【正文】 ssingDoc*pDoc=(CImageProcessingDoc*)thisGetDocument()。 delete pUnchSmooth 。 delete pnGradMag 。 delete pnGradY 。 /*應(yīng)用 Hysteresis，找到所有的邊界 */delete pnGradX 。 /*計(jì)算梯度的幅度*/ NonmaxSuppress(pnGradMag, pnGradX, pnGradY, nWidth, nHeight, pUnchEdge) 。 /*對(duì)原圖像進(jìn)行濾波*/DirGrad(pUnchSmooth, nWidth, nHeight, pnGradX, pnGradY) 。 pnGradMag = new int [nWidth*nHeight] 。 pnGradX = new int [nWidth*nHeight] 。 /*指向 y 方向?qū)?shù)的指針*/int * pnGradMag 。 /*經(jīng)過(guò)高斯濾波后的圖像數(shù)據(jù) */寧波工程學(xué)院本科畢業(yè)設(shè)計(jì)論文14int * pnGradX 。 /*釋放指針*/} Canny 算子 本算法先是利用高斯函數(shù)對(duì)圖像進(jìn)行平滑，去除圖像中的噪聲，并產(chǎn)生一個(gè)一維高斯分布函數(shù)，在高斯平滑函數(shù)中生成高斯濾波函系數(shù) [7]，然后采用二階范數(shù)計(jì)算梯度，抑制局部像素非最大梯度點(diǎn)，根據(jù)梯度計(jì)算及經(jīng)過(guò)非最大值抑制后的結(jié)果設(shè)定閾值，再利用函數(shù)尋找邊界的起點(diǎn)，最后用 Hysteresis[2]執(zhí)行的結(jié)果，從一個(gè)像素點(diǎn)開(kāi)始進(jìn)行搜索，搜索以該像素為邊界起點(diǎn)的一條邊界所有的邊界點(diǎn)。 x++){imageSetPixelIndex(x,y,(BYTE)thd_img[y*w+x])。 y++){for (x =0。}}for (y = 0。if(imageGetPixelIndex(x,y)=(BYTE)v) /*跟所求閾值進(jìn)行比較并賦值*/　thd_img[y*w+x]=255。 c++。amp。amp。amp。k10。l10。 /*對(duì)變量 v 賦初值 0*/ c =0。 x w。 y h。 /*建立圖像數(shù)據(jù)的指針*/ 　 thd_img = (BYTE *)malloc((w)*(h)*sizeof(BYTE))。 /*讀取圖像的高度*/imageGrayScale()。 /*v 為所求灰度的均值*/w = imageGetWidth()。 /*w 為圖像的寬度，h 為圖像的高度，x 為像素的橫坐標(biāo)，y 為像素的縱坐標(biāo)*/int k, l, c。void CDemoDoc::OnCximage_YBBAT() 寧波工程學(xué)院本科畢業(yè)設(shè)計(jì)論文12{//在這里開(kāi)始添加自己的命令代碼if (image==NULL) return。 /*對(duì)所得的像素點(diǎn)進(jìn)行顯示*/}}free(thd_img)。else　thd_img[y*w+x]=0。}}v/=c。 x++) /*對(duì)圖像的寬度 w 開(kāi)始遍歷*/{v+= imageGetPixelIndex(x,y)。 y++) /*對(duì)圖像的高度 h 開(kāi)始遍歷*/{　for (x =0。 /*給圖像分配內(nèi)存*/for (y = 0。 /*把圖像轉(zhuǎn)換為灰度圖*/寧波工程學(xué)院本科畢業(yè)設(shè)計(jì)論文11 　 BYTE *thd_img。 /*讀取圖像的寬度*/h = imageGetHeight()。 double v=0。 /*如果沒(méi)有讀取到圖像，返回*/long w, h, x, y。上述核心算法的描述和代碼如下： 固定閾值 本算法先選固定閾值為全局像素值的平均值，即先對(duì)全局像素值求和為Tp，并記錄像素個(gè)數(shù) C，然后再求得全局像素均值 為固定閾值，最后遍cTpA?歷整圖中的像素值與固定閾值進(jìn)行比較并重新賦值進(jìn)行顯示。 節(jié)首先給出了三種算法的核心算法代碼； 節(jié)給出了實(shí)驗(yàn)結(jié)果； 節(jié)進(jìn)性能分析。本課題的核心算法是在均值閾值算法基礎(chǔ)上，用鄰域內(nèi)的均值作為閾值進(jìn)行比較，以提高實(shí)驗(yàn)性能。令 Value max 表示 n 鄰域像素的最大灰度值，Value min 表示 n 鄰域像素的最小灰度值,則閾值可以設(shè)定為： （23）2minaxValuelueT??