摘  要： 在經典算法的基礎上，結合分水嶺算法檢測細胞圖像邊緣，然后對處理過的圖像使用Canny算子實現邊緣檢測。對梯度圖像進行閾值處理才能有效地抑制噪聲污染，提高邊緣檢測的質量，為醫學細胞的分析及診斷等提供更為有利的決策信息。
關鍵詞： 分水嶺； 邊緣檢測； 算子； 閾值

1 醫學圖像邊緣檢測方法研究現狀
    目前，醫學圖像處理已經在圖像分割、 圖像匹配、 圖像融合及偽彩色處理等領域取得了巨大的成就[1]。醫學圖像邊緣檢測技術的發展與醫學圖像處理的發展同步，比較成熟的工具有：微分算子、小波變換和形態處理學，并且也發展出了眾多的有效算法。小波變換和分析作為一種多尺度多通道分析工具，比較適合對圖像進行多尺度的邊緣檢測[2]。因為醫學圖像一般較為復雜，有許多不確定性和不精確性(即模糊性)，所以有人將模糊理論引入到圖像處理與分析中，形成了模糊邊緣檢測理論，它可以很好地處理MR圖像內在的模糊性和不確定性，而且對噪聲不敏感。
2 基于分水嶺算法的醫學細胞圖像邊緣檢測
    傳統的邊緣檢測算子由于受噪聲抑制，其邊緣檢測效果受到了很大影響，而小波變換和圖像形態學處理方法是近年來較為流行的方法，它們解決了噪聲的污染問題[3]。但是對于醫學細胞圖像這一特定對象，邊緣檢測是進行細胞面積、圓度和個數等形態的定量計算和分析的基礎。其檢測結果直接影響病情的分析和診斷的結果，如果邊緣檢測不理想，就無法進行細胞的形態分析。最基本的邊緣檢測方法就是使用微分算子,如Roberts算子、Sobel算子、Prewitt算子、Krisch算子、Laplacian算子和Canny算子等。圖1是不同的邊緣檢測處理方法的處理結果。

    分水嶺算法就是一種基于拓撲理論的數學形態學的處理方法，它對微弱邊緣具有良好的響應，可以得到封閉連續的邊緣。分水嶺比較經典的計算方法是由VINCENT L提出的。分水嶺計算分為排序過程和淹沒過程兩個步驟。另外，分水嶺算法所得到的封閉的集水盆為分析圖像的區域特征提供了可能。分水嶺的計算過程是一個迭代標注過程。在該算法中，首先對每個像素的灰度級從低到高進行排序，然后在從低到高實現淹沒過程中，對每一個局部極小值在h階高度的影響域采用先進先出(FIFO)結構進行判斷及標注。分水嶺變換得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點即為分水嶺，它表示的是輸入圖像的極大值點。為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像1。使用此方法作出的邊緣檢測結果如圖2所示(結合Canny 算子檢測邊緣）。

    從處理結果看，使用分水嶺算法檢測到的邊緣比單純使用Canny算子得到的更加豐富，細節更完善，并且檢測到更多的細節邊緣，能有效地抑制噪聲污染，提高邊緣檢測的質量，能為醫學細胞的分析及診斷等提供更為有利的決策信息。由于沒有使用閾值分割，因此對模糊信息處理的不夠好，看不出灰度差別的影響，實際應用中分辨起來反而增加了難度。為消除分水嶺算法產生的過度分割，通常可以采用兩種處理方法，一種方法是利用先驗知識去除無關邊緣信息，另一種方法是修改梯度函數，使得集水盆只響應想要探測的目標。一個簡單的方法是對梯度圖像進行閾值處理，以消除灰度的微小變化產生的過度分割，獲得適量的區域，再對這些區域的邊緣點的灰度級從低到高進行排序，然后再從低到高實現淹沒的過程。實際圖像中可能含有微弱的邊緣，灰度變化的數值差別不是特別明顯，因此對梯度圖像進行閾值處理時，選取閾值過大可能會消去這些微弱邊緣。閾值的選取是圖像分割效果好壞的一個關鍵。
    醫學細胞圖像的處理還有很多問題需要進一步探索，如：
    (1) 醫學細胞圖像成像過程中會受到各種噪聲的污染，而噪聲的種類和污染程度是完全不可預料的，隨著環境的變化，這種影響仍然無法確定；
    (2) 如何更加有效地抑制虛假邊緣的產生；
    (3) 隨著數學形態學的發展，以及其他新方法的涌現，邊緣檢測算法也在不斷改進中，如何檢測到更加清晰的邊緣仍是一個研究課題。
參考文獻
[1] 王昌元．醫學圖像處理[M]．北京：人民衛生出版社,2003.
[2] 章毓晉． 圖像處理和分析基礎[M]．北京：高等教育出版社,2003.
[3] 李敏．一種精確的醫學細胞圖像邊緣檢測法[J]． 工程設計學報,2007，14(6):490-493.
[4] 周長發．計算機圖形學－幾何工具算法詳解[M]．北京：電子工業出版社,2005.
[5] 霍宏濤．數字圖像處理[M]． 北京:北京理工大學出版社, 2006.
[6] 張震． 數字圖像處理中邊緣提取和去噪算法研究[D]．長春：吉林大學，2009.