336 中国农业工程学会 2005 年学术年会论文集 基于阈值分析与区域生长相结合的 根系 CT 序列图像分割算法 周学成，罗锡文，严小龙 （华南农业大学，广州 510642） 摘 要：提出了一种基于阈值分析和区域生长相结合的用于植物根系 CT 序列图像分割的算法。首先通过直方图分析初步确定根系区 域的分割阈值，再利用经过改进的区域生长法分割得到目标区域。实验结果表明，该分割算法计算量小，分割精度高，在提取目标的 同时，能够有效地分离介质（背景）像素；而且对于背景复杂、噪声较大、目标像素灰度不均匀的 CT 图像也能取得较好的分割效果。 关键词：图像分割；阈值分析；区域生长；植物根系；CT 序列图像 中图分类号：TN911.73 文献标识码：A 0 引 言 根系是植物从土壤等介质环境中获取养分和水分 的重要器官，其特殊的生长环境与复杂的形态结构，使 得对它的研究远远难于对植物体地上部分的研究。实际 上，缺乏快速、准确的根系原位观测方法已经构成了对 植物根系深入研究的技术瓶颈。为了解决这一难题，本 文作者尝试采用 XCT 等生物医学影像技术首先获取植 物根系的原位断层图像，然后利用计算机图像图形处理 技术实现对植物根系的原位观测和定量研究[1]。在这一 过程中，根系 CT 序列图像的精确分割是进行三维重建和 定量分析的基础。通过对根系 CT 序列图像的直方图分析 发现，根系本身的灰度分布与其周围介质的灰度分布之 间并没有明显的分界线，而是相互交叉、相互重叠的[2]。 因此，采用单一阈值分割算法难以实现根系区域的精确 分割，必须结合其它分割方法消除过分割或欠分割问题。 为此，本文提出一种阈值分析与区域生长算法相结合方 法用于植物根系 CT 序列图像的分割，以期将根系目标 精确、完整地从介质背景中分割出来。∗ CT 序列图像，经过适当的滤波、插值和三维封装等预 图 1 植物根系样品原始CT图像 a. 第 165 层 b. 第 104 层 处理后用作图像分割的原始数据。 在获取植物原位 CT 序列图像的基础上，通过直方图 分析找出植物根系的灰度分布范围，确定根系的最小阈 值范围。然后利用阈值分割方法，有意获取欠分割的根 系区域，并计算确定各欠分区域的质心（中心），以实 现区域生长法中对根系区域生长点的定位。最后，以各 区域的质心为生长点，采用合理的生长规则和方式，完 成区域生长、标记，将根系目标精确、完整地从介质背 景中分割出来。 1 材料与方法 2．算法描述 本文的研究对象是一种生长在有机基质介质中的 榕树苗根系的 CT 序列图像。图像由德国西门子系统医 疗集团研制的 Sensation 4 多层面螺旋 CT 获取，其主要 扫描参数为：层厚 1mm，层距 1mm。经过扫描，每个 根系样品均采集到 200 张以上分辨率为 512×512 的 12 位断层图像，图 1 显示的是其中一个样品有代表性的两 层图像：第 165 层和第 104 层（中间层）。根系的原位 ※ 国家自然科学基金资助项目（项目编号：60375005） 周学成 华南农业大学工程学院 副教授 博士研究生 罗锡文 通讯作者 华南农业大学工程学院 教授 博士生导师 xwluo@scau.edu.cn 2.1 根系最小阈值范围的确定 前期研究证实[2]，根系 CT 序列图像的直方图中灰度值 分布呈现出明显的“三峰两区”。灰度值处于 0～360 范 围内的“两峰一区”主要是密度最低的空气和 CT 床垫 材料。处于 360～800 灰度范围内分布较广的“一峰”主 要是密度较小、体积最大的有机土质以及塑料容器、轻 杂质成分等。而灰度值在 800 以上、分布最广的“一区” 主要是根系和重杂质等。为此，初步确定根系的阈值范 围在 800 以上。 

中国农业工程学会 2005 年学术年会论文集 337 2.4 生长规则的确定 考虑到根系区域内像素的灰度值存在较大差异但 相邻像素间灰度的变化比较一致的情况，本文选取像素8 邻域的平均梯度Lp(x,y)作为衡量灰度变化的特征量。 图2 第165层CT图像的欠分割 根据整体直方图和典型断层直方图所确定的根系的 阈值范围实际上是很粗略的，为了找出更准确的根系阈 值范围，经过对典型根区的直方图的深入分析可以发现， 根系本身的阈值分布与其周围介质的阈值分布之间并没 有明显的分界线，而是相互交叉、相互重叠的。统计发 现，阈值在 930～1230 之间的根系像素占根系本区总像 素数的 95％以上。为了减少进一步确定生长点的计算 量，同时兼顾根系区域数目的稳定，本文避开灰度直方 图中 930～960 这段明显的交叉区域，确定根系的最小阈 值范围为 960~1230。 