專利名稱：基于小波函數(shù)的多尺度顯微圖像分割處理方法
技術領域：
本發(fā)明涉及圖像處理領域，具體涉及一種圖像分割及邊緣細化技術。
背景技術：
圖像分割是將一幅圖像細分為其組成區(qū)域或對象。細分的程度取決于要解決的問題。換言之，在應用中當感興趣的對象已經(jīng)被分割出來之后就應該停止分割。單色圖像的分割處理方法通?；趫D像亮度值的兩個基本特性不連續(xù)性和相似性。具體的處理方法包括邊緣檢測、Hough變換、閾值分割等。然而針對顯微圖像的分割，除了以上所述的圖像基本分割方法以外，還應當利用顯微圖像自身固有的特征開發(fā)相應的圖像分割方法。顯微圖像最顯著的特征就是離焦模糊現(xiàn)象。由于顯微視覺視覺景深的限制，顯微圖像可以粗略的分為3種類型完全聚焦圖像，即被觀測物體之間的平面高度差小于系統(tǒng)景深，因此所有圖像中的信息都可以認為是清楚的，；另一種是全離焦圖像，即系統(tǒng)景深范圍內不存在任何被觀測物體平面，也可以將其理解為聚焦失敗采集到的圖像；還有一種顯微圖像可以稱之為半離焦圖像，該類圖像中景深范圍內存在被觀測物體的平面，但也有部分被觀測平面不能被包含在景深里，因此采集到的圖像中既包含清晰聚焦部分，也包含離焦模糊部分。如何分離顯微圖像中的清晰部分和模糊部分是顯微視覺領域經(jīng)常遇到卻很難解決的問題。

發(fā)明內容本發(fā)明的目的在于提供一種針對圖像分割處理既能保證局部精確定位又極大程度的提高了處理方法效率的基于小波函數(shù)的多尺度顯微圖像分割處理方法。
本發(fā)明的目的是這樣實現(xiàn)的(1)首先將一幅圖像分成32×32的小圖像塊，經(jīng)小波高平能量評價函數(shù)分別計算，保存得到的函數(shù)值作為每一圖像塊的特征值；(2)采用K-means聚類方法將步驟1得到的圖像塊分成兩類，將每一圖像塊對應的特征值與預先設定的閾值比較，判定該圖像塊是背景或者目標；(3)對各圖像塊進一步分解，分解尺度每增加1則任一圖像塊被再次分成4個小圖像塊，最終分解到預先設定的最大分割尺度；(4)計算新產生的圖像塊特征值和平均灰度值，檢測所有鄰近背景圖像塊的目標圖像塊，并將其自身和其鄰域圖像塊在滿足一定條件時變換所屬類型，進一步判定圖像塊為目標或是背景。
本發(fā)明還有這樣一些技術特征1、步驟1所述的原始圖像為方陣，且行列數(shù)為偶數(shù)；
2、步驟1所述的小波高頻能量函數(shù)定義為對于一幅給定的圖像I(x，y)，E表示一選定的大小為w×l的窗口，其對應的一階水平(LH)、垂直(HL)和對角(HH)小波變換圖像中的部分分別為ELH，EHL和EHH，而這些圖像塊對應的小波變換系數(shù)分別表示為WLH，WHL和WHH，圖像塊小波系數(shù)的期望(平均值)用μ表示；第i階小波調焦評價函數(shù)算子Mwtl定義為Mwtl=1wl[Σ(i,j)∈ELH(WLH(i,j)-μLH)i+Σ(i,j)∈EHL(WHL(i,j)-μHL)i+Σ(i,j)∈EHH(WHH(i,j)-μHH)i]]]>如果原始圖像中的某一窗口給定為[x0，x0+w]×[y0，y0+l]那么其相應的k階小波變換窗口可以表示為 