腦神經(jīng)圖像處理方法研究.pdf

1、神經(jīng)元是構(gòu)成神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的基本單元，神經(jīng)元形態(tài)結(jié)構(gòu)的三維重建對(duì)于神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的研究具有重要的意義。共聚焦顯微成像在成像過(guò)程中有圖像退化和模糊現(xiàn)象。此外，神經(jīng)元圖像軸突和樹突等樹形結(jié)構(gòu)具有密度、尺度變化大，像素分布不均勻和背景目標(biāo)混雜等問(wèn)題，這給神經(jīng)元樹形結(jié)構(gòu)的分割帶來(lái)了很大的困難，從而不利于神經(jīng)元形態(tài)結(jié)構(gòu)的三維重建。針對(duì)上述問(wèn)題，本文將從圖像復(fù)原和去燥、樹形結(jié)構(gòu)增強(qiáng)與二值化、樹形結(jié)構(gòu)追蹤方面展開研究，主要研究?jī)?nèi)容如下:

2、>　　首先，針對(duì)共聚焦顯微成像過(guò)程中的圖像退化和模糊現(xiàn)象，本文引入了反卷積算法對(duì)圖像進(jìn)行復(fù)原處理。通過(guò)分析成像過(guò)程中的圖像退化原因，建立了退化模型，并通過(guò)對(duì)比實(shí)驗(yàn)分析了約束最小二乘反卷積算法和Lucy-Richardson反卷積算法。此外，針對(duì)神經(jīng)元圖像的噪聲特點(diǎn)和神經(jīng)元的結(jié)構(gòu)特點(diǎn)，通過(guò)對(duì)比實(shí)驗(yàn)分析了幾種具有邊緣保留特性的去噪算法對(duì)于神經(jīng)元圖像去噪的適應(yīng)性。
　　其次，針對(duì)神經(jīng)元圖像像素分布不均勻、線形結(jié)構(gòu)尺度變化大的特點(diǎn)，本文在

3、借鑒血管、視網(wǎng)膜等圖像線形結(jié)構(gòu)分割算法的基礎(chǔ)上，將多尺度線形結(jié)構(gòu)增強(qiáng)濾波運(yùn)用于神經(jīng)元圖像軸突和樹突的分割。針對(duì)分割結(jié)果存在尺度間不連續(xù)的問(wèn)題，引入了各向異性高斯平滑算法，借鑒各向異性濾波的思想，本文設(shè)計(jì)了一種各向異性均值和中值濾波算法。經(jīng)實(shí)驗(yàn)驗(yàn)證，這種算法在保持線形結(jié)構(gòu)原始尺度不變的同時(shí)，很好的解決了多尺度融合時(shí)尺度間不連續(xù)的問(wèn)題。
　　然后，針對(duì)神經(jīng)元圖像背景和目標(biāo)的特點(diǎn)，分析了傳統(tǒng)閾值化方法對(duì)神經(jīng)元圖像分割的優(yōu)缺點(diǎn)。在此基礎(chǔ)上

4、，本文設(shè)計(jì)了一種基于連通域的二值圖像線形結(jié)構(gòu)分割方法，在本文算法中，參與閾值化的對(duì)象不再是孤立的像素點(diǎn)，而是連接起來(lái)的連通域。經(jīng)實(shí)驗(yàn)驗(yàn)證，本文算法可以較好的提取出經(jīng)局部閾值化方法處理后的圖像中的線形結(jié)構(gòu)，本文算法為噪聲干擾嚴(yán)重的二值圖像中線形結(jié)構(gòu)的提取提供了一種新的思路。
　　最后，因?yàn)樯鲜龅难芯慷际且匀痔幚頌榻Y(jié)果的，研究人員無(wú)法對(duì)感興趣結(jié)構(gòu)或重要結(jié)構(gòu)進(jìn)行重點(diǎn)處理，也就是說(shuō)缺乏交互性。此外，全局處理通常只有在圖像成像質(zhì)量高的情況