CN104933715A - 一种应用于视网膜眼底图像的配准方法 - Google Patents
一种应用于视网膜眼底图像的配准方法 Download PDFInfo
- Publication number
- CN104933715A CN104933715A CN201510333654.0A CN201510333654A CN104933715A CN 104933715 A CN104933715 A CN 104933715A CN 201510333654 A CN201510333654 A CN 201510333654A CN 104933715 A CN104933715 A CN 104933715A
- Authority
- CN
- China
- Prior art keywords
- registration
- feature
- image
- point
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
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
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li和ki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]
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Rmax,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li和ki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]
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li和ki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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510333654.0A CN104933715A (zh) | 2015-06-16 | 2015-06-16 | 一种应用于视网膜眼底图像的配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510333654.0A CN104933715A (zh) | 2015-06-16 | 2015-06-16 | 一种应用于视网膜眼底图像的配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104933715A true CN104933715A (zh) | 2015-09-23 |
Family
ID=54120869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510333654.0A Pending CN104933715A (zh) | 2015-06-16 | 2015-06-16 | 一种应用于视网膜眼底图像的配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104933715A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761254A (zh) * | 2016-02-04 | 2016-07-13 | 浙江工商大学 | 基于图像特征的眼底图像配准方法 |
CN106651827A (zh) * | 2016-09-09 | 2017-05-10 | 浙江大学 | 一种基于sift特征的眼底图像配准方法 |
CN106846293A (zh) * | 2016-12-14 | 2017-06-13 | 海纳医信(北京)软件科技有限责任公司 | 图像处理方法和装置 |
CN107358606A (zh) * | 2017-05-04 | 2017-11-17 | 深圳硅基智能科技有限公司 | 用于识别糖尿病视网膜病变的人工神经网络及系统 |
CN107564048A (zh) * | 2017-09-25 | 2018-01-09 | 南通大学 | 基于分叉点特征配准方法 |
CN108876770A (zh) * | 2018-06-01 | 2018-11-23 | 山东师范大学 | 一种眼底多光谱图像联合配准方法及系统 |
CN110728705A (zh) * | 2019-09-24 | 2020-01-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111932593A (zh) * | 2020-07-21 | 2020-11-13 | 湖南中联重科智能技术有限公司 | 基于触摸屏手势校正的图像配准方法、系统及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080068560A1 (en) * | 2004-12-02 | 2008-03-20 | Knighton Robert W | Enhanced optical coherence tomography for anatomical mapping |
US20090265287A1 (en) * | 2008-04-11 | 2009-10-22 | Haas Alfred M | Adaptive Programmable Template Matching System |
CN101593351A (zh) * | 2008-05-28 | 2009-12-02 | 中国科学院自动化研究所 | 基于距离变换和刚性变换参数估计的眼底图像配准方法 |
WO2010119596A1 (ja) * | 2009-04-16 | 2010-10-21 | キヤノン株式会社 | 医用画像処理装置及びその制御方法 |
CN102908120A (zh) * | 2012-10-09 | 2013-02-06 | 北京大恒图像视觉有限公司 | 眼底图像的配准方法、眼底图像中视盘神经、血管的测量方法及眼底图像的拼接方法 |
CN103810709A (zh) * | 2014-02-25 | 2014-05-21 | 南京理工大学 | 基于血管的眼底图像与sd-oct投影图像配准方法 |
-
2015
- 2015-06-16 CN CN201510333654.0A patent/CN104933715A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080068560A1 (en) * | 2004-12-02 | 2008-03-20 | Knighton Robert W | Enhanced optical coherence tomography for anatomical mapping |
US20090265287A1 (en) * | 2008-04-11 | 2009-10-22 | Haas Alfred M | Adaptive Programmable Template Matching System |
CN101593351A (zh) * | 2008-05-28 | 2009-12-02 | 中国科学院自动化研究所 | 基于距离变换和刚性变换参数估计的眼底图像配准方法 |
WO2010119596A1 (ja) * | 2009-04-16 | 2010-10-21 | キヤノン株式会社 | 医用画像処理装置及びその制御方法 |
CN102908120A (zh) * | 2012-10-09 | 2013-02-06 | 北京大恒图像视觉有限公司 | 眼底图像的配准方法、眼底图像中视盘神经、血管的测量方法及眼底图像的拼接方法 |
CN103810709A (zh) * | 2014-02-25 | 2014-05-21 | 南京理工大学 | 基于血管的眼底图像与sd-oct投影图像配准方法 |
Non-Patent Citations (6)
Title |
---|
HOOVER A等: "Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels", 《IEEE TRANSACTIONS MEDICAL IMAGING》 * |
S CHAUDHURI等: "Detection of blood vessels in retinal images matched using two dimensional filters", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
S.TAMURA等: "Semiautomatic leakage analyzing system for time series fluorescein ocular fundus angiography", 《PATTERN RECOGNIT》 * |
沈奔: "基于局部血管结构的眼底图像配准", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
