基于自適應(yīng)閾值的視網(wǎng)膜圖像分割及其程序設(shè)計(jì)畢業(yè)設(shè)計(jì)論文

1、畢 業(yè) 設(shè) 計(jì)（論 文） 設(shè)計(jì)（論文）題目： 基于自適應(yīng)閾值的視網(wǎng)膜圖像 分割算法及程序設(shè)計(jì) 畢業(yè)設(shè)計(jì)（論文）原創(chuàng)性聲明和使用授權(quán)說明畢業(yè)設(shè)計(jì)（論文）原創(chuàng)性聲明和使用授權(quán)說明 原創(chuàng)性聲明原創(chuàng)性聲明 本人鄭重承諾：所呈交的畢業(yè)設(shè)計(jì)（論文） ，是我個(gè)人在指導(dǎo)教 師的指導(dǎo)下進(jìn)行的研究工作及取得的成果。盡我所知，除文中特別加 以標(biāo)注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研 究成果，也不包含我為獲得 及其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷 而使用過的材料。對(duì)本研究提供過幫助和做出過貢獻(xiàn)的個(gè)人或集體， 均已在文中作了明確的說明并表示了謝意。 作 者 簽 名： 日 期： 指導(dǎo)教師簽名： 日期： 使用授權(quán)說

2、明使用授權(quán)說明 本人完全了解 大學(xué)關(guān)于收集、保存、使用畢業(yè)設(shè)計(jì)（論 文）的規(guī)定，即：按照學(xué)校要求提交畢業(yè)設(shè)計(jì)（論文）的印刷本和電 子版本；學(xué)校有權(quán)保存畢業(yè)設(shè)計(jì)（論文）的印刷本和電子版，并提供 目錄檢索與閱覽服務(wù)；學(xué)?？梢圆捎糜坝?、縮印、數(shù)字化或其它復(fù)制 手段保存論文；在不以贏利為目的前提下，學(xué)?？梢怨颊撐牡牟糠?或全部?jī)?nèi)容。 作者簽名： 日 期： 基于自適應(yīng)閾值的視網(wǎng)膜圖像分割算法及程序設(shè)計(jì) 摘 要 視網(wǎng)膜圖像分割作為圖像處理的一個(gè)應(yīng)用在臨床醫(yī)學(xué)和身份鑒定 中發(fā)揮著愈來愈重要的作用。當(dāng)前的圖像分割方法主要包括并行邊界 分割、串行邊界分割、并行區(qū)域分割和串行區(qū)域分割等。本文致力于 研究基于自適

3、應(yīng)閾值的視網(wǎng)膜圖像分割算法及其實(shí)現(xiàn)技術(shù)。文章內(nèi)容 主要包括：1）綜述了公開報(bào)道的各種視網(wǎng)膜圖像的分割方法；2）研 究了并行區(qū)域分割方法中基于自適應(yīng)閾值的視網(wǎng)膜圖像分割的算法及 其實(shí)現(xiàn)技術(shù)；3）通過 vc+6.0 編程實(shí)現(xiàn)了用自適應(yīng)閾值算法進(jìn)行視 網(wǎng)膜圖像分割；4）通過實(shí)驗(yàn)驗(yàn)證了算法的有效性。 關(guān)鍵詞：視網(wǎng)膜圖像，自適應(yīng)閾值，圖像分割 review on adaptive threshold-based segmentation of retinal image and its program design abstract retinal image segmentation as one o

4、f image processing applications, play an increasingly important role in clinical medicine and identification. the current image segmentation methods include parallel boundary segmentation, serial boundary segmentation, parallel region segmentation and serial region segmentation. this article focused

5、 on the adaptive threshold-based segmentation algorithm of retinal image and its implementation techniques, including 1）reviewed a variety of publicly reported retinal image segmentation methods. 2）discussed the adaptive threshold-based segmentation algorithm of retinal image in the parallel region

6、segmentation and its realization. 3）do the segmentation of retinal images using adaptive threshold algorithm via vc+ 6.0 programming algorithm. 4）test the validity of the algorithm by experiments. key words: retinal image, adaptive threshold， image segmentation , 目錄目錄 摘摘 要要.i abstract .ii 目錄目錄.ii 第第

7、 1 章章緒論緒論.2 1.1本課題研究的目的及意義.2 1.2當(dāng)前的研究進(jìn)展和存在的問題.2 1.2.1基于并行邊界的分割方法canny 自適應(yīng)的邊緣檢測(cè)方法.3 1.2.2基于串行邊界的分割方法追蹤的分割方法.3 1.2.3基于并行區(qū)域的分割法聚類分割法.4 1.2.4基于串行區(qū)域的分割法區(qū)域生長(zhǎng)分割法.4 1.3本課題研究的主要內(nèi)容及貢獻(xiàn).5 1.4本論文的結(jié)構(gòu).5 第第 2 章章基本算法原理基本算法原理.6 2.1并行區(qū)域分割.6 2.1.1 固定閾值算法.6 2.1.2 自適應(yīng)閾值算法.7 第第 3 章章基于自適應(yīng)算法的視網(wǎng)膜圖像分割基于自適應(yīng)算法的視網(wǎng)膜圖像分割.9 3.1核心算法

8、.9 3.1.1 固定閾值.9 3.1.2 自適應(yīng)閾值.10 3.1.3 canny 算子.12 3.2實(shí)驗(yàn)結(jié)果.15 3.3性能分析.18 第第 4 章章總結(jié)總結(jié).19 參考文獻(xiàn)參考文獻(xiàn).20 附錄附錄 核心代碼核心代碼.22 致謝致謝.32 軟件使用說明書軟件使用說明書.33 第第 1 章章緒論緒論 1.11.1本課題研究的目的及意義本課題研究的目的及意義 圖圖 1 1 眼底結(jié)構(gòu)示意圖眼底結(jié)構(gòu)示意圖 由哈佛公共衛(wèi)生學(xué)院和世界衛(wèi)生組織聯(lián)合展開的一項(xiàng)長(zhǎng)期的研究表明,在發(fā) 達(dá)國(guó)家和發(fā)展中國(guó)家,包含中風(fēng)和糖尿病在內(nèi)的心血管疾病是導(dǎo)致死亡的首要原 因之一.一個(gè)可以有效預(yù)測(cè)心血管疾病發(fā)生和幫助治療的手

