CN105261015B - 基于Gabor滤波器的眼底图像血管自动分割方法 - Google Patents
基于Gabor滤波器的眼底图像血管自动分割方法 Download PDFInfo
- Publication number
- CN105261015B CN105261015B CN201510638912.6A CN201510638912A CN105261015B CN 105261015 B CN105261015 B CN 105261015B CN 201510638912 A CN201510638912 A CN 201510638912A CN 105261015 B CN105261015 B CN 105261015B
- Authority
- CN
- China
- Prior art keywords
- image
- filter
- blood vessel
- gabor filter
- gabor
- 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.)
- Expired - Fee Related
Links
Classifications
-
- 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
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
基于Gabor滤波器的眼底图像血管自动分割方法,在保证分割结果有效性的同时,有效减少了滤波器的方向,实现了滤波器参数以及阈值的自动选取。算法首先在预处理阶段选取血管对比度最优的绿色通道图像,利用20个不同角度的Gabor滤波器对眼底图像血管边缘进行粗提取,然后,以滤波器的最大响应作为血管的粗定位位置,在滤波器参数选择中,本发明引入了优化的ICA算法实现了参数的自动选取,在二值化阈值选择中,在准确率最大原则的基础上实现阈值的自动选择,最后,利用形态学处理后得到的图像掩膜,去除分割边缘假阳性区域,得到血管的最终分割结果。
Description
技术领域
本发明属于医学图像处理领域,涉及一种基于Gabor滤波器的眼底图像血管自动分割算法,算法在实现全自动分割的同时,保证了分割结果的有效性。
背景技术
眼底血管是人体唯一可以非创伤观察的较深层微血管,其直径、弯曲程度和颜色等结构变化可以反映人体高血压、糖尿病以及动脉粥样硬化等临床病理特征。由于眼部血管的直径变化范围较大,而且血管走向复杂,使得人工血管分割相对困难,通过计算机辅助操作系统,建立眼部血管分析诊断平台,将有助于提高临床诊断水平。眼底数码照相为眼底检测提供了便捷直观的手段,利用图像处理技术对眼底血管进行定量检测,将有助于医生进行临床病理诊断,具有重要的临床意义。
自20世纪70年代以来,随着计算机技术的不断发展和完善,眼底图像血管分割技术的研究也逐渐深入。近年来涌现出了大量的血管分割方法,如血管追踪法、分类器方法、区域增长方法、活动轮廓模型方法、数学形态学方法、小波变换方法、匹配滤波方法、多尺度方法、模糊理论方法等。
但是,由于眼底图像血管与背景的对比度相对较低,特别是医学成像时受噪声污染,眼底图像的分析诊断仍然存在一定的困难,且很难实现自动化。为解决以上问题,眼底血管的分割工作在充分考虑到保证分割精度的同时,实现分割参数和阈值的自动选取也尤为关键。
发明内容
针对上述现有技术中存在的问题,本发明设计了基于Gabor滤波器的眼底图像血管分割算法,在保证分割结果有效性的同时,有效减少了滤波器的方向,实现了滤波器参数以及阈值的自动选取,算法具体流程如图1。
算法首先在预处理阶段选取血管对比度最优的绿色通道图像,利用20个不同角度的Gabor滤波器对眼底图像血管边缘进行粗提取,然后,以滤波器的最大响应作为血管的粗定位位置,在滤波器参数选择中,本发明引入了优化的Imperialism competitivealgorithm(ICA)算法实现了参数的自动选取,在二值化阈值选择中,在准确率最大原则的基础上实现阈值的自动选择,最后,利用形态学处理后得到的图像掩膜,去除分割边缘假阳性区域,得到血管的最终分割结果。
为实现上述目的,本发明的特征在于采取以下步骤:
步骤1,原始图像的预处理;
步骤2,利用20个间隔为1°的Gabor滤波器去获取血管的边缘信息,以具有最大响应的图像作为血管的粗分割结果;
步骤3,利用优化的ICA算法实现Gabor滤波器参数的最优化自动选取;
步骤4,利用准确率最大原则的系统研究法决定有效的阈值,对初分割图像进行二值化;
步骤5,基于形态学的二值化图像后处理,得到眼底图像血管最终分割结果。
与现有技术相比,本发明的有益效果是:
1.本发明在实验基础上,将传统Gabor滤波器的方向从180个降低为20个;
2.本发明实现了基于ICA方法的Gabor滤波器参数的自动选取;
3.在保证高准确率的情况下,实现了分割阈值的自动选取。
附图说明
图1 本发明所涉及方法的流程框图;
图2 原始图像;
图3 绿色通道图像;
图4 Gabor滤波器全幅值响应图;
图5 阈值选取原理图;
图6 图像二值化结果;
图7 图像掩膜;
图8 血管分割结果。
具体实施方式
