CN103971369B - 视网膜图像的视盘定位方法 - Google Patents
视网膜图像的视盘定位方法 Download PDFInfo
- Publication number
- CN103971369B CN103971369B CN201410204389.1A CN201410204389A CN103971369B CN 103971369 B CN103971369 B CN 103971369B CN 201410204389 A CN201410204389 A CN 201410204389A CN 103971369 B CN103971369 B CN 103971369B
- Authority
- CN
- China
- Prior art keywords
- optic disk
- center
- blood vessel
- localization method
- vessel
- 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
Landscapes
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种视网膜图像的视盘定位方法,包括以下步骤:a.擦除背景中的明亮斑块,同时保留血管特征;b.基于血管汇聚趋势特征确定视盘中心的候选位置;c.基于血管方向特征从所述视盘中心的候选位置中确定视盘中心的最终位置。该方法能够解决视盘定位易受到背景中各类病损及其它噪声所带来的干扰的问题,提高复杂背景下的视盘定位的精准度和速度。
Description
技术领域
本发明涉及一种视网膜图像的视盘定位方法。
背景技术
基于视网膜图像的生理特征的定位,包括视盘定位、血管定位等,定位的精准度将在很大程度上影响到后续对生理特征位置相应的病损判别过程的效率和精度。目前,视盘定位方法的研究主要集中在寻找一种图像特征,该特征能够在视盘与背景干扰目标上有差异性较大的表现。目前提出的比较有效的特征包括视盘灰度分布特征、视盘几何形状特征、视盘训练样本统计特征等等。基于这些特征分析的算法能够在背景不太复杂的情况下对视盘进行较好的定位,尤其是在无病损存在的视网膜图像中,定位效果很好。然而,在视网膜存在病变的视网膜图像中,表现各异的多种病损分布在背景中,将极大地干扰视盘的正常定位。由于视网膜病变病损表现差异性很大,在多种病损的干扰下,采取单一特征无法很好地实现视盘的精准定位。另外,除了病损给视盘定位带来的干扰,还存在着其它的干扰目标,如形态各异的血管网以及拍摄过程产生的噪声等。因此,这种复杂背景给快速、准确地定位视盘带来了很大的困难。
发明内容
本发明的主要目的在于提供一种视网膜图像的视盘定位方法,解决视盘定位易受到背景中各类病损及其它噪声所带来的干扰的问题,提高复杂背景下的视盘定位的精准度和速度。
为实现上述目的,本发明采用以下技术方案:
一种视网膜图像的视盘定位方法,包括以下步骤:
a.擦除背景中的明亮斑块,同时保留血管特征;
b.基于血管汇聚趋势特征确定视盘中心的候选位置;
c.基于血管方向特征从所述视盘中心的候选位置中确定视盘中心的最终位置。
在优选的技术方案中:
步骤a中,采用最近邻差值与高斯滤波算法处理所述明亮斑块和所述血管特征。
步骤b中,采用形态学滤波对血管汇聚趋势特征进行分析以确定所述视盘中心的候选位置。
步骤c中,在所述视盘中心的候选位置上进行血管方向特征匹配滤波,将取得最小滤波响应的位置确定为视盘中心的最终位置。
步骤a包括:
(1)基于形态学重构的明亮物体检测,并将明亮物体的灰度值置为零得到填充种子图像Iseed;
(2)在填充种子图像Iseed灰度值为零的地方使用高斯滤波进行图像平滑;
(3)图像平滑后在填充种子图像Iseed灰度值为零的地方进行最近邻插值得到填充图像Ipad;
(4)取填充图像Ipad与原始图像Ig的最小值作为填充结果Ipad=min(Ipad,Ig);
(5)重复(2)-(4)直至填充完毕。
步骤b包括:
(1)提取视网膜血管并骨骼化,得到血管中心图;
(2)去除所述血管中心图中所有的分支点与端点;
(3)沿血管方向延长所有分支点与端点;
(4)对延长后的血管中心图进行形态学膨胀;
(5)对膨胀后的血管中心图进行二值化并与初始血管中心图相交,得到所述视盘中心的候选位置。
步骤c包括:
使用多个不同尺度的血管方向匹配滤波器,以多尺度滤波响应值累计和最小的位置作为所述视盘中心的最终位置。
步骤c中,使用4个不同尺度的血管方向匹配滤波器。
