專利名稱：改進的圖像分割方法
改進的圖像分割方法相關申請本申請要求于2005年1月10日提交的美國臨時申請第 60/642,110號的優先權并且是該申請的非臨時申請，其全部內容結 合于此作為參考。技術領域總的來說，本發明涉及圖像分析領域。更具體地，本發明涉及 新的圖像分割方法。
背景技術：
在病理學和細胞學中，經常期望^f吏用自動或半自動〗義器來定位 和測量細力包或細"包核。這沖羊的4義器可用于研究或檢查。后者的實例 是使用Papanicolou測試(或Pap測試)來檢查宮頸癌。這些4義器 獲取并分析數字圖像，來定位關注的細胞或將幻燈片分類為正常的 和可疑的。在對數字圖像中的對象的分析中，從圖像背景中區分對象十分 重要。為了表征細胞或對象，必須首先定位對象。定位數字圖像中 對象的過程被稱作"分割"。各種技術纟皮用于分割過程以定位關注 的對象，使得后續的計算機分析可以表征對象。例如，包含細胞的 圖像的分割可使得細胞核和/或細胞質被定位。
定位和分類圖像中的對象這項工作的傳統方法包括幾個階,更 首先-分割圖l象以創建對象的二元掩才莫(binary mask );然后-通過向 每個連接的像素集分配不同的標記，來標記該掩模中的對象；以及 最后-測量標記對象的各種特征。用于分割圖像的技術之一是"閾值(thresholding )"。在這種技 術中，選擇圖像亮度的閾值，然后將圖像中每個像素和該閾值進行 比較。具有超過該閾值的亮度值的像素被認為是背景像素，具有低 于閾值的值的像素被認為是對象像素。可基于圖像直方圖來選擇用 于定位對象的闊值，該直方圖是在圖像中得到的暗度值的頻率分 布。閾值算法可使用這些直方圖找到單個閾值。例如，閾值可以在 最暗像素和最亮像素之間。可選地，可將閾值選為大量"背景，，像 素和很少的"對象"像素之間的拐點。找出圖像中每個對象的理想 閾值是非常難的工作。通常，單個閾值對于整個圖像中具有不同亮 度值的多個對象不是最佳的。一旦選擇了閾值且完成閾值過程，則"對象"像素可以形成圖 像中對象的二元掩模。在掩模周圍的邊界可用于表示每個對象。邊 界能夠或不能精確地反應對象。已開發了多種方法，用于一旦定位 了對象就凈化(refine)其邊界。這樣的方法可使用邊界附近的暗度 信息，或者限制"i者如梯度、曲率、"4妻近圓(closeness to circle )"等 來凈化邊界。當前用于圖像分割的已知技術通常很復雜且很耗時。這些技術 在分割過程中不總會產生高精度，特別在待定位的對象和其周圍背 景之間的反差很小的情況下。因此，當前的分割算法通常不能適當 地定位對象。例如，在細胞圖^f象分析中，因為定位的邊界太大或太 小，所以可能錯誤地分割細胞核。這可能導致錯誤肯定事件(儀器 錯誤地將正常對象稱為可疑對象)，或者錯誤否定事件(儀器錯過 真正可疑對象)。
存在改進的用于自動成像的分割和自動成像裝置的需要，具體 地，存在精確識別對象邊界的需要。無論當前已知的分割技術的確切價值、特征、和優點是什么， 它們都沒有實現或完成本發明的目的。發明內容本發明提供了 一種識別圖 <象中每個對象的方法，該方法包括以下步驟(a)基于圖像的一系列屬性值來分類像素；(b)從一系列 屬性值中的極點開始，將分類的像素逐一添加到"標記圖像"，以 定位標記圖〗象中的對象；(c)如果對象的特征與預定的-驗收標準相 匹配，則將對象輸出到輸出圖像上；以及(d)重復執行步驟b和c 直至達到停止點，停止點表示一 系列屬性值中的另 一極點。本發明提供了 一種包括計算機可讀介質的產品，該計算機可讀 介質具有包含于其中的用于識別圖 <象中每個對象的計算4幾可讀程 序代碼。