一種中藥材顯微圖像的pcnn自動(dòng)分割方法
【專利摘要】本發(fā)明公開(kāi)了一種中藥材顯微圖像的PCNN自動(dòng)分割方法。分別建立利用交叉熵分割判據(jù)的PCNN自動(dòng)二值圖像分割算法；以最大互信息為分割目標(biāo)，以互信息熵差作為一種分類判據(jù)的中藥材顯微圖像PCNN多值圖像自動(dòng)分割算法，并設(shè)計(jì)矢量脈沖耦合神經(jīng)網(wǎng)絡(luò)模型，利用指數(shù)熵準(zhǔn)則作為分割判據(jù)，實(shí)現(xiàn)對(duì)中藥材顯微彩色圖像的自動(dòng)分割；以模糊指數(shù)熵作為優(yōu)化分割準(zhǔn)則，建立多通道或三維PCNN中藥材顯微圖像分割算法；可進(jìn)一步提高中藥材質(zhì)量評(píng)價(jià)的客觀性、準(zhǔn)確性、可重復(fù)性和智能化程度，為中藥材檢測(cè)與分析的現(xiàn)代化提供一種新的途徑。
【專利說(shuō)明】
-種中藥材顯微圖像的PCNN自動(dòng)分割方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于生物醫(yī)學(xué)信息處理領(lǐng)域，尤其設(shè)及一種中藥材顯微圖像的PO^N自動(dòng)分 割方法。
【背景技術(shù)】
[0002] 脈沖禪合神經(jīng)網(wǎng)絡(luò)(PCNN)是根據(jù)貓、猴等哺乳動(dòng)物大腦視覺(jué)皮層上同步脈沖發(fā)放 現(xiàn)象提出的，有著良好的生物學(xué)背景，該模型具有動(dòng)態(tài)變闊值、非線性調(diào)制禪合、同步脈沖 發(fā)放、動(dòng)態(tài)脈沖發(fā)放及時(shí)空總和等特性，使得PO^N在信號(hào)處理應(yīng)用，特別是在圖像處理應(yīng)用 中顯示了巨大的優(yōu)越性。但傳統(tǒng)PCN飾莫型還存在W下理論不足及技術(shù)缺點(diǎn)：
[0003] (1)該模型在非線性調(diào)制禪合和闊值指數(shù)衰變方面，其闊值衰減是反復(fù)變化的，運(yùn) 種闊值變化不能很好地符合人眼對(duì)亮度響應(yīng)的非線性指數(shù)要求，并且通過(guò)運(yùn)種闊值規(guī)律處 理后的圖像(或其他信號(hào)）中大量信息蘊(yùn)含在神經(jīng)元的激活周期(頻率)或者激活相位中，而 輸出的圖像卻并不包含全部的可用信息；
[0004] (2)PC順模型中大量漏電積分器和一些反饋連接的存在，雖然提高了模型仿生學(xué) 的逼近程度及生物處理信息的真實(shí)性，但運(yùn)不僅增加了模型的復(fù)雜性，同時(shí)也加大了對(duì)信 號(hào)處理時(shí)間的開(kāi)銷；
[0005] (3)傳統(tǒng)PCN飾莫型參數(shù)過(guò)多，對(duì)參數(shù)的（自動(dòng))設(shè)定及優(yōu)化會(huì)增加許多困難；
[0006] (4)由于中藥材顯微圖像的復(fù)雜性與特殊性，傳統(tǒng)PC順模型不適宜處理顯微組織 類圖像。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提供一種中藥材顯微圖像的PC順自動(dòng)分割方法，旨在解決傳統(tǒng) PC順模型闊值衰減是反復(fù)變化的，不能很好地符合人眼對(duì)亮度響應(yīng)的非線性指數(shù)要求，輸 出的圖像不包含全部的可用信息，模型復(fù)雜，參數(shù)過(guò)多，不適宜處理顯微組織類圖像的問(wèn) 題。
[000引本發(fā)明是運(yùn)樣實(shí)現(xiàn)的，一種中藥材顯微圖像的PO^N自動(dòng)分割方法包括：
[0009] 步驟一、引入二維模糊集或超模糊集隸屬函數(shù)對(duì)中藥材顯微圖像進(jìn)行自適應(yīng)修 正，完善圖像模糊賭或超模糊賭表達(dá)式，搭建單位鏈接ULPO^N神經(jīng)元模型；
[0010] 步驟二、在當(dāng)前圖像上隨機(jī)選擇一個(gè)像素點(diǎn)；通過(guò)變換視覺(jué)信息計(jì)算模型的窗口 大小，計(jì)算所述像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量；
[0011] 步驟=、根據(jù)每個(gè)所述方向通道的最大能量確定所述視覺(jué)信息計(jì)算模型的最大尺 度和有效方向，根據(jù)所述最大尺度和所述有效方向確定化PC順神經(jīng)元模型的參數(shù)W和M，其 中，M為反饋輸入域的連接矩陣;W禪合連接域的連接矩陣；
[0012] 步驟四、依據(jù)中藥材顯微圖像的特征，優(yōu)化ULPO^N神經(jīng)元模型的參數(shù)設(shè)置；
[0013] 步驟五、把化PO^N神經(jīng)元模型與最大模糊賭或超模糊賭判據(jù)相結(jié)合對(duì)圖像進(jìn)行自 動(dòng)分割，提取中藥材二值圖像目標(biāo)，建立引入交叉賭分割判據(jù)的PO^N中藥材顯微圖像分割 算法；
[0014] 步驟六、W最大互信息優(yōu)化多值圖像分割并進(jìn)行圖像去噪，建立相鄰分割圖像互 信息賭差最小分類判據(jù)，選取中藥顯微圖像建立基于最小互信息賭差的PC順自動(dòng)多值目標(biāo) 分割算法，得到完善的多值目標(biāo)圖像；
[0015] 步驟屯、在彩色圖像RGB或HIS空間中，對(duì)構(gòu)建的PCNN模型優(yōu)化與推廣；
[0016] 步驟八、引入模糊指數(shù)賭分割準(zhǔn)則，優(yōu)化完善多通道或S維顯微圖像PC順處理模 型，建立多通道或=維PO^N中藥材顯微圖像目標(biāo)自動(dòng)分割算法。
[0017] 進(jìn)一步，優(yōu)化ULPO^N神經(jīng)元模型的參數(shù)設(shè)置的具體方法為：
[0018] 從化PO^N神經(jīng)元模型形態(tài)結(jié)構(gòu)和統(tǒng)計(jì)兩方面優(yōu)化化PO^N神經(jīng)元模型鏈接輸入L及 反饋輸入巧自線性方程的參數(shù)設(shè)置、處理圖像的局部信息自適應(yīng)優(yōu)化禪合鏈接強(qiáng)度ew及最 佳利用輸出信息改進(jìn)反復(fù)指數(shù)衰減的動(dòng)態(tài)闊值0。
