CN105488799A - 彩色眼底图像微动脉瘤自动检测方法 - Google Patents

Abstract

本发明涉及一种基于圆形双边Gabor滤波和局部梯度分析的彩色眼底图像微动脉瘤自动检测方法，该方法首先对彩色眼底图像的绿色通道进行预处理；然后采用圆形双边滤波提取候选者并阈值分割，移除主血管；最后计算局部梯度方向直方图，依据微动脉瘤梯度方向各异性，剔除细小血管，计算局部对比度和圆度，滤除噪声和出血点，实现微动脉瘤的自动检测。本发明利用微动脉瘤灰度和结构信息及与细小血管的局部灰度差异，能够克服光照不均、对比度低和细小血管所带来的影响，不仅能够准确检测大尺寸、高对比度、单一背景的微动脉瘤，对于小尺寸、低对比度和靠近血管及黄斑等复杂背景的微动脉瘤也具有很好的检测效果，最终实现微动脉瘤的自动检测。

Description

彩色眼底图像微动脉瘤自动检测方法

技术领域

本发明涉及彩色眼底图像微动脉瘤自动检测方法，该方法不受光照、对比度和细小血管干扰所带来的影响，对眼底图像中大尺寸、对比度较高、背景单一的微动脉瘤和小尺寸、对比度和靠近血管及黄斑等复杂背景的微动脉瘤都有很好的检测效果，属于图像处理技术领域，可应用于眼科诊断中糖尿病视网膜病变的微动脉瘤的自动化检测。

背景技术

糖尿病是继肿瘤、心血管病变之后第三大严重威胁人类健康的慢性疾病。糖尿病视网膜病变是主要的并发症之一，目前成为世界致盲眼病之首。微动脉瘤是糖尿病视网膜病变的第一病症，对于糖尿病视网膜病变的早期诊断和预防具有重要意义。临床中对于微动脉瘤的诊断方式主要是靠医生在彩色眼底图像中手动标注，耗时费力。基于眼底图像对微动脉瘤进行智能化的自动检测不仅可辅助医生进行临床诊断，而且有利于糖尿病视网膜病变的普查。

但在彩色眼底图像成像时，受到拍摄条件、人眼结构及眼底不同病变程度等客观因素的影响，导致眼底图像中普遍存在光照不均、对比度低和多噪声等干扰。同时由于微动脉瘤尺寸较小、与局部组织背景对比度低，所以大大增加了微动脉瘤检测的难度。目前针对微动脉瘤的检测方法已经得到不错的效果，但检测结果易受到细小血管以及背景噪声的干扰，降低了检测方法的准确率。

发明内容

本发明的目的是克服现有技术的上述不足，提供一种能够有效排除细小血管和背景噪声干扰的彩色眼底图像微动脉瘤自动检测方法。为此，本发明采用如下的技术方案。

彩色眼底图像微动脉瘤自动检测方法，包括下列步骤：

1.获取彩色眼底图像，提取绿色通道，进行对比度增强；

2.并采用圆形双边Gabor滤波并阈值分割，提取微动脉瘤候选者；

3.采用低帽变换对增强结果提取主血管并移除；

4.计算以候选者为中心的局部灰度梯度方向，计算梯度方向直方图；

5.依据微动脉瘤的尺寸特性，以候选者为中心，建立大小为a×a邻域和b×b的局部区域，分别计算两个区域的对比度，滤除噪声；

6.依据微动脉瘤的类圆形结构特性，计算候选者的圆度，剔除出血点。

本发明具有如下的技术效果：

1.适用性强。本发明不受眼底图像光照、对比度和噪声的影响，对眼底图像质量要求不高，可同时适用于散瞳和免散瞳的彩色眼底图像。

2.准确度高。本发明在检测过程中，基于微动脉瘤的结构和灰度特性，采用圆形双边Gabor滤波提取微动脉瘤候选者，在微动脉瘤精确提取时仅移除主血管，降低漏检，通过计算局部梯度直方图剔除细小血管，有效降低误检。