該介質包括(a)基于圖像的一系列屬性值來分類像素的 計算機可讀程序代碼；(b)從一系列屬性值中的極點開始，將分類 的4象素逐一添加到標記圖 <象以定位標記圖中的對象的計算才幾可 讀程序代碼；(c)如果對象的特征與預定的驗收標準相匹配則將對 象輸出到輸出圖像上的計算機可讀程序代碼；以及(d)重復執行 步驟b和c直至達到停止點的計算機可讀程序代碼，停止點表示在 一系列屬性值中的另 一極點。本發明提供了 一種根據多個閾值識別圖像中每個對象的方法， 該方法包括以下步驟(a)基于像素的一系列屬性值來分類像素， 其中， 一系列屬性值對應于多個閾值；(b)從一系列屬性值中的極 點開始，將像素逐一添加到標記圖像來創建新對象或更新舊對象； (c)計算創建的新對象的特^正和更新的舊對象的特4i; (d) ^使創
建的新對象和更新的舊對象的計算的特4正與預定標準相比配；(e) 如果特征滿足驗收標準則將創建的新對象和更新的舊對象輸出到 輸出圖像上；以及(f)重復執行步驟b至e直至達到停止點，從下 列中的任一項中選擇停止點 一系列值中的另一極點，表示一系列 屬性值中的背景像素值的點，或者表示與新對象和更新的舊對象無 關的像素值的點。
圖1示出了疊加到細胞組中的細胞上的亮度"等值線圖"。圖2示出了根據本發明一個實施例的圖像分割算法的步驟。圖3a-3n共同示出了根據本發明一個實施例的將像素添加到標 記圖^f象中期間的處理。圖4示出了根據本發明優選實施例的圖像分割算法的步驟。圖5描述了根據本發明 一 個實施例的在五個不同閾值的圖像中 的多個對象的生長。圖6示出了根據本發明一個實施例的顯示在不同闊值處定位的 對象的輸出圖像，其中，僅保存對象的最好狀態。
具體實施方式
雖然在優選實施例中示出并描繪了本發明，但可以多種不同配 置應用和制造本發明。在附圖中描述、并且將在此詳細描述本發明 的優選實施例，應當理解，本公開被認為是本發明原理的范例和對 其構造的相關的功能說明，本發明不限于所示出的實施例。本領域 、技術人員可以想象在本發明范圍內的多個其他可能改變。
這里描述了用于識別數字二維圖像中的對象邊界的改進的自 動圖像分割技術。雖然這里描述的圖像分割技術識別細胞核，但技術本身可應用于識別#:字圖{象中的4壬一對象，例如，生物學應用中 的細胞質或組織結構，或者非生物學應用中的對象(例如，電路板 上的不同組件或者衛星圖^象上的人造和自然特;f正)。該4支術可延伸 到三維圖像，例如，由X射線、CAT (算機體層攝影術)掃描、或 MRI (磁共振成像)裝置生成的三維圖像。在這種三維圖像中的三 維像素元素被認為是"三維像素(voxel )"。三維像素的群集可三維 地表示器官或腫瘤。數字二維圖像可被認為是三維表面，其中，高度維表示每個像 素的灰度值(即，亮度)。在其表面的等值線圖(contour map)中， 可通過找到位于特定大小范圍內且是足夠圓以成為細月包核的等值 線，來完成識別細胞核。如果一個等值線包括在另一個之中，則應 選擇兩個中4交好的一個。圖1示出了疊加到細月包組中的細胞上的這樣的"等值線圖"。圖像上關注的對象是連續像素集。生成這些等值線(其等同于根據全部可能的閾值生成所有對 象)是數學上很復雜且耗時的工作。 一種自然的方法是根據每個閾 值簡單地分割圖像，標記對象，測量其特征，并保存具有最好特征 的對象，去除作為"較好，，對象的子集或超集的對象。該方法計算 量非常大。圖2示出了根據本發明一個實施例的圖像分割算法，其通過執 行下列步驟來識別圖像中發現的每個對象。首先，該算法基于圖像 的一系列屬性值來分類像素(步驟202)。然后，從一系列屬性值中 的極點開始，將分類的像素逐一添加到"標記圖像"來定位標記圖 像中的對象(步驟204 )。標記圖像是其中每個獨特對象的像素被分 配唯一值或"標記，，的圖像。同樣，用于開始值的極點可以位于一 系列屬性值的最低或最高端。可以基于但不限于諸如亮度、色調、 梯度等的屬性來分類像素。