本發(fā)明涉及血管分割技術(shù)領(lǐng)域，尤其涉及一種基于亞像素的血管分割方法及其分割系統(tǒng)。

背景技術(shù)：

近年來(lái)，隨著生物醫(yī)學(xué)成像技術(shù)及醫(yī)學(xué)影像設(shè)備的迅猛發(fā)展，醫(yī)學(xué)圖像的分辨率逐日提高，使得醫(yī)學(xué)影像成為醫(yī)學(xué)技術(shù)當(dāng)中發(fā)展最為迅速的領(lǐng)域之一。因此，醫(yī)學(xué)圖像處理技術(shù)在醫(yī)學(xué)科研和臨床實(shí)踐的作用、影響極其重要。醫(yī)學(xué)圖像分割是圖像分割技術(shù)在醫(yī)學(xué)領(lǐng)域的重要應(yīng)用，是醫(yī)學(xué)圖像處理中重要的一部分，能夠給醫(yī)生提供重要的臨床參考價(jià)值。在醫(yī)學(xué)圖像分割中，血管分割一直是研究的熱點(diǎn)。

隨著人類(lèi)生活水平的提高，心腦血管疾病成為人類(lèi)的頭號(hào)死因，對(duì)血管疾病的早期定量診斷和風(fēng)險(xiǎn)評(píng)估對(duì)延長(zhǎng)人類(lèi)預(yù)期壽命，提高人類(lèi)的身體抵抗力，起著非常關(guān)鍵的作用。x射線血管造影(x-rayangiogram,xra)是通過(guò)造影劑顯示血管的一種方法。從經(jīng)過(guò)ct掃描得到的造影圖像中準(zhǔn)確分割出血管樹(shù)是進(jìn)行可視化三維血管重建及血管疾病診斷和治療的重要前提，也是進(jìn)行輔助診斷和外科手術(shù)的重要保障。ct血管圖像進(jìn)行分割必須根據(jù)ct圖像的特點(diǎn)尋求最佳的可行方法，以提高醫(yī)生診斷識(shí)別的正確率。鑒于血管復(fù)雜的形態(tài)結(jié)構(gòu)，以及成像環(huán)境中存在的噪音、造影劑衰減和分布不均勻等情況，導(dǎo)致圖像中常存血管目標(biāo)模糊和局部形態(tài)特異等各種問(wèn)題，從而無(wú)法對(duì)目標(biāo)對(duì)象(特別是血管細(xì)小末梢)進(jìn)行準(zhǔn)確分割。

因此，有必要提供一種新的基于亞像素的血管分割方法及其分割系統(tǒng)來(lái)解決上述問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明需要解決的技術(shù)問(wèn)題是提供一種基于亞像素的血管分割方法及其分割系統(tǒng)，其可以對(duì)血管進(jìn)行準(zhǔn)確分割。

本發(fā)明提供了一種基于亞像素的血管分割方法，包括以下步驟：

s1、對(duì)ct掃描獲取的dicom文件序列通過(guò)高位截取、反變換和調(diào)窗處理三個(gè)環(huán)節(jié)進(jìn)行預(yù)處理，將所述dicom文件序列轉(zhuǎn)換為計(jì)算機(jī)通用的bmp文件序列；

s2、對(duì)所述bmp文件序列使用canny算法進(jìn)行粗邊緣檢測(cè)，并生成粗邊緣檢測(cè)結(jié)果；

s3、將所述粗邊緣檢測(cè)結(jié)果生成鏈表記錄下來(lái)，并保留原始灰度；

s4、使用zernike矩對(duì)記錄下來(lái)的所述粗邊緣檢測(cè)結(jié)果進(jìn)行亞像素的邊緣定位以獲取邊緣坐標(biāo)；

s5、根據(jù)所述邊緣坐標(biāo)使用漫水填充算法將血管區(qū)域填充，并通過(guò)閾值分割獲取三維血管結(jié)構(gòu)；

s6、通過(guò)鼠標(biāo)在所述三維血管結(jié)構(gòu)中點(diǎn)擊獲取初始種子點(diǎn)，采用26鄰域?qū)λ鋈S血管結(jié)構(gòu)進(jìn)行區(qū)域生長(zhǎng)分割，實(shí)現(xiàn)交互式分割出指定血管結(jié)構(gòu)。

