一种基于边缘检测的视网膜图像的分割方法
一种新颖的基于边缘检测的图像分割方法
随着图像处理技术和网络通信技术的发展，基于内容的图像检索和图像分类已成为当今图像研究领域的热点内容之一。
而要对图像进行检索或分类，必须首先对图像内容有一定层次的理解，但即使是一张普通的数字照片其所包含的信息量也是非常巨大的，特别是家庭用户拍摄的数码照片，其中的物体较多，排列位置复杂，因此就有必要先对照片的内容进行分割，采用化整为零的方法，提取出每个局部的特征，再采用某种方法合并局部特征，最终完成整张图片的理解。
本文针对家庭用户拍摄的数码照片，提出了一种新颖的基于边缘检测的图像分割方法。
图像分割1 图像分割就是把图像表示为物理上有意义的连通区域的集合。
图像分割一般可分为基于区域的分割和基于边缘的分割两种。
而采用的方法通常有阈值比较法[1]、区域生长法[2]、像素迭代聚类法[3]等等。
一般的边缘检测虽然具有边缘定位准确、运算速度较快的优点，但由于其是从微观着手，只使用了图像的局部信息，因此不能保证边缘的连贯性和所得区域的封闭性，而且通常会存在大量的细碎边缘，带来很大的噪声。
因此仅仅通过简单的边缘检测只能够获得一些列的边缘点，不能够对图像进行较高层次的分割，有些文献就试图把边缘检测和区域生长法结合起来。
滤波2 由于传统的边缘检测技术以微分算子为基础，因此当图像中含有噪声时，检测的效果就会变得很差。
因为边缘和噪声都表现为图像灰度的不连续性，基于微分运算的边缘检测算子在增强边缘信息的同时，也加强了噪声，使得检测的结果中含有大量的零碎小区域。
而抑制噪声的基本方法就是对输入图像进行预滤波处理。
通过比较几种常用的图像滤波的方法，并结合家庭数字照片拍摄的主体和背景的关系，使用了以高斯模板为基础的平滑滤波方法。
该方法在抑制噪声和保持边缘细节上做到了较好的平衡，边缘检测结果的线条也大都保持了平滑和连续，而这一点为图像的进一步分割提供了较好的基础。
边缘检测3 物体的边缘在数字图像中是通过其灰度值的不连续性而反映出来的。
基于分层特征渐进融合的糖尿病视网膜病变图像分割方法
基于分层特征渐进融合的糖尿病视网膜病变图像分割方法在医学影像分析领域，糖尿病视网膜病变（DR）的诊断和评估一直是个挑战，尤其是在图像分割方面。
传统的算法往往因为缺乏对细节的捕捉而无法达到高精度。
然而，一种基于分层特征渐进融合的技术正在改变这一局面，它就像是一位细心的侦探，逐步揭开了隐藏在眼底照片中的病变秘密。
首先，让我们想象一下，如果我们的眼睛是一台相机，那么视网膜就是那层神奇的感光胶片。
当糖尿病侵蚀这层薄膜时，它就像是被蛀虫蚕食的古老画作，细节逐渐模糊，色彩失真。
为了挽救这些珍贵的“画作”，分层特征渐进融合技术应运而生。
这项技术的核心在于它的“分层”策略。
它不是一蹴而就地处理整个图像，而是像考古学家一样，层层深入，逐步揭示信息。
在最底层，它关注基本的形态特征；随着层次的加深，更多的细节和纹理特征被纳入考量。
这种由浅入深的方法，确保了每个阶段的信息都不会丢失，而且还能相互补充。
夸张地说，这种方法就像是在搭建一座桥梁，每一层都是坚实的桥墩，支撑着最终的结构。
而这座桥梁的目的，就是为了跨越从原始数据到准确诊断之间的鸿沟。
通过这种方式，即使是微小的出血点或微血管瘤也能被精确地识别出来。
然而，任何技术都不是万能的。
尽管这种方法在理论上具有巨大潜力，但在实际应用中仍面临着挑战。
例如，图像的质量、患者的配合程度以及设备的先进程度都可能影响最终的分割效果。
此外，算法本身的复杂性也可能导致计算效率低下。
尽管如此，我们不能否认这项技术在提高DR诊断准确性方面的贡献。
它不仅仅是一种工具，更是一种希望——给予无数糖尿病患者一个更清晰的未来。
随着技术的不断进步和完善，我们有理由相信，这座桥梁将变得更加坚固，能够承载更多的重量，带领我们走向更加精准的医疗诊断时代。
