CN104933715A - 一种应用于视网膜眼底图像的配准方法 - Google Patents

Abstract

一种应用于视网膜眼底图像的配准方法，属于医学图像处理领域。在经典的SIFT（Scale Invariant Feature Transform）方法基础上，提出新的特征点检测及特征描述方法，提高眼底视网膜图像特征点检测数量和配准精度，使得图像配准效果更好。为了进一步的提高配准的精确度，在配准中引入误配准点剔除策略。经过大量的配准实验表明，本发明可以实现眼底视网膜图像的准确、稳定的配准，克服了SIFT方法在部分视网膜眼底图像中无法实现配准的缺陷。

Description

一种应用于视网膜眼底图像的配准方法

技术领域

本发明属于医学图像处理领域，具体涉及一种应用于视网膜眼底图像的配准方法。

背景技术

视网膜眼底图像是眼科医生常用的一种标准的客观诊断影像，它是由眼底照相机获取。眼底是指内眼后部组织结构的统称，它一般包含视网膜、视神经、脉络膜和黄斑等。研究表明，青光眼、糖尿病视网膜病变和冠心病等病可导致视力下降，是导致眼盲的主要原因。在临床诊疗的过程中，眼科医生需要对同一患者不同时期拍摄的视网膜眼底图像进行对比分析。由于成像角度和成像环境的不同，这时候需要对两幅图像进行高精度的配准。另外，由于眼底相机的视角问题，每幅拍摄的范围有限，就需要将多幅图像进行融合来观测眼部是否出现病变区域。因此，需要对这些视网膜眼底图像进行配准，为后续的视网膜眼底图像融合以及眼底病变检测来做准备。总而言之，视网膜眼底图像配准对视网膜病变的诊断起到了重要作用，所以视网膜眼底图像的配准研究对眼底疾病的早期发现、辅助诊断有着重要的意义。

基于SIFT(Scale Invariant Feature Transform)方法作为当前在医学图像的配准中最广受关注的配准方法之一，其提取图像的特征点十分稳定，同时还解决了图像间发生平移、旋转、仿射变换以及光照变换等情况下的配准问题。但是不可忽视的一点是，该方法提取的特征不是人们视觉意义上的角点，在某些对比度高的医学图像中会检测出大量的特征点，这样将会产生冗余信息，致使在特征描述的时候会严重影响效率；而在对比度比较低的医学图像中，如视网膜眼底图像中，由于SIFT配准方法对特征点候选点的检测条件较为严格，部分 图像检测出来的特征点数量太少，影响配准的精度。

发明内容

针对经典的SIFT方法在部分视网膜眼底图像无法实现的配准缺陷，本发明设计了一种应用于眼底视网膜图像的配准方法。本发明在配准过程中引入了新的特征点检测及特征描述方法，提高眼底视网膜图像特征点检测数量和配准精度。为了进一步的提高配准的精确度，在配准中引入误匹配点剔除策略。本发明的核心技术方案主要有以下两个方面：

1.引入了新的特征点检测方法及特征描述方法

如附图1所示，一个特征结构包含主分叉点和它周边的三个邻居节点，其中，与主分叉点相连的三个点之间的连线的长度分别为l₁,l₂,l₃，角度为α₁,α₂,α₃。定义角度描述特征，k₁＝α₁/α₅/α₉，k₂＝α₂/α₃/α₄，k₃＝α₆/α₇/α₈，k₄＝α₁₀/α₁₁/α₁₂。对对l_i和k_i进行归一化处理， $k_i^{\′}=\frac{k_i^{\′}}{k_1^{\′}+k_2^{\′}+k_3^{\′}+k_4^{\′}},$ 则特征描述向量为：

S＝[l′₁,l′₂,l′₃,k′₁,k′₂,k′₃,k′₄]

2.误匹配点剔除策略的引入

为了进一步提高图像配准精度，本发明采用参考图像特征点之间的欧氏距离的比值与待配准图像相对应的特征点之间的欧氏距离比值相等的准则来剔除误配准点。这样可以进一步提高配准的精度，误配准点剔除策略过程如下所示：

(1)初始化，特征配准点数量为R_max，参考图像与待配准图像之间对应的特征点集分别为M(i)、N(i)，令i＝1；

(2)Data(i)＝d(M(i),M(i+1))/d(N(i),N(i+1))，其中d代表的是两点之间欧氏距离；

(3)统计出Data(i)中出现频率最高的数值h；

(4)计算Data(i)中等于h特征点集合M’，N’即为已经剔除的误匹配集合。

本发明的有益效果在于：

1.提高图像特征点检测的数量

本发明能够相对较好的对眼底视网膜图像的进行特征点提取。附图2是SIFT方法、Harris角点方法、SURF(Speeded Up Robust Features)方法和本发明的方法在不同眼底视网膜图像的特征检测实验结果，可以看出本发明在视网膜眼底图像特征点检测数量上要优于其它的三种方法。表1是四种方法在四幅不同的视网膜眼底图像中提取特征点数量的对比。

