本發(fā)明涉及一種結(jié)核桿菌圖像分割識別方法及裝置，特別是涉及一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別方法及裝置。

背景技術(shù)：

目前結(jié)核桿菌的檢測主要依靠人工使用光學(xué)顯微鏡觀察結(jié)核桿菌并計數(shù)，由于國家的要求是300個視野內(nèi)有效計數(shù)，這非常耗時耗力。因此光學(xué)顯微成像下結(jié)核桿菌的自動檢測就顯得尤為重要?；诠鈱W(xué)顯微鏡的結(jié)核桿菌檢測與識別的計算機輔助診斷成為近年來醫(yī)學(xué)圖像處理和模式識別領(lǐng)域中的研究熱點，而結(jié)核桿菌圖像目標(biāo)分割與識別質(zhì)量的高低是該方法成功與否的關(guān)鍵和基礎(chǔ)，良好的目標(biāo)分割結(jié)果可以提高目標(biāo)檢測與識別的準(zhǔn)確率，增強計算機輔助診斷方法的可靠性和實用性。

由于所使用的試劑、染色手法、顯微鏡和拍攝環(huán)境等各種因素的不同，得到的光學(xué)顯微結(jié)核桿菌圖片有極大的差異。雖然結(jié)核桿菌在經(jīng)過染色后都大多都呈現(xiàn)紅色，但紅色的深淺不同，若僅用顏色閾值來判斷是否是結(jié)核桿菌，很難適合所有的圖片，往往會留下許多雜質(zhì)，而一些真正的結(jié)核桿菌卻被刪除了，這可能造成漏檢或誤判。因此在盡量保證前期痰涂片染色有效及鏡檢機高質(zhì)量采集顯微結(jié)核桿菌圖像的基礎(chǔ)上，后續(xù)圖像中結(jié)核桿菌分割識別的方法尤為重要。

分水嶺算法是模式識別中一種常用的分割方法，但若直接應(yīng)用到結(jié)核桿菌的分類上，分類識別的效果卻不明顯，經(jīng)常會有誤判，且分水嶺的過分割現(xiàn)象將使后續(xù)計算非常耗時。

技術(shù)實現(xiàn)要素：

為克服上述現(xiàn)有技術(shù)存在的不足，本發(fā)明之目的在于提供一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別方法及裝置，其能夠有效地提高顯微成像下結(jié)核桿菌的分類識別精度與速度。

為達上述目的，本發(fā)明提出一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別方法，包括如下步驟：

步驟一，獲取結(jié)核桿菌rgb圖像，把該結(jié)核桿菌圖像rgb模式轉(zhuǎn)為lab模式,并計算其a分量的梯度的模圖像g；

步驟二，根據(jù)梯度的模圖像g的數(shù)值分布情況刪除背景并保留結(jié)核桿菌邊界，對結(jié)核桿菌邊界斷裂處進行邊界線段連接，對得到的圖像使用分水嶺算法得到分水嶺圖像l；

步驟三，依次判斷分水嶺圖像l的每個區(qū)域，根據(jù)顏色信息，刪除雜質(zhì)區(qū)域。

進一步地，于步驟三之后，還包括：

步驟四，根據(jù)結(jié)核桿菌的特點確定長寬比和圓形度信息，并通過背景均衡化算法確定顏色信息，再利用該些信息識別雜質(zhì)與桿菌，刪除雜質(zhì)背景，保留結(jié)核桿菌區(qū)域。