然后，將定位的對象的特征與預定標準 進行比較。如果對象與標準匹配，則算法將對象輸出到輸出圖像，如步驟206所示。也為圖像定義停止點。該停止點表示在一系列屬 性值中的點，在該點算法將停止重復執行步驟204和206 (步驟 208)。該4亭止點可以是在一系列屬性^直中的另一才及點。在一個實施 例中，該停止點是表示一系列屬性值中的背景像素值的點。在另一 實施例中，停止點是表示與被定位對象無關的像素值的點。圖4示出了根據本發明優選實施例的算法。在步驟402中，根 據圖像的一 系列屬性值來分類圖像中的像素。這一 系列屬性值對應 于圖像中的多個閾值。從所使用的屬性值的直方圖來確定閾值。可 以基于但不限于諸如亮度、色調、梯度等的屬性來分類像素。同樣， 可通過亮度、色調、梯度等來實現對直方圖的標記(indexing )。不 是以每個閾值來分割圖像，而是從一系列屬性值中的極點開始，將 分類的像素逐一添加到空白標記圖像，如步驟404所示，其中，在 該過程中創建新對象或者更新舊對象。如果添加的〗象素與已》文置在 標記圖像上的另一像素或對象(舊對象)不相鄰，則創建新對象(見 圖3a、 3b、和3e)。如果添加的像素與舊像素相鄰，則使像素與舊 對象相結合以更新舊對象(見圖3c、 3d、 3f、 3g、 3h、 3i、 3j、 3k、 3m、和3n)。此外，如果添加的^f象素連接兩個舊對象，則更新兩個 舊對象并合并為一個對象(見圖31)。在步驟406中，計算這些新 的或更新的對象的特4正。然后，在步驟408中，4吏這些特征與預定 的驗收標準相匹配。在步驟410，如果存在匹配(即，滿足驗收標 準)，則將新的或更新的對象(表示定位的細胞核)輸出到輸出圖 像上。算法重復執行步驟404-410,直至達到停止點(步驟412)。 應當注意，在處理閾值(即，屬性值)期間的任意時刻都可以將對 象輸出到輸出圖像。此外，該停止點可以是在一系列屬性值中的另 一極點。在一個實施例中，該停止點是表示一系列屬性值中背景像 素值的點。在另一實施例中，停止點是表示與被定位對象無關的像 素值的點。算法跟蹤在上述步驟中創建或更新的對象以及其特征。對象也被分配標記(例如，見圖3a和圖3b)。無論何時添加了接觸現存對 象的^f象素，則為其分配該對象的標記，并更新該對象的特征以反應 新^象素的添加(例如，見圖3d和圖3g)。當添加了連接兩個對象的 -像素時，這兩個對象的標i己和特征融合成一個(例如，見圖31)。 圖3a-3n示出了如何將多個像素逐次添加到原始空白掩才莫/標記圖像 中，并且如何根據需要將標記分配給每個像素。由于設計算法的方式，在特定閾值的條件下，在處理圖像期間 的任何給定時間存在圖像掩模的記錄，以及在那個特定閾值處找到 的所有對象的標記和特征的記錄。但是，不是為每個閾值重新生成 那些數據，算法建立于前一閾值的數據上。這大大提高了算法的效率。在本發明的 一 個實施例中，只有在當前閾值計算的對象的當前特4i比其在所有先前閾^i計算的特4i與-驗收標準更好的匹配時，才 將對象輸出到輸出圖像。為了確定更好的匹配，使用來自前一最好 匹配的數據。為了計算在所有閾值處的所有對象中與驗收標準最匹配的對象的最佳集，4吏用凈皮稱作動態身見劃(dynamic programming ) 的方法。規劃(program)—次一個地穿過閾值，保存可僅使用迄今為 止定位到的對象形成的對象的最佳集的軌跡。每個對象都"記得，， 其迄今為止獲得的最好狀態。圖5描繪了在五個不同閾值的圖像中 的對象的生長。在一個閾值處分離的單個對象可在另一閾值處相 連。圖中的每個對象都"指向"其前一最好狀態。沒有箭頭的對象 指向其自身(未示出)。這意味著，這些對象的當前狀態比其先前 狀態中的任一個都好。因此，對象的新狀態僅需與其箭頭所指的狀 態相比較，這是因為該狀態表示迄今為止獲得的最好狀態。如果在
