现代科学技术发展日新月异，尤其是计算机技术的发展尤为迅速，图像分割技术在越来越多的领域得到应用。分水岭算法在是图像分割技术中的一种非常重要的算法。
分水岭算法是医学图像处理过程中经常用到的图像分割方法，可是它存在一定的缺陷，即它的使用过程中会发生严重的过度分割现象。为了解决过度分割这个棘手的问题,基于标记的分水岭图像分割方法就被提出来了。这个方法是在运用分水岭算法的基础上,直接应用分水岭对原始的梯度图像进行分割而不是简化之后的图像进行分水岭分割,运用这个方法可以保证物体边缘信息不会丢失。与此同时,这个新的算法设计了一种新的提取标记的方法,计算出梯度图像中的低频成分，再从中提取出和物体相关的局部极小值。然后,运用形态学的极小值标定技术强制把被提取出来的标记当作原始的梯度图像的局部极小值,把梯度图像之前有的局部的极小值屏蔽掉。最后,分水岭在经过修改之后的梯度图像上进行图像分割,最终获得较好的医学图像分割结果。和别的的分水岭改进方法相比,本文提出的方法要求的计算复杂度较低,同时能够更为有效地降低分水岭算法的过分割问题。
显微医学图像中经常会存在图像重叠，边缘模糊导致不能识别的情况，运用改进的基于标记的分水岭算法可以很好的把图像的边缘分割开，让医生可以更准确和轻松的处理医学图像，从而更轻松了解病人体内的病理情况。
关键词：图像分割；分水岭算法；标记提取；显微医学图像处理
Abstract
With the development of the technology of computer, the technology of image-segmentation is used in more and more areas. The watershed image-segmentation method is one of the most important methods of image-segmentation.
This paper suggests an improved marker-based watershed image-segmentation method to reduce the over-segmentation of the watershed algorithm. The new method applies the watershed transform directly on the original gradients image instead of simplified image, so that the loss of boundary information can be avoided. On the other hand, we design a new marker-extracted approach to extract the regional minima related to the objects from the low frequency components of the gradients. These extracted minima constitute the binary marker image. And then the extracted markers are imposed on the original gradients as its minima, while all its intrinsic minima are suppressed. Finally, the watershed algorithm is applied to the modified gradients by the markers to reduce effectively the over-segmentation. Across a variety of image types, it is proven that this new method can obtain meaningful and homogeneous regions with accurate, consecutive and one-pixel wide boundary. Compared with other methods, this system requires fewer computations and simpler parameters and can more efficiently reduce the over-segmentation of the watershed algorithm.
Microscopic image processing is a common problem in medcial area,since the cells are so small that they are always overlapped,and their edge is quite unclear.In this circumstance the improved marker-based watershed image-segmentation is quite suit for dealing with these questiongs that Microscopic image processing have.
Key words: Image segmentation ;Watershed; Marker extraction; Medcial image processing
目录
