一、介绍
结合PCA和基于强度的阈值分割算法。
分割算法返回与周围背景组织的非血液血管相反的血管位置的二值图像。
基于强度的阈值分割方法:
局限性: 阈值参数的选择问题,缺少对血管形态的敏感度。
主成分分析(Principal component analysis,PCA):一个分析多元数据的技术。
二、血管分割算法
几乎所有的阈值方法都关注阈值的取值,而忽略了阈值操作的主题性质。
2.1、基于强度的阈值血管分割方法
阈值分割的原则是选择一个或多个灰度值作为阈值,并且原始像素值被分为多个种类。对于有不灰度值的图像背景和目标的区分有很大优势。
原始图像往往存在噪声和不规范化,一些不必要的局部最小值会产生,从而导致过分割(过分割意味着不是一个大区域代表图像中的一个对象,而是产生一个小区域,每个区域覆盖图像中对象的一小部分)。解决方法:直方图均衡化
2.2、PCA
数据降维优点:1.使得数据集更易使用。2.降低算法的计算开销。3.去除噪声。4.使得结果容易理解。
降维算法:奇异值分解(SVD)、主成分分析(PCA)、因子分析(FA)、独立成分分析(ICA)
PCA: PCA的主要思想是将n维特征映射到k维上,这k维是全新的正交特征也被称为主成分,是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴,新的坐标轴的选择与数据本身是密切相关的。其中,第一个新坐标轴选择是原始数据中方差最大的方向,第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的,第三个轴是与第1,2个轴正交的平面中方差最大的。依次类推,可以得到n个这样的坐标轴。通过这种方式获得的新的坐标轴,我们发现,大部分方差都包含在前面k个坐标轴中,后面的坐标轴所含的方差几乎为0。于是,我们可以忽略余下的坐标轴,只保留前面k个含有绝大部分方差的坐标轴。事实上,这相当于只保留包含绝大部分方差的维度特征,而忽略包含方差几乎为0的特征维度,实现对数据特征的降维处理。
PCA的目的:1.提取数据中最重要的信息。2.通过保存仅有的这些重要的信息来压缩数据的尺寸。3.简化数据集的描述。4.分析观察的结果和变量的结构。
PCA计算新的变量称为主成分(PC),PC代表了数据中最重要的信息。因此提出了在主成分上执行阈值的方法来实现血管分割。
2.3、基于PC的加权阈值血管分割算法
三、实验和讨论
图片处理:提取灰度图像
3.1、基于强度的阈值血管分割方法
3.2、主成分分析
基于PC的加权阈值分割算法结果图: