CN108022251A - 一种管状结构的中心线的提取方法及系统 - Google Patents

Abstract

本发明提供一种管状结构的中心线的提取方法及系统，方法包括：S1，在包含有管状结构的原始图像中，提取管状结构的中心线骨架，并将中心线骨架作为管状结构的初始中心线；S2，获取初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，并根据最优连接路径对断桥区域进行修复，以获取管状结构的完整中心线；其中，断桥区域为初始中心线中存在断点的区域。本发明提供的方法及系统，有效地抑制了原始图像中的背景噪声，使得提取到的管状结构的初始中心线更加精准，进而使得获取到的完整中心线更加精准；并有效地修复了初始中心线的断桥区域，从而使得最终能够获取到完整的中心线结构。

Description

一种管状结构的中心线的提取方法及系统

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种管状结构的中心线的提取方法及系统。

背景技术

管状结构出现在各种领域的图像中，例如医学图像中的冠脉血管、视网膜血管，航拍图像中的道路结构等。在医学图像中，管状结构的分析是理解血管病变与描述血管疾病的必需环节，其中，管状结构的中心线提取是十分重要的研究内容。中心线可以代表血管网络的拓扑结构，其完整性与准确性影响着对应各种应用的有效性和鲁棒性。

基于造影图像的血管中心线提取算法研究主要分为半自动提取与全自动提取两大类。其中，半自动的提取方法是由操作者在血管图像上设置中心线上的若干种子点，随后经过在累积代价图上的局部最优路径检索等方法实现对种子点的连接，得到最终血管中心线。然而为了得到准确的中心线信息，半自动的中心线提取方法需要人工设置多个种子点，这显然是不方便的。全自动的血管中心线提取算法可以分为两小类，一是基于增强的方法，该方法是对造影图像进行一系列的增强或分割操作后，自动地计算血管中心线部分。由于造影图像存在大量背景噪声和低对比度的问题，这些方法在进行血管增强时会出现对噪声有较大的增强响应、对细小血管有较小的增强响应等问题，这会导致中心线提取存在大量假阳性和假阴性结果。第二类是基于学习的方法,近几年，随着机器学习方法的兴起，越来越多基于学习分类的全自动中心线提取方法被提出。经过大量数据训练得到的分类器能够较好地去除背景噪声，并且经过多尺度训练得到的分类器能够提取出较细的血管。然而，基于学习分类提取中心线的方法只是针对个体点判断其是否位于血管中心线上，在相邻的点与点之间没有连接关系，因此会存在孤立噪声点的响应、不连续的中心线提取和拓扑信息错误等问题。

发明内容

本发明提供一种克服现有的提取管状结构中心线的半自动方法存在交互复杂，全自动方法提取的结果存在间断等问题的管状结构的中心线的提取方法及系统。

根据本发明的一个方面，提供一种管状结构的中心线的提取方法，包括：

S1，在包含有管状结构的原始图像中，提取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线；

S2，获取所述初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，并根据所述最优连接路径对所述断桥区域进行修复，以获取所述管状结构的完整中心线；

