视网膜血管分割系统设计与实现技术研究毕业论文设计(编辑修改稿)

视网膜血管分割系统设计与实现技术研究毕业论文设计(编辑修改稿)内容摘要：

， j) 在实际中，可以取 3 个分量中的最大值作为灰度值。 灰度处理首先读入图像的拷贝文件到内存中，找到 R， G， B中的最大值，使颜色的分量值都相等且等于最大值，这样就可 以使图像变成灰度图像。 算法： 1) 取得图像文件的拷贝文件； 2) 取得图像的数据区指针，得到 R， G， B三个分值； 3) 对 R， G， B 三个分量做比较， gray=max（ R， G， B）； 4) 将 gray 返回给 R， G， B三个分量； 5) 显示图像。 浙江省“新苗人才计划”项目 视网膜血管分割系统设计与实现 项目研究报告 10 对图像进行处理 (Canny 算子 ) 坎尼 (Canny)算子是 1986 年 John Canny 在 IEEE 上发表的“ A Computational Approach to Edge Detection”这篇文章中提出的。 文章中还给出了边缘检测的三条准则，即 Canny 准备 (Canny39。 s Criteria)。 并在此基础上提出了一个实用算法。 Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是 ： (1)优良的信噪比，即对边缘的错误检测率要尽可能的低。 也就是说将非边缘点判别为边缘点比将边缘点判别为非边缘点的概率要低。 (2)优良的定位性能，即检测出的边缘位置尽可能在实际边缘的中心。 (3)对同一边缘仅有唯一的响应，即单个边缘产生多个响应的概率要低，并且虚假边缘应受到极大的抑制。 Canny 算子对图像的处理过程可以概括为一下几个步骤 : (1)过滤，边缘检测主要依赖于导数的计算，但很容易受噪声的影响。 但是滤波 器在降低噪声的强度的同时也降低了边缘强度的强度。 (2)增强， 增强算法将邻域中灰度有显著变化的点突出显示。 一般通过计算梯度幅值完成。 (3)检测，有一些梯度幅值很大并不一定是边缘点，所以必须进行进行的检测。 (4)对边缘精确的定位。 过滤 (Gauss 滤波器 ) 高斯滤波器是一种线性 线性平滑滤波，适用于消除 高斯噪声 ，广泛应用于图像处理的减噪过程。 通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由 其本身和邻域内的其他像素值经过加权平均后得到。 以下是它的函数： 浙江省“新苗人才计划”项目 视网膜血管分割系统设计与实现 项目研究报告 11 (x,y)分别是它离中心点的位置，而δ则是一个标准方差，通过这个未知数可以控制 Gauss 函数的模板及平滑的程度。 然后就是用 Gauss 函数对图像 f(x,y)进行平滑就可以得 ，这里的 *符号表示的是卷积运算。 通过这个运算以后就可以得到进行平滑以后的图像 F(x,y)了。 计算梯度与梯度幅值 这一部分是以 F(x,y)为基础的，要求出 F(x,y)的梯度则必须要求出 F(x,y)的 x 偏导和 y偏导。 在数字图像里则是通过近似的计算也或者它们 的偏导的。 传统的 Canny算子是采用 2*2邻域来计算 F(x,y)的梯度的。 其中 ,x 和 y 方向偏导数的 2个阵列 P x [ i, j ]和 P y [ i, j ]分别为： 这个公式可以化作一个模板，上面这个公式就可以化成这样的一个模板。 X偏导与 Y偏导分别为一下两个。 不过我设计的 Canny 算子在这里求梯度模板则是使用 Sobel 模板。 浙江省“新苗人才计划”项目 视网膜血管分割系统设计与实现 项目研究报告 12 接下来则是要求出每个像素的梯度幅值与梯度方向。 可以使用上面求出的偏导了计算这两个变量。 M[i,j]是梯度幅值。 梯度方向是 非极大值抑制 为了精确定位边缘 , 必须细化梯度幅值图像 M [ i, j ] 中的屋脊带 , 只保留幅值局部变化最大的点 , 这一过程就是非极大值抑制。 通俗的讲就是，保证Canny算法的单个边缘响应，不能单看像素点的梯度幅值的大小来判断这个点是否是边缘点，必须通过让像素点进行比较，看它是不是一定范围内的极大值才能确定。 Canny算法中使用的 3*3的大小，包含 8方向的邻域。 其实可以说是 4个方向，因为这个邻域是对称。 这 4 个 方 向 分 别 为0(,),45(),90(),135()。 括号内是每一个角度的范围。 当梯度的角度值符合其中的某一个范围内，则将这个像素点的方向定为括号前面的角度。 在每一个点上 , 邻域的中心像素 m [ i, j ]与沿梯度方向的 2 个梯度幅值的插值结果进行比较。 如果邻域中心点的幅值 m [ i, j ]不比梯度方向上的 2 个插值结果大 , 则将 m [ i, j ]对应的边缘标志位赋值为 0,这一过程把 M [ i, j ]宽屋脊带细化为一个像素宽 , 并且保留了屋脊的梯度幅值。 