小波高頻系數(shù)計算時k＝1，小波變換選擇Haar小波基；3、步驟2所述的K-means聚類處理步驟為(1)、為T選取一個初始估計值為圖像像素對應函數(shù)值的最大值與最小值的平均值；(2)、使用T分割函數(shù)值，產生兩組像素函數(shù)值≥T的所有像素組成的G1，以及函數(shù)值＜T的所有像素組成的G2；(3)、計算G1和G2范圍內的像素對應的平均函數(shù)值μ1和μ2；(4)、計算一個新閾值T=12(μ1+μ2);]]>(5)、重復步驟(2)和到步驟(4)，直到連續(xù)迭代中T的差值比上先一步產生的T值小于預先規(guī)定的百分比時停止迭代；4、步驟2所述的K-means決定圖像塊(i，j)是否為目標，預先設定的閾值表示為ci,j=mink=0,1-1(vi,j-v(k))2,]]>v表示圖像塊經(jīng)小波高平能量評價函數(shù)計算后得到的函數(shù)值，vi，j為每一圖像塊對應的特征值；5、步驟3所述的分解前的各圖像塊為父塊，新生成的圖像塊為子塊，父塊(i，j)產生子塊后自身即用 表示，其中i~=i/2,]]>j~=j/2,]]>定義分割尺度為r時對應的圖像塊集合表示為S(r)，r＝1，...，R，其中R為預先設定的最大分割尺度，分解尺度增加時首先判斷父塊是否與其他不同種圖像塊相鄰，只有當一個圖像塊被判定為目標，而它的相鄰圖像塊中含有被判定為背景的圖像塊時再分解產生子塊；如果一個被判定為目標的圖像塊周圍全部也都是被判定為目標的圖像塊，則不對此圖像塊進行分解；6、步驟4所述的判定過程為
(1)設定分解尺度r＝1；(2)將圖像塊集合S(r)分解成圖像塊集合S(r+1)，設定r＝r+1；(3)計算圖像塊(i，j)∈S(r)的特征值以及平均灰度值xi，j；(4)對于每一個位于邊緣的圖像塊(i，j)∈S(r)，即其本身被判定為目標，但同時其鄰域的四個圖像塊至少有一個被判定為背景，根據(jù)以下原則調整1)設定k＝0；2)判斷第k個相鄰圖像塊(m，n)如果滿足以下任意一個條件，設定標志位flipbackground＝1；①圖像塊(m，n)的平均灰度值xm，n與其父塊的平均灰度值之差大于xm，n與(i，j)父塊的平均灰度值之差；②特征值vi，j更接近于目標而非背景，即(vi，j-v(1))2＜(vi，j-v(0))23)對于第k個相鄰圖像塊(m，n)，判斷如果滿足以下任意一個條件，設定標志位flipOOI＝1；①圖像塊(i，j)的平均灰度值xi，j與其父塊的平均灰度值之差大于xi，j與(m，n)父塊的平均灰度值之差②特征值vi，j更接近于背景而非目標，即(vi，j-v(0))2＜(vi，j-v(1))24)如果，flipOOI＝1且，flipbackground＝0，將(i，j)的類別由目標變?yōu)楸尘埃?)如果flipOOI＝0且，flipbackground＝1，將(m，n)的類別由背景變?yōu)槟繕耍?)如果圖像塊(i，j)被由目標轉換為背景，那么它的任何一個由背景轉化為目標的鄰域圖像塊重新被轉化為背景。
(5)如果r≤R，回到步驟(2)，否則終止。
本發(fā)明針對半離焦圖像的特點采用了基于清晰度評價函數(shù)的顯微圖像分割以及K-means聚類方法，實現(xiàn)了顯微圖像聚焦離焦部分的分離，并且提出了圖像處理優(yōu)化方式，在保證了局部精定位的同時極大程度上提高了處理方法的效率，并且該方法在對其他半離焦圖像分割時也體現(xiàn)了一定的適應性，具有很高的實用價值。


