CN105761258A - 视网膜眼底图像的出血检测方法 - Google Patents
视网膜眼底图像的出血检测方法 Download PDFInfo
- Publication number
- CN105761258A CN105761258A CN201610084210.2A CN201610084210A CN105761258A CN 105761258 A CN105761258 A CN 105761258A CN 201610084210 A CN201610084210 A CN 201610084210A CN 105761258 A CN105761258 A CN 105761258A
- Authority
- CN
- China
- Prior art keywords
- image
- hemorrhage
- region
- gray value
- blood vessel
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开一种视网膜眼底图像的出血检测方法,包括利用彩色数码免散瞳眼底照相机拍摄的眼底图像,上述方法采用以下步骤:(1)对原始图像的大小进行调整;(2)对调整后图像的视场进行定位;(3)基于双尺度背景的出血和血管区域进行粗检测;(4)对血管进行检测;(5)对出血可疑区域进行迭代式定位;(6)对出血可疑区域进行特征提取;(7)对出血可疑区域进行分类检测,并生成标记出血的眼底图像。本方法能处理不同采集情况下获取的眼底图像,快速、有效地检测出血区域,处理后的眼底图像出血位置直观、明显,方便眼科医生的进一步诊断。
Description
技术领域
本发明属于图像处理领域,具体涉及的是一种视网膜眼底图像的出血检测方法。
背景技术
糖尿病视网膜病变(DiabeticRetinopathy)是一种广泛存在于糖尿病病人中的眼科疾病,它会对病人视力产生影响,严重的会导致糖尿病患者的失明。因此尽早地发现、治疗视网膜病变就可以最大程度地减少视力的损失。视网膜内出血是糖尿病视网膜病变早期可见的标志之一。由于视网膜内的微动脉瘤(Microaneurysms)破裂从而导致视网膜内出血(Hemorrhages),它是病变分期和诊断的重要依据。在视网膜眼底图像中,微动脉瘤表现为暗红的圆点区域,而出血表现为大块的暗红区域,和血管的颜色相近,其形状不规则、边界不清晰。通过图像处理技术增强出血的特征,帮助医生进行准确地诊断是本领域亟待解决的重要问题。
目前视网膜内出血的检测主要可以分成两类:1)基于形态学操作和区域生长的方法,2)基于像素点分类的方法。基于形态学操作和区域生长的方法中具有代表性的是Fleming等人在2008年提出的多尺度形态学方法检测出血。这种方法通过多尺度降采样图像进行线性形态学开运算检测出血候选区域,再利用区域增长方法对出血候选区域进行分割,通过设计多个特征训练SVM进行最后的分类。此方法依赖于血管的分段线性假设,对于弯曲处出血的检测效果不佳。基于像素点分类的方法有代表性的是ZhangXiaohui等人在2005年提出的基于2DPCA提取patch图像特征进行SVM分类的方法,此方法将眼底图像分成15×15大小的图像块,通过2DPCA提取典型出血的20维特征用于SVM的训练和分类,该方法适用于定位出血的位置,但由于出血的大小形状都不确定,固定大小的patch无法识别大区域的出血。
发明内容
本发明针对大规模眼底图像筛查情景中眼底图像光照不均匀、对比度变化范围大以及激光治疗前后视网膜内结构变化等引起的图像质量问题,提出一种视网膜眼底图像的出血检测方法,使眼底图像的出血区域更加明显,方便医生更加准确地诊断眼底病变从而提供可靠的治疗方案。
本发明提供一种视网膜眼底图像的出血检测方法,利用彩色数码免散瞳眼底照相机拍摄的眼底图像,上述方法包括以下步骤:
(1)对原始图像的大小进行调整;
(2)对调整后图像的视场进行定位;
(3)基于双尺度背景的出血和血管区域进行粗检测;
(4)对血管进行检测;
(5)对出血可疑区域进行迭代式定位;
(6)对出血可疑区域进行特征提取;
(7)对出血可疑区域进行分类检测,并生成标记出血的眼底图像。
本发明中,所述步骤(1)中包括以下步骤:
将拍摄的原始眼底图像在保持图像高度和宽度比例不变的情况下进行缩放,缩放的比例计算如下式:
其中,ratio表示缩放的比例,H为原始图像的高度,W为原始图像的宽度,Hlimit=1152为设定的图像高度,Wlimit=1500为设定的图像宽度,函数min()为取两者的较小值,当ratio<1时表示原始图像需要缩小,当ratio>1时表示原始图像需要放大。
本发明的一些实施方式中,在所述步骤(2)中包括以下步骤:
将调整后图像从RGB空间变换到Lab空间,并选取L通道图像IL进行二值化处理:
其中,ThreshFOV=3为视场定位的阈值,为视场的候选区域;
对二值图像进行形态学腐蚀运算:
其中,morpherode()表示形态学腐蚀运算,sFOV表示半径为15的圆盘形态结构元素;
对Berode进行形态学空洞填补运算:
BFOV=morphfill(Berode)
其中,morphfill()表示形态学空洞填补运算,BFOV表示最终获取的视场区域。
本发明的一些实施方式中,在所述步骤(3)中包括以下步骤:
a选取调整后图像的G通道分量Ig,并对其进行限制对比度自适应直方图均衡化,得到增强后的图像
b对增强后的图像进行模板大小为80×80的中值滤波,得到滤波后的图像Imedfilter;
c将滤波后的图像Imedfilter与增强后的图像相减,得到眼底图像暗区域的图像Isub:
d对图像Isub进行模板大小为5×5的均值滤波,得到滤波后的图像
e对均值滤波后的图像在所述步骤(2)中得到的视场区域BFOV内进行Otsu分割,得到二值图像
f对二值图像进行形态学开运算:
其中,morphopen表示形态学开运算,sOP表示半径为2的圆盘形态结构元素,Bdark表示在一个背景尺度下获得的出血和血管区域;
g对增强后的图像进行模板大小为130×130的中值滤波,得到滤波图像后,再重复步骤c-f得到第二个尺度下的出血和血管区域;将两个尺度下的出血和血管区域二值化图像进行“或”运算,得到双尺度背景下的出血和血管区域Bdual。
