自动化分割范文

自动化分割范文（精选7篇）

自动化分割 第1篇

近年来,随着空气质量的恶化、二手烟危害的加深、职业因素的影响等原因,肺癌已成为世界范围内发病率及死亡率最高的恶性肿瘤[1],计算机辅助诊断(Computer-Aided Diagnosis,CAD)能够在降低医生工作量的同时提供具有重要参考价值的图像解释信息[2],联合医生进行肺结节的双重筛选,从而辅助医生作出定性判别结果[3],因此,进行CAD研究具有重要的现实意义。目前,计算机断层扫描成像(Computed Tomography,CT)是多种模态医学成像中最能够凸显肺部疾病征象的影像学手段[4],而肺癌最常见的早期形态为肺结节(lung nodules)[5],该阶段正是肺癌患者进行有效治疗的最佳时期[6],因此,利用CT图像进行肺结节的辅助诊断对于肺癌的早期发现具有重要意义。感兴趣区域(Region of Interest,ROI)的精确分割是进行特征刻画和分类识别的重要前提,因此,肺结节分割算法一直是CAD研究的热点之一,国内外众多学者提出了许多新型肺结节分割方法,如Diciotti[5]等提出了一种基于三维测地距离图来进行局部形状分析的分割算法,该算法利用一种自动校正的方法进行了血管粘附性结节的局部优化,提高了近血管结节的分割质量;Dehmeshki[7]等以一个固定的尺寸结合形态学算子方法去除了血管区域,进一步用迭代的方法重建形态学算子,但这种重建会使一部分附着在血管上的小结节体积估算偏大;Santos[8]等利用区域生长法分割出肺实质,并根据高斯混合模型和海森矩阵从肺实质中分离出肺结节;Netto[9]等利用增长型神经气体(Growing Neural Gas,GNG)进行聚类粗分割,然后根据三维距离变换把肺结节从含有血管、支气管的组织中分离出来。然而,目前已有的肺结节分割方法还存在以下不足:

1)分割过程需要人工干预,难以满足自动化的分割要求;

2)较少考虑肺结节与其他组织的毗邻关系,并且对不同类型的肺结节采用相同的分割算法,导致分割误差较大;

3)基于二维图像处理的分割算法通常会丢失空间结构信息,不利于ROI三维特征的提取。

基于以上原因,本文提出了一种基于空间分布的三维自动化肺结节分割算法,该算法首先在三维连通的基础上利用C-means聚类算法分割出肺实质,然后在充分考虑肺结节的空间分布的基础上将肺结节分为3类:孤立性肺结节、胸膜粘附性肺结节和血管粘附性肺结节,最后针对以上3种类型肺结节的灰度分布和几何结构特点,分别采用基于连通性、灰度下降、散度差异的算法进行分割。为了验证算法的有效性和可行性,本文做了5组实验,即肺实质分割实验、孤立型肺结节分割实验、胸膜粘附型肺结节分割实验、血管粘附型分割实验、分割正确率检测实验,实验结果表明,该算法能够比较理想地分割出不同部位的肺结节。

2 肺结节分类

医学图像往往涉及人体各类组织器官,具有数据海量性、灰度模糊性、结构复杂性、噪声显著性等特点,因此,肺结节分割算法不仅要关注阈值的设定,更要探讨目标成像的拓扑结构,本文在基于空间分布的医学划分上进行了更细致的描述[5],如图1所示(图中圆圈区域即为不同类型的肺结节),根据肺结节生长位置的不同将其分为3类:孤立型肺结节、胸膜粘附型肺结节、血管粘附型肺结节。

从单层CT切片来看,3种不同类型的肺结节分别具有以下特点:

孤立型肺结节:结节周围无明显的杂质,通常呈圆形或椭圆形,易于实现二值化分割。

胸膜粘附型肺结节:结节通常表现为气管、支气管、胸膜上的凸起组织,外形不规则,其中胸膜粘附型肺结节与胸膜、心脏等组织灰度极其接近,且灰度值呈小范围、低亮度分布。

血管粘附型肺结节:结节粘附在血管上,与胸膜粘附型肺结节不同的是,该类型结节与血管连接通路的灰度由两极向中间呈下降趋势分布。

3 本文算法

CT序列切片实际是1组三维灰度图像,影像医生一般只对每张断层图像中进行逐一观测,但却缺少Z方向的动态链接,因此,这种CT读片方式会丢失一定的三维结构信息,基于以上分析,本文以三维体素为数字图像运算单元对肺部CT图像进行分割,根据CT图像中肺部成像的结构特点,肺结节分割算法主要包括肺实质分割和肺结节分割两大内容。肺实质分割是去除CT影像中的杂质区域(包括背景、胸腔骨骼、脂肪、肌肉、气管等),只保留对肺结节检测与识别有价值的肺实质部分;肺结节分割是从肺实质(包括肺泡、血管、胸膜等)中分离出3种不同类型的肺结节。本文算法思想如下:

肺实质分割:首先用Otsu算法对肺部CT序列切片进行二值化处理,然后对二值化图像进行三维连通,然后以CT图像中各连通区域与图像中心的距离为特征进行聚类,分割出二值化的肺实质,最后,为避免胸膜粘附型结节在以上处理过程中被删除,则采用形态学算子膨胀二值化的肺实质,并将结果图像与原始灰度图像进行掩模运算,得到具有灰度信息的肺实质。

肺结节分割:首先根据连通区域面积大小从得到的肺实质图像中分离出胸膜区域(胸膜区域为最大连通区域面积,用于提取胸膜粘附型肺结节)和肺内区域(提取孤立性肺结节和血管粘附型肺结节),然后根据医生标记的坐标从肺内区域中分割出孤立性肺结节;分离出的胸膜区域与拉普拉斯算子进行卷积,得到其散度图像,并根据设定的阈值(本文为0.5)分割出散度较大的区域,即胸膜粘附型肺结节;血管粘附型肺结节与血管连通区域的灰度值由两端向中间递减,首先进行局部灰度峰值检测,将这些峰值体素点作为种子点进行灰度值下降的区域生长,最后删除区域生长中的重复区域便可分割出血管粘附型肺结节。

基于以上算法思想,图2给出了该算法的流程图。

4 仿真实验

本文实验所涉及的软、硬件环境如下:

软件环境:Windows 7操作系统,Matlab R2014b,Image J 1.48u。

硬件环境:Intel Core i5 4670-3.4GHz(CPU),8.0 Gbyte(内存),2.0 Gbyte显存(显卡),500 Gbyte(硬盘)。

实验数据:采用经过影像科医生标记的70例肺结节患者的CT图像(共2 232幅,其中孤立性肺结节38例,血管粘附性肺结节17例,胸膜粘附性肺结节15例)作为实验样本,大小均为512×512,厚度为2 mm。

4.1 实验一:肺实质分割

原始的胸部CT图像通常包括背景、肺组织、血管、气管、骨骼、脂肪、肌肉等,而真正对肺结节检测与识别有价值的只有肺实质部分,因此,肺实质的精准分割直接影响CAD系统的实际临床应用价值[10]。本文提出分割算法中的肺实质分割主要包括以下5个步骤:

1)图像二值化:采用Otsu算法对肺部CT序列切片图像(图3a)进行二值化处理,得到二值化肺部CT序列切片图像(图3b)。

2)三维连通:实现二值化肺部CT序列切片图像的三维方向6邻域(即上、下、左、右、前、后)连通(图4a),重建的肺部三维图像如图4b所示。

3)聚类分割:对肺部的三维图像利用C-means进行聚类(连通区域中心点与图像中心点的距离作为聚类特征,各连通区域中心点分布如图5a所示),得到不同的三维连通区域(如肺实质、背景、胸腔轮廓、噪声等),保留由二值化的肺实质构成的三维连通区域,其他区域用“白色”代替。

4)膨胀运算:利用形态学算子对二值化肺实质进行膨胀运算(保留胸膜粘附性结节),形态学膨胀相当于对二值图像中值为1的像素连接区域的进行扩展,用B(x)代表结构元素,对工作空间E中的每一点x,膨胀结果F为