步骤1,读取原始图像,如图1,分别获取原始图像的红色(R)、绿色(G)、蓝色(B)通道图像,选取三个通道图像中血管对比度最强的绿色通道为后续处理的输入图像,如图2。
步骤2,Gabor滤波器是一个用于边缘检测的线性滤波器。在空域,一个二维的Gabor滤波器具有在空间域和频率域同时取得最优局部化的特性,与人类生物视觉特性很相似,因此能够很好地描述对应于空间频率(尺度)、空间位置及方向选择性的局部结构信息。Gabor滤波器是自相似的,也就是说,所有Gabor滤波器都可以从一个母小波经过膨胀和旋转产生。实际应用中,Gabor滤波器可以在频域的不同尺度,不同方向上提取相关特征。Gabor滤波器的核函数如下:
式中,g(x,y)为滤波器的幅值响应,σx和σy是x和y方向的标准差,fo是曲线的频率。余弦曲线有一个宽度τ,其中fo=1/τ,L为宽度垂直平方向上的高度。
传统滤波器中,共有范围中的180个间隔1°的不同角度的核函数被用于眼底图像中血管的边缘提取。本方法选取DRIVE数据库中的20幅图像,对不同方向个数的滤波器进行分割结果灵敏性,特异性和准确率的分析实验,结果发现当角度间隔为1°的Gabor滤波器大于20个时,分割性能不再随着滤波器个数的增多而变得更优,因此本方法在保证系统性能的前提下,将传统Gabor滤波器中的180个角度降低为20个。其中角度旋转过程中的的坐标变换公式如下:
x′=x cosθ+y sinθ
y′=-x sinθ+y cosθ
式中,(x′,y′)是每个旋转后的θ值所对应的坐标。180个不同角度(θ)的Gabor滤波器gθ(x,y)作用于图像Ι(x,y)将得到一系列的滤波器响应Gθ(x,y),计算公式如下:
Gθ(x,y)=I(x,y)*gθ(x,y)
式中,*代表卷积运算.为有效检测血管位置,在每一个像素点(x,y),只有最大的响应才会被保留。保留最大值后的Gabor滤波器的各个方向响应R(x,y)计算公式如下:
R(x,y)=Max(Gθ(x,y))
随后,利用对数函数抑制全响应中的峰值,表达式如下:
式中,为对数函数处理后的滤波器相应图像,Ln为对数运算。
步骤3,Gabor滤波器有很多参数,其中最重要的是空间的宽度τ和高度L,分割结果的好坏很大程度上取决于这两个参数。本发明中采用Atashpaz-Gargari和Luca于2007年提出的ICA的方法进行两个参数的最优化选择,首先,获得数据库中的训练集中每幅图像的最优参数,取所有图像最优参数的平均值作为本发明的参数,其次将以上确定的参数用于图像测试集,本发明中数据库的训练集和测试集是完全分开的。ICA优化方法分别在[0.1,20](间隔为0.1)和[0.1,15](间隔为0.1)范围对每幅图像依次实验获取其各个最优宽度和高度,而后得到各个最优宽度平均值和高度平均值作为本发明的滤波器宽度和高度值。
步骤4,将图像的灰度值阈值化得到二值图像Ω(x,y),二值化公式如下:
式中,ψth是二值化的阈值,二值化的结果是得到血管的分割结果.在阈值的确定过程中,首先通过图像统计的方法确定能使每幅图像准确率达到最大化的阈值,其原理如图5,然后计算所有图像阈值的平均值为本发明中的阈值。
步骤5,为提取图像中的有效分割区域Φ(x,y),本发明将步骤4中的二值化图像Ω(x,y)与一个形态学腐蚀操作后的二值化图像掩膜Μ(x,y)逐像素相乘来去除分割结果中有效区域外围的假阳性部分,确保整幅图像中只保留眼底区域为有效的分割区域。
Φ(x,y)=Ω(x,y)[Μ(x,y)θΒ]
式中,θ表示形态学的腐蚀操作,B表示一个圆形的结构元。
为了评价本发明对于眼底图像血管分割结果的有效性,本方法引入敏感性SE(Sensitivity)、特异性SP(Specificity)、精确度ACC(Accuracy)三个评价指标,具体计算方法如下:
Sensitivity=TP/(TP+FN)
Specificity=TN/(TN+FP)
Accuracy=(TP+TN)/(TP+FN+TN+FP)
式中,TP(True Positive)表示真阳性率,FP(False Positive)表示假阳性率,FN(False Negative)表示假阴性率,TN(True Negative)表示真阴性率。
为了验证本方法,选取DRIVE数据库中的的20例眼底图像作为实验样本,对20例眼底数码图像分别利用二维匹配滤波法,基于数学形态学的方法,区域增长法,自适应阈值法,Snake模型,高斯一阶导数匹配滤波法,传统Gabor滤波法,基于分水岭的方法进行血管分割,评价结果如表1所示;
表1. 20例眼底数码图像不同血管分割结果评价均值
方法 | SE | SP | ACC |
二维匹配滤波法 | 0.6168 | 0.9741 | 0.9284 |
基于数学形态学的方法 | 0.6969 | 0.9769 | 0.9377 |
区域增长法 | 0.6600 | 0.9620 | 0.9220 |
自适应阈值法 | 0.6478 | 0.9625 | 0.9222 |
Snake模型 | 0.6634 | 0.9682 | 0.9316 |
高斯一阶导数匹配滤波法 | 0.7120 | 0.9724 | 0.9382 |
传统Gabor滤波法 | 0.6865 | 0.9756 | 0.9366 |
基于分水岭的方法 | 0.7192 | 0.9773 | 0.9442 |
