CN104077754B - 基于对称性的视网膜血管滤波增强方法 - Google Patents

Abstract

本发明公开了一种基于对称性的视网膜血管滤波增强方法，包括步骤：对原始视网膜图像进行灰度化处理，再进行二维多尺度高斯滤波；利用滤波后的信息计算梯度合成向量；计算图像每一点在不同尺度下的梯度方向参数、每一点的梯度幅值参数、每一点的灰度参数；计算得到基于对称性的多尺度视网膜血管滤波增强函数，使用该血管函数对视网膜图像进行滤波，达到视网膜血管滤波增强的效果。本发明能对视网膜血管结构进行增强，同时可以有效抑制视盘等非血管结构，对视网膜图像血管分割、视网膜图像分析以及视网膜图像的配准中有重要的辅助处理和实际应用价值。

Description

基于对称性的视网膜血管滤波增强方法

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于对称性的视网膜血管滤波增强方法。

背景技术

视网膜是一种重要的人体组织，是人体循环系统的重要组成部分，也是人体少数可以通过非侵入方式获得图像的组织结构。通过眼底照相技术，可以直接获取到视网膜血管的图像，如图2A、图3A、图4A和图5A所示，这些血管信息在全身很多疾病的诊断与治疗中起着至关重要的作用。作为人体循环系统的一个重要组成部分，视网膜血管网络形态结构的变化也可以间接了解到很多全身的其它疾病情况。通过了解视网膜血管的各种情况，例如动静脉管径变化、走行是否弯曲、交叉压迫的程度、反光带的宽窄、有无血管鞘和视网膜出血等，在一定程度上可以了解到脑、心、肾等重要器官的血管状况，为高血压的诊断、分期、治疗及疗效评估提供可靠的依据。因此，视网膜图像中血管的检测，有助于为疾病的早期诊断和治疗提供科学依据，具有很重要的临床使用价值。视网膜血管存在大量的噪声和病变组织，这对于视网膜血管的分割产生很大的影响，因此在对视网膜血管分割之前一个很关键的步骤是对血管图像进行滤波和增强，经过滤波后的图像再进行分割就会得到一个较好的结果，所以对于视网膜血管图像的滤波增强一直是一个重点和难点问题。本发明提出的基于对称性的视网膜血管滤波增强方法能够有效地对视网膜图像的血管结构起到滤波和增强的效果，同时有效的抑制视盘等非血管结构，为视网膜图像的后期处理起到一个关键的作用。

发明内容

由上可知，视网膜图像血管分割是视网膜处理的一个重要的组成部分， 对视网膜血管进行分割的很关键的一个步骤是对血管图像进行滤波增强，同时抑制非血管结构的响应，通过滤波增强后再对视网膜血管图像进行分割可以得到更好地分割效果。本发明的目的就在于提供一种基于对称性的视网膜血管滤波增强方法，使得视网膜图像的血管结构能够得到增强，同时有效抑制非血管结构的响应。

为达到上述目的，本发明提供了一种基于对称性的视网膜血管滤波增强方法，该方法包括以下步骤：

步骤S1：获得视网膜灰度图像I(x,y)；

步骤S2：用二维多尺度高斯滤波器G(x,y,s)对于所述视网膜灰度图像I(x,y)进行滤波，得到高斯滤波图像V_G(x,y,s)，其中，x,y表示图像中某一点的坐标，s为对应的尺度；

步骤S3：基于得到的高斯滤波图像V_G(x,y,s)计算旋转后的梯度合成向量T(x,y,s)；

步骤S4：计算所述视网膜灰度图像I(x,y)中的每一点在不同尺度下的梯度方向参数D(x,y,s)；

步骤S5：计算所述视网膜灰度图像I(x,y)中的每一点在不同尺度下的梯度幅值参数M(x,y,s)；

步骤S6：计算所述视网膜灰度图像I(x,y)中的每一点在不同尺度下的灰度参数I(x,y,s)；

步骤S7：根据所述梯度合成向量G(x,y,s)、梯度方向参数D(x,y,s)、梯度幅值参数M(x,y,s)、灰度参数I(x,y,s)，计算得到基于对称性的多尺度视网膜血管滤波增强函数F(x,y,s)，利用所述血管滤波增强函数对于所述视网膜灰度图像进行滤波，得到经过滤波和增强的视网膜图像。

本发明提供的基于对称性的视网膜血管滤波增强方法，是视网膜血管分割的预处理技术，通过对视网膜血管的滤波增强，可以使得视网膜血管的分割更加准确，减少噪声的干扰，对视网膜图像的后期处理，比如视网膜图像配准，视网膜血管跟踪等相关方面有重要的应用价值。

另外，本发明提供的基于对称性的视网膜血管滤波增强方法，能够为视网膜疾病的诊断提供最重要的视网膜血管分析结果，对青光眼、糖尿病、高血压等疾病的筛选和预防具有重要的作用。