進一步地，步驟一進一步包括：

步驟s11，將該結(jié)核桿菌rgb圖像轉(zhuǎn)為lab模式，并分離出a分量；

步驟s12，用不同方向的梯度算子k1、k2、k3……kn，對a分量進行卷積濾波得到不同方向的圖像梯度g1、g2、g3……gn；

步驟s13，對獲得的不同方向的圖像梯度g1、g2、g3……gn取模，得到梯度的模圖像g。

進一步地，步驟二進一步包括：

步驟s21，根據(jù)梯度的模圖像g中數(shù)值的分布范圍，進行多閾值判斷并將模圖像g中數(shù)值小于閾值t的像素點的數(shù)值均置為0；

步驟s22，對結(jié)核桿菌邊界斷裂處進行邊界線段連接；

步驟s23，對線段連接后的圖像使用分水嶺變換，得到分水嶺圖像l。

進一步地，步驟s22進一步包括：

得到該梯度模圖像g的連通域；

遍歷所有連通域，依次判斷該連通域的像素點最大值是否大于預(yù)設(shè)值，刪除不滿足要求的連通域；

對完成刪除操作的梯度的模圖像g，進行閉操作，得到圖像g_close。

對圖像g_close進行二值化，再計算它的邊界圖像g_edge，疊加邊界圖像g_edge到梯度的模圖像g上，得到線段連接后的圖像。

進一步地，步驟三進一步包括：

步驟s31，刪除分水嶺的邊界線；

步驟s32，計算rgb圖像的r分量與g分量的差值，刪除該差值均值低于周圍范圍背景均值的區(qū)域，周圍范圍為當(dāng)前區(qū)域坐標(biāo)向外擴展n個像素點；

步驟s33，進行頂帽底帽變換，增強a分量圖像對比度，刪除a分量數(shù)值均值低于背景均值的區(qū)域。

步驟s34，計算區(qū)域周圍范圍背景的a分量數(shù)值均值與該區(qū)域的a分量數(shù)值均值的比值，刪除該比值小于預(yù)設(shè)閾值的區(qū)域。

進一步地，步驟四進一步包括：

步驟s41，使用連通域，將相鄰非背景區(qū)域融合為一個區(qū)域；

步驟s42，刪除面積過小的噪聲區(qū)域；

步驟s43，刪除長寬比小且圓形度高的雜質(zhì)區(qū)域；

步驟s44，采用背景均衡化算法，計算待檢測區(qū)域的周圍背景的rgb三維均值，并求得其中的最大值，再利用該數(shù)值消除背景色影響；

步驟s45，消除背景色影響后，判斷待檢測區(qū)域的rgb三維均值組成的顏色是否為粉紅色；

步驟s46，利用上述信息識別雜質(zhì)與桿菌，刪除雜質(zhì)背景，保留結(jié)核桿菌區(qū)域。

進一步地，于步驟一之前，還包括如下步驟：

讀取結(jié)核桿菌rgb圖像，對該結(jié)核桿菌rgb圖像進行預(yù)處理，去除系統(tǒng)光照改變的影響以及rgb圖像的異常點。

為達到上述目的，本發(fā)明還提供一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別裝置，包括：

模圖像獲取單元，用于獲取結(jié)核桿菌rgb圖像，把該結(jié)核桿菌圖像rgb模式轉(zhuǎn)為lab模式，并計算其a分量的梯度的模圖像g；

線段連接及分水嶺圖像獲取單元，用于根據(jù)梯度的模圖像g的數(shù)值分布情況刪除背景并保留結(jié)核桿菌邊界，對結(jié)核桿菌邊界斷裂處進行邊界線段連接，對得到的圖像使用分水嶺算法得到分水嶺圖像l；

雜質(zhì)區(qū)域刪除單元，用于依次判斷分水嶺圖像l的每個區(qū)域，根據(jù)顏色信息，刪除雜質(zhì)區(qū)域。

進一步地，該裝置還包括：

顏色信息和形狀信息確定處理單元，用于根據(jù)結(jié)核桿菌的特點確定長寬比和圓形度信息，并通過背景均衡化算法確定顏色信息，再利用該些信息識別雜質(zhì)與桿菌，刪除雜質(zhì)背景，保留結(jié)核桿菌區(qū)域。

與現(xiàn)有技術(shù)相比，本發(fā)明一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別方法及裝置在分割方法上基于分水嶺算法，通過圖像增強方法提高結(jié)核桿菌的特征信息，通過圖像的顏色空間變換，突出結(jié)核桿菌的紅色特性，從而提高后續(xù)分割精度；通過將合適的梯度算子獲得梯度圖像，并設(shè)定閾值刪除背景圖像，邊界線段連接消除斷裂影響，進一步提高后續(xù)的分割精度；在分水嶺算法分割結(jié)核桿菌方法上，判斷分水嶺每個區(qū)域，根據(jù)圖像顏色信息，刪除雜質(zhì)背景，進一步提高后續(xù)的識別精度；在分水嶺算法分割結(jié)核桿菌方法上，根據(jù)結(jié)核桿菌的特點確定長寬比信息和圓形度信息，還有顏色信息，刪除雜質(zhì)背景，保留結(jié)核桿菌區(qū)域，有效提高結(jié)核桿菌的分割識別精度。