本方法 | 0.6933 | 0.9777 | 0.9392 |
由上表实验结果可知,本发明血管自动分割算法的特异性和准确率分别为0.9777和0.939,高于现有的几种血管分割算法。说明本发明在实现血管全自动分割的同时,保证了较好的分割特异性和准确性。
本发明以眼底图像血管的自动分割为研究目的,着重阐述了利用Gabor滤波器和ICA相结合的方法进行视网膜图像血管分割的算法。本发明实现了滤波器相关参数的自动选取;在保持算法分割有效性的同时,且准确率最大的情况下,实现了阈值自动选取。
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 (4)
1.基于Gabor滤波器的眼底图像血管自动分割方法,本方法设计了基于Gabor滤波器的眼底图像血管分割算法,在保证分割结果有效性的同时,有效减少了滤波器的方向,实现了滤波器参数以及阈值的自动选取;
首先在预处理阶段选取血管对比度最优的绿色通道图像,利用20个不同角度的Gabor滤波器对眼底图像血管边缘进行粗提取,然后,以滤波器的最大响应作为血管的粗定位位置,在滤波器参数选择中,引入优化的ICA(Imperialism competitive algorithm)算法实现了参数的自动选取,在二值化阈值选择中,在准确率最大原则的基础上实现阈值的自动选择,最后,利用形态学处理后得到的图像掩膜,去除分割边缘假阳性区域,得到血管的最终分割结果;
其特征在于:本方法的特征在于采取以下步骤,
步骤1,原始图像的预处理;
步骤2,利用20个间隔为1°的Gabor滤波器去获取血管的边缘信息,以具有最大响应的图像作为血管的粗分割结果;
步骤3,利用优化的ICA算法实现Gabor滤波器参数的最优化自动选取;
步骤4,利用准确率最大原则的系统研究法决定有效的阈值,对初分割图像进行二值化;
步骤5,基于形态学的二值化图像后处理,得到眼底图像血管最终分割结果。
2.根据权利要求1所述的基于Gabor滤波器的眼底图像血管自动分割方法,其特征在于:步骤1,读取原始图像,分别获取原始图像的红色(R)、绿色(G)、蓝色(B)通道图像,选取三个通道图像中血管对比度最强的绿色通道为后续处理的输入图像;
步骤2,Gabor滤波器是一个用于边缘检测的线性滤波器;在空域,一个二维的Gabor滤波器具有在空间域和频率域同时取得最优局部化的特性,与人类生物视觉特性很相似,因此能够很好地描述对应于空间频率、空间位置及方向选择性的局部结构信息;Gabor滤波器是自相似的,也就是说,所有Gabor滤波器都可以从一个母小波经过膨胀和旋转产生;实际应用中,Gabor滤波器可以在频域的不同尺度,不同方向上提取相关特征;Gabor滤波器的核函数如下:
式中,g(x,y)为滤波器的幅值响应,σx和σy是x和y方向的标准差,fo是曲线的频率;余弦曲线有一个宽度τ,其中fo=1/τ,L为垂直方向上的高度;
传统滤波器中,共有范围中的180个间隔1°的不同角度的核函数被用于眼底图像中血管的边缘提取;选取DRIVE数据库中的20幅图像,对不同方向个数的滤波器进行分割结果灵敏性,特异性和准确率的分析实验,结果发现当角度间隔为1°的Gabor滤波器大于20个时,分割性能不再随着滤波器个数的增多而变得更优,因此本方法在保证系统性能的前提下,将传统Gabor滤波器中的180个角度降低为20个;其中角度旋转过程中的坐标变换公式如下:
x′=x cosθ+y sinθ
y′=-x sinθ+y cosθ
式中,(x',y')是每个旋转后的θ值所对应的坐标;180个不同角度θ的Gabor滤波器gθ(x,y)作用于图像I(x,y)将得到一系列的滤波器响应Gθ(x,y),计算公式如下:
Gθ(x,y)=I(x,y)*gθ(x,y)
式中,*代表卷积运算,为有效检测血管位置,在每一个像素点(x,y),只有最大的响应才会被保留;保留最大值后的Gabor滤波器的各个方向响应R(x,y)计算公式如下:
随后,利用对数函数抑制全响应中的峰值,表达式如下:
式中,为对数函数处理后的滤波器相应图像,Ln为对数运算;
步骤3,Gabor滤波器有很多参数,其中最重要的是空间的宽度τ和高度L,分割结果的好坏很大程度上取决于这两个参数;
步骤4,将图像的灰度值阈值化得到二值图像Ω(x,y),二值化公式如下:
式中,ψth是二值化的阈值,二值化的结果是得到血管的分割结果,在阈值的确定过程中,首先通过图像统计的方法确定能使每幅图像准确率达到最大化的阈值,然后计算所有图像阈值的平均值为本方法中的阈值;
步骤5,为提取图像中的有效分割区域Φ(x,y),本方法将步骤4中的二值化图像Ω(x,y)与一个形态学腐蚀操作后的二值化图像掩膜M(x,y)逐像素相乘来去除分割结果中有效区域外围的假阳性部分,确保整幅图像中只保留眼底区域为有效的分割区域;
Φ(x,y)=Ω(x,y)[M(x,y)ΘB]
式中,Θ表示形态学的腐蚀操作,B表示一个圆形的结构元。
3.根据权利要求2所述的基于Gabor滤波器的眼底图像血管自动分割方法,其特征在于:步骤3中,首先,获得数据库中的训练集中每幅图像的最优参数,取所有图像最优参数的平均值作为本方法的参数,其次将以上确定的参数用于图像测试集,本方法中数据库的训练集和测试集是完全分开的;ICA优化方法分别在[0.1,20]间隔为0.1和[0.1,15]间隔为0.1范围对每幅图像依次实验获取其各个最优宽度和高度,而后得到各个最优宽度平均值和高度平均值作为本方法的滤波器宽度和高度值。