范雪婷等: "改进仿射尺度不变特征变换算法的图像配准", 《计算机应用》 * |
黄琳琳等: "新的眼底图像配准方法的研究", 《计算机工程与应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761254B (zh) * | 2016-02-04 | 2019-01-01 | 浙江工商大学 | 基于图像特征的眼底图像配准方法 |
CN105761254A (zh) * | 2016-02-04 | 2016-07-13 | 浙江工商大学 | 基于图像特征的眼底图像配准方法 |
CN106651827A (zh) * | 2016-09-09 | 2017-05-10 | 浙江大学 | 一种基于sift特征的眼底图像配准方法 |
CN106651827B (zh) * | 2016-09-09 | 2019-05-07 | 浙江大学 | 一种基于sift特征的眼底图像配准方法 |
CN106846293B (zh) * | 2016-12-14 | 2020-08-07 | 海纳医信(北京)软件科技有限责任公司 | 图像处理方法和装置 |
CN106846293A (zh) * | 2016-12-14 | 2017-06-13 | 海纳医信(北京)软件科技有限责任公司 | 图像处理方法和装置 |
CN107358606A (zh) * | 2017-05-04 | 2017-11-17 | 深圳硅基智能科技有限公司 | 用于识别糖尿病视网膜病变的人工神经网络及系统 |
CN107564048A (zh) * | 2017-09-25 | 2018-01-09 | 南通大学 | 基于分叉点特征配准方法 |
CN107564048B (zh) * | 2017-09-25 | 2020-08-21 | 南通大学 | 基于分叉点特征配准方法 |
CN108876770A (zh) * | 2018-06-01 | 2018-11-23 | 山东师范大学 | 一种眼底多光谱图像联合配准方法及系统 |
CN108876770B (zh) * | 2018-06-01 | 2021-06-25 | 山东师范大学 | 一种眼底多光谱图像联合配准方法及系统 |
CN110728705A (zh) * | 2019-09-24 | 2020-01-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN110728705B (zh) * | 2019-09-24 | 2022-07-15 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111932593A (zh) * | 2020-07-21 | 2020-11-13 | 湖南中联重科智能技术有限公司 | 基于触摸屏手势校正的图像配准方法、系统及设备 |
CN111932593B (zh) * | 2020-07-21 | 2024-04-09 | 湖南中联重科智能技术有限公司 | 基于触摸屏手势校正的图像配准方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104933715A (zh) | 一种应用于视网膜眼底图像的配准方法 | |
He et al. | Multi-modal retinal image classification with modality-specific attention network | |
Xiong et al. | An approach to evaluate blurriness in retinal images with vitreous opacity for cataract diagnosis | |
Almazroa et al. | Optic disc and optic cup segmentation methodologies for glaucoma image detection: a survey | |
Masumoto et al. | Deep-learning classifier with an ultrawide-field scanning laser ophthalmoscope detects glaucoma visual field severity | |
Li et al. | Automated feature extraction in color retinal images by a model based approach | |
Septiarini et al. | AUTOMATIC GLAUCOMA DETECTION BASED ON THE TYPE OF FEATURES USED: A REVIEW. | |
Zhu et al. | Digital image processing for ophthalmology: Detection of the optic nerve head | |
Kaur et al. | A method of disease detection and segmentation of retinal blood vessels using fuzzy C-means and neutrosophic approach | |
Khan et al. | CDR based glaucoma detection using fundus images: a review | |
Chu et al. | Quantifying choriocapillaris flow deficits using global and localized thresholding methods: a correlation study | |
Suero et al. | Locating the Optic Disc in Retinal Images Using Morphological Techniques. | |
Nawaldgi | Review of automated glaucoma detection techniques | |
Sakthivel et al. | An automated detection of glaucoma using histogram features | |
Rodrigues et al. | Retinal vessel segmentation using parallel grayscale skeletonization algorithm and mathematical morphology | |
Gour et al. | Challenges for ocular disease identification in the era of artificial intelligence | |
Chen et al. | Combination of enhanced depth imaging optical coherence tomography and fundus images for glaucoma screening | |
Pandey et al. | Detection of glaucoma disease using image processing, soft computing and deep learning approaches | |
Aruchamy et al. | Automated glaucoma screening in retinal fundus images | |
Yugander et al. | Extraction of blood vessels from retinal fundus images using maximum principal curvatures and adaptive histogram equalization | |
Pk et al. | Automated identification of diabetic retinopathy—A survey | |
Lotankar et al. | Glaucoma Screening using Digital Fundus Image through Optic Disc and Cup Segmentation | |
Kawde et al. | Early detection of glaucoma disease using image processing | |
Nugroho et al. | Detection of foveal avascular zone in colour retinal fundus images | |
Hutami et al. | Adaptive Localization and Segmentation of Optic Disc using K-means and Active Contour |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150923 |
|
WD01 | Invention patent application deemed withdrawn after publication |