本发明的一些实施方式中,所述步骤(4)中包括以下步骤:
对增强后的图像进行高斯平滑滤波,得到滤波后的图像
对滤波后的图像采用AlejandroF.Frangi于1998年提出的多尺度血管增强滤波方法进行血管增强滤波,得到血管增强后的图像Ivessel;
将图像Ivessel的灰度值调整到0-255范围:
Iscale=(Ivessel-minV)*255/(maxV-minV)
其中,minV、maxV分别表示Ivessel中的最小、最大值,Iscale表示灰度值调整后的血管增强图像;
对Iscale在所述步骤(2)中得到的视场区域BFOV内进行Otsu分割,得到血管的二值图像Bvessel。
本发明的一些实施方式中,所述步骤(5)中包括以下步骤:
利用所述步骤(4)中的血管二值图像Bvessel对所述步骤(3)的双尺度背景下的出血和血管区域Bdual进行补全操作,得到补全的二值图像Brecover;补全操作过程为:首先复制双尺度背景下的出血和血管区域Bdual为Brecover,然后遍历Brecover的每个连通区域Rrecover,如果其与血管二值图像Bvessel的某个连通区域Rvessel有重叠,则将二值图像Brecover对应Rvessel位置的数值置为1,否则就不进行操作。
对二值图像Brecover进行血管剔除操作,同时得到出血的二值图像BHEM1和血管的二值图像Bvesseg1;血管剔除操作的过程是:对二值图像Brecover的每个连通区域Rrecover分别扫描其在图像位置中每行横向和每列纵向的宽度,将宽度值排列成一个数组,得到其中位数作为该连通区域的宽度估计同时计算该连通区域的外周长P;如果该连通区域满足(其中Th=18),则将该连通区域视为血管,否则将该连通区域视为出血可疑区域;最后利用分类结果,生成出血的二值图像BHEM1和血管的二值图像Bvesseg1。
对血管的二值图像Bvesseg1进行形态学开运算,得到开运算后的图像
其中sOP6表示半径为6的圆盘形态结构元素;
重复血管剔除操作,得到第二次迭代的出血二值图像BHEM2和血管的二值图像Bvesseg2;
对血管的二值图像Bvesseg2进行形态学开运算,得到开运算后的图像
其中,sOP10表示半径为10的圆盘形态结构元素;
重复血管剔除操作,得到第三次迭代的出血二值图像BHEM3和血管的二值图像Bvesseg3;
将三次迭代生成的出血二值图像进行“或”运算,得到最终的出血可疑区域
本发明的一些实施方式中,所述步骤(6)包括提取43个特征的以下步骤:
利用图像Ig进行模板大小为120×120的中值滤波,得到滤波后的图像Iback,将Iback减去Ig得到暗区域图像Ishade,之后对于每个出血可疑连通区域R,计算得到5个特征:
Ig中区域R灰度值均值,
Ig中区域R灰度值方差,
Ig中区域R灰度值均值与Iback中区域R灰度值均值的比值,
Ig中区域R灰度值均值与Iback中区域R灰度值均值的差值,
Ishade中区域R灰度值均值;
利用图像Ig进行限制对比度自适应直方图均衡化,得到增强后的图像之后对进行模板大小为120×120的中值滤波,得到滤波后的图像将减去得到暗区域图像再计算得到5个特征:
中区域R灰度值均值,
中区域R灰度值方差,
中区域R灰度值均值与中区域R灰度值均值的比值,
中区域R灰度值均值与中区域R灰度值均值的差值,
中区域R灰度值均值;
利用R、G通道图像Ir与图像Ig的比值图像Igr:
计算得到2个特征:
Igr中区域R灰度值的中值,
Igr中区域R灰度值的方差;
将图像从RGB空间变换到HSV空间,并选取H通道图像IH,计算得到2个特征:
IH中区域R灰度值的均值,
IH中区域R灰度值的方差;
对增强图像进行AlejandroF.Frangi的多尺度血管增强滤波,通过多尺度的Hessian矩阵,得到血管增强后的图像Ivessel、每个像素点对应Hessian矩阵最小特征值的特征向量的方向信息Idirection、每个像素点对应Hessian矩阵的两个特征值差值的绝对值信息Ieigdif,之后计算得到5个特征:
Ivessel中区域R灰度值的均值,
Ivessel中区域R灰度值的方差,
Ivessel归一化后区域R灰度值的均值,
Idirection中区域R方向取值的方差,
Ieigdif中区域R强度值的均值;
利用6个不同尺度((1,0.5)、(2,1)、(4,2)、(8,4)、(16,8)、(32,16)这6个尺度对)的DoG算子对Ig进行处理,将处理后的图像中区域R的灰度值均值组成6个特征;
利用6个不同尺度((1,0.5)、(2,1)、(4,2)、(8,4)、(16,8)、(32,16)这6个尺度对)的DoG算子对进行处理,将处理后的图像中区域R的灰度值均值组成6个特征;
利用3个不同尺度的高斯匹配滤波器组对Ig进行处理,分别将处理后的图像中区域R的灰度值均值、归一化图像中区域R的灰度值均值、归一化图像中区域R的灰度值方差组成9个特征。高斯匹配滤波器组是指S.Chaudhuri于1989年提出的用于血管检测的二维匹配滤波器(MatchedFilters):
其中θ为滤波器旋转的角度,一组滤波器分别选择{0°,15°,30°,45°,60°,75°,90°,105°,120°,135°,150°,165°}12个角度,σ为匹配血管宽度的高斯核的尺度大小,L为匹配血管长度的滤波器长度大小。处理后的图像Iresponse由每个像素点对于一组滤波器的最大响应值组成:
其中Iinput表示输入图像,(x,y)表示像素点的位置,*表示卷积运算。
并且此步骤中采用的3个尺度分别为(σ=4,L=18)、(σ=4,L=25)、(σ=6,L=18)。
利用一个尺度为(σ=4,L=18)的高斯匹配滤波器组对进行处理,分别将处理后的图像中区域R的灰度值均值、归一化图像中区域R的灰度值均值、归一化图像中区域R的灰度值方差组成3个特征。
本发明的一些实施方式中,所述步骤(7)出血可疑区域的分类检测是指利用步骤(6)得到的43维特征训练支持向量机(SVM),之后利用训练得到的SVM分类器,对步骤(5)中得到的出血可疑区域进行出血和非出血分类,保留判断为出血的区域,最后生成标记了出血边界的RGB图像。
