大脑中存在着大量神经元,其种类丰富、形态复杂。神经元是大脑结构和功能的基本单元,认识神经元结构、神经元之间的连接有助于脑功能和脑疾病的深入研究。光学显微成像技术发展,为获取神经元三维空间形态数据提供了可能;进一步,研究者可以通过追踪和重建量化神经元形态以及连接。通常,神经元三维光学图像存在信号弱、噪声强以及信号分布不均匀等严重制约追踪和重建的问题。因此,神经元三维图像增强是神经科学研究中的热点工作,并已取得诸多优秀成果。但是,现有方法还存在神经纤维和胞体增强的兼容性差、算法耗时两方面的问题,难以满足海量神经元图像增强的需求。为此,本文提出一种基于距离变换的神经元三维图像增强方法。第一步,利用距离变换确定海森矩阵的窗口大小:距离变换能有效衡量不同神经元突起粗细程度,自适应地求出合适的窗口大小用以计算海森矩阵。第二步,构建结构响应函数予以神经纤维增强:在图像信号较亮背景较暗时,理想神经纤维的海森矩阵特征值λ1约等于0、λ2和λ3小于0且幅值相近,利用此特点对神经纤维进行增强。第三步,完善图像中的胞体增强:神经元胞体信号值较高、半径较大,利用此特点设定较高阈值进行距离变换并定位胞体,根据胞体位置填充胞体。通过上述步骤,最终实现整个神经元不同结构图像的增强。为了评估提出的算法,本文利用该算法对多种数据进行增强,并与前人提出的算法进行比较。首先,本文进行合成数据的评估,合成数据的不同算法增强结果表明,提出算法的增强结果更好,且提出算法更稳定。其次,本文进行真实神经元图像评估,通过进行不同算法的评估与比较,结果表明提出的算法能保留更多的图像细节。然后,本文进行算法耗时的评估,增强同一数据时,提出的算法耗时比其它算法耗时更短。最后,本文评估神经元增强结果图像的自动追踪效果,通过比较两套神经元数据的追踪结果,证明提出的算法可以为神经元自动追踪提供较优的输入图像,但追踪结果离金标准仍有一定差距。为了高效获取全脑中精细的神经元形态数据,本文针对全脑中神经元聚集区域的图像增强提出一套基本处理流程。首先,从全脑数据集中人工选取含神经元的图像区域。其次,对选取的图像进行预处理,统一算法后续处理时使用的参数。最后,利用滑动窗口逐块处理数据。通过上述处理流程,本文实现了两套鼠脑神经元图像数据的增强。实际上,本算法可以扩展到TB级全脑数据。综上所述,基于距离变换的神经元三维图像增强算法能在图像增强时保留图像中信号微弱的神经元信号,算法增强结果视觉效果更好、图像质量更高、信息量更加丰富,算法耗时短,这能有效地帮助后续神经元形态学研究工作。