楊瑋婕，徐建瑜

(寧波大學(xué)信息科學(xué)與工程學(xué)院，浙江 寧波 315211)

斑馬魚如今已成為一種關(guān)鍵的模式生物并廣泛應(yīng)用于藥物實(shí)驗(yàn)[1]，毒性檢查以及遺傳篩查等領(lǐng)域[2,3]。由于其遺傳學(xué)與人類相似，具有外部受精和快速發(fā)育過程以及半透明身體等優(yōu)勢(shì)，使斑馬魚成為了醫(yī)藥生物等方面科學(xué)研究的理想選擇，因此斑馬魚成為高通量篩選中最受歡迎的物種之一[4]。然而，由于胚胎數(shù)量之多產(chǎn)生的大量數(shù)據(jù)對(duì)數(shù)據(jù)分析和建模造成了阻礙?；诎唏R魚的實(shí)驗(yàn)產(chǎn)生圖像數(shù)據(jù)如此之多，以至于很難通過手動(dòng)的方式進(jìn)行分析[5]。因此自動(dòng)分析斑馬魚圖像，以及對(duì)斑馬魚圖像中信息量化的需求日益增長(zhǎng)。

經(jīng)過藥物培養(yǎng)的斑馬魚胚胎在發(fā)育過程中會(huì)對(duì)其生理結(jié)構(gòu)的某一部分或者某幾個(gè)部分產(chǎn)生不定性的影響，因此正確的對(duì)斑馬魚胚胎圖像按照生理結(jié)構(gòu)進(jìn)行分割，也可以稱為語義分割，對(duì)醫(yī)學(xué)藥物對(duì)脊椎動(dòng)物的影響進(jìn)行定性定量分析有著重要的意義。斑馬魚胚胎按其生理結(jié)構(gòu)而言主要可以分為三部分，分別是斑馬魚頭部，魚體軀干血管以及斑馬魚卵黃部分。基于以上研究背景，選擇與背景對(duì)比度較高的斑馬魚胚胎圖像，并能對(duì)圖像按照其生理結(jié)構(gòu)使用不同顏色進(jìn)行標(biāo)注分割，是本文的主要研究目標(biāo)。

如今有很多不同的圖像分割技術(shù)，如基于閾值的，邊緣化的基于聚類的，基于神經(jīng)網(wǎng)絡(luò)等。本文針對(duì)圖像語義分割技術(shù)進(jìn)行了研究，語義分割[6]方法可以認(rèn)為是基于圖像內(nèi)容的圖像分割，即不是簡(jiǎn)單地將圖像分割歸為邊界檢測(cè)或區(qū)域查找，而是利用圖像中的內(nèi)容信息，例如特征相似性、圖像語義等來確定圖像中區(qū)域的劃分。目前發(fā)展較成熟的語義分割的運(yùn)用有：1)Moorer[7]等人于2008年基于最小分割的概念提出Superpixel Lattice算法。該算法以一維圖像邊界代價(jià)圖(boundary cost map)作為輸入，該圖保存了兩個(gè)像索之間存在邊界的概率。以迭代的方式在圖像水平和垂直方向?qū)ふ易钣锌赡芡ㄟ^分割邊界的路徑。使圖像被劃分成斷開的小塊。該方法生成的圖像塊形狀比較規(guī)則，接近網(wǎng)格結(jié)構(gòu)，分割準(zhǔn)確度也較高。2)楊雪[8]等人提出了一種在區(qū)域?qū)用嫔匣诩y理基元塊的識(shí)別與集成后圖像的語義分割算法，該算法采用紋理等原始特征，考慮到像素之間的關(guān)系，以及保持對(duì)象之間的紋理邊緣信息，從而分割出輪廓清晰的對(duì)象。3)Long等人[9]建立了一種端到端，像素到像素的“完全”卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)是一種輸入任意尺寸像素即可輸入同樣大小像素的高效學(xué)習(xí)網(wǎng)絡(luò)。將該網(wǎng)絡(luò)擴(kuò)展到語義分割領(lǐng)域，用以改進(jìn)多分辨率層組合架構(gòu)，獲得了很好的分割效果。

