【正文】 ................................................................................17附錄 1 掌紋自動識別系統(tǒng) ....................................................................................................................18附錄 2 掌紋圖像預處理 ........................................................................................................................21附錄 3 掌紋特征 GABOR 變換和特征提取 ............................................................................................23致 謝 .................................................................................................................................................26數(shù)據(jù)庫圖像資料 .....................................................................................................................................27浙江省“新苗人才計劃”項目 視網(wǎng)膜血管分割系統(tǒng)設計與實現(xiàn) 項目研究報告5第 1章 緒 論視網(wǎng)膜血管是人體唯一可以在活體使用非創(chuàng)傷性手段直接觀察到的血管,許多全身性血管病以及代謝性疾病均可使眼底血管受到不同程度的侵犯,特別是心、腦、腎等與血管有關的器官發(fā)生病變,眼底血管的改變在一定程度上可反映病變的程度 [1]。該研究的主要工作包括：1）綜述了公開報道的各種視網(wǎng)膜血管檢測方法；2）研究了 Canny 算子與數(shù)學形態(tài)學濾波相結合的方法算法及其實現(xiàn)技術；3）通過 VC++ 編程實現(xiàn)了 Canny 算子與數(shù)學形態(tài)學濾波相結合的方法算法進行視網(wǎng)膜血管提??；4）通過實驗驗證了算法的有效性。關鍵詞：視網(wǎng)膜圖像，血管檢測，圖像分割，Canny,數(shù)學形態(tài)學2MINIMALPATH BASED APPROACH TO DETECTION OF RETINAL VESSELSABSTRACT As an application of image processing, the detection of retinal vessels plays more and more important role in clinical medicine. The main methods of vessel detection include segmentation technique, tracking techniques and fitting techniques. This thesis arms to study the minimalpath based tracking algorithm and the corresponding implementation techniques. The main contributions are the follows: 1) presented a brief review of various published detection methods of retinal vessels。臨床上,視網(wǎng)膜血管網(wǎng)絡對高血壓、糖尿病、動脈硬化、腎炎等疾病的診斷、治療、愈后評價都具有重要意義 [23]。該方法既可有效地抑制圖像中的噪聲，有可保持邊緣的連通性，是一種較理想的邊緣檢測算子。 基于 Laplacian算子的視網(wǎng)膜圖像的分割方法Laplacian 算子是常用的邊緣檢測算子。 11(a) 11(b) 基于 Sobel算子的視網(wǎng)膜圖像的分割方法Sobel 算子在圖像上求出二維的空間梯度，和梯度高的區(qū)域與邊緣的區(qū)域相浙江省“新苗人才計劃”項目 視網(wǎng)膜血管分割系統(tǒng)設計與實現(xiàn) 項目研究報告7一致。圖像采集主要完成視網(wǎng)膜原始圖像的獲取及保存任務，然后經(jīng)過預處理階段進行圖像的去噪、平滑等操作，形成標準視網(wǎng)膜數(shù)據(jù)庫，再對這些數(shù)據(jù)庫中的圖像進行算法處理，然后保存處理以后的圖片以進行不同的算法之間的比較。具體命名方法如下：每幅圖像用二個字段表示 ，即表示為 AB. bmp 的形式。這也是我們這個系統(tǒng)第一步要做的事情。并在此基礎上提出了一個實用算法。一般通過計算梯度幅值完成。 計算梯度與梯度幅值這一部分是以 F(x,y)為基礎的，要求出 F(x,y)的梯度則必須要求出 F(x,y)的 x 偏導和 y 偏導。M[i,j]是梯度幅值。在每一個點上, 鄰域的中心像素 m [ i, j ]與沿梯度方向的 2 個梯度幅值的插值結果進行比較。 Canny算法的缺點(1) Canny算法在求梯度的時候，由于模板的不同會有很大的不同。(x,y) ∈D } ○ + f b其中，f(x,y)和 b(x,y)表示定義在二維離散空間 D 和 D 上的兩個離散函fb數(shù)，f(x,y)表示輸入圖像，b(x,y)表示結構元素； 腐蝕：是膨脹的對偶運算，表示用結構元素 b 對圖像 f 進行檢測，尋找圖像內部可以容納該元素的區(qū)域，若原點在結構元素內部，則腐蝕具有收縮圖像作用；若原點不在結構元素內部，則可用于填充圖像內部的孔洞；同樣，其離散形式的變換如下：(f ?b) (s,t)=min{f(s+x,t+y)b(x,y)︱(s+x,t+y) ∈D 。本文中數(shù)學形態(tài)學主要用于前期的圖像去噪。 浙江省“新苗人才計劃”項目 視網(wǎng)膜血管分割系統(tǒng)設計與實現(xiàn) 項目研究報告16第 3章 實驗結果 實驗結果實驗的結果是通過 5 個人的視網(wǎng)膜進行邊緣識別。本文主要的研究工作和成果體現(xiàn)在如下幾個方面:1).對 Sobel，Reberts，Laplacian，LOG，Canny 幾種常見算法進行了比較，然后通過對不同質量照片的出來，來發(fā)現(xiàn)它們的優(yōu)點和缺點。尤其是在一些核心算法的研究上，如何針對視網(wǎng)膜圖像的特點，提出更高效的邊緣提取算法，是后續(xù)研究工作的重點。private:int m_imgWidthOut。void Canny()。private://模板卷積函數(shù)void TemplateEdge(unsigned char * imgIn,int width,int height,int nBitCount,int *mask,int maskW,int maskH,unsigned char *amp。浙江省“新苗人才計劃”項目 視網(wǎng)膜血管分割系統(tǒng)設計與實現(xiàn) 項目研究報告23G_mask[4] = 2。G_mask[12] = 15。G_mask[20] = 2。Grad_maskX[1] = 0。Grad_maskY[0] = 0。浙江省“新苗人才計劃”項目 視網(wǎng)膜血管分割系統(tǒng)設計與實現(xiàn) 項目研究報告24Grad_maskY[8] = 0。memcpy(thism_lpColorTableOut,m_lpColorTable,sizeof(RGBQUAD) * thism_nColorTableLengthOut)。T_ImgDataOut_G = new unsigned char[LineByte * thism_imgWidthOut]。//梯度幅值for(int i =0 。delete [] T_ImgDataOut_Y。int *m_maskBuf。//灰值開void GrayOpen()。浙江省“新苗人才計劃”項目 視網(wǎng)膜血管分割系統(tǒng)設計與實現(xiàn) 項目研究報告29致 謝衷心的感謝張永平教授給我們耐心的指導和幫助，張教授嚴謹?shù)闹螌W態(tài)度、豐富的研究經(jīng)驗、開闊的思維方式都給我們以很大的啟迪和教益。從項目的選題、研究過程的逐步推進、問題的解決到論文的撰寫、修改等全過程都是在張教授的悉心指導下完成的。//灰值形態(tài)學梯度void GrayGradient()。int m_maskH。}浙江省“新苗人才計劃”項目 視網(wǎng)膜血管分割系統(tǒng)設計與實現(xiàn) 項目研究報告27附錄 2 數(shù)學形態(tài)學程序源代碼：class Morphology : public ImgCenterDib {public://輸出圖像每像素的位數(shù)int m_nBitCountOut。 i++){thism_lpImgDataOut[i] = thisComputeGrad(T_ImgDataOut_X[i],T_ImgDataOut_Y[i])。T_ImgDataOut_Y = new unsigned char[LineByte * thism_imgWidthOut]。thism_imgWidthOut = thism_imgWidth。m_lpImgDataOut = NULL。Grad_maskY[2] = 0。