其中，所述断桥区域为所述初始中心线中存在断点的区域。

优选地，步骤S1具体包括：

S11，通过卷积神经网络训练好的分类器，对所述原始图像进行基于像素点的分类，以获取所述管状结构；

S12，通过多尺度高斯滤波，增强所述管状结构的中心显著性；

S13，通过对所述管状结构进行多个方向的非极大值抑制操作，获取所述多个方向下的所述管状结构的初始中心线候选点；

S14，将所述初始中心线候选点进行连接组合，以获取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线。

优选地，步骤S2具体包括：

S21，搜索所述初始中心线的断桥区域，所述断桥区域为一个或多个；

S22，对于每一个断桥区域，获取所述待连接的起点和所述所有候选终点；

S23，结合完整连接概率图，通过所述待连接的起点和所述所有候选终点，建立局部路径搜索图；

S24，在所述局部路径搜索图中，通过Dijkstra最小路径搜索算法，获取所述待连接的起点到所有候选终点的所有连接路径中的最优连接路径；

S25，保留所述最优连接路径，以修复对应的断桥区域，直至修复所有断桥区域，以获取所述管状区域的完整中心线。

优选地，步骤S23之前还包括：

根据所述初始中心线和所述原始图像，建立所述完整连接概率图。

优选地，所述根据所述初始中心线和所述原始图像，建立所述完整连接概率图，具体包括：

根据所述初始中心线，建立基于骨架信息的连接概率图；

根据所述原始图像，建立基于灰度信息的连接概率图和基于方向信息的连接概率图；

根据所述基于骨架信息的连接概率图、所述基于灰度信息的连接概率图和所述基于方向信息的连接概率图，建立所述完整连接概率图。

优选地，所述根据所述初始中心线，建立基于骨架信息的连接概率图，具体包括：

提取所述初始中心线的表征点集合，所述表征点集合包括所述初始中心线的所有岛屿点和所有段端点；

获取所述表征点集合中每一个表征点的张量信息，根据所有表征点的张量信息，获取所述表征点集合的张量场；

对所述张量场进行分解，获取每一个表征点与邻域点的连接概率；

根据所述每一个表征点与邻域点的连接概率，建立基于骨架张量信息的连接概率图。

优选地，所述提取所述初始中心线的表征点集合之前，还包括：

根据所述初始中心线的交叉点和分叉点将所述初始中心线拆分为多个子段；

将长度大于6个像素点的子段的端点作为所述段端点，将长度小于6个像素点的子段的质心作为所述岛屿点；

建立初始表征点集合，所述初始表征点集合为空集，将所有岛屿点和所有段端点加入至所述初始表征点集合中，以形成所述表征点集合。

优选地，所述根据所述原始图像，建立基于灰度信息的连接概率图和基于方向信息的连接概率图，具体包括：

在所述原始图像中，通过所有像素点的像素间灰度值的差异，获取每一像素点与其他像素点之间的连接概率，建立基于灰度信息的连接概率图；

在所述原始图像中，利用Hessian矩阵获取每一像素点对应的管状结构方向值，通过所有像素点的像素间方向值的差异，建立基于方向信息的连接概率图。

根据本发明的另一个方面，提供一种管状结构的中心线的提取系统，包括：

初始中心线获取模块，用于在包含有管状结构的原始图像中，提取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线；

完整中心线获取模块，用于获取所述初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，并根据所述最优连接路径对所述断桥区域进行修复，以获取所述管状结构的完整中心线；

其中，所述断桥区域为所述初始中心线中存在断点的区域。

根据本发明的又一个方面，提供一种管状结构的中心线的提取设备，包括：

至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的提取方法。

本发明提供的一种管状结构的中心线的提取方法及系统，通过使用基于卷积神经网络的分类方法，能够有效地抑制原始图像中的背景噪声，从而使得提取到的管状结构的初始中心线更加精准，提高了后续对于获取完整中心线的准确度。随后根据初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，对断桥区域进行修复，从而快速、有效、准确地得到该管状结构的完整中心线。解决了现有的管状结构的中心线半自动提取方法存在交互复杂、全自动提取方法存在提取结果有间断等问题。

附图说明

图1为根据本发明实施例提供的一种管状结构的中心线的提取方法的流程图；

图2为根据本发明实施例提供的一种管状结构的中心线的提取系统的结构图；

图3为根据本发明实施例提供的一种管状结构的中心线的提取系统中的初始中心线获取模块所执行的粗提取方法的流程图；

图4为根据本发明实施例提供的一种管状结构的中心线的提取系统中的完整中心线获取模块所执行的细修复方法的流程图；

图5为根据本发明实施例提供的一种管状结构的中心线的提取系统中的完整中心线获取模块中的完整连接概率图的生成过程的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

管状结构出现在各种领域的图像中，例如医学图像中的冠脉血管、视网膜血管，航拍图像中的道路结构等。在医学图像中，管状结构的分析是理解血管病变与描述血管疾病的必需环节，其中，管状结构的中心线提取是十分重要的研究内容。中心线可以代表血管网络的拓扑结构，从包含管状结构的图像中自动地提取完整、准确的管状结构与其中心线信息，使提取结果有完整的拓扑信息，为后续管状结构分析提供更精确的结构信息。

