本发明涉及图像处理技术领域，具体涉及一种粘连类圆形目标图像的分割方法。

背景技术：

圆形目标图像是指类似于生物学图像中形状及轮廓为圆形或与圆形相近的目标图像。人们对此类目标图像采样后得到的图像进行分析和计数，是农业、食品、医药卫生分析等领域中进行质量检测环节的一项基本而重要的工作。但是，由于两个或多个目标图像因相互重叠而产生粘连现象，导致严重影响到质量检测工作者对目标图像的分析与统计。而人工观测存在工序繁杂、耗时长、效率低的问题且带有主观性，因此误差较大。

凹点是由于两个或多个目标图像因重叠而产生粘连后形成的凹区域中的局部曲率最大点。对于存在粘连的目标图像，其形成的每个粘连块必定会存在凹点的特征，因此，人们就可以利用凹点来完成粘连类圆形目标图像的分割。

S.Zafar在其发表的论文“Segmentation of partially overlapping nanoparticles using concave points”(International Symposium on Visual Computing,2015,187-197)中提出了一种利用凹点实现粘连类圆形目标分割的方法，该方法首先通过凹点检测得到粘连区域中存在的凹点，再把由这些凹点所分割开的每个轮廓段进行分组，将分为一组的轮廓段使用椭圆拟合技术，拟合出因重叠粘连而丢失掉的每个个体轮廓，完成粘连目标图像的分割。该方法存在的不足之处在于：凹点检测的方法过于简单使得检测精度不够准确且仅利用凹点检测方法只能够处理较为简单的粘连类型，没有考虑粘连情况较重的区域。因此对于存在较为复杂粘连情况的目标图像所得到的分割结果精度不高，存在较多的错误分割和未分割的现象，这也直接影响到了之后的计数与分析工作。

扬州大学在其申请的专利文献“一种整精米率批量测定方法及其设备”(公开号：CN106918595A，申请号：CN201710175005.1，申请日：2017年03月22日)中公开了一种基于凹点检测和凹点匹配的粘连米粒图像分割方法，该方法首先通过图像预处理将米粒从背景中提取出来，再通过一种边界中心模板比例方法获取图像中存在的凹点，并使用这些凹点进行匹配完成粘连目标的分割，以便于接下来的数据统计。该方法存在的不足之处是，凹点检测方法对阈值过于敏感，使得检测精度较差，并且提出的凹点匹配方法仅能处理较少数量的粘连情况，对于多个目标的粘连会存在凹点匹配错误的情况，导致目标的错误分割，最终直接影响到数据统计的精度。

技术实现要素：

为解决现有技术的不足，本发明实施例提供了一种粘连类圆形目标图像的分割方法，该方法包括：

本发明实施例提供的粘连类圆形目标图像的分割方法，包括如下步骤：

(1)对输入的类圆形目标图像进行二值化处理，获得目标与背景分离的图像Bw；

(2)对图像Bw进行凹点检测，得到图像mask1；

(3)对图像mask1进行重心提取，得到图像mask2；

(4)检测图像mask2中每个闭合连通域中的凹点个数及重心个数，根据所述凹点个数及所述重心个数，确定图像mask2中各个闭合连通区域的粘连类型，根据所述粘连类型，对图像mask2进行分割。

进一步地，对图像Bw进行凹点检测，得到图像mask1包括：

(21)采用曲率尺度空间技术，获取图像Bw中的所有角点的坐标位置{ci＝(xi,yi)T|i＝1,2,...,n}，n为图像Bw中角点的数量；

(22)根据所述坐标位置，获取所述角点中的凹点：

(221)分别计算每个角点在目标轮廓上的前点的坐标位置{ci-k＝(xi-k,yi-k)T|i＝1,2,...,n}和后点的坐标位置{ci+k＝(xi+k,yi+k)T|i＝1,2,...,n}，其中，各个角点对应的前点及后点在目标轮廓上的像素间隔相同，k为各个角点对应的前点及后点在目标轮廓上的像素间隔；

