为0. 7-0. 9, w d_取值范围为45-61。
[0059] S6中具体采用如下方式：
[0060] S61 :采用S4中获得特征点作为区域生长算法的初始种子点，创建一张与减影图 像大小相同的辅助图像，颜色设为白色，在辅助图像上该种子点位置的颜色为白色时该种 子点未被处理过；
[0061] S62:从种子点集中取出一个未处理过的种子点，在辅助图像上将该种子点位置的 颜色设置为黑色，遍历该种子点的8个邻域内的像素点；
[0062] S63 :从辅助图像中获得当前种子点的8个邻域内的像素点对应位置的颜色，如果 邻域内的像素点在辅助图像上的颜色是白色，则继续处理下一个邻域内的像素点，如果邻 域内的像素点在辅助图像上的颜色是是黑色，则比较该像素点的灰度值与当前种子点的在 上一步骤中计算出来的自适应分割阈值的大小，如果该像素点的灰度值比自适应分割阈值 小，则把该像素点加入到种子点集中，继续处理邻域内下一个像素点；
[0063] S64 :重复上述步骤，直到不再有新的种子点加入进来；
[0064] S65 :新建一张与减影图像大小相同的图像，将种子点集和减影图像中对应种子点 的位置的灰度值映射到新建的图像中获得分割后的纯净的脑血管图像。
[0065] 由于采用了上述技术方案，本发明提供的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，可有有效的去除这些伪影，将血管从图像中分割出来，得到清晰的连 续的血管图像，本发明提出的算法简单且高效，运行速度快，全自动化，能有效的将血管从 复杂的背景中分割出来，对细小的毛细血管也有很好的分割结果，能够为DSA介入治疗的 临床手术提供准确的血管图像。
【附图说明】
[0066] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附图。
[0067] 图1为本发明中公开的方法的流程图；
[0068] 图2为本发明中图像序列采集过程的示意图；
[0069] 图3为本发明中活片图像的示意图；
[0070] 图4为本发明中蒙片图像的示意图；
[0071] 图5为本发明中活片图像和蒙片图像特征点匹配的示意图；
[0072] 图6为本发明中减影图像在匹配前后的比较图；
[0073] 图7为本发明中特征点进行局部位置调整前后的比较图；
[0074] 图8为本发明中空间旋转坐标系模型的示意图；
[0075] 图9为本发明中剔除非血管位置的特征点的前后对比示意图；
[0076] 图10为本发明中确定自适应阈值的示意图；
[0077] 图11为本发明中积分图的示意图；
[0078] 图12为本发明中区域生长算法的示意图；
[0079] 图13为本发明中得到的最终分割后的血管图像。
【具体实施方式】
[0080] 为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本 发明实施例中的技术方案进行清楚完整的描述：
[0081] 如图1所示的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， 在实施过程中，图像序列采集过程示意图如图2,左上角是图像采集设备，右上角是从不同 角度采集DSA图像序列的示意图，设备通过旋转C臂，采集后获得蒙片和活片图像序列，然 后进行"逐对"处理提取特征点集，而后引入旋转坐标系进行剔除脏数据，最后进行分割处 理。本发明公开的方法具体步骤如下：
[0082] Sl :对脑血管的活片图像和蒙片图像进行配准，去除大部分的运动伪影以及噪声， 利于后续的分割操作：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。具体采用如下方 式：
[0083] 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；活片图像如图3所示，蒙片图像如图4所示。
[0084] S12 :利用FLANN匹配器进行特征向量匹配，得到若干匹配点对；匹配结果如图5 所示，线段的两端的两个点是匹配的特征点对。
[0085] 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；
[0086] 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进行直接减影，得到序列化减 影图像。减影图像如图6所示，图6 (a)是直接减影后的图像，图6(b)是配准后进行减影的 图像，可以看到，经过配准后的减影图像更加清晰，噪声更加少，特别是牙齿所在的区域。
[0087] S2 :提取序列化减影图像的几何特征点集：
[0088] S21 :利用SIFT算法在减影图像上和蒙片图像上提取几何特征点集；
[0089] S22:在获得减影图像特征点时对图像进行上下分片操作，在DSA脑血管图像中， 上下部分差异明显，上部分大多为毛细血管，像素点的灰度值变化不明显，而下部分的血管 都比较粗，在提取SIFT特征点的时候为了将上片中的毛细血管尽可能的提取出来，需要对 上片进行预处理操作，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；
[0090] 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：在减影 图像中，轮廓的边缘梯度变化比较明显，会有一些特征点位于轮廓的边缘上，而这些特征点 是不在血管上的错误的特征点，蒙片图像的轮廓与减影图像的轮廓是近乎一致的，而蒙片 图像上是不存在血管的，在相同的阈值条件提取蒙片图像的SIFT特征点集，通过对减影图 像的特征点集与蒙片图像特征点集做差，可以剔除减影图像中的位于轮廓边缘的特征点。 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。
[0091] 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：得到的很多特征 点都位于血管的边缘，不利于后面的分割操作，因为血管内像素的灰度值明显低于周围背 景的灰度值，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。S3 中具体采用如下方式：
[0092] 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；
[0093] 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；
[0094] 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；
[0095] S34:重复上述步骤，直到减影图像中特征点集都处理完毕。
[0096] 特征点调整的结果如图7,图7(a)显示了在调整前特征点所在的位置，图7(b)显 示了在调整后特征点所在的位置，位于血管边缘的特征点经过调整之后基本都位于血管的 中心。
[0097] S4 :采用空间旋转坐标系模型剔除序减影图像中非血管位置的特征点：脑血管图 像是是三维血管结构在投影条件下的二维表达，位于血管上的特征点在空间上存在一定的 对应关系，如图8所示，建立一个空间旋转坐标系模型，旋转