9、段,將每年挽救和提高 廣大群體的生活質(zhì)量,在如高血壓,心血管和心衰竭等疾病的癥狀明顯出現(xiàn)前,循 環(huán)系統(tǒng)的檢測(cè)可以為此提供證據(jù).這一點(diǎn)已經(jīng)在 t.wong 等人1的通過對(duì)大量研究 得到的綜述中被證實(shí).這些研究中包含的大量主訴同通過視網(wǎng)膜檢測(cè)即可發(fā)現(xiàn)的 循環(huán)問題和跡象相聯(lián)系.對(duì)人類眼睛血管的檢測(cè),可以預(yù)測(cè)疾病的發(fā)生和輔助診斷,以 及追蹤一系列與循環(huán)系統(tǒng)相關(guān)的疾病和癥狀. 另外，視網(wǎng)膜，具有唯一性、穩(wěn)定性、可采集性、非侵犯性等優(yōu)點(diǎn)，在身份 鑒別等高層次安全保密方面有重要的應(yīng)用前景。而且與臉像、聲音等非接觸式的 身份鑒別方法相比，視網(wǎng)膜具有更高的準(zhǔn)確性。據(jù)統(tǒng)計(jì)，視網(wǎng)膜識(shí)別的錯(cuò)誤率是 各種生物特征識(shí)別中

10、最低的?；谝暰W(wǎng)膜的身份鑒別技術(shù)日益得到學(xué)術(shù)界和企業(yè) 界的重視。 然而,通過肉眼直接觀測(cè)眼睛或者人工分析視網(wǎng)膜影像是耗時(shí)的,耗力的,而 且需要經(jīng)過專門培訓(xùn)的眼科醫(yī)生和專業(yè)設(shè)備.一種可以精確的繪制視網(wǎng)膜血管的 方法是采用一般的數(shù)碼相機(jī)和陳舊的計(jì)算機(jī)設(shè)備,自動(dòng)化的分析和診斷工具可以 在這些儀器上配合使用,這大大提升了這些檢測(cè)的速度和效度,同時(shí)也大大減少了 成本.任何自動(dòng)視網(wǎng)膜圖像分割方法都需要精確確定眼內(nèi)的靜脈,動(dòng)脈以及毛細(xì)血 管的位置,大小和邊界,通過此圖像去追蹤它們的通路.這使得自動(dòng)化診斷工具的 應(yīng)用成為可能.這些自動(dòng)診斷工具通過進(jìn)行視網(wǎng)膜檢測(cè),可以預(yù)見和顯示這些健康 問題的所在,并為此提供很

11、多有價(jià)值的信息. 由于硬件限制，視網(wǎng)膜圖像較明顯地表現(xiàn)出以下特點(diǎn)：光照不均勻；血管與 背景的對(duì)比度不強(qiáng)；圖像噪聲點(diǎn)多。這導(dǎo)致采用常用的圖像處理方法很難分割出 滿意的效果，尋找合適的視網(wǎng)膜圖像分割方法是難點(diǎn)所在。目前視網(wǎng)膜圖像的分 割方法已有不少，但是基于自適應(yīng)閾值的分割方法尚未見發(fā)表。本文就重點(diǎn)研究 基于自適應(yīng)閾值的視網(wǎng)膜圖像分割算法。 1.21.2當(dāng)前的研究進(jìn)展和存在的問題當(dāng)前的研究進(jìn)展和存在的問題 視網(wǎng)膜圖像的分割檢測(cè)在臨床醫(yī)療過程和身份鑒定中發(fā)揮著重要作用。國(guó)內(nèi) 外發(fā)表了許多關(guān)于視網(wǎng)膜圖像分割檢測(cè)的文章。當(dāng)今的分割方法主要可以分為兩 大類：一類是邊界方法2，這種方法的假設(shè)是圖像分割結(jié)果的

12、某個(gè)子區(qū)域在原來 的圖像中一定會(huì)有邊緣存在，一般有孤立點(diǎn)法，孤立線法，組成邊界法，邊界跟 蹤法等；一類是區(qū)域方法2，這種方法的假設(shè)是圖像分割結(jié)果的某個(gè)子區(qū)域一定 會(huì)有相同的性質(zhì)，而不同區(qū)域的像素則沒有共同的性質(zhì)，一般有閾值分割法，區(qū) 域分裂與合并，自適應(yīng)等。 根據(jù)分割方法的不同，可分為： 1.并行邊界分割2：對(duì)圖像上的每一點(diǎn)所作的分割處理不依賴與其他的點(diǎn)處 理結(jié)果，同時(shí)地在所有點(diǎn)上進(jìn)行分割運(yùn)算。 2.串行邊界分割2：通過順序的搜索邊緣點(diǎn)，采用串行的方法來對(duì)目標(biāo)邊界 檢測(cè)來實(shí)現(xiàn)分割的方法。在處理圖像時(shí)不但利用了本身像素的信息，而且利用前 面已經(jīng)處理像素的結(jié)果。對(duì)某個(gè)像素的處理，以及是否把它分類成

13、邊界點(diǎn)，和先 前對(duì)其它點(diǎn)處理得到的信息有關(guān)。 3.并行區(qū)域分割2：采用并行的算法對(duì)目標(biāo)區(qū)域進(jìn)行檢測(cè)實(shí)現(xiàn)圖像的分割。 4.串行區(qū)域分割2：采用串行處理策略對(duì)目標(biāo)區(qū)域直接檢測(cè)來實(shí)現(xiàn)分割的方 法。主要特點(diǎn)是整個(gè)處理過程分解為順序的多個(gè)步驟依次進(jìn)行。 以下綜述了當(dāng)今主流的視網(wǎng)膜圖像分割的方法及其優(yōu)缺點(diǎn)。 如下圖為當(dāng)如上所述的分割方法的框架表： 圖圖 2 2 圖像分割方法框架圖像分割方法框架 1.2.1基于并行邊界的分割方法canny 自適應(yīng)的邊緣檢測(cè)方法3 基于canny算子2,提出了一種canny自適應(yīng)的邊緣檢測(cè)方法。canny自適應(yīng)算 法在保持了canny算子原有的定位準(zhǔn)確,單邊響應(yīng)和信噪比高等優(yōu)

