CN106204555A - 一种结合Gbvs模型和相位一致性的视盘定位方法 - Google Patents

Abstract

本发明公开了一种结合Gbvs模型和相位一致性的视盘定位方法。其实现过程是：(1)提取彩色眼底图像的绿色通道；(2)求取眼底图像的掩模图像，获得眼底图像的感兴趣区域(Region of Interest，简称ROI)；(3)提取亮度、亮度对比度、相位一致性三类特征；(4)用改进的基于图的显著性模型(Graph based visual saliency，Gbvs)构造显著图；(5)提取眼底图像静脉血管骨架线，用最小二乘法进行抛物线拟合；(6)比较抛物线顶点邻域内的显著性与整幅眼底图像的平均显著性的大小，确定视盘位置。本文在计算显著图的过程中，根据眼底图像中视盘的特点，提取了亮度、亮度对比度、相位一致性三类特征，改进了基于图的显著性模型，在定位视盘时利用静脉血管的结构特征辅助精确定位。实验证明本文方法效果良好。

Description

一种结合Gbvs模型和相位一致性的视盘定位方法

技术领域

本发明属于图像处理技术领域，涉及一种结合Gbvs模型和相位一致性的视盘定位方法。可用于对正常和病变程度不同的眼底图像进行视盘定位。准确的视盘定位可以辅助定位视网膜眼底中的重要组织结构的位置，对于眼底图像分析具有重要的作用。

背景技术

视网膜眼底图像的处理与分析可以帮助医生进行眼科疾病以及糖尿病等全身性疾病的筛查诊断，跟踪病情的发展。在彩色视网膜眼底图像中，视盘呈类圆形，是一个近黄色或白色的亮斑，直径约占眼底图像的七分之一。此外，由于视盘是视神经的起始端和眼底血管的发源地，所以其内部汇聚着大量较粗的血管。视盘的大小、形态和深度等参数是诊断眼科疾病的重要依据，对于有病变的眼底图像，准确的视盘定位不仅可以辅助定位视网膜眼底中的重要组织：血管和黄斑，还可用于确定渗出物、微动脉瘤等病变组织结构的位置。因此，快速有效的视盘定位对眼底图像分析具有重要的意义。

根据视盘具有的特性，国内外研究人员提出了诸多视盘定位方法，大致可以分为2类。一类是利用视盘的外观特性如亮度、形状等进行视盘定位；第二类是基于血管特性的视盘定位方法，视盘区域的血管密度较大，且主血管延伸曲线近似于两条相切抛物线，利用这些血管特性定位视盘。分析已有的眼底图像视盘定位方法，利用视盘的外观特性的视盘定位方法对于正常的眼底图像适用性良好，但当与视盘亮度相似的眼底病变存在时，容易受到病变干扰，鲁棒性较差；而对于基于血管分割的视盘定位方法，由于血管分割本身就是一个复杂的工作，所以基于此类方法的视盘定位往往耗时较长，不能满足眼底视盘检测实时性的要求。

发明内容

本发明的目的是克服现有技术的上述不足，提出了将基于图论的显著性模型应用到眼底图像中视盘定位，除了考虑到视盘本身的亮度与形状的特点外，还加入了相位信息，同时利用静脉血管的结构特征辅助精确定位视盘。本发明利用计算机系统模拟视觉过程中数据筛选出视盘，降低图像处理复杂性。实现本发明目的技术方案，包括下列步骤：

(1)提取眼底图像的绿色通道；

(2)求取眼底图像的掩模图像，确定眼底图像的感兴趣区域；

(3)提取亮度、亮度对比度、相位一致性三类特征；

(4)用改进的基于图的显著性模型(Graph based visual saliency，Gbvs)构造显著图；

(5)提取眼底图像静脉血管骨架线，用最小二乘法进行抛物线拟合；

(6)比较抛物线顶点邻域内的显著性与整幅眼底图像的平均显著性的大小，确定视盘位置。

本发明与现有技术相比较具有如下优点：

1.本发明不仅利用了亮度和对比度两特征，还加入了相位一致性特征，该特征具有亮度不变性，抗噪性能好，弥补了只利用亮度特征进行视盘定位的不足，对对比度低的眼底图像也可以准确定位出视盘。