膨胀后得到的三维肺实质轮廓如图6所示。

5)掩模运算:膨胀后的肺实质轮廓与原始CT图像进行“乘积”掩模运算,得到包含灰度信息的肺实质图像(图7)。

图8给出了部分肺实质的分割结果,图中大圆圈区域为非肺部组织,但其灰度与肺部极其接近,却没有被误分割到肺部区域中去,并且某些切片内肺部没连接到一起的小区域(如小圆圈区域),也能被很好地划分成肺部区域,由此可见,该算法在肺实质分割过程中既没有过分割,也没有遗漏候选区域,这说明该算法对肺实质的分割是极其有效的。

4.2 实验二:孤立型肺结节分割

孤立型肺结节在3类结节中的所占比例最大,图9是通过三维连通并进行不同颜色标记的孤立型肺结节。

经过肺实质分割过程中的形态学膨胀和组织填充,肺部已变成了带血管和胸膜的凸体,因此只需要再对这个肺部反过来进行与膨胀算子同样大小的形态学腐蚀操作即可得到肺内区域(包括血管、血管粘附型肺结节、孤立型肺结节、肺泡等,如图10a),而被分离的胸膜区域可以作为胸膜粘附型结节分割对象(图10b),然后根据医生标记的坐标在肺内区域中分割出孤立型肺结节,部分孤立型肺结节的分割结果如图11所示。

4.3 实验三:胸膜粘附型肺结节分割

胸膜粘附型结节与其他两类结节的差异表现在其与胸膜区域的灰度值差异较小(除了胸膜外的肋骨和其他特殊组织),基于灰度的分割方法难以进行有效的分割,通过实验可知,胸膜粘附型肺结节的内部灰度变化为由内向外不断降低,其散度与周围组织存在较大的差异,因此选用散度结果区分胸膜粘附性结节与其周围粘连组织是可行的。三维CT数据x,y,z三个方向的微分量表示该区域向周围扩散的灰度变化,而拉普拉斯算子作为最简单的各向同性微分算子,具有旋转不变性,其特性非常适用于处理该问题,因此本文采用拉普拉斯算子作为滤波器对ROI进行卷积运算计算散度,得到其散度图像(图12b),然后根据对CT数据的测试可知,散度阈值设定为均值0.5时(0和1代表最小和最大的L的值)效果最好,取大于0.5的区域获得胸膜粘附性肺结节(图12c),部分胸膜粘附型肺结节的分割结果如图13所示。

式中:f为ROI灰度值;L为其散度值。

4.4 实验四:血管粘附型肺结节分割

为解决血管粘附型肺结节的分割和肺内血管组织粘连的问题,本文采用基于灰度下降的区域生长算法。

如图14所示,分别取“山脉”和“山丘”(“山丘”为结节,如峰1;“山脉”为血管,如峰3)的顶峰作为种子点,进行灰度下降的区域生长(即每个体素只往周围灰度值比它低的点扩散),因此,要完成粘连部分的分割只需将两个生长区域中的重合区域删除(如图14中最下方的深色区域)即可,便可得到血管粘附型肺结节。

为弥补算法对噪声敏感而产生误差,本文首先对图片进行三维高斯平滑滤波,然后采用灰度窗口变换,将灰度值大于l的体素x(M)的灰度值都修改为l

式中:I(x(M))表示体素x(M)的取值;M是感兴趣区域掩模,是与图像一样规格的逻辑矩阵,值为x(M)表示只访问M中值为l的元素,l的取值如下

即三维影像感兴趣区域中灰度值小于l的体素个数Nl占该区域总体素个数Nx(M)的比值应大于等于α。根据实验测试,α取0.7效果最好。

处理结果如图15所示(“山丘”及“山脉”的“峰顶”会被剃平),再对整个ROI求区域灰度极大值,便可获得这些“平顶”(此时的峰顶就由单个体素变成了多个体素区域,与其相临体素的灰度值均低于该区域),最后取该区域作为种子点进行灰度下降,便可成功地分离出与血管相连的结节区域,部分血管粘附型肺结节的分割结果如图16所示。

4.5 实验五:肺结节分割结果分析

经过对70例肺结节进行分割提取,并与标记的肺结节数量进行比对,其分割正确率和算法耗时如表1所示。

由此可见,本文算法的平均分割正确率在93%以上,算法耗时也保持在较低的水平,已基本满足不同类型肺结节的分割提取。

5 小结

本文在分析肺结节分割算法研究现状的基础上,总结出算法研究中存在的3个问题(通常采用二维分割,较少考虑三维空间结构;自动化程度低,需要过多的人工干预;肺结节分类不明确,对不同类型的肺结节采用相同的分割算法),并提出了一种基于空间分布的三维自动化肺结节分割算法,该算法首先剔除杂质区域,分割出具有研究价值的肺实质,然后利用肺结节的空间分布差异性分别采取不同的三维分割提取算法,实验结果证明该算法能够无监督且准确地分割出肺结节,保留了其三维结构信息,对于肺结节的检测与识别研究具有重要意义。

摘要：针对肺结节分割中存在的自动化程度低、较少考虑空间结构以及粘附型肺结节分割不充分问题,提出了一种基于空间分布的三维自动化肺结节分割算法。该算法首先利用C-means聚类算法分割出肺实质,然后根据肺结节空间分布的差异性将其分为3类:孤立性肺结节、胸膜粘附性肺结节、血管粘附性肺结节,并对3种不同类型的肺结节分别采用基于连通性、灰度下降和散度差异的分割算法进行分割,70个肺结节(其中孤立性肺结节38个,血管粘附性肺结节17个,胸膜粘附性肺结节15个)CT图像的实验结果表明,算法能够准确、自动地分割出3种不同部位的肺结节。

关键词：肺结节分割,自动化分割,三维分割,医学图像处理

参考文献

[1]RIAZ S P,LUCHTENBORG M,COUPLAND V H,et al.Trends in incidence of small cell lung cancer and all lung cancer[J].Lung cancer,2012,75(3):280-284.

[2]THEODORIDIS S,KOUTROUMBAS K.Pattern recognition[M].New York:Academic Press,2008.

[3]SAHINER B,CHAN H P,HADJIISKI L M,et al.Effect of CAD on radiologists'detection of lung nodules on thoracic ct scans:analysis of an observer performance study by nodule size[J].Acad radiol,2009,16(12):1518-1530.

[4]BALDWIN D R.Prediction of risk of lung cancer in populations and in pulmonary nodules:significant progress to drive changes in paradigms[J].Lung cancer,2015,89(1):1-3.

[5]DICIOTTI S,PICOZZI G,FALCHINI M,et al.3-D segmentation algorithm of small lung nodules in spiral CT images[J].IEEE transactions on information technology in biomedicine,2008,12(1):7-19.

[6]FERLAY J,SOERJOMATARAM I,DIKSHIT R,et al.Cancer incidence and mortality worldwide:sources,methods and major patterns in GLOBOCAN 2012[J].International journal of cancer,2015,136(5):359-386.

[7]KOSTIS W J,REEVES A P,YANKELEVITZ D F,HENS-CHKE C I.Three-dimensional segmentation and growthrate estimation of small pulmonary nodules in helical CT images[J].IEEE transactions on medical imaging,2003,22(10):1259-74.

[8]SANTOS A M,FILHO A,SILVA A C,et al.Automatic detection of small lung nodules in 3D CT data using gaussian mixture models,tsallis entropy and SVM[J].Engineering applications of artificial intelligence,2014(36):27-39.

[9]NETTO S M B,SILVA A C,NUNES R A,et al.Automatic segmentation of lung nodules with growing neural gas and support vector machine[J].Computers in biology and medicine,2012,42(11):1110-1121.

