地抑制图像中噪声的非线性信号处理技术。中值滤波算法的基本思想是用图像像素点的邻域灰度值的中值来代替该像素点的灰度值。这种方法在去除脉冲噪声、椒盐噪声的同时，又能较好地保留图像边缘细节。这是因为它不依赖于邻域内的那些与典型值差别很大的值。中值滤波的主要功能就是让周围像素灰度值的差比较大的像素改取与周围像素值接近的值，从而可以消除孤立的噪声点。

中值滤波的算法描述

设xij是输入图像在坐标?i,j?处的像素，在其周围开一个m?n的矩形窗口。假设窗口从左向右水平扫描，然后再回到下一行重复扫描。对每个窗口内的所有像素按其灰度值的大小进行排序，求出中值xM替换xij。

常见的中值滤波的工作步骤如下：

1.将模板在图中漫游，并将模板中心与图中某个像素位置重合； 2.读取模板下各对应像素的灰度值； 3.将这些灰度值从小到大排序； 4.找出这些值里排中间的一个；

5. 将该中间值赋给图中对应模板中心位置的像素。 中值滤波的流程图

6

图3为中值滤波流程图

7

选用一个3?3的模板，对一幅m?n的图像进行处理，每次扫描将模板下9个值进行排序，找出中值赋给模板中央的像素。

2细胞的形态学分析

数学形态学是由一组形态学的代数运算子组成的，它的基本运算有4个： 膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合， 它们在二值图像和灰度图像中各有特点。基于这些基本运算还可推导和组合成各种数学形态学实用算法，用它们可以进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边界检测、 图像滤波、图像增强和恢复等。数学形态学方法利用一个称作结构元素的“探针”收集图像的信息，当探针在图像中不断移动时， 便可考察图像各个部分之间的相互关系，从而了解图像的结构特征。数学形态学基于探测的思想，与人的FOA(Focus Of Attention)的视觉特点有类似之处。作为探针的结构元素，可直接携带知识（形态、大小、甚至加入灰度和色度信息）来探测、研究图像的结构特点。

2.1阈值分割

阈值分割就是简单地用一个或几个阈值将图象直方图分成几类，图象中灰度值在同一个灰度类内的象素属于同一个类。总的来讲，可以将阈值分割分为全局闭值分割以及局部阈值分割。所谓全局阈值分割是利用整幅图象的灰度信息，从整个图象中得到分割用的阈值，并且根据该闻值对整个图象进行分割;而局部A值分割则根据图象中不同区域获得对应不同区域的几个阈值，利用得到的这些iA值对图象进行分割，亦即一个阈值对应图象中的一个子区域，这种方法也称为适应闭值分割川。

IA值分割也可以按照分割得到的结果分为二元tm值分割以及多元闭值分割，在二元分割中，分割的结果是提取的对象和背景;在多元分割中，分割的对象为根据不同区域的特点得到的几个目标对象，这样为了提取每一个区域需要不同的阈值，即所谓的多阈值分割。

由于阈值分割要求直方图上能得到明显的双峰或多峰，并在谷底选择阈值，这一要求不易满足。特别对于多目标的图象来讲，如何选取合适的闺值是基于阈值分割方法的困难所在。许多文献针对该问题进行了较深入的研究191，比如有的方法按照整体分类误差最小原理来进行多闭值选择，但是这种方法的计算

8

量太大，不符合实时应用的前提，尤其在医学图象处理方面。无论是从何种考察问题的角度出发，基于闭值的图象分割方法具有以下不足:(x)所有这些方法均依靠图象的灰度信息，很少考虑图象中象素的空间位置关系。(2)对于图象中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图象，分割难以得到准确的结果。

由于阈值分割中没有用到图象的空间信息和其它信息，分割误差较大。如对于显微细胞图象可利用灰度和局部邻域梯度特征从二维直方图中分割出细胞核和核仁。文献[[4]提出灰度梯度双阈值的迭代方法。文献[10]提出了用一维彩色直方图分割细胞图象的方法。

分析基于闭值分割的指导思想，可以了解这种方法的基本原理如下:若象素 的灰度值大于某个灰度值，则该象素属于某个特定区域，否则该象素属于另外的 区域。这个假设前提在很多情形下并不正确，如当图象中噪声信号较多时，或者目标的灰度值与背景相差无几的情形下，按照固定的阈值进行分割所得到的结果 就不准确，而这种情形在复杂的细胞图象中也是如此。 三、设计主要程序代码 clc

%读取图像信息

I=imread('C:\\MATLAB6p5\\axb.bmp','bmp');

%图像数据的读取，将图像数据放入矩阵A中，颜色数据放入矩阵M中 figure(1) subplot(2,2,1);

imshow(I);title('原图像');

imwrite(rgb2gray(I),'Gray.bmp'); %将彩色图片灰度化并保存

I=rgb2gray(I); %灰度化后的数据存入数组

subplot(2,2,2);

imshow(I) ;%显示灰度化后的图像，也是均衡化前的样品 figure NO 2 title('灰度化后的图像') %邻域平均 h=ones(3,3)/9; B=conv2(I,h); subplot(2,2,3); imshow(B,[ ]);

title('邻域平均后的图像') %中值滤波 K=medfilt2(I); subplot(2,2,4); imshow(K);

title('中值滤波后的图像')

9

figure (2); subplot(2,1,1); imhist(K);

title('增强后的图像灰度直方图') [m,n]=size(K); dt = 1; d = 0.3; I9 = K; I9=double(I9); while (abs(dt-d)>0.001) background = 0; object = 0;

bm = 0;%背景象素数 om = 0;%前景象素数 for i=1:m for j=1:n if (I9(i,j)

bm = bm+1; else 四、设计结果

object = object + I9(i,j); om = om+1; end end end dt = d; d

=

(background/bm+object/om)/2; %假设先验概率相同 end for i = 1:m for j = 1:n if I9(i,j)

end end

subplot(2,1,2),imshow(I9); title('最优阈值法切割');

10

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库细胞图像预处理及形态学分析(2)在线全文阅读。