給定閾值融合兩個對象，則新融合的對象的箭頭指向形成融合對象 的兩個只于象中更好的一個。在通過每個閾值時，規劃保存包含來自迄今為止形成的對象集 中的最好對象的輸出圖像。每當對象變為比先前記錄的最好狀態更好的新狀態時，則將更新的對象拉入輸出圖像中。圖6示出了當其 生長時的輸出圖像。首先，其包括來自第一閾值的對象。然后，其 包括來自第一和第二閾值的最好對象，然后來自前三個閾值的最好 對象等。最終的輸出圖像包括所有被標記為最好對象并且稍后不會 被更好的對象所排除的對象(與圖5比較)。因此，根據本算法的一個實施例，當對象與驗收標準相匹配時， 不是將對象直接輸出到輸出圖像，而是可以基于對象的當前狀態和 其多個狀態中的前一狀態之間的比較有條件地輸出。雖然文中描述的根據本發明的算法，基于諸如面積和周長的特 征來識別細胞核，并接受適合圓形度驗收標準(周長的平方除以面 積)的對象，^旦其他特征和標準可用于識別對象。 -瞼收標準可4十對 特定成像應用(生物或者非生物)進行調節。當基于除了圓形度以 外的標準來識別對象時，可代替地z使用其它特征。轉動慣量、偏心 率、較長和較短的橢圓軸、橢圓的最佳擬合、周圍像素的對比度、 灰度值或光學密度的平均值或標準偏差，以及紋理特征均為可容易 測量并用于指定最佳分割的-驗收標準的特征的一些其他實例。例 如，其他驗收標準也可以使用諸如大小、形狀、紋理、顏色、濃度、 對比度等。多個標準集可允許在同一時間定位單一圖像中不同類型 的只于象(例力口，細月包4亥、不同形習犬的細月包沖亥、細月包質、細月包沖亥或細 胞質的"內含物，，以及成組的細胞)。然而，應當理解，本發明不 限于4吏用這些特4正或-驗收標準。
如果周長的合理估計是所需的全部，則當將像素添加到對象時 更新該對象的周長測量值可以只4吏用四個與該^像素直4妻相鄰的傳_ 素來實現。因此，每次"放置"像素，則只需檢查該像素和其四個 最近的相鄰1象素來確定應當如4可更新對象特4正。影響了多于這四個 相鄰<象素的唯一情況是當融合兩個對象且兩個中的 一個必須#皮分 配另一個的標記時。然而，融合過程中的最優化使算法的運行時間 接近與像素數量成線性比例的運行時間。因此，該周長測量值顯示了可以如何從先前對象計算對象特;f正，即，其顯示了算法建立于來 自前一閾值的數據并增加了算法的效率。作為另一實施例，橢圓率(測量的對象與由轉動慣量矩陣限定 的橢圓進行比較)可用作識別細胞核的特征。基于橢圓率的分割可 使分割結果變得更好，這是因為其可以從不規則形狀的人造物品中 識別4i長的細力包核。因此，可以看出，本發明的算法提供了多種改進減少用于分 割圖^f象的處理時間；消除壽4時的預處理以定位關注的潛在對象，然 后建立關注區域以在第二過程中更精確地限定對象，處理具有不同 暗度和對比度的圖像以最小化錯誤否定情況，處理具有不正常群集 的圖像以最小化錯誤否定負情況，使用多個驗收標準同時識別單一 圖4象中的多個對象。應當注意，本發明的算法不同于其他 >布的迭代圖〗象分析才支 術，例如，區域生長算法和活動輪廓(也稱作"snake")。區域生長 算法通過首先將圖像劃分為多個單獨區域(單個像素、小的像素組、 具有相同灰度級的相鄰像素等)來執行。接下來，通過使其與和其 接觸并具有相似特征的其他區域相融合來使像素"生長"。這通常 是迭代過程， 一旦沒有類似區域的更多融合可以被進行，則該過程 停止。該技術的目的在于使區域的最終集對應于被分割的對象。 在本發明的分割算法中，預先確定對象將要"生長"的方法 僅存在可以進行生長的一條路徑，并且算法簡單"觀察"當對象沿著3各徑4于進時變^^的^"象的特;f正。測量的^M正不影響下一次添加明卩 個像素或者融合哪個區域。在一次通過圖^f象之后，纟艮告在該路徑中 觀測的"最好對象"。