总之，基于分层特征渐进融合的糖尿病视网膜病变图像分割方法是一项创新且前景广阔的技术。
它不仅提高了诊断的准确性，还为未来的研究和应用开辟了新的道路。
当然，任何技术的发展都需要时间来验证其真正的价值，但至少在目前看来，这项技术无疑是医学影像分析领域的一颗璀璨明星。
基于深度学习的视网膜血管图像分割算法研究
基于深度学习的视网膜血管图像分割算法研究基于深度学习的视网膜血管图像分割算法研究摘要：视网膜血管图像分割是近年来医学图像处理研究中一个重要的课题。
准确分割视网膜血管有助于诊断和治疗多种眼部疾病。
本文基于深度学习的方法，研究了视网膜血管图像分割算法，通过大量的实验验证和分析，证明了该方法在视网膜血管图像分割中的有效性和准确性。
1. 引言视网膜是人眼中负责传递光信号到大脑的重要组织，视网膜血管是视网膜中的重要组成部分，直接关系到视网膜养分供给和代谢等功能。
因此，对于分割视网膜血管的研究具有重要的临床应用价值。
2. 具体方法本文采用基于深度学习的方法实现视网膜血管图像分割。
首先，采集大量的视网膜血管图像数据集，并对数据进行预处理，消除图像噪声和伪迹。
然后，构建卷积神经网络（CNN），用于学习和提取视网膜血管特征。
网络结构采用了多层卷积层和池化层，具有较强的分析和学习能力。
最后，通过反向传播算法优化网络参数，并使用交叉熵作为损失函数，实现对视网膜血管图像的准确分割。
3. 实验结果及分析为了验证所提出方法的准确性和有效性，本文采用了多组视网膜血管图像数据集进行实验。
实验结果表明，基于深度学习的方法在视网膜血管图像分割中具有较高的精度和鲁棒性。
与传统方法相比，该方法在去除图像噪声和伪影的同时，保留了更多的细节信息，为眼科医生提供了更好的诊断和治疗参考。
4. 分析讨论本文所提出的基于深度学习的视网膜血管图像分割方法相对于传统方法具有显著的优势。
一方面，深度学习通过大量的视网膜血管图像数据训练得到的卷积神经网络具有较强的学习和分析能力，可以更好地提取视网膜血管特征；另一方面，采用交叉熵作为损失函数，加上反向传播算法的优化，使得分割结果更加准确。
5. 结论本文通过研究基于深度学习的视网膜血管图像分割算法，对其在医学图像处理中的应用进行了实验验证和分析。
实验结果表明，该方法在视网膜血管图像分割中具有良好的效果。
但是，仍然存在一定的局限性，例如数据集的大小和多样性等。
视网膜OCT图像分层算法
视网膜OCT图像分层算法视网膜光学相干断层扫描（Optical Coherence Tomography，OCT）是一种非侵入性的医学成像技术，可用于检测视网膜疾病及其他眼部疾病。
图像分层算法是OCT图像分析中的重要环节，可以通过分层定量分析来辅助医生进行临床诊断和治疗决策。
本文将介绍视网膜OCT图像分层算法的原理和应用。
一、算法原理视网膜OCT图像分层算法的目标是将二维的OCT图像分割为不同的层次，如视网膜内核层、视网膜神经纤维层、视网膜色素上皮层等。
其基本原理是基于图像的亮度和纹理等特征信息进行像素分类和分层定位。
视网膜OCT图像通常是灰度图像，其具有明暗变化、纹理多样性等特征。
分层算法可以通过阈值分割、边缘检测、区域生长等方法实现。
其中，基于阈值分割的方法是最常见和简单的算法。
通过设定适当的阈值，可以将亮度高于或低于阈值的像素归为同一层次，从而实现分层的目的。
二、算法流程视网膜OCT图像分层算法的流程一般包括以下几个步骤：1. 图像预处理：对OCT图像进行去噪、增强等预处理操作，以提取有效的特征信息。
常用的方法包括中值滤波、均值滤波、直方图均衡化等。
2. 阈值分割：选择适当的阈值对预处理后的图像进行分割。
可以采用全局阈值法、区域自适应阈值法等。
分割后的图像中，亮度高于阈值的像素被归为一类，亮度低于阈值的像素被归为另一类。