14、點(diǎn)的基礎(chǔ)上, 提 高了canny算子在提取圖像邊緣細(xì)節(jié)信息和抑制假邊緣噪聲方面的性能。canny自 適應(yīng)算法將整幅圖像分割為若干子圖像,并根據(jù)各子圖像的邊緣梯度信息,結(jié)合全 局邊緣梯度特征信息自適應(yīng)地生成動(dòng)態(tài)閾值,提高了邊緣檢測(cè)的自動(dòng)化程度,在實(shí) 際的應(yīng)用中獲得了很好的效果。通過數(shù)學(xué)分析和試驗(yàn)結(jié)果證明了canny自適應(yīng)算 法是一種有效的邊緣檢測(cè)改善方法。 canny自適應(yīng)算法普遍適用于各類圖像的階躍邊緣,本算法保持了傳統(tǒng)canny 算子的優(yōu)點(diǎn),提高了抑制噪聲的能力,而且在算法復(fù)雜度和計(jì)算時(shí)間上均小于傳統(tǒng) canny算子,得到的邊緣輪廓圖信噪比高,連通性好,更重要的是本算法能夠自適應(yīng) 的生成高、

15、低閾值檢測(cè)圖像邊緣,自動(dòng)化程度高,為實(shí)現(xiàn)自動(dòng)匹配進(jìn)行了有益的探 索。canny自適應(yīng)算法也存在如檢測(cè)效果優(yōu)于sobel、laplacian等簡(jiǎn)單算子,但是 速度相對(duì)較慢等問題,這有待于進(jìn)一步研究解決。 1.2.2基于串行邊界的分割方法追蹤的分割方法4 基于追蹤(tracking)的分割方法，此法由血管圖像邊界上的一個(gè)點(diǎn)出發(fā)依 次搜索并連接相鄰邊界點(diǎn)從而逐步檢測(cè)出整個(gè)血管邊界。主要包括如下步驟：搜 索起點(diǎn)的確定，搜索機(jī)制的選取，搜索結(jié)束的判定。根據(jù)算法的不同，搜索起點(diǎn) 可有一個(gè)或數(shù)個(gè)。方法的缺點(diǎn)在于它不是全自動(dòng)的，需要操作者給出初始點(diǎn)和結(jié) 束條件。menegaz 等提出一種結(jié)合了先驗(yàn)知識(shí)的血管追

16、蹤算法，即利用血管位置、 走向和寬度的連續(xù)性特點(diǎn)，在人工設(shè)定種子點(diǎn)和搜索方向之后利用追蹤算法尋找 血管中心線實(shí)現(xiàn)血管分割。 串行分割法比并行分割法有潛在的優(yōu)點(diǎn)。并行分割法必須在每個(gè)圖像點(diǎn)完 成相同的計(jì)算，因?yàn)榻邮芑蚍艞夁@個(gè)像素點(diǎn)的惟一依據(jù)就是它的本身的計(jì)算結(jié)果。 但是這種計(jì)算帶來的問題是：如果希望分割是可靠的，這些計(jì)算可能會(huì)相當(dāng)?shù)膹?fù) 雜，因?yàn)椴坏貌辉谔幚碓撓袼氐臅r(shí)候，考慮鄰域甚至更多其他的像素。采用串行 分割可采用簡(jiǎn)單的、方便的計(jì)算。 1.2.3基于并行區(qū)域的分割方法聚類分割法5 聚類分割法是最為直接和最實(shí)用的圖像分割方法。閾值法實(shí)際上是聚類法 的一個(gè)特例。為了彌補(bǔ)不使用訓(xùn)練數(shù)據(jù)所造成的缺陷,

17、聚類算法在分割圖像和確 定每一類特征之間進(jìn)行迭代計(jì)算。從這個(gè)角度而言，聚類算法是在用已存在的數(shù) 據(jù)對(duì)自身進(jìn)行訓(xùn)練。目前常用的聚類算法有 k 均值(或 isodata)算法、模糊 c 均值算法和最大期望值(expection maximization, em)算法等。盡管聚類算法不要 求訓(xùn)練數(shù)據(jù),但需要預(yù)分割(或初始參數(shù))。由于聚類算法不需要直接包含空間建模， 所以對(duì)初始化參數(shù)敏感、噪聲和灰度不均勻性均比較敏感；但這種缺乏空間模型 的算法卻帶來了計(jì)算的快捷。ayala6等提出 2 種新的模糊集均值算法并應(yīng)用于視 網(wǎng)膜血管的自動(dòng)分割。thanapong 等利用 fcm 算法分割 20 套眼底視網(wǎng)膜

18、血管圖 像，fcm 算法敏感性，與目前臨床應(yīng)用的傳統(tǒng)的分割方法相比較，特異性分別 達(dá)到 78.116%和 95.175%。 1.2.4基于串行區(qū)域的分割方法區(qū)域生長(zhǎng)分割法5 基于區(qū)域生長(zhǎng)(region growing)的分割方法區(qū)域生長(zhǎng)法從滿足檢測(cè)準(zhǔn)則的 種子點(diǎn)開始，在各個(gè)方向上生長(zhǎng)區(qū)域，當(dāng)其相鄰點(diǎn)滿足特定檢測(cè)準(zhǔn)則就并入小塊 區(qū)域中。當(dāng)新的點(diǎn)被合并后再用新的區(qū)域重復(fù)這一過程，直到?jīng)]有可接受的鄰近 點(diǎn)時(shí)生成過程終止，性質(zhì)的相似性和空間的相鄰性是其重要準(zhǔn)則。區(qū)域生長(zhǎng)算法 假定灰度相近、性質(zhì)上相似、空間上相鄰的像素屬于同一物體，除將閾值作為判 定條件外，還考慮到目標(biāo)區(qū)域的空間相鄰性，其優(yōu)點(diǎn)在于計(jì)算簡(jiǎn)

