3.3 本章小结 15
第四章 高斯匹配滤波器图像增强 . 16
4.1 高斯匹配滤波器图像增强概述 16
4.2 用高斯匹配滤波器增强的效果 18
4.3 本章小结 19
第五章 对 TRAMLINE匹配滤波图像增强的改进 . 20
5.1 Tramline匹配滤波器的基本理论 20
5.2 Tramline匹配滤波的处理过程 22
5.3 对 Tramline匹配滤波处理过程的改进 . 25
5.4 改进的 Tramline匹配滤波在视网膜血管图像增强中的应用 . 27
5.5 本章小结 31
第优尔章 总结与展望 . 32
致 谢 . 34
参考文献 35
第一章 绪论 1.1 课题研究背景及意义 目前为止，越来越多的患者死于血管性疾病，其致死机率在人类疾病总致死率中所占的比例已趋于首位， 因血管性疾病而失去生命的患者人数，每年都有很大比例的增加。虽然视网膜血管处于眼球的深处，而且非常微小，但却是医疗工作者能不借助医疗器械直接用肉眼就能观测到的血管，它是独一无二的。其表征不单能够对多种眼科疾病作出相应的改变，而且人体一旦出现血管类相干疾病， 视网膜血管能在最快时间内作出改变，尤其对高血压、高血脂、糖尿病、动脉硬化等疾病反应灵敏，有利于病变的及早发现与救治。为了在减轻患者检测疼痛和心理负担的同时，又能够及早准确地诊断出相干的疾病，并进行医治，对视网膜血管图像的分析就显得尤为重要了，这将大大提高医疗工作者的工作效率。视网膜血管能够体现整个人体内血管性疾病的状况，让患者免于更多医疗检测带来的疼痛。与此同时它也是脑血管的一个重要分支，其表征可以作为诊断脑血管状态的重要依据。上述血管性疾病给血管系统形态结构造成的影响，可以直接在视网膜血管表征上得到体现，其表征变化程度与疾病的病程，严重程度还有愈后的状态密切相关。因此，为了尽早诊断出患者的血管性疾病，并进行后续的相关医治，增强视网膜血管图像并对其进行理论分析，这一举措迫在眉睫，正是于此它在临床医治中的价值不可估量。 1.2 国内外研究现状 图像增强是数字图像处理研究中最为基础的一环。在实际应用中面对不同情况的不同需求，对图像中我们感兴趣的地方进行增强，对那些无关紧要甚至影响我们获取信息的部分进行适当地抑制或者忽略，使经过处理后得到图像能够更高效地为人们提供所包含的信息，让研究和分析更加准确。 如今，经常使用的图像对比度增强的方式有基于Hessian矩阵的算法、基于数字形态学的算法、基于直方图均衡的算法还有基于匹配滤波器的算法，每种算法都有自身独特的适用对像，及针对不同性质的图像使用特定的算法进行增强。在所有的图像增强算法中最为简单有效的莫过于直方图均衡算法。直方图均衡化( histogram equalization , 简称HE )作为一种传统的全局图像处理方法， 它的优点是能将图像整体的对比度提升到一个新的高度，同样缺点也很明显，该算法在增强过程中会将图像相邻区域的灰度级数进行合并，从而一定程度上丢失了图像细节。 直方图均衡化的上述缺陷，很大程度上限制了其能够适用的领域，为了让这一算法不至于被遗弃，Repa在此基础上作出了改进，提出了一种新的图像增强算法，它能够在对比度受到限制的情况下，作出自我调节以适应这种情况[1]。人们称它为对比度受限自适应直方图均衡 ( contrast limited adapative histogram qualization ，简称CLARE )。然而该方式处理原始图像时，如果图像具有比较狭隘的灰度级动态范围，那么处理后得到的效果并不尽如人意，甚至会遇到这种情况，如果图像的某个范围内灰度水平不能达成一致，出现伪影的机率将会大大提高。不甘如此的后人继续对其进行了改进，而Zen等人率先取得突破[2]。这种算法实质是建立在提取图像边缘基础上的图像分割算法， 直观体现在灰度直方图中是对不同的区域分配不同的权重， 经过处理后的图像，其背景会得到一定程度的削弱，反映在直方图中就是图像中人们感兴趣的部分得以突出。该方法适用于只有单一的背景、而且目标的细节非常丰富的图像，处理后得到的图像增强效果比较好，但是不适用于那些包含繁杂结构，而且对比度也不是很好的图像，比如视网膜图像，这样处理得到的图像效果不好。后人以实现算法对不同图像都能自我调节为目标，在原先基础上作出了改进，提出了 自适应直方图均衡( adaptive histogram equalization ,简称AHE )算法，为实现对图像灰度归一化程度的调节，引入了一个全新的参数，事实证明新算法能达到预期的效果，血管图像与背景的对比度得以大大增强，美中不足的是这种算法不可避免地会受到噪声的影响，处理过程中需要消除噪声[3]。 基于匹配滤波器的图像增强(2):http://www.youerw.com/zidonghua/lunwen_40035.html