式中mg,mf为变换区间的最大灰度值。
选择不同的a,b,c和d值,会是细胞图像
展第一区间[0,a),压缩第二区间[a,b),维持第三区间[b,mJ。
灰度分层切片技术,把感兴趣的灰度范围值转换成最大灰度值,这种处理在
交互操作时,对人工分析细胞图像提供一种行之有效的方法和手段。
1.2图像空域增强原理
空域滤波的目的是对图像进行加工以得到对具体应用来说视觉效果更“好”,
更“有用”的图像。
空域滤波是在图像空间借助模板进行邻域操作,一般可分为线性的和非线性的两类。
线性系统的转移函数和脉冲函数或点扩散函数构成傅立叶变换对,所以线性滤波器的设计常基于对傅立叶变换的分析。
非线性滤波器则一般直接对邻域进行操作。
另外各种空域滤波器根据功能主要分成平滑的和锐化的。
平滑可用低通滤波实现。
平滑的目的又可以分为两类:
一类是模糊,目的是在提取较大的目标前去除太小的细节或将目标内的小间断连接起来。
另一类是消
除噪声。
锐化可用高通滤波实现,锐化的目的是为了增强被模糊的细节。
1.2.1实现空域滤波的步骤
在空域实现滤波功能,都是利用模板卷积,其主要步骤为:
(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)将模板上系数与模板下对应像素相乘;
(3)将所有乘积相加;
(4)将和(模板的输出响应)赋给图中对应模板中心位置的像素。
图1(a)给出1幅图像的一部分,其中标出一些像素的灰度值。
现设有一个3
x3的模板如图1(b)所示,模板内所标为模板系数。
如将ko所在位置与图中灰度
值为So的像素重合(即将模板中心放在图中(x,y)位置),模板的输出相应R为:
R=k0s0-k1s1-...-k8s
将R赋给增强图,作为在x,y位置的灰度值(见图1(c)所示)。
如果对原图每个像素都这样进行就可得到增强图中所有位置的新灰度值。
如果在设计滤波器时给模板系数赋给不同的值,就可得到不同的高通或低通效果。
(b)
图1用3X3的模板进行空间滤波的示意图
1.2.2邻域平均
线性低通滤波器是最常用的线性平滑滤波器,这种滤波器的所有系数都是正的。
对33的模板来说,最简单的是所有系数都为1。
为保证输出图仍在原来的灰度值范围,在算得模板的输出响应后要将其除以9再进行赋值,这种方法叫做邻域平均。
其基本原理如下:
设输入图像为fx,y,输出图像为gx,y,若点(x,y)的邻域为S,那么
4邻域的坐标集合为(见图2(a)):
Sx,y1,x,y-1,x1,y,x-1,y/
8邻域的坐标集合为(见图2(b)):
x-1,y-1,x,y-1,x■1,y-1,x-1,y,
S二
x1,y,x-1,y1,x,y1,x1,y1
图像平滑的邻域平均方法为:
'f(x,y)
其他
g(X,y\=丿
1七
1
\/
—Zf(x,y)当M(,y乎
f(X,y厂一送f
M(x,yJS
(X,y
其中T是阈值。
图2邻域平均模板
123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Xj是输入图像在坐标i,j处的像素,在其周围开一个mn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X^0
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
读入图偉救据阵到Pp处理后数据放入屮炉
define
fldDip0*in+jC>
#define
呂以口>jFCi*m-4>i=O
j=1
图3为中值滤波流程图
选用一个33的模板,对一幅mn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(FocusOfAttention)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
量太大,不符合实时应用的前提,尤其在医学图象处理方面。
问题的角度出发,基于闭值的图象分割方法具有以下不足靠图象的灰度信息,很少考虑图象中象素的空间位置关系。
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,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,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。
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的灰度值大于某个灰度值,则该象素属于某个特定区域,区域。