考虑到目前管状结构的中心线的提取方法得到的中心线结果存在不完整，有噪声等问题，本发明将提出一种能够全自动地得到完整、准确的管状结构的中心线的提取方法，并将其设计成一套系统。完整的管状结构中心线能够更好地辅助后续的各种管状结构分析应用，比如不同模态的管状结构匹配、管状结构重建等。以下将具体介绍本发明提供的一种管状结构的中心线的提取方法及系统。

图1为根据本发明实施例提供的一种管状结构的中心线的提取方法的流程图，该方法包括：

S1，在包含有管状结构的原始图像中，提取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线。

S2，获取所述初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，并根据所述最优连接路径对所述断桥区域进行修复，以获取所述管状结构的完整中心线。

其中，所述断桥区域为所述初始中心线中存在断点的区域。

具体地，本实施例提供的方法包括两个步骤。其中，步骤1是从包含有管状结构的原始图像中提取粗略的中心线骨架；步骤2是对该中心线骨架中的断桥区域进行修复，以获取该管状结构的完整中心线。需要说明的是，断桥区域是指初始中心线中存在断点即不连续的区域。

本实施例提供的一种管状结构的中心线的提取方法，通过使用基于卷积神经网络的分类方法，能够有效地抑制原始图像中的背景噪声，从而使得提取到的管状结构的初始中心线更加精准，提高了后续对于获取完整中心线的准确度。随后根据初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，对断桥区域进行修复，从而快速、有效、准确地得到该管状结构的完整中心线。解决了现有的管状结构的中心线半自动提取方法存在交互复杂、全自动提取方法存在提取结果存在间断等问题。

基于上述实施例，本实施例对上述实施例中的步骤S1进行进一步说明，步骤S1具体包括：

S11，通过卷积神经网络训练好的分类器，对所述原始图像进行基于像素点的分类，以获取所述管状结构。

具体地，卷积神经网络是一种深度前馈人工神经网络，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。

在初始中心线的粗略提取过程中，本实施例利用卷积神经网络对原始图像进行分层的特征提取，随后进行基于像素点的分类，得到管状区域的分割结果。具体地，针对输入的原始图像，利用由卷积神经网络训练好的分类器对图像进行基于像素点的分类判断，得到管状区域的分割结果。

需要说明的是，原始图像除了包含有管状结构外，还包含有许多背景噪声，该步骤的作用即是通过训练得到的分类器，滤除原始图像中的背景噪声，从而更好地提取出管状结构，特别是一些较细的管状结构。

S12，通过多尺度高斯滤波，增强所述管状结构的中心显著性。

具体地，在分割结果基础上，利用多尺度高斯滤波增强管状结构的中心显著性。本实施例在进行多尺度高斯滤波时，在连续滤波过程中，高斯核大小需要由大到小变化，并且，使用的最大高斯核尺寸要大于原始图像中管状结构宽度。

需要说明的是，本实施例中的中心显著性是指该管状结构的中心线的图像显著性，图像显著性是图像中重要的视觉特征，体现了人眼对图像的某些区域的重视程度。

在提取管状结构的中心线的过程中，需要保证该中心线为原始图像中最亮或者最暗的，但是实际得到的管状结构的中心线往往并不能满足这一条件。因此该步骤通过多尺度高斯滤波，增强管状结构的中心显著性，使得该管状结构的中心线的特征更加明显，以便于后续对该管状结构进行更好地处理。

S13，通过对所述管状结构进行多个方向的非极大值抑制操作，获取所述多个方向下的所述管状结构的初始中心线候选点。

S14，将所述初始中心线候选点进行连接组合，以获取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线。

具体地，对于上述的步骤S13和步骤S14，通过多尺度高斯滤波操作，管状结构的初始中心线位置积累了局部极大的像素值，随后利用0°、45°、90°和135°四个方向的非极大值抑制操作，得到多个方向下的管状结构的初始中心线候选点，组合后得到初始中心线。

本实施例提供的一种管状结构的中心线的提取方法，通过使用基于卷积神经网络的分类方法，能够有效地滤除原始图像中的背景噪声，以获取较为清晰和完整管状结构；并通过多尺度高斯滤波，增强所述管状结构的中心显著性，使得该管状结构的中心线的特征更加明显，以便于后续对该管状结构进行更好地处理；通过0°、45°、90°和135°四个方向的非极大值抑制操作，获取多个方向下的所述管状结构的初始中心线候选点，并根据初始中心线候选点，获取初始中心线，为下一步获取完整中心线提供了基础。