可以通过下图 (12)更加清楚的 了解非极大值抑制的过程。 浙江省“新苗人才计划”项目 视网膜血管分割系统设计与实现 项目研究报告 13 12 `比如我们梯度的方向为 10度，这时候我们应该把这个像素点的梯度方向归入 0度的范围内。 然后就是拿中间的那个值与 8和 4这两个位置的像素进行比较，如果不是最好的则将其设置为 0，不然则这个像素就是边缘的极值点。 用双阈值算法检测和连接边缘 双阈值算法是对经过非极大值抑制和梯度直方图分类的子图像 N [ i, j ]分别使用高、 低 2个阈值 S(h) 和 S(l)分割得到 2 个阈值边缘图像 T h [ i, j ]和 T l [ i, j ]。 由于图像 T h [ i, j ]是由高阈值得到 , 因此它应该不含有假边缘 , 但T h [ i, j ]可能在轮廓上有间断。 因此双阈值算法要在 T h [ i, j ]中把边缘连接成轮廓 , 当达到轮廓端点时 , 该算法就在由低阈值得到的边缘图像 T l [ i, j ]的 8邻域位置寻找可以连接到轮廓上的边缘 , 这样 , 利用递归跟踪的算法不断地在 T l [ i, j ]中搜集边缘 , 直到将 T h [ i, j ]中所有的间隙都连接起来为止。 Canny 算法的缺点 (1) Canny算法在求梯度的时候，由于模板的不同会有很大的不同。 有可能造成对边缘的定位的确很精确，但是对噪声太过于敏感，从而导致出现假的边缘，并且丢失真的边缘。 (2) 关于双阈值算法的高阈值与低阈值的取值问题也是一个很大的问题，不能根据图像本身的特点去估计这两个值，每一次都是认为的去设定这几个值。 浙江省“新苗人才计划”项目 视网膜血管分割系统设计与实现 项目研究报告 14 Canny 算法与数学形态学的结合 灰度形态学处理的对象和结构元素是灰度函数，可充分考虑图像的灰度信息，更完整地描述图像的特征。 膨胀和腐蚀是 数学形态学的 2种最基本运算，由这 2种基本运算可以组成多种复合运算，产生各种形态学实用算法。 膨胀：是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。 可以用来填补物体中的空洞。 其离散形式的形态变换如下： (f○ + b) (s,t)=max{f(sx,ty)+b(x,y)︱ (sx,ty) ∈ Df。 (x,y) ∈ Db } 其中， f(x,y)和 b(x,y)表示定义在二维离散空间 Df 和 Db 上的两个离散函数， f(x,y)表示输入图像， b(x,y)表示结构元素； 腐蚀：是膨胀的对偶运算，表示用结构元素 b对图像 f 进行检测，寻找图像内部可以容纳该元素的区域，若原点在结构元素内部，则腐蚀具有收缩图像作用；若原点不在结构元素内部，则可用于填充图像内部的孔洞；同样，其离散形式的变换如下： (f Ѳb) (s,t)=min{f(s+x,t+y)b(x,y)︱ (s+x,t+y) ∈ Df。 (x,y) ∈ Db } 开运算即先腐蚀后膨胀的过程，用来消除小物体、在细小点处分离物体、平滑较大物体的边界的同时并不明显改变其面积；闭运算即先膨胀后腐蚀的过程，用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积；变换形式如下： 开运算： f○ b=(f Ѳb)○ + b 闭运算： f b=(f○ + b) Ѳb 在上述的 Canny 算法已经是边缘检测算法中效果比较好的一种了，但是有时候它的效果还是不那么让人满意。 所以我们提出了将数学形态学这个新型学科也加到我们的项目中来。 这个数学形态学主要做的是前期的工作，而 Canny 算法本身应该说是不变的。 本文针对的是灰度图像进行处理的。 从上述可以知道形态学的基本运算就两种，一种是膨胀，用来填充一些小孔， 有对图像外部滤波的作用。 另一种是腐蚀，浙江省“新苗人才计划”项目 视网膜血管分割系统设计与实现 项目研究报告 15 以消除图像中小的成分 ,有对图像内部滤波的作用。 本 文中数学形态学主要用于前期的图像去噪。 这是一部很重要的一步，因为前期的图像会对后期的检测产生很大的影响。 滤波器可能在一定程度上到达去噪，但是在去噪的同时也是会消减图像本身的边缘的信息，可能导致最后的边缘不完整。 如果用数学形态学去噪则不会对图像的信息进行消减，它能很好的保存图像的信息。 因为数学形态学是基于信息的几何特征，预先定义了结构元素，所以能达到既能消除噪声又能很好的保留图像的信息。 从一些资料 [1]得知，数学形态学的开运算能很好的图像的白噪声，而且图像没有模糊，但是对黑噪声却没有太多的改变。 对图像使用数 学形态学的闭运算，仔细的观察会发现黑噪声也全部消失了，但是会有点图像有点轻微的模糊，不过应该影响不大。 在这个基础上，再对图像使用 Canny算法就会有更加好的效果。 浙江省“新苗人才计划”项目 视网膜血管分割系统设计与实现 项目研究报告 16 第。