3.本发明分别对国际针对微动脉瘤检测提供的公共眼底数据库和医院提供的数据库进行了测试，均获得了较好的检测结果。

附图说明

图1：本发明的微动脉瘤自动检测方法流程图。

图2：输入彩色眼底图像，提取绿色通道。图2-1为彩色眼底图像，图2-2为绿色通道图像。

图3：预处理后图像。

图4：主血管提取结果。

图5：采用圆形双边Gabor滤波的候选者提取结果。

图6：主血管提取结果。

图7：局部梯度矢量场。图7-1为微动脉瘤的局部梯度矢量场，图7-2为细小血管的局部梯度矢量场。

图8：局部梯度方向直方图。图8-1为微动脉瘤的局部梯度方向直方图，图8-2为细小血管的局部梯度方向直方图。

图9：微动脉瘤精确提取结果。

图10：ROC库和医院图库的微动脉瘤检测结果。图10-1为ROC中微动脉瘤的检测结果，图10-2为医院图库中的微动脉瘤检测结果。

具体实施方式

本发明的流程如图1所示，该方法首先采用对比度增强算法对彩色眼底图像的绿色通道进行预处理，增强对比度；然后采用低帽变换提取眼底主血管，并采用圆形双边Gabor滤波并阈值分割，提取微动脉瘤候选者；然后计算以候选者为中心的局部灰度梯度，构建梯度方向直方图，依据微动脉瘤梯度矢量场的方向各异性，提出细小血管，以候选者为中心计算局部区域内的对比度和圆度，滤除噪声和出血点，实现微动脉瘤的自动检测。下面结合附图，对本发明技术方案的具体实施过程加以说明。

1.图像预处理

首先输入彩色眼底图像(如图2-1所示)，然后提取绿色通道(如图2-2所示)，采用对比度增强算法对图像进行预处理(如图3所示)。

2.微动脉瘤候选者提取

2.1圆形双边Gabor滤波

由于血管具有较强的方向性，而微动脉瘤属于弱小目标，并无明显方向，当利用传统的Gabor滤波提取微动脉瘤候选者时，血管对提取结果会产生极大的干扰，真正的微动脉瘤却常被漏检。而圆形Gabor滤波具有良好的高斯特性，其圆形结构与微动脉瘤相似。同时为了抑制背景、降低背景复杂度，利用双边滤波可以抑制背景突出边缘的良好特性，本发明将圆形Gabor滤波与双边滤波结合，构造圆形双边Gabor滤波器

其中I(i)为图像中任意一点，j是其邻域N中的像素点，G_Re(x，y)和r(i，j，σ_r)分别是圆形Gabor滤波器的实部和亮度距离因子，σ_r为亮度距离标准差。

在预处理结果的基础上进行滤波，滤波结果如图4所示。

2.2.阈值分割

为确定候选点集，需对滤波后结果进行阈值分割，得到候选者。微动脉瘤灰度分布和滤波后的结果如图5所示。由于微动脉瘤的灰度分布呈“倒高斯”状(如图5-1所示)，其中心的输出响应C_center＜0或|C_center|≈0(如图5-2所示)。本发明依据输出响应确定分割阈值T_C，设C(i)为其中任意一点i处的滤波响应，阈值分割方法为

3.低帽变换提取眼底主血管

由于血管的局部特征与微动脉瘤相近，因此会被当作微动脉瘤，导致误检，所以需要移除血管。精确分割血管并移除，会将靠近血管和类似细小血管的微动脉瘤一并移除，造成漏检。为克服这一局限性，采用低帽变换仅分割出主血管如图6所示，并从眼底图像中将其移除，在降低血管干扰的同时避免漏检。

4.计算局部梯度方向直方图

对于细小血管上的点，其特征与微动脉瘤相似，因此必须利用其周围像素点的特征加以区分。在以候选者为中心的局部邻域内，处于血管上的点具有方向性，而微动脉瘤无明显方向，所以通过计算局部邻域内的梯度方向，可有效分辨微动脉瘤和细小血管。

首先选取以候选者为中心、大小为m×m的区域，计算该区域内像素的灰度梯度方向

其中和分别为像素点L处沿x和y方向的灰度梯度。然后以θ为间隔将[-π，π]划分为k个子区间，统计子区间内像素的梯度方向直方图。

微动脉瘤和小血管上点的梯度矢量场如图7所示，微动脉瘤中心点与周围像素点方向各异，而血管上点在某一方向上存在某些点的梯度矢量方向相近。对应的梯度方向直方图如图8所示，横坐标为各方向区间的中心值，纵坐标为梯度方向在对应方向区间内的像素点个数。图8-1无主峰，而对于细小血管上的点，则会出现一个明显主峰(如图8-2所示)。因此通过判断梯度方向直方图有无主峰即可判断该点是否在细小血管上。