圖1為小波評價函數(shù)定義用原始圖像中開窗位置；
圖2為小波評價函數(shù)定義用相應的小波分解窗口；圖3為MEMS器件原始圖象；圖4為小波高頻能量函數(shù)分塊計算繪圖；圖5為K-means聚類之后示意圖；圖6-8為圖像父塊、子塊及其相鄰圖像塊示意圖；圖9-14為不同尺度下圖像分割效果圖；圖15為零件邊緣圖像；圖16為零件分割效果圖；圖17為微操作工具圖像；圖18為微操作工具分割效果。
具體實施方式
下面結合附圖和具體實施例對本發(fā)明作進一步的說明對于MEMS器件經(jīng)常是幾種立體器件組合而成，器件之間的平面高度差往往超過顯微視覺系統(tǒng)的景深，因此真正需要關注的是如何在半離焦圖像中將聚焦部分與離焦部分分離，進而獲得聚焦部分的準確信息。(以下將聚焦清晰的部分稱之為目標，而將離焦模糊的部分稱之為背景。)顯微圖像聚焦清晰部分能夠表現(xiàn)出器件表面豐富的紋理，離焦部分則非常模糊，灰度值變化不明顯，也可以理解為紋理稀疏。而圖像的紋理的疏密可以對應圖像經(jīng)頻域變換后對應系數(shù)的高低，因此考慮在經(jīng)頻域變換后分割圖像。小波變換的局部性、多分辨率以及嚴格采樣性對于圖像處理來說是其他頻域變換所不能比擬的。因此考慮利用小波變換構造一種調焦評價函數(shù)，以達到分割圖像中聚焦離焦部分的最終目的，本發(fā)明稱之為小波高頻能量函數(shù)。
結合圖1-2，小波高頻能量函數(shù)定義如下對于一幅給定的圖像I(x，y)，E表示一選定的大小為w×l的窗口，其對應的一階水平(LH)、垂直(HL)和對角(HH)小波變換圖像中的部分分別為ELH，EHL和EHH，而這些圖像塊對應的小波變換系數(shù)分別表示為WLH，WHL和WHH，圖像塊小波系數(shù)的期望(平均值)用μ表示。
第i階小波調焦評價函數(shù)算子Mwti定義為Mwtl=1wl[Σ(i,j)∈ELH(WLH(i,j)-μLH)i+Σ(i,j)∈EHL(WHL(i,j)-μHL)i+Σ(i,j)∈EHH(WHH(i,j)-μHH)i]]]>如果原始圖像中的某一窗口給定為[x0，x0+w]×[y0，y0+l]
那么其相應的k階小波變換窗口可以表示為 計算時為簡單起見只考慮k＝1時的小波高頻系數(shù)。小波變換時選擇的Haar小波基，該小波基由于其短波特性具有良好的局部定位功能。該調焦評價函數(shù)當圖像處于最清晰的聚焦位置時達到最大值。
利用該函數(shù)對圖3所示的半離焦圖像分塊并計算繪圖后得到的圖象如圖4所示?？梢娗逦劢沟囊_平面對應的圖像塊對應的函數(shù)值明顯高于全部離焦模糊的托盤表面圖像塊對應的函數(shù)值，即利用這一小波高頻能量函數(shù)可以達到分離聚焦離焦部分的目的。
計算得到的函數(shù)值我們可以通過K-means聚類方法將離焦聚焦部分分離開來。聚類在模式識別、決策支持、機器學習、圖像分隔等領域有廣泛應用，是最重要的數(shù)據(jù)分析方式之一。它將數(shù)據(jù)對象分入不同的集合，使得同一集合中的數(shù)據(jù)對象相似，而不同集合的數(shù)據(jù)對象相對來說有較大差別。K-means聚類的輸入包括個數(shù)k，以及包含n個數(shù)據(jù)對象的數(shù)據(jù)庫，而輸出為滿足方差最小標準的k個聚類。