见，得到了较好的粘连细胞图像分割结果。
[0055] 在该实施例中，由于预先通过第一变换图或第二变换图获取前景标记、并对第二 变换图进行分水岭变换获取背景标记，再用前景标记和背景标记来修正待分割图像的梯度 图像，最后对该修正后的梯度图像进行分水岭变换，得到图像分割结果，所以既保留了对梯 度图像进行分水岭变换，能有效定位目标物体边缘，分割出目标物体完整轮廓的优点，又能 通过前景标记和背景标记区分粘连区域无明显边界的目标，使得不会出现欠分割和过分割 的现象，提高了细胞分割的精度。
[0056] 为验证该实施例粘连细胞图像分割方法的有效性，在CPU为Pentum双核，主频为 2.7GHz，存储器为2G RAM，操作系统为Windows XP的计算机上，采用Matlab 2011a进行血 液细胞图像分割的仿真实验如下：
[0057] 实验一：在如图8 (a)所示的两个细胞轻微粘连的情况下，分别执行基于距离变换 分水岭算法的细胞图像分割方法和本实施例的基于修正梯度图像和分水岭算法的图像分 割方法，可分别得到如图8(b)、8 (c)所示的分割结果。参见图8(b)、8 (c)可知，前者的细胞 轮廓，是通过分割线生硬的划分所得，而本实施例的轮廓，是对梯度图像进行分水岭变换所 得，该轮廓封闭自然，更符合细胞形状近圆的特点。
[0058] 实验二：在如图9 (a)所示的多细胞粘连且粘连区域比较大的复杂情况下，分别执 行基于距离变换分水岭算法的细胞图像分割方法、基于特征标记点梯度图像分水岭算法的 细胞图像分割方法和本实施例的基于修正梯度图像和分水岭算法的图像分割方法，可分别 得到如图9(b)、9(c)、9(d)所示的分割结果。参见图9(a)、9(b)可知，基于距离变换分水岭 算法的细胞图像分割方法未能将9 (a)中间部位粘连的多个细胞分离开，出现欠分割现象。 参见图9 (a)、9 (c)可知，基于特征标记点梯度图像分水岭算法的细胞图像分割方法，将右 上角的细胞分割成两个细胞，但靠右的细胞边缘出现过分割现象，且中间多个粘连的细胞 中有一细胞与背景混淆，从分割结果中消失出现欠分割现象。参见图9(a)、9(d)可知，本实 施例的基于修正梯度图像和分水岭算法的图像分割方法成功分割出所有粘连细胞，且未出 现过分割现象。
[0059] 实验三：在如图10 (a)所示的大小为949*634像素的细胞样本图上执行本实施例 的基于修正梯度图像和分水岭算法的图像分割方法，能将血小板和边界的细胞有效去除， 其分割结果如图10(b)所示。其中实际红细胞个数为180,实验所得红细胞计数为180,仅 有2处血小板与红细胞粘连未分离开，且所需时间仅为2S。
[0060] 综合以上3个对比试验，可有效验证本实施例基于修正梯度图像和分水岭算法的 图像分割方法的精确性和快速性。该图像分割方法还可以适用于分割其它粘连的目标。
[0061] 优选的，如图11所示，步骤SlOO包括：
[0062] SllO :利用Sobel边缘算子，对待分割图像进行水平方向和垂直方向的滤波。
[0063] S120 :求取模值，获取待分割图像的梯度图像，如图3所示。
[0064] 具体的，该Sobel边缘算子具体为，
[0065] S (i, j) = I A jf (i, j) + Δ jf (i, j)
[0066] A xf (i, j) = f (i+1, j-1) +2f (i+1, j) +f (i+1, j+1)
[0067] -f (i-1, j-l)-2f (i-1, j)-f (i-1, j+1)
[0068] A sf (i, j) = f (i-1, j+1) +2f (i, j+1) +f (i+1, j+1)
[0069] -f (i-1, j-l)-2f (i, j-1)-f (i+1, j-1)
[0070] 其中，i为图像像素横坐标，j为图像像素纵坐标，f(i，j)为坐标为（i，j)的灰度 值，Λ if (i，j)为横坐标上的计算模板，Λ .jf (i，j)为纵坐标上的计算模板，S(i，j)为梯度 图像（i，j)点的数值。
[0071] 优选的，如图12所示，步骤S200包括：