股票分割时间-什么是股票分割？ 第2篇

股票分割的基本概念

中文名称：股票分割

英文名称：StockSplit

概念：股票分割给投资者带来的不是现实的利益，但是投资者持有的股票数增加了，给投资者带来了今后可多分股息和更高收益的希望，因此股票分割往往比增加股息派发对股价上涨的刺激作用更大。

反向分割(ReverseSplit):

反向分割的作用在于提高股票的价钱，它跟股票分割正好是相反的。在反向分割里投资人可以换到更少的股票。

分割作用

1、股票分割会在短时间内使公司股票每股市价降低，买卖该股票所必需的资金量减少，易于增加该股票在投资者之间的换手，并且可以使更多的资金实力有限的潜在股东变成持股的股东。因此，股票分割可以促进股票的流通和交易。

2、股票分割可以向投资者传递公司发展前景良好的信息，有助于提高投资者对公司的信心。

3、股票分割可以为公司发行新股做准备。公司股票价格太高，会使许多潜在的投资者力不从心而不敢轻易对公司的股票进行投资。在新股发行之前，利用股票分割降低股票价格，可以促进新股的发行。

4、股票分割有助于公司并购政策的实施，增加对被并购方的吸引力。

5、股票分割带来的股票流通性的提高和股东数量的增加，会在一定程度上加大对公司股票恶意收购的难度。

6、股票分割在短期内不会给投资者带来太大的收益或亏损，即给投资者带来的不是现实的利益，而是给投资者带来了今后可多分股息和更高收益的希望，是利好消息，因此对除权日后股价上涨有刺激作用。

股利比较

股票分割与股票股利的比较：

1、股票分割与股票股利的相同点

(1)普通股股数增加(股票分割增加更多)。

(2)每股收益和每股市价下降(股票分割下降更多)。

(3)股东持股比例不变。

(4)资产总额、负债总额、股东权益总额不变。

2、股票分割与股票股利的不同点

(1)面值变小。

(2)股东权益结构不变。

(3)不属于股利支付方式。

股票股利

(1)面值不变。

(2)股东权益结构改变。

自动化分割 第3篇

图像分割技术是一种重要的图像分析技术, 它决定图像分析质量和模式识别的判别结果。分割的过程是对图像中的每个像素加标签的一个过程, 使得具有相同标签的像素具有某种共同视觉特性, 即从背景中提取一个或多个目标对象。图像分割的方法很多, 对其分类也多种多样。按照在图像分割中是否需要用户参与, 可将图像分割划分为交互式的图像分割和自动分割[1]。交互式和自动的方法并没有本质的区别, 二者在很多情况下使用相同的方法, 区别在于交互式的操作需要人工决定一些参数或者条件。交互式的图像分割需要在图像分割的过程中加入主观的先验信息进行指导, 因此依赖于人机交互, 极易受主观性的影响。典型的交互式分割方法是基于图论的分割方法, 如Intelligent scissors[2]、Graph Cut[3]及Grab Cut[4]等。Grab Cut是迭代的Graph Cut, 在目标外面画一个框把目标框住, 它就可以对GMM进行建模并完成良好的分割, 但是速度比较慢。2006年Vezhnevets等提出了基于细胞自动机的交互式图像分割算法, 也称Grow Cut方法[5]。该方法具有较强的鲁棒性, 可以作用于任意维图像, 也可以扩展到多目标的分割过程, 即在分割时可以对好几个前景目标作标记, 然后算法同时完成对它们的分割, 不需要额外的时间。目前Grow Cut分割算法需要用户参与[6,7]标记种子, 不能通过算法实现对图像的自动分割。图像分割的质量依赖于种子点的选取, 而且需要用户对分割的结果进一步的精心修正, 才可获得令人满意的结果。在分割过程中的人为互动活动消耗了时间和劳力, 这使得自动图像分割技术更具吸引力。但是由于彩色图像的多样性和复杂性, 单纯用某一种分割算法实现自动分割存在精度不高、过度分割等不足[8]。Region Growing[9]是一种比较普遍的自动分割方法, 算法从某个或者某些像素点出发, 最后得到整个区域, 进而实现目标的提取, 但由于噪声和灰度不均一会导致空洞和过分割现象, 往往效率低下。

为了克服以上技术的不足, 本文提出了一种基于阈值和形态预处理标记提取的Grow Cut分割算法 (TMAG) 。该方法无需用户交互, 可实现完全自动化;无需建立数据模型, 可以较快地获得良好的分割结果。

1 Grow Cut算法理论基础

元胞自动机 (Cellular Automaton, CA) [10]是在时间和空间上离散的非线性动力学模型, 它能够通过简单的行为规则实现复杂计算。一幅数字图像可以看作是m×n的网格, 每个像素点对应于CA中的一个细胞。Grow Cut算法采用CA作为分割过程的框架, 根据当前的元胞状态及其邻域状况决定下一时刻该元胞的状态, 直至算法收敛, 实现前景目标的分割。

对于一幅图像, 初始元胞状态为:

式中, lp为p的标记, θp为像素p属于当前标号的强度, 取[0, 1]之间的数值, 为元胞特征向量, RGBp为像素在空间的三维色彩向量。

邻域是元胞自动机的基础规则, 中心元胞通过综合它和其邻居状态来计算它在下一时刻的状态。Grow Cut算法采用Moore型邻域实现迭代, 其定义如下:

在算法开始时, 用户对整个图像设置前景和背景初始种子, 以及与它们对应的标签。然后, 种子细胞开始攻击其邻近细胞, 只有当前细胞的攻击强度大于防守细胞的防守强度时, 攻击才成功, 此时防守细胞被占领并改变其标记。此过程是一个状态反复变化的过程, 当没有细胞状态发生改变时, 算法收敛, 分割结束。在整个分割过程中, 不需要指定类别, 也不需要额外的时间代价就可以扩张到多目标的情况。而且可以通过添加新的种子指导分割, 并能看到整个生长过程。

2 阈值和形态预处理的Grow Cut分割算法

针对Grow Cut算法依赖于用户标记的初始种子, 提出了基于标记提取的Grow Cut自动分割算法, 算法的实现过程就是首先利用阈值分割对图像进行预处理, 得到前景和背景区域, 通过形态学运算求取图像的局部极大值自动生成初始种子模板, 然后利用细胞自动机迭代算法修改种子细胞标号, 最终实现目标图像的分割。流程如图1所示。

2.1 阈值分割

基于阈值选取的图像分割方法是提取目标物体与背景在灰度上的差异, 把图像分为具有不同灰度级的目标区域和背景区域的组合。阈值分割法对于不同类的物体灰度或其他特征值相差很大时, 它能有效地对图像进行分割[11]。阈值分割通常作为图像的预处理, 然后结合运用其他分割方法进行处理。阈值分割法主要有两个步骤:第一, 确定进行正确分割的阈值;第二, 将图像的所有像素的灰度级与阈值进行比较, 进行区域划分, 实现目标与背景的分离[12]。

本文中阈值分割法初步分离图像的目标与背景, 得到的目标图像f'与背景图像g', 用以后续形态学处理。自动阈值法使用灰度直方图来分析图像中灰度值的分布, 选取最合适的阈值, Otsu[13]是一种使类间方差最大的自动确定阈值的方法, 具有简单、处理速度快的特点, 使用该方法计算得到阈值T。设原图像为f (x, y) , 按式 (3) - (4) 对图像进行阈值化处理。

阈值T1、T2由式 (5) - (6) 所得。

这里a、b分别取值为a=0.9, b=0.6。

2.2 形态学设置种子点

形态学处理是指用数字形态学作为工具从图像中提取对于表达和描绘区域形状有用的图像分量, 是基于形状的图像处理技术。形态学基本算子有腐蚀、膨胀、开、闭等[14]。腐蚀是数学形态学最基本的运算, 是一种消除边界点, 使边界向内部收缩的过程, 可以用来消除小且无意义的物体。与腐蚀对应的运算是膨胀, 是将与物体接触的所有背景点合并到该物体中, 使边界向外部扩张的过程, 可以用来填补物体中的空洞。形态学开闭重构运算是建立在膨胀和腐蚀基础上的[15], 常常将膨胀和腐蚀结合起来完成一定的图像处理任务[16]。先腐蚀后膨胀称为开, 先膨胀后腐蚀称为闭, 开和闭这两种运算可以除去比结构元素小的特定图像细节, 同时保证不产生全局几何失真。

这里获得的标记是对象内部的连接斑点像素。可以使用形态学技术“基于开的重建”和“基于闭的重建”来清理图像[17]。这些操作将会在每个对象内部创建单位极大值, 最后使用imregionalmax来定位。