综上，本发明旨在对视网膜图像的血管结构进行滤波和增强，以便于视网膜图像的分割和配准等后处理。实验结果显示，本发明方法对于视网膜图像的血管结构有着明显的增强效果，同时有效地抑制了视网膜图像的非血管结构。

附图说明

图1为本发明基于对称性的视网膜血管滤波增强方法的流程图；

图2A为眼底照相机拍摄的视网膜图像，图2B为根据本发明方法对图2A所示视网膜图像进行滤波增强得到的视网膜图像；

图3A为眼底照相机拍摄的另一幅视网膜图像，图3B为根据本发明方法对图3A所示视网膜图像进行滤波增强得到的视网膜图像；

图4A为眼底照相机拍摄的另一幅视网膜图像，图4B为根据本发明方法对图4A所示视网膜图像进行滤波增强得到的视网膜图像；

图5A为眼底照相机拍摄的另一幅视网膜图像，图5B为根据本发明方法对图5A所示视网膜图像进行滤波增强得到的视网膜图像。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明提出一种基于对称性的视网膜血管滤波增强方法，该方法的基本思路为：用二维多尺度高斯滤波器对视网膜灰度图像I(x,y)进行滤波，得到高斯滤波图像V_G(x,y,s)；利用高斯滤波图像V_G(x,y,s)计算旋转后的梯度合成向量G(x,y,s)；计算图像I(x,y)每一点在不同尺度下的梯度方向参数D(x,y,s)；计算图像I(x,y)每一点在不同尺度下的梯度幅值参数M(x,y,s)；计算图像I(x,y)每一点在不同尺度下的灰度参数I(x,y,s)；计算得到基于对称性的多尺度视网膜血管滤波增强函数F(x,y,s)，使用该血管函数对视网膜图像进行滤波，从而达到视网膜血管滤波增强的效果。

图1为本发明基于对称性的视网膜血管滤波增强方法的流程图，如图1所示，所述方法包括以下步骤：

步骤S1：获得视网膜灰度图像I(x,y)；

获得视网膜灰度图像的方法有很多，比如通过眼底照相机拍摄得到视网膜彩色图像，然后对于该视网膜彩色图像进行灰度化(比如取绿色通道)就可以得到视网膜灰度图像。视网膜灰度图像的获取不是本发明的重点，因此，本发明对其不作过多描述。

步骤S2：用二维多尺度高斯滤波器G(x,y,s)对于所述视网膜灰度图像I(x,y)进行滤波，得到高斯滤波图像V_G(x,y,s)，其中，x,y表示图像中某一点的坐标，s为对应的尺度；

其中，经过所述二维多尺度高斯滤波器G(x,y,s)滤波后，在x方向得到的滤波结果表示为在y方向得到的滤波结果表示为其中，*表示卷积操作，

在本发明一实施例中，所述二维多尺度高斯滤波器G(x,y,s)的大小为6*6，均方误差σ＝3，尺度S从0.2到3。

步骤S3：基于得到的高斯滤波图像V_G(x,y,s)计算所述视网膜灰度图像的梯度合成向量T(x,y,s)；

其中，T(x,y,s)＝g_x(x,y,s)+g_y(x,y,s)，在本发明一实施例中，采用平行四边形法则对于x、y方向上得到的滤波向量进行相加操作，得到所述视网膜图像的高斯梯度和幅值信息，并且在相加之前对于所述x、y方向上得到的滤波向量分别进行正向和逆向旋转90°，然后再进行相加处理。

步骤S4：计算所述视网膜灰度图像I(x,y)中的每一点在不同尺度下的梯度方向参数D(x,y,s)；

其中，所述梯度方向参数D(x,y,s)表示为：

D(x,y,s)＝|cos(∠(g_x(x,y,s),g_y(x,y,s)))|，

其中，∠表示两个向量的角度。

考虑到尺度因子S的取值范围为从0.2到3，因此，在本发明一实施 例中，按照0.4的阶梯进行跳跃，得到所述视网膜灰度图像I(x,y)中的每一点在多个尺度下的梯度方向因子。

步骤S5：计算所述视网膜灰度图像I(x,y)中的每一点在不同尺度下的梯度幅值参数M(x,y,s)；

其中，所述梯度幅值参数M(x,y,s)表示为：

其中，δ_m为梯度幅值标准差。

考虑到尺度因子S的取值范围为从0.2到3，因此，在本发明一实施例中，按照0.4的阶梯进行跳跃，计算得到所述视网膜灰度图像I(x,y)中的每一点在多个尺度下的梯度幅值因子。

步骤S6：计算所述视网膜灰度图像I(x,y)中的每一点在不同尺度下的灰度参数I(x,y,s)；

其中，所述灰度参数I(x,y,s)表示为：

其中，δ_i为灰度标准差；i₁(x,y,s)，i₂(x,y,s)为对称的两个像素点的灰度值。

考虑到尺度因子S的取值范围为从0.2到3，因此，在本发明一实施例中，按照0.4的阶梯进行跳跃，计算得到所述视网膜灰度图像I(x,y)中的每一点在多个尺度下的灰度因子。

