感兴趣区域提取方法的研究

对象数据库，直到现在的 XML 数据库，本文提出基于 XML 的关系型数据库的存储方法是介于 XML 数据库和关系型数 据库之间，该方法充分利用了两者的优势。目前有许多研究 者正在从事基于关系数据库系统处理 XML 数据（即 XML— enabled 数据库系统）以及以 XML 文档发布关系数据的研究 工作。该工作具有很大的挑战性和应用价值。特别是，本论 文研究的对象是有关马铃薯的生物数据，特别是马铃薯晚疫 病的数据，并对该数据进行数据挖掘和分析，目前国内还没 有相关的报道和研究，国外有相关的研究，但是都尚实行会 员制，具有很大的局限性。因此本论文提出的构建马铃薯生 物信息学平台和 XML 在该平台中的应用，都具有很大的研究 前景和应用价值，对生物信息学的发展和马铃薯的相关疾病 的研究都有重大的意义。
…………………………； } } SqlCommand inst=new SqlCommand（@strInsert[i]， start.myConnection）； inst.ExecuteNonQuery（）；
4 结束语
XML 已经受到了普遍的关注，同时由于数据库技术的不 断发展，由层次数据库、网状数据库、关系型数据库、面向
E（ x） =PC（x） ∑ An n
（2）
式中，E（x）为位置 x 处的局部能量，An 为傅里叶变换
各分量幅度，PC（x）为位置 x 处的相位一致性。
而局部能量由原信号与两个互为 Hilbert 变换的滤波器进
行卷积得到。因为考虑噪声的影响，本文采用 Kovesi 所提方
法，由式（2）得到位置 x 处的相位一致性。
检测进行初次分割结果，图 1（c）是再次应用基于边缘信息的
区域生长对图 1（b）分割结果，图 1（d）是对图 1（c）应用
基于边缘信息的区域生长面积形态特征分割的结果。
(a)原始图像
(b) 基于相位一致性的边缘检测
(c) 基于边缘信息的区域生长 (d)基于边缘信息的区域生长
图 1 图像分割的处理过程 （下转第 19 页）
参考文献
[1]万常选.XML 数据库技术[M].北京：清华大学出版社， 2005.1.1
[2]张成岗 贺福初.生物信息学方法与实践[M].北京：科学 出版社，2002.6
[3]王明诒等.生物信息学.北京：科学出版社[M]，2004.9 [4]赵国屏等.生物信息学.北京：科学出版社[M]，2002.4 [5] http：//www.ncbi.nlm.nih.gov/ 收稿日期：10 月 6 日 修改日期：11 月 7 日 作者简介：朱笑花（1980-），女，硕士研究生，研究方 向：信息处理、自动控制；张寿明，男，教授，硕士生导师， 研究方向：过程控制、信息处理。
∑ ∑ wo (x)[Eno (x) − To]
∑ ∑ PC（x）= o n
Ano (x) + ε
on
（3）
式中，Wo 和 To 分别是频率扩展和噪声补偿；Eno、Ano 分别为当前位置在方向 o、尺度 n 上的能量和幅值；[]表示如 果该符号中的值为正，则为其本身，其它为 0；ε为很小的正 常数，防止分母为 0。 3.2 基于边缘信息的区域生长
本论文借助于完全离散小波分解得到的大量子图像数据 作为均值移动算法的收敛数据，并对其收敛点，然后在基于 相位一致性的边缘检测，依据收敛点的信息结合边缘信息进 行区域生长的方法，而达到图像区域提取和识别，然后应用 区域生长分割图像，将人们感兴趣区域“孤立”出来，而对 所“孤立”的区域形状进行特征描述。
·14·
计算机与信息技术
开发与应用
感兴趣区域提取方法的研究
薛联凤 刘云飞
（南京林业大学信息学院，江苏 南京 210037）
摘 要 感兴趣区域信息的提取和分析，对图像特征分析有着重要的作用，本论文借助于完全离散小波分解得到的大
量子图像数据作为均值移动算法的收敛数据，并对其收敛点。然后在基于相位一致性的边缘检测，依据收敛点的信息结合边 缘信息进行区域生长的方法，而达到图像区域提取和识别，将人们感兴趣的区域孤立出来，对所需区域进行形状描述、收集 信息和求取图像特征参数。实验表明，此方法有着较好的分割效果。
关键字 纹理图像；感兴趣区域；相位一致性；区域生长
