CN101520888B - 基于方向场的视网膜图像血管的增强方法 - Google Patents
基于方向场的视网膜图像血管的增强方法 Download PDFInfo
- Publication number
- CN101520888B CN101520888B CN2008101009506A CN200810100950A CN101520888B CN 101520888 B CN101520888 B CN 101520888B CN 2008101009506 A CN2008101009506 A CN 2008101009506A CN 200810100950 A CN200810100950 A CN 200810100950A CN 101520888 B CN101520888 B CN 101520888B
- Authority
- CN
- China
- Prior art keywords
- image
- theta
- retinal
- field
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000004256 retinal image Effects 0.000 title claims abstract description 51
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 9
- 210000001210 retinal vessel Anatomy 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 8
- 238000005728 strengthening Methods 0.000 claims description 7
- 230000002207 retinal effect Effects 0.000 abstract description 5
- 238000002224 dissection Methods 0.000 abstract 1
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000008320 venous blood flow Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于方向场的视网膜图像血管的增强方法,该方法包括:步骤1:计算视网膜图像的方向场θ;步骤2:根据方向场θ对视网膜图像中的血管进行增强,得到视网膜血管的增强图像;步骤3:用Gabor滤波器滤除增强图像中的噪声。本发明能有效地增强视网膜图像中的低对比度的微细血管,给视网膜图像的后续处理带来了极大的便利。本发明在增强血管的同时,还对图像的背景进行了归一化处理,有效地克服了图像噪声和亮度不均匀性的影响,省去了单独的归一化步骤。在视网膜图像血管分割以及心脏图像血管分割等领域有着重要的应用价值。
Description
技术领域
本发明涉及图像处理技术,特别涉及一种基于方向场的视网膜图像血管的增强方法。
背景技术
随着影像学技术的发展,在眼科的应用中,眼底照相技术使用得越来越广泛。这不仅因为计算机技术的深入应用,还因为眼底图像能及时的反映出很多疾病的病变。视网膜是人体内唯一可以活体直接获得血管图像信息的器官,这些血管信息对于很多疾病的诊断和治疗起着至关重要的作用。视网膜血管网络的分割对于提取这些血管信息非常重要,其结果可用于定位标志点以便于图像配准;可用于估计动脉血流量与静脉血流量的差值来进一步估计视网膜的血漏,然后判断是否有糖尿病及其严重程度;还可用于检测血管的几何改变以判断是否具有高血压或者心血管疾病等。
视网膜血管分割非常重要,但其自动实现却是相当困难的。导致其困难的原因主要是血管的低对比度。由于血管的宽度变化很大,其宽度往往从一个像素到十几个像素不等,对于宽度为一两个像素的微细血管,其对比度通常都很低,甚至肉眼都无法分辨。某些被病变影响的血管的对比度通常也非常低。
本文提出了一种基于方向场和Gabor滤波器的视网膜血管增强算法,旨在增强视网膜图像的血管网络,以便于视网膜血管的分割。本算法结合方向场和Gabor滤波器来进行微细血管的增强,同时滤除了增强过程带来的部分噪声,使得血管网络很清晰明了地显示在增强后的视网膜图像中。实验结果显示,本算法在增强微细的低对比度血管上展示出了优越的性能。
发明内容
(一)要解决的技术问题
现有技术难以自动地准确地分割出视网膜血管网络,其原因在于视网膜图像中的某些血管的对比度太低,导致自动分割算法在这些血管区域失效。本发明的主要目的在于提供一种基于方向场的视网膜图像血管的增强方法,使得所有血管的对比度都达到一定的阈值,以便于自动分割算法对其进行识别。
(二)技术方案
为达到上述目的,本发明提供了一种基于方向场的视网膜图像血管的增强方法,该方法包括:
步骤1:计算视网膜图像的方向场θ;
步骤2:根据方向场θ对视网膜图像中的血管进行增强,得到视网膜血管的增强图像;
步骤3:用Gabor滤波器滤除增强图像中的噪声;
