[发明专利]基于分水岭算法和最小生成树的分布均匀性评估方法

权利要求书

1.一种基于分水岭算法和最小生成树的分布均匀性评估方法，其特征在于，包括以下步骤：

(1)对图像进行灰度处理，并进行中值滤波，得到滤波后的图像；

(2)对所述滤波后的图像使用OTSU大津法，得到二值化图像；

(3)对所述二值化处理进行形态学运算，得到特征标记图像；

(4)利用分水岭算法对所述特征标记图像进行变换，得到分割后的图像；

(5)计算所述分割后的图像中分割区域的质心及质心距离组成的邻接矩阵；

(6)利用Prim算法，获得最小生成树；

(7)基于最小生成树分析图像中颗粒或斑点的分布均匀性。

2.根据权利要求1所述的基于分水岭算法和最小生成树的分布均匀性算法，其特征在于，步骤(1)中的中值滤波包括以下步骤：

(11)选择sobel算子，对灰度处理后的图像进行水平和垂直方向的滤波；

(12)计算模值。

3.根据权利要求1所述的基于分水岭算法和最小生成树的分布均匀性评估方法，其特征在于，步骤(3)中的形态学运算包括以下步骤；

(31)将二值化后的图像中连通域中的孔洞的填补起来；

(32)对二值化图像中边界处的像素，进行删除操作；

(33)删除图像中明显小于颗粒或斑点特征尺寸的分割区域。

4.根据权利要求1所述的基于分水岭算法和最小生成树的分布均匀性评估方法，其特征在于，步骤(4)中的分水岭变换算法，是以二值化图像中像素点的欧拉距离作为判断标准。

5.根据权利要求1所述的基于分水岭算法和最小生成树的分布均匀性评估方法，其特征在于，步骤(5)中的计算分割区域的质心及质心距离组成的邻接矩阵，包括以下步骤：

(51)利用边界识别，将所述分割区域识别出来，计算所述分割区域的边界像素点的坐标值，并计算所述分割区域的质心坐标；

(52)计算分割区域的质心之间的欧拉距离，构成质心距离组成的邻接矩阵；

(53)将每个分割区域的质心对应于其他分割区域的质心的距离进行排序，提取前60-200个的有效距离，并根据排序后的索引，重新排列所述质心距离组成的邻接矩阵中的顺序。

6.根据权利要求1所述的基于分水岭算法和最小生成树的分布均匀性评估方法，其特征在于，步骤(6)中的Prim的算法，是基于步骤(5)中计算得出的质心距离组成的邻接矩阵而实现的。

7.根据权利要求1所述的基于分水岭算法和最小生成树的分布均匀性评估方法，其特征在于，步骤(6)中的利用Prim算法，获得最小生成树的方法包括以下步骤：

(61)获取质心距离组成的邻接矩阵中的边的信息，将边的大小作为权重重新排序；

(62)按照权重从小到大开始提取边的信息，并将边的顶点收入新的点集中，确保每次提取的边都为最小权重的边；

(63)检查新的点集与分水岭分割后计算获得的质心点集之间的关系，当新的点集与质心点集完全相同，且这些边没有重复计算，顶点没有重复时，获得最小生成树，所述最小生成树是指遍历所有颗粒或斑点但不为环的最短路径。

8.根据权利要求1所述的基于分水岭算法和最小生成树的分布均匀性评估方法，其特征在于，步骤(7)中的基于最小生成树分析图像中颗粒或斑点的分布均匀性，包含以下步骤：

(71)计算最小生成树的平均路径长度以及标准差，从而计算最小生成树的变异系数值，作为评估分布均匀性的稳定性的指标，所述变异系数为所述平均路径长度与所述标准差的比值。

9.根据权利要求1所述的基于分水岭算法和最小生成树的分布均匀性评估方法，其特征在于，步骤(7)中的基于最小生成树分析图像中颗粒或斑点的分布均匀性，包含以下步骤：

(72)计算最小生成树的边的权重与完美均匀分布下的权重之间的比值R_i：

Ri=e1iepi]]>

其中e_1i为最小生成树中的第i条边的权值，e_pi为完美均匀分布下第i条边的权值；

(73)计算R_i的均值μ_r、标准差σ_r与变异系数COV_r，所述变异系数COVr是指均值μ_r与标准差σ_r的比值。