基于梯度調整的血管圖像增強方法技術

一種基于梯度調整的血管圖像增強方法，包括以下步驟：對待處理的血管圖像，計算期望梯度圖像g；引入L1正則化約束項，設計以圖像u為自變量的能量函數f(u)；利用split?Bregman算法求解所述能量函數f(u)的最小化問題，最優解即為增強后的血管圖像。本發明專利技術可以有效增強圖像邊緣信息，提升血管信號對比度。

【技術實現步驟摘要】

本專利技術涉及圖像增強技術，尤其涉及一種基于梯度調整的血管圖像增強方法。
技術介紹
小鼠腦部血管豐富，血管直徑長短不一，因此對小鼠腦部血管成像時微血管的信號相對較弱，甚至不易分辨。由此，對于小鼠腦血管的成像圖像需要進行增強處理，以增強圖像中血管位置的信號強度，提高血管與周圍環境的對比度，便于后續血管的統計分析和進一步處理。目前常用血管增強方法包括在空間域設計濾波器及在變換域如小波變換等進行處理，這些方法能夠提高血管對比度，但對于微血管信號放大作用很小。為了更全面對血管進行統計分析，需要能夠更清晰的觀察到血管信號，特別是微血管的信號，因此需要研究血管增強的方法。考慮到梯度圖像反映了圖像的結構邊緣信息。梯度幅值越大，對應位置邊緣越明顯，所以可以通過放大梯度圖像來增強血管信號。構建能量函數最小化優化問題是圖像處理中常用方法。設計能量函數f(u)，其中u為二維圖像。能量函數滿足自變量u的梯度圖像越接近期望梯度圖像時，能量值越低，u與原圖像越接近時能量值越低。最小化能量函數的最優解即為輸出的增強圖像。由此，本專利技術中在f(u)中引入關于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效果。
技術實現思路
基于上述技術問題，本專利技術的目的在于提供一種基于梯度調整的血管圖像增強方法，從而有效增強圖像邊緣信息，提升血管信號對比度。為了實現上述目的，根據本專利技術的一個方面，本專利技術提供了一種基于梯度調整的血管圖像增強方法，包括以下步驟：步驟S1：輸入一待處理的血管圖像，對其計算期望梯度圖像步驟S2：引入L1正則化約束項，設計以輸出血管圖像u為自變量的能量函數f(u)；步驟S3：利用splitBregman算法求解所述能量函數f(u)的最小化問題。基于上述技術方案可知，本專利技術的血管圖像增強方法通過計算期望梯度圖像，設計含有期望梯度圖像L1正則化約束項的能量函數f(u)，采用splitBregman迭代算法求解最小化能量函數的最優解，得到了輸出的增強圖像。實驗證明該方法可以有效增強圖像邊緣信息，提升血管信號對比度，便于后續血管的統計分析和進一步處理。本專利技術從梯度圖像著手，構建逆向問題，區別于設計濾波器或是變換域的方法，能夠較為直接對血管信號進行放大，對微血管的信號放大效果較好。附圖說明圖1為作為本專利技術一實施例的基于梯度調整的血管圖像增強方法的流程圖；圖2為作為本專利技術一實施例的圖像血管增強的效果圖。圖3為作為本專利技術一實施例的圖2的局部放大圖。具體實施方式為使本專利技術的目的、技術方案和優點更加清楚明白，以下結合具體實施例，并參照附圖，對本專利技術作進一步的詳細說明。下面結合附圖對本專利技術的基于梯度調整的小鼠腦血管圖像增強方法進行詳細描述。對表示符號做如下聲明：輸入圖像：u0，輸出增強圖像：u0的x，y方向梯度圖像分別為gx，gy，同理x，y方向期望梯度圖像能量函數f(u)，u為圖像，x，y方向梯度圖像分別為ux，uy。圖1為作為本專利技術一個實施例的基于梯度調整的小鼠腦血管圖像增強方法的流程圖。參照圖1，在步驟S101，計算期望梯度圖像。首先計算u0的梯度幅值矩陣，然后計算權重矩陣其中T為閾值，當梯度較小時認為是噪聲信號設為0。當大于閾值則認為是邊緣特征，使其權重大于1。λ控制最大放大倍數，以高斯函數來調節，當邊緣信號越大，其放大倍數越低，著重放大微小細節。σ為指數函數系數，調整權重隨梯度變化快慢。進一步的可以分別計算出x，y方向期望梯度圖像gx＝w.*ux，gy＝w.*uy，其中.*表示矩陣點乘。在步驟S102，引入L1正則化約束項，設計以輸出血管圖像u為自變量的能量函數f(u)。這里，借鑒總體變分模型，設計能量函數如下：f(u)=||ux-g^x||1+||uy-g^y||1+μ2||u-u0||22---(2);]]>參數μ協調關于梯度圖像L1約束與原始圖像L2約束之間的比例，在本實施例中取0.05左右較為合適。f(u)顯然滿足增強圖像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，使能量函數取最小值的輸出圖像u具有在保證輸入圖像的整體結構上具有期望梯度圖像的特點，從而增強圖像細節信息。在步驟S103，利用splitBregman算法求解能量函數f(u)最小化問題。最小化能量函數為：minu||ux-g^x||1+||uy-g^y||1+μ2||u-u0||22---(3);]]>應用Bregman分裂，記上述最優化問題轉化為約束優化問題，minu||dx||1+||dy||1+μ2||u-u0||22,s.tdx=ux-g^x,dy=uy-g^y---(4);]]>加入懲罰因子項，基于Bregman迭代加入較強限制，得到mindx,dy,u||dx||1+||dy||1+μ2||u-u0||22+λ2||dx-ux+g^x-bxk||22+λ2||dy-uy+g^y-byk||22---(5);]]>其中為迭代Bregman中間變量分別最小化dx，dy，u，得到3個單獨的最優化問題：uk+1=minuμ2||u-u0||22+λ2||dxk-ux+g^x-bxk||22+λ2||dyk-uy+g^y-byk||22---(6);]]>此為最小二乘問題，較容易解決。另外兩個子最優化問題為：mindx||dx||1+λ2||dx-ux+g^x-bxk||22mindy||dy||1+λ2||dy-uy+g^y-byk||22---(7);]]>得到如下解：dxk+1=shrink(uxk+1-g^x+bxk,1/λ)dyk+1=shrink(uyk+1-g^y+byk,1/λ)---(8);]]>其中shrink(r,ξ)=r||r||*max(r-ξ,0)---(9);]]>Bregman迭代變量bx，by更新如下{bxk+1=bxk+uxk+1-g^x-dxkbyk+1=byk+uyk+1-g^y-dyk---(10);]]>綜上利用splitBregman算法求解能量函數最小化的f(u)算法如下：Initialize：u0＝u0，dx0=0,dy0=0,bx0=0,by0=0;]]>while||uk-uk+1||>tolandk<MaxSteps]]>Updatedk+本文檔來自技高網...