3. 边缘检测与修复：通过边缘检测算法，提取图像中的边缘信息。
常用的边缘检测算法有Canny边缘检测、Sobel算子等。
同时，对于分割结果中出现的孔洞或断裂边缘，可以进行修复处理，以获取更准确的分层结果。
4. 区域生长：根据预设的生长准则，将相邻的像素归为同一层次。
区域生长算法可以基于像素亮度、纹理和颜色等特征进行。
5. 分层结果优化：对分层结果进行校正和优化，以提高分层的准确性。
可以采用规则约束、全局优化等方法，对分层结果进行调整和修正。
三、应用展望视网膜OCT图像分层算法在临床上有着广泛的应用前景。
基于FCN的视网膜血管图像分割与研究
基于FCN的视网膜血管图像分割与研究基于FCN的视网膜血管图像分割与研究摘要：视网膜血管分割是医学图像处理和计算机视觉领域的一个重要研究方向。
本文基于全卷积神经网络（FCN）的方法，对视网膜图像进行血管分割，通过实验结果证明了该方法的可行性和有效性。
一、引言视网膜是眼睛中一块重要的组织，血管是视网膜中的重要结构之一。
视网膜血管图像的分割可以帮助医生进行诊断和治疗眼科疾病。
然而，由于视网膜图像的低对比度、噪声干扰等问题，血管分割任务一直被认为是非常具有挑战性的。
因此，寻找一种准确、自动且鲁棒的视网膜血管分割方法具有重要的临床意义。
二、方法本文采用了全卷积神经网络（FCN）的方法进行视网膜血管分割。
相比于传统的基于手工特征的方法，FCN具有更高的自适应性和表达能力。
FCN通过将传统的卷积神经网络架构中的全连接层替换成1×1卷积层，实现了任意大小的输入图像和输出分割图像。
此外，FCN还通过上采样操作将特征图恢复到原图像的尺寸，从而实现像素级别的图像分割。
三、实验设计与结果分析本文选取了100张视网膜血管图像作为训练集，20张图像作为验证集，以及30张图像作为测试集。
实验使用Python编程语言和TensorFlow框架实现。
在训练过程中，采用了随机梯度下降（SGD）算法进行优化，设置初始学习率为0.01，权重衰减为0.0005。
实验结果显示，FCN方法在视网膜血管图像分割任务上取得了较好的效果，平均准确率达到了90%以上。
四、讨论与展望本文基于FCN的方法在视网膜血管图像分割任务上取得了良好的效果。
然而，仍然存在一些问题值得进一步研究。
首先，如何提高分割算法的边界细化能力是一个重要的方向。
另外，如何将该方法与其他深度学习算法相结合，进一步提升视网膜血管分割的准确性和鲁棒性也是未来的研究方向。
五、结论本文基于FCN的方法在视网膜血管图像分割任务上获得了较好的效果，实验结果证明了该方法的可行性和有效性。
医学影像处理中的基于边缘检测的图像分割方法研究
医学影像处理中的基于边缘检测的图像分割方法研究引言：医学影像处理在现代医学诊断和治疗中起着至关重要的作用。
图像分割是医学影像处理的一项基本任务，它的目标是将图像分割成不同的区域，以便医生可以更好地识别和分析感兴趣的结构或病变。
边缘检测作为图像分割的基础方法之一，通过检测图像中明显的边缘信息，可以有效地帮助医生提取所需的结构。
一、边缘检测的定义和概念边缘在图像中代表了图像中不同区域之间的边界。
图像中的边缘通常表示为灰度强度突变的位置。
边缘检测的目标是找出图像中不同区域之间的边界像素，并将其标记出来，以便进行后续的图像分割和分析。
边缘检测算法的性能直接影响着后续图像分割的准确性和可靠性。
二、基于边缘检测的图像分割方法1. Canny边缘检测Canny边缘检测是一种经典的边缘检测算法，它包括了多个步骤，如高斯滤波、计算梯度、非极大值抑制和双阈值处理。
Canny算法通过对图像进行多次滤波和运算，可以探测到高强度的边缘，并且可以抑制噪声和弱边缘。
2. Sobel算子边缘检测Sobel算子是一种常用的边缘检测算子，它通过在图像中使用一组卷积核，计算水平和垂直方向的梯度，从而检测出图像中的边缘。