这个假设前提在很多情形下并不正确,目标的灰度值与背景相差无几的情形下,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);
无论是从何种考察
:
(x)所有这些方法均依
(2)对于图象中不存
分割难以得到准确
分割误差较大。
如对文献[10]提出了用一维彩色
:
若象素否则该象素属于另外的
如当图象中噪声信号较多时,或者按照固定的阈值进行分割所得到的结果。
imshow(I);%显示灰度化后的图像,也是均衡化前的样品figureNO2title('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')
figure
(2);
object=
object+I9(i,j);
subplot(2,1,1);
om=om+1;
imhist(K);
end
title('增强后的图像灰度直方图')
end
[m,n]=size(K);
end
dt=1;
dt=
d;
d=0.3;
d
=
I9=K;
(background/bm+object/om)/2;%假设
I9=double(I9);
先验概率相同
while(abs(dt-d)>0.001)
end
background=0;
fori=1:
m
object=0;
forj
=1:
n
bm=0;%背景象素数
ifI9(i,j)om=0;%前景象素数
I9(i,j)=0;
fori=1:
m
else
forj=1:
n
I9(i,j)=1;
if(I9(i,j)end
background
=end
background+I9(i,j);
end
bm=bm+1;
subplot(2,1,2),imshow(I9);
else
title('最优阈值法切割');
四、设计结果
五、设计评述
开始拿到题目的时候,我们还不知道从何处下手,感觉以前的知识用不上做因为我们对这数字信号处理和数字图像处理等课程的学习并不是很深刻,更谈不上运用所学知识。
还有matlab软件的运用,也不是很熟练。
在课程设计的过程中,我们通过对所学知识的复习对课程设计的内容有了更深的理解。
比如图像的灰度化,之前在一些试验中也进行过相关的练习,但当时只是知道只有灰度化后边的操作才能更好的运行。
但课程设计之后我懂得,调整改变图像的灰度,可以提高图像的视觉效果,突出感兴趣的区域。
图像预处理是对质量不高的原始图像进行增强和复原处理,以利于感兴趣目标的提取,是首要组成环节。
由于癌细胞图像采集和成像过程中,不可避免随机干扰,使得所获取的癌细胞原始图像叠加了大量噪声;且由于成像设备等原因,使得癌细胞图像边缘不清晰,或存在多处断裂等现象。
因此图像预处理环节的主要任务是在保留图像细节的同时抑制噪声干扰。
图像预处理的结果是后续的特征提取和分类识别的基础。
数学形态学发展成为数字图像处理领域一种新兴的研究方法,其基本思想是使用具有一定形态的结构元素来度量和提取图像中对应的形状,以达到对图像分析和识别的目的。
数学形态学可用来解决平滑抑噪、边缘提取、纹理分析等图像处理问题,已经成功应用于生物医学、指纹识别、产品外观检测等众多领域。
数学形态学滤波器是一种非线性图像滤波方法,和其他经典的平滑空间滤波器或平滑频率域滤波器相比,具有简洁、直观、速度快等优点。
通过这次课程设计,加强了我动手、思考和解决问题的能力.现在设计已经做好了,自己感觉还是比较好的,虽然花了很多的时间,但学到了很多东西.做课程设计的时候,自己把整个书本都看了几遍,增强了自己对知识的理解,很多以前不是很懂的问题现在都已经一一解决了.在课程设计的过程中,我想了很多种方案,对同一个问题都想了很多种不同的方法,最后还是采取了上面的方法进行调试.在调试过程中,经常会遇到一些问题,使自己感觉到有点点的力不从心.从开始做课程设计那天起,脑中天天都想着同样的问题,怎样更好的完成任务,但似乎时间过得真的很快,我用了好几天才把它完全弄完,完成后,心里有一种说不出的高兴.
这次课程设计之后,使我明白了,做任何事情都要认真仔细,不然的话,你会花更多的时间才会做好.课程设计有利于提高我们的动手能力,能把我们所学的
书本知识运用到实际生活中去.同时也丰富了我们的业余生活的理解能力,团队合作精神和协作能力得到很好的促进.六、主要参考献
冈萨雷斯数字图像处理第二版中文版电子工业出版社2003阿查里雅(TinkuAcharya),雷(AjoyK.Ray)著数字图象处理出版社2002
张兆林MATLAB6.x图象处理北京:
清华大学出版社2002贾永红数字图象处理湖北:
武汉大学出版社2003
提高我们对知识
北京:
清华大学
2002
徐飞MATLAB应用图象处理西安:
西安电子科技大学出版社崔屹数字图像处理技术与应用电子工业出版社1997