极光图像中极光卵的分割方法研究

ＴＰ３９１公开中图分类号：：密级ＵＤ。本校编号：讀州义或义攀硕±学位论文论规目＝板光图像中板光卵的分割方法研究研究生姓為王妍０２１３０６３５：学号：学校指导教师姓名：郑玉甫职疏；教授申请学位等级：兰专业：通信与信息系統２０１６．０４论义答辩日期２０１６．０６论文提交日期：： 独创性声明本人声明所呈交的学位论文是本人在导师指导下进斤的研究工作和取得的研究成，除了文中特别加Ｗ标注和致谢之处外果，论文中不包含其他人已经发表或撰写过的研究成果，也不包含获得兰州巧通大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意。学位论文作者签名：签字日期：＾々成年月日（（学位论文版权使用授权书本学位论文作者完全了解兰州巧通大学有关保留、使用学位论文的规定。特授权兰如交通太学可将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编Ｕｉ供查阅和借阅。同意学校向国家有关部口或机构送交论文的复印件和磁盘。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：ｉ种导师签名：＾签字日期２：心日签字年月期年日作ｆ日月＾＾ 硕士学位论文极光图像中极光卵的分割方法研究TheStudyonSegmentationofAuroraOvalinAuroraImage作者姓名：王妍学科、专业：通信与信息系统研究方向：数字图像处理学号：02130635指导教师：郑玉甫完成日期：2016.04兰州交通大学LanzhouJiaotongUniversity 兰州交通大学硕士学位论文摘要极光通常出现在南北两极的高纬度区域，它是一种美丽的自然现象。极光活动的研究不仅对于了解空间天气、研究太阳风暴等具有重要作用，而且有助于进一步研究地球的磁层结构和能量存储。通常情况下，极光卵是研究极光活动的一个重要参数，因此如何准确有效地提取极光卵边界是本文研究的重点问题。本文主要对极光图像中极光卵的分割方法进行了分析和研究。首先，对原始极光图像实现图像预处理过程，降低噪声干扰并增强图像的对比度；其次，采用改进的区域生长方法提取极光卵边界，并利用数学形态学运算对分割结果进行调整修正；最后，根据本文采用的分割评价方法对分割结果进行评价。论文的主要研究内容体现在以下几个方面：(1)对紫外极光图像分割之前，需要进行相应的图像预处理操作。根据极光图像特点，图像预处理主要包括去除背景、图像去噪、图像增强。通过图像预处理，一方面可以有效地去除图像噪声，避免了区域生长中初始种子像素的误判；另一方面可以增强原始图像的对比度，有利于生长阈值的选取。(2)在区域生长过程中，根据极光图像的灰度直方图，利用高斯拟合的方法选取一组像素值作为初始种子生长点，这样有效地克服了选取单个初始种子点的缺陷，即避免了由于噪声干扰而造成的区域误生长现象；然后，在分析像素邻域灰度特性的基础上，采用最大类间方差法自动获得最佳分割阈值，从而减少了传统区域生长方法手动选取阈值时造成的系统误差；最后，利用数学形态学运算对分割结果进行调整修正，消除了已分割区域中由于噪声干扰而产生的孔洞和不连续现象。(3)利用差异实验法评价分割结果的性能。通过计算分割结果的四项定量指标，评价本文分割方法的优劣性，并给出多种方法与本文方法的对比实验数据。根据相关实验数据，可以得出本文采用的分割方法具有较高的准确度。在Matlab7.0平台下对极光图像进行实验仿真，结果表明本文采用的分割方法可以较准确和较完整地分割出极光卵区域，同时该方法具有良好的鲁棒性，尤其在低对比度、高噪声的情况下，也能较准确地提取出极光卵区域。关键词：极光卵；区域生长；图像预处理；数学形态学；最大类间方差法论文类型：应用研究-I- 极光图像中极光卵的分割方法研究AbstractTheauroraiscommonlyappearedinthehighlatituderegionsofthenorthandsouthpoles,whichisabeautifulnaturalphenomenon.Thestudyoftheactivitiesoftheauroraisnotonlyimportantfortheunderstandingofspaceweatherandsolarstorms,butalsohelpstofurtherstudythestructureandenergystorageoftheearth'smagnetosphere.Usually,theauroraovalisanimportantparameterinthestudyofauroraactivity,sohowtoaccuratelyandeffectivelyextracttheboundaryoftheauroraovalsisthekeyprobleminthisthesis.Thethesismainlyanalyzesandstudiesthesegmentationmethodoftheauroraovalintheauroraimage.Firstly,theoriginalauroraimagesneedaccomplishimagepreprocessing,whichcanreducenoiseandenhancetheimageofthecontrast.Secondly,usinganimprovedregiongrowthmethodtoextracttheauroralovalboundary,andthemathematicalmorphologicaloperationisusedtomodifytheresultsofsegmentation.Finally,accordingtothesegmentationevaluationmethod,thesegmentationresultsofthisthesiscanbeevaluated.Themainresearchcontentsofthisthesisareembodiedinthefollowingaspects:(1)Priortotheauroraimagesegmentation,imagepreprocessingoperationsneedtocarryout.Accordingtothecharacteristicsofauroraimage,imagepreprocessingmainlyincludestheremovalofbackground,imagedenoising,imageenhancement.Throughtheimagepreprocessing,ontheonehanditcaneffectivelyremoveimagenoiseandavoidthemisclassificationofregionalgrowthininitialseedpixels.Ontheotherhand,itcanenhancethecontrastoftheoriginalimage,whichisconducivetotheselectionofgrowththreshold.(2)Inregiongrowingprocess,accordingtotheauroraimagegrayhistogram,usingGaussianfittingmethodforselectingasetofpixelvalueastheinitialseedgrowthpoint,soitiseffectivelyovercomesthedefectsofsingleinitialseedpoint,andavoidsthephenomenonofregionalfalsegrowthcausedbynoiseinterference.Then,basedontheanalysisofthepixelneighborhoodgraycharacteristics,thebestsegmentationthresholdisobtainedbyusingOtsu,thismethodreplacesthesystemerrorswhichcausedbythetraditionalregiongrowingmethod.Finally,thesegmentationresultsareadjustedandmodifiedbymathematicalmorphologicaloperations,whicheliminatestheholesanddiscontinuitiescausedbynoiseinterferenceinthesegmentedregions.(3)Evaluatingtheperformanceofthesegmentationresultsbyusingthedifferenceexperimentmethod.Bycalculatingthefourquantitativeindicatorsofthesegmentationresults,thisthesisevaluatestheadvantagesanddisadvantagesofthesegmentationmethod,andavarietyofmethodsarepresentedandcomparedwiththeexperimentaldataofthisthesis.Accordingtotherelevantexperimentaldata,itcanbeconcludedthatthesegmentationmethodusedinthisthesishasahighdegreeofaccuracy.-II- 兰州交通大学硕士学位论文UndertheMatlab7.0platform,completingtheauroraimageexperimentsimulation.Theresultsshowthatthesegmentationmethodinthisthesiscanbemoreaccurateandmorecompletesegmenttheauroralovalregion.Atthesametime,themethodhasgoodrobustness,especiallyinthecaseoflowcontrastandhighnoise,italsocanbemoreaccuratetoextracttheauroraovalregion.KeyWords：AuroraOval；RegionGrowing；ImagePreprocessing；MathematicalMorphology；Otsu-III- 极光图像中极光卵的分割方法研究目录摘要............................................................................................................................................IAbstract.............................................................................................................................................II1绪论................................................................................................................................................11.1论文研究目的和意义.......................................................................................................11.2国内外研究现状...............................................................................................................21.2.1图像分割技术的发展...........................................................................................21.2.2极光图像分割方法研究.......................................................................................31.3论文主要研究内容和结构安排......................................................................................52区域生长方法理论分析..............................................................................................................72.1区域生长原理...................................................................................................................72.2区域生长的关键问题.......................................................................................................