基于Level Set模型的腦血管圖像骨架提取研究.pdf

1、計算機視覺和機器智能的一個主要目標(biāo)就是對形狀進行靈活有效的描述。一個表示形狀結(jié)構(gòu)的重要方法，就是對物體的骨架化。骨架化是包含物體拓撲結(jié)構(gòu)特征的壓縮表示，它在形狀匹配和檢索、特征提取和變形、醫(yī)學(xué)圖像輔助分析上具有重要的應(yīng)用價值。醫(yī)學(xué)腦血管圖像本身的模糊性和復(fù)雜性使得常規(guī)的骨架算法得到的骨架不連續(xù)，在弱邊緣處敏感，魯棒性差，毛刺過多。本文的研究目標(biāo)是對醫(yī)學(xué)腦血管圖像中的目標(biāo)區(qū)域進行精確而快速的骨架提取，用以提高醫(yī)學(xué)圖像三維可視化、目標(biāo)區(qū)域識

2、別的精度，更好地輔助醫(yī)學(xué)研究和臨床診斷。 本文首先概述了醫(yī)學(xué)圖像的基礎(chǔ)知識，以及骨架提取領(lǐng)域中目前已經(jīng)成熟的和正在探索中的主流方法和技術(shù)的基本原理，歸納了它們各自的適用范圍以及優(yōu)缺點，然后詳細地分析了水平集方法的原理，總結(jié)了多種水平集模型的特點。在此基礎(chǔ)上，結(jié)合灰度腦血管圖像和彩色腦血管圖像的特性分別針對這兩種圖像提出了行之有效的骨架提取算法。 在灰度腦血管圖像的骨架提取算法中，本文使用歐氏距離域和變形的梯度向量流得到了

3、兩個不同的能量函數(shù)。第一個能量函數(shù)控制得到骨架曲線開始的拓撲節(jié)點，第二個能量函數(shù)控制提取骨架。該算法避免了引導(dǎo)骨架提取的骨架連接點的定位和分類，由于它的全部參數(shù)通過分析推導(dǎo)獲取，因此無需人工干涉。 在彩色腦血管圖像的骨架提取算法中，本文采用貼近人對圖像的色彩理解的HSV色彩空間，提出了改進的基于顏色梯度信息的彩色水平集速度函數(shù)。結(jié)合區(qū)域顏色統(tǒng)計特征，引入了貝葉斯分類模型。然后，把此模型運用到彩色腦血管圖像的骨架提取中，并從定性定