由于半離焦圖象中只包含聚焦與離焦兩種圖像數(shù)據(jù)，即k＝2，因此可以將K-means聚類簡化為如下類似于選擇某一閾值T的迭代過程1.為T選一個初始估計值，一般設為圖像像素對應函數(shù)值的最大值與最小值的平均值；2.使用T分割函數(shù)值，這會產生兩組像素函數(shù)值≥T的所有像素組成的G1，以及函數(shù)值＜T的所有像素組成的G2；3.計算G1和G2范圍內的像素對應的平均函數(shù)值μ1和μ2；4.計算一個新閾值T=12(μ1+μ2)]]>5.重復步驟2和到步驟4，直到連續(xù)迭代中T的差值比上先一步產生的T值小于預先規(guī)定的某一百分比，如2％為止。
圖4中的函數(shù)數(shù)據(jù)經(jīng)K-means聚類之后，將所有離焦圖像塊變成黑色之后的效果圖如圖5所示?？梢钥吹诫m然聚焦離焦結合處的輪廓基本正確，但分類后的聚焦圖像中仍然含有一些離焦像素點，下面將說明如何平滑輪廓邊界的問題。
為了平滑分割輪廓邊緣并且同時保證分割效率，本節(jié)根據(jù)小波高頻能量評價函數(shù)以及K-means聚類方法提出了一種多尺度顯微圖像分割方法，理論上精度可以達到一個像素。下面將具體展開介紹該處理方法過程。
設存在一幅尺寸為S×S的圖像(多尺度小波變換需要圖像為方陣，且行列數(shù)為偶數(shù))，首先將其分成32×32的小圖像塊，經(jīng)小波高平能量評價函數(shù)分別計算后，得到的函數(shù)值用v表示，作為每一圖像塊的特征值它將決定該圖像塊是背景或者目標；然后用K-means聚類方法將這些圖像塊分成兩類，其中聚焦清晰的圖像塊應當具有較高的特征值，而離焦模糊的圖像塊具有較低的特征值。設分割尺度用r表示，圖像塊用S代表，則第一次分類之后的尺度為r＝0，對應的圖像塊集合為S(0)＝{(i，j)}，i＝0，...，I，j＝0，...，J，每一圖像塊對應的特征值為vi，j，(i，j)∈S(0)。K-means決定圖像塊(i，j)是否為目標，判定的閾值表示為ci,j=mink=0,1-1(vi,j-v(k))2]]>此后對各圖像塊進一步分解，分解尺度每增加1則任一圖像塊被再次分成4個小圖像塊，原圖像塊稱為父塊，如圖6中灰色圖像塊所示，圖中的黑色曲線表示目標和背景的分界線，新生成的圖像塊稱為子塊，如圖7所示。父塊(i，j)產生子快后自身即用 表示，其中i~=i/2,]]>j~=j/2.]]>定義分割尺度為r時對應的圖像塊集合表示為S(r)，r＝1，...，R，其中R為預先設定的最大分割尺度，理論上本處理方法最終可以達到1個像素的精度。需要說明的是每次分解尺度增加時能夠產生子塊的父塊都必須是與其他不同種圖像塊相鄰，也就是說只有當一個圖像塊被判定為目標，而它的相鄰(上向左右四個方向)圖像塊中含有被判定為背景的圖像塊時它才有資格產生子塊；如果一個被判定為目標的圖像塊周圍全部也都是被判定為目標的圖像塊，那么該圖像塊就沒有產生子塊的資格，同時這樣做也沒有任何的意義。對新產生的圖像子塊計算特征值以后有可能子塊被判定為與父塊相異類型，即父塊是目標，而產生的四個子塊中的某個或某幾個可能被判定為背景。這中間也很有可能會出現(xiàn)交叉的情況，即一個圖像塊在某個評價標準下被判定為目標，而在另一評價標準下被判定為背景，如何處理這一問題是處理方法成功與否的關鍵。具體的判定過程如下1.