82.2.1种子像素的选择....................................................................................................82.2.2生长阈值的确定....................................................................................................82.2.3种子生长准则........................................................................................................92.3区域生长方法的改进.....................................................................................................102.4区域生长方法实现.........................................................................................................122.5本章小结..........................................................................................................................133数学形态学图像处理................................................................................................................143.1数学形态学基本思想.....................................................................................................143.2二值形态学的基本理论................................................................................................153.2.1基本概念..............................................................................................................153.2.2二值图像的膨胀腐蚀运算.................................................................................153.2.3二值图像的开闭运算.........................................................................................183.3灰度形态学的基本理论................................................................................................203.3.1灰度形态学的理论基础.....................................................................................213.3.2灰度图像的膨胀腐蚀运算.................................................................................233.3.3灰度图像的开闭运算.........................................................................................263.4本章小结..........................................................................................................................274基于区域生长和数学形态学相结合的图像分割算法.........................................................284.1图像预处理.....................................................................................................................284.1.1预处理的目的和意义.........................................................................................28-IV- 兰州交通大学硕士学位论文4.1.2极光图像预处理.................................................................................................284.2基于区域生长的极光图像分割....................................................................................304.2.1分割算法流程图.................................................................................................314.2.2改进的种子像素选取算法.................................................................................314.2.3确定生长阈值......................................................................................................354.2.4算法的实现..........................................................................................................364.3数学形态学方法进行分割后修正................................................................................374.4实验结果及分析.............................................................................................................374.5本章小结..........................................................................................................................405极光图像分割评价....................................................................................................................415.1图像分割评价方法分类................................................................................................415.2现有的极光图像分割评价方法....................................................................................425.2.1基于极光卵外边界的分割评价........................................................................425.2.2基于DMSP卫星数据的分割评价...................................................................435.3极光图像分割评价.........................................................................................................445.3.1本文算法的分割结果评价.................................................................................445.3.2多种不同分割方法的比较.................................................................................465.4本章小结..........................................................................................................................466总结与展望.................................................................................................................................476.1论文总结..........................................................................................................................476.2论文展望..........................................................................................................................47致谢.........................................................................................................................................49参考文献...................................................................................................................................50攻读学位期间的研究成果............................................................................................................53-V- 兰州交通大学硕士学位论文1绪论1.1论文研究目的和意义极光是一种形状多变、绚丽多彩的发光现象，它通常出现在地球南北两极附近的高空中。随着当代科学技术的不断发展，人们逐渐了解了极光现象的形成原因和发展趋势。地球上的极光通常是由太阳风和地磁场之间的相互作用产生，它是高速带电粒子流与地球高空大气相互撞击的产物。极光形成的必备条件是大气、磁场和太阳风，三者缺一不可。极光现象一般出现在南北两极附近的高纬度区域，在该区域中，围绕地球磁极存在一个闪亮的椭圆形光环，它被称为极光卵[1]。近年来，在地球南北极周围，许多国家先后成立极光观测站，以此不断地对极光活动的特征和形态进行更深刻的研究。其中，中国在南北极依次成立了两个观测站，分别为中山站和黄河站，以便实时的对极光活动进行观测和研究。极光不仅是壮观的自然景象，更是太阳活动与地球磁场关系的直接反映。太阳耀斑、日冕物质抛射等太阳活动产生的高能带电粒子流对地球磁场影响重大，不仅会让通信卫星、空间飞行器、无线电信号等失灵，严重时其强大的电流甚至会使地面电力传输线受到严重干扰，造成大面积停电事故。因此，研究极光——这个太阳与地球磁场相互作用的产物，可以帮助人类更深入地了解太阳活动是如何影响地球的，并尽可能减少这种影响带来的损失。同时，极光活动的研究对于认识地球外层空间结构、了解空间天气、研究太阳风暴等也具有重要的意义。因此，世界各国均已开始着手研究极光活动对地球活动的影响和作用。极光卵是研究极光活动的一个重要参数，它在磁层结构与能量存储的研究中起着关键的作用。例如，通过计算极光卵内边界对应区域的大小，可以直接测量出磁应力的储存情况。同时，极光卵边界的研究与太阳风暴、地球磁场以及大气电离层都有着紧密的联系，故对其研究有利于更准确地掌握太阳风暴与地球磁场之间的活动关系。因此通过准确地提取极光卵边界区域，可以有效地研究磁层结构、能量储存以及太阳风和地磁场之间的活动规律。通过采用不同的观测手段，可以得到不同定义的极光卵边界。现有的极光观测手段主要包括光学成像观测、雷达观测、磁力计观测等，采用不同的观测手段可以得到不同的极光特性，这是因为不同观测手段的空间观测角度和时间观测尺度等各不相同。