采用形态学重建技术对图像中感兴趣的目标和背景进行标记。

(1) 目标标记提取。对目标图像f'提取局部最大值, 并进行标记。该函数得到的二值图像即为目标标记图像, 记为fgm1。

(2) 背景标记提取。同样对背景图像g'提取局部最大值, 将得到的二值图像进行取反, 即乘以 (-1) , 得到背景标记图像, 记为fgm2。

(3) 根据标记图像自动生成初始种子模板fgm, 前景标号为1, 背景标号为-1, 其它初始标号为0。其流程如图2所示。

2.3 Grow Cut迭代生长过程

Grow Cut算法的生长过程是一个迭代过程。在迭代过程的每个时刻, 如果邻域细胞q的攻击强度大于防御细胞p的强度, 那么防御细胞p的标号和强度都被改变。该生长过程是一个状态反复变化的过程, 当细胞状态不再改变时, 则算法收敛。具体生长过程如下:

t←0

while (!converged or up to MAX_ITS) do

∥对每个细胞

for∀p∈P

∥首先复制前一个状态

lt+1p=ltp;θt+1p=θtp;

∥领域的细胞攻击当前的细胞

for∀q∈N (P)

lt+1p=ltq;

end if

end for

end for

t←t+1

end while

其中, , 是取值在[0, 1]之间的单调下降函数, 保证了每个细胞强度的增长是有界的。计算过程是根据图像像素映射的细胞进行扫描的, 保证了算法的收敛性。

3 实验及效果分析

为了验证本文TMAG算法的有效性, 对彩色图像进行分割实验。算法在Window XP操作系统平台上, 采用MATLAB工具和C++相结合实现。算法的过程和结果如图3所示。

从分割效果和分割速度两方面验证TMAG算法的优越性。图4为对彩色图像分割的结果比较, 其中3种方法所花费的时间对比分析如表1所示。

图4 (a) 是待分割的彩色图像, 对其进行不同的分割方法, 随后将TMAG算法与其它算法的结果进行比较。TMAG算法与Region Growing相比, 分割效果更稳定, Region Growing由于灰度不均一可能会导致空洞, 图4 (b) 山峰的上面就有部分没有分割完整。图4 (c) 是用户指定背景后执行Grab Cut算法的结果, 未作进一步的交互修改。Grab Cut允许不完全的标注, 通过进一步的交互修改能够得到令人满意的效果, 与交互的Grab Cut算法相比, TMAG算法不仅实现自动分割, 且分割效果令人满意。与Grow Cut算法相比, 由于初始种子定义的不同, Grow Cut算法分割效果出现误差, 图4 (d) 中莲花的最下面一片花瓣没有分割完整。

本文所提出的TMAG算法优势在于分割的速度较快, 为了说明TMAG算法快速的特性, 将Region Growing算法和Grab Cut算法与之进行了比较实验, 实验结果如表1所示。这里Grab Cut算法的运行时间指用户交互的指定背景种子点之后分割图像花费的时间。表1的时间比较说明了TMAG算法花费的时间远远低于其它分割方法。

从图4的结果比较和表1的时间比较可看出, TMAG算法在分割质量和花费时间上都占有一定的优势。

4 结束语

自动化分割 第4篇

骨龄是衡量少年儿童骨骼发育程度的数据指标, 反映了机体的生物学年龄。骨龄常用于少年儿童发育程度的评价、儿童的保健咨询及生长监测、小儿内分泌疾病的诊断与治疗、少年儿童未来身高的预测;骨龄数据也可用于文艺和体育竞技中, 选才和确定比赛选手的骨龄分组等;在司法中, 研究未成年人骨龄与实际年龄和刑事责任年龄间的关系, 有助于合理地进行司法判案。如何实现骨龄评测的自动化, 使得骨龄评定简单、快捷、准确、可重复性强, 已成为国内外许多研究机构的研究重点[1,2]。

1992年, 国家体委在修改TW2法[3]的基础上, 制定了适合我国国情的中国人骨发育标准CHN计分法。该方法选取左手、腕部的14个骨骼, 为各骨划分不同的等级, 每一等级有一定的得分, 14个骨块的总分为发育成熟度得分, 由此得到相应的骨龄值。2006年, 我国以百分位数法分别制订了TW3-C RUS, TW3-C腕骨和RUS-CHN骨龄标准, 称为《中国人手腕骨发育标准中华05》[4]。

骨龄自动评价系统就是利用图像处理和模式识别的方法, 让计算机自动处理并分析手、腕骨X光片图像, 提取图像中手掌特征骨, 将其与骨发育标准中的相应部位进行比较, 以确定发育等级, 给出相应得分, 最终求得受测者生理发育年龄的计算机系统。自动评价系统与人工评价系统相比, 具有速度快, 可重复性强, 易操作, 公正的优点。

计算机骨龄自动评价系统一般由4个部分组成:X光片图像预处理、X光片图像分割、骨骼特征提取、骨块识别与骨龄计算。这里针对CHN计分法14个特征骨骼中桡骨的定位、分割和边缘提取方法进行了研究。

1预处理

腕骨X光片图像通常表现为对比度低, 软组织之间的边界模糊, 组织特征可变性及形状结构和细微结构的分布复杂等, 如图1所示。

预处理的目的是去除图像中的噪声和干扰, 增强图像的对比度, 以突出目标区域, 使图像便于分割。

在预处理中, 先采用中值滤波[5]去除图像中部分噪声, 再用Laplacian增强[6]和线性增强相结合的图像增强方法, 增强骨骼与软组织间的对比度, 尤其是远节指骨部分的对比度, 骨骼边缘和骨缝从视觉上看更加清晰, 且不失真, 如图2所示。对增强图像以非黑像素点最大、最小亮度差值的1/5作为阈值, 进行二值化, 对二值图像进行形态学处理和区域填充, 精确提取手形区域的二值图像, 如图3所示。精确的手形二值图像包含了完整的手掌信息, 并且进一步减少了背景和软组织区域, 有利于后面对各特征骨块的分割、定位和提取。

2基于Canny算子和Sobel算子公共边缘图像的边缘提取算法

对几种算子提取的边缘图像进行比较发现, Canny算子[7,8]能较准确、细致地描述骨块的边缘信息, 但存在大量的伪边缘 (见图4) 。Sobel算子和Roberts算子可以得到骨骼的粗轮廓, 边缘宽度一般都大于两个像素, 且有的骨骼边缘不连续, 但伪边缘相对较少。因此, 实验中先对Sobel算子的边缘图像 (见图5) 采用33的结构元素, 进行一次膨胀运算, 让边缘向四个方向膨胀, 以使部分断开的边缘线能够连接起来, 再将Canny算子边缘图像和膨胀后Sobel算子边缘图像进行“与操作”, 即求两个算子边缘图像的公共边缘, 以达到去除部分伪边缘和细化边缘线的目的, 效果如图6所示。

从Canny算子和Sobel算子公共边缘图像中看出, 与Canny算子相比, 伪边缘提取的边缘图像大大减少。除远节指骨外, 其余各骨块边缘的信息基本完整, 均为单边缘, 可为后期进一步提取各特征骨块的边缘奠定基础。

3桡骨的定位、分割与边缘提取

图像分割是图像识别的前提。手掌骨中包含29块主要骨块, CHN计分法选用了其中的14块手骨作为特征骨块。这些骨块形状、大小各异, 且骨块间存在粘连和部分重叠的情形, 因而骨块的分割具有一定的难度, 分割的精确与否直接影响到骨块的等级划分和骨龄评定的准确性。

对于手掌图像来说, 仅靠整幅图像的直方图信息, 是无法将骨骼从手掌中准确剥离出来的。因为手指骨块的灰度值范围与腕部较厚的软组织处的灰度值范围是重合的, 用全局阈值很难取得良好的分割效果, 所以要充分考虑图像的局部区域特征[9]。在此, 将介绍桡骨的定位、分割和边缘提取方法。

3.1 桡骨的定位与分割

桡骨 (Radius) 是CHN计分法选用的特征骨中最大的骨块, 也是很关键的一块骨块。它内侧邻近尺骨远端, 远外侧邻近舟骨, 远内侧邻近月骨[10]。桡骨骨质密集, 发育比较好, 且桡骨部分与背景的对比度比较明显, 为桡骨的分离和边缘提取创造了一定的便利。