(222)分别计算每个角点对应的前点所构成的直线与该角点对应的后点所构成的直线之间的夹角α(ci)，计算公式如下：

α1(ci-k,ci)＝tan-1((yi-k-yi)/(xi-k-xi)),

α2(ci+k,ci)＝tan-1((yi+k-yi)/(xi+k-xi)),

分别判断各个角点对应的夹角α(ci)是否满足α1

(223)分别计算每个角点对应的前点和后点所构成的矢量三角形的面积，计算公式如下：

分别判断各个角点对应的前点和后点所构成的矢量三角形的面积是否小于零，若是，则将该角点视为候选凹点；

(224)分别判断各个角点对应的前点与后点构成的直线是否位于该角点所在的闭合粘连区域中，若否，则将该角点视为候选凹点；

(225)分别判断各个角点是否同时满足与所述角点对应的前点所构成的直线与所述角点对应的后点所构成的直线之间的夹角α(ci)在α1

进一步地，检测图像mask2中每个闭合连通域检测到的凹点个数及重心个数，根据所述凹点个数及所述重心个数，确定图像mask2的粘连类型，根据所述粘连类型，对图像mask2进行分割包括：

(31)若某个闭合连通域中检测到的凹点个数

Nconcave＝2 (1)

，则确定该闭合连通域为简单粘连型区域并对该闭合连通域中的每个凹点逐个连线，完成对简单粘连型区域的分割；

(32)若某个闭合连通域中检测到的凹点个数Nconcave与重心个数Ncentroid满足

，则确定该闭合连通域为串联型粘连区域，对于串联型粘连区域，使用如下的匹配原则进行凹点匹配：

设某闭合连通域中检测到的所有重心为Mcentroid＝{m1,m2,...,mi,...,mN}，所有凹点为Cconcave＝{c1,c2,...,ci,...,cN}，若同时满足如下两个条件则将两个凹点匹配为一组：

条件一：

|d(ci,mi)-d(ci,mj)|

|d(cj，mi)-d(cj，mi)|＜Thcl，

条件二：

{d(ci,mi),d(ci,mj),d(cj,mi),d(cj,mj)}

其中，d(si,sj)表示点si和sj之间的欧式距离，Thcl为设定的阈值，该距离阈值可根据目标的先验大小进行调整，Thea为设定的阈值，用于限制属于同一组中的每个凹点到每个重心的欧式距离以避免出现跨越粘连区域外进行连线的错误情况；

将匹配到同一组的凹点逐个连线，完成串联型粘连区域的分割；

(33)若某个闭合连通域中检测到的凹点个数Nconcave与重心个数Ncentroid满足

Nconcave＝Ncentroid (3)

，则确定该闭合连通域为并联型粘连区域，对于并联型粘连区域，计算所述闭合连通域中所有重心的平均点位置，将所述平均点位置与该闭合连通域中的每个凹点逐个连线，完成对并联型粘连区域的分割；

(34)若某个闭合连通域中检测到的凹点个数Nconcave与重心个数Ncentroid不满足上式(1)、(2)及(3)中的任意一个，则确定该闭合连通域为串并联型粘连区域，对于串并联型粘连区域，将该串并联型粘连区域中的串联部分的凹点进行匹配；

分别获取与未匹配的凹点之间的欧式距离小于Thcl的重心，计算所述重心的平均位置；

将所述平均位置与未匹配的凹点逐个进行连线，完成对串并联型粘连区域的分割。

本发明实施例提供的粘连类圆形目标图像的分割方法具有以下有益效果：

通过对粘连类圆形目标图像的凹点进行凹点检测及重心提取，能够对存在较为复杂粘连情况的圆形目标图像进行精确地分割，提高了对粘连类圆形目标图像分割的适用性及精确度。

附图说明

图1为本发明实施例提供的粘连类圆形目标图像的分割方法的流程示意图；

图2a为输入的粘连类圆形目标图像(细胞)示意图；

图2b为粘连类圆形目标图像(细胞)经预处理后得到的目标图像示意图；

图2c为对预处理后得到的目标图像进行凹点检测和重心提取后的目标图像示意图；

图2d为对类圆形目标图像(细胞)进行分割的结果示意图；

图3a-3c为在广泛收集的生物图像基准(Broad Bioimage Benchmark Collection，BBBC)数据集下，不同粘连类圆形目标图像(细胞)的分割效果示意图；

图4a-4c为在BBBC数据集下，现有4种粘连类圆形目标图像分割方法与本发明实施例提供的粘连类圆形目标图像分割方法的效果比较示意图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