19、單，對(duì)于均勻的 連通目標(biāo)有很好的分割效果。其主要缺點(diǎn)是需要用戶放置種子點(diǎn)，并反復(fù)調(diào)試閾 值直到獲得滿意的結(jié)果，耗時(shí)較長(zhǎng)，所獲結(jié)果在很大程度上依賴于用戶對(duì)閾值的 選擇。由于圖像密度和噪聲不一，區(qū)域生長(zhǎng)法往往產(chǎn)生孔洞和過度分割，所以需 要后處理 tuduki 等改進(jìn)了傳統(tǒng)的區(qū)域生長(zhǎng)法先利用閾值法處理 mra 數(shù)據(jù)，再通 過基于歐幾里德變換的算法提取血管中軸線，以此為種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)，自動(dòng) 分割提取了腦血管，實(shí)現(xiàn)了血管三維成像。 1.31.3本課題研究的主要內(nèi)容及貢獻(xiàn)本課題研究的主要內(nèi)容及貢獻(xiàn) 1） 綜述了公開報(bào)道的各種視網(wǎng)膜血管檢測(cè)方法； 2） 深入研究并行區(qū)域分割法，重點(diǎn)比較了固定閾值分割和自

20、適應(yīng)閾值分割 算法； 3） 研究自適應(yīng)算法的實(shí)現(xiàn)技術(shù)； 4） 以自適應(yīng)閾值算法為工具研究視網(wǎng)膜圖像分割問題。 5） 通過 vc+6.0 編程實(shí)現(xiàn)了以自適應(yīng)閾值算法為基礎(chǔ)的并行區(qū)域分割法進(jìn) 行視網(wǎng)膜圖像分割； 6） 通過實(shí)驗(yàn)驗(yàn)證了算法的有效性。 1.41.4本論文的結(jié)構(gòu)本論文的結(jié)構(gòu) 第 1 章 緒論； 第 2 章 基本算法原理； 第 3 章 基于自適應(yīng)閾值算法的視網(wǎng)膜圖像分割； 第 4 章 總結(jié)； 參考文獻(xiàn)； 附錄 核心代碼； 致謝； 軟件使用說明書。 第第 2 2 章章基本算法原理基本算法原理 本章主要介紹算法的基本原理。先對(duì)并行區(qū)域分割技術(shù)進(jìn)行描述，再對(duì)經(jīng)典 的并行區(qū)域分割算法固定閾值算法和

21、自適應(yīng)閾值算法分別作詳細(xì)討論。 2.12.1并行區(qū)域分割并行區(qū)域分割 并行區(qū)域分割技術(shù)是指采用并行的方法對(duì)目標(biāo)區(qū)域進(jìn)行檢測(cè)實(shí)現(xiàn)圖像分割 的方法。從某種角度講，圖像分割的目的之一就是目標(biāo)提取將人類感興趣的區(qū) 域提取出來。從這一點(diǎn)說，區(qū)域分割是最直接的方法，利用這種分割方法可以直 接得到感興趣的目標(biāo)區(qū)域。 并行區(qū)域是把圖像分成前景和背景，所以閾值分割相當(dāng)于對(duì)圖像進(jìn)行二值化， 實(shí)質(zhì)是對(duì)每一個(gè)像素點(diǎn)確定一個(gè)閾值，根據(jù)閾值決定當(dāng)前像素是前景還是背景點(diǎn)。 出于這個(gè)原因，直接的閾值分割一般不能適用于復(fù)雜景物的正確分割，如自然場(chǎng) 景，因?yàn)閺?fù)雜景物的圖像，有的區(qū)域很難判斷究竟是前景還是背景。不過閾值分 割在處理

22、前景與背景有較強(qiáng)對(duì)比的圖像時(shí)特別有用，此時(shí)需要的計(jì)算復(fù)雜度小。 當(dāng)物體的灰度級(jí)比較集中時(shí)，簡(jiǎn)單設(shè)置灰度級(jí)閾值提取物體是一個(gè)有效方法。 2.1.1 固定閾值算法 固定閾值分割的研究已經(jīng)有幾十年的歷史，到現(xiàn)在為止，已經(jīng)提出了很多算 法。固定閾值分割的基本想法是確定一個(gè)閾值，然后把每個(gè)像素點(diǎn)的像素值和閾 值相比較，根據(jù)比較的結(jié)果把該像素劃分成兩類前景或者背景。一般閾值分 割可以分成以下 3 步： （1）確定閾值； （2）將閾值和像素值比較； （3）把像素歸類。 上面的 3 個(gè)步驟，關(guān)鍵的是第一步，如果能確定一個(gè)合適的閾值，就可以 對(duì)圖像進(jìn)行正確、方便的分割。 固定閾值方法分全局閾值和局部閾值兩種，如

23、果分割過程中對(duì)圖像上每個(gè)像 素所使用的閾值都相等，則為全局閾值方法；如果每個(gè)像素所使用的閾值可能不 同，則為局部閾值方法。 全局閾值： （2-12-1 )( ftt ） 局部閾值： （2-22-2 ),(yxftt ） 可以認(rèn)為局部閾值是全局閾值的一般情況，全局閾值則是最簡(jiǎn)單的圖像分割 方法。在選用閾值時(shí)，根據(jù)不同的目標(biāo)，對(duì)圖像分割往往存在一個(gè)最佳的閾值。 2.1.2 自適應(yīng)閾值算法 當(dāng)照明不均勻、有突發(fā)噪聲，或者背景灰度變化比較大時(shí)，整幅圖像分割將 沒有合適的單一門限，因?yàn)閱我坏拈撝挡荒芗骖檲D像各個(gè)像素的實(shí)際情況。這時(shí)， 可對(duì)圖像按照坐標(biāo)分塊，對(duì)每一塊分別選一閾值進(jìn)行分割，這種與坐標(biāo)相關(guān)的閾

24、 值稱為動(dòng)態(tài)閾值方法，也稱為自適應(yīng)閾值方法。這類算法的時(shí)間復(fù)雜度和空間復(fù) 雜度比較大，但是抗噪聲能力比較強(qiáng)，對(duì)采用全局閾值不容易分割的圖像有較好 的效果。 自適應(yīng)閾值選取比較簡(jiǎn)單的方法則是對(duì)每個(gè)像素確定以它為中心的一個(gè) n 的 鄰域窗口，但是，一般來說，同一種運(yùn)算窗口越大，需要處理的數(shù)據(jù)越多，時(shí)間 復(fù)雜度越大，所以要根據(jù)實(shí)際對(duì)圖像的要求進(jìn)行鄰域的大小選取。計(jì)算窗口內(nèi)像 素的最大值和最小值，或者窗口內(nèi)所有的像素值得和，然后取它們的均值作為閾 值。 令 value max 表示 n 鄰域像素的最大灰度值，value min 表示 n 鄰域像素的最小 灰度值,則閾值可以設(shè)定為： （2-32-3） 2

