本文關(guān)鍵詞：基于高斯Markov隨機(jī)場(chǎng)混合模型的彩色眼底視網(wǎng)膜血管分割提取

  更多相關(guān)文章： Markov隨機(jī)場(chǎng) 高斯混合模型 MRF-MAP理論 期望最大

【摘要】：某些疾病特別是心血管疾病,會(huì)改變眼底視網(wǎng)膜血管的形態(tài)與結(jié)構(gòu),通過對(duì)眼底圖像中視網(wǎng)膜血管進(jìn)行觀察檢測(cè)可以起到很好的疾病輔助診斷作用。傳統(tǒng)眼底視網(wǎng)膜血管診斷完全依靠醫(yī)生肉眼測(cè)定,在人工目測(cè)下完成,其缺點(diǎn)顯而易見：速度慢,準(zhǔn)確率不高,可重復(fù)性差等問題。依托于數(shù)字圖像處理技術(shù)的迅猛發(fā)展,用計(jì)算機(jī)系統(tǒng)進(jìn)行眼底圖像視網(wǎng)膜血管檢測(cè),為醫(yī)學(xué)診斷提供精準(zhǔn)的有效處理結(jié)果就顯得尤為重要與迫切。 在閱讀大量相關(guān)文獻(xiàn)的基礎(chǔ)上,本文對(duì)彩色眼底視網(wǎng)膜血管的分割提取進(jìn)行了一些探究。值得一提的是,本文為首個(gè)運(yùn)用高斯Markov隨機(jī)場(chǎng)混合模型分割提取彩色眼底視網(wǎng)膜血管,并取得了一定成果。本文的進(jìn)行的探究可分為三大內(nèi)容： (1)彩色眼底圖像預(yù)處理。比較彩色RGB眼底圖像的各通道圖像后選取血管網(wǎng)絡(luò)與背景比較度最高的綠色通道圖像作為后續(xù)處理的對(duì)象。基于背景光照不均首先進(jìn)行光照均衡處理。而后為突出圖像中的血管網(wǎng)絡(luò),通過每隔15度所構(gòu)成的12個(gè)不同角度模板的二維高斯匹配濾波核進(jìn)行血管增強(qiáng)。 (2)建立高斯Markov隨機(jī)場(chǎng)混合模型,進(jìn)行血管分割提取�；贛RF-MAP理論完成模型的數(shù)理推導(dǎo)過程,然后使用期望最大化(EM)算法估計(jì)模型參數(shù)。此模型能夠?qū)⒏咚够旌夏Ｐ椭械膮?shù)和Markov隨機(jī)場(chǎng)模型中的參數(shù)同時(shí)估計(jì)出來,從而提高了參數(shù)估計(jì)收斂速率。 (3)后期分割提取圖像處理。首先運(yùn)用圖像掩膜法去除眼底圖像邊框,其次針對(duì)分割提取結(jié)果中背景殘留和病變干擾采用面積濾波法進(jìn)行處理。 本文所提算法的優(yōu)勢(shì)在于：采用高斯Markov隨機(jī)場(chǎng)混合模型,有效的對(duì)圖像血管進(jìn)行分割提取,能同時(shí)估計(jì)得出高斯與馬爾科夫參數(shù)從而提高參數(shù)估計(jì)收斂效率；在高斯Markov隨機(jī)場(chǎng)混合模型中,加入了圖像的先驗(yàn)概率,提供像素的空間約束信息,有效地提高分割提取精度。通過試驗(yàn)仿真,本文得到了可靠的視網(wǎng)膜血管分割提取結(jié)果,由此驗(yàn)證了算法的可行性。
【關(guān)鍵詞】：Markov隨機(jī)場(chǎng) 高斯混合模型 MRF-MAP理論 期望最大
【學(xué)位授予單位】：云南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：R774
【目錄】：

