CN106384343A - 一种基于形态学处理的硬性渗出区域检测方法 - Google Patents

一种基于形态学处理的硬性渗出区域检测方法 Download PDF

Info

Publication number
CN106384343A
CN106384343A CN201610715423.0A CN201610715423A CN106384343A CN 106384343 A CN106384343 A CN 106384343A CN 201610715423 A CN201610715423 A CN 201610715423A CN 106384343 A CN106384343 A CN 106384343A
Authority
CN
China
Prior art keywords
image
hard exudate
region
gray level
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.)
Pending
Application number
CN201610715423.0A
Other languages
English (en)
Inventor
盛斌
邢思凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201610715423.0A priority Critical patent/CN106384343A/zh
Publication of CN106384343A publication Critical patent/CN106384343A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30041Eye; 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

本发明涉及一种基于形态学处理的硬性渗出区域检测方法,用以标记视网膜病患者眼底图像上的硬性渗出区域,包括以下步骤:1)对初始眼底图像进行预处理,使其灰度化并获取灰度图像;2)在灰度图像中采用形态学闭操作消除血管对渗出区域检测产生的影响;3)对消除血管影响后的灰度图像通过形态学处理获取无病变的眼底背景图像;4)根据消除血管影响后的灰度图像与无病变的眼底背景图像标记出眼底图像上的真实硬性渗出区域,并且计算该真实硬性渗出区域的面积。与现有技术相比,本发明具有无需训练样本、图像准确等优点。