例如利用地基全天空成像仪可以得到极光卵的光学边界区域，采用星载沉降粒子探测仪可以得到极光卵的沉降粒子边界区域，而通过星载磁力计进行观测则可得到极光卵的磁场边界区域等。在极光活动的研究中，极光卵的光学边界区域有着至关重要的作用，故利用卫星搭载的光学成像仪对极光卵区域进行观测研究，例如通过Polar卫星搭载的紫外成-1- 极光图像中极光卵的分割方法研究像仪(UltravioletImager，UVI)，可以得到全域的紫外极光图像，相比地面光学成像仪得到的局域图像，它能够提供全面准确的信息，如相同时间极光的整体形态特征、极光强度的空间分布情况以及极光卵的边界信息等[2]。通过对紫外极光图像中极光卵的研究和分析，可以进一步提高极光活动的科学研究意义，并为后期的实际应用打下坚实的基础。1.2国内外研究现状1.2.1图像分割技术的发展目前，随着计算机技术的飞速发展，人们可以利用计算机对数字图像进行一系列的处理操作。图像处理和计算机视觉之间有着密切的联系，通过计算机操作可以实现图像去噪处理、图像对比度增强、图像分割提取等功能。如今，数字图像处理已成功用于许多领域，给人类社会带来了巨大的经济价值。图像分割是指根据具体问题，将图像划分为若干相似区域的过程，它是大多数自动图像模式识别和场景分析问题的基本预备步骤。在图1.1中，充分说明了图像分割在图像处理操作过程中的作用，它是图像识别与图像理解的基础和前提，其分割效果的优劣对后期的图像处理操作具有关键的影响。因此，在图像处理过程中，图像分割扮演着关键的作用。图1.1图像分割在整个图像处理过程中的作用图像分割是指根据图像的特性，例如灰度、颜色、纹理等，将一幅图像按照某种相似性准则划分为相同连通区域的过程。较好的图像分割结果应满足以下条件[3]：(1)各个分割区域在某种特性(如边缘、纹理等)上具有相似性，分割区域内部具有连通性且无过多孔洞出现。(2)分割后相邻区域依据的分割准则有明显的差别。(3)区域边界是明确的。目前，通过国内外学者的大量研究，数以千计的图像分割算法已经被提出，但是找到一种适合所有图像通用的分割算法仍是不能实现的，现有的大多数算法的提出都是考-2- 兰州交通大学硕士学位论文虑了具体的问题。同时，由于欠缺通用的理论知识，针对具体的实际问题，合理的选择分割算法仍是相对困难的，通常需要通过不断实验得到理想的分割结果。在现有的分割算法中，阈值法、区域生长法、边缘检测法均为比较经典的分割方法。此外，学者们在这些经典算法的基础上进行了改进和创新，提出了基于模糊数学的分割方法、基于特定理论的分割方法、基于群体智能的分割方法、基于神经网络的分割方法等等。近年来，通过不断地改进和创新，图像分割技术已经得到了飞速的发展和进步。但是在实际情况中，图像处理与分析都是对应于具体问题，因此现阶段还没有一种通用的方法可以很好地实现理想的分割效果[4]。这是因为待分割的实际图像之间存在很大的差别，此外由于图像在获得和传输过程中易受到噪声以及其他因素的影响，也可导致分割效果不理想。同时，目前为止仍然没有一种统一的评价准则可以对分割结果的优劣进行评价分析。综上所述，在图像处理与图像分析领域中，图像分割仍是一大经典难题，尽管目前存在着许多分割方法，但是还没有一种方法对任何图像都适用，因此现阶段许多学者正在研究可否找到一种适用于所有图像分割的统一方法，它将是研究者们下一步的研究方向。1.2.2极光图像分割方法研究针对紫外极光图像中极光卵所具有的特征，近年来国内外学者进行了大量的研究，从多个思维角度提出了不同的分割方法。这些方法主要包括阈值法、自适应最小误差阈值法(AMET)、基于直方图的K-均值法(HKM)、模糊局部C均值聚类法(FLICM)、基于椭圆拟合后处理法(EF-based，简称EF法)和脉冲耦合神经网络法(PCNN)等，并取得了相应的研究成果。阈值法是一种简单经典的图像分割方法，影响阈值法分割结果的关键是选择适当的分割阈值。Frank和Brittnacher等人采用阈值法，分别以1kiloRayleigh和4photons•cm-2•s-1为阈值，提取出了极光卵的极向边界，虽然该分割方法操作简单方便，但其鲁棒性较差，往往会导致分割效果较差[5,6]。Kittler等人在1986年提出了最小误差法，该方法的原理为：分别假设图像目标像素和背景像素的灰度值服从高斯分布函数，并利用该函数进行高斯拟和，最后利用最小误差化高斯分布拟合替代图像二值化问题。通过提出相对熵的理论知识，Fan等人进一步对该方法进行了补充和说明，从而奠定了最小误差法的基本理论基础。由于Kittler等提出的最小误差法只考虑了图像的灰度信息，因而对于含有噪声干扰的图像分割效果较差。文献[7]采用自适应最小误差阈值(AMET)方法提取极光卵区域，该方法仅考虑了图像像素的灰度信息，缺乏对极光卵形状知识的了解以及忽略了像素空间关系的约束条件，这样可能导致分割出的极光卵区域不完整，若极光卵区域亮度差别比较大，则分割-3- 极光图像中极光卵的分割方法研究结果更不理想。K-均值聚类算法是一种极具影响的聚类技术，现阶段它广泛地应用于科学研究和工业应用。同时，它又是各种聚类算法中的一个基础方法，通常将误差平方和准则函数作为其聚类函数，并以此来评价其聚类性能。在该算法中，聚类的代表点往往是各聚类子集中所有数据样本的平均值，它的主要原理是根据迭代过程的不同将各数据集分为不相同的类别，并得到评价聚类性能准则函数的最优解，这样可以使得新生成的每个聚类内部紧凑，类间独立[8]。在处理大数据集问题时，该算法具有相对可伸缩性和高效性，同时，若聚类结果中出现密集的簇，且簇与簇之间具有明显的不同，则可证明分割效果较好。Hung等人提出了一种基于直方图的K-均值算法来提取极光卵区域[9]。在该算法中，选取极光图像灰度直方图中的一类作为初始聚类中心。它能够快速简单地分割极光图像，但是对于噪声较强的紫外极光图像，该算法具有敏感性，这是因为该算法主要考虑了图像数据样本的均值，而较多的噪声类数据可以对均值产生很大的影响，进而影响算法的准确性，产生分割误差。在1990到1999年之间，通过对猫的视觉皮层进行研究，Eckhorn等根据神经元脉冲串产生的同步震荡现象，发现了哺乳动物的神经元模型，并由此发展形成了脉冲耦合神经网络模型(PCNN-PulseCoupledNeuralNetwork)。相比于其他图像分割方法，该模型可以对图像二维空间相似和灰度相似的像素进行分组划分，并计算出图像局部像素的灰度差值，填充图像局部的细小空隙。同时由于该模型结构和二维图像空间结构相似，因此采用该模型可以很好的对图像进行分割处理[10]。PCNN的图像分割原理完全基于图像的自然特性，不用提前选取图像处理的空间区域，这是一种更自然和更方便的分割方法。Germany等人利用PCNN的分割方法从紫外极光图像中自动分割出极光卵区域，该方法同时考虑了像素的灰度信息和空间约束关系，能够较准确地分割出极光卵[11]。然而，当具有相似像素强度的物体出现时(例如较强的日辉效应、流星痕迹等)，将会导致分割效果不理想，这是因为该算法一方面是基于像素强度进行考虑的。同时，由于该方法缺乏极光卵形状的先验知识，可能会导致分割出的极光卵区域不完整。文献[12]同时考虑图像像素的灰度信息和极光卵的形状特点，提出了一种基于椭圆拟合的后处理分割方法。该方法与现有方法的不同之处在于它利用极光卵的形状作为先验知识，极光卵形状的产生主要是通过采用基于随机霍夫变换的线性最小二乘法得出。通过实验结果能够得出，采用该方法可以得出一些椭圆，这些椭圆近似真实极光卵的内外边界，利用椭圆的特点，对分割后的极光卵边界采取椭圆拟合处理，并把拟合结果作为最终的分割结果。利用极光卵的形状信息进行图像分割，可以提高分割质量，特别是在高噪声、低对比度的情况下。但是由于该方法拟合出的极光卵边界平滑，它与实际极-4- 兰州交通大学硕士学位论文光卵呈现出的高低不平边界不相符，可能导致分割精确度下降，而且当极光卵内外边界呈现非椭圆状或极光卵区域成像不完整时，若直接采用椭圆拟合分割方法，则会出现较大的分割误差，甚至得出错误的分割结果[13]。目前，在许多领域中，模糊聚类技术得到了广泛的应用和研究，它将硬聚类算法中的确定性判决用隶属度进行替代。Krinidis等人利用模糊局部相似度测度方式对图像局部的空间和灰度信息进行了融合，从而提出了一种基于模糊局部信息C均值聚类(FLICM)的分割算法，该算法不仅具有较好的抗噪性能，而且能够保持分割后的目标细节，较好地改进了传统FCM算法的缺陷。由于紫外极光图像中极光卵边界具有模糊的特点，王倩等采用模糊聚类方法提取极光卵的边界信息。该方法的主要思想是首先利用模糊局部信息C均值聚类方法提取极光卵的内外边界，其次根据极光卵的呈现特性，对分割结果进行后处理操作，最后得到较准确和较完整的极光卵边界[14]。采用该方法进行图像分割，不仅能够准确的保留极光卵的边界信息，而且当极光卵区域成像不完整时，可以有效地分割出极光卵边界。但是，当极光图像受到严重的噪声干扰时，其分割效果会变差。1.3论文主要研究内容和结构安排本文主要研究了紫外极光图像中极光卵分割的实现方法。下文出现的极光图像均指紫外极光图像。由于大量极光图像受噪声影响较强、边界模糊、对比度较低，同时该图像具有内边界较复杂、外边界呈椭圆状且极光卵区域多呈环带状特点，因此现阶段仍没有一种通用的分割方法能够准确地分割出极光卵边界。本文采用区域生长和数学形态学相结合的分割方法，实现自动提取极光卵的边界区域。本文方法的具体实现过程如下：首先根据极光图像的特点，对原始图像进行去除背景、图像去噪、图像增强等预处理操作；然后以此为基础，选取一组能正确反映目标区域特性的种子像素，并以像素邻域灰度特性为基础，采用最大类间方差法自动获取最佳分割阈值，再根据基于区域灰度差的方法，制定出区域生长的停止准则；最后，对分割结果利用数学形态学方法进行分割调整，填充已分割区域中由于噪声而产生的细小空洞和间隙。本文首先阐述了分割算法的原理和实现方法，然后在Matlab7.0平台上进行仿真分析，论文的结构安排如下：第一章：绪论。本章主要介绍了极光图像分割的研究目的及意义，并详细阐述了图像分割技术的发展和国内外极光图像分割的研究现状和方法，最后提出了极光图像分割的具体研究内容以及全文的结构安排。第二章：区域生长方法理论分析。本章首先对区域生长方法的基本概念和原理进行-5- 极光图像中极光卵的分割方法研究理论分析；其次阐述了区域生长方法中的几个关键问题，并对各个关键问题进行了详细地解释和说明；最后根据具体的研究内容，对该方法提出了一些改进方案，重点解决了区域生长方法中产生的噪声干扰问题，同时介绍了该方法的具体实现过程。第三章：数学形态学图像处理。本章首先从数学形态学图像处理的基本思想入手，介绍了二值形态学和灰度形态学的概念和几种基本运算；其次，分别给出了二值形态学和灰度形态学的膨胀运算、腐蚀运算、开运算以及闭运算的过程示意图，并根据这些运算的性质得出了对应的实验仿真结果；最后分析实验结果并对本章进行小结。第四章：基于区域生长和数学形态学相结合的图像分割算法。本章从极光图像的自动分割方法出发，提出了一种区域生长和数学形态学相结合的分割方法。首先对极光图像的预处理过程进行详细说明，并给出相应的实验仿真图像；其次，提出改进的种子像素选取方法，并采用最大类间方差法自动确定生长阈值，然后对预处理后的极光图像采用区域生长法进行图像分割；最后，利用数学形态学图像处理方法进行分割后修正，并通过与其他分割算法的仿真图像进行比较，结果表明本文方法能够较准确和较完整的分割出极光卵区域，有效地提高了分割的准确度。第五章：极光图像分割评价。本章首先阐述了现有的极光图像分割评价方法，之后提出了本文采用的分割评价方法，并根据该评价方法对本文的分割方法进行评价。通过给出多种方法与本文方法的对比实验数据，定量地说明了本文方法的有效性和准确性。第六章：总结与展望。本章主要对论文的研究成果进行总结，分析优势和不足，并提出了今后的研究思路和方向。-6- 兰州交通大学硕士学位论文2区域生长方法理论分析区域生长方法的基本思想是利用预先制定的生长准则将图像像素或各个子区域融合为更大区域的过程[15]。在执行区域生长过程时，首先在每个待分割区域找到一个或一组种子像素作为生长的起始点，然后根据事先制定的生长相似性准则，将种子点邻域中与其具有相似性质的像素点进行合并，至此合并后的区域为新的种子像素区域。其中这些相似性度量包含颜色、纹理、平均灰度值等信息。区域生长是一个迭代过程，它将生长后的像素作为新的种子像素，并按照生长准则继续完成生长过程，直到再没有符合生长条件的像素可以合并，从而完成一个区域的生长。图2.1说明了区域生长的基本目的。图2.1区域生长区域生长是一种串行区域分割的图像分割算法，其优点是基本思想相对简单，通常能将具有相同特征的连通区域分割出来，并能提供很好的边界信息和分割结果。在缺少足够的先验知识时，可以取得最佳性能，适用于分割比较复杂的图像。但是，由于区域生长是一种迭代算法，故在空间和时间上都需要较大的开销，若图像中的噪声和灰度分布不均匀，也有可能导致出现空洞和过分割现象，同时它对图像中的阴影效果处理不是很好。2.1区域生长原理区域生长的基本表达式可以描述为：令R表示整个图像区域，可以将分割视为把R分为n个子区域R,R,...,R的处理过程，即：12n-7- 极光图像中极光卵的分割方法研究n(1)URiR；i1(2)R是一个连通区域，i1,2,...,n；i(3)RiIRj，对所有i和j，ij；(4)P(R)TRUE，对于i1,2,...,n；i(5)P(RiURj)FALSE，对于任何相邻的区域Ri和Rj。这里，P(R)是定义在集合R中的点上的一个逻辑属性，表示空集。ii条件(1)指出分割必须是整体的，也就是说，每个像素都存在于对应的区域中。条件(2)表明一个区域中的点是连续的(如4连接或8连接)。条件(3)指出每个区域必须没有交集，都是独立的区域。条件(4)表示分割后的区域中各个像素必须符合的条件——例如，若R中的所有像素值具有相同的灰度值，则P(R)TRUE。