CN104299242A - 基于ngc-acm的荧光造影眼底图像提取方法 - Google Patents

Abstract

本发明公开了一种基于NGC-ACM的荧光造影眼底图像提取方法，包括以下几个步骤：首先对荧光造影眼底图像进行处理，通过用户选择感兴趣区域，初步确定无灌注区域的边界；然后通过荧光造影眼底图像模糊划分，提取出确定存在无灌注区域的范围；其次，针对荧光造影眼底图像制作二值化模板，消除区域提取结果中的边界信息；最后通过对提取出的无灌注区域的边界及无灌注区域存在范围的数学形态学处理，最终获得无灌注区域提取结果。极大的提高了无灌注区域全局提取的效果和质量。

Description

基于NGC-ACM的荧光造影眼底图像提取方法

技术领域

本发明属于图像识别技术领域，涉及一种医学图像处理，特别是基于NGC-ACM的荧光造影眼底图像提取方法。

背景技术

当今社会，患有糖尿病的人数随着生活水平的提升日益增多，致使糖尿病并发症糖尿病视网膜病变(diabetic retinopathy,DR，简称“糖网”)的发病率也非常高。同时，近些年发展起来的眼底视网膜成像技术为糖网患者提供了一个简单而且无创的眼底检测手段，容易被患者接受，已成为医生进行眼科疾病诊断的重要依据。但是，目前医院的诊断方式主要通过医生肉眼对荧光造影眼底图像进行观察和分析，这对医生经验阅历要求高，并且医生的个人主观因素会对诊断结果造成一定影响。因此，为了进行准确的判断和治疗，采用图像处理技术针对荧光眼底造影图像进行糖网的无灌注区域分割是有重要实用价值的。

所以对荧光造影图像中无灌注区域的提取，避免不了处理大量医学图像，经常用到图像分割、融合、配准及纹理分析这些图像处理技术。对图像经行处理，就是为了得到相应图像的分析，其中图像分割就是关键步骤。图像分割技术就是通过将图像划分为若干特定或者具有独特性的区域，从而得到感兴趣的目标的过程。广泛使用的图像分割方法主要涉及的侧重点为以下几个：基于阈值、区域、边缘及特定理论，其中特定理论常用的有模糊集理论、小波变换、聚类分析、基因编码等。通过分割可以提取出病变组织，在此基础上对提取结果进行定性及定量的分析，从而帮助医生进行快速准确的临床诊断，提高诊断的准确性和科学性。

针对荧光造影眼底图像中无灌注区域的检测提取，国内外对此的相关研究报道并不多。但计算机辅助寻找肿瘤等医学病变的思路都是将单一的顶帽变换滤波器扩展到多滤波器组，这些滤波器的响应在分类模式下被用来识别候选的病变象素，然后用数学形态学和有监督学习的分类步骤对候选象素进行处理，最终来决定哪些是有效的病变标记。随后，为了检测不同形态的病变，利用某种形式的滤波器变换来检测候选的病变，然后用数学形态学模板来描述这些候选病变对象的基本思路基本不变。

从病灶分割提取方面来说，研究者们虽然提出了大量较为有效的分割算法，可以将需要的目标从图像背景中成功提取出来。但大部分现存算法只是单纯的基于区域或边界信息两者之一对图像进行分割，采用这种不完全的信息作为分割准则无疑在一定程度上制约了分割结果的好坏。但是疾病的诊断治疗和医学图像的处理结果有着紧密的关系，所以医学上要求得到精确的分割结果。

发明内容

本发明的提出了一种基于NGC-ACM的荧光造影眼底图像提取方法，针对糖尿病荧光造影眼底图像中出现的无灌注区域，结合糖尿病荧光造影眼底图像的特点，实现了良好的全局分割效果，极大的提高了无灌注区域全局提取的效果和质量。

一种基于NGC-ACM的荧光造影眼底图像提取方法，包括如下步骤：

步骤1：人工选取荧光造影眼底图像中的初始无灌注区域，利用NGC-ACM算法确定初始无灌注区域的边界；

步骤2：去除初始无灌注区域的边界所包含区域中的文字信息和背景区域，得到无灌注区域分布结果图；

步骤3：对无灌注区域分布结果图进行膨胀处理，得到无灌注区域存在范围结果图；

步骤4：将步骤1得到的初始无灌注区域的边界与步骤3得到的无灌注区域存在范围结果图进行求与运算得到无灌注区域的全局分割结果，完成荧光造影眼底图像中无灌注区域的提取；

