分割渐变图片

生物医学工程学杂志JBiomedEng2002;19(3)∶487~492生物细胞图像分割技术的进展3马义德1,2戴若兰1,李廉2吴承虎21(兰州大学干旱生态国家重点实验室,兰州730000)2(兰州大学信息科学与工程学院,兰州730000)摘要阐述了小波变换、遗传算法、模糊数学、神经网络、数学形态学等生物细胞图像分割算法以及边缘检测、区域分割等传统图像分割算法为主的生物细胞图像分割技术的发展现状,指明了生物细胞图像本身具有的复杂性、多样性、各自差异性等属性是实现生物细胞图像全自动分割的难点,只有彻底结合生物视觉特性数学模型算法的研究和应用,才能使生物细胞图像全自动分割成为可能.
关键词生物细胞图像分割小波变换模糊数学神经网络TheStateandDevelopmentofCellImageSegmentationTechnologyMaYide1,2DaiRolan1,LiLian2WuChenghu21(TheStateKeyLaboratoryofAridAgroecology,LanzhouUniversity,Lanzhou730000)2(TheSchoolofInformationScience&EngineeringofLanzhouUniversity,Lanzhou730000)AbstractThispaperdescribesthestateandthedevelopmentoftheapplicationofthemodernandtraditionalimagesegmentationtechnologyincellsliceimagesegmentation.
Itincludesedgedetection、regionalsegmentation、wavelettransform、fuzzymathematics、artificialneuralnetworks、morphologicalimagesegmentationandsoon.
Atlast,thepapersummariesthatitisdifficulttogenerallysegmentateanykindofbiologicalcellsliceimageautomati2callybecauseofthecomplexstructureofcellandcellsliceimageisnotevengraydistributed.
Itshouldbepointedoutthatgeneralautomaticcellsliceimagesegmentationwillbeachievedonlyifvisualmathematicsmodelcorre2spondingtomammalianvisionsystemsissetupentirely.
KeywordBiologicalcellImagesegmentationWavelettransformFuzzymathematicsArtificialneuralnetworks1引言在生物细胞结构和形态变化的研究中,最重要、最困难的是生物细胞图像中细胞形态的识别和分割,急切需要对细胞内各细胞器结构变化、大分子分布变化进行量化分析与处理.
另外生物细胞之间信号传输机制、能量交换、信息处理原理的探讨和病理学各种疾病发展的诊断研究中,同样需要这种量化分析,其主要手段之一就是生物细胞图像的分割,这是生物研究逐步由定性描述走向定量研究的主要手段.
3国家自然科学基金资助项目(39770375);甘肃省自然科学基金资助项目(ZS0012A2520082Z)联系人.
E2mail:daiRL@lvu.
edu.
cn一般图像分割就是从复杂图像场景中分离出感兴趣目标物的方法,是生物切片图像中细胞信息提取、分析与定量研究的关键,也是进行细胞三维形态结构重建研究的关键.
一个好的分割方法应该是:能进行细胞或其内部细胞器的容积计量分析;能进行形态分析(如能标记或确定形态随时间变化;能计算形态变化量);而且还具有分割算法直观,可视化程度高,利于判断和确定细胞组织结构变化等特点.
生物细胞图像自动分割问题的解决对疾病诊断、细胞信息定量分析、细胞内信息的传递、细胞变异研究、细胞显微、超显微结构的三维重构实现具有不可低估的影响,只是当前还不能完全实现全自动图像分割,所以,在生物医学图像处理中,细胞图像的分割算法研究仍然是国内外研究的热点课题.
1995-2004TsinghuaTongfangOpticalDiscCo.
,Ltd.
Allrightsreserved.
2生物细胞图像分割技术的现状生物细胞图像分割技术一般利用生物细胞图像特有的统计特性、图像中细胞及细胞器的轮廓、边缘和纹理等视觉特性进行分割,传统的分割方法有:2.
1传统细胞图像分割方法2.
1.
1基于灰度特征的阈值分割法此类方法主要根据细胞图像灰度分布直方图,通过设置阈值把像素点按灰度级分为内部点集和外部点集,实现细胞图像分割.