Description

一种基于形态学处理的硬性渗出区域检测方法
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种基于形态学处理的硬性渗出区域检测方法。
背景技术
糖尿病视网膜病是导致失明的主要因素,由于其发病率之高及其重要的临床诊断意义,许多科研组织已致力于改善对该病的诊疗手段,优化对视网膜图像处理的算法,以及对眼底图像增强与检测。在分析眼底图像的各路算法中,对于诊断硬性渗出的算法已发展为一只特殊的分支。硬性渗出是视网膜水肿的特异性标志,同时它也是非增殖型糖尿病视网膜病中,导致视力降低的主要因素。
硬性渗出区域在眼底图像上的特征表现为孤立的白色或黄色小点,边界清晰,常有蜡样或闪光感。硬性渗出一般位于外层视网膜,有时围绕多个微血管瘤呈环状排列,还可互相融合呈大斑块状。针对检测硬性渗出,现已有许多技硬术手段。2002年,Walter T等人在发表的“A contribution of image processing to the diagnosis of diabeticretinopathy–Detection of exudates in color fundus images of the human retina”中利用图像对比度和亮度分析检测硬性渗出区域。2000年,Wang H等人在发表的“Aneffective approach to detect lesions in color retinal images”中利用贝叶斯分类方法检测硬性渗出区域。1996年,Gardner G等人在发表的“Automatic detection ofdiabetic retinopathy using an artificial neural network:a screening tool”中利用神经网络的方法检测硬性渗出区域。
硬性渗出区域的检测方法还有很多。基于形态学操作的方法容易消除噪声,提取特征,但精度小,容易改变面积大小,不能定量计算;基于阈值分割的方法精度高,分割效果好,操作简单,但适应性差,需要人工调整阈值大小;基于区域增长的算法能提供准确的边界信息和分割结果,但计算代价大,噪声和灰度不均一可能会导致空洞和过分割;基于SVM分类器和马尔科夫模型聚类分析的方法适应性广,精度高,但需要对大量的样本进行训练。
虽然目前有大量关于眼底图像分析的研究成果,但是开销太大的算法,需要大量数据作为基础的机器学习,以及精度较差,普适性不高的其他方法并不能满足当今医院对眼底图像处理的需求。因此,亟需一种快速高效的计算机图像处理与模式识别系统应用于糖尿病眼病的临床诊断。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种无需训练样本、图像准确的基于形态学处理的硬性渗出区域检测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于形态学处理的硬性渗出区域检测方法,用以标记视网膜病患者眼底图像上的硬性渗出区域,包括以下步骤:
1)对初始眼底图像进行预处理,使其灰度化并获取灰度图像;
2)在灰度图像中采用形态学闭操作消除血管对渗出区域检测产生的影响;
3)对消除血管影响后的灰度图像通过形态学处理获取无病变的眼底背景图像;
4)根据消除血管影响后的灰度图像与无病变的眼底背景图像标记出眼底图像上的真实硬性渗出区域,并且计算该真实硬性渗出区域的面积。
所述的步骤1)中,灰度图像中每个像素的亮度值Y与初始眼底图像RGB颜色空间颜色分量的对应式为:
Y=0.3*R+0.59*G+0.11B
其中,R、G、B分别为RGB颜色空间的三个颜色分量。
所述的步骤2)中形态学闭操作为先进行膨胀操作后进行腐蚀操作。
所述的步骤3)具体包括以下步骤:
31)采用Roberts算子获取消除血管影响后的灰度图像中硬性渗出区域的边界;
32)采用形态学闭操作填充硬性渗出区域内的空洞,获取完整的硬性渗出区域,并将该硬性渗出区域从取消除血管影响后的灰度图像中去除;
33)选取高度为零的结构元素进行形态学迭代膨胀操作,将消除血管影响后的灰度图像中的背景灰度逐步填充到去除后的硬性渗出区域中,最终获得无病变的眼底背景图像。
所述的步骤4)具体包括以下步骤:
41)将消除血管影响后的灰度图像与无病变的眼底背景图像对应所有像素点的亮度值做差,并设定阈值;
42)若像素点的亮度值差大于阈值,则判定其为真实硬性渗出区域内的像素点,并将所有属于真实硬性渗出区域内的像素点汇总形成真实硬性渗出区域;
43)计算真实硬性渗出区域的面积。
与现有技术相比,本发明具有以下优点:
一、无需训练样本:本发明方法基于形态学操作,不需要对大量样本进行训练,避免了分类造成的时间浪费,响应时间快且较为准确。
二、图像准确:本发明通过Roberts算子获取消除血管影响后的灰度图像中硬性渗出区域的边界,并填充其中的空洞,保证了渗出区域的完整,并采用亮度差法获取真实的硬性渗出区域形状及轮廓,计算准确。
附图说明
附图说明
图1是本发明方法的流程图。
图2是眼底图像渗出区域示意图。
图3是形态学闭操作消除血管对硬性区域影响前后对比图。
图4是形态学闭操作填补硬性渗出区域间小洞前后对比图。
图5是无病变图像。
图6是原始图与背景图做差结果。
图7是原始图上标记出的硬性渗出区域。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例:
如图1所示,本实施例包括以下步骤:
第一步、对图像进行预处理,将彩色图像灰度化。
如图2所示,图为眼底图像渗出区域示意图,将彩色图像转化成为灰度图像的过程成为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定,而每个分量有255中值可取,这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,其一个像素点的变化范围为255种。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。
