文献[17]提出的方法，血管状物体按Laplacian算子和有噪声提取的对象按中心线修剪，通过归一化矢量场检测。
3以监督分类为基础的方法
以监督分类为基础的方法基本将像素分为两个类：血管像素和无血管像素。通过监参考手动标记的图像数据分类写入。
文献[18]提出一种多层血管树抽取的神经网络（NN）。经过直方图均衡化，平滑和边缘检测，图像被划分成20*20像素的正方形（400个输入神经元）。神经网络通过这些像素窗口的值来填充分，将像素分为血管像素或无血管像素。
文献[19]也采用了多层感知器NN。图像中每个像素被列为使用的第一主成分，并从10*10像素的子图像的边缘强度值围绕评估像素作为输入数据。
文献[20]实现了K-近邻（KNN）分类。一个31组件的像素特征向量通过高斯及其衍生物5个不同点中的2个构建，由原始图像的绿色通道灰度级增强。假设血管是细长结构，Staal等人提出的基于脊的监督血管检测方法的基础上。 文献[21]从图像中提取脊，作为原语用来形成行元素。每个像素然后被分配到其最近的行元素，因此，图像被划分成片。每个像素，首先计算7文特征，并获得最佳的类的划分。特征向量通过kNN的分类器和循序前进feaas像素特征进行分类。最后Ricci和Pefetti文献[21]使用支持向量机（SVM）对血管或无血管的像素分类他们用两个正交的线探测器，沿目标像素灰度级构造特征向量。 图像边缘图生成与特征提取的国内外研究现状(2):http://www.youerw.com/yanjiu/lunwen_2158.html