最后，条件(5)指出，相邻ii区域R和R在属性P上的意义是不相同的[16]。ij2.2区域生长的关键问题区域生长方法需要解决以下3个关键问题[17,18]：(1)如何选择一个或一组能正确代表待分割区域的种子像素；(2)如何确定出合适的生长阈值；(3)如何制定出种子像素的生长准则。2.2.1种子像素的选择在区域生长过程中，初始种子像素的选取有利于后期的分割结果。通常情况下，它的选取包含两方面的内容，即初始种子像素位置和灰度值的选择。在选取过程中，可以基于具体问题的特性来选择一个或一组种子像素作为起始生长点。当先验知识不可用时，则在每个像素处计算一组相同的特性，并在生长过程期间，利用该特性把像素分配到各个区域中。若该计算结果呈现出了一簇值，则可将靠近这些簇中心的像素值作为初始生长点。生长种子像素的选择可以是单个像素，也可以是一组像素点，在具体的选择过程中，选择的种子像素应是待分割区域中具有代表性的点。2.2.2生长阈值的确定选择适当的生长阈值是区域生长过程中的一个重要因素。通常情况下，可根据具体的待分割图像选择适当的生长相似性准则，从而确定出生长阈值。利用不同原则制定出的生长相似性准则，可以导致不同的生长过程并影响最后的分割结果。同时，设定不同的生长阈值，将会导致分割结果出现过分割或欠分割现象。例如，若生长区域内的灰度-8- 兰州交通大学硕士学位论文分布差异性大，此时设定较大的生长阈值将会导致出现欠分割现象；若待分割图像的目标边界模糊，设定较小的生长阈值将会造成过分割现象，甚至导致分割失败[19,20]。因此，生长阈值的确定是保证图像准确分割的必要条件。2.2.3种子生长准则生长准则是评价与种子像素相似程度的度量准则，它的选取一方面由所要解决的具体问题决定，另一方面由图像的数据信息决定[21-23]。常用的区域生长相似性判决准则主要有三种，即基于区域灰度差的生长准则、基于区域内灰度分布统计性质的生长准则和基于区域形状的生长准则。(1)基于区域灰度差的准则在区域生长算法中，图像像素是该算法的基本单位，基于区域灰度差的准则利用图像像素制定生长准则，其具体实现步骤如下：①对待处理的图像像素进行依次扫描，找到还没有归属的像素；②以该像素点为中心对其邻近的像素进行检测与比较，并计算出中心像素和附近各邻域像素之间的灰度差值，若灰度差值小于先前设定的生长阈值，则进行相应的合并；③将合并后的新像素作为中心像素，返回步骤②，并对新像素的各个邻域进行检查，直到生长区域不能再扩张为止；返回步骤①，继续扫描找出尚未归属的像素，若所有像素都已归属，则结束生长过程。(2)基于区域内灰度分布统计性质的准则该方法利用了图像的灰度分布相似性，并以其作为区域生长准则，从而完成了相似区域的合并处理，其具体实现步骤如下：①首先将图像划分为若干互不交叠的小区域；②其次，对相邻区域的累积灰度直方图进行比较，并利用图像灰度分布相似性实现各小区域的合并操作；③制定生长终止准则，利用步骤②中的方法依次对各个小区域完成合并操作，直至满足生长准则，并结束区域生长。(3)基于区域形状的准则在该方法中，通常利用区域的形状信息来确定区域的合并。常用的方法有两种：①将图像分割为灰度固定的区域，假设相邻两区域的周长分别为L和L，设定L为两12个相邻区域共有边界两侧的灰度差值小于给定值的长度，如果T为设定阈值，若：LT(2.1)min{L,L}12-9- 极光图像中极光卵的分割方法研究则合并两区域。②将图像分割为灰度固定的区域，假设B为两个边界区域的公共界限长度，设定L为两个边界区域公共界限两侧灰度差值小于给定值的长度，如果T为设定阈值，若：LT(2.2)B则合并两区域。例如，图2.2给出了一个区域生长示例图。图2.2(a)中给出了原始的图像块，其中标有灰色的像素点为设定的种子像素，区域生长准则是将种子点与其8邻域的像素点逐个进行比较，如果这两者的差的绝对值小于等于先前给定的阈值T，则将该邻域像素合并到种子区域中，并对合并后新的种子像素继续相同生长，直到没有新的像素可以包括到种子区域中，从而区域生长结束。图2.2(b)和(c)分别给出了不同阈值T时的区域生长分割结果。根据结果可以得出，生长阈值的选取对于图像分割具有重要的影响。(a)原始图像(b)T1(c)T2图2.2区域生长示例2.3区域生长方法的改进区域生长方法具有对噪声敏感、阈值选取困难、计算复杂度高等特点[24]。针对这些不足和缺陷，本文重点解决分割前噪声干扰和分割后噪声干扰的问题。在图像分割过程中，首先对待分割图像进行一系列图像预处理操作，可以有效地提高图像的分割质量，特别对于噪声较大的极光图像，它有着关键的作用。因此，在分割前对图像进行预处理是非常必要的。在本文中，根据紫外极光图像的噪声特点，选取中值滤波方法实现图像去噪。中值滤波是一种经典的非线性平滑噪声方法，它可以有效地去除图像中常见的孤点噪声，并且可以较好地保留图像的边缘信息[25]。为了验证中值滤波算法对不同噪声的去-10- 兰州交通大学硕士学位论文除效果，我们在原始图像中分别加入方差为0.02的椒盐噪声和高斯噪声，并分别采用33窗口和55窗口的中值滤波算法对加入噪声后的图像进行去噪处理。(a)原始灰度图像(b)灰度增强后的图像(c)方差为0.02的椒盐噪声图像(d)33窗口中值滤波结果(e)55窗口中值滤波结果(e)方差为0.02的高斯噪声图像(f)33窗口中值滤波结果(g)55窗口中值滤波结果图2.3不同窗口中值滤波结果根据图2.3可以得出，充满椒盐噪声的原始图像经过中值滤波运算后，可以很好地去-11- 极光图像中极光卵的分割方法研究除噪声中较亮的斑点，其噪声去除效果比较理想；而对于图像中的高斯噪声来说，中值滤波效果不是特别理想。同时，根据中值滤波窗口选择的不同，可以得出55窗口滤波的去噪效果优于33窗口滤波，但是这样会加重图像的模糊程度。在原始灰度极光图像中，噪声点多为明亮的斑点，因此采用中值滤波算法可以有效地滤除原始图像中的噪声点，且选取33窗口的中值滤波可以较好的保留图像的边缘信息。其中，为了提高视觉效果，对原始图像进行了灰度增强。在此说明，将在下文中出现的原始图像，均指灰度增强后的图像。实验结果表明，对原始极光图像进行33窗口中值滤波处理后，不仅可以有效地滤除图像中的孤点噪声，而且较好地保留了图像的边缘特性，不会使图像产生显著的模糊现象，这样有利于避免区域生长中种子像素的误判。现有的区域生长方法计算简单且忽略了像素之间的连通性和邻近性，因此不仅会出现分割出的目标区域存在细小空洞或不连续现象，而且目标区域的边界曲线也是凹凸不平的，经常存在着一些小孔和缝隙，造成这种现象的原因可能是由于种子点的邻域像素被噪声污染，从而导致区域生长产生误差。为了改善这种误生长情况，通常需要对分割后的图像进行平滑和调整处理，以便得到更优的分割结果。本文采用数学形态学算法对分割结果进行修正。在数学形态学中，开运算具有平滑图像边界、减弱狭窄部分、消除细长突出和边缘毛刺、填充孤立斑点、切断目标物体间的连接等特点。同时，它还能使得目标物体的尺寸大小基本保持不变。闭运算也可以平滑图像边界，相比于开运算，闭运算能够填充目标物中的细小孔洞和缝隙、连接断开的相邻目标。因此，选取闭运算操作既可以有效地去除分割后的目标域中出现的噪声，又能平滑目标域边界中出现的缝隙和孔洞，同时又基本保持了图像的大小尺寸。2.4区域生长方法实现区域生长方法的实现包括三个关键内容，它们分别为初始种子像素的选择、生长阈值的确定以及生长准则的约束[26]。在本文中，以经典的区域生长方法为基础，重点对改进算法进行分析研究。选取种子像素时，不是采用人工选取的方法，而是借助具体图像的特点，根据原始图像灰度直方图特性，对各个像素出现的频数进行统计，并利用高斯函数进行频数拟合，通过分析拟合曲线选取一组像素点作为初始种子像素。对于生长阈值的选取，利用最大类间方差法自动获得分割阈值，该方法全面考虑了像素邻域的灰度值，计算简单稳定有效，可以简单方便地获得区域生长中的最优分割阈值。最后，采用基于区域灰度差的方-12- 兰州交通大学硕士学位论文法制定出生长规则的约束条件，从而按照区域生长算法的原理，实现大量紫外极光图像的准确分割。图2.4给出了区域生长方法的实现流程图。图2.4区域生长方法流程图2.5本章小结本章首先介绍了区域生长方法的原理和相关概念；其次介绍了区域生长中的几个关键问题，即初始种子像素、生长阈值以及生长规则的确定依据。此外，为了更好地实现区域生长算法的功能，故对该算法提出了一些改进方案，具体表现为根据极光图像和区域生长方法的特点，对极光图像的噪声干扰问题进行重点解决。最后，介绍了利用区域生长方法实现极光图像分割的流程图。-13- 极光图像中极光卵的分割方法研究3数学形态学图像处理数学形态学思想起源于1964年，它在研究动植物形态和结构方面具有重要的作用和意义，同时它也是生物学的一部分。后来该思想被学者引入到数字图像处理领域，通常情况下，利用形态学的基本概念和原理对数字图像进行相关的分析和研究[27]。目前，研究者们利用数学形态学的方法，从数字图像中获得了许多有用的图像信息，这些信息包括图像边界、轮廓等。此外，在图像预处理和后处理过程中，数学形态学也起着至关重要的作用，比如形态学过滤、细化、修剪、填充等。数学形态学技术经过不断研究和发展，在图像处理领域中得到了广泛的应用，它已经成为科研人员的必备研究工具。3.1数学形态学基本思想数学形态学的基本思想是利用不同的结构元素作用于原始数字图像，并提取出原始图像中对应的形状和区域，从而达到图像识别和理解的目的。通常情况下，将集合论作为数学形态学的描述语言，它对于形态学中的图像分析与处理、形态学滤波器分析与设计都有着重要的指导作用。数学形态学具有简化图像数据的作用，它能够保持图像的基本大小不变，并去除与图像不相关的部分。数学形态学方法能够并行实现，具体表现为形态学分析与处理方法的并行实现，这样能够有效地提高图像分析与处理的速度。图3.1形态学图像处理基本思想在数学形态学方法中，通常利用结构元素作为“探针”，以此获取原始图像的相关信息，通过逐步移动探针，可以得到图像各个部分的相互关联，从而掌握了图像的整体结构信息。若某种结构元素作为探针使用，则其可直接携带形态、大小以及灰度等信息，以便更好地实现图像结构特征的分析和研究。因此，有针对性的选取适当的结构元素对于数字图像处理是至关重要的。数学形态学方法不但可以实现图像的填充、去噪、过滤、分割等处理，而且还可以简化并保持图像的基本大小和形状。根据数学形态学的理论分-14- 兰州交通大学硕士学位论文析，实现形态学图像处理的基本思想如图3.1所示。3.2二值形态学的基本理论二值形态学是指以二值图像作为研究对象，并采用数学形态学方法处理二值图像，它是形态学最基本的理论之一。二值图像的灰度值通常包含两个可能值，这两个可能值一般取为“0”和“1”，习惯上通常将图像中的前景目标用取值为“1”的点表示，将图像中的背景用取值为“0”的点表示[28,29]。由于数学形态学的数学理论与基础是集合论，因此通常利用集合语言来描述形态学运算。3.2.1基本概念在数学形态学运算中，通常可以把一幅图像用一个集合表示出来。二值图像的数学形态学运算将集合论作为基础理论，利用某种结构元素作用于原始图像，并提取出原始图像中对应的区域和形状。结构元素作为一个基础，它在形态学运算中起着重要的作用。结构元素是指一种“探针”，这种探针具有获取图像信息的作用，在图像分析与处理过程中，根据探针获得的信息可以对原始图像进行分析和研究[30,31]。结构元素的设计通常取决于具体的图像信息，一般情况下，它被设计为不同的几何形状，例如圆形、菱形、十字形、线段等。在待处理图像中，通过逐步移动结构元素可以获取图像各个部分的关系，进而提取出感兴趣的图像信息。在本文中，设A表示图像集合，B表示结构元素，以下章节分别介绍二值图像数学形态学的基本运算。3.2.2二值图像的膨胀腐蚀运算膨胀运算是将与目标物体有接触的全部背景点均归并到目标物中，并使其边界得到进一步扩张，它可以用来填充物体中出现的细小孔洞[32]。膨胀用AB来表示，其定义如下：AB{a|(B)IAA}(3.1)a其中，式(3.1)是以得到B自身原点的映像和a对映像进行移位为基础。A被B膨胀后的元素是所有位移的集合，B和A至少有一个元素发生重叠[32]。二值化图像的膨胀过程如图3.2所示。在图3.2中，图(a)表示的是待处理的图像A(注：灰色表示逻辑1，白色表示逻辑0)；图(b)表示的是结构元素B；图(c)表示的是膨胀后的结果，它包括了A的所有范围。膨胀的具体实现方法为将B的中心点与A上的点及其附近邻域的点逐一进行比对，若B上有一点落入A的范围内，则该点即为灰色点(用逻辑1表示)。-15- 极光图像中极光卵的分割方法研究(a)原始图像(b)结构元素(c)膨胀后的图像图3.2膨胀运算示意图二值图像的膨胀运算仿真结果如图3.3所示。其中，图(a)为原始二值图像，分别选取两种不同的结构元素，一种是长度为4的线形结构元素，另一种是半径为4的圆形结构元素。膨胀结果如图(b)和图(c)所示。根据实验结果可以得出，通过膨胀运算可以使得二值图像中断开的目标图像进行连接，减少了目标之间的距离和空隙，并且使目标图像的面积发生了扩展。(a)原始图像(b)线形结构元素(c)圆形结构元素图3.3二值图像膨胀腐蚀是一个消除边界点，使边界向内部收缩的过程。它可以用来消除小且无意义的物体[33]。腐蚀可以看作是膨胀的对偶运算。腐蚀用AB表示，其定义为：AB{a|(B)A}(3.2)a式(3.2)表明，使用B对A进行腐蚀就是所有B中包含与A中的点a的集合都用a来平移。二值图像的腐蚀运算过程如图3.4所示。其中(a)表示的是待处理的图像A；(b)表示的是结构元素B；(c)表示的是腐蚀后的结果，它仍在原来A的范围内，且比A包含的点少。腐蚀的具体实现方法为将B的中心点和A上的点逐一进行比较，若B上的点全部包-16- 兰州交通大学硕士学位论文含在A中，则将该点保留在腐蚀结果中，否则去掉该点。(a)原始图像(b)结构元素(c)腐蚀后的图像图3.4腐蚀运算示意图二值图像的腐蚀运算仿真结果如图3.5所示。