附圖說明

圖1為本發(fā)明一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別方法的步驟流程圖；

圖2為本發(fā)明具體實施例中梯度算子k1的示意圖；

圖3為本發(fā)明具體實施例中步驟102的細部流程圖；

圖4為本發(fā)明具體實施例中線段連接的細部流程圖；

圖5為本發(fā)明具體實施例中步驟103的細部流程圖；

圖6為本發(fā)明具體實施例中步驟104的細部流程圖；

圖7為本發(fā)明一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別裝置的系統(tǒng)架構(gòu)圖；

圖8為本發(fā)明具體實施例中線段連接及分水嶺圖像獲取單元71的細部結(jié)構(gòu)圖；

圖9為本發(fā)明具體實施例中雜質(zhì)區(qū)域刪除單元72的細部結(jié)構(gòu)圖；

圖10為本發(fā)明具體實施例中預(yù)處理單元74的細部結(jié)構(gòu)圖。

具體實施方式

以下通過特定的具體實例并結(jié)合附圖說明本發(fā)明的實施方式，本領(lǐng)域技術(shù)人員可由本說明書所揭示的內(nèi)容輕易地了解本發(fā)明的其它優(yōu)點與功效。本發(fā)明亦可通過其它不同的具體實例加以施行或應(yīng)用，本說明書中的各項細節(jié)亦可基于不同觀點與應(yīng)用，在不背離本發(fā)明的精神下進行各種修飾與變更。

圖1為本發(fā)明一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別方法的步驟流程圖。如圖1所示，本發(fā)明一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別方法，包括如下步驟：

步驟101，獲取結(jié)核桿菌rgb圖像，把圖像rgb模式轉(zhuǎn)為lab模式(lab模式由光度分量(l)和兩個色度分量組成，這兩個分量即a分量(從綠到紅)和b分量(從藍到黃))，并計算a分量的梯度的模圖像g。

具體地，步驟101進一步包括：

步驟s11，將結(jié)核桿菌rgb圖像轉(zhuǎn)為lab模式，并分離出a分量；

步驟s12，用不同方向的梯度算子k1、k2、k3……kn，對a分量進行卷積濾波得到不同方向的圖像梯度g1、g2、g3……gn。其中，梯度算子k1可如圖2所示，其他梯度算子則分別由k1旋轉(zhuǎn)一定角度獲得；

步驟s13，對這n張?zhí)荻葓D取模，得到梯度的模圖像g。模圖像g的計算公式為：

步驟102，根據(jù)梯度的模圖像g的數(shù)值分布情況刪除背景并保留結(jié)核桿菌邊界，再對結(jié)核桿菌邊界斷裂處進行邊界線段連接，然后對得到的圖像使用分水嶺算法。具體地，根據(jù)梯度的模圖像g的數(shù)值分布情況設(shè)定合適的閾值t，以刪除背景并保留結(jié)核桿菌邊界，再對結(jié)核桿菌邊界斷裂處進行邊界線段連接，然后對得到的圖像使用分水嶺算法得到分水嶺圖像l。

在本發(fā)明具體實施例中，如圖3所示，步驟102進一步包括：

步驟s21，根據(jù)梯度的模圖像g中數(shù)值的分布范圍，進行多閾值判斷并將模圖像g中數(shù)值小于閾值t的像素點的數(shù)值均置為0。使用多閾值法可適應(yīng)各種背景的圖像，減少后續(xù)分水嶺算法的過分割問題。

步驟s22，對結(jié)核桿菌邊界斷裂處進行邊界線段連接。為防止閾值的輕微偏差導(dǎo)致結(jié)核桿菌邊界梯度的一部分被刪除從而導(dǎo)致后續(xù)分水嶺算法無法把結(jié)核桿菌正確分割出來，需要將斷掉的邊界線連接。