基于上述实施例，本实施例对上述实施例中的步骤S2进行进一步说明，步骤S2具体包括：

S21，搜索所述初始中心线的断桥区域，所述断桥区域为一个或多个。

具体地，由于初始中心线只是从原始图像中提取的粗略的管状结构的中心线骨架信息，因此，该中心线骨架信息中通常存在有较多的断桥区域。

S22，对于每一个断桥区域，获取所述待连接的起点和所述所有候选终点。

S23，结合完整连接概率图，通过所述待连接的起点和所述所有候选终点，建立局部路径搜索图。

需要说明的是，完整连接概率图的建立综合了管状结构骨架信息、纹理信息和方向信息。

S24，在所述局部路径搜索图中，通过Dijkstra最小路径搜索算法，获取所述待连接的起点到所有候选终点的所有连接路径中的最优连接路径。

需要说明的是，这里的最优连接路径是指最接近或最符合真实情况的初始中心线断点的连接路径。

S25，保留所述最优连接路径，以修复对应的断桥区域，直至修复所有断桥区域，以获取所述管状区域的完整中心线。

按照步骤S21至步骤S25的过程，可以对管状结构中所有的断桥区域进行修复，从而获取管状结构的完整中心线。

本实施例提供的一种管状结构的中心线的提取方法，通过获取初始中心线的断桥区域的最优连接路径，对断桥区域进行修复，从而快速、有效、准确地得到该管状结构的完整中心线。解决了现有的管状结构的中心线半自动提取方法存在交互复杂、全自动提取方法存在提取结果有间断等问题。

基于上述实施例，步骤S23之前还包括：根据所述初始中心线和所述原始图像，建立所述完整连接概率图。

基于上述实施例，本实施例对上述实施例中建立完整连接概率图的过程进一步说明。

根据所述初始中心线和所述原始图像，建立所述完整连接概率图，具体包括：

根据所述初始中心线，建立基于骨架信息的连接概率图。

根据所述原始图像，建立基于灰度信息的连接概率图和基于方向信息的连接概率图。

根据所述基于骨架信息的连接概率图、所述基于灰度信息的连接概率图和所述基于方向信息的连接概率图，建立所述完整连接概率图。

具体地，完整连接概率图的建立综合了管状结构的骨架信息、灰度信息和方向信息：基于骨架信息的连接概率的计算是利用骨架断点建立张量场，对张量场分解，将较大特征值作为表征点与邻域点之间的连接概率；基于灰度信息的连接概率和基于方向信息的连接概率的计算是利用搜索原始图像的像素点间的灰度值差异或方向值差异得到的。