其中，图(a)为原始图像，分别选取两种不同的结构元素，一种是长度为6的线形结构元素，另一种是半径为4的圆形结构元素。腐蚀结果如图(b)和(c)所示。根据仿真结果可以得出，对二值图像进行腐蚀运算可以将粘连的目标图像分割开来，增大了相邻区域之间的距离，同时该运算减小了目标图像的面积。(a)原始图像(b)线形结构元素(c)圆形结构元素图3.5二值图像腐蚀根据仿真实验可以得出，膨胀和腐蚀运算对二值图像的处理各有不同。二值膨胀运算对图像补集采用结构元素来进行目标填充，因此，膨胀运算相当于对图像外部进行滤波处理操作，该运算可使距离比较近的两个目标连通起来，消除细缝或填充孔洞。二值腐蚀运算可以断开原始图像中粘连部分、消除目标图像的边界点，若选择的结构元素足够大，则可通过腐蚀运算把存在细小连通的两个目标分开，这一点正好说明了腐蚀运算-17- 极光图像中极光卵的分割方法研究可以去除噪声。3.2.3二值图像的开闭运算通常情况下，膨胀运算和腐蚀运算不为互逆运算，可以相互级联使用。将膨胀和腐蚀这两种运算进行简单的组合，则可得到形态学的两种新运算，分别为开运算和闭运算。结构元素B对集合A的开运算可以表示为AoB，其定义为：AoB(AB)B(3.3)可见，B对A的开运算是指先用B对A进行腐蚀运算，然后再用B对腐蚀结果进行膨胀运算。开运算不仅可以全部去除没有包含结构元素的区域，而且还能平滑目标轮廓、切断狭窄粘连、去除细小突出[34,35]。同时，该运算与腐蚀运算的作用相似，但是相比于腐蚀运算，它可以基本保持目标图像的形状大小不变。图3.6表示二值图像的开运算示意图。其中，(a)表示的是待处理图像A，结构元素又被称为掩膜，掩膜B如图(b)所示，则采用B对A进行开运算的过程如图(c)和(d)所示。(a)原始图像(b)结构元素(c)腐蚀后图像(d)腐蚀后再膨胀图像图3.6图像开运算示意图同样，结构元素B对集合A的闭运算可以表示为AB，其定义为：-18- 兰州交通大学硕士学位论文AB(AB)B(3.4)可见，B对A的闭运算是指先用B对A进行膨胀运算，然后再用B对膨胀结果进行腐蚀运算。闭运算也可以平滑图像的轮廓。不同于开运算，它不仅具有去除狭窄间断和细长缝隙的作用，而且还能填充目标物中的细小孔洞，并填补目标边缘线的断裂部分[36,37]。同时，它也可以使得目标图像的形状大小基本保持不变。图3.7表示二值图像的闭运算示意图。其中，待处理图像A如图(a)所示，掩膜B仍采用33的全1掩膜，则采用B对A进行闭运算的过程如图(c)和(d)所示。(a)原始图像(b)结构元素(c)图像膨胀结果(d)膨胀后再腐蚀图像图3.7图像闭运算示意图开闭运算的主要性质如下：(1)对偶性ccAB(AB)(3.5)ccAB(AB)(3.6)-19- 极光图像中极光卵的分割方法研究(2)单调递增性若AA，则有：1ABAB(3.7)1ABAB(3.8)1(3)扩展收缩性ABAAB(3.9)(4)平移不变性(Ax)B(AB)x(3.10)(Ax)B(AB)x(3.11)(5)幂等性(AB)BAB(3.12)(AB)BAB(3.13)二值图像的开闭运算仿真结果如图3.8所示。其中，选取半径为2的圆形结构元素进行开闭运算。在图3.8中，(a)为原始图像，(b)为开运算结果，(c)为闭运算结果。(a)原始图像(b)开运算结果(c)闭运算结果图3.8圆形结构元素开闭运算结果根据图3.8(b)和图3.8(c)可知，开运算可以去除图像中明亮的小细节部分以及孤立的斑点，且很好地平滑了图像的轮廓边界；闭运算可以把图像中的细小空洞和间隙连接起来，但是不能消除图像中较小的明亮细节，同时它也可以对图像起到平滑作用。3.3灰度形态学的基本理论习惯上，将二值形态学进行自然扩展并应用于灰度图像中，所得结果即为灰度形态学，它的运算对象也由集合转变为图像函数，同时结构元素可以被看作某个子图像的函-20- 兰州交通大学硕士学位论文数。膨胀和腐蚀运算也是灰度形态学的基础运算，这和二值形态学的基础运算是一致的。在灰度图像形态学中，如何利用“最大值”和“最小值”函数定义灰度形态学是其需要解决的关键问题。本节详细介绍了灰度图像的膨胀、腐蚀以及开闭运算，下面分别介绍这几种运算[38-40]。3.3.1灰度形态学的理论基础在学习灰度形态学运算之前，首先对形态学平移、子集运算、反射等相关概念进行介绍[41]。(1)子集假设信号g和信号f分别为定义在域D[g]和D[f]上的两个信号，如果D[g]是D[f]的子集，且对于任意的xD[g]（即xD[f]）都有g(x)f(x)，则称信号g在信号f的下方。(2)反射若f是定义域D[f]内的一个图像信号，则定义f对原点的反射为：f(x)f(x)(3.14)图3.9为信号f的反射运算示意图。(a)信号f(b)信号f的反射图3.9反射示意图(3)形态学平移通常信号可以按照水平和竖直两个方向进行移动。将f按照水平方向朝右移动x距离，则称移位，定义为f(z)f(zx)；将f按照垂直方向朝上移动y距离，则称为偏x移，定义为(fy)(z)f(z)y。若信号f同时出现移位和偏移，即可得到形态学平移-21- 极光图像中极光卵的分割方法研究fy，其定义为：x(fy)(z)f(zx)y(3.15)x图3.10表示了一个信号f，f向上偏移y，向右移位x，其对应的形态学平移如下图所示。(a)信号f(b)信号f上移(c)信号f右移(d)信号f的形态学平移图3.10形态学平移示意图(4)极大极小运算二值形态学的交并运算与灰度形态学的极大极小运算相互对应。假设信号g和信号f的定义域分别为D[g]和D[f]，若任意一点x(D[g]UD[f])，则这两个信号的极大运算定义为：(fg)(x)max{f(x),g(x)}(3.16)若x(D[g]UD[f])，则称fg无定义。若x(D[g]ID[f])，则这两个信号的极小运算定义为：(fg)(x)min{f(x),g(x)}(3.17)-22- 兰州交通大学硕士学位论文若x(D[g]ID[f])，则称fg无定义。图3.11简单描述了两个一维信号的极大极小运算。(a)信号f和信号g(b)极大运算(c)极小运算图3.11极大极小运算示意图3.3.2灰度图像的膨胀腐蚀运算结构元素B对灰度图像A的膨胀运算可以表示为AB，其定义为：(AB)(x,y)max{A(xi,yj)B(i,j)|(i,j)D}(3.18)B该定义可以理解为：在图像A上移动B定义的窗口，并在每个滑动位置求出窗口内A与B相应位置的所有和，然后得到其最大值。由此可见，扩展至灰度图像的形态学操作类似于空域二维滤波的方式，只是用加法代替原来的对应像素相乘，并且用求最大值来代替二维滤波乘积的相加操作[42]。灰度形态学和二值形态学图像处理的区别是：前者的运算对象为图像函数，后者的运算对象为集合。灰度图像的膨胀过程示意图如图3.12所示，图中选取半圆形结构元素实现膨胀运算。-23- 极光图像中极光卵的分割方法研究在某些情况下，可以将B简化为二值结构元素，则对灰度图像A膨胀的定义可简化为：(AB)(x,y)max{A(xi,yj)|(i,j)D}(3.19)B可以看出，式(3.19)中的操作其实就是求取原图像A在由B定义的窗口内的所有像素的最大值。膨胀运算是指选取信号中的每一个点与其对应的结构元素中各点之和的最大值，且信号中的每一点均在结构元素定义的邻域中。通过膨胀处理后的灰度图像，若结构元素均为正值，则处理后的灰度图像比原始图像更明亮。(a)信号f(b)结构元素(c)灰度膨胀图3.12灰度膨胀示意图结构元素B对灰度图像A的腐蚀运算可以表示为AB，其定义为[42]：(AB)(x,y)min{A(xi,yj)B(i,j)|(i,j)D}(3.20)B灰度图像的腐蚀过程示意图如图3.13所示，图中选取半圆形结构元素实现灰度图像的腐蚀运算。-24- 兰州交通大学硕士学位论文在某些情况下，可以将B简化为二值结构元素，则对灰度图像A腐蚀的定义可简化为：(AB)(x,y)min{A(xi,yj)|(i,j)D}(3.21)B可以看出，式(3.21)其实就是求取原图像A在由B定义的窗口内的所有像素的最小值。(a)信号f(b)结构元素(c)灰度腐蚀图3.13灰度腐蚀示意图灰度图像腐蚀运算是指信号值与结构元素值作差并选取其最小值，且这些信号值均在结构元素定义的区域内。通过腐蚀处理后的灰度图像，若结构元素均为正值，则经过灰度腐蚀后的值小于原始图像信号的值，故处理后的图像比原始图像更暗。对极光图像实现膨胀和腐蚀运算的仿真结果如图3.14所示。根据图3.14可以得出，对原始灰度图像进行膨胀处理，可以提高图像的整体亮度，同时扩展了图像边缘；相反，腐蚀运算削弱了比结构元素还小的区域中存在的明亮细节，这样将会使得腐蚀后的图像比原图像更暗。-25- 极光图像中极光卵的分割方法研究(a)原始图像(b)灰度膨胀图像(c)灰度腐蚀图像图3.14灰度图像的膨胀和腐蚀3.3.3灰度图像的开闭运算灰度图像的开闭运算与二值图像形态学的处理模式相同，即开运算是指对图像实现先腐蚀后膨胀的运算过程，而闭运算是指对图像实现先膨胀后腐蚀的运算过程[43]。开运算表示为AoB，定义为：AoB(AB)B(3.22)闭运算表示为AB，定义为：AB(AB)B(3.23)其中，A代表灰度图像，B代表结构元素。灰度图像的开运算不仅能够消除小细节处的明亮部分，而且还能使得图像的整体灰度保持不变。首先通过腐蚀运算，可以消除灰度图像中存在的明亮细节部分，但是这会使得图像整体变暗；其次再利用膨胀运算，提高灰度图像的整体亮度，并且该运算不会把已经腐蚀掉的部分再次引入到原图像中。灰度图像的闭运算具有消除较小暗细节、保持图像整体灰度以及较大明亮区域不变的特点。先对图像实现膨胀运算过程，可以消除灰度图像中存在的暗细节部分，但是这样会提高图像的亮度。然后再对图像实现腐蚀运算过程，可以降低图像亮度，并且该运算不会把已经膨胀去掉的部分再次引入到原图像中。图3.15为原始极光图像的开闭运算仿真结果。其中，结构元素采用半径为2的圆形结构元素。根据图3.15可以看出，原始图像经过开运算处理后，可以平滑图像边界轮廓，并且能够确保原始图像的整体灰度基本保持不变。闭运算的处理效果大体上与开运算相反，它可以填充目标图像中的细小空洞，平滑图像边界轮廓，并保持图像的整体灰度。-26- 兰州交通大学硕士学位论文(a)原始图像(b)灰度开运算结果(c)灰度闭运算结果图3.15灰度图像开闭运算3.4本章小结本章主要阐述了数学形态学图像处理的相关概念和原理，重点介绍了二值形态学和灰度形态学的基本运算和性质。同时分别给出二值膨胀、二值腐蚀运算的过程示意图以及图像仿真结果，更好地说明了该运算的特点和性质。此外，将二值形态学运算的定义及性质推广到灰度形态学中，详细介绍了灰度形态学基本运算的原理和性质并给出相应的图像仿真结果，更好地验证了几种基本运算的效果。基于本章理论的学习，为后续章节的研究打下了坚实的基础。-27- 极光图像中极光卵的分割方法研究4基于区域生长和数学形态学相结合的图像分割算法目前，国内外许多研究者已经对极光图像的自动分割方法进行了深入地研究。但是，由于受到多方面因素的影响，例如极光图像受噪声干扰严重、对比度低、图像边界模糊等，从而导致在极光图像分割中很难获得理想的分割效果。在本章中，我们重点针对极光图像的特点，提出一种区域生长和数学形态学相结合的新方法，为极光图像的自动分割提供有效地保证。4.1图像预处理4.1.1预处理的目的和意义通常情况下，图像中包含着大量的数据信息，而这些信息对于我们分析理解图像具有重要的指导作用，因此通过对图像进行一系列预处理操作可以有效地了解图像信息，进一步提高对图像信息的把握和理解。然而，在图像的采集、传输或变换过程中，由于受到多种因素的影响，如采集系统失真、传输噪声等，都容易引起图像质量的下降，从而降低了图像的视觉效果。因此，为了解决上述问题，图像预处理技术得到发展和应用。在图像处理过程中，预处理技术对于获得图像的真实信息起着关键的作用。图像预处理技术具有去除图像次要信息、恢复关键真实信息、突出需要研究对象的作用。为了使研究人员对图像中感兴趣的区域能够更加细致地分析和理解，人们通常采用数字图像处理技术对原始图像进行预处理，以便能够更好地突出需要研究的目标区域，并有利于进行后期的图像处理操作。针对不同的数字图像，选取的图像预处理方法大不相同。通常情况下，预处理操作可以归纳为三个方面，即图像去噪、图像增强以及图像复原。4.1.2极光图像预处理由于极光图像具有噪声较强、边界模糊、对比度低、内边界较复杂、极光卵区域呈环带状分布且分布区域较为固定等特点，为了获得最佳的分割效果，对原始极光图像实现预处理操作是至关重要的，它不仅能够提高分割精度，而且有利用后期图像处理的一系列操作[44]。根据极光图像的特点，图像预处理步骤主要包括三个方面：即去除背景、图像去噪、图像增强。(1)去除背景：在本文中，我们重点研究夜侧极光卵的分割情况。一般情况下，夜oo侧极光卵主要在地磁纬度57.567范围内出现。因此根据极光卵出现的区域特征，保-28- 兰州交通大学硕士学位论文oooo留地磁纬度5770范围内的像素点，剔除地磁纬度小于57或大于70的像素点，这样可以更好地保留极光图像中待分割的区域，清除了其他区域的干扰，有利用极光图像的后期分割。图4.1为极光图像预处理示意图。其中图4.1(a)为原始图像，图4.1(b)为去除背景的图像。(2)图像去噪：通常情况下，极光图像受噪声干扰比较严重，若直接对原始图像进行极光卵分割，将会由于噪声干扰进而导致出现过分割现象。同时，在本文中，初始种子点的选取依据是极光图像中灰度值最大的像素点。因此，对原始图像进行去噪处理，可以有效地避免将噪声点误判为初始种子点。本文选取33窗口的中值滤波方法，完成图像去噪过程。其中，图4.1(c)为去除噪声后的图像。根据实验结果可以得出，中值滤波不仅可以有效地滤除原始图像中的随机噪声点，而且还能实现图像的平滑处理，从而避免了初始种子点的误判操作。(3)图像增强：由于极光图像具有对比度低的特点，这样使得图像的视觉质量下降，从而导致利用人工或计算机对图像进行处理操作时易产生误差现象。