一种基于多角度序列化图像空间特征点集的脑血管图像分割方法

文档序号:9288812
一种基于多角度序列化图像空间特征点集的脑血管图像分割方法
【技术领域】
[0001] 本发明涉及图像处理技术领域,尤其涉及一种基于多角度序列化图像空间特征点 集的脑血管图像分割方法。
【背景技术】
[0002] 通过DSA技术得到脑血管的图像,可以帮助医生对患者进行诊断,但是由于患者 的呼吸吞咽等动作,会存在明显的伪影和噪声,影响了医生的观测和诊断,因此,提取准确 的血管组织图像是当前基于DSA技术的血管诊疗中急需解决的问题。现有技术中包括手动 分割方法,配准方法,基于模型的方法。手动分割的方法需要人工进行交互,不同的人工操 作得到的分割结果差别很大,还需要耗费大量的时间,通过配准方法得到的血管图像中包 含较大的噪声,影响医生的诊断,采用基于模型的方法,需要一张模板图像,只有精确的模 板才能得到较好的血管分割结果。

【发明内容】

[0003] 根据现有技术存在的问题,本发明公开了一种基于多角度序列化图像空间特征点 集的脑血管图像分割方法,包括以下步骤:
[0004] Sl :对脑血管的活片图像和蒙片图像进行配准:在活片图像和蒙片图像上确定几 何特征点,找出匹配的特征点对,通过匹配的特征点对之间的关系对蒙片图像进行处理获 得序列化减影图像;
[0005] S2 :提取序列化减影图像的几何特征点集;
[0006] S3 :对序列化减影图像中血管边缘的特征点进行局部位置调整:通过灰度值梯度 来调整特征点的位置,将血管边缘的特征点移动到血管内;
[0007] S4 :采用空间旋转坐标系模型剔除减影图像中非血管位置的特征点:建立一个空 间旋转坐标系模型,利用相邻减影图像上特征点的位置信息,求出特征点在其它减影图像 中的理论位置,根据其他减影图像中特征点的位置,采取投票的方式剔除非血管位置的特 征点;
[0008] S5 :确定序列化减影图像的自适应分割阈值;
[0009] S6 :基于区域生长和自适应阈值的血管图像分割:将S4中获得的特征点作为种子 点,将S5中获得的自适应分割阈值作为生长法则的标准,采用区域生长算法分割序列化减 影图像获得纯净的脑血管图像。
[0010] Sl中具体采用如下方式:
[0011] Sll :利用SURF算法分别在相对应的活片图像和蒙片图像上确定几何特征点,计 算出特征点的特征向量;
[0012] S12 :利用FLANN匹配器进行特征向量匹配,得到若干匹配点对;
[0013] S13 :对匹配好的点对进行筛选消除错误匹配,计算出匹配点对之间的最小距离, 只保留距离小于匹配点对之间的最小距离三倍的点对;
[0014] S14 :采用RANSAC算法去除错误匹配点对,得到两幅图像之间的变换矩阵,通过变 换矩阵获得配准后的蒙片图像,将活片图像与配准后的蒙片图像进行直接减影,得到序列 化减影图像。
[0015] S2中具体采用如下方式:
[0016] S21 :利用SIFT算法在序列化减影图像上和蒙片图像上提取几何特征点集;
[0017] S22:在获得减影图像的特征点时对图像进行上下分片操作,取图像的三分之一作 为上片图像,其余作为下片图像,对上片图像进行增强对比度的操作获得较多的特征点;
[0018] S23:计算蒙片图像中的特征点与减影图像中的特征点之间的欧式距离,如果减影 图像中的特征点与蒙片图像中的特征点之间的欧式距离小于50,则将该特征点其剔除。
[0019] S3中具体采用如下方式:
[0020] S31 :判断减影图像中特征点集是否都被处理完毕,如果是则计算过程结束,如果 不是则从特征点集中取出一个未被处理的特征点;
[0021] S32 :判断上述未被处理的特征点是否为8领域内灰度值最小的点,如果是则继续 判断下一个未被处理的特征点;
[0022] S33 :如果S32中判断为否则计算出该特征点8个方向上的梯度,将梯度最大的点 作为新的特征点;
[0023] S34:重复上述步骤,直到减影图像中特征点集都处理完毕。
[0024] S4中具体采用如下方式:
[0025] S41 :从当前的减影图像中选取一特征点P1 (X1, yi),在当前的减影图像中的相邻减 影图像中计算与P1满足如下关系的特征点P 2(x2, y2):
[0026] X2-X11 ^ 4
[0027] Y2-Y11 ^ 2
[0028] S42 :根据横坐标横坐标X2以及P JP P2之间的角度α = 2°计算特 征点P1到旋转中轴的距离r:
[0029]
[0030] S43:计算特征点P1在其他减影图像中投影的理论位置Pn:设当前处理的减影图像 A的序号为其他减影图像B的序号为、,通过序号的差值求出两幅减影图像之间的旋转 的角度α :
[0031] a = |2X (In-I1) | ;
[0032] S44 :根据上述计算出的r和旋转角度α求出特征点?1在当前减影图像B中的投 景多的位置Pn(XnJ n);
[0033] Xn=XiirXcosa
[0034] yn= y 1
[0035] S45 :从减影图像B中查找是否存在满足以下要求的特征点(Xni,yj,如果存在则给 特征点P1投一票,否则不投票;
[0036] xn-xnI ^ 4
[0037] yn-yn| ^ 2
[0038] S46 :设定阈值,剔除得票数低于该阈值的特征点后获得特征点集。
[0039] S5中具体采用如下方式:
[0040] S51 :对减影图像进行高斯滤波操作,去除噪声,采用如S22中所述的方式对图像 进行分片处理,计算上片图像的自适应分割阈值:
[0041] 以像素点P (x,y)为中心,取一个wupX Wup的窗口,其中Wup为奇数;
[0042] 计算窗口内的灰度期望值Elcical (X,y);
[0043]
[0044]
[0045]
[0046] 根据窗口内的灰度期望值Elocal (X,y)及窗口内灰度分布标准差〇 (X,y),确定 阈值 Tup(x,y):
[0047] Tup (x, y) = Elocal (x, y) +kup X σ (χ, y)
[0048] 其中:kup取值范围为0. 1-0. 3, wup取值范围为6-11 ;
[0049] 计算下片图像的自适应分割阈值:
[0050] 计算下片图像的积分图,积分图中任一点I(x,y)的值等于从图像左上角到这个 点所构成的矩形区域内的所有的点的灰度值之和,I表示积分图像,G表示减影图像,其中 χ, O^j ^y〇
[0051] I (x, y) = sum(G(i, j))
[0052] 以像素点P (x,y)为中心,取一个wd_X wd_的窗口,其中w d_为奇数,
[0053] 通过积分图得到窗口内的像素的平均值m(x, y),其中x-wd_/2彡i彡x+wd_/2, y-w d〇X j 彡 y+wdown/2〇
[0054]
[0055] m(x,y) = Sum(G(i, j))/wdown2
[0056] 根据窗口内的平均灰度值m(x, y),确定阈值Td_ (x, y):
[0057] Tdown (x, y) = kdownXm(x, y)
[0058] 其中:kd_取值范围
再多了解一些
当前第1页1 2 3 4 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1