WindowsAPI应用程序开发概述.ppt

1. Windows API应用程序开发概述究,指导教师: 贾 迪 学 院: 电子信息与工程学院,教学内容,学习Windos API编程的意义 了解Dos系统与Windos系统的异同 掌握一个简单的Win32应用程序的开发原理 掌握消息通信过程与窗口类结构的基本定义,Dos操作系统,负责将用户输入的命令翻译成操作系统能够理解的语言,Shell,IO,Dos系统,实现了一组基于int21h的中断,目前常用的DOS有包括：MS-DOS PC-DOS，FreeDOS，ROM-DOS等,Dos操作系统,1981年问世,Dos 1.0,Windows Me,纯DOS 的最高版本为DOS6.22，这以后的新版本DOS 都是由Windows系统所提供的，并不单独存在。,Dos 8.0,DOS的优点是快捷。熟练的用户可以通过创建 BAT或CMD批处理文件完成一些烦琐的任务。 因此，即使在XP下CMD还是使用频繁的命令。,Windos操作系统,1985年问世,WIndos 1.0,2011,Windows由微软公司开发，是一款基于图形用户界面（GUI）的 视窗操作系统，是当今世界上最为流行的操作系统之一。,WIndos 8,Dos与Windos的主要区别： Dos基于过程驱动 Windos基于消息驱动,Windos API,Windows操作系统同时也是一个大的函数库，其中包含了数以千计的 函数，这些函数能完成各种各样的功能，包括窗口管理、图形设备接口、 媒体控制、内存管理和系统扩展，这些函数都被封装在一个接口中， 这个接口就是Windows应用程序编程接口 （Windows Application Progrmming Interface）,简称Windows API,应用程序,Windows 系统,Windows 内核,Ring 3层,Ring 0层（驱动）,研究目标,灰质,白质,脑室,正常MRI影像,脑肿瘤,异常MRI影像,研究现状,国外研究现状： 国内研究现状：,科研机构,跨国公司,加州大学洛杉矶分校,牛津大学,伦敦大学学院神经学研究所,哈佛大学马丁生物医学影像中心,PHILIPS,GE,SIMENS,TOSHIBA,科研机构,南方医科大学,东南大学,清华大学,北京大学,研究路线,脑影像同步去噪增强,脑组织提取,脑肿瘤自动分割,研究内容,MR影像同步去噪增强算法 基于CV模型的脑组织分割算法 基于MCV模型的脑组织分割算法 交互式脑肿瘤分割算法 脑肿瘤自动分割算法 基于UniMed系统的算法设计与实现,问题的提出,(a)原始影像 (b)先去噪后增强 (c)先增强后去噪,先增强后去噪,先去噪后增强,边缘模糊化 去噪不明显,去噪效果差,贡献点,对影像进行同步去噪增强 对边缘进行保护,经典算法简介,图像去噪(滤波),宏观 （经典滤波）,微观（微分方程）,典型算法：小波滤波，中值滤波,典型算法：PM方程，方向扩散,特 例,图像增强,宏观 ：如直方图均衡化（HE）,微观：如HE的微分模型,算法原理,宏观去噪增强算法：,微观去噪增强算法：,去噪,增强,宏观增强去噪算法：,算法原理,PM模型的微分方程：,，,HE模型的微分方程：,创新,AHE模型的微分方程：,PM-AHE模型的微分方程：,算法原理,PM-AHE模型的微分方程：,去法相,PM-AHE模型：,实验结果与分析,仿真影像,加入9%噪声，40%伪影,先增强 后去噪,先去噪 后增强,本文算法,实验参数：,，,，,，,实验结果与分析,仿真影像,加入9%噪声，40%伪影,先增强 后去噪,先去噪 后增强,本文算法,实验参数：,，,，,，,实验结果与分析,先增强 后去噪,先去噪 后增强,本文算法,PM,真实影像,，,实验参数：,，,，,，,实验结果与分析,先增强 后去噪,先去噪 后增强,本文算法,PM,真实影像,实验参数：,，,，,，,实验结果与分析,真实图像算法执行时间：,仿真图像算法执行时间：,研究内容,MR影像同步去噪增强算法 基于CV模型的脑组织分割算法 基于MCV模型的脑组织分割算法 交互式脑肿瘤分割算法 脑肿瘤自动分割算法 基于UniMed系统的算法设计与实现,问题的提出,无法对部分序列影像直接分割 无法在三维空间中直接分割目标 无法完成颅底影像的分割 分割速度较慢,贡献点,可以对完整及部分序列影像直接分割 可以在二维及三维空间中直接分割目标 可以完成颅底影像的分割（解决组织粘连性问题） 提高分割速度,算法步骤,CV模型简介,水平集分割算法的基本思想是将闭合曲线表示为高一维曲面的水平集函数，通过平衡内部及外部能量，利用曲面函数的演化来求解曲线运动的过程。