其中，所述利用NGC-ACM算法确定初始无灌注区域的边界的具体过程如下：

(1)初始化曲线C为荧光造影眼底图像中的任意曲线，若荧光造影眼底图像中的任意像素p在曲线C上，则令二元变量x_p＝1；否则，另二元变量x_p＝0；

(2)按照以下公式计算荧光造影眼底图像中无灌注区域对分割的边界项c_s和荧光造影眼底图像中背景对分割的边界项c_t；

c_s＝(∑_pI(p)(1-x_p))/∑_p(1-x_p)

c_t＝(∑_pI(p)x_p)/(∑_px_p)

其中，I(p)表示像素P的坐标位置；

(3)依据边界项c_s和c_t为能量函数E构造图G；

E＝E_b(p,q)×E′_r(p,q)

其中， $E_{r(p,q)}^{\′}=\underset{p}{\mathrm{\Σ}}\min (({(I\left(p\right)-c_s)}^2+{(I\left(q\right)-c_t)}^2),({(I\left(p\right)-c_t)}^2+{(I\left(q\right)-c_s)}^2));$

$E_{b(p,q)}=\underset{p,q\∈\mathrm{\Ω}}{\mathrm{\Σ}}\underset{p\∈N\left(q\right)}{\mathrm{\Σ}}\frac{{\mathrm{\ω}}_{\mathrm{pq}}\×((1-x_p)x_p+x_p(1-x_q))}{1+\mathrm{\β}|I\left(p\right)-I\left(q\right)|};$

ω_pq代表连接像素p与像素q的边的权值，Δθ_pq是向量边pq和与之距离最近的向量边的向量角之差的绝对值，e_pq为向量pq边的长度，δ为效果参数，0<δ≤1，0<β<100，x_q表示像素q与初始化曲线的位置关系的二元变量；

【像素p和像素q在荧光造影眼底图像中的灰度值越接近，δ越趋向0，反之，δ越趋向1；】

(4)利用最大流最小割算法计算构造的图像的最小割，图像G将被分为两部分，分别为G₀和G₁，其中G₀包含终端S，G₁包含终端T；

其中，终端S是指荧光造影眼底图像中无灌注区域像素集的子集，终端T是指荧光造影眼底图像中除去无灌注区域剩余的背景像素集的子集；

(5)更新二元变量x_P，如果p∈G₀，则x_p＝0；如果p∈G₁，那么x_p＝1；

(6)利用中值滤波平滑演化曲线，判断能量函数E是否收敛；

(7)若能量函数E收敛，即E取得最小值，以当前的最小割作为初始无灌注区域的边界，否则重复(2)-(6)，直到能量函数E收敛。

对步骤1得到的初始无灌注区域的边界所包含的区域采用采用FCM算法对图像进行区域聚类划分，以去除无效边界后得到的无灌注区域对应的无灌注区域边界，作为初始无灌注区域的边界，具体过程如下：

(1)用0到1间的随机数对u_ij进行初始化，u_ij是第i个像素点到第j个聚类中心的隶属度；并初始化迭代次数k＝1，最大迭代次数为k_max；聚类中心数量设定为c，c为正整数，且设定每个聚类中心的灰度阈值其中一个聚类中心的灰度阈值表示荧光造影眼底图像中的无灌注区域的像素灰度，取值范围为8-10；

(2)按以下公式计算每个聚类中心的灰度值c_i：

$c_i=\frac{{\mathrm{\&Sigma;}}_{j=1}^n{u}_{\mathrm{ij}}^m{x}_j}{{\mathrm{\&Sigma;}}_{j=1}^n{u}_{\mathrm{ij}}^m}$

