CN105718919A - 一种眼底图像视盘定位方法及系统 - Google Patents
一种眼底图像视盘定位方法及系统 Download PDFInfo
- Publication number
- CN105718919A CN105718919A CN201610073960.XA CN201610073960A CN105718919A CN 105718919 A CN105718919 A CN 105718919A CN 201610073960 A CN201610073960 A CN 201610073960A CN 105718919 A CN105718919 A CN 105718919A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- texture
- angiosomes
- ballot
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Ophthalmology & Optometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种眼底图像视盘定位方法及系统,所述方法包括:提取眼底图像中的血管区域;获取血管区域图像中每一像素的血管纹理方向;在血管区域图像中,按照预设规则对像素投票,以获得投票数最大的像素确定为视盘中心,预设规则包括:以被投像素预设邻域内的每一像素作为投票像素,当被投像素与投票像素形成的线段方向与投票像素的血管纹理方向的夹角位于预设范围内时,则向被投像素投票。本发明所述眼底图像视盘定位方法及系统,基于眼底图像中血管分布和视盘之间更稳定的拓扑结构和相对位置进行视盘定位,受图像亮度、对比度等影响小,可提高眼底图像中视盘定位的准确性。
Description
技术领域
本发明涉及医学数字图像处理技术领域,特别是涉及一种眼底图像视盘定位方法及系统。
背景技术
眼底图像是唯一通过直接观察或拍摄能显示的体内血管图像,可为临床医生提供一个可能的窗口观察视网膜结构,包括视盘(也称为视神经盘)、动静脉和黄斑。眼底图像分析不仅可以辅助诸如青光眼、白内障等眼病的诊断和治疗,也有助于临床医生检查某些全身性血管病变,如糖尿病、高血压等。因此,眼底镜检查已成为在医学实践中一个重要的非侵入性检查,临床医生通过对视网膜形态变化进行定期检查,可以达到对全身性疾病进行筛查和对视网膜疾病进行诊断的作用。
视盘即视神经盘,是视网膜由黄斑向鼻侧约3mm处的一直径约1.5mm、境界清楚的淡红色圆盘状结构,它是视网膜上神经纤维和视网膜血管汇集穿出眼球的部位,因此是视网膜血管网最密集的区域,血管由视盘向整个视网膜区域延伸。视盘是眼底图像的重要特征,其大小、形状和颜色的形态变化是用于诊断各种疾病的重要指标。
在眼底图像检测中,视盘定位是对眼底图像进行分析和诊断的前提之一,视盘定位不仅可用于视盘中心的位置估计和视盘分割,也有助于确定其它视网膜结构(如黄斑)的位置,甚至可以进行参数测量。
发明内容
鉴于此,本发明的目的是提供一种眼底图像视盘定位方法及系统,基于视盘位置和血管结构的拓扑特征进行视盘定位,能够提高对眼底图像视盘定位的准确性。
为实现上述目的,本发明提供如下技术方案:
一种眼底图像视盘定位方法,包括:
提取眼底图像中的血管区域;
获取血管区域图像中每一像素的血管纹理方向;
按照预设规则对血管区域图像中的像素投票,以获得投票数最大的像素确定为视盘中心,所述预设规则包括:以被投像素预设邻域内的每一像素作为投票像素,当所述被投像素与所述投票像素形成的线段方向与所述投票像素的血管纹理方向的夹角在预设范围内时,则向所述被投像素投票。
可选地,所述提取眼底图像中的血管区域包括:
采用形态学顶帽算法对所述眼底图像作处理;
采用大津法分割处理后的所述眼底图像,低于阈值的区域图像为背景,高于阈值的区域图像为血管区域。
可选地,采用形态学顶帽算法对所述眼底图像作处理包括:
选择直径大于血管直径最大值的圆盘结构元素,对所述眼底图像作顶帽算法处理。
可选地,获取血管区域图像中像素的血管纹理方向包括:
分别以N个方向的二维Gabor滤波器与像素图像卷积运算,得到对应N个方向的纹理响应,以幅值最大的纹理响应对应的方向确定为该像素的血管纹理方向,所述N个方向均匀地分布于[0,π]范围内,所述N为大于零的正整数。
可选地,获取血管区域图像中像素的血管纹理方向还包括:
分别以N个方向的二维Gabor滤波器与像素图像卷积运算,得到对应N个方向的纹理响应,所述N个方向均匀地分布于[0,π]范围内,所述N为大于零的正整数;
从得到的N个所述纹理响应中获取幅值最大的两个纹理响应,对应的幅值为Eω,φ1(p)和Eω,φ2(p);并按照以下公式计算方向置信度Conf(p),
其中,p指像素点,φ表示纹理方向,ω表示纹理尺度,E⊥ ω,φ1(p)、E⊥ ω,φ2(p)分别为对应于Eω,φ1(p)、Eω,φ1(p)的正交纹理响应幅值;
判断方向置信度Conf(p)是否大于预设阈值,若否,则去除该像素点,不参与投票。
可选地,若判断方向置信度Conf(p)大于所述预设阈值,则:
校正所述幅值最大的两个纹理响应的幅值和方向,包括:
Eφ1(p)=Eω,φ1(p)-E⊥ ω,φ1(p),φ1(p)=φ1,ω(p);