摘 要 I
Abstract II
第一章 绪论 1
1.1 课题的来源及意义 1
1.2 课题主要研究的问题 1
1.3 系统设计的目标及基本思路 1
第二章 图像分割的基本知识和系统基础 3
2.1 数字图像处理的相关基础知识 3
2.1.1 数字图像与像素的概念 3
2.1.2 医学图像的分类 3
2.2医学图像分割的相关基础知识 4
2.2.1 图像分割在医学图像处理中所占地位 4
2.2.2 图像分割的定义及相关概念 4
2.2.3 目前图像分割种类 5
2.3医学图像分割运用的图像处理技术 5
2.3.1 基于数学形态学的图像膨胀 5
2.3.2 基于数学形态学的图像腐蚀 6
2.3.3二维离散傅里叶变换 7
2.3.4开运算 8
2.3.5闭运算 8
3.1 分水岭算法基本的原理 10
3.1.1 图像分割过程描述 10
3.1.2 分水岭图像分割(watershed segmentation)过程 10
3.2 分水岭算法 11
3.2.1 数据结构 11
3.2.2 分水岭算法的原理过程 11
第四章 改进的分水岭算法的原理和实现 13
4.1 题目意义 13
4.2 算法原理 13
4.2.1 造成过分割的原因 13
4.2.2 算法和程序流程图 15
4.3 梯度的计算 16
4.4 标记的提取 16
第五章 GUI用户图形界面设计 17
5.1 开发工具MATLAB简介 17
5.2 MATLAB语言基础 17
5.3 界面设计工具的结构和调用指令 19
5.4 界面设计步骤 20
5.5 系统实现主要函数描述 22
5.5.1 MATLAB回调函数 22
5.5.2 核心代码应用函数 23
第六章 实验结果与分析 24
6.1图像处理结果 24
结 论 26
致 谢 27
参考文献 28
第一章 绪论
1.1 课题的来源及意义
分水岭算法在数字图像领域的运用最早是Beucher、FMayer提出来的，这个算法迅速成为了的灰度图像分割算法的宠儿。分水岭分割的原理是靠分开图像本身的区域特性从而进行图像分割。在这个分割处理的过程中区域生长以及边缘检测的长处被完美结合。得到一个封闭的，单像素的，有准确位置的，并且联通的区域。这个过程中运用的完全自动的算法。不需要提供确定终止的经验参数。
因为标记分水岭算法的精确、细致以及方便的特点非常适合运用于复杂的微观医学图像的分割处理，在处理的过程中可以得到完美的边缘分割的效果。
1.2 课题主要研究的问题
图像分割技术是计算机技术中研究的一个很主要的问题，到目前为止还没有一种算法可以满足不同目的的不同需要。这个问题在医学图像的处理中显得更加突出。医学图像是反应人体的内部生物组织的各类图像，比较复杂，并且图像上的信息量很大，非常容易出现噪声和重叠影像边缘模糊，还有信号强度不均匀等等此类的现象。所以医学图像分割的方法的选择有很大的部分是取决于特定的图像，成像方式和成像中的各种不可抗因素。这些都会在很大程度上影响后续的分割。
本课题主要是针对显微细胞的医学图像进行分割处理，细胞的间距非常非常小在显微镜放大之后拍出的图片也是存在粘连不能够完全分开的，这时候就需要进行图像分割来把他们合理分割开，此处我们研究的分割算法和过程包括：
(1) 在存在缺陷的传统分水岭算法的基础上改进，可以解决直接进行分水岭算法中存在的过度分割的问题，从而精确分割显微医学图像的模糊边缘。
(2)在标记的分水岭算法的基础上生成系统的用户处理界面即MATLAB GUI界面来直接选择医学图像进行分割处理。
1.3 系统设计的目标及基本思路
由于本GUI系统主要应用于医学图像分割即进行显微医学图像载入，在后台进行运算（改进的标记的分水岭算法），最终得到用户所需要的分割图像的输出，根据这一实际应用背景，确定了GUI设计的两个主要目标：实用性以及直观性。
实用性：本图像处理系统能够以用户在界面上直接选择的方式，选择用户需要处理的图像，然后只需要选择相对应的处理输出功能就可以看到用户需要得到的医学图像分割处理的结果，使得用户可以对不同的处理结果进行同屏比较，从而可以比直观地分辨出普通的分水岭算法与改进的标记的分水岭算法对医学图像处理的优劣。
直观性：主要医学图像分割的目的对基于标记的分水岭算法的GUI用户界面进行实现，形成只需要选择不同的处理方式，选定后可以在后台直接进行分水岭算法处理，然后MATLAB处理系统把结果直接反馈在GUI界面上。
本文具体包含的主要内容有：
第一章 绪论
第二章 对医学图像分割的基本知识和系统基础的情况介绍
第三章 对医学图像分割过程中的分水岭算法的基本原理和主要功能的介绍
第四章 对图像分割中改进的标记的分水岭算法的原理和算法的实现的叙述
第五章 GUI界面的设计和实现，以及系统的运行和测试情况
结束语 对本次毕业设计进行总结
图像分割所需要掌握的技术有很多，不仅仅要求我们掌握数字图像处理所相关的专业知识，而且还要求我们有的高等数学和MATLAB编程的基础，但是我的知识掌握并不够全面，并且编程能力有限，所以本文存在有的一些缺陷希望可以得到大家的指正。
第二章 图像分割的基本知识和系统基础
2.1 数字图像处理的相关基础知识
2.1.1 数字图像与像素的概念
图像是对自然界的景物的客观进行的反应。图像无论是在颜色、亮度，还是在空间的分步上，都会以模拟函数的的形式出现。在数字图像的领域里，我们把图像看成很多的形状一致，大小相同的像素组成。所以二维矩阵就可以表示一副图像。图像的数字化包括采样、量化、和编码三个主要的步骤。在空间上对连续的坐标进行离散化的过程即是采样、进一步将图像的幅度值整数化的过程即是量化。