設定分解尺度r＝1；2.將圖像塊集合S(r)分解成圖像塊集合S(r+1)，設定r＝r+1；3.計算圖像塊(i，j)∈S(r)的特征值以及平均灰度值xi，j；4.對于每一個位于邊緣的圖像塊(i，j)∈S(r)，即其本身被判定為目標，但同時其鄰域的四個圖像塊至少有一個被判定為背景，根據(jù)以下原則調整(1)設定k＝0；(2)圖8中的灰色圖像塊表示圖6中灰色圖像父塊產生的四個子塊之一，其中還用斜線標示了其相鄰圖像塊的四個位置，如果第k個相鄰圖像塊(m，n)滿足如以下任意一個條件，設定標志位flipbackground＝1；1)圖像塊(m，n)的平均灰度值xm，n與其父塊的平均灰度值之差大于xm，n與(i，j)父塊的平均灰度值之差；
2)特征值vi，j更接近于目標而非背景，即(vi，j-v(1))2＜(vi，j-v(0))2(3)對于第k個相鄰圖像塊(m，n)，如果滿足如下任意一個條件，設定標志位flipOOI＝1；1)圖像塊(i，j)的平均灰度值xi，j與其父塊的平均灰度值之差大于xi，j與(m，n)父塊的平均灰度值之差2)特征值vi，j更接近于背景而非目標，即(vi，j-v(0))2＜(vi，j-v(1))2(4)如果flipOOI＝1且flipbackground＝0，將(i，j)的類別由目標變?yōu)楸尘埃?5)如果flipOOI＝0且flipbackground＝1，將(m，n)的類別由背景變?yōu)槟繕耍?6)如果圖像塊(i，j)被由目標轉換為背景，那么它的任何一個由背景轉化為目標的鄰域圖像塊重新被轉化為背景。
5.如果r≤R，回到步驟2，否則終止。
這一過程檢測所有鄰近背景圖像塊的目標圖像塊，并將其自身和其鄰域圖像塊在滿足一定條件時變換所屬類型。由于所有鄰近目標圖像塊的背景圖像塊均與目標圖像塊進行比較，因此就沒有必要再對背景圖像塊進行相似的操作了。上面提到的閾值是在預先選定好的并且對于任何測試圖像固定不變。另外應當注意到，對于特定的圖像一旦經(jīng)過K-means分類后，目標和背景對應的特征值v(0)和v(1)就固定不變了。另外，特征值vi，j當分解尺度達到一定高度之后，就不再起作用了，因為隨著分解尺度的升高圖像塊的尺寸也在不斷縮小，當縮小到一定程度時特征值就趨于平緩，已經(jīng)不能再作為評定的標準了。因此，我們選擇平均灰度值作為另外一個評定標準確保即使圖像塊最終縮小至一個像素時仍然能夠分辨其到底是目標還是背景。
該處理方法檢測所有處于目標和背景邊緣的圖像塊，因為這些圖像塊或其繼續(xù)分割得到的小圖像塊最有可能被錯誤的分類。因此本發(fā)明也可以看作是一種多尺度的邊緣細化方法。在邊緣區(qū)域，一個父圖像塊可能同時包含是背景和目標的子圖像塊，必須保證這些子圖像塊有機會被重新劃分到其應當歸屬的種類中去，評定的標準就是其特征值和平均灰度。如果一個子圖像塊對應的特征值或平均灰度剛好更加接近不同于其父塊的種類，就應當轉換其歸類。
在圖像經(jīng)多尺度邊緣細分之后，應該適當?shù)耐ㄟ^目標標記消除孤立的目標或背景像素點，從而保證獲得足夠平滑的邊緣。圖9-14所示為半離焦圖像經(jīng)不同尺度分割后得到的效果圖像，其中圖9為原始圖像，圖10-14分別為r＝1、r＝2、r＝3、r＝4、r＝5對應的圖像，從其變化過程可以很明顯地看出分割精度在逐步提高，并最終達到精度為1個像素。
