CN104766293A - 从图像中检测血管的方法和设备 - Google Patents

Abstract

本发明提供一种从图像中检测血管的方法和设备。所述方法包括：利用多种显著性检测方法从待测图像检测血管的显著性区域，以得到多个显著性图像；对得到的多个显著性图像进行融合，以得到融合图像；寻找融合图像中的闭合区域作为血管候选区域；从血管候选区域提取特征；基于提取的特征，利用训练好的分类器从血管候选区域检测出血管区域。根据本发明，可以获得更精确的血管检测结果。

Description

从图像中检测血管的方法和设备

技术领域

本发明涉及计算机视觉领域。更具体地讲，涉及一种从图像中检测血管的方法和设备。

背景技术

随着计算机视觉技术的发展，其已经被逐渐应用于医学成像领域。血管作为人体的一个重要组织，在图像（例如，医学图像）中检测血管具有非常重要的意义。

然而，在图像中，特别医学图像中，血管的外观多变，形状和尺寸差异非常大，还存在部分血管边界不清晰的情况。此外，在含噪声的图像中，噪声区域与血管区域有相似的外观，精确检测出血管具有很大难度。此外，在现有的血管检测技术中，需要依赖人工干预来获得检测结果，效率较低。

发明内容

本发明的目的在于提供一种从图像中检测血管的方法和设备，从而能够从图像中精确地检测出血管。

本发明的一方面提供一种从图像中检测血管的方法，包括：利用多种显著性检测方法从待测图像检测血管的显著性区域，以得到多个显著性图像；对得到的多个显著性图像进行融合，以得到融合图像；寻找融合图像中的闭合区域作为血管候选区域；从血管候选区域提取特征；基于提取的特征，利用训练好的分类器从血管候选区域检测出血管区域。

可选地，所述方法还包括：利用图像分割算法对检测出的血管区域的边界进行精细化。

可选地，所述图像分割算法为水平集方法。

可选地，所述特征包括灰度直方图、梯度直方图、纹理特征、几何特征中的至少一个。

可选地，使用从训练样本图像中提取的所述特征来训练分类器，其中，训练样本图像包括具有血管的正训练样本图像和没有血管的负训练样本图像。

可选地，不同的显著性检测方法包括下述算法中的至少两个：基于黑森（Hessian）矩阵的血管增强算法、连续稳定区域提取算法、对称区域检测算法、强对比度区域增强算法、基于球面通量（spherical flux）的血管增强算法。

可选地，所述方法还包括：对各个显著性图像中的像素的像素值进行归一化，使得各个显著性图像中的像素的像素值的范围区间相同，其中，对得到的多个显著性图像进行融合的步骤包括：对执行了像素值的归一化的多个显著性图像进行融合。

可选地，对得到的多个显著性图像进行融合的步骤包括：通过最大化下面的模型来得到作为融合图像中的像素的像素值的标注符号，其中，标注符号指示像素是否属于血管区域，

$\frac{1}{Z}\exp ({\mathrm{\Σ}}_{p\∈I}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\λ}}_i{S}_i\left(p\right)y_p+{\mathrm{\Σ}}_{p\∈I}{{\mathrm{\Σ}}_{q\∈N}}_{p}f(I\left(p\right),I\left(q\right),y_p,y_q))$

其中，f(I(p),I(q),y_p,y_q)=-1(y_p≠y_q)exp(-ω|I(p)-I(q)|)

其中，Z为用于归一化的常数，I表述待测图像中的像素的集合，p表示待测图像中的一像素，M表示显著性图像的数量，λ_i是对应于第i显著性图像的模型参数，S_i(p)表示像素p在第i个显著性图像中的对应像素的值，y_p表示像素p在融合图像中的对应像素的标注符号，N_p表示像素p的一个邻域，q表示该邻域中的一像素，y_q表示像素q在融合图像中的对应像素的标注符号，ω是模型的参数，I(p)表示像素p的像素值，I(q)表示像素q的像素值；-1(y_p≠y_q)为开关函数，当y_p≠y_q，该函数的值为1，当y_p=y_q时，该函数的值为0。

可选地，通过如下方式来训练出所述模型的参数λ_i以及ω：从标注了标注符号的样本图像获得标注符号作为已知量，将参数λ_i以及ω作为未知量，计算使得所述模型最大化时的λ_i以及ω。

本发明的另一方面提供一种从图像中检测血管的设备，包括：显著性检测单元，利用多种显著性检测方法从待测图像检测血管的显著性区域，以得到多个显著性图像；融合单元，对得到的多个显著性图像进行融合，以得到融合图像；候选检测单元，寻找融合图像中的闭合区域作为血管候选区域；特征提取单元，从血管候选区域提取特征；分类单元，基于提取的特征，利用训练好的分类器从血管候选区域检测出血管区域。

可选地，所述设备还包括：精细单元，利用图像分割算法对检测出的血管区域的边界进行精细化。

可选地，所述图像分割算法为水平集方法。

可选地，所述特征包括灰度直方图、梯度直方图、纹理特征、几何特征中的至少一个。

可选地，使用从训练样本图像中提取的所述特征来训练分类器，其中，训练样本图像包括具有血管的正训练样本图像和没有血管的负训练样本图像。

可选地，不同的显著性检测方法包括下述算法中的至少两个：基于黑森（Hessian）矩阵的血管增强算法、连续稳定区域提取算法、对称区域检测算法、强对比度区域增强算法、基于球面通量（spherical flux）的血管增强算法。

可选地，所述设备还包括：归一化单元，对各个显著性图像中的像素的像素值进行归一化，使得各个显著性图像中的像素的像素值的范围区间相同，其中，融合单元对执行了像素值的归一化的多个显著性图像进行融合。

可选地，融合单元通过最大化下面的模型来得到作为融合图像中的像素的像素值的标注符号，其中，标注符号指示像素是否属于血管区域，

$\frac{1}{Z}\exp ({\mathrm{\Σ}}_{p\∈I}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\λ}}_i{S}_i\left(p\right)y_p+{\mathrm{\Σ}}_{p\∈I}{{\mathrm{\Σ}}_{q\∈N}}_{p}f(I\left(p\right),I\left(q\right),y_p,y_q))$

其中，f(I(p),I(q),y_p,y_q)=-1(y_p≠y_q)exp(-ω|I(p)-I(q)|)

其中，Z为用于归一化的常数，I表述待测图像中的像素的集合，p表示待测图像中的一像素，M表示显著性图像的数量，λ_i是对应于第i显著性图像的模型参数，S_i(p)表示像素p在第i个显著性图像中的对应像素的值，y_p表示像素p在融合图像中的对应像素的标注符号，N_p表示像素p的一个邻域，q表示该邻域中的一像素，y_q表示像素q在融合图像中的对应像素的标注符号，ω是模型的参数，I(p)表示像素p的像素值，I(q)表示像素q的像素值；-1(y_p≠y_q)为开关函数，当y_p≠y_q，该函数的值为1，当y_p=y_q时，该函数的值为0。

可选地，通过如下方式来训练出所述模型的参数λ_i以及ω：从标注了标注符号的样本图像获得标注符号作为已知量，将参数λ_i以及ω作为未知量，计算使得所述模型最大化时的λ_i以及ω。

根据本发明的从图像中检测血管的方法和设备，可以适应于形状、尺寸、外观不同的血管的检测。此外，根据本发明的从图像中检测血管的方法和设备，对具有模糊边界的血管具有更强的检测能力和并且对噪声具有较强的鲁棒性。此外，根据本发明的从图像中检测血管的方法和设备，使用数据驱动的方式对血管进行检测，可以实现自动检测，不需要人工干预，提高了检测效率和精度。

