[发明专利]基于空间自相关性和分水岭算法的聚类评估方法

说明书

技术领域

本发明涉及一种分布图像疏密性评估方法，特别地涉及一种基于分水岭算法和空间自相关性的聚类评估算法，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疏密性评估分析。

背景技术

疏密性是图像分析、金相检测与颗粒分布检测等检测手段中不可缺少的重要环节，它是研究图像中目标物体在整体区域中的聚集或分散行为，及其分散或聚集程度的一个重要指标。通过将分布图像转化为二值化图像，将图像中的目标区域转变为二值化图像中的连通域，对连通域及其相关的位置、距离分布，可以较为准确和方便的分析分布行为的疏密性。

图像疏密性评估，通过作为对图像中目标物分散或聚集行为的偏向性和方向性的评估手段而存在，其分析的结果对了解目标在空间方向上分布的行为，以及这些行为产生的原因有重要意义。主流的聚类分析或者群集分析，是把相似的对象通过静态分类的方法分为不同的组别或者更多的子集。类似的子集都具有相似的一些属性，如空间距离等。常规的聚类分析，如K-means算法(MacQueen J.Some methods for classification and analysis of multivariate observations[C]//Proceedings of the fifth Berkeley symposium on mathematical statistics and probabil ity.1967,1(281-297):14.)，是以空间中的k个点作为输入，将这k个点作为中心进行聚类分析，按照点与点之间的距离作为特征，将总体的其他点划分为k个点中不同的聚类子集。该算法最大的优势在于简洁和快速，但其应用范围很狭窄，对很多结果不能很好的吻合，且聚类分析的结果对输入的k个点的选择要求非常高。

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供一种基于分水岭算法和空间自相关性的聚类评估方法。

通常的聚类算法，首先要给予程序几个初始的聚集点，这些聚集点可以是随机给也可以是按照肉眼所见的密集区域的点的坐标给。初始点不同，效果不同。初始点如果本身就是肉眼所见的较密集的区域，则聚类算法处理后对整体分布的把握更大，初始点随机给出，则可能造成计算量过大，分析效果不佳。一般如果不是随机给出，则算法的智能性较差。

空间自相关性分析，是指一些变量在同一个分布区域内的观测数据之间存在潜在的互相依赖性、空间的相互作用与扩散现象。空间相关作用是指一个地方发生的现象会影响其他与之相关的位置的结果，这种结果一般与距离和方向有关。

由于目标分布的聚集和分散的行为，与它们在整体区域中所占据的分水岭分割后的多边形区域的面积(Meyer F,Beucher S.Morphological segmentation[J].Journal of visual communication and image representation,1990,1(1):21-46.)密切相关，越密集的区域，其多边形面积越小，越分散的区域，多边形面积越大，因此，衡量多边形面积的大小，可以作为空间自相关性分析的一个重要参量，用以评估目标的分散或聚集行为。

Moran提出了局部Moran’s I指标(Moran P A P.The interpretation of statistical maps[J].Journal of the Royal Statistical Society.Series B(Methodological),1948,10(2):243-251.)可用来衡量同一区域的不同子区域在某个参量上的相互关系。Moran’s I大于0，则正相关；小于0，则负相关；等于0，表示不相关。且通过对参量及邻接矩阵的分析，可以将图像的分布划分为不同聚集或分散状态的区域，对了解图像的分布的状态和疏密程度都具有较高的价值，可操作性很高。

因此，聚类评估转变为解决以下问题：如何将分水岭算法对图像的分割，以及分割后的多边形区域的面积计算，和空间自相关性中邻接矩阵的处理，局部Moran’s I指标结合起来，分析图像中的分散或聚集行为以及它们的程度，以及如何利用这些参数对图像中分布的疏密程度进行评估。