步骤S7：根据所述梯度合成向量G(x,y,s)、梯度方向参数D(x,y,s)、梯度幅值参数M(x,y,s)、灰度参数I(x,y,s)，计算得到基于对称性的多尺度视网膜血管滤波增强函数F(x,y,s)，利用所述血管滤波增强函数对于所述视网膜灰度图像进行滤波，得到经过滤波和增强的视网膜图像。

其中，多尺度视网膜血管滤波增强函数F(x,y,s)表示为：

其中，s表示尺度，s_min,s_max分别表示尺度空间中的最小和最大尺度。 为验证本发明的有效性和实用性，接下来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。选择每个数据库中的2组图片进行展出，如图2A、图3A、图4A、图5A所示。其中，图2A、图3A、图4A、图5A为眼底照相机拍摄的视网膜图像，图2B、图3B、图4B、图5B为经过本发明方法滤波和增强后得到的视网膜图像。由图2B、图3B、图4B、图5B所示的实验结果可知，本发明方法能够有效地对视网膜图像的血管结构进行滤波增强，同时有效的对非血管结构进行抑制。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于对称性的视网膜血管滤波增强方法，其特征在于，该方法包括以下步骤：

步骤S1：获得视网膜灰度图像I(x，y)；

步骤S2：用二维多尺度高斯滤波器G(x，y，s)对于所述视网膜灰度图像I(x，y)进行滤波，得到高斯滤波图像V_G(x，y，s)，其中，x，y表示图像中某一点的坐标，s为对应的尺度；

步骤S3：基于得到的高斯滤波图像V_G(x，y，s)计算所述视网膜灰度图像的梯度合成向量T(x，y，s)；

步骤S4：计算所述视网膜灰度图像I(x，y)中的每一点在不同尺度下的梯度方向参数D(x，y，s)；

步骤S5：计算所述视网膜灰度图像I(x，y)中的每一点在不同尺度下的梯度幅值参数M(x，y，s)；

步骤S6：计算所述视网膜灰度图像I(x，y)中的每一点在不同尺度下的灰度参数I(x，y，s)；

步骤S7：根据所述梯度合成向量G(x，y，s)、梯度方向参数D(x，y，s)、梯度幅值参数M(x，y，s)、灰度参数I(x，y，s)，计算得到基于对称性的多尺度视网膜血管滤波增强函数F(x，y，s)，利用所述血管滤波增强函数对于所述视网膜灰度图像进行滤波，得到经过滤波和增强的视网膜图像；

其中，多尺度视网膜血管滤波增强函数F(x，y，s)表示为：

$F(x,y,s)=\underset{s=s_{min}}{\overset{s_{max}}{\Σ}}\left|G(x,y,s)\right|\·D(x,y,s)\·M(x,y,s)\·I(x,y,s),$

其中，s表示尺度，s_min，s_max分别表示尺度空间中的最大和最小尺度。

2.根据权利要求1所述的方法，其特征在于，用二维多尺度高斯滤波器G(x，y，s)对于所述视网膜灰度图像I(x，y)进行滤波后，x方向上得到的滤波结果为y方向得到的滤波结果为其中，*表示卷积操作。

3.根据权利要求1所述的方法，其特征在于，所述二维多尺度高斯滤波器G(x，y，s)的大小为6*6，均方误差σ＝3，尺度S从0.2到3。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3中，T(x，y，s)＝g_x(x，y，s)+g_y(x，y，s)。

5.根据权利要求1所述的方法，其特征在于，所述步骤S3中，采用平行四边形法则对于x、y方向上得到的滤波向量进行相加操作。

6.根据权利要求1或5所述的方法，其特征在于，所述步骤S3中，首先对于x、y方向上得到的滤波向量分别正向和逆向旋转90°，然后再进行相加处理。

7.根据权利要求1所述的方法，其特征在于，所述步骤S4中，所述梯度方向参数D(x，y，s)表示为：

D(x，y，s)＝|cos(∠(g_x(x，y，s)，g_y(x，y，s)))|，

其中，∠表示两个向量的角度。

8.根据权利要求1所述的方法，其特征在于，所述步骤S5中，所述梯度幅值参数M(x，y，s)表示为：

$M(x,y,s)=\exp \left(-\frac{{\left(\right|\left|g_x\right(x,y,s\left)\right||-|\left|g_y\right(x,y,s\left)\right|\left|\right)}^2}{2{\mathrm{\δ}}_m^2}\right),$

其中，δ_m为梯度幅值标准差。

9.根据权利要求1所述的方法，其特征在于，所述步骤S6中，所述灰度参数I(x，y，s)表示为：

$I(x,y,s)=\exp \left(-\frac{{\left(\right|\left|i_1\right(x,y,s\left)\right||-|\left|i_2\right(x,y,s\left)\right|\left|\right)}^2}{2{\mathrm{\δ}}_i^2}\right)$

其中，δ_i为灰度标准差；i₁(x，y，s)，i₂(x，y，s)为对称的两个像素点的灰度值。