線段連接的具體步驟為(如圖4所示)：

(1)得到梯度模圖像g的連通域；

(2)遍歷所有連通域，依次判斷該連通域的像素點最大值是否大于預(yù)設(shè)值，如t+50，刪除不滿足要求的連通域以減少后續(xù)分水嶺算法產(chǎn)生的雜質(zhì)區(qū)域；

(3)對完成刪除操作的梯度的模圖像g，進行閉操作，得到圖像g_close。

(4)對圖像g_close進行二值化，再計算它的邊界圖像g_edge，疊加邊界圖像g_edge到梯度的模圖像g上，得到圖像g_watershed。

步驟s23，對圖像g_watershed使用分水嶺變換，得到分水嶺圖像l。將分水嶺圖像l中面積最大的區(qū)域設(shè)為背景區(qū)域。

步驟103，依次判斷分水嶺圖像l的每個區(qū)域，根據(jù)顏色信息，刪除雜質(zhì)區(qū)域。

在本發(fā)明具體實施例中，如圖5所示，步驟103進一步包括：

步驟s31，刪除分水嶺的邊界線。其具體步驟如下：

(1)邊界的像素點數(shù)值為0，故依次檢測分水嶺圖像上的所有0值像素點。

(2)用該像素點周圍3*3窗口像素點的除零以外的眾數(shù)，代替原來的0值。

步驟s32，計算rgb的r分量與g分量的差值，刪除該差值均值低于周圍范圍背景均值的區(qū)域，周圍范圍為當(dāng)前區(qū)域坐標(biāo)向外擴展n個像素點。

步驟s33，進行頂帽底帽變換，增強a分量圖像對比度，刪除a分量數(shù)值均值低于背景均值的區(qū)域。

步驟s34，計算區(qū)域周圍范圍背景的a分量數(shù)值均值與該區(qū)域的a分量數(shù)值均值的比值，周圍范圍計算方法同上，刪除該比值小于預(yù)設(shè)閾值的區(qū)域。

步驟104，根據(jù)結(jié)核桿菌的特點確定長寬比和圓形度信息，通過背景均衡化算法確定顏色信息，再利用這些信息識別雜質(zhì)與桿菌，刪除雜質(zhì)背景，保留結(jié)核桿菌區(qū)域，提高結(jié)核桿菌的分割識別精度。

步驟103是通過依次判斷每個小區(qū)域，刪除雜質(zhì)小區(qū)域的，但做不到刪除所有的雜質(zhì)小區(qū)域。因此在步驟104中，可將相鄰的小區(qū)域融為一個大區(qū)域，這樣被分割成多個小區(qū)域的桿菌就變成一個完整的桿菌了，此時才能利用桿菌的形狀信息，進一步刪除雜質(zhì)背景。在本發(fā)明具體實施例中，如圖6所示，步驟104進一步包括：

步驟s41，考慮到分水嶺的過分割問題，使用連通域，將相鄰非背景區(qū)域融合為一個區(qū)域；

步驟s42，刪除面積過小的噪聲區(qū)域；

步驟s43，刪除長寬比小且圓形度高的雜質(zhì)區(qū)域；

步驟s44，采用背景均衡化算法，計算待檢測區(qū)域的周圍背景的rgb三維均值rmean_back、gmean_back、bmean_back，并求得最大值maxrgb＝max(rmean_back,gmean_back,bmean_back)。計算待檢測區(qū)域的rgb均值rmean、gmean、bmean。為消除背景色的影響，使用以下公式：

rmean＝rmean+(maxrgb-rmean_back)

gmean＝gmean+(maxrgb-gmean_back)

bmean＝bmean+(maxrgb-bmean_back)