像素，字面意思就是图像元素。定义上说，像素是指基本的原色素和他的灰度的基本编码。像素是计算数码影像的一种单位，例如摄影相片，数码影像也具有连续性的浓淡阶调，如果我们若把影像放大很多倍，就会发现这些连续色调事实上是由许多色彩差不多的小方点组成的，这些小方点是印象的最小构成单位“像素”。这种极小的图形单元在一般屏幕上显示通常只是是单个的染色点。像素的位数越高，他就会拥有更加丰富的色板，对于颜色的真实感可以更好的表达。
2.1.2 医学图像的分类
在现代医学技术中医学图像主要包括X-射线图像、超声图像、MR图像、PET,SPECT图像、显微医学图像、在现代医学技术中医学图像主要包括X-射线图像、超声图像、MR图像、PET,SPECT图像、显微医学图像、红外医学图像、内窥镜图像、脑电图像、微波CT、阻抗CT、中医舌像等等。
此处我们要处理的主要是显微医学图像。
图2-1 癌细胞图像
显微镜是一种非常重要的常用光学仪器，在光学系统的作用下它将细胞图片进行大程度放大，让我们可以从及其围观的形态对研究对象的特性进行研究和了解。因为显微镜的出现，我们可以在医学上研究到细胞的水平，是医学研究的一大跨越式发展。
显微图像被广泛的应用于医学，主要应用有：免疫学、遗传基因、病理学和临床诊断等。通过病理组织的切片显微图像可以观察到病理组织的有无病变情况，利用血液玻璃图片及各种体液的玻璃涂片的显微图片可以看到人的体内各种部位有无病变和健康状况。显微图像变成了医生诊断的强有力的方式但是新的临床检测仪器不断出现，它作为检测手段的不足也开始体现出来了。主要是：
(1)过去的检测人员分析医学显微图像是直接在显微镜下对其进行观察，与现有的显微图样本进行比较从而给出诊断结论。检测的结果是以文字方式记录下来的，之后把观察到的结果一文字描述的方法记录下来。需要用到这个图片的医生来分析这个图像就会有很大的困难，没有办法追赶上医院的信息化发展趋势。
(2)对显微图像的分析大部分是人工肉眼观察分析来完成的，一般来说要求检测人员具有相当多的经验。这样的话效率就比较低、工作强度也会非常大，操作人员容易疲劳，而且会有很多的人为误差。如果要分析大量的图片就要耗费很多资源人力，更会产生自适应的现象严重影响分析结果。
上世纪70年代已经出现了利用计算机图像处理技术来代替人工的显微图像分析。可是，因为当时计算机发展水平的不够先进并且识别算法存在限制，上述方法没有能够成功实现。在信息技术高速发展的今天，随着计算机及数字图像处理技术的飞速发展，显微图像的数字化技术为医学显微图像的应用带来了新的发展机遇。
2.2医学图像分割的相关基础知识
2.2.1 图像分割在医学图像处理中所占地位
医学图像分割技术一直以来都是医学图像处理和分析中至关重要的步骤，同时也是其他医学分析和处理过程中的重要组成部分。分割一直都是医学图像的特征提取、目标分离和参数定量的测量的前提条件和基础，使得更高层的医学图像容易被理解然后进行诊断能够得以实现。
2.2.2 图像分割的定义及相关概念
图像分割是把图像中有意义的部分背景区域分离开，然后按照它不同的内涵把它们分割开。
“区域”是指图像上面紧邻着的具有差不多性质的点构成的的集合。同一区域（region）里面的像素是相邻的，也就是说区域是像素的连通集。
“连通”（connectedness）的定义是：在连通集合的随便两个像素中间，有一个全部由这个集合里面的元素所构成的路径。同一区域里的任意两个像素间最少都会有一条连通的路径。有两个准则用来衡量连通性，要是仅仅根据据四邻域（上下左右）来确定连通，那么就叫4连通（four-connectivity），一般物体被称为是4连通的。要是按照八邻域（加上四个对角像素）来确定是否连通，就叫做8连通（eight-connectivity）。一般采用一样的准则来处理同一类的问题。一般来说8连通的结果误差比较小小，与人的感觉更相近。
2.2.3 目前图像分割种类
现有的图像处理技术已经是比较成熟的了，拥有的图像分割算法也有很多种大量被应用于医学，生物学，生产和实际之中。其中图像分割的种类有阈值分割，边缘检测分割，纹理合并，区域分割等。
阈值分割是建立灰度统计上的简单分割，就是简单地用一个或几个阈值把图像直方图分成几类，图像中灰度值在同一个范围内的像素属于同一类。
图2-2阈值分割
2.3医学图像分割运用的图像处理技术
2.3.1 基于数学形态学的图像膨胀
膨胀以及腐蚀，是形态学处理中的基本操作，事实上，很多形态学算法都把这两个原始运算当作基础[5]。
因为A和B是中的集合，B把A膨胀定义就是：
A⊕B={z|（AA）} （2.1）
这个公式的基础是以得到B的相对于它自身原点的映象然后由z对它的映象进行位移，与在别的形态学运算里面一样，集合B常常被称作膨胀的结构元素。下图2-3显示了结构元素膨胀的过程：
图2-3膨胀图像
（a）集合A，（b）方形结构元素B，（c）由B对A膨胀以阴影显示，(d)拉长的结构元素，(e)使用这个元素对A膨胀。
2.3.2 基于数学形态学的图像腐蚀
对Z中的集合A和B，使用B对A进行腐蚀，用AB表示，并定义为：
AB={z|（BA）} （2.2）
这个公式表明，使用B对A进行腐蚀就是所有B中包含于A中的点z的集合用z平移，这不是腐蚀的唯一定义形式。
下图2-3显示了腐蚀的过程。把（c）中做一下对比，之前前的集合A显示的是虚线。阴影区域的边界说明B的原点进一步移动的界限。超出这个界限会使集合不再完全包含于集合A中。因此，在这个边界内（也就是阴影区域），点的位置构成了使用B对A进行的腐蚀。图（d）显示了一个拉长的结构元素，图（c）显示了用这个元素腐蚀A的结果。注意原来的集合被腐蚀成一条线.