其中，m为加权指数，m∈[1,∞)，n是荧光造影眼底图像中像素的个数，x_j表示荧光造影眼底图像中第j个像素的灰度值；

(3)依次比较每个聚类中心的灰度值c_i与各自对应的聚类中心的灰度阈值是否满足若每个聚类中心的灰度值均满足这个条件，则进入(5)，否则，进入(4)；

【若满足条件，表示当前每个聚类中心的灰度值取到了最佳值，能够完成荧光造影眼底图像聚类的划分；】

(4)令k＝k+1，判断k是否等于设定的最大迭代次数k_max，若等于，进入(4)，否则按以下公式计算出新的u_ij，返回(2)；

(5)利用以下公式计算荧光造影眼底图像中的每个像素的聚类灰度值J(U,c₁,...,c_c)，依据每个聚类中心的灰度值将荧光造影眼底图像划分为c个部分；

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{J}_i=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2$

U为隶属矩阵，即是u_ij的集合；c是聚类中心个数，数据点间的欧几里德距离用d_ij＝||c_i-x_j||；

(6)将荧光造影眼底图像中不属于无灌注区域的这个聚类中心的像素灰度值设为0，属于无灌注区域这个聚类中心的像素灰度值设为255，获得无灌注区域存在范围；

【利用聚类中心对整幅荧光造影眼底图像进行聚类，其中有一个聚类代表了无灌注区域存在的范围，其他聚类中心包含的像素就是无灌注区域以外的像素，通过设置的灰度阈值范围，分出四个聚类，然后，将不属于无灌注区域的其他聚类中心的灰度值设为0，代表无灌注区域存在范围的聚类灰度值设为255，从而达到从荧光造影眼底图像中去除其他聚类中心包含的像素目的，就可以确定无灌注区域了。】

(7)从步骤1得到的初始无灌注区域的边界所包含的区域中去除代表无灌注区域存在范围的聚类中心包含的像素区域后，以剩余区域对应的边界作为初始无灌注区域的边界。

所述步骤2去除初始无灌注区域的边界所包含区域中的文字信息和背景区域的具体过程如下：

(1)图像二值化；

依据荧光造影眼底图像灰度直方图，设置阈值为T，将荧光造影眼底图像中像素点灰度大于T的设为1，否则为0，得到二值化图像；

(2)形态学处理；

对二值化图像依次进行数学形态学的腐蚀、膨胀以及开闭运算操作，进行去噪、提取边界，获得待处理荧光造影眼底图像的二值化模板；

(3)消除背景信息；

将初始无灌注区域的边界所包含区域图像与二值化模板进行减运算操作，得到无灌注区域存在范围结果图。

所述步骤3对无灌注区域分布结果图进行膨胀处理时采用15*15像素的矩形作为膨胀单位。

所述聚类中心的数量c取值为4，其中，4个聚类中心依次包括血管、渗出斑以及微血管瘤区域，无灌注区域，正常眼底组织区域以及正常组织与无灌注区域的交接区，对应的聚类中心灰度阈值分别为240、8、160及80。

无灌注区域与正常眼底组织灰度差值小，边界不清晰，是导致对无灌注区域的提取存在难度的主要原因。由于这种模糊性引起的提取困难，本发明接下来采用FCM算法对图像进行区域划分。经过多次试验与研究，使用四个聚类中心，效果最好，血管、渗出以及絮状物为高亮度；正常眼底为灰色；无灌注区域为黑色；无灌注区域与正常眼底交汇处，因为荧光造影不充分，一般介于灰色与黑色之间。然后将存在无灌注区域的范围提取出来，从而消除之前出现的无效边界。

一般的眼底荧光造影图像都会左右下角显示一些拍摄信息，如拍摄时间，病人信息等等。这些无关信息以及眼底周围存在的白色背景，会在合成最终结果时，产生错误标注，所以通过提取二值化模板的方式来对这些不需要的信息进行屏蔽。

有益效果

本发明提出了一种基于NGC-ACM的荧光造影眼底图像提取方法，利用NGC-ACM对荧光造影眼底图像进行全局分割，NGC-ACM算法对荧光造影眼底图像边界分割十分准确，但是在全局分割时，因为荧光造影眼底图像的模糊性，导致出现大量的多余标注区域。分析荧光造影眼底图像，基本分为4种灰度范围，如血管、渗出斑及微血管瘤，无灌注区域，正常眼底组织，以及正常组织和无灌注区域的交接处，根据这四种灰度分布，采用FCM算法对图像聚类，有效的将无效边界进行了去除，从而进行区域划分，有效的与无灌注区域灰度值区别较小的正常眼底组织区分开来，克服传统的影像学医师诊断方法存在的主观性强、随意性大、不同的医师对同一无灌注区域测量、诊断经常不一致等缺陷，极大的提高了无灌注区域全局提取的效果和质量。从分割结果来看，本发明所述的分割方法取得了良好的效果，适合于这种复杂的眼底图像。本发明在减轻医生大量重复劳动的同时，又提高了诊断效率。对于建立高效可靠的计算机辅助眼科及相关疾病诊断系统具有重要的指导意义，对病变的精确量化更为各类视网膜病变的临床诊断、疗效评估乃至早期预测提供了有价值的依据。