步驟s45，消除背景色影響后，判斷rmean、gmean、bmean組成的顏色是否是粉紅色；

步驟s46，利用上述信息識別雜質(zhì)與桿菌，刪除雜質(zhì)背景，保留結(jié)核桿菌區(qū)域。

較佳地，于步驟101之前，還包括如下步驟：讀取結(jié)核桿菌rgb圖像，對該結(jié)核桿菌rgb圖像進行預(yù)處理，去除系統(tǒng)光照改變的影響以及rgb圖像的異常點。具體地，該去除系統(tǒng)光照改變的影響以及rgb圖像的異常點的步驟進一步包括：

步驟s1，讀取結(jié)核桿菌rgb圖像和同樣光照下的空白圖像，采用輻射校正預(yù)處理算法去除系統(tǒng)光照改變的影響。在本發(fā)明具體實施例中，步驟s1具體包括：

步驟s1.1，獲取系統(tǒng)標(biāo)準(zhǔn)光照下空白圖像的色度空間rgb三維對應(yīng)的亮度值為lr、lg、lb；

步驟s1.2，實際采集圖像中br(i,j)、bg(i,j)、bb(i,j)分別對應(yīng)空白圖像rgb三維的亮度值；

步驟s1.3，采集結(jié)核桿菌生物樣本，令sr(i,j)、sg(i,j)、sb(i,j)分別對應(yīng)結(jié)核桿菌生物樣本rgb三維的亮度值，s'r(i,j)、s'g(i,j)、s'b(i,j)分別對應(yīng)結(jié)核桿菌生物樣本rgb三維的經(jīng)輻射校正后的亮度值，計算公式如下：

步驟s2，去除結(jié)核桿菌rgb圖像的異常點。在本發(fā)明具體實施例中，步驟s2具體包括：

步驟s2.1，讀取結(jié)核桿菌rgb圖像i(x,y)；

步驟s2.2，掃描i(x,y)的每個像素點，對rgb數(shù)值過低的異常點，用周圍的3×3窗口進行中值濾波。

步驟s3，對處理后的結(jié)核桿菌rgb圖像進行彩色圖像銳化。在本發(fā)明具體實施例中，步驟s3具體包括：

步驟s3.1，將結(jié)核桿菌圖像rgb模式轉(zhuǎn)為hsv模式；

步驟s3.2，提取h分量，并對之使用銳化算法；

步驟s3.3，將hsv模式轉(zhuǎn)為rgb模式。

圖7為本發(fā)明一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別裝置的系統(tǒng)架構(gòu)圖。如圖7所示，本發(fā)明一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別裝置，包括：模圖像獲取單元70、線段連接及分水嶺圖像獲取單元71、雜質(zhì)區(qū)域刪除單元72以及顏色信息和形狀信息確定處理單元73。

模圖像獲取單元70，用于獲取結(jié)核桿菌rgb圖像，把圖像rgb模式轉(zhuǎn)為lab模式(lab模式由光度分量(l)和兩個色度分量組成,這兩個分量即a分量(從綠到紅)和b分量(從藍到黃))，并計算a分量的梯度的模圖像g。

具體地，模圖像獲取單元70通過如下步驟實現(xiàn)：

步驟s11，將結(jié)核桿菌rgb圖像轉(zhuǎn)為lab模式，并分離出a分量；

步驟s12，用不同方向的梯度算子k1、k2、k3……kn，對a分量進行卷積濾波得到不同方向的圖像梯度g1、g2、g3……gn，其他梯度算子分別由k1旋轉(zhuǎn)一定角度獲得；

步驟s13，對這n張?zhí)荻葓D取模，得到梯度的模圖像g。模圖像g的計算公式為：

線段連接及分水嶺圖像獲取單元71，用于根據(jù)梯度的模圖像g的數(shù)值分布情況刪除背景并保留結(jié)核桿菌邊界，對結(jié)核桿菌邊界斷裂處進行邊界線段連接，并對得到的圖像使用分水嶺算法獲得分水嶺圖像l。具體地，線段連接及分水嶺圖像獲取單元71根據(jù)梯度的模圖像g的數(shù)值分布情況設(shè)定合適的閾值t，以刪除背景并保留結(jié)核桿菌邊界，再對結(jié)核桿菌邊界斷裂處進行邊界線段連接，然后對得到的圖像使用分水嶺算法得到分水嶺圖像l。

