CN104835157A - 基于改进pde图像修补的眼底图像视杯自动分割方法 - Google Patents

Abstract

基于改进PDE图像修补的眼底图像视杯自动分割方法，该方法的实现过程如下，读取和归一化原始图像；对原始图像进行通道选择；利用形态学的原理对图像进行增强；基于图像减法的血管位置的定位；利用改进的BSCB模型实现对血管区域的填充修复；对图像进行中值滤波去噪，并利用伽玛变换突出目标区域；以图像上最亮像素点集合质心为初始种子点，利用水平集算法初步获取视杯轮廓。本发明填充修复血管以后的图像在一定程度上消除了血管区域对视杯分割的影响，提高了视盘分割的准确性；利用水平集方法进行视杯的轮廓获取，实现了种子点的自动选取；减少了传统半自动方法中的人工干预。

Description

基于改进PDE图像修补的眼底图像视杯自动分割方法

技术领域

本发明属于医学图像处理领域，涉及一种改进的基于偏微分方程(PDE)的BSCB图像修补模型，实现了眼底图像视杯的自动分割。

背景技术

由多种原因引起的眼底及视神经组织病变被称为眼底视神经疾病(如青光眼、糖尿病视网膜病变等)，这些疾病都具有致盲的风险。这类疾病在世界范围内发病率很高，且呈现上升的趋势，而眼底图像中视杯大小的变化，对青光眼等病变的早期诊断和治疗具有重要的指导意义，因此，眼底图像视杯的自动分割是眼部相关病变计算机辅助诊断的关键技术。

目前，有很多眼底图像视杯自动分割方面的研究。这些方法大体上分为三种：基于形态学的方法，基于水平集的椭圆拟合方法，基于视杯边缘先验信息的方法。基于形态学的视杯分割方法是利用形态学的一系列原理和方法去分割视杯，Babu等人在图像的绿色通道利用模糊C均值聚类和小波变换的方法分割视盘；基于水平集的椭圆拟合视杯分割方法中，视杯边缘以可变梯度的方式来表示，梯度流方程以一个特定的阈值进行初始化，根据设定的终止条件终止后得到视杯边缘，随后对视杯边缘进行椭圆拟合以确定最终边缘；基于视杯边缘先验信息的视杯分割以视杯边缘存在血管扭结为主要先验信息，采用一系列数学方法去定位此类血管扭结，进而得到视杯边缘。

但是，现今的视杯自动分割方法还很有限，由于在视杯的分割过程中，目前方法容易受血管原因导致的视杯边缘不清晰的影响，造成分割结果的欠准确性，因此，现有方法的分割结果还停留在初步阶段。如果可以找到一种能在一定程度上消除血管影响的方法，然后再进行后续的分割工作，就能够解决以上问题。

发明内容

本发明的目的正是针对上述现有技术中存在的问题，针对眼底图像中血管结构对视杯分割带来的影响，对图像中的血管结构进行定位和修复，再进行后续的视盘分割，提高了视杯分割的准确性。

为实现上述目的，本发明采用的技术方案为基于改进PDE图像修补的眼底图像视杯自动分割方法，该方法的实现过程如下，读取和归一化原始图像；对原始图像进行通道选择；利用形态学的原理对图像进行增强；基于图像减法的血管位置的定位；利用改进的BSCB模型实现对血管区域的填充修复；对图像进行中值滤波去噪，并利用伽玛变换突出目标区域；以图像上最亮像素点集合质心为初始种子点，利用水平集算法获取视杯轮廓。

本发明的特征在于采取以下步骤：

步骤1，读取和归一化原始图像；

步骤2，对原始图像进行通道选择；

步骤3，利用形态学的原理对图像进行增强；

步骤4，基于图像减法的血管位置的定位；

步骤5，利用改进的BSCB模型实现对定位到的血管区域进行填充修复；

步骤6，对图像进行中值滤波去噪，并利用伽玛变换突出目标区域；

步骤7，以图像上最亮像素点集合的质心为初始种子点，利用水平集算法获取视杯轮廓。

与现有技术相比，本发明的有益效果是：

1.本发明的视杯自动分割方法将预处理后的图像进行基于改进的BSCB模型的血管填充修复，填充修复血管以后的图像在一定程度上消除了血管区域对视杯分割的影响，提高了视盘分割的准确性；