其中,所述步骤1包括:计算与图像中像素方向垂直的梯度方向上梯度向量的平方,构造平方梯度向量,对该平方梯度向量在一个邻域内取平均值得到均值向量,然后根据该均值向量得到平均梯度方向Φ,进而得到视网膜图像的方向场
所述步骤2包括:对图像进行局部的归一化处理,计算(x,y)某邻域W内所有点(i,j)的T(i,j,x,y)值,然后再用下式得到增强后的图像: 其中,g为二维高斯加权因子,且满足∑Wg=1,其作用是给增强进行加权,使得离(x,y)越远的点的T(i,j,x,y)值对增强起的作用越小;所述对图像进行局部的归一化处理采用下列公式:
在步骤3中,采用如下的Gabor滤波器对图像进行滤波:
xθ=xcosθ+ysinθ,yθ=-xsinθ+ycosθ
其中,a为Gabor函数的频率因子,σx、σy为Gabor函数的标准差。
(三)有益效果
从上述技术方案可以看出,本发明具有以下有益效果:
1、本发明提供的这种基于方向场的视网膜图像血管的增强方法,能自动地对视网膜图像中的低对比度血管进行增强,并能有效地滤除增强过程中产生的噪声。
2、本发明提供的这种基于方向场的视网膜图像血管的增强方法,是视网膜血管分割的预处理算法,能大大地降低血管分割的难度,提高视网膜血管网络分割的准确度。
3、本发明提供的这种基于方向场的视网膜图像血管的增强方法,能有效地增强视网膜图像中的低对比度的微细血管,给视网膜图像的后续处理带来了极大的便利。
4、本发明提供的这种基于方向场的视网膜图像血管的增强方法,在增强血管的同时,还对图像的背景进行了归一化处理,有效地克服了图像噪声和亮度不均匀性的影响,省去了单独的归一化步骤。在视网膜图像血管分割以及心脏图像血管分割等领域有着重要的应用价值。
附图说明
图1为本发明提供的基于方向场的视网膜图像血管的增强方法的流程图。
图2是各向异性的二维高斯函数;此高斯函数的主方向是由当前像素所在的血管的方向确定的,也即是由当前像素处的方向场确定的。
图3是视网膜图像的方向场;(a)视网膜图像;(b)用灰度级表示的视网膜图像的方向场,黑色表示方向为0度,白色表示方向为180度;(c)和(d)由线段矩阵表示的方向场。
图4是(a)视网膜图像1;(b)增强后的图像;(c)Gabor滤波后的图像;(d)手动分割的参考血管网络图像。
图5是(a)视网膜图像2;(b)增强后的图像;(c)Gabor滤波后的图像;(d)手动分割的参考血管网络图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明的核心思想是提出一种基于方向场的视网膜图像血管的增强方法,在精细方向场的指导下对图像进行逐点增强。该方法包括以下几个步骤:估计视网膜图像的方向场θ;在方向场的指导下对图像中的血管进行自动增强;用Gabor滤波器滤除增强图像中的噪声。
如图1所示,图1为本发明提供的基于方向场的视网膜图像血管的增强方法的流程图,该方法包括以下步骤:
步骤1:计算视网膜图像的方向场θ;采用现有最准确的计算方法来获得视网膜图像的方向场;
步骤2:根据方向场θ对视网膜图像中的血管进行增强,得到视网膜血管的增强图像;用分段的方差函数作为门限来控制需要增强的区域,使用各向异性高斯函数消除增强时带来的额外的边界;
步骤3:用Gabor滤波器滤除增强图像中的噪声。
上述步骤1包括:计算与图像中像素方向垂直的梯度方向上梯度向量的平方,构造平方梯度向量,对该平方梯度向量在一个邻域内取平均值,然后根据该均值向量得到平均梯度方向Φ,进而得到视网膜图像的方向场
上述步骤2包括:对图像进行局部的归一化处理,计算(x,y)某邻域W内所有点(i,j)的T(i,j,x,y)值,然后再用下式得到增强后的图像:
其中,g为二维高斯加权因子,且满足∑Wg=1,其作用是给增强进行加权,使得离(x,y)越远的点的T(i,j,x,y)值对增强起的作用越小。
上述对图像进行局部的归一化处理采用下列公式:
其中,M0为设定的均值,f(V(i,j))为方差控制函数,T(i,j,x,y)表示以点(i,j)为中心的某邻域进行归一化时对点(x,y)的影响。
上述方差控制函数f(V(i,j))为如下所示的分段函数:
其中,VTH、VTL分别为方差的高低门限,ch为一个较大的常数,cl为一个较小的常数。
上述二维高斯加权因子g是具有方向性的,且其方向由步骤1中计算的视网膜图像的方向场θ确定:
xθ=xcosθ+ysinθ,yθ=-xsinθ+ycosθ。
在步骤3中,采用如下的Gabor滤波器对图像进行滤波:
xθ=xcosθ+ysinθ,yθ=-xsinθ+ycosθ
其中,a为Gabor函数的频率因子,σx、σy为Gabor函数的标准差。
以下结合具体的实施例对根据本发明提供的这种基于方向场的视网膜图像血管的增强方法进行详细描述。
步骤1:计算视网膜图像的方向场:
图像中像素的方向跟梯度方向是相互垂直的,梯度的定义如下:
上式中I(x,y)表示图像灰度值。因为方向场的方向垂直于梯度方向,因此梯度向量的第一项是正的。梯度不能在一个邻域内直接取平均,因为方向相反的两个梯度会相互抵消。例如,一个在30°,另一个在210°,尽管它们在方向场中对应着同一个方向,但它们的平均值是0。就是说方向场的方向是0°~180°而不是0°~360°。