在區域生長4支術中，區域的特;f正確定哪個區域;故生長或融合。 不是沿著線性路徑，而是區域生長技術類似于搜索具有多個分支的 樹。對象特征用于決定選取哪個分支。通常，構造穿過圖像的多條 通路，并報告區域的最終狀態。區域生長算法不存儲通過對象獲得 的最好狀態；相反，算法將不得不"備份"，以返回到較好狀態。也稱作"snake"的"活動輪廓"是重疊在圖像上的由多邊形或 者由參數方程表示的對象輪廓。在活動輪廓圖像分析技術中，這些 線"演化"以改善其自身形狀和與下層圖像的對應(correspondence )。 再次，這是在進一步演化不能改善輪廓時就終止的迭代過程。本發明對單個像素進行操作，并僅使用每個像素的直接相鄰像 素執行操作。在活動輪廓技術中，不是用像素而是用數學函數表示 輪廓。本算法與活動輪廓技術之間的區別與所提到的與區域生長技 術的區別相同。本發明算法不同于其他分割算法的關鍵區別在于其他算法包 括通過樹或圖來尋找最好路徑，使用對象特征來選擇下一次移動的 方向的迭代過程。有時當算法運4于時，這需要回溯，以《更以最好可 能結果結束。本算法遵循線性、預定路徑，經過并記住其路上的所 有"最好"對象。此外，本發明提供了一種包括計算4幾可讀程序代碼的產品，該 可讀程序代碼扭j亍一個或多個才莫塊以分割圖〗象和識別對象。此外，
本發明包括基于計算機程序代碼的產品，其為具有存儲于其中的程 序代碼的存儲介質，該代碼可用于指示計算4幾執^亍與本發明相關聯的任一方法。計算機存儲介質包括但不限于下列介質CD-ROM、 DVD、磁帶、光盤、硬盤驅動器、軟盤、鐵電體存儲器、閃存、鐵 磁存儲器、光存儲器、電荷耦合器件、磁卡或光卡、智能卡、 EEPROM、 EPROM、 RAM、 ROM、 DRAM、 SRAM、 SDRAM 、 或者任意其他適當靜態或動態存儲器或數據存儲裝置。在基于計算機程序代碼的產品中實現的是軟件模塊，用于a) 基于圖像的一系列屬性值來分類像素；b) 從一 系列屬性值中的極點開始將分類的像素逐一添加到標 記圖^f象，以定位標記圖Y象中的對象；c) 如果對象的特征與預定驗收標準相匹配，則將對象輸出到 車餘出圖^f象上；以及d) 重復執行步驟(b)和(c),直至達到停止點，所述停止點 表示在所述一 系列屬性值中的另 一極點。結論在上述實施例中示出了 一種用于改進的圖^f象分割方法的有效 實施的系統和方法。雖然已經示出和描述了各個優選實施例，但是 應當理解，本發明不限于這種公開，而是覆蓋落入所附權利要求限 定的、在本發明的精神和范圍內的全部更改。例如，本發明不限于 軟件/程序、計算環境、或特定計算硬件。此外，不應當由圖像類型 (生物學、非生物學、二維、或三維等)、圖像中閾值的數量、圖
像中將識別的對象類型、或者用于識別對象的特征和驗收標準來限 制本發明的算法。
權利要求
1.一種識別圖像中每個對象的方法，所述方法包括以下步驟a)基于所述圖像的一系列屬性值來對像素進行分類；b)從所述一系列屬性值中的極點開始，將所分類的像素逐一添加到標記圖像以在所述標記圖像中定位對象；c)如果所述對象的特征與預定的驗收標準相匹配，則將所述對象輸出到輸出圖像上；以及d)重復執行步驟b和c直至達到停止點，所述停止點表示在所述一系列屬性值中的另一極點。
2. 根據權利要求1所述的識別圖像中每個對象的方法，其中，基 于下列屬性值中的任一個來對所述像素進行分類亮度、色調、 或梯度。
3. 根據權利要求1所述的識別圖像中每個對象的方法，其中，通 過將像素逐一添加到標記圖像以創建新對象或更新的舊對象 來定位所述對象。
4. 根據權利要求3所述的識別圖像中每個對象的方法，其中，如 果所添加的像素與已放置在所述標記圖像上的另 一像素或對 象不相鄰，則創建所述新對象。
