基于AFM圖像的分割方法的研究

摘 要：該文針對AFM圖像的特點(diǎn)，提出了一種基于內(nèi)部標(biāo)記的分水嶺分割算法。首先利用LoG濾波器對圖像進(jìn)行濾波并通過二值化得到內(nèi)部標(biāo)記圖像，然后利用最小標(biāo)定技術(shù)得到外部標(biāo)記圖像，最后使用分水嶺分割算法得到最后的分割圖像。實(shí)驗(yàn)結(jié)果表明，該算法能夠有效地對圖像進(jìn)行分割。

關(guān)鍵詞：圖像處理 原子力顯微鏡 二值化 分水嶺

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2013）04（c）-0022-02

圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，也是計(jì)算機(jī)視覺領(lǐng)域低層次中的主要問題，同時(shí)它也是一個(gè)經(jīng)典難題[1]。從20世紀(jì)70年代至今，已經(jīng)有大量的研究人員提出了許多圖像分割的方法[2～3]。

原子力顯微鏡（Atomic Force Microscopy， 簡稱AFM）是由IBM公司的G.Binning和斯坦福大學(xué)的C.F.Quate及C.Gerber于1986年合作發(fā)明的[4]。它利用懸臂感受和放大懸臂上尖細(xì)探針與被測樣品間的原子作用力，從而達(dá)到檢測的目的。

1 AFM圖像的特點(diǎn)

在使用原子力顯微鏡掃描的過程中，探針和樣品表面原子間的作用力使懸臂彎曲，通過檢測懸臂彎曲的程度，測得樣品表面的結(jié)構(gòu)[5]。由于在掃描過程中樣品并不處于水平位置，這就導(dǎo)致圖像并不能代表真實(shí)高度信息。

2 AFM圖像的預(yù)處理

通過對AFM圖像的觀察，發(fā)現(xiàn)在物體的邊緣處表面高度信息的變化很明顯，所以使用高斯拉普拉斯（LoG）濾波器對圖像進(jìn)行濾波。圖1（右）顯示了對AFM原始圖像使用LoG濾波器之后的結(jié)果圖。

3 分水嶺算法

分水嶺算法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，基本思想是把圖像中每一個(gè)像素的灰度值表示該點(diǎn)的海拔高度，每一個(gè)局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。

3.1 基于標(biāo)記的分水嶺分割算法

分水嶺變換直接用于梯度圖像常常會(huì)導(dǎo)致過分割[6]。用于控制過分割的一種方法基于標(biāo)記符的概念，通過得到內(nèi)部標(biāo)記集合和外部標(biāo)記集合對圖像進(jìn)行分割[7]。

經(jīng)過對濾波圖像的研究分析使用0閾值二值化，再利用形態(tài)學(xué)開運(yùn)算就得到圖2（右）。將該圖作為分水嶺變換的內(nèi)部標(biāo)記圖，同時(shí)通過對內(nèi)部標(biāo)記圖進(jìn)行基于距離變換的分水嶺變化得到外部標(biāo)記圖，如圖2（右）。

3.2 分水嶺變換

在給出內(nèi)部標(biāo)記和外部標(biāo)記之后，使用它們來修正濾波圖像，采用的方法是成為“強(qiáng)制最小”的過程。強(qiáng)制最小技術(shù)（MMT）[8]修改灰度級圖像，以便局部最小區(qū)域僅出現(xiàn)在標(biāo)記的位置，如圖3（左）。最后通過分水嶺變換得到分割圖像，如圖3（右）。

3.3 實(shí)驗(yàn)結(jié)果

圖4給出了本文中的方法與最大類間方差（Otsu）及分水嶺算法的比較。通過觀察可以看到，與另外兩種方法相比，本文提出的方法能夠針對AFM圖像的特點(diǎn)，有效的抑制了欠分割與過分割。

4 結(jié)語

本文通過對原子力顯微鏡圖像特點(diǎn)的研究給出了一種能有效對AFM圖像進(jìn)行分割的方法。實(shí)驗(yàn)證明該方法能夠在無需對AFM圖像進(jìn)行水平校正的情況下得到很好的分割效果。但是在該算法的過程中使用到了濾波和形態(tài)學(xué)變換，在以后進(jìn)一步的研究過程中可以將該調(diào)節(jié)過程自動(dòng)化來提高該算法的自動(dòng)分割效果。

參考文獻(xiàn)

[1] 何俊，葛紅，王玉峰.圖像分割算法研究綜述[J].計(jì)算機(jī)工程與科學(xué)，2009，31（12）：58-61.

[2] Jianbo Shi，Jitendra Malik.Normalized Cuts and Image Segmentation[J].IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE，2000，22（8）：888-905.

[3]Song Chun Zhu，Alan Yuille.Region Competition： Unifying Snakes，Region Growing， and Bayes/MDL for Multiband Image Segmentation[J].IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE，1996，18（9）：884-900.

[4]朱杰，孫潤廣.原子力顯微鏡的基本原理及其方法學(xué)研究[J].生命科學(xué)儀器，2005，3（1）：22-26.

[5]何振宇，張森文，蔡繼業(yè).基于圖像處理的AFM細(xì)胞形態(tài)參數(shù)的自動(dòng)獲取[J]. 電子顯微學(xué)報(bào)，2008，27（1）：57-63.

[6]胡敏，蔡慧芬.基于形態(tài)學(xué)標(biāo)記連通的分水嶺圖像分割[J].電子測量與儀器學(xué)報(bào)，2011，25（6）.

[7]S.Venkataraman，D.P. Allison，H.Qi，et al.Automated image analysis of atomic force microscopy images of rotavirus particles[J]. ultramicroscopy，2006，106：829-837.

[8]Soille，P.Morphological Image Analysis：Principles and Applications[M].2nd ed.NY：SpringerVerlag，2003.