附图说明

图1是本发明所述方法的流程示意图；

图2是运用NGC-ACM算法对荧光造影图像进行无灌注区域提取结果示意图，其中，(a)是对荧光造影图进行人工标注示意图，(b)是运用NGC-ACM算法对人工标注区域进行局部提取结果示意图，(c)是运用NGC-ACM算法对整幅荧光造影图全局提取结果示意图；

图3是二值化模板提取过程示意图，其中，(a)为原始荧光造影眼底图像，(b)为以T为阈值的二值化图像，(c)为经数学形态学处理后得到二值化模板；

图4是去除边界后的结果示意图；

图5是结合FCM的算法获得的最终优化结果示意图；

图6是采用本发明所述方法得到最终结果，其中，(a)为原始图像，(b)为无灌注提取结果，(c)是将结果叠加在原始图像上的标注结果。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

如图1所示，为本发明所述方法的流程示意图，一种基于NGC-ACM的荧光造影眼底图像提取方法，包括如下步骤：

步骤1：人工选取荧光造影眼底图像中的初始无灌注区域，利用NGC-ACM算法确定初始无灌注区域的边界；结果如图2所示，其中(a)为人工勾选的初始无灌注区域，(b)为仅在初始化区域附近获取的局部提取结果，效果良好，(c)为在整幅荧光造影眼底图像上运行NGC-ACM算法得到的全局结果，效果较差，出现大量无效提取区域。

步骤2：去除初始无灌注区域的边界所包含区域中的文字信息和背景区域，得到无灌注区域分布结果图；

一般的眼底荧光造影图像都会左右下角显示一些拍摄信息，如拍摄时间，病人信息以及拍摄设备的信息，这些影像不是我们的研究目标，所以在进行图像处理前要去除。另外，由于本文感兴趣的区域为眼内区域，所以背景区域也是本文要一并去除的。

具体过程如下：

(1)图像二值化；

依据荧光造影眼底图像灰度直方图，设置阈值为T，将荧光造影眼底图像中像素点灰度大于T的设为1，否则为0，得到二值化图像，如图3(b)所示；

(2)形态学处理；

对二值化图像依次进行数学形态学的腐蚀、膨胀以及开闭运算操作，进行去噪、提取边界，获得待处理荧光造影眼底图像的二值化模板，如图3(c)所示；

(3)消除背景信息；

将初始无灌注区域的边界所包含区域图像与二值化模板进行减运算操作，得到无灌注区域存在范围结果图，结果如图5所示。

步骤3：对无灌注区域分布结果图进行膨胀处理，得到无灌注区域存在范围结果图；

得到无灌注区域大体分布区域，但是，聚类算法对无灌注区域的边界信息提取不完整，只能代表存在区域，所以要对其进行小幅度膨胀，最终通过对初定无灌注区域边界以及无灌注区域存在范围，取与运算得到精确的全局分割结果。

采用15*15像素的矩形作为膨胀单位。

步骤4：将步骤1得到的初始无灌注区域的边界与步骤3得到的无灌注区域存在范围结果图进行求与运算得到无灌注区域的全局分割结果，完成荧光造影眼底图像中无灌注区域的提取；

其中，所述利用NGC-ACM算法确定初始无灌注区域的边界的具体过程如下：

(1)初始化曲线C为荧光造影眼底图像中的任意曲线，若荧光造影眼底图像中的任意像素p在曲线C上，则令二元变量x_p＝1；否则，另二元变量x_p＝0；

(2)按照以下公式计算荧光造影眼底图像中无灌注区域对分割的边界项c_s和荧光造影眼底图像中背景对分割的边界项c_t；

cs＝(∑_pI(p)(1-x_p))/∑_p(1-x_p)

c_t＝(∑_pI(p)x_p)/(∑_px_p)