但是以上方式都有一個(gè)限制條件，那就是需要大量的學(xué)習(xí)樣本，但是每一批特定的藥物某一階段實(shí)驗(yàn)所使用的斑馬魚實(shí)驗(yàn)組非常有限，并且斑馬魚不同生長(zhǎng)時(shí)期某種藥物對(duì)其產(chǎn)生的生理結(jié)構(gòu)影響都會(huì)有所差別，所以必須單獨(dú)研究，且不同的藥物實(shí)驗(yàn)組之間圖像基本沒有相互參考的價(jià)值，因此可以提供學(xué)習(xí)的樣本非常少。在這種情況下，本文使用圖像處理進(jìn)行斑馬魚圖像的語義分割，通過設(shè)置并優(yōu)化參數(shù)，最終達(dá)到理想的效果。目前研究中較為成熟有效的圖像分割方法主要有分水嶺算法、聚類算法中的K-means聚類算法以及區(qū)域生長(zhǎng)法中的漫水填充算。根據(jù)目前已有的語義分割研究現(xiàn)狀，針對(duì)本文課題研究方向即對(duì)樣本數(shù)量固定的生物圖像進(jìn)行生理結(jié)構(gòu)化分割，沒有成熟固定的算法研究。因此本文使用上述三種方法分別進(jìn)行分割，根據(jù)最終分割效果對(duì)比得到最佳分割方案。

1 斑馬魚胚胎語義分割

針對(duì)本文所研究問題，本文采用三種不同算法并進(jìn)行改進(jìn)，最終選擇效果最佳的分割效果，流程如圖1。

圖1 斑馬魚圖像語義分割流程圖Fig.1 Semantic segmentation of zebrafish image

根據(jù)圖1得出本文的目標(biāo)實(shí)現(xiàn)路線為：分別通過改進(jìn)型分水嶺算法，減法聚類尋找圖像質(zhì)心結(jié)合K-means聚類算法，減法聚類尋找圖像質(zhì)心結(jié)合漫水填充算法對(duì)實(shí)驗(yàn)源圖像進(jìn)行分割，根據(jù)分割效果得出更有效的分割模型。

2 減法聚類

減法聚類是一種找到最佳數(shù)據(jù)點(diǎn)的方法，它根據(jù)數(shù)據(jù)密度來定義周圍的數(shù)據(jù)點(diǎn)的聚類質(zhì)心[10]。該方法源自Chiu[11]提出的一種基于密度指標(biāo)的模糊聚類算法。減法聚類法非常簡(jiǎn)單而有效，它先預(yù)估聚類中心的數(shù)量和初始位置，然后根據(jù)數(shù)據(jù)映射成一個(gè)空間的網(wǎng)格點(diǎn)，并根據(jù)密度計(jì)算公式計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的密度值，所以附近有很多數(shù)據(jù)點(diǎn)的網(wǎng)格點(diǎn)會(huì)有很高的密度值。所有網(wǎng)格點(diǎn)中具有最高密度值的將被選為第一個(gè)聚類中心。在選擇第一個(gè)聚類中心后，再通過修正密度計(jì)算指標(biāo)試找到其余網(wǎng)格點(diǎn)中第二個(gè)最可能稱為聚類質(zhì)心的點(diǎn)。

減法聚類算法的執(zhí)行步驟如下：

1)假定有n個(gè)數(shù)據(jù)點(diǎn)的集合：X= {x1，x2，x3…xn}，每個(gè)點(diǎn)被認(rèn)為是一個(gè)潛在的集群中的聚類質(zhì)心。 數(shù)據(jù)點(diǎn)xn的成為質(zhì)心點(diǎn)的密度計(jì)算公式如下：

(1)

其中‖·‖代表歐幾里何距離，ra是數(shù)據(jù)空間中的超球半徑，它是一個(gè)正常數(shù)，用于定義與周圍數(shù)據(jù)的距離，因此衡量數(shù)據(jù)點(diǎn)成為數(shù)據(jù)質(zhì)心可能性的關(guān)鍵是a點(diǎn)與所有其他數(shù)據(jù)點(diǎn)的距離函數(shù)。

2)計(jì)算出每個(gè)數(shù)據(jù)點(diǎn)的密度后，選擇密度值最大的數(shù)據(jù)點(diǎn)作為第一個(gè)集群中心。此時(shí)將x1和p1分別視為第一個(gè)聚類中心及其相應(yīng)的密度。然后通過使用如下公式計(jì)算其余每個(gè)數(shù)據(jù)點(diǎn)的密度值：

