肝位 的冠脉造影图像用于右冠状动脉血管信息的提取，右前斜位的冠脉造影图像用于左冠状动 脉血管信息的提取； 所述步骤2对选定目标冠脉造影图像进行血管增强的方法如下： 基于Hessian矩阵的Frangi血管滤波方法，有效地增强造影图像中的目标冠脉树；该 方法利用Hessian矩阵的特征值来计算局部血管出现的概率；在Frangi方法中充分考虑了 所有的特征值，并对血管特征测度给出了直观的几何解释；在Frangi的方法中，将血管增 强看作是一种寻找管状几何结构的滤波过程；由于血管具有不同的直径，因此引进了一个 在一定范围内变化的测量刻度；设图像为f(x，y):
其中，f(x，y)表示图像内像素点（x，y)的灰度值；fxx、fxy、fyx、f yy分别表示二维图像 f(x，y)的四个二阶偏微分，即像素点（X，y)与其相邻的八个像素点的灰度梯度差值；由图 像内每个像素点（X，y)的灰度值的二阶梯度值构建Hessian矩阵H(x，y); X方向上的二阶偏微分：
X，Y方向上的混合偏微分：
由于fXy= f yx，H是实对称矩阵，因此可用两个特征值λ i、λ 2来构造增强滤波；在二维 图像空间中，Hessian矩阵的两个特征值λρ \2可以由下面公式计算出：
Hessian矩阵的特征值λ JP λ 2用于判断图像上的点是否为角点，角点是指图像中密 度变化剧烈的点；定义I A1I < I λ2|，血管方向由绝对值最小的特征值A1K对应的特征向 量给出；由于在造影图像中血管是高亮的，沿血管方向的局部灰度变化理想状况下为零， 而血管的剖面方向灰度变化剧烈；因此，对于二维血管结构像素应满足如下条件： λ」。。，I A1I << I λ2| (7) 在冠状动脉造影拍摄过程中，由于冠状动脉管壁阻力处处不同而引起的各血管中血流 量不同，以及血管重叠、肋骨和椎骨的投影成像所造成的造影图像非均匀染色等问题，在造 影图像中的血管远端的细小血管分支中极为明显；同时，由于冠状动脉的直径存在变化，不 适合使用单一尺度的增强效果；为增强目标小血管的对比度，消除投影所产生的非均匀染 色，基于血管直径存在变化，因此引入高斯函数构造多尺度滤波器，采用不同尺度进行增强 滤波，补偿各血管间的像素色度差异； 将Hessian矩阵的差分运算与高斯函数结合，通过改变高斯函数的标准偏移量来获得 不同尺度σ下的线形增强滤波；根据高斯函数的卷积性质，尺度空间倒数g由输入冠脉造 影图像与高斯滤波器的二阶导的卷积得到：
其中，I是给定的冠脉造影图像，G是二维图像中的高斯函数，高斯函数G的表达式为：
其中，X是水平轴上距初始点的距离；y是垂直轴上距初始点的距离；σ是高斯分布的 标准偏差，为空间尺度因子； 在满足式（7)的前提下，某尺度〇下的Frangi二维管状滤波公式如下所示：
(12)
其中σ，β和c是常数因子，用于调控RjPS的敏感度，使得满足式（7)的体素对滤 波器的反馈最大；在二维管状滤波中，Frangi引入了两个参数：RB和S ;其中Rb用于识别球 状结构：当体素位于球状结构中时，Rb取得最大值；同时，由于背景像素具有其导数值非常 小的特征，为区分背景像素，故引入测度S去除固有噪声； 冠脉造影图像的增强的步骤如下： (1) 输入灰度图像，生成像素矩阵I ; (2) 对I的每一个元素（像素 Iij)，执行（3)~（9); (3) 初始化空间尺度〇 ; (4) σ若满足停止条件，则跳转（9); (5) 在当前尺度下，计算元素 Iu与高斯函数二阶微分的卷积； (6) 生成Hessian矩阵Η，并计算特征值AjP λ 2; (7) 将特征值代入Frangi滤波公式式（4)并计算； (8) 所有当前尺度下的元素计算完成后，迭代〇 (step)，跳转（4)，计算下一尺度； (9) 遍历所有尺度后，尺度迭代结束，记录每个元素在各尺度下的最大值，得到最终结 果； (10) 图像像素遍历结束，输出增强图像； 所述步骤3对增强后的血管进行血管主干和分支的分离的方法如下： 