hessian是什么意思sian在线翻译读音例句

基于Hessian矩阵的视网膜血管中心线提取

周 琳,沈建新,廖文和,王玉亮

(南京航空航天大学机电学院,江苏南京 210016

)

摘要:为实现视网膜血管在临床诊断中的重要作用,提出了一种基于Hessian矩阵的视网膜血管

提取方法,该方法通过图像预处理增强血管信息,利用血管的微分几何特性,采用离散高斯核对

眼底图像进行卷积,结合Hessian矩阵计算血管方向,通过连接算法得到视网膜血管的分布情况。

实验结果表明,该方法提取血管中心线的精度可达亚像素级,对不同眼底照相机拍摄的眼底图像

可根据血管宽度进行多尺度快速分割。

关键词:眼底图像;视网膜血管;血管中心线;Hessian矩阵

中图分类号:TP391 文献标识码:天道酬勤的意思 A 文章编号:1672-1616(2011)01-0046-04

视网膜血管作为人体惟一可以非创伤性直接

观察的较深层的微血管,其病变可以反映高血压、

糖尿病、动脉硬化、心血管疾病和中风等全身性疾

病。通过观察视网膜血管的变化来协助全身性疾

病的早期诊断在诊断技术上具有重要意义[1]。因

此,准确分割视网膜血管网络,精确计算其直径、角

度、弯曲程度等信息,具有重要的科学研究价值。

然而在眼底成像过程中,由于眼底照相机光学

系统固有的或设计上的原因,存在着若干缺陷,使

眼底图像表现出畸变、图像模糊、光照不均等,给后

续图像处理与分析带来很大的困难。国内外很多

学者对视网膜分割的方法进行了研究,如:Chaud2

huri[2]等发现血管横截面的灰度特性可以用高斯

曲线拟合,并生成12个方向的匹配滤波器来检测

血管,该方法可有效增强血管,但容易丢失血管交

叉点;朱宏擎[3]使用灰度-梯度共生矩阵的最大

熵阈值化方法分割血管,该方法同时利用了图像的

灰度和梯度信息,选用三次B样条小波计算梯度,

速度较慢;Soares[4]采用Gabor-Wavelet变换方法

提取符合标准图像特征的像素或区域作为分割结

果,该方法利用了血管标准图像信息,分割结果较

好,但需要大量预先分割的标准图像;陈后金、李居

朋[5]等提出基于先验知识随机游走模型的视网膜

血管分割方法,在分析视网膜血管特征的基础上,

构建归一化梯度向量散度场,针对高、低对比度血

管采用不同的定向拉普拉斯算子提取血管中心线,

并将先验知识随机游走模型应用于图像分割。

本文提出一种基于Hessian矩阵的视网膜血

管提取方法,该方法可以快速准确地提取视网膜血

管的中心线,精度达到亚像素级。

1 眼底图像预处理

本文所处理的图像来自于国产的眼底照相机,

均为1600像素1200像素的24bits真彩色图

像。由于眼底图像常存在成像时光照不迟日江山丽下一句 均,血管中

心和周围纹理存在反射,血管与背景对比度太低,

灰度分布集中等现象,给眼底图像处理带来困难,

因此需要进行有效的预处理,增强图像对比度,改

善分割效果。

分别提取眼底图像的红、绿、蓝三通道的图像,

通过对比发现,绿色通道图像包含较多的有效信息

和较好的对比度。为解决图像中存在的灰度分布

集中,对比度低的问题,采用直方图均衡化方法处

理后,将灰度扩展至0～255的范围,眼底图像原图

及增强后的图像如图1所示。

2 视网膜血管分割技术

2.1 Hessian矩阵原理

令I

(

x,y

)表示二维图像在(

x,y

)坐标下的

灰度值,输入图像I

(

x,y

)可以看作一个三维曲

面,即{

(

x,y,z

)

|z=I

(

x,y

)

},二维图像灰度的

变化可以用此三维曲面的曲率表示。曲面在(

x,y

)

坐标下的曲率可以用Hessian矩阵来定义。

收稿日期:2010-08-27

作者简介:周 琳(

1986-

)

,女,山东枣庄人,南京航空航天大学硕士研究生,主要研究方向为计算机辅助生物医疗工程。

64

2011年1月 中国制造业信息化 第40卷 第1期

图1 眼底图像原图及预处理结果

H

(

x,y

)=

I

xx

(

x,y

)

I

xy

(

x,y

)

I

yx

(

x,y

)

I

yy

(

x,y

)

(1)

式中:I

xx

(

x,y

)

,I

xy

(

x,y

)

,I

yx

(

x,y

)

,I

yy

(

x,y

)

表示图像的二阶方向导数。

Hessian矩阵的特征值和特征向量表示了图像

的本质特征[6]。其中,幅值最大的特征值对应的

特征向量代表三维曲面曲率最大的方向,幅值最小

的特征值对应的特征向量代表曲率最小的方向。

对于二维图像,其Hessian矩阵为22的实对称矩

阵,因而具有2个实特征值。Hessian矩阵的这一

几何意义可以用来提取指纹图像中的脊线、医学图

像的分割等。本文方法根据Hessian矩阵来确定

眼底图像中视网膜血管的法线方向,然后通过求解

法线方向上的极值点得到血管中心线的位置。

2.2 基于Hessian矩阵的血管中心点提取

文献[2]指出,血管剖面的灰度近似呈高斯分

布,因此可将血管中心线看作线条边缘,血管边界

看作阶跃边缘。不同类型的边缘具有其各自的微

分几何特征,阶跃边缘的一阶导数幅度最大,二阶

导数值为零,如图2

(

a

)所示;而线条边缘上的图像

亮度一阶导数值为零,二阶导数幅度最大,如图2

(

b

)所示。血管中心线及边界的提取可根据相应的

微分几何特性进行。

由于眼底图像中包含一定的噪声,为突出血管

灰度信息,避免噪声对检测结果的影响,将图像分

别与高斯平滑核函数的一阶、二阶导数卷积。考虑

到图像中像素为离散点,可将x=n处的图像看

作z

(

x

)

=z

n

,其中x∈[n-

1

2

,n+

1

2

]。由此得

出离散的高斯卷积模板为[7]:

g

n,

=

(

n+

1

2

)

-

(

n-

1

2

)

g′

n,

=g

(

n+

1

2

)

-g

(

n-

1

2

)(2)

g″

n,

=g′

(

n+

1

2

)

-g′

(

n-

1

2

)

式中:

(

x

)

=∫x

-∞

e-

t

2

2

2dt;

为函数的宽度参数,

控制了函数的径向作用范围,对不同宽度的血管,

可以通过调整

进行多尺度分割。

图2 不同类型边缘截面图及其一阶、二阶导数

由高斯核函数求其一阶、二阶导数,分别记为

g

x,

(

x,y

)

,g

y,

(

x,y

)

,g

xx,

(

x,y

)

,g

yy,

(

x,y

)

,

g

xy,

(

x,y

)

,分别与图像卷积,得偏导数h

x

,h

y

,

h

xx

,h

yy

,h

xy

。

对于眼底图像I

(

x,y

)

,血管中心点处的一阶

导数为零,即认为在血管方向n

(

x,y

)上的一阶方

向导数为零,且二阶方向导数取极大绝对值的点就

是血管中心点。计算图像与高斯核卷积后的Hes2

sian矩阵,最大绝对特征值所对应的特征向量即为

血管方向n

(

x,y

)

,图像灰度函数在n

(

x,y

)方向

的二阶导数对应于Hessian矩阵的最大绝对特征

值。则图像中任意像素(

x

0

,y

0

)的相邻像素的灰

度可用血管方向n

(

x,y

)表示为:

I[

(

tn

x

+x

0

)

,

(

tn

y

+y

0

)

]=h

(

x

0

,y

0

)

+

tn

x

h

x

(

x

0

,y

0

)

