見(jiàn)，得到了較好的粘連細(xì)胞圖像分割結(jié)果。
[0055] 在該實(shí)施例中，由于預(yù)先通過(guò)第一變換圖或第二變換圖獲取前景標(biāo)記、并對(duì)第二 變換圖進(jìn)行分水嶺變換獲取背景標(biāo)記，再用前景標(biāo)記和背景標(biāo)記來(lái)修正待分割圖像的梯度 圖像，最后對(duì)該修正后的梯度圖像進(jìn)行分水嶺變換，得到圖像分割結(jié)果，所以既保留了對(duì)梯 度圖像進(jìn)行分水嶺變換，能有效定位目標(biāo)物體邊緣，分割出目標(biāo)物體完整輪廓的優(yōu)點(diǎn)，又能 通過(guò)前景標(biāo)記和背景標(biāo)記區(qū)分粘連區(qū)域無(wú)明顯邊界的目標(biāo)，使得不會(huì)出現(xiàn)欠分割和過(guò)分割 的現(xiàn)象，提高了細(xì)胞分割的精度。
[0056] 為驗(yàn)證該實(shí)施例粘連細(xì)胞圖像分割方法的有效性，在CPU為Pentum雙核，主頻為 2.7GHz，存儲(chǔ)器為2G RAM，操作系統(tǒng)為Windows XP的計(jì)算機(jī)上，采用Matlab 2011a進(jìn)行血 液細(xì)胞圖像分割的仿真實(shí)驗(yàn)如下：
[0057] 實(shí)驗(yàn)一：在如圖8 (a)所示的兩個(gè)細(xì)胞輕微粘連的情況下，分別執(zhí)行基于距離變換 分水嶺算法的細(xì)胞圖像分割方法和本實(shí)施例的基于修正梯度圖像和分水嶺算法的圖像分 割方法，可分別得到如圖8(b)、8 (c)所示的分割結(jié)果。參見(jiàn)圖8(b)、8 (c)可知，前者的細(xì)胞 輪廓，是通過(guò)分割線生硬的劃分所得，而本實(shí)施例的輪廓，是對(duì)梯度圖像進(jìn)行分水嶺變換所 得，該輪廓封閉自然，更符合細(xì)胞形狀近圓的特點(diǎn)。
[0058] 實(shí)驗(yàn)二：在如圖9 (a)所示的多細(xì)胞粘連且粘連區(qū)域比較大的復(fù)雜情況下，分別執(zhí) 行基于距離變換分水嶺算法的細(xì)胞圖像分割方法、基于特征標(biāo)記點(diǎn)梯度圖像分水嶺算法的 細(xì)胞圖像分割方法和本實(shí)施例的基于修正梯度圖像和分水嶺算法的圖像分割方法，可分別 得到如圖9(b)、9(c)、9(d)所示的分割結(jié)果。參見(jiàn)圖9(a)、9(b)可知，基于距離變換分水嶺 算法的細(xì)胞圖像分割方法未能將9 (a)中間部位粘連的多個(gè)細(xì)胞分離開(kāi)，出現(xiàn)欠分割現(xiàn)象。 參見(jiàn)圖9 (a)、9 (c)可知，基于特征標(biāo)記點(diǎn)梯度圖像分水嶺算法的細(xì)胞圖像分割方法，將右 上角的細(xì)胞分割成兩個(gè)細(xì)胞，但靠右的細(xì)胞邊緣出現(xiàn)過(guò)分割現(xiàn)象，且中間多個(gè)粘連的細(xì)胞 中有一細(xì)胞與背景混淆，從分割結(jié)果中消失出現(xiàn)欠分割現(xiàn)象。參見(jiàn)圖9(a)、9(d)可知，本實(shí) 施例的基于修正梯度圖像和分水嶺算法的圖像分割方法成功分割出所有粘連細(xì)胞，且未出 現(xiàn)過(guò)分割現(xiàn)象。
[0059] 實(shí)驗(yàn)三：在如圖10 (a)所示的大小為949*634像素的細(xì)胞樣本圖上執(zhí)行本實(shí)施例 的基于修正梯度圖像和分水嶺算法的圖像分割方法，能將血小板和邊界的細(xì)胞有效去除， 其分割結(jié)果如圖10(b)所示。其中實(shí)際紅細(xì)胞個(gè)數(shù)為180,實(shí)驗(yàn)所得紅細(xì)胞計(jì)數(shù)為180,僅 有2處血小板與紅細(xì)胞粘連未分離開(kāi)，且所需時(shí)間僅為2S。