2.取图像中最亮像素集合的质心为初始种子点，利用水平集方法进行视杯的轮廓获取，实现了种子点的自动选取；

3.本发明实现了视杯的全自动分割，在保证准确性和分割速度的前提下，减少了传统半自动方法中的人工干预。

附图说明

图1为本发明所涉及方法的流程框图；

图2为原始图像；

图3为绿色通道的图像；

图4为图像增强后的图像；

图5为血管位置定位结果；

图6为血管等照线方向示意图；

图7为血管填充修复后的结果；

图8为中值滤波去噪后的结果；

图9为伽玛变换后的结果；

图10为水平集算法获取的视杯轮廓。

具体实施方式

步骤1，读取原始图像，将图像大小归一化到1440*960像素，如图2。

步骤2，对原始图像进行通道选择，选取目标区域最为突出的绿色通道图像U_G进行视杯的分割，如图3。

步骤3，通过形态学的原理对图像进行增强，本方法利用图像顶帽和底帽变换对图像进行增强：

T_hat(U_G)＝U_G-(U_GοSE)

B_hat(U_G)＝(U_G·SE)-U_G

U_CE＝(U_G+T_hat(U_G))-B_hat(U_G)

式中：符号“ο”表示图像进行开运算，符号“·”表示图像进行闭运算。SE为结构元素，取5*5的圆形结构元。T_hat(U_G)为顶帽变换后的图像，B_hat(U_G)为底帽变换后的图像，U_CE为对比度增强后的图像，图像增强后的图像如图4。

步骤4，将步骤3中图像U_CE中值滤波后图像U_med(i,j)与图像U_CE(i,j)相减，根据结果中灰度信息进行血管位置的粗定位：

式中，中值滤波采用25*25的窗口，U_GB(i,j)大于零的部分即为血管位置，血管粗提取结果如图5。

步骤5，利用改进的BSCB模型实现对血管区域的快速填充修复。

已知初始图像u₀(i,j)(步骤3中的U_CE)，待修复区域为D(步骤4中的血管位置区域)，其边界为N为边缘的法线方向。修复时由已知区域沿着等照度线方向(▽I_p垂直方向)向内部未知区域不断扩散至D附近的灰度信息，使不断缩小，最后修复整个D.其迭代公式为：

uⁿ⁺¹(i,j)＝uⁿ(i,j)+Δtu_τ ⁿ(i,j)

式中，(i,j)为像素点位置，n为迭代次数，Δt为迭代速率，u_τ ⁿ(i,j)为对当前图像的更新，初始图像：

u⁰(i,j)＝u₀(i,j)

$u_{\mathrm{\τ}}(i,j)={\∂L}^n(i,j)\·{\∂N}^n(i,j)$

Lⁿ(i,j)为传递的信息，表示信息的变化，Nⁿ(i,j)为传递的方向。

达到稳态时uⁿ⁺¹(i,j)＝uⁿ(i,j)，因此uⁿ⁺¹(i,j)＝uⁿ(i,j)＝0

传统BSCB模型中，Lⁿ(i,j)用简单的离散拉普拉斯算子计算：

$L^n(i,j)=u_{\mathrm{xx}}^n(i,j)+u_{\mathrm{yy}}^n(i,j)$

在眼底图像血管的填充修复过程中，本方法用和去代替上式中的和采用单像素点的和构建信息来修补图像是为了把修补区域外围的纹理信息延伸到被修复区域，而对于眼底图像中视盘和视杯内部的血管区域来说，修复的目的是为了消除血管对分割算法的影响，并不需要考虑纹理信息。因此用3*3区域的像素的均值来表示传递的信息，可以消除噪声的影响，使血管区域像素值更均匀一致，有利于水平集算法对视杯的分割。