将在接下来的描述中部分阐述本发明另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明的实施而得知。

附图说明

通过下面结合附图进行的详细描述，本发明的上述和其它目的、特点和优点将会变得更加清楚，其中：

图1示出根据本发明的实施例的从图像中检测血管的方法的流程图；

图2示出显著性图像的示例；

图3示出融合结果的示例；

图4示出血管候选区域的示例；

图5示出根据本发明的实施例的从图像中检测血管的设备的框图。

具体实施方式

现在，将参照附图更充分地描述不同的示例实施例，其中，一些示例性实施例在附图中示出。

图1示出根据本发明的实施例的从图像中检测血管的方法的流程图。

参照图1，在步骤101，利用不同的显著性检测方法从待测图像检测血管的显著性区域。可利用现有的多个不同的显著性检测方法分别从待测图像检测血管的显著性区域，从而可以得到分别具有与多个显著性检测方法对应的检测结果的多个显著性图像。

例如，可使用下述显著性检测方法中的至少两个方法来检测显著性区域：基于黑森（Hessian）矩阵的血管增强算法、连续稳定区域提取算法（例如，基于MSER（最大稳定极值区域）算法的连续稳定区域提取算法）、对称区域检测算法（例如，基于Phase Symmetry（相位对称）的对称区域检测算法）、强对比度区域增强算法（例如，基于对比度分析的强对比度区域增强算法）、基于球面通量（spherical flux）的血管增强算法。

通常，基于Hessian矩阵的血管增强算法可对于指定尺度的线条状和圆形血管具有增强效果；基于MSER算法的连续稳定区域提取算法可对图像中闭合的暗区域进行检测；基于Phase Symmetry的对称区域检测算法可对图像中指定尺度下的具有对称性的像素进行增强；基于对比度分析的强对比度区域增强算法可利用每个像素与其周边像素的对比度关系对指定尺度的暗区域进行增强；基于Spherical Flux的血管增强算法可对线条状区域进行增强。

优选地，使用上述五种方法来分别从待测图像检测血管的显著性区域，从而得到与上述五种方法对应的五个显著性图像。

图2示出了显著性图像的示例。图2中的（a）为基于黑森（Hessian）矩阵的血管增强算法得到的显著性图像，图2中的（b）为基于连续稳定区域提取算法得到的显著性图像，图2中的（c）为基于对称区域检测算法得到的显著性图像，图2中的（d）为强对比度区域增强算法得到的显著性图像，图2中的（e）为基于球面通量的血管增强算法得到的显著性图像。

应该理解，上述显著性检测方法仅是示例性的，也可采用其他的显著性检测方法。

在步骤102，对利用不同的显著性检测方法检测到的显著性图像进行融合。

可利用现有的各种图像融合方法来对显著性图像进行融合。图3示出融合结果的示例。后面将介绍本发明提出的一种融合方法。

在步骤103，寻找融合图像中的闭合区域作为血管候选区域。可利用现有的各种闭合区域检测技术来实现步骤103。图4示出血管候选区域的示例。

在步骤104，从在步骤103寻找的血管候选区域提取特征。提取的特征可以是各种图像特征。

在一个优选实施例中，所述特征可包括灰度直方图、梯度直方图、纹理特征、几何特征中的至少一个。

在本发明中，由于基于区域来提取特征，因此可以比现有技术中基于像素提取特征的方式提取更多的特征，从而有效提高对弱边界血管的检测能力和对噪声的抵抗力。

在步骤105，基于提取的特征，利用训练好的分类器从血管候选区域检测出血管区域。换言之，将从各个血管候选区域提取特征输入该分类器，从而分类器可以从血管候选区域之中选择出血管区域。

可使用从训练样本图像中提取的与在步骤104的特征具有相同类型的特征来训练分类器。训练样本图像包括具有血管的正训练样本图像和没有血管的负训练样本图像。可利用现有的各种分类器训练方法训练所述分类器，不再赘述。

