1 引言
分水岭算法具有准确分割、可以得到封闭的轮廓线、能够精确定位图像边缘的特点，在图像分割中得到广泛应用[1,2,3]。但是，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，然后用区域生长的算法进行区域合并，但是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，而且，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。水从海拔最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最高表面高程的堤坝，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，但是，对图像的灰度变化特别敏感，容易将有噪声引起的局部最大值作为分水岭，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)<1，其值越小，邻接程度越低，反之，则邻接程度越高。
综上所述本文改进算法的合并准则为：在每次合并时，合并ds(i，j)最小的两个相邻区域，即相似度最大的两个区域。
(2) 合并终止准则：合并终止准则是合并过程进行到没有满足合并准则需要的区域时终止，因此终止条件的选取直接影响分割结果。一般合并终止准则可以利用合并次数、阈值、区域数目制定，合并次数、阈值、区域数目的选取没有一个恰当的准则，根据不用的图像进行手工调整，经过反复的实验来确定。图像中的小区域一般没有意义，通常是由噪声引起的。本文根据图像面积制定终止阈值t(见式2)，对面积小于t的小区域进行合并，当区域面积都si大于t时，合并停止。
(2)
其中，s为图像面积，t为图像比例参数，根据不同的图像可进行手动设置。
(3) 改进算法流程：本文提出的改进算法流程如图2所示。
图2 改进算法流程图
4 实验分析与讨论
4.1 实验分析
本文采用vc++6.0，编程验证了提出的分水岭分割改进算法。运算环境为联想启天m440e商务机，操作系统为 windows xp sp1。实验中，
