CN102393956B - 基于径向对称性变换的视网膜图像滤波方法 - Google Patents
基于径向对称性变换的视网膜图像滤波方法 Download PDFInfo
- Publication number
- CN102393956B CN102393956B CN2011101636769A CN201110163676A CN102393956B CN 102393956 B CN102393956 B CN 102393956B CN 2011101636769 A CN2011101636769 A CN 2011101636769A CN 201110163676 A CN201110163676 A CN 201110163676A CN 102393956 B CN102393956 B CN 102393956B
- Authority
- CN
- China
- Prior art keywords
- radial symmetry
- image
- method based
- yardstick
- filtering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004256 retinal image Effects 0.000 title claims abstract description 40
- 230000009466 transformation Effects 0.000 title claims abstract description 9
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000003708 edge detection Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 59
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 20
- 210000001525 retina Anatomy 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000009452 underexpressoin Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 230000002792 vascular Effects 0.000 abstract 2
- 230000002490 cerebral effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 abstract 1
- 238000003709 image segmentation Methods 0.000 abstract 1
- 210000003733 optic disk Anatomy 0.000 description 6
- 230000036285 pathological change Effects 0.000 description 6
- 231100000915 pathological change Toxicity 0.000 description 6
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000001210 retinal vessel Anatomy 0.000 description 3
- 206010064930 age-related macular degeneration Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 208000030533 eye disease Diseases 0.000 description 2
- 208000002780 macular degeneration Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于径向对称性变换的视网膜图像滤波方法,包括步骤:基于海森矩阵的多尺度滤波方法得到滤波图像、血管的尺寸和血管的方向;Canny边缘检测算法得到边缘图像,计算梯度方向;再计算径向对称性计数值和径向对称性贡献值;最后,计算径向对称性变换结果,达到滤波效果。本发明方法能有效地滤除视网膜图像中的绝大部分非血管结构,有利于视网膜图像的后续处理。在视网膜图像血管分割、脑血管图像分割以及心脏图像血管分割等领域有着重要的应用价值。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于径向对称性变换的视网膜图像滤波方法。
背景技术
在人类从外界接受的各种信息中,约有80%以上的信息来自于视觉。据统计我国每年大约有170万人因各种眼部疾病导致失眠,而这其中的相当多数可以通过早期的诊断与治疗来预防。在临床中,视网膜图像被广泛应用于诊断眼部的疾病,包括青光眼、糖尿病视网膜病变(DR)、老年黄斑变性(ARMD)等。视网膜图像通过眼底相机进行二维成像,由于现有的影像仪器由于固有的或设计上的原因,都存在着若干缺陷,表现在视网膜图像上有以下几个方面:图像的退化、图像发生几何畸变、图像发生灰度畸变等。
发明内容
(一)要解决的技术问题
视网膜图像中存在很多病理改变和其他非血管结构(如视盘),使得现有的方法很难准确地提取出视网膜图像中的血管结构,本发明的目的在于提供一种基于径向对称性变换的视网膜图像滤波方法,使得视网膜图像中的非血管结构引起的噪声能够得到抑制,以便于血管分割方法能够从视网膜图像中准确地提取出血管。
(二)技术方案
为达到上述目的,本发明提供了一种基于径向对称性变换视网膜图像滤波方法,该方法包括以下步骤:
步骤S2:用Canny边缘检测算法对视网膜灰度图像I(x,y)进行检测,得到边缘图像e(x,y),计算并得到梯度方向
