【文章內(nèi)容簡介】 AL制）。 YIQ， YUV， YCBCR都是 RGB的線性變換。 HSI顏色模型的介紹 HSI（ HUE－－ SATURATION－－ INTENSITY）中的 H是色調(diào)，表示顏色的類別； S是飽和度，表示顏色的純度； I是亮度，表示光亮程度。 HSI顏色模型用直觀的形式表示 ， 如圖 ，H分量的值用弧度表示，變化范圍在 0到 2π 之間； S分量的值由距離圓柱體中心軸的半徑長度表示，離圓柱體的 中心軸 越近， S值越小，顏色越淺， H值越不穩(wěn)定； I分量用圓柱體軸方向上的高度表示，它反映了顏色的灰度等級。圓柱體底平面上的點的 I值最小，所有點的顏色都為黑色；圓柱體平面上的點的 I值最大，所有點的顏色都為白色，此兩平面上 H、 S的 取值沒有意義，圖 。 陜西理工學(xué)院畢業(yè)設(shè)計 第 5 頁 共 55 頁 圖 HSI 顏色模型的圖形表示 表達(dá)顏色的彩色空間有很多種，它們常是根據(jù)不同的應(yīng)用目的而提出的。最常見的色彩空間是紅綠藍(lán) （ RED,GREEN， BLUE， RGB）空間，彩色圖像常用 R、 G、 B三個分量的值來表示，但 R、 G、 B三分量之間有很強(qiáng)的相關(guān)性，直接利用這些分量往往不能得到所需的效果。微機(jī)上顯示的彩色圖像一般用 RGB 顏色模型來表示和存儲像素點的顏色信息。 RGB 模型有利于圖像的顯示，但不符合人們的視覺習(xí)慣，也不 利于程序?qū)D像顏色特征的利用。 比較接近人對顏色視覺感知的是色度、飽和度和亮度（ HUE， SATURATION， INTENSITY，HSI）空間 【 20】 。在對色彩信息的利用中， HSI空間 的優(yōu)點在于它將亮度（ I）與反映色彩本質(zhì)特性的兩個參數(shù) —— 色度（ H）和飽和度（ S）分開。光照明暗給物體顏色帶來的直接影響就是亮度分量（ I），它與彩色信息無關(guān)，而 H 和 S分量與人感受彩色的方式緊密相連。 HSI 空間比較直觀并符合人的視覺特性，因此采用此空間作為圖像分割的基礎(chǔ)，會獲得比較好的效果。本文中，我們將彩色圖像轉(zhuǎn)化到 HSI彩色空間。 針對染色后得到的細(xì)胞圖像，本文選用 HSI模型表達(dá)細(xì)胞的顏色信息。選擇該模型的原因有四個： 1) 人們對顏色的感知經(jīng)過外界光刺激、色感覺、色知覺三個過程，最終形成對物體顏色三方面的認(rèn)識：顏色的類別、顏色的純度、顏色的明亮程度，而根據(jù)上面的介紹， HSI 顏色模型的三個分量正好與人們對顏色三方面的認(rèn)識相對應(yīng)，符合 人們的 視覺習(xí)慣與視覺心理，有利于利用計算機(jī)視覺方面的知識； 2) 在 HSI顏色模型中，將人眼視覺上得到的顏色感受轉(zhuǎn)換為特定的數(shù)值表示，使得程序能夠容易地利用顏色信息，而在 RGB模型中，雖然也是用數(shù) 值表示顏色，但程序不能根據(jù)人眼的視覺判斷機(jī)制有效地利用其中所蘊含的信息，且三原色之問相關(guān)性大； 3) HSI顏色模型將顏色信息和亮度信息分開， H分量和 S分量 表示 顏色， I分量 表示 光亮強(qiáng)度，這點對于處理細(xì)胞圖像各個部分亮度變化較大的情況尤為有用； 4) 對于經(jīng)過染色的紅細(xì)胞，其細(xì)胞本身和另外的血小板或者白細(xì)胞在 H值或 S值上有明顯的區(qū)別，根據(jù)這個區(qū)別設(shè)定恰當(dāng)?shù)拈撝?，可以分割出紅細(xì)胞的區(qū)域。使用 HSI顏色模型使我們能夠利用人眼得到的顏色差別達(dá)到分割細(xì)胞圖像的目的。 顯微圖像是由彩色 CCD攝像機(jī)獲得的由 R， G， B三基色組成的圖像 。