在另一实施例中，根据本发明的实施例的从图像中检测血管的方法还包括：利用图像分割算法对检测出的血管区域的边界进行精细化。可利用现有的各种图像分割算法来实现上述精细化。在一个优选实施例中，使用水平集方法对检测出的血管区域的边界进行精细化。

在另一实施例中，根据本发明的实施例的从图像中检测血管的方法还包括：对各个显著性图像中的像素的像素值进行归一化，使得各个显著性图像中的像素的像素值的范围区间相同。即，针对每个显著性图像，将包含的像素的像素值的范围区间归一化到预定区间（例如，[0,255]、[100,200]等）。例如，假设上述预定区间为[0,255]，某个显著性图像中的最大像素值为210，最小像素值为10，则通过上述归一化，该显著性图像中的最大像素值为255，最小像素值为0。应该理解，此时该显著性图像中的其他像素值也相应改变。

随后，在步骤102中，对执行了归一化的各个显著性图像进行融合。

由于各个显著性图像之间出现的最大像素值和最小像素值可能不同，因此可能各自具有自己的像素值范围区间。在此情况下，将各个显著性图像的各个像素的像素值的范围区间归一化到预定的区间可降低不同显著性图像中的相同对象在融合时不同显著性检测方法的结果表达差异的影响。

下面描述根据本发明的一个实施例的对显著性图像进行融合的方法。

在该实施例中，利用下面的等式1所表示的模型来得到融合图像。

具体地说，通过最大化模型的值P来得到作为融合图像中的像素的像素值的标注符号。这里，标注符号指示像素是否属于血管区域，例如，属于血管区域的像素的标注符号为1，不属于血管区域的像素的标注符号为0，应该理解，标注符号不限于1和0，可以使用其他任何不同的两个标注符号来代替1和0。这样，可以得到作为二值图像的融合图像。

$\frac{1}{Z}\exp ({\mathrm{\Σ}}_{p\∈I}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\λ}}_i{S}_i\left(p\right)y_p+{\mathrm{\Σ}}_{p\∈I}{{\mathrm{\Σ}}_{q\∈N}}_{p}f(I\left(p\right),I\left(q\right),y_p,y_q)---\left(1\right)$

f(I(p),I(q),y_p,y_q)=-1(y_p≠y_q)exp(-ω|I(p)-I(q)|)

其中，Z为用于归一化的常数，I表述待测图像中的像素的集合，p表示待测图像中的一像素，M表示显著性图像的数量，λ_i是对应于第i显著性图像的模型参数并且为已知量，S_i(p)表示像素p在第i个显著性图像中的对应像素的值，y_p表示像素p在融合图像中的对应像素的标注符号，N_p表示像素p的一个邻域，q表示该邻域中的一像素，y_q表示像素q在融合图像中的对应像素的标注符号，ω是模型的参数并且为已知量，I(p)表示像素p的像素值，I(q)表示像素q的像素值；-1(y_p≠y_q)为开关函数，当y_p≠y_q，该函数的值为1，当y_p=y_q时，该函数的值为0。

通过使得P最大化，获得此时的y_p（p∈I）。换言之，在等式（1）的右侧，除了y_p（p∈I）之外的参数都是已知量（应该理解，y_q仅是y_p的另一表现形式，也是未知量），获得使得P最大时的y_p（p∈I），从而得到作为融合图像中的像素的像素值的标注符号。

模型的参数λ_i（i∈[1,M]）以及ω可以通过标注了标注符号的样本图像以及样本图像的显著性图像来得到。此时，模型的参数λ_i（i∈[1,M]）以及ω作为等式（1）的未知量，而y_p（p∈I）作为等式（1）的已知量，通过最大化P来获得模型的参数λ_i（i∈[1,M]）以及ω。换言之，在等式（1）的右侧，除了λ_i（i∈[1,M]）以及ω之外的参数都是已知量，获得使得P最大时的λ_i（i∈[1,M]）以及ω。换言之，从标注了标注符号的样本图像以及样本图像的显著性图像获得I、S_i(p)、y_p、N_p、y_q、I(p)、I(q)，计算使得所述模型最大化时的λ_i以及ω。