,经典CV模型存在的问题,初始距离矩阵的位置影响分割速度 无法控制边缘迭代停止的位置 无法自动停止迭代 分割目标单一,问题一,迭代45次,迭代8次,迭代8次,迭代290次,改进一,在欲分割的图像中,构造无穷多个圆形区域作为零水平级的初始区域，每个区域的半径无穷小，这种极限的初始化方法将使高一维度距离空间与零水平集平面重合。,实验结果,迭代100次 执行46秒,迭代1000次 执行460秒,迭代2000次 执行920秒,迭代4次 执行1.84秒,迭代5次 执行2.3秒,迭代10次 执行4.6秒,经典CV模型存在的问题,初始距离矩阵的位置影响分割速度 无法控制边缘迭代停止的位置 无法自动停止迭代 分割目标单一,问题二,无法得到,改进二,实验结果,经典CV模型存在的问题,初始距离矩阵的位置影响分割速度 无法控制边缘迭代停止的位置 无法自动停止迭代 分割目标单一,算法原理,n时刻距离矩阵,n时刻距离矩阵,间隔帧变化点数目,边缘变化率,实验结果,K=3.3,经典CV模型存在的问题,初始距离矩阵的位置影响分割速度 无法控制边缘迭代停止的位置 无法自动停止迭代 分割目标单一,算法原理,目标,实验结果,问题的提出,颅底影像结构复杂，常伴有“粘连”现象,算法原理,算法原理,实验结果,原始图像,本文算法,理想结果,实验结果,原始图像,本文算法分割结果,专家手工分割结果,基于改进CV模型的脑组织提取方法,原始图像,BET算法分割结果,本文算法分割结果,基于改进CV模型的脑组织提取方法,真实数据实验效果对比：,原始图像,BET算法分割结果,本文算法分割结果,基于改进CV模型的脑组织提取方法,真实数据实验效果对比：,原始图像,BET算法分割结果,本文算法分割结果,基于改进CV模型的脑组织提取方法,BET算法执行时间：92S,本文算法执行时间：22S,BET算法,本文算法,BET算法,本文算法,实验结果,原始图像,去脑壳,灰质,白质,脑室,研究内容,边缘保护的MR影像同步去噪增强算法 基于CV模型的脑组织分割算法 基于MCV模型的脑组织分割算法 交互式脑肿瘤分割算法 脑肿瘤自动分割算法 基于UniMed系统的算法设计与实现,问题的提出,经典CV模型无法同时分割多目标 MCV模型求解不稳定，存在漏分及误分现象,MCV模型简介,，,避免检测零水平集麻烦,求解稳定性较差，取值不能很好的逼近0和1，易产生错误的分割结果,算法原理,(1),(2),(3),算法原理,原始影像,K均值聚类粗分割 (避免多目标CV局部最优解),改进的多目标CV模型精确分割,提取灰质、白质、脊液,实验结果,原始图像,标准分割,Kmeans粗分割,改进MCV分割,研究内容,MR影像同步去噪增强算法 基于CV模型的脑组织分割算法 基于MCV模型的脑组织分割算法 交互式脑肿瘤分割算法 脑肿瘤自动分割算法 基于UniMed系统的算法设计与实现,问题的提出,脑肿瘤分割算法问题的提出： 脑肿瘤，又称为颅内占位性病变，是神经系统中最为常见的疾病之一，对人类神经系统的功能有着很大的危害。近年来的颅内肿瘤发病率呈上升趋势。据统计，脑肿瘤约占全身肿瘤的5%，占儿童肿瘤的70%，由于它有着浸润性生长，一旦在颅内占据一定空间，不论是良性还是恶性，都会使颅内压升高，压迫周边脑组织，导致患者的中枢神经受到损害，危及其生命。脑磁共振成像(MRI)被广泛用于病情分析，为脑肿瘤的治疗提供了大量辅助信息。 计算机辅助诊断可以为医生确诊病情提供极大便利，对于脑部疾病来说，采用计算机进行病变部位的分割及测量有着极其重要的意义，而脑肿瘤又是脑疾病中的高发病症，由于脑肿瘤没有规则的形状、边缘模糊等特点，因此近年来脑肿瘤的分割逐渐成为研究热点 。 