利用Hessian矩阵对血管增强并且进行固定阈值分割

1.原始图像

2. 采用itk的Hessian矩阵进行血管增强

代码如下：

def vessleSegment(niipath):sigma_minimum = 0.2sigma_maximum = 3.number_of_sigma_steps = 8lowerThreshold = 40output_image = 'vessel.mha'input_image = itk.imread(niipath)# 1.采用itk的多尺度hessian矩阵进行血管增强ImageType = type(input_image)Dimension = input_image.GetImageDimension()HessianPixelType = itk.SymmetricSecondRankTensor[itk.D, Dimension]HessianImageType = itk.Image[HessianPixelType, Dimension]objectness_filter = itk.HessianToObjectnessMeasureImageFilter[HessianImageType, ImageType].New()objectness_filter.SetBrightObject(True)objectness_filter.SetScaleObjectnessMeasure(True)objectness_filter.SetAlpha(0.5)objectness_filter.SetBeta(1.0)objectness_filter.SetGamma(5.0)multi_scale_filter = itk.MultiScaleHessianBasedMeasureImageFilter[ImageType, HessianImageType, ImageType].New()multi_scale_filter.SetInput(input_image)multi_scale_filter.SetHessianToMeasureFilter(objectness_filter)multi_scale_filter.SetSigmaStepMethodToLogarithmic()multi_scale_filter.SetSigmaMinimum(sigma_minimum)multi_scale_filter.SetSigmaMaximum(sigma_maximum)multi_scale_filter.SetNumberOfSigmaSteps(number_of_sigma_steps)itk.imwrite(multi_scale_filter.GetOutput(), "step1.mha")

效果图如下：

3. 将增强后的血管归一化到0-255范围内

代码如下：

 # 2，将增强后的血管归一化到0-255范围OutputPixelType = itk.UCOutputImageType = itk.Image[OutputPixelType, Dimension]rescale_filter = itk.RescaleIntensityImageFilter[ImageType, OutputImageType].New()rescale_filter.SetInput(multi_scale_filter)itk.imwrite(rescale_filter.GetOutput(), "step2.mha")

效果图如下：

4.对归一化的血管进行固定阈值分割

代码如下：

 # 3归一化的血管进行固定阈值分割thresholdFilter = itk.BinaryThresholdImageFilter[OutputImageType, OutputImageType].New()thresholdFilter.SetInput(rescale_filter.GetOutput())thresholdFilter.SetLowerThreshold(lowerThreshold)thresholdFilter.SetUpperThreshold(255)thresholdFilter.SetOutsideValue(0)thresholdFilter.SetInsideValue(255)itk.imwrite(thresholdFilter.GetOutput(), "step3.mha")

效果图如下：

利用Hessian矩阵对血管增强并且进行固定阈值分割相关推荐

Hessian矩阵在血管增强中的应用
Hessian矩阵在图像处理中有着广泛的应用:其中在图像分割领域,包括边缘检测.纹理分析等. 原理: 假设图像像素值关于坐标(x, y)的函数是f(x, y),那么将f(x+dx,y+dy)在f(x0 ...
利用Hessian矩阵的Frangi 滤波器-python版本
Frangi滤波网上已经有好多博客来讲解了,尤其是Hessian矩阵. 这里原理到没太多可以说的,大家搜一搜就有了. 不过我看到所有的代码都是matlab版本的,其实都是matlab官网中已经发布的代 ...
眼底图像血管增强与分割--（5）基于Hessian矩阵的Frangi滤波算法
在最优化里面提到过的hessian矩阵(http://blog.csdn.net/piaoxuezhong/article/details/60135153),本篇讲的方法主要是基于Hessian矩阵 ...
关于Hessian矩阵的图像增强
文章目录 1. 数字图像处理之尺度空间理论 2. 基于尺度理论的Hessian简化算法 3. 基于Hessian矩阵的图像增强本文是关于图像增强方面的知识. 关于Retinex图像增强, [请点击] ...
Steger算法（Line_Gauss）-光条中心线提取（基于Hessian矩阵）
Steger算法(Line_Gauss)-光条中心线提取(基于Hessian矩阵) 算法背景介绍 Hessian 矩阵与泰勒多项式关于求t 导数与中心点.亚像素点高斯函数作用文献算法背景介绍 ...
python求向量函数的雅可比矩阵_使用python,pytorch求海森Hessian矩阵
考虑一个函数$y=f(\textbf{x}) (R^n\rightarrow R)$,y的Hessian矩阵定义如下: 考虑一个函数:$$f(x)=b^Tx+\frac{1}{2}x^{T}Ax\\其 ...
Jacobian矩阵和Hessian矩阵的理解
深度学习中梯度向量的计算,Jacobian矩阵和Hessian矩阵是基础的知识点. 求微分其实就是线性化,导数其实就是线性空间之间的线性变换,Jaocibian矩阵本质上就是导数. 比如,映射在处的导 ...
三维重建4：Jacobian矩阵和Hessian矩阵
在使用BA平差之前,对每一个观测方程,得到一个代价函数.对多个路标,会产生一个多个代价函数的和的形式,对这个和进行最小二乘法进行求解,使用优化方法.相当于同时对相机位姿和路标进行调整,这就是所谓的BA ...
极限和连续+偏导+方向导数+可微+梯度+链式法则+hessian矩阵
文章目录前言一.极限和连续二.偏导数三.方向导数四.可微五.梯度六.链式法则七.Hessian矩阵前言多元函数 y对某一个变量的导数是偏导数: 偏导数的结果可以推广到任意方向,也就 ...

利用Hessian矩阵对血管增强并且进行固定阈值分割

1.原始图像

2. 采用itk的Hessian矩阵进行血管增强

3. 将增强后的血管归一化到0-255范围内

4.对归一化的血管进行固定阈值分割

利用Hessian矩阵对血管增强并且进行固定阈值分割相关推荐

最新文章

热门文章