其中，根据所述初始中心线，建立基于骨架信息的连接概率图，具体包括：

提取所述初始中心线的表征点集合，所述表征点集合包括所述初始中心线的所有岛屿点和所有段端点。

获取所述表征点集合中每一个表征点的张量信息，根据所有表征点的张量信息，获取所述表征点集合的张量场。

具体地，使用张量描述各个表征点对邻域点的影响，综合所有表征点的张量信息，以形成张量场。

对所述张量场进行分解，获取每一个表征点与邻域点的连接概率。

具体地，对张量场分解，得到对应表征点的特征值和特征向量，取较大的特征值作为该表征点与邻域点的连接概率。

根据所述每一个表征点与邻域点的连接概率，建立基于骨架张量信息的连接概率图。

其中，所述提取所述初始中心线的表征点集合之前，还包括：

根据所述初始中心线的交叉点和分叉点，将所述初始中心线拆分为多个子段。

将长度大于6个像素点的子段的端点作为所述段端点，将长度小于6个像素点的子段的质心作为所述岛屿点。

建立初始表征点集合，所述初始表征点集合为空集，将所有岛屿点和所有段端点加入至所述初始表征点集合中，以形成所述表征点集合。

根据所述原始图像，建立基于灰度信息的连接概率图和基于方向信息的连接概率图，具体包括：

在所述原始图像中，通过所有像素点的像素间灰度值的差异，获取每一像素点与其他像素点之间的连接概率，建立基于灰度信息的连接概率图。

在所述原始图像中，利用Hessian矩阵获取每一像素点对应的管状结构方向值，通过所有像素点的像素间方向值的差异，建立基于方向信息的连接概率图。

具体地，利用Hessian矩阵求解每一像素点对应的管状结构方向值。具体地，取矩阵分解后较大特征值对应的特征向量作为该像素点对应的管状结构方向值。

将所有像素点对应的管状结构方向值组成管状结构方向图，在管状结构方向图上，通过分析所有像素点的像素间方向值的差异，建立基于方向信息的连接概率图。

本实施例提供的一种管状结构的中心线的提取方法，通过建立基于骨架信息的连接概率图、基于灰度信息的连接概率图和基于方向信息的连接概率图，从而建立完整连接概率图，为修复初始中心线的断桥区域，并进一步获取管状结构的完整中心线提供了基础。

图2为根据本发明实施例提供的一种管状结构的中心线的提取系统的结构图，如图2所示，该系统包括：

初始中心线获取模块，用于在包含有管状结构的原始图像中，提取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线。

完整中心线获取模块，用于获取所述初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，并根据所述最优连接路径对所述断桥区域进行修复，以获取所述管状结构的完整中心线。

其中，所述断桥区域为所述初始中心线中存在断点的区域。

需要说明的是，上述初始中心线获取模块和完整中心线获取模块配合以执行上述实施例中的一种管状结构的中心线的提取方法，该系统的具体功能参见上述的提取方法的实施例，此处不再赘述。

作为一个优选实施例，本实施例结合附图，对上述实施例中的一种管状结构的中心线的提取方法具体说明。

图3为根据本发明实施例提供的一种管状结构的中心线的提取系统中的初始中心线获取模块所执行的粗提取方法的流程图，如图3所示，粗提取方法的流程可概括为：

获取原始图像；

对原始图像进行基于卷积神经网络的管状结构分割操作；

对分割结果进行多尺度高斯滤波操作；

对滤波后的分割结果进行多方向非极大值抑制操作，以获取管状结构的初始中心线。

图4为根据本发明实施例提供的一种管状结构的中心线的提取系统中的完整中心线获取模块所执行的细修复方法的流程图，如图4所示，细修复方法的流程图可概括为：

根据初始中心线，搜索管状结构的断桥区域的待连接候选点，其中，待连接候选点包括待连接的起点和所有候选终点；

将待连接候选点与完整连接概率图结合，建立局部路径搜索图；

在局部路径搜索图中，根据最小路径搜索算法，修复断桥区域，以获取管状结构的完整中心线。

图5为根据本发明实施例提供的一种管状结构的中心线的提取系统中的完整中心线获取模块中的完整连接概率图的生成过程的流程图，如图5所示，根据初始中心线和原始图像，建立完整连接概率图。

其中，根据初始中心线，建立基于骨架信息的连接概率图；根据原始图像，建立基于灰度信息的连接概率图和基于方向信息的连接概率图。三种连接概率图的建立过程如图5所示，其具体说明已在上述实施例中详细说明，此处不再赘述。

本实施例提供的一种管状结构的中心线的提取系统，通过使用基于卷积神经网络的分类方法，能够有效地抑制原始图像中的背景噪声，从而使得提取到的管状结构的初始中心线更加精准，提高了后续对于获取完整中心线的准确度。随后根据初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，对断桥区域进行修复，从而快速、有效、准确地得到该管状结构的完整中心线。解决了现有的管状结构的中心线半自动提取方法存在交互复杂、全自动提取方法存在提取结果有间断等问题。

基于上述实施例，本发明又一实施例公开一种管状结构的中心线的提取设备，该设备包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述各方法实施例所提供的同步方法，例如包括：在包含有管状结构的原始图像中，提取管状结构的中心线骨架，并将中心线骨架作为管状结构的初始中心线；获取初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，并根据最优连接路径对断桥区域进行修复，以获取管状结构的完整中心线；其中，断桥区域为初始中心线中存在断点的区域。