[0019] 進(jìn)一步，對(duì)構(gòu)建的PCN飾莫型優(yōu)化與推廣的具體方法為：
[0020] 引入改進(jìn)的指數(shù)衰減動(dòng)態(tài)闊值矢量，建立矢量PC順模型；利用改進(jìn)指數(shù)動(dòng)態(tài)闊值 矢量與神經(jīng)元內(nèi)部活動(dòng)項(xiàng)矢量間的信息對(duì)比關(guān)系確定顯微分割圖像的目標(biāo)和背景區(qū)域，結(jié) 合最大指數(shù)賭判據(jù)完成對(duì)中藥材彩色圖像的自動(dòng)分割。
[0021 ]進(jìn)一步，圖像去噪的具體方法為：
[0022] 步驟一、將含噪圖像f(x，y)進(jìn)行二維平穩(wěn)小波變換，分別獲得子帶系數(shù):低頻系 數(shù)、水平細(xì)節(jié)系數(shù)、垂直細(xì)節(jié)系數(shù)和對(duì)角細(xì)節(jié)系數(shù)；
[0023] 步驟二、對(duì)第一層的低頻系數(shù)利用PCNN進(jìn)行區(qū)域分割；
[0024] 步驟=、將低頻系數(shù)保持不變，對(duì)各層的水平細(xì)節(jié)系數(shù)、垂直細(xì)節(jié)系數(shù)和對(duì)角細(xì)節(jié) 系數(shù)分別進(jìn)行鄰域闊值處理；
[0025] 步驟四、采用脈沖禪合神經(jīng)網(wǎng)絡(luò)對(duì)噪聲圖像進(jìn)行處理，得到賭序列En,將化作為邊 緣檢測(cè)算子；
[0026] 步驟五、進(jìn)行闊值尋優(yōu)，得到最優(yōu)去噪闊值k;
[0027] 步驟六、根據(jù)求得的邊緣檢測(cè)算子化和最優(yōu)去噪闊值k，采用改進(jìn)的各向異性擴(kuò)散 模型對(duì)圖像進(jìn)行去噪。
[0028] 進(jìn)一步，所述ULPO^N神經(jīng)元模型還包括檢測(cè)優(yōu)化模塊，該檢測(cè)優(yōu)化模塊用于：
[0029] 將采集到的圖像建立圖像的顯著模型，所述建立圖像的顯著性模型包括：
[0030] 利用預(yù)定過(guò)分割算法對(duì)所述圖像進(jìn)行過(guò)分割，和模板參數(shù)提取，對(duì)整個(gè)輸入圖像， W8*8個(gè)像素為單元，計(jì)算每個(gè)單元的平均灰度值和每個(gè)單元的最大灰度值，得到至少一個(gè) 區(qū)域，同一個(gè)所述區(qū)域中各個(gè)像素點(diǎn)的顏色值相同；
[0031] 確定每個(gè)所述區(qū)域的顏色值和質(zhì)屯、；
[0032] 根據(jù)各個(gè)區(qū)域所對(duì)應(yīng)的顏色值W及各個(gè)區(qū)域的質(zhì)屯、，建立所述顯著性模型。
[0033] 進(jìn)一步，所述的所述顯著性模型為：
[0034] 其中，Sii為區(qū)域Ri中任一像素點(diǎn)的顯著性值，W(Rj)為區(qū)域扣中的像素點(diǎn)的個(gè)數(shù)，Ds (Ri瓜）用于表征所述區(qū)域Ri和所述區(qū)域扣之間空間位置差異的度量值，化(Ri瓜）用于表征 所述區(qū)域Ri和所述區(qū)域扣之間顏色差異的度量值，N為對(duì)所述圖像進(jìn)行過(guò)分割后得到的區(qū)域 的總個(gè)數(shù)，Ds (Ri ,Rj)為：
；ente;r(Ri)為所 述區(qū)域Ri的質(zhì)屯、，Center(Rj)為所述區(qū)域扣的質(zhì)屯、，當(dāng)所述圖像中各個(gè)像素點(diǎn)的坐標(biāo)均歸一 化到[(U]時(shí)
[0035] 進(jìn)一步，所述改進(jìn)的各向異性擴(kuò)散模型為：
[0036]
[0037]
[00；3 引
[0039]
[0040] O為尺度函數(shù)，I表示噪聲圖像，IO表示原始圖像，div表示散度算子，▽表示梯度算 子。
[0041 ]進(jìn)一步，平均灰度值的灰度校正裝置包括：
[0042] 變化量計(jì)算部，其計(jì)算輸入亮度信號(hào)的規(guī)定帖的變化量；
[0043] 變化量存儲(chǔ)部，其存儲(chǔ)所述變化量；
[0044] 變化量比較部，其對(duì)存儲(chǔ)在所述變化量存儲(chǔ)部的各個(gè)帖的變化量進(jìn)行比較判定；
[0045] 直方圖存儲(chǔ)器，其W帖為單位創(chuàng)建并存儲(chǔ)所述輸入亮度信號(hào)的每個(gè)亮度電平的頻 率數(shù)據(jù)；
[0046] 校正量計(jì)算部，根據(jù)所述直方圖存儲(chǔ)器的頻率數(shù)據(jù)計(jì)算出所述輸入亮度信號(hào)的多 個(gè)亮度電平中每一個(gè)的校正值數(shù)據(jù)；W及，
[0047] 查詢表存儲(chǔ)部，將來(lái)自所述校正量計(jì)算部的所述校正值數(shù)據(jù)，作為對(duì)應(yīng)于各個(gè)亮 度電平的表數(shù)據(jù)進(jìn)行存儲(chǔ)，讀出與所述輸入亮度信號(hào)的亮度電平對(duì)應(yīng)的電平數(shù)據(jù)，將其作 為灰度校正亮度信號(hào)輸出；
[004引所述校正量計(jì)算部包括：
[0049] 校正值計(jì)算表存儲(chǔ)部，其根據(jù)所述直方圖存儲(chǔ)器的頻率數(shù)據(jù)計(jì)算出所述校正值數(shù) 據(jù)，并W帖為單位進(jìn)行存儲(chǔ)；W及，
[0050] 表選擇部，其根據(jù)所述變化量比較部的帖間的變化量的判定結(jié)果，對(duì)所述校正值 計(jì)算表存儲(chǔ)部里存儲(chǔ)的校正值表進(jìn)行選擇；
[0051] 帖間的變化量的判定結(jié)果，當(dāng)所述變化量大于規(guī)定值時(shí)，選擇發(fā)生變化前的帖的 校正值表，當(dāng)所述變化量在規(guī)定值W下時(shí)，選擇1帖前的校正值表來(lái)進(jìn)行灰度校正；
[0052] 所述校正量計(jì)算部包括：
[0053] 校正用表，其用于對(duì)所述校正值計(jì)算表存儲(chǔ)部的校正值表進(jìn)行校正；W及，
[0054] 表校正部，其根據(jù)來(lái)自所述變化量比較部的變化量對(duì)所述校正值表進(jìn)行校正；