大部分情況下，可以直接在 RGB彩色空間中處理圖像，但對于分割目標(biāo)可能在三維空間形成混疊的情況，有必要對圖像作變換，映射到其它彩色空間中，得到較好的分離效果。 HSI 空間是 RGB 的非線性變換空間，其中 H分量在大多數(shù)情況下能反映出細(xì)胞的有關(guān)特性，具有良好的可分性。在分析中直方圖和高維直方圖對真彩色圖像分割中正確選擇合適的彩色模型研究有很好的作用。 陜西理工學(xué)院畢業(yè)設(shè)計 第 6 頁 共 55 頁 圖 一副紅細(xì)胞彩色圖樣 圖 對應(yīng)的紅、綠、藍(lán)分量的直方圖 RGB色彩空間轉(zhuǎn)換到 HSI色彩空間的公式 : ???????????????????]),m in ([1])()()(3a r c t a n [3IBGRSBRGRBGHBGRI 關(guān)于從 RGB轉(zhuǎn)換到 HSI色彩空間在后面還會講到。 圖像的灰度拉伸是圖像線性變換的一種方式。 圖像的線性變換就是將圖像中所有的點的灰度按照線性灰度變換函數(shù)進(jìn)行變換。該線性灰度變換函數(shù)是一個一維線性函數(shù) 【 11】 ： ? ? BKxxF ?? 陜西理工學(xué)院畢業(yè)設(shè)計 第 7 頁 共 55 頁 灰度變換方程為 ： BDKDFD AAB ???? )( 式中參數(shù) K 為線性函數(shù)的斜率， B 為線性函數(shù)在 Y 軸的截距， DA表示輸入圖像的灰度，DB表示輸出圖像的灰度。當(dāng) K＞ 1 時，輸出圖像的對比度將增大：當(dāng) K＜ 1 時，輸出圖像的對比度將減?。划?dāng) K＝ 1且 K≠ 0時，操作僅使所有像素的灰度值上移或下移，其效果是使整個圖像更暗或更亮；如果 K＜ 0，暗區(qū)域?qū)⒆兞?，亮區(qū)域?qū)⒆儼?，點運算完成了圖像求補(bǔ)運算。特殊情況下，當(dāng) K＝ 1， B＝ 0時，輸出圖像和輸入圖像相同：當(dāng) K＝ 1， B＝ 255時，輸出圖像的灰度正好反轉(zhuǎn)。 灰度拉伸是分段線性變換，它的灰度變換函數(shù)表達(dá)式如下 : ????????????????)(2 5 52 5 5)1(222121211xxSttsxSSttxSt 2211xxxxxxx???? 圖像拉伸可以更 加靈活的控制輸出灰度直方圖的分布，它可以有選擇的拉伸某段灰度區(qū)間以改善輸出的圖像。如果一幅圖像灰度集中在較暗的區(qū)域而導(dǎo)致圖像偏暗，可以用灰度拉伸功能來拉伸（斜率＞ 1）物體灰度區(qū)間以改善圖像；同樣如果圖像灰度集中在較亮的區(qū)域而導(dǎo)致圖像偏亮，也可以使用灰度拉伸功能來壓縮（斜率＜ 1） 物體灰度區(qū)間以改善圖像質(zhì)量。 圖像的平滑是一種實用的數(shù)字圖像處理技術(shù)，主要目的是為了減少圖像的噪聲 【 12】 。一般情況下，在空 間 域內(nèi)可以用 平均 臨域來減少噪聲：在頻率域，由于噪聲頻譜通常多在高頻段，因此可以采用各 種形式的低通濾波的辦法來減少噪聲。 圖像的均值濾波是一種圖像空間域濾波增強(qiáng)技術(shù)。 圖像的空間信息可以反映圖像中的物理位置、形狀、大小等特征，而這些特征可以通過一定的物理模式來描述。例如，物體的邊緣輪廓由于灰度值變化劇烈，一般呈現(xiàn)高頻率特征，而一個比較平滑的物體內(nèi)部由于灰度值比較均一則呈現(xiàn)低頻率特征。因此，根據(jù)需要可以分別增強(qiáng)圖像的高頻和低頻特征。例如，對于人像的比對查詢，就需要通過高頻增強(qiáng)突出五官的輪廓。對圖像的高頻增強(qiáng)為高通濾波，可以突出物體的邊緣輪廓，從而起到銳化圖像的作用。