西门子模块6ES7516-3UN00-0AB0安装调试

1 引言
分水岭算法具有准确分割、可以得到封闭的轮廓线、能够**定位图像边缘的特点，在图像分割中得到广泛应用[1,2,3]。由于分水岭算法对微弱边缘具有良好的响应，对复杂的超声图像进行分割时，往往会产生过分割的现象。针对这个问题，近年来提出了许多解决方法[4]，主要思路有两种：一种是图像前处理，即在图像分割前先对目标进行标记，标记方法可以是基于不相交集[5]，也可以是利用形态学极小值标定[6]。基于标记的方法分割结果准确，速度快，但分割效果的好坏依赖于标记的提取，需要大量的领域知识；另一种是图像后处理，即对分割后的结果通过一定的合并准则进行相邻区域的合并。fan等提出的基于颜色信息的彩色图像自动分割算法[7]，利用图像颜色信息进行分水岭分割，用区域生长的算法进行区域合并，在分割中仅仅考虑了图像的颜色信息，产生了较多错误的边界。
本文综合考虑彩色图像色度信息、边缘信息和区域邻接关系，提出了一种改进的分水岭分割算法。与以往的分水岭算法比较，改进算法定义了新的判断区域邻接关系的准则，将边缘信息加入到合并准则中，使得分割结果更加合理。

2 分水岭算法
分水岭算法是一种基于边缘的分割算法[8]，通过确定分水岭的位置而进行图像分割的，根据确定的分水岭位置，能够将图像用一组各自封闭的曲线分割成不同的区域。其基本思想是将图像看成是地形表面，设想在每一个区域极小值(低谷)处开一个小孔，将地形表面沉浸在水中。水从海拔低的低谷向上不断增高，当两个集水盆地将要交汇，就在要交汇处建起高达高表面高程的堤坝，此处堤坝就是分开盆地的分水岭线(如图1)。重复以上过程直到整个图像浸入水中，由分水岭所围合的区域就是分割区域。

图1 分水岭形成过程

分水岭算法是医学图像分割中一个常用的工具，对图像的灰度变化特别敏感，容易将有噪声引起的局部大值作为分水岭，造成过分割现象。

3 改进算法
    相关研究表明，融合多种信息更有利于取得合理的分割效果[10]。本文算法是在luv颜色空间中进行的，更适合人眼的识别。针对彩色图像分割和分水岭算法的特点，我们提出了一种进行抑制彩色图像过分割的改进方法。算法主要思想是考虑彩色图像色度信息、边缘信息和区域邻接关系，利用这三个方面的信息，对经过分水岭分割后的超声图像进行区域合并。改进算法由分水岭分割，相似区域合并，边界提取三个部分组成，其中，相似区域合并是改进的重点部分。
3.1 相似区域合并
    本文综合考虑区域颜色信息，边缘信息和区域邻接关系对过分割区域进行相似区域合并。相似区域合并过程主要分为两个阶段：区域合并阶段和合并终止阶段，合并阶段利用颜色信息、边缘信息和区域邻接关系定义区域合并准则，终止准则则采用面积法法确定终止阈值。
    (1) 区域合并准则：综合图像颜色信息、边缘信息和区域邻接关系进行区域合并，需要定义区域的距离度量函数ds(i，j) 。设il，iu，iv表示区域i的luv颜色均值，il，iu，iv为区域j的luv颜色均值，pi，j表示相邻区域i，j公共边缘上的像素个数，为公共边缘两侧a，b两点的像素值，li，lj表示区域i，j的周长，lcs(i，j)为相邻区域公共边缘的长度，则两个区域的距离度量函数ds(i，j)可以表示为：
    ds(i，j)= de(i，j) ·dr(i，j) ·m(i，j)                 (1)
    式中，de(i，j) =(il-jl)2+(iu-ju)2+(iv-jv)2表示两个区域的色度距离；表示两个区域的边缘系数，用来说明两个相邻区域的公共边界的明显程度，如果分水岭线为显著的边缘，那么分水岭两侧的像素色度均值会有显著变化；表示区域邻接系数，取值范围为0≤m(i，j)