(2)

rb是數(shù)據(jù)空間中的超球體懲罰半徑，它是一個(gè)正常數(shù)。式(2)中減去一定數(shù)量的點(diǎn)位從每個(gè)數(shù)據(jù)點(diǎn)作為距離第一個(gè)聚類中心的距離的函數(shù)，因此在第一個(gè)集群中心附近的數(shù)據(jù)點(diǎn)將大大降低概率，也就意味著被選擇成為下一個(gè)聚類中心的機(jī)會(huì)較少。計(jì)算完成每個(gè)數(shù)據(jù)點(diǎn)的修正概率后，找到可能性最高點(diǎn)作為下一個(gè)聚類中心。

3)在執(zhí)行完第二步之后，使用公式(3)判別式進(jìn)行判別。若判別式成立則停止密度值進(jìn)一步計(jì)算，即意味著聚類質(zhì)心點(diǎn)尋找完畢，否則，繼續(xù)執(zhí)行第二步的計(jì)算。

Pi/P1<δ

(3)

其中，參數(shù)δ(δ<1)是事先給定的參數(shù)，它直接決定了聚類質(zhì)心點(diǎn)的個(gè)數(shù)。

3 彩色圖像分割算法原理

目前研究中較為成熟有效的圖像分割方法主要有分水嶺算法、聚類算法中的K-means聚類算法以及區(qū)域生長(zhǎng)法中的漫水填充算，下面主要介紹一下三種分割方案的原理。

3.1 分水嶺分割法原理

分水嶺算法，其思想來自地理學(xué)的方法，變換的思想來源于地形學(xué)，它將圖像看作是地形學(xué)上被水覆蓋的自然地貌，圖像中的每一點(diǎn)的灰度值可以理解為拓?fù)鋱D上的地形高度，拓?fù)涞孛采暇植繀^(qū)域的極小值及其所能影響到的所有區(qū)域被稱作集水盆，找到該集水盆邊界線也就是分水嶺是水嶺分割算法的主要目標(biāo)[12]。分水嶺算法分為兩個(gè)步驟：一個(gè)是排序過程，一個(gè)是洪泛過程。首先對(duì)每個(gè)像素灰度級(jí)進(jìn)行從低到高排序，然后在從低到高實(shí)現(xiàn)淹沒的過程中，對(duì)每一個(gè)局部極小值在h階高度的影響域采用先進(jìn)先出(FIFO)結(jié)構(gòu)進(jìn)行判斷及標(biāo)注。分水嶺變化得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點(diǎn)，即為分水嶺。顯然，分水嶺表示的是輸入圖像的極大值點(diǎn)。因此，為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像，即

g(x,y)=grad(f(x,y))=

(4)

式中，f(x,y)表示原始圖像，grad(f(x,y))表示對(duì)圖像求梯度運(yùn)算。

3.2 自適應(yīng)K-means聚類分割原理

K-means聚類算法發(fā)展至今已經(jīng)較為成熟，在彩色圖像分割領(lǐng)域也是常用方法之一[13]。聚類的方法很多，其中K-means聚類分割，因其理論可靠、算法簡(jiǎn)單、收斂速度快、能有效處理大數(shù)據(jù)量而得到廣泛的應(yīng)用。聚類是將一組數(shù)據(jù)分成特定數(shù)量的組的一種方法，在K-means聚類中，它將一組數(shù)據(jù)分割成k個(gè)數(shù)據(jù)組[14,15]。

它將給定的一組數(shù)據(jù)分為k個(gè)不相交的群集。 K-means算法由兩個(gè)獨(dú)立的階段組成：第一階段計(jì)算k質(zhì)心，第二階段計(jì)算每個(gè)點(diǎn)到最近的簇來自相應(yīng)數(shù)據(jù)點(diǎn)的質(zhì)心。一旦完成分組，重新計(jì)算每個(gè)聚類的新質(zhì)心，并基于該質(zhì)心計(jì)算每個(gè)中心與每個(gè)數(shù)據(jù)點(diǎn)之間的新距離，并且指定具有最小距離的集群中的點(diǎn)。分區(qū)中的每個(gè)成員對(duì)象和其質(zhì)心總和定義為一個(gè)集群。每個(gè)簇的質(zhì)心與該群集中的所有對(duì)象距離的總和都是最小的。所以K-means是一種迭代算法，它可以為每個(gè)對(duì)象在所有集群中找到與它所在集群距離最小集群的質(zhì)心。