[0055] 所述判定的結(jié)果，當(dāng)所述變化量在規(guī)定值W下時(shí)，預(yù)測(cè)當(dāng)前帖的變化量，使用所述 校正用表對(duì)所述校正值計(jì)算表存儲(chǔ)部的校正值表按照帖間變化量的比例量進(jìn)行校正；
[0056] 所述校正量計(jì)算部具有W帖為單位檢測(cè)閃爍成分，并判定是否有閃爍成分的閃爍 檢測(cè)部，
[0057] 不使用檢測(cè)出有閃爍的帖的校正值數(shù)據(jù)。
[0058] 進(jìn)一步，所述二值圖像目標(biāo)的目標(biāo)物體輪廓的邊界跟蹤方法包括：
[0059] 邊界跟蹤從梯度圖像的左上角點(diǎn)開(kāi)始逐像點(diǎn)掃描，當(dāng)遇到目標(biāo)點(diǎn)時(shí)開(kāi)始順序跟 蹤，直至跟蹤的后續(xù)點(diǎn)回到起始點(diǎn)對(duì)于封閉輪廓或其后續(xù)點(diǎn)再?zèng)]有新的后續(xù)點(diǎn)對(duì)于非封閉 線段為止;如果為非封閉輪廓，則跟蹤到一側(cè)的終結(jié)后需從起始點(diǎn)開(kāi)始朝相反的方向跟蹤 到另一終結(jié)點(diǎn)；當(dāng)存在多個(gè)分離的輪廓時(shí)，逐個(gè)跟蹤，為避免陷入死循環(huán)，前面的區(qū)域處理 好后應(yīng)采用背景色對(duì)它進(jìn)行填充；
[0060] 具體包括：
[0061] 當(dāng)前點(diǎn)(x，y)為一個(gè)邊界點(diǎn)，則下一個(gè)邊界點(diǎn)必定在點(diǎn)(x，y)的8鄰域內(nèi)；
[0062] 根據(jù)前一點(diǎn)和當(dāng)前點(diǎn)的相互位置可W大致確定出邊界的走向，在對(duì)下一點(diǎn)的捜尋 時(shí)不必再對(duì)當(dāng)前點(diǎn)的8鄰域進(jìn)行計(jì)算比較，根據(jù)前一點(diǎn)P和當(dāng)前點(diǎn)C在位置上的不同，對(duì)邊緣 方向上的5個(gè)像素進(jìn)行計(jì)算比較即可；
[0063] 當(dāng)前點(diǎn)PU, y)在上一邊界點(diǎn)C的8鄰域內(nèi)的位置編碼為n，則從當(dāng)前點(diǎn)（x，y)的8鄰 域內(nèi)的編碼為n的位置，順時(shí)針?lè)较蛞苿?dòng)2個(gè)像素的位置就是下一邊界點(diǎn)的起始捜索位置； 若不是邊界點(diǎn)，則從捜索的起始點(diǎn)開(kāi)始按照逆時(shí)針?lè)较蝽槾螔人?，共捜?次便找到下一個(gè) 邊界點(diǎn)；
[0064] 當(dāng)前點(diǎn)P在上一邊界點(diǎn)的位置編碼為1，則按上述準(zhǔn)則可知捜索的起始點(diǎn)是位置編 碼為7的點(diǎn)；若不是目標(biāo)點(diǎn)，從7點(diǎn)開(kāi)始順次捜索位置編碼為0，1，2,3的點(diǎn)，當(dāng)?shù)谝淮纬霈F(xiàn)其 灰度等于目標(biāo)區(qū)域值時(shí)，該像素點(diǎn)就是所要求的下一邊界點(diǎn)。
[0065] 進(jìn)一步，所述二值圖像目標(biāo)的目標(biāo)物體輪廓的邊界跟蹤方法具體包括：圖像中背 景點(diǎn)值為0,目標(biāo)點(diǎn)為1，化為第k個(gè)邊界點(diǎn)，k的初值為0，t表示邊界終結(jié)點(diǎn)的個(gè)數(shù)；
[0066] (1)感興趣的目標(biāo)區(qū)域的標(biāo)簽值label;
[0067] (2)從左到右自上而下掃描圖像，發(fā)現(xiàn)第一個(gè)像素為1的點(diǎn)且標(biāo)簽值為label的點(diǎn) 即為邊界的起始點(diǎn)PO,并把其坐標(biāo)(X，y)存入邊界點(diǎn)序列表，預(yù)置t為0,位置編碼為0;
[0068] (3)確定下一目標(biāo)點(diǎn)捜索的起始位置，然后從該位置開(kāi)始按逆時(shí)針?lè)较蛞来螜z查 當(dāng)前邊界點(diǎn)的8鄰近像素，當(dāng)?shù)谝淮纬霈F(xiàn)其像素點(diǎn)的標(biāo)簽值等于預(yù)定標(biāo)簽值時(shí)，運(yùn)一像素點(diǎn) 就是新的邊界點(diǎn)化化= k+l)，并記下它在8鄰域中的位置編碼值；
[0069] (4)若新邊界點(diǎn)化= PO,即回到了起始點(diǎn)，該輪廓跟蹤結(jié)束，此時(shí)邊界點(diǎn)序列中存 放的就是該目標(biāo)的外邊界點(diǎn)坐標(biāo)，轉(zhuǎn)(7);
[0070] (5)若新邊界點(diǎn)化^PO,則W化作為當(dāng)前點(diǎn)，記下其位置編碼，然后轉(zhuǎn)(3);
[0071 ] (6)若沒(méi)有找到目標(biāo)點(diǎn)，說(shuō)明當(dāng)前點(diǎn)是輪廓的終結(jié)點(diǎn)，終結(jié)點(diǎn)個(gè)數(shù)t加1，如果t = 1， 則令PO為當(dāng)前點(diǎn)，置位置編碼為4,轉(zhuǎn)（3)，即對(duì)不封閉輪廓從起始點(diǎn)開(kāi)始朝相反的方向捜 索，直到找到另一個(gè)終結(jié)點(diǎn)為止，如果t = 2,則轉(zhuǎn)(7);
[0072] (7)若還需跟蹤其他目標(biāo)的輪廓，轉(zhuǎn)回（2)。
[0073] 本發(fā)明在不同圖像分割判據(jù)準(zhǔn)則下，建立了中藥材顯微圖像的PC順二值圖像、多 值圖像、彩色圖像及多通道或=維圖像目標(biāo)的自動(dòng)分割算法，可進(jìn)一步提高中藥材質(zhì)量評(píng) 價(jià)的客觀性、準(zhǔn)確性、可重復(fù)性和智能化程度，為中藥材檢測(cè)與分析的現(xiàn)代化提供一種新的 途徑。本發(fā)明提出一種通用性強(qiáng)的邊界跟蹤算法，能夠根據(jù)上一邊界點(diǎn)的位置判斷輪廓走 向。在捜索下一個(gè)邊界點(diǎn)時(shí)，只需要對(duì)候選的5個(gè)點(diǎn)進(jìn)行判斷，便可W找到下一個(gè)邊界點(diǎn)的 位置，從而減少了捜索的次數(shù)，使得邊界跟蹤的時(shí)間大為減少。算法對(duì)于輪廓不封閉的線段 也可W-次掃描得到其輪廓信息。實(shí)驗(yàn)表明。算法不僅速度快，而且輪廓識(shí)別準(zhǔn)確。對(duì)于目 標(biāo)物較復(fù)雜的圖像，算法更能體現(xiàn)出其優(yōu)越性。