25、 minmaxvaluevalue t 也可以采用均值設(shè)定閾值： （2-42-4） n pi t n i 1 具體如下圖(3）所示選取的窗口為當(dāng)前像素的 8 鄰域窗口： p p c c 圖圖 3 3 自適應(yīng)閾值確定方法自適應(yīng)閾值確定方法 在圖（ 3 ）中，令 c 表示當(dāng)前像素，p 為 c 的 8 鄰域像素，根據(jù)上訴公式 則閾值具體可以設(shè)定為： （2-52-5） 8 8 1 i pi t 其中 pi 是 c 的 8 鄰域像素。 第第 3 章章基于自適應(yīng)算法的視網(wǎng)膜基于自適應(yīng)算法的視網(wǎng)膜圖像分割圖像分割 本章深入研究自適應(yīng)算法在視網(wǎng)膜圖像分割的實(shí)現(xiàn)技術(shù)。本課題的核心算法 是在均值閾值算法基礎(chǔ)上，用

26、鄰域內(nèi)的均值作為閾值進(jìn)行比較，以提高實(shí)驗(yàn)性能。 為了體現(xiàn)本算法的特點(diǎn)和優(yōu)越性，特與固定閾值算法和串行區(qū)域分割法中的 canny 算子進(jìn)行比較，得出鮮明可比的實(shí)驗(yàn)結(jié)果，并進(jìn)行具體的性能分析。3.1 節(jié) 首先給出了三種算法的核心算法代碼；3.2 節(jié)給出了實(shí)驗(yàn)結(jié)果；3.3 節(jié)進(jìn)性能分析。 3.13.1核心算法核心算法 該研究以 vc+6.0 為開發(fā)平臺(tái)，以 cximage 圖像處理庫(kù)為開發(fā)工具，設(shè)計(jì) 并實(shí)現(xiàn)了相關(guān)算法。上述核心算法的描述和代碼如下： 3.1.1固定閾值 本算法先選固定閾值為全局像素值的平均值，即先對(duì)全局像素值求和為 tp，并記錄像素個(gè)數(shù) c，然后再求得全局像素均值為固定閾值，最后遍

27、c tp ap 歷整圖中的像素值與固定閾值進(jìn)行比較并重新賦值進(jìn)行顯示。 void cdemodoc:oncximage_ybbct() / 在這里開始添加自己的命令代碼 if (image=null) return; /*如果沒有讀取到圖像，返回*/ long w, h, x, y; /*w 為圖像的寬度，h 為圖像的高度，x 為像素的橫坐標(biāo)，y 為像素的縱坐標(biāo)*/ int c=0; double v=0; w = image-getwidth(); /*讀取圖像的寬度*/ h = image-getheight(); /*讀取圖像的高度*/ image-grayscale(); /*把圖像轉(zhuǎn)

28、換為灰度圖*/ byte *thd_img; /*建立圖像數(shù)據(jù)的指針*/ thd_img = (byte *)malloc(w)*(h)*sizeof(byte); /*給圖像分配內(nèi)存*/ for (y = 0; y h; y+) /*對(duì)圖像的高度 h 開始遍歷*/ for (x =0; x getpixelindex(x,y); c+; v/=c; if(image-getpixelindex(x,y)=(byte)v) /*跟所求閾值進(jìn)行比較并賦值*/ thd_imgy*w+x=255; else thd_imgy*w+x=0; image-setpixelindex(x,y,(byte)

29、thd_imgy*w+x); /*對(duì)所得的像素點(diǎn)進(jìn)行顯示*/ free(thd_img); /*釋放指針*/ 3.1.2自適應(yīng)閾值 本算法先對(duì)每個(gè)像素選取一個(gè)大小為 18*18 的鄰域，然后針對(duì)每一個(gè)鄰域求 出它相應(yīng)的均值，即為自適應(yīng)閾值，然后針對(duì)該鄰域中的每個(gè)像 118*18 1 118*18 1 i pi at 素的值與該鄰域的閾值進(jìn)行比較并重新賦值，依次遍歷整圖，最后對(duì)所得的像素 點(diǎn)進(jìn)行顯示。 void cdemodoc:oncximage_ybbat() /在這里開始添加自己的命令代碼 if (image=null) return; /*如果沒有讀取到圖像，返回*/ long w, h

30、, x, y; /*w 為圖像的寬度，h 為圖像的高度，x 為像素的橫坐標(biāo)， y 為像素的縱坐標(biāo)*/ int k, l, c; /*k 表示所取子領(lǐng)域的寬度，l 為所取子領(lǐng)域的高度，c 作為灰 度值的和加總*/ double v; /*v 為所求灰度的均值*/ w = image-getwidth(); /*讀取圖像的寬度*/ h = image-getheight(); /*讀取圖像的高度*/ image-grayscale(); /*把圖像轉(zhuǎn)換為灰度圖*/ byte *thd_img; /*建立圖像數(shù)據(jù)的指針*/ thd_img = (byte *)malloc(w)*(h)*sizeof

31、(byte); /*給圖像分配內(nèi)存*/ for (y = 0; y h; y+) /*對(duì)圖像的高度 h 開始遍歷*/ for (x =0; x w; x+) /*對(duì)圖像的寬度 w 開始遍歷*/ v =0; /*對(duì)變量 v 賦初值 0*/ c =0; /*對(duì)變量 c 賦初值 0*/ for (l=-9;l10;l+) /*對(duì)鄰域的高度 l 開始遍歷*/ for(k=-9;k=0 c+; v/=c; if(image-getpixelindex(x,y)=(byte)v) /*跟所求閾值進(jìn)行比較并賦值*/ thd_imgy*w+x=255; else thd_imgy*w+x=0; for (y

