【摘要】：微血管的狀態(tài)信息與人體組織、器官代謝水平具有密切的關(guān)系,當(dāng)微血管中血液流動(dòng)的狀態(tài)出現(xiàn)異常時(shí),可以合理的推斷出機(jī)體的某個(gè)部位發(fā)生了病變,因此,微血管信息具有重要的生理、病理、藥理和臨床意義。對(duì)微血管的識(shí)別研究也在各類疾病的早期診斷以及治療方面起著不可小覷的作用。同時(shí),隨著計(jì)算機(jī)的高速發(fā)展,利用計(jì)算機(jī)來完成對(duì)數(shù)字圖像信息的處理和分析工作已變得十分常見,通過計(jì)算機(jī)對(duì)微血管數(shù)字圖像進(jìn)行識(shí)別,不僅可以實(shí)現(xiàn)對(duì)生物體的零創(chuàng)傷,同時(shí)還可以加快數(shù)據(jù)的處理速度,提高了處理效率,減輕了科研人員的壓力。因此,利用數(shù)字圖像處理技術(shù)完成對(duì)微血管的識(shí)別研究,在生物科學(xué)、醫(yī)學(xué)診斷等方面有著十分重要的意義。本文從微血管圖像的特征以及圖像分割兩方面入手,首先研究了微血管圖像的特征以及常見的圖像分割方法,包括基于閾值分割,邊緣檢測(cè),形態(tài)學(xué)運(yùn)算以及區(qū)域生長(zhǎng)四種方法,并實(shí)現(xiàn)了對(duì)金魚尾部微血管的分割。其次,本文學(xué)習(xí)了稀疏表示和字典學(xué)習(xí)理論。稀疏表示理論的應(yīng)用領(lǐng)域非常廣泛,如圖像壓縮,圖像去噪以及圖像分割等,且都得到了較為優(yōu)質(zhì)的效果。因此本文在稀疏表示和字典學(xué)習(xí)理論的基礎(chǔ)上,學(xué)習(xí)了基于稀疏聚類的圖像分割方法,并建立了基于稀疏子空間聚類的圖像分割模型。該模型運(yùn)用Ncut法對(duì)圖像劃分出N個(gè)超像素,然后應(yīng)用SAC算法計(jì)算每個(gè)超像素之間的相似性,并利用相似性矩陣求得系數(shù)矩陣A,運(yùn)用系數(shù)矩陣A構(gòu)造圖像的鄰接矩陣W,最后再次運(yùn)用Ncut方法對(duì)超像素進(jìn)行劃分從而得到圖像的分割結(jié)果。本文的最后以活體的非洲爪蛙作為實(shí)驗(yàn)材料通過一系列的實(shí)驗(yàn)完成了對(duì)微血管圖像的采集,灰度變換,融合以及分割的處理。其中包括,運(yùn)用灰度變換法將采集到的圖像轉(zhuǎn)換成灰度圖像,方便后續(xù)計(jì)算機(jī)的進(jìn)一步處理;運(yùn)用像素點(diǎn)選小融合法對(duì)轉(zhuǎn)換后的微血管灰度圖像進(jìn)行融合處理,將所采集到的不連續(xù)的微血管圖像融合成一幅完整的微血管顯微圖像,從融合后的結(jié)果中可以清晰地看到一條連續(xù)的微血管脈絡(luò);運(yùn)用基于塊稀疏子空間聚類模型對(duì)圖像進(jìn)行分割處理,并將分割結(jié)果與前文提到的四種常用圖像分割方法做比較,可以明顯的看出,本文所使用的方法可以將微血管更加完整清晰的分割出來,分割效果更好。
[Abstract]:The state information of microvessels is closely related to the metabolism level of human tissues and organs. When the blood flow in the microvessels is abnormal, it can reasonably be inferred that there is a pathological change in a certain part of the body. Microvascular information has important physiological, pathological, pharmacological and clinical significance. The recognition of microvessels also plays an important role in the early diagnosis and treatment of various diseases. At the same time, with the rapid development of computer, it has become very common to use computer to process and analyze digital image information. It can not only achieve zero trauma to organism, but also speed up data processing, improve processing efficiency and lighten the pressure of researchers. Therefore, the recognition of microvessels by digital image processing technology is of great significance in biological science, medical diagnosis and so on. This paper starts with the features of microvascular image and image segmentation. Firstly, it studies the features of microvascular image and common image segmentation methods, including threshold segmentation, edge detection. Morphological operation and regional growth were used to segment the tail microvessels of goldfish. Secondly, this paper studies sparse representation and dictionary learning theory. Sparse representation theory is widely used in many fields, such as image compression, image denoising and image segmentation. Therefore, based on sparse representation and dictionary learning theory, this paper studies the image segmentation method based on sparse clustering, and establishes an image segmentation model based on sparse subspace clustering. The model uses the Ncut method to divide the image into N superpixels, and then uses the SAC algorithm to calculate the similarity between each superpixel. The coefficient matrix A is obtained by using the similarity matrix, and the adjacent matrix W is constructed by using the coefficient matrix A. finally, the image segmentation results are obtained by using Ncut method to partition the super-pixels. In the last part of this paper, a series of experiments were carried out to collect, transform, fuse and segment the microvascular image with the living African claw frog as the experimental material. Among them, the grayscale transform method is used to convert the collected image into gray image, which is convenient for the further processing of the subsequent computer; the image of microvascular grayscale after conversion is fused by the method of pixel selection and small fusion. The collected discontinuous microvascular images are fused into a complete microvascular image, and a continuous microvascular vein can be clearly seen from the fusion results. Using the block sparse subspace clustering model to segment the image, and comparing the segmentation results with the four commonly used image segmentation methods mentioned above, we can clearly see that, The method used in this paper can segment the microvessels more completely and clearly, and the segmentation effect is better.
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R445;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前4條

1 賈敏;王金甲;李靜;洪文學(xué);;基于輔助訓(xùn)練的半監(jiān)督稀疏表示分類器用于腦電圖分類[J];生物醫(yī)學(xué)工程學(xué)雜志;2014年01期

2 楊亮;陸建峰;;一種基于稀疏表示的腦功能子網(wǎng)絡(luò)構(gòu)建方法[J];計(jì)算機(jī)應(yīng)用研究;2014年09期

3 林溱;;基于稀疏表示的MRI研究簡(jiǎn)介[J];電子世界;2014年09期

4 ;[J];;年期

相關(guān)會(huì)議論文 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營與云計(jì)算——第十八屆全國青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂;空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類方法[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

2 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

3 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

4 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

5 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

6 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

7 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

8 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實(shí)時(shí)人臉識(shí)別系統(tǒng)應(yīng)用研究[D];五邑大學(xué);2015年

9 張宏樂;語音信號(hào)稀疏表示方法研究[D];太原理工大學(xué);2016年

10 郭欣;基于K-SVD稀疏表示的語音增強(qiáng)算法研究[D];太原理工大學(xué);2016年

，

本文編號(hào)：2156992