一种基于随机方向直方图比的双阈值的血管图像处理方法技术

本发明专利技术公开了一种基于随机方向直方图比的双阈值的血管图像处理方法，属于图像处理技术领域，提出了一种基于随机探针检测血管图像子窗口内的图像性质的指标——方向直方图比，根据方向直方图比的值大小，能够鉴别血管图像中的噪声污染区域与血管区域，对噪声污染区域采用高阈值进行阈值化处理，从而能够尽量的消除噪声像素，而对血管区域则采用低阈值进行阈值化处理，从而尽量的保留血管像素，其中，高、低两个阈值则通过三级Otsu算法获得，通过该方法获得的血管检测结果，能够有效得去除血管图像中的噪声。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体涉及一种基于随机方向直方图比的双阈值的 血管图像处理方法。
技术介绍
为了能够理解复杂的血管图像数据，许多现有研宄已经提出了各种形态学方法对 血管进行量化，包括血管长度分布、血管半/直径分布、血管方向、血管区域或空间密度、血 管分枝节点密度、血管分枝角度、血管端点密度和分形维数等。显然，这些度量的精确程度 严重依赖于图像的血管检测输出结果。然而，由于背景着色、血管漏洞或者通过血管壁渗透 到周围组织的荧光染料的存在，血管造影图像数据往往会出现部分区域的噪声污染。在这 种情况下，从血管图像中进行有效的血管检测具有较大的难度。 现有研宄针对血管图像数据处理问题已经提出了多种方法，根据血管图像数据 所采用信息和特征种类的不同，血管图像数据处理算法主要可以三类，包括基于颜色特征 (亮度）的算法，基于形状（几何特征）的算法，以及联合使用了几何特征以及亮度特征的 算法。基于颜色特征的方法主要通过研宄颜色聚类、直方图分割、图像熵、像素局部邻域内 的统计特征、或者图像的某些属性（如边缘特征等），进行血管的分割提取。其中，最为直接 应用也最为广泛的一类算法是基于亮度信息的阈值化处理。阈值化处理根据不同的分类标 准，可以进行不同的归类。根据阈值化处理时所参考信息的范围，可以分为全局方法和局部 方法两类。此外，根据所采用信息种类的不同，阈值化算法又可以分为基于直方图形状的算 法，基于聚类的算法，基于熵的算法，基于属性相似性的算法，基于空间分布的算法，以及基 于局部统计特征的算法。基于直方图的方法根据灰度直方图的形状，特别是峰与谷分割来 计算阈值。基于聚类的方法，根据像素间的相似性或者差异性来区分前景与背景。基于熵 的方法，通过最大化二值图像的熵，或者最小化原始图像与所获得的二值图像之间的交叉 熵，来确定阈值。基于属性的方法，通过比较原始图像与结果二值图像之间的特征差异来确 定最佳二值图像，其所比较的特征包括边缘、形状、灰度矩等。这一类算法试图在最大程度 上保留原始图像的几何特征。基于空间分布的算法，主要根据相邻像素之间的相关性来确 定阈值，包括共生矩阵以及二阶矩等统计相关特征。其主要的策略是，将结果二值图像与原 始图像之间的分布变化差异最小化。基于局部统计特征的方法，根据图像的局部变化与对 比，计算单个像素或者局部窗口的阈值。通常对于不同的局部窗口，会得到不同的阈值，属 于一种局部阈值化算法。除了上述分类清楚的算法之外，阈值化处理还包括一些其它类型 的算法，包括基于模糊集的算法，基于进化的算法，混合优化算法。但是，这几种算法的基本 理念与前述几类算法在本质上是一致的，当图像中存在严重噪声污染时，这些算法通常无 法得到满意的阈值化结果。 此外，在进行基于血管骨架和边缘提取的血管检测算法，以及血管轮廓提取算法 等之前，都需要对血管图像进行阈值化处理，从而提取出血管图像部分。在应用某些血管分 割方法之前，也需要进行一个或多个阈值化处理，例如Socher' s方法，一种使用多层分类 器的边缘空间学习方法，必须在第一层找到边缘，并且边缘检测的精度取决于应用阈值化 算法对污染区域进行消除噪声的结果的质量。因此，阈值化处理是血管检测的一项重要手 段。如何提出新的阈值化处理方法，能够有效地去除血管中的噪声，是医学图像领域中的一 项重要需求。 血管图像中存在噪声污染问题，全装显微成像和双光子成像能够达到微米或者亚 微米的分辨率，能够完成小血管成像，例如毛细血管的成像。毛细血管的直径平均而言在8 微米左右，但有可能低至3微米。然而，毛细血管丛通常是缠绕在一起的不规则血管网络， 要从噪声背景下自动提取其中的血管是一个非常具有挑战性的问题。 血管造影图像中，有个特别的问题，即污染区域。血管造影成像通常需要向血管中 注入荧光染料，如果血管壁存在裂口，荧光染料会流入周围的组织中。