在本發(fā)明具體實施例中，如圖8所示，線段連接及分水嶺圖像獲取單元71進一步包括：

多閾值判斷單元710，用于根據(jù)梯度的模圖像g中數(shù)值的分布范圍，進行多閾值判斷并將模圖像g中數(shù)值小于閾值t的像素點的數(shù)值均置為0。使用多閾值法可適應(yīng)各種背景的圖像，減少后續(xù)分水嶺算法的過分割問題。

線段連接單元711，用于對結(jié)核桿菌邊界斷裂處進行邊界線段連接。為防止閾值的輕微偏差導(dǎo)致結(jié)核桿菌邊界梯度的一部分被刪除從而導(dǎo)致后續(xù)分水嶺算法無法把結(jié)核桿菌正確分割出來，需要將斷掉的邊界線連接。

線段連接單元711的線段連接的具體步驟為：

(1)得到梯度模圖像g的連通域；

(2)遍歷所有連通域，依次判斷該連通域的像素點最大值是否大于預(yù)設(shè)值，如t+50，刪除不滿足要求的連通域以減少后續(xù)分水嶺算法產(chǎn)生的雜質(zhì)區(qū)域；

(3)對完成刪除操作的梯度的模圖像g，進行閉操作，得到圖像g_close。

(4)對圖像g_close進行二值化，再計算它的邊界圖像g_edge，疊加邊界圖像g_edge到梯度的模圖像g上，得到圖像g_watershed。

分水嶺變換單元712，用于對圖像g_watershed使用分水嶺變換，得到分水嶺圖像l。將分水嶺圖像l中面積最大的區(qū)域設(shè)為背景區(qū)域。

雜質(zhì)區(qū)域刪除單元72，用于依次判斷分水嶺圖像l的每個區(qū)域，根據(jù)顏色信息，刪除雜質(zhì)區(qū)域。

在本發(fā)明具體實施例中，如圖9所示，雜質(zhì)區(qū)域刪除單元72進一步包括：

分水嶺邊界線刪除單元721，用于刪除分水嶺的邊界線。其具體步驟如下：

(1)邊界的像素點數(shù)值為0，故依次檢測分水嶺圖像上的所有0值像素點。

(2)用該像素點周圍3*3窗口像素點的除零以外的眾數(shù)，代替原來的0值。

差值計算處理單元722，用于計算rgb圖像的r分量與g分量的差值，刪除該差值均值低于周圍范圍背景均值的區(qū)域，周圍范圍為當(dāng)前區(qū)域坐標(biāo)向外擴展n個像素點。

頂?shù)酌弊儞Q單元723，用于進行頂帽底帽變換，增強a分量圖像對比度，刪除a分量數(shù)值均值低于背景均值的區(qū)域。

區(qū)域刪除單元724，用于計算區(qū)域周圍范圍背景的a分量數(shù)值均值與該區(qū)域的a分量數(shù)值均值的比值，周圍范圍計算方法同上，刪除該比值小于預(yù)設(shè)閾值的區(qū)域。

顏色信息和形狀信息確定處理單元73，用于根據(jù)結(jié)核桿菌的特點確定長寬比和圓形度信息，通過背景均衡化算法確定顏色信息，再利用這些信息識別雜質(zhì)與桿菌；

在本發(fā)明具體實施例中，顏色信息和形狀信息確定處理單元73通過如下步驟實現(xiàn)：

考慮到分水嶺的過分割問題，使用連通域，將相鄰非背景區(qū)域融合為一個區(qū)域；

刪除面積過小的噪聲區(qū)域；

刪除長寬比小且圓形度高的雜質(zhì)區(qū)域；

計算待檢測區(qū)域的周圍背景的rgb三維均值rmean_back、gmean_back、bmean_back，并求得最大值，即，maxrgb＝max(rmean_back,gmean_back,bmean_back)，計算待檢測區(qū)域的rgb均值rmean、gmean、bmean，為消除背景色的影響，使用以下公式：

rmean＝rmean+(maxrgb-rmean_back)

gmean＝gmean+(maxrgb-gmean_back)

bmean＝bmean+(maxrgb-bmean_back)

