CN103810492A

CN103810492A - 一种眼底图像的模糊度分析方法

Info

Publication number: CN103810492A
Application number: CN201410022541.4A
Authority: CN
Inventors: 朱江兵
Original assignee: BEIJING DAHENG IMAGE VISION Co Ltd
Current assignee: Beijing Daheng Puxin Medical Technology Co Ltd
Priority date: 2014-01-17
Filing date: 2014-01-17
Publication date: 2014-05-21

Abstract

本发明提供了一种眼底图像的模糊度分析方法，所述方法包括：a）获取对象的眼睛的彩色眼底图像；b）提取所述彩色眼底图像中的感兴趣区域；c）从所述彩色眼底图像的感兴趣区域提取图像中的血管；d）对所述彩色眼底图像进行快速傅里叶变换，获得相应的频域图像；e）对所述彩色眼底图像和所述频域图像进行特征提取，从而提取出若干与所述彩色眼底图像中感兴趣区域的模糊度相关的量化特征；f）基于所述量化特征对所述彩色眼底图像中感兴趣区域的模糊度进行评估。本发明的眼底图像模糊度分析方法通过从时域图像和频域图像中提取出多个稳定、抗干扰的特征，组成特征向量，并基于该特征向量进行模糊度分析，分析效果好、准确率高。

Description

一种眼底图像的模糊度分析方法

技术领域

本发明涉及成像领域，具体涉及对眼底图像进行分析的方法，主要用于白内障患者的眼底图像分析。

背景技术

白内障是因晶状体混浊，导致视力障碍的一种疾病。在世界范围内，白内障属于高致盲疾病之一。据统计资料显示，国人白内障罹患率，五十岁以上有60%，六十岁以上有80%，七十岁以上则高达90%以上，特别老年性白内障可说是老年人很普遍的疾病。在美国，每年至少有四十万以上的病人因白内障而接受手术。

彩色眼底图像可以用于对白内障和囊下白内障评估。理论上，彩色眼底图像的模糊程度对应着白内障的患病程度。传统方式是:眼科医生将所观察到的眼底图像与一套标准的图像比较以分配一个合理的评估结果。该处理的术语称为“临床评估”或者“主观(subjective)”评估法。为更客观地对晶状体混浊进行评估、分级，有经验的人类评估人员基于照片或者数字图像来分配一个最能反映白内障混浊的严重性的等级。该过程的术语称为“评估员评估”或者“客观”评估法。但是，研究表明测量结果在诸多评估员中是不一致的，对于同一评估员在不同时刻的测量结果也不是一致的。

为了克服人的主观因素、经验等造成对白内障模糊度评估的影响，开发自动基于彩色眼底图像的白内障模糊度评估系统很是有必要。为了更客观地反映真实评估，各种不同的基于彩色眼底图像的评估技术被研究者所应用。

但是，当混浊体比较密集而使得混浊区域中的对比度不够高时，大多数基于视觉、眼底图像的方法不令人满意。不能真正做到稳定、抗干扰。也就是说，现有对图像评估分析方法，对于一些低对比度的图像的评估效果不尽理想。