常见的主要有以下几种:(1)全局单阈值法此法把整个细胞图像的灰度密度函数看作为两个单峰密度函数(目标、背景)的总和,根据使总错误率降到最小来确定阈值.
(2)双阈值法通过设置两个阈值,以防单阈值设置阈值过高,误把目标像素归为背景像素,或反之阀值设置过低,则误把背景像素归为目标像素.
(3)自适应阈值法此法通过对细胞图像分块,对每一块选局部阈值进行分割,对既有背景又有目标的块直接设置阈值进行分割;对只有目标或只有背景的块,根据邻域各块定出的局部阈值,通过内插求出阈值,对此块进行分割.
一般基于灰度的阀值分割方法都比较简单、计算量小,算法上容易实现,对目标和背景对比度反差较大图像这种分割很有效,而且总能用封闭、连通的边界定义不交叠的区域.
但阈值确定主要依赖于灰度直方图,而很少考虑图像中像素的空间位置关系,因此当背景复杂,特别在同一背景上重叠出现若干个研究目标时,容易丧失部分边界信息,造成分割的不完整.
2.
1.
2基于边界提取的分割技术这种方法的基本思想是边界一般由细胞图像中像素灰度的反差或不连续产生,于是利用边界的梯度变化性质直接提取边界.
常见的主要有:(1)边界跟踪法它从原始细胞图像的梯度幅值图像着手处理,用轮廓跟踪算法提取边界.
(2)Kirch算法利用对梯度图像适当的阈值进行二值化,使得目标和背景像素点低于阈值,而大多数边缘点高于阀值,同时为了提高性能,在该类算法中引入了分水岭算法以进行准确分割.
这一类方法的缺点是对噪声比较敏感,而且易受伪轮廓或边界空白的干扰,不能保证得到闭合连通的边界.
2.
1.
3基于边缘检测和边缘连接的分割技术这类算法认为图像中细胞边界由灰度的不连续性引起,边缘像素点为分割图像灰度的突变点,其思路是先通过邻域像素之间的运算求取边缘点,再把他们连接起来得到一条闭合的连通边界.
在这类边缘检测算法中常见的有:(1)梯度算子边缘检测算法常见的有Roberts算子、Sobel算子、Laplace差分算子、Pre2witt算子、Marr算法(Guass2Laplase算子)等.
这里Roberts算子有利于对具有陡峭边缘的低噪声图像的分割;Laplace差分算子具有各向同性的特点,它与Prewitt算子、Sobel算子等有利于对具有较多噪声且灰度渐变图像的分割;而Marr算法对有较多噪声的图像具有平滑作用,且其边缘检测效果优于以上几种算子,但Marr算法在平滑的同时导致图像对比度下降;而Roberts算子、Laplace差分算子在实施过程中大大增强了噪声,恶化了信噪比;其他几种算子涉及方向性,且各向异性;总之,对于灰度变化复杂和细节较丰富图像,以上算法均很难完全检测出边缘,而且一旦有噪声干扰时,上述算子直接处理效果更不理想.
(2)拟合算子(即参数模型匹配算法)用边缘的参数模型对图像的局部灰度值进行拟合,再在拟合的参数模型上进行边缘检测.
此类算子在检测边缘的同时,还平滑了噪声,对有较大噪声和高纹理细胞图像处理效果较好,但由于参数模型记录着更多的边缘结构信息,计算开销很大,算法复杂,而且对边缘类型要求较高.
2.
1.
4基于区域的分割方法这种算法是近年来人工智能领域特别是计算机视觉研究中十分关注的图像分割算法,常见的有区域增长分割方法和区域分裂、聚合分割算法,该算法对有复杂物体定义的复杂场景的分割或者对自然景物的分割等类似先验知识不足的图像分割,效果均较理想,WuHS等[15]提出利用肺部癌细胞图像的均值、标准偏差构成的矢量作为细胞分割的特征,提出的区域增长分割算法分割肺部癌细胞纹理图像,取得较好结果.
