基于分数阶微分的视网膜血管图像增强

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (34): 162-165.

• 图形、图像、模式识别 • 上一篇下一篇

基于分数阶微分的视网膜血管图像增强

车进1，2，师一帅2，张成2

1.天津大学电子信息工程学院，天津 300072
2.宁夏大学物理电气信息学院，银川 750021

出版日期:2012-12-01 发布日期:2012-11-30

Image enhancement for retinal vascular based on fractional differential

CHE Jin1，2, SHI Yishuai2, ZHANG Cheng2

1.School of Electronic Information Engineering, Tianjin University, Tianjin 300072, China
2.School of Physics and Electronic Information Engineering, Ningxia University, Yinchuan 750021, China

Online:2012-12-01 Published:2012-11-30

摘要/Abstract

摘要： 从分数阶微分对图像纹理细节的增强能力出发，对分数阶微分的机理进行分析，根据分数阶微积分的G-L定义推导出的差分公式与向量合成定理构建了近似的16方向分数阶微分模板，并将其应用于视网膜血管图像增强中。实验结果表明，对于纹理细节信息丰富的视网膜血管图像而言，分数阶微分对灰度变化不大的平坦区域中的纹理细节信息的提取效果明显优于整数阶微分运算。

关键词: 分数阶微分, 图像增强, 视网膜血管, 向量合成, 掩模模板

Abstract: Starting from the enhanced ability of fractional differential to image details, the paper analyzes the mechanism of fractional differential, then constructs an approximate sixteen directions fractional differential template according to vector synthesis theorem and fractional differential difference function deduced by fractional calculus G-L definition, and uses the template to enhance retinal vascular image. The experimental results show, in response to those retinal vascular images which have rich textural detail information, fractional differential outperforms integral differential operation to extract the textural detail information in smooth region without too much gray scale change.

Key words: fractional differential, image enhancement, retinal vascular, vector synthesis, cover module

车进1，2，师一帅2，张成2. 基于分数阶微分的视网膜血管图像增强[J]. 计算机工程与应用, 2012, 48(34): 162-165.

CHE Jin1，2, SHI Yishuai2, ZHANG Cheng2. Image enhancement for retinal vascular based on fractional differential[J]. Computer Engineering and Applications, 2012, 48(34): 162-165.

[1]	胡扬涛，裴洋，林川，李世成，易玉根. 空洞残差U型网络用于视网膜血管分割[J]. 计算机工程与应用, 2021, 57(7): 185-191.
[2]	汤子麟，刘翔，张星. 光照不均匀图像的自适应增强算法[J]. 计算机工程与应用, 2021, 57(21): 216-223.
[3]	王小鹏，杨文婷，文昊天. 利用自适应形态学实现遥感水体图像增强[J]. 计算机工程与应用, 2021, 57(12): 186-192.
[4]	杜豫怡，王鹏章，多化琼，董霙达. 频域内分位数的蒙古族家具纹样增强算法[J]. 计算机工程与应用, 2021, 57(12): 207-210.
[5]	陈迎春. 基于色调映射的快速低照度图像增强[J]. 计算机工程与应用, 2020, 56(9): 234-239.
[6]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[7]	朱德利，杨德刚，万辉，杨雨浓. 用于低照度图像增强的自适应颜色保持算法[J]. 计算机工程与应用, 2019, 55(24): 190-195.
[8]	陈莉，陈晓云. 特征组合和多模块学习的视网膜血管分割[J]. 计算机工程与应用, 2019, 55(17): 214-220.
[9]	王英博1，刘健2. 幂律变换和IGLC算法的显著性目标检测方法[J]. 计算机工程与应用, 2019, 55(14): 168-176.
[10]	王忠民1，2，段娜1，范琳1. 融合YOLO检测与均值漂移的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(10): 186-192.
[11]	李忠海，金海洋，邢晓红. 整数阶滤波的分数阶Sobel算子的边缘检测算法[J]. 计算机工程与应用, 2018, 54(4): 179-184.
[12]	张桂梅1，刘峰瑞1，刘建新2. 图像增强中分数阶阶次自适应模型的构造[J]. 计算机工程与应用, 2018, 54(3): 184-191.
[13]	田敏，张印辉，何自芬，王森. 基于联合模型匹配的齿轮视觉检测方法[J]. 计算机工程与应用, 2018, 54(23): 170-175.
[14]	李忠海，宋智钦，王崇瑶. 非整数步长的分数阶微分Sobel算子的应用[J]. 计算机工程与应用, 2018, 54(17): 192-197.
[15]	成钊1，2，王和明1，唐永康2，张颖1. 基于细节增强分析的硬件木马红外图像检测方法[J]. 计算机工程与应用, 2018, 54(16): 86-92.

基于分数阶微分的视网膜血管图像增强

Image enhancement for retinal vascular based on fractional differential

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics