一種基于隨機(jī)方向直方圖比的雙閾值的血管圖像處理方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種基于隨機(jī)方向直方圖比的雙閾值的 血管圖像處理方法。
【背景技術(shù)】
[0002] 為了能夠理解復(fù)雜的血管圖像數(shù)據(jù)，許多現(xiàn)有研宄已經(jīng)提出了各種形態(tài)學(xué)方法對(duì) 血管進(jìn)行量化，包括血管長(zhǎng)度分布、血管半/直徑分布、血管方向、血管區(qū)域或空間密度、血 管分枝節(jié)點(diǎn)密度、血管分枝角度、血管端點(diǎn)密度和分形維數(shù)等。顯然，這些度量的精確程度 嚴(yán)重依賴于圖像的血管檢測(cè)輸出結(jié)果。然而，由于背景著色、血管漏洞或者通過(guò)血管壁滲透 到周圍組織的熒光染料的存在，血管造影圖像數(shù)據(jù)往往會(huì)出現(xiàn)部分區(qū)域的噪聲污染。在這 種情況下，從血管圖像中進(jìn)行有效的血管檢測(cè)具有較大的難度。
[0003] 現(xiàn)有研宄針對(duì)血管圖像數(shù)據(jù)處理問(wèn)題已經(jīng)提出了多種方法，根據(jù)血管圖像數(shù)據(jù) 所采用信息和特征種類的不同，血管圖像數(shù)據(jù)處理算法主要可以三類，包括基于顏色特征 (亮度）的算法，基于形狀（幾何特征）的算法，以及聯(lián)合使用了幾何特征以及亮度特征的 算法?；陬伾卣鞯姆椒ㄖ饕ㄟ^(guò)研宄顏色聚類、直方圖分割、圖像熵、像素局部鄰域內(nèi) 的統(tǒng)計(jì)特征、或者圖像的某些屬性（如邊緣特征等），進(jìn)行血管的分割提取。其中，最為直接 應(yīng)用也最為廣泛的一類算法是基于亮度信息的閾值化處理。閾值化處理根據(jù)不同的分類標(biāo) 準(zhǔn)，可以進(jìn)行不同的歸類。根據(jù)閾值化處理時(shí)所參考信息的范圍，可以分為全局方法和局部 方法兩類。此外，根據(jù)所采用信息種類的不同，閾值化算法又可以分為基于直方圖形狀的算 法，基于聚類的算法，基于熵的算法，基于屬性相似性的算法，基于空間分布的算法，以及基 于局部統(tǒng)計(jì)特征的算法?；谥狈綀D的方法根據(jù)灰度直方圖的形狀，特別是峰與谷分割來(lái) 計(jì)算閾值?；诰垲惖姆椒ǎ鶕?jù)像素間的相似性或者差異性來(lái)區(qū)分前景與背景?；陟?的方法，通過(guò)最大化二值圖像的熵，或者最小化原始圖像與所獲得的二值圖像之間的交叉 熵，來(lái)確定閾值?；趯傩缘姆椒?，通過(guò)比較原始圖像與結(jié)果二值圖像之間的特征差異來(lái)確 定最佳二值圖像，其所比較的特征包括邊緣、形狀、灰度矩等。這一類算法試圖在最大程度 上保留原始圖像的幾何特征?；诳臻g分布的算法，主要根據(jù)相鄰像素之間的相關(guān)性來(lái)確 定閾值，包括共生矩陣以及二階矩等統(tǒng)計(jì)相關(guān)特征。其主要的策略是，將結(jié)果二值圖像與原 始圖像之間的分布變化差異最小化?；诰植拷y(tǒng)計(jì)特征的方法，根據(jù)圖像的局部變化與對(duì) 比，計(jì)算單個(gè)像素或者局部窗口的閾值。通常對(duì)于不同的局部窗口，會(huì)得到不同的閾值，屬 于一種局部閾值化算法。除了上述分類清楚的算法之外，閾值化處理還包括一些其它類型 的算法，包括基于模糊集的算法，基于進(jìn)化的算法，混合優(yōu)化算法。但是，這幾種算法的基本 理念與前述幾類算法在本質(zhì)上是一致的，當(dāng)圖像中存在嚴(yán)重噪聲污染時(shí)，這些算法通常無(wú) 法得到滿意的閾值化結(jié)果。
[0004] 此外，在進(jìn)行基于血管骨架和邊緣提取的血管檢測(cè)算法，以及血管輪廓提取算法 等之前，都需要對(duì)血管圖像進(jìn)行閾值化處理，從而提取出血管圖像部分。在應(yīng)用某些血管分 割方法之前，也需要進(jìn)行一個(gè)或多個(gè)閾值化處理，例如Socher' s方法，一種使用多層分類 器的邊緣空間學(xué)習(xí)方法，必須在第一層找到邊緣，并且邊緣檢測(cè)的精度取決于應(yīng)用閾值化 算法對(duì)污染區(qū)域進(jìn)行消除噪聲的結(jié)果的質(zhì)量。因此，閾值化處理是血管檢測(cè)的一項(xiàng)重要手 段。如何提出新的閾值化處理方法，能夠有效地去除血管中的噪聲，是醫(yī)學(xué)圖像領(lǐng)域中的一 項(xiàng)重要需求。