在一个优选实施例中，样本图像的数量为多个，在此情况下使用多个样本图像及其显著性图像来获得模型的参数λ_i（i∈[1,M]）以及ω。优选地，样本图像中包含的血管类型及形态越多越好。每个样本图像I_j（j∈[1,C]，C表示样本的数量，为大于1的自然数）所对应的等式1所表示的模型的值表示为P_j，通过最大化下面的式2来确定λ_i（i∈[1,M]）以及ω：

$\frac{1}{C}\underset{j=1}{\overset{C}{\mathrm{\Σ}}}{P}_j$

换言之，从标注了标注符号的每个样本图像I_i及其显著性图像分别获得对应于I_j的参数I、S_i(p)、y_p、N_p、y_q、I(p)、I(q)，计算使得式（2）最大化时的λ_i以及ω。

图5示出根据本发明的实施例的从图像中检测血管的设备的框图。

如图5所示，根据本发明的从图像中检测血管的设备500包括：显著性检测单元510、融合单元520、候选检测单元530、特征提取单元540、分类单元550。

显著性检测单元510利用多种显著性检测方法从待测图像检测血管的显著性区域，以得到多个显著性图像。

显著性检测单元510可利用现有的多个不同的显著性检测方法分别从待测图像检测血管的显著性区域，从而可以得到分别具有与多个显著性检测方法对应的检测结果的多个显著性图像。

例如，显著性检测单元510可使用下述显著性检测方法中的至少两个方法来检测显著性区域：基于黑森（Hessian）矩阵的血管增强算法、连续稳定区域提取算法（例如，基于MSER（最大稳定极值区域）算法的连续稳定区域提取算法）、对称区域检测算法（例如，基于Phase Symmetry（相位对称）的对称区域检测算法）、强对比度区域增强算法（例如，基于对比度分析的强对比度区域增强算法）、基于球面通量（spherical flux）的血管增强算法。

融合单元520对得到的多个显著性图像进行融合，以得到融合图像。

融合单元520可利用现有的各种图像融合方法来对显著性图像进行融合。

此外，融合单元520也可利用等式（1）的模型进行融合处理。

候选检测单元530寻找融合图像中的闭合区域作为血管候选区域。候选检测单元530可利用现有的各种闭合区域检测技术来寻找融合图像中的闭合区域。

特征提取单元540从血管候选区域提取特征。提取的特征可以是各种图像特征。

在一个优选实施例中，所述特征可包括灰度直方图、梯度直方图、纹理特征、几何特征中的至少一个。

分类单元550基于提取的特征，利用训练好的分类器从血管候选区域检测出血管区域。

可使用从训练样本图像中提取的与特征提取单元540提取的特征具有相同类型的特征来训练分类器。训练样本图像包括具有血管的正训练样本图像和没有血管的负训练样本图像。可利用现有的各种分类器训练方法训练所述分类器，不再赘述。

在另一实施例中，根据本发明的实施例的从图像中检测血管的设备还包括：精细单元，利用图像分割算法对检测出的血管区域的边界进行精细化。可利用现有的各种图像分割算法来实现上述精细化。在一个优选实施例中，精细单元使用水平集方法对检测出的血管区域的边界进行精细化。

在另一实施例中，根据本发明的实施例的从图像中检测血管的设备还包括：归一化单元，对各个显著性图像中的像素的像素值进行归一化，使得各个显著性图像中的像素的像素值的范围区间相同。即，针对每个显著性图像，将包含的像素的像素值的范围区间归一化到预定区间（例如，[0,255]、[100,200]等）。例如，假设上述预定区间为[0,255]，某个显著性图像中的最大像素值为210，最小像素值为10，则通过上述归一化，该显著性图像中的最大像素值为255，最小像素值为0。应该理解，此时该显著性图像中的其他像素值也相应改变。