基于区域生长的分割方法抗噪性能优于边缘分割和直方图分割,另外相比其它算法其计算开销较大,而且在计算过程中引入的预定误差e值选取不当时,还会引入误判,易受分析目标内部组织之间的重叠干扰影响.
因此,基于区域生长的分割方法一般适合于边缘光滑、无重叠的细胞图像的分割.
884生物医学工程学杂志第19卷1995-2004TsinghuaTongfangOpticalDiscCo.
,Ltd.
Allrightsreserved.
2.
2研究中细胞图像分割新算法近些年来,数学各分支在理论和应用上的逐步深入,使得小波变换、分形理论、数学形态学、模糊数学、遗传学算法等在图像分割技术应用中取得很大进展,产生了不少新的分割算法.
主要有:2.
2.
1基于小波变换的分割算法对原始细胞图像进行多分辨率小波变换,一般用二进制小波变换在低频段采用长时间窗,在高频段采用短时间窗,将原始信号分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号,这些子带信号具有良好的时域、频域等局部特征,这些特征可用来表示原始信号的局部特征,用以克服傅里叶分析在处理非平稳复杂图像时所存在的局限性.
进而在不同的分辨率层次上对图像进行分割.
在低分辨率上分解的变化结果会反映原图中一些较明显和较大尺寸的结构特征,因而在低分辨率上对图像进行粗分割,由于计算量小,适于寻找目标的大致轮廓;而在高分辨率上分解的变化结果反映原图的较细致细节特征,因而在高分辨率上对图像上进行细分割,且粗分割的结果对精细分割具有一定的指导作用,故可大大减少计算量和提高目标的定位精度.
虽然小波变换有很多优良属性,但如果直接用于边界提取可能出现孤立像素点和不连续,还会检测到多余的伪边缘点.
而且由于在小波变换离散化过程中,只能以一定精度纪录和处理各分辨率上的分析结果,不可避免地引入了频率分量的截断误差,造成部分边缘信息的丢失,另外若图像中存在噪声也会对准确识别边缘位置产生很大影响.
因而常常将小波变换方法和其他方法结合起来应用,戴青云等[14]提出小波变换与数学形态学结合算法,先用多分辨率小波变换对图像进行分解,提取原图在不同尺度、不同方向上的模糊分量和细节分量,接着用数学形态学的特点对小波分解后的细节图像进行一系列的膨胀、腐蚀等形态学运算.
其中膨胀运算可填补小波分解后目标区内部空洞,增强目标的连通性;腐蚀运算则可消除噪声和其他无用细节信号.
此算法分割、定位效果较好,但数学形态结构元素的尺寸和形态对分割结果影响很大.
王浩军等[6]把小波变换与快速Otsu阈值法结合提出了一种改进的快速Otsu阈值法,此法在速度和精度上都有优势,只适合于对细小目标的分割,但对大目标效果不明显.
耿伯英等[9]提出基于小波变换与超图模型结合的算法,此算法利用高斯—马尔可夫随机场理论,把对原始图像的分割转化为对超图的分割,其实质是在分割过程中不仅考虑图像灰度特征,还依据图像的局部结构特征.
这种处理方法比单纯小波变换更能准确地揭示原始图中各点的特征信息.
另外近年来有人把多进制小波变化引入图像分割的应用中,由于二进制小波变换及其正交小波变换可以得到缩小2k倍的图像,但对于非2k倍边缘无法检测.
利用多进制小波变换,可以得到任意非整数倍的边缘图.
2.
2.
2基于数学形态学的分割算法基于数学形态学的分割算法基本思想是对图像用一定的结构元素进行基本操作之后,再与原图相减,它利用图像的拓扑特性进行操作,利用集合论对图像进行非线性变换.
它最基本的操作是腐蚀和膨胀,通过它们的不同组合形成形态开、形态闭,对灰度数字图像按照一定的结构元素取最大值和最小值,进而实现图像的分割.