優(yōu)選的，在步驟s1中，調(diào)窗處理環(huán)節(jié)將變換公式

和center＝c/rs-ri,width＝w/rs-rimin＝center-width,max＝center+width中的輸入值劃分為三類(lèi)，劃分標(biāo)temp＝1024/(max-min)×gm

準(zhǔn)關(guān)聯(lián)圖像的截距和斜率，分別為pixel_in≤min、pixel_in≥max和other，其中，c為窗位，w為窗寬，rs、ri分別為斜率和截距，gm為顯示器的最大顯示值，pixel_in為輸入的圖像數(shù)據(jù)原始值，pixel_out為輸出的顯示灰度值。

優(yōu)選的，在步驟s2中，對(duì)于canny算法中的閾值選取，結(jié)合otsu算法，自適應(yīng)的獲取高低閾值，將canny算法得到的非極大值抑制圖像n(x,y)中的像素劃分為n1、n2和n3三個(gè)類(lèi)別，根據(jù)三個(gè)類(lèi)別的灰度值期望，定義類(lèi)間方差σ²(k,t)，根據(jù)公式獲得兩個(gè)最佳閾值k^*和t^*，其中，n1代表非極大值抑制圖像n(x,y)中的非邊緣點(diǎn)，n2代表非極大值抑制圖像n(x,y)中需要判斷邊緣點(diǎn)的點(diǎn)，n3代表非極大值抑制圖像n(x,y)中的邊緣點(diǎn)。

優(yōu)選的，在步驟s4中，選取zernike矩的7x7模板進(jìn)行亞像素邊緣定位。

優(yōu)選的，在步驟s6中，通過(guò)鼠標(biāo)在指定血管中選取表現(xiàn)特征明顯的點(diǎn)作為用來(lái)進(jìn)行方向引導(dǎo)的初始種子點(diǎn)，將初始種子點(diǎn)與其鄰域的體像素點(diǎn)之間的灰度差作為新種子點(diǎn)的判斷依據(jù)一；將各相鄰初始種子點(diǎn)之間的單位向量與初始種子點(diǎn)到其鄰域點(diǎn)方向的單位向量的數(shù)量積作為新種子點(diǎn)判斷依據(jù)二；根據(jù)判斷依據(jù)一和判斷依據(jù)二實(shí)現(xiàn)交互式分割指定血管結(jié)構(gòu)。

本發(fā)明還提供了一種基于亞像素的血管分割系統(tǒng)，包括：

圖像序列預(yù)處理模塊，用于對(duì)ct掃描獲取的dicom文件序列通過(guò)高位截取、反變換和調(diào)窗處理三個(gè)環(huán)節(jié)進(jìn)行預(yù)處理，并將所述dicom文件序列轉(zhuǎn)換為計(jì)算機(jī)通用的bmp文件序列；

亞像素邊緣檢測(cè)血管分割模塊，用于對(duì)bmp文件序列使用canny算法和zemike矩進(jìn)行處理以得到三維血管結(jié)構(gòu)；以及

交互式分割指定血管結(jié)構(gòu)模塊，用于采用26領(lǐng)域?qū)θS血管結(jié)構(gòu)進(jìn)行區(qū)域生長(zhǎng)分割，實(shí)現(xiàn)交互式分割出指定血管結(jié)構(gòu)。

優(yōu)選的，所述亞像素邊緣檢測(cè)血管分割模塊包括：

粗邊緣檢測(cè)模塊，用于使用canny算法對(duì)對(duì)所述bmp文件序列進(jìn)行粗邊緣檢測(cè)；

記錄模塊，用于將粗邊緣檢測(cè)的結(jié)果生成鏈表記錄下來(lái)，并保留原始灰度；

邊緣坐標(biāo)獲取模塊，用于使用zernike矩對(duì)記錄下來(lái)的粗邊緣檢測(cè)結(jié)果進(jìn)行亞像素的邊緣定位以獲取邊緣坐標(biāo)；以及

