血管造影图像分割方法研究

• 作 者: 杨琴
• 出 处: 曲阜师范大学
• 发表日期: 2016年期
• 关键词: 血管分割 梯度矢量压缩 非盲解去模糊 去噪 最大类间方差法 血管特征空间 主成分分析

糖尿病、高血压、动脉硬化等严重影响人类健康的疾病的发生,往往都伴随着新生血管的产生。正确分割血管图像,分析血管发生的变化,在预防和诊断病患中起着相当大的作用。虽然现有的血管分割方法已取得了较好的效果,但血管分割问题还远远没有解决,一种既适用于大部分血管图像、又能取得较好的分割效果的算法还没有被提出来。论文针对现有的血管分割算法做了大致分类,主要分为两类:基于非监督学习的血管分割方法和基于监督学习的血管分割方法。基于非监督学习的血管分割方法又可细分为基于匹配滤波器的血管分割方法、基于形态学分析的血管分割方法、基于血管追踪的血管分割方法、基于模型的血管分割方法、基于尺度分析的血管分割方法。通过对以上几种分割算法的简要论述,探讨和比较了各类分割算法的优缺点。针对不同的血管图像,论文对其进行了不同的分割算法的研究:针对模糊的血管图像,本文提出了基于频域快速解卷的血管提取算法,该方法避免了先去模糊再分割的繁琐的操作过程,直接对模糊血管图像进行分割,首先使用改进的梯度域动态压缩对血管边缘进行增强的同时突出了细微血管;再使用Horacio等人提出的基于稀疏先验的非盲解卷积去模糊技术对散度图像进行恢复操作;接着使用中值滤波进行去噪,减少噪声对分割的影响;最后使用OTSU方法对血管图像进行分割得到最终的血管脉络图。该方法对血管图像相对背景图像较亮的血管图像分割效果较好。为了寻找新型、有效的视网膜分割算法,本文提出了基于主成分分析的血管分割算法。该方法充分利用了最新的分割方法的优点,以便于获得较好的分割效果的血管分割思想,首先使用形态学变换、基于线条定向的血管方向分析、基于梯度计算的血管弯曲方向分析、血管脊四种方法提取了八个特征空间,然后使用PCA对这八个特征空间图进行降维处理,提取主要的血管特征,最后用OTSU方法对降维后的图像进行分割得到最后的血管分割图。本文在国际上公认的DRIVE眼底图像数据库上进行实验,并从准确度、灵敏度和特异性三个方面进行了性能评判,实验发现该方法具有较高的灵敏性。