WuHS等[15]提出了数学形态学膨胀、腐蚀运算在建议代价函数最小前提下的叠代自动分割算法,实现了小牛胸腺细胞纹理图像分割(这种胸腺细胞纹理较多且分布在相对均匀的背景下),此类算法几何意义明确、结构简单,可根据处理要求构造不同的算子,特别在有噪声图像分割中效果明显优于传统算子.
另外形态学潜在的并行性,还可用于实时处理.
特别提到的是柔性(Soft)形态变换[7],它是在经典形态算子基础上提出的一类非线性算子,它利用柔性形态变化的性质,通过图像之间的差运算得到原始图像的边缘信息.
它不但保留了经典形态学算子的优良特性,还获得了一定程度的鲁棒性,而且运算简单,又可以通过对结构元素的简单控制及参数选取来控制所要提取边界的某些特征.
此算子能够精确定位边缘,抑制噪声效果较好,但得到边缘图有时可能出现孤立点,以至不能得到闭合连通的边界.
2.
2.
3基于模糊数学的分割算法主要有广义模糊算子与模糊阈值法两种分割算法.
(1)广义模糊算子认为灰度的变化是光照不均造成的,边缘是高频成分,但图像边缘包括了图像其它部分的灰度信息,由于量化影响,灰度值在边缘处产生突变.
此算子在广义模糊集合的范围内对图像处理,使真正的边缘处于较低灰度级,但还有一些不是边缘的像素点的灰度也在较低灰度级中,虽然算法的计算简明,且边缘细腻,但得到的边缘图会出现断线问题.
为此洪文松等[10]提出了一种基于广义模糊集合的邻域加权预处理算法,改进广义模糊算子,基本上克服了广义模糊算子在边缘检测时出现的断线问题.
(2)模糊阈984第3期马义德等.
生物细胞图像分割技术的进展1995-2004TsinghuaTongfangOpticalDiscCo.
,Ltd.
Allrightsreserved.
值法引入灰度图像的模糊数学描述[13],通过计算图像的模糊率或模糊熵来选取图像的分割阈值,最后用阈值法处理图像得到边界.
此算法中窗宽的设置对分割好坏起决定作用,窗宽取值小,可能在直方图的谷点出现震荡,造成假阈值的出现;反之,窗宽取值过大,则可能会平滑直方图的谷点,造成阈值丢失.
另外所用的隶属函数满足边界条件和对称性时,模糊阈值法才能使用.
此法对大场景的图像处理效果很好,对小场景图像效果不明显,而且它受隶属函数窗口大小的影响很大,使它的应用范围受限.
金立左等[12]提出了一种利用目标—背景之间对比度自动选取隶属函数窗宽的算法,对模糊阈值法进行改进,解决了当图像改变从而使直方图分布改变时,预选窗宽可能失效的问题.
但此法根据目标与摄像机的相对距离估计目标—背景之间的对比度,显然其局限性比较大.
2.
2.
4基于遗传算法的分割方法此算法是J.
Holland受生物进化论思想提出的一种优化问题的解决方法,它使用参数编码集而不是参数本身,通过模拟进化,以适者生存的策略搜索函数的解空间,它是在点群中而不是在单点进行寻优.
遗传算法在求解过程中使用随机转换规则而不是确定性规则来工作,它唯一需要的信息是适应值,通过对群体进行简单的复制(duplication)、杂交(crossover)、变异(mu2tation)作用完成搜索过程.
此算法主要用在某些阈值法、基于参数模型匹配算法及区域生长法中,以改进它们的性能.
由于此法能进行能量函数全局最小优化搜索,且可以降低搜索空间维数,降低算法对模板初始位置的敏感,减少了上述算法中需花费的大量计算时间.
因为标准遗传算法(SGA)需用固定的交叉概率和变异概率,本身容易收敛于局部最优.
而自适应遗传算法(AGA)根据解群中所有个体的最大适应度和平均适应度,以及交叉和变异个体的适应度来确定交叉概率和变异概率,效果比标准遗传算法好,但是把它用在寻找二值化图像分割阈值时,往往会收敛于局部最优,导致在算法中产生不良后果,使算法无法达到预定的效果.