为了解决这个问题,我们用梯度向量的平方代替其本身来进行计算。因为方向相反的两个梯度向量的平方都指向同一个方向。我们把梯度向量转化为极坐标[Gρ Gφ]T
记平方梯度向量为[Gs,x Gs,y]T
得到平方梯度向量之后,我们可以在一个邻域内直接对其取平均值,这样不会出现梯度向量取平均相互抵消的情况
步骤2:在方向场的指导下对图像中的血管进行自动增强:
为了增强图像,我们对图像进行局部的归一化:
其中M0为我们设定的均值;f(V(i,j))为方差控制函数,具体定义将在后面给出。T(i,j,x,y)表示以点(i,j)为中心的局部区域进行归一化时对点(x,y)的影响。为了获得点(x,y)处的增强后的值,我们先要计算(x,y)某邻域W内所有点(i,j)的T(i,j,x,y)值,然后再用下式得到增强后的图像:
其中g为二维高斯加权因子,且满足∑Wg=1,其作用是给增强进行加权,使得离(x,y)越远的点的T(i,j,x,y)值对增强起的作用越小。这样做的好处是在增强时离(x,y)近的点获得了优先考虑,保证了增强的效果,而且不会产生区域增强不均匀时带来的额外的边界。
对于前文提到的方差控制函数,具体定义如下:
式中VTH、VTL分别为方差的高低门限,ch为一个较大的常数,cl为一个较小的常数。当方差f(V(i,j))大于高门限时,我们限制其增强;当方差小于低门限时,我们可判断这个区域内没有血管,然后对此区域进行平滑;当方差在高低门限之间时,我们根据c0和c1令增强操作根据方差大小进行。
为了获得更好的效果,我们采用各向异性的高斯掩膜,让掩膜的主方向跟方向场的方向一致,如图2所示。顺着掩膜主方向,随着距离的增加,掩膜的值下降得慢;而垂直于掩膜主方向,随着距离的增加,掩膜的值下降得快。下面给出各向异性高斯掩膜的计算公式:
xθ=xcosθ+ysinθ
yθ=-xsinθ+ycosθ
式中θ为上一步骤提到的方向场。
为了达到各向异性的效果,我们将设置不同的σ1和σ2。使得当方向场的一致性很强的时候,我们主要沿方向场进行增强;而当方向场的一致性很小时,我们沿主方向场增强的权值就降低。这样使得增强的主要是有用信号,而噪声则得到了一定的抑制。
步骤3:用Gabor滤波器滤除增强图像中的噪声:
由方向场的特性可知,在血管上,方向场肯定是沿着血管方向的,沿着方向场对图像进行滤波,不会丢失有用信息,而且可以去掉图像中的噪声。带有方向的偶对称Gabor滤波器
xθ=xcosθ+ysinθ
yθ=-xsinθ+ycosθ
其中θ是旋转方向,a是复变函数的频率因子,σx和σy是滤波器的标准差。设待滤波的图像为I,利用Gabor算子滤波的公式如下:
运行结果:
为了验证本发明方法,我们在两个公认的视网膜图像数据库(DRIVE和STARE)上进行了实验。这两个数据库都提供手动分割的血管网络作为参考。
我们选取了20幅视网膜图像来验证本发明方法。图4和图5给出了两个具体的例子。其中(a)为视网膜图像,(b)为增强和强度归一化后的图像,(c)为Gabor滤波后的图像,(d)为数据库本身提供的手动参考血管网络。在我们的实验中,本增强算法都能有效地增强血管网络,同时对图像的亮度进行归一化。后续的Gabor滤波又能把绝大多数的噪声滤除。从原图和Gabor滤波后图像的对比可以看出,经过本算法的处理,血管网络已经突显出来。原图中某些低对比度的血管在处理后的结果中也显示得非常清晰。
实验表明,本发明提供的基于方向场的视网膜图像血管的自动增强方法,有效的增强了视网膜图像微细血管的对比度,达到了增强视网膜血管网络的目的。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (1)
1.一种基于方向场的视网膜图像血管的增强方法,其特征在于,该方法包括:
步骤1:计算视网膜图像的方向场θ;
步骤2:根据方向场θ对视网膜图像中的血管进行增强,得到视网膜血管的增强图像;
步骤3:用Gabor滤波器滤除增强图像中的噪声;
其中,所述步骤1包括:计算与图像中像素方向垂直的梯度方向上梯度向量的平方,构造平方梯度向量,对该平方梯度向量在一个邻域内取平均值得到均值向量,然后根据该均值向量得到平均梯度方向Φ,进而得到视网膜图像的方向场
所述步骤2包括:对图像进行局部的归一化处理,计算(x,y)某邻域W内所有点(i,j)的T(i,j,x,y)值,然后再用下式得到增强后的图像: 其中,g为二维高斯加权因子,且满足∑Wg=1,其作用是给增强进行加权,使得离(x,y)越远的点的T(i,j,x,y)值对增强起的作用越小;所述对图像进行局部的归一化处理采用下列公式:
在步骤3中,采用如下的Gabor滤波器对图像进行滤波:
xθ=xcosθ+ysinθ,yθ=-xsinθ+ycosθ
其中,a为Gabor函数的频率因子,σx、σy为Gabor函数的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101009506A CN101520888B (zh) | 2008-02-27 | 2008-02-27 | 基于方向场的视网膜图像血管的增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101009506A CN101520888B (zh) | 2008-02-27 | 2008-02-27 | 基于方向场的视网膜图像血管的增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101520888A CN101520888A (zh) | 2009-09-02 |