5. 根據權利要求3所述的識別圖像中每個對象的方法，其中，如 果所添加的 <象素與已存在的所述舊只于象相鄰，或者如果所添加 的像素連接已存在于所述圖像上的兩個舊對象，則創建所述更 新的舊對象。
6. 根據權利要求1所述的識別圖像中每個對象的方法，其中，為 所述對象分配標記，并且為每個添加的4象素更新所述標記。
7. 根據權利要求6所述的識別圖像中每個對象的方法，其中，所 述對象的所述標記建立于先前添加的^f象素的標記上。
8. 根據權利要求1所述的識別圖像中每個對象的方法，其中，從 先前添加像素時定位的對象的特征來計算所述對象的所述特 征。
9. 根據權利要求1所述的識別圖像中每個對象的方法，其中，只 有在添加所述分類的^象素時計算的所述對象的特;f正比為所有 先前添加的^象素計算的所述對象的特征更匹配所述^驗收標準 時，才將所述對象輸出到所述輸出圖像。
10. 根據權利要求1所述的識別圖像中每個對象的方法，其中，對 生物學或非生物學應用中的二維或三維圖〗象執行所述方法。
11. 根據權利要求10所述的識別圖像中每個對象的方法，其中， 所述生物學應用中的所述對象是下列中的任一項細胞、細胞 核、細月包質、細力包核或細月包質的內含物、集群細月包、或者在通 過諸如X射線、CAT掃描、或》茲共振成<象的成<象裝置生成的 圖4象中的對象。
12. 根據權利要求IO所述的識別圖像中每個對象的方法，其中， 所述非生物學應用中的所述對象為下列中的4壬一項電路才反上 的組件、或衛星圖i象中的人造或自然物。
13， 根據權利要求1所述的識別圖像中每個對象的方法，其中，所 述特征是下列中的任一項周長、面積、對象轉動慣量、偏心 率、橢圓軸、橢圓的最佳擬合、對比度、灰度值、光學密度平 均值、標準偏差、或紋理。
14. 根據權利要求1所述的識別圖像中每個對象的方法，其中，所 述驗收標準是下列中的任一項大小、形狀、紋理、顏色、或密度。
15. 根據權利要求1所述的識別圖像中每個對象的方法，其中，所 述方法4吏用多種-驗收標準，以同時識別所述圖<象中不同種類的 對象。
16. 根據權利要求1所述的識別圖像中每個對象的方法，其中，所 述停止點是表示所述一系列屬性值中的背景^f象素值的點，或者 是表示與所述被定位的對象無關的像素值的點。
17. —種包括其中含有用于識別圖像中每個對象的計算機可讀程 序代碼的計算機可讀介質的產品，所述介質包括基于所述圖像的 一 系列屬性值來分類像素的計算機可讀 程序代碼；從所述一系列屬性值中的極點開始，將所分類的像素逐 一添加到標記圖像以定位所述標記圖像中的對象的計算機可 讀程序代碼；如果所述對象的特征與預定的收標準相匹配，則將所 述對象輸出到輸出圖像上的計算機可讀程序代碼；以及重復執4于步驟b和c直至達到4亭止點的計算才幾可讀程序代 碼，其中，所述停止點表示所述一系列屬性值中的另一極點。
18. 根據權利要求17所述的包括其中含有用于識別圖像中的每個 對象的計算4幾可讀程序代碼的計算才幾可讀介質的產品，其中， 所述停止點是表示所述一系列屬性值中的背景像素值的點，或 者是表示與所述被定位的對象無關的像素值的點。
19. 一種用于根據多個閾值識別圖像中每個對象的方法，所述方法 包4舌以下步驟a) 基于所述像素的一 系列屬性值來對所述圖像中的像素 進行分類，其中，所述一系列屬性值對應于所述多個閾值；b) 從所述一系列屬性值中的極點開始，將像素逐一添加 到標記圖像以創建新對象或更新舊對象；c) 計算所述創建的新對象和所述更新的舊對象的特征；d ) 4吏所述創建的新對象和所述更新的舊對象的所述計算 的特征與預定標準相比配；e) 如果所述特征滿足驗收標準，則將所述創建的新對象 和所述更新的舊對象輸出到輸出圖像上；以及f) 重復"^丸行步驟b至e直至達到停止點，所述停止點選 自下列中任一項所述一系列值中的另一極點、表示所述一系 列屬性值中的背景像素值的點、或者表示與所述新對象和所述 更新的舊對象無關的<象素值的點。