+tn

y

h

y

(

x

0

,y

0

)

+

1

2

t2n2

x

h

x

(

x

0

,

74

・应用研究・ 周 琳 沈建新 廖文和等 基于Hessian矩阵的视网膜血管中心线提取

y

0

)

+

1

2

t2n2

y

h

y

(

x

0

,y

0

)

+t2n

x

n

y

h

xy

(

x

0

,y

0

)(3)

令

5

5t

I[

(

tn

x

+x

0

)

,

(

tn

y

+y

0

)

]=0,可得t=

-

n

x

g

x

+n

y

g

y

n2

x

g

xx

+2n

x

n

y

g

xy

+n2

y

g

yy

,图像灰度的极大或极

小点为(

p

x

,p

y

)

=

((

tn

x

+x

0

)

,

(

tn

y

+y

0

))。

判断是否为血管中心点的准则:若tn

x

∈

[-0.5,0.5]且tn

y

∈[-0.5,0.5],即一阶导数为

零的点位于当前像素内,且n

(

x,y

)方向上的二阶

方向导数大于指定的阈值T,则该点(

p

x

,p

y

)为血

管中心点。

2.3 视网膜血管中心点提取精度

用式(

2

)给出的高斯核函数作为模板卷积图像

的曲线检测方法,其精度只能达到像素级,为了更

精确地定位血管中心点和边界点,将离散的高斯函

数做如下变化:

g

m,n,

=

(

n+

1

2m

)

-

(

n-

1

2m

)

g

′

m,n,

=g

(

n+

1

2m

)

-g

(

n-

1

2m

)(4)

g

″

m,n,

=g′

(

n+

1

2m

)

-g′

(

n-

1

2m

)

其实质相当于将每个像素插值为mm的亚

像素区域,在每个亚像素区域中寻找中心点和边界

点,精度达到亚像素级。

2.4 视网膜血管中心点连接

对于每一个像素,由2.2中的中心点检测算法

可以得到以下3个要素:

(

1

)血管中心点的子像素

位置(

p

x

,p

y

)

;

(2)血管方向n

(

x,y

)

=

(cos

,

sin

)

;

(3)血管中心线的强弱程度(即

方向的二

阶方向导数)。由此得出血管中心点的连接方法为:

从具有最大二阶导数的像素,添加适当的邻域点,

使之成为线。由于起始点可能位于血管的中部,所

以应沿n⊥和-n⊥2个方向进行添加。在与当前

血管方向相容的3个邻域像素中,综合考虑邻域点

与当前中心点之前的像素距离和角度变化。设两点

间距离d=|p

2

-p

1

|,角度差异

=|

2

-

1

|,

∈[0,

/2],选择使得(

d+

)最小的邻域点添

加到血管中心线中。

3 结果与分析

本文选用苏州六六视觉科技股份有限公司生产

的眼底照相机拍摄得到的眼底图像进行血管分割实

验。实验系统配置为:CPUIntel3.0GHZ,2G内存的

计算机,使用BorlandC++Builder编程实现。其

中,需要设置的参数有宽度参数

和阈值T,其中

控制高斯函数的作用范围,其取值由图像中最大血

管宽度决定,血管宽度越大,

取值越大;阈值T是

指二阶方向导数的门限值,值越小,检测到的血管中

心点就越多,一般取值为0.6～019。

按照本文所述算法,经过眼底图像预处理,血

管中心点提取与连接后,可得到视网膜血管中心线

的结果如图3所示。图3

(

a

)为眼底图像灰度图,

图3

(

b

)为相应的血管中心线提取结果,其中参数

=5.0,T=0.7。经实验统计,对于分辨率为

1600像素1200像素的眼底图像,平均每幅图像

的分割所需时间为2.6s,较文献[5]方法的每幅图

图3 眼底图像及视网膜血管中心线

84

2011年1月 中国制造业信息化 第40卷 第1期

像需3～4min有很大提高。

为测试本文算法提取血管的准确度,使用

DRIVE眼底图像库[8]中的眼底图像进行血管分割

实验。如图4所示,

(

a

)为DRIVE库中的一幅眼底

图像;

