類圓形區(qū)域的分割與統(tǒng)計(jì)分析

王立國(guó)　郭依正　廖寶誼

摘? 要：為了對(duì)類圓形區(qū)域進(jìn)行統(tǒng)計(jì)分析，文章以彩色粘連藥片圖像為例，提出并分析了一種類圓形圖像的分割與統(tǒng)計(jì)分析方法。首先，在預(yù)處理后，選擇合適的圖像分割算法，去除陰影噪聲的影響，完整分割出類圓形區(qū)域是關(guān)鍵;其次，使用數(shù)學(xué)形態(tài)學(xué)處理算法，平滑圖像邊界和分割后的毛刺;最后，連通域標(biāo)記并計(jì)數(shù)。實(shí)驗(yàn)結(jié)果表明，文章方法準(zhǔn)確率更高。文末還分析了算法的一些應(yīng)用領(lǐng)域。本研究可為其他相關(guān)研究提供參考。

關(guān)鍵詞：圓形區(qū)域;圖像分割;統(tǒng)計(jì)分析

中圖分類號(hào)：TP391? ? ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號(hào)：2095-2945（2020）08-0032-02

Abstract：? In this paper， in order to make a statistical analysis of the quasi-circular region， a segmentation and statistical analysis method of quasi-circular image is proposed and analyzed which takes the image of color adhesive tablets as an example. Firstly， after the pretreatment， the appropriate image segmentation algorithm is chosen and used to remove the influence of the shadow noise， and it is the key to segment the quasi-circular image completely; secondly， the mathematical morphology processing algorithm is used to smooth the image boundary and the burrs after the segmentation; and finally， the connected region is marked and counted. The experimental results show that the accuracy of this method is higher. At the end of the paper， some application fields of the algorithm are analyzed. This study can provide reference for other related research.

Keywords： circular region; image segmentation; statistical analysis

引言

在農(nóng)作物質(zhì)量評(píng)價(jià)、醫(yī)療衛(wèi)生、工業(yè)生產(chǎn)等應(yīng)用領(lǐng)域，經(jīng)常需要對(duì)某些類圓形顆粒物質(zhì)進(jìn)行統(tǒng)計(jì)分析。這些物質(zhì)成像后都接近圓形，因此被研究者統(tǒng)稱之為類圓形區(qū)域。

隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，基于圖像處理與視覺(jué)分析的各種類圓形圖像自動(dòng)分析系統(tǒng)，由于能夠自動(dòng)、快速、客觀的統(tǒng)計(jì)圖像中包含的類圓數(shù)目及其特征參數(shù)，極大地減輕了人的工作量，提高了分析精度，從而在相應(yīng)領(lǐng)域得到了廣泛地應(yīng)用。

荀一等人提出了一種基于公共區(qū)域和籽粒輪廓尋找分割點(diǎn)的方法，實(shí)現(xiàn)了粘連玉米籽粒圖像的自動(dòng)分割[1]。李積英等人在介紹柔性形態(tài)學(xué)的基礎(chǔ)上，提出先利用迭代算法得到圖像分割的最佳閾值，再利用多尺度柔性邊緣檢測(cè)算子得到圖像的邊緣[2]。SONG等人利用粘連區(qū)域的形狀信息檢測(cè)凹點(diǎn)，通過(guò)凹點(diǎn)構(gòu)造分割線，實(shí)現(xiàn)對(duì)粘連血細(xì)胞的分割[3]。YAO提出了一種基于凹點(diǎn)匹配的方法實(shí)現(xiàn)對(duì)粘連大米圖像的分割[4]。

對(duì)于類圓形圖像的統(tǒng)計(jì)分析，關(guān)鍵是圖像分割，而圖像分割結(jié)果好壞很大程度上取決于陰影噪聲的消除。本文以彩色粘連藥片圖像為例，提出并分析了一種類圓形圖像的分割與統(tǒng)計(jì)分析方法。其后，本文列舉了一些該類算法的可能應(yīng)用領(lǐng)域，對(duì)相關(guān)的研究工作有一定參考意義。

1 具體實(shí)現(xiàn)

1.1 算法設(shè)計(jì)

本文算法由圖像預(yù)處理、圖像分割、形態(tài)學(xué)處理、統(tǒng)計(jì)分析等步驟組成，如圖1所示。

圖像采集后，一般先要做些預(yù)處理，預(yù)處理通常包括幾何變換、圖像去噪[5]、對(duì)比度增強(qiáng)等。圖像預(yù)處理的目的是減少圖像中無(wú)關(guān)的信息，復(fù)原或增強(qiáng)有用信息（感興趣信息），增強(qiáng)有用信息的可檢測(cè)性，同時(shí)最大限度的簡(jiǎn)化數(shù)據(jù)，從而更有利于后期再處理。本文實(shí)驗(yàn)采用的圖像已經(jīng)做上述預(yù)處理。