三維血管結(jié)構(gòu)形成模塊，用于根據(jù)所述邊緣坐標(biāo)使用漫水填充算法將血管區(qū)域填充，并通過(guò)閾值分割獲取三維血管結(jié)構(gòu)。

與相關(guān)技術(shù)相比，本發(fā)明提供的基于亞像素的血管分割方法及其分割系統(tǒng)具有如下有益效果：

1).對(duì)dicom文件轉(zhuǎn)換為bmp文件中的調(diào)窗處理算法進(jìn)行改進(jìn)：對(duì)常用的線性變換公式進(jìn)行改進(jìn)，將輸入值和rs、ri關(guān)聯(lián)，解決了在調(diào)窗處理后像素值可能發(fā)生的越界現(xiàn)象，有效的改善了顯示效果；

2)提出canny_zernike矩法進(jìn)行亞像素邊緣檢測(cè)分割精確的血管結(jié)構(gòu)，對(duì)處理后的圖像利用改進(jìn)的canny算法進(jìn)行粗邊緣檢測(cè)，然后使用zernike矩對(duì)粗邊緣檢測(cè)的結(jié)果進(jìn)行亞像素級(jí)的邊緣定位，可精確地分割血管的細(xì)小末梢；

3)提出自適應(yīng)canny算子粗邊緣檢測(cè)算法，結(jié)合otsu算法(最大類(lèi)間方差)的思想，自適應(yīng)的獲取高低閾值，解決了閾值選取難的問(wèn)題，并且血管邊緣更加清晰，細(xì)節(jié)更加完善；

4)能交互式的分割指定血管區(qū)域，可以將血管分割達(dá)到亞像素級(jí)精度。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其它的附圖，其中：

圖1為本發(fā)明基于亞像素的血管分割系統(tǒng)的結(jié)構(gòu)框圖；

圖2圖1中所示亞像素邊緣檢測(cè)血管分割模塊的結(jié)構(gòu)框圖；

圖3為本發(fā)明基于亞像素的血管分割系統(tǒng)的工作流程圖；

圖4為本發(fā)明基于亞像素的血管分割方法的流程圖；

圖5(a)為未經(jīng)過(guò)圖像序列預(yù)處理過(guò)的原始圖像；

圖5(b)為經(jīng)過(guò)圖像序列預(yù)處理過(guò)的bmp圖像；

圖6(a)為本發(fā)明理想亞像素邊緣模型的立體示意圖；

圖6(b)為本發(fā)明理想亞像素邊緣模型的平面示意圖；

圖6(c)為本發(fā)明理想亞像素邊緣模型的平面旋轉(zhuǎn)示意圖；

圖7(a)為整個(gè)血管結(jié)構(gòu)圖；

圖7(b)對(duì)圖6(a)所示整個(gè)血管結(jié)構(gòu)經(jīng)過(guò)本發(fā)明基于亞像素的血管分割方法及其分割系統(tǒng)分割出的指定血管結(jié)構(gòu)圖。

具體實(shí)施方式

下面將對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參閱圖1，本發(fā)明提供了一種基于亞像素的血管分割系統(tǒng)100，包括圖像序列預(yù)處理模塊1、亞像素邊緣檢測(cè)血管分割模塊2以及交互式分割指定血管結(jié)構(gòu)模塊3。

所述圖像序列預(yù)處理模塊1用于對(duì)ct掃描獲取的dicom文件序列通過(guò)高位截取、反變換和調(diào)窗處理三個(gè)環(huán)節(jié)進(jìn)行預(yù)處理，并將所述dicom文件序列轉(zhuǎn)換為計(jì)算機(jī)通用的bmp文件序列。通過(guò)對(duì)調(diào)窗處理算法進(jìn)行改進(jìn)，對(duì)常用的線性變換公式進(jìn)行改進(jìn)，將輸入值和rs、ri關(guān)聯(lián)，解決了在調(diào)窗處理后像素值可能發(fā)生的越界現(xiàn)象，有效的改善了顯示效果，突出顯示了圖像的關(guān)鍵部分。