本发明根据YUV的颜色空间中,Y的分量的物理意义是点的亮度,由该值反映亮度等级,根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应:
Y=0.3*R+0.59*G+0.11B
以这个亮度值表达图像的灰度值,从而完成了彩色图像灰度化的过程。
第二步、通过形态学闭操作来消除血管对渗出区域检测产生的影响。
形态学闭操作是指先进行膨胀操作后进行腐蚀操作。
腐蚀操作:对一个给定的目标图像X和一个结构元素S,想象一下将S在图像上移动。在每一个当前位置x,S+x只有三种可能的状态:
(1)
(2)
(3)S+x∩X与S+x∩XC均不为空。
腐蚀也可以用集合的方式来定义,即:
X Θ S = { x | S + x ⊆ X }
X用S腐蚀的结果是所有使S平移x后仍在X中的x的集合。换句话说,用S来腐蚀X的得到的集合是S完全包括在X中时S的原点位置的集合。腐蚀在形态学运算中的作用是消除物体的边界点。
膨胀操作:膨胀操作可以看作是腐蚀的对偶运算,其定义是:把结构元素B平移a后得到Ba,若Ba击中X,我们记下这个a点。所有满足上述条件的a点组成的集合称为X被B膨胀的结果。
腐蚀可以看作是将图像X中每一与结构元素S全等的子集S+x收缩为点x。反之,也可以将X中的每一个点x扩大为S+x,这就是膨胀运算,记为若用集合语言,其定义为:
如图3所示,本发明算法基于对比度区分硬性渗出区域,硬性渗出区域与周围区域对比度不低,血管区域与周围区域的对比度也不低(血管较暗,周围较亮),因而在对原彩色图像灰度化后,需要通过形态学闭操作来消除血管对检测产生的影响。且硬性渗出呈片状区域,血管呈线状区域,故而形态学闭操作对渗出区域影响较小,从而消除血管检测硬性渗出区域的影响。
第三步、通过形态学处理获取无病变的健康背景图像。
通过形态学处理获取无病变的健康背景图像包括:通过梯度算子寻找硬性渗出区域边界,通过迭代腐蚀操作和形态学膨胀操作获取背景两部分。
图像的边缘定义为两个明显不同强度区域的过渡,边缘点对应于一阶微分幅度的极大值点以及二阶微分的零点。因此,利用梯度模的极大值点或二阶导数零点来提取边缘就成为了常用的方法。本发明中使用的是Roberts算子。
Roberts算子利用局部差分算子来寻找图像边缘。其邻域大小为2x2,定义梯度为:
R ( x , y ) = ( f ( x , y ) - f ( x + 1 , y + 1 ) ) 2 + ( f ( x , y + 1 ) - f ( x + 1 , y ) ) 2
R(x,y)即Roberts交叉算子。为了减少计算量,在实际运算中可以使用下式近似表示:
R(x,y)=|f(x,y)-f(x+1,y+1)|+|f(x,y+1)-f(x+1,y)|
此外,还可以使用Roberts最大值算子来表示:
R(x,y)=max(|f(x,y)-f(x+1,y+1)|,|f(x,y+1)-f(x+1,y)|)
上式得到的边缘具有较好的边缘取向不变性。若边缘长度同等但是取向不同,相对于Roberts交叉算子,使用Roberts最大值算子所得到的合成幅度变化较小。其卷积算子表示为:
1 0 0 - 1 0 1 - 1 0
使用以上卷积算子进行运算后,可以得到梯度幅度值R(x,y),然后选取适当的阈值T,使得梯度值R(x,y)>T的像素点置1,否则置0,{R(x,y)}为一个二值图像,也就是图像的边缘图像。
本发明通过11*11的算子对图像中每个像素的邻域进行方差计算,选取方差大于某个阈值的点作为渗出区域边界候选点,并进行形态学上的闭操作来填补区域间的小洞,如图4所示。
形态学膨胀操作是由结构元素确定的邻域块中选取图像值与结构元素值的和的最大值,在灰度形态学中,一般选择平坦的结构元素。所谓“平坦”,就是指结构元素的高度为零。灰度图像的膨胀操作数学表达式为:
g(x,y)=dilate[f(x,y),B]=max{f(x-x',y-y')+B(x',y')|(x',y')∈Db}
其中g(x,y)为膨胀后的灰度图像,f(x,y)为原灰度图像,B为结构元素。
如图5所示,本发明通过反复的腐蚀、重建操作,将背景灰度逐步填充到渗出区域内,获取无病变的背景图像。重建、填充等步骤主要作用在于将背景灰度逐步填充到渗出区域内,原理主要在于形态学膨胀操作,通过迭代膨胀得到未病变图像。
第四步、在图像上标记出硬性渗出区域并计算区域面积。
如图6和7所示,将背景图像与原始图像做差,显然,差值较大之处即为渗出区域,将差值矩阵进行阈值分割,并将符合条件的点标记在原图上。
依据上述步骤,对于我们收集的眼底图像进行分析,由于国际上并没有公开的针对渗出检测的眼底图像数据库,DRIVE、STARE等针对血管提取的公开数据库中含有渗出症状的图片又非常少,一些已发表论文的检测结果大多是基于网络渠道或者和医院合作取得一些数据资料。在我们的实验对比中,数据来源主要有三方面:一是医院提供,二是公开数据库中有渗出症状的,还有从网络上下载的具有明显渗出症状的图片。其中,NIVE数据库是医院提供的,包含80张分辨率为3504x2336的彩色眼底图像。DRIVE数据库包含40张分辨率为565x584的彩色眼底图像,在这40张图片中有7张表现出不同症状的病变特征,其余33张则是正常的图片。STARE数据库包含81张分辨率为700x 605的彩色眼底图像。以上数据库中的检测图片都经过了我们专业医生的手工标定。所有试验均在PC计算机上实现,该PC计算机的主要参数为:中央处理器Intel(R)Core(TM)2Duo CPU E7500@2.93GHz,内存2GB。
结果显示,本发明能够准确迅速地检测出硬性渗出区域,本发明算法的运行效率较高。使用Fuzzy C-Means Clustering和神经网络的算法需要花费1个小时的时间对网络进行训练,每张图的运行的时间(普通电脑上)为9~35秒。而本发明算法具有较好的普适性,且运行时间一般在3~11秒中完成(随着图像尺寸的增加,运行时间会相应增加)。

Claims (5)

1.一种基于形态学处理的硬性渗出区域检测方法,用以标记视网膜病患者眼底图像上的硬性渗出区域,其特征在于,包括以下步骤:
1)对初始眼底图像进行预处理,使其灰度化并获取灰度图像;
2)在灰度图像中采用形态学闭操作消除血管对渗出区域检测产生的影响;
3)对消除血管影响后的灰度图像通过形态学处理获取无病变的眼底背景图像;
4)根据消除血管影响后的灰度图像与无病变的眼底背景图像标记出眼底图像上的真实硬性渗出区域,并且计算该真实硬性渗出区域的面积。
2.根据权利要求1所述的一种基于形态学处理的硬性渗出区域检测方法,其特征在于,所述的步骤1)中,灰度图像中每个像素的亮度值Y与初始眼底图像RGB颜色空间颜色分量的对应式为:
Y=0.3*R+0.59*G+0.11B
其中,R、G、B分别为RGB颜色空间的三个颜色分量。
3.根据权利要求1所述的一种基于形态学处理的硬性渗出区域检测方法,其特征在于,所述的步骤2)中形态学闭操作为先进行膨胀操作后进行腐蚀操作。
4.根据权利要求1所述的一种基于形态学处理的硬性渗出区域检测方法,其特征在于,所述的步骤3)具体包括以下步骤:
31)采用Roberts算子获取消除血管影响后的灰度图像中硬性渗出区域的边界;
32)采用形态学闭操作填充硬性渗出区域内的空洞,获取完整的硬性渗出区域,并将该硬性渗出区域从取消除血管影响后的灰度图像中去除;
33)选取高度为零的结构元素进行形态学迭代膨胀操作,将消除血管影响后的灰度图像中的背景灰度逐步填充到去除后的硬性渗出区域中,最终获得无病变的眼底背景图像。
5.根据权利要求1所述的一种基于形态学处理的硬性渗出区域检测方法,其特征在于,所述的步骤4)具体包括以下步骤:
41)将消除血管影响后的灰度图像与无病变的眼底背景图像对应所有像素点的亮度值做差,并设定阈值;
42)若像素点的亮度值差大于阈值,则判定其为真实硬性渗出区域内的像素点,并将所有属于真实硬性渗出区域内的像素点汇总形成真实硬性渗出区域;
43)计算真实硬性渗出区域的面积。
CN201610715423.0A 2016-08-24 2016-08-24 一种基于形态学处理的硬性渗出区域检测方法 Pending CN106384343A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610715423.0A CN106384343A (zh) 2016-08-24 2016-08-24 一种基于形态学处理的硬性渗出区域检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610715423.0A CN106384343A (zh) 2016-08-24 2016-08-24 一种基于形态学处理的硬性渗出区域检测方法