2.2 根系区域的欠分割 利用最小阈值范围960～1230，对根系CT图像进行 阈值分割处理，得到根系区域的欠分割图像。图2所示为 第165层根系CT图像的欠分割结果，很明显以最小阈值 范围分割所得区域，并不是完整的根系区域。这里，进 行欠分割的目的在于消除灰度与根系交叉重叠的介质像 素的干扰，搜索根系区域所在的位置。 2.3 生长点的确定 区域生长法的基本思想是将具有相似性质的像素集 合起来构成区域。首先需要为每个要分割的区域找到一 个种子点，称为生长点。然后将生长点邻域像素中与其 有相同或相似性质的像素合并。将这些新像素当作新的 种子点继续进行判断合并过程，直到没有满足条件的像 素点为止。实现区域生长的关键环节在于生长点的选取、 生长规则的确定和区域生长停止的条件的设定。对欠分 割后的图像进行二值化处理、降噪，并完成区域标记。 计算各区域的质心，作为区域生长的生长点。记第k层的 mR ，其质心坐标G（ mx ， my ）的计算公 第m个区域为 k 式如下： x m = 1 N x k mRyxm ∑ ) ∈ ( , ， y m = 1 N y k mRyxm ∑ ) ∈ ( , 其中， mN 为区域 k mR 中的像素个数。 yxL ,( p ) = 1 8 1 ∑ ji , −= yxf ,( ) − xf ( − yi , − j ) 1 求已知区域 k mR 内所有像素Lp的平均值M和标准差 σ M = σ = 1 N m 1 N m yxL ,( p ) ∑ k mRyx ),( ∈ ∑ [ MyxL P k mRyx ),( ∈ − ( ) , 2 ] 设定区域的生长规则为： − MyxLP ,( ) ≤ σ2 过了一致性测试，并将其并入生长区域 k 将满足生长规则（条件）的检测点（x，y）视为通 mR ，同时更新 平均值M和标准差σ。继续检测新的邻域点，直至无法 生长为止，完成对目标区域的分割。 2.5 生长方式的确定 针对传统生长方式中重复计算的问题，本文提出一 种新的生长路径规则，以减少搜索过程的计算量，提高 分割速度。首先，从生长点G开始垂直向上搜索满足生长 条件的像素点，并找到该方向上的上限点U0；之后再沿G 点垂直向下搜索直到该方向上的下限点D0，完成以G点为 起点的垂直生长过程。然后水平向左移动生长点，即取G 的左邻接点L1为新的生长起点；并从新的搜索起点L1开 始继续沿垂直方向上下搜索，直到找出新的上限点UL1和 下限点DL1为止。继续以UL1、DL1的中点ML1为中心，水平向 左移动生长点，即取ML1的左邻接点L2为新的生长起点； 并从新的搜索起点L2开始继续沿垂直方向上下搜索，直 到找出新的上限点UL2和下限点DL2为止。不断向左重复上 述过程，直至左侧无新的生长点出现为止，此时有ULm =DLm , 即上限点与下限点重合，搜索到了区域的左侧极限点Lm。 完成区域的左侧搜索以后，再以G为中心，水平向右移动 生长点，即取G的右邻接点R1为新的生长起点；并从新的 搜索起点R1开始继续沿垂直方向上下搜索，直到找出新 的上限点UR1和下限点DR1为止。继续以UR1、DR1的中点MR1为 中心，水平向右移动生长点，即取MR1的左邻接点R2为新 的生长起点；并从新的搜索起点R2开始继续沿垂直方向 

338 中国农业工程学会 2005 年学术年会论文集 上下搜索，直到找出新的上限点UR2和下限点DR2为止。向 右重复上述过程，直至区域右侧找不到新的生长点为止， 此时有URn =DRn ,即右侧上限点与下限点重合，搜索到了 区域的右侧极限点Rn。至此完成了区域的生长过程。 3．结果与分析 根据上述算法原理，利用VC++6.0的MFC类库实现分 割算法的编程，并对包括第104层、165层在内的200多张 根系CT序列图像实施了分割处理。图3显示了采用本文的 综合分割算法对104层、106层分割的结200多张根系CT 序列图像实施了分割处理。图3显示了采用本文的综合分 割算法对104层、106层分割的结果，以及它们与课题组 前期采用单一的阈值分割算法的分割结果的对比情况。 分割算法仅根据像素的灰度特征进行图像分割，对目标 与背景的阈值范围存在交叉、重叠的图像而言，不可避 免地会把不属于目标的区域错划成目标，而又可能将本 属于目标的区域错当成背景，造成较大的分割误差。相 比之下，新算法不仅考虑了图像的的灰度特性、灰度的 变化特征，还综合考虑了像素的位置和区域的边界特性。 因此能够有效地消除斑点和空洞，使区域生长尽可能地 接近区域的原始边界，从而能够获得更好的分割质量和 精度。