所述亞像素邊緣檢測(cè)血管分割模塊2用于對(duì)bmp文件序列使用canny算法和zemike矩進(jìn)行處理以得到三維血管結(jié)構(gòu)，從而可精確地分割血管的細(xì)小末梢。另外，提出自適應(yīng)canny算法粗邊緣檢測(cè)算法，結(jié)合了otsu算法的思想，自適應(yīng)的獲取高低閾值，解決了閾值選取難的問(wèn)題，并且血管邊緣更加清晰，細(xì)節(jié)更加完善。

結(jié)合圖2所示，所述亞像素邊緣檢測(cè)血管分割模塊2具體包括：

粗邊緣檢測(cè)模塊20，用于使用canny算法對(duì)所述bmp文件序列進(jìn)行粗邊緣檢測(cè)；

記錄模塊21，用于將粗邊緣檢測(cè)的結(jié)果生成鏈表記錄下來(lái)，并保留原始灰度；

邊緣坐標(biāo)獲取模塊22，用于使用zernike矩對(duì)記錄下來(lái)的粗邊緣檢測(cè)結(jié)果進(jìn)行亞像素的邊緣定位以獲取邊緣坐標(biāo)；以及

三維血管結(jié)構(gòu)形成模塊23，用于根據(jù)所述邊緣坐標(biāo)使用漫水填充算法將血管區(qū)域填充，并通過(guò)閾值分割獲取三維血管結(jié)構(gòu)。

所述交互式分割指定血管結(jié)構(gòu)模塊3用于采用26領(lǐng)域?qū)θS血管結(jié)構(gòu)進(jìn)行區(qū)域生長(zhǎng)分割，實(shí)現(xiàn)交互式分割出指定血管結(jié)構(gòu)。

結(jié)合圖3所示，本發(fā)明提供的所述基于亞像素的血管分割系統(tǒng)100先通過(guò)所述圖像序列預(yù)處理模塊1對(duì)圖像序列進(jìn)行預(yù)處理，然后通過(guò)所述亞像素邊緣檢測(cè)血管分割模塊2進(jìn)行血管邊緣檢測(cè)，具體為像素級(jí)canny算法粗定位邊緣和亞像素zernike矩精確定位邊緣，從而獲得三維血管結(jié)構(gòu)，最后通過(guò)所述交互式分割指定血管結(jié)構(gòu)模塊3基于交互式的區(qū)域生長(zhǎng)獲取指定血管結(jié)構(gòu)。

結(jié)合圖4所示，本發(fā)明還提供了一種根據(jù)上述基于亞像素的血管分割系統(tǒng)100的分割方法，該分割方法包括以下步驟：

s1、對(duì)ct掃描獲取的dicom文件序列通過(guò)高位截取、反變換和調(diào)窗處理三個(gè)環(huán)節(jié)進(jìn)行預(yù)處理，將所述dicom文件序列轉(zhuǎn)換為計(jì)算機(jī)通用的bmp文件序列；

s2、對(duì)所述bmp文件序列使用canny算法進(jìn)行粗邊緣檢測(cè)，并生成粗邊緣檢測(cè)結(jié)果；

s3、將所述粗邊緣檢測(cè)結(jié)果生成鏈表記錄下來(lái)，并保留原始灰度；

s4、使用zernike矩對(duì)記錄下來(lái)的所述粗邊緣檢測(cè)結(jié)果進(jìn)行亞像素的邊緣定位以獲取邊緣坐標(biāo)；

s5、根據(jù)所述邊緣坐標(biāo)使用漫水填充算法將血管區(qū)域填充，并通過(guò)閾值分割獲取三維血管結(jié)構(gòu)；

s6、通過(guò)鼠標(biāo)在所述三維血管結(jié)構(gòu)中點(diǎn)擊獲取初始種子點(diǎn)，采用26鄰域?qū)λ鋈S血管結(jié)構(gòu)進(jìn)行區(qū)域生長(zhǎng)分割，實(shí)現(xiàn)交互式分割出指定血管結(jié)構(gòu)。

