CN102982542B - 一种基于相位一致性的眼底图像血管分割方法 - Google Patents

Abstract

本发明公开了一种基于相位一致的眼底图像血管分割方法，主要克服了传统方法无法正确分割病变眼底图像中血管的缺点，同时还可以将大部分末梢的小血管分割出来。其实现过程是：(1)提取眼底图像的绿色通道；(2)用对比度受限的自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)增强图像的对比度，采用滑动窗口进行局部直方图均衡化；(3)采用各向异性耦合扩散方程对眼底图像进行滤波，对初始图像进行变形，控制扩散速度和扩散方向，在垂直于图像边缘的方向禁止扩散，仅在沿着图像边缘的方向进行滤波，从而消除噪声并且保持血管信息；(4)用相位一致性算法分别对有无经过各向异性耦合扩散方程滤波的眼底图像进行血管分割，在图像的每一点计算能量，在每个方向上补偿噪声，然后在所有方向上求和，最后将能量和归一化；(5)将两幅基于相位一致性分割的血管结果像素级相乘；(6)用迭代阈值分割法将图像二值化；(7)用数学形态学的方法对二值图像进行优化，进行断点连接和面积滤波处理，滤除噪声。本发明在眼底图像的三维拼接、判断是否有糖尿病及其严重程度领域有着重要的应用价值。

Description

一种基于相位一致性的眼底图像血管分割方法

技术领域

本发明属于图像处理技术领域，涉及一种基于相位一致性的眼底图像血管分割方法，可用于对正常和病变程度不同的眼底图像进行血管分割。

背景技术

眼底图像结构特征的变化可以直接反应糖尿病的病变程度和治疗情况。眼底图像血管是眼底图像中可见的最稳定和最主要的结构，当眼器官发生视觉疾病的时候，眼底图像血管的直径、颜色和弯曲程度等会出现异常。因此，眼底图像中血管的分割是一个非常重要的研究问题。由于硬件限制，眼底图像明显地表现出以下特点：光照不均匀、血管与背景的对比度不强、图像噪声点多。这导致采用常用的图像处理方法很难分割出满意的结果，寻找合适的眼底血管分割方法是难点所在。

目前已有许多血管分割方法，它们采用预先制定的判断准则将图像像素分为血管和背景，或者基于标准图像提供的血管特征，如血管厚度、血管方向和血管弯曲度等来分割血管。这些方法大致分为三类：基于边界的分割方法；基于区域的分割方法；基于特定理论和工具的分割方法等。分析已有的眼底图像血管分割方法，可以发现大部分方法都只针对正常的成像较好的眼底图像进行血管分割，而对于低对比度的血管末梢和发生病变的眼底图像，由于血管和背景区域像素灰度值接近以及病灶(亮或暗的斑点、斑块)的干扰，无法将血管与背景正确地分割出来。其中的根本原因是传统方法只是利用灰度(或梯度)信息来描述图像，而梯度信息对图像中大量的噪声非常敏感，而且随着图像的对比度和亮度的改变而改变。基于灰度的处理方法对图像质量要求高，对于具有复杂背景的眼底图像，处理效果难以达到要求。

发明内容

本发明的目的是克服现有技术的上述不足，提出了一种基于相位信息对眼底图像血管进行分割的方法，该方法对图像亮度和对比度不敏感，克服了传统方法无法正确分割病变眼底图像中血管的缺点，同时还可以将大部分末梢的小血管分割出来。实现本发明目的技术方案，包括下列步骤：

(1)提取眼底图像的绿色通道；

(2)用对比度受限的自适应直方图均衡化(CLAHE)增强图像的对比度，采用滑动窗口进行局部直方图均衡化；

(3)采用各向异性耦合扩散方程对眼底图像进行滤波，对初始图像进行变形，控制扩散速度和扩散方向，在垂直于图像边缘的方向禁止扩散，仅在沿着图像边缘的方向进行滤波，从而消除噪声并且保持血管信息；

(4)用相位一致性算法分别对有无经过各向异性耦合扩散方程滤波的眼底图像进行血管分割，在图像的每一点计算能量，在每个方向上补偿噪声，然后在所有方向上求和，最后将能量和归一化；

(5)将两幅基于相位一致性分割的血管结果像素级相乘；

(6)用迭代阈值分割法将图像二值化；

(7)用数学形态学的方法对二值图像进行优化，进行断点连接和面积滤波处理，滤除噪声。

步骤(2)中，采用滑动窗口，分别统计窗口内和窗口外的归一化直方图，进而定义局部直方图，对窗口的局部直方图进行均衡化，以实现对窗口中心像素的灰度级的增强，窗口从左到右、从上到下移动，最终完成对整幅图像对比度的增强。

步骤(3)中，把原始图像作为扩散方程的初始条件，利用耦合扩散方程对初始图像进行变形得到滤波结果，在此过程中方程的扩散是梯度方向受限的，因此该模型是各向异性的耦合扩散模型。利用该模型对眼底图像进行处理，既能有效滤除噪声又能很好地保持血管的边缘信息。

该扩散模型如下：

$\left\{\begin{array}{c}{\∂}_{t}u=c\left(\right|\▿v\left|\right)|\▿u|\mathrm{div}\left(\frac{\▿u}{|\▿u|}\right)-[1-c\left(\right|\▿v\left|\right)](u-I),u(x,y,0)=I(x,y)\\ {\∂}_{t}v=a\left(t\right)\mathrm{div}\left(\frac{\▿v}{|\▿v|}\right)-b(v-u),v(x,y,0)=I(x,y)\end{array}\right.$

式中，控制扩散方向，仅在沿着图像的边缘方向进行滤波，而在垂直于图像边缘的方向禁止扩散；控制方程的扩散速率，其中是v的梯度，c是一个平滑的非增函数，保证方程在较大的地方即图像的边缘处具有一个较小的扩散速度；保真因子保证滤波后的图像不会偏离原始数据太大，在图像的边缘处其数值很大，而在图像内部数值则很小。

步骤(4)中，相位一致性的计算公式为：

这里o表示方向；n表示小波函数的尺度；T为所有尺度上滤波器对噪声的响应；表示其中的值为正则为其本身，其它为0；A单个滤波器的幅度；ε为小的正常数，防止分母为0；PC(x，y)表示在点(x，y)的相位一致性。

式中采用的小波为log-Gabor小波。log-Gabor函数的传递函数的形式为：

$g\left(\mathrm{\ω}\right)=e^{\frac{-{\left(\log (\mathrm{\ω}/{\mathrm{\ω}}_0)\right)}^2}{2{\left(\log (\mathrm{\β}/{\mathrm{\ω}}_0)\right)}^2}}$

这里ω₀为滤波器的中心频率。为了保证滤波器的形状恒定，对于不同的中心频率ω₀，β/ω₀必须保持一致。

步骤(6)中，对经过初始阈值分割得到的两个区域R₁和R₂，计算R₁和R₂中的所有像素的平均灰度值u₁和u₂，进而得到新的阈值Th＝0.5*(u₁+u₂)；重复此过程直到满足预定的停止条件。

本发明与现有技术相比较具有如下优点：

1.本发明用各向异性耦合扩散方程对眼底图像进行滤波，既有效滤除噪声又很好地保持血管的边缘信息。

2.本发明利用对亮度和对比度具有不变性，抗噪性能好，而且符合人类视觉感知特性的相位信息对眼底图像进行特征检测。克服了传统方法无法正确分割病变眼底图像中血管的缺点，同时还可以将大部分末梢的小血管分割出来。

3.本发明用两幅图像像素级相乘的办法使得两幅图像中相同的特征部分将得到保留，而因为错检得到的噪声消失，以达到消除部分噪声的目的，是提高血管正确分割率的关键。

附图说明

图1：本发明的流程图。

图2：(a)原始图像，(b)绿色通道图像，(c)CLAHE增强后图像，(d)滤波后图像。

图3：用相位一致性算法进行眼底图像血管分割。(a)图2(d)分割结果，(b)图2(c)分割结果，(c)两图相乘后结果。

图4：不同亮度和对比度条件下眼底图像分割结果。(a)原始图像，(b)亮度增强的眼底图像，(c)亮度变暗的眼底图像，(d)对比度拉伸后的眼底图像。

图5：本发明的结果与专家手动分割及Hoover分割结果的对比图。(a)原始图像，(b)专家手动分割结果，(c)Hoover算法分割结果，(d)本算法分割结果，图中红色方框标识出的为部分本发明分割出而Hoover算法未分割出的细小血管。

具体实施方式

本发明的流程图如图1所示，首先提取眼底图像的绿色通道，用对比度受限的自适应直方图均衡化(CLAHE)增强图像的对比度；采用各向异性耦合扩散方程进行滤波来提高血管的清晰度；基于相位一致性算法分别对有无经过各向异性耦合扩散方程滤波的眼底图像进行血管分割；然后将两幅基于相位一致性提取的血管图像素级相乘；最后把相乘后的图像二值化后用数学形态学运算对图像进行优化。下面结合附图，对本发明技术方案的具体实施过程加以说明。

1.提取眼底图像的绿色通道；

输入如图2(a)所示的彩色眼底图像，提取该眼底图像的绿色通道，处理后的图像如图2(b)所示。

2.用对比度受限的自适应直方图均衡化(CLAHE)增强图像的对比度；

用CLAHE对图2(b)进行处理结果如图2(c)所示。CLAHE采用滑动窗口，分别统计窗口内和窗口外的归一化直方图，进而将局部直方图定义为：

h(s)＝βh_w(s)+(1-β)h_b(s)

式中，s表示灰度值，h_w(s)表示窗口内的归一化直方图，h_b(s)表示窗口外的归一化直方图，0≤β≤1。调整β的大小，就可以调整窗口外部环境对窗口内变换的影响程度。在CLAHE处理过程中，对窗口的局部直方图进行均衡化，以实现对窗口中心像素的灰度级的增强。窗口从左到右、从上到下移动，最终完成对整幅图像对比度的增强。

3.采用各向异性耦合扩散方程对眼底图像进行滤波；

用各向异性耦合扩散方程对图2(c)进行滤波处理，结果如图2(d)所示。各向异性耦合扩散方程把原始图像作为扩散方程的初始条件，利用耦合扩散方程对初始图像进行变形得到滤波结果，在此过程中方程的扩散是梯度方向受限的，因此该模型是各向异性的耦合扩散模型。该扩散模型如下：

$\left\{\begin{array}{c}{\∂}_{t}u=c\left(\right|\▿v\left|\right)|\▿u|\mathrm{div}\left(\frac{\▿u}{|\▿u|}\right)-[1-c\left(\right|\▿v\left|\right)](u-I),u(x,y,0)=I(x,y)\\ {\∂}_{t}v=a\left(t\right)\mathrm{div}\left(\frac{\▿v}{|\▿v|}\right)-b(v-u),v(x,y,0)=I(x,y)\end{array}\right.$

式中，控制扩散方向，仅在沿着图像的边缘方向进行滤波，而在垂直于图像边缘的方向禁止扩散。控制方程的扩散速率，其中是v的梯度，c是一个平滑的非增函数，保证方程在较大的地方即图像的边缘处具有一个较小的扩散速度。保真因子保证滤波后的图像不会偏离原始数据太大，在图像的边缘处其数值很大，而在图像内部数值则很小。利用该模型对眼底图像进行处理，既能有效滤除噪声又能很好地保持血管的边缘信息。

4.用相位一致性算法分别对有无经过各向异性耦合扩散方程滤波的眼底图像进行血管分割；

用相位一致性算法分别对图2(c)图2(d)进行血管分割，结果分别为图3(b)图3(a)。相位一致性是在图像的每一点计算能量E(x，y)，在每个方向上补偿噪声T；然后在所有方向上求和；最后将能量和归一化(除以该点单个滤波器的所有方向和尺度的幅度和)。相位一致性公式为：

这里o表示方向；n表示小波函数的尺度；T为所有尺度上滤波器对噪声的响应；表示其中的值为正则为其本身，其它为0；A单个滤波器的幅度；ε为小的正常数，防止分母为0；PC(x，y)表示在点(x，y)的相位一致性。式中采用的小波为log-Gabor小波。log-Gabor函数的传递函数的形式为：

$g\left(\mathrm{\ω}\right)=e^{\frac{-{\left(\log (\mathrm{\ω}/{\mathrm{\ω}}_0)\right)}^2}{2{\left(\log (\mathrm{\β}/{\mathrm{\ω}}_0)\right)}^2}}$

这里ω₀为滤波器的中心频率。为了保证滤波器的形状恒定，对于不同的中心频率ω₀，β/ω₀必须保持一致。

5将两幅基于相位一致性分割的血管结果像素级相乘；

图3(b)图3(a)相乘结果如图3(c)所示。对应像素的值相乘，公式如下：

I(x，y)＝I_A(x，y)×I_B(x，y)

6.用迭代阈值分割法将图像二值化；

①选择一个初始值T₀＝0.5*(T_min+T_max)，T_min和T_max是图像的最小灰度值和最大灰度值；

②利用阈值Th把图像分为两个区域R₁和R₂；

③对R₁和R₂中的所有像素计算平均灰度值u₁和u₂；

④计算新的阈值Th＝0.5*(u₁+u₂)；

⑤重复步骤②～④，直到逐次迭代所得T值小于先定义的参数T₀。

7.用数学形态学的方法对图像进行优化。

分割结果中微小血管处会产生断点，通过二值图像通用形态学运算中的断点连接将其连接。采用面积滤波去除噪声。本发明效果可以通过图4得到证明。图4为用本发明分别对原始图像及亮度和对比度改变的眼底图像进行处理后的结果。由结果比较可以看出，本发明对亮度和对比度不敏感。

本发明效果可以通过以下实验进一步证实：

为了验证本发明方法，采用国际上公开的Hoover眼底图像库中的眼底图像进行测试。该图像库中有20幅眼底图像，包括正常和病变程度不同的眼底图像，每幅图像均为605×700像素，同时还提供了由两位专家手动标识的眼底血管图像，其中第一位专家比第二位专家保守，手动标识出来的小血管比第二位专家标识的少。这里采用第二位专家手动标识的结果作为标准图像。在库中选取四幅具有代表性的正常眼底图像和病变眼底图像进行实验，编号分别为im0077、im0162、im0163和im0255。图5(a)为原始图像，图5(b)为作为标准图像的专家手动标识结果，图5(c)为Hoover方法分割结果，图5(d)为本发明分割结果。

由图5可以看出，Hoover方法分割的结果包含大部分的血管，但是毛细血管数量少。本发明则不但分割出了较粗的主血管，而且分割出了大量毛细血管，图5(d)中用红框标示了一些本算法分割出而Hoover算法未分割出的毛细血管。

为进一步说明本发明对眼底图像血管的分割性能，采用准确度(Accuracy，ACC)和受试者工作特征(Receiver Operating Characteristic，ROC)曲线两种标准来评价算法的分割结果。ROC曲线用来评价方法对血管像素的正确识别率，其曲线横坐标为错误分割率(false positive rate，FPR)，纵坐标为正确分割率(true positive rate，TPR)；准确度(ACC)用来评价方法对眼底图像中血管和背景像素的正确识别率。定义如下：

$\mathrm{TPR}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}},\mathrm{FPR}=\frac{\mathrm{FP}}{\mathrm{FP}+\mathrm{TN}},\mathrm{ACC}=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{FP}+\mathrm{TN}+\mathrm{FN}}$

其中TP表示本发明认为是血管而本身也是血管的部分，FP表示本发明认为是血管而本身不是血管的部分，FN表示本发明认为不是血管而本身是血管的部分，TN表示本发明认为不是血管而本身也不是血管的部分。正确分割率(TPR)为对真实血管的提取比率；错误分割率(FPR)为对假血管的提取比率。其中ACC越大表示正确识别率越高，TPR越大代表血管的正确识别率越高，FPR越小则表示血管的错误识别率越低。由表1可以看出，本发明在准确度和正确分割率指标上均优于Hoover方法。本发明分割结果比专家手动分割结果的血管略粗，这是因为专家手动分割出来的小血管是用单像素宽度来标识，而实际图像中的小血管直径宽度一般为2～4个像素宽度，所以由上式得到的错误分割率比Hoover方法略高，而不是本发明本身的错误分割率高。

表1两种方法的准确度、正确分割率和错误分割率数据对比

Claims (6)

1.一种基于相位一致的眼底图像血管分割方法，包括下列步骤：

(1)提取眼底图像的绿色通道；

(2)用对比度受限的自适应直方图均衡化(CLAHE)增强图像的对比度，采用滑动窗口从左到右、从上到下移动，分别统计窗口内和窗口外的归一化直方图定义局部直方图，对窗口的局部直方图进行均衡化，以实现对窗口中心像素的灰度级的增强，最终完成对整幅图像对比度的增强；

(3)采用梯度方向受限的各向异性耦合扩散方程对眼底图像进行滤波，把原始图像作为扩散方程的初始条件，对初始图像进行变形得到滤波结果；控制方程的扩散速度，在图像的边缘处具有一个较小的扩散速度；控制方程的扩散方向，在垂直于图像边缘的方向禁止扩散，仅在沿着图像边缘的方向进行滤波，从而消除噪声并且保持血管信息；加入保真因子保证滤波后的图像不会偏离原始数据太大，在图像的边缘处保真因子数值很大，而在图像内部保真因子数值很小；

(4)用相位一致性算法分别对有无经过各向异性耦合扩散方程滤波的眼底图像进行血管分割，在图像的每一点计算能量，在每个方向上补偿噪声，然后在所有方向上求和，最后将能量和归一化；

(5)将两幅基于相位一致性分割的血管图结果像素级相乘；

(6)用迭代阈值分割法将图像二值化；

(7)用数学形态学的方法对二值图像进行优化，即进行断点连接和面积滤波处理，滤除噪声。

2.根据权利要求1所述的基于相位一致的眼底图像血管分割方法，其特征在于，步骤(3)中扩散模型为：

$\left\{\begin{array}{c}{\∂}_{t}u=c\left(\right|\▿v\left|\right)|\▿u|\mathrm{div}\left(\frac{\▿u}{|\▿u|}\right)-[1-c\left(\right|\▿v\left|\right)](u-I),u(x,y,0)=I(x,y)\\ {\∂}_{t}v=a\left(t\right)\mathrm{div}\left(\frac{\▿v}{|\▿v|}\right)-b(v-u),v(x,y,0)=I(x,y)\end{array}\right.$

式中，控制扩散方向，仅在沿着图像边缘的方向进行滤波，而在垂直于图像边缘的方向禁止扩散；控制方程的扩散速率，其中是v的梯度，c是一个平滑的非增函数，保证方程在较大的地方即图像的边缘处具有一个较小的扩散速度；保真因子保证滤波后的图像不会偏离原始数据太大，在图像的边缘处其数值很大，而在图像内部数值则很小。

3.根据权利要求1所述的基于相位一致的眼底图像血管分割方法，其特征在于，步骤(4)中，相位一致性的计算公式为：

这里E表示能量，o表示方向；n表示小波函数的尺度；T为所有尺度上滤波器对噪声的响应；表示其中的值为正则为其本身，其它为0；A为单个滤波器的幅度；ε为小的正常数，防止分母为0；PC(x，y)表示在点(x，y)的相位一致性。

4.根据权利要求1所述的基于相位一致的眼底图像血管分割方法，其特征在于，步骤(5)中，用两幅图像像素级相乘的办法使得两幅图像中相同的特征部分得到保留而消除因为错检得到的噪声，以达到消除部分噪声的目的。

5.根据权利要求1所述的基于相位一致的眼底图像血管分割方法，其特征在于，步骤(6)中，对经过初始阈值分割得到的两个区域R₁和R₂，计算R₁和R₂中的所有像素的平均灰度值u₁和u₂，进而得到新的阈值Th＝0.5*(u₁+u₂)；重复此过程直到满足预定的停止条件。

6.根据权利要求3所述的基于相位一致的眼底图像血管分割方法，其特征在于，式中采用的小波为log-Gabor小波，log-Gabor函数的传递函数的形式为：

$g\left(\mathrm{\ω}\right)=e^{\frac{-{\left(\log (\mathrm{\ω}/{\mathrm{\ω}}_0)\right)}^2}{e^{2{\left(\log (\mathrm{\β}/{\mathrm{\ω}}_0)\right)}^2}}}$

这里ω₀为滤波器的中心频率，为了保证滤波器的形状恒定，对于不同的中心频率ω₀，β/ω₀必须保持一致。