实际上，上述白色斑点多数属于难以生长的孤点 （生长次数<1），在新算法中通过最小生长次数的设定 会自动被清除；而那些白色根系区域中的空洞，由于它 们的灰度变化与其所在的区域原本就是一致的，所以在 新算法中就会自动生长填实。 为进一步定量考察分割算法的性能，本文采用最终 测量精度（Ultimate Measurement Accuracy—UMA）准 则对分割算法的性能进行分析评价。UMA准则是图像分割 算法性能评价中常用的一种测度，它是围绕图像分析的 最终目标——获得对图像目标某些特征值的精确测量而 提出的。UMA准则通过对目标特征值的测量和计算，来反 映图像分割的质量，并以此对分割算法的性能作出评判。 本文选取根系区域的像素数和区域面积两种特征值，采 用UMA准则对单一的阈值分割和本文提出的阈值分析与 区域生长相结合的新算法的分割质量分别进行定量评 判，并通过对比说明新算法的有效性。对像素数特征， 评价指标为像素损失率,记为LOP；对区域面积，评价指 标定义为面积误差率，记为EOA。 N N S %100× L OP = − O N O 其中，NO—为根系区域的原始像素数（个）；NS— 为对应区域分割后的像素数（个）。 E OA = A S A O − A O %100× 其中，AO—为根系区域的原始面积（mm2）；AS—为 对应区域分割后的区域面积（mm2）。 表1给出了以第165层和104层所有的根系区域为例 对本文提出的算法（简称综合法）和单一的阈值分割算 法（简称阈值法）的计算结果。 表1 两种图像分割算法的UMA评价结果对比 像素损失率LOP（％） 面积误差率EOA （％） 层号 区号 综合法 阈值法 综合法 165 1 2 1.8 3.2 14.5 20.3 1.4 1.7 阈值 法 15.0 18.3 (a) (b) (c) (d) 图3 采用阈值分析与区域生长相结合分割的结果及其对比 （a）第165层阈值分割结果 （b）第104层阈值分割结果 （c）第165层本文算法分割结果 （d）第104层本文算法分割结果 可以看出，采用新算法分割所得的图3（c）、（d） 中的白色区域与原始的根系区域非常接近，几乎完全一 致；而采用单一的阈值分割算法所得的根系区域[图3 （a）、（b）中的白色区域则明显小于原始区域。另外， 仔细观察可以进一步发现，图3（a）、（b）中除几块较 大的白色区域（根系）外，还有许多大大小小的白色斑 点，而且有些分割后的白色根系区域中还存在着空洞。 通过对CT序列图像上下层的连续对比观察，不难发现， 这些大大小小的白色斑点实际上是密度与根系相近的介 质、杂质或噪声像素；而白色根系区域中的空洞则是密 度大于或小于阈值范围的根系像素所在的位置。这些正 是单一的阈值分割算法难以克服的分割缺陷。因为阈值 

中国农业工程学会 2005 年学术年会论文集 339 104 1 2 3 4 5 平均值 3.4 4.3 3.5 4.6 3.6 3.5 21.3 35.8 24.3 43.7 47.3 29.6 2.2 3.8 1.9 3.7 3.4 2.6 21.1 35.5 21.1 42.7 38.5 27.5 通过UMA评价结果的对比可以看出，采用本文提出 基于阈值分析与区域生长相结合的图像分割算法能够有 效地提高图像分割质量，对根系CT序列图像的分割效果 明显。 4．结论 本文根据阈值分割和区域生长的特点，提出了一种 阈值分析与区域生长相结合的图像分割算法，有效地解 决了灰度分布存在交叉、重叠的根系目标与介质背景的 分离问题，提高了分割精度。 [参 考 文 献] [1] 罗锡文，周学成等. 基于 XCT 技术的植物根系原位形态的可 视化研究．农业机械学报, 2004, 35 (2)：104~106，133. [2] Xuecheng Zhou, Xiwen Luo, Xiaolong Yan , 2004, Research on segmenting algorithm for MSCT images of plant root system based on its morphological feature, 2004 ASAE/CSAE Annual International Meeting No.043079 [3] MacFall J.S. Visualization of root growth and development through magnetic resonance imaging. Current Topics in Plant Physiology: An American Society of Plant Physiologists Series. 