其中，I(p)表示像素P的坐标位置；

(3)依据边界项c_s和c_t为能量函数E构造图G；

E＝E_b(p,q)×E′_r(p,q)

其中， $E_{r(p,q)}^{\&prime;}=\underset{p}{\mathrm{\&Sigma;}}\min (({(I\left(p\right)-c_s)}^2+{(I\left(q\right)-c_t)}^2),({(I\left(p\right)-c_t)}^2+{(I\left(q\right)-c_s)}^2));$

$E_{b(p,q)}=\underset{p,q\&Element;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}\underset{p\&Element;N\left(q\right)}{\mathrm{\&Sigma;}}\frac{{\mathrm{\&omega;}}_{\mathrm{pq}}\&times;((1-x_p)x_p+x_p(1-x_q))}{1+\mathrm{\&beta;}|I\left(p\right)-I\left(q\right)|};$

ω_pq代表连接像素p与像素q的边的权值，Δθ_pq是向量边pq和与之距离最近的向量边的向量角之差的绝对值，e_pq为向量pq边的长度，δ为效果参数，0<δ≤1，0<β<100，x_q表示像素q与初始化曲线的位置关系的二元变量；

像素p和像素q在荧光造影眼底图像中的灰度值越接近，δ越趋向0，反之，δ越趋向1；

(4)利用最大流最小割算法计算构造的图像的最小割，图像G将被分为两部分，分别为G₀和G₁，其中G₀包含终端S，G₁包含终端T；

其中，终端S是指荧光造影眼底图像中无灌注区域像素集的子集，终端T是指荧光造影眼底图像中除去无灌注区域剩余的背景像素集的子集；

(5)更新二元变量x_P，如果p∈G₀，则x_p＝0；如果p∈G₁，那么x_p＝1；

(6)利用中值滤波平滑演化曲线，判断能量函数E是否收敛；

(7)若能量函数E收敛，即E取得最小值，以当前的最小割作为初始无灌注区域的边界，如图2所示，否则重复(2)-(6)，直到能量函数E收敛。

由于荧光造影眼底图像的色度信息具有复杂性和不确定性等特点，导致采用NGC-ACM算法对荧光造影眼底图像进行全局提取，效果还不是很好；

无灌注区域与正常眼底组织灰度差值小，边界不清晰，是导致对无灌注区域的提取存在难度的主要原因。由于这种模糊性引起的提取困难，采用FCM算法对图像进行区域划分。经过多次试验与研究，使用四个聚类中心，效果最好，血管、渗出以及絮状物为高亮度；正常眼底为灰色；无灌注区域为黑色；无灌注区域与正常眼底交汇处，因为荧光造影不充分，一般介于灰色与黑色之间。然后将存在无灌注区域的范围提取出来，从而消除之前出现的无效边界，如图4所示。

具体过程如下：

(1)用0到1间的随机数对u_ij进行初始化，u_ij是第i个像素点到第j个聚类中心的隶属度；并初始化迭代次数k＝1，最大迭代次数为k_max；聚类中心数量设定为c，c为正整数，且设定每个聚类中心的灰度阈值其中一个聚类中心的灰度阈值表示荧光造影眼底图像中的无灌注区域的像素灰度，取值范围为8-10；

(2)按以下公式计算每个聚类中心的灰度值c_i：

$c_i=\frac{{\mathrm{\&Sigma;}}_{j=1}^n{u}_{\mathrm{ij}}^m{x}_j}{{\mathrm{\&Sigma;}}_{j=1}^n{u}_{\mathrm{ij}}^m}$

其中，m为加权指数，m∈[1,∞)，n是荧光造影眼底图像中像素的个数，x_j表示荧光造影眼底图像中第j个像素的灰度值；

(3)依次比较每个聚类中心的灰度值c_i与各自对应的聚类中心的灰度阈值是否满足若每个聚类中心的灰度值均满足这个条件，则进入(5)，否则，进入(4)；

【若满足条件，表示当前每个聚类中心的灰度值取到了最佳值，能够完成荧光造影眼底图像聚类的划分；】

(4)令k＝k+1，判断k是否等于设定的最大迭代次数k_max，若等于，进入(4)，否则按以下公式计算出新的u_ij，返回(2)；

(5)利用以下公式计算荧光造影眼底图像中的每个像素的聚类灰度值J(U,c₁,...,c_c)，依据每个聚类中心的灰度值将荧光造影眼底图像划分为c个部分；

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{J}_i=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2$