步骤S4:利用滤波图像V(x,y)、血管半径r(x,y)、血管方向和径向对称性计数图像O(x,y)计算并得到径向对称性贡献值F(x,y);
步骤S5:利用血管方向并从径向对称性贡献值F(x,y)选取方向对应的角度A(x,y)所在区间[d,d+Δd)内的像素作为方向性图像Fd(x,y),计算并得到径向对称性变换结果S(x,y),其中,d表示角度,取值范围为d=0°,Δd°,2Δd°,…,167.14°;Δd表示角度步长。
优选地,所述视网膜灰度图像I(x,y)的滤波图像V(x,y)表示为:
其中,s表示尺度或方差;smin,smax分别表示尺度空间的最大和最小尺度,滤波图像V(x,y)公式具有尺度选择特性:当血管半径与尺度匹配时,滤波数值最大;v(x,y,s)表示尺度s下的滤波图像。
优选地,所述尺度s下的滤波图像v(x,y,s)表示为:
优选地,所述尺度s下的海森矩阵H(x,y,s)表示为:
其中,
Ixx(x,y,s)表示尺度s下的二次横向图像,
Ixy(x,y,s)表示尺度s下的二次交叉图像,
Iyy(x,y,s)表示尺度s下的二次纵向图像,
其中,为视网膜灰度图像I(x,y)的梯度场;||·||表示计算幅值。
优选地,所述计算并得到径向对称性计数图像O(x,y)的步骤包括:
步骤S31:构造一幅和视网膜灰度图像I(x,y)尺寸大小一样的计数图像O(x,y),初始化为0;
m=0,Δm,2Δm,…,2r(x,y);Δm是步长;上式计算得到一次坐标,则计数图像O(x,y)中相应像素的计数值累加1。
优选地,所述径向对称性贡献值F(x,y)表示为:
其中,k,γ是一个常数。
优选地,所述径向对称性变换结果S(x,y)表示为:
其中,Ln(d)是线状方向性高斯核;Fd(x,y)是方向性图像,其尺寸和F(x,y)一致,其像素值初始化为0,使用血管方向计算角度图像4(x,y),若A(x,y)在区间[d,d+Δd)内,则把F(x,y)对应的像素值传递给Fd(x,y);n表示线状方向性高斯核的大小。
优选地,所述线状方向性高斯核Ln(d)是一个n×n大小的矩阵,该矩阵只有一条直线上的值为非零,且其值按高斯函数分布;以一个7×7矩阵且是0°方向为例,第4行元素的值按高斯分布,第4行第4列元素的值最大,矩阵中其它元素全为0,则得到14个7×7线性方向性高斯核L7(0°),L7(12.86°),L7(25.72°),…,L7(167.14°)。
(三)有益效果
1、本发明提供的这种基于径向对称性变换的视网膜图像滤波方法,是视网膜血管提取的预处理技术,能大大地降低血管提取的难度,提高视网膜血管提取的准确度。
2、本发明提供的这种基于径向对称性变换的视网膜图像滤波方法,能自动地滤除视网膜图像中的非血管结构引起的噪声。在视网膜图像血管分割、脑血管图像分割和心脏图像血管分割等领域有着重要的应用价值。
本发明旨在滤除视网膜图像中的噪声,以便于准确地分割视网膜血管。本方法结合基于海森矩阵的多尺度滤波方法,同时利用径向对称性变换进一步地滤除多尺度过程带来的部分噪声,以便得到清晰的血管网络。实验结果显示,本方法可以抑制视网膜图像中病理改变和视盘等引起的噪声。
附图说明
图1为本发明提供的基于径向对称性变换的视网膜图像滤波方法的流程图。
图2a至图2c为本发明提供的径向对称性变换的示意图。
图3a至图3d为本发明提供的基于海森矩阵的多尺度滤波方法的实例。
图4a至图4d为本发明提供的基于径向对称性变换的滤波实例。
具体实施方式
下面将结合附图对本发明加以详细说明:
本发明的核心思想是提出一种基于径向对称性变换的视网膜图像滤波方法。图1为本发明提供的基于径向对称性变换的视网膜图像滤波方法的流程图,该方法基本思路为:用基于海森(Hessian)矩阵的多尺度滤波方法检测血管得到滤波图像V(x,y),血管的尺寸r(x,y)和血管的方向检测出视网膜图像中的边缘e(x,y)和计算梯度方向结合血管的尺寸、边缘和梯度方向等信息,计算径向对称性计数图像O(x,y);再利用多尺度滤波图像和径向对称性计数图像,计算径向对称性贡献值F(x,y);最后,根据血管的方向、线状方向性高斯核和径向对称性贡献值,可计算出径向对称性变换结果S(x,y)。
以下结合具体的实施例对根据本发明提供的这种基于径向对称性变换的视网膜图像滤波方法进行详细描述。
基本思路:首先,对视网膜灰度图像使用多尺度表示可得到图像中每个像素的海森矩阵;然后,计算海森矩阵的特征值和特征向量;最后,构建具有尺度选择性的响应函数检测出血管结构及其半径,滤波前后的图像见图3a至图3d。
一幅视网膜灰度图像I(x,y),其多尺度表示为:
其中,s表示方差或尺度;*表示卷积;Ixx(x,y,s)表示尺度s下的二次横向图像;Ixy(x,y,s)表示尺度s下的二次交叉图像;Iyy(x,y,s)表示尺度s下的二次纵向图像。可得到尺度s下的海森矩阵:
其中,smin,smax分别表示尺度空间的最大和最小尺度,上式具有尺度选择特性:当血管的半径与尺度s匹配时,滤波数值最大;v(x,y,s)表示尺度s下的滤波图像:
其中,为视网膜灰度图像I(x,y)的梯度场;||·||表示计算幅值。
步骤S3:计算径向对称性计数图像O(x,y)
基本思路:根据视网膜的边缘图像e(x,y)、梯度方向和血管的半径r(x,y),计算视网膜的边缘像素所影响的像素的坐标,找到该像素后其计数值则累计1.对于具有双边结构的血管来说,血管像素的径向对称性计数值来自于血管两边的累加,是单边结构(例如病理改变和视盘)的两倍。
首先,构造一幅和I(x,y)尺寸大小一样的计数图像O(x,y),初始化为0。然后,上述步骤S1中的半径r(x,y)和上述步骤S2中的梯度方向计算边缘图像e(x,y)像素所影响到像素的坐标:
m=0,Δm,2Δm,…,2r(x,y);Δm是步长。上式计算得到一次坐标,则计数图像O(x,y)中相应像素的计数值累加1。
步骤S4:计算径向对称性贡献值F(x,y)
结合多尺度滤波图像V(x,y)和径向对称性计数图像O(x,y),可计算出径向对称性贡献值:
其中,k、γ是一个常数;
步骤S5:计算径向对称性变换结果S(x,y)
基本思路:由于上述步骤S4的F(x,y)是散乱的点,无法得到光滑的血管结构,因此,本发明构造一组线状方向性高斯核与径向对称性贡献值卷积,可得到光滑的血管。
其中,Ln(d)是线状方向性高斯核,Fd(x,y)是方向性图像,其尺寸和F(x,y)一致,其像素值初始化为0,使用血管方向计算角度图像A(x,y),若A(x,y)在区间[d,d+Δd)内,则把F(x,y)对应的像素值传递给Fd(x,y);d表示角度,取值范围为d=0°,Δd°,2Δd°,…,167.14°;Δd表示角度步长;n表示线状方向性高斯核的大小。图2a为本发明提供的径向对称性变换的示意图。线状方向性高斯核Ln(d)是一个n×n大小的矩阵,该矩阵只有一条直线上的值为非零,且其值按高斯函数分布。以一个7×7矩阵且是0°方向(如图2b所示),第4行元素的值按高斯分布(第4行第4列元素的值最大),矩阵中其它元素全为0,则可得到14个7×7线性方向性高斯核L7(0°),L7(12.86°),L7(25.72°),…,L7(167.14°)(如图2c所示)。
运行结果:
为验证本发明的有效性和实用性,我们在两个国际公认的视网膜图像数据库(STARE和DRIVE)上进行了实验。这两个数据库都分别提供20幅视网膜图像用于算法测试,两个手动分割的血管网络数据集作为参考。
图3a至图3d和图4a至图4d给出了一组具体的例子。图3a为带有视盘的视网膜图像,图3b为带有病理改变的视网膜的图像,图3c为图3a使用基于海森矩阵的多尺度滤波方法得到的图像,图3d为图3b为使用基于海森矩阵的多尺度滤波方法得到的图像。图4a为基于径向对称性变换的滤波图像,图4b为基于径向对称性变换的滤波图像,图4c为手动分割结果,图4d为手动分割结果。在本实验中,本滤波方法都能有效地把绝大多数的噪声滤除,特别地,包括病理改变和视盘引起的噪声。从原图和滤波后图像的对比可以看出,经过本发明的处理,血管网络已经突显出来。
实验表明,本发明方法-径向对称性变换的视网膜图像滤波方法-抑制病理改变和视盘引起的噪声,达到了滤除视网膜中绝大部分噪声的目的。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该方法的人在本发明所揭露的方法范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内。
Claims (8)
1.一种基于径向对称性变换的视网膜图像滤波方法,其特征在于,包括以下步骤:
步骤S4:利用滤波图像V(x,y)、血管半径r(x,y)、血管方向和径向对称性计数图像O(x,y)计算并得到径向对称性贡献值F(x,y);
步骤S5:利用血管的方向,并从径向对称性贡献值F(x,y)选取方向对应的角度A(x,y)所在区间[d,d+Δd)内的像素作为方向性图像Fd(x,y),计算并得到径向对称性变换结果S(x,y),其中,d表示角度,取值范围为d=0°,Δd°,2Δd°,…,167.14°;Δd表示角度步长;
其中,所述视网膜灰度图像I(x,y)的滤波图像V(x,y)表示为:
其中,s表示尺度或方差;smin,smax分别表示尺度空间的最大和最小尺度,滤波图像V(x,y)公式具有尺度选择特性:当血管半径与尺度匹配时,滤波数值最大;v(x,y,s)表示尺度s下的滤波图像。
6.根据权利要求1所述的基于径向对称性变换的视网膜图像滤波方法,其特征在于,所述径向对称性贡献值F(x,y)表示为:
其中,k,γ是一个常数。
8.根据权利要求7所述的基于径向对称性变换的视网膜图像滤波方法,其特征在于,所述线状方向性高斯核Ln(d)是一个n×n大小的矩阵,该矩阵只有一条直线上的值为非零,且其值按高斯函数分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101636769A CN102393956B (zh) | 2011-06-17 | 2011-06-17 | 基于径向对称性变换的视网膜图像滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101636769A CN102393956B (zh) | 2011-06-17 | 2011-06-17 | 基于径向对称性变换的视网膜图像滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102393956A CN102393956A (zh) | 2012-03-28 |
CN102393956B true CN102393956B (zh) | 2013-12-04 |
Family
ID=45861268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101636769A Expired - Fee Related CN102393956B (zh) | 2011-06-17 | 2011-06-17 | 基于径向对称性变换的视网膜图像滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102393956B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886592B (zh) * | 2014-03-05 | 2016-08-24 | 苏州大学 | 基于3d-oct的视网膜层间灰度分析方法 |
CN104036521A (zh) * | 2014-07-03 | 2014-09-10 | 重庆大学 | 一种新的视网膜眼底图像分割方法 |
TWI653492B (zh) * | 2014-11-12 | 2019-03-11 | 元太科技工業股份有限公司 | 顯示裝置、多層導光板結構以及前光模組 |
CN107529658A (zh) * | 2017-07-12 | 2018-01-02 | 湖州师范学院 | 高噪声显微图像下的自动检测微管方法 |
CN108492285B (zh) * | 2018-03-13 | 2021-11-09 | 北京理工大学 | 一种基于灰度变化的径向线视盘萎缩弧分割方法 |
CN110705375B (zh) * | 2019-09-11 | 2022-07-12 | 西安交通大学 | 一种面向噪声图像的骨架检测系统及检测方法 |
-
2011
- 2011-06-17 CN CN2011101636769A patent/CN102393956B/zh not_active Expired - Fee Related
Non-Patent Citations (6)
Title |
---|
Automatic human face detection and recognition under non-uniform illumination;Toshiaki Kondo etc.;《Pattern Recognition》;19991231;全文 * |
Bjor Johansson etc..Detecting Rotational Symmetries using Normalized Convolution.《IEEE》.2000,全文. |
Context-Free Attentional Operators: The Generalized Symmetry Transform;DANIEL REISFELD etc.;《International Journal of Computer Vision》;19951231;全文 * |
DANIEL REISFELD etc..Context-Free Attentional Operators: The Generalized Symmetry Transform.《International Journal of Computer Vision》.1995,全文. |
Detecting Rotational Symmetries using Normalized Convolution;Bjor Johansson etc.;《IEEE》;20001231;全文 * |
Toshiaki Kondo etc..Automatic human face detection and recognition under non-uniform illumination.《Pattern Recognition》.1999,全文. |
Also Published As
Publication number | Publication date |
---|---|
CN102393956A (zh) | 2012-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102393956B (zh) | 基于径向对称性变换的视网膜图像滤波方法 | |
CN103985099B (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
CN104899876B (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
CN109859203A (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
CN103544686B (zh) | 基于相位一致性的眼底图像微动脉瘤检测方法 | |
CN109272510A (zh) | 一种三维医学图像中管状结构的分割方法 | |
CN105160660A (zh) | 基于多特征高斯拟合的活动轮廓血管提取方法及系统 | |
CN107391900A (zh) | 房颤检测方法、分类模型训练方法及终端设备 | |
CN104853182B (zh) | 基于幅度和相位的立体图像质量客观评价方法 | |
CN102982547A (zh) | 自动初始化的局域活动轮廓模型心脑血管分割方法 | |
CN110599499A (zh) | 基于多路卷积神经网络的mri图像心脏结构分割方法 | |
CN104323777A (zh) | 一种扩散磁共振成像运动伪影的消除方法 | |
CN104240226B (zh) | 一种心脏图像的配准方法 | |
CN109009052A (zh) | 基于视觉的嵌入式心率测量系统及其测量方法 | |
CN109344763A (zh) | 一种基于卷积神经网络的斜眼检测方法 | |
CN102663692A (zh) | 医学超声图像自适应susan扩散去噪方法 | |
CN114266939A (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
CN103020958A (zh) | 一种基于曲率尺度空间的血管自动匹配方法 | |
CN104318565A (zh) | 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 | |
CN104077754A (zh) | 基于对称性的视网膜血管滤波增强方法 | |
CN108876770A (zh) | 一种眼底多光谱图像联合配准方法及系统 | |
CN107945114A (zh) | 基于聚类字典和迭代反投影的磁共振图像超分辨率方法 | |
CN103971369B (zh) | 视网膜图像的视盘定位方法 | |
CN106934815A (zh) | 基于混合区域的活动轮廓模型图像分割方法 | |
CN104933672A (zh) | 基于快速凸优化算法配准三维ct与超声肝脏图像的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131204 |