本发明通过结合多阶段形态学操作的非监督式出血候选区域检测过程和构造区分出血与非出血的43维特征的SVM分类器的监督式检测过程,可以有效地检测出出血区域。
本发明的有益效果是,通过非侵入式的彩色数码免散瞳眼底照相机拍摄的眼底图像,就可以对眼底图像的出血进行检测,并且对不同条件下获取的眼底图像具有鲁棒性和准确性,经处理后的出血位置清楚、明显,适用于大规模眼底图像筛查,方便医生对眼底病症的诊断。
附图说明
图1为本发明视网膜眼底图像的出血检测流程图。
图2a为本发明实施例中的眼底图像G通道。
图2b为实施例中视场的定位结果。
图2c为实施例中出血和血管区域粗检测结果。
图2d为实施例中血管的检测结果。
图2e为实施例中出血可疑区域的定位结果。
图2f为实施例中最终的出血检测结果。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明技术方案为前提进行实施,给出了具体的实施方式和操作过程,但本发明的保护范围不限于下述的实施例。
图1示出了本发明实施例中视网膜眼底图像的出血检测流程图。本实施例所使用的眼底图像是通过彩色数码免散瞳眼底照相机拍摄的图像,如图2a所示为图像的G通道分量。
(1)对原始图像的大小进行调整
在大规模眼底图像筛查情况下,不同眼底照相机拍摄的图片大小可能不一样,因此为了使本发明的方法适用于不同规格图像的处理,需要在处理图像前调整原始图像的大小。本发明中将原始图像统一调整到一个大小相近的尺度进行操作,从而克服了原始图像大小不一的情况。具体的操作方式是将拍摄的原始眼底图像在保持图像高度和宽度比例不变的情况下进行缩放,缩放的比例计算如下:
其中,ratio表示缩放的比例,H为原始图像的高度,W为原始图像的宽度,Hlimit=1152为设定的图像高度,Wlimit=1500为设定的图像宽度,函数min()为取两者的较小值,当ratio<1时表示原始图像需要缩小,当ratio>1时表示原始图像需要放大。
(2)对调整后图像的视场进行定位
对于眼底图像,由于照相机光圈的原因,拍摄出来的眼底图像周围总会存在一部分暗色的背景区域,在图像进行Otsu分割时可能会产生信息干扰,因此需要定位出视场区域。具体实施步骤如下:
1)将调整后图像从RGB空间变换到Lab空间,并选取L通道图像IL进行二值化处理:
其中,ThreshFOV=3为视场定位的阈值,为视场的候选区域;
2)对二值图像进行形态学腐蚀运算:
其中,morpherode()表示形态学腐蚀运算,sFOV表示半径为15的圆盘形态结构元素;
3)对Berode进行形态学空洞填补运算:
BFOV=morphfill(Berode)
其中,morphfill()表示形态学空洞填补运算,BFOV表示最终获取的视场区域,如图2b所示。
(3)基于双尺度背景的出血和血管区域进行粗检测
1)选取调整后图像的G通道分量Ig,并对其进行限制对比度自适应直方图均衡化,得到增强后的图像
2)对增强后的图像进行模板大小为80×80的中值滤波,得到滤波后的图像Imedfilter;
3)将滤波后的图像Imedfilter与增强后的图像相减,得到眼底图像暗区域的图像Isub:
4)对图像Isub进行模板大小为5×5的均值滤波,得到滤波后的图像
5)对均值滤波后的图像在所述步骤(2)中得到的视场区域BFOV内进行Otsu分割,得到二值图像
6)对二值图像进行形态学开运算:
其中,morphopen表示形态学开运算,sOP表示半径为2的圆盘形态结构元素,Bdark表示在一个背景尺度下获得的出血和血管区域;
7)对增强后的图像进行模板大小为130×130的中值滤波,得到滤波图像后,再重复步骤3)-6)得到第二个尺度下的出血和血管区域;然后将两个尺度下的出血和血管区域二值化图像进行“或”运算,得到双尺度背景下的出血和血管区域Bdual,如图2c所示。
(4)对血管进行检测
1)对增强后的图像进行高斯平滑滤波,得到滤波后的图像
2)对滤波后的图像采用AlejandroF.Frangi于1998年提出的多尺度血管增强滤波方法进行血管增强滤波,得到血管增强后的图像Ivessel;
3)将图像Ivessel的灰度值调整到0-255范围:
Iscale=(Ivessel-minV)*255/(maxV-minV)
其中,minV、maxV分别表示Ivessel中的最小、最大值,Iscale表示灰度值调整后的血管增强图像;
4)对Iscale在所述步骤(2)中得到的视场区域BFOV内进行Otsu分割,得到血管的二值图像Bvessel,如图2d所示。
(5)对出血可疑区域进行迭代式定位
步骤(3)的结果中包含了出血区域和血管的大部分区域,但是该步骤检测出的血管区域存在间断的可能性;通过步骤(4)的血管检测则可以弥补血管的不连续性,但是步骤(4)的结果中又包含很多非出血区域,比如微动脉瘤、渗出液的边界等等。因此通过合理的方式结合两者图像中的有效信息,就能准确的检测出出血区域。具体步骤如下:
1)利用所述步骤(4)中的血管二值图像Bvessel对所述步骤(3)的双尺度背景下的出血和血管区域Bdual进行补全操作,得到补全的二值图像Brecover。补全操作过程为:首先复制双尺度背景下的出血和血管区域Bdual为Brecover,然后遍历Brecover的每个连通区域Rrecover,如果其与血管二值图像Bvessel的某个连通区域Rvessel有重叠,则将二值图像Brecover对应Rvessel位置的数值置为1,否则就不进行操作。
2)对二值图像Brecover进行血管剔除操作,同时得到出血的二值图像BHEM1和血管的二值图像Bvesseg1。血管剔除操作的过程是:对二值图像Brecover的每个连通区域Rrecover分别扫描其在图像位置中每行横向和每列纵向的宽度,将宽度值排列成一个数组,得到其中位数作为该连通区域的宽度估计同时计算该连通区域的外周长P;如果该连通区域满足(其中Th=18),则将该连通区域视为血管,否则将该连通区域视为出血可疑区域;最后利用分类结果,生成出血的二值图像BHEM1和血管的二值图像Bvesseg1。