【附圖說(shuō)明】
[0074] 圖1是本發(fā)明實(shí)施例提供的中藥材顯微圖像的PO^N自動(dòng)分割方法流程圖；
[0075] 圖2是本發(fā)明實(shí)施例提供的ULPO^N神經(jīng)元模型示意圖。
【具體實(shí)施方式】
[0076] 為能進(jìn)一步了解本發(fā)明的
【發(fā)明內(nèi)容】
、特點(diǎn)及功效，茲例舉W下實(shí)施例，并配合附圖 詳細(xì)說(shuō)明如下。
[0077] 請(qǐng)參閱圖1和圖2:
[0078] 中藥材顯微圖像獲取預(yù)處理及建庫(kù)：
[0079] (1)擬根據(jù)藥典收載分布在甘肅省不同地域的當(dāng)歸、黨參、甘草、大黃、黃巧、百合、 麻黃、柴胡、板藍(lán)根、茵香、紅花、天麻、貝母等幾百種藥用植物為研究的原始對(duì)象，在不同藥 材生長(zhǎng)季節(jié)從生長(zhǎng)地采集道地藥材樣本(或藥材花粉樣本），同時(shí)用高分辨率數(shù)碼相機(jī)獲取 中藥形態(tài)圖像。
[0080] (2)在經(jīng)過(guò)多名中藥栽培和鑒定專家初步識(shí)別與鑒定的基礎(chǔ)上取樣、粉末化前處 理、切片制作等處理，最后通過(guò)掃描電鏡(或光學(xué)顯微鏡)分別獲取標(biāo)本的5-10個(gè)視野顯微 圖像、花粉顯微圖像的原始圖像。
[0081] (3)對(duì)顯微圖像獲取過(guò)程中由于光線亮暗不均勻等因素，造成圖像曝光不足或曝 光過(guò)度的圖像引入圖像直方圖修正或灰度非線性變換等算法實(shí)現(xiàn)圖像增強(qiáng);對(duì)環(huán)境條件、 CCD相機(jī)及其他傳感器件影響，導(dǎo)致獲取圖像產(chǎn)生的噪聲干擾，分別運(yùn)用中值濾波、維納濾 波等方法達(dá)到圖像濾波目的。
[0082] (4)使用大型關(guān)系數(shù)據(jù)庫(kù)管理系統(tǒng)化acle構(gòu)建中藥材顯微圖像信息庫(kù)。
[0083] 一種中藥材顯微圖像的PC順自動(dòng)分割方法包括：
[0084] S101、引入二維模糊集或超模糊集隸屬函數(shù)對(duì)中藥材顯微圖像進(jìn)行自適應(yīng)修正， 完善圖像模糊賭或超模糊賭表達(dá)式，搭建單位鏈接ULPO^N神經(jīng)元模型；
[0085] S102、在當(dāng)前圖像上隨機(jī)選擇一個(gè)像素點(diǎn)；通過(guò)變換視覺(jué)信息計(jì)算模型的窗口大 小，計(jì)算所述像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量；
[0086] S103、根據(jù)每個(gè)所述方向通道的最大能量確定所述視覺(jué)信息計(jì)算模型的最大尺度 和有效方向，根據(jù)所述最大尺度和所述有效方向確定化PC順神經(jīng)元模型的參數(shù)W和M，其中， M為反饋輸入域的連接矩陣;W禪合連接域的連接矩陣；
[0087] S104、依據(jù)中藥材顯微圖像的特征，優(yōu)化ULPC順神經(jīng)元模型的參數(shù)設(shè)置；
[0088] S105、把化PO^N神經(jīng)元模型與最大模糊賭或超模糊賭判據(jù)相結(jié)合對(duì)圖像進(jìn)行自動(dòng) 分割，提取中藥材二值圖像目標(biāo)，建立引入交叉賭分割判據(jù)的PO^N中藥材顯微圖像分割算 法；
[0089] S106、W最大互信息優(yōu)化多值圖像分割并進(jìn)行圖像去噪，建立相鄰分割圖像互信 息賭差最小分類判據(jù)，選取中藥顯微圖像建立基于最小互信息賭差的PC順自動(dòng)多值目標(biāo)分 割算法，得到完善的多值目標(biāo)圖像；
[0090] S107、在彩色圖像RGB或HIS空間中，對(duì)構(gòu)建的PCNN模型優(yōu)化與推廣；
[0091] S108、引入模糊指數(shù)賭分割準(zhǔn)則，優(yōu)化完善多通道或=維顯微圖像PO^N處理模型， 建立多通道或=維PO^N中藥材顯微圖像目標(biāo)自動(dòng)分割算法。
[0092] 進(jìn)一步，平均灰度值的灰度校正裝置包括：
[0093] 變化量計(jì)算部，其計(jì)算輸入亮度信號(hào)的規(guī)定帖的變化量；
[0094] 變化量存儲(chǔ)部，其存儲(chǔ)所述變化量；
[0095] 變化量比較部，其對(duì)存儲(chǔ)在所述變化量存儲(chǔ)部的各個(gè)帖的變化量進(jìn)行比較判定；
[0096] 直方圖存儲(chǔ)器，其W帖為單位創(chuàng)建并存儲(chǔ)所述輸入亮度信號(hào)的每個(gè)亮度電平的頻 率數(shù)據(jù)；
[0097] 校正量計(jì)算部，根據(jù)所述直方圖存儲(chǔ)器的頻率數(shù)據(jù)計(jì)算出所述輸入亮度信號(hào)的多 個(gè)亮度電平中每一個(gè)的校正值數(shù)據(jù)；W及，
[0098] 查詢表存儲(chǔ)部，將來(lái)自所述校正量計(jì)算部的所述校正值數(shù)據(jù)，作為對(duì)應(yīng)于各個(gè)亮 度電平的表數(shù)據(jù)進(jìn)行存儲(chǔ)，讀出與所述輸入亮度信號(hào)的亮度電平對(duì)應(yīng)的電平數(shù)據(jù)，將其作 為灰度校正亮度信號(hào)輸出，
[0099] 所述校正量計(jì)算部包括：
[0100] 校正值計(jì)算表存儲(chǔ)部，其根據(jù)所述直方圖存儲(chǔ)器的頻率數(shù)據(jù)計(jì)算出所述校正值數(shù) 據(jù)，并W帖為單位進(jìn)行存儲(chǔ)；W及，
[0101] 表選擇部，其根據(jù)所述變化量比較部的帖間的變化量的判定結(jié)果，對(duì)所述校正值 計(jì)算表存儲(chǔ)部里存儲(chǔ)的校正值表進(jìn)行選擇，
[0102] 帖間的變化量的判定結(jié)果，當(dāng)所述變化量大于規(guī)定值時(shí)，選擇發(fā)生變化前的帖的 校正值表，當(dāng)所述變化量在規(guī)定值W下時(shí)，選擇1帖前的校正值表來(lái)進(jìn)行灰度校正；
[0103] 所述校正量計(jì)算部包括：