20. 根據權利要求19所述的用于根據多個闊值識別圖像中每個對 象的方法，其中，基于下列屬性值中的任一個來對所述像素進 行分類亮度、色調、或梯度。
21. 根據權利要求19所述的用于根據多個閾值識別圖像中每個對 象的方法，其中，從使用亮度、色調、或梯度的所述屬性值標 記的直方圖中確定所述多個閾值。
22. 根據權利要求19所述的用于根據多個閾值識別圖像中每個對 象的方法，其中，如果所添加的像素與已放置在所述標記圖像 上的另一^f象素或對象不相鄰，則創建所述新對象。
23. 根據權利要求19所述的用于根據多個閾值識別圖像中每個對 象的方法，其中，如果所添加的像素與已存在的所述舊對象相 鄰，或者如果所添加的像素連接所述舊對象中的任一個，則創 建所述更新的舊對象。
24. 根據權利要求19所述的用于才艮據多個閾值識別圖像中每個對 象的方法，其中，對生物學或非生物學應用中的二維或三維圖 i象才丸^于所述方法。
25. 根據權利要求24所述的用于根據多個閾值識別圖像中每個對 象的方法，其中，在所述生物學應用中的所述對象是下列中任 一項細月包、細胞^亥、細月包質、細月包4亥或細月包質的內含物、集 群細胞、或者在通過諸如X射線、CAT掃描、或》茲共振成寸象 的成像裝置生成的圖像中的對象。
26. 根據權利要求24所述的用于才艮據多個閾值識別圖像中每個對 象的方法，其中，在所述非生物學應用中的所述對象為下列中 任一項電路板上的組件、或者衛星圖〗象上的人造或自然物。
27. 根據權利要求19所述的用于根據多個闊值識別圖像中每個對 象的方法，其中，所述特征是下列中的任一項周長、面積、 對象轉動慣量、偏心率、橢圓軸、橢圓的最佳擬合、對比度、 灰度值、光學密度平均值、標準偏差、或紋理。
28. 根據權利要求19所述的用于根據多個閾值識別圖像中每個對 象的方法，其中，所述驗收標準是下列中的任一項大小、形 狀、紋理、顏色、或密度。
29. 根據權利要求19所述的用于根據多個闊值識別圖像中每個對 象的方法，其中，所述方法l吏用多種-驗收標準，以同時識別所 述圖像中不同種類的對象。
30. 根據權利要求19所述的用于根據多個閾值識別圖像中每個對 象的方法，其中，為所述創建的新對象和所述更新的舊對象分 酉己標i己，并且為每個添加的4象素更新所述標i己。
31. 根據權利要求30所述的用于根據多個閾值識別圖像中每個對 象的方法，其中，所述標記建立于先前添加的^f象素的標記上。
32. 根據權利要求19所述的用于根據多個閾值下識別圖像中每個 對象的方法，其中，從先前添加^^素時定位的對象的特征來計 算所述創建的新對象和所述更新的舊對象的所述特征。
33. 根據權利要求19所述的用于根據多個閾值識別圖像中每個對 象的方法，其中，只有當添加所述分類的像素時計算的所述更 新的舊對象的特征比為所有先前添加的素計算的所述更新 的舊對象的特征更匹配所述驗收標準時，才將所述更新的舊對 象輸出到所述輸出圖像。
全文摘要
提供了一種改進的圖像分割算法，用于識別圖像中的每個對象。基于一系列圖像的屬性值來分類圖像的像素。然后，從一系列屬性值的極點開始將這些像素逐一添加到標記圖像。計算每個定位的對象的特征，并將這些特征與預定的驗收標準相匹配。如果存在匹配，則將對象輸出到輸出圖像。重復將像素添加到圖像的步驟、估計所生成的對象的特征的步驟、以及輸出對象的步驟，直至達到停止點。
文檔編號G06T5/00GK101103373SQ200680002019
公開日2008年1月9日 申請日期2006年1月10日 優先權日2005年1月10日
發明者邁克爾·扎赫尼塞爾 申請人:西泰克公司