[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

说明书

技术领域

本发明涉及一种分布图像均匀性评估方法，特别地涉及一种基于分水岭算法和最小生成树的分布均匀性评估算法，可用于包括微纳米颗粒分布、金相分析、缺陷检测分布及细胞生物形态分布的均匀性评估分析。

背景技术

均匀性分析是图像分析和金相检测等分布检测手段的重要环节，它是研究图像中目标物体在整体区域上分布的均匀程度的一个指标。通过将这些分布图像中的目标物体转变或定义为二值化的连通区域，或者是质心坐标信息，可以准确分析分布的均匀性和均匀度。

图像均匀性评估通常作为对图像中目标物分散效果的评估手段而存在的，其分析的结果直接影响到后续分析工作的进行。主流的均匀性分析，大多是建立在将图像中的目标物体定义为质心点或者质心区域而进行的。

主流的图像均匀性评估方法有：

网格计数法，克里斯琴森对喷灌均匀度提出了一个用均匀系数来描述喷灌水量的均匀性的方法，其公式给予不同的物理意义，具体做法是将图像均匀分割，计算每个网格的计数，或者观察随机视域进行定量计算。截距法是对待分析的图像拍摄多张照片，利用网格模板，对颗粒的间距进行测定。面积法与网格计数法相似，求出均匀网格内或随机视域内颗粒的面积分数；

区域法，即voronoi图法，将分布图中的每个目标物体定义为二维空间的一个点，在任意两个相邻点之间做垂直平分线，可将图像分割为多个区域，每个区域中包含一个目标。通过分析这些区域的变长，面积等信息，对均匀度进行评估。

这些评估分析方法，由于并没有考虑实际目标物体的大小，因而在简化处理时，其分割容易切割到实际目标物体，造成无效的区域划分，且由于大多数方法，都只考虑了局部区域的目标数目与均匀度之间的关系，并没有深入研究目标之间的距离这一核心指标对均匀度分析的重要性，因此，这些方法的准确性不高。

发明内容

针对现有技术中存在的不足，本发明的目的在于提出一种分布均匀性评估方法，既能够保证图像分割的准确性，且时间复杂度低，效率高，对分布均匀性的评估更准确。

图论中的最小生成树算法，是在一个给定的无向图中，以顶点和顶点之间的连线为加权的边，寻找最短路径的方法。

在图像分布中，顶点即为基于分水岭划分后包含目标物的多边形区域的质心，而加权的边则为各质心之间的距离，通过计算最小生成树算法，可以寻找到不同顶点所代表的不同目标之间距离的最短路径。该最短路径遍历了分布图像中的所有颗粒或斑点，因此可以有效的表征目标之间的距离和目标与整体分布之间的关系。

基于分水岭算法和最小生成树的分布均匀性评估算法，其最小生成树使用Prim算法，将分水岭算法对图像分割后得到的区域质心作为Prim算法中的顶点，将各区域质心之间的距离，作为Prim算法中的边的子集。质心距离的大小，则为Prim算法中边的权重，通过对这些距离进行重排，寻找到可以遍历所有颗粒或斑点的最短路径，并根据其路径的值，对分布均匀性进行评估。

该方法能够保证对目标物的图像分割的准确性，且时间复杂度低，效率高，对分布均匀性的评估更准确。

Prim算法为最小生成树的算法之一，Prim算法最早是由罗伯特·普里姆发现的(Prim R C.Shortest connection networks and some generalizations[J].Bell system technical journal,1957,36(6):1389-1401)。该方法作为贪心算法的一种，其计算的效率和时间复杂度都要远远优于其他评估方法。由于基于分水岭算法(Meyer F,Beucher S.Morphological segmentation[J].Journal of visual communication and image representation,1990,1(1):21-46.)在对图像进行分割时，考虑了实际目标物体的大小对分割的影响，因此Prim算法在计算分布图像中目标之间的最短路径时更加接近实际的情况。

因此，如何将分水岭算法对图像的分割，以及对分布图像中目标所属区域的质心的计算，与Prim算法中对这些距离的加权结合起来，以及如何将这两者结合后计算出的结果应用于对图像分布的均匀性评估，即成为需要我们解决的问题。