Eφ2(p)=Eω,φ2(p)-E⊥ ω,φ2(p),φ2(p)=φ2,ω(p);
其中,Eφ1(p)和Eφ2(p)分别是所述幅值最大的两个纹理响应的校正幅值,φ1(p)和φ2(p)是对应的校正方向;
依据所述幅值最大的两个纹理响应的校正幅值和校正方向计算该像素的纹理响应矢量R(p)和纹理主方向φ(p),包括:
其中,Rx(p)和Ry(p)分别表示在该像素位置处校正纹理响应的x分量和y分量,以所述纹理主方向φ(p)确定为该像素的血管纹理方向。
可选地,所述按照预设规则对血管区域图像中的像素投票,包括:
建立特征描述符空间,以血管区域图像中单一像素的方向直方图作为空间元素,所述方向直方图的横坐标为投票方向,纵坐标为投票数;
按照所述预设规则对血管区域图像中每一像素投票,相应计入所述特征描述符空间的方向直方图中;
统计血管区域图像中每一像素获得的投票数。
可选地,所述预设范围为:大于等于-π/M,且小于等于π/M,所述M为大于零的正整数。
本发明还提供一种眼底图像视盘定位系统,包括:
用于提取眼底图像中的血管区域的图像提取单元;
用于获取血管区域图像中每一像素的血管纹理方向的纹理方向获取单元;
用于按照预设规则对血管区域图像中的像素投票,以获得投票数最大的像素确定为视盘中心的投票统计单元,所述预设规则包括:以被投像素预设邻域内的每一像素作为投票像素,当所述被投像素与所述投票像素形成的线段方向与所述投票像素的血管纹理方向的夹角位于预设范围内时,则向所述被投像素投票。
可选地,所述纹理方向获取单元包括:
用于分别以N个方向的二维Gabor滤波器与像素图像卷积运算,得到对应N个方向的纹理响应的卷积运算子单元,所述N个方向均匀地分布于[0,π]范围内,所述N为大于零的正整数;
用于按照以下公式计算方向置信度Conf(p)的方向置信度计算子单元,
其中,p指像素点,φ表示纹理方向,ω表示纹理尺度,Eω,φ1(p)和Eω,φ2(p)为N个所述纹理响应中幅值最大的两个纹理响应对应的幅值,E⊥ ω,φ1(p)和E⊥ ω,φ2(p)分别为对应于Eω,φ1(p)、Eω,φ1(p)的正交纹理响应幅值。
由以上技术方案可知,本发明所提供的眼底图像视盘定位方法及系统,首先提取出眼底图像中的血管区域,并获取血管区域图像中每一像素的血管纹理方向,以获得眼底图像中血管分布的局部方向特征;然后,按照预设规则对血管区域图像中的像素投票,所述预设规则具体为:以被投像素预设邻域内的每一像素作为投票像素,当被投像素与投票像素形成的线段方向与投票像素的血管纹理方向的夹角在预设范围内时,则向被投像素投票。通过统计血管区域图像中每一像素获得的投票数,将获得投票数最大的像素确定为视盘中心。视盘是视网膜血管网分布最密集的区域,图像像素中血管网的汇聚度越高,其邻域内像素的血管分布方向与其邻域径向一致的概率越大,相应获得的投票数越多,因此以获得投票数最多的像素点,对应为血管网汇聚度的峰值位置,确定为视盘中心位置。
本发明所述眼底图像视盘定位方法及系统,通过基于血管纹理方向对眼底图像中像素点投票,检测眼底图像中局部血管网的汇聚度,从而找到血管网汇聚最密集的位置,以定位视盘位置。本发明所述眼底图像视盘定位方法及系统,是基于眼底图像中血管分布和视盘之间更稳定的拓扑结构和相对位置,实现视盘定位,受图像亮度、对比度等影响小,因此可提高眼底图像中视盘定位的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种眼底图像视盘定位方法的流程图;
图2为本发明一实施例中获取血管区域图像中像素的血管纹理方向的方法流程图;
图3为本发明又一实施例中获取血管区域图像中像素的血管纹理方向的方法流程图;
图4为本发明实施例提供的一种眼底图像视盘定位系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
请参考图1,图1为本发明实施例提供的一种眼底图像视盘定位方法的流程图,本发明实施例提供的眼底图像视盘定位方法包括:
S100:提取眼底图像中的血管区域。
在眼底图像中,血管结构的强度分布通常与背景混合,会随背景亮度而变,并且在眼底图像存在病变区域的情况下,病变区域图像会对后续图像处理过程造成较大干扰。因此可利用血管形状的先验知识,在眼底图像中分割提取出血管区域,去除背景区域,以有效降低背景干扰。
S101:获取血管区域图像中每一像素的血管纹理方向。
血管可被看作眼底图像的一种纹理,可通过提取纹理方向的方法来获得血管区域图像中每一像素的血管纹理方向,获得眼底图像中血管分布的局部方向特征。
S102:在血管区域图像中,按照预设规则对像素投票,以获得投票数最大的像素确定为视盘中心,所述预设规则包括:以被投像素预设邻域内的每一像素作为投票像素,当所述被投像素与所述投票像素形成的线段方向与所述投票像素的血管纹理方向的夹角在预设范围内时,则向所述被投像素投票。
在被投像素的预设邻域内,以预设邻域内的每一像素按照预设规则对被投像素进行投票,当被投像素与投票像素形成的线段方向与投票像素的血管纹理方向的夹角在预设范围内时,则投票像素向被投像素投票,否则不投票。像素点获得的投票数越多,表明其邻域内像素的血管纹理方向与其邻域的径向一致的概率越大,表明被投像素内血管网汇聚度越高,因此找到血管网汇聚度的峰值位置,即对应于获得投票数最多的像素点,确定为视盘中心位置。
由上述内容可以看出,本实施例提供的眼底图像视盘定位方法,首先提取出眼底图像中的血管区域,并获取血管区域图像中每一像素的血管纹理方向,以获得眼底图像中血管分布的局部方向特征;然后按照预设规则对血管区域图像中的像素投票,预设规则具体为:以被投像素预设邻域内的每一像素作为投票像素,当被投像素与投票像素形成的线段方向与投票像素的血管纹理方向的夹角位于预设范围内时,则向被投像素投票。通过统计血管区域图像中每一像素获得的投票数,将获得投票数最多的像素确定为视盘中心,以定位视盘位置。视盘是视网膜血管网分布最密集的区域,图像像素点中血管网的汇聚度越高,其获得的投票数越多,获得投票数最多的像素点,对应于血管网汇聚度的峰值位置,从而确定为视盘中心。
本实施例所述眼底图像视盘定位方法,通过基于血管纹理方向对眼底图像中像素投票,以检测眼底图像中局部血管网的汇聚度,找到血管网汇聚最密集的位置,确定为视盘位置,实现了眼底图像中的视盘定位。
现有的视盘定位方法通常利用视盘的外观特性,如亮度、颜色对比度为定位特征,例如寻找灰度变化幅度最大的区域中心作为视盘位置,或者找到1%的亮度最大的像素点作为视盘候选区域。但是在病变图像中,由于病变干扰和视盘外观的破坏容易出现错判,而本发明实施例所述眼底图像视盘定位方法,是基于眼底图像中血管分布和视盘之间更稳定的拓扑结构和相对位置,定位视盘位置,受图像亮度、对比度等影响小,可提高视盘定位的准确性。
下面以几种具体实施例,就本发明提供的眼底图像视盘定位方法中各步骤的具体实现方法,对本发明所述视盘定位方法进行详细描述。
在本发明第一种具体实施例提供的眼底图像视盘定位方法中,包括:
S200:提取眼底图像中的血管区域。
利用血管形状的先验知识从眼底图像中分割提取出血管区域图像,去除背景区域,其具体的处理过程包括:
S10:采用形态学顶帽算法对所述眼底图像作处理,
视网膜血管网具有明确的形状,可看作是大量连接在一起的小片段,形态学图像处理是提取具有已知形状的图像对象的有效手段。本方法中采用形态学顶帽算法对眼底图像作处理,以增强血管形状,抑制变化的背景。
其中,在采用顶帽算法对眼底图像处理时,优选条件为要求图像中血管结构比背景亮,若待处理图像不满足此条件,则可预先对拍摄的灰度图像或彩色图像中的各信道进行反色运算,来满足此条件。
采用形态学顶帽算法对眼底图像作增强处理是分割血管的关键预处理步骤,在顶帽操作中,选取的结构元素的尺寸和形状起着关键作用,因此本实施例中,优选选择直径大于血管直径最大值的圆盘结构元素,以有效地增强血管结构。
另外,可选的,在对眼底图像作顶帽算法处理后,可对处理后的图像进行灰度线性拉伸,将低对比度灰度范围映射到[0,255]的全范围,这样可增强血管区域与背景的对比度,有利于分割出血管区域图像。
S11:采用大津法分割处理后的眼底图像,低于阈值的区域图像为背景,高于阈值的区域图像为血管区域,从而提取得到血管区域图像。
S201:获取血管区域图像中每一像素的血管纹理方向。
对于分割出的血管区域图像,可通过二维Gabor滤波器与血管区域图像进行卷积,来获得图像中每一像素的血管纹理方向。
具体的,对于血管区域图像中的每一像素点,分别以N个方向的二维Gabor滤波器与像素图像卷积运算,得到对应N个方向的纹理响应,所述N个方向均匀地分布于[0,π]范围内,所述N为大于零的正整数。
本实施例中,二维Gabor滤波器定义为:
其中,φ和ω分别表示纹理方向和尺度,a=xcosφ+ysinφ,b=-xsinφ+ycosφ,c=π/2。通过选择不同方向φ和尺度ω,对应每一像素可以得到多方向多尺度的纹理响应。
对于血管区域图像中的像素点p(x,y),其输入图像I(p)与二维Gabor滤波器进行卷积运算具体为
所得到的纹理响应的幅值Eω,φ(p)的计算方法为:
其中。和分别表示纹理响应的实分量和虚分量。
通过选择不同方向φ和尺度ω,对应像素p(x,y)可得到N个纹理响应,将得到的N个纹理响应中幅值最大的纹理响应对应的方向确定为该像素p(x,y)的血管纹理方向。
S202:在血管区域图像中,按照预设规则对像素投票,以获得投票数最大的像素确定为视盘中心,所述预设规则包括:以被投像素预设邻域内的每一像素作为投票像素,当所述被投像素与所述投票像素形成的线段方向与所述投票像素的血管纹理方向的夹角在预设范围内时,则向所述被投像素投票。
通过上步骤确定血管区域图像中所有像素的血管纹理方向后,视盘中心采用投票方法进行定位。具体可采用如下方法:
首先,建立特征描述符空间,以血管区域图像中单一像素的方向直方图作为空间元素,方向直方图的横坐标为投票方向,纵坐标为投票数。所建立的特征描述符空间的大小与图像大小相同。
然后,按照所述预设规则对血管区域图像中每一像素投票,相应计入所述特征描述符空间的方向直方图中。
对于血管区域图像中的像素p(x,y),在其圆形邻域内的一投票像素v(x,y),连接被投像素p(x,y)与投票像素v(x,y)的线段方向为α(p,v),投票像素α(p,v)的血管纹理方向为φ(v)。