[0104] 校正用表，其用于對(duì)所述校正值計(jì)算表存儲(chǔ)部的校正值表進(jìn)行校正；W及，
[0105] 表校正部，其根據(jù)來(lái)自所述變化量比較部的變化量對(duì)所述校正值表進(jìn)行校正，
[0106] 所述判定的結(jié)果，當(dāng)所述變化量在規(guī)定值W下時(shí)，預(yù)測(cè)當(dāng)前帖的變化量，使用所述 校正用表對(duì)所述校正值計(jì)算表存儲(chǔ)部的校正值表按照帖間變化量的比例量進(jìn)行校正；
[0107] 所述校正量計(jì)算部具有W帖為單位檢測(cè)閃爍成分，并判定是否有閃爍成分的閃爍 檢測(cè)部，
[0108] 不使用檢測(cè)出有閃爍的帖的校正值數(shù)據(jù)。
[0109] 進(jìn)一步，優(yōu)化ULPO^N神經(jīng)元模型的參數(shù)設(shè)置的具體方法為：
[0110] 從化PO^N神經(jīng)元模型形態(tài)結(jié)構(gòu)和統(tǒng)計(jì)兩方面優(yōu)化化PO^N神經(jīng)元模型鏈接輸入L及 反饋輸入巧自線性方程的參數(shù)設(shè)置、處理圖像的局部信息自適應(yīng)優(yōu)化禪合鏈接強(qiáng)度ew及最 佳利用輸出信息改進(jìn)反復(fù)指數(shù)衰減的動(dòng)態(tài)闊值0。
[0111] 進(jìn)一步，對(duì)構(gòu)建的PCN飾莫型優(yōu)化與推廣的具體方法為：
[0112] 引入改進(jìn)的指數(shù)衰減動(dòng)態(tài)闊值矢量，建立矢量PC順模型；利用改進(jìn)指數(shù)動(dòng)態(tài)闊值 矢量與神經(jīng)元內(nèi)部活動(dòng)項(xiàng)矢量間的信息對(duì)比關(guān)系確定顯微分割圖像的目標(biāo)和背景區(qū)域，結(jié) 合最大指數(shù)賭判據(jù)完成對(duì)中藥材彩色圖像的自動(dòng)分割。
[0113] 進(jìn)一步，圖像去噪的具體方法為：
[0114] 步驟一、將含噪圖像f(x，y)進(jìn)行二維平穩(wěn)小波變換，分別獲得子帶系數(shù):低頻系 數(shù)、水平細(xì)節(jié)系數(shù)、垂直細(xì)節(jié)系數(shù)和對(duì)角細(xì)節(jié)系數(shù)；
[0115] 步驟二、對(duì)第一層的低頻系數(shù)利用PCNN進(jìn)行區(qū)域分割；
[0116] 步驟=、將低頻系數(shù)保持不變，對(duì)各層的水平細(xì)節(jié)系數(shù)、垂直細(xì)節(jié)系數(shù)和對(duì)角細(xì)節(jié) 系數(shù)分別進(jìn)行鄰域闊值處理；
[0117] 步驟四、采用脈沖禪合神經(jīng)網(wǎng)絡(luò)對(duì)噪聲圖像進(jìn)行處理，得到賭序列En,將化作為邊 緣檢測(cè)算子；
[0118] 步驟五、進(jìn)行闊值尋優(yōu)，得到最優(yōu)去噪闊值k;
[0119] 步驟六、根據(jù)求得的邊緣檢測(cè)算子化和最優(yōu)去噪闊值k，采用改進(jìn)的各向異性擴(kuò)散 模型對(duì)圖像進(jìn)行去噪。
[0120] 進(jìn)一步，所述ULPO^N神經(jīng)元模型還包括檢測(cè)優(yōu)化模塊，該檢測(cè)優(yōu)化模塊用于：
[0121] 將采集到的圖像建立圖像的顯著模型，所述建立圖像的顯著性模型包括：
[0122] 利用預(yù)定過(guò)分割算法對(duì)所述圖像進(jìn)行過(guò)分割，和模板參數(shù)提取，對(duì)整個(gè)輸入圖像， W8*8個(gè)像素為單元，計(jì)算每個(gè)單元的平均灰度值和每個(gè)單元的最大灰度值，得到至少一個(gè) 區(qū)域，同一個(gè)所述區(qū)域中各個(gè)像素點(diǎn)的顏色值相同；
[0123] 確定每個(gè)所述區(qū)域的顏色值和質(zhì)屯、；
[0124] 根據(jù)各個(gè)區(qū)域所對(duì)應(yīng)的顏色值W及各個(gè)區(qū)域的質(zhì)屯、，建立所述顯著性模型。
[01巧]進(jìn)一步，所述的所述顯著性模型為
[0126] 其中，Sii為區(qū)域Ri中任一像素點(diǎn)的顯著性值，W(Rj)為區(qū)域扣中的像素點(diǎn)的個(gè)數(shù)，Ds (Ri瓜）用于表征所述區(qū)域Ri和所述區(qū)域扣之間空間位置差異的度量值，化(Ri瓜）用于表征 所述區(qū)域Ri和所述區(qū)域扣之間顏色差異的度量值，N為對(duì)所述圖像進(jìn)行過(guò)分割后得到的區(qū)域 的總個(gè)數(shù)，Ds(Ri，Rj)為；
ICenter(Ri)為所 述區(qū)域Ri的質(zhì)屯、，Center(Rj)為所述區(qū)域扣的質(zhì)屯、，當(dāng)所述圖像中各個(gè)像素點(diǎn)的坐標(biāo)均歸一 化到[(U]時(shí)
[0127] 進(jìn)一步，所述改進(jìn)的各向異性擴(kuò)散模型為：
[012 引
[0129]
[0130]
[0131]
[0132] O為尺度函數(shù)，I表示噪聲圖像，IO表示原始圖像，div表示散度算子，▽表示梯度算 子。
[0133] 搭建單位鏈接化PC順神經(jīng)元模型，構(gòu)建具有單調(diào)指數(shù)上升闊值函數(shù)的化PC順抑制 捕獲模型，如圖2所示。
[0134] 進(jìn)一步，所述二值圖像目標(biāo)的目標(biāo)物體輪廓的邊界跟蹤方法包括：
[0135] 邊界跟蹤從梯度圖像的左上角點(diǎn)開(kāi)始逐像點(diǎn)掃描，當(dāng)遇到目標(biāo)點(diǎn)時(shí)開(kāi)始順序跟 蹤，直至跟蹤的后續(xù)點(diǎn)回到起始點(diǎn)對(duì)于封閉輪廓或其后續(xù)點(diǎn)再?zèng)]有新的后續(xù)點(diǎn)對(duì)于非封閉 線段為止;如果為非封閉輪廓，則跟蹤到一側(cè)的終結(jié)后需從起始點(diǎn)開(kāi)始朝相反的方向跟蹤 到另一終結(jié)點(diǎn)；當(dāng)存在多個(gè)分離的輪廓時(shí)，逐個(gè)跟蹤，為避免陷入死循環(huán)，前面的區(qū)域處理 好后應(yīng)采用背景色對(duì)它進(jìn)行填充；
[0136] 具體包括：