接著，就是把感興趣區(qū)域分割出來(lái)，雖然目前典型分割算法有很多，但還沒(méi)有一種通用算法能處理所有圖像[6]，一般都需要根據(jù)情況具體判斷，本文針對(duì)采用的圖像，在多次實(shí)踐的基礎(chǔ)上，發(fā)現(xiàn)在藍(lán)色分量下采用谷峰法能較好的分割出目標(biāo)，如圖2所示，給出了原圖、藍(lán)色分量及其灰度直方圖。

由于圖像目標(biāo)之間有粘連，對(duì)分割后的圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理非常重要，它直接影響后繼統(tǒng)計(jì)分析的準(zhǔn)確度。本文使用圓盤結(jié)構(gòu)元素對(duì)分割后的圖進(jìn)行多次腐蝕處理。圖像X被結(jié)構(gòu)元素S腐蝕的運(yùn)算可以表示如下：

其后，進(jìn)行連通區(qū)域標(biāo)記，把每一個(gè)區(qū)域貼上不同的“標(biāo)簽”以便標(biāo)識(shí)，進(jìn)而把不同的目標(biāo)提取出來(lái)，也可以使用MATLAB函數(shù)bwlabel統(tǒng)計(jì)目標(biāo)個(gè)數(shù)等。

1.2 結(jié)果分析

按照前述原理，原圖在藍(lán)色分量下利用谷峰法分割效果如圖3所示，藥片數(shù)量統(tǒng)計(jì)結(jié)果是29，準(zhǔn)確率100%。

如果在綠色分量下進(jìn)行分割，再數(shù)學(xué)形態(tài)學(xué)處理后最終效果如圖4（a）所示，藥片數(shù)量統(tǒng)計(jì)結(jié)果是19，準(zhǔn)確率65.5%。如果直接二值化再數(shù)學(xué)形態(tài)學(xué)處理，效果更不理想，此時(shí)陰影噪聲很嚴(yán)重，最終效果如圖4（b）所示，藥片數(shù)量統(tǒng)計(jì)結(jié)果是39，比實(shí)際數(shù)量多10。綜上，本文方法準(zhǔn)確率最高。

2 應(yīng)用分析

類似的類圓形圖像包括但不限于農(nóng)產(chǎn)品圖像（如水果、大豆、枸杞等）、醫(yī)藥圖像（如細(xì)菌細(xì)胞、藥片等）、工業(yè)圖像（圓形工件、圓角毛刺、圓形焊接電路等）、其他圖像（如氣泡、車燈、皮球等），因此在現(xiàn)實(shí)生活中有很多應(yīng)用場(chǎng)合[7]。比如圖5統(tǒng)計(jì)了原圖中半徑大于5的顆粒粒度分布情況。

3 結(jié)束語(yǔ)

藥片計(jì)數(shù)在醫(yī)藥生產(chǎn)包裝、監(jiān)督病人用藥等方面有著重要應(yīng)用。利用圖像處理技術(shù)，無(wú)接觸的對(duì)藥片進(jìn)行統(tǒng)計(jì)計(jì)數(shù)，不僅僅可以減輕醫(yī)務(wù)人員工作量，同時(shí)更能減少藥物的污染及損壞。本文以彩色粘連藥片圖像為例，提出并分析了一種類圓形圖像的分割與統(tǒng)計(jì)分析方法。同時(shí)分析了算法的一些可能應(yīng)用領(lǐng)域。實(shí)驗(yàn)結(jié)果表明文中方法有一定借鑒意義。對(duì)于類圓形圖像處理，要想取得最佳效果，往往還要根據(jù)具體問(wèn)題具體分析。

參考文獻(xiàn)：

[1]荀一，鮑官軍，楊慶華，等.粘連玉米籽粒圖像的自動(dòng)分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41（04）：163-167.

[2]李積英.一種改進(jìn)的基于柔性形態(tài)學(xué)的圖像邊緣檢測(cè)方法[J].平頂山學(xué)院學(xué)報(bào)，2011，26（05）：75-78.

[3]Song H， Wang W. A new separation algorithm for overlapping blood cells using shape analysis[J]. International Journal of Pattern Recognition and Artificial Intelligence， 2009， 23（04）： 847-864.

[4]Yao Y， Wu W， Yang T， et al. Head rice rate measurement based on concave point matching[J].Scientific Reports，2017，7： 41353.

[5]衛(wèi)星，周瑜龍，焦蓬蓬，等.基于置信特征與結(jié)構(gòu)相似度約束的圖像修復(fù)算法[J].新疆大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，35（02）：203-208.

[6]焦蓬蓬.醫(yī)學(xué)圖像中典型分割算法的比較分析[J].信息技術(shù)，2015（02）：82-84+88.

[7]張強(qiáng)，王正林.精通MATLAB圖像處理[M].北京：電子工業(yè)出版社，2009.