CN104036521A - 一种新的视网膜眼底图像分割方法 - Google Patents

Abstract

本发明提出了一种新的视网膜血管网络分割算法。该算法的新颖点在于结合了多尺度线性检测与利用图像的灰度-梯度共生矩阵计算最佳熵阈值的方法。首先，提取视网膜眼底图像中包含血管轮廓信息丰富的绿色分量，对其进行阴影修正，降噪，CLAHE等预处理；其次，基于血管的形态结构特征，对视网膜图像血管采取多尺度多方向的线性检测，融合不同尺度下的图像响应，从而获得血管图像的特征；最后，基于图像的灰度—梯度共生矩阵，计算图像的最佳熵阈值进行分割。本算法分割准确度高，能提取更多细小的血管，计算速度快，具有很好的鲁棒性。本发明适用于正常及病变的视网膜眼底图像的分割。

Description

一种新的视网膜眼底图像分割方法

技术领域

本发明涉及计算机图像处理领域，具体为一种基于结合多尺度线性检测与利用灰度—梯度共生矩阵获取最佳熵阈值，进行视网膜眼底图像分割方法，尤其适合正常的视网膜眼底图像分割。

背景技术

视网膜血管，是全身微循环系统的重要组成部分，其形态结构的变化与糖尿病，高血压，脑血管硬化和冠状动脉硬化等心血管疾病的病情严重程度密切相关。通过提取视网膜血管，分析其特征，例如，血管管径及弯曲度等，并进行相关参数的测量分析，就能够很大程度上对心血管疾病进行预测，从而实施科学的预防性干预和药物治疗。

视网膜眼底图像中血管的分割算法还是不少的。Chaudhuri等人在论文《Detection of blood vessels in retinal images using two-dimensional matched filters》中提出了一种二维匹配滤波的方法，滤波后的血管结构得到增强，但是易丢失血管分叉点和细小的血管。Thitiporn等人在论文《An efficient blood vessel detection algorithmfor retinal images using local entropy thresholding》中提出了基于局部熵阈值的血管分割方法，方法简单快速，对正常的视网膜血管图像能实现较好的分割，对于病变图像分割效果差。Nguyen等人在论文《An effective retinal blood vessel segmentationmethod using multi_scale line detection》中提出了多尺度线性检测器的方法对血管进行检测。此外，监督学习的方法也用于实现血管分割(You在论文《Segmentationof retinal blood vessels using the radial projection and semi-supervised approach》中使用了支持向量机的方法，Soares在论文《Retinal vessel segmentation using the2-dgaborwavelet and supervised classification》中使用贝叶斯分类器等)。多数方法采用已分割的血管和背景数据得到训练模型，然后用此模型对新图像的每一个像素点进行分类，判断该像素点是血管还是背景。Zana等人在论文《Segmentation of vessel-likepatterns using mathematica lmorphology and curvature evaluation》中提出基于血管分段呈线性和分段连接的特点，使用具有线性结构元素的数字形态操作算子来增强血管和区别背景。

上述血管分割算法仍然会存在一些缺陷，包括：血管中央反射区分割效果差，分叉点和交叉点的分割效果差；紧靠的血管容易合并，难分割；细小血管容易丢失；在视盘和病理区存在错误的血管检测。

发明内容

本发明的目的在于克服上述现有技术的不足之处，提出了一种新的视网膜眼底图像分割方法，该方法能够正确分割紧邻的血管和存在中央反射区的血管，并且能够分割出更多细小的血管。除此之外，由于该方法有很好的鲁棒性。

本发明是通过以下技术方案实现的，包括以下步骤：

S1：对视网膜眼底图像进行图像预处理。

彩色眼底图像为RGB图像，选取包含血管轮廓信息丰富且对比度较强的绿色分量进行血管分割。绿色分量的灰度图像光照不均匀，动态范围小，细节不够清晰，故需要对绿色分量图像进行预处理，具体操作包括：阴影修正，降噪，对比度受限的直方图均衡化处理(CLAHE)。

采用OSTU阈值方法求解原始眼底图像的红色分量的阈值，根据阈值将图像进行二值化处理，从而得到二值图像。对二值图像执行形态学的“开”操作，“闭”操作及“腐蚀”操作，便可得到掩膜图像，该图像中，对原始眼底图像感兴趣的部分标记为1，其余背景部分标记为0。利用掩膜图像选取眼底图像感兴趣的部分，最后得到预处理后的图像。