[0060] 綜合以上3個(gè)對(duì)比試驗(yàn)，可有效驗(yàn)證本實(shí)施例基于修正梯度圖像和分水嶺算法的 圖像分割方法的精確性和快速性。該圖像分割方法還可以適用于分割其它粘連的目標(biāo)。
[0061] 優(yōu)選的，如圖11所示，步驟SlOO包括：
[0062] SllO :利用Sobel邊緣算子，對(duì)待分割圖像進(jìn)行水平方向和垂直方向的濾波。
[0063] S120 :求取模值，獲取待分割圖像的梯度圖像，如圖3所示。
[0064] 具體的，該Sobel邊緣算子具體為，
[0065] S (i, j) = I A jf (i, j) + Δ jf (i, j)
[0066] A xf (i, j) = f (i+1, j-1) +2f (i+1, j) +f (i+1, j+1)
[0067] -f (i-1, j-l)-2f (i-1, j)-f (i-1, j+1)
[0068] A sf (i, j) = f (i-1, j+1) +2f (i, j+1) +f (i+1, j+1)
[0069] -f (i-1, j-l)-2f (i, j-1)-f (i+1, j-1)
[0070] 其中，i為圖像像素橫坐標(biāo)，j為圖像像素縱坐標(biāo)，f(i，j)為坐標(biāo)為（i，j)的灰度 值，Λ if (i，j)為橫坐標(biāo)上的計(jì)算模板，Λ .jf (i，j)為縱坐標(biāo)上的計(jì)算模板，S(i，j)為梯度 圖像（i，j)點(diǎn)的數(shù)值。
[0071] 優(yōu)選的，如圖12所示，步驟S200包括：
[0072] S210 :對(duì)待分割圖像進(jìn)行二值化處理，獲取待分割圖像的二值化圖像。
[0073] S220 :對(duì)二值化圖像進(jìn)行距離變換，獲取待分割圖像的距離變換圖，其中第一變換 圖為距離變換圖。
[0074] 具體的，血細(xì)胞圖像由背景、紅細(xì)胞、白細(xì)胞和血小板四部分組成，背景和其他區(qū) 域灰度值差異大，較易區(qū)分。所以，通過(guò)對(duì)待分割的細(xì)胞樣本圖進(jìn)行二值化處理，可將細(xì)胞 分割問(wèn)題轉(zhuǎn)換成前景和背景二分類問(wèn)題。為了進(jìn)一步區(qū)分兩者，凸顯出作為前景的細(xì)胞輪 廓，將對(duì)二值化圖像執(zhí)行距離變換，獲取待分割圖像的距離變換圖，如圖13所示，以將該二 值化圖像轉(zhuǎn)化為灰度圖像，用灰度值表示每個(gè)像素與距離最近的背景間的距離。優(yōu)選的，步 驟S210,二值化處理，可具體為通過(guò)自適應(yīng)閾值分割方法得到二值化圖像。步驟S220,距離 變換可選歐式距離變換、非歐式距離變換，及現(xiàn)有技術(shù)中其它距離變換方式。更為優(yōu)選的， 步驟S220采用下列歐式距離變換算法，公式為：
[0075]
[0076] (Ii j = min {D E [ (i, j), (x, y) ], (x, y) e B} (2)
[0077] 其中，MXN表示一個(gè)二值化圖像，具體用Amxn= [a^]表示，i = 1，2, 3, "'IVUj = 1，2,3, "·，Ν，其中alj= 0的像素對(duì)應(yīng)背景點(diǎn)，alj= 1的像素對(duì)應(yīng)目標(biāo)點(diǎn)，B = {(x，y) Ialj =〇}為背景像素集合，F(xiàn)= {(x，y) Ialj= 1}為目標(biāo)像素集合，DeS (x，y)點(diǎn)到目標(biāo)點(diǎn)（i， j)的歐式距離，牝?yàn)椋▁，y)點(diǎn)到目標(biāo)點(diǎn)（i，j)的歐式距離最小值，即距離變換圖中（i，j) 點(diǎn)的數(shù)值。