2.本发明利用了基于图的显著性模型获得显著图，更加全局地，动态地考虑图像中点与点之间的显著性差异，可以检测出图像中更多的感兴趣区域，更加符合人类视觉感知特性，对于眼底图像中视盘检测效果更好。

3.本发明不仅考虑到眼底图像的外观特性，还考虑到了静脉血管的结构特征，可以辅助精确定位视盘。对于眼底图像，当两个特性都的满足时候才确定为视盘，整体思路更为严谨。

附图说明

图1：本发明的流程图。

图2：(a)原始图像，(b)绿色通道图像；

图3：(a)图2(a)所提的掩模分割结果，(b)图2(b)的感兴趣区域；

图4：对图3(b)进行特征提取后，利用改进的基于图的显著性模型构造显著图：(a)亮度显著图，(b)亮度对比度显著图，(c)相位一致性显著图；

图5：将图4(a)、4(b)与4(c)按照1∶1∶2的比例进行线性相加，最终得到的总显著图；

图6：利用图2(b)提取静脉血管骨架线，对其进行抛物线拟合，拟合后的结果图；

图7：本发明应用于MESSIDOR眼底数据库的结果图。(a)原始图像，(b)经Gbvs模型计算所得的显著图，(c)定位结果，(c)图中黑色十字标识视盘重心位置。

图8：本发明应用于STARE眼底数据库的结果图。(a)原始图像，(b)经Gbvs模型计算所得的显著图，(c)提取眼底血管骨架线后效果图，(d)定位结果。

具体实施方式

本发明的流程图如图1所示，首先提取彩色眼底图像的绿色通道；然后求取眼底图像的掩模图像，获得眼底图像的感兴趣区域；再提取亮度、亮度对比度、相位一致性三类特征；利用Gbvs模型构造显著图；提取眼底图像静脉血管骨架线，用最小二乘法进行抛物线拟合；判断抛物线顶点邻域内的显著性是否高于整幅眼底图像的平均显著性，是的话将抛物线顶点作为视盘定位结果，否则利用滑动窗口扫描法对总显著图进行扫描，将扫描所得的显著性最高的位置视为视盘。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.提取眼底图像的绿色通道；

输入如图2(a)所示的彩色眼底图像，提取该眼底图像的绿色通道，处理后的图像如图2(b)所示。

2.求取眼底图像的掩模图像，获得眼底图像的感兴趣区域；

提取图2(a)的HSV空间的V通道，利用OTSU阈值分割出眼底图像的掩模，并对掩模进行一系列形态学操作，得到新的掩模，如图3(a)所示，再将其与原图像相与得到相应的ROI区域，ROI区域如图3(b)所示。

3.提取亮度、亮度对比度、相位一致性三类特征；

对图3(b)进行特征提取，并通过线性高斯滤波器对图像进行平滑和降采用，计算出各特征通道的第2、3层金字塔数据，一共6幅，其中亮度2幅、亮度对比度2幅、相位一致性2幅。三类特征的 提取步骤分别是：

(1)亮度特征：设r、g、b分别代表彩色图像的红、绿、蓝3色分量，由于在本实验中只使用了眼底图像的绿色通道，所以亮度特征为I＝g；

(2)亮度对比度特征：计算图像的亮度方差，具体公式为：

$c=\underset{\mathrm{\δ}}{\Σ}\mathrm{\δ}{(i,j)}^2{P}_{\mathrm{\δ}}(i,j)$

其中，δ(i，j)＝|i-j|表示相邻像素间的灰度差，P_δ(i，j)为相邻像素灰度差为δ的像素分布概率；

(3)相位一致性特征：利用PC对图像进行特征提取，相位一致性公式为：

式中，o表示方向；n表示小波函数的尺度；E为局部能量；T为所有尺度上滤波器对噪声的响应；表示其中的值为正则取值不变，若为其他值则取0；A单个滤波器的幅度；ε为小的正常数，防止分母为0；PC(x，y)表示在点(x，y)的相位一致性。

