基于梯度調(diào)整的血管圖像增強(qiáng)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像增強(qiáng)技術(shù)，尤其涉及一種基于梯度調(diào)整的血管圖像增強(qiáng)方法。
【背景技術(shù)】
[0002] 小鼠腦部血管豐富，血管直徑長(zhǎng)短不一，因此對(duì)小鼠腦部血管成像時(shí)微血管的信 號(hào)相對(duì)較弱，甚至不易分辨。由此，對(duì)于小鼠腦血管的成像圖像需要進(jìn)行增強(qiáng)處理，以增強(qiáng) 圖像中血管位置的信號(hào)強(qiáng)度，提高血管與周圍環(huán)境的對(duì)比度，便于后續(xù)血管的統(tǒng)計(jì)分析和 進(jìn)一步處理。
[0003] 目前常用血管增強(qiáng)方法包括在空間域設(shè)計(jì)濾波器及在變換域如小波變換等進(jìn)行 處理，這些方法能夠提高血管對(duì)比度，但對(duì)于微血管信號(hào)放大作用很小。為了更全面對(duì)血管 進(jìn)行統(tǒng)計(jì)分析，需要能夠更清晰的觀察到血管信號(hào)，特別是微血管的信號(hào)，因此需要研究血 管增強(qiáng)的方法。考慮到梯度圖像反映了圖像的結(jié)構(gòu)邊緣信息。梯度幅值越大，對(duì)應(yīng)位置邊緣 越明顯，所以可以通過放大梯度圖像來增強(qiáng)血管信號(hào)。構(gòu)建能量函數(shù)最小化優(yōu)化問題是圖 像處理中常用方法。設(shè)計(jì)能量函數(shù)f(u)，其中u為二維圖像。能量函數(shù)滿足自變量u的梯度圖 像越接近期望梯度圖像時(shí)，能量值越低，u與原圖像越接近時(shí)能量值越低。最小化能量函數(shù) 的最優(yōu)解即為輸出的增強(qiáng)圖像。由此，本發(fā)明中在f(u)中引入關(guān)于u的梯度圖像與期望梯度 圖像的L1正則化作為約束。L1正則化能夠保留銳利邊緣，且在具有較好的圖像恢復(fù)效果。

【發(fā)明內(nèi)容】

[0004] 基于上述技術(shù)問題，本發(fā)明的目的在于提供一種基于梯度調(diào)整的血管圖像增強(qiáng)方 法，從而有效增強(qiáng)圖像邊緣信息，提升血管信號(hào)對(duì)比度。
[0005] 為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的一個(gè)方面，本發(fā)明提供了一種基于梯度調(diào)整的 血管圖像增強(qiáng)方法，包括以下步驟：
[0006] 步驟S1:輸入一待處理的血管圖像，對(duì)其計(jì)算期望梯度圖像
[0007] 步驟S2:引入L1正則化約束項(xiàng)，設(shè)計(jì)以輸出血管圖像u為自變量的能量函數(shù)f(u);
[0008] 步驟S3:利用split Bregman算法求解所述能量函數(shù)f(u)的最小化問題。
[0009] 基于上述技術(shù)方案可知，本發(fā)明的血管圖像增強(qiáng)方法通過計(jì)算期望梯度圖像，設(shè) 計(jì)含有期望梯度圖像L1正則化約束項(xiàng)的能量函數(shù)f(u)，采用split Bregman迭代算法求解 最小化能量函數(shù)的最優(yōu)解，得到了輸出的增強(qiáng)圖像。實(shí)驗(yàn)證明該方法可以有效增強(qiáng)圖像邊 緣信息，提升血管信號(hào)對(duì)比度，便于后續(xù)血管的統(tǒng)計(jì)分析和進(jìn)一步處理。本發(fā)明從梯度圖像 著手，構(gòu)建逆向問題，區(qū)別于設(shè)計(jì)濾波器或是變換域的方法，能夠較為直接對(duì)血管信號(hào)進(jìn)行 放大，對(duì)微血管的信號(hào)放大效果較好。
【附圖說明】
[0010] 圖1為作為本發(fā)明一實(shí)施例的基于梯度調(diào)整的血管圖像增強(qiáng)方法的流程圖；