32、= 0; y h; y+) for (x =0; x setpixelindex(x,y,(byte)thd_imgy*w+x); /*對(duì)所得的像素點(diǎn)進(jìn)行顯示*/ free(thd_img); /*釋放指針*/ 3.1.3canny 算子 本算法先是利用高斯函數(shù)對(duì)圖像進(jìn)行平滑，去除圖像中的噪聲，并產(chǎn)生一個(gè) 一維高斯分布函數(shù)，在高斯平滑函數(shù)中生成高斯濾波函系數(shù)7，然后采用二階范 數(shù)計(jì)算梯度，抑制局部像素非最大梯度點(diǎn)，根據(jù)梯度計(jì)算及經(jīng)過非最大值抑制后 的結(jié)果設(shè)定閾值，再利用函數(shù)尋找邊界的起點(diǎn)，最后用 hysteresis2執(zhí)行的結(jié)果， 從一個(gè)像素點(diǎn)開始進(jìn)行搜索，搜索以該像素為邊界起點(diǎn)的一條邊界所有

33、的邊界點(diǎn)。 void canny(unsigned char *punchimage, int nwidth, int nheight, double sigma, double dratiolow, double dratiohigh, unsigned char *punchedge) unsigned char * punchsmooth ; /*經(jīng)過高斯濾波后的圖像數(shù)據(jù)*/ int * pngradx ; /*指向 x 方向?qū)?shù)的指針*/ int * pngrady ; /*指向 y 方向?qū)?shù)的指針*/ int * pngradmag ; /*梯度的幅度*/ punchsmooth =

34、 new unsigned charnwidth*nheight ; pngradx = new int nwidth*nheight ; pngrady = new int nwidth*nheight ; pngradmag = new int nwidth*nheight ; gaussiansmooth(punchimage, nwidth, nheight, sigma, punchsmooth) ; /*對(duì)原圖像進(jìn)行濾波*/ dirgrad(punchsmooth, nwidth, nheight, pngradx, pngrady) ; /*計(jì)算方向?qū)?shù)*/ gradmagnit

35、ude(pngradx, pngrady, nwidth, nheight, pngradmag) ; /*計(jì)算梯度的幅度*/ nonmaxsuppress(pngradmag, pngradx, pngrady, nwidth, nheight, punchedge) ; /*應(yīng)用 non-maximum 抑制*/ hysteresis(pngradmag, nwidth, nheight, dratiolow, dratiohigh, punchedge); /*應(yīng)用 hysteresis，找到所有的邊界*/ delete pngradx ; pngradx = null ; delete

36、 pngrady ; pngrady = null ; delete pngradmag ; pngradmag = null ; delete punchsmooth ; punchsmooth = null ; void cimageprocessingview:onedgecanny() cimageprocessingdoc*pdoc=(cimageprocessingdoc*)this-getdocument(); cdib * pdib = pdoc-m_pdibinit; lpbitmapinfoheader lpbmih=pdib-m_lpbmih; if (lpbmih-bi

37、bitcount != 8) /*判斷是否是 8-bpp 位圖*/ messagebox(目前只支持 256 色位圖的圖像分割！, 系統(tǒng)提示 , mb_iconinformation | mb_ok); /*提示用戶*/ return; int y; int x; csize sizeimage = pdib-getdimensions();/*獲得圖像的大小*/ int nwidth = sizeimage.cx ; int nheight= sizeimage.cy ; int nsavewidth = pdib-getdibsavedim().cx; unsigned char * pu

38、nchimage = new unsigned charnwidth*nheight; /*開 辟內(nèi)存，存儲(chǔ)圖像數(shù)據(jù)*/ for(y=0; ynheight; y+) for(x=0; xm_lpimagey*nsavewidth+x; unsigned char * punchedge = new unsigned charnwidth*nheight; /* canny 算子計(jì)算后的結(jié)果*/ canny(punchimage, nwidth, nheight, 0.4, 0.4, 0.79, punchedge) ; /*調(diào)用 canny 函數(shù)進(jìn)行邊界提取*/ for(y=0; ynhei

39、ght; y+) for(x=0; xm_lpimagey*nwidth+x=(unsigned char)(255- punchedgey*nwidth+x); delete punchimage; punchimage = null ; delete punchedge ; punchedge = null ; endwaitcursor(); invalidate(); 3.23.2實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果 本節(jié)給出了幾幅主要的視網(wǎng)膜圖像分割的測(cè)試結(jié)果：圖 4 為原始圖，圖 5 為所轉(zhuǎn)換成的 256 級(jí)灰度圖，圖 6 為用固定閾值進(jìn)行的視網(wǎng)膜圖像分割，圖 7 至 圖 11 為選取了各種大小的子鄰

40、域?qū)σ暰W(wǎng)膜圖像分別進(jìn)行的分割測(cè)試。圖 12 為用 canny 算子所進(jìn)行的邊緣檢測(cè)分割，用此與自適應(yīng)閾值分割來進(jìn)行對(duì)比。 圖圖 4 4 所要測(cè)試的原圖所要測(cè)試的原圖 圖圖 5 5 轉(zhuǎn)換成的轉(zhuǎn)換成的 256256 級(jí)灰度圖級(jí)灰度圖 圖圖 6 6 固定閾值分割固定閾值分割 圖圖 7 7 鄰域?yàn)猷徲驗(yàn)?3x33x3 的自適應(yīng)閾值分割的自適應(yīng)閾值分割 圖圖 8 8 鄰域?yàn)猷徲驗(yàn)?5x55x5 的自適應(yīng)閾值分割的自適應(yīng)閾值分割 圖圖 9 9 鄰域?yàn)猷徲驗(yàn)?9x99x9 的自適應(yīng)閾值分割的自適應(yīng)閾值分割 圖圖 1010 鄰域?yàn)猷徲驗(yàn)?15x1515x15 的自適應(yīng)閾值分割的自適應(yīng)閾值分割 圖圖 1111