参照图1，本发明实施例提供的粘连类圆形目标图像的分割方法包括以下步骤：

S101，对输入的类圆形目标图像进行二值化处理，获得目标与背景分离的图像Bw；

S102，对图像Bw进行凹点检测，得到图像mask1；

S103，对图像mask1进行重心提取，得到图像mask2；

S104，检测图像mask2中每个闭合连通域中的凹点个数及重心个数，根据所述凹点个数及所述重心个数，确定图像mask2中各个闭合连通区域的粘连类型，根据所述粘连类型，对图像mask2进行分割。

可选地，对图像Bw进行凹点检测，得到图像mask1包括：

采用曲率尺度空间技术，获取图像Bw中的所有角点的坐标位置{ci＝(xi,yi)T|i＝1,2,...,n}，n为图像Bw中角点的数量；

根据所述坐标位置，获取所述角点中的凹点，包括以下步骤：

分别计算每个角点在目标轮廓上的前点的坐标位置{ci-k＝(xi-k,yi-k)T|i＝1,2,...,n}和后点的坐标位置{ci+k＝(xi+k,yi+k)T|i＝1,2,...,n}，其中，各个角点对应的前点及后点在目标轮廓上的像素间隔相同，k为各个角点对应的前点及后点在目标轮廓上的像素间隔；

分别计算每个角点对应的前点所构成的直线与该角点对应的后点所构成的直线之间的夹角α(ci)，计算公式如下：

α1(ci-k,ci)＝tan-1((yi-k-yi)/(xi-k-xi)),

α2(ci+k,ci)＝tan-1((yi+k-yi)/(xi+k-xi)),

分别判断各个角点对应的夹角α(ci)是否满足α1

分别计算每个角点对应的前点和后点所构成的矢量三角形的面积，计算公式如下：

分别判断各个角点对应的前点和后点所构成的矢量三角形的面积是否小于零，若是，则将该角点视为候选凹点；

(224)分别判断各个角点对应的前点与后点构成的直线是否位于该角点所在的闭合粘连区域中，若否，则将该角点视为候选凹点；

(225)分别判断各个角点是否同时满足与所述角点对应的前点所构成的直线与所述角点对应的后点所构成的直线之间的夹角α(ci)在α1

可选地，检测图像mask2中每个闭合连通域检测到的凹点个数及重心个数，根据所述凹点个数及所述重心个数，确定图像mask2的粘连类型，根据所述粘连类型，对图像mask2进行分割包括：

若某个闭合连通域中检测到的凹点个数

Nconcave＝2 (1)

，则确定该闭合连通域为简单粘连型区域并对该闭合连通域中的每个凹点逐个连线，完成对简单粘连型区域的分割；

若某个闭合连通域中检测到的凹点个数Nconcave与重心个数Ncentroid满足

，则确定该闭合连通域为串联型粘连区域，对于串联型粘连区域，使用如下的匹配原则进行凹点匹配：

设某闭合连通域中检测到的所有重心为Mcentroid＝{m1,m2,...,mi,...,mN}，所有凹点为Cconcave＝{c1,c2,...,ci,...,cN}，若同时满足如下两个条件则将两个凹点匹配为一组：

条件一：

|d(ci,mi)-d(ci,mj)|

|d(cj,mi)-d(cj,mj)|

条件二：

{d(ci,mi),d(ci,mj),d(cj,mi),d(cj,mj)}

其中，d(si,sj)表示点si和sj之间的欧式距离，Thcl为设定的阈值，该距离阈值可根据目标的先验大小进行调整，Thea为设定的阈值，用于限制属于同一组中的每个凹点到每个重心的欧式距离以避免出现跨越粘连区域外进行连线的错误情况。

作为一个具体的实施例，Thcl为20，Thea的计算方法如下：

计算每个粘连区域中的每个凹点到每个重心的欧式距离，获得该闭合连通域中的凹点-重心距离矩阵，对矩阵中的每一行进行排序，保存每行中两个较小的距离值，取这些较小距离值中的最大值作为Thea以确保每个凹点都能够顺利完成匹配。

将匹配到同一组的凹点逐个连线，完成串联型粘连区域的分割。

若某个闭合连通域中检测到的凹点个数Nconcave与重心个数Ncentroid满足

Nconcave＝Ncentroid (3)