3.1.1 腕部切割算法

在拍摄X光片的过程中, 由于受测者手掌的大小不同, 使得采集到的图像中腕部长短不一。为了便于桡骨的定位和特征提取, 必须按一定的标准统一手腕的长度, 使桡骨和尺骨的保留得以标准化。吕英文[9]提出, 在手形二值图像桡骨的外侧边缘线上, 对任意一点P, 分别向前取30点和向后取30个点, 用最小二乘法拟合直线L1, L2, 计算L1与L2的斜率差, 斜率差最大的点即为手腕和手掌的分界点。洪初阳[11]提出, 对手掌下截二值图像进行水平方向的投影, 则在投影图中手腕处会出现一个低谷, 确定低谷位置, 大体可以确定出手腕和手掌的分割位置。

在实验中, 观察手形二值图像发现, 从手腕向手掌方向, 手形逐渐变宽, 其中宽度变化较大的位置即为手腕和手掌的分界点。因此, 采用计算手形宽度的方法来定位腕部分割线。 在手形二值图像中, 从下往上扫描, 计算手形每一行的宽度;将每一行手形的宽度d与其上方的第n行手形宽度进行比较, 如果宽度差值大于d/5个像素, 则该行即为腕部的分割线AB;定位分割线AB后, 采用统一的长度对分割线以下的区域进行切割。

实验中取n=30, 腕部切割后的效果如图7所示, 图中横线即为分割线AB。在手掌摆放端正, 没有明显歪斜的情形下, 这种方法基本可将尺、桡骨和手掌部分分割开, 以AB线向下移动一定的行数统一切割腕部, 以使受测者图像的桡骨和尺骨的保留标准化。

3.1.2 基于自适应阈值和最大面积变化法相结合的尺、桡骨分离算法

切割腕部后, 需要将尺骨和桡骨分离开。洪初阳[11]对尺骨和桡骨图像进行增强分割处理, 再做垂直方向的投影来分离尺、桡骨。这种方法在尺、桡骨和其间软组织区域对比度较小或受测者的尺、桡骨不垂直于光片底边时, 分离效果不是很理想。由于在尺、桡骨区域中, 桡骨的面积最大, 其次是尺骨, 两者间的软组织区域灰度相对较低。采用自适应阈值和最大连通区域面积变化法来分离两个骨块。当阈值较低时, 尺骨和桡骨相连, 形成最大面积的连通区域, 随着阈值的增大, 如果二值化图像中骨骼的最大连通区域面积发生较大变化, 则说明尺骨和桡骨已经分离开, 否则继续增大阈值。为完整保留桡骨的骨化中心, 从分割线AB向上移动一定数目的行, 将其以下的区域选作尺、桡骨区域。

算法描述如下 (Segmentation) :

S1[初始化]: 初始化变量m;

S2[统计最高、最低亮度等级]: 统计区域内, 像素点的最高亮度等级Vmax和最低亮度等级Vmin。

S3[桡骨区域二值化]:设定阈值T=Vmin +m (Vmax-Vmin) , 对尺、桡骨区域进行二值化;二值图像存于缓冲区中;

S4[去除二值图像中的小区域]:去除缓冲区中面积太小的白色孤立点区域;

S5[判断尺、桡骨是否分离]:选取其中的最大面积连通区域, 比较缓冲区域内骨块总面积与其最大连通区域的面积差异;如果两者间面积差异占总面积的f%以上, 则认为两个区域差异较大, 说明此时尺、桡骨已经分离, 最大面积连通区域即为桡骨区域的二值图像, 算法结束;否则, 两个区域差异较小, 继续执行第S6步。

S6[尺、桡骨尚未分离, 增大阈值继续操作]:如果两个区域差异较小, 说明尺、桡骨尚未分离开, 继续增大阈值, 用新阈值重新对尺、桡骨区域图像进行二值化, 以消除软组织区域。增大m的值, 重复执行第S3～S5步。

实验中取f=6.6, 原始图像如图8所示, 算法执行后得到的桡骨区域二值图像如图9所示。从结果图像中可以看出, 该算法分离尺、桡骨的效果较好, 但由于采用的是最大连通区域面积变化法, 因而对于发育等级较低的手腕骨图像, 可能会出现桡骨区域二值图像仅有骨干而过滤掉骨化中心的情况, 如下图中的第一幅图像。在提取桡骨边缘时, 应进行骨化中心是否存在的判断。对于由于拍摄原因而造成尺、桡骨与其间软组织区域对比度特别弱的图像, 采用该算法后如果仍不能将两骨块分割开, 可再结合垂直投影的方法来进行分离。

3.2 桡骨的边缘提取算法

从桡骨区域二值图像中可以看出, 虽然尺、桡骨已分离, 但部分图像桡骨与腕骨存在粘连, 因此需要将桡骨和腕骨分离开。在采用边缘跟踪法提取桡骨边缘时, 在尺、桡骨分离后的桡骨区域二值图像中, 显示桡骨区域内Canny算子和Sobel算子边缘图像的公共图像如图10所示。

在桡骨区域二值图像中, 桡骨内侧较完整, 而外侧会有一定的缺损, 这是由于X光机是点光源, 拍摄时有的X光片中桡骨内侧的亮度较外侧的亮度高。因此, 为完整保留桡骨右边缘信息, 对桡骨区域内的边缘图像从左边开始, 向右的区域都保留。因而, 可见图10中桡骨外侧出现部分软组织的边缘信息。

桡骨边缘提取算法 (Extraction of Radius) 描述如下:

E1[去除不合法边缘]:对桡骨区域内的Sobel和Canny算子公共边缘图像 (见图10) , 通过对区域宽度、高度、宽高比和邻近像素的亮度信息加一定的条件限制, 去除不合法的边缘, 以消除部分伪边缘。

E2[提取骨干边缘线]:在公共边缘图像中定位到桡骨边缘线中下端的左右边缘点A, B;分别以A, B为起始点对桡骨边缘进行左右边缘跟踪, 同时, 去除完整手掌区域的Canny算子边缘图像中, 桡骨左右边缘线以外的区域 (Canny算子边缘图像的骨骼边缘较连续、精细, 只是存在较多的伪边缘) 。

E3[保留骨化中心区域]:去除桡骨以上的多余区域。在去除桡骨以上区域时, 先定位到桡骨骨干边缘跟踪线中的最高点坐标, 向上移一定的行数, 以保留桡骨骨化中心区域。

E4[提取骨化中心边缘线]:采用亮度信息判断桡骨的骨化中心是否存在, 如果骨化中心存在, 则通过判断区域宽度、高度和宽高比, 去除不合法伪边缘后, 定位到桡骨骨化中心右边缘上一点T, 以T为起点跟踪Canny算子边缘图像中的骨化中心边缘。有的图像骨化中心的边缘线会出现不连续的情形, 此时需要对骨化中心边缘依据梯度方向和欧氏距离进行边缘拟合。桡骨边缘提取的效果如图11所示。

从以下桡骨边缘图像可见, 骨干边缘线连续, 较为准确, 骨化中心边缘基本连续, 能较好地反映原图像中骨化中心的形态, 可为桡骨形状和几何特征的提取提供良好的条件。

4结语

骨龄自动化研究是个较大的研究项目, 预处理和特征骨块的定位与分割只是其中的一部分内容。特征骨块分割的精确与否, 将直接影响到骨块特征的提取和识别。在CHN法的14块特征骨块中, 在此仅对桡骨进行了定位、分割和边缘提取, 今后将对其余骨块的定位与分割进行深入研究。

摘要：骨龄反映了人类机体的生物学年龄, 实现骨龄评测的自动化, 可使得骨龄评定简单、快捷、准确、可重复性强。在此, 对骨龄自动评测系统中特征骨块——桡骨的定位、分割和边缘提取方法进行研究。在实验中, 采用计算手形宽度法确定腕部分割线AB, 并对腕部的长度进行统一切割;使用基于自适应阈值和最大面积变化法相结合的算法, 分离尺、桡骨, 对桡骨区域内的边缘图像, 通过去除不合法面积区域定位到桡骨左右边缘点, 并对骨骼的边缘进行边缘跟踪和拟合, 提取了较完整的桡骨骨骼边缘线, 为以后的桡骨特征提取和识别奠定了基础。

关键词：骨龄,骨骼边缘,定位,特征提取

参考文献

[1]陈亿霖, 蒋田仔.基于X线影像的骨发育成熟度自动评价系统:研究进展和挑战[J].中国医学影像技术, 2004 (1) :143-146.