发明内容

针对现有技术中存在的问题，本发明提供了一种眼底图像的模糊度分析方法，其特征在于，所述方法包括下列步骤：

a）获取对象的眼睛的彩色眼底图像；

b）提取所述彩色眼底图像中的感兴趣区域；

c）从所述彩色眼底图像的感兴趣区域提取图像中的血管；

d）对所述彩色眼底图像进行快速傅里叶变换，获得相应的频域图像；

e）基于所述血管的位置对所述彩色眼底图像和所述频域图像进行特征提取，从而提取出若干与所述彩色眼底图像中所述感兴趣区域的模糊度相关的量化特征；

f）基于所述量化特征对所述彩色眼底图像中所述感兴趣区域的模糊度进行评估。

进一步地，所述步骤c）包括下列步骤：

c1）对所述彩色眼底图像进行RGB空间分离，获得R通道图像、G通道图像和B通道图像；

c2）基于所述G通道图像，生成二维管径提取模型，基于所述提取模型从G通道图像中提取血管。

进一步地，所述步骤e）包括基于所提取出的血管的位置信息从所述彩色眼底图像提取与所述彩色眼底图像的模糊度相关的两个时域特征：邻域灰度差和灰度梯度。

进一步地，所述邻域灰度差为：所述彩色眼底图像的所述感兴趣区域中的每个像素的灰度与所述感兴趣区域中所有像素的灰度的平均值之间的差值的平方和；所述灰度梯度为：所述彩色眼底图像的图像函数在所述感兴趣区域处的一个或多个偏导数。

进一步地，所述步骤e）包括基于所提取出的血管的位置信息从所述频域图像提取两个频域特征：所述频域图像的自相关性和经带通滤波的所述频域图像的偏差。

进一步地，自相关性为所述频域图像的函数与其共轭的卷积；所述频域图像的偏差为采用不同系数的高斯函数对频域图像进行滤波所得到结果的偏差。

进一步地，所述步骤f）包括下列步骤：

f1）将针对每个坐标位置所提取的量化特征组成特征向量，从而形成特征向量的集合；

f2）对所述特征向量集合进行典型变量分析；

f3）基于所述典型变量分析的结果对所述彩色眼底图像中眼睛的模糊度进行评估。

进一步地，所述步骤b）还包括：以水平行程表示法来表示所述感兴趣区域。

本发明的眼底图像模糊度分析方法，从时域图像和频域图像中提取出多个稳定、抗干扰的特征进行组合，构成特征向量，并基于该特征向量进行模糊度分析。由于本发明将这些稳定、抗干扰的特征相结合来进行模糊度分析，分析效果好、准确率高。

此外，本发明在感兴趣区域提取过程中，采用了水平行程表示法来表示所提取的感兴趣区域，表示效率高。

附图说明

现在将参考附图来描述作为示例的本发明的具体实施方式，其中：

图1为根据本发明一个实施例的模糊度分析方法的框架流程图；

图2为感兴趣区域的存取结构示意图；

图3为在一个实施例中所采集的原始的眼底图像；

图4为基于图3所示的眼底图像得到的感兴趣区域（ROI），即，图中的白色显示部分；

图5为不同特征对模糊度的响应曲线；

图6为采用PCA和CV对特征向量的自动提取和筛选的对比图；

图7为基于SVM的特征分类示意图；

图8为清晰的眼底图像；

图9为对应图8中的清晰的眼底图像的血管图；

图10为轻度模糊的眼底图像；

图11为对应图10中轻度模糊的眼底图像的血管图；

图12为模糊的眼底图像；

图13为对应于图12中的模糊眼底图像的血管图；

图14为重度模糊的眼底图像；

图15为对应于图14中的重度模糊眼底图像的血管图。

具体实施方式

参考图1，该图示出了根据本发明一个实施例的模糊度分析方法的流程图。本实施例中的模糊度分析方法用于从眼底彩色图像中提取反映图像模糊度的特征并基于这些特征对图像模糊度进行评估，例如，获得模糊度值或对图像模糊度进行分级。

具体而言，如图1所示，首先，通过图像读取装置或者图像采集装置获取待处理的彩色眼底图像。然后，进行感兴趣区域的识别，以剔除不需要进行处理的区域，降低计算量。继而，在所提取出的感兴趣区域之内，进行血管的提取，确定血管的空间位置信息，并将血管的空间位置信息应用于特征提取中。在特征提取时，本发明还对时域眼底图像进行快速傅里叶变换，以得到相应的频域图像，从而基于血管的空间位置信息，既提取原始的彩色眼底图像（时域图像）中的特征，又提取频域图像中的特征。

在本实施例中，所提取的特征包括邻域灰度差、灰度梯度、自相关性和频域偏差。然后，由所提取出的特征构成特征向量，利用典型变量分析方法，来对特征向量进行处理，以实现降维。