因此，按照特定需求提高图像的视觉效果或增强图像中的特定目标信息，有利于提取出感兴趣的目标图像。(a)原始图像(b)去背景图像(c)图像去噪(d)图像增强注：为了增强视觉效果，对原始图像进行了灰度增强图4.1预处理图像利用灰度线性变换可以增强图像的明暗对比度。其基本原理为：假设原图像可表示为G(x,y)，现希望将图像G(x,y)的灰度范围从[a,b]拉伸至[c,d]，则其变换形式如下：c,0G(x,y)a'dcG(x,y)[G(x,y)a]c,aG(x,y)a(4.1)bad,bG(x,y)255-29- 极光图像中极光卵的分割方法研究其中范围[a,b]中的a,b不一定必须是图像的最小值和最大值，它可以是任意感兴趣的灰度区域，只要范围[c,d]比[a,b]大，就可增强图像的对比度。本文采用灰度线性变换方法，增强了原始极光图像的明暗对比度。其中，图4.1(d)为图像增强后的结果。4.2基于区域生长的极光图像分割在第二章中，我们学习了区域生长方法的相关概念和理论，并简单地提出了相应的改进算法。在本小节中，主要提出基于区域生长的极光图像分割算法，首先利用改进的方法智能地选取一组初始种子像素；其次，采用最大类间方差法自动确定生长阈值，克服了传统区域生长算法手动选取阈值时出现的误差现象；最后，根据事先确定的生长规则，完成整个区域生长分割过程[45]。(a)极光卵采集完整的图像(b)极光卵采集不完整的图像(c)有效成像区域(白色区域)注：为了增强视觉效果，对原始图像进行了灰度增强图4.2极光图像的分类(a)采集完整的伪彩色图像(b)采集不完整的伪彩色图像(c)采集不完整的伪彩色图像图4.3伪彩色增强的图像-30- 兰州交通大学硕士学位论文在极光图像中，极光卵的分割通常包括两种情况：其一为当采集的极光卵区域完整时，分割出封闭的环带状区域；其二为当采集的极光卵区域不完整时，分割出有效成像区域内的极光卵[14]。在图4.2中，(a)为极光卵采集完整的图像；(b)为极光卵采集不完整的图像；(c)为有效成像区域(白色区域)。由于极光图像具有低对比度的特点，因此人眼对于灰度极光图像的辨识度较低，不易观察其特点，通过伪彩色处理技术，不仅能够使得原图像的细节部分更加容易辨认，而且可以较好地提高目标区域的识别度。如图4.3所示，图4.3(a)表示伪彩色处理后极光卵采集完整的图像；图4.3(b)和图4.3(c)分别表示伪彩色处理后极光卵采集不完整的图像。4.2.1分割算法流程图采用区域生长算法实现极光卵区域的分割，首先需要对原始图像进行预处理操作，其中包括去除背景、图像去噪、图像增强。其次，选取最大类间方差法遍历原始图像中的所有像素点，进而求得最佳分割阈值。最后，在极光图像中实现区域生长操作，完成极光卵的分割提取[46]。如图4.4所示，极光图像分割算法的具体过程如下。图4.4极光图像分割算法流程图4.2.2改进的种子像素选取算法初始种子像素的选取是区域生长的基础，种子像素一般是期望分割出的区域中的某些具有明显特征的像素值，如亮度、几何位置等。通常情况下，采用人工干预的方式选取种子像素，这种方法的缺点是由于人易受到主观意识的影响，将会导致种子像素的误选，从而影响后续的分割效果。针对上述不足，找出一种智能选取初始种子像素的方法具有一定的困难。此外，如果选择种子像素的条件比较宽松，则会使进行生长运算的种子像素数量较多，导致运算量增加，所以在选择初始种子像素时要严格按照标准进行。-31- 极光图像中极光卵的分割方法研究极光图像经过预处理后，极光卵区域内目标像素的灰度值相对较大，因此可以依据灰度值最大的像素点，选取其周围邻域内的一组像素值作为初始种子像素。具体的实现方法如下：首先，根据极光图像的灰度直方图，分别对各像素点出现的频数进行统计，并结合灰度直方图特性，将灰度值出现频数较小的像素点置为0；其次，从灰度直方图中确定灰度值最大的像素点，并利用高斯拟合方法，将最大像素点周围邻域内符合条件的像素点所对应的频数进行高斯拟合；最后，根据拟合曲线的特征，找出一组像素值作为初始种子像素。高斯函数的表达式为：21(x)yexp()(4.2)222其中，为均值，为标准差。高斯拟合是指利用形如式(4.2)的高斯函数对所有数据点集一一进行函数逼近，从而完成数据拟合的方法，它可以类比于多项式拟合方法，两者不同之处在于选取不同的函数系，其中幂函数系常被多项式拟合采用，而高斯函数系则被高斯拟合采用[47]。在本文中，利用图像的灰度直方图得到灰度值最大的像素点，同时找出其周围邻域内像素值接近最大像素值的像素点，本文选取其周围邻域中的10个像素点，分别得到这10个像素点所对应的频数值，然后采用高斯函数进行频数拟合，并根据拟合曲线得到相应的均值与方差。为了有效地验证该算法，本文选取两幅图像进行高斯拟合，并对其结果进行说明。如图4.5所示，其中(a)和(b)分别表示两幅原始图像；(c)和(d)分别表示图像预处理后的结果。图4.6分别表示图(c)和图(d)的灰度直方图；图4.7分别表示图(c)和图(d)经过高斯拟合后的曲线示意图。(a)原始图像(b)原始图像(c)预处理后的图像(d)预处理后的图像注：为了增强视觉效果，对原始图像进行了灰度增强图4.5极光图像和预处理后的图像-32- 兰州交通大学硕士学位论文500045004000350030002500像素数2000150010005000灰度级050100150200250灰度级(a)图(c)灰度直方图45004000350030002500像素2000数150010005000灰度级050100150200250灰度级(b)图(d)灰度直方图图4.6灰度直方图-33- 极光图像中极光卵的分割方法研究800yvs.xfit1700600500频400数y30020010001011121314151617181920x像素值(a)图(c)高斯曲线350yvs.xfit2300250200频数y15010050016171819202122232425x像素值(b)图(d)高斯曲线图4.7高斯拟合曲线-34- 兰州交通大学硕士学位论文根据图4.7中的高斯拟合曲线可得，(a)图的均值与标准差分别为：7.594,10.331；(b)图的均值与标准差分别为：4.422,6.516。利用得到的均值与标准差，选取拟合曲线处所对应的一组数据值作为初始种子像素，这样可以有效地克服选取单个初始种子点的缺陷，即避免了由于噪声干扰而造成的区域误生长现象。4.2.3确定生长阈值为了防止区域误生长情况出现，常常需要在进行区域生长前，先对原始灰度图像实现图像去噪、图像增强等预处理操作。在前文中，我们已经详细阐述了图像预处理的方法和过程。然后，再采用最大类间方差法自动获取图像的最优分割阈值，并按照事先制定的生长准则，将待分割的目标区域完整准确地分割出来。在区域生长过程中，生长阈值的选择直接对生长过程以及最终分割结果产生重要的影响。在极光图像中，目标区域和背景区域的像素灰度值相近，并且不同的极光图像其灰度分布情况也各有不同，因此根据图像灰度直方图的特点很难确定一个合适且通用的生长阈值。最大类间方差法是一种常用的阈值自动选取方法，它能够对图像像素邻域的灰度特性进行充分考虑，具有良好的分割效果，且可方便地获取图像的最佳分割阈值。1979年，日本学者大津发现了一种新的阈值确定方法，它能够根据图像的像素特征，自动获取最佳分割阈值，该方法称为最大类间方差法，简称Otsu法。它的基本思想是使用一个最佳阈值将图像的灰度直方图分割成目标和背景两部分，当这两部分之间的方差取得最大值时，两者的分离性最大，即意味着错分的概率最小[48]。因此，利用最大类间方差法确定的分割阈值，可以将原始灰度图像分割成目标和背景两个部分。最大类间方差法的计算方法如下：设待分割的数字图像为f(x,y)，将f(x,y)中的像素按灰度级用阈值T分为C和C01类，即C{f(x,y)|ff(x,y)T}(4.3)01minC{f(x,y)|ff(x,y)T}(4.4)12max其中，f和f分别表示数字图像f(x,y)的灰度最小值和灰度最大值。设N是灰minmaxi度值为i(fminifmax)的像素数，则图像f(x,y)的总像素为NNi，因此，各灰度iN级出现的概率为P(i)i，则有：NC类出现的总概率为：0-35- 极光图像中极光卵的分割方法研究TP0P(i)(4.5)ifmin均值为：TiP(i)0P(4.6)if0minC类出现的总概率为：1fmaxP1P(i)(4.7)iT1均值为：fmaxiP(i)1P(4.8)iT11图像f(x,y)的均值为：fmaxTfmaxiP(i)iP(i)iP(i)P00P11(4.9)ifminifminiT12令(T)为这两类的类间方差，则222(T)P()P()(4.10)0011在最大类间方差法中，阈值选取的依据是这两类的类间方差，当阈值T使得类间方22差(T)取得最大值时，则该阈值被称为最佳分割阈值。当类间方差(T)达到最大时，目标区域和背景区域的差别最大，此时选取阈值T对图像进行分割，能够得到理想的分割效果。最佳分割阈值T相当于目标像素与背景像素的边界灰度值，若当前待测像素点的灰度值f(x,y)与种子像素灰度值接近，且两者之差小于最佳分割阈值T，则该像素点符合区域生长条件，并将其合并到生长区域内，同时更新生长区域的方差和均值，反复执行该操作，直到不满足生长条件为止，进而实现整个图像目标区域的准确分割。4.2.4算法的实现首先读入原始极光图像并获得图像的像素信息，由于极光图像具有高噪声、低对比度以及边界模糊的特点，直接进行区域生长很难准确地分割出极光卵区域，因此先对原始图像进行图像预处理操作，这样能够抑制噪声干扰并提高图像的明暗对比度。其次，根据预处理后的灰度图像，利用高斯拟合的方法选取目标区域中的一组像素值作为初始种子像素。最后利用图像灰度特性以及连通性作为区域生长条件，选用最大类间方差法自动获取最佳分割阈值，并按照八邻域像素逐渐向外生长，直到不符合生长条件为止。算法的实现步骤如下：-36- 兰州交通大学硕士学位论文步骤1建立一组数组且置空，根据图像预处理结果，选取一组种子像素值并逐个加入到该数组中。步骤2判断数组是否为空。若该数组中仍存在数据，则取出该数据作为当前区域生长的种子像素，并继续以下步骤；否则停止生长。步骤3判断种子像素的八邻域像素值是否符合区域生长条件，即Mf(x,y)T，其中，M表示种子像素灰度值，f(x,y)表示邻域待测像素点的灰度值，T表示生长阈值。若符合生长条件，则将该待测像素点合并到种子数组内，表示可以继续生长；否则，停止生长，检测其他待测像素点；若生长区域中再无新像素值可以加入到该数组中，则返回执行步骤2。4.3数学形态学方法进行分割后修正在第三章中，我们掌握了数学形态学的基本思想和一些常见的形态学运算。通过实验结果可以得出，形态学方法明显优于其他图像处理方法。例如，在实现图像复原过程中，通过利用先验的几何形状信息，形态学中的形状滤波器不仅可以有效地去除噪声，而且还能很好地保留原图像中包含的信息。此外，利用该方法提取出的图像边缘与骨架都比较连续和平滑，且断点较少。因此，采用数学形态学方法可以更好的对数字图像进行分析和处理，从而达到预期的实验目标。由于极光图像具有高噪声的特点，且基于区域生长的极光图像分割方法对噪声比较敏感，因此可能导致在分割后的图像中出现孔洞和不连续区域，从而影响了图像的分割质量。为了改善上述存在的图像分割问题，采用数学形态学方法对分割后的结果进行调整修正。在数学形态学方法中，开运算具有平滑图像边界轮廓、削弱狭窄区域、去除边缘毛刺以及断开目标物间的粘连等作用。相反，闭运算具有填补细小孔洞和缝隙、连接断开相邻目标的作用，同时它也可以平滑图像边界。根据区域生长分割后的实验结果，显然可以利用闭运算实现分割结果修正。通过闭运算操作，不仅可以去除区域生长后得到的连通域中的噪声，而且可以平滑区域边界的裂缝和孔洞，同时还能使得图像的尺寸大小基本保持不变[49]。因此，采用该方法对分割后的图像进行调整修正可以得到更好的分割效果。4.4实验结果及分析为了验证本文算法的有效性和准确性，选取100幅原始极光图像在Matlab7.0平台上完成实验仿真，并采用区域生长结合数学形态学的方法分别给出各个步骤的实验仿真结-37- 极光图像中极光卵的分割方法研究果。此处选取两幅原始图像，验证实验的各个步骤并给出相应的仿真图像。首先对读取的原始图像实现预处理操作，其次采用区域生长算法进行图像分割，最后将分割后的结果利用数学形态学方法进行调整修正。通过实验结果可以得出，利用该算法实现图像分割可以得到较准确和较完整的目标区域。如图4.8所示，(a)为原始图像；(b)为预处理后的结果；(c)为区域生长后的结果；(d)为数学形态学修正后的结果。(a)原始图像(b)预处理后的结果(c)分割后的结果(d)调整后的结果注：为了增强视觉效果，对原始图像进行了灰度增强图4.8采用区域生长法的图像分割结果为了对不同方法的分割结果进行比较，本文分别选取AMET法和HKM法进行分割结果评估。根据极光图像的成像特点，分别选取极光卵区域采集完整和不完整这两类情况进行实验仿真。如图4.9所示，分别给出不同方法下的分割结果。其中，图(a)为一组原始图像；图(b)为AMET算法结果；图(c)为HKM算法结果；图(d)为本文方法分割结果。根据分割结果可以看出，利用AMET方法实现极光卵边界提取，通常会产生“块效应”现象，进而导致出现过分割结果，同时分割后图像的鲁棒性较差。HKM方法一般可以较完整地分割出极光卵边界，其分割效果明显优于AMET方法。由于HKM方法仅仅是基于像素强度完成的图像分割，因此当极光卵区域和非极光卵区域中的像素强度-38- 兰州交通大学硕士学位论文重叠时，HKM方法分割效果不佳，经常会出现过分割现象，从而导致分割精度欠佳。test1test11test12test13test2test21test22test23test3test31test32test33(a)原始极光图像(b)AMET算法结果(c)HKM算法结果(d)本文方法结果注：为了增强视觉效果，对原始图像进行了灰度增强图4.9不同方法的分割结果本文采用的分割方法可以较准确和较完整地分割出极光卵区域。