S2：利用第一步得到的预处理后的图像进行多尺度多方向线性检测。

本文采用多尺度多方向的线性检测器对归一化的图像进行检测。较长的线性检测器用于检测中央反射区，较短的线性检测器可以避免出现紧靠的血管不易分割，因此，融合不同尺度的线性检测器便可以综合上述优点，达到很好的分割效果。

S3：基于灰度—梯度共生矩阵，计算第二步得到的图像的最佳分割阈值。

图像的灰度是构成一幅图像的基础，梯度是构成图像的边缘轮廓的要素。灰度—梯度共生矩阵反映了图像中灰度和梯度的分布规律，还能够表示各像素点与其邻域像素点的空间关系。

S4：对第三步得到图像进行后处理。

本发明选取八连通域对二值图像进行连通域标记，遵循从左到右，从上到下的规则对分割后的图像进行扫描。每一幅眼底图像都设定一个像素个数值，当标记的连通分量的面积小于该设定值时，删除该区域，否则，就保留该连通分量。

附图说明

为了使本发明的目的，技术方案及优点更加清楚，下面将结合附图对本发明做进一步的详尽阐述，其中：

图1为本发明实施的总体流程框图。

图2为预处理后的图像。

图3为多尺度线性检测器

图4为灰度-梯度共生矩阵。

图5为提取出的血管。

具体实施方式

下面结合附图对本发明的优选实施例做详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但优选实例仅为了说明本发明，而不是为了限制本发明的保护范围。

本实施采用的图像帧来自标准数据库。

图1为本发明实施例提供的一种新的视网膜眼底图像分割方法的系统总体框图，如图所示：该系统框图由4个功能模块组成：(1)图像预处理；(2)多尺度线性检测；(3)基于灰度-梯度共生矩阵，计算最佳熵阈值；(4)后处理

图2为经过预处理后的图像。预处理主要包括以下步骤：

S11:提取视网膜眼底图像的绿色分量

S12：阴影修正

S13：降噪处理

S14：对比度受限的直方图均衡化处理

图3为检测窗口为15×15，检测线长度为11，方向为12个方向的线性检测器。该线性检测器的核心思想就是选取尺度为L的检测线，每隔15度旋转一次，共有12个方向，改变L的数值就可以构成多尺度线性检测器。由于视网膜血管的宽度集中在7-8个像素，因此设置W为15个像素，线性检测器的尺度范围为1-15，步长设置为2。

图像的特征响应为

$R_W^L=I_{\mathrm{nax}}^L-I_{\mathrm{avg}}^W---\left(1\right)$

其中窗口宽度用W表示，L表示线性滤波器的尺度，n为窗口内的像素个数。代表窗口内的平均灰度值；代表检测线上的平均灰度值，当检测线的方向和血管方向相同时，最大，记为

增强后的图像为

$R=\frac{1}{n_L+1}(\underset{L}{\mathrm{\Σ}}{R}_W^L+I_g)---\left(2\right)$

其中n_L为尺度L的个数。计算图像R中的每一个像素值的均值I_mean与方差I_std，根据式(1)对图像进行归一化。最后对图像R进行归一化处理，得到R',如图2(d)。

$I_g(i,j)=\frac{I(i,j)-I_{\mathrm{mean}}}{I_{\mathrm{std}}}---\left(2\right)$

图4为图像的灰度-梯度共生矩阵。A表示血管，C表示背景。设定阈值在(s,s)处，血管的灰度值较低，背景部分的灰度值较高，且血管和背景内部的灰度级分布较均匀，梯度值较低。梯度值越大越有可能为血管边缘。

A中t_ij表示i属于目标j属于边缘的转移个数，C中t_ij表示i属于背景j属于边缘的转移个数。统计A和C两个象限的概率

$P_A=\underset{i=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=0}{\overset{s}{\mathrm{\Σ}}}\frac{t_{\mathrm{ij}}}{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{t}_{\mathrm{ij}}}---\left(4\right)$

$P_C=\underset{i=s+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=s+1}{\overset{L-1}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}$ 其中 $p_{\mathrm{ij}}=\frac{t_{\mathrm{ij}}}{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{t}_{\mathrm{ij}}}---\left(5\right)$