在正式利用本发明的方法对图像进行分析之前，还需要利用已经人工分析过的图像对分析方法进行训练。在进行了足够多的训练之后，对于一个新的眼底图像，就可以采用上述的方法对图像进行评估、分级。

下面，将具体对本发明的分析方法的各个主要步骤进行进一步详细描述。

1.感兴趣区域（ROI）的提取

在本实施例中，以光学彩色眼底图像为例进行详细描述。在获取到彩色眼底图像之后，需要提取或确定感兴趣区域，例如瞳孔区域。

图3示出了一幅光学彩色眼底图像（以转换为灰度模式），其包括由黑色边界包围的、明亮的近似圆形的区域。提取圆形的瞳孔部分的图像，用阈值分割方法（一个常见的图像处理算法）进行分割，并对分割后的区域进行形态学开运算（常见的图像处理算法）去除小的干扰部分，对开运算的结果（区域）进行连通域标定（常见的图像处理算法），通过区域的面积和圆形度来得到瞳孔区域。这正是ROI区域（参见图3和4）。

在进行ROI检测区域提取时，以往常规ROI检测区域都是以矩形、圆形等规则区域组成二值图像，在对这种ROI进行存储时，有一个明显的缺陷：必须存储感兴趣区域以外的点，所以这种表示方法很低效，而且在标记图像表示多个区域时无法描述交叠区域。

所以，我们为了获得更高的效率和扩展性，我们引入一个新的区域表示法：水平行程表示法，在该表示方法中，将感兴趣区域表示成若干行程。每一个行程的最小量数据包括该行程的纵向坐标值、行程开始对应的横坐标值和行程结束对应的横坐标值，各个行程之间可以存在交叠部分。这样，感兴趣区域可以表示为该区域内的全部行程的一个并集

此处r_i表示一个行程，也可以是一个区域（在本实施例中，一个行程代表感兴趣区域在同一行中的连续坐标带，如果在同一行中感兴趣区域的坐标具有断点，则该行中具有多个行程，每个连续坐标带为一个行程）。行程r_i=（x_i,ys_i,ye_i），其中，x_i是第i个行程的纵坐标，ys_i为第i个行程的横坐标开始值，ye_i为第i个行程的横坐标结束值，其中r_i=（x_i,ys_i,ye_i）在R中存储的顺序随下标i索引递增，此排序方法对算法的执行速度是至关重要的。在图2中给出了表示一个区域的行程编码，从图中可以看出，即便感兴趣区域中存在被剔除的间隔区域，这种表示方法也能有效地表示出区域中的各个坐标。

2.眼底血管提取

本发明的发明人发现，在对白内障进行分析时，并不需要整个感兴趣区域内的所有像素，而是仅仅需要血管附近的像素就足以进行白内障的评估分析。

因此，在进行眼底图像模糊度分析之前，基于彩色眼底图像进行血管的提取，然后，仅对血管区域的图像进行特征提取。图8-15示出了在不同模糊程度的情况下，原始图像和提取出血管之后的图像，从图中可以看出，通过对血管进行提取，能够更容易地判别出图像的模糊程度。

由于血管颜色的特性，所以对彩色眼底图像实施RGB空间的三通道分离，得到G通道图像I(x,y)。并结合步骤1中的ROI区域，得到最终感兴趣区域的图像f(x,y)。

接下来利用高斯核对该图像进行滤波，得到平衡图像。本实施例中所采用的高斯核为：

g_{σ} (x, y) = \frac{1}{2 {πσ}^{2}} e^{- \frac{x^{2} + y^{2}}{2 σ^{2}}} = \frac{1}{\sqrt{2 π} σ} e^{- \frac{x^{2}}{2 σ^{2}}} \frac{1}{\sqrt{2 π} σ} e^{- \frac{y^{2}}{2 σ^{2}}} = g_{σ} (x) g_{σ} (y)