1998, 18:67-77. [4] Cheng, J, Pan, X and Liu, Y. The latest advancement in methods of plant root research. Journal of Jiangxi Agricultural University, 1999,11(4): 55-59. [5] Guo, Y and Li, B. The advancement of virtual plant researches. Science Reports, 2001, 46(4): 273-280. [6] 章敏晋．图像分割．北京：北京科学出版社，2001 [7] Milan Sonka, Vaclav Hlavac, et al. 图像处理、分析与机 根据CT图像根系区域的灰度分布特点，提出了以3 器视觉(第 2 版). 北京: 人民邮电出版社, 2002. ×3邻域的平均梯度作为衡量灰度变化一致性的特征 量，以此为基础构建的生长规则，对于背景复杂、噪声 较大、目标像素灰度不均匀的CT图像具有较好的鲁棒性。 针对传统生长方式中重复搜索的问题，提出了一种以不 断平移的中心点为起点、沿单一方向搜索新的生长路径 规则，有利于减少搜索过程的计算量，提高分割速度。 致谢：本文属于国家自然科学基金项目60375005和 30230220的资助课题。 [8] Sezgin M, Sankur B. Comparison of thresholding methods for non-destructive testing applications. IEEE ICIP’2001 [C]. Greece, 2001. [9] Tian H, Lam S K, Srikanthan T. Area-time efficient between-class variance module for adaptive segmentation process. Vision, Image and Signal Processing, IEEE Proceedings, 2003,150(4):263~269. [10]刘平，陈斌等. 基于边缘信息的图像阈值化分割方法. 计算 机应用，2004，24（9）：28～30，36. An Image Segmentation Algorithm for the CT Images of Plant Root Based on Histogram Analysis and Region Growing ZHOU Xue-cheng，LUO Xi-wen， Yan Xiaolong （South China Agricultural University，Guangzhou 510642，China） Abstract: A segmentation algorithm based on histogram analysis and region growing method was proposed for the CT images of plant root in this paper．Firstly，the method of histogram analysis was used to obtain the basic segmenting threshold of root region．Then，all the region of root was segmented completely from the original image by the improved region growing method．The experiments indicated that the segmentation method presented in this paper had the advantages of real time and segmentation precision, and the target could be extracted without any pixel of the background． Moreover，this segmentation fits for those images with complex background and uneven gray-level． Key words: image segmentation；histogram analysis；region growing method；plant root；CT images