基于Hessian矩陣的血管圖像增強與水平集分割算法研究.pdf

1、血管圖像分割是基于計算機輔助的血管分析的前提，也是血管定量分析、手術(shù)導(dǎo)航和疾病變化跟蹤的基礎(chǔ)。血管圖像由于噪音、局部體效應(yīng)和組織運動等的影響，具有模糊、不均勻性等特點，此外，血管結(jié)構(gòu)本身的復(fù)雜性、背景目標(biāo)混雜等都給血管分割帶來很大的困難。通常，將血管圖像增強作為分割的預(yù)處理步驟。本文針對兩鄰近血管互相干擾、血管圖像中目標(biāo)背景對比度低、血管微細復(fù)雜等情況進行研究，主要研究內(nèi)容如下：
　　(1)由于多尺度融合中邊緣擴散導(dǎo)致兩相鄰血管檢

2、測失敗，本文用梯度矢量流代替?zhèn)鹘y(tǒng)的高斯尺度空間計算的多尺度梯度向量。梯度矢量流是一種保留邊緣的各向異性擴散，在圖像邊界處約等于圖像梯度，當(dāng)勻質(zhì)區(qū)域緩慢變化時，和多尺度梯度向量性質(zhì)一樣，從而避免了多尺度分析。此外，本文提出了一個更適合血管圖像分割的血管相似性函數(shù)，它對線性結(jié)構(gòu)的響應(yīng)較大并且很均勻，背景響應(yīng)為負值，能很好的抑制分割過程中的邊緣泄露。
　　(2)由于水平集的方法能夠靈活的處理拓撲結(jié)構(gòu)的變化、平滑曲線能夠很好的描述血管結(jié)構(gòu)

3、等優(yōu)點，本文針對基于梯度矢量流的血管增強結(jié)果的特點，構(gòu)建了一個基于水平集方法的血管圖像分割模型。該模型中引入了一個用來驅(qū)使水平集函數(shù)接近符號距離函數(shù)的懲罰項，從而，在曲線演化的過程中不需要進行重新初始化，大大降低了計算成本。
　　(3)為了驗證本文模型的性能，本文用面積交疊度、錯分率和漏分率三種圖像分割評價方法對本文的血管圖像分割算法進行客觀的評價。實驗對象為DRIVE數(shù)據(jù)庫中提供的測試集中的20幅視網(wǎng)膜血管圖像，標(biāo)準(zhǔn)參考圖像為兩