本领域普通技术人员可以理解：实现上述设备实施例或方法实施例仅仅是示意性的，其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种管状结构的中心线的提取方法，其特征在于，包括：

S1，在包含有管状结构的原始图像中，提取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线；

S2，获取所述初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，并根据所述最优连接路径对所述断桥区域进行修复，以获取所述管状结构的完整中心线；

其中，所述断桥区域为所述初始中心线中存在断点的区域。

2.根据权利要求1所述的方法，其特征在于，步骤S1具体包括：

S11，通过卷积神经网络训练好的分类器，对所述原始图像进行基于像素点的分类，以获取所述管状结构；

S12，通过多尺度高斯滤波，增强所述管状结构的中心显著性；

S13，通过对所述管状结构进行多个方向的非极大值抑制操作，获取所述多个方向下的所述管状结构的初始中心线候选点；

S14，将所述初始中心线候选点进行连接组合，以获取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线。

3.根据权利要求1所述的方法，其特征在于，步骤S2具体包括：

S21，搜索所述初始中心线的断桥区域，所述断桥区域为一个或多个；

S22，对于每一个断桥区域，获取所述待连接的起点和所述所有候选终点；

S23，结合完整连接概率图，通过所述待连接的起点和所述所有候选终点，建立局部路径搜索图；

S24，在所述局部路径搜索图中，通过Dijkstra最小路径搜索算法，获取所述待连接的起点到所有候选终点的所有连接路径中的最优连接路径；

S25，保留所述最优连接路径，以修复对应的断桥区域，直至修复所有断桥区域，以获取所述管状区域的完整中心线。

4.根据权利要求3所述的方法，其特征在于，步骤S23之前还包括：

根据所述初始中心线和所述原始图像，建立所述完整连接概率图。

5.根据权利要求4所述的方法，其特征在于，所述根据所述初始中心线和所述原始图像，建立所述完整连接概率图，具体包括：

根据所述初始中心线，建立基于骨架信息的连接概率图；

根据所述原始图像，建立基于灰度信息的连接概率图和基于方向信息的连接概率图；

根据所述基于骨架信息的连接概率图、所述基于灰度信息的连接概率图和所述基于方向信息的连接概率图，建立所述完整连接概率图。

6.根据权利要求5所述的方法，其特征在于，所述根据所述初始中心线，建立基于骨架信息的连接概率图，具体包括：

提取所述初始中心线的表征点集合，所述表征点集合包括所述初始中心线的所有岛屿点和所有段端点；

获取所述表征点集合中每一个表征点的张量信息，根据所有表征点的张量信息，获取所述表征点集合的张量场；

对所述张量场进行分解，获取每一个表征点与邻域点的连接概率；

根据所述每一个表征点与邻域点的连接概率，建立基于骨架张量信息的连接概率图。

7.根据权利要求6所述的方法，其特征在于，所述提取所述初始中心线的表征点集合之前，还包括：

根据所述初始中心线的交叉点和分叉点，将所述初始中心线拆分为多个子段；

将长度大于6个像素点的子段的端点作为所述段端点，将长度小于6个像素点的子段的质心作为所述岛屿点；

建立初始表征点集合，所述初始表征点集合为空集，将所有岛屿点和所有段端点加入至所述初始表征点集合中，以形成所述表征点集合。

8.根据权利要求5所述的方法，其特征在于，所述根据所述原始图像，建立基于灰度信息的连接概率图和基于方向信息的连接概率图，具体包括：

在所述原始图像中，通过所有像素点的像素间灰度值的差异，获取每一像素点与其他像素点之间的连接概率，建立基于灰度信息的连接概率图；

在所述原始图像中，利用Hessian矩阵获取每一像素点对应的管状结构方向值，通过所有像素点的像素间方向值的差异，建立基于方向信息的连接概率图。

9.一种管状结构的中心线的提取系统，其特征在于，包括：

初始中心线获取模块，用于在包含有管状结构的原始图像中，提取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线；

完整中心线获取模块，用于获取所述初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，并根据所述最优连接路径对所述断桥区域进行修复，以获取所述管状结构的完整中心线；

其中，所述断桥区域为所述初始中心线中存在断点的区域。

10.一种管状结构的中心线的提取设备，其特征在于，包括：

至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的提取方法。