[0011] 圖2為作為本發(fā)明一實(shí)施例的圖像血管增強(qiáng)的效果圖。
[0012] 圖3為作為本發(fā)明一實(shí)施例的圖2的局部放大圖。
【具體實(shí)施方式】
[0013] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照 附圖，對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。
[0014] 下面結(jié)合附圖對(duì)本發(fā)明的基于梯度調(diào)整的小鼠腦血管圖像增強(qiáng)方法進(jìn)行詳細(xì)描 述。對(duì)表不符號(hào)做如下聲明：
[0015]輸入圖像:U0,輸出增強(qiáng)圖像：；；；
[0016] uo的X，y方向梯度圖像分別為gx，gy，同理X，y方向期望梯度圖像1,^,.，能量函數(shù)f (u)，u為圖像，x，y方向梯度圖像分別為ux，uy。
[0017] 圖1為作為本發(fā)明一個(gè)實(shí)施例的基于梯度調(diào)整的小鼠腦血管圖像增強(qiáng)方法的流程 圖。
[0018] 參照?qǐng)D1，在步驟S101，計(jì)算期望梯度圖像。
[0019] 首先計(jì)算uo的梯度幅值矩陣，盡= 。然后計(jì)算權(quán)重矩陣
[0020]
(1);
[0021 ]其中T為閾值，當(dāng)梯度較小時(shí)認(rèn)為是噪聲信號(hào)設(shè)為0。當(dāng)大于閾值則認(rèn)為是邊緣特 征，使其權(quán)重大于1A控制最大放大倍數(shù)，以高斯函數(shù)來調(diào)節(jié)，當(dāng)邊緣信號(hào)越大，其放大倍數(shù) 越低，著重放大微小細(xì)節(jié)。σ為指數(shù)函數(shù)系數(shù)，調(diào)整權(quán)重隨梯度變化快慢。
[0022] 進(jìn)一步的可以分別計(jì)算出x，y方向期望梯度圖像;
[0023] gx = W.*Ux，gy = W.*Uy，其中·*表示矩陣點(diǎn)乘。
[0024] 在步驟S102,引入L1正則化約束項(xiàng)，設(shè)計(jì)以輸出血管圖像u為自變量的能量函數(shù)f (u)〇
[0025] 這里，借鑒總體變分模型，設(shè)計(jì)能量函數(shù)如下：
[0026]
(2)；
[0027]參數(shù)μ協(xié)調(diào)關(guān)于梯度圖像L1約束與原始圖像L2約束之間的比例，在本實(shí)施例中取 0.05左右較為合適。f(u)顯然滿足增強(qiáng)圖像u的梯度與期望梯度圖像越接近能量值越小，u 與輸入圖像越接近能量值越小。L1正則化約束圖像梯度，使能量函數(shù)取最小值的輸出圖像u 具有在保證輸入圖像的整體結(jié)構(gòu)上具有期望梯度圖像的特點(diǎn)，從而增強(qiáng)圖像細(xì)節(jié)信息。 [0028] 在步驟S103,利用split Bregman算法求解能量函數(shù)f(u)最小化問題。
[0029]最小化能量函數(shù)為：
[0030]
(3);
[0031] 應(yīng)用Bregman分裂，記，.上述最優(yōu)化問題轉(zhuǎn)化為約束優(yōu)化 問題，
[0032]
(4)；
[0033] 加入懲罰因子項(xiàng)，基于Bregman迭代加入較強(qiáng)限制，得到
[0034]
(5);
[0035] 其中1:《為迭代Bregman中間變量
[0036] 分別最小化心，4，1!，得至1」3個(gè)單獨(dú)的最優(yōu)化問題：
[0037]
(6);
[0038] 此為最小二乘問題，較容易解決。另外兩個(gè)子最優(yōu)化問題為：
[0046] 綜上利用split Bregman算法求解能量函數(shù)最小化的f(u)算法如下：
[0039] (7);
[0040]
[0041] (8)，
[0042]
[0043] (9)..;
[0044]
[0045] (10)；
[0047]
[0048]
[0049] I
[0050]
[0051] .