Sobel算子简单易用，计算速度快，适用于医学影像处理的实时应用。
3. Laplace算子边缘检测Laplace算子是一种基于二阶微分的边缘检测算子，它可以提取出图像中的高频信息，从而检测出边缘。
Laplace 算子可以对图像进行多次卷积操作，以增加边缘的响应，进而提高边缘检测的准确性。
三、医学影像处理中的图像分割应用1. 肿瘤分割在肿瘤诊断和治疗过程中，准确的图像分割可以帮助医生定位和量化肿瘤的大小和形状，并且可以跟踪肿瘤的发展和治疗效果。
基于边缘检测的图像分割方法可以有效地提取出肿瘤的边界，从而帮助医生进行肿瘤的定位和分析。
2. 血管分割血管分割在血管病变检测和血管造影等医学应用中起着重要作用。
边缘检测方法可以帮助医生提取出血管的边界，从而实现血管的定量分析和疾病诊断。
一种基于深度学习边缘检测的图像自动分割方法及装置[发明专利]
![一种基于深度学习边缘检测的图像自动分割方法及装置[发明专利]](https://img.taocdn.com/s3/m/7566c0e8b52acfc788ebc98f.png)
专利名称：一种基于深度学习边缘检测的图像自动分割方法及装置
专利类型：发明专利
发明人：杨泽宇,王艳杰
申请号：CN201910655043.6
申请日：20190719
公开号：CN110570440A
公开日：
20191213
专利内容由知识产权出版社提供
摘要：本发明提出一种基于深度学习边缘检测的图像自动分割方法及装置，所述方法包括：根据高分辨率遥感影像绘制一定数量的训练样本；通过所述训练样本训练HED边缘检测模型；使用训练好的HED边缘检测模型对待分割遥感影像进行边缘检测，生成边缘概率图；对所述边缘概率图进行后处理，生成矢量多边形；对所述矢量多边形进行简化处理，得到所述待分割遥感影像的图像分割结果。
本发明提出的图像分割方法无须调节参数，分割准确率更高，且可自动化运行，图像分割效率高。
申请人：武汉珈和科技有限公司
地址：430070 湖北省武汉市东湖开发区武大园路武大科技园2期B3栋6088室
国籍：CN
代理机构：武汉河山金堂专利事务所(普通合伙)
更多信息请下载全文后查看。
借助深度学习算法实现的视网膜图像分割技术
借助深度学习算法实现的视网膜图像分割技术视网膜图像分割技术是医学图像处理领域中最重要的一个方向，因为对准确分割图像的处理将直接影响临床病理医学的推进程度和诊断准确度。
在过去的几年里，深度学习技术的快速发展和广泛应用已经给该领域带来了很大的希望，打破了以前困扰其发展的种种限制与难点。
从技术的角度来看，目前的分割算法大致分为基于阈值的算法、基于图像边缘检测算法、基于区域生长算法、基于基元的聚类算法以及基于深度学习算法等等。
这些算法虽然各有优缺点，但是深度学习算法是目前最主流最优秀的一种算法。
深度学习算法是一种基于多层神经网络的模式识别和数据挖掘技术。
与传统的算法不同的是，深度学习可以自主建立特征库，通过对大量数据的学习，自动学习抽象的特征，并对这些特征进行分析识别。
在视网膜图像的分割任务中，深度学习可以以像素点为基本单位，通过对大量的视网膜图像进行训练，自动学习到图像中各部分的特征，并将其分类和分割。
深度学习算法不仅可以在分割任务中取得最好的准确率，而且其运算速度快，耗时少，具有广泛的应用前景。
不过，深度学习算法也并不是完美无瑕的。
它面临的瓶颈问题在于需要大量的训练数据和大量的算力支持，在训练过程中，模型需要消耗大量的时间和资源来训练和调试，这对于计算能力和存储需求都有很高的要求。
此外，对于模型的选择、参数的设置以及训练过程的优化等都需要专业的技术支持和优化工作。
不过，尽管深度学习算法面临着诸多困难和挑战，仍然有很多实践案例证明它的优越性和行之有效。
科研和创新机构将推动深度学习技术在临床及医学领域中的广泛应用，做出更有意义的贡献，更多的人将从中受益，深度学习有望成为医疗行业领域内未来最具潜力和持久力的技术。
一种基于边缘检测的视网膜图像的分割方法
2003年6月 陕 西 工 学 院 学 报June.2003第19卷第2期 Journal of Shaanx i Institute of T echnology Vol.19 N o.2[文章编号]1002-3410(2003)02-0032-02一种基于边缘检测的视网膜图像的分割方法赵 凡(陕西理工学院基础课一部,陕西汉中723003)[摘 要] 基于图像处理的理论,提出了一种针对视网膜图像的分割方法。
实验结果表明,该方法在保留原图的边界特征的基础上,很好的改善了图像的视觉效果。
[关 键 词] 直方图均衡; 边缘检测; SOBEL 算子[中图分类号] TP751 [文献标识码] A收稿日期:2003-03-25作者简介:赵凡(1969 ),女,陕西富平人,西安理工大学在读研究生,主要研究方向是信号与信息处理。
图像分割是图像处理的一项基本技术,如何提取图像的特征和边缘信息就成了至关重要的问题。
图1是一副视网膜切片图像。
针对几种传统差分算子的边缘检测,要不是噪音显著,要不是效果不佳等缺点。
本文在对图像直方图均衡化后再用Sobel 算子进行边缘检测,从而在增加图像对比度的同时,抑制了噪声的影响。
1 灰度直方图均衡化直方图均衡化是一种最常用的直方图修正,它把给定图像的直方图分布改造成均匀直方图分布。
由信息学的理论来解释,具有最大熵(信息量)的图像为均衡化图像。
直观的讲直方图均衡化导致图像的对比度增加。
假设有一副图像,共有16级灰度,其直方图分布为P i ,i =0,1, ,15,经直方图均衡化后,量化级别为10级的灰度图像的直方图分布Q i ,其中P i 和Q i 为分布概率,即灰度I 出现的次数与总点数之比。
P i :0.03,0,0.06,0.10,0.20,0.11,0,0,0,0.03,0,0.06,0.10,0.20,0.11,0Step1:用一个数组s 记录Pi,即s[0]=0.03,s [1]=0,s [2]=0.06, s [14]=0.11,s [15]=0.Step2:i 从1开始,令s [i ]=s [i]+s [i -1],得到的结果为:s :0.03,0.03,0.09,0.19,0.39,0.50,0.50,0.50,0.50,0.53,0.53,0.59,0.69,0.89,1.0,1.0.Step3:用一个数组L 记录新的调色板索引值,即令L [i]=s [i ]*(10-1),得到的结果是L :0,0,1,2,4,5,5,5,5,5,5,5,6,8,9,9.这样就找到了原来的调色板索引值和新的调色板索引值之间的对应关系,即0!0,1!0,2!1,3!2,4!4,5!5,6!5,7!5,8!5,9!5,10!5,11!5,12!6,13!8,14!9,15!9Step4:将老的索引值对应的概率合并,作为对应的新的索引值的概率,例如,原来的索引值0,1都对应了新的索引值0,则灰度索引值为0的概率为P 0+P 1=0.03;新的索引值3和7找不到老的索引值与之对应,所以令Q 3和Q 4为0。
一种新颖的基于边缘检测的图像分割方法
一种新颖的基于边缘检测的图像分割方法
陈涛;卜佳俊
【期刊名称】《计算机工程》
【年(卷),期】2003(029)007
【摘要】针对家庭数字照片的特点以及应用范围,提出了带有衰减因子的Robert 微分算子与动态的自适应阈值相结合的边缘检测方法,并利用了边缘检测后边缘点的方向信息,作为Hough变换的方向角,可以较快提取出边缘线段,从而通过边缘跟踪获得无噪声点的相似区域,这为进一步提取图像的颜色特征或形状特征提供了良好的基础.