式中采用的小波为log-Gabor小波。log-Gabor函数的传递函数的形式为：

$g\left(\mathrm{\ω}\right)=\exp \[\frac{-{\left(log\right(\mathrm{\ω}/{\mathrm{\ω}}_0\left)\right)}^2}{2{\left(log\right(\mathrm{\β}/{\mathrm{\ω}}_0\left)\right)}^2}\]$

这里ω₀为滤波器的中心频率。为了保证滤波器的形状恒定，对于不同的中心频率ω₀，β/ω₀必须保持一致。

4.利用改进的基于图的显著性模型构造显著图；

对图3(b)进行特征提取后，利用改进的基于图的显著性模型构造显著图，亮度显著图如图4(a)所示，亮度对比度显著图如图4(b)所示，相位一致性显著图如图4(c)所示。然后将图4(a)、4(b)与4(c)按照1∶1∶2的比例进行线性相加，最终得到的总显著图，如图5所示。

计算显著图的具体方法为：以像素为节点，将每层金字塔数据映射为一个无向图G_A，首先利用节点之间的距离，计算出任意像素之间的差异性，将其作为其对应节点连成的边的权重，并归一化到[0，1]；然后计算出权重矩阵，将矩阵按列进行归一化，归一化后的矩阵称为马尔科夫矩阵，用以反应G_A中任意一个节点和其他所有顶点的联系；接着，计算马尔科夫矩阵最大谱对应的特征向量，插值回原图得到特征图；对各特征通道所得的特征图进行尺寸归一化，各通道特征图相加，由此分别得到亮度、亮度对比度、相位一致性的3张显著图。

其中，节点间距离计算公式为：

$d\left(\right(i,j\left)\right|\left|\right(p,q\left)\right)=\left|log\frac{M(i,j)}{M(p,q)}\right|$

M(i，j)、M(p，q)分别是像素(i，j)和(p，q)的像素值。连接权重为：

ω((i，j)，(p，q))＝d((i，j)||(p，q))·F(i-p，j-q)

$F(a,b)=\exp (-\frac{a^2+b^2}{2\mathrm{\σ}})$

其中σ是一个参数，其大小与领域范围大小成正比。

5.提取眼底图像静脉血管骨架线，用最小二乘法进行抛物线拟合；

分析视网膜眼底图像发现视盘邻域的上下两条静脉血管连接成的形状类似于抛物线，且静脉血管主要轮廓属于主血管，宽度大于周围的细小血管和静脉血管的分支，利用这个特点，采用以主血管 宽度作为半径的圆盘模板对图2(b)进行低帽运算，然后采用Otsu二值分割算法，提取静脉血管，如图6所示。

提取静脉血管后，对提取血管后的图像建立坐标系：以图像左上角为原点，水平方向作为Y轴的正方向，竖直向下作为X轴的正方向，这样静脉血管骨架线上点的行标号映射为X坐标，列标号映射为Y坐标，得到映射后的数据点集(x_i，y_i)(1≤i≤N)，N为数据点个数。利用抛物线的一元二次一般式f(x)＝ax²+bx+c计算出抛物线顶点

此方法不需要制定复杂的几何模板，只需提取静脉血管的主要轮廓特，避免了必须精确提取整体血管或者主血管特征的复杂性和局限性。

6.比较抛物线顶点邻域内的显著性与整幅眼底图像的平均显著性的大小，确定视盘位置；

以抛物线顶点为中心，定义一个视盘大小的邻域。判断抛物线顶点邻域内的显著性是否高于整幅眼底图像的平均显著性，是的话将抛物线顶点作为视盘定位结果，否则利用滑动窗口扫描法对总显著图进行扫描，将扫描所得的显著性最高的位置视为视盘。滑动窗口扫描法步骤：