5.计算对比度和圆度

5.1计算对比度

在上述筛选结果基础上，本发明依据微动脉瘤的灰度取值范围以及结构特性，计算候选者的局部对比度，剔除噪声点，得到最终筛选结果。由于微动脉瘤的直径通常在15μm-60μm，通过对所有图像进行统计，微动脉瘤的大小在4-25像素。因此在计算局部对比度时，将以候选者为中心的a×a邻域作为候选者的小背景区域，以b×b的区域作为局部背景区域，分别计算局部对比度，

c＝∑δ(s，t)²P_δ(s，t)(7)

其中δ(s，t)为相邻两个像素s、t间的灰度差，P_δ(s，t)为相邻像素间的灰度差为δ的像素分布概率。对于微动脉瘤，其小邻域的对比度低，局部背景区域对比度高，而噪声作为孤立点，在小邻域和局部背景区域内，对比度均较低。所以通过以候选者为中心的小邻域和局部背景的对比度，可以滤除噪声点。

5.2计算圆度

在候选者中还有部分出血点，灰度特性与微动脉瘤相似，但是其形状不规则，而微动脉瘤的结构为圆形，因此本文计算候选者的圆度，剔除不符合该结构特性的伪目标，

S候选者像素个数，n为候选者边缘像素个数。本发明选取圆度阈值T_RD。当RD≥T_RD时，判定该候选者为圆形结构，最终得到筛选结果如图9所示。

本发明提出一种基于圆形双边Gabor滤波和局部梯度分析的彩色眼底图像微动脉瘤自动检测方法。该方法基于微动脉瘤的结构和灰度信息，不仅能检测大尺寸、对比度较高、单一背景的微动脉瘤(如图10-1所示)，对于小尺寸、对比度和靠近血管及黄斑等复杂背景的微动脉瘤也具有很好的检测效果(如图10-2所示)。

Claims (4)

1.一种彩色眼底图像微动脉瘤自动检测方法，所述方法包括下列步骤：

步骤1：获取彩色眼底图像，提取绿色通道，进行对比度增强；

步骤2：采用圆形双边Gabor滤波并阈值分割，提取微动脉瘤候选者；

步骤3：采用低帽变换对增强结果提取主血管并移除；

步骤4：计算以候选者为中心的局部灰度梯度方向，计算梯度方向直方图；

步骤5：依据微动脉瘤的尺寸特性，以候选者为中心，建立大小为a×a的邻域和b×b的局部区域，分别计算两个区域的对比度，滤除噪声；

步骤6：依据微动脉瘤的类圆形结构特性，计算候选者的圆度，剔除出血点，实现微动脉瘤的自动检测。

2.根据权利要求1所述的彩色眼底图像微动脉瘤自动检测方法，其特征在于，步骤2中，基于微动脉瘤的结构和灰度特性，构造圆形双边Gabor滤波器

$C\left(i\right)=\frac{{\mathrm{\Σ}}_{j\∈N}{G}_{\mathrm{Re}}(x,y)r(i,j,{\mathrm{\σ}}_r)I\left(i\right)}{{\mathrm{\Σ}}_{j\∈N}r(i,j,{\mathrm{\σ}}_r)}---\left(1\right)$

其中I(i)为图像中任意一点，j是其邻域N中的像素点，G_Re(x，y)为圆形Gabor滤波器的实部，符合微动脉瘤的特性；r(i，j，σ_r)为双边滤波的亮度距离因子，σ_r为亮度距离标准差，在提取微动脉瘤候选者时有效抑制背景，突出弱边缘。

3.根据权利要求1所述的彩色眼底图像微动脉瘤自动检测方法，其特征在于，步骤3中，仅移除主血管，避免将靠近血管的微动脉瘤一并剔除，造成漏检。

4.根据权利要求1所述的彩色眼底图像微动脉瘤自动检测方法，其特征在于，步骤4中，基于微动脉瘤局部方向各异、细小血管方向性明显的差异，选取以候选者为中心、大小为m×m的区域，计算该区域内像素的灰度梯度方向

其中和分别为像素点L处沿x和y方向的灰度梯度；然后以θ为间隔将[-π，π]划分为k个子区间，统计子区间内像素的梯度方向直方图，将具有明显主峰的细小血管剔除。