获得序 列化减影图像； 52 :提取序列化减影图像的几何特征点集； 53 :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； 54 :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 占. '?、、， 55 :确定序列化减影图像的自适应分割阔值； 56 :基于区域生长和自适应阔值的血管图像分割：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阔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。2. 根据权利要求1所述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，其特征还在于：S1中具体采用如下方式： 511 :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； 512 :利用FLMN匹配器进行特征向量匹配，得到若干匹配点对； 513 :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S倍的点对； 514 :采用RANSAC算法去除错误匹配点化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。3. 根据权利要求1所述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，其特征还在于：S2中具体采用如下方式： 521 :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； 522 :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S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； 523 :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。4. 根据权利要求1所述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：S3中具体采用如下方式： 531 :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； 532 :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； 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； S34:重复上述步骤，直到减影图像中特征点集都处理完毕。5. 根据权利要求1所述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：S4中具体采用如下方式： S41 :从当前的减影图像中选取一特征点Pi(Xi,yi)，在当前的减影图像中的相邻减影图 像中计算与Pi满足如下关系的特征点P2(X2,y2): 又厂又11《4 l2-JiI^ 2 S42:根据Pi的横坐标Xi、P2的横坐标XzW及Pi和之间的角度° =2°计算特征点P剧旋转中轴的距离r:S43:计算特征点Pi在其他减影图像中投影的理论位置P。:设当前处理的减影图像A的 序号为ii,，其他减影图像B的序号为i。，通过序号的差值求出两幅减影图像之间的旋转的 角度a: a= |2XI； S44:根据上述计算出的r和旋转角度a求出特征点Pi在当前减影图像B中的投影的 位置PnUn'yJ; Xn二Xi±rXCOSa Yn=y1 545 :从减影图像B中查找是否存在满足下要求的特征点（Xm，ym)，如果存在则给特征 点Pi投一票，否则不投票； Xm-XJ《4 ym-y」《2 546 :设定阔值，剔除得票数低于该阔值的特征点后获得特征点集。6. 根据权利要求1所述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，其特征还在于：S5中具体采用如下方式： 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阔值： W像素点P(X，y)为中屯、，取一个WupXWup的窗口，其中Wup为奇数； 计算窗口内的灰度期望值&。。。1 (X，y);计算窗口内的灰度分布标准差0 (x，y)根据窗口内的灰度期望值ElocaUx,y)及窗口内灰度分布标准差o(X,y)，确定阔值Tup(x,y)： Tup(x,y) =Eiocai(X，y)+k叩Xo(X，y) 其中：kup取值范围为0. 1-0. 3,wup取值范围为6-11 ; 计算下片图像的自适应分割阔值： 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运个点 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 0《j《y; I(x,y) =sum(G(i,j)) W像素点P(X，y)为中屯、，取一个XWd。?的窗口，其中wd。?为奇数， 通过积分图得到窗口内的像素的平均值m(x,y)，其中x-WdD"/2《i《x+WdD"/2,y-Wd。。。/ 2《j《y+Wdwn/2 ;m(X，y) =Sum(G(i, _j))/wdoJ 根据窗口内的平均灰度值m(X，y)，确定阔值Td。? (X，y): Td〇wn(x,y) =kd"""Xm(x,y) 其中：kd。?取值范围为0. 7-0. 9,wd。?取值范围为45-61。7.根据权利要求1所述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，其特征还在于：S6中具体采用如下方式： 561 :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； 562 :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； 563 :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阔值的大小，如果该像素点的灰度值比自适应分割阔值小， 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； 564 :重复上述步骤，直到不再有新的种子点加入进来； 565 :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。
【专利摘要】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：S1：对脑血管的活片图像和蒙片图像进行配准：S2：提取序列化减影图像的几何特征点集；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，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：S5：确定序列化减影图像的自适应分割阈值；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。
【IPC分类】G06T7/00
【公开号】CN105005998
【申请号】CN201510475050
【发明人】刘斌, 江乾峰, 黄睿, 刘文鹏
【申请人】大连理工大学
【公开日】2015年10月28日
【申请日】2015年8月5日