其中的系数σ的选取规则为：

其中ω为血管半径，x、y代表每个点处的横纵坐标。对f(x,y)进行高斯卷积平滑得到z(x,y)=g_σ(x，y)*f(x,y)，为了后续的工作，得到z(x,y)的偏倒数r_x、r_y、r_xx、r_xy、r_yy，其中r_x为x方向的一阶偏导，r_xy为先x方向再y方向的二阶偏导，其他类推。

通过计算z(x,y)的每个坐标的Hessian矩阵(如下的H(x,y))的特征向量(n_x,n_y)，(n_x,n_y)同时也为血管的垂直方向

H (x, y) = (\begin{matrix} r_{xx} & r_{xy} \\ r_{xy} & r_{yy} \end{matrix})

创建一个二维直线模型：(p_x,p_y)=(τn_x,τn_y)，其中

当

时，则该点为血管中轴线上的点，得到了中轴线上的点，就可以提取出血管。通过最大抑制法对干扰进行排除（见canny边缘检测算子，一个常见的图像处理算法）从而实现了血管的提取、实现背景的分离，在此用(r,c)_k,k=0,1,2,3...表示所有血管的空间坐标，其中r为血管上的点的纵坐标，c为血管上的点的横坐标。（见附图7-14）

3.基于彩色眼底图像及其频域图像进行特征提取

首先，基于彩色眼底图像进行时域空间的特征提取，在时域空间提取两个特征向量：

a）邻域灰度差：

α = \frac{1}{n} Σ_{i = 1}^{n_{i}} f (x, y), i = 1, . . ., n, ψ = Σ_{i = 1}^{n_{i}} {(f (x, y) - α)}^{2}, i = 1, . . ., n,

其中，n为邻域里的像素数目总和（例如15-20）、α为邻域灰度的均值，ψ为与平均值的偏差的平方和，f(x,y)为空间域的图像；

b）灰度梯度：步骤2中的空间域图像z(x,y)的偏倒数r_x、r_y、r_xx、r_xy、r_yy。

除了对彩色眼底图像（时域图像）进行特征提取外，还对彩色图像进行快速傅里叶变换FFT，得到频域下的图像F(τ)，然后，基于血管的位置信息从该频域图像提取两个特征向量。在本实施例中，提取如下特征：

c）自相关性：

其中

代表卷积运算F^*代表取共轭；

d）经带通滤波的频域图像的偏差：D(τ)=F(τ)×(G(σ₁)-G(σ₂))，σ₁≥σ₂,其中G(σ₁)为尺度σ₁的高斯函数的FFT变换，同理G(σ₂)。

根据步骤2得到的血管坐标：(r,c)_k,k=1,2,3...，对于坐标中的每个点，得到一组特征a、b、c、d，一组特征a、b、c、d组成一个特征向量，针对每个坐标所获得的特征向量形成一个特征向量集合

其中

表示位于坐标(r,c)的特征向量t_j（j=[1,m]）为上述四种反映模糊度的特征中的第j个特征。对该特征向量集合进行归一化。特征选取原则是所要选取的特征要稳定、抗干扰，也就是说当其中某一个特征出现偏差或缺失时，对整个特征的影响应是可控的。假设ρ为我们表述的特征，ρ^*为ρ发生改变（丢失或变化）而生成的新的特征。为了度量其影响我们必须设计一个度量值

s = \underset{k = 1}{Σ} \frac{ρ^{T} ρ^{*}}{| | ρ | | \cdot | | ρ^{*} | |} = \frac{1}{n} \underset{k = 1}{Σ} \frac{t_{1} t_{1}^{*} + t_{2} t_{2}^{*} + \cdot \cdot \cdot t_{n} t_{n}^{*}}{\sqrt{t_{1}^{2} + t_{2}^{2} + \cdot \cdot \cdot t_{n}^{2}} \sqrt{{t_{1}^{*}}^{2} + {t_{2}^{*}}^{2} + \cdot \cdot \cdot {t_{n}^{*}}^{2}}}

