[发明专利]一种基于多角度序列化图像空间特征点集的脑血管图像分割方法

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于多角度序列化图像空间特征点集的脑血管图像分割方法。

背景技术

通过DSA技术得到脑血管的图像，可以帮助医生对患者进行诊断，但是由于患者的呼吸吞咽等动作，会存在明显的伪影和噪声，影响了医生的观测和诊断，因此，提取准确的血管组织图像是当前基于DSA技术的血管诊疗中急需解决的问题。现有技术中包括手动分割方法，配准方法，基于模型的方法。手动分割的方法需要人工进行交互，不同的人工操作得到的分割结果差别很大，还需要耗费大量的时间，通过配准方法得到的血管图像中包含较大的噪声，影响医生的诊断，采用基于模型的方法，需要一张模板图像，只有精确的模板才能得到较好的血管分割结果。

发明内容

根据现有技术存在的问题，本发明公开了一种基于多角度序列化图像空间特征点集的脑血管图像分割方法，包括以下步骤：

S1：对脑血管的活片图像和蒙片图像进行配准：在活片图像和蒙片图像上确定几何特征点，找出匹配的特征点对，通过匹配的特征点对之间的关系对蒙片图像进行处理获得序列化减影图像；

S2：提取序列化减影图像的几何特征点集；

S3：对序列化减影图像中血管边缘的特征点进行局部位置调整：通过灰度值梯度来调整特征点的位置，将血管边缘的特征点移动到血管内；

S4：采用空间旋转坐标系模型剔除减影图像中非血管位置的特征点：建立一个空间旋转坐标系模型，利用相邻减影图像上特征点的位置信息，求出特征点在其它减影图像中的理论位置，根据其他减影图像中特征点的位置，采取投票的方式剔除非血管位置的特征点；

S5：确定序列化减影图像的自适应分割阈值；

S6：基于区域生长和自适应阈值的血管图像分割：将S4中获得的特征点作为种子点，将S5中获得的自适应分割阈值作为生长法则的标准，采用区域生长算法分割序列化减影图像获得纯净的脑血管图像。

S1中具体采用如下方式：

S11：利用SURF算法分别在相对应的活片图像和蒙片图像上确定几何特征点，计算出特征点的特征向量；

S12：利用FLANN匹配器进行特征向量匹配，得到若干匹配点对；

S13：对匹配好的点对进行筛选消除错误匹配，计算出匹配点对之间的最小距离，只保留距离小于匹配点对之间的最小距离三倍的点对；

S14：采用RANSAC算法去除错误匹配点对，得到两幅图像之间的变换矩阵，通过变换矩阵获得配准后的蒙片图像，将活片图像与配准后的蒙片图像进行直接减影，得到序列化减影图像。

S2中具体采用如下方式：

S21：利用SIFT算法在序列化减影图像上和蒙片图像上提取几何特征点集；

S22：在获得减影图像的特征点时对图像进行上下分片操作，取图像的三分之一作为上片图像，其余作为下片图像，对上片图像进行增强对比度的操作获得较多的特征点；

S23：计算蒙片图像中的特征点与减影图像中的特征点之间的欧式距离，如果减影图像中的特征点与蒙片图像中的特征点之间的欧式距离小于50，则将该特征点其剔除。

S3中具体采用如下方式：

S31：判断减影图像中特征点集是否都被处理完毕，如果是则计算过程结束，如果不是则从特征点集中取出一个未被处理的特征点；

S32：判断上述未被处理的特征点是否为8领域内灰度值最小的点，如果是则继续判断下一个未被处理的特征点；

S33：如果S32中判断为否则计算出该特征点8个方向上的梯度，将梯度最大的点作为新的特征点；

S34:重复上述步骤，直到减影图像中特征点集都处理完毕。

S4中具体采用如下方式：

S41：从当前的减影图像中选取一特征点P₁(x₁,y₁)，在当前的减影图像中的相邻减影图像中计算与P₁满足如下关系的特征点P₂(x₂,y₂)：

|x₂-x₁|≤4

|y₂-y₁|≤2

S42：根据P₁的横坐标x₁、P₂的横坐标x₂以及P₁和P₂之间的角度α＝2°计算特征点P₁到旋转中轴的距离r：