CN101520888B true CN101520888B (zh) | 2012-06-27 |
Family
ID=41081461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101009506A Expired - Fee Related CN101520888B (zh) | 2008-02-27 | 2008-02-27 | 基于方向场的视网膜图像血管的增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101520888B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146231A (zh) * | 2017-05-04 | 2017-09-08 | 季鑫 | 视网膜图像出血区域分割方法、装置和计算设备 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739670B (zh) * | 2009-11-27 | 2011-12-07 | 西安电子科技大学 | 非局部均值空域时变图像滤波方法 |
CN101866485B (zh) * | 2010-06-10 | 2012-02-01 | 西北工业大学 | 三维大脑磁共振图像大脑皮层表面最大主方向场弥散方法 |
WO2013041977A1 (en) * | 2011-09-20 | 2013-03-28 | BANERJI, Shyamol | Method of retinal image enhancement and tool therefor |
CN102567734B (zh) * | 2012-01-02 | 2013-06-12 | 西安电子科技大学 | 基于比值的视网膜细小血管分割方法 |
CN103565400B (zh) * | 2012-08-09 | 2015-12-09 | 明达医学科技股份有限公司 | 辅助影像辨识方法 |
CN103020910B (zh) * | 2012-12-06 | 2015-10-28 | 中国科学院自动化研究所 | 基于各向异性和各向同性的视网膜图像特征点增强方法 |
CN104036521A (zh) * | 2014-07-03 | 2014-09-10 | 重庆大学 | 一种新的视网膜眼底图像分割方法 |
CN104318520A (zh) * | 2014-09-28 | 2015-01-28 | 南通大学 | 一种像素局部区域方向检测方法 |
CN104899862A (zh) * | 2015-04-01 | 2015-09-09 | 武汉工程大学 | 基于全局与局部阈值的视网膜血管分割算法 |
CN104732499A (zh) * | 2015-04-01 | 2015-06-24 | 武汉工程大学 | 基于多尺度多方向的视网膜图像增强算法 |
CN105654439B (zh) * | 2015-12-31 | 2018-09-11 | 中国科学院自动化研究所 | 基于梯度调整的血管图像增强方法 |
CN107123124B (zh) * | 2017-05-04 | 2020-05-12 | 季鑫 | 视网膜图像分析方法、装置和计算设备 |
CN108182425A (zh) * | 2018-01-30 | 2018-06-19 | 深圳市创艺工业技术有限公司 | 一种视网膜识别系统 |
CN110960187A (zh) * | 2019-12-16 | 2020-04-07 | 天津中医药大学第二附属医院 | 不同中医证型高血压视网膜血管病变的评价方法 |
CN111242864B (zh) * | 2020-01-12 | 2023-05-05 | 杭州电子科技大学 | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1957266A (zh) * | 2004-04-02 | 2007-05-02 | 莫纳基技术公司 | 用于测量血流速度的方法和系统 |
CN101127117A (zh) * | 2007-09-11 | 2008-02-20 | 华中科技大学 | 一种利用序列数字减影血管造影图像分割血管数据的方法 |
-
2008
- 2008-02-27 CN CN2008101009506A patent/CN101520888B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1957266A (zh) * | 2004-04-02 | 2007-05-02 | 莫纳基技术公司 | 用于测量血流速度的方法和系统 |