步骤c中,所述血管方向匹配滤波器是基于视盘内与周边血管方向的统一特征构造的。
本发明的有益技术效果:
本发明针对复杂背景下的视盘定位容易受到背景中各类病损及其它噪声带来的干扰问题,提供了一种复杂背景下的基于多特征融合的视盘分级定位方法,显著提高了视盘定位的效率和精度,能够迅速、准确的定位视盘。本发明基于视盘血管汇聚特征与视盘血管方向特征,有效地结合视盘的多种特征,由粗到精进行视盘分级定位。结合视盘的多种特征构造的特征集在视盘与背景干扰目标上有良好的互斥性。本发明不仅有效的结合了视盘的多个特征,还具有较低的运算复杂度,实现了复杂背景下快速、准确的盘定位。
本发明的优点主要体现于以下方面:
1.通过擦除背景中的明亮斑块,同时保留视盘中的血管特征,能够有效地去除视网膜图像中明亮病损对视盘定位的干扰;
2.通过视盘中心候选位置的快速粗定位,能够快速地得到视盘候选位置,保证了视盘定位的实时性;
3.在视盘粗定位的基础上进行血管方向匹配滤波,不仅大大提高了定位效率,而且有效地结合血管汇聚趋势与血管方向两个特征,提高了定位准确度,从而实现了视盘的快速、准确的定位。
附图说明
图1是本发明视盘定位方法的流程图;
图2是去除明亮斑块同时保留血管特征的结果示意图;
图3是视盘候选位置粗定位的结果示意图;
图4是视盘最终位置精定位的结果示意图。
具体实施方式
以下结合附图对本发明的实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
参阅图1,在一些实施例里,视网膜图像的视盘定位方法主要包括以下步骤。
1、去除明亮病损干扰
由于视网膜病变中的明亮病损和视盘均表现为明亮的黄色斑块,视盘地定位容易受到明亮病损的干扰。实施例中利用插值算法,快速有效地擦除背景中的明亮斑块,同时保留视盘中的血管特征,从而去除视网膜图像中明亮病损对视盘定位的干扰,并且保证在后面的步骤中以血管特征定位视盘。
优选地,插值算法主要包括以下步骤:(1)基于形态学重构的明亮物体检测,并将明亮物体的灰度值置为零得到填充种子图像Iseed;(2)在Iseed灰度值为零的地方使用高斯滤波进行图像平滑;(3)图像平滑后在Iseed灰度值为零的地方进行最近邻插值得到填充图像Ipad;(4)取填充图像Ipad与原始图像Ig的最小值作为填充结果Ipad=min(Ipad,Ig);(5)重复(2)-(4)直至填充完毕。图2所示为在一个示范例中采用本算法处理后的结果。可以看到,明亮物体被擦除,而视盘血管特征得到很好地保留。结合最近邻差值与高斯滤波对明亮病损进行擦除,可以使得擦除后的区域边缘梯度最小化,从而去除明亮病损对血管分割及血管方向分析的干扰。
2、视盘中心候选位置的快速粗定位
在明亮病损被去除的基础上,接下来可先进行视盘位置的粗定位。由于粗定位的精度不需要很高,优选采用基于形态学的视盘快速定位算法,可以保证定位的实时性,快速得到视盘候选位置。
优选地,视盘中心候选位置的快速粗定位过程主要包括以下步骤:(1)提取视网膜血管并骨骼化,得到血管中心图;(2)去除血管中心图中所有的分支点与端点;(3)沿血管方向延长所有分支点与端点;(4)对延长后的血管中心图进行形态学膨胀;(5)对膨胀后的血管中心图进行二值化并与初始血管中心图相交,得到视盘候选位置。图3所示为在一个示范例中采用快速粗定位处理后的结果。可以看到,视盘候选位置的像素数量很少。采用形态学滤波对血管汇聚趋势进行分析,有利于快速得到视盘中心候选位置。
3、视盘中心候选位置的精定位
在视盘候选位置粗定位的基础上,在视盘候选位置上使用血管方向匹配滤波器,实现视盘中心候选位置的精定位。
优选地,采用血管方向匹配滤波器,基于视盘内与周边血管方向的统一特征构造,该滤波器窗口尺寸与视盘尺寸为同一量级,仅在视盘候选位置上使用该滤波器,不仅大大提高了定位效率,并且有效地结合了血管汇聚趋势与血管方向两个特征,实现了视盘快速、准确的定位。通过在视盘候选位置上使用血管方向匹配滤波,可以将取得最小滤波响应的位置为视盘中心的最终位置。
在一个实施例中,可使用4个不同尺度的血管方向匹配滤波器,以多尺度滤波响应值累计和最小的位置作为视盘中心的最终定位位置。
图4所示为在一个示范例中视盘中心的最终定位位置。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种视网膜图像的视盘定位方法,其特征在于,包括以下步骤:
a.擦除背景中的明亮斑块,同时保留血管特征;
b.基于血管汇聚趋势特征确定视盘中心的候选位置;