表1 四种方法的提取特征点数量对比

2.提高配准的精确度

本发明能够相对准确的实现对医学图像的配准。附图3是SIFT方法、Harris角点方法、SURF方法和本发明的方法对眼底视网膜图像特征配准的实验结果，可以看出本发明在视网膜眼底图像特征点配准对数和配准的精确度要优于其它三种方法。表2所示为选取平移、旋转和光照变换后的眼底视网膜图像中四种方法在配准中误配准点和配准点组数的对比。

表2 眼底图像配准中误配准点和配准点组数的客观评价

综上所述，本发明设计了一种应用于眼底视网膜图像的配准方法。该方法在SIFT方法中引入了分叉结构特征描述，在配准点数量和配准精度上都有了较大的提升，能够很好地实现眼底视网膜图像的配准。

附图说明

图1为分叉结构示意图；

图2为SIFT方法、Harris角点方法、SURF方法和本发明的方法在眼底视网膜图像的特征检测实验结果；

图3为SIFT方法、Harris角点方法、SURF方法和本发明的方法特征配准的实验结果。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

本发明实现医学图像的配准过程依次经过以下步骤：

步骤1：对两幅待配准的图像进行预处理，使其类型一致；

步骤2：提取图像中的SIFT特征结构点集，并进行特征描述；

步骤3：提取图像中的分叉结构点集，并进行特征描述。特征描述的方法如附图1所示，一个特征结构包含主分叉点和它周边的三个邻居节点，k₁＝α₁/α₅/α₉，k₂＝α₂/α₃/α₄，k₃＝α₆/α₇/α₈，k₄＝α₁₀/α₁₁/α₁₂。对l_i和k_i进行归一化处理， ${l_i^{\′}=\frac{l_i}{l_1+l_2+l_3},k}_i^{\′}=\frac{k_i^{\′}}{k_1^{\′}+k_2^{\′}+k_3^{\′}+k_4^{\′}},$ 则特征描述向量为：

S＝[l′₁,l′₂,l′₃,k′₁,k′₂,k′₃,k′₄]

步骤4：依据两幅图像得到的特征点集进行相似度度量，确定配准点对；

步骤5：剔除错误的配准点对，实现两幅图像特征点的配准。其中，利用参考图像特征点之间的欧氏距离的比值与待配准图像相对应的特征点之间的欧氏距离比值相等的准则来剔除错误配准点对。

最后应说明的是，以上实施实例仅用以说明本发明的技术方案而非限制，尽管参照较佳的实施实例对本发明进行了详细的说明，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的修改或等同替换，而不脱离本发明技术方案的精神和范围，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种应用于视网膜眼底图像的配准方法，其特征在于包括以下步骤：

步骤1：对两幅待配准的图像进行预处理，使其类型一致；

步骤2：提取图像中的SIFT特征结构点集，并进行特征描述；

步骤3：提取图像中的分叉结构点集，并进行特征描述；

步骤4：依据两幅图像得到的特征点集进行相似度度量，确定配准点对；

步骤5：剔除错误的配准点对，实现两幅图像的配准。

2.根据权利要求1所述的一种应用于视网膜眼底图像的配准方法，其特征在于：在所述步骤3中使用新的特征点以及特征描述方式，如附图1所示，一个特征结构包含主分叉点和它周边的三个邻居节点，其中，与主分叉点A相连的三个点之间的连线的长度分别为l₁,l₂,l₃，角度为α₁,α₂,α₃，则α₁+α₅+α₉＝2π。那么k₁＝α₁/α₅/α₉是一个定值，同理k₂＝α₂/α₃/α₄，k₃＝α₆/α₇/α₈，k₄＝α₁₀/α₁₁/α₁₂。对l_i和k_i进行归一化处理，则特征描述向量为：

S＝[l′₁,l′₂,l′₃,k′₁,k′₂,k′₃,k′₄]

3.根据权利要求1所述的一种应用于视网膜眼底图像的配准方法，其特征在于：在所述步骤5中引入误配准点剔除策略实现配准，利用参考图像特征点之间的欧氏距离的比值与待配准图像相对应的特征点之间的欧氏距离比值相等准则来剔除误配准点，这样可以进一步提高配准的精度。