[2]陈亿霖.基于X-射线影像的手指骨图像增强算法研究[D].北京:中国科学院, 2004.

[3]Tanner J M, Whitehouse R H.Assessment of Skeletal Matu-rity and Prediction of Adult Height (TW2 Method) [A].2ndEdition.London:Academic Press, 1983.

[4]张绍岩, 刘丽娟.中国人手腕骨发育标准——中化05 I.TW3-C RUS、TW3-C腕骨和RUS-CHN方法[J].中国运动医学杂志, 25 (5) , 2006 (9) :509-516.

[5]杨淑莹, 边奠英.VC++图像处理程序设计[M].2版.北京:清华大学出版社, 2005.

[6]Rafael C Gonzalez, Richard E Woods.数字图像处理[M].2版.北京:电子工业出版社, 2005.

[7]图像处理中的边缘检测———canny算子[EB/OL].http://map.110100.cn/00190/57130.htm, 2007.

[8]Ramesh Jain, Rangachar Kasturi, Brian G Schunck.机器视觉[M].北京:机械工业出版社, 2003.

[9]吕英文.数字图像处理在手腕骨X线片自动判读系统中的应用[D].天津:河北工业大学, 2001.

[10]叶义言.中国儿童骨龄评分法[M].北京:人民卫生出版社, 2005.

自动化分割 第5篇

基于安卓系统的农作物病害图像分割系统,可以利用智能手机的摄像头对病害图像进行拍照,然后对病害图像进行分割,与传统的利用数码相机和计算机的农作物病害图像分割相比,在硬件成本、便携性、可操作等方面具有传统方法无可比拟的优势,也为后续基于安卓手机的农作物病虫害图像自动识别系统的开发做技术上的准备。

1 实现过程

1.1大津算法[5]

在大津算法中,采用穷举式方法搜索使组内方差获得最大值的阈值,

σb2(t)= σ2- σω2(t)= ω1(t)ω2(t)[μ1(t)- μ2(t)]2其中 ωi为组的概率,μi是组均值。组概率 ω1(t) 使用由直方图t计算得来:

而组均值 μ1(t) :

而x(i) 是在第i个直方图区域中心的值。与此类似,可以计算比t大的值的条状图区域右侧的对应的组概率 ω2(t) 和组均值 μ2。

组概率和组均值可以采用迭代的方式进行求解。

则所求得最优阈值k*即为 σB2(k)(1 ≤ k < L) 中使得 σB2(k) 取最大值的k,即 σB2(k*)=1m≤ ka<xLBσ2(k) 。

1.2硬件开发环境

开发所用的计算机联想G400 笔记本电脑,Intel酷睿i53230M CPU,主频:2.6GHz;内存:DDR3,4GB;硬盘:500GB;显卡:NVIDIA Ge Force GT 720M;位宽:64位。

1.3软件开发环境

系统软件采用中文版Windows8 操作系统,程序设计语言选择Java,开发工具选用My Eclipse+Android SDK+ADT模式。My Ecli pse10.6,该版本基于Eclipse 3.7.2 开发,是在Eclipse基础上加上自己的插件开发而成的功能强大的企业级集成开发环境。

Android SDK即安卓软件开发工具包。用于为安卓系统下的软件包、软件框架、硬件平台、操作系统等建立应用软件的开发工具的集合。

Eclipse ADT是Eclipse平台下用来开发Android应用程序的插件。

1.4安卓平台图像分割程序中用到的类

由于基于安卓系统开发环境与基于Windows操作系统的开发环境不同,在程序设计过程中用到的类也不同。

android.app.Activity

Activity是用户在安卓系统中唯一可以看得到的事物。它与用户进行交互,使用它创建显示窗口,显示用户界面。

android.content.Intent

Intent机制协助应用间的交互与通信,用于应用程序之间和应用程序内部的交互。是不同组件之间通信的“媒介”。

android.graphics.Bitmap

Bitmap属于位图操作类,提供位图操作方法。

android.graphics.BitmapFactory

Bitmap Factory属于Bitmap对象的I/O类,提供了构造Bit-map对象的方法。

android.graphics.Color

Color类提供了常规主要颜色的定义,完成对颜色的表示和操作。

android.graphics.Bitmap.Config

提供了对位图颜色参数的设置功能,启用不同的颜色模式。

android.os.Bundle

使用类进行数据传递。

android.view.View

View提供用户界面基本构建块,是显示控件最基本的类,通过它创建诸如按钮,文本框等控件。

android.widget.Button;

构建控件按钮

android.widget.ImageView;

构建显示图片控件

android.widget.TextView;

构建文本框按钮。

1.5 Java语言下颜色分量的获取

计算机显示的彩色采用红、绿、蓝3 种颜色相互叠加得到各式各样的颜色,3种颜色构成了颜色数据。如图1所示,颜色数据在计算机中以二进制形式表示,在处理过程中,由于二进制数据过于繁琐,往往把它转换成16进制进行表示。

在进行图像处理时,计算机不能对红、绿、蓝三色颜色数据直接进行分析,需要分离出3 种不同的颜色分量数据,对分离出的颜色数据进行处理。

在实验中,3种颜色分量数据分离过程如下所示:

其中RGBdata是图像数据,分离出的数据分布存放在红色分量数组red、绿色分量数组green和蓝色分量数组blue中。

1.6处理流程

在实验过程中发现利用大津算法直接处理RGB颜色分量和利用大津算法处理经过转换后的HSV颜色空间的数据进行分割的效果差别很小,考虑到进行RGB颜色数据到HSV颜色数据的转换需要额外的计算时间,这将使安卓系统下图像分割所需要的时间更长,因此直接利用RGB颜色空间中的颜色分量进行图像分割。在试验中选用红色颜色分量red进行图像自动阈值的产生。处理流程如下所示。

1)打开作物病害图像文件,获取图像的高h和宽w。

2)获取w×h范围内每个坐标的像素值。

3)利用2.4节中的方法从图像的像素值中分析出红色分量red,绿色分量green和蓝色分量blue。

4)利用2.3节中所述的大津算法对红色分量颜色数据进行处理,生成阈值T。

5)利用阈值T对病害图像颜色数据进行分割,保留颜色值小于阈值T的颜色数据。

6)分割结果显示。

2 实验

本文采用在实际自然环境下拍摄的黄瓜病害图像进行验证。分别为:黄瓜炭疽病叶图像如图2 所示,黄瓜灰霉病叶图像如图4 所示,黄瓜霜霉病叶图像如图6所示。本实验是基于安卓模拟器实现的。在图2,图4,图6 中分别点击“图像分割”按钮后,安卓环境下黄瓜炭疽病叶图像自动分割的结果如图3所示,灰霉病害图像分割结果如图5 所示,霜霉病害图像分割结果如图6所示。

3 结论

自动化分割 第6篇

随着计算机技术的进步, 在实际应用中人们对图像的自动识别与理解的要求也越来越高, 而对图像进行分割来提取需要的信息是其关键步骤之一。图像分割算法的研究一直受到人们的高度重视, 但并没有一种通用的分割算法, 现广泛使用的分割方法都是针对具体问题的, 因此在实际应用中就会带来许多问题。现行的彩色图像分割方法中, 阈值分割法需要选取合适的阈值, 当计算量大时效率会很低。聚类法中图像空间关联信息, 噪声和灰度不均匀等对结果影响大。微分算子 (Roberts、Sobel、Prewitt、Laplacian算子等) 。往往得到不连续和不完整的信息, 并且对噪声敏感。区域生长和分裂合并法需要人工植入种子点, 在实际应用中, 往往与边界检测方法结合使用, 来达到理想的效果。本文首先应用分水岭算法对彩色年轮图像进行预处理的基础上, 提出了一种基于区域的自动生长算法, 该方法结合canny算法的纹理信息, 并根据生长区域的不同自动寻找适合的种子点, 达到了保持原图像完整信息, 获得清晰边缘的目的。