c.基于血管方向特征从所述视盘中心的候选位置中确定视盘中心的最终位置;
步骤a包括:
(1)基于形态学重构的明亮物体检测,并将明亮物体的灰度值置为零得到填充种子图像Iseed;
(2)在填充种子图像Iseed灰度值为零的地方使用高斯滤波进行图像平滑;
(3)图像平滑后在填充种子图像Iseed灰度值为零的地方进行最近邻插值得到填充图像Ipad;
(4)取填充图像Ipad与原始图像Ig的最小值作为填充结果Ipad=min(Ipad,Ig);
(5)重复(2)-(4)直至填充完毕。
2.如权利要求1所述的视网膜图像的视盘定位方法,其特征在于,步骤a中,采用最近邻差值与高斯滤波算法处理所述明亮斑块和所述血管特征。
3.如权利要求1所述的视网膜图像的视盘定位方法,其特征在于,步骤b中,采用形态学滤波对血管汇聚趋势特征进行分析以确定所述视盘中心的候选位置。
4.如权利要求1所述的视网膜图像的视盘定位方法,其特征在于,步骤c中,在所述视盘中心的候选位置上进行血管方向特征匹配滤波,将取得最小滤波响应的位置确定为视盘中心的最终位置。
5.如权利要求1至4任一项所述的视网膜图像的视盘定位方法,其特征在于,步骤b包括:
(1)提取视网膜血管并骨骼化,得到血管中心图;
(2)去除所述血管中心图中所有的分支点与端点;
(3)沿血管方向延长所有分支点与端点;
(4)对延长后的血管中心图进行形态学膨胀;
(5)对膨胀后的血管中心图进行二值化并与初始血管中心图相交,得到所述视盘中心的候选位置。
6.如权利要求1至4任一项所述的视网膜图像的视盘定位方法,其特征在于,步骤c包括:
使用多个不同尺度的血管方向匹配滤波器,以多尺度滤波响应值累计和最小的位置作为所述视盘中心的最终位置。
7.如权利要求6所述的视网膜图像的视盘定位方法,其特征在于,步骤c中,使用4个不同尺度的血管方向匹配滤波器。
8.如权利要求4或6所述的视网膜图像的视盘定位方法,其特征在于,步骤c中,所述血管方向匹配滤波器是基于视盘内与周边血管方向的统一特征构造的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410204389.1A CN103971369B (zh) | 2014-05-14 | 2014-05-14 | 视网膜图像的视盘定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410204389.1A CN103971369B (zh) | 2014-05-14 | 2014-05-14 | 视网膜图像的视盘定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103971369A CN103971369A (zh) | 2014-08-06 |
CN103971369B true CN103971369B (zh) | 2015-08-12 |
Family
ID=51240818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410204389.1A Expired - Fee Related CN103971369B (zh) | 2014-05-14 | 2014-05-14 | 视网膜图像的视盘定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103971369B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718919B (zh) * | 2016-02-02 | 2018-05-08 | 吉林大学 | 一种眼底图像视盘定位方法及系统 |
CN106650596A (zh) * | 2016-10-10 | 2017-05-10 | 北京新皓然软件技术有限责任公司 | 一种眼底图像分析方法、装置及系统 |
CN106599804B (zh) * | 2016-11-30 | 2019-07-05 | 哈尔滨工业大学 | 基于多特征模型的视网膜中央凹检测方法 |
CN107038704B (zh) * | 2017-05-04 | 2020-11-06 | 季鑫 | 视网膜图像渗出区域分割方法、装置和计算设备 |