在步驟s1中，將dicom文件序列轉(zhuǎn)換為bmp文件序列主要包括如下步驟：

(1)讀取dicom文件序列，并保存圖像顯示所必須的圖像數(shù)據(jù)信息(圖像幀數(shù)、圖像寬度、圖像高度、分配位數(shù)(bitsallocated)、存儲(chǔ)位數(shù)(bitsstored)、最高位數(shù)(highbit)以及圖像窗位(windowscenter)、窗寬(windowwidth)、截距(rescaleintercept)、斜率(rescaleslope)等)和參數(shù)信息；

(2)圖像數(shù)據(jù)處理，包括高位截取、反變換和調(diào)窗處理三個(gè)環(huán)節(jié)；

(3)填充bmp文件信息，將處理后的圖像數(shù)據(jù)和參數(shù)按照bmp文件格式依次填充并顯示。

所謂調(diào)窗處理(c/w)，即窗寬窗位調(diào)整，原理上是根據(jù)預(yù)知的窗寬和窗位值，獲得需要顯示的窗口大小(窗寬w)和中心位置(窗位c)，從而將窗口內(nèi)的值轉(zhuǎn)換成顯示時(shí)的最亮和最暗范圍內(nèi)的值，將高于窗口上限的灰度值設(shè)置為顯示器灰度最高值，低于窗口下限的灰度值設(shè)置為灰度最低值，通過(guò)動(dòng)態(tài)改變窗寬窗位值移動(dòng)窗口來(lái)顯示不同的灰度段。

在調(diào)窗處理后，像素值可能發(fā)生越界現(xiàn)象(即處理后的像素值超出了實(shí)際的像素值范圍)，本發(fā)明針對(duì)對(duì)此種情況，對(duì)常用的線性變換公式進(jìn)行改進(jìn)，將輸入值和rs、ri關(guān)聯(lián)，有效的改善原有算法的顯示效果，公式如下：

和

center＝c/rs-ri,width＝w/rs-ri

min＝center-width,max＝center+width

temp＝1024/(max-min)×gm

調(diào)窗處理環(huán)節(jié)將上述變換公式中的輸入值劃分為三類(lèi)，劃分標(biāo)準(zhǔn)關(guān)聯(lián)圖像的截距和斜率，分別為pixel_in≤min、pixel_in≥max和other，其中，c為窗位，w為窗寬，rs、ri分別為斜率和截距，gm為顯示器的最大顯示值，pixel_in為輸入的圖像數(shù)據(jù)原始值，pixel_out為輸出的顯示灰度值。如圖5(a)和圖5(b)所示，通過(guò)截取、反變換和調(diào)窗處理三個(gè)環(huán)節(jié)進(jìn)行預(yù)處理的圖像與未經(jīng)過(guò)預(yù)處理的圖像的對(duì)比，可見(jiàn)，經(jīng)過(guò)預(yù)處理后，有效改善了顯示效果，且像素值不發(fā)生越界，突出顯示了圖像的關(guān)鍵部分。

在步驟s2中，對(duì)于canny算法中的閾值選取，結(jié)合otsu算法，自適應(yīng)的獲取高低閾值，將canny算法得到的非極大值抑制圖像n(x,y)中的像素劃分為n1，n2和n3三個(gè)類(lèi)別，其中n1中包含灰度值為{m1,m2,...,mk}的像素，代表著原圖中的非邊緣點(diǎn)；n2中包含灰度值為{mk+1,mk+2,...,mt}，代表著原圖中需要判斷邊緣點(diǎn)的點(diǎn)；n3中包含灰度值為{mt+1,mt+2,...,ml}，代表著原圖中的邊緣點(diǎn)。另外，設(shè)圖像中總的像素?cái)?shù)為n，灰度值為mi對(duì)應(yīng)的像素個(gè)數(shù)為ni，那么其概率為則整個(gè)區(qū)間的灰度值期望為在n1，n2，n3三個(gè)類(lèi)內(nèi)的灰度值期望分別為：