41、鄰域?yàn)猷徲驗(yàn)?23x2323x23 的自適應(yīng)閾值分割的自適應(yīng)閾值分割 圖圖 1212 canny 算子所進(jìn)行的邊緣檢測(cè)分割算子所進(jìn)行的邊緣檢測(cè)分割 3.33.3性能分析性能分析 通過 3.2 節(jié)的圖 4 至圖 12 可以驗(yàn)證本課題的可行性。 圖 6 的固定閾值分割結(jié)果只顯示了一個(gè)眼球的整體輪廓，由此可見這種固定 閾值的分割法顯然無法從事繁瑣的視網(wǎng)膜圖像分割，用于精確的血管分割便 顯得毫無作用。 圖 7 至圖 11 的以自適應(yīng)閾值分割可得到圖像中，可以清晰的看到所提取的 視網(wǎng)膜血管，并且選用不同的鄰域進(jìn)行自適應(yīng)閾值分割，所得到的圖像清晰 程度也不同。所選取子鄰域越小的分割圖像背景噪聲分布越廣，但

42、對(duì)所提取 的目標(biāo)血管影響越小。反之，當(dāng)選取的鄰域越大的分割圖像背景噪聲分布顯 得集中了，但對(duì)所提取的目標(biāo)血管有所影響。 圖12為canny算子所進(jìn)行的邊緣檢測(cè)分割，通過圖中所顯示的目標(biāo)血管與自適 應(yīng)閾值分割的圖像相比，明顯可見其損失了很多目標(biāo)血管圖像，出現(xiàn)假的邊 緣，丟失真的邊緣，效果失真。 對(duì)自適應(yīng)閾值視網(wǎng)膜圖像分割的結(jié)果表明，檢測(cè)的準(zhǔn)確程度明顯高于其他 方法，目標(biāo)血管提取清晰程度高，而且失真最小，因此自適應(yīng)閾值分割算法可有 效地用于視網(wǎng)膜圖像的分割。但還是存在著背景噪聲對(duì)于目標(biāo)血管的干擾，因而 今后對(duì)算法的改進(jìn)可以從去噪這個(gè)方面進(jìn)行深入研究。 第第 4 4 章章總結(jié)總結(jié) 本文對(duì)視網(wǎng)膜圖像分

43、割方法的理論和應(yīng)用進(jìn)行了一定的研究，在查閱了大量 的國(guó)內(nèi)外關(guān)于視網(wǎng)膜圖像分割的文獻(xiàn)后，本人對(duì)視網(wǎng)膜圖像分割的方法有了具體 的了解，文中開始先闡述了視網(wǎng)膜圖像分割在醫(yī)學(xué)治療和身份鑒別中的重要應(yīng)用， 然后再提到手動(dòng)分割圖像對(duì)于人工的消耗和步驟的繁雜，既耗時(shí)又耗力，而計(jì)算 機(jī)自動(dòng)分割卻剛好能有效的解決這些不足，體現(xiàn)出其快捷，方便，準(zhǔn)確的優(yōu)點(diǎn)， 而且還能節(jié)省很多資金上的花費(fèi)。之后再對(duì)當(dāng)今對(duì)于視網(wǎng)膜圖像分割的算法按照 分割方法的不同進(jìn)行歸類，并在每大類中取出一個(gè)具體例子加以說明，比較其優(yōu) 缺點(diǎn)。說明了當(dāng)今視網(wǎng)膜圖像分割的研究和存在的問題。最后自己開始著手于第 三大類并行區(qū)域分割法中的自適應(yīng)閾值分割算法進(jìn)

44、行深入研究，并開始了軟件的 設(shè)計(jì)，過程中還發(fā)生過許多小的問題，在張教授的指導(dǎo)下進(jìn)行程序的分部調(diào)試和 檢測(cè)，最終完成了本程序并開始進(jìn)行具體實(shí)驗(yàn)驗(yàn)證。文中給出了若干幅具有代表 性的實(shí)驗(yàn)結(jié)果圖，并對(duì)這些實(shí)驗(yàn)結(jié)果圖進(jìn)行比較和分析，來說明其算法的優(yōu)點(diǎn)以 及不足之處。 本文所提出的算法是基于對(duì)目標(biāo)像素點(diǎn)的鄰域進(jìn)行求均值，然后跟所求均值 進(jìn)行比較，進(jìn)行重新賦值。這類算法的時(shí)間復(fù)雜圖和空間復(fù)雜度較大，但是抗噪 聲能力較強(qiáng)，得到的圖像清晰程度較高，對(duì)原圖的目標(biāo)血管數(shù)據(jù)的失真小。而本 課題的實(shí)驗(yàn)結(jié)果已經(jīng)充分地驗(yàn)證了該研究的可行性。因此背景的噪聲干擾對(duì)精確 性仍存在一定的影響。故今后對(duì)該算法的改進(jìn)可以從去噪方面進(jìn)行

45、深入研究。對(duì) 于去噪算法的介紹在很多公開的期刊上都能找到。 本文中該視網(wǎng)膜圖像分割算法取得了若干成果，但是，視網(wǎng)膜圖像分割技術(shù) 涉及到圖像處理、計(jì)算機(jī)、醫(yī)學(xué)、數(shù)學(xué)等許多方面，作為一項(xiàng)多學(xué)科交叉的綜合 性技術(shù)，它還有許多問題有待進(jìn)一步研究。此外，眼底圖像中血管網(wǎng)絡(luò)的提取屬 于弱信號(hào)的提取，由于血管網(wǎng)絡(luò)的復(fù)雜性、特殊性和處理結(jié)果要求的高精確性， 使得研究面臨的難題仍然很多，算法有待改進(jìn)的空間仍然很大。 目前，本研究只是實(shí)現(xiàn)了對(duì)視網(wǎng)膜的目標(biāo)血管與背景進(jìn)行分離和提取。今后 將進(jìn)一步研究在視網(wǎng)膜用于身份鑒定中的配比核對(duì)。 參考文獻(xiàn)參考文獻(xiàn) 1t.y. wong and r. mcintosh. syst

46、emic associations of retinal microvascular signs: a review of recent population-based studies. ophthalmic and physiological optics,25(3):195204, 2005. 2楊枝靈,王開.visual c+ 數(shù)字圖像獲取處理及實(shí)踐應(yīng)用m.北京：人民郵 電出版社,2003. 3王植,賀賽先.一種基于 canny 理論的自適應(yīng)邊緣檢測(cè)方法j.中國(guó)圖象圖 形學(xué)報(bào),2004，9 (8)：957-962. 4戴培山,王博亮,鞠穎. 視網(wǎng)膜血管圖像分割及眼底血管三維重建j.自動(dòng)

47、化 學(xué)報(bào),2009，35 （9）：1165-1176. 5周鮮成. 圖像分割方法及其應(yīng)用研究綜述j.信息技術(shù)報(bào)，2007,24（12） ：11-14. 6ayala g，leon t，zapater v. different averages of a fuzzy set with an applicati on to vessel segmentationj.ieee transactions on fuzzy systems，2005，13 (3) ：384-393. 7朱宏擎.基于灰度-梯度共生矩陣的視網(wǎng)膜血管分割方法j.上海交通大學(xué)學(xué)報(bào) ，2004，38 (9)：1485-1488.