[0137] 當(dāng)前點(diǎn)(x，y)為一個(gè)邊界點(diǎn)，則下一個(gè)邊界點(diǎn)必定在點(diǎn)(x，y)的8鄰域內(nèi)；
[0138] 根據(jù)前一點(diǎn)和當(dāng)前點(diǎn)的相互位置可W大致確定出邊界的走向，在對(duì)下一點(diǎn)的捜尋 時(shí)不必再對(duì)當(dāng)前點(diǎn)的8鄰域進(jìn)行計(jì)算比較，根據(jù)前一點(diǎn)P和當(dāng)前點(diǎn)C在位置上的不同，對(duì)邊緣 方向上的5個(gè)像素進(jìn)行計(jì)算比較即可；
[0139] 當(dāng)前點(diǎn)PU, y)在上一邊界點(diǎn)C的8鄰域內(nèi)的位置編碼為n，則從當(dāng)前點(diǎn)（x，y)的8鄰 域內(nèi)的編碼為n的位置，順時(shí)針?lè)较蛞苿?dòng)2個(gè)像素的位置就是下一邊界點(diǎn)的起始捜索位置； 若不是邊界點(diǎn)，則從捜索的起始點(diǎn)開(kāi)始按照逆時(shí)針?lè)较蝽槾螔人?，共捜?次便找到下一個(gè) 邊界點(diǎn)；
[0140] 當(dāng)前點(diǎn)P在上一邊界點(diǎn)的位置編碼為1，則按上述準(zhǔn)則可知捜索的起始點(diǎn)是位置編 碼為7的點(diǎn)；若不是目標(biāo)點(diǎn)，從7點(diǎn)開(kāi)始順次捜索位置編碼為0，1，2,3的點(diǎn)，當(dāng)?shù)谝淮纬霈F(xiàn)其 灰度等于目標(biāo)區(qū)域值時(shí)，該像素點(diǎn)就是所要求的下一邊界點(diǎn)。
[0141] 進(jìn)一步，所述二值圖像目標(biāo)的目標(biāo)物體輪廓的邊界跟蹤方法具體包括：圖像中背 景點(diǎn)值為0,目標(biāo)點(diǎn)為1，化為第k個(gè)邊界點(diǎn)，k的初值為0，t表示邊界終結(jié)點(diǎn)的個(gè)數(shù)；
[0142] (1)感興趣的目標(biāo)區(qū)域的標(biāo)簽值label;
[0143] (2)從左到右自上而下掃描圖像，發(fā)現(xiàn)第一個(gè)像素為1的點(diǎn)且標(biāo)簽值為label的點(diǎn) 即為邊界的起始點(diǎn)PO,并把其坐標(biāo)(X，y)存入邊界點(diǎn)序列表，預(yù)置t為0,位置編碼為0;
[0144] (3)確定下一目標(biāo)點(diǎn)捜索的起始位置，然后從該位置開(kāi)始按逆時(shí)針?lè)较蛞来螜z查 當(dāng)前邊界點(diǎn)的8鄰近像素，當(dāng)?shù)谝淮纬霈F(xiàn)其像素點(diǎn)的標(biāo)簽值等于預(yù)定標(biāo)簽值時(shí)，運(yùn)一像素點(diǎn) 就是新的邊界點(diǎn)化化= k+l)，并記下它在8鄰域中的位置編碼值；
[0145] (4)若新邊界點(diǎn)化= PO,即回到了起始點(diǎn)，該輪廓跟蹤結(jié)束，此時(shí)邊界點(diǎn)序列中存 放的就是該目標(biāo)的外邊界點(diǎn)坐標(biāo)，轉(zhuǎn)(7);
[0146] (5)若新邊界點(diǎn)化^PO,則W化作為當(dāng)前點(diǎn)，記下其位置編碼，然后轉(zhuǎn)(3);
[0147] (6)若沒(méi)有找到目標(biāo)點(diǎn)，說(shuō)明當(dāng)前點(diǎn)是輪廓的終結(jié)點(diǎn)，終結(jié)點(diǎn)個(gè)數(shù)t加1，如果t = l， 則令PO為當(dāng)前點(diǎn)，置位置編碼為4,轉(zhuǎn)（3)，即對(duì)不封閉輪廓從起始點(diǎn)開(kāi)始朝相反的方向捜 索，直到找到另一個(gè)終結(jié)點(diǎn)為止，如果t = 2,則轉(zhuǎn)(7);
[0148] (7)若還需跟蹤其他目標(biāo)的輪廓，轉(zhuǎn)回（2)。
[0149] 本發(fā)明在不同圖像分割判據(jù)準(zhǔn)則下，建立了中藥材顯微圖像的PC順二值圖像、多 值圖像、彩色圖像及多通道或=維圖像目標(biāo)的自動(dòng)分割算法，可進(jìn)一步提高中藥材質(zhì)量評(píng) 價(jià)的客觀性、準(zhǔn)確性、可重復(fù)性和智能化程度，為中藥材檢測(cè)與分析的現(xiàn)代化提供一種新的 途徑。
[0150] W上所述僅是對(duì)本發(fā)明的較佳實(shí)施例而已，并非對(duì)本發(fā)明作任何形式上的限制， 凡是依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)對(duì)W上實(shí)施例所做的任何簡(jiǎn)單修改，等同變化與修飾，均屬于 本發(fā)明技術(shù)方案的范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種中藥材顯微圖像的PCNN自動(dòng)分割方法，其特征在于，所述的中藥材顯微圖像的 PCNN自動(dòng)分割方法包括： 步驟一、引入二維模糊集或超模糊集隸屬函數(shù)對(duì)中藥材顯微圖像進(jìn)行自適應(yīng)修正，完 善圖像模糊熵或超模糊熵表達(dá)式，搭建單位鏈接ULPCNN神經(jīng)元模型； 步驟二、在當(dāng)前圖像上隨機(jī)選擇一個(gè)像素點(diǎn);通過(guò)變換視覺(jué)信息計(jì)算模型的窗口大小， 計(jì)算所述像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量； 步驟三、根據(jù)每個(gè)所述方向通道的最大能量確定所述視覺(jué)信息計(jì)算模型的最大尺度和 有效方向，根據(jù)所述最大尺度和所述有效方向確定ULPCNN神經(jīng)元模型的參數(shù)W和M，其中，M 為反饋輸入域的連接矩陣;W親合連接域的連接矩陣； 步驟四、依據(jù)中藥材顯微圖像的特征，優(yōu)化ULPCNN神經(jīng)元模型的參數(shù)設(shè)置； 步驟五、把ULPCNN神經(jīng)元模型與最大模糊熵或超模糊熵判據(jù)相結(jié)合對(duì)圖像進(jìn)行自動(dòng)分 害J，提取中藥材二值圖像目標(biāo)，建立引入交叉熵分割判據(jù)的PCNN中藥材顯微圖像分割算法； 