【总页数】3页(P152-154)
【作者】陈涛;卜佳俊
【作者单位】浙江大学计算机学院,杭州,310027;浙江大学虹软多媒体研究中心,杭州,310027
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种新颖的基于边缘检测的车辆阴影去除方法 [J], 李浩亮;水清河;范文兵;杨潇楠
2.一种新颖的有核细胞边缘检测方法 [J], 冯强;于盛林;黄晓晴;张维
3.一种新颖的基于坐标逻辑的多结构元图像边缘检测方法 [J], 徐涛;骆明
4.一种基于多熵阈值图像分割的边缘检测新方法 [J], 范炯毅;翁默颖
5.一种基于阈值与边缘检测的遥感图像分割方法 [J], 李晨钊;陈胤璇;高海荣;李维胜;何强
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2003年6月 陕 西 工 学 院 学 报
J une.2003第19卷第2期 Journal of Shaanxi Institute of Technology Vol.19 No.2
[文章编号]1002-3410(2003)02-0032-02
一种基于边缘检测的视网膜图像的分割方法
赵 凡
(陕西理工学院基础课一部,陕西汉中723003)
[摘 要] 基于图像处理的理论,提出了一种针对视网膜图像的分割方法。
实验结果表明,该方法在保留原图的边界特征的基础上,很好的改善了图像的视觉效果。
[关 键 词] 直方图均衡; 边缘检测; SOB EL 算子
[中图分类号] TP751 [文献标识码] A
收稿日期:2003-03-25
作者简介:赵凡(1969—
),女,陕西富平人,西安理工大学在读研究生,主要研究方向是信号与信息处理。
图像分割是图像处理的一项基本技术,如何提取图像的特征和边缘信息就成了至关重要的问题。
图1是一副视网膜切片图像。
针对几种传统差分算子的边缘检测,要不是噪音显著,要不是效果不佳等缺点。
本文在对图像直方图均衡化后再用Sobel 算子进行边缘检测,从而在增加图像对比度的同时,抑制了噪声的影响。
1 灰度直方图均衡化
直方图均衡化是一种最常用的直方图修正,它把给定图像的直方图分布改造成均匀直方图分布。
由信息学的理论来解释,具有最大熵(信息量)的图像为均衡化图像。
直观的讲直方图均衡化导致图像的对比度增加。
假设有一副图像,共有16级灰度,其直方图分布为P i ,i =0,1,…,15,经直方图均衡化后,量化级别为10级的灰度图像的直方图分布Q i ,其中P i 和Q i 为分布概率,即灰度I 出现的次数与总点数之比。
P i :0.03,0,0.06,0.10,0.20,0.11,0,0,0,0.03,0,0.06,0.10,0.20,0.11,0
Step1:用一个数组s 记录Pi ,即s [0]=0.03,s[1]=0,s[2]=0.06,…s[14]=0.11,s[15]=0.Step2:i 从1开始,令s [i ]=s [i ]+s [i -1],得到的结果为:s :0.03,0.03,0.09,0.19,0.39,0.50,0.50,0.50,0.50,0.53,0.53,0.59,0.69,0.89,1.0,1.0.