在此情况下，融合单元520对执行了归一化的各个显著性图像进行融合

根据本发明的从图像中检测血管的方法和设备，可以适应于形状、尺寸、外观不同的血管的检测。此外，根据本发明的从图像中检测血管的方法和设备，对具有模糊边界的血管具有更强的检测能力和并且对噪声具有较强的鲁棒性。此外，根据本发明的从图像中检测血管的方法和设备，使用数据驱动的方式对血管进行检测，可以实现自动检测，不需要人工干预，提高了检测效率和精度。

此外，应该理解，根据本发明的实施例的从图像中检测血管的设备中的各个单元可被实现硬件组件。本领域技术人员根据限定的各个单元所执行的处理，可以例如使用现场可编程门阵列（FPGA）或专用集成电路（ASIC）来实现各个单元。

此外，根据本发明的实施例的从图像中检测血管的方法可以被实现为计算机可读记录介质中的计算机代码。本领域技术人员可以根据对上述方法的描述来实现所述计算机代码。当所述计算机代码在计算机中被执行时实现本发明的上述方法。

尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (18)

1.一种从图像中检测血管的方法，包括：

利用多种显著性检测方法从待测图像检测血管的显著性区域，以得到多个显著性图像；

对得到的多个显著性图像进行融合，以得到融合图像；

寻找融合图像中的闭合区域作为血管候选区域；

从血管候选区域提取特征；

基于提取的特征，利用训练好的分类器从血管候选区域检测出血管区域。

2.根据权利要求1所述的方法，还包括：利用图像分割算法对检测出的血管区域的边界进行精细化。

3.根据权利要求2所述的方法，其中，所述图像分割算法为水平集方法。

4.根据权利要求1所述的方法，其中，所述特征包括灰度直方图、梯度直方图、纹理特征、几何特征中的至少一个。

5.根据权利要求1所述的方法，其中，使用从训练样本图像中提取的所述特征来训练分类器，其中，训练样本图像包括具有血管的正训练样本图像和没有血管的负训练样本图像。

6.根据权利要求1所述的方法，其中，不同的显著性检测方法包括下述算法中的至少两个：基于黑森（Hessian）矩阵的血管增强算法、连续稳定区域提取算法、对称区域检测算法、强对比度区域增强算法、基于球面通量（spherical flux）的血管增强算法。

7.根据权利要求1所述的方法，其中，所述方法还包括：对各个显著性图像中的像素的像素值进行归一化，使得各个显著性图像中的像素的像素值的范围区间相同，

其中，对得到的多个显著性图像进行融合的步骤包括：对执行了像素值的归一化的多个显著性图像进行融合。

8.根据权利要求1所述的方法，其中，对得到的多个显著性图像进行融合的步骤包括：通过最大化下面的模型来得到作为融合图像中的像素的像素值的标注符号，其中，标注符号指示像素是否属于血管区域，

$\frac{1}{Z}\exp ({\mathrm{\Σ}}_{p\∈I}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\λ}}_i{S}_i\left(p\right)y_p+{\mathrm{\Σ}}_{p\∈I}{{\mathrm{\Σ}}_{q\∈N}}_{p}f(I\left(p\right),I\left(q\right),y_p,y_q))$

其中，f(I(p),I(q),y_p,y_q)=-1(y_p≠y_q)exp(-ω|I(p)-I(q)|)

