《匹配濾波器進行靜脈圖像分割方法的matlab實現(xiàn)》由會員分享，可在線閱讀，更多相關(guān)《匹配濾波器進行靜脈圖像分割方法的matlab實現(xiàn)（3頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、 圖像分割(segmentation)是一種非常常用的技術(shù)， 這種技術(shù)能夠把你想要研究的東西和不相關(guān)的 東西給分離開來，比如我們經(jīng)常用 photoshop把照片的人取岀來然后換個背景或者其他 ps 一下， 這個就是圖像分割，但是這個領域研究的都是自動圖像分割技術(shù)， 不需要人工去分?，F(xiàn)在已經(jīng)提 岀的自動圖像分割方法有很多種， 但是只能解決一部分的問題， 有些圖像還必須人工去分， 所以 挑戰(zhàn)依舊存在，新的方法依舊不斷被提岀。 岀于一些醫(yī)療上的目的，經(jīng)常需要對一些醫(yī)療成像的血管圖像進行分割， 提取岀血管部分，來進 行進一步的研究，所以血管分割作為圖像分割中的一類， 有很多關(guān)專門解決這個

2、問題的算法被提 岀。而本文將要介紹的方法就屬于所有血管分割方法中的一種， 這種方法基于一種叫做匹配濾波 器(matched filter)的東西。這種方法早在 1989年就已經(jīng)被提岀［1］，本文其實也是對這個論文的 總結(jié)和實現(xiàn)，有很多基于這篇論文的改進算法。 這個方法的靈感來自與信號處理中的匹配濾波器。 按照百度百科中將的，匹配濾波器的性能與信 號的特性取得某種一致， 能夠使濾波器輸出端的信號瞬時功率與噪聲平均功率的比值最大， 即當 信號與噪聲同時進入濾波器時， 它使信號成分在某一瞬間岀現(xiàn)尖峰值， 而噪聲成分受到抑制。要 想設計匹配濾波器， 信號的波形必須是已知的。 如果將血管圖像

3、看做一個信號， 雖然這個信號的 具體情況不得而知，但是血管的特點是已知的， 基于這點先驗知識可以針對血管設計匹配濾波器， 那么按照匹配濾波器的原理， 當血管部分輸入時會岀現(xiàn)較大值， 而當背景區(qū)域輸入時將岀現(xiàn)較小 值，從而將靜脈與血管分開。 根據(jù)以上的分析， 我們需要研究血管的特點。 血管有以下特點：血管的寬度只在較小的范圍內(nèi)變 動，血管壁的兩條線是平行的，血管有方向，而跟深入的分析血管圖像， 還可以發(fā)現(xiàn)血管橫切線 上的灰度曲線是一個下面這個樣子的： -8 -4 0 2 4 6 « 10 bNUsss-SAS 片建燈 根據(jù)以上血管的特點，文章 ［1］中提岀了一

4、種匹配濾波器的設計方法。先將血管想象成一小段一 小段的平行區(qū)域的組合，設定長度為 L，寬度為2sigma，然后用一個倒過來的高斯曲線來模擬 上面血管橫切線灰度曲線， 從而得到匹配濾波器如下： 躅(兒 y) = -exp (-u2/2a2) vp- e N、 因為血管是有方向的，所以在此濾波器的基礎上進行沒 15度旋轉(zhuǎn)一次，得到一個從 0度到180 度的12個匹配濾波器，然后分別進行卷積，每個像素的值為響應最大的那個濾波器得到的值。 濾波之后，在采用一個全局的閾值進行過濾，大小各分一邊，得到一個二值化的血管圖像。 上面是只是簡單的進行了介紹，還有很多細節(jié)沒有提岀，具體的方法參照論文

5、。 下面是matlab代碼： function [g,bg]=matchedFilter2(f) f=double(f); % mean filter f=medfilt2(f,[5,5]); f=medfilt2(f,[21 1]); f=medfilt2(f,[1,7]); %參數(shù) os=12; %角度的個數(shù) sigma=10; tim=4; L=9; t=70; % threshhold thetas=0:(os-1); thetas=thetas.*(180/os); N1=-tim*sigma:tim*sigma; N1=-exp(-(N1.A2)/(2*sig

6、ma*sigma)); N=repmat(N1,[2*floor(L/2)+1,1]); r2=floor(L/2); c2=floor(tim*sigma); [m, n]=size (f); RNs=cell(1,os); % rotated kernals MFRs=cell(1,os); % filtered images g1=f; % matched filter for i=1:os theta=thetas(i); RN=imrotate(N,theta); %去掉多余的0行和零列 RN=RN(:,a ny (RN)); RN=RN(a ny(RN'

7、),:); mea nN=mea n2(RN); RN=RN-mea nN; RNs{1,i}=RN; MFRs{1,i}=imfilter(f,RN,'co nv','symmetric'); end % get the max response g=MFRs{1,1}; for j=2:os g=max(g,MFRs{1,j}); end bg=g<t; end 里面三個參數(shù)sigma,L,T的選擇需要針對不同的應用去嘗試， 如果與論文中一樣分割的是視網(wǎng)膜 血管圖像，參數(shù)可以不變即 2,9,3。而我做的是對手部靜脈的分割， 所以參數(shù)是上面代碼所顯示。 至于全局閾值t的選擇，最粗獷最常用的方法就是試幾次找最好的， 當然也有其他找這個閾值的 方法。至于這個方法的性能，我覺得還是不錯的。 但是，為了取得好的結(jié)果預處理和后續(xù)處理也 是必不可少的。 [1] S. Chaudhuri, S. Chatterjee, N.