• 摘要3-4
• Abstract4-6
• 目錄6-8
• 第一章 緒論8-16
• 1.1 課題研究的背景與意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-13
• 1.3 本文研究的難點(diǎn)及成文結(jié)構(gòu)安排13-15
• 1.3.1 本文研究課題難點(diǎn)分析13-14
• 1.3.2 本文工作安排14-15
• 1.3.3 本文章節(jié)安排15
• 1.4 本章小結(jié)15-16
• 第二章 彩色眼底視網(wǎng)膜血管圖像預(yù)處理16-26
• 2.1 眼球結(jié)構(gòu)16-17
• 2.2 眼底圖像采集17-19
• 2.3 眼底圖像預(yù)處理19-24
• 2.3.1 光照均衡20-21
• 2.3.2 圖像增強(qiáng)21-24
• 2.4 本章小結(jié)24-26
• 第三章 基于高斯Markov混合模型的眼底視網(wǎng)膜血管分割提取26-39
• 3.1 基點(diǎn)標(biāo)簽與標(biāo)記問題26-27
• 3.2 基團(tuán)和鄰域系統(tǒng)27-29
• 3.3 馬爾科夫隨機(jī)場(chǎng)29-30
• 3.4 Gibbs隨機(jī)場(chǎng)30
• 3.5 Markov-Gibbs等價(jià)性30-31
• 3.6 MRF-MAP理論31-34
• 3.6.1 貝葉斯估計(jì)31-33
• 3.6.2 MRF-MAP解法小結(jié)33-34
• 3.7 高斯混合模型34
• 3.8 基于高斯Markov混合模型的眼底視網(wǎng)膜血管分割提取34-37
• 3.8.1 高斯Markov隨機(jī)場(chǎng)模型34-35
• 3.8.2 高斯Markov隨機(jī)場(chǎng)混合模型35-36
• 3.8.3 高斯Markov隨機(jī)場(chǎng)混合模型中參數(shù)估計(jì)36-37
• 3.8.4 本文眼底視網(wǎng)膜血管分割提取步驟總結(jié)37
• 3.9 本章小結(jié)37-39
• 第四章 后期處理及實(shí)驗(yàn)結(jié)果展示與分析39-52
• 4.1 眼底圖像庫介紹39
• 4.2 分割提取圖像后處理39-42
• 4.2.1 眼底邊框提取40
• 4.2.2 圖像面積濾波40-42
• 4.3 實(shí)驗(yàn)結(jié)果展示與分析42-50
• 4.3.1 眼底病變信息提取42-45
• 4.3.2 血管網(wǎng)絡(luò)分割提取45-50
• 4.4 實(shí)驗(yàn)結(jié)果分析50-51
• 4.5 本章小結(jié)51-52
• 第五章 總結(jié)與展望52-54
• 5.1 全文總結(jié)52-53
• 5.2 展望53-54
• 附錄54-57
• 參考文獻(xiàn)57-61
• 攻讀碩士期間發(fā)表論文情況61-62
• 致謝62

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 金圣華;周瑋;;馬爾科夫蒙特卡洛在視網(wǎng)膜血管分割中的應(yīng)用[J];長沙大學(xué)學(xué)報(bào);2011年05期

2 張東波;尚星宇;;病變視網(wǎng)膜圖像的血管骨架提取方法研究[J];電子測(cè)量與儀器學(xué)報(bào);2011年09期

3 姚暢;陳后金;;一種新的視網(wǎng)膜血管網(wǎng)絡(luò)自動(dòng)分割方法[J];光電子.激光;2009年02期

4 莫靜;糖尿病性視網(wǎng)膜病變的遠(yuǎn)程篩查[J];國外醫(yī)學(xué).眼科學(xué)分冊(cè);2003年05期

5 林土勝,秦華標(biāo),賴聲禮;基于拆支跟蹤法提取特征的視網(wǎng)膜血管形態(tài)識(shí)別[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2000年05期

6 林土勝,徐錦堂,梁慶源;視網(wǎng)膜血管管徑量化及對(duì)眼底血管病變的應(yīng)用價(jià)值[J];暨南大學(xué)學(xué)報(bào)(自然科學(xué)與醫(yī)學(xué)版);1999年02期

7 曾業(yè)戰(zhàn);錢盛友;劉暢;;基于核模糊C均值的眼底視網(wǎng)膜血管分割算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年01期

8 王潤民;姚暢;劉建勛;;基于Gabor小波的視網(wǎng)膜血管自動(dòng)提取研究[J];計(jì)算機(jī)工程與應(yīng)用;2011年18期

9 丁亮;沈夢(mèng)葉;蘇日娜;張永平;;基于圖像分解的視網(wǎng)膜圖像分割新方法[J];寧波工程學(xué)院學(xué)報(bào);2011年02期

10 戴培山;王博亮;鞠穎;;視網(wǎng)膜血管圖像分割及眼底血管三維重建[J];自動(dòng)化學(xué)報(bào);2009年09期

，

本文編號(hào)：743054