圖15-18為其它顯微圖像分割效果圖，圖15-16所示分別為顯微鏡下采集的零件邊緣和微操作工具的半離焦圖像，應用該分割方法得到的聚焦部分圖像分別如圖17-18所示。
權利要求
1.一種基于小波函數(shù)的多尺度顯微圖像分割處理方法，其特征在于(1)首先將一幅圖像分成32×32的小圖像塊，經(jīng)小波高平能量評價函數(shù)分別計算，保存得到的函數(shù)值作為每一圖像塊的特征值；(2)采用K-means聚類方法將步驟1得到的圖像塊分成兩類，將每一圖像塊對應的特征值與預先設定的閾值比較，判定該圖像塊是背景或者目標；(3)對各圖像塊進一步分解，分解尺度每增加1則任一圖像塊被再次分成4個小圖像塊，最終分解到預先設定的最大分割尺度；(4)計算新產生的圖像塊特征值和平均灰度值，檢測所有鄰近背景圖像塊的目標圖像塊，并將其自身和其鄰域圖像塊在滿足一定條件時變換所屬類型，進一步判定圖像塊為目標或是背景。
2.根據(jù)權利要求1所述的基于小波函數(shù)的多尺度顯微圖像分割處理方法，其特征在于步驟1所述的原始圖像為方陣，且行列數(shù)為偶數(shù)。
3.根據(jù)權利要求1所述的基于小波函數(shù)的多尺度顯微圖像分割處理方法，其特征在于步驟1所述的小波高頻能量函數(shù)定義為對于一幅給定的圖像I(x，y)，E表示一選定的大小為w×l的窗口，其對應的一階水平(LH)、垂直(HL)和對角(HH)小波變換圖像中的部分分別為ELH，EHL和EHH，而這些圖像塊對應的小波變換系數(shù)分別表示為WLH，WHL和WHH，圖像塊小波系數(shù)的期望(平均值)用μ表示；第i階小波調焦評價函數(shù)算子Mwtl定義為Mwtl=1wl[Σ(i,j)∈ELH(WLH(i,j)-μLH)l+Σ(i,j)∈EHL(WHL(i,j)-μHL)l+Σ(i,j)∈EHH(WHH(i,j)-μHH)l]]]>如果原始圖像中的某一窗口給定為[x0，x0+w]×[y0，y0+l]那么其相應的k階小波變換窗口可以表示為[x02k,x02k+w2k]×[y02k,y02k+l2k]]]>小波高頻系數(shù)計算時k＝1，小波變換選擇Haar小波基。
4.根據(jù)權利要求1所述的基于小波函數(shù)的多尺度顯微圖像分割處理方法，其特征在于步驟2所述的K-means聚類處理步驟為(1)、為T選取一個初始估計值為圖像像素對應函數(shù)值的最大值與最小值的平均值；(2)、使用T分割函數(shù)值，產生兩組像素函數(shù)值≥T的所有像素組成的G1，以及函數(shù)值＜T的所有像素組成的G2；(3)、計算G1和G2范圍內的像素對應的平均函數(shù)值μ1和μ2；(4)、計算一個新閾值T=12(μ1+μ2);]]>(5)、重復步驟(2)和到步驟(4)，直到連續(xù)迭代中T的差值比上先一步產生的T值小于預先規(guī)定的百分比時停止迭代。
5.根據(jù)權利要求1所述的基于小波函數(shù)的多尺度顯微圖像分割處理方法，其特征在于步驟2所述的K-means決定圖像塊(i，j)是否為目標，預先設定的閾值表示為ci,j=mink=0,1-1(vi,j-v(k))2,]]>v表示圖像塊經(jīng)小波高平能量評價函數(shù)計算后得到的函數(shù)值，vi，j為每一圖像塊對應的特征值。