为此魏志成等[5]提出了对自适应遗传算法的改进方法,引入窗口法增强指导性,以便容易选择阈值,且用单点变异算子和双点变异算子结合的自适应遗传算法来增强遗传算法的随机性,有效防止了遗传算法收敛于局部最优的缺点.
此算法对处理复杂背景或有重叠目标的图像时有明显的优势,而且比穷举算法速度有明显优势.
但是同一图像可能有两组最大的熵值,选取时无法判断哪一组更优.
2.
2.
5基于神经网络分割算法人工神经网络本身具有的分类属性是实现边缘检测、区域分割的基础,基于神经网络图像分割算法[22~24]是目前研究较多、文献报道较热的分割算法,例如:Spreeuwers[22]提出了的两层前向神经网络边界检测法、Dhawanx2ue[23]提出自组织神经网络边界检测法[23]、Xue[24]提出了Hopfield神经网络边缘检测法,值得一提的是PCNN脉冲耦合神经网络模型算法[25],它是直接在哺乳动物—猫的视觉皮层的视觉特性上建立的神经网络模型,非常适合于图像分割、降噪、平滑和图像融合等应用,Alexei将PCNN算法应用于复杂纹理的图像分割,并比较了加入抑制项前后两种分割效果,Thomas比较了小波变换和PCNN网络各自的特点,PCNN与以往经典神经网络模型相比,不需要训练过程即可实现图像分割,但PCNN需要设置门限参数、衰减时间常数,同时较好分割效果获得需实验多次选择这些参数,也即目前很难解释参数与分割效果之间关系,最佳PCNN参数模型研究、适合生物视觉特征PCNN模型探讨等是PCNN正在进行的研究内容.
因为PCNN是90年代中期提出的神经网络算法,其理论及应用探讨正在逐步深入.
2.
2.
6其它方法除了以上这些纯数学原理的分割方法外,也有一些结合细胞本身生化属性的细胞图像分割方法研究[4],例如Fernandez等[2]利用植物Betavulgaris(redbeet)细胞具有的两种色素:Betacyanines和Betaxanthines分别对紫光、黄光光谱吸收特性,提出结合形态学和多种光谱分析的植物细胞分割方法,显然该方法的实现有一定的局限性,要求对生物细胞的生化特性非常了解,另外,并非每种生物细胞都具有这种特性.
WuHS等[15]利用椭圆形参数模型法对人颈部和胸部细胞涂片图像进行了自适应分割,对于椭圆形的重叠和非重叠细胞的分割取得了较好的效果;Pal等[16]研究了利用细胞主要轮廓点的自动分割;陆宗骐等[8]提出灰度Sobel算子细化,通过引入衰减因子去除Sobel计算结果,用以消除数据溢出的可能,不再需要二值化处理,而且不易造成灰度边缘图的失真,但是该方法处理效果与边缘的本身轮廓特征有关,而且细化边缘图可能"信息过量"不利于直接提取边缘.
如果与原图的灰度图、阈值图一起考虑效果会更好;Kapur等提出基于熵的分割算法,此094生物医学工程学杂志第19卷1995-2004TsinghuaTongfangOpticalDiscCo.
,Ltd.
Allrightsreserved.
方法利用信号系统中熵的概念和灰度直方图的全局性和客观性,并假设了两个概率分布(一个目标的,一个背景的).
要求分割时,使这两部分的熵的和最大,以确定阈值来进行分割.
但当背景复杂或同一背景上重叠了若干个目标时,容易丧失部分边缘信息.
还有用可变形模板进行基于内容的图像分割、基于规则图像分割方法[18]等等.
3生物细胞图像本身属性是自动分割的难点以上这些算法各有其优缺点,且都或多或少需要用户的交互控制才能使得分割准确率达到较高要求,但这些方法都是针对特定对象提出的,另外生物细胞各自的复杂性、多样性、动、植物细胞各自不同特点,很难得到一个统一的全自动分割实现方案.