【技術保護點】
一種基于梯度調整的血管圖像增強方法，其特征在于，包括以下步驟：步驟S1：輸入一待處理的血管圖像，對其計算期望梯度圖像步驟S2：引入L1正則化約束項，設計以輸出的血管圖像u為自變量的能量函數f(u)；步驟S3：利用split?Bregman算法求解所述能量函數f(u)的最小化問題。

【技術特征摘要】
1.一種基于梯度調整的血管圖像增強方法，其特征在于，包括以下
步驟：
步驟S1：輸入一待處理的血管圖像，對其計算期望梯度圖像步驟S2：引入L1正則化約束項，設計以輸出的血管圖像u為自變量
的能量函數f(u)；
步驟S3：利用splitBregman算法求解所述能量函數f(u)的最小化問
題。
2.根據權利要求1所述的血管圖像增強方法，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.根據權利要求1所述的血管圖像增強方法，其特征在于，步驟S1
中所述計算期望梯度圖像的步驟包括：
對所述待處理血管圖像計算梯度圖像g，放大g中梯度幅值大于一預
設閾值的信號，并縮小梯度幅值小于所述預設閾值的信號，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，當所述梯度幅值越大時，放
大系數越小。
4.根據權利要求3所述的血管圖像增強方法，其特征在于，所述根
據梯度幅值與閾值的關系對信號進行放大或縮小的步驟中，放大或縮小的
權重w根據下式進行計算：
其中，T為所述預設閾值，λ用于控制最大放大倍數，以高斯函數來
調節，σ為指數函數系數，調整權重w隨梯度變化的快慢。
5.根據權利要求1所述的血管圖像增強方法，其特征在于，步驟S2
中所述...

【專利技術屬性】
技術研發人員：田捷，梁瀟，董迪，惠輝，楊鑫，徐敏，
申請(專利權)人：中國科學院自動化研究所，
類型：發明
國別省市：北京;11