步驟六、以最大互信息優(yōu)化多值圖像分割并進(jìn)行圖像去噪，建立相鄰分割圖像互信息 熵差最小分類判據(jù)，選取中藥顯微圖像建立基于最小互信息熵差的PCNN自動(dòng)多值目標(biāo)分割 算法，得到完善的多值目標(biāo)圖像； 步驟七、在彩色圖像RGB或HIS空間中，對(duì)構(gòu)建的PCNN模型優(yōu)化與推廣； 步驟八、引入模糊指數(shù)熵分割準(zhǔn)則，優(yōu)化完善多通道或三維顯微圖像PCNN處理模型，建 立多通道或三維PCNN中藥材顯微圖像目標(biāo)自動(dòng)分割算法； 圖像去噪的具體方法為： 步驟一、將含噪圖像f(x，y)進(jìn)行二維平穩(wěn)小波變換，分別獲得子帶系數(shù):低頻系數(shù)、水 平細(xì)節(jié)系數(shù)、垂直細(xì)節(jié)系數(shù)和對(duì)角細(xì)節(jié)系數(shù)； 步驟二、對(duì)第一層的低頻系數(shù)利用PCNN進(jìn)行區(qū)域分割； 步驟三、將低頻系數(shù)保持不變，對(duì)各層的水平細(xì)節(jié)系數(shù)、垂直細(xì)節(jié)系數(shù)和對(duì)角細(xì)節(jié)系數(shù) 分別進(jìn)行鄰域閾值處理； 步驟四、采用脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)噪聲圖像進(jìn)行處理，得到熵序列En，將En作為邊緣檢 測(cè)算子； 步驟五、進(jìn)行閾值尋優(yōu)，得到最優(yōu)去噪閾值k; 步驟六、根據(jù)求得的邊緣檢測(cè)算子En和最優(yōu)去噪閾值k，采用改進(jìn)的各向異性擴(kuò)散模型 對(duì)圖像進(jìn)行去噪； 優(yōu)化ULPCNN神經(jīng)元模型的參數(shù)設(shè)置的具體方法為： 從ULPCNN神經(jīng)元模型形態(tài)結(jié)構(gòu)和統(tǒng)計(jì)兩方面優(yōu)化ULPCNN神經(jīng)元模型鏈接輸入L及反饋 輸入F非線性方程的參數(shù)設(shè)置、處理圖像的局部信息自適應(yīng)優(yōu)化耦合鏈接強(qiáng)度β以及最佳利 用輸出信息改進(jìn)反復(fù)指數(shù)衰減的動(dòng)態(tài)閾值Θ ; 對(duì)構(gòu)建的PCNN模型優(yōu)化與推廣的具體方法為： 引入改進(jìn)的指數(shù)衰減動(dòng)態(tài)閾值矢量，建立矢量PCNN模型；利用改進(jìn)指數(shù)動(dòng)態(tài)閾值矢量 與神經(jīng)元內(nèi)部活動(dòng)項(xiàng)矢量間的信息對(duì)比關(guān)系確定顯微分割圖像的目標(biāo)和背景區(qū)域，結(jié)合最 大指數(shù)熵判據(jù)完成對(duì)中藥材彩色圖像的自動(dòng)分割； 所述ULPCNN神經(jīng)元模型還包括檢測(cè)優(yōu)化模塊，該檢測(cè)優(yōu)化模塊用于： 將采集到的圖像建立圖像的顯著模型，所述建立圖像的顯著性模型包括： 利用預(yù)定過(guò)分割算法對(duì)所述圖像進(jìn)行過(guò)分割和模板參數(shù)提取，對(duì)整個(gè)輸入圖像，以8*8 個(gè)像素為單元，計(jì)算每個(gè)單元的平均灰度值和每個(gè)單元的最大灰度值，得到至少一個(gè)區(qū)域， 同一個(gè)所述區(qū)域中各個(gè)像素點(diǎn)的顏色值相同； 確定每個(gè)所述區(qū)域的顏色值和質(zhì)心； 根據(jù)各個(gè)區(qū)域所對(duì)應(yīng)的顏色值以及各個(gè)區(qū)域的質(zhì)心，建立所述顯著性模型； 所述顯著性模型3其中，Sil為區(qū)域Ri中任一像素點(diǎn)的顯著性值，w (Rj)為區(qū)域Rj中的像素點(diǎn)的個(gè)數(shù)，Ds (Ri， Rj)用于表征所述區(qū)域R1和所述區(qū)域心之間空間位置差異的度量值，DKR1, Rj)用于表征所述 區(qū)域R1和所述區(qū)域Rj之間顏色差異的度量值，N為對(duì)所述圖像進(jìn)行過(guò)分割后得到的區(qū)域的總 個(gè)數(shù)，Ds (Ri，Rj)為：A,(心 Λ*,) = exp(-(CV/價(jià)"(/?,_) - CV/他"(Λ,. ))2 / σ、2);Center (Ri)為所述區(qū) 域Ri的質(zhì)心，Center (Rj)為所述區(qū)域Rj的質(zhì)心，當(dāng)所述圖像中各個(gè)像素點(diǎn)的坐標(biāo)均歸一化到 [〇，1]時(shí);€=(),4; 所述改進(jìn)的各向異性擴(kuò)散模型為： 其中：σ為尺度函數(shù)，I表示噪聲圖像，Io表示原始圖像，div表示散度算子，▽表示梯度算子。2.如權(quán)利要求1所述的中藥材顯微圖像的PCNN自動(dòng)分割方法，其特征在于，所述平均灰 度值的灰度校正裝置包括： 變化量計(jì)算部，其計(jì)算輸入亮度信號(hào)的規(guī)定幀的變化量； 變化量存儲(chǔ)部，其存儲(chǔ)所述變化量； 變化量比較部，其對(duì)存儲(chǔ)在所述變化量存儲(chǔ)部的各個(gè)幀的變化量進(jìn)行比較判定； 直方圖存儲(chǔ)器，其以幀為單位創(chuàng)建并存儲(chǔ)所述輸入亮度信號(hào)的每個(gè)亮度電平的頻率數(shù) 據(jù)； 校正量計(jì)算部，根據(jù)所述直方圖存儲(chǔ)器的頻率數(shù)據(jù)計(jì)算出所述輸入亮度信號(hào)的多個(gè)亮 度電平中每一個(gè)的校正值數(shù)據(jù)；以及， 查詢表存儲(chǔ)部，將來(lái)自所述校正量計(jì)算部的所述校正值數(shù)據(jù)，作為對(duì)應(yīng)于各個(gè)亮度電 平的表數(shù)據(jù)進(jìn)行存儲(chǔ)，讀出與所述輸入亮度信號(hào)的亮度電平對(duì)應(yīng)的電平數(shù)據(jù)，將其作為灰 度校正亮度信號(hào)輸出； 所述校正量計(jì)算部包括： 校正值計(jì)算表存儲(chǔ)部，其根據(jù)所述直方圖存儲(chǔ)器的頻率數(shù)據(jù)計(jì)算出所述校正值數(shù)據(jù)， 并以幀為單位進(jìn)行存儲(chǔ)；以及， 