英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
DOI 10.1007/s11045-011-0167-y
使用非下采样Contourlet变换增强视网膜成像中的血管
李建成 史成元 李开启李伟
· · ·
收到日期：2011年2月11日/修订日期：2011年10月11日/接受日期：2011年11月4日/
网上发布：2011年11月13日
copy;Springer Science Business Media，LLC 2011
摘要提出了一种基于非下采样Contourlet变换（NSCT）的视网膜血管增强方法。 NSCT是建立在非下采样金字塔滤波器组和非下采样方向滤波器组上的轮廓波变换的移不变版本。 所提出的方法使用NSCT将输入视网膜图像分解为从较粗尺度到较细尺度的八个方向，然后根据NSCT系数将图像像素分为三类：血管，不确定性和非血管像素。 然后，我们使用非线性映射函数根据每个像素的类别修改NSCT系数，并且从修改的NSCT系数重建增强图像。 实验结果表明，该方法能明显提高视网膜血管的对比度，因而优于其他增强方法。
关键词非采样Contourlet变换血管视网膜图像图像增强
· · ·
介绍
通过使用拍摄眼睛内表面的眼底照相机来获取视网膜图像。 视网膜图像的血管结构变化通常是疾病发作或其进展变化的标志。 因此，检查视网膜脉管系统可能会显示许多严重疾病，如高血压，糖尿病，动脉硬化和心血管疾病（Kanski 1989）。 特别是，由于血管结构和分布的变化（如新血管生长），糖尿病视网膜病变是成人失明最常见的原因。 早期发现血管模式的变化可以通过允许早期干预来预防重大视力丧失（Lee等人 2001; 泰勒和基弗 2001）。 因此，它
C.-C. 李（B）C.-Y. 施氏 - Lee W.-T. 香港
元通大学通远工程系135元通东路，
· · ·
中国台湾桃园县忠丽电子邮箱： cclee@saturn.yzu.edu.tw
对于眼科专家能够清楚地检测和识别视网膜图像中存在的血管系统是非常重要的Patton等人 2006）。 在图像采集中，照明光被视网膜表面反射。 然而，这些图像通常不均匀或不均匀地照射，并且表现出局部亮度和对比度变化。 这个问题可能会严重影响诊断过程，因为某些地区的船只可能几乎看不见。 因此，血管图像的增强是视网膜成像技术的重要任务。 对比度增强技术广泛用于图像处理，使对象与其他对象和图像背景区分开来。 其中一种最流行的自动化程序是基于直方图的方法，直方图均衡（HE）（耆那教 1989），自适应直方图均衡（AHE）亮度保持双直方图均衡（BPBHE）（金 1997），二元子图像直方图均衡化（DSIHE）（Wang等人 1999）和基于多级分量的直方图均衡（MCBHE）（Jafar和Ying 2007）。 然而，所有这些方法都利用对比度放大。 也就是说，这些方法不会区分所需的对象和背景，
噪音也会增强。
多尺度方法也被应用于医学图像的对比度增强。 两种类型的多尺度 通常采用的方法有：拉普拉斯金字塔（LP） （Vuyl-steke和Schoeters 1994; 斯塔尔等人。 1999; 刘和郭 2007; Dippel等人 2002）和小波方法（莱恩等人。 1995; 宗等人。 1996; Dippel等人 2002）。 在多尺度图像处理中，图像被分割成更多的频率信道，然后这些信道可以分开处理。 这种类型的方法通常对不同的通道图像使用非线性映射方程来增强不同尺度的细节。 像对比度放大一样，拉普拉斯金字塔和小波方法都不考虑图像中感兴趣的结构。 如果不采取额外的防噪措施，噪音也会被放大。
在过去十年中，视网膜血管增强方面取得了许多进展 图片 （Foracchia等人。 2005; Intajag等人 2009; Farnell等人 2008; 陈和田 2008; 冯等人。 2007; Do和Vetterli 2005). Foracchia等人。 (2005）提出了一种新的方法来标准化视网膜图像中的亮度和对比度，包括图像内和图像间。 他们的方法基于图像背景部分亮度和对比度变化的估计以及随后在整个图像中对这种变化的补偿。 Intajag等人 (2009）分析了图像直方图以增强视网膜图像。 该方法将图像直方图分割为多种模式。 直方图的每种模式都采用S函数来扩展对比度。 Farnell等人 (2008）采用多尺度线运营商来增强数字眼底图像中的血管。
