8.4.5 一种改进的分水岭分割方法
1.整个改进分水岭分割的算法流程
常用的分水岭分割方法直接对图像进行分割后，图像中大量纹理细节的影响，使得灰度图像中有许多伪局部极小值，分割结果中有大量的过分割现象，严重影响后续的物体特征参数提取。对于粘连的颗粒图像，粘连处的颜色介乎目标物体颜色与背景颜色之间，若在分割之前进行图像平滑处理，虽然减少了过分割现象，也会使互相粘连的不同物体因为粘连处颜色信息的丢失而混为一个物体；在分割过程中由于颗粒本身灰度不均匀不可避免地出现过分割现象，而各个过分割区域的特征都相似，虽然根据颜色特征相似规则将过分割区域进行合并从而减少过分割区域，但是合并也会将两个原本分开的物体合并为一个物体，因此无法有效分割粘连颗粒。
本节针对常用方法存在的问题，提出了一种结合数学形态学处理与距离变化的分水岭分割方法。该算法利用距离变换将物体的形状信息转化为均匀变化的颜色灰度信息，由于颗粒物具有类圆性，局部极小值只会出现在每个物体的中心处，因此在一定程度上限制了伪极小值的出现，从而控制分水岭分割出现的区域数。由于距离变换的分水岭只能解决一部分的过分割问题，因此需要在分水岭变换的前期与后期对图像进行优化，使得分割效果更加理想。前期的优化包含灰度图像平滑处理、二值图像形态学处理，这些处理主要消除噪声、杂质、反光不均匀和物体内部的纹理细节、突变点，以及边缘突出部分等因素对分割造成的干扰。而后期的优化则是根据分割开来的区域面积的大小，选取合适的阈值，将面积小于阈值的区域滤去，因为面积小于阈值的区域一般是过分割产生的物体边缘小部分以及两个物体互相接触处的细长的长方形和杂质物体。具体的整个改进分水岭分割的算法流程如图8.35所示。
图8.35 整个改进分水岭分割的算法流程图
在前面的8.2节和8.3节中已经介绍了图像的预处理、二值化和距离变化等处理，图8.36(a)为对优化后的二值图像，图8.36(b)为对图像进行分水岭变换得到的分水岭结果图。由于分水岭结果与原图像都是二值图像，可以将分水岭结果叠加到原二值图像中，得到结果图8.36(c)，可以看出分水岭将粘连的颗粒分割开来，为了更好地显示效果，将图像中不同的区域映射成不同颜色的RGB图像，结果如图8.36(d)所示，可以看出粘连的颗粒都具有不同的颜色，表明分水岭分割可以有效地分割粘连颗粒图像。
图8.36 玉米图像分水岭分割过程图
(a)玉米二值图像；(b)形成的分水岭；
(c)分水岭叠加到二值图像的分割图；(d)不同区域标注不同颜色图
2.分水岭分割算法目标颗粒中的应用
为了验证分水岭分割算法的适应性与鲁棒性，以玉米颗粒为主要处理对象，首先将该算法应用于相同背景与相同目标，对于不同的粘连状况的玉米颗粒图像，图8.37为比较典型的处理结果。从结果图中可以看出，尽管图像中玉米粒粘连严重，分水岭分割仍然可以有效地将两个以及两个以上互相粘连的颗粒分割开来。但是当图像中的玉米粒形状不是类圆形时，玉米颗粒的边缘不规则部分会被分为单独的一个颗粒，而且该部分具有面积小的特点。如图8.37中的黑色圈中的部分，有一单个的颗粒被分为两部分。这是由于几个物体互相粘连与物体本身形状不规则的影响，在距离变换过程中，处在中间的不规则目标物体内部的距离图中出现了两个伪局部伪极小值，导致分水岭变换出现分割错误的现象。从总体上来说，该分水岭分割算法对于具有相同特征(即具有相同的光照、拍摄位置、目标颗粒等)、不同的粘连状况的颗粒图像，都可以有效地进行分割，且分割效果比较理想。对于极少量过分割产生小区域，在后面会采用面积阈值法进行优化，使其不对特征分析与计数造成影响。
图8.37 不同分布的玉米图像分割结果
(a)玉米图像；(b)分割效果图；(c)玉米图像；(d)分割效果图(https://www.daowen.com)
3.分水岭分割算法在不同领域的颗粒图像中的应用
在实际的自动化处理中会碰到粘连颗粒图像的问题，图8.38为将该算法应用在不同领域分割结果的图片。图8.38(a)为农作物中米粒质量分析的图像分割；图8.38(c)、图8.38(e)为生物医学领域中细胞特征分析的图像分割；图8.38(g)为工业上棒材自动计数过程中需要的捆绑棒材的图像分割。从各分割结果图中可以看出，只要目标物体具有类圆性，而且与背景的颜色具有较大的灰度差异，改进的分水岭算法都能很好地将粘连物体分割为单独的物体。在分割过程中，由于不同类型的图像其颗粒大小不同，因此在数学形态学处理中需要选择不同大小的结构因素对图像进行闭运算与腐蚀运算，使得形态学滤波器能最佳地滤去图像中的杂质、不圆滑的边缘，减少两个粘连物体的接触面积。
另外，对于不同类型的图像，分割效果也有一些差异。如在大米图像中，虽然米粒的形状接近于长方形，但是没有出现互相粘连以致重叠的现象，因此分割效果也比较好。在圆形细胞图像中，虽然可以很好地分割开来，但对于过度粘连的细胞，出现了重叠的状况，在分割后在接触部分会失去一部分的形状特征，这对计数与颜色特征的提取无影响，但对统计形状特征有一定影响。在钢材图像中，钢材截面具有较好的类圆性，接触部分与背景颜色反差较明显，因此分割效果比较理想。
4.分割后期的面积阈值优化方法
对图像进行分水岭分割后，图像中有少量不具类圆性的粘连目标颗粒，其不规则的边缘部分被分割成单独的小面积物体，如图8.39(a)中小圆圈中所标出的部分。为了不影响颗粒计数，可以利用面积阈值法将这部分区域除去。通常用一个区域中的像素点的总数来作为该区域的面积S，通过对同一类型的大量图片进行面积分布统计，可以找出一个合适的面积阈值T，将面积小于T 的区域中的所有像素点的值设为0(除去该区域)，用公式表示为：
图8.38 不同领域的图像分割效果图
(a)大米图像；(b)分割效果图；(c)血细胞图像；(d)分割效果图；
(e)血细胞图像；(f)分割效果图；(g)棒材图像；(h)分割效果图
图8.39为玉米颗粒图像中各个区域的面积统计直方图，从图8.39(c)中可以看出，正常的玉米粒面积都大于400，而错误分割的区域面积小于200，可以设定阈值T=300。由于同一类型的图片中颗粒大小相似，因此该阈值可以处理所有的玉米颗粒图像。利用该阈值对图像进行处理，为了效果更加明显，只显示图像中错误分割的小区域，如图8.39(b)所示。从图中可以看出，面积阈值法可以很好地找出错误的分割部分。在实际应用中，分水岭分割后期利用该方法将这些小区域从图中滤去，可以达到更好的分割效果。
图8.39 面积阈值法示意图
(a)分割后的图像；(b)过分割产生的小区域图；(c)面积分布直方图