令

則可以定義類(lèi)間方差為：

σ²(k,t)＝p1(k)·(e1(k)-e)²+p2(k,t)·(e2(k,t)-e)²+p3(t)·(e3(t)-e)²

并且以下關(guān)系成立：

p1(k)·e1(k)+p2(k,t)·e2(k,t)+p3(t)·e3(t)＝e和p1(k)+p2(k,t)+p3(t)＝1

兩個(gè)最佳閾值k^*和t^*是使得σ²(k,t)最大的值，用下式尋找最佳閾值：

該過(guò)程由選擇第一個(gè)k值開(kāi)始(該值是1，因?yàn)樵?灰度值處尋找閾值沒(méi)有意義，增量值為整數(shù))。接著，t的所有制在大于k和小于l的范圍內(nèi)增加。然后，將k增大到其下一個(gè)值，t的所有值再次在大于k的所有值范圍內(nèi)增加。重復(fù)該過(guò)程，直到k＝l-2為止。該處理的結(jié)果是一個(gè)二維陣列σ²(k,t)，最后一步是在該陣列中尋找最大值。對(duì)應(yīng)于最大值的k值和t值就是最佳閾值k^*和t^*。如果存在幾個(gè)最大值，則對(duì)應(yīng)于k和t的值被平均以得到最終的閾值。

在步驟s4中，選取zernike矩的7x7模板進(jìn)行亞像素邊緣定位。圖像f(x,y)的n階m次zernike矩^[ii]定義為：

若圖像旋轉(zhuǎn)角，則旋轉(zhuǎn)之前的zernike矩z′nm和旋轉(zhuǎn)之后的zernike矩znm之間有如下關(guān)系：

從式中可以看出，圖像旋轉(zhuǎn)前后只是相角發(fā)生了變化，而zernike矩的模不變，這個(gè)就是zernike矩的旋轉(zhuǎn)不變性。利用旋轉(zhuǎn)后的zernike矩可以很容易計(jì)算出邊緣參數(shù)，從而實(shí)現(xiàn)對(duì)比邊緣的亞像素定位。

基于zernike矩的邊緣檢測(cè)算法原理是通過(guò)建立zernike矩與理想的亞像素模型的4個(gè)邊緣參數(shù)的關(guān)系，分別求解矩而得到圖像模型的4個(gè)邊緣參數(shù)，再將參數(shù)與預(yù)設(shè)的閾值進(jìn)行比較判斷，進(jìn)而精確定位邊緣點(diǎn)。理想亞像素邊緣模型如圖6(a)～(c)所示，其中，k為灰度階躍高度，h為背景灰度，l(l∈[-1,1])為中心到邊緣的距離，為l與x軸之間的夾角。單位圓內(nèi)虛線是理想階躍邊緣，直線兩側(cè)的灰度分別為目標(biāo)(h+k)和背景(k)。圖6(c)是圖6(b)順時(shí)針旋轉(zhuǎn)的結(jié)果。

根據(jù)圖6(a)～(c)中的模型，計(jì)算旋轉(zhuǎn)角度后不同階次的zernike矩表示為：

由上述公式可以得到邊緣的3個(gè)參數(shù)，分別表示為：

im[z′11]是關(guān)于y的奇函數(shù)，因此故

在離散數(shù)字圖像情況下，zernike矩的計(jì)算可以采用模板與圖像灰度的卷積。本文考慮到模板效應(yīng)，若采用單位圓進(jìn)行采樣，在n×n像素區(qū)域內(nèi)，當(dāng)模板在圖像上移動(dòng)進(jìn)行卷積時(shí)，模板覆蓋的是模板中心周?chē)鷑²個(gè)像素，此時(shí)單位半徑變?yōu)榱?imgfile="bda0001254395930000101.gif"wi="70"he="127"img-content="drawing"img-format="gif"orientation="portrait"inline="no"/>因此需要把單位圓上計(jì)算出來(lái)的垂直距離l放大倍，故像素點(diǎn)的亞像素坐標(biāo)為：