由以上度量值的计算公式可以看出，当某一个特征消失时或改变时，会导致方向向量的改变，但由于所有向量的长度都变成了1，这些丢失的向量平均起来对总和s造成影响很小，所有我们选择的特征是安全可控的。也就是说，本发明的方法还包括在选定了特征之后，通过上述度量对所选定的特征进行检验，从而选取出更稳定可靠的特征。

4.特征向量CV变换与识别

在我们选择用的SVM的核(公知算法)：

\begin{matrix} K (x, y) = {(x^{T} y + 1)}^{d} \\ K (x, y) = {(x^{T} y)}^{d} \\ K (x, y) = e^{- γ {| | x - y | |}^{2}} \end{matrix}

这三种。

在向量降维和选取稳定的特征向量时，传统的方式是利用主成分分析（PCA）方法，PCA有其独特的优势，但也由于只用到的协方差，当特征少时，经过映射后，PCA不一定能有效的分类。所以我们引入典型变量分析（CV）来克服PCA的缺陷（见附图5、6）。

本发明的评估方法，在提取出上述的特征向量之后，既可以基于经训练的图像数据对图像中眼睛的模糊度进行分级，也可以采用一定的阈值或评估标准给出模糊度的定量数据。

实验结果

为检测我们的白内障模糊度分级检测的健壮性，选择了已经有人工评估员的评估结果的711幅图像。对基于眼底图像的白内障模糊度自动评估和由人工评估员进行的评估作出了比较。表1示出了比较结果，其中，对角部分表示本方法评估的结果与人工评估结果匹配的情况，其它部分为本方法评估的结果与人工评估结果不匹配的情况。基于该表格可以计算出，评估的成功率为87.2％，我们认为该结果反映出本发明中的方法评估的结果是令人满意的。

表1为人工分级与采用本发明的方法进行分级的结果的对比统计表

表1

需要说明的是，本发明的附图中的各个部件的形状均是示意性的，附图仅用于对本发明的原理进行说明，本领域技术人员在阅读并理解了本发明的技术方案的基础上，可以对本发明进行适应性地修改和变化，而这些修改和变化均包含在本发明的保护范围内。

Claims

1.一种眼底图像的模糊度分析方法，其特征在于，所述方法包括下列步骤：

a）获取对象的眼睛的彩色眼底图像；

b）提取所述彩色眼底图像中的感兴趣区域；

c）从所述彩色眼底图像的感兴趣区域提取图像中的血管；

2.根据权利要求1所述的眼底图像的模糊度分析方法，其特征在于，所述步骤c）包括下列步骤：

3.根据权利要求1所述的眼底图像的模糊度分析方法，其特征在于，所述步骤e）包括基于所提取出的血管的位置信息从所述彩色眼底图像提取与所述彩色眼底图像的模糊度相关的两个时域特征：邻域灰度差和灰度梯度。

4.根据权利要求3所述的眼底图像的模糊度分析方法，其特征在于，所述邻域灰度差为：所述彩色眼底图像的所述感兴趣区域中的每个坐标处的灰度与所述感兴趣区域中所有坐标处的灰度的平均值之间的差值的平方和；所述灰度梯度为：在所述感兴趣区域中，所述彩色眼底图像的图像函数在每个坐标处的一个或多个偏导数。

5.根据权利要求1-3中任意一项所述的眼底图像的模糊度分析方法，其特征在于，所述步骤e）包括基于所提取出的血管的位置信息从所述频域图像提取两个频域特征：所述频域图像的自相关性和经带通滤波的所述频域图像的偏差。

6.根据权利要求5所述的眼底图像的模糊度分析方法，其特征在于，自相关性为所述频域图像的函数与其共轭的卷积；所述频域图像的偏差为采用不同系数的高斯函数对频域图像进行滤波所得到结果的偏差。

7.根据权利要求5所述的眼底图像的模糊度分析方法，其特征在于，所述步骤f）包括下列步骤：

f2）对所述特征向量集合进行典型变量分析；

8.根据权利要求1所述的眼底图像的模糊度分析方法，其特征在于，所述步骤b）还包括：以水平行程表示法来表示所述感兴趣区域。