CN101127117A (zh) * | 2007-09-11 | 2008-02-20 | 华中科技大学 | 一种利用序列数字减影血管造影图像分割血管数据的方法 |
Non-Patent Citations (3)
Title |
---|
Chauduri S,et al.Detection of blood vessels in retinal images using.《IEEE Trans. Med. Image》.1989,第8卷(第3期),263-269. * |
张二虎,卞正中,段敬红.基于数学形态学和匹配滤波的视网膜血管图像增强方法.《光学技术》.2003,第29卷(第5期),523-525. * |
许雷,郑筱祥.一种基于视觉非线性和数学形态学的视网膜血管自适应增强方法.《中国医疗器械杂志》.1997,第21卷(第3期),142-145. * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146231A (zh) * | 2017-05-04 | 2017-09-08 | 季鑫 | 视网膜图像出血区域分割方法、装置和计算设备 |
CN107146231B (zh) * | 2017-05-04 | 2020-08-07 | 季鑫 | 视网膜图像出血区域分割方法、装置和计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN101520888A (zh) | 2009-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101520888B (zh) | 基于方向场的视网膜图像血管的增强方法 | |
CN106803067B (zh) | 一种人脸图像质量评估方法及装置 | |
CN102324021B (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
WO2015067084A1 (zh) | 人眼定位方法和装置 | |
CN100382751C (zh) | 基于vpf和改进的susan的眼角和瞳孔的定位方法 | |
CN109635656A (zh) | 基于神经网络的车辆属性识别方法、装置、设备及介质 | |
Lopez-Molina et al. | Unsupervised ridge detection using second order anisotropic Gaussian kernels | |
CN101615292B (zh) | 基于灰度信息的人眼精确定位方法 | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
CN104899876A (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
CN109840484B (zh) | 一种基于边缘滤波、椭圆评价和瞳孔验证的瞳孔检测方法 | |
CN107767387A (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN106485724A (zh) | 一种基于组合感受野和朝向特征调制的轮廓检测方法 | |
CN101877124A (zh) | 一种医学图像的滤波方法及系统 | |
WO2023071024A1 (zh) | 驾驶辅助模式切换方法、装置、设备及存储介质 | |
CN105718919A (zh) | 一种眼底图像视盘定位方法及系统 | |
CN102663692A (zh) | 医学超声图像自适应susan扩散去噪方法 | |
CN114708280A (zh) | 一种可适用于多模态的脑血管分割算法 | |
CN110136088A (zh) | 一种人类胚胎心脏超声图像去噪方法 | |
CN114529950A (zh) | 指静脉识别方法、装置、计算机可读存储介质及设备 | |
CN106504199B (zh) | 一种眼底图像增强方法及系统 | |
Chang et al. | Vessel enhancement with multiscale and curvilinear filter matching for placenta images | |
CN109658394A (zh) | 眼底图像预处理方法及系统和微血管瘤检测方法及系统 | |
Gou et al. | Retinal vessel extraction using dynamic multi-scale matched filtering and dynamic threshold processing based on histogram fitting | |
Xu et al. | Improved Canny Edge Detection Operator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120627 Termination date: 20210227 |