Blood Vessel Segmentation from Retina Images Using Curvelet Transform and Multi-Structure Elements..

Curvelet变换边缘在图像识别中起着重要作用。因此，毫无疑问，边缘的增强可以有效地帮助图像识别。传统的边缘增强功能是“高通滤波”和“基本增强”，但是性能却不如预期。小波变换对于这项工作很有用，但不适用于具有方向性元素的图像。此外，小波方法的图像增强将平滑图像的细节。相反，curvelet函数的基础具有很高的灵敏度，可以将曲线表示为遵守缩放定律的各种长度和宽度的函数的叠加。这使其具有图像增强的优势。图像增强的方法描述如下：首先，将Curvelet变换应用于图像。然后，根据每个子带的噪声比，对系数进行分段非线性增强。最后，将反曲波变换应用于系数，得到边缘经过图像增强的图像。由于Curvelet变换非常适合于表示包含边缘的图像，因此它是边缘增强的良好候选者。 Curvelet基于多尺度脊波并结合了空间带通滤波操作以隔离不同尺度。这种空间带通滤波器几乎杀死了所有不在滤波器频率范围内的多尺度脊波。换句话说，曲线波是生活在规定频带中的多尺度脊波。设置带通，以使小尺度上的小曲线长度和宽度与缩放定律相关，因此各向异性像幂定律一样随尺度的减小而增加。有两种方法可以实现快速离散曲波变换（FDCT）：包裹法和不等距快速离散傅里叶变换（USFFT）方法。包装方法的实现速度比USFFT方法快，同时具有与USFFT方法相同的结果。由于很好地采用了Curvelet变换来表示包含边缘的图像，因此它是边缘增强的良好候选者。可以修改Curvelet系数以增强图像的边缘，然后改善图像对比度。为此，我们改进了非线性函数，以修改表示系数的方式，即以较大的振幅为代价增强了较小振幅的细节，并在所有比例尺上均匀地执行了此操作。函数的定义参数基于输入图像的曲波系数的某些统计特征，对于在每个输入图像中更好地采用该功能非常有益。因此，需要诸如y这样的非线性函数来与变换系数相乘。该函数定义如下：

其中x是Curvelet系数，0 <p <1决定了非线性程度.k1，k2和k3为每个功能部分分配了权重，以允许我们控制系数的修改。由于分配了权重，我们可以指出系数被放大或缩小了多少，甚至没有变化。调节参数使得可以确定和调节系数修改间隔。参数c和m涉及确定系数修改间隔以及相应的乘积y的幅度。这些参数是根据系数的两个统计特征定义的。第一个是噪声标准偏差，目的是防止噪声放大，第二个是每个频带中系数的最大值。我们选择c =σji，其中σji是相同方向和相同标度的系数的噪声标准偏差。 m可以从相对和MC的最大Curvelet系数得出（m = kMC）。 k是来自Curvelet系数值的附加且独立的参数，因此，用户更容易设置。根据输入图像的固有特性和工作目标，对分配的权重和调整参数进行了实验调整。