(

b

)为应用本文算法得到的血管中心线结果;

(

c

)为DRIVE库中专家手动分割结果,包含血管宽

度信息。血管分割的准确度可以通过计算本文结

果与手动分割结果的重合度表示。通过对DRIVE

图像库中的20幅眼底图像的统计,平均重合度为

86.5%,未重合部杜甫的送别诗 分为手动分割无法识别的细小血

管和少量误识别血管。

对于眼底图像中存在的“类血管状”病变,会与

视网膜血管混淆,本文算法尚不能有效去除,另外,

分割结果中仍存在个别不连通现象,有待改进。

图4 本文算法分割结果与DRIVE库中专家手动杏花的句子唯美短句 分割结果对比

4 结束语

眼底图像中视网膜血管的分布情况为高血压、

糖尿病等疾病的早期诊断提供了重要依据,血管的

精确分割是疾病量化的先决条件。本文提出的视

网膜血管中心线提取方法,采用离散高斯核卷积眼

底图像,利用Hessian矩阵精确计算出血管中心线

的亚像素位置。通过国产眼底照相机拍摄的眼底

图像及国际公开的眼底图像库对本算法进行验证,

实验结果表明,该方法对不同眼底照相机拍摄的眼

底图像均有效,可以实现视网膜血管的多尺度、快

速、准确的提取,且具有亚像素级的精度。

参考文献:

[1] 戴培山,王博亮,鞠 颖.视网膜血管图像分割及眼底血管三

维重建[J].自动化学报,2009

(

9

)

:1168-1176.

[2] ChaudhuriS,ChatterjeeS,KatzN,ionofblood

vesselsinretinalimagesusingtwo-dimensionalmatchedfilters

[J].IEEETransactionsonMedicalImaging,1989,8

(

3

)

:

263-269.

[3] 朱宏擎.基于灰度-梯度共生矩阵的视网膜血管分割方法

[J].上海交通大学学报,2004

(

9

)

:1485-1488.

[4] JooVBS,JorgeJGL,lvesselseg2

mentationusingthe2-DGaborwaveletandsupervisedclassifi2

cation[J].IEEETransactionsonMedicalImaging,2006,25

(

9

)

:1214-1222.

[5] 李居朋,陈后金,张新媛.基于先验知识随机游走模型的视网

膜血管分割方法[J].中国生物医学工程学报,2009

(

4

)

:

501-507.

[6] 许 燕,胡广书,商丽华,等.基于Hessian矩阵的冠状动脉中

心线的跟踪算法[J].清华大学学报:自然科学版,2007

(

6

)

:

889-892.

[7] tingCurvilinearStructures:ADifferentialGeo2

metricApproach[C]//erVi2

sion,Lectur碛中作译文及注释 eNotesinComputerScience,2

bridge,UK:Springer-Verlag,1996:630-641.

[8] StaalJ,AbramoffMD,NiemeijerM,-basedvessel

segmentationincolorimagesoftheretina[J].IEEETransac2

tionsonMedicalImaging,2004,23

(

4

)

:501-509.

ExtractionofRetinalBloodVesselCenterlinesBasedonHessianMatrix

ZHOULin,SHENJian-xin,LIAOWen-he,WANGYu-liang

(

NanjingUniversityofAeronauticsandAstronautics,JiangsuNanjing,210016,China

)

Abstract:Thedetectionandsegmentationofretinalbloodvesselshavegreatsignificanceinthediagnosisof

osesamethodoftheextractionofretinalbloodvesselcen2

-processingoffundusimagesenhancesthevesselsandconvolute

ectionsofbloodvesselsarede2

ingtothedifferentialgeometricpropertiesofthevessels,

(下转第53页)

