血管增强的各向异性扩散滤波（VED算法）

这一段时间一直在做关于血管增强的算法，查阅了一些论文，发现现在比较常用的就是基于各向异性扩散的血管增强算法，而这种增强算法主要使用的就是图像Hessian矩阵的特征值和特征向量。比较经典的增强算法是Frangi在1998年发表的Multiscale vessel enhancement filter， 该算法中主要通过Hessian矩阵的特征值和特征向量构建了所谓的血管参数（这里不罗列公式，可以googleFrangi的论文），通过统计对于每一个像素点的血管参数几乎都是0-1之间的数（用来表征图像中像素点属于血管的概率值---这里是本人的理解，如果有错误请指出），所以通过血管参数就可以通过归一化这个数据，然后再映射到0-4096区间内，得出血管的位置。但是这个算法有一个缺点就是对噪声比较敏感，所以在增强之后会出现许多假的“血管”，也就是其他的脑组织，但是对细小血管的分割效果还是不错的。基于这个缺陷，Rashindra Manniesing在其06年发表的一片论文中（Vessel Enhancing diffusion）对该算法进行了改进，其改进的方向主要是两点：首先在血管函数中增加了平滑因子，使得该函数可以降低对噪声的影像，达到平滑的目的，另外，通过构建扩散张量，使用扩散方程对图像进行扩散滤波，以达到对血管的区域进行增强，而对背景区域进行抑制处理。基本的思想也就是这些了，这里我主要分享以下在实现过程中遇到的问题：在计算出每一点的扩散张量后，由于所处理的数据为3维体数据，所以每一点的扩散张量实际上是一个3*3的矩阵（这里不同于传统PM方程中扩散函数），然后再计算扩散方程的过程中，需要分别计算图像的一阶梯度图像，二阶梯度图像以及扩散张量的一阶