48、8張惠蓉.眼微循環(huán)及其相關(guān)疾病m.北京：北京醫(yī)科大學(xué)中國(guó)協(xié)和醫(yī)科大 學(xué)聯(lián)合出版社，1993. 9吳振中.現(xiàn)代臨床眼科學(xué)m.長(zhǎng)沙：湖南科學(xué)技術(shù)出版社，1996. 10 湯敏，王惠男.彩色視網(wǎng)膜血管圖像的自動(dòng)分割算法j.儀器儀表學(xué)報(bào)，2007 ，28（7）：1281-1285. 11 姚暢，陳后金，李居朋.基于過渡區(qū)提取的視網(wǎng)膜血管分割方法j.電子學(xué)報(bào) ，2008，36 (5)：974-978. 12 潘立豐，王利生.一種視網(wǎng)膜血管自適應(yīng)提取方法j.中國(guó)圖象圖形學(xué)報(bào)，200 6，11 (3)：310-316. 13 趙凡.一種基于邊緣檢測(cè)的視網(wǎng)膜圖像的分割方法j.陜西工學(xué)院學(xué)報(bào)，2003 ，19

49、(2)：32-33. 14 zhu h q，shu h z，luo l m. blood vessels segmentation in retina via wavelet t ransforms using steerable filtersj.proceedings of the 17th ieee symposium on computer-based medical systems 2004，2004：316-321. 15 y. zhang, et al., “detection of retinal blood vessels based on nonlinear project

50、ions,” j. signal processing systems, vol. 55, pp. 103-112, 2009. 16 e. w. dijkstra, “a note on two problems in connexion with graphs,” numerische mathematik, 1, pp. 269-271, 1959. 17 h. azegrouz, e. trucco, “max-min central vein detection in retional fundus images,” ieee international conference on

51、image processing (icip 2006), pp. 1925-1928, 2006. 18 m. s. mabroukl, “survey of retinal image segmentation and registration,” gvip journal, vol. 6 (2), pp. 1-11, 2006. 19 x. falcao, et al., “an ultra-fast user-steered image segmentation pardigm：live wi re on the fly,” ieee trans on medical imageing

52、, vol. 19 (1), pp. 55-62, 2000. 附錄附錄 核心代碼核心代碼 由于本研究的軟件實(shí)現(xiàn)用了開源框架 cximage，而 cximage 源碼較長(zhǎng)，讀者 在網(wǎng)上可以比較容易地找到，故附錄里只給出了本研究的核心算法的源碼。源碼 如下： void cdemodoc:oncximageybb() / todo: add your command handler code here if (image=null) return; long w, h, x, y; rgbquad c; dlgcanny dlg; if (dlg.domodal()=idok) setcursor

53、(loadcursor(0,idc_wait); stopwatch(0); w = image-getwidth(); h = image-getheight(); unsigned char *img; /* the input image */ unsigned char *edge; /* the output edge image */ /int rows, cols; /* the dimensions of the image. */ float sigma, /* standard deviation of the gaussian kernel. */ tlow, /* fr

54、action of the high threshold in hysteresis. */ thigh; /* high hysteresis threshold control. the actual threshold is the (100 * thigh) percentage point in the histogram of the magnitude of thegradient image that passes non-maximalsuppression. */ sigma = dlg.m_sigma; tlow = dlg.m_tlow; thigh = dlg.m_t

55、high; img = (unsigned char *) calloc(w*h,sizeof(unsigned char); edge = (unsigned char *) calloc(w*h,sizeof(unsigned char); for (y = 0; yh;y+) for(x =0; xgetpixelcolor(x,y).rgbgreen; canny(img, h, w, sigma, tlow, thigh, edge); free(img); cximage *newb = new cximage(w,h,24); for (y = 0; yh;y+) for(x =

56、0; xsetpixelcolor(x,y,c); free(edge); cdemodoc *newdocg=(cdemodoc*)(cdemoapp*)afxgetapp()- demotemplate-opendocumentfile(null); if (newdocg) newdocg-image = newb; cstring s; s.format(canny edge from %s,gettitle(); newdocg-settitle(s); newdocg-updateallviews(0,wm_user_newimage); stopwatch(1); updates

57、tatusbar(); setcursor(loadcursor(0,idc_arrow); void cdemodoc:onupdatecximagecanny(ccmdui* pcmdui) / todo: add your command update ui handler code here m_menucommand=id_cximage_canny; hthread=(handle)_beginthread(runcximagethread,0,this); void cdemodoc:oncximagezhou() / todo: add your command handler

58、 code here void cdemodoc:onupdatecximagezhou(ccmdui* pcmdui) / todo: add your command update ui handler code here void cdemodoc:oncximagedu() / todo: add your command handler code here if (image=null) return; cximage *newr = new cximage(); cximage *newg = new cximage(); cximage *newb = new cximage()

59、; long w, h, x, y; /int n; /long x1,y1,x2,y2,x3,y3,x4,y4; /double mdist,dist; /byte th_l; /rgbquad c; stopwatch(0); w = image-getwidth(); h = image-getheight(); byte *edgeimg, v; edgeimg = (byte *)malloc(w)*(h)*sizeof(byte); for (y=0;yh;y+) for(x =0; xw;x+) v = 0; if(x+1)=0 v += 2*image-getpixelinde

60、x(x+1,y); v += image-getpixelindex(x+1,y+1); v -= image-getpixelindex(x-1,y-1); v -= 2*image-getpixelindex(x-1,y); v -= image-getpixelindex(x-1,y+1); edgeimgy*w+x = v; for (y=0;yh;y+) for(x =0; xsetpixelindex(x,y,v); void cdemodoc:onupdatecximagedu(ccmdui* pcmdui) / todo: add your command update ui