$\begin{array}{c}\stackrel{\‾}{u_{\mathrm{xx}}^n}(i,j)=((u_{\mathrm{xx}}^n(i-1,j-1)+u_{\mathrm{xx}}^n(i-1,j)+u_{\mathrm{xx}}^n(i-1,j+1)+u_{\mathrm{xx}}^n(u,j-1)\\ +u_{\mathrm{xx}}^n(i,j)+u_{\mathrm{xx}}^n(i,j+1)+u_{\mathrm{xx}}^n(i+1,j-1)+u_{\mathrm{xx}}^n(i+1,j)+u_{\mathrm{xx}}^n(i+1,j+1))/9\end{array}$

$\begin{array}{c}\stackrel{\‾}{u_{\mathrm{yy}}^n}(i,j)=((u_{\mathrm{yy}}^n(i-1,j-1)+u_{\mathrm{yy}}^n(i-1,j)+u_{\mathrm{yy}}^n(i-1,j+1)+u_{\mathrm{yy}}^n(u,j-1)\\ +u_{\mathrm{yy}}^n(i,j)+u_{\mathrm{yy}}^n(i,j+1)+u_{\mathrm{yy}}^n(i+1,j-1)+u_{\mathrm{yy}}^n(i+1,j)+u_{\mathrm{yy}}^n(i+1,j+1))/9\end{array}$

然后计算沿Nⁿ方向的选择等照度线的方向作为N的方向，如图6所示。

离散梯度向量▽uⁿ(i,j)指向等照度线的法线方向，扩散过程中为防止扩散方向相互交叉，可采用异性扩散方程：

$\frac{\∂u}{\∂t}(x,y,t)=g^{\mathrm{\ϵ}}(x,y)k(x,y,t)|\▿u(x,y,t)|$

式中，(x,y)∈D^ε,D^ε是指对D的边界信息通过半径为ε的结构元进行形态学膨胀后得到的区域。k(x,y,t)代表曲率，g^ε(x,y)函数在修复区域边界处为0，在区域D里面为1。

本发明中迭代次数n取30，迭代速率Δt取0.1，血管填充修复后的结果如图7。

步骤6，对图像进行中值滤波，并利用伽玛变换突出感兴趣区域。

为了消除改进的BSCB模型处理后图像中存在的小噪声，对图像进行中值滤波，此步骤中值滤波采用9*9的窗口进行，滤波后的图像如图8。

伽玛变换的公式为：

j＝(i+esp)^γ

其中，i为变换前的灰度值，j为变换后的灰度值，esp为补偿系数，γ为伽玛系数。本发明中γ取值为5，伽玛变换后的图像如图9。

步骤7，以图像上最亮像素点集合的质心为初始种子点，利用水平集算法获取视杯轮廓；

$\begin{array}{cc}{X}_c=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{X}_i& y_c=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{y}_i\end{array}$

式中，(x_i,y_i)为寻找到的最亮像素点，(x_c,y_c)为最亮像素点集合的质心，以此质心为初始种子点，利用水平集算法对视杯的初始轮廓进行提取：

水平集演化方程： $\frac{\∂\mathrm{\φ}}{\∂t}={\mathrm{\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)[\mathrm{\μ}\mathrm{div}\left(\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right)-\mathrm{\υ}-{\mathrm{\λ}}_1{(I-c_1)}^2+{\mathrm{\λ}}_2{(I-c_2)}^2]$

式中：φ为水平集函数，t为时间(水平集函数φ是时间t的函数，t是水平集函数的演化时间)，▽为梯度，div表示散度；δ_ε(φ)[-λ₁(I-c1)²+λ₂(I-c2)²]驱动零水平集曲线向真实的边缘靠近，表示狄拉克(Dirac)函数； $\begin{array}{cc}{c}_1^n=\frac{\underset{i,j}{\mathrm{\Σ}}{H}_{\mathrm{\ϵ}}\left(u_{\mathrm{ij}}^n\right)I_{\mathrm{ij}}}{\underset{i,j}{\mathrm{\Σ}}{H}_{\mathrm{\ϵ}}\left(u_{\mathrm{ij}}^n\right)}& c_2^n=\frac{\underset{i,j}{\mathrm{\Σ}}(1-H_{\mathrm{\ϵ}}\left(u_{\mathrm{ij}}^n\right)I_{\mathrm{ij}})}{\underset{i,j}{\mathrm{\Σ}}(1-H_{\mathrm{\ϵ}}\left(u_{\mathrm{ij}}^n\right))}\end{array}$ 分别是对水平集曲线的内部和外部灰度平均值c₁和c₂的计算。

