基于分水岭算法的尿沉渣图像处理方法分析

徐晓蓉

（湖南文理学院，湖南常德，415000）

0 前言

所谓的尿沉渣分析就是对尿液中的有形成分进行一定的检查与辨识，并以此来帮助诊断泌尿系统疾病，同时对肾脏方面疾病的诊断与鉴别也具有非常重要的意义。传统的人工检测方法，其检测过程较为繁琐复杂，干扰因素较多，且识别分析前物质的制备过程难度较大，费时费力，而且比较容易受到主观因素的影响，因此无法达到预期的标准，得出的结果的也不利于医生进行临床观察。本文首先介绍了尿沉渣图像的预处理方式，并在此基础上详细地介绍了医学图像在进行分割和处理时较为常用的方法：分水岭算法。分水岭算法在医学图像中的优势是计算速度快，图像边缘定位精准。采取此种方法能够有效改善图像的视觉效果，提高图像的清晰程度。

1 图像预处理

在尿沉渣显微图像的预处理中主要有：图像灰度化、图像去噪、图像增强。在进行图像灰度化的处理中通常采用的三种方式分别是：最大值法、平均值法以及加权平均值法。图像灰度化也是预处理工作的第一步，其目的就是为了在进行特征提取工作时能够更好的利用形态特征、纹理特征以及光密度特征进行样本特性的提取，从而很大程度上减少计算量。第二步则需要对尿沉渣图像进行降噪处理，在进行降噪处理时，则可以采用低通、中值、高斯等滤波方法进行噪声的清除。第三步需要对尿沉渣图像的边缘进行锐化，并对图像进行加强，边缘锐化指的是经过降噪处理的图像存在边缘模糊问题后通过增强高频分量从而减少图像中的模糊现象。通常在进行图像锐化时会采用以下几种方法：梯度法、拉普拉斯算子法等，最后对目标和背景进行对比度上的调整。

2 图像分割

通过对尿沉渣图像的预处理，就可以获得目标与背景灰度对比较强的图像，接下来则需要对图像进行分割。进行图像分割的目的就是将尿沉渣图像当中具有相似特性的有形成分组合在一起，并对该目标区域中存在的重叠和粘连部分进行分割，为后续的成分识别提高准确效率。而图像的特性指的是尿沉渣图像当中具有的标志性属性，比如目标区域当中的色彩、亮度、纹理等，这一类特性属于可以直接感受的特性。还有一些图像特性属于数学特性，需要通过对图像中数据进行测量和变换才能够得到。现阶段常用的尿沉渣图像的分割方法有很多种，比如：阈值法、边缘检测法。而阈值法中还可以分为直方图技术和自适应阈值法，边缘检测法中也分为Sobel 边缘检测算子、Prewitt 边缘检测算子、Roberts 边缘检测算子等方法。在本文中主要以分水岭算法为基础，进行尿沉渣图像的分割。

2.1 分水岭算法概述

分水岭算法是一种源自数学形态学的图像处理工具，其主要的应用范围是图像分割以及梯度图像的提取[1]。分水岭算法和边缘检测算法相比，其具有边界连续、准确高、速度快的优点。在将分水岭概念实际应用到尿沉渣图像的分割中，可以通过两种方式，（1）将灰度图像当作测地学中的拓扑地貌。（2）将待分割图像的梯度图当作测地学中的拓扑地貌。在这两种形式下，需要将尿沉渣图像中每一点像素的灰度值表示为该点的海拔高度，图像中每一个区域的极小值以及影响区域都被称为集水盆，而集水盆的边界就成为了分水岭。如图1 所示。

基于上述概念可以看出分水岭分割算法的计算目的就是找出分水线。这里可以通过模拟侵入的过程进行说明，假设在每个区域的极小值表面刺穿一个小孔，然后向整个模型进行注水，随着注水时间的变化，每个区域极小值的影响域也会向外进行扩散，整个地形会被淹没，当不同的集水盆被注满时，会使两个集水盆汇合处构筑大坝，这样大坝的边界就对应成为了分水岭的分割线。