首先，对增强后的目标血管进行预处理，采用均值滤波的方法，对血管边缘进行平滑， 消除下一步血管片段连接过程中血管边缘可能产生的刺突； 其次，在经过图像增强后得到的冠脉二值图像，由于其背景强度低于血管强度，设定一 个阈值过滤背景信息；所有信号的像素即目标冠脉树被设置为白色，其它部分为黑色； 再次，依据形态学运算得到粗略的中心线；其中，血管的交叉点被认为是具有四个或更 多连接的相邻像素，删除作为交叉点的像素，得到没有任何分支的血管片段；分离后的血管 片段几乎能完整保留细小血管的相关信息，为得到更为完整的冠状动脉树打下基础； 最后，对每个独立且无分支的血管片段进行顺序的标记；基于前三步得到的仅由"1" 像素和"0"像素组成的二值图像，其相互邻接的" 1"值像素目标血管像素组合成区域，且相 互连通，并用边界信息描述每个连通区域即血管片段；对二值图像执行两次扫描：第一次 逐行逐列执行扫描像素，判断像素间的相邻关系，对属于同一连通区域的像素赋予相同的 连通标号；第二次执行扫描消除重复标记的各连通区域的子区域，合并属于同一连通区域 但具有不同标记号的子区域；从而实现对每个独立且无分支的血管片段的顺序标记； 所述步骤4连接分离后的冠脉血管片段的方法如下： 将各无分支的血管片段端点的连接看作一个聚类问题解决； 首先，需要提取各血管片段中心线端点的三个特征： (1) 位置X = (x，y):血管片段的端点的像素坐标； (2) 血管端点的方向：采用Gabor滤波器确定血管片段的方向，因为每个已标记的血管 片段滤波的过程是相对独立的，所以在交叉点可能产生的干扰能够被有效地抑制；
X1 = XCOS Θ +ysin θ，y' = -xsin θ +ycos θ 式中，λ是正弦因子的波长；θ是Gabor函数法线上平行条纹的方向；Φ是相位偏移； σ是高斯函数的标准偏差；γ是空间方面比，是Gabor核高斯函数的纵横比； (3)已标记血管片段端点的血管宽度，即端点直径：端点的法线方向决定血管的宽度， 从端点沿两个法线方向上的像素总和为其宽度； 其次，利用测量的两个血管片段间的相似性，引入相似性函数，来决定每个血管片段末 端血管的连续性；它包含三部分信息： (1) 相邻血管片段端点间方向的连续性：血管片段的相邻端点具有方向上的连续性， 是判断是否是同一支血管的关键因素，根据方向的连续性，可以合适匹配一支血管进入和 传出的部分；同时，由于存在部分差异，很难完全准确匹配两部分的方向，需要设定一个范 围，在此变化范围内认为血管方向一致； (2) 端点间的距离；血管片段端点间的距离是另一个相对重要的参考因素；引入血管 片段端点的距离和方位角的能量分布场；即，基于Gabor滤波器的角度范围设计一个扇形， 其半径就是端点间的距离；因此，定义一个如下的衰减函数：
式中，d2(Xi，yi)是两点间的欧氏距离，δ是尺度参数，用于控制随距离增加的衰减速 度； (3) 相邻血管片段间的血管宽度的差异性：较短距离内，血管的宽度变化率很小；两支 血管片段的血管宽度的差异是判断是否属于同一支血管的另一个因素； 然而，上述三个因素的重要性不同，其重要性的由大到小依次是方向、距离和宽度；设 定加权值，即设P和q代表端点的三维特征空间中的两个点，有相似函数如下所示：
式中，ωι，《2和ω 3用于调整方向、距离和宽度差异性的重要程度；Xi是第i个端点； ε是控制方向的角度合理变化范围；DK是距离衰减函数的定义；DW是血管宽度的差异性； 因此，该函数能很好的处理小角度、高曲率或长距离的情况； 所述步骤5基于完整的冠脉树二值图像，提取血管中心线即血管骨架的方法如下： 根据步骤2、3、4所述工作的基础上，采用K主曲线法可以继续减薄已提取的较为粗略 的中心线；首先，对于数据点集合Κ，曲线f#称为长度L的主曲线，如果在所有长度小于或者 等于L的曲线簇上，产最小化距离函数Λ (f); 其中，
式中，t是投影指标；f(·)表示投影指标与数据点之间的m维矢量函数，是与内在分布 变量有非线性关系的描述，