3)对血管的二值图像Bvesseg1进行形态学开运算,得到开运算后的图像
其中,sOP6表示半径为6的圆盘形态结构元素;
4)重复步骤2)的血管剔除操作,得到第二次迭代的出血二值图像BHEM2和血管的二值图像Bvesseg2;
5)对血管的二值图像Bvesseg2进行形态学开运算,得到开运算后的图像
其中,sOP10表示半径为10的圆盘形态结构元素;
6)重复步骤(2)的血管剔除操作,得到第三次迭代的出血二值图像BHEM3和血管的二值图像Bvesseg3;
7)将三次迭代生成的出血二值图像进行“或”运算,得到最终的出血可疑区域如图2e所示。
(6)对出血可疑区域进行特征提取
此步骤需要利用图像RGB空间和HSV空间的信息,以及检测血管的滤波器提取以下43维特征:
1)利用图像Ig进行模板大小为120×120的中值滤波,得到滤波后的图像Iback,将Iback减去Ig得到暗区域图像Ishade,之后对于每个出血可疑连通区域R,计算得到5个特征:
(a)Ig中区域R灰度值均值;
(b)Ig中区域R灰度值方差;
(c)Ig中区域R灰度值均值与Iback中区域R灰度值均值的比值;
(d)Ig中区域R灰度值均值与Iback中区域R灰度值均值的差值;
(e)Ishade中区域R灰度值均值;
2)利用图像Ig进行限制对比度自适应直方图均衡化,得到增强后的图像之后对进行模板大小为120×120的中值滤波,得到滤波后的图像将减去得到暗区域图像再计算得到5个特征:
(a)中区域R灰度值均值;
(b)中区域R灰度值方差;
(c)中区域R灰度值均值与中区域R灰度值均值的比值;
(d)中区域R灰度值均值与中区域R灰度值均值的差值;
(e)中区域R灰度值均值;
3)利用R、G通道图像Ir与图像Ig的比值图像Igr:
计算得到2个特征:
(a)Igr中区域R灰度值的中值;
(b)Igr中区域R灰度值的方差;
4)将图像从RGB空间变换到HSV空间,并选取H通道图像IH,计算得到2个特征:
(a)IH中区域R灰度值的均值;
(b)IH中区域R灰度值的方差;
5)对增强图像进行AlejandroF.Frangi的多尺度血管增强滤波,通过多尺度的Hessian矩阵,得到血管增强后的图像Ivessel、每个像素点对应Hessian矩阵最小特征值的特征向量的方向信息Idirection、每个像素点对应Hessian矩阵的两个特征值差值的绝对值信息Ieigdif,之后计算得到5个特征:
(a)Ivessel中区域R灰度值的均值;
(b)Ivessel中区域R灰度值的方差;
(c)Ivessel归一化后区域R灰度值的均值;
(d)Idirection中区域R方向取值的方差;
(e)Ieigdif中区域R强度值的均值;
6)利用6个不同尺度((1,0.5)、(2,1)、(4,2)、(8,4)、(16,8)、(32,16)这6个尺度对)的DoG算子对Ig进行处理,将处理后的图像中区域R的灰度值均值组成6个特征;
7)利用6个不同尺度((1,0.5)、(2,1)、(4,2)、(8,4)、(16,8)、(32,16)这6个尺度对)的DoG算子对进行处理,将处理后的图像中区域R的灰度值均值组成6个特征;
8)利用3个不同尺度的高斯匹配滤波器组对Ig进行处理,分别将处理后的图像中区域R的灰度值均值、归一化图像中区域R的灰度值均值、归一化图像中区域R的灰度值方差组成9个特征。高斯匹配滤波器组是指S.Chaudhuri于1989年提出的用于血管检测的二维匹配滤波器(MatchedFilters):
其中θ为滤波器旋转的角度,一组滤波器分别选择{0°,15°,30°,45°,60°,75°,90°,105°,120°,135°,150°,165°}12个角度,σ为匹配血管宽度的高斯核的尺度大小,L为匹配血管长度的滤波器长度大小。处理后的图像Iresponse由每个像素点对于一组滤波器的最大响应值组成:
其中Iinput表示输入图像,(x,y)表示像素点的位置,*表示卷积运算。
并且此步骤中采用的3个尺度分别为(σ=4,L=18)、(σ=4,L=25)、(σ=6,L=18)。
9)利用一个尺度为(σ=4,L=18)的高斯匹配滤波器组对进行处理,分别将处理后的图像中区域R的灰度值均值、归一化图像中区域R的灰度值均值、归一化图像中区域R的灰度值方差组成3个特征。
(7)对出血可疑区域进行分类检测
利用步骤(6)得到的48维特征训练支持向量机(SVM),之后利用训练得到的SVM分类器,对步骤(5)中得到的出血可疑区域进行出血和非出血分类,保留判断为出血的区域,最后生成标记了出血边界的RGB图像,如图2f所示为G通道下高亮出血边界的图像。经过本发明提取后的图像,出血位置明显,方便医生的观测。
Claims (13)
1.一种视网膜眼底图像的出血检测方法,利用彩色数码免散瞳眼底照相机拍摄的眼底图像,其特征在于,所述方法包括以下步骤:
(1)对原始图像的大小进行调整;
(2)对调整后图像的视场进行定位;
(3)基于双尺度背景的出血和血管区域进行粗检测;
(4)对血管进行检测;
(5)对出血可疑区域进行迭代式定位;
(6)对出血可疑区域进行特征提取;
(7)对出血可疑区域进行分类检测,并生成标记出血的眼底图像。
2.根据权利要求1所述的视网膜眼底图像的出血检测方法,其特征在于,在所述步骤(1)中包括以下步骤:
将拍摄的原始眼底图像在保持图像高度和宽度比例不变的情况下进行缩放,缩放的比例计算如下式:
其中,ratio表示缩放的比例,H为原始图像的高度,W为原始图像的宽度,Hlimit=1152为设定的图像高度,Wlimit=1500为设定的图像宽度,函数min()为取两者的较小值,当ratio<1时表示原始图像需要缩小,当ratio>1时表示原始图像需要放大。
3.根据权利要求1所述的视网膜眼底图像的出血检测方法,其特征在于,在所述步骤(2)中包括以下步骤:
将调整后图像从RGB空间变换到Lab空间,并选取L通道图像IL进行二值化处理:
其中,ThreshFOV=3为视场定位的阈值,为视场的候选区域;
对二值图像进行形态学腐蚀运算:
其中,morpherode()表示形态学腐蚀运算,sFOV表示半径为15的圆盘形态结构元素;