94

・应用研究・ 周 琳 沈建新 廖文和等 基于Hessian矩阵的视网膜血管中心线提取

2.4 安全性分析

面向数据采集系统的动态口令身份认证系统

可以有效地验证用户的身份,解决了传统身份认证

系统的不足,具有很高的强度和安全性,分析如下:

a.数据采集器与上位机通信时,网络上传输的

内容是经过员工的动态口令加密的。

b.由于认证服务器每次产生的随机数是不相

同的,而且每次都是用新的口令对所传输的数据进

行加密,显然重放攻击是不能通过认证服务器认证

的,所以可以避免不法分子的重放攻击。

c.由于动态口令采用的是“一次一密”的加密

方式,即每次登录所需密码都是不同的,所以网络

侦听者很难从侦听到的报文中得到员工的口令字。

即使攻击者通过垃圾搜索、窥探等方式获得了员工

的口令字,但由于不能获得令牌卡,攻击者不能进

行后续的犯罪活动,从而保护了企业的利益。

d.在现有的口令认证方式下,本系统使用动态

口令生成算法,这种口令是不具备穷举尝试和字典

攻击条件的,因此可以避免不法分子的穷举尝试和

字典攻击。

由以上分析可知,这种机制具有相当好的安全

性,有卖炭翁的翻译 效地保护了企业数据采集系统的安全,保障

了企业的利益。

3 结束语

随着信息技术、计算机技术以及互联网的发

展,企业信息安全问题已成为社会关注的焦点。企

业对信息技术的安全性、稳定性、可维护性和可发

展性提出了越来越迫切的要求。采用基于挑战应

答的动态口令身份认证系统,可以确保用户身份的

有效性,有效地解决了企业中员工以及客户的身份

认证问题,极大地提高了数据采集系统的安全性。

参考文献:

[1] 石 翊.围栏弥补安全缺失[J].系统安全,2007

(

166

)

:68-

69.

[2] tion[J].ACMOperationSystemsReV,

1974,8

(

l

)

:18-24.

[3] abilitiesintheS/KEYonetimepasswordsystem

[EB/OL].[2010-05-16]./

.

[4] 余彬彬.动态身份认证系统的研究与实现[D].上海:上海交

通大学,2008.

[5] 卢加元,吴国兵.基于ATM应用的身份认证系统[J].计算

机工程与设计,2007,28

(

3

)

:534-535.

[6] 包桂秋,林喜荣.基于人体生物特征的身份鉴别技术发展概

况[J].清华大学学报,2001,41

(

4

)

:73-75.

[7] 陈立志,戴英侠.基于动态口令的身份认证机制及其安全性

分析[J].计算机工程,2002,28

(

10

)

:48-49.

StudyonDynamicPasswordAuthenticationSysteminEnterpriseDataAcquisition

WANGCan,LIUTing-ting,WANGHui-fen

(

NanjingUniversityofScienceandTechnology,JiangsuNanjing,210094,China

)

Abstract:Dataacquisitionsystemusesthestaticauthenticationsystemtoauthentication,thepasswordmaybe

atimprovingthesecurityofthedataacquisitionsystemandcontraposingthe

featuresofthedataacquisitionsystem,itdesignsadynamicpasswordauthenticationsystembasedon”Chal2

lenge/Response”,describesthedynamicpasswordtechnologyandanalyzesthecurrentsecurityrisksoftheda2

taacquisitionsystem,illustratesthecompositionandfunctionsofthesystem,constructsthesecurityofthe

stemovercomestheweakne哲字组词好听名字 ssesofthetraditionalpasswordauthenticationandsolvesthesecu2

rityissuesofidentityauthentication.

Keywords:DynamicPasswordTechnology;SecurityRisk;PasswordAuthentication

(上接第49页)

erimentsonseveralkindsoffundusimages

demonstratethemulti-cisionof

thismethodcanreachsub-pixellevelwithafastcomputationspeed.

Keywords:FundusImage;RetinalBloodVessel;VesselCenterlines;HessianMatrix

35

・应用研究・ 王 灿 刘婷婷 汪惠芬 数据采集中的动态口令身份认证研究