U为隶属矩阵，即是u_ij的集合；c是聚类中心个数，数据点间的欧几里德距离用d_ij＝||c_i-x_j||；

(6)将荧光造影眼底图像中不属于无灌注区域的这个聚类中心的像素灰度值设为0，属于无灌注区域这个聚类中心的像素灰度值设为255，获得无灌注区域存在范围；

利用聚类中心对整幅荧光造影眼底图像进行聚类，其中有一个聚类代表了无灌注区域存在的范围，其他聚类中心包含的像素就是无灌注区域以外的像素，通过设置的灰度阈值范围，分出四个聚类，然后，将不属于无灌注区域的其他聚类中心的灰度值设为0，代表无灌注区域存在范围的聚类灰度值设为255，从而达到从荧光造影眼底图像中去除其他聚类中心包含的像素目的，就可以确定无灌注区域了。

(7)从步骤1得到的初始无灌注区域的边界所包含的区域中去除代表无灌注区域存在范围的聚类中心包含的像素区域后，以剩余区域对应的边界作为初始无灌注区域的边界。

应用本发明所述方法对原始的荧光造影眼底图像图6(a)进行处理，可以得到准确的无灌注区域提取结果，如图6(b)所示为无灌注提取结果，最后提取结果叠加在原始图像上，结合病人信息便于医生对图像进行诊断和分析。

Claims (5)

1.一种基于NGC-ACM的荧光造影眼底图像提取方法，其特征在于，包括如下步骤：

步骤1：人工选取荧光造影眼底图像中的初始无灌注区域，利用NGC-ACM算法确定初始无灌注区域的边界；

步骤2：去除初始无灌注区域的边界所包含区域中的文字信息和背景区域，得到无灌注区域分布结果图；

步骤3：对无灌注区域分布结果图进行膨胀处理，得到无灌注区域存在范围结果图；

步骤4：将步骤1得到的初始无灌注区域的边界与步骤3得到的无灌注区域存在范围结果图进行求与运算得到无灌注区域的全局分割结果，完成荧光造影眼底图像中无灌注区域的提取；

其中，所述利用NGC-ACM算法确定初始无灌注区域的边界的具体过程如下：

(1)初始化曲线C为荧光造影眼底图像中的任意曲线，若荧光造影眼底图像中的任意像素p在曲线C上，则令二元变量x_p＝1；否则，另二元变量x_p＝0；

(2)按照以下公式计算荧光造影眼底图像中无灌注区域对分割的边界项c_s和荧光造影眼底图像中背景对分割的边界项c_t；

c_s＝(∑_pI(p)(1-x_p))/∑_p(1-x_p)

c_t＝(∑_pI(p)x_p)/(∑_px_p)

其中，I(p)表示像素P的坐标位置；

(3)依据边界项c_s和c_t为能量函数E构造图G；

E＝E_b(p,q)×E′_r(p,q)

其中， $E_{r(p,q)}^{\&prime;}=\underset{p}{\mathrm{\&Sigma;}}\min (({(I\left(p\right)-c_s)}^2+{(I\left(q\right)-c_t)}^2),({(I\left(p\right)-c_t)}^2+{(I\left(q\right)-c_s)}^2));$

$E_{b(p,q)}=\underset{p,q\&Element;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}\underset{p\&Element;N\left(q\right)}{\mathrm{\&Sigma;}}\frac{{\mathrm{\&omega;}}_{\mathrm{pq}}\&times;((1-x_p)x_p+x_p(1-x_q))}{1+\mathrm{\&beta;}|I\left(p\right)-I\left(q\right)|};$

ω_pq代表连接像素p与像素q的边的权值，Δθ_pq是向量边pq和与之距离最近的向量边的向量角之差的绝对值，e_pq为向量pq边的长度，δ为效果参数，0<δ≤1，0<β<100，x_q表示像素q与初始化曲线的位置关系的二元变量；

