论文部分内容阅读
闪电通道的提取,是分析雷电通道特征的前提,对于雷电预警、防雷减灾和经济建设具有十分重要的意义。而视网膜血管的提取,是分析视网膜血管形态的前提,对于糖尿病、脑血管硬化等疾病的诊断和治疗在临床上具有重要的指导意义。传统的闪电通道提取和视网膜血管形态判别主要依赖人工检测和判断手段,这不仅效率低下成本高,而且受主观影响较大。自动且智能的闪电通道提取和视网膜血管形态提取是目前迫切需要解决的问题。对于闪电通道识别,本文提出了一种用于闪电通道识别的自动分割算法BLSR,该算法首先应用对比度拉伸和高斯匹配滤波的方法对闪电通道图像进行预处理,以增强闪电通道的对比度;然后自动检测出包含闪电通道的线支持区域(Line Support Region),并用最小外接矩形包含这些区域;最后在各个矩形区域内分别使用最大类间方差Otsu阈值方法进行分割,得到闪电通道识别结果。试验结果表明该方法具有良好的局部特性和自适应性,它不仅能自动提取低对比度闪电图像的通道,还能自动提取具有复杂背景闪电图像的通道,自动提取的结果在视觉上与人眼观测结果一致,且定量的评估结果表明,本文算法相比传统算法具有更好的分割精度。另外,本文在BLSR的基础上提出了基于线支持区域和笔画宽度变换的闪电实时检测算法,算法首先基于LSD算法找出边缘点,然后运用笔画宽度变换算法Swt,求出两个边缘之间的距离,并使用宽度阈值过滤掉宽度值较大的边缘点。根据返回的边缘点的数目来判断一个闪电过程是否有闪电发生,并根据数目的大小,找出闪电效果最好的一张闪电图像。对于视网膜血管分割,本文提出了一种基于血管支持区域的双尺度非线性阈值视网膜图像分割算法,该算法首先运用两个不同尺度的高斯匹配滤波器对眼底视网膜血管进行预处理操作,得到两个不同尺度的匹配滤波响应图像。针对小尺度的匹配滤波响应图像,采用基于血管支持区域的算法自适应地判断出前景区域,由于不同的前景区域的灰度分布直方图类型不一样,因此对不同的前景区域根据面积分别运用Otsu阈值算法和Swt算法进行识别,得到细血管的识别结果。针对大尺度的匹配滤波响应图像,采用固定比例阈值算法进行分割。最终合并两个不同尺度的分割结果,得到最终的分割结果。