例如对于植物胚性细胞来说就具有如下特点:植物体细胞胚胎发生研究中,植物胚性细胞二维切片图像中细胞与背景之间灰度差别较低,这种低灰度差别图像的分割算法研究是目前图像分割算法研究中的瓶颈和难题;染色过程中造成的各种人为干扰和噪声等的存在影响低灰度图像中目标物的准确分割;整幅图像中胚性细胞灰度分布的不均匀性,难于确定分割门限;整幅切片图像背景灰度分布的不均匀性,也会造成背景和细胞的错误分割;特别是在空间分布上植物细胞不像某些动物细胞,植物细胞胚切片上胚性细胞和其他非胚性细胞相互连接,相邻边界紧密重叠,分割易造成伪边界和伪轮廓,致使细胞胚发生信息提取产生误差;切片上某些细胞内灰度低于边界周围背景灰度,再加上背景灰度分布的不均匀,于是出现在某些区域内背景灰度高于体细胞灰度的反常现象,还有光源的不均匀也会造成这种细胞和背景灰度分布的不均匀现象;视域范围外细胞图像较视域范围内细胞图像边界模糊;同一区域胚性细胞和非胚性细胞灰度分布的不均匀,增加了分割的难度;胚性细胞内ATP酶、淀粉等大分子分布相对分散,增加了定量分析难度;植物细胞除了常见的圆形、椭圆形,还有长条形,凹凸多边形等复杂形状,造成分割算法很难确定;背景与细胞之间或者细胞边界与内部成份之间灰度差别有时很小,甚至细胞一部分融入背景,很难确定明显的细胞边界,不能直接实现细胞图像的自动分割.
显然因为生物细胞本身这些特性决定了前面提到的各种算法都不能直接适合于生物细胞图像自动分割,因为细胞形状的复杂性、不规则性,还有在细胞分裂时产生的细胞之间的重叠,很难实现满意的细胞自动分割,以便进行细胞长度、宽度、面积等的计量分析.
4结束语近几年来,大多数算法都是在前述各种分割算法基础上发展而来的,通过改进这些算法的性能,在处理某些特定问题时取得了较好分割效果.
如Fer2nandez等[2]提出利用植物细胞形态分析、微分信息得到形态凸边缘点,连接这些边缘点形成整个细胞边缘信息,然后利用分水岭算法分割重叠的Beteavulgaris植物细胞,但该算法要寻找每个细胞的边缘凸点信息,这样对植物细胞较多的切片图像的分割计算量非常大.
还有通常基于图像统计特性的分割受到其利用图像统计信息不足影响,Saeed等[17]提出高斯混合模型多分辨率图像分割算法;基于边界的分割易受伪轮廓或边界空白的影响,另外由于分析环境限制,基于区域的分割易受分析对象内部组织之间的重叠干扰,于是Niessen等提出了利用两者优点的超级堆栈(hyper2stack)分割方法,以上这些算法都或多或少需要用户的交互控制才能使得分割准确率达到较高要求,Nazif[18]提出了一种基于规则图像分割算法,这种方法虽实现了图像的自动分割,但有很多弊端.
随着人工智能技术的发展,出现了基于知识的图像分割方法[19].
尽管图像分割算法研究已经从目前的二维平面分割算法研究发展到立体的三维、四维分割算法的研究,但由于生物细胞图像各自差异性、多样性和其本身复杂性、特殊性,很难得到统一的生物细胞全自动图像分割算法.
任何一种细胞图像分割方法,都要求结合细胞本身的统计特性、边缘特性、生化属性、形态特征等各种特性基础上,才能实现一定范围内的自动分割,因为一般不可能全部掌握生物细胞的各种特性信息,故而在通常情况下,都需要一定的人机交互才能实现较好分割,只有彻底结合生物视觉特性数学模型算法的研究和应用,才能使生物细胞图像全自动分割成为可能.
参考文献1PortierR,Canagarajah,N.
Arobustautomaticclusteringschemeforimagesegmentusingwavelets.
IEEETransImageprocess,1996;5(4)∶6622FernandezG,ZrydJP.
Multi2spectralImageAnalysisofPlantCells.
ElectronicsLetters,1999;8(35)3WolensteinM,StubbingsT,RobustHH.
Automatedthree2di2194第3期马义德等.
生物细胞图像分割技术的进展1995-2004TsinghuaTongfangOpticalDiscCo.
,Ltd.
Allrightsreserved.
mensionalsegmentationofsecondaryionmasssepectrometryimagessets.
FreseniusJAnalChem,1999;36∶634薛景浩,章毓晋,林行刚.
基于最大类间后验交叉熵的阈值分割.
中国图像图形学报,1999;4(2)∶1105魏志成,周激流,吕航等.
一种新的图像分割自适应算法的研究.
中国图像图形学报,2000;5(3)∶2176王浩军,毛柏鑫,毕笃彦等.
原位分子杂交图像中银粒的分割方法研究.
中国图像图形学报,1999;4(6)∶4547黄凤岗,杨国,宋克欧.
柔性(soft)形态学在图像边缘检测中的应用.
中国图像图形学报,2000;5(4)∶2848陆宗骐,梁诚.
用Sobel算子细化边缘.
中国图像图形学报,2000;69耿伯英,杨静宇.
一种基于一致性邻域超图模型的图像分割.
中国图像图形学报2000;5(4)∶28810洪文松,陈武凡.
实现图像边缘检测的改进广义模糊算子法.
中国图像图形学报,1999;4(2)∶14311杨晓梅,朱长青.
多进制小波变换及其在影像分析中的应用.
中国图像图形学报,1999;4(2)∶15712金立左,夏良正,杨世周.
图像分割的自适应模糊阈值法.
中国图像图形学报,2000;5(5)∶39013PalSK,KingRA,HashimAA.
Automatigraylevelthreshold2ingthroughindexoffuzzinessandentropypatternrecognitionLetter,1983;1∶14114戴青云,余英林.
一种基于小波与形态学的车牌图像的分割方法.
中国图像图形学报,2000;5(5)∶41115WuHS,BarbaJ,GilJ.
Aparametricfittingalgorithmforseg2mentationofcellimages.
IEEETransactionsonBiomedicalEn2gineering,1998;3(45)∶40016PalU,RodenackerK.
,ChaudhuriBB,Automaticcellseg2mentationincyto2andhistometryusingdominantcontourfea2turepoints.
AnalyticalCellularPathology,1998;4(17)∶24317SaeedM,KarlMC,NguyenTQ,etal.
Anewmulitiresolutionalogrithmforimagesegmentation.
IEEE,1998;18NazifAMandLevineMD.
Lowlevelimage'segmentation:an2expertsystem.
IEEETransofPAMI,1984;6∶55519谢逢,罗立民,田雪芹.
基于知识的人脑三维医学图像分割显示方法.
生物医学工程学杂志,1997;14(2)∶12420UdapaJK.
Nteractivesegmentationandboundarysurfacefor2mationfor3Ddigitalimages.
ComputGraphImagProc,1982;18(15)∶21321ChristopherC.
Automaticimagesegmentationofcytologicalcellimagesusingneuralnetworks.
PhDcandidate.
http:www.
cse.
rmit.
edu.
au22SpreeuwersLJ.
NeuralnetworkedgeDectector.
In:ProcSPIE,1991;1451∶20423DhawanAP,DufreseneT.
Low2levelimageprocessingandedgeenhancementusingaself2organizingnerualnetwork.
In:ProcIEEEJConfonNeuralNetworks,1990;50324XueK.
BreznikCW.
Anewnerual2netcomputingalgorithmfordetectingedgesinagrayscaleimage.
In:Proc29thEIIIConfondecisionandcontrol,1990;4∶236825ChaoCH.
DhawanAP.
EdgedectectionusingaHopfieldneru2alnetwork.
OpticalEngineering,1994;33∶3739(收稿:2001205215)294生物医学工程学杂志第19卷1995-2004TsinghuaTongfangOpticalDiscCo.
,Ltd.
Allrightsreserved.