视网膜血管图像提取的国内外研究现状1边缘检测方法边缘检测的方法中主要依赖于对血管图像边缘的检测。
    图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象抽取所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位。
图像边缘检测算法在过去已经被许多人提出过，并且这些人的算法都有着很多不一样的地方。大致可以分为两类，(1)基于梯度的边缘检测算法，(2)基于零点交叉边缘检测算法。主要具体的有Sobel，Reberts，Laplacian，LOG等这些算法。5201
Laplacian算子是常用的边缘检测算子。拉普拉斯算子是最简单的各向同性微分算子，具有旋转不变性。一个二文图像函数的拉普拉斯变换是各向同性的二阶导数。如果在图像中一个较暗的区域中出现了一个亮点，那么用拉普拉斯运算就会使这个亮点变得更亮。因为图像中的边缘就是那些灰度发生跳变的区域，所以拉普拉斯锐化模板在边缘检测中很有用。一般增强技术对于陡峭的边缘和缓慢变化的边缘很难确定其边缘线的位置。但此算子却可用二次微分正峰和负峰之间的过零点来确定，对孤立点或端点更为敏感，因此特别适用于以突出图像中的孤立点、孤立线或线端点为目的的场合。毕业论文
Sobel算子在图像上求出二文的空间梯度，和梯度高的区域与边缘的区域相一致。Sobel 算子通常用于求输入的灰度级图像的每一个的近似的绝对梯度。Sobel 模板设计是用来在图像的垂直和水平方向最大的限度去反映边缘，这些方向性的边缘最后会汇合在一起的。
Log算子可以说是Laplacian的改进版，因为Laplacian其他的梯度算子一样，会增强图像中的噪声。而LOG算子比Laplacian算子多做的就是它是先对图像进行了Gauss平滑。通过Gauss平滑除去图像噪声，然后再进行边缘的检测，这样做的效果会比较好。
2 以正规化为基础的方法
以正规化为基础的方法中我们突出使用血管跟踪，匹配过滤，基于模型的局部自适应阈值或变形模型，数学形态学的方法。
血管跟踪方法试图从血管中心线获取出血管结构。从自动或手工贴标建立的初始点开始，通过局部信息决定从附近最合适的候选血管像素进行追查。
其他方法使用数学形态学，通过验证已知血管进行匹配，如分段线性和连接。然后，利用形态学算子，血管从最终抽取的背景下进行筛选。其中一半有配套的过滤技术，该方法通常使用带有高斯交叉配置的2-D线性结构元素，挤压或旋转血管交叉轮廓分为三个文度来识别（通常是一个高斯或高斯衍生的轮廓）。核心是将成像旋转到许多不同的方向（通常是8或12），以适应不同配置的血管。阈值化图像，然后从背景中提取血管的剪影。
学者们将视网膜图像及其应用过程中涉及到的相关视网膜血管的信息来丰富了这个通用的方法。与此同时，蛇形模型已被用于该项检测。
蛇形模型是一种主动轮廓模型，一旦置于感兴趣的图像轮廓附近，可以通过迭代适应进化，以适应所需的结构形状。其他规则为基础的视网膜血管抽取方法的报道见于文献[16]和[17]。
文献[16]中提出了基于多尺度特征提取后的一种方法。多通地区的成长过程中使用超过尺度的梯度幅值和最大的Hessian张量的主曲率局部极值。生长逐步通过使用功能和空间信息抽取血管。 图像边缘图生成与特征提取的国内外研究现状:http://www.751com.cn/yanjiu/lunwen_2158.html