资源描述：
《一种基于边缘检测的视网膜图像的分割方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、2003年6月陕西工学院学报June.2003第19卷第2期JournalofShaanxiInstituteofTechnologyVol.19No.2[文章编号]1002-3410(2003)02-0032-02一种基于边缘检测的视网膜图像的分割方法赵凡(陕西理工学院基础课一部,陕西汉中723003)[摘要]基于图像处理的理论,提出了一种针对视网膜图像的分割方法。实验结果表明,该方法在保留原图的边界特征的基础上,很好的改善了图像的视觉效
2、果。[关键词]直方图均衡;边缘检测;SOBEL算子[中图分类号]TP751[文献标识码]A图像分割是图像处理的一项基本技术,如何提取图像的特征和边缘信息就成了至关重要的问题。图1是一副视网膜切片图像。针对几种传统差分算子的边缘检测,要不是噪音显著,要不是效果不佳等缺点。本文在对图像直方图均衡化后再用Sobel算子进行边缘检测,从而在增加图像对比度的同时,抑制了噪声的影响。1灰度直方图均衡化直方图均衡化是一种最常用的直方图修正,它把给定图像的直方图分布改造成均匀直方图分布。由信
3、息学的理论来解释,具有最大熵(信息量)的图像为均衡化图像。直观的讲直方图均衡化导致图像的对比度增加。假设有一副图像,共有16级灰度,其直方图分布为Pi,i=0,1,,15,经直方图均衡化后,量化级别为10级的灰度图像的直方图分布Qi,其中Pi和Qi为分布概率,即灰度I出现的次数与总点数之比。Pi:0.03,0,0.06,0.10,0.20,0.11,0,0,0,0.03,0,0.06,0.10,0.20,0.11,0Step1:用一个数组s记录Pi,即s[0]=0.03,s[1]=0,s[2]=0.06,
4、s[14]=0.11,s[15]=0.Step2:i从1开始,令s[i]=s[i]+s[i-1],得到的结果为:s:0.03,0.03,0.09,0.19,0.39,0.50,0.50,0.50,0.50,0.53,0.53,0.59,0.69,0.89,1.0,1.0.Step3:用一个数组L记录新的调色板索引值,即令L[i]=s[i]*(10-1),得到的结果是L:0,0,1,2,4,5,5,5,5,5,5,5,6,8,9,9.这样就找到了原来的调色板索引值和新的调色板索引值之间的对应关系,即0!0,
5、1!0,2!1,3!2,4!4,5!5,6!5,7!5,8!5,9!5,10!5,11!5,12!6,13!8,14!9,15!9Step4:将老的索引值对应的概率合并,作为对应的新的索引值的概率,例如,原来的索引值0,1都对应了新的索引值0,则灰度索引值为0的概率为P0+P1=0.03;新的索引值3和7找不到老的索引值与之对应,所以令Q3和Q4为0。最后出现的结果为:Qi:0.03,-.06,0.10,0,0.20,0.20,0.10,0,0.20,0.11.图2为图1对应Pi的分布,即处理前直方图分布
6、。图3为图1对应的Qi的分布,即处理后的直方图分布。这里分布级别均为256。对照一下,不难发现图3的分布比图2的分布要均匀一些。均衡化图像的动态范围扩大了,但量化级别没变。因此,原来灰度不同的像素经处理后可能变得相同,形成了一片相同灰度的区域;各区域之间有明显的边界,从而出现伪轮廓。图4为直方图均衡化处理后的结果。图像中低灰度的点太多了,即s数组前面的元素很大。经过L[i]=s[i]*(256-1)的处理后,原收稿日期:2003-03-25作者简介:赵凡(1969),女,陕西富平人,西安理工大学在读研究
7、生,主要研究方向是信号与信息处理。第2期赵凡一种基于边缘检测的视网膜图像的分割方法图中低灰度的点的灰度值提高了不少,所以暗的区域变亮了,看起来更清楚了。2边缘检测我们发现,尽管目标的灰度值有差异,但目标均发生在灰度不连续的位置,这正是边缘的定义,我们可以通过边缘检测技术将目图1视网膜原图图4均衡化处理后视网膜图标检测出来。为了提取边缘特征,我们必须考虑图像中灰度在空间上的变化形式,一般将灰度变化分为3类:阶跃型,房顶型和凸缘型,如
8、图5所示,对于不同的灰度变化形式应该采用不同的方法来检测变化。常用的梯度边缘算子,如Robert算子、Prewitt算子、Sobel算子等,它们多为检测阶跃型边缘设计的,对我们的视网膜图像,灰度图2灰度直方图图3均衡化后的直方图变化基本上属于阶跃型。Sobel算子在Robert算子、Prewitt算子的基础上对4-邻域采用带权的方法计算差分,对应的模板如下所示。该算子不仅能检测边缘点,且能进一步抑制噪声的影响