雖然zernike矩模板n值越大，亞像素邊緣定位精度越高，但是也增大了計(jì)算量，因此本發(fā)明優(yōu)選的選取zernike矩算子的7×7模板進(jìn)行亞像素邊緣定位。

在對(duì)整個(gè)圖像利用改進(jìn)的canny算法進(jìn)行自適應(yīng)閾值邊緣檢測(cè)，并將粗邊緣檢測(cè)的結(jié)果生成鏈表記錄下來(lái)，保留原始灰度后，得到的新圖像，利用zernike矩對(duì)保存在數(shù)組中可能的邊緣點(diǎn)圖像重新定位圖像邊緣，步驟如下：

(1)計(jì)算7×7模板系數(shù)；

(2)將每個(gè)像素與模板系數(shù)求卷積得到zernike矩的z00,z11和z20；

(3)根據(jù)上述公式計(jì)算出旋轉(zhuǎn)角

(4)根據(jù)上述公式以及計(jì)算出參數(shù)l和k；

(5)確定亞像素邊緣的判斷依據(jù)，即k≥kt∩l≤lt(kt,lt作為判斷閾值，kt為k矩陣取均值所得，lt為l矩陣取均值的倍所得)，若像素點(diǎn)滿足該條件，則該像素點(diǎn)是邊緣點(diǎn)，然后利用上述公式計(jì)算出亞像素坐標(biāo)。最后，根據(jù)獲取的邊緣坐標(biāo)使用漫水填充算法將血管區(qū)域填充，然后通過(guò)閾值分割獲取三維血管結(jié)構(gòu)。

在步驟s6中，關(guān)于初始種子點(diǎn)的選?。河脩敉ㄟ^(guò)鼠標(biāo)在三維血管結(jié)構(gòu)中點(diǎn)擊獲取若干個(gè)“關(guān)鍵點(diǎn)”，一般來(lái)說(shuō)在相對(duì)趨于直線的血管區(qū)域上指定少量關(guān)鍵點(diǎn)，在血管彎曲區(qū)域指定較多關(guān)鍵點(diǎn)，以提高分割的準(zhǔn)確性。這些“關(guān)鍵點(diǎn)”作為初始種子點(diǎn)，種子點(diǎn)在三維情況下稱(chēng)為體素。同時(shí)建立一個(gè)空隊(duì)列，將種子點(diǎn)壓入其中，則隊(duì)列被初始化為a1,a2,...an，其中a1,a2,...an表示選取的初始種子點(diǎn)或種子區(qū)域。對(duì)于一個(gè)斷層大小為m×n像素的三維圖像，且初始種子點(diǎn)ai到ai+1在z方向上共h層切片，其體數(shù)據(jù)表示為v＝{f(i,j,h)|i＝1,2,...,m；j＝1,2,...,n；h＝1,2,...h}。

通過(guò)鼠標(biāo)在指定血管中選取表現(xiàn)特征明顯的點(diǎn)作為用來(lái)進(jìn)行方向引導(dǎo)的初始種子點(diǎn)，將初始種子點(diǎn)與其鄰域的體像素點(diǎn)之間的灰度差作為新種子點(diǎn)的判斷依據(jù)一；將各相鄰初始種子點(diǎn)之間的單位向量與初始種子點(diǎn)到其鄰域點(diǎn)方向的單位向量的數(shù)量積作為新種子點(diǎn)判斷依據(jù)二；根據(jù)判斷依據(jù)一和判斷依據(jù)二實(shí)現(xiàn)交互式分割指定血管結(jié)構(gòu)。