K-means算法原理是:設(shè)有由n個(gè)m維數(shù)據(jù)構(gòu)成的數(shù)據(jù)X={xi|xi∈Rm,i=1,2,...,n},將X劃分為由K個(gè)聚類集構(gòu)成的集合，每個(gè)聚類集之間的數(shù)據(jù)具有較高相似性，不同聚類集之間的數(shù)據(jù)彼此相差較大。本文使用K值確定的聚類方法，這種方法適合處理數(shù)據(jù)量較大的數(shù)據(jù)集。

首先為數(shù)據(jù)集選定K個(gè)數(shù)據(jù)作為初始中心；剩余的每個(gè)數(shù)據(jù)，通過技術(shù)數(shù)據(jù)到每個(gè)初始中心的距離，選定距離最近的類作為它的歸屬類；接著在每個(gè)歸屬類中重新計(jì)算K個(gè)類的聚類中心，并再一次確定每個(gè)數(shù)據(jù)的歸屬類；通過不斷重復(fù)這個(gè)過程，直到聚類中心不再變更。常用的計(jì)算距離主要有Minkowski distance，Euclidean distance以及CityBlock distance三種方法。這三種方法距離計(jì)算公式分別如下:

1) Minkowski distance方法的計(jì)算公式為

(5)

式(2.23)中λ可取任意值。

2) Euclidean distance方法的計(jì)算公式為

(6)

3) CityBlock distance方法的計(jì)算公式為

(7)

在使用以上三種公式進(jìn)行聚類是，數(shù)據(jù)集分別以星形、圓形和菱形的方式逼近中心。由于本文研究對(duì)象主要以圓形或橢圓形為主，因此選擇式(6)進(jìn)行計(jì)算距離。

3.3 漫水填充分割算法原理

漫水填充方法的基本思想就是，根據(jù)選中種子點(diǎn)區(qū)域以及相連區(qū)域，接著將該區(qū)域替換成指定的顏色，以此用來標(biāo)記或者分離圖像的一部分進(jìn)行處理或分析[16]。漫水填充算法是一種區(qū)域填充算法，其本質(zhì)是種子填充算法，此方法適用于填充內(nèi)部定義的區(qū)域。內(nèi)部定義的區(qū)域是指該區(qū)域中所有像素具有相同顏色或亮度值的區(qū)域，而外部區(qū)域具有不同的顏色或亮度值。該方法的思想是先確定區(qū)域內(nèi)某一點(diǎn)為種子點(diǎn)，然后搜索種子點(diǎn)鄰域上的點(diǎn)，如果該點(diǎn)未被訪問過同時(shí)又滿足填充的條件，就填充該點(diǎn)，并且將這點(diǎn)當(dāng)作新種子點(diǎn)繼續(xù)搜索。種子填充法可以用函數(shù)F(x,y)來描述，種子點(diǎn)是F(x,y)的輸入，輸出則是填充后的圖像信息矩陣，其中[1]x, y代表填充像素點(diǎn)(x,y)后的圖像信息矩陣，[0]x, y代表沒有填充(x,y)像素點(diǎn)。這樣便有種子填充算法的遞歸函數(shù)表示，如下面式(8)所示:

(8)

其中C是填充條件，C(x，y)=true代表像素點(diǎn)(x，y)符合填充的條件，C(x，y)=false代表像素點(diǎn)(x，y)不符合填充的條件。C可能是灰度條件C1，代表填充在規(guī)定灰度范圍內(nèi)的連通區(qū)域；可能邊界條件C2，代表填充一個(gè)封閉的輪廓內(nèi)部區(qū)域；也可能是C1和C2的交集C1∩C2代表填充一個(gè)封閉輪廓里符合規(guī)定的灰度范圍的連通區(qū)域。

基于漫水填充算法為了爭(zhēng)取連通區(qū)域，需要調(diào)整四方向或八方向搜索選項(xiàng)中連接區(qū)域閾值大小和方向。這兩種方向填充后的結(jié)果是不同的，如圖2所示：

圖2 四方向和八方向填充結(jié)果Fig.2 Four-way and eight-direction padding results

有多種算法可以實(shí)現(xiàn)漫水填充算法，比如遞歸算法、掃描線算法等。遞歸式效果穩(wěn)定，速度較快，較為常用。在本文選擇的遞歸式-4連接填充算法表示如下所示:

(1)輸入:待分割圖像image，種子點(diǎn)seed，目標(biāo)顏色target-color，填充顏色fill-color(隨機(jī))；

(2)如果當(dāng)前像素點(diǎn)seed顏色與目標(biāo)顏色target-color不同，返回；

(3)填充過程：執(zhí)行Flood-fill(image，當(dāng)前像素點(diǎn)的左邊節(jié)點(diǎn)，target-color,邊節(jié)點(diǎn)，target-color,fill-color);

執(zhí)行Flood-fill(image，當(dāng)前像素點(diǎn)的右邊節(jié)點(diǎn)，target-color,fill-color);

執(zhí)行Flood-fill(image，當(dāng)前像素點(diǎn)的上

邊節(jié)點(diǎn)，target-color, fill-color);

執(zhí)行Flood-fill(image，當(dāng)前像素點(diǎn)的下邊節(jié)點(diǎn)，target-color,fill-color);

(4)填充完成。

在漫水填充算法實(shí)現(xiàn)過程中，如果訪問圖像中的某個(gè)像素，則將vis [x] [y]標(biāo)記為1，并直接返回函數(shù);如果沒有訪問，則將[x] [y]設(shè)置為1，然后依次訪問左、右、上、下四個(gè)方向的鄰接關(guān)系。漫水填充算法代碼表示如下所示：

1voidFlood_Fill(intx,inty)

2 {

3if(vis[x][y]==1)return;

4vis[x][y]=1;

5if(x+1

6if(x-1>=0)Flood_Fill(x-1,y);

7if(y+1

8if(y-1>=0)Flood_Fill(x,y-1);

9 }

漫水填充法需要用到的二個(gè)參數(shù)：起始種子點(diǎn)，目標(biāo)顏色判定規(guī)則和替換顏色。漫水填充法是一個(gè)非常有用的算法，經(jīng)常被用來標(biāo)記或分割圖像的某些部分以便對(duì)其進(jìn)行進(jìn)一步處理和分析。

4 實(shí)驗(yàn)過程及結(jié)果

本文中所使用的實(shí)驗(yàn)圖像源為熒光斑馬魚圖像由環(huán)特生物科技有限公司提供。由于圖像的前景與背景得到的對(duì)比度高，并且生理結(jié)構(gòu)之間圖像的區(qū)別很明顯，肉眼即可觀察出來，所以對(duì)于計(jì)算機(jī)分割結(jié)果可以有一個(gè)良好的評(píng)判。

4.1 改進(jìn)型分水嶺算法分割

分水嶺分割屬于區(qū)域閾值分割，因此不需要生長(zhǎng)點(diǎn)或是聚類中心點(diǎn)，可自動(dòng)根據(jù)圖像灰度級(jí)分割出圖像的集水盆圖像。但是本文屬于語義分割，僅僅根據(jù)圖像灰度圖難以達(dá)到想要的效果，同時(shí)，傳統(tǒng)分水嶺分割算法具有一個(gè)較大弊端，即往往產(chǎn)生過分割。本文對(duì)傳統(tǒng)分水嶺算法進(jìn)行改進(jìn)，將距離變換與分水嶺算法配合使用[17]，計(jì)算距離變化可以使用函數(shù)bwdist進(jìn)行計(jì)算，該函數(shù)可以使用D=bwdist(f)。分割過程如圖3所示：

圖3 分水嶺分割流程Fig.3 Watershed segmentation process

圖4 分水嶺算法分割結(jié)果Fig.4 Watered segmentation processa.原圖;b.分割效果圖a.Original image;b.Segmentation result

根據(jù)上述流程，本文的分割效果如圖4所示。

從圖4分割結(jié)果可以看出，雖然本文分水嶺算法結(jié)合距離變換分割結(jié)果對(duì)于過分割問題有所改善，但是分割效果十分不理想，主要表現(xiàn)為未精確區(qū)分出前景背景部分，分割效果粗糙，將圖像細(xì)節(jié)未凸顯出來，因此沒有后續(xù)進(jìn)一步對(duì)斑馬魚各部分量化等研究的價(jià)值。