对A和C两象限的概率进行归一化

$P_{\mathrm{ij}}^A=\frac{p_{\mathrm{ij}}}{P_A}=\frac{t_{\mathrm{ij}}/\left(\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{t}_{\mathrm{ij}}\right)}{\underset{i=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=0}{\overset{s}{\mathrm{\Σ}}}{t}_{\mathrm{ij}}/\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{t}_{\mathrm{ij}}}=\frac{t_{\mathrm{ij}}}{\underset{i=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=0}{\overset{s}{\mathrm{\Σ}}}{t}_{\mathrm{ij}}},0\≤i\≤s,0\≤j\≤s---\left(6\right)$

$P_{\mathrm{ij}}^C=\frac{p_{\mathrm{ij}}}{p_C}=\frac{t_{\mathrm{ij}}}{\underset{i=s+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=s+1}{\overset{L-1}{\mathrm{\Σ}}}{t}_{\mathrm{ij}}},s+1\≤i\≤L-1,s+1\≤j\≤L-1---\left(7\right)$

A象限的目标熵为

$H_A^{\left(2\right)}\left(s\right)=-\frac{1}{2}\underset{i=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=0}{\overset{s}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}^A{\log }_2{P}_{\mathrm{ij}}^A---\left(8\right)$

C象限的背景熵为

$H_C^{\left(2\right)}\left(s\right)=-\frac{1}{2}\underset{i=s+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=s+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}^C{\log }_2{P}_{\mathrm{ij}}^C---\left(9\right)$

区分目标与背景的最佳熵阈值为

$H_T^{\left(2\right)}s=H_A^{\left(2\right)}\left(s\right)+H_C^{\left(2\right)}\left(s\right)---\left(10\right)$

图5为提取出的血管图像。

通过实验证明，本实施例能正确分割视网膜眼底图像的血管。多尺度线性检测器既能够检测紧靠的血管，又能检测存在中央反射区的血管。灰度-梯度共生矩阵不仅反映了图像中灰度和梯度的分布规律，还能够表示各像素点与其邻域像素点的空间关系。基于灰度-梯度共生矩阵计算图像的最佳分割阈值更为合理。本文提出的算法简洁快速，具有很好的鲁棒性。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行一些改动和变形而不脱离本发明的精神和范围。

Claims (5)

1.一种新的视网膜眼底图像分割算法，结合了多尺度线性检测与利用图像的灰度-梯度共生矩阵计算最佳熵阈值的方法，其特征在于包括以下步骤：

S1：对视网膜眼底图像进行图像预处理；

S2：利用第一步得到的预处理后的图像进行多尺度多方向线性检测；

S3：基于灰度—梯度共生矩阵，计算第二步得到的图像的最佳分割阈值；

S4：对第三步得到图像进行后处理。

2.根据权利要求1所述的一种新的视网膜眼底图像分割方法，其特征在于：S1中涉及的预处理方法如下：

S11：提取视网膜眼底图像的绿色分量；

S12：阴影修正；

S13：降噪处理；

S14：对比度受限的直方图均衡化处理(CLAHE)。

3.根据权利要求1所述的一种新的视网膜眼底图像分割方法，其特征在于：S2中涉及了多尺度多方向线性检测。较长的线性检测器用于检测中央反射区，较短的线性检测器可以检测紧靠的血管。该线性检测器的核心思想就是选取尺度为L的检测线，每隔15度旋转一次，共有12个方向，改变L的数值就可以构成多尺度线性检测器。由于视网膜血管的宽度集中在7-8个像素，因此设置W为15个像素，线性检测器的尺度范围为1-15，步长设置为2。

4.根据权利要求1所述的一种新的视网膜眼底图像分割方法，其特征在于：S3中涉及了基于灰度—梯度共生矩阵，计算S3得到的图像的最佳分割阈值。

5.根据权利要求1所述的一种新的视网膜眼底图像分割方法，其特征在于：S4对分割后的图像进行后处理。选取八连通域对二值图像进行连通域标记，遵循从左到右，从上到下的规则对分割后的图像进行扫描。每一幅眼底图像都设定一个像素个数值，当标记的连通分量的面积小于该设定值时，删除该区域，否则，保留。