[0078] 在上述公式中，公式（1)先求取所有滿足條件的點(diǎn)到（i，j)的歐式距離，再由公式 (2)選取所有值的最小點(diǎn)，即距離變換圖中（i，j)點(diǎn)的數(shù)值
[0079] 在此基礎(chǔ)上，步驟S300,包括：對(duì)距離變換圖進(jìn)行轉(zhuǎn)換，獲取待分割圖像的距離地 形圖，其中第二變換圖為距離地形圖，如圖14所示。
[0080] 具體的，根據(jù)距離變換圖，獲取待分割圖像的距離地形圖的公式為：
[0081] IDlst(i，j) = 255-牝
[0082] 其中，屯為（x，y)點(diǎn)到目標(biāo)點(diǎn)（i，j)的歐式距離最小值，即距離變換圖中（i，j) 點(diǎn)的數(shù)值，I Dlst(i，j)為距離地形圖中（i，j)點(diǎn)的數(shù)值。
[0083] 步驟S400,包括：提取距離變換圖中每個(gè)連通區(qū)域中的灰度值最大的一點(diǎn)或點(diǎn) 集，作為前景標(biāo)記；或提取距離地形圖中每個(gè)連通區(qū)域的灰度值最小的一點(diǎn)或點(diǎn)集，作為前 景標(biāo)記，如圖4所示。
[0084] 優(yōu)選的，步驟S500,包括：對(duì)距離地形圖進(jìn)行分水嶺變換，將得到的分水嶺脊線作 為背景標(biāo)記，如圖5所示。
[0085] 優(yōu)選的，如圖15所示，步驟S600，包括：
[0086] S610 :合并前景標(biāo)記和背景標(biāo)記，得到待分割圖像的標(biāo)記圖。
[0087] S620 :屏蔽梯度圖像中的局部極小值，根據(jù)標(biāo)記圖強(qiáng)制標(biāo)記梯度圖像的局部極小 值，得到修正后的梯度圖像。
[0088] 具體的，步驟S610中，合并先前獲得的前景標(biāo)記和背景標(biāo)記，得到待分割圖像的 標(biāo)記圖，如圖16所示。再通過(guò)形態(tài)學(xué)腐蝕操作，屏蔽梯度圖像中的局部極小值，并利用強(qiáng) 制極值點(diǎn)H-mini技術(shù)，通過(guò)標(biāo)記圖強(qiáng)制標(biāo)記梯度圖像的局部極小值，得到修正后的梯度圖 像，得到具有前景標(biāo)記和背景標(biāo)記的修正后的梯度圖像，如圖6所示。
[0089] 在第二實(shí)施例中，如圖17所示，還提供一種基于修正梯度圖像和分水嶺算法的圖 像分割系統(tǒng)，包括：
[0090] 梯度圖像生成模塊100,用于獲取待分割圖像的梯度圖像。
[0091] 距離變換模塊200,用于對(duì)待分割圖像進(jìn)行距離變換，獲取待分割圖像的第一變換 圖。
[0092] 轉(zhuǎn)換模塊300,用于對(duì)第一變換圖進(jìn)行轉(zhuǎn)換，獲取待分割圖像的第二變換圖。
[0093] 前景標(biāo)記提取模塊400,用于根據(jù)第一變換圖或第二變換圖提取待分割圖像的前 景標(biāo)記。
[0094] 背景標(biāo)記提取模塊500,用于對(duì)第二變換圖進(jìn)行分水嶺變換，提取待分割圖像的背 景標(biāo)記。
[0095] 梯度圖像修正模塊600,用于根據(jù)前景標(biāo)記和背景標(biāo)記，修正梯度圖像，以得到修 正后的梯度圖像。
[