还提出了更复杂的方法来增强视网膜图像中的血管。 这种方法通常使用定向性来增强血管结构。 陈和田 (2008）提出了一种基于方向场（DF）的血管增强算法。 如果一个地区存在船只，DF的方向将指向船只的确切方向，DF的一致性将接近1.同时，如果该地区没有船只，则方向的DF将在所有方向上平均分配。 冯等人。 (2007）使用Contourlet变换（CT）来增强视网膜图像。 CT已经实现 通过结合拉普拉斯金字塔和方向滤波器组（DFB） （Do和Vetterli 2005）。在视网膜图像中的血管增强中，目标是血管，特别是微血管。 船只的方向和灰度水平不会突然改变，船只可以预期连接。 许多增强算法试图利用
图1提出的方法流程图
一种或多种视网膜血管的性质获得更好的表现。 在本文中，我们提出了一种基于非下采样Contourlet变换（NSCT）的血管增强算法。NSCT建立在非下采样金字塔滤波器组和非下采样方向滤波器组上。 本研究使用NSCT将输入图像分别分解为从较粗到较细的八个方向，然后根据NSCT系数将图像像素分为三类：血管，不确定性和非血管像素。 然后，我们使用非线性映射函数根据每个像素的类别修改NSCT系数，最后从修改的NSCT系数重建增强图像。
所提出的基于NSCT的血管增强算法不仅区分了边缘像素和非边缘像素，而且还对边缘像素进行了不同程度的放大，以突出微小的低对比度血管。 另外，NSCT的移位不变特性使变换子带的每个像素对应于在相同空间位置处的原始图像的像素。 因此，避免了出现在小波和Contourlet变换中的奇点周围的伪吉布斯现象。
此篇文章的结构如下。 部分 2 描述了基于NSCT的用于视网膜图像中血管增强的方法。 实验结果在Sect。 3。 最后，总结发言是在第四节。 4.
基于非子采样Contourlet变换的增强
NSCT是Contourlet变换的移不变版本，使我们能够分析和处理来自多个尺度和方向带的图像。 因此，NSCT具有很高的图像去噪，增强和融合潜力（张和郭 2009）。 所提出的增强方法是修改NSCT子带的系数以增强血管像素。 数字 1 显示了该方法的流程图。 首先，将由红色，绿色和蓝色通道组成的三通道彩色视网膜图像输入到系统。 由于绿色通道图像具有血管和背景之间的最高对比度，因此系统会提取绿色通道图像。 然后，NSCT将绿色通道图像分解为几个带通层，每层带有不同的方向子带。
由于每个子带中的系数反映了局部方向和频率信息，相应的像素可以大致分为三类：容器，不确定度和无船。 相应地，不同级别的子带系数根据像素类别通过不同的策略进行调整。 如果相应的像素属于
图2非子采样Contourlet变换的结构
容器类别中，系数被强烈放大。 相反，如果相应的像素属于无船类别，则系数应该被抑制。 结果，血管对比度得到改善。
-
- 非子采样Contourlet变换
NSCT由非子采样滤波器组构建以获得移位不变，多方向和多分辨率图像表示。 该结构由非子采样金字塔（NSP）和非子采样方向滤波器组（NSDFB）组成，如图2所示。 通过对第一阶段的滤波器进行上采样来获得用于后续阶段的滤波器。 这使得多尺度属性不需要额外的滤波器设计。 第j级低通滤波器的理想频率支持是该区域 （pi;/ 2j），（pi;/ 2j）2。 因此，等效高通滤波器的理想支持是低通的补充，即该区域 （pi;/ 2j minus;1），（pi;/ 2j minus;1）2 （pi;/ 2j），（pi;/ 2j）2，其中运算符表示相对补充。 数字 3 说明了使用J的NSP分解 3个阶段。 J级层叠NSP的等效滤波器由下式给出
HEQ（z）= Tl
n ⎩ n-2H
⎨H1(z2n-1 I \ Tln-2H0(z2 j I \，1le;nle;J
(z2 j I \， n = J 1, (1)
其中H0（z）和H1（z）分别表示第一阶段的低通滤波器和相应的高通滤波器。 我是身份矩阵。
j =0
j =0
0
结果是一个树形结构的滤波器组，将二维频率平面分成方向楔。 NSDFB是通过消除方向滤波器组中的下采样器和上采样器而构建的。 其结果也是由双通道非子采样滤波器组构成的树形结构。 数字 4 说明了四通道方向分解。 在第二级中，上采样风扇滤波器Uj（zQ），j = 0,1具有检测板频率支持，其中采样矩阵Q是
图3非子采样金字塔分解。 三阶段金字塔分解。 b二维频率平面上的相应子频带
图4使用双通道风扇滤波器组构建的四通道NSDFB。 过滤结构。
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[466414]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
