图像细化算法运用范文

本站小编为你精心准备了图像细化算法运用参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1算法的流程及基本细化算法

设有二值图像.其中,值为1的像素组成的集合记为G,称G为图像的主干.我们的目的是将图像的主干反复细化,得到G的骨架.不失一般性,设G是一个连通的区域,我们的细化算法得到连通的、单像素宽度的骨架.为叙述方便,把本文提出的算法称为HATA算法.HATA算法的基本思想是:首先求出图像的基本骨架,然后对基本骨架进行优化.求基本骨架的算法称为基本细化算法;而优化则包括骨架移位、骨架膨胀、再度细化、骨架延伸4个步骤.基本细化算法是一种串行的细化算法,它是对[4]中提出的算法的改进.设以像素点P为中心的3×3矩阵的点,从上到下、从左到右依次为x1、x2、…、x9(设P=x5);而本次处理后x1、x2、x3、x4分别变为d1、d2、d3、d4,对于P的8邻域,定义8种模板(图2).为了保证抽取的骨架的连通性在细化过程中,决定像素P是否删除时,除了要检查P的邻域是否与模板匹配外,还要检查P邻域的连通性.按上述条件进行细化的算法称为基本细化算法,得到的骨架称为基本骨架.程序运行结果表明,基本细化算法既保持了骨架的连通性,又能使骨架的宽度为1.

2基本骨架的优化

2•1基本骨架的位移

设基本骨架为S,S相对于理想的骨架往往有不同程度的偏离.为了克服这种偏离,我们采用一种称为“中点移位”的方法.其做法是:对基本骨架S的每一点P,若P不是S的交叉点或交叉点的邻点,则求出S在P点的垂线,找出垂线在图像主干G(即二值图像中像素为1的点集)内的部分的中点Q;当P是S的交叉点或交叉点的邻点时,令Q=P.所有这样的中点Q组成了点集S′.求S在P点的垂线方法如下.定义8种方向,编号依次为0,1,…,7(图3).按照P的3×3邻域中S的点的分布模式可以确定垂线方向.作为例子,图3中列出了若干种模式及其对应的垂线的方向编号.图中,+为骨架点,di为垂线方向编号.

2•2S′的膨胀

点集S′不一定是连通的.为此,我们对S′进行以3×3的正方形为结构元素的膨胀(dila-tion)运算.于是S′变为宽度为3的区域S″,S″恢复了S原有的连通性.就理论上而言,上述的膨胀运算并不能绝对保证S″的连通性,但就实际应用而言,由于我们事先对图像作了简单的图像形态学处理,G的毛刺不再极端严重,这时G的基本骨架S中相邻二点P1、P2对应的中点Q1、Q2的坐标相差一般不大于3,因而以3×3的正方形为结构元素的膨胀运算,可以使S″恢复S的连通性.

2•3S″的细化与伸长

对区域S″,采用前述的基本细化算法进行细化,就得到了连通的单像素宽的骨架SK.由于S″基本上是以较接近理想骨架的点为中心、宽度为3的连通区域,因而细化的结果与理想骨架相当接近.在人类染色体的识别与分析系统中,染色体的长度是一个重要参数.而骨架的长度也就反映了染色体的长度,因而,染色体的骨架应该延伸到染色体的两端.对于这种情形,HATA算法中包含了延长处理.延长就是在SK的两端各取3个像素,分别按这3个像素确定骨架两端的方向将骨架延长到染色体的边界.

3HATA算法在医学图像处理中的应用及实验结果

人类染色体图像的识别和分析是医学图像处理研究的重要课题.一个染色体中按纹理灰度的深浅分为深带纹和浅带纹,一个染色体的深带纹和浅带纹的分布是识别和分析染色体的关键因素.因此,准确提取染色体骨架,对于染色体的识别和分析有关键的作用.采用了HATA算法,有助于提高染色体分析系统的性能.为了检查HATA算法求出的骨架的质量,把它与文[3,4]中的算法进行比较.对于染色体图像和字符图像的结果.为了对细化算法的准确度进行更精确的描述,本文采用了类似于文[3]中的准确度计算公式.设骨架的精确度用ACC表示,则对骨架的每个点作如下处理:1)若骨架点位于理想骨架上,则ACC加3;2)若骨架点不在理想骨架上,令d为该骨架点离理想骨架点距离的最小值,ACC减d.对于文献[3,4]、HATA和理想骨架,用上述的计算公式计算染色体骨架的准确度分别为-125、19、114和180;字符A骨架的准确度分别为33、6、46和198.实验结果表明,HATA算法求出的骨架优于文[3,4]算法求出的骨架,它与理想骨架相当接近,HATA是一个准确度较高的细化算法.