6.根據(jù)權利要求1所述的基于小波函數(shù)的多尺度顯微圖像分割處理方法，其特征在于步驟3中所述的分解前的各圖像塊為父塊，新生成的圖像塊為子塊，父塊(i，j)產生子塊后自身即用 表示，其中i~=i/2,j~=j/2,]]>定義分割尺度為r時對應的圖像塊集合表示為S(r)，r＝1，...，R，其中R為預先設定的最大分割尺度，分解尺度增加時首先判斷父塊是否與其他不同種圖像塊相鄰，只有當一個圖像塊被判定為目標，而它的相鄰圖像塊中含有被判定為背景的圖像塊時再分解產生子塊；如果一個被判定為目標的圖像塊周圍全部也都是被判定為目標的圖像塊，則不對此圖像塊進行分解。
7.根據(jù)權利要求1所述的基于小波函數(shù)的多尺度顯微圖像分割處理方法，其特征在于步驟4所述的判定過程為(1)設定分解尺度r＝1；(2)將圖像塊集合S(r)分解成圖像塊集合S(r+1)，設定r＝r+1；(3)計算圖像塊(i，j)∈S(r)的特征值以及平均灰度值xi，j；(4)對于每一個位于邊緣的圖像塊(i，j)∈S(r)，即其本身被判定為目標，但同時其鄰域的四個圖像塊至少有一個被判定為背景，根據(jù)以下原則調整1)設定k＝0；2)判斷第k個相鄰圖像塊(m，n)如果滿足以下任意一個條件，設定標志位flipbackground＝1；①圖像塊(m，n)的平均灰度值xm，n與其父塊的平均灰度值之差大于xm，n與(i，j)父塊的平均灰度值之差；②特征值vi，j更接近于目標而非背景，即(vi，j-v(1))2＜(vi，j-v(0))23)對于第k個相鄰圖像塊(m，n)，判斷如果滿足以下任意一個條件，設定標志位flipOOI＝1；①圖像塊(i，j)的平均灰度值xi，j與其父塊的平均灰度值之差大于xi，j與(m，n)父塊的平均灰度值之差②特征值vi，j更接近于背景而非目標，即(vi，j-v(0))2＜(vi，j-v(1))24)如果flipOOI＝1且flipbackground＝0，將(i，j)的類別由目標變?yōu)楸尘埃?)如果flipOOI＝0且flipbackground＝1，將(m，n)的類別由背景變?yōu)槟繕耍?)如果圖像塊(i，j)被由目標轉換為背景，那么它的任何一個由背景轉化為目標的鄰域圖像塊重新被轉化為背景。(5)如果r≤R，回到步驟(2)，否則終止。
全文摘要
本發(fā)明提供了一種基于小波函數(shù)的多尺度顯微圖像分割處理方法。步驟為1.首先將一幅圖像分成32×32的小圖像塊，經(jīng)小波高平能量評價函數(shù)分別計算得到特征值；2.采用K－means聚類方法將步驟1得到的圖像塊分成兩類，將每一圖像塊對應的特征值與預先設定的閾值比較，判定該圖像塊是背景或者目標；3.對各圖像塊進一步分解，則任一圖像塊被再次分成4個小圖像塊，最終分解到預先設定的最大分割尺度；4.計算新產生的圖像子塊特征值和平均灰度值，進一步判定圖像塊為目標或是背景。本發(fā)明針對半離焦圖像的特點采用了基于清晰度評價函數(shù)的顯微圖像分割以及K－means聚類方法，實現(xiàn)了顯微圖像聚焦離焦部分的分離。
文檔編號G06T5/00GK101021944SQ200710071880
公開日2007年8月22日 申請日期2007年3月14日 優(yōu)先權日2007年3月14日
發(fā)明者陳立國, 孫立寧, 馬凌宇 申請人:哈爾濱工業(yè)大學