[0052]
[0053]
[0054] end while
[0055] Output：enhanced image uk+1〇
[0056] split Bregman迭代算法輸出圖像即為增強(qiáng)圖像。圖2為作為本發(fā)明一實(shí)施例的圖 像血管增強(qiáng)的效果圖，顯示的圖像為光片斷層顯微成像圖像，其中A為原小鼠腦血管網(wǎng)絡(luò)圖 像，由光片顯微成像系統(tǒng)采集得來;B為采用本發(fā)明所述方法的增強(qiáng)血管效果，C為血管增強(qiáng) 前后圖像差值，即B-A。圖3為作為本發(fā)明一實(shí)施例的圖2的局部放大圖，其中A、B、C分別對(duì)應(yīng) 圖2中相同位置的放大圖；由C可以看出本發(fā)明方法可以顯著增強(qiáng)血管信號(hào)。
[0057]以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳 細(xì)說明，應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在 本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù) 范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于梯度調(diào)整的血管圖像增強(qiáng)方法，其特征在于，包括W下步驟： 步驟SI:輸入一待處理的血管圖像，對(duì)其計(jì)算期望梯度圖像a; 步驟S2:引入LI正則化約束項(xiàng)，設(shè)計(jì)W輸出的血管圖像U為自變量的能量函數(shù)f (U); 步驟S3:利用split化egman算法求解所述能量函數(shù)f(U)的最小化問題。2. 根據(jù)權(quán)利要求1所述的血管圖像增強(qiáng)方法，其特征在于，所述待處理的血管圖像為光 片斷層顯微成像得到的血管圖像。3. 根據(jù)權(quán)利要求1所述的血管圖像增強(qiáng)方法，其特征在于，步驟Sl中所述計(jì)算期望梯度 圖像J的步驟包括： 對(duì)所述待處理血管圖像計(jì)算梯度圖像g，放大g中梯度幅值大于一預(yù)設(shè)闊值的信號(hào)，并 縮小梯度幅值小于所述預(yù)設(shè)闊值的信號(hào)，從而得到所述期望梯度圖像^; 其中，所述放大g中梯度幅值的步驟中，當(dāng)所述梯度幅值越大時(shí)，放大系數(shù)越小。4. 根據(jù)權(quán)利要求3所述的血管圖像增強(qiáng)方法，其特征在于，所述根據(jù)梯度幅值與闊值的 關(guān)系對(duì)信號(hào)進(jìn)行放大或縮小的步驟中，放大或縮小的權(quán)重W根據(jù)下式進(jìn)行計(jì)算：其中，T為所述預(yù)設(shè)闊值，A用于控制最大放大倍數(shù)，W高斯函數(shù)來調(diào)節(jié)，O為指數(shù)函數(shù)系 數(shù)，調(diào)整權(quán)重W隨梯度變化的快慢。5. 根據(jù)權(quán)利要求1所述的血管圖像增強(qiáng)方法，其特征在于，步驟S2中所述引入Ll正則化 約束項(xiàng)，設(shè)計(jì)W輸出的血管圖像U為自變量的能量函數(shù)f(u)的步驟中，所述引入Ll正則化約 束項(xiàng)指對(duì)自變量U梯度與所述期望梯度圖像J加 Ll正則化約束;所述能量函數(shù)滿足，當(dāng)U梯 度與期望梯度i越接近函數(shù)值越小，當(dāng)U與輸入圖像越接近函數(shù)值越小。6. 根據(jù)權(quán)利要求5所述的血管圖像增強(qiáng)方法，其特征在于，步驟S2中所述能量函數(shù)f (U) 的計(jì)算公式如下：其中，待處理的血管圖像UO的x，y方向梯度圖像分別為gx，gy，x，y方向期望梯度圖像分 別為之輸出血管圖像U的x，y方向梯度圖像分別為Ux, Uy;參數(shù)y用于協(xié)調(diào)關(guān)于梯度圖像 Ll約束與原始圖像L2約束之間的比例。7. 根據(jù)權(quán)利要求6所述的血管圖像增強(qiáng)方法，其特征在于，步驟S2中參數(shù)y取值為0.05。8. 根據(jù)權(quán)利要求1所述的血管圖像增強(qiáng)方法，其特征在于，步驟S3中所述利用split Bregman算法求解所述能量函數(shù)最小化問題的步驟中，求解得到的所述能量函數(shù)最小化問 題的最優(yōu)解即為所需的輸出增強(qiáng)圖像。9. 根據(jù)權(quán)利要求1所述的血管圖像增強(qiáng)方法，其特征在于，所述血管圖像增強(qiáng)方法用于 對(duì)小鼠腦血管圖像進(jìn)行增強(qiáng)。
【專利摘要】一種基于梯度調(diào)整的血管圖像增強(qiáng)方法，包括以下步驟：對(duì)待處理的血管圖像，計(jì)算期望梯度圖像g；引入L1正則化約束項(xiàng)，設(shè)計(jì)以圖像u為自變量的能量函數(shù)f(u)；利用split？Bregman算法求解所述能量函數(shù)f(u)的最小化問題，最優(yōu)解即為增強(qiáng)后的血管圖像。本發(fā)明可以有效增強(qiáng)圖像邊緣信息，提升血管信號(hào)對(duì)比度。
【IPC分類】G06T5/00
【公開號(hào)】CN105654439
【申請(qǐng)?zhí)枴?br>【發(fā)明人】田捷, 梁瀟, 董迪, 惠輝, 楊鑫, 徐敏
【申請(qǐng)人】中國(guó)科學(xué)院自動(dòng)化研究所
【公開日】2016年6月8日
【申請(qǐng)日】2015年12月31日