其中，Z为用于归一化的常数，I表述待测图像中的像素的集合，p表示待测图像中的一像素，M表示显著性图像的数量，λ_i是对应于第i显著性图像的模型参数，S_i(p)表示像素p在第i个显著性图像中的对应像素的值，y_p表示像素p在融合图像中的对应像素的标注符号，N_p表示像素p的一个邻域，q表示该邻域中的一像素，y_q表示像素q在融合图像中的对应像素的标注符号，ω是模型的参数，I(p)表示像素p的像素值，I(q)表示像素q的像素值；-1(y_p≠y_q)为开关函数，当y_p≠y_q，该函数的值为1，当y_p=y_q时，该函数的值为0。

9.根据权利要求8所述的方法，其中，通过如下方式来训练出所述模型的参数λ_i以及ω：从标注了标注符号的样本图像获得标注符号作为已知量，将参数λ_i以及ω作为未知量，计算使得所述模型最大化时的λ_i以及ω。

10.一种从图像中检测血管的设备，包括：

显著性检测单元，利用多种显著性检测方法从待测图像检测血管的显著性区域，以得到多个显著性图像；

融合单元，对得到的多个显著性图像进行融合，以得到融合图像；

候选检测单元，寻找融合图像中的闭合区域作为血管候选区域；

特征提取单元，从血管候选区域提取特征；

分类单元，基于提取的特征，利用训练好的分类器从血管候选区域检测出血管区域。

11.根据权利要求10所述的设备，还包括：精细单元，利用图像分割算法对检测出的血管区域的边界进行精细化。

12.根据权利要求11所述的设备，其中，所述图像分割算法为水平集方法。

13.根据权利要求10所述的设备，其中，所述特征包括灰度直方图、梯度直方图、纹理特征、几何特征中的至少一个。

14.根据权利要求10所述的设备，其中，使用从训练样本图像中提取的所述特征来训练分类器，其中，训练样本图像包括具有血管的正训练样本图像和没有血管的负训练样本图像。

15.根据权利要求10所述的设备，其中，不同的显著性检测方法包括下述算法中的至少两个：基于黑森（Hessian）矩阵的血管增强算法、连续稳定区域提取算法、对称区域检测算法、强对比度区域增强算法、基于球面通量（spherical flux）的血管增强算法。

16.根据权利要求10所述的设备，其中，所述设备还包括：归一化单元，对各个显著性图像中的像素的像素值进行归一化，使得各个显著性图像中的像素的像素值的范围区间相同，

其中，融合单元对执行了像素值的归一化的多个显著性图像进行融合。

17.根据权利要求10所述的设备，其中，融合单元通过最大化下面的模型来得到作为融合图像中的像素的像素值的标注符号，其中，标注符号指示像素是否属于血管区域，

$\frac{1}{Z}\exp ({\mathrm{\Σ}}_{p\∈I}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\λ}}_i{S}_i\left(p\right)y_p+{\mathrm{\Σ}}_{p\∈I}{{\mathrm{\Σ}}_{q\∈N}}_{p}f(I\left(p\right),I\left(q\right),y_p,y_q))$

其中，f(I(p),I(q),y_p,y_q)=-1(y_p≠y_q)exp(-ω|I(p)-I(q)|)

其中，Z为用于归一化的常数，I表述待测图像中的像素的集合，p表示待测图像中的一像素，M表示显著性图像的数量，λ_i是对应于第i显著性图像的模型参数，S_i(p)表示像素p在第i个显著性图像中的对应像素的值，y_p表示像素p在融合图像中的对应像素的标注符号，N_p表示像素p的一个邻域，q表示该邻域中的一像素，y_q表示像素q在融合图像中的对应像素的标注符号，ω是模型的参数，I(p)表示像素p的像素值，I(q)表示像素q的像素值；-1(y_p≠y_q)为开关函数，当y_p≠y_q，该函数的值为1，当y_p=y_q时，该函数的值为0。

18.根据权利要求17所述的设备，其中，通过如下方式来训练出所述模型的参数λ_i以及ω：从标注了标注符号的样本图像获得标注符号作为已知量，将参数λ_i以及ω作为未知量，计算使得所述模型最大化时的λ_i以及ω。