2 年轮图像预处理

本文首先采用分水岭算法对彩色年轮图像进行预处理, 针对过分割问题, 应用LUV颜色空间[6], 计算出不同区域的颜色相似度, 颜色相似度公式为:

其中a、b为两个不同的像素点, L*、U*、V*为两点在CIE1976 (L*u*v*) 均匀颜色空间中的三个分量值。根据△C的大小可以直观的看出, 若△C小, 则两点间颜色差异就小, 若△C大, 则两点间颜色差异就大。由于区域内像素点的L*、U*、V*值相同, 故公式 (1) 可用来判断两不同区域的颜色相似度, 既根据相邻区域间△C的大小, 来判断那两个区域应该合并, 从而解决了过分割问题。

年轮分为早材和晚材两个区域, 并且两区域是交替出现的, 而通过图片可以直观的看出早材区域就要比邻近的晚材区域所包含的像素多, 通过计算相邻区域所包含的像素点, 可以很容易的判断早材区域和晚材区域, 而我们需要的只是晚材区域的纹理信息, 所以早材区域可视为背景将其去除。

通过分水岭算法, 抑制过分割处理和背景去除, 其结果如图1 (b) 所示。可以直观的看到某些晚材区域由于年轮样本本身的纹理、节疤, 以及在样本采集过程中的损伤、样本裂隙等, 使得处理后的图像某些晚材区域出现断裂的现象, 本文通过基于区域的区域生长算法来解决这个问题。

由于区域生长的需要, 本文用canny算法对原始图像进行一次处理, 其结果如图1 (c) 所示。

3 自动的区域生长算法

通常canny算子得到的分割图像无法形成闭合的区域, 但可以得到相对有意义的边缘信息, 如果这些边缘信息是出现断裂区域所丢失的边缘信息, 我们就可以利用这些信息实现区域的合并。

PC为canny算子得到的有意义的点, S1、S2为待生长区域。Lmax、Lmin为待生长区域内的点到随心的最大最小距离, L为S1区域到随心的平均距离。

3.1 确定待生长区域

由于S1、S2为原始图像经过预处理后得到的不完整区域, 公式 (2) 说明S1、S2在空间信息上非常相似, 应视为同一个区域, 而出现两个区域是由于样本本身的纹理、损伤等的原因出现断裂, 形成了两块区域。这样我们就找到了出现断裂的区域。为了得到完整的纹理特征, 我们要进行区域生长, 使两区域融合在一起, 为了达到这个目的首先要选取正确的种子点。

3.2 选取种子准则

则为的种子点。

从公式 (3) 、 (4) 、 (5) 可以看出, 通过运用前期分水岭算法得到的闭合区域, 再结合canny算子得到的图像边缘信息, 得到关键的种子点。

3.3 生长准则

P为S1区域的生长点, LP为生长点到髓心的距离, 这里假设区域生长由S1区域向S2区域生长。

3.4 停止生长准则

4 试验和结果分析

图2为整个图像处理描述。

(1) 预处理:首先将原始图像进行分水岭算法和canny算法的处理, 将canny算法得到的点记录起来, 对分水岭算法处理后的图像进行抑制过分割和背景去除的操作。

(2) 对预处理后得到的区域进行标记, 对每个区域进行唯一的编号, 记录区域的L*、U*、V*值, 并对区域内的像素点进行标记, 通过这个标记, 计算机就可以知道该像素点属于那个区域。对于没有进行标记的像素点就可以视为在背景区域中。

(3) 自适应区域生长:首先通过公式 (2) 找到那些区域是不完整的, 是区域生长的对象, 接下来我们就从这些区域出发, 通过公式 (3) (4) (5) 来确定区域生长的种子点, 再由公式 (6) (7) 进行生长, 当满足公式 (8) (9) 时停止生长。

(4) 合并相似区:将通过上一步生长到一起的两区域进行合并, 同时更新新合并的区域的信息, 将其保存起来。如图2、图3所示。

本试验以VC++作为开发工具, 选取树龄为54年的落叶松, 并取其横切面。图2 (a) 为420x350像素的原始彩色图像, 图2 (b) 为经过预处理后得到的图像, 图2 (c) 为经过canny算法处理的图像。图2 (d) 为本文算法处理后的结果, 图3为应用其它算法处理的结果。可以看出经过本文方法的处理, 基本上保持了原图像晚材的基本特征, 解决了区域断裂的问题, 最终获得封闭连续的边缘, 具有精细和准确分割的特性。

5 结论

传统的图像分割算法在实际应用中都存在着各种各样的缺点, 本文在分水岭算法和canny算法的基础上, 将分水岭算法形成的有效区域和canny算法得出的边界点作为区域生长算法中种子选择的对象, 克服了传统算法的缺点, 最终得到了完整闭合的区域。

摘要：该方法首先采用分水岭算法来得到彩色年轮图像的大致区域分布, 并结合canny算法实现种子点的自动选取, 自适应的改变生长条件, 从而解决了区域断裂的问题。分割结果表明, 该方法保持了原图像的完整形状特征并能获得清晰的边缘, 为年轮参数提取奠定了良好的基础。

关键词：年轮图像,图像分割,区域生长,分水岭算法,canny算法

参考文献

[1]张春丽.基于分层遗传算法的双阈值图像分割[J].微计算机应用2008, 29 (1) :91-95.

[2]贾建华, 焦李成.空间一致性约束谱聚类算法用于图像分割[J].红外与毫米波学报, 2010, 29 (1) :69-74.

[3]卢中宁, 强赞霞.基于梯度修正和区域合并的分水岭分割算法[J].计算机工程与设计2009, 30 (8) :2075-2077.

[4]王兰, 吴谨.一种改进的Canny边缘检测算子[J].微计算机信息2010, 26 (1-2) :198-202.

[5]任晓娟, 肖双九, 彭小朋.基于改进分水岭变换的遥感图像建筑物提取[J].计算机应用与软件, 2011, 28 (12) :249-252.

自动化分割 第7篇

虽然人工智能技术已广泛应用于解决故障诊断问题,但随着电网规模的扩大,故障诊断仍是一个难题,这主要是由于大规模电力网络的信息量很大,特别是在保护和断路器不正常动作或多重故障的情况下,故障诊断要保证速度和精度尤为困难。由于故障诊断具有局域性,即:故障元件可由且仅由其主保护、后备保护和相应的断路器的状态来判别,而这些信息都是故障元件领域的局部信号。因此,没有必要也不应该把整个电网的所有保护开关信息都作为条件属性来对其进行约束,可以考虑将大规模电网分割成一定的子网,然后在每一个子网中,再利用人工智能方法进行故障诊断。本文对现有的电网分割方法加以分析,在这些方法的基础上尝试采用一种图形分割和蝶型分割相结合的电网分割方法。

1 现有的电网分割方法

电网分割可以用以下几种方法[2,3]。

1.1 无重叠分割法

如图1,直接取n=3对电网进行无重叠分割。

这种分割方法能反映圈内元件的大部分故障情况,但涉及边缘问题的故障情况就难以得到反映。例如当变压器T发生故障而断路器CB1出现拒动时,会引起左端虚线子网内的断路器动作,而这些信号却不能被T所在子网涵盖,因此类似这样的故障就不能得到正确诊断。也就是说,这种分割方法不能保证电网的连通性,是不可取的。

1.2 多重叠分割法

如图2,针对每一元件都取n=3来形成子网。其中实线圈是以L1、L2为本层元件的子网,点线圈是以与之相邻的母线B为本层元件的子网,以此类推。

这种分割方法虽然可以保证电网的连通性,但会带来很大程度的冗余。例如线路L1故障,将会在5个子网内得到重复反映,因此这种方法也不理想。

1.3 蝶型分割法

如图3,以非母线元件故障时保护及断路器均正常动作的故障样本所涉及的保护和断路器作为重叠部分对电网进行分割,可在最小冗余的基础上保证电网的连通性。此方法是在前2种方法基础上的改进,但是,当电网规模较大时,不能从宏观上将电网分割成任意数目且计算负担基本平衡的子网络。