式中，υ为水平集曲线长度权重，μ为内部能量权重，λ₁、λ₂为收敛驱动力权重，ε为狄拉克(Dirac)函数的参数。本方法中，ε＝0.02，λ₁＝1.0，λ₂＝2.0，Δt＝0.1，υ＝0和μ＝0.01*255*255，参数I为待分割眼底图像，为零水平集曲线。

水平集演化方程的每次迭代都会使零水平集曲线向待检测边缘靠近，前后两次演化中零水平集曲线的变化在给定阈值范围内时，迭代结束，本方法所设定的阈值为99％，即当前后两次演化中零水平集曲线在99％以上重合时演化结束，此时演化边界线即为生成视杯轮廓。

视盘轮廓提取结果如图10所示。

下面给出对于眼底图像视杯分割结果准确性的评价。为了评价本发明视杯自动分割区域和视杯真实区域重叠情况，引入F值(F-score)作为评价指标，其值由准确率(precision)和召回率(recall)两个指标来计算，计算方法如下：

$\begin{array}{ccc}\mathrm{precision}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}& \mathrm{recall}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}& F-\mathrm{score}=2\frac{\mathrm{precision}\·\mathrm{recall}}{\mathrm{precision}+\mathrm{recall}}\end{array}$

式中，TP(True Positive)表示真阳性率，FP(False Positive)表示假阳性率，FN(FalseNegative)表示假阴性率。F值应在0到1之间，分割方法越精确，F值越高。

为了验证本发明方法，选取了临床获得的25例眼底图像作为实验样本，对25例眼底数码图像分别利用基于形态学的算法，基于水平集的椭圆拟合算法，基于先验信息的算法和本发明算法，进行视杯分割，评价结果如表1所示；

表1.25例眼底数码图像视杯分割结果F值评价

由上表实验结果可知，本发明的视杯自动分割算法的F值均值为0.77，高于现有的几种视杯分割算法。说明本发明的基于改进的BSCB模型和水平集算法的视杯自动分割方法在视杯全自动分割的同时，保证了较好的分割准确性。

本发明以眼底图像视杯的自动分割为研究目的，着重阐述了如何利用改进的BSCB模型和水平集算法自动分割出视杯区域。本发明利用改进的BSCB模型减少了血管对视杯边缘的影响，提高了视杯分割的准确性，水平集算法中选取最亮像素点集合质心为初始种子点，实现了种子点的自动选取，实现了视杯分割的全自动化。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.基于改进PDE图像修补的眼底图像视杯自动分割方法，其特征在于：

本方法的特征在于采取以下步骤，

步骤1，读取和归一化原始图像；

步骤2，对原始图像进行通道选择；

步骤3，利用形态学的原理对图像进行增强；

步骤4，基于图像减法的血管位置的定位；

步骤5，利用改进的BSCB模型实现对定位到的血管区域进行填充修复；

步骤6，对图像进行中值滤波去噪，并利用伽玛变换突出目标区域；

步骤7，以图像上最亮像素点集合的质心为初始种子点，利用水平集算法获取视杯轮廓。

2.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法，其特征在于：步骤1，读取原始图像，将图像大小归一化到1440*960像素。

3.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法，其特征在于：步骤2，对原始图像进行通道选择，选取目标区域最为突出的绿色通道图像U_G进行视杯的分割。

4.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法，其特征在于：步骤3，通过形态学的原理对图像进行增强，本方法利用图像顶帽和底帽变换对图像进行增强：

T_hat(U_G)＝U_G-(U_GοSE)

B_hat(U_G)＝(U_G·SE)-U_G

U_CE＝(U_G+T_hat(U_G))-B_hat(U_G)