1 引言
图像分割是把图像中互不相交、具有特殊涵义的区域区 分出来。每个区域内像素的属性满足一定的一致性，如灰度 值相近或纹理特征相似。图像分割是图像分析的关键步骤， 是一种低层次的计算机视觉技术。计算机视觉中的图像理解 包括目标检测、特征提取和模式识别等，都依赖于图像分割 的质量。尽管已经有了许多分割方法，但是到目前为止还不 存在一种通用的方法，同时也没有一个判断分割质量的标准， 因为它与人的主观认识有密切联系，被认为是计算机视觉处 理中的一个瓶颈技术。目前图像分割主要有以下三类方法： 一是阈值分割，它借助于图像的整体信息，如直方图来决定 阈值的选取；二是基于边界的分割，它主要借助于各种边界 算子对图像处理得到边界，然后再得到用户感兴趣的区域， 其主要问题是如何从得到的分散的边界组成闭合的边界，从而 得到待分割的区域；三是区域生长，寻找与用户输入种子点相 似属性的像素来得到一块区域，最简单的形式是从一个像素出 发，检查其邻域，判断是否与种子点具有相似的属性，若相似， 则加入当前区域，否则不添加，直至区域不再增长为止。
相似性准则的选择不仅取决于面对的问题，还取决于有 效图像数据的类型。在实际的图像处理中，单纯用一种方法 处理都得不到很好的效果，所以本文结合多种方法来处理特 殊的图像，基于边缘检测的区域生长。
3 基于边缘检测的区域生长
3.1 基于相位一致性的边缘检测 Morrone 等提出相位一致性（ PC：Phase Congruency）
取消了采样，这样得到一幅模糊图像和 15 幅细节图像，在细
节子图中以某一点为中心的小窗口中计算能量，在计算好能
量的特征图像中，取位于相同位置的 16 个特征构成一个像素
的特征矢量，再对特征矢量进行归类。能量的计算表示如下：
∑ ∑ E(x, y) = 1
x+w y+w
g( p, q) − m(x, y) 2
2 图像的预处理
2.1 均值移动算法 均值移动算法是一种基于密度梯度估计纹理簇的中心点
方法，可以处理无人监督的簇分类。均值移动算法是在特征空 间中移动样本点向平均值靠近，直到收敛到一个特定位置。该 位置被视为纹理中心点。对于任意一点以自己为圆心，对给定 半径区域内的点进行均值移动算法处理，以达到收敛的目的。
纹理图像的分析基于频率域特征的分析较为理想，结合
纹理的方向性和区域性特点，将纹理图像进行子波分解，一
个像素对应 4 个子波系数，这些子波系数体现了不同方向细
节，再分别将 4 个子波域块映射为能量特征图像。
设待分割的图像为 f（x，y），对图像进行四进制小波分
解，为了使滤波器组的各子带图像和原图像保持相同大小，
在实际应用区域生长方法时需要解决 3 个问题：选择或 确定一组能正确代表所需区域的种子像素；确定在生长过程 中能将相邻像素包括进来的准则；制定让生长过程停止的条
件或准则。应用相位一致性进行边缘检测，得到图像内各区
域的大体分布，可以利用代表各区域分布的边界信息自动获
得种子点，同时这些边界线还可以作为生长停止的约束条件
开发与应用
计算机与信息技术
·19·
if（start.state=="Open"） { string[] dirs = Directory.GetFiles（@dir.txtpath，"*.xml"）； for（int g=0；g<dirs.Length；g++） { try
{ clear（）； XmlDocument xmldoc=new XmlDocument（）； xmldoc.Load（dirs[g]）； XmlElement root = xmldoc.DocumentElement； for （int f=0；f<root.ChildNodes.Count；f++） { for （ int i=0 ； i<root.ChildNodes.Item
条件（a）说明分割必须是完全的：即，每个像素必须属 于一个区域，条件（b）要求区域中的点必须与某个预定义的 准则相联系，条件（c）说明不同区域必须是不相交的，条件 （d）涉及在分割区域内的像素必须满足的性质为在一定区域 像素值相同，条件（e）不同区域有着不同的像素值。 2.3 区域生长
