[发明专利]基于多特征高斯拟合的活动轮廓血管提取方法及系统

权利要求书

1.基于多特征高斯拟合的活动轮廓血管提取方法，其特征在于，包括：

步骤1，通过血管增强滤波模块对视网膜图像进行血管增强处理，即采用局部相位血管增强算法将视网膜图像中血管对应的区域突显出来，降低复杂背景信息和像素灰度不均匀性对分割结果造成的干扰；

步骤2，通过局部高斯拟合能量泛函模块将血管图像和原始图像中的像素值作为两个相互独立的随机变量，构建一种基于二维高斯概率分布拟合的能量泛函活动轮廓模型，其具体步骤如下：在血管图像和原始视网膜图像中，对任一像素点局部邻域内的灰度概率分布通过二维高斯概率分布模型进行模拟：

P＝p_i,x(I(y),V(y))＝p_i,x(I(y))p_i,x(V(y))；

pi,x(I(y))=12πσiI(x)exp(-(uiI(x)-I(y))22σiI(x)2);]]>

pi,x(V(y))=12πσiV(x)exp(-(uiV(x)-V(y))22σiV(x)2);]]>

其中，p_i,x(I(y))为原始灰度图像中，中心像素点为x的邻域内，任一像素点y处的图像灰度I的概率分布，和为邻域内的灰度平均值和标准差；

i表示轮廓曲线的内外，当i＝1表示像素点位于曲线内，当i＝2时表示像素点位于曲线外；

p_i，x(V(y))，以及分别依次为增强后的血管图像V对应的概率分布、局部平均值和标准差；

将血管所在区域的像素和背景区域的像素区分开，转化为概率模型后为：

Π_yp_i,x(I(y))p_i,x(V(y))→max；

将上式的最大化求解转化为最小化，并引入基于距离的高斯权重其中，σ为高斯函数中的标准差参数，同时考虑到增强后的血管图像和原始图像对血管提取的作用存在一定的差异，因此，为它们设置不同的权重因子后得到局部邻域的能量泛函为：

Ex=-∫ω(x-y)log(p1,x(I(y))λ1Ip1,x(V(y))λ1I)dy-∫ω(x-y)log(p2,x(I(y))λ2Ip2,x(V(y))λ2I)dy;]]>

其中，参数和为轮廓曲线内原始图像和增强血管图像对应的权重因子；参数和为轮廓曲线外原始图像和增强血管图像对应的权重因子；

将血管图像和原始图像作为两个相互独立的随机变量构建局部高斯拟合的能量泛函后，还需要对轮廓曲线的平滑性，曲线长度，以及局部轮廓细节进行约束，因此引入如下正则项：

R(φ(x))=υ∫|▿H(φ(x))|dx+μ∫12(|▿φ(x)|-1)2dx+η∫(γκγκ+φ(x)κ)dx;]]>

其中，υ,μ,η是三种不同的权重系数，分别控制着轮廓曲线的平滑性，曲线长度以及曲线的局部拓扑；φ(x)为零水平集函数，H(φ(x))为以φ(x)为自变量的单位阶跃函数，▽为梯度操作符，γ,κ为尺度参数；

步骤3，通过变分求解框架模块，使用变分水平集方法对能量泛函进行数学计算，即血管轮廓以隐式水平集的形式表示，然后通过梯度下降流和欧拉-拉格朗日方程将构建的能量泛函转化为一个偏微分方程，并通过迭代逼近的方式求出所述偏微分方程的最优解，进而获得最终的血管轮廓。