[0072] S210 :对待分割图像进行二值化处理，获取待分割图像的二值化图像。
[0073] S220 :对二值化图像进行距离变换，获取待分割图像的距离变换图，其中第一变换 图为距离变换图。
[0074] 具体的，血细胞图像由背景、红细胞、白细胞和血小板四部分组成，背景和其他区 域灰度值差异大，较易区分。所以，通过对待分割的细胞样本图进行二值化处理，可将细胞 分割问题转换成前景和背景二分类问题。为了进一步区分两者，凸显出作为前景的细胞轮 廓，将对二值化图像执行距离变换，获取待分割图像的距离变换图，如图13所示，以将该二 值化图像转化为灰度图像，用灰度值表示每个像素与距离最近的背景间的距离。优选的，步 骤S210,二值化处理，可具体为通过自适应阈值分割方法得到二值化图像。步骤S220,距离 变换可选欧式距离变换、非欧式距离变换，及现有技术中其它距离变换方式。更为优选的， 步骤S220采用下列欧式距离变换算法，公式为：
[0075]
[0076] (Ii j = min {D E [ (i, j), (x, y) ], (x, y) e B} (2)
[0077] 其中，MXN表示一个二值化图像，具体用Amxn= [a^]表示，i = 1，2, 3, "'IVUj = 1，2,3, "·，Ν，其中alj= 0的像素对应背景点，alj= 1的像素对应目标点，B = {(x，y) Ialj =〇}为背景像素集合，F= {(x，y) Ialj= 1}为目标像素集合，DeS (x，y)点到目标点（i， j)的欧式距离，牝为（x，y)点到目标点（i，j)的欧式距离最小值，即距离变换图中（i，j) 点的数值。
[0078] 在上述公式中，公式（1)先求取所有满足条件的点到（i，j)的欧式距离，再由公式 (2)选取所有值的最小点，即距离变换图中（i，j)点的数值
[0079] 在此基础上，步骤S300,包括：对距离变换图进行转换，获取待分割图像的距离地 形图，其中第二变换图为距离地形图，如图14所示。
[0080] 具体的，根据距离变换图，获取待分割图像的距离地形图的公式为：
[0081] IDlst(i，j) = 255-牝
[0082] 其中，屯为（x，y)点到目标点（i，j)的欧式距离最小值，即距离变换图中（i，j) 点的数值，I Dlst(i，j)为距离地形图中（i，j)点的数值。
[0083] 步骤S400,包括：提取距离变换图中每个连通区域中的灰度值最大的一点或点 集，作为前景标记；或提取距离地形图中每个连通区域的灰度值最小的一点或点集，作为前 景标记，如图4所示。
[0084] 优选的，步骤S500,包括：对距离地形图进行分水岭变换，将得到的分水岭脊线作 为背景标记，如图5所示。
[0085] 优选的，如图15所示，步骤S600，包括：
[0086] S610 :合并前景标记和背景标记，得到待分割图像的标记图。
[0087] S620 :屏蔽梯度图像中的局部极小值，根据标记图强制标记梯度图像的局部极小 值，得到修正后的梯度图像。
[0088] 具体的，步骤S610中，合并先前获得的前景标记和背景标记，得到待分割图像的 标记图，如图16所示。再通过形态学腐蚀操作，屏蔽梯度图像中的局部极小值，并利用强 制极值点H-mini技术，通过标记图强制标记梯度图像的局部极小值，得到修正后的梯度图 像，得到具有前景标记和背景标记的修正后的梯度图像，如图6所示。
[0089] 在第二实施例中，如图17所示，还提供一种基于修正梯度图像和分水岭算法的图 像分割系统，包括：
[0090] 梯度图像生成模块100,用于获取待分割图像的梯度图像。
[0091] 距离变换模块200,用于对待分割图像进行距离变换，获取待分割图像的第一变换 图。
[0092] 转换模块300,用于对第一变换图进行转换，获取待分割图像的第二变换图。
[0093] 前景标记提取模块400,用于根据第一变换图或第二变换图提取待分割图像的前 景标记。
[0094] 背景标记提取模块500,用于对第二变换图进行分水岭变换，提取待分割图像的背 景标记。
[0095] 梯度图像修正模块600,用于根据前景标记和背景标记，修正梯度图像，以得到修 正后的梯度图像。
[