基于Level Set模型的脑血管图像骨架提取研究

摘要

计算机视觉和机器智能的一个主要目标就是对形状进行灵活有效的描述。一个表示形状结构的重要方法，就是对物体的骨架化。骨架化是包含物体拓扑结构特征的压缩表示，它在形状匹配和检索、特征提取和变形、医学图像辅助分析上具有重要的应用价值。医学脑血管图像本身的模糊性和复杂性使得常规的骨架算法得到的骨架不连续，在弱边缘处敏感，鲁棒性差，毛刺过多。本文的研究目标是对医学脑血管图像中的目标区域进行精确而快速的骨架提取，用以提高医学图像三维可视化、目标区域识别的精度，更好地辅助医学研究和临床诊断。 本文首先概述了医学图像的基础知识，以及骨架提取领域中目前已经成熟的和正在探索中的主流方法和技术的基本原理，归纳了它们各自的适用范围以及优缺点，然后详细地分析了水平集方法的原理，总结了多种水平集模型的特点。在此基础上，结合灰度脑血管图像和彩色脑血管图像的特性分别针对这两种图像提出了行之有效的骨架提取算法。 在灰度脑血管图像的骨架提取算法中，本文使用欧氏距离域和变形的梯度向量流得到了两个不同的能量函数。第一个能量函数控制得到骨架曲线开始的拓扑节点，第二个能量函数控制提取骨架。该算法避免了引导骨架提取的骨架连接点的定位和分类，由于它的全部参数通过分析推导获取，因此无需人工干涉。 在彩色脑血管图像的骨架提取算法中，本文采用贴近人对图像的色彩理解的HSV色彩空间，提出了改进的基于颜色梯度信息的彩色水平集速度函数。结合区域颜色统计特征，引入了贝叶斯分类模型。然后，把此模型运用到彩色脑血管图像的骨架提取中，并从定性定量两个角度分析算法的优劣性。 最后，对毕业课题所做工作进行了概括，提出了进一步的研究设想。

目录

文摘

英文文摘

论文说明：图表目录

声明

第一章绪论

1.1 课题背景及研究意义

1.1.1 医学图像处理与分析的意义

1.1.2 脑血管骨架提取的背景和研究意义

1.1.3 骨架提取研究现状

1.2 研究的主要内容与特色创新

1.2.1 研究目标与内容

1.2.2 特色创新

1.3 本文组织结构

第二章骨架及其提取方法

2.1 骨架的定义

2.2 骨架算法

2.2.1 细化算法

2.2.2 基于形态学的方法

2.2.3距离变换法

2.3 本章小结

第三章水平集理论和数值解法

3.1 活动轮廓模型

3.2 Level Set方法

3.2.1 Level Set方法的基本思想

3.2.2 速度函数

3.3 水平集方程的数值解法

3.3.1 重新初始化

3.3.2 水平集方程的离散格式

3.3.3 Level Set方法的一般步骤

3.4. 窄带法

3.5 分组行进法

3.6 总结

第四章基于水平集模型的灰度图像骨架提取方法

4.1 算法研究背景

4.2 高速模型

4.3 单一骨架线提取

4.4 多骨架线提取

4.4.1 提取拓扑节点

4.4.2 骨架线的循环

4.4.3 寸参数X的分析

4.5 灰度和二值图像实验效果评价

4.5.1 实验效果图

4.5.2 对比分析

4.5.3 时间复杂度分析

4.6 本章小结

第五章基于水平集模型的彩色图像骨架提取方法

5.1 简单彩色图像骨架提取

5.2 基于彩色水平集模型的HSV空间彩色图像骨架提取方法

5.2.1 新的彩色图像水平集模型

5.2.2 HSV空间高速模型

5.2.3 单一骨架线提取

5.2.4 多骨架线提取

5.3 彩色图像骨架提取实验效果评价

5.3.4 彩色水平集模型实验效果评价

5.3.2 参数分析

5.3.3 实验效果图

5.3.4 对比研究

5.4 本章小结

第六章工作总结与展望

6.1 工作总结

6.2 特色与创新点

6.3 工作展望

参考文献

攻读学位期间公开发表的论文

致谢