，则确定该闭合连通域为并联型粘连区域，对于并联型粘连区域，计算所述闭合连通域中所有重心的平均点位置，将所述平均点位置与该闭合连通域中的每个凹点逐个连线，完成对并联型粘连区域的分割；

若某个闭合连通域中检测到的凹点个数Nconcave与重心个数Ncentroid不满足上式(1)、(2)及(3)中的任意一个，则确定该闭合连通域为串并联型粘连区域，对于串并联型粘连区域，将该串并联型粘连区域中的串联部分的凹点进行匹配；

分别获取与未匹配的凹点之间的欧式距离小于Thcl的重心，计算满足该条件的所有重心的平均位置；

将所述平均位置与未匹配的凹点逐个进行连线，完成对串并联型粘连区域的分割。

结合以下仿真实验，对本发明的技术效果作进一步说明。

(1)实验内容和条件

为验证本发明的有效性和正确性，采用BBBC数据集中的细胞图像进行仿真实验。

实验一，利用本发明对一幅粘连类细胞图像进行分割的实验。

实验二，利用本发明对BBBC数据集中的三个细胞数据集进行分割实验，获取这些数据集的分割结果图。其中每个数据集中各有30幅图像，总计90幅。

实验三，利用本发明与现有四种粘连目标图像分割方法在BBBC数据集中进行对比实验，这四种粘连目标图像分割方法分别是：基于标记分水岭的粘连目标分割方法WSM、基于凹点检测和椭圆拟合的粘连目标分割方法CC、基于凹点检测和匹配的粘连目标分割方法Yao及基于种子点检测的粘连目标分割方法SCC，并对实验结果采用准确率PR、召回率RC以及FM值这3种评价指标进行客观评价，这些值的大小越接近于1则代表最终分割结果的精度越高。

其中，上述实验一、二及三均在Windows 7操作系统下，采用Matlab 2016b软件实现的。

(2)实验结果分析

实验一产生的结果如图2b-2c所示，其中：

从图2b中可以看出，粘连类细胞的目标与背景已经完全区分开来，其中，白色部分为细胞目标，黑色部分为背景，同时也可以发现其中许多目标因为相互堆叠而粘连在了一起。

图2c为对经预处理后的粘连类细胞图像进行凹点检测和重心提取后的图像，其中位于目标轮廓上的点是凹点，而位于粘连区域内的点为重心。从图2c中可以看出，已经正确检测出了该图中存在的所有凹点和重心。

从图2d中可以看出，存在粘连的区域都已通过分割线完成了粘连目标的分割，没有出现误分割或者未分割的目标，因此得到的分割结果达到了较高的准确度。

实验二产生的部分分割结果图如图3所示。其中：

图3a所示的图像属于串联型粘连类圆形目标图像的分割效果示意图，图3b所示的图像属于并联型粘连类圆形目标图像的分割效果示意图，图3c所示的图像属于串并联型粘连类圆形目标图像的分割效果示意图。可以从图3a-3c中看出，已经对存在粘连类圆形目标图像完成了精确的分割。

实验三产生的结果如图4a-4c所示。其中：

图4a、4b及4c分别对应了3个数据集下本发明与上述现有4种对粘连类圆形目标图像分割方法的处理结果，从评价指标结果可以看出，与现有4种粘连类圆形目标图像分割方法法相比，本发明实施例提供的粘连类圆形目标图像分割方法具有最高的准确率PR、召回率RC以及FM值，从而表明了本发明对于分割粘连类圆形目标图像的有效性及优越性。

本发明实施例提供的粘连类圆形目标图像的分割方法，通过对输入的类圆形目标图像进行二值化处理，获得目标与背景分离的图像Bw，对图像Bw进行凹点检测，得到图像mask1，对图像mask1进行重心提取，得到图像mask2，检测图像mask2中每个闭合连通域中的凹点个数及重心个数，根据凹点个数及所述重心个数，确定图像mask2中各个闭合连通区域的粘连类型，根据粘连类型，对图像mask2进行分割，能够对存在较为复杂粘连情况的圆形目标图像进行精确地分割，提高了对粘连类圆形目标图像分割的适用性及精确度。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。