也可以采用均值設(shè)定閾值：寧波工程學(xué)院本科畢業(yè)設(shè)計(jì)論文9 （24）nPiTni??1具體如下圖(3）所示選取的窗口為當(dāng)前像素的 8 鄰域窗口：PC 圖 3 自適應(yīng)閾值確定方法在圖（ 3 ）中，令 C 表示當(dāng)前像素，P 為 C 的 8 鄰域像素，根據(jù)上訴公式則閾值具體可以設(shè)定為： （25）881??iiT其中 Pi 是 C 的 8 鄰域像素。自適應(yīng)閾值選取比較簡(jiǎn)單的方法則是對(duì)每個(gè)像素確定以它為中心的一個(gè) n 的鄰域窗口，但是，一般來(lái)說(shuō)，同一種運(yùn)算窗口越大，需要處理的數(shù)據(jù)越多，時(shí)間復(fù)雜度越大，所以要根據(jù)實(shí)際對(duì)圖像的要求進(jìn)行鄰域的大小選取。這時(shí)，可對(duì)圖像按照坐標(biāo)分塊，對(duì)每一塊分別選一閾值進(jìn)行分割，這種與坐標(biāo)相關(guān)的閾值稱為動(dòng)態(tài)閾值方法，也稱為自適應(yīng)閾值方法。在選用閾值時(shí)，根據(jù)不同的目標(biāo)，對(duì)圖像分割往往存在一個(gè)最佳的閾值。固定閾值方法分全局閾值和局部閾值兩種，如果分割過(guò)程中對(duì)圖像上每個(gè)像寧波工程學(xué)院本科畢業(yè)設(shè)計(jì)論文8素所使用的閾值都相等，則為全局閾值方法；如果每個(gè)像素所使用的閾值可能不同，則為局部閾值方法。一般閾值分割可以分成以下 3 步：? （1）確定閾值； ? （2）將閾值和像素值比較； ? （3）把像素歸類。 固定閾值算法固定閾值分割的研究已經(jīng)有幾十年的歷史，到現(xiàn)在為止，已經(jīng)提出了很多算法。不過(guò)閾值分割在處理前景與背景有較強(qiáng)對(duì)比的圖像時(shí)特別有用，此時(shí)需要的計(jì)算復(fù)雜度小。并行區(qū)域是把圖像分成前景和背景，所以閾值分割相當(dāng)于對(duì)圖像進(jìn)行二值化，實(shí)質(zhì)是對(duì)每一個(gè)像素點(diǎn)確定一個(gè)閾值，根據(jù)閾值決定當(dāng)前像素是前景還是背景點(diǎn)。從某種角度講，圖像分割的目的之一就是目標(biāo)提取―將人類感興趣的區(qū)域提取出來(lái)。先對(duì)并行區(qū)域分割技術(shù)進(jìn)行描述，再對(duì)經(jīng)典的并行區(qū)域分割算法——固定閾值算法和自適應(yīng)閾值算法分別作詳細(xì)討論。寧波工程學(xué)院本科畢業(yè)設(shè)計(jì)論文6 本論文的結(jié)構(gòu)第 1 章 緒論；第 2 章 基本算法原理；第 3 章 基于自適應(yīng)閾值算法的視網(wǎng)膜圖像分割；第 4 章 總結(jié)；參考文獻(xiàn)；附錄 核心代碼；致謝；軟件使用說(shuō)明書(shū)。 本課題研究的主要內(nèi)容及貢獻(xiàn)1） 綜述了公開(kāi)報(bào)道的各種視網(wǎng)膜血管檢測(cè)方法；2） 深入研究并行區(qū)域分割法，重點(diǎn)比較了固定閾值分割和自適應(yīng)閾值分割算法；3） 研究自適應(yīng)算法的實(shí)現(xiàn)技術(shù)；4） 以自適應(yīng)閾值算法為工具研究視網(wǎng)膜圖像分割問(wèn)題。其主要缺點(diǎn)是需要用戶放置種子點(diǎn)，并反復(fù)調(diào)試閾值直到獲得滿意的結(jié)果，耗時(shí)較長(zhǎng)，所獲結(jié)果在很大程度上依賴于用戶對(duì)閾值的選擇。當(dāng)新的點(diǎn)被合并后再用新的區(qū)域重復(fù)這一過(guò)程，直到?jīng)]有可接受的鄰近點(diǎn)時(shí)生成過(guò)程終止，性質(zhì)的相似性和空間的相鄰性是其重要準(zhǔn)則。Thanapong 等利用 FCM 算法分割 20 套眼底視網(wǎng)膜血管圖像，F(xiàn)CM 算法敏感性，與目前臨床應(yīng)用的傳統(tǒng)的分割方法相比較，特異性分別達(dá)到 %和 %。由于聚類算法不需要直接包含空間建模，所以對(duì)初始化參數(shù)敏感、噪聲和灰度不均勻性均比較敏感；但這種缺乏空間模型的算法卻帶來(lái)了計(jì)算的快捷。目前常用的聚類算法有 K 均值 (或 ISODATA)算法、模糊 C均值算法和最大期望值(expection maximization, EM)算法等。為了彌補(bǔ)不使用訓(xùn)練數(shù)據(jù)所造成的缺陷,聚類算法在分割圖像和確定每一類特征之間進(jìn)行迭代計(jì)算。 基于并行區(qū)域的分割方法——聚類分割法 [5] 聚類分割法是最為直接和最實(shí)用的圖像分割方法。但是這種計(jì)算帶來(lái)的問(wèn)題是：如果希望分割是可靠的，這些計(jì)算可能會(huì)相當(dāng)?shù)膹?fù)雜，因?yàn)椴坏貌辉谔幚碓撓袼氐臅r(shí)候，考慮鄰域甚至更多其他的像素。 串行分割法比并行分割法有潛在的優(yōu)點(diǎn)。