本章提出了一种新的脑肿瘤分割方法，分为两个部分，即交互式脑肿瘤分割与脑肿瘤的自动分割。其中交互式分割结果可用于指导脑肿瘤的自动分割，两部分关系如下图所示：,肿瘤分割方法的研究,脑肿瘤分割结构图：,交互式脑肿瘤分割方法,经典Live-Wire模型： Live-Wire模型是由Mortensen等人于1998年提出的基于动态规划图搜索的算法，基本思想是将图像看做一个连通图，通过动态规划寻找用户指定位置边界两点间的最短路径作为目标边缘。,式中,为像素p到其邻接像素q的局部代价；,，,，,为加权系数。,，,，,为对应像素q处的Laplace过零特征函数、梯度特征函数及光滑度约束函数。,交互式脑肿瘤分割方法,经典Live-Wire模型： 经典的LiveWire算法存在两点不足。一是对噪声敏感，二是在边缘弯曲程度较大的位置处，局部代价函数急剧增加，不能保证分割的准确性。 改进一：采用Canny算子替换Lapalce算子，由于Canny算子中使用了高斯函数的一阶倒数，较好的调节了噪声及分割准确度的比例，在抑制噪声的同时，最大限度的保证了图像边缘的准确分割。 改进二：引入一个关于曲率的函数 ，改进局部代价函数为：,交互式脑肿瘤分割方法,经典Live-Wire模型：,反差参数K对曲率函数的影响,通过调节反差参数K，可以获得不同的曲率 调节度，获得理想的分割路径。,研究内容,MR影像同步去噪增强算法 基于CV模型的脑组织分割算法 基于MCV模型的脑组织分割算法 交互式脑肿瘤分割算法 脑肿瘤自动分割算法 基于UniMed系统的算法设计与实现,脑肿瘤自动分割方法,脑肿瘤自动分割流程： 整个分割流程分为4个步骤，并综合采用了水平集算法、形变模型、四叉树结构及k均值聚类算法，分割步骤如下所示。,脑肿瘤自动分割方法,脑肿瘤自动定位方法：,脑肿瘤自动分割方法,脑肿瘤自动定位方法：,本节采用几何轮廓模型进行精确分割，下面主要给出应用上一步的分割结果作为输入， 采用变分法进行精确求解的过程：,(1) 初始化距离矩阵u，令,(2) 引入正则化Heaviside函数，对E(u)采用梯度下降进行变换：,(3) 对上述方程迭代求解,脑肿瘤自动分割方法,基于动态阈值的脑肿瘤分割方法：,设,为粗分割结果中的某个边缘种子点，,为已分割区域，算法步骤如下所示：,脑肿瘤自动分割方法,基于形变模型的脑肿瘤分割实验结果：,(a1)原图 (b1)构造对称结构 (c1)本文算法定位结果 (d1)最后分割结果,(a2)原图 (b2)构造对称结构 (c2)本文算法定位结果 (d2)最后分割结果,脑肿瘤自动分割方法,基于动态阈值算法的脑肿瘤分割实验结果：,脑肿瘤自动分割方法,基于动态阈值算法的脑肿瘤分割实验结果： 下表给出了自动分割与手动分割结果的比较，可以看到，在采用基于动态阈值区域增长算法时，对于形状相对规则的肿瘤可以取得较好的分割结果，如表中的第1、2行数据，假阴性(被自动分割方法漏掉的肿瘤像素数)及假阳性(自动分割方法错误划分成肿瘤的像素数)较低。对于形状不规则且伴有水肿的肿瘤来说，有着较高的假阴性及假阳性，如表中的第3行数据。由于区域增长算法简单，有着较高的分割效率，因此整体算法的执行时间相对较少。,研究内容,MR影像同步去噪增强算法 基于CV模型的脑组织分割算法 基于MCV模型的脑组织分割算法 交互式脑肿瘤分割算法 脑肿瘤自动分割算法 基于UniMed系统的算法设计与实现,论文发表及录用的情况,期刊： 1. A Synchronization Algorithm of MRI Denoising and Contrast Enhancement Based on PM-CLAHE Model.Journal of Digital Content Technology and its Applications. 2. 序列磁共振颅脑影像的脑组织自动提取方法。仪器仪表学报。 3. 一种具有边缘保护的MRI影像同步去噪增强算法。小型微型计算机系统。 4. 基于树形聚类匹配的脑肿瘤自动分割方法。小型微型计算机系统。 5. 基于改进C-V模型的脑组织提取算法。东大学报(自