(1)首先定义一个直径为视盘直径的圆形滑动窗口，利用此滑动窗口以1个像素为步长，对图5从左向右、从上到下进行扫描；

(2)统计窗口内像素灰度均值，将像素均值最大时窗口所对应的中心坐标作为最终的视盘位置。其中，提取静脉血管骨架线过程中进行低帽变换时选取的模板大小以及扫描窗口大小的视盘直径D的合理选取对定位结果起关键作用，这两个参数是根据彩色眼底图像中的独特的比例关系来设定的。相关研究表明视盘的直径同眼底图像宽度大小之间的比例为八分之一到五分之一，而主血管宽度同视盘直径的比例为七分之一到六分之一，对于一幅尺寸为m*n的彩色眼底图像，本发明依据图像的大小自动获取视盘直径D为m/7，主血管宽度取D的1/7。

本发明效果可以通过图7和图8得到证明。图7为本发明应用于MESSIDOR眼底数据库的结果图，图8为本发明应用于STARE眼底数据库的结果图。由图7结果比较可以看出，本发明应用于视网膜眼底图像时，即使图像亮度和对比度不高，但仍然可以很好地定位出视盘；由图8可以看出对于有病变的眼底图像，虽然病变的显著性也非常高，但由于视盘是血管的交汇处，通过提取血管骨架线，判断抛物线顶点处邻域的显著性，也可准确地定位出视盘位置。通过实验证明本文方法效果良好。在四个公开的眼底图像数据库(DRIVE、DIABETED0、STARE和MESSIDOR)中对本文方法进行测试，定位准确率分别为100％、96.1％、90.12％、99.25％，表明了该方法的准确性和通用性。

Claims (5)

1.一种结合Gbvs模型和相位一致性的视盘定位方法，所述方法包括下列步骤：

步骤1：提取眼底图像的绿色通道；

步骤2：求取眼底图像的掩模图像，确定眼底图像的感兴趣区域；

步骤3：提取亮度、亮度对比度、相位一致性三类特征；

步骤4：用改进的基于图的显著性模型(Graph based visual saliency，Gbvs)构造显著图；

步骤5：提取眼底图像静脉血管骨架线，用最小二乘法进行抛物线拟合；

步骤6：比较抛物线顶点邻域内的显著性与整幅眼底图像的平均显著性的大小，确定视盘位置。

2.根据权利要求1所述的结合Gbvs模型和相位一致性的视盘定位方法，其特征在于，步骤3中，提取亮度、亮度对比度、相位一致性三类特征，并通过线性高斯滤波器对图像进行平滑和降采用，计算出各特征通道的第2、3层金字塔数据。

3.根据权利要求1所述的结合Gbvs模型和相位一致性的视盘定位方法，其特征在于，步骤4中，以像素为节点，将每层金字塔数据映射为一个无向图，计算出任意像素之间的差异性，利用马尔科夫矩阵最大谱对应的特征向量得到特征图，对各特征通道所得的特征图进行尺寸归一化，各通道特征图相加，由此分别得到亮度、亮度对比度、相位一致性的3张显著图，线性相加后得到的总显著图。

4.根据权利要求1所述的结合Gbvs模型和相位一致性的视盘定位方法，其特征在于，步骤5中，采用以主血管宽度作为半径的圆盘模板对预处理图像进行低帽运算，然后采用Otsu二值分割算法提取静脉血管。

5.根据权利要求1所述的结合Gbvs模型和相位一致性的视盘定位方法，其特征在于，步骤6中，判断抛物线顶点邻域内的显著性是否高于整幅眼底图像的平均显著性，是的话将抛物线顶点作为视盘定位结果，否则利用滑动窗口扫描法对总显著图进行扫描，统计窗口内像素灰度均值，将像素均值最大时窗口所对应的中心坐标作为最终的视盘位置。