方法的缺點(diǎn)在于它不是全自動(dòng)的，需要操作者給出初始點(diǎn)和結(jié)束條件。主要包括如下步驟：搜索起點(diǎn)的確定，搜索機(jī)制的選取，搜索結(jié)束的判定。Canny自適應(yīng)算法也存在如檢測(cè)效果優(yōu)于Sobel、Laplacian等簡(jiǎn)單算子,但是速度相對(duì)較慢等問(wèn)題,這有待于進(jìn)一步研究解決。通過(guò)數(shù)學(xué)分析和試驗(yàn)結(jié)果證明了Canny自適應(yīng)算法是一種有效的邊緣檢測(cè)改善方法。Canny自適應(yīng)算法在保持了Canny算子原有的定位準(zhǔn)確,單邊響應(yīng)和信噪比高等優(yōu)點(diǎn)的基礎(chǔ)上, 提高了Canny算子在提取圖像邊緣細(xì)節(jié)信息和抑制假邊緣噪聲方面的性能。 以下綜述了當(dāng)今主流的視網(wǎng)膜圖像分割的方法及其優(yōu)缺點(diǎn)。 [2]：采用串行處理策略對(duì)目標(biāo)區(qū)域直接檢測(cè)來(lái)實(shí)現(xiàn)分割的方法。對(duì)某個(gè)像素的處理，以及是否把它分類成邊界點(diǎn)，和先前對(duì)其它點(diǎn)處理得到的信息有關(guān)。 [2]：通過(guò)順序的搜索邊緣點(diǎn)，采用串行的方法來(lái)對(duì)目標(biāo)邊界檢測(cè)來(lái)實(shí)現(xiàn)分割的方法。當(dāng)今的分割方法主要可以分為兩大類：一類是邊界方法 [2]，這種方法的假設(shè)是圖像分割結(jié)果的某個(gè)子區(qū)域在原來(lái)的圖像中一定會(huì)有邊緣存在，一般有孤立點(diǎn)法，孤立線法，組成邊界法，邊界跟蹤法等；一類是區(qū)域方法 [2]，這種方法的假設(shè)是圖像分割結(jié)果的某個(gè)子區(qū)域一定會(huì)有相同的性質(zhì)，而不同區(qū)域的像素則沒(méi)有共同的性質(zhì)，一般有閾值分割法，區(qū)域分裂與合并，自適應(yīng)等。 當(dāng)前的研究進(jìn)展和存在的問(wèn)題視網(wǎng)膜圖像的分割檢測(cè)在臨床醫(yī)療過(guò)程和身份鑒定中發(fā)揮著重要作用。目前視網(wǎng)膜圖像的分割方法已有不少，但是基于自適應(yīng)閾值的分割方法尚未見(jiàn)發(fā)表。 然而,通過(guò)肉眼直接觀測(cè)眼睛或者人工分析視網(wǎng)膜影像是耗時(shí)的,耗力的,而方法是采用一般的數(shù)碼相機(jī)和陳舊的計(jì)算機(jī)設(shè)備,自動(dòng)化的分析和診斷工具可以在這些儀器上配合使用,這大大提升了這些檢測(cè)的速度和效度,同時(shí)也大大減少了寧波工程學(xué)院本科畢業(yè)設(shè)計(jì)論文2,動(dòng)脈以及毛細(xì)血管的位置,大小和邊界,可以預(yù)見(jiàn)和顯示這些健康問(wèn)題的所在,并為此提供很多有價(jià)值的信息.由于硬件限制，視網(wǎng)膜圖像較明顯地表現(xiàn)出以下特點(diǎn)：光照不均勻；血管與背景的對(duì)比度不強(qiáng)；圖像噪聲點(diǎn)多。據(jù)統(tǒng)計(jì)，視網(wǎng)膜識(shí)別的錯(cuò)誤率是各種生物特征識(shí)別中最低的。關(guān)鍵詞：視網(wǎng)膜圖像，自適應(yīng)閾值，圖像分割I(lǐng)VReview on Adaptive thresholdbased segmentation of retinal image and its program design ABSTRACT Retinal image segmentation as one of image processing applications, play an increasingly important role in clinical medicine and identification. The current image segmentation methods include parallel boundary segmentation, serial boundary segmentation, parallel region segmentation and serial region segmentation. This article focused on the adaptive thresholdbased segmentation algorithm of retinal image and its implementation techniques, including 1）Reviewed a variety of publicly reported retinal image segmentation methods. 2）Discussed the adaptive thresholdbased segmentation algorithm of retinal image in