因此，也可以 稱為銳化濾波。從頻率域的角度講，它能減弱甚至消除圖像的低頻分量，保留高頻分量，故稱之為高通 濾波 。 相應(yīng)地，低通濾波則是指對圖像的低頻部分進(jìn)行增強(qiáng)，它可以對圖像進(jìn)行平滑處理，一般用于圖像的噪聲消除，因此，也可以稱為平滑濾波。從頻率域的角度講，可以減弱甚至消除圖像的高頻分量，而保留低頻分量，故稱之為低通濾波。濾波技術(shù)按照所在的空間不同，可以分為空間域濾波和頻率域濾波，銳化濾波和平滑濾波一般在空間域進(jìn)行，高通濾波和低通濾波則一般在頻率域進(jìn)行。 在一般的圖像平滑中，常用 3 X 3或者 5 X 5的模板 得到的平滑圖像，一般用于消除圖像中的隨機(jī)噪聲，從而起到圖像平滑的作用。均值濾波法是將一個像素及其鄰域中的所有像素的平均值輸出作為相應(yīng)的像素，從而達(dá)到平滑圖像的目的。 線性濾波器是線性系統(tǒng)和頻域濾波概念在空 間 域的自然延伸。其輸出 像素 值 R的計算由陜西理工學(xué)院畢業(yè)設(shè)計 第 8 頁 共 55 頁 下列公式定義： )(1 2211 nnzwzwzwnR ???? ? 其中： Wi i=1,2， ? ， n是模板的系數(shù) Zi i=1,2， ? ， n是被計算像素的值 常見的均值濾波 3X3模板見圖 ???????????11111111191H 圖 常見的均值濾波器 將以上的均值濾波加以修改，可以得到以下的加權(quán)濾波器。 ?????????????????????????????????11110111181121242121101111121111101321 HHH 圖 修正加權(quán)均值濾波器 醫(yī)學(xué)圖像處理的主要研究方向有圖像分割、圖像配準(zhǔn)等，而其中醫(yī)學(xué)圖像分割的研究具有更重要的意義 【 20】 。結(jié)構(gòu)分析、運動分析、三維可視化等后續(xù)操作，以及圖像引導(dǎo)手術(shù)、腫瘤放射治療、治療評估等應(yīng)用研究都假設(shè)己對圖像做了準(zhǔn)確分割，或者說都是以圖像分割為基礎(chǔ)的。這與計算機(jī)視覺中出現(xiàn)的情況類似。醫(yī)學(xué) 圖像分割是正常組織和病變組織的三維重建、定量分析等后續(xù)操作的基礎(chǔ)，也是臨床醫(yī)學(xué)應(yīng)用的瓶頸，分割的準(zhǔn)確性對醫(yī)生判斷疾病的真實情況并做出正確的診斷計劃至關(guān)重要。 由于醫(yī)學(xué)圖像具有的極繁雜的多樣性和復(fù)雜性，加上目前醫(yī)學(xué)影像設(shè)備（ CTMRI， PET）等成像技術(shù)上的特點，使得醫(yī)學(xué)圖像存在一定的噪聲，圖像中目標(biāo)物體部分邊緣也有可能局部不清晰，這使得醫(yī)學(xué)圖像的分割更困難。因此，目前在醫(yī)學(xué)圖像分割方面仍然沒有可以通用的理論和方法，從指導(dǎo)思想上看，圖像分割方法可以分為兩種體系，以計算機(jī)為單一執(zhí)行者的自動分割方法和人機(jī) 結(jié)合的交互式分割方法。自動分割方法的指導(dǎo)思想是追求完全由計算機(jī)自主完成目標(biāo)的分割任務(wù)，而不需要人的參與。但是，目前計算機(jī)自主分割的結(jié)果不能令人滿意，準(zhǔn)確性不能滿足醫(yī)學(xué)圖像的應(yīng)用要求，而對人機(jī)交互過于依賴又是實際應(yīng)用不能接受的。因而，目前對自動分割方法的研究繼續(xù)關(guān)注的同時，對交互分割方法的研究也成了醫(yī)學(xué)圖像分割的研究重點。 