[0005] 血管圖像中存在噪聲污染問(wèn)題，全裝顯微成像和雙光子成像能夠達(dá)到微米或者亞 微米的分辨率，能夠完成小血管成像，例如毛細(xì)血管的成像。毛細(xì)血管的直徑平均而言在8 微米左右，但有可能低至3微米。然而，毛細(xì)血管叢通常是纏繞在一起的不規(guī)則血管網(wǎng)絡(luò)， 要從噪聲背景下自動(dòng)提取其中的血管是一個(gè)非常具有挑戰(zhàn)性的問(wèn)題。
[0006] 血管造影圖像中，有個(gè)特別的問(wèn)題，即污染區(qū)域。血管造影成像通常需要向血管中 注入熒光染料，如果血管壁存在裂口，熒光染料會(huì)流入周圍的組織中。即使在不存在裂口 的情況下，長(zhǎng)時(shí)間的成像，特別是活體成像，都會(huì)造成熒光染料向周圍組織的滲透。這些滲 透的熒光染料，會(huì)在血管圖像中造成污染區(qū)域，類似云團(tuán)狀噪聲。這些區(qū)域的尺寸通常較 血管的尺度大很多。例如，圖Ia中，血管圖的中上位置處的云團(tuán)狀污染噪聲區(qū)域可以達(dá)到 130X 50 μ m2。此外，云團(tuán)狀噪聲中的像素的亮度在70到165之間（紅色通道），血管像素 的亮度則在80到200之間（紅色通道）。可以看出，某些噪聲像素的亮度值要高于某些血 管像素的亮度值。這個(gè)問(wèn)題給準(zhǔn)確的血管檢測(cè)提取帶來(lái)了困難。然而，現(xiàn)有的閾值化血管提 取方法不能很好得解決該問(wèn)題。其結(jié)果要么是真實(shí)的血管中的部分像素被錯(cuò)誤得剔除了， 要么是噪聲中的部分像素被錯(cuò)誤得保留了下來(lái)。不準(zhǔn)確的血管提取結(jié)果，將給后續(xù)的血管 圖像定量分析（例如，血管長(zhǎng)度計(jì)算、血管面積或者體積計(jì)算等）引入誤差。
[0007] 為了更好得說(shuō)明血管圖像閾值化中存在的問(wèn)題，以圖Ia中的血管圖像為例，對(duì)其 用典型閾值化算法處理的結(jié)果進(jìn)行說(shuō)明。圖Ia中可以看到在中上部存在明顯的云狀噪聲 污染區(qū)域。首先應(yīng)用Kittler's方法對(duì)轉(zhuǎn)化為灰度圖后的圖Ia進(jìn)行閾值化處理，提取其中 的血管，其結(jié)果在圖Ib中給出。之所以選擇Kittler' s方法，在于該方法在不同情況下的 平均性能要優(yōu)于其它多種閾值化方法。從圖Ib中的結(jié)果可以看出，雖然大多數(shù)血管像素都 保留了下來(lái)，但大量的云狀噪聲也都沒(méi)有去除。此外，為了說(shuō)明錯(cuò)誤得去除亮度較低的小血 管的問(wèn)題，采用最大熵方法對(duì)圖Ia中血管圖像進(jìn)行閾值化處理，其結(jié)果在圖Ic中給出。從 其結(jié)果中可以看出，云狀噪聲都消除了，但同時(shí)大量的血管也都被錯(cuò)誤的去除了。
[0008] 上述各種問(wèn)題并不只存在于毛細(xì)血管圖像中。例如，相似的問(wèn)題還出現(xiàn)在虹膜圖 像、紗槌圖像、航拍的道路圖像，以及許多其他存在非均勻照明或者引起噪聲的物理原因的 圖像中。因此，有必要開(kāi)發(fā)一種自適應(yīng)的閾值化處理方法，能夠區(qū)分有實(shí)際物理意義的模式 和噪聲模式，從而合理的處理污染區(qū)域等問(wèn)題。

【發(fā)明內(nèi)容】

[0009] 本發(fā)明的目的在于提供一種基于隨機(jī)方向直方圖比的雙閾值的血管圖像處理方 法，該方法基于隨機(jī)探針檢測(cè)血管圖像子窗口內(nèi)的圖像性質(zhì)指標(biāo)，鑒別血管圖像中的噪聲 污染區(qū)與血管區(qū)域，通過(guò)該方法獲能夠有效得去除血管圖像中的噪聲。
[0010] 本發(fā)明是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：
[0011] 一種基于隨機(jī)方向直方圖比的雙閾值的血管圖像處理方法，包括以下步驟：
[0012] 步驟一，輸入采集的血管圖像，進(jìn)行背景清理；
[0013] 步驟二，針對(duì)整幅血管圖像，應(yīng)用多級(jí)Otsu算法獲取兩個(gè)閾值，分別記作tl和t2， 且 tl>t2 ;