Publications (1)

Publication Number Publication Date
CN106384343A true CN106384343A (zh) 2017-02-08

Family

ID=57917026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610715423.0A Pending CN106384343A (zh) 2016-08-24 2016-08-24 一种基于形态学处理的硬性渗出区域检测方法

Country Status (1)

Country Link
CN (1) CN106384343A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665454A (zh) * 2018-05-11 2018-10-16 复旦大学 一种内镜图像智能分类及不规则病变区域检测方法
CN110189296A (zh) * 2019-04-16 2019-08-30 上海鹰瞳医疗科技有限公司 眼底图像血管壁反光状态标记方法及设备
WO2019218118A1 (zh) * 2018-05-14 2019-11-21 深圳明眸科技有限公司 眼底病变区域面积的计算方法、装置、医疗设备和存储介质
CN111292296A (zh) * 2020-01-20 2020-06-16 京东方科技集团股份有限公司 一种基于眼部识别模型的训练集获取方法及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665454A (zh) * 2018-05-11 2018-10-16 复旦大学 一种内镜图像智能分类及不规则病变区域检测方法
WO2019218118A1 (zh) * 2018-05-14 2019-11-21 深圳明眸科技有限公司 眼底病变区域面积的计算方法、装置、医疗设备和存储介质
CN110189296A (zh) * 2019-04-16 2019-08-30 上海鹰瞳医疗科技有限公司 眼底图像血管壁反光状态标记方法及设备
CN111292296A (zh) * 2020-01-20 2020-06-16 京东方科技集团股份有限公司 一种基于眼部识别模型的训练集获取方法及设备

Similar Documents

Publication Publication Date Title
Wang et al. A coarse-to-fine deep learning framework for optic disc segmentation in fundus images
CN110276356B (zh) 基于r-cnn的眼底图像微动脉瘤识别方法
Marin et al. Obtaining optic disc center and pixel region by automatic thresholding methods on morphologically processed fundus images
CN104463140B (zh) 一种彩色眼底图像视盘自动定位方法
Jiang et al. Fast, accurate and robust retinal vessel segmentation system
Niu et al. Automated geographic atrophy segmentation for SD-OCT images using region-based CV model via local similarity factor
Yin et al. Accurate image analysis of the retina using hessian matrix and binarisation of thresholded entropy with application of texture mapping
CN107180421A (zh) 一种眼底图像病变检测方法及装置
CN106651888B (zh) 基于多特征融合的彩色眼底图像视杯分割方法
Duan et al. Automated segmentation of retinal layers from optical coherence tomography images using geodesic distance
CN111951221A (zh) 一种基于深度神经网络的肾小球细胞图像识别方法
CN106157279A (zh) 基于形态学分割的眼底图像病变检测方法
CN106384343A (zh) 一种基于形态学处理的硬性渗出区域检测方法
Fu et al. Optic disc segmentation by U-net and probability bubble in abnormal fundus images
CN104318565B (zh) 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法
Boubakar Khalifa Albargathe et al. Blood vessel segmentation and extraction using H-minima method based on image processing techniques
Wang et al. Accurate disease detection quantification of iris based retinal images using random implication image classifier technique
Uribe-Valencia et al. Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model
Zaaboub et al. Optic disc detection and segmentation using saliency mask in retinal fundus images
CN115206495A (zh) 基于CoAtNet深度学习的肾癌病理图像分析方法、系统及智能显微装置
Jana et al. A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image
CN111292285B (zh) 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法
Somasundaram et al. Detection of exudates for the diagnosis of diabetic retinopathy
CN109816665A (zh) 一种光学相干断层扫描图像的快速分割方法及装置
CN105184799A (zh) 一种改进的无监督脑部肿瘤mri图像分割方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170208