消除背景色影響后，判斷rmean、gmean、bmean組成的顏色是否是粉紅色；

利用上述信息識別雜質(zhì)與桿菌，刪除雜質(zhì)背景，保留結(jié)核桿菌區(qū)域。

較佳地，本發(fā)明之基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別裝置還包括預(yù)處理單元74，該預(yù)處理單元74用于讀取結(jié)核桿菌rgb圖像，對該結(jié)核桿菌rgb圖像進行預(yù)處理，去除系統(tǒng)光照改變的影響以及rgb圖像的異常點。具體地，如圖10所示，該預(yù)處理單元74進一步包括：

輻射校正預(yù)處理單元741，用于讀取結(jié)核桿菌rgb圖像和同樣光照下的空白圖像，采用輻射校正預(yù)處理算法去除系統(tǒng)光照改變的影響。在本發(fā)明具體實施例中，輻射校正預(yù)處理單元741通過如下步驟實現(xiàn)：

獲取系統(tǒng)標(biāo)準(zhǔn)光照下空白圖像的色度空間rgb三維對應(yīng)的亮度值為lr、lg、lb；

實際采集圖像中br(i,j)、bg(i,j)、bb(i,j)分別對應(yīng)空白圖像rgb三維的亮度值；

采集結(jié)核桿菌生物樣本，令sr(i,j)、sg(i,j)、sb(i,j)分別對應(yīng)結(jié)核桿菌生物樣本rgb三維的亮度值，s'r(i,j)、s'g(i,j)、s'b(i,j)分別對應(yīng)結(jié)核桿菌生物樣本rgb三維的經(jīng)輻射校正后的亮度值，計算公式如下：

異常點去除單元742，用于去除結(jié)核桿菌rgb圖像的異常點。在本發(fā)明具體實施例中，異常點去除單元742通過如下步驟實現(xiàn)：

讀取結(jié)核桿菌rgb圖像i(x,y)；

掃描i(x,y)的每個像素點，對rgb數(shù)值過低的異常點，用周圍的3×3窗口進行中值濾波。

銳化處理單元743，用于對處理后的結(jié)核桿菌rgb圖像進行彩色圖像銳化。在本發(fā)明具體實施例中，銳化處理單元743通過如下步驟實現(xiàn)：

將結(jié)核桿菌圖像rgb模式轉(zhuǎn)為hsv模式；

提取h分量，并對之使用銳化算法；

將hsv模式轉(zhuǎn)為rgb模式。

綜上所述，本發(fā)明一種基于優(yōu)化分水嶺的結(jié)核桿菌圖像分割識別方法及裝置在分割方法上基于分水嶺算法，通過圖像增強方法提高結(jié)核桿菌的特征信息，通過圖像的顏色空間變換，突出結(jié)核桿菌的紅色特性，從而提高后續(xù)分割精度；通過將合適的梯度算子獲得梯度圖像，并設(shè)定閾值刪除背景圖像，邊界線段連接消除斷裂影響，進一步提高后續(xù)的分割精度；在分水嶺算法分割結(jié)核桿菌方法上，判斷分水嶺每個區(qū)域，根據(jù)圖像顏色信息，刪除雜質(zhì)背景，進一步提高后續(xù)的識別精度；在分水嶺算法分割結(jié)核桿菌方法上，根據(jù)結(jié)核桿菌的特點確定長寬比信息和圓形度信息，還有顏色信息，刪除雜質(zhì)背景，保留結(jié)核桿菌區(qū)域，有效提高結(jié)核桿菌的分割識別精度。利用本發(fā)明方法為后續(xù)利用顯微結(jié)核桿菌圖像進行高效計數(shù)提供有效數(shù)據(jù)。根據(jù)不同的應(yīng)用背景，本發(fā)明經(jīng)過適當(dāng)?shù)男薷耐瑯舆m用于其他相關(guān)領(lǐng)域的分類識別方法。

任何本領(lǐng)域技術(shù)人員均可在不違背本發(fā)明的精神及范疇下，對上述實施例進行修飾與改變。因此，本發(fā)明的權(quán)利保護范圍，應(yīng)如權(quán)利要求書所列。