1.4 图形分割法

将电力网络中的母线和输电线路(或变压器)分别表示为一个图中的节点和边,则电力网络分割问题就转换为如下图形分割问题:根据节点权重的合理定义,将图的所有节点分为计算负担基本平衡的子集。

本方法包括2个部分:如图4(a)所示的配电网,其一,形成给定电力网络的深度优先搜索树,见图4(b);其二,将电网分割为计算负担基本平衡的子网络,见图5。

但是这种方法跟上述的无重叠分割法类似,在涉及子网边缘问题的故障情况就难以得到反映。

2 改进的电网分割法

在分析研究上述各种分割方法的基础上,发现如果把图形分割法跟蝶型分割法相结合,就能实现当电网规模较大时,既能从宏观上将电网分割成任意数目且计算负担基本平衡的子网络,又能在最小冗余的基础上保证电网的连通性。

本算法共分3步:

(1)形成给定电力网络的深度优先搜索树。

假设G是一个具有n个节点的图:

a)选择编号最大的节点n,将其标注为1 (树的根节点),以此节点和相应的标注号为初始条件进入步骤b);

b)对于标注号为k的节点i (标注号k表示深度优先搜索的顺序),如果所有与i相关联的节点都已经标注过,则转去执行步骤c);否则在与i相关联的未被标注的节点中选择节点号最大的节点,并赋予其深度优先搜索序列{1,2,,n}中未被使用过的最小标注号。以这个刚标注过的节点和相应的标注号为新的起点,重复执行步骤b);

c)如果节点i的标注号k满足k>1(即节点i不是根节点),那么从节点i沿着搜索路径回退至上一个节点,并以这个节点和相应的标注号为新的起点,重复执行步骤b);反之,如果k=1(即节点i是根节点),则算法终止。

(2)将电网分割为计算负担基本平衡的子网络。

a)令S表示图G的节点集合,C,表示第l个子图的节点集合,其中l=1,2,,ng。Cw是算法中将用到的临时工作集合。算法的初始条件设置为S={1,2,,n},C,=,Cw=及l=1。

b)选择所有距离根节点长度最大的叶节点作为搜索的起点,并将其添加到临时集合Cw中。另外,假设叶节点的最大长度为k,并将其用做循环控制指针。

c)修改循环控制指针k=k一1。

d)找出Cw中所有节点的母节点,并对各个不同的母节点(记做节点p)依次做下述操作。寻找母节点p的子节点{j|p=P(j)},根据相应的子树的权重W(T[j])将它们按降序排列。随后依次对这些子节点进行判断,如果T[j]满足:

那么子树T[j]就构成一个子图,即cl=T[j],并修正l=l+1,同时将节点j和节点集合T[j]分别从Cw和S中删除;反之,若子节点不满足式(1),则将该子节点从Cw中删除,并将其母节点p添加到Cw中(若母节点p同时有多个子节点不满足式(1),则Cw中只保留公共母节点p即可)。当所有不同的母节点均测试完毕后进入步骤e)。

式(1)中,T[j]表示以节点j为根节点的子树,表示该子树包含的所有节点的权重之和,Wnode(j)表示节点j的权重。

为了平衡各子网络的计算负荷,网络中的每个节点均被赋以权重,它是一个整数,用来表示相应节点的计算负荷。研究表明一个子网络的计算负荷主要是由该子网络内可能的故障元件的总数决定的,因此一个节点的权重定义为与这个节点相关联的可能的故障元件(母线、输电线路和变压器)的数目。将给定电力网络的节点导纳矩阵,按节点标注号k的降序排列,则对于节点j,我们将节点导纳矩阵上三角阵第j行中所有非零元素的数目(包括对角元素)作为它的权重。

e)搜索长度为k的所有叶节点,并把它们添加到临时集合Cw中,随后转到步骤c),重复执行步骤c)到步骤e),直到k=0,即S=空,所有节点均被系统地搜索过,算法终止。

(3)以(2)中分割后子网之间的联络线路(或变压器)作为重叠部分,形成蝶型分割。

下面结合一个较大规模的城市配电网系统,对上述方法加以说明。

3 电网分割算例分析

3.1 算例配电网介绍

如图6所示[4]110kV城市电网系统为10个变电站(B1,B2,,B10),3个电厂(S1,S2,S3),保护按照常规配置。

3.2 运用改进电网分割法对算例配电网进行分割

(1)对图6中的母线节点进行编号,如图7所示,每个节点均用i(k)表示,其中i表示节点号,k表示深度优先搜索所赋予的标注号。编号最大的节点23被标注为1,用作根节点。运用上述算法,得到电网相应的深度优先搜索树如图8所示。

(2)将上述深度优先搜索树分割为计算负担基本平衡的子树。

首先,求出用于计算权重的节点导纳矩阵,如表1所示。表中每一行“”的个数,即为此行对应节点的权重。

假设我们希望将该电力网络分为11个子网络,即ng=11,此网络总权重为:W(T[23])=45,则子网络预期的权重为W(T[23])/ng=4.09。

对于图8所示的110kV城市电网系统的深度优先搜索树,节点7和节点12是具有最大长度k=6的叶节点,所以它们是分割搜索的起点,将它们添加到Cw,中,即Cw={7,12},此时S={1,2,,23},Cl=,l=1。令循环控制指针k=k-1=5,节点7的母节点是8,节点12的母节点是13。对于母节点p={8},将其子节点根据相应的子树的权重按降序排列,此处只有一个子节点{7},并按照这个顺序依次对各子节点进行判断,此处只对子节点7进行判断:

不满足式(1),这意味着母节点比子节点更接近预期的子网络权重。对节点12可以得到类似的结果。因为2个子节点均不满足式(1),所以将子节点{1,3}从Cw中删除,同时将母节点8、13添加到Cw中,进入步骤e。由于节点15是长度为k=5的叶节点,将其加Cw中,此时Cw={8,13,15},S={1,2,,23},C1=,l=1,以下重复执行步骤c到步骤e。令循环控制指针k=k-1=4。对于Cw={8,13,15},其中节点8的母节点p={9},母节点p={9}只有节点8一个子节点,由此可以推出:

即式(1)成立,这意味着T[8]适于构成一个子网络。因此,C1={7,8},同时将节点7、8从S中删除;同理可得,T[13]也适合构成一个子网,C2={12,13},同时将节点12、13从S中删除;T[13]不满足式(1),将节点13从Cw中删除,同时将其母节点16加入Cw。转入步骤e),搜索长度为k=4的叶节点3、5、20,加入Cw,令循环控制指针k=k-1=3,此时Cw={3,5,9,14,16,20},S={1,2,3,4,5,6,9,10,11,14,15,16,17,18,19,20,21,22,23}及k=3是搜索下一个子网络的新起点,直到网络中的所有节点均被搜索过,算法终止。按照上述算法得到的网络分割结果见表2。

(3)以上一步中分割后子网之间的联络线路(或变压器)作为重叠部分,形成蝶型分割。分割后的电气主接线图如图9。

图中数字表示节点编号,第2步分块时将单母线的两分段看作2个节点,此处为了表达清晰,将这样的2个节点视为一个母线。

4 结束语

本文在深入研究现有电网分割方法的基础上,提出图形分割和蝶型分割相结合的电网分割方法,并针对一个较大规模的城市配电网算例,对本文方法进行了分析,得出以下结论:图形分割法能从宏观上将电网分割成任意数目且计算负担基本平衡的子网络,在此基础上的蝶型分割能在最小冗余的基础上保证电网的连通性,能够较好解决大电网故障诊断的电网分割问题。

摘要：解决大电网故障诊断问题的关键是将大电网分块,研究现有电网分割方法的基础上,尝试采用图形分割和蝶型分割相结合的方法进行电网分块,它能够将大电网分割为给定数目的连通子网络,各子网络的故障诊断负担基本相等。

关键词：电网,故障诊断,图形分割,蝶型分割

参考文献

[1]毛鹏,许扬,蒋平.输电网故障诊断研究综述及发展[J].继电器,2005,33(22):79-86

[2]李晶.基于粗糙集理论的电网故障诊断专家系统研究.中国电力科学研究院硕士学位论文,2004

[3]毕天姝,焦连伟,等.用于分布式故障诊断系统的新型网络分割法[J].中国电机工程学报2001,25(16):16-21