对Berode进行形态学空洞填补运算:
BFOV=morphfill(Berode)
其中,morphfill()表示形态学空洞填补运算,BFOV表示最终获取的视场区域。
4.根据权利要求3所述的视网膜眼底图像的出血检测方法,其特征在于,所述步骤(3)中包括以下步骤:
a选取调整后图像的G通道分量Ig,并对其进行限制对比度自适应直方图均衡化,得到增强后的图像
b对增强后的图像进行模板大小为80×80的中值滤波,得到滤波后的图像Imedfilter;
c将滤波后的图像Imedfilter与增强后的图像相减,得到眼底图像暗区域的图像Isub:
d对图像Isub进行模板大小为5×5的均值滤波,得到滤波后的图像
e对均值滤波后的图像在得到的视场区域BFOV中进行Otsu分割,得到二值图像
f对二值图像进行形态学开运算:
其中,morphopen表示形态学开运算,sOP表示半径为2的圆盘形态结构元素,Bdark表示在一个背景尺度下获得的出血和血管区域;
g对增强后的图像进行模板大小为130×130的中值滤波,得到滤波图像后,再重复步骤c-f得到第二个尺度下的出血和血管区域;将两个尺度下的出血和血管区域二值化图像进行“或”运算,得到双尺度背景下的出血和血管区域Bdual。
5.根据权利要求4所述的视网膜眼底图像的出血检测方法,其特征在于,所述步骤(4)中包括以下步骤:
对增强后的图像进行高斯平滑滤波,得到滤波后的图像
对滤波后的图像采用多尺度血管增强滤波方法进行血管增强滤波,得到血管增强后的图像Ivessel;
将图像Ivessel的灰度值调整到0-255范围:
Iscale=(Ivessel-minV)*255/(maxV-minV)
其中,minV、maxV分别表示Ivessel中的最小、最大值,Iscale表示灰度值调整后的血管增强图像;
对Iscale在视场区域BFOV中进行Otsu分割,得到血管的二值图像Bvessel。
6.根据权利要求5所述的视网膜眼底图像的出血检测方法,其特征在于,所述步骤(5)中包括以下步骤:
利用血管二值图像Bvessel对双尺度背景下的出血和血管区域Bdual进行补全操作,得到补全的二值图像Brecover;
对二值图像Brecover进行血管剔除操作,同时得到出血的二值图像BHEM1和血管的二值图像Bvesseg1;
对血管的二值图像Bvesseg1进行形态学开运算,得到开运算后的图像
其中,morphopen表示形态学开运算,sOP6表示半径为6的圆盘形态结构元素;
对出血的二值图像BHEM1重复血管剔除操作,得到第二次迭代的出血二值图像BHEM2和血管的二值图像Bvesseg2;
对血管的二值图像Bvesseg2进行形态学开运算,得到开运算后的图像
其中,sOP10表示半径为10的圆盘形态结构元素;
对出血二值图像BHEM2重复血管剔除操作,得到第三次迭代的出血二值图像BHEM3和血管的二值图像Bvesseg3;
将三次迭代生成的出血二值图像进行“或”运算,得到最终的出血可疑区域
7.根据权利要求6所述的视网膜眼底图像的出血检测方法,其特征在于,所述补全操作包括以下步骤:
复制双尺度背景下的出血和血管区域Bdual为Brecover,遍历Brecover的每个连通区域Rrecover,如果Brecover的连通区域Rrecover与血管二值图像Bvessel的连通区域Rvessel有重叠,则将二值图像Brecover对应Rvessel位置的数值置为1,否则就不进行操作。
8.根据权利要求6所述的视网膜眼底图像的出血检测方法,其特征在于,所述血管剔除操作包括以下步骤:
对二值图像Brecover的每个连通区域Rrecover分别扫描其在图像位置中每行横向和每列纵向的宽度,将宽度值排列成一个数组,得到其中位数作为该连通区域的宽度估计同时计算该连通区域的外周长P;如果该连通区域满足其中Th=18,则将该连通区域视为血管,否则将该连通区域视为出血可疑区域;利用分类结果,生成出血的二值图像和血管的二值图像。
9.根据权利要求1所述的视网膜眼底图像的出血检测方法,其特征在于,所述步骤(6)中包括提取43个特征的以下步骤:
利用调整后图像的G通道分量Ig进行模板大小为120×120的中值滤波,得到滤波后的图像Iback,将Iback减去Ig得到暗区域图像Ishade,对于每个出血可疑连通区域R,计算得到5个特征:
Ig中区域R灰度值均值,
Ig中区域R灰度值方差,
Ig中区域R灰度值均值与Iback中区域R灰度值均值的比值,
Ig中区域R灰度值均值与Iback中区域R灰度值均值的差值,
Ishade中区域R灰度值均值;
利用图像Ig进行限制对比度自适应直方图均衡化,得到增强后的图像对进行模板大小为120×120的中值滤波,得到滤波后的图像将减去得到暗区域图像再计算得到5个特征:
中区域R灰度值均值,
中区域R灰度值方差,
中区域R灰度值均值与中区域R灰度值均值的比值,
中区域R灰度值均值与中区域R灰度值均值的差值,
中区域R灰度值均值;
利用R、G通道图像Ir与图像Ig的比值图像Igr:
计算得到2个特征:
Igr中区域R灰度值的中值,
Igr中区域R灰度值的方差;
将调整后图像从RGB空间变换到HSV空间,并选取H通道图像IH,计算得到2个特征:
IH中区域R灰度值的均值,
IH中区域R灰度值的方差;
对增强图像进行多尺度血管增强滤波,通过多尺度的Hessian矩阵,得到血管增强后的图像Ivessel、每个像素点对应Hessian矩阵最小特征值的特征向量的方向信息Idirection、每个像素点对应Hessian矩阵的两个特征值差值的绝对值信息Ieigdif,计算得到5个特征:
Ivessel中区域R灰度值的均值,
Ivessel中区域R灰度值的方差,
Ivessel归一化后区域R灰度值的均值,
Idirection中区域R方向取值的方差,
Ieigdif中区域R强度值的均值;
利用6个不同尺度的DoG算子对Ig进行处理,将处理后的图像中区域R的灰度值均值组成6个特征;
利用6个不同尺度的DoG算子对进行处理,将处理后的图像中区域R的灰度值均值组成6个特征;
利用3个不同尺度的高斯匹配滤波器组对Ig进行处理,分别将处理后的图像中区域R的灰度值均值、归一化图像中区域R的灰度值均值、归一化图像中区域R的灰度值方差组成9个特征;
利用一个尺度的高斯匹配滤波器组对进行处理,分别将处理后的图像中区域R的灰度值均值、归一化图像中区域R的灰度值均值、归一化图像中区域R的灰度值方差组成3个特征。
10.根据权利要求9所述的视网膜眼底图像的出血检测方法,其特征在于,所述“利用6个不同尺度的DoG算子对Ig进行处理”和“利用6个不同尺度的DoG算子对进行处理”的步骤中6个不同尺度DoG算子是指采用了(1,0.5)、(2,1)、(4,2)、(8,4)、(16,8)、(32,16)这6个尺度对的DoG算子。
11.根据权利要求9所述的视网膜眼底图像的出血检测方法,其特征在于,所述“利用3个不同尺度的高斯匹配滤波器组对Ig进行处理”和“利用一个尺度的高斯匹配滤波器组对进行处理”的步骤中的高斯匹配滤波器组是指如下用于血管检测的二维匹配滤波器:
其中,θ为滤波器旋转的角度,一组滤波器分别选择{0°,15°,30°,45°,60°,75°,90°,105°,120°,135°,150°,165°}12个角度,σ为匹配血管宽度的高斯核的尺度大小,L为匹配血管长度的滤波器长度大小;处理后的图像Iresponse由每个像素点对于一组滤波器的最大响应值组成:
其中,Iinput表示输入图像,(x,y)表示像素点的位置,*表示卷积运算。
12.根据权利要求9所述的视网膜眼底图像的出血检测方法,其特征在于,所述“利用3个不同尺度的高斯匹配滤波器组对Ig进行处理”的步骤中高斯匹配滤波器组采用的3个尺度分别为(σ=4,L=18)、(σ=4,L=25)、(σ=6,L=18);所述“利用一个尺度的高斯匹配滤波器组对进行处理”的步骤中高斯匹配滤波器组采用的尺度为(σ=4,L=18)。
13.根据权利要求1所述的视网膜眼底图像的出血检测方法,其特征在于,在所述步骤(7)中包括以下步骤:
利用步骤(6)得到的43维特征训练支持向量机(SVM),利用训练得到的SVM分类器,对步骤(5)中得到的出血可疑区域进行出血和非出血分类,保留分类为出血的区域,生成标记了出血边界的RGB图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610084210.2A CN105761258B (zh) | 2016-02-06 | 2016-02-06 | 一种眼底彩色照相图像出血自动化识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610084210.2A CN105761258B (zh) | 2016-02-06 | 2016-02-06 | 一种眼底彩色照相图像出血自动化识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105761258A true CN105761258A (zh) | 2016-07-13 |
CN105761258B CN105761258B (zh) | 2018-06-01 |
Family
ID=56330088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610084210.2A Active CN105761258B (zh) | 2016-02-06 | 2016-02-06 | 一种眼底彩色照相图像出血自动化识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105761258B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
CN106683080A (zh) * | 2016-12-15 | 2017-05-17 | 广西师范大学 | 一种视网膜眼底图像预处理方法 |
CN106780439A (zh) * | 2016-11-29 | 2017-05-31 | 瑞达昇科技(大连)有限公司 | 一种筛选眼底图像的方法 |
CN107038705A (zh) * | 2017-05-04 | 2017-08-11 | 季鑫 | 视网膜图像出血区域分割方法、装置和计算设备 |
CN108185984A (zh) * | 2017-12-28 | 2018-06-22 | 中山大学 | 眼底彩照进行眼底病灶识别的方法 |
CN108665474A (zh) * | 2017-03-31 | 2018-10-16 | 中南大学 | 一种基于b-cosfire的眼底图像视网膜血管分割方法 |
CN109166117A (zh) * | 2018-08-31 | 2019-01-08 | 福州依影健康科技有限公司 | 一种眼底图像自动分析比对方法及一种存储设备 |
CN109816637A (zh) * | 2019-01-02 | 2019-05-28 | 电子科技大学 | 一种眼底图像中硬性渗出区域的检测方法 |
CN110610468A (zh) * | 2019-09-23 | 2019-12-24 | 厦门美图之家科技有限公司 | 基于皮肤镜图像的毛发识别方法、装置、设备及存储介质 |
CN111179258A (zh) * | 2019-12-31 | 2020-05-19 | 中山大学中山眼科中心 | 一种识别视网膜出血图像的人工智能方法及系统 |
CN112017190A (zh) * | 2020-08-06 | 2020-12-01 | 杭州深睿博联科技有限公司 | 一种用于血管分割补全的全局网络构建和训练方法及装置 |
EP3659067A4 (en) * | 2017-07-28 | 2021-04-07 | National University of Singapore | METHOD OF MODIFICATION OF AN EYE BACKGROUND IMAGE FOR A DEEP LEARNING MODEL |
CN112634180A (zh) * | 2021-03-05 | 2021-04-09 | 浙江大华技术股份有限公司 | 一种图像增强方法、图像增强装置和计算机可读存储介质 |