表選擇部，其根據(jù)所述變化量比較部的幀間的變化量的判定結(jié)果，對(duì)所述校正值計(jì)算 表存儲(chǔ)部里存儲(chǔ)的校正值表進(jìn)行選擇； 幀間的變化量的判定結(jié)果，當(dāng)所述變化量大于規(guī)定值時(shí)，選擇發(fā)生變化前的幀的校正 值表，當(dāng)所述變化量在規(guī)定值以下時(shí)，選擇1幀前的校正值表來(lái)進(jìn)行灰度校正； 所述校正量計(jì)算部包括： 校正用表，其用于對(duì)所述校正值計(jì)算表存儲(chǔ)部的校正值表進(jìn)行校正；以及， 表校正部，其根據(jù)來(lái)自所述變化量比較部的變化量對(duì)所述校正值表進(jìn)行校正； 所述判定的結(jié)果，當(dāng)所述變化量在規(guī)定值以下時(shí)，預(yù)測(cè)當(dāng)前幀的變化量，使用所述校正 用表對(duì)所述校正值計(jì)算表存儲(chǔ)部的校正值表按照幀間變化量的比例量進(jìn)行校正； 所述校正量計(jì)算部具有以幀為單位檢測(cè)閃爍成分，并判定是否有閃爍成分的閃爍檢測(cè) 部； 不使用檢測(cè)出有閃爍的幀的校正值數(shù)據(jù)。3. 如權(quán)利要求1所述的中藥材顯微圖像的PCNN自動(dòng)分割方法，其特征在于，所述二值圖 像目標(biāo)的目標(biāo)物體輪廓的邊界跟蹤方法包括： 邊界跟蹤從梯度圖像的左上角點(diǎn)開(kāi)始逐像點(diǎn)掃描，當(dāng)遇到目標(biāo)點(diǎn)時(shí)開(kāi)始順序跟蹤，直 至跟蹤的后續(xù)點(diǎn)回到起始點(diǎn)對(duì)于封閉輪廓或其后續(xù)點(diǎn)再?zèng)]有新的后續(xù)點(diǎn)對(duì)于非封閉線段 為止;如果為非封閉輪廓，則跟蹤到一側(cè)的終結(jié)后需從起始點(diǎn)開(kāi)始朝相反的方向跟蹤到另 一終結(jié)點(diǎn)；當(dāng)存在多個(gè)分離的輪廓時(shí)，逐個(gè)跟蹤，前面的區(qū)域處理好后應(yīng)采用背景色對(duì)它進(jìn) 行填充； 當(dāng)前點(diǎn)(x，y)為一個(gè)邊界點(diǎn)，則下一個(gè)邊界點(diǎn)必定在點(diǎn)(x，y)的8鄰域內(nèi)； 根據(jù)前一點(diǎn)和當(dāng)前點(diǎn)的相互位置大致確定出邊界的走向，在對(duì)下一點(diǎn)的搜尋時(shí)不必再 對(duì)當(dāng)前點(diǎn)的8鄰域進(jìn)行計(jì)算比較，根據(jù)前一點(diǎn)P和當(dāng)前點(diǎn)C在位置上的不同，對(duì)邊緣方向上的 5個(gè)像素進(jìn)行計(jì)算比較即可； 當(dāng)前點(diǎn)P(x，y)在上一邊界點(diǎn)C的8鄰域內(nèi)的位置編碼為n，則從當(dāng)前點(diǎn)（x，y)的8鄰域內(nèi) 的編碼為η的位置，順時(shí)針?lè)较蛞苿?dòng)2個(gè)像素的位置就是下一邊界點(diǎn)的起始搜索位置;若不 是邊界點(diǎn)，則從搜索的起始點(diǎn)開(kāi)始按照逆時(shí)針?lè)较蝽槾嗡阉鳎菜阉?次便找到下一個(gè)邊界 占 . 當(dāng)前點(diǎn)P在上一邊界點(diǎn)的位置編碼為1，則按上述準(zhǔn)則可知搜索的起始點(diǎn)是位置編碼為 7的點(diǎn)；若不是目標(biāo)點(diǎn)，從7點(diǎn)開(kāi)始順次搜索位置編碼為0，1，2,3的點(diǎn)，當(dāng)?shù)谝淮纬霈F(xiàn)其灰度 等于目標(biāo)區(qū)域值時(shí)，該像素點(diǎn)就是所要求的下一邊界點(diǎn)。4. 如權(quán)利要求3所述的中藥材顯微圖像的PCNN自動(dòng)分割方法，其特征在于，所述二值圖 像目標(biāo)的目標(biāo)物體輪廓的邊界跟蹤方法具體包括:圖像中背景點(diǎn)值為〇，目標(biāo)點(diǎn)為I，Pk為第 k個(gè)邊界點(diǎn)，k的初值為O，t表示邊界終結(jié)點(diǎn)的個(gè)數(shù)； (1) 感興趣的目標(biāo)區(qū)域的標(biāo)簽值label; (2) 從左到右自上而下掃描圖像，發(fā)現(xiàn)第一個(gè)像素為1的點(diǎn)且標(biāo)簽值為label的點(diǎn)即為 邊界的起始點(diǎn)P0,并把其坐標(biāo)(x，y)存入邊界點(diǎn)序列表，預(yù)置t為0,位置編碼為0; (3) 確定下一目標(biāo)點(diǎn)搜索的起始位置，然后從該位置開(kāi)始按逆時(shí)針?lè)较蛞来螜z查當(dāng)前 邊界點(diǎn)的8鄰近像素，當(dāng)?shù)谝淮纬霈F(xiàn)其像素點(diǎn)的標(biāo)簽值等于預(yù)定標(biāo)簽值時(shí)，這一像素點(diǎn)就是 新的邊界點(diǎn)Pk(k=k+1)，并記下它在8鄰域中的位置編碼值； ⑷若新邊界點(diǎn)Pk = PO,即回到了起始點(diǎn)，該輪廓跟蹤結(jié)束，此時(shí)邊界點(diǎn)序列中存放的 就是該目標(biāo)的外邊界點(diǎn)坐標(biāo)，轉(zhuǎn)(7); (5) 若新邊界點(diǎn)Pk#PO,則以Pk作為當(dāng)前點(diǎn)，記下其位置編碼，然后轉(zhuǎn)(3); (6) 若沒(méi)有找到目標(biāo)點(diǎn)，說(shuō)明當(dāng)前點(diǎn)是輪廓的終結(jié)點(diǎn)，終結(jié)點(diǎn)個(gè)數(shù)t加1，如果t = 1，則令 PO為當(dāng)前點(diǎn)，置位置編碼為4,轉(zhuǎn)(3)，即對(duì)不封閉輪廓從起始點(diǎn)開(kāi)始朝相反的方向搜索，直 到找到另一個(gè)終結(jié)點(diǎn)為止，如果t = 2,則轉(zhuǎn)(7); (7) 若還需跟蹤其他目標(biāo)的輪廓，轉(zhuǎn)回（2)。
【文檔編號(hào)】G06K9/48GK106023224SQ201610368504
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月30日
【發(fā)明人】劉勍, 楊紅平, 趙玉祥, 楊筱平, 馬小姝, 張利軍, 韓雙旺
【申請(qǐng)人】天水師范學(xué)院