isodata的matlab代码博客reitna-segmentation 视网膜图像分割提取血管复杂结构 详情见： 用法：运行 mainDemo.m 步骤 1：从文件夹“retina_images\1.tif”读取 matlab 工作区中的视网膜图像。 步骤 2：将分割算法应用于输入的视网膜图像。 ISODATA算法用于从视网膜图像中分割血管。 使用迭代 isodata 方法的 ISODATA 计算全局图像阈值。 LEVEL = ISODATA(I) 计算可用于将强度图像转换为具有 IM2BW 的二值图像的全局阈值 (LEVEL)。 LEVEL 是一个归一化的强度值，位于 [0, 1] 范围内。 这种选择阈值的迭代技术是由 Ridler 和 Calvard 开发的。 视网膜分割图像： 步骤 3：加载真实图像（label_images/1.tif）以比较分割算法的结果。 现在我们有两个图像。 即一个是ground truth，另一个是分割结果。 为了比较算法的性能，我们计算了“真视网膜”和“假视网膜”以及“真背景”和“假背景”。 以下代码部分显示了上述参数的计算 number_of_p

研制了一套探头末端直径为1 mm的血管内扫频光学相干层析成像（IV-OCT）系统。为了确保探头内格林透镜的中轴线与安装在微型电机轴上的直角棱镜的中轴线对准，制作了尺寸匹配的塑料套管；将格林透镜插入塑料套管后与微型电机一同安装于聚四氟乙烯（PTFE）管中，制成了末端直径为1 mm的探头。对光源自带的k-clock信号进行硬件滤波以去除其中的直流分量和谐波分量，提高了系统分辨率。对等波数域间隔重采样后的干涉光谱数据进行加窗、快速傅里叶变换(FFT)、取对数、背景去除后，将得到的多个轴向扫描(A-scan)数据进行坐标变换、重建，从而得到圆环显示的样品图像。实测系统纵向分辨率为11.8 μm，横向分辨率为24 μm，成像帧速为30 frame/s。利用研制的IV-OCT系统，实现了管状白胶带、小葱葱管、藕、离体鸭血管样品的OCT成像。

matlab代码影响视网膜血管病变 视网膜血管检查在糖尿病的诊断中起着重要的作用，在西方国家，糖尿病是导致失明的主要原因。 该检查采用光学诊断方法，通过获取眼球的数字图像而不会侵犯或伤害人体。 剩下的任务是将视网膜血管与数字图像分开。 即使对于训练有素的专家来说，这都是耗时且充满挑战的。 引入了机器学习方法以使分离过程自动化，从而提高检查过程的效率。 在本报告中，我们结合了图像处理和机器学习方法探索了视网膜血管分离过程。 图像预处理用于减少原始眼球图像中的噪点。 机器学习算法用于构造分类器，该分类器利用专家的手绘视网膜血管作为训练标签，以有效地将血管与背景分离。 实现了K最近邻（K-NN）和支持向量机（SVM），并使用改进的K-NN方法来改善结果。 使用K-NN方法中距离的不同定义来发现眼球图像不同特征的重要性。 通过将算法分类的标签与专家的手绘图像进行比较，可以估算出误差。 K-NN是通过使用在课堂上学到的知识而自编码的Matlab程序，并且SVM在理论层面上得到了理解，并通过PyML（基于python的机器学习包）来实现。 两种方法的错误率均为6％左右。 与SVM相比，K-NN产生

多帧DICOM医疗图像，能够用来测试一些简单的医疗影像实验。

根据眼底荧光血管造影图像的特点，分别利用阈值分割法与BP神经网络算法对眼底造影血管图像及眼底病变区域图像进行分割与对比，使临床医生可以得到病变面积的较精确的测量数据，观察到更细微的血管变化，为与此相关的心、脑血管系统和糖尿病的诊治提供重要依据。

医学影像作业 基于医学影像配准+DUNet实现的视网膜血管检测_眼底血管分割源码+数据集+实验报告.zip 图像配准 眼底血管分割实验 详细操作说明 实验报告 【实验思路】 1.图像预处理： 单通道化RGB2Gray 归一化 对比度限制自适应直方图均衡化 伽马校正 2.图像分割成小块patch 3.torch写网络 Unet  - Unet++  4.训练与测试，计算每个小patch的train_loss和dice_score 5.合并图像 6.计算整体测度 【实验结果】 CHASE数据集用cuda训练batchsize为2，网络采用UNet++，轮数epoch=5，测试集结果：avarage Dice: **78.03%**, avarage Accuracy: **96.91%** DRIVE数据集用cpu训练batchsize为8，网络采用UNet，轮数epoch=5，测试集结

多颜色空间的内窥镜图像血管增强方法-王强

使用K均值的体外LSCI图像中的血管定位 该存储库具有实现会议文章中描述的方法的功能：使用在“ 图像在体外的LSCI图像中进行血管定位” ，这是项目“血管的可视化和定位”的一部分而开发的。 抽象的 激光散斑对比度成像中血管的可视化和定位是生物医学应用（例如皮肤病学，神经科学和眼科学）中的一项重要任务，因为它可以确定血管的存在并评估诸如血流的性质。 这项工作建立了可视化方法的综述，用于对比度计算和激光散斑对比度成像的改进。 另外，通过聚类以自动方式提出了血管的定位。 结果表明，血管的定位很大程度上取决于对比度的计算和改善。 如果血管和生物组织区域彼此分开得很好，并且噪声水平较低，则K均值聚类是在激光斑点对比成像中定位血管的强大工具。 内容 组织 没有声明其他内容目录。 贡献者 算法，应用程序和工具的代码由以下人员贡献： F. Lopez-Tiro，H.Peregrina-Barreto，J

这是2016年7月15日，硕士开题答辩所采用的ppt，有关于微血管瘤检测识别方向，采用稀疏表示字典学习的方法进行防震处理，这里给出了大致的研究方向，一节部分备注，希望对下载者，有一定帮助。

基于CNN的视网膜血管图像分割，模型采用U-net架构搭建而成，使用keras作为框架，使用Tensorflow作为后端。使用python作为接口语言。