在区域生长方法中，选取的一组种子像素能够有效地避免出现误生长现象，从而防止图像的误分割情况发生。同时，该方法既具有良好的鲁棒性，又能基本保持目标图像的细节部分，具有较理想的-39- 极光图像中极光卵的分割方法研究分割效果，尤其在低对比度、高噪声的情况下，也能较准确地提取出极光卵区域。4.5本章小结本章采用基于区域生长和数学形态学相结合的方法进行了仿真实验，详细介绍了分割算法的具体流程，通过改进区域生长中初始种子像素和生长阈值的选取方法，并采用数学形态学算法对分割后的图像进行调整修正，从而较理想地实现了极光卵的分割。改进的初始种子像素选取方法，能够有效地避免出现误分割现象。实验结果表明，本文算法不仅可以较准确地分割出极光卵边界，而且它对噪声也具有良好的鲁棒性。-40- 兰州交通大学硕士学位论文5极光图像分割评价在图像工程中，存在一个基本且重要的问题，它被称为图像分割技术。通常情况下，它是图像分析、图像理解、图像处理的核心内容。由于图像分割技术在图像工程中占有重要作用，因此图像分割效果的定量评价也变得至关重要。图像分割评价是指通过研究各图像分割方法的性能，并在其中选择出最优的分割方法，从而起到优化分割的作用。通过定量评价各分割方法的性能指标，不仅能够改善和提升现有方法的性能，而且对提高分割质量并提出新的分割方法都具有关键的指导作用。5.1图像分割评价方法分类现有的图像分割评价方法一般可以分为两大类，即分析法与实验法[50]。分析法先对分割方法本身进行研究，得到其分割原理与性质，随后再经过分析推理总结出该方法的性能。它的评价指标包括算法的运行方式、空间与时间的复杂性以及稳定性等。采用分析法对图像分割结果进行评价，通常能够发现分割算法中存在的本质性缺陷，从而提出相应的改进算法。图5.1表示分析法的工作流程图。图5.1分析法工作流程实验法是指通过分析待分割图像的分割结果，并以此作为参考对不同的分割方法进行评价。它又可以分为两种类型：一是定义若干优度参数，并以此来描述已分割结果的特性，随后利用优度值来评价分割方法的性能指标，该方法被称为优度实验法；二是先给出理想的分割结果，然后利用理想分割结果和实际分割结果之间的差异来评价分割方法的性能，该方法被称作差异实验法。图5.2表示实验法的工作流程图。根据上述结论可以得出，分析法只是对分割方法本身进行评判，它不参与图像的分割过程，因此该评价不会受到实际分割过程中一些外界因素的影响；实验法则是通过分割结果来评定算法的优劣，是一种利用间接方法来分析评价分割算法的性能。上述两种-41- 极光图像中极光卵的分割方法研究方法包含各自的优点和缺点，应用于实际情况中，我们很难评判这两种方法的最优性。由于分析法只是研究算法本身的原理性质，而不需要对具体的图像特性进行研究，故具有较强的通用性；相反，实验法主要依据已分割图像的性质，其分析准确度较高。总之，我们应该根据具体情况，选取适当的评价方法来评估所选分割算法的优劣性。图5.2实验法工作流程5.2现有的极光图像分割评价方法5.2.1基于极光卵外边界的分割评价在现有的极光图像分割方法中，由于提取的极光卵外边界在形状上比内边界更加规律，因此通常使用基于极光卵外边界的四个新指标来评估分割算法的精度。这四个指标分别为：像素差、远距离像素的百分比、准确定位的数量、空白像素的百分比。像素差P是对正确的极光卵外边界的距离变化的总结。它是基于像素的集合来评价d算法的准确度，其中B和B分别表示手动分割和自动分割后极光卵外边界的一组manualauto像素值。P的表达式为：dNaoNmoi1damii1dmaiP(5.1)dNNmoao2其中：damimin(PABiPMBj),j1......Nmo，它表示用Bauto分割出的某一像素值(例如PABi)距离Bmanual分割出的所有像素(PMBj)的最小值，且2dmaimin(PMBiPABj),j1......Nao，它表示用Bmanual分割出的某一像素值(例如PMBi)-42- 兰州交通大学硕士学位论文距离B分割出的所有像素值的最小值；N和N分别表示B和B分割出的外边automoaomanualauto界包含的像素数。像素差越小表明该种算法的分割精度越高。远距离像素的百分比(P)是指距离正确外边界像素较远的像素所占的百分比。P的ff表达式为：FFammaP100%(5.2)fNNmoao其中：FP|dT,i1...N表示B中的一组像素值到B中像素值amABiamifaraoautomanual的最小距离，且该距离大于T(T通常表示一个距离阈值，根据经验得出其值为7)，farfarFmaPMBi|dmaiTfar,i1...Nmo表示Bmanual中的一组像素值到Bauto中像素值的最小距离，同理该距离大于T。它的值越小，说明某种分割算法的性能优于其他分割算法。far准确定位的数量(N)是指在高保真度的条件下，已分割的外边界像素值的数量与acc正确外边界像素值数量的相似个数。当PT时(由经验值确定T为1%)，该算法能faccacc够分割出较准确的极光卵边界。空白像素的百分比(P)是指在已分割的极光卵外边界中空白像素所占的比例。P的gg表达式为：NgapP100%(5.3)gNmo其中，N表示外边界空白像素的个数。同理，P的百分比越低，表明该种分割算gapg法具有较高的分割精度。综上所述，利用极光卵外边界的四个指标可以对不同的分割算法进行评价，同时也可以得到对应指标的分割精度，这样有利于选择出最优的分割算法进行相关的实验研究。5.2.2基于DMSP卫星数据的分割评价在大量的极光图像中，极光卵通常具有边界模糊的特点，为了对不同的极光图像分割方法进行客观全面的评价，提出了一种以DMSP卫星(国防气象卫星)沉降粒子数据为参考依据的评价方法，即根据卫星观测到的数据，分别建立极光卵内外边界相对应的数据库，并以此对各种分割算法的准确性进行评估。由于DMSP卫星能够在极光沉降区域中探测出不同的沉降粒子边界，而在这些边界中，存在着某些边界与极光卵的赤道向边界和极向边界相互紧密相联。其中，由DMSP卫星探测到的ble和b6边界，它们分别与赤道向边界和极向边界密切相关，因此可以此边-43- 极光图像中极光卵的分割方法研究界作为极光卵的参考边界。根据DMSP卫星探测到的沉降粒子数据，建立有效的评估数据库。首先设置两个参数：分别为两类数据的最大匹配时间上限M与最大空间位置匹配上限M，其中，M、tdtM分别表示DMSP边界点和极光图像完成匹配所允许的最大时间间隔与最大距离；其d次，按照匹配的相关步骤完成匹配操作，从而得到基本匹配数据库，即极向边界评估数据库和赤道向边界评估数据库；最后，根据评估数据库得到极向边界/赤道向边界的磁地方时和地磁纬度的分布情况，并利用这些数据完成相关的评估实验。评估实验的具体步骤为：首先分别采用几种不同的分割算法提取出极光卵边界；其次在高度修正地磁坐标系中查找极光图像边界中与DMSP边界点(m点)距离最近的像素点(n点)，并以该坐标系下这两点的欧式距离D(Mlat,Mlt)来衡量分割误差，其中：22D(Mlat,Mlt)D_mlatD_mlt(5.4)D_mlatMlat_dmspMlat_uv(5.5)D_mltMlt_dmspMlt_uv(5.6)其中，(Mlat_dmsp,Mlt_dmsp)表示m点的高度修正地磁坐标，(Mlat_uv,Mlt_uv)表示n点的高度修正地磁坐标，D_mlat表示地磁纬度偏差，D_mlt表示磁地方时偏差；最后，根据以上分析，在评估数据库中得到不同分割算法的误差统计结果，其中和分别表示评估数据库中边界点的欧式距离的均值与标准差。实验结果表明，和越小，对应分割算法的准确性越高。5.3极光图像分割评价5.3.1本文算法的分割结果评价为了定量分析本文算法的分割精确度，我们考虑了对应原始图像的手工分割结果(这些手工分割结果从对UVI图像熟悉的专家中获得)，并以手工分割结果作为多种算法对比时的标准，采用差异实验法完成分割算法评估。此处采用Tanimoto准则[51](TanimotoMetric，TM)、欠分割率(falsenegativevolumefunction(FNVF))、过分割率(falsepositivevolumefunction(FPVF))[52]、相似度指数(SimilarityIndex，SI)作为定量分析的评估参数。其中，M、N分别代表手工分割的极光卵区域和各算法分割的极光卵区域，符号ii代表目标区域内的像素数。各个参数的定义如下所示：|MIN|iiTM(5.7)|MUN|ii-44- 兰州交通大学硕士学位论文|M||MIN|iiiFNVF(5.8)|M|i|N||MIN|iiiFPVF(5.9)|M|i2|MIN|iiSI(5.10)|M|Nii此处选取两幅原始极光图像进行实验说明。如图5.3所示，(a)和(b)分别为原始极光图像；(c)和(d)分别为手工分割的结果。(a)test_1(b)test_2(c)test_3(d)test_4图5.3极光图像手工分割结果通常情况下，SI的值越大，FPVF和FNVF的值越小，且TM的值越接近于1时，此时表明分割结果越接近最佳标准分割，其分割准确度越高。通过对比手工分割结果与本文实验分割结果，并以上述的定量评价参数为理论依据，分别给出四个定量指标的具体数值，如表5.1所示。表5.1本文算法的四项测度指标值图像编号SI（%）FPVF（%）FNVF（%）TM（%）test_394.064.213.5188.78test_495.193.524.1690.82根据表5.1可以得出，利用本文的分割算法，对比于标准分割结果，其相似度指数SI的值达到94%以上，且采用本文分割方法进行图像分割，其过欠分割率都相对较低，同时TM的值均接近于1。因此，根据四项指标参数可以得出本文采用的分割算法具有较高的分割准确度。-45- 极光图像中极光卵的分割方法研究5.3.2多种不同分割方法的比较在第4章中，我们已对本文提出的分割方法进行了实验仿真，并对利用各算法得到的分割结果进行了视觉上的主观评估。随后根据四项测度指标对本文算法的分割准确度和过欠分割率进行了客观分析，根据实验结果可以得出，本文方法具有较高的分割准确度。为了进一步验证本文算法的有效性和准确性，下面分别给出图4.9中几种不同分割方法的评价测度指标。同理，以手工分割为参考结果，采用差异实验法完成分割算法评估。表5.2给出了本文算法与其他算法四项测度指标的对比数值。表5.2不同分割方法的测度指标值图像编号算法SI（%）FPVF（%）FNVF（%）TM（%）AMET72.027.0215.0656.28test1HKM74.068.6210.1358.81本文算法92.893.115.6189.36AMET71.0540.187.6655.12test2HKM76.3523.1515.8561.75本文算法96.682.434.1995.79AMET55.3453.1313.8438.26test3HKM76.2528.524.8361.58本文算法91.983.856.5888.36从表5.2中可以看出，本文算法的相似度指数SI的值均为90%以上，相比于其他分割算法，本文方法的相似度指数最高；同时，本文分割算法的过欠分割率(即FPVF和FNVF)均比较低，且TM的值相对更接近于1。因此，利用这几项评价指标，可以得出本文算法优于其他分割算法，它具有较高的分割准确率和较低的过欠分割率。5.4本章小结本章主要详细阐述了图像分割评价方法的分类，并对现有的极光图像分割评价方法进行了相关介绍。随后，采用差异实验法对分割结果进行评价，通过计算已分割图像的四项指标来评价本文方法的优劣性，之后给出了多种方法与本文分割方法的对比实验。根据对比实验结果，可以进一步得出本文分割方法具有较高的准确性与有效性。-46- 兰州交通大学硕士学位论文6总结与展望6.1论文总结本文主要对极光图像中极光卵的分割方法进行了研究。首先根据极光图像的特点，对极光图像进行图像预处理操作；其次，提出区域生长和数学形态学相结合的图像分割方法，通过改进初始种子像素和生长阈值的选取，得到对应的分割结果；最后，结合本文选取的分割评价方法，给出了多种分割方法与本文方法的对比实验，结果表明本文方法提高了极光卵分割的有效性和准确性。具体工作总结如下：(1)简要介绍了极光图像分割方法的研究与发展，并对不同分割方法的优点及不足进行了分析和说明，随后对全文的研究内容进行了概括，明确了各章节的主要研究内容。(2)具体介绍了区域生长方法的基本概念和原理，根据极光图像的特点，重点对区域生长方法的改进算法进行了研究和分析，并阐述了改进算法的优点。另外，给出了本文采用该算法实现极光卵分割的算法流程图。(3)阐述了数学形态学的相关理论和概念，并对数学形态学中的一些基本运算进行了介绍。通过实验仿真结果，分别验证了二值/灰度形态学中基本运算的性质和特点。通过理论分析和实验仿真，揭示了数学形态学方法在数字图像处理中的重要作用。(4)在前文内容的基础上，主要研究了区域生长和数学形态学相结合的极光图像分割方法。首先对原始图像进行图像预处理，其中包括去除背景、图像增强、图像去噪，实验结果表明，好的预处理效果能够有效地提高后期图像的分割质量；其次，利用改进的初始种子像素选取方法，得到一组种子像素并以其作为初始种子生长点，再采用最大类间方差法，得到区域生长的自适应最佳阈值，这样既能有效地避免误分割现象的发生，又能自动地分割出极光卵区域，从而提高了分割精度；最后，选取数学形态学方法实现分割后修正，消除了已分割区域中由于噪声干扰而产生的孔洞和不连续现象。之后给出本文方法的实验仿真结果，并与不同分割方法的实验仿真进行主观对比，验证了本文方法的准确性。(5)主要介绍了现有的极光图像分割评价方法，并提出了本文采用的评价方法。通过给出多种方法与本文方法的实验仿真数据对比，验证了本文分割方法的合理有效性。6.2论文展望极光图像的分割涉及很多方面的知识，本文对极光卵的分割方法研究侧重于在低对比度的情况下实现极光卵的准确分割，主要利用了区域生长和数学形态学相结合的分割方法。