所謂圖像分割是指將圖像中具有特殊 涵義 的不同區(qū)域區(qū)分開來，這些區(qū)域是互 相 不交叉的 【 15】 。 圖像分割的要求主要有：圖像分割所得到的全部子區(qū)域的總和應(yīng)該能包括圖像中所有的像素。各個子 區(qū)域是相互不重疊的，分割出的區(qū)域的內(nèi)部不應(yīng)該有 很小的孔 洞；分割出的圖陜西理工學(xué)院畢業(yè)設(shè)計 第 9 頁 共 55 頁 像區(qū)域應(yīng)該具有某種相同的性質(zhì)。分割出的區(qū)域的邊界與實際的邊界要吻合；分割出的同一個子區(qū)域內(nèi)的像素應(yīng)當(dāng)是連通的。 圖像分割是當(dāng)今圖像技術(shù)的一個熱點和焦點。對于一幅灰度圖像，區(qū)域內(nèi)部的像素一般具有灰度相似性，而在區(qū)域之間的邊界上一般具有灰度的不連續(xù)性，所以分割算法可據(jù)此分為利用區(qū)域問灰度不連續(xù)性的基于邊界的算法和利用區(qū)域內(nèi)灰度相似性的基于區(qū)域的算法。另外根據(jù)分割過程中的處理策略不同，分割算法又可以分為并行 算法和串行算法 【 12】 。對于醫(yī) 學(xué)圖像分割算法的分類依據(jù)也不統(tǒng)一 。 并行邊界技術(shù)的分割方法比較典型的是并行微分算子法，該算法對圖像中灰度的變化進(jìn)行檢測，通過求一階導(dǎo)數(shù)極值點或二階導(dǎo)數(shù)過零點來檢測邊緣 【 12】 。常用的一階導(dǎo)數(shù)算子有梯度算子、 PREWITT算子和 Sobel算子，二階導(dǎo)數(shù)算子有 LAPLACIAN算子，還有 KIRSCH算子和WALLIS算子等非線性算子。 1) 基于曲面擬合的方法：這種方法的基本思想是將灰度看成高度，用一個曲面來擬合一個小窗口內(nèi)的數(shù)據(jù)，然后根 據(jù)該曲面來決定邊緣點。 2) 基于曲線擬合的方法：這種方法用平面曲線來表示不同區(qū)域之間的圖像邊界線，試圖根據(jù)圖像梯度等信息找出能正確表示邊界的曲線從而得到圖像分割的目的，而且由于它直接給出的是邊界曲線而不象一般的方法找出的是離散的、不相關(guān)的邊緣點，因而對圖像分割的后繼處理如物體識別等高層處理有很大幫助。即使是用一般的方法找出的邊緣點，用曲線來描述它們以便于高層處理也是經(jīng)常被采用的一種有效的方式。 1) 閾值分割的方法：閾值分割是最常見的并行的直接檢測區(qū)域的分割方法 【 14】 。單閾值分割，將圖像分為 目標(biāo)和背景兩大類；多閾值方法，圖像將被分割為多個目標(biāo)區(qū)域和背景；為區(qū)分目標(biāo)，還需要對各個區(qū)域進(jìn)行標(biāo)記。選取的 閾 值應(yīng)位于兩個峰之間的谷，從而將各個峰分開。 2) 分類和空間聚類的方法：分類是模式識別領(lǐng)域中－ LEE基本的統(tǒng)計分析方法。主要應(yīng)用有：對人腦 MR 圖像和 CT 肝臟圖像進(jìn)行組織分類、處理微循環(huán)圖像、計算血管面積、對電鏡圖像中的細(xì)胞特性進(jìn)行提取、計算、識別和分類以及對隔膜圖像的結(jié)構(gòu)進(jìn)行分析等。 3) 基于隨機(jī)場的方法：最常用的一種統(tǒng)計學(xué)方法是將圖像看作一個馬爾科夫隨機(jī)場 MRF（ MARKOV RANDOM FIELD），統(tǒng) 計學(xué)方法的實質(zhì)是從統(tǒng)計學(xué)的角度出發(fā)對數(shù)字圖像進(jìn)行建模，把圖像中各個像素點的灰度值看作是具有一定概率分布的隨機(jī)變量。在很多情況下，組織的灰度分布呈高斯分布。整幅圖像的直方圖可以看作各組織分布的迭加。例如，對人腦的 MR圖