Step3:用一个数组L 记录新的调色板索引值,即令L [i ]=s[i ]3(10-1),得到的结果是
L :0,0,1,2,4,5,5,5,5,5,5,5,6,8,9,9.
这样就找到了原来的调色板索引值和新的调色板索引值之间的对应关系,即
0→0,1→0,2→1,3→2,4→4,5→5,6→5,7→5,8→5,9→5,10→5,11→5,12→6,13→8,14→9,15→9
Step4:将老的索引值对应的概率合并,作为对应的新的索引值的概率,例如,原来的索引值0,1都对应了新的索引值0,则灰度索引值为0的概率为P 0+P 1=0.03;新的索引值3和7找不到老的索引值与之对应,所以令Q 3和Q 4为0。
最后出现的结果为:
Q i :0.03,-.06,0.10,0,0.20,0.20,0.10,0,0.20,0.11.
图2为图1对应P i 的分布,即处理前直方图分布。
图3为图1对应的Q i 的分布,即处理后的直方图分布。
这里分布级别均为256。
对照一下,不难发现图3的分布比图2的分布要均匀一些。
均衡化图像的动态范围扩大了,但量化级别没变。
因此,原来灰度不同的像素经处理后可能变得相同,形成了一片相同灰度的区域;各区域之间有明显的边界,从而出现伪轮廓。
图4为直方图均衡化处理后的结果。
图像中低灰度的点太多了,即s 数组前面的元素很大。
经过L [i ]=s [i ]3(256-1)的处理后,原
图1 视网膜原图 图4 均衡化处理后视网膜图图中低灰度的点的灰度值提高了不少,所以
暗的区域变亮了,看起来更清楚了。
2 边缘检测
我们发现,尽管目标的灰度值有差异,但
目标均发生在灰度不连续的位置,这正是边
缘的定义,我们可以通过边缘检测技术将目
标检测出来。
为了提取边缘特征,我们必须 图2 灰度直方图 图3均衡化后的直方图
考虑图像中灰度在空间上的变化形式,一般
将灰度变化分为3类:阶跃型,房顶型和凸缘
型,如图5所示,对于不同的灰度变化形式应
该采用不同的方法来检测变化。
常用的梯度边缘算子,如Robert 算子、
Prewitt 算子、Sobel 算子等,它们多为检测阶
跃型边缘设计的,对我们的视网膜图像,灰度
变化基本上属于阶跃型。
Sobel 算子在Robert
算子、Prewitt 算子的基础上对4-邻域采用带权的方法计算差分,对应的模板如下所示。
(a )阶跃型 (b )房顶型 (c )凸缘型图5 灰度变化形式
该算子不仅能检测边缘点,且能进一步抑制噪声的影响。
-1 -2 -1 -1 0 1
00-202121-101 S obel 算子
-1 -2 -1 -1 0 1
图6 S obel 算子处理后的结果图
00-202121-101 改进S obel 算子
图6为Sobel 算子处理后的结果图。
3 结论
本文针对视网膜图像,在直方图均衡化
的基础上,用传统的Sobel 算子进行边缘分割,图像比较清晰,用各向同性的Sobel 算子
进行边缘分割,保留了更多的边缘信息,达到了预期的效果。
[ 参 考 文 献 ]
[1] 王强.图像二值化时图像特征的保留[博士论文][J ].计算机辅助设计与图形学学报,2000,12(10):746-749.
[2] 贾永红.计算机图像处理与分析[M ].武汉:武汉大学出版社,2001.
[3] 吕凤军.数字图像处理编程入门[M ].北京:清华大学出版社,2000.
A method of retinal image segmentation based on edge detection
ZHAO Fan (Shaanxi University Of Technology ,Hanzhong 723003,China )
Abstract : Based on the image processing theory ,an approach of retinal image segmentation is proposed in this paper.The experiments show that the new algorithm keeps the original edge features and improves the visual effect of the image.
K ey w ords : histogram equalization ; edge detection ; sobel
・33・第2期 赵 凡 一种基于边缘检测的视网膜图像的分割方法 。