排序方式: 共有11条查询结果,搜索用时 0 毫秒
1.
利用脊线检测实现视网膜图像血管中心线的精确提取 总被引:1,自引:0,他引:1
提出一种精确有效的基于脊线检测的视网膜图像血管中心线提取算法,该算法首先对原始图像进行脊线检测得到候选视网膜图像血管中心线,然后对原始图像进行照度均衡和多尺度形态学增强处理,最后对各个尺度增强图像在视场ROI区域内进行Otsu双阈值分割或单阈值分割,并将各个尺度的分割结果求和再与脊线检测结果算术相与得到最终的血管中心线。通过对25张荧光造影视网膜图像以及部分彩色视网膜图像进行测试和分析,该算法不但能够检测出低对比度血管和微小血管的中心线,而且提取的血管中心线整体连续性好。将文中算法的结果与血管手动分割血管的细化结果进行比对分析,中心线吻合率平均达到83.5%,且算法性能优于Hoover算法以及保守专家手动检测结果。 相似文献
2.
3.
4.
由文献[1]我们知道,每个函数f,是L~p连续的,即 (integral from n=R~n to ∞(|f(x+h)-f(x)|~pdx))~(1/p)ljt→0,当h→0。 在文献[2]§Ⅰ.4中,关于L~p连续性获得了更深入结果:命题 设则 相似文献
5.
1 算子在文献[1]中,我们在Banach空间L~p(R~n)上定义算子如下: 这里W~(1·p)={u,u ∈L~p(R~n),D_ju∈L~p(R~n),1≤j≤n}是Sobolev空间。其中D_ju是函数u(x)在分布意义下的第j个偏导数,即 相似文献
6.
<正> 1 算子 在文献[1]中,我们在Banach空间L~p(R~n)上定义算子如下: 这里W~(1·p)={u,u ∈L~p(R~n),D_ju∈L~p(R~n),1≤j≤n}是Sobolev空间。其中D_ju是函数u(x)在分布意义下的第j个偏导数,即<Φ,D_ju>=-,Φ∈D(R~n),这里D(R~n)=C_0~∞(R~n)是R~n上具紧支集无穷次可导函数全体。另外,算子R_j是L~p(R~n)函数的第j个Riesz变换,有R_j∈B(L~p)(看文献[2]),B(L~p)表示L~p 相似文献
7.
H.Bremann对D′(R~n)广函建立了它的解析表示。当n=1时,解析表示等价于D′(R~1)广函可以作为上半平面调和函数的边界值。自然要问,D′(R~n)广函能否成为R_ ~(n 1)={(x,y);x∈R~n,y>0}上调和函数的边界值?这时不能借助解析表示, 相似文献
8.
9.
10.
我们知道,H~p(R~n×R_ )的定义如下(见文献[1]):H~P(R~n×R_ )={f(x,y);f(x,y)是R~n×R_ 中调和函数,(?)这里R~n×R_ ={(x,y);x∈R~n,y>0},1
相似文献