判断α(p,v)与φ(v)的夹角是否在预设范围内,所述预设范围为[-δα,δα],δα为预设角度阈值。若夹角在预设范围内,则像素v(x,y)向被投像素p(x,y)投票,特征描述符空间中像素p(x,y)处的方向直方图中对应α(p,v)方向的累加器递增1;若α(p,v)与φ(v)的夹角不在预设范围内,则像素v(x,y)不向被投像素p(x,y)投票。
本实施例中,预设角度阈值δα设为π/M,相应的所述预设范围为:大于等于-π/M,且小于等于π/M,M为大于零的正整数,考虑到对纹理方向的计算负荷,像素图像中血管纹理方向在[0,π]范围内按间隔π/M被量化成M个方向。方向具有有限角度分辨率π/M,因此将预设角度阈值δα设为π/M。
相应的,本实施例采用的投票函数具体为:
当|α(p,v)-φ(v)|≤π/M时,vote(p,v)=1;
当|α(p,v)-φ(v)|π/M时,vote(p,v)=0。
最后,统计血管区域图像中每一像素获得的投票数。根据统计结果,将获得投票数最大的像素确定为视盘中心。
本实施例中,统计血管区域图像中像素获得的投票数的统计函数为:Ω(v)表示建立的投票区域,即以被投像素p为中心的预设邻域,通常是圆形邻域。
因此,本发明实施例提供的眼底视盘定位方法,在获取眼底图像局部纹理方向特征时,采用形态学算法提取出血管区域,只血管区域图像中像素点参与纹理方向投票,而背景区域排除,可降低背景的干扰;在基于纹理方向投票定位视盘中心时,通过预设角度阈值,检测被投像素邻域内像素的纹理方向与其邻域径向的一致性,通过投票来检测其血管网汇聚度,找到血管网汇聚最密集的位置,从而确定为视盘位置。本实施例所述眼底图像视盘定位方法,基于视盘位置和血管结构的拓扑特征进行视盘定位,受图像亮度、对比度等影响小,因此可提高眼底图像中视盘定位的准确性。
由于在眼底图像中不是所有的血管纹理特征都很明显,这些没有显著特征的纹理往往会干扰视盘定位。因此,对应于像素可基于获得的纹理响应计算方向置信度,根据方向置信度来判断像素图像是否存在纹理主方向,将无明显纹理方向的像素排除,不参与纹理方向投票。
鉴于此,本发明第二种具体实施例提供的眼底图像视盘定位方法,具体包括:
S300:提取眼底图像中的血管区域。本步骤中具体的处理方法均可参考上述实施例中描述内容,在此不再赘述。
S301:获取血管区域图像中每一像素的血管纹理方向,请参考图2,具体包括以下处理过程:
S20:对于血管区域图像中的像素点,分别以N个方向的二维Gabor滤波器与像素图像卷积运算,得到对应N个方向的纹理响应,所述N个方向均匀地分布于[0,π]范围内,所述N为大于零的正整数。
如,对于血管区域图像中的像素p(x,y),通过与二维Gabor滤波器卷积运算,得到其N个方向的纹理响应。其中,像素图像与二维Gabor滤波器进行卷积运算的方法以及计算纹理响应幅值的方法均可参考上述实施例中描述内容,在此不再赘述。
S21:从得到的N个所述纹理响应中获取幅值最大的两个纹理响应,对应的幅值为Eω,φ1(p)和Eω,φ2(p);并按照以下公式计算方向置信度Conf(p),
其中,p指像素点,φ表示纹理方向,ω表示纹理尺度,E⊥ ω,φ1(p)、E⊥ ω,φ2(p)分别为对应于Eω,φ1(p)、Eω,φ1(p)的正交纹理响应幅值。
对应像素p(x,y)得到的N个纹理响应按照幅值大小降序排列,如Eω,φ1(p)>Eω,φ2(p)>...>Eω,φN(p),Eω,φ1(p)和Eω,φ2(p)对应于幅值最大的两个纹理响应,相应获得与两个最强纹理响应正交的响应幅值E⊥ ω,φ1(p)、E⊥ ω,φ2(p),根据Eω,φ1(p)、Eω,φ2(p)、E⊥ ω,φ1(p)和E⊥ ω,φ2(p)计算方向置信度Conf(p)。
S22:判断方向置信度Conf(p)是否大于预设阈值,若是,则将幅值最大的纹理响应对应的方向确定为该像素的血管纹理方向;若否,则去除该像素点,不参与投票。
两个幅值最大的纹理响应及其正交纹理响应之间的差值越大,方向置信度越高,表明该像素存在纹理主方向;而差值越小,方向置信度越低,表明不存在纹理主方向。因此,通过判断Conf(p)是否大于预设阈值,方向置信度高于预设阈值,存在纹理主方向,则对应像素参与视盘定位,而方向置信度低于预设阈值的像素则被排除,不参与投票。
S302:在血管区域图像中,对参与投票的像素,按照预设规则对每一像素投票,以获得投票数最大的像素确定为视盘中心,所述预设规则包括:以被投像素预设邻域内的每一像素作为投票像素,当所述被投像素与所述投票像素形成的线段方向与所述投票像素的血管纹理方向的夹角位于预设范围内时,则向所述被投像素投票。本步骤中具体的投票处理方法可参考上述实施例中描述内容,在此不再赘述。
因此,本实施例所述眼底图像视盘定位方法,根据幅值最大的两个纹理响应及其对应的正交纹理响应计算方向置信度,通过方向置信度预先判断像素是否存在纹理主方向,只明显存在纹理主方向的像素参与投票,而不存在纹理主方向的像素被去除,不参与投票,从而排除没有显著纹理特征的像素对视盘定位的干扰,可提高眼底图像视盘定位的准确性。
在本发明第三种具体实施例提供的眼底图像视盘定位方法中,在提取眼底图像的局部纹理方向特征时,根据获得的纹理响应,对像素点的纹理方向进行校正,以校正得到的纹理主方向确定该像素的血管纹理方向。具体的,本实施例提供的眼底视盘定位方法包括:
S400:提取眼底图像中的血管区域。本步骤中具体的处理方法均可参考以上实施例中描述内容,在此不再赘述。
S401:获取血管区域图像中每一像素的血管纹理方向,请参考图3,具体包括以下处理过程:
S30:对于血管区域图像中的像素点,分别以N个方向的二维Gabor滤波器与像素图像卷积运算,得到对应N个方向的纹理响应,所述N个方向均匀地分布于[0,π]范围内,所述N为大于零的正整数。
如,对于血管区域图像中的像素p(x,y),通过与二维Gabor滤波器卷积运算,得到其N个方向的纹理响应。其中,像素图像与二维Gabor滤波器进行卷积运算的方法以及计算纹理响应幅值的方法均可参考上述实施例中描述内容,在此不再赘述。
S31:从得到的N个所述纹理响应中获取幅值最大的两个纹理响应,对应的幅值为Eω,φ1(p)和Eω,φ2(p);并按照以下公式计算方向置信度Conf(p),
其中,p指像素点,φ表示纹理方向,ω表示纹理尺度,E⊥ ω,φ1(p)、E⊥ ω,φ2(p)分别为对应于Eω,φ1(p)、Eω,φ1(p)的正交纹理响应幅值。
对应像素p(x,y)得到的N个纹理响应按照幅值大小降序排列,如Eω,φ1(p)>Eω,φ2(p)>...>Eω,φN(p),Eω,φ1(p)和Eω,φ2(p)对应于幅值最大的两个纹理响应,相应获得与两个最强纹理响应正交的响应幅值E⊥ ω,φ1(p)、E⊥ ω,φ2(p),根据Eω,φ1(p)、Eω,φ2(p)、E⊥ ω,φ1(p)和E⊥ ω,φ2(p)计算方向置信度Conf(p)。
S32:判断方向置信度Conf(p)是否大于预设阈值,若否,则去除该像素点,不参与投票;若是,则进入步骤S33。
S33:按以下公式校正所述幅值最大的两个纹理响应的幅值和方向:
Eφ1(p)=Eω,φ1(p)-E⊥ ω,φ1(p),φ1(p)=φ1,ω(p);
Eφ2(p)=Eω,φ2(p)-E⊥ ω,φ2(p),φ2(p)=φ2,ω(p);
其中,Eφ1(p)和Eφ2(p)分别是所述幅值最大的两个纹理响应的校正幅值,φ1(p)和φ2(p)是对应的校正方向。
S34:依据所述幅值最大的两个纹理响应的校正幅值和校正方向计算该像素的纹理响应矢量R(p)和纹理主方向φ(p),包括:
其中,Rx(p)和Ry(p)分别表示在该像素位置处校正纹理响应的x分量和y分量。
从而,以计算获得的纹理主方向φ(p)确定为该像素的血管纹理方向,实现对像素纹理方向的校正。
此外,只要所选纹理方向的数目N是大于或等于4的偶数,并均匀地分布在[0,π]范围内,N/2对纹理方向可以自然地形成正交关系。因此,校正主方向时,无需重新计算与两个最强响应相正交的方向上的纹理响应。
S402:在血管区域图像中,对确定了血管纹理方向的像素,即具有纹理主方向的像素,按照预设规则对像素投票,以获得投票数最大的像素确定为视盘中心,本步骤中具体的投票处理方法可参考以上实施例中描述内容,在此不再赘述。
因此,本发明实施例所述眼底图像视盘定位方法,根据幅值最大的两个纹理响应及其对应的正交纹理响应计算方向置信度,通过方向置信度预先判断像素是否存在纹理主方向,只明显存在纹理主方向的像素参与投票,而不存在纹理主方向的像素被去除,不参与投票,从而排除没有显著纹理特征的像素对视盘定位的干扰;并且,根据幅值最大的两个纹理响应的正交响应对两个最强响应的幅值和方向进行校正,并根据校正后的校正幅值和校正方向计算获得对应像素的纹理响应矢量和纹理主方向,以确定对应像素的血管纹理方向,进而通过参与投票进行视盘定位,通过对眼底图像中像素纹理方向进行校正,可提高对视盘定位的准确性。
相应的,请参考图4,本发明实施例还提供一种眼底图像视盘定位系统,包括:
用于提取眼底图像中的血管区域的图像提取单元500;
用于获取血管区域图像中每一像素的血管纹理方向的纹理方向获取单元501;
用于在血管区域图像中,按照预设规则对像素投票,以获得投票数最大的像素确定为视盘中心的投票统计单元502,所述预设规则包括:以被投像素预设邻域内的每一像素作为投票像素,当所述被投像素与所述投票像素形成的线段方向与所述投票像素的血管纹理方向的夹角位于预设范围内时,则向所述被投像素投票。
本实施例中,所述纹理方向获取单元501包括:
用于分别以N个方向的二维Gabor滤波器与像素图像卷积运算,得到对应N个方向的纹理响应的卷积运算子单元,所述N个方向均匀地分布于[0,π]范围内,所述N为大于零的正整数;
用于按照以下公式计算方向置信度Conf(p)的方向置信度计算子单元,
其中,p指像素点,φ表示纹理方向,ω表示纹理尺度,Eω,φ1(p)和Eω,φ2(p)为N个所述纹理响应中幅值最大的两个纹理响应对应的幅值,E⊥ ω,φ1(p)和E⊥ ω,φ2(p)分别为对应于Eω,φ1(p)、Eω,φ1(p)的正交纹理响应幅值。
因此,本发明实施例提供的眼底图像视盘定位系统,包括图像提取单元、纹理方向获取单元和投票统计单元,图像提取单元用于提取眼底图像中的血管区域,纹理方向获取单元用于获取血管区域图像中每一像素的血管纹理方向,投票统计单元用于在血管区域图像中,按照预设规则对像素投票,以获得投票数最大的像素确定为视盘中心。本发明实施例所述眼底图像视盘定位系统,通过基于血管纹理方向对眼底图像中像素点投票,检测眼底图像中局部血管网的汇聚度,从而找到血管网汇聚最密集的位置,以定位视盘位置。本发明所述视盘定位系统,是基于眼底图像中血管分布和视盘之间更稳定的拓扑结构和相对位置,实现视盘定位,受图像亮度、对比度等影响小,因此可提高眼底图像中视盘定位的准确性。
以上对本发明所提供的一种眼底图像视盘定位方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种眼底图像视盘定位方法,其特征在于,包括:
提取眼底图像中的血管区域;
获取血管区域图像中每一像素的血管纹理方向;
在血管区域图像中,按照预设规则对像素投票,以获得投票数最大的像素确定为视盘中心,所述预设规则包括:以被投像素预设邻域内的每一像素作为投票像素,当所述被投像素与所述投票像素形成的线段方向与所述投票像素的血管纹理方向的夹角在预设范围内时,则向所述被投像素投票。
2.如权利要求1所述的方法,其特征在于,所述提取眼底图像中的血管区域包括:
采用形态学顶帽算法对所述眼底图像作处理;
采用大津法分割处理后的所述眼底图像,低于阈值的区域图像为背景,高于阈值的区域图像为血管区域。
3.如权利要求2所述的方法,其特征在于,采用形态学顶帽算法对所述眼底图像作处理包括:
选择直径大于血管直径最大值的圆盘结构元素,对所述眼底图像作顶帽算法处理。
4.如权利要求1所述的方法,其特征在于,获取血管区域图像中像素的血管纹理方向包括:
分别以N个方向的二维Gabor滤波器与像素图像卷积运算,得到对应N个方向的纹理响应,以幅值最大的纹理响应对应的方向确定为该像素的血管纹理方向,所述N个方向均匀地分布于[0,π]范围内,所述N为大于零的正整数。
5.如权利要求4所述的方法,其特征在于,获取血管区域图像中像素的血管纹理方向还包括:
分别以N个方向的二维Gabor滤波器与像素图像卷积运算,得到对应N个方向的纹理响应,所述N个方向均匀地分布于[0,π]范围内,所述N为大于零的正整数;
从得到的N个所述纹理响应中获取幅值最大的两个纹理响应,对应的幅值为Eω,φ1(p)和Eω,φ2(p);并按照以下公式计算方向置信度Conf(p),
其中,p指像素点,φ表示纹理方向,ω表示纹理尺度,E⊥ ω,φ1(p)、E⊥ ω,φ2(p)分别为对应于Eω,φ1(p)、Eω,φ1(p)的正交纹理响应幅值;
判断方向置信度Conf(p)是否大于预设阈值,若否,则去除该像素点,不参与投票。
6.如权利要求5所述的方法,其特征在于,若判断方向置信度Conf(p)大于所述预设阈值,则:
校正所述幅值最大的两个纹理响应的幅值和方向,包括:
Eφ1(p)=Eω,φ1(p)-E⊥ ω,φ1(p),φ1(p)=φ1,ω(p);
Eφ2(p)=Eω,φ2(p)-E⊥ ω,φ2(p),φ2(p)=φ2,ω(p);
其中,Eφ1(p)和Eφ2(p)分别是所述幅值最大的两个纹理响应的校正幅值,φ1(p)和φ2(p)是对应的校正方向;
依据所述幅值最大的两个纹理响应的校正幅值和校正方向计算该像素的纹理响应矢量R(p)和纹理主方向φ(p),包括:
其中,Rx(p)和Ry(p)分别表示在该像素位置处校正纹理响应的x分量和y分量,以所述纹理主方向φ(p)确定为该像素的血管纹理方向。
7.如权利要求1所述的方法,其特征在于,所述在血管区域图像中,按照预设规则对像素投票包括:
建立特征描述符空间,以血管区域图像中单一像素的方向直方图作为空间元素,所述方向直方图的横坐标为投票方向,纵坐标为投票数;
按照所述预设规则对血管区域图像中每一像素投票,相应计入所述特征描述符空间的方向直方图中;
统计血管区域图像中每一像素获得的投票数。
8.如权利要求7所述的方法,其特征在于,所述预设范围为:大于等于-π/M,且小于等于π/M,所述M为大于零的正整数。
9.一种眼底图像视盘定位系统,其特征在于,包括:
用于提取眼底图像中的血管区域的图像提取单元;
用于获取血管区域图像中每一像素的血管纹理方向的纹理方向获取单元;
用于在血管区域图像中,按照预设规则对像素投票,以获得投票数最大的像素确定为视盘中心的投票统计单元,所述预设规则包括:以被投像素预设邻域内的每一像素作为投票像素,当所述被投像素与所述投票像素形成的线段方向与所述投票像素的血管纹理方向的夹角位于预设范围内时,则向所述被投像素投票。
10.如权利要求9所述的系统,其特征在于,所述纹理方向获取单元包括:
用于分别以N个方向的二维Gabor滤波器与像素图像卷积运算,得到对应N个方向的纹理响应的卷积运算子单元,所述N个方向均匀地分布于[0,π]范围内,所述N为大于零的正整数;
用于按照以下公式计算方向置信度Conf(p)的方向置信度计算子单元,
其中,p指像素点,φ表示纹理方向,ω表示纹理尺度,Eω,φ1(p)和Eω,φ2(p)为N个所述纹理响应中幅值最大的两个纹理响应对应的幅值,E⊥ ω,φ1(p)和E⊥ ω,φ2(p)分别为对应于Eω,φ1(p)、Eω,φ1(p)的正交纹理响应幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610073960.XA CN105718919B (zh) | 2016-02-02 | 2016-02-02 | 一种眼底图像视盘定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610073960.XA CN105718919B (zh) | 2016-02-02 | 2016-02-02 | 一种眼底图像视盘定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105718919A true CN105718919A (zh) | 2016-06-29 |
CN105718919B CN105718919B (zh) | 2018-05-08 |
Family
ID=56154580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610073960.XA Active CN105718919B (zh) | 2016-02-02 | 2016-02-02 | 一种眼底图像视盘定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105718919B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372593A (zh) * | 2016-08-30 | 2017-02-01 | 上海交通大学 | 一种基于血管收敛的视盘区定位方法 |
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 |
CN107480644A (zh) * | 2017-08-21 | 2017-12-15 | 吉林大学 | 眼底图像中视盘的定位与分割方法、装置和存储介质 |
CN108073918A (zh) * | 2018-01-26 | 2018-05-25 | 浙江大学 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
CN109872337A (zh) * | 2019-03-19 | 2019-06-11 | 电子科技大学 | 一种基于快速均值移位的眼底图像视盘分割方法 |
CN110874597A (zh) * | 2018-08-31 | 2020-03-10 | 福州依影健康科技有限公司 | 一种眼底图像血管特征提取方法、设备、系统和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971369A (zh) * | 2014-05-14 | 2014-08-06 | 深圳市计量质量检测研究院 | 视网膜图像的视盘定位方法 |
CN104545792A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 眼底图像的动静脉视网膜血管视盘定位方法 |
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 |
-
2016
- 2016-02-02 CN CN201610073960.XA patent/CN105718919B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971369A (zh) * | 2014-05-14 | 2014-08-06 | 深圳市计量质量检测研究院 | 视网膜图像的视盘定位方法 |
CN104545792A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 眼底图像的动静脉视网膜血管视盘定位方法 |
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 (3)
Title |
---|
ADAM HOOVER等: "Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
朱承璋等: "彩色眼底图像视网膜血管分割方法研究进展", 《计算机辅助设计与图形学学报》 * |
赵圆圆: "病变眼底图像高效高精度视盘定位与分割", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372593A (zh) * | 2016-08-30 | 2017-02-01 | 上海交通大学 | 一种基于血管收敛的视盘区定位方法 |
CN106372593B (zh) * | 2016-08-30 | 2019-12-10 | 上海交通大学 | 一种基于血管收敛的视盘区定位方法 |
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 |
CN107480644A (zh) * | 2017-08-21 | 2017-12-15 | 吉林大学 | 眼底图像中视盘的定位与分割方法、装置和存储介质 |
CN107480644B (zh) * | 2017-08-21 | 2019-11-19 | 吉林大学 | 眼底图像中视盘的定位与分割方法、装置和存储介质 |
CN108073918A (zh) * | 2018-01-26 | 2018-05-25 | 浙江大学 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
CN108073918B (zh) * | 2018-01-26 | 2022-04-29 | 浙江大学 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