4.2 K-means聚類算法分割

通過使用減法聚類算法找到圖像中聚類的個(gè)數(shù)和聚類質(zhì)心位置，之后通過K-means聚類算法來對(duì)圖像進(jìn)行聚類分割，并使用不同顏色將圖像中不同集群進(jìn)行填充，分割流程如圖5所示。

圖5 K-means聚類算法分割流程Fig.5 K-means clustering algorithm segmentation process

但是在分割過程中，減法聚類雖然可以確定出聚類個(gè)數(shù)，但是并不是本文確定的聚類個(gè)數(shù)，本文需要將斑馬魚分割為頭部，軀干以及卵黃三個(gè)部分，所以k=3，因此通過調(diào)節(jié)公式(6)直至聚類個(gè)數(shù)為三個(gè)。

根據(jù)上述流程，本文的分割效果如圖6示。

圖6 K-means聚類算法分割結(jié)果Fig. 6 K-means clustering algorithm segmentation resultsa.原圖;b.分割效果圖a.Original image;b.Segmentation result

從圖6分割結(jié)果可以看出，使用K-means聚類算法單從分割效果來說，分割地非常良好，邊緣細(xì)節(jié)清楚銳利，前后背景區(qū)分非常明顯，比起分水嶺算法效果有了很好地提升。但是，圖像并沒有按照斑馬魚胚胎生理結(jié)構(gòu)分割，卵黃與軀干分為一個(gè)整體，因此沒有達(dá)到本文研究所要的語義分割目的。

4.3 漫水填充算法分割

通過使用減法聚類算法找到圖像中聚類的個(gè)數(shù)和聚類質(zhì)心位置，之后通過K-means聚類算法來對(duì)圖像進(jìn)行聚類分割，并使用不同顏色將圖像中不同集群進(jìn)行填充，分割流程如圖7所示。

圖7 漫水填充算法分割流程Fig.7 Flood-filled algorithm segmentation process

同樣的，減法聚類也應(yīng)通過調(diào)節(jié)公式(6)直至生長(zhǎng)點(diǎn)個(gè)數(shù)成為三個(gè)。

圖8 漫水填充算法分割結(jié)果Fig. 8 Flood-filled algorithm segmentation resulta.原圖;b.分割效果圖a.Original image;b.Segmentation result

從圖8分割結(jié)果可以看出，使用漫水填充算法不僅達(dá)到了K-means聚類算法中邊緣細(xì)節(jié)清楚銳利，前后背景區(qū)分非常明顯的分割效果，與此同時(shí)，圖像分割結(jié)果可以明顯區(qū)分出了斑馬魚胚胎的頭部，軀干以及卵黃三部分，為之后的藥物自動(dòng)定量研究提供了很好的基礎(chǔ)，可以通過統(tǒng)計(jì)不同顏色的像素值或者計(jì)算面積等多種方法實(shí)現(xiàn)每一部分的計(jì)算。

5 結(jié)論

本文通過分別使用距離變換結(jié)合分水嶺算法、減法聚類結(jié)合K-means聚類算法以及減法聚類結(jié)合漫水填充算法對(duì)熒光斑馬魚胚胎圖像進(jìn)行生理結(jié)構(gòu)的分割，最終通過對(duì)三種算法的分割效果對(duì)比，可以發(fā)現(xiàn)只有漫水填充算法實(shí)現(xiàn)了本文研究所要達(dá)成的語義分割效果，不僅正確分割出了斑馬魚主要的三部分生理結(jié)果，并且圖像前后背景區(qū)分精準(zhǔn)，同時(shí)分割細(xì)節(jié)清楚，成為文研究最為理想的分割算法。同時(shí)，本文填補(bǔ)了在目標(biāo)圖像數(shù)量有限的情況下，對(duì)圖像生物進(jìn)行生理結(jié)構(gòu)語義分割研究領(lǐng)域的空白，具有一定的參考價(jià)值。但是分割結(jié)果仍然不盡完美，仍然存在一定程度過分割的情況，并且通過調(diào)節(jié)參數(shù)也不能很好地避免這個(gè)問題，可見算法還有進(jìn)一步改進(jìn)的空間。通過本文的研究，對(duì)于后續(xù)生物分割研究領(lǐng)域有很大的參考價(jià)值，例如可以分別計(jì)算分割出的生物圖像各個(gè)部分的像素值從而統(tǒng)計(jì)各部分的生理占比平均值或者研究藥物對(duì)生物的生理影響等。