图1 分水岭形象图

L.Vincent 提出了关于分水岭的计算方法，而分水岭的计算过程属于迭代标注过程。在该计算方法当中，分水岭计算方法被分为两个步骤，分别是排序过程和淹没过程。计算时，首先要按照从低到高的排序方式对区域内的每个像素进行灰度级别的排序，然后在从低到高进行淹没，并对每个区域极小值在H 阶高度的影响域采用先进先出的结构进行标注和判断。通过分水岭的变换所得到输入图像为集水盆图像，每个集水盆之间的边界就是分水岭，而分水岭则代表极大值，所以想要获取图像的信息，需要将梯度图像作为输入图像进行计算，计算公式如下：

在该计算公式中f(x,y)则代表原始图像，grad{.}则代表梯度运算。

2.2 控制过度分割的方法

在分水岭算法中，如果医学图像存在噪声或灰度值有变化，那么都会产生过度分割的现象。为了能够消除分水岭算法当中的过度分割现象，通常可以采用两种方式，分别是修改梯度函数和区域合并。

利用控制过度的分割方式其实也是以表达标记概念的基础和前提。一幅医学图像的连通分量就是标记。然而一般情况下标记分为两种，一是与较为重要的对象进行联系的内部标记，另一个则是与背景进行联系的外部标记。进而在对标记进行选择的时候，最为典型的一个过程主要有两个步骤；（1）预处理；（2）制定一个需要所有的标记都能够满足的基本条件与准则。通常来说，大量的隐含最小值就是直接导致过度分割结果的主要原因。对于选择标记来说，一般会采取介于灰度值以及连通性等较为简单的过程进行分类，其中较为主要的就是合理的使用标记能够为分割问题带来什么样的先验知识。需要高度注意的地方是：人们习惯性的以先验知识为基础，视觉为辅助，进而来进行分割或者更高级的工作等。基于此，分水岭分割法就此问题提出了有效解决此类问题的机制。

修改梯度函数降低分水岭算法所产生的过度分割，实际上就是对梯度图像进行阈值处理，从而使因为灰度变化所引起的过度分割得到降低。通过采用阈值限制的方法消除过度分割现象，分割后所得到区域则需要按照区域边缘处的灰度级进行排序，然后实行淹没过程。而整个过程中的梯度图像可以才用边缘检测的计算方法获取。阈值能够直接影响到最后的分割效果，所以在选取阈值时一定要挑选合适的阈值。

采用区域合并的方法时需要先将尿沉渣图像分成多个小区域，对区域内的图像进行有关纹理、平均灰度值、颜色等信息的计算[2]。并给所计算的区域中设定一个有关区域属性的参数值，该参数值必须能够放映出尿沉渣图像中某些有形成分的属性。然后在对计算区域的领域进行观察。在计算相邻区域的边界强度时，如果两侧区域的平均度量差异较为明显，说明这个边界很强，反之则很弱。边界强的将会得到保留，而边界弱的则将会被合并。

3 效果对比

本文采用分水岭分割方法对尿沉渣图像进行了分割如图2 所示。

图2 分水岭算法图像分割结果

对过度分割的尿沉渣图像进行区域合并处理，如图3 所示。

通过对分割图像的观察，可以看出分水岭算法在针对尿沉渣图像中像素的微弱边缘有很好的效果，并且能够封闭连续边缘。同时分水岭算法能够对图像中有形成分粘连或重叠的现象进行处理。最后通过采用区域合并的方式进行图像处理，能够有效的降低尿沉渣图像的过度分割现象。

图3 区域合并后的分割效果

4 结论

本文论述了基于分水岭算法下的尿沉渣图像处理，首先，简单介绍了图像分割前进行的预处理工作；其次，对分水岭算法进行了概述，并对该算法中存在的过度分割现象进行了探讨；最后，采用分水岭算法和合并区域的方式对尿沉渣图像进行了分割处理。从分割效果中可以看出，分水岭算法对处理像素微弱边缘有很好的效果，并且能够有效解决重叠和粘连的问题。