4.根据权利要求2所述的基于Gabor滤波器的眼底图像血管自动分割方法,其特征在于:为了评价本方法对于眼底图像血管分割结果的有效性,本方法引入敏感性SE即Sensitivity、特异性SP即Specificity、精确度ACC即Accuracy三个评价指标,具体计算方法如下:
Sensitivity=TP/(TP+FN)
Specificity=TN/(TN+FP)
Accuracy=(TP+TN)/(TP+FN+TN+FP)
式中,TP即True Positive表示真阳性率,FP即False Positive表示假阳性率,FN即False Negative表示假阴性率,TN即True Negative表示真阴性率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510638912.6A CN105261015B (zh) | 2015-09-29 | 2015-09-29 | 基于Gabor滤波器的眼底图像血管自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510638912.6A CN105261015B (zh) | 2015-09-29 | 2015-09-29 | 基于Gabor滤波器的眼底图像血管自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105261015A CN105261015A (zh) | 2016-01-20 |
CN105261015B true CN105261015B (zh) | 2018-01-12 |
Family
ID=55100687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510638912.6A Expired - Fee Related CN105261015B (zh) | 2015-09-29 | 2015-09-29 | 基于Gabor滤波器的眼底图像血管自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105261015B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530283A (zh) * | 2016-10-20 | 2017-03-22 | 北京工业大学 | 一种基于svm的医疗图像血管识别方法 |
CN106780439B (zh) * | 2016-11-29 | 2019-05-28 | 瑞达昇医疗科技(大连)有限公司 | 一种筛选眼底图像的方法 |
CN107742316B (zh) * | 2016-12-13 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 图像拼接点获取方法及获取装置 |
CN107092863A (zh) * | 2017-03-24 | 2017-08-25 | 重庆邮电大学 | 一种变电站巡检机器人的指针式仪表读数识别方法 |
CN106960437B (zh) * | 2017-03-24 | 2020-04-14 | 重庆邮电大学 | 一种电力巡检机器人的油浸电力变压器液位检测方法 |
CN108053415B (zh) * | 2017-12-14 | 2020-05-22 | 广西科技大学 | 基于改进非经典感受野的仿生轮廓检测方法 |
CN109859146A (zh) * | 2019-02-28 | 2019-06-07 | 电子科技大学 | 一种基于U-net卷积神经网络的彩色眼底图像血管分割方法 |
CN110009626A (zh) * | 2019-04-11 | 2019-07-12 | 北京百度网讯科技有限公司 | 用于生成图像的方法和装置 |
CN110838101B (zh) * | 2019-10-18 | 2021-06-11 | 四川大学 | 一种基于边缘特性的图像分割质量评价方法 |
CN111161287A (zh) * | 2019-12-05 | 2020-05-15 | 山东科技大学 | 基于对称双向级联网络深度学习的视网膜血管分割方法 |
CN112308872B (zh) * | 2020-11-09 | 2023-06-23 | 西安工程大学 | 基于多尺度Gabor一阶导数的图像边缘检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982542A (zh) * | 2012-11-14 | 2013-03-20 | 天津工业大学 | 一种基于相位一致性的眼底图像血管分割方法 |
CN104835157A (zh) * | 2015-05-04 | 2015-08-12 | 北京工业大学 | 基于改进pde图像修补的眼底图像视杯自动分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012136079A1 (en) * | 2011-04-07 | 2012-10-11 | The Chinese University Of Hong Kong | Method and device for retinal image analysis |
