Frangi形态学滤波详解
2019-07-24 09:10:20来源:博客园 阅读 ()
利用Hessian矩阵的滤波函数Frangi,网上的文章只是把论文中的公式贴出来了。
我感觉分析下滤波函数是怎么起作用,还是挺有意思的一件事情。
Frangi滤波方法的论文是:
Frangi A F, Niessen W J, Vincken K L, et al. Multiscale vessel enhancement filtering[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer Berlin Heidelberg, 1998: 130-137.
Matlab版程序在:
https://ww2.mathworks.cn/matlabcentral/fileexchange/24409-hessian-based-frangi-vesselness-filter?s_tid=gn_loc_drop
我改写了一个python版的在:
https://github.com/yimingstyle/Frangi-filter-based-Hessian
这里我先只说二维方法。
Hessian矩阵是:
$$H=\left[ \begin{matrix} I_{xx} & I_{xy} \\ I_{yx} & I_{yy} \end{matrix} \right] \tag{1} $$
由于Hessian是二阶偏导数组成的,对噪声非常敏感。就像使用拉普拉斯算子进行边缘检测一样,首先进行平滑非常必要。
所以论文中首先对图像进行高斯滤波,又因为高斯滤波和求Hessian矩阵这两个操作可以同步进行,那就合并了,直接对高斯滤波矩阵求二阶导数了。
但是接下来我们分析Frangi滤波的时候一直带着这个高斯滤波器太麻烦了,我们就认定高斯滤波是单独在求Hessian之前对预处理好了。
Frangi滤波的大致步骤是:
1.求Hessian矩阵:对应函数 Hessian2D()
用卷积核$$G_{xx}$$对图像进行卷积操作得到$$I_{xx}$$,其中卷积核是$$\left[ \begin{matrix} 0&0&0\\1 &-2&1\\0&0&0 \end{matrix} \right] \tag{1} $$
以此类推得到$$I_{xy}$$和$$I_{yy}$$
2.求Hessian矩阵的两个特征值:对应函数 eig2image()
$$\left| \lambda E-H \right|=0$$
$$\left|\left[ \begin{matrix} E-I_{xx} & E-I_{xy} \\E-I_{yx} & E-I_{yy} \end{matrix} \right]\right|=0\tag{1} $$
构建两个变量:$$R_{b}=\frac{ \lambda_1 }{ \lambda_2 }$$和$$S=\sqrt{R_{b}^2-\lambda_2^2}$$
我们可以根据图像形态把图像中的像素大致分为三类:
1)背景,它们的灰度分布较均匀。任意方向上曲率都较小。
2)孤立的点,角点,它在任意方向上的曲率都很大。
3)血管处,一般获取的图像中,血管这个圆珠形态沿径向方向λ2上的曲率始终较大,轴向方向λ2上较小。
3.再根据Rb和S构建响应函数:
$$V_o=\left| \begin{matrix}0 if \lambda_2>0 \\ (1-\frac{R_{b}^2}{2\beta^2})^2 ( 1-( -\frac{S^2}{2c^2} )^2 ) \end{matrix} \right| \tag{1} $$
式中条件:λ2>0,这是要看我们观测的是黑色背景还是白色背景,要是白背景那就是λ2<0。这个在程序中是根据“BlackWhite”这一参数选择的。
背景 | 孤立点 | 血管 | |
特征值 | λ1小 λ2小 | λ1大 λ2大 | λ1小 λ2大 |
A和B的绝对值 | A 不定 B较小 | A 接近0 B较大 | A 接近1 B较大 |
可以看到A对孤立点有抑制作用,B对背景有抑制作用,最后剩下的只有血管处的信号响应强烈。
式中的B(贝塔,用latex公式打出来直接就换行了,所以用B代替一下)用来调节区分块状区域和条状区域的敏感程度,在程序中是“FrangiBetaOne”。
如果B(贝塔)很大,那么A接近1,对孤立区域抑制就减弱了。而B(贝塔)很小,A很容易受到Rb的影响趋于0,那么在血管的弯曲处,也容易被抑制。
c影响滤波后图像的整体平滑程度。程序中是“FrangiBetaTwo”。
S对血管处的响应起关键作用,如果c较大,S的变化程度相对被压制了,图像就变得平滑。c很小,把S放大了,那么滤波后的图像(也就是滤波器的响应)就变得波动较大。
这个滤波器只有在卷积尺度和血管宽度最接近的时候效果最好。如何确定卷积尺寸呢,最直接也是最有效的方法就是--枚举法。
所以程序中就是用不同的卷积尺度去做滤波,得到的多幅滤波后图像中,在每一点处选择响应值最高的结果。函数中“FrangiScaleRange”就是枚举的尺度范围。
这一点也很好理解。我们是用高斯卷积核的二阶导数求Hessian矩阵的。
高斯函数的标准差表示卷积尺度(论文中是标准差的3倍),高斯滤波是按照高斯函数给某一点处及其周围像素设定权重,加权求平均。
所以假设我们的卷积尺度比血管宽度大很多,那么得到的卷积结果就会被背景处拉低,因为背景处的灰度梯度变化是较小的。
而当卷积尺度比血管宽度小很多时,无论噪声还是块状区域都会被滤波器保留。
原文链接:https://www.cnblogs.com/isYiming/p/11111087.html
如有疑问请与原作者联系
标签:
版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有
IDC资讯: 主机资讯 注册资讯 托管资讯 vps资讯 网站建设
网站运营: 建站经验 策划盈利 搜索优化 网站推广 免费资源
网络编程: Asp.Net编程 Asp编程 Php编程 Xml编程 Access Mssql Mysql 其它
服务器技术: Web服务器 Ftp服务器 Mail服务器 Dns服务器 安全防护
软件技巧: 其它软件 Word Excel Powerpoint Ghost Vista QQ空间 QQ FlashGet 迅雷
网页制作: FrontPages Dreamweaver Javascript css photoshop fireworks Flash