迭代過(guò)程：從種子點(diǎn)出發(fā)，研究其鄰域內(nèi)尚未經(jīng)過(guò)處理的體像素點(diǎn)t.t可表示為其中n(x)表示體素點(diǎn)x的鄰域。對(duì)于三維圖像，其鄰域類(lèi)型分為6鄰域、18鄰域和26鄰域。

本發(fā)明優(yōu)選的采用26鄰域?qū)?shù)據(jù)進(jìn)行處理，種子點(diǎn)和其鄰域之間的相似性判斷依據(jù)為|g(p)-g(q)|<τ，其中，g(p)表示種子點(diǎn)p處的灰度值，g(q)表示種子點(diǎn)某一鄰域點(diǎn)q處的灰度值，τ為選定的閾值。

另外，種子點(diǎn)ai的空間坐標(biāo)為(xi,yi,zi)，種子點(diǎn)ai+1的空間坐標(biāo)為(xi+1,yi+1,zi+1)，將種子點(diǎn)ai到ai+1方向的單位向量定義為向量種子點(diǎn)ai到ai+1在方向上h層切片中任意種子點(diǎn)到其鄰域內(nèi)尚未經(jīng)過(guò)處理的體像素點(diǎn)t方向的單位向量定義為向量將兩向量的數(shù)量積作為獲取指定區(qū)域的判斷標(biāo)準(zhǔn)，其中δ為選定的閾值。即判斷依據(jù)為如下

當(dāng)檢測(cè)點(diǎn)滿足上述判斷依據(jù)公式時(shí)，將該點(diǎn)作為新種子點(diǎn)歸入隊(duì)列中。隨著迭代的進(jìn)行，當(dāng)沒(méi)有更多的新種子點(diǎn)產(chǎn)生時(shí)，則區(qū)域生長(zhǎng)結(jié)束，當(dāng)前隊(duì)列中所有的像素所構(gòu)成的區(qū)域就是分割結(jié)果。

本發(fā)明使用掃描的股前外側(cè)皮瓣的血管ct數(shù)據(jù)，得到指定血管的三維結(jié)構(gòu)圖，如圖7(a)和(b)所示，圖7(a)為整個(gè)血管結(jié)構(gòu)，圖7(b)為指定的血管結(jié)構(gòu)，可見(jiàn)，本發(fā)明可以精確的分割出指定的血管結(jié)構(gòu)。

與相關(guān)技術(shù)相比，本發(fā)明提供的基于亞像素的血管分割方法及其分割系統(tǒng)具有如下有益效果：

1).對(duì)dicom文件轉(zhuǎn)換為bmp文件中的調(diào)窗處理算法進(jìn)行改進(jìn)：對(duì)常用的線性變換公式進(jìn)行改進(jìn)，將輸入值和rs、ri關(guān)聯(lián)，解決了在調(diào)窗處理后像素值可能發(fā)生的越界現(xiàn)象，有效的改善了顯示效果；

2)提出canny_zernike矩法進(jìn)行亞像素邊緣檢測(cè)分割精確的血管結(jié)構(gòu)，對(duì)處理后的圖像利用改進(jìn)的canny算法進(jìn)行粗邊緣檢測(cè)，然后使用zernike矩對(duì)粗邊緣檢測(cè)的結(jié)果進(jìn)行亞像素級(jí)的邊緣定位，可精確地分割血管的細(xì)小末梢；

3)提出自適應(yīng)canny算子粗邊緣檢測(cè)算法，結(jié)合otsu算法(最大類(lèi)間方差)的思想，自適應(yīng)的獲取高低閾值，解決了閾值選取難的問(wèn)題，并且血管邊緣更加清晰，細(xì)節(jié)更加完善；

4)能交互式的分割指定血管區(qū)域，可以將血管分割達(dá)到亞像素級(jí)精度。

以上所述僅為本發(fā)明的實(shí)施例，并非因此限制本發(fā)明的專(zhuān)利范圍，凡是利用本發(fā)明說(shuō)明書(shū)及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其它相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專(zhuān)利保護(hù)范圍內(nèi)。