论文摘要
图象分割技术作为一门新兴的学科,在短短几十年的时间内得到了迅速的发展,并且广泛应用到军事、工业、航天等各个方面。作为图象分析与理解的基础,图象分割是计算机视觉领域中最基本、也是最困难的问题之一,分割结果的好坏直接关系到后续算法的性能。由于图象的多样性和复杂性,目前还没有一种完全通用的分割方法可以实现对所有图象的正确分割,因此图象分割技术一直是图象处理的研究热点。 作为图象分割的一个重要应用领域,细胞图象的分割受到计算机图象处理研究者的广泛重视,细胞图象分割与识别的方法研究也随着计算机技术的发展成为当代图象领域的前沿课题。借助现代计算机技术结合肿瘤诊断专家的专业知识,采用图象处理技术对医学图象进行处理,从而实现对食管癌细胞进行识别、分类,对于医学科研以及食管癌早期临床诊断有着现实的意义和非常广阔的前景。 本文首先回顾了图象分割算法的定义和分类以及现有的灰度图象分割算法,重点介绍了一些新兴的分割技术。针对目标间的连接情况把分割问题分为两大类:一类是无重叠目标图象的分割,一类是有重叠目标图象的分割,对这两类不同的目标图象分别进行研究并提出两种分割算法,将其应用到食管癌细胞图象分割中,结果证明了算法的有效性。 在对无重叠目标图象的分割算法研究中,重点讨论了直方图谷点检测和基于迭代的阈值分割法,并结合这两种算法提出一种高稳定性的自动阈值分割算法。首先通过检测直方图谷点得到阈值个数和初始阈值,对初始阈值用迭代法进行优化得到最终的分割阈值。该方法能够自动确定阈值个数并且对迭代法中由于初始阈值选择不当而出现迭代任务失败的情况有较大改善,从而提高了分割的自动化程度以及迭代的速度和稳定性。针对目标重叠的图象,引入灰度差变换的概念,提出一种基于分水岭变换的分割算法。该算法中,首先分别对原始灰度图象做灰度差变换和距离变换,对得到的灰度差值图和距离图进行融合,并以融合图象为参考图象作分水岭变换,在一定程度上抑制了过分割现象,对仍然存在的少量过分割区域采用基于t假设检验的方法进行小区域合并,得到最终的分割结果。 图象分割的目的是进行目标识别,特征提取作为分割的后续处理是从图象分割过渡到目标识别的必要步骤,所以本文最后简单讨论了有关细胞特征提取的问题,给出一些癌细胞的特征参数,为进一步的识别工作奠定基础,并给出了一个早期食管癌细胞病理学诊断模型以供参考。