CN112700420A (zh) * | 2020-12-31 | 2021-04-23 | 中南大学 | 一种眼底图像补全、分类方法及系统 |
CN113379649A (zh) * | 2021-07-09 | 2021-09-10 | 浙江大学 | 一种图像增强方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843957A (zh) * | 2009-08-24 | 2012-12-26 | 新加坡保健服务集团有限公司 | 一种用于检测视盘出血的方法及系统 |
CN103020645A (zh) * | 2013-01-06 | 2013-04-03 | 深圳市彩讯科技有限公司 | 一种垃圾图片识别方法和系统 |
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
-
2016
- 2016-02-06 CN CN201610084210.2A patent/CN105761258B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843957A (zh) * | 2009-08-24 | 2012-12-26 | 新加坡保健服务集团有限公司 | 一种用于检测视盘出血的方法及系统 |
CN103020645A (zh) * | 2013-01-06 | 2013-04-03 | 深圳市彩讯科技有限公司 | 一种垃圾图片识别方法和系统 |
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
Non-Patent Citations (2)
Title |
---|
JYOTIPRAVA DASH ET AL: "A Survey on Blood Vessel detection Methodologies in Retinal Images", 《2015 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE & NETWORKS》 * |
K.A. VERMEER ET AL: "A model based method for retinal blood vessel detection", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780439A (zh) * | 2016-11-29 | 2017-05-31 | 瑞达昇科技(大连)有限公司 | 一种筛选眼底图像的方法 |
CN106683080A (zh) * | 2016-12-15 | 2017-05-17 | 广西师范大学 | 一种视网膜眼底图像预处理方法 |
CN106683080B (zh) * | 2016-12-15 | 2019-09-27 | 广西师范大学 | 一种视网膜眼底图像预处理方法 |
CN106651846B (zh) * | 2016-12-20 | 2019-07-12 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
CN108665474B (zh) * | 2017-03-31 | 2021-05-11 | 中南大学 | 一种基于b-cosfire的眼底图像视网膜血管分割方法 |
CN108665474A (zh) * | 2017-03-31 | 2018-10-16 | 中南大学 | 一种基于b-cosfire的眼底图像视网膜血管分割方法 |
CN107038705A (zh) * | 2017-05-04 | 2017-08-11 | 季鑫 | 视网膜图像出血区域分割方法、装置和计算设备 |
CN107038705B (zh) * | 2017-05-04 | 2020-02-14 | 季鑫 | 视网膜图像出血区域分割方法、装置和计算设备 |
US11200707B2 (en) * | 2017-07-28 | 2021-12-14 | National University Of Singapore | Method of modifying a retina fundus image for a deep learning model |
EP3659067A4 (en) * | 2017-07-28 | 2021-04-07 | National University of Singapore | METHOD OF MODIFICATION OF AN EYE BACKGROUND IMAGE FOR A DEEP LEARNING MODEL |
CN108185984A (zh) * | 2017-12-28 | 2018-06-22 | 中山大学 | 眼底彩照进行眼底病灶识别的方法 |
CN109166117A (zh) * | 2018-08-31 | 2019-01-08 | 福州依影健康科技有限公司 | 一种眼底图像自动分析比对方法及一种存储设备 |
CN109816637A (zh) * | 2019-01-02 | 2019-05-28 | 电子科技大学 | 一种眼底图像中硬性渗出区域的检测方法 |
CN110610468A (zh) * | 2019-09-23 | 2019-12-24 | 厦门美图之家科技有限公司 | 基于皮肤镜图像的毛发识别方法、装置、设备及存储介质 |
CN110610468B (zh) * | 2019-09-23 | 2022-11-01 | 厦门美图宜肤科技有限公司 | 基于皮肤镜图像的毛发识别方法、装置、设备及存储介质 |
CN111179258A (zh) * | 2019-12-31 | 2020-05-19 | 中山大学中山眼科中心 | 一种识别视网膜出血图像的人工智能方法及系统 |
CN112017190A (zh) * | 2020-08-06 | 2020-12-01 | 杭州深睿博联科技有限公司 | 一种用于血管分割补全的全局网络构建和训练方法及装置 |
