摘 要： 在分水岭算法基础上融合多种方法，试图找出适合粘连虫卵图像的有效分割方法。通过对比实验发现，最小误差阈值法、极小值合并、分水岭等多种方法的融合能够准确地将粘连虫卵图像分离，取得很好的效果。
关键词： 分水岭算法；图像分割；多方法融合；虫卵图像
寄生虫病是影响家畜及人类健康的一种传染病，而对寄生虫虫卵进行识别和计数是控制和预防人畜寄生虫病的重要手段和环节。传统的检验方法对研究人员的操作执行能力要求高，依赖于工作的经验及技术，且不能妥善保存和重现结果等，因此不能适应现代新技术发展的需求。随着计算机图像处理技术的快速发展，国内外已对寄生虫虫卵进行数字信息化存储和识别研究[1-4]，取得了一定的成绩。但在虫卵显微图像中，经常出现多个虫卵粘连在一起的情况，如何把它们分离开是图像处理需要解决的难题。在已有方法[5]中，分水岭算法结合距离变换能够将其进行分离，但在处理此类图像时极易造成过分割现象。本文在分水岭算法基础上，融合多种方法，合理配置，旨在取得有效结果，有效避免了过分割现象，能够准确分割粘连虫卵图像，为虫卵图像的识别奠定基础。
1 基本原理及方法
1.1 最小误差阈值法
最小误差阈值法[6]基于Bayes理论，是由KITTLER J和ILLINGWORTHY J提出的，通过信息论中的熵的概念进行描述。
设定图像大小为M×N，用函数f（x，y）来表示图像上各个点的灰度值，x为该点的横坐标，y为该点的纵坐标，有f（x，y）∈G=[0，1，…L-1]，图像的灰度直方图用h（g）来表示。假设灰度图像由目标区域和背景区域组成，且二者组成的混合总体的概率密度函数为：
本文应用最小误差分割法将虫卵图像进行阈值分割，能够很好地将虫卵图像二值化，为后续处理打下基础。
1.2 形态学分水岭变换的分割方法
形态学方法的目的是选取一定的形态结构元素处理图像，提取图像中特征区域及一定程度上消除杂质及噪声。数学形态学中的基本运算基于膨胀和腐蚀两个基本运算。本文应用形态学膨胀腐蚀算法来进一步削弱虫卵图像中虫卵的粘连程度，而且可以有效消除阈值处理后的虫卵图像中的部分噪声及杂质，为后期的距离变换及分水岭分割作铺垫。
分水岭分割算法的原理是：将灰度图像视为起伏的地貌模型，图像中的各个像素的灰度值对应模型中的海拔高度，将灰度值的局部极小值区域视为盆地，随水慢慢侵入至盆地填满时，两个或多个盆地之间修筑水坝，最终水坝将各个盆地包围，即得到各个分水岭及目标图像，达到分割粘连图像的目的。
2 实验
本文方法在Matlab环境下运行实现，为了验证该方法的有效性，采用粘连性较强的虫卵图像进行实验，并比对其他方法进行分析讨论。
2.1 本文方法的具体过程
本文方法的具体过程如下：
（1）利用最小误差法对虫卵图像进行二值化处理；
（2）将虫卵图像进行形态学重构，膨胀填充并去除边界非完整虫卵信息，进行腐蚀运算，消除部分杂质和噪声；
（3）用距离变换将步骤（2）中的二值图像转换为灰度图像，得到各个灰度值；
（4）根据步骤（3）中得到的灰度图像的灰度值改善图像的局部极小值区域；
（5）根据得到的局部极小值区域进行分水岭分割，进行标记处理，最终将粘连虫卵分离。
图1给出了本文方法的过程图。
2.2 与单一分水岭变换方法分割的对比
分水岭算法中，每一个局部极小值对应一个分割区域，在这些局部极小值点中，既包含真实目标虫卵的极小值点，同时也包含背景噪声及边缘引起的错误极小值点，大量错误极小值点经过分水岭变换，最后造成了过分割等现象。由图2可以看出，本文方法中用局域极小值合并的方法有效消除错误极小值点带来的影响，能够进行有效粘连分割，避免了分水岭算法直接用距离变换造成的过分割情况。
2.3 与其他方法融合后的对比
图3显示了本文方法与其他方法融合后的比较结果。对比融合sobel方法的分割效果，本文方法能够得到更加清晰且平滑的虫卵边缘；对比融合otsu方法的分割效果，本文方法边缘及内部信息完整，填充后的效果更佳，能够将虫卵的内部区域与背景区域很好区分。
在求取极小值区域时常用到极限腐蚀的方法进行处理，在处理虫卵图像的过程中，由于极限腐蚀得到的极小值区域面积过小，产生误差较大，不能很好地进行粘连虫卵分离。对比极限腐蚀方法，本文方法在处理粘连虫卵图像时得到的极小值区域优于极限腐蚀方法，能够准确将粘连虫卵分离。图4给出了两者比较的效果图。
本文在采用基于分水岭算法的多方法融合方法将粘连虫卵图像进行分割时，发现分水岭与最小误差阈值法、极小值合并方法的融合效果显著，实验论证了该方法的有效性，此方法对粘连虫卵图像分割较为适用。
参考文献
[1] SOMMER C . Digital image analysis and identification of eggs bovine parasitic nematodes[J]. Journal of Helminthology，1996，70（2）：143-151.
[2] THEODOROPOULOS G， LOUMOUS V， ANAGOSTOPOULOS C， et al. A digital image analysis and neural network based system for identification of third-stage parasitic strongyle lare from domestic animals[J]. Computer Methods and Programs in Biomedicine， 2000，62（2）：69-76.
[3] 赵亚娥.人体寄生虫虫卵图像的自动识别[J].中国体视学与图像分析，1997，2（3）：135-138.
[4] 石俊杰，阿木古楞，哈斯苏荣.基于改进变形雅克比-傅里叶矩的不变性分析[J].微型机与应用，2011，30（8）：42-44.
[5] 张芹，侯德文.形态学分水岭算法在粘连图像中的应用[J].微型机与应用，2012，31（9）：44-49.
[6] KITTLER J， ILLINGWORTH J. Minimum error thresholding[J]. Pattern Recognition，1986，19（1）：41-47.