通常根据所解决问题的性质而选择一个或多个起点，当 一先验信息无效时，这一过程将对每个像素计算相同的特性 值，最终，这个特性集在生长过程中用于将像素归属于某个 区域。如果这些计算的结果呈现了不同簇的值，则那些由于 自身的性质而处在这些簇中心附近的像素可以作为种子。
号的质心，所以利用 K-means 对这些性质相似的质心进行聚
类，获取种子点 (x0, y0 ) ， (x1, y1 ) ； （2）以 (x0, y0 ) 为某个区域的种子点，计算该种子点与
其四邻域像素（x，y）颜色距离，如果该距离小于阈值 T 且
生长还未到达该区域边界，则使其与该种子点标记相同，同
( ) 对应的特征相量是
x1, x2,...,x9
归一化方法为 ~xi
=
xk
max(
l =1,..,9
xl
)
，依
据上述的方法提取特征参数。根据这个收敛的数据的均值进 行区域生长。
2.2 区域生长的概念 区域生长是一种根据事前定义的准则将像素或子区域聚
合成为更大区域的过程。基本的处理方法是以一组“种子” 点开始将与种子性质相似（诸如灰度级或颜色的特定区域） 的相邻像素附加到生长区域的每个种子上。令 R 表示整幅图 像区域。图像分割即为 R 划分为 n 个子区域 R1，R2，R3，…， Rn 的过程：
时将（x，y）压入堆栈。
（3）从堆栈中取出 1 个像素，把它当作 (x0, y0 ) ，重复 步骤（2），直到堆栈为空时，该区域生长过程结束。
（4）逐个取出其它种子点按（2）～（3）步骤生长。阈
值 T 的选择则与种子点的选择有关。以每个感兴趣区域的种
子点为中心取 1 个小窗口，窗口的大小可调。分别计算窗口
n
（a） ∪ Ri = R
i=1
开发与应用
计算机与信息技术
·15·
（b） Ri是一个连通的区域，i = 1，2，...，n （c） Ri ∩ R = Φ, 对所有的i和j,i ≠ j （d） P(Ri) = Ture, 对于i = 1,2,..., n （e） P(Ri ∪ Rj) = False,对于i = j
（f）.ChildNodes.Count；i++） {
i（f root.ChildNodes.Item（f）.ChildNodes.Item（i）.Name== "INSDSeq_locus"）
str1=root.ChildNodes.Item （ f ） .ChildNodes.Item （i）.InnerText；
中像素点与中心像素点的颜色距离，统计最大颜色距离值和
方差，阈值则为最大颜色距离值与方差之差。最后用数学形
态学修补一些因未生长而产生的细小空洞。
4 实验结果和分析
本文算法在 Visual C++6.0 编程环境下实现。选取的处理
对象为竹材细胞的横界面，图 1（a）是成竹期毛竹秆茎维管束
横切面原始结晶图像，图 1（b）是应用基于相位一致性的边缘
(2w + 1) 2 q=x−w p= y−w
（1）
设任意一点（x，y）的像素值为 g（x，y），以该点为中
心取 2w +1 大小的窗口，利用公式（5.21）进行能量计算，
其中 m（x，y）是均值，这样对应原始图像一个点，得到 16
个分量图，为了消除不同的特征向量对下面分类的影响，再
对特征向量进行归一化处理。方法如下：设像素值点（i，j）
为生长过程提供潜在的区ቤተ መጻሕፍቲ ባይዱ模型。具体的生长过程如下：
（1）对应用相位一致性所检测到的边缘图像进行标记，
可根据式（4）计算标识为 l 的边界段的质心坐标（xl，yl），
并赋予其标号
∑ X l
=
1 X
n ( x, y)∈l
∑ Yl
=
1 Y
n ( x , y )∈l
（4）
由于提取边界的不连续，同一区域就会获得多个不同标
模型，阶跃、线、屋顶等各种边界特征类型甚至马赫带现象 都与傅立叶相位的一致性程度相对应。相位一致性定位准确， 与图像亮度或对比度的变化无关，且与人类视觉系统特征识 别的许多心理学解释一致，这些特性使其适用于特征变化较 大的自然彩色图像。相位一致性的计算非常复杂。Venkatesh 和 Owens 证明了局部能量等于傅里叶变换各分量幅度之和与 相位一致性的乘积，如式（2）所示：