式中：符号“ο”表示图像进行开运算，符号“·”表示图像进行闭运算；SE为结构元素，取5*5的圆形结构元；T_hat(U_G)为顶帽变换后的图像，B_hat(U_G)为底帽变换后的图像，U_CE为对比度增强后的图像。

5.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法，其特征在于：步骤4，将步骤3中图像U_CE中值滤波后图像U_med(i,j)与图像U_CE(i,j)相减，根据结果中灰度信息进行血管位置的粗定位：

式中，中值滤波采用25*25的窗口，U_GB(i,j)大于零的部分即为血管位置。

6.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法，其特征在于：步骤5，利用改进的BSCB模型实现对血管区域的快速填充修复；

已知初始图像u₀(i,j)(步骤3中的U_CE)，待修复区域为D(步骤4中的血管位置区域)，其边界为N为边缘的法线方向；修复时由已知区域沿着等照度线方向(▽I_p垂直方向)向内部未知区域不断扩散至D附近的灰度信息，使不断缩小，最后修复整个D.其迭代公式为：

uⁿ⁺¹(i,j)＝uⁿ(i,j)+Δtu_τ ⁿ(i,j)

式中，(i,j)为像素点位置，n为迭代次数，Δt为迭代速率，u_τ ⁿ(i,j)为对当前图像的更新，初始图像：

u⁰(i,j)＝u₀(i,j)

$u_{\mathrm{\τ}}(i,j)=\∂L^n(i,j)\·\∂N^n(i,j)$

Lⁿ(i,j)为传递的信息，表示信息的变化，Nⁿ(i,j)为传递的方向；

达到稳态时uⁿ⁺¹(i,j)＝uⁿ(i,j)，因此uⁿ⁺¹(i,j)＝uⁿ(i,j)＝0

传统BSCB模型中，Lⁿ(i,j)用简单的离散拉普拉斯算子计算：

$L^n(i,j)=u_{\mathrm{xx}}^n(i,j)+u_{\mathrm{yy}}^n(i,j)$

在眼底图像血管的填充修复过程中，本方法用和去代替上式中的和采用单像素点的和构建信息来修补图像是为了把修补区域外围的纹理信息延伸到被修复区域，而对于眼底图像中视盘和视杯内部的血管区域来说，修复的目的是为了消除血管对分割算法的影响，并不需要考虑纹理信息；因此用3*3区域的像素的均值来表示传递的信息，可以消除噪声的影响，使血管区域像素值更均匀一致，有利于水平集算法对视杯的分割；

$\begin{array}{c}\stackrel{\‾}{u_{\mathrm{xx}}^n}(i,j)=((u_{\mathrm{xx}}^n(i-1,j-1)+u_{\mathrm{xx}}^n(i-1,j)+u_{\mathrm{xx}}^n(i-1,j+1)+u_{\mathrm{xx}}^n(u,j-1)\\ +u_{\mathrm{xx}}^n(i,j)+u_{\mathrm{xx}}^n(i,j+1)+u_{\mathrm{xx}}^n(i+1,j-1)+u_{\mathrm{xx}}^n(i+1,j)+u_{\mathrm{xx}}^n(i+1,j+1))/9\end{array}$

$\begin{array}{c}\stackrel{\‾}{u_{\mathrm{yy}}^n}(i,j)=((u_{\mathrm{yy}}^n(i-1,j-1)+u_{\mathrm{yy}}^n(i-1,j)+u_{\mathrm{yy}}^n(i-1,j+1)+u_{\mathrm{yy}}^n(u,j-1)\\ +u_{\mathrm{yy}}^n(i,j)+u_{\mathrm{yy}}^n(i,j+1)+u_{\mathrm{yy}}^n(i+1,j-1)+u_{\mathrm{yy}}^n(i+1,j)+u_{\mathrm{yy}}^n(i+1,j+1))/9\end{array}$

然后计算沿Nⁿ方向的选择等照度线的方向作为N的方向；

离散梯度向量▽uⁿ(i,j)指向等照度线的法线方向，扩散过程中为防止扩散方向相互交叉，可采用异性扩散方程：

$\frac{\∂u}{\∂t}(x,y,t)=g^{\mathrm{\ϵ}}(x,y)k(x,y,t)|\▿u(x,y,t)|$

式中，(x,y)∈D^ε,D^ε是指对D的边界信息通过半径为ε的结构元进行形态学膨胀后得到的区域；k(x,y,t)代表曲率，g^ε(x,y)函数在修复区域边界处为0，在区域D里面为1；