(4)利用最大流最小割算法计算构造的图像的最小割，图像G将被分为两部分，分别为G₀和G₁，其中G₀包含终端S，G₁包含终端T；

其中，终端S是指荧光造影眼底图像中无灌注区域像素集的子集，终端T是指荧光造影眼底图像中除去无灌注区域剩余的背景像素集的子集；

(5)更新二元变量x_P，如果p∈G₀，则x_p＝0；如果p∈G₁，那么x_p＝1；

(6)利用中值滤波平滑演化曲线，判断能量函数E是否收敛；

(7)若能量函数E收敛，即E取得最小值，以当前的最小割作为初始无灌注区域的边界，否则重复(2)-(6)，直到能量函数E收敛。

2.根据权利要求1所述的基于NGC-ACM的荧光造影眼底图像提取方法，其特征在于，对步骤1得到的初始无灌注区域的边界所包含的区域采用采用FCM算法对图像进行区域聚类划分，以去除无效边界后得到的无灌注区域对应的无灌注区域边界，作为初始无灌注区域的边界，具体过程如下：

(1)用0到1间的随机数对u_ij进行初始化，u_ij是第i个像素点到第j个聚类中心的隶属度；并初始化迭代次数k＝1，最大迭代次数为k_max；聚类中心数量设定为c，c为正整数，且设定每个聚类中心的灰度阈值其中一个聚类中心的灰度阈值表示荧光造影眼底图像中的无灌注区域的像素灰度，取值范围为8-10；

(2)按以下公式计算每个聚类中心的灰度值c_i：

$c_i=\frac{{\mathrm{\&Sigma;}}_{j=1}^n{u}_{\mathrm{ij}}^m{x}_j}{{\mathrm{\&Sigma;}}_{j=1}^n{u}_{\mathrm{ij}}^m}$

其中，m为加权指数，m∈[1,∞)，n是荧光造影眼底图像中像素的个数，x_j表示荧光造影眼底图像中第j个像素的灰度值；

(3)依次比较每个聚类中心的灰度值ci与各自对应的聚类中心的灰度阈值是否满足若每个聚类中心的灰度值均满足这个条件，则进入(5)，否则，进入(4)；

(4)令k＝k+1，判断k是否等于设定的最大迭代次数k_max，若等于，进入(4)，否则按以下公式计算出新的u_ij，返回(2)；

(5)利用以下公式计算荧光造影眼底图像中的每个像素的聚类灰度值J(U,c₁,...,c_c)，依据每个聚类中心的灰度值将荧光造影眼底图像划分为c个部分；

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{J}_i=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2$

U为隶属矩阵，即是u_ij的集合；c是聚类中心个数，数据点间的欧几里德距离用d_ij＝||c_i-x_j||；

(6)将荧光造影眼底图像中不属于无灌注区域的这个聚类中心的像素灰度值设为0，属于无灌注区域这个聚类中心的像素灰度值设为255，获得无灌注区域存在范围；

(7)从步骤1得到的初始无灌注区域的边界所包含的区域中去除代表无灌注区域存在范围的聚类中心包含的像素区域后，以剩余区域对应的边界作为初始无灌注区域的边界。

3.根据权利要求1-2任一项所述的基于NGC-ACM的荧光造影眼底图像提取方法，其特征在于，所述步骤2去除初始无灌注区域的边界所包含区域中的文字信息和背景区域的具体过程如下：

(1)图像二值化；

依据荧光造影眼底图像灰度直方图，设置阈值为T，将荧光造影眼底图像中像素点灰度大于T的设为1，否则为0，得到二值化图像；

(2)形态学处理；

对二值化图像依次进行数学形态学的腐蚀、膨胀以及开闭运算操作，进行去噪、提取边界，获得待处理荧光造影眼底图像的二值化模板；

(3)消除背景信息；

将初始无灌注区域的边界所包含区域图像与二值化模板进行减运算操作，得到无灌注区域存在范围结果图。

4.根据权利要求1所述的基于NGC-ACM的荧光造影眼底图像提取方法，其特征在于，所述步骤3对无灌注区域分布结果图进行膨胀处理时采用15*15像素的矩形作为膨胀单位。

5.根据权利要求3所述的基于NGC-ACM的荧光造影眼底图像提取方法，其特征在于，所述聚类中心的数量c取值为4，其中，4个聚类中心依次包括血管、渗出斑以及微血管瘤区域，无灌注区域，正常眼底组织区域以及正常组织与无灌注区域的交接区，对应的聚类中心灰度阈值分别为240、8、160及80。