-
2015
- 2015-09-29 CN CN201510638912.6A patent/CN105261015B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982542A (zh) * | 2012-11-14 | 2013-03-20 | 天津工业大学 | 一种基于相位一致性的眼底图像血管分割方法 |
CN104835157A (zh) * | 2015-05-04 | 2015-08-12 | 北京工业大学 | 基于改进pde图像修补的眼底图像视杯自动分割方法 |
Non-Patent Citations (1)
Title |
---|
Fast detection and segmentation in retinal blood vessels using Gabor filters;Farokhian F et al;《Signal Processing and Communications Applications Conference(SIU),2014 22nd.IEEE》;20140425;第1507-1511页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105261015A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261015B (zh) | 基于Gabor滤波器的眼底图像血管自动分割方法 | |
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
Lu et al. | Automatic optic disc detection from retinal images by a line operator | |
CN109325942B (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
Zhao et al. | Retinal vessels segmentation based on level set and region growing | |
CN107292877B (zh) | 一种基于眼底图像特征的左右眼识别方法 | |
Rangayyan et al. | Detection of the optic nerve head in fundus images of the retina with Gabor filters and phase portrait analysis | |
CN107248161A (zh) | 一种多特征融合的有监督视网膜血管提取方法 | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
CN108986106A (zh) | 面向青光眼临床诊断的视网膜血管自动分割方法 | |
CN105825516A (zh) | 一种dicom影像血流分析系统 | |
CN109829942A (zh) | 一种眼底图像视网膜血管管径自动量化方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN102982542A (zh) | 一种基于相位一致性的眼底图像血管分割方法 | |
CN106157279A (zh) | 基于形态学分割的眼底图像病变检测方法 | |
CN106296670A (zh) | 一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法 | |
CN104299242A (zh) | 基于ngc-acm的荧光造影眼底图像提取方法 | |
CN109087310A (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
CN108846827B (zh) | 一种基于多圆快速分割眼底视盘的方法 | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN108665474B (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 | |
CN104715459B (zh) | 血管图像增强方法 | |
CN115272231A (zh) | 一种非增殖性糖尿病视网膜病变分级方法 | |
CN106372593B (zh) | 一种基于血管收敛的视盘区定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180112 Termination date: 20200929 |
|
CF01 | Termination of patent right due to non-payment of annual fee |