由于研究水平和实验条件的限制，本文的研究仍存在着一些不足之处，需要进行-47- 极光图像中极光卵的分割方法研究进一步的研究和探索：(1)由于区域生长方法对噪声比较敏感，当极光图像受到很强的噪声干扰时(例如：日辉效应、宇宙射线轨迹等)，将会导致分割效果不理想。因此，在结合本文改进算法的基础上，如何考虑更好的噪声去除技术是本文下一步的重点研究方向。(2)当极光卵具有很复杂的内边界时，很难选取一种分割方法得到较准确的分割结果。因此应研究一种新的图像预处理方法，在极光卵分割前，先对极光卵复杂的内边界进行相应的预处理操作，粗略地分割出内边界轮廓，然后在其基础上再进行详细地分割。-48- 兰州交通大学硕士学位论文致谢光阴荏苒，日月如梭，三年的研究生学习即将画上圆满的句号。在这三年中，我见证了自己的成长与蜕变，学习了导师严谨教学、精益求精的工作态度，让自己的人生经历变得更加丰富多彩。在此，我真诚地感谢指导和帮助我的老师、朋友以及实验室的同门们！首先感谢我的导师郑玉甫教授对我的关怀和帮助，他在处理繁杂的管理工作的同时，在科研工作中给予了我很多的指导，不断地给我学习和研究的机会，使我的学习能力得到了很大的提高。在平常的生活中，郑老师为人谦虚、平易近人，用自己的实际行动教会了我很多待人接物的道理，这些无价的精神财富我将铭记于心，并在以后的工作中以郑老师为榜样严格要求自己的一言一行。在此，衷心地感谢郑老师在学习和生活上对我的关心和帮助，祝愿您身体健康、万事如意！同时衷心地感谢蒋占军教授，感谢您在学术研究中提出的宝贵意见。蒋老师用严谨的学习态度、宝贵的科研经验以及扎实的专业知识向我们展现了一位学术科研人员的人格魅力，培养了我严谨求实的学习态度和勤奋踏实的做人道理。祝愿您工作顺利、万事如意！衷心地感谢王履程老师在科研和生活中给予我的帮助。王老师思维活跃，在我课题研究遇到困难的时候，他总能及时地给予指导和帮助，鼓励我继续深入地进行学术研究。祝愿您工作顺利、万事如意！其次，感谢在这三年中一起生活和学习的舍友、实验室的兄弟姐妹以及同学们，感谢你们的支持和帮助，在此祝愿你们在将来都拥有一个称心如意的工作和幸福美满的家庭。同时感谢我的家人对我的关怀和支持，你们永远是我的坚强后盾，祝愿你们身体健康、平安幸福！最后，恳请各位评委老师对本文提出宝贵的建议。-49- 极光图像中极光卵的分割方法研究参考文献[1]AkasofuSI.Thelatitudinalshiftoftheauroralbelt.JournalofAtmosphericandTerrestrialPhysics,1964,26(12):1167-1174.[2]孟庆虎.全域极光特征提取及亚暴事件研究.西安电子科技大学博士学位论文,2012.[3]申小龙,周海芳.基于色彩特征的森林火灾火焰分割方法.计算机应用,2013,33(A02):197-199.[4]王歆玥,高旭辉.一种自适应阈值分割方法.红外与激光工程,2006,35(z4):167-171.[5]FrankLA,GravenJD.ImagingresultsfromDynamicsExplorer1.ReviewsofGeophysics,1988,26(2):249-283.[6]BrittnacherM,GillingimM,ParksG,etal.Polarcapareaandboundarymotionduringsubstorms,JournalofGeophysicsResearch,1999,104(A6):12251-12262.[7]LiX,RamachandranR,HeM,etal.Comparingdifferentthresholdingalgorithmforsegmentingauroras.ProceedingsoftheInternationalConferenceonInformationTechnology:CodingandComputing,2004,6:594-601.[8]何云斌,肖宇鹏等.基于密度期望和有效性指标的K-均值算法.计算机工程与应用,2013(24):105-111.[9]HungC,GermanyG.K-meansanditerativeselectionalgorithmsinimagesegmentation.IEEESoutheastcon2003(Session1:SoftwareDevelopment).[10]王敏琴,韩国强,涂泳秋.新型的无监督纹理分割方法.电子科技大学学报,2010,39(1):11-15.[11]GermanyGA,ParksGK.Analysisofauroralmorphology:substormprecursorandonsetonJanuary10,1997.GeophysicalResearchLetters,1998,25(15):3024-3046.[12]CaoC,NewmanTS,GermanyG.Ashape-basedtechniqueforauroraovalsegmentationfromuviimages.AmericanGeophysicalUnion,FallMeeting,2005.[13]CaoC,NewmanTS,GermanyG.Anewshape-basedauroralovalsegmentationdrivenbyLLS-RHT.PatternRecognition,2009,42:607-618.[14]王倩,孟庆虎等.紫外极光图像极光卵提取方法及其评估.极地研究,2011,23(3):168-177.[15]杨斌,宋立新等.基于自适应区域生长的乳腺肿块分割方法.计算机工程与应用,2014,50(20):171-175.[16]冈萨雷斯.数字图像处理(第二版).北京:电子工业出版社,2014.[17]夏晶,孙继银.基于区域生长的前视红外图像分割方法.激光与红外,2011,41(1):107-111.[18]李东红,宋立新等.一种改进分水岭乳腺肿块图像分割方法.哈尔滨理工大学学报,2015,20(5):25-29.[19]MatthewCC1ark,LawrenceOHall,eta1.AutomatictumorSegmentationusingknowledge-base.IEEETransMedicalImaging,2006,19(2):287-299.[20]KhanhVu.Afullautomaticsegmentingsystemforultrasoundimages.IEEEWorkshoponApplicationsofComputerVision,2002:90-94.[21]LiX,LuL.Animprovedregiongrowingmethodforsegmentation.InternationalConferenceonComputerScienceandServiceSystem,2012:2313-2316.-50- 兰州交通大学硕士学位论文[22]吕建平,司维.基于分水岭和种子生长的彩色图像分割.西安邮电大学学报,2014,19(2):52-55.[23]TangXD,PangYJ,etal.Fastimagesegmentationmethodbasedonthreshold.ChineseControlandDecisionConference,2008:3281-3285.[24]KangCC,WangWJ,KangCH.Imagesegmentationwithcomplicatedbackgroundbyusingseededregiongrowing.AEUInternationalJournalofElectronicsandCommunications,2012,66(9):767-771.[25]张恒,雷志辉,丁晓华.一种改进的中值滤波算法.中国图象图形学报,2004,9(4):408-411.[26]JiangHY,Yue-PengSI,etal.MedicalimagesegmentationbasedonimprovedOstualgorithmandregionalgrowthalgorithm.JournalofNortheasternUniversity,2006,27(4):398-401.[27]杨杰.数字图像处理及MATLAB实现.北京:电子工业出版社,2013.[28]GiardinaCR,DoughertyER.Morphologicalmethodsinimageandsignalprocessing.EngelwoodCliffs:PrenticeHall,1988,-1.[29]文华.基于数学形态学的图像处理算法研究.哈尔滨工程大学硕士学位论文,2007.[30]郭骏,潘申等.基于灰度形态学的烟叶图像边缘检测.计算机工程,2007,33(21):163-165.[31]BhanuB,LeeS,MinGJ.Adaptiveimagesegmentationusingmathematicmorphologyalgorithm.IEEETransactiononSystemsManandCybernetics,1995,25(12):1543-1567.[32]张德丰.数字图像处理(第二版).北京:人民邮电出版社.[33]SerraJ.ImageAnalysisandMathematicalMorphology,PartIITheoreticalAdvances.Book,1988.[34]苏腾飞,李洪玉.一种两阶段区域生长的遥感图像分割算法.遥感技术与应用,2015,30(3):476-485.[35]范立南.图像处理与模式识别.北京:科学出版社,2007.[36]MaragosP.ARepresentationTheoryforMorphologicalImageandSignalProcessing.IEEETransactionsonPatternAnalysis&MachineIntelligence,1989,22(2):631-637.[37]宋红,王勇,黄小川等.基于动态自适应区域生长的肝脏CT图像肿瘤分割算法.北京理工大学学报,2014(1):72-76.[38]GuC,LeeMC.SemanticVideoObjectSegmentationandTrackingUsingMathematicalMorphologyandPerspectiveMotionModel.ImageProcessing,InternationalConferenceon.IEEEComputerSociety,1997:514-517.[39]梁光明,孙即祥.一种基于数学形态学的多结构元图像分割算法.计算机工程与应用,2007,43(28):70-72.[40]BreenEJ,JonesR,TalbotH.Mathematicalmorphology:Ausefulsetoftoolsforimageanalysis.Statistics&Computing,2000,10(2):105-120.[41]王晓红,赵于前等.基于空间模糊C均值与区域生长的腹部CT序列图像肾脏自动分割.中南大学学报:自然科学版,2014(10):3463-3469.[42]刘岳,王小鹏,于挥等.基于形态学多尺度修正的模糊C均值脑肿瘤分割方法.计算机应用,2014,34(9):2711-2715.[43]ZhaoJ,JiG.AnautomatedpulmonaryparenchymasegmentationmethodbasedonanimprovedregiongrowingalgorithmicPET-CTimaging.FrontiersofComputerScience,2015,10(1):1-12.-51- 极光图像中极光卵的分割方法研究[44]汪洋,郑亲波等.基于数学形态学的红外图像小目标检测.红外与激光工程,2003,32(1):28-31.[45]AdamsR,BischofL.SeededRegionGrowing.IEEETransactionsonPatternAnalysis&MachineIntelligence,1994,16(6):641-647.[46]曾鹏,王正勇,滕奇志.一种基于区域生长算法的脊椎椎体提取方法.科学技术与工程,2014(6):222-225.[47]尚雅层,陈静,田军委.高斯拟合亚像素边缘检测算法.计算机应用,2011,31(1):179-181.[48]NobuyukiOtsu.AThresholdSelectionMethodfromGray-LevelHistograms.IEEETransactionsOnSystems,Man,andCybernetics,1979,9(1):62-66.[49]安新军,刘太安,闫长青.改进区域生长的医学超声图像分割方法研究.计算机工程与设计,2009,30(6):1512-1514.[50]黄峰茜.脑部肿瘤图像分割技术的研究.南京航空航天大学硕士学位论文,2008.[51]TaoW,IreneC,AnupB.Fluidvectorflowandapplicationsinbraintumorsegmentation.IEEEtransactionsonbio-medicalengineering,2009,53(3):882-893.[52]RajendranA,DhanasekaranR.FuzzyClusteringandDeformableModelforTumorSegmentationonMRIBrainImage:ACombinedApproach.ProcediaEngineering,2012,30(4):327-333.-52- 兰州交通大学硕士学位论文攻读学位期间的研究成果[1]王妍,王履程,郑玉甫等.基于区域生长的极光图像分割方法.计算机工程与应用.(拟于2017.2刊发)-53-