[0014] 步驟三，將步驟一背景清理后的血管圖像劃分為Wmax個(gè)子圖像，在每個(gè)子圖像窗口 內(nèi)隨機(jī)放置η個(gè)探針，對(duì)η個(gè)探針在各個(gè)方向上的探測(cè)結(jié)果進(jìn)行累加，獲得該子圖像的方 向直方圖，然后計(jì)算該方向直方圖中最大值與最小值的比，得到該子圖像的方向直方圖比 DHR ;以此計(jì)算得到整幅血管圖像中各個(gè)子圖像的方向直方圖比；
[0015] 步驟四，若某個(gè)子圖像的方向直方圖比DHR大于2,則該子圖像為背景干凈的血管 圖像，應(yīng)用步驟二中所得的低閾值t2對(duì)圖像進(jìn)行閾值化處理；
[0016] 反之則為噪聲污染區(qū)域，應(yīng)用步驟二中的高閾值tl對(duì)圖像進(jìn)行閾值化處理；
[0017] 對(duì)所有子圖像的處理結(jié)果匯總，得到了最終的血管圖像處理結(jié)果。
[0018] 步驟一對(duì)采集的血管圖像進(jìn)行背景清理，具體操作為：對(duì)采集的血管圖像統(tǒng)計(jì)其 中最亮像素的亮度值，將該血管圖像中所有亮度值低于最亮像素亮度值的5%的像素置為 零，其他像素則保留原有的像素值。
[0019] 步驟二所述的多級(jí)Otsu算法采用三級(jí)Otsu算法。
[0020] 步驟三所述的探針，隨機(jī)設(shè)置在子圖像窗口內(nèi)非零像素的位置。
[0021] 每個(gè)探針檢測(cè)其周圍8個(gè)或者16個(gè)方向上的非零像素的數(shù)目，并計(jì)算出8維或者 16維的方向直方圖，在每個(gè)方向上，如果探測(cè)到的像素值大于零，則在方向直方圖的對(duì)應(yīng)維 度上加1，反之則不加；對(duì)η個(gè)探針在各個(gè)方向上的探測(cè)結(jié)果進(jìn)行累加，共同組成一個(gè)方向 直方圖，該直方圖為相應(yīng)子圖像的方向直方圖。
[0022] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：
[0023] 本發(fā)明的基于隨機(jī)方向直方圖比的雙閾值的血管圖像處理方法，根據(jù)血管的幾何 分布特點(diǎn)，提出了一種基于隨機(jī)探針檢測(cè)血管圖像子窗口的圖像性質(zhì)的指標(biāo)，即方向直方 圖比，根據(jù)方向直方圖比的值大小，能夠鑒別血管圖像中的噪聲污染區(qū)域與血管區(qū)域，對(duì)噪 聲污染區(qū)域采用高閾值tl進(jìn)行閾值化處理，從而能夠盡量的消除噪聲像素，而對(duì)血管區(qū)域 則采用低閾值t2進(jìn)行閾值化處理，從而盡量的保留血管像素。通過(guò)本發(fā)明方法能夠有效得 去除血管圖像中的噪聲，且無(wú)需復(fù)雜的數(shù)學(xué)模型，計(jì)算速度快，去噪能力強(qiáng)，血管圖像處理 效果好。
【附圖說(shuō)明】
[0024] 圖Ia為雙光子血管圖像中的云狀噪聲污染問(wèn)題結(jié)果圖；
[0025] 圖Ib為Kittler' s方法閾值化處理結(jié)果圖；
[0026] 圖Ic為最大熵方法閾值化處理結(jié)果圖；
[0027] 圖2為8方向探針統(tǒng)計(jì)方向直方圖說(shuō)明（圖中的陰影部分為管狀物，像素
[0028] i是隨機(jī)選取的管狀物上的某個(gè)像素，像素 j和k是像素 i在4和6方向的d-鄰 居像素）；
[0029] 圖3a為d-鄰居像素二維示意圖（像素 i處的隨機(jī)探針，j像素為其3-鄰居像 素）；
[0030] 圖3b為d-鄰居像素三維示意圖（中心淺色像素表示探針位置，周圍的黑色像素 表示其1-鄰居像素，為顯示清晰起見(jiàn)，只標(biāo)出了六個(gè)1-鄰居像素）；
[0031] 圖4為基于隨機(jī)方向直方圖比的雙閾值血管圖像處理方法流程圖；
[0032] 圖5為方向直方圖生成步驟流程圖；
[0033] 圖6為高質(zhì)量雙光子血管圖像處理結(jié)果比較圖；
[0034] 其中，（a)為原始血管圖像圖；(b)為本發(fā)明算法血管圖像處理結(jié)果圖；（C)為 Otsu算法血管圖像處理結(jié)果圖；（d)為Huang算法血管圖像處理結(jié)果圖；（e)為Percentile 算法血管圖像處理結(jié)果圖；（f)為Triangle算法