CN110874597A (zh) * | 2018-08-31 | 2020-03-10 | 福州依影健康科技有限公司 | 一种眼底图像血管特征提取方法、设备、系统和存储介质 |
CN110874597B (zh) * | 2018-08-31 | 2023-03-24 | 福州依影健康科技有限公司 | 一种眼底图像血管特征提取方法、设备、系统和存储介质 |
CN109872337A (zh) * | 2019-03-19 | 2019-06-11 | 电子科技大学 | 一种基于快速均值移位的眼底图像视盘分割方法 |
CN109872337B (zh) * | 2019-03-19 | 2022-03-25 | 电子科技大学 | 一种基于快速均值移位的眼底图像视盘分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105718919B (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105718919A (zh) | 一种眼底图像视盘定位方法及系统 | |
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
CN106228547B (zh) | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 | |
CN112465772B (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
Lu et al. | Automatic optic disc detection from retinal images by a line operator | |
EP2888718B1 (en) | Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation | |
Usman Akram et al. | Retinal images: optic disk localization and detection | |
Trucco et al. | Novel VAMPIRE algorithms for quantitative analysis of the retinal vasculature | |
CN111681242B (zh) | 视网膜血管动静脉区分方法和装置、设备 | |
CN106846293B (zh) | 图像处理方法和装置 | |
Hatanaka et al. | Vertical cup-to-disc ratio measurement for diagnosis of glaucoma on fundus images | |
CN110555845A (zh) | 眼底oct图像识别方法及设备 | |
CN102858230A (zh) | 断层图像观察设备、处理方法和非瞬态计算机可读存储介质 | |
CN102567734B (zh) | 基于比值的视网膜细小血管分割方法 | |
CN106228566A (zh) | 基于梯度响亮分析的视网膜微动脉瘤的自动检测与识别方法 | |
Zou et al. | Saliency‐Based Segmentation of Optic Disc in Retinal Images | |
Lu et al. | Automatic macula detection from retinal images by a line operator | |
Kuri et al. | Automated segmentation of retinal blood vessels using optimized gabor filter with local entropy thresholding | |
CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
CN106446805A (zh) | 一种眼底照中视杯的分割方法及系统 | |
Hatanaka et al. | Automatic measurement of vertical cup-to-disc ratio on retinal fundus images | |
Yadav et al. | Optic nerve head three-dimensional shape analysis | |
JP2022513424A (ja) | 視神経乳頭の自動形状定量化の方法 | |
WO2011108995A1 (en) | Automatic analysis of images of the anterior chamber of an eye | |
Hussain | Optic nerve head segmentation using genetic active contours |
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 |