CN107644418B (zh) * | 2017-09-26 | 2019-11-08 | 山东大学 | 基于卷积神经网络的视盘检测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7410258B2 (en) * | 2004-02-13 | 2008-08-12 | Chee Hian Tan | Method and apparatus for monitoring glaucoma using scanning laser tomography |
CN101593351B (zh) * | 2008-05-28 | 2011-10-05 | 中国科学院自动化研究所 | 基于距离变换和刚性变换参数估计的眼底图像配准方法 |
CN102842136B (zh) * | 2012-07-19 | 2015-08-05 | 湘潭大学 | 一种综合血管分布和视盘外观特性的视盘投影定位方法 |
-
2014
- 2014-05-14 CN CN201410204389.1A patent/CN103971369B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103971369A (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971369B (zh) | 视网膜图像的视盘定位方法 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN103077529B (zh) | 基于图像扫描的植物叶片特征分析系统 | |
CN102842136B (zh) | 一种综合血管分布和视盘外观特性的视盘投影定位方法 | |
CN103870808B (zh) | 一种手指静脉识别方法 | |
CN108022251B (zh) | 一种管状结构的中心线的提取方法及系统 | |
WO2023045231A1 (zh) | 一种解耦分治的面神经分割方法和装置 | |
CN104573731A (zh) | 基于卷积神经网络的快速目标检测方法 | |
Wang | A multi-scale approach for delineating individual tree crowns with very high resolution imagery | |
CN102043960A (zh) | 一种结合图像灰度与梯度的改进sift特征提取方法 | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
Ma et al. | Automatic branch detection of jujube trees based on 3D reconstruction for dormant pruning using the deep learning-based method | |
CN103400134A (zh) | 非接触式手指静脉样本感兴趣区域提取方法 | |
CN105989598A (zh) | 基于局部强化主动轮廓模型的眼底图像血管分割方法 | |
CN104077775A (zh) | 一种结合骨架特征点和形状上下文的形状匹配方法及装置 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
CN106778767B (zh) | 基于orb和主动视觉的视觉图像特征提取及匹配方法 | |
CN103761768A (zh) | 一种三维重建的立体匹配方法 | |
CN104933723B (zh) | 基于稀疏表示的舌图像分割方法 | |
CN110147769B (zh) | 一种手指静脉图像匹配方法 | |
CN106778499B (zh) | 一种虹膜采集过程中快速定位人眼虹膜的方法 | |
CN104992448A (zh) | 机器人防损伤采摘葡萄的自动定位方法 | |
Lee et al. | Applying cellular automata to hyperspectral edge detection | |
CN102496150A (zh) | 基于高斯平滑的局部区域活动轮廓模型方法 | |
CN103617417A (zh) | 植物自动识别方法和系统 |
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: 20150812 Termination date: 20210514 |
|
CF01 | Termination of patent right due to non-payment of annual fee |