即使在不存在裂口 的情况下，长时间的成像，特别是活体成像，都会造成荧光染料向周围组织的渗透。这些渗 透的荧光染料，会在血管图像中造成污染区域，类似云团状噪声。这些区域的尺寸通常较 血管的尺度大很多。例如，图Ia中，血管图的中上位置处的云团状污染噪声区域可以达到 130X 50 μ m2。此外，云团状噪声中的像素的亮度在70到165之间（红色通道），血管像素 的亮度则在80到200之间（红色通道）。可以看出，某些噪声像素的亮度值要高于某些血 管像素的亮度值。这个问题给准确的血管检测提取带来了困难。然而，现有的阈值化血管提 取方法不能很好得解决该问题。其结果要么是真实的血管中的部分像素被错误得剔除了， 要么是噪声中的部分像素被错误得保留了下来。不准确的血管提取结果，将给后续的血管 图像定量分析（例如，血管长度计算、血管面积或者体积计算等）引入误差。 为了更好得说明血管图像阈值化中存在的问题，以图Ia中的血管图像为例，对其 用典型阈值化算法处理的结果进行说明。图Ia中可以看到在中上部存在明显的云状噪声 污染区域。首先应用Kittler's方法对转化为灰度图后的图Ia进行阈值化处理，提取其中 的血管，其结果在图Ib中给出。之所以选择Kittler' s方法，在于该方法在不同情况下的 平均性能要优于其它多种阈值化方法。从图Ib中的结果可以看出，虽然大多数血管像素都 保留了下来，但大量的云状噪声也都没有去除。此外，为了说明错误得去除亮度较低的小血 管的问题，采用最大熵方法对图Ia中血管图像进行阈值化处理，其结果在图Ic中给出。从 其结果中可以看出，云状噪声都消除了，但同时大量的血管也都被错误的去除了。 上述各种问题并不只存在于毛细血管图像中。例如，相似的问题还出现在虹膜图 像、纱槌图像、航拍的道路图像，以及许多其他存在非均匀照明或者引起噪声的物理原因的 图像中。因此，有必要开发一种自适应的阈值化处理方法，能够区分有实际物理意义的模式 和噪声模式，从而合理的处理污染区域等问题。
技术实现思路
本专利技术的目的在于提供一种基于随机方向直方图比的双阈值的血管图像处理方 法，该方法基于随机探针检测血管图像子窗口内的图像性质指标，鉴别血管图像中的噪声 污染区与血管区域，通过该方法获能够有效得去除血管图像中的噪声。 本专利技术是通过以下技术方案来实现： ，包括以下步骤： 步骤一，输入采集的血管图像，进行背景清理； 步骤二，针对整幅血管图像，应用多级Otsu算法获取两个阈值，分别记作tl和t2， 且 tl>t2 ; 步骤三，将步骤一背景清理后的血管图像划分为Wmax个子图像，在每个子图像窗口 内随机放置η个探针，对η个探针在各个方向上的探测结果进行累加，获得该子图像的方 向直方图，然后计算该方向直方图中最大值与最小值的比，得到该子图像的方向直方图比 DHR ;以此计算得到整幅血管图像中各个子图像的方向直方图比； 步骤四，若某个子图像的方向直方图比DHR大于2,则该子图像为背景干净的血管 图像，应用步骤二中所得的低阈值t2对图像进行阈值化处理； 反之则为噪声污染区域，应用步骤二中的高阈值tl对图像进行阈值化处理； 对所有子图像的处理结果汇总，得到了最终的血管图像处理结果。 步骤一对采集的血管图像进行背景清理，具体操作为：对采集的血管图像统计其 中本文档来自技高网...

【技术保护点】
一种基于随机方向直方图比的双阈值的血管图像处理方法，其特征在于，包括以下步骤：步骤一，输入采集的血管图像，进行背景清理；步骤二，针对整幅血管图像，应用多级Otsu算法获取两个阈值，分别记作t1和t2，且t1＞t2；步骤三，将步骤一背景清理后的血管图像划分为wmax个子图像，在每个子图像窗口内随机放置n个探针，对n个探针在各个方向上的探测结果进行累加，获得该子图像的方向直方图，然后计算该方向直方图中最大值与最小值的比，得到该子图像的方向直方图比DHR；以此计算得到整幅血管图像中各个子图像的方向直方图比；步骤四，若某个子图像的方向直方图比DHR大于2，则该子图像为背景干净的血管图像，应用步骤二中所得的低阈值t2对图像进行阈值化处理；反之则为噪声污染区域，应用步骤二中的高阈值t1对图像进行阈值化处理；对所有子图像的处理结果汇总，得到了最终的血管图像处理结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：吕娜，李腾飞，尹涛，潘锦锦，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61