本方法中迭代次数n取30，迭代速率Δt取0.1。

7.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法，其特征在于：步骤6，对图像进行中值滤波，并利用伽玛变换突出感兴趣区域；

为了消除改进的BSCB模型处理后图像中存在的小噪声，对图像进行中值滤波，此步骤中值滤波采用9*9的窗口进行；

伽玛变换的公式为：

j＝(i+esp)^γ

其中，i为变换前的灰度值，j为变换后的灰度值，esp为补偿系数，γ为伽玛系数；本方法中γ取值为5。

8.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法，其特征在于：步骤7，以图像上最亮像素点集合的质心为初始种子点，利用水平集算法获取视杯轮廓；

$x_c=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i,y_c=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{y}_i$

式中，(x_i,y_i)为寻找到的最亮像素点，(x_c,y_c)为最亮像素点集合的质心，以此质心为初始种子点，利用水平集算法对视杯的初始轮廓进行提取：

水平集演化方程： $\frac{\∂\mathrm{\φ}}{\∂t}={\mathrm{\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)[\mathrm{\μ}\mathrm{div}\left(\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right)-\mathrm{\υ}-{\mathrm{\λ}}_1{(I-c_1)}^2+{\mathrm{\λ}}_2{(I-c_2)}^2]$

式中：φ为水平集函数，t为时间(水平集函数φ是时间t的函数，t是水平集函数的演化时间)，▽为梯度，div表示散度；δ_ε(φ)[-λ₁(I-c1)²+λ₂(I-c2)²]驱动零水平集曲线向真实的边缘靠近，表示狄拉克(Dirac)函数； $c_1^n=\frac{\underset{i,j}{\mathrm{\Σ}}{H}_{\mathrm{\ϵ}}\left(u_{\mathrm{ij}}^n\right)I_{\mathrm{ij}}}{\underset{i,j}{\mathrm{\Σ}}{H}_{\mathrm{\ϵ}}\left(u_{\mathrm{ij}}^n\right)},c_2^n=\frac{\underset{i,j}{\mathrm{\Σ}}(1-H_{\mathrm{\ϵ}}\left(u_{\mathrm{ij}}^n\right)I_{\mathrm{ij}})}{\underset{i,j}{\mathrm{\Σ}}(1-H_{\mathrm{\ϵ}}\left(u_{\mathrm{ij}}^n\right))}$ 分别是对水平集曲线的内部和外部灰度平均值c₁和c₂的计算；

式中，υ为水平集曲线长度权重，μ为内部能量权重，λ₁、λ₂为收敛驱动力权重，ε为狄拉克(Dirac)函数的参数；本方法中，ε＝0.02，λ₁＝1.0，λ₂＝2.0，Δt＝0.1，υ＝0和μ＝0.01*255*255，参数I为待分割眼底图像，φ＝0为零水平集曲线；

水平集演化方程的每次迭代都会使零水平集曲线向待检测边缘靠近，前后两次演化中零水平集曲线的变化在给定阈值范围内时，迭代结束，本方法所设定的阈值为99％，即当前后两次演化中零水平集曲线在99％以上重合时演化结束，此时演化边界线即为生成视杯轮廓。

9.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法，其特征在于：为了评价视杯自动分割区域和视杯真实区域重叠情况，引入F值(F-score)作为评价指标，其值由准确率(precision)和召回率(recall)两个指标来计算，计算方法如下：

$\mathrm{precision}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}},\mathrm{recall}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}},F-\mathrm{score}=2\frac{\mathrm{precision}\·\mathrm{recall}}{\mathrm{precision}+\mathrm{recall}}$

式中，TP(True Positive)表示真阳性率，FP(False Positive)表示假阳性率，FN(FalseNegative)表示假阴性率；F值应在0到1之间，分割方法越精确，F值越高。