CN112700420A (zh) * | 2020-12-31 | 2021-04-23 | 中南大学 | 一种眼底图像补全、分类方法及系统 |
CN112634180A (zh) * | 2021-03-05 | 2021-04-09 | 浙江大华技术股份有限公司 | 一种图像增强方法、图像增强装置和计算机可读存储介质 |
CN112634180B (zh) * | 2021-03-05 | 2021-08-03 | 浙江大华技术股份有限公司 | 一种图像增强方法、图像增强装置和计算机可读存储介质 |
CN113379649A (zh) * | 2021-07-09 | 2021-09-10 | 浙江大学 | 一种图像增强方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105761258B (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105761258A (zh) | 视网膜眼底图像的出血检测方法 | |
Xiao et al. | Weighted res-unet for high-quality retina vessel segmentation | |
CN105787927B (zh) | 一种眼底彩色照相图像中渗出自动化识别方法 | |
Shen et al. | Domain-invariant interpretable fundus image quality assessment | |
CN108986106B (zh) | 面向青光眼的视网膜血管自动分割方法 | |
CN110276356A (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
CN104794721B (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
Giancardo et al. | Elliptical local vessel density: a fast and robust quality metric for retinal images | |
Septiarini et al. | Automatic detection of peripapillary atrophy in retinal fundus images using statistical features | |
KR20210000021A (ko) | 녹내장 진단 장치 | |
Fadafen et al. | Detection of diabetic retinopathy using computational model of human visual system | |
Tang et al. | Retinal vessel segmentation from fundus images using DeepLabv3+ | |
Lu et al. | Automatic macula detection from retinal images by a line operator | |
Maya et al. | Detection of retinal lesions based on deep learning for diabetic retinopathy | |
Ghassabi et al. | A unified optic nerve head and optic cup segmentation using unsupervised neural networks for glaucoma screening | |
Zhou et al. | A novel approach for red lesions detection using superpixel multi-feature classification in color fundus images | |
CN112419246A (zh) | 量化食管粘膜IPCLs血管形态分布的深度检测网络 | |
Afonso et al. | Hair detection in dermoscopic images using percolation | |
Chidambaram et al. | Detection of exudates in diabetic retinopathy | |
Mallick et al. | Blood vessel detection using modified multiscale MF-FDOG filters for diabetic retinopathy | |
Puranik et al. | Morphology based approach for microaneurysm detection from retinal image | |
Rust et al. | A robust algorithm for optic disc segmentation and fovea detection in retinal fundus images | |
Guan et al. | Nuclei enhancement and segmentation in color cervical smear images | |
Khan et al. | Diabetic retinopathy detection by image processing algorithms and machine learning technique | |
Reddy et al. | Optic Disk Segmentation through Edge Density Filter in Retinal Images |
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 |