基于多特征融合的彩色眼底图像视杯分割方法
技术领域
本发明属于图像处理技术领域,涉及一种基于多特征融合的彩色眼底图像视杯分割方法。可用于彩色眼底图像视杯分割。视杯的准确分割对青光眼的早期预防及治疗具有重要的临床意义。对于眼底图像分析具有重要的作用。
背景技术
青光眼已被世界卫生组织列为第二大致盲眼病,到2020年将影响全世界约8000万人。青光眼是一种慢性眼科疾病,虽然不能彻底治愈,但是如果早期发现并加以治疗可以延缓病情发展,甚至可以避免失明。所以早期发现和治疗对青光眼患者来说至关重要。在青光眼的眼底照相检查中,杯盘比(Cup Disc ratio,CDR)是一个重要的检测参数。杯盘比一般是指视杯与视盘的面积之比或垂直直径之比。由于视杯在眼底图像中个体差异大、面积较小、与盘沿对比度不高、血管遮挡等因素给视杯的分割增加了很大难度,因此研究一种能够应用于实际临床的眼底图像视杯分割方法将具有重要的实际应用意义。
根据视杯具有的特性,国内外研究人员提出了诸多视杯分割方法,大致可以分为2类。一类是利用视杯的外观特性如亮度、颜色等进行视杯分割;第二类是基于血管特性的视杯分割方法,即毛细血管在穿过视杯边沿时会突然改变方向形成一个弯折,弯折点所在的位置即为视杯边界。分析已有的眼底图像视杯分割方法,利用视杯的外观特性的视杯分割方法简单易实现,但是,在不同的眼底图像库中,由于视杯的个体差异性大拍摄条件不同造成视杯的亮度和对比度不明显,使得这类方法很难正确分割视杯,算法精确度及鲁棒性不高。而对于基于血管特性的视杯分割方法,一般采用监督方法。但基于监督的学习方法依赖训练数据及手动特征提取,不能很好地适用于不同图库。而且这类方法过于依赖基于视杯亮度特征选取的初始轮廓。
发明内容
本发明的目的是克服现有技术的上述不足,提出了一种基于多特征融合的彩色眼底图像视杯分割方法。该方法充分利用了视杯自身特征与结构特征,使得分割更加准确。并且通过对视杯候选区域的位置和形状校正,还克服了仅根据视杯亮度特征作为血管弯曲点更新的初始轮廓不准确的缺点。该方法采用无监督的学习方式,无需训练样本,可以适用于不同数据库。实现本发明目的的技术方案,包括下列步骤:
(1)利用视盘的静脉血管结构特征定位视盘并提取感兴趣区域;
(2)采用多方向的自适应高斯差分滤波器对经过增强和平滑的眼底图像进行匹配滤波,实现感兴趣区域血管的提取;
(3)提取视盘区域;
(4)利用模糊C均值聚类(fuzzy c-means algorithm,FCM)的方法提取视杯候选区;
(5)根据视杯的形状及位置特征对候选区域进行椭圆拟合校正得到视杯的粗分割结果;
(6)利用基于k-余弦曲率的角点检测方法定位毛细血管弯曲点,更新视杯粗分割结果得到最终视杯分割结果。
本发明与现有技术相比较具有如下优点:
1.本发明采用视杯自身特征与结构特征相结合的方式,对血管遮挡严重、对比度低、亮度不均等图像具有较高的鲁棒性和准确性。
2.本发明通过对视杯候选区域的位置和形状校正,克服了仅根据视杯亮度特征作为血管弯曲点更新的初始轮廓不准确的缺点。
3.本发明采用非监督方式,无需训练数据及手动特征提取,能很好地适用于不同图库。
附图说明
图1:本发明的流程图。
图2:(a)原始图像,(b)感兴趣区域图像
图3:感兴趣区域血管提取结果。
图4:视盘提取结果。
图5:视杯候选区提取:(a)血管擦除图像,(b)视杯候选区提取结果
图6:视杯椭圆拟合校正结果图。(a)水平对称结果图,(b)竖直对称结果图,(c)椭圆拟合校正结果(虚线表示视杯椭圆拟合校正结果,实线B为专家标注金标准)
图7:视杯精确分割结果图。(a)视盘血管感兴趣区域提取(虚线框为感兴趣区域),(b)血管弯曲点检测结果(*表示血管弯曲点),(c)视杯精确分割结果(虚线表示视杯精确分割结果,实线B为专家标注金标准)
图8:本发明应用到Glaucomarepro数据库的结果图。(a)受血管干扰较大的视杯,(b)对比度不明显的视杯,(c)面积大小不一的视杯(虚线表示视杯分割结果,实线B为专家标注金标准)
具体实施方式
本发明的流程图如图1所示,首先采用多方向自适应高斯差分滤波器对经过增强和平滑的眼底血管进行匹配滤波,实现感兴趣区域血管的提取。然后在视盘分割的基础上,利用模糊C均值聚类(FCM)的方法提取视杯候选区,再根据视杯的形状及位置特征对视杯候选区域进行椭圆拟合校正得到视杯的粗分割结果。最后利用基于k-余弦曲率的角点检测方法定位毛细血管弯曲点,更新视杯粗分割结果得到最终视杯分割结果。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.提取感兴趣区域;
输入如图2(a)所示的彩色眼底图像,首先采用基于低帽运算的方法提取眼底图像中的静脉血管,然后基于静脉血管的结构特征,采用最小二乘抛物线拟合法初步定位视盘,最后通过滑动窗口灰度扫描的方法来精确定位视盘,并以定位结果为中心提取561×561大小的感兴趣区域如图2(b)所示。
2.采用多方向的自适应高斯差分滤波器对经过增强和平滑的眼底图像进行匹配滤波,实现感兴趣区域血管的提取;
选取图像绿色通道进行后续处理。首先采用对比度受限的自适应直方图均衡化增强眼底图像,并采用各向异性耦合扩散滤波的方法平滑血管,接着依次对感兴趣区域做12个方向上的高斯差分运算。高斯差分滤波器的表达式如下:
Do(x,y,σ)=Go(x,y,σi)-Go(x,y,σi-1)
尺度因子σi比σi-1大,Go(x,y,σi)是高斯核,定义如下:
其中,o代表方向,σ为高斯核尺度因子,高斯核Go(x,y,σi)的窗口大小为W×W,W是根据血管宽度选择的,确保在滤波器窗口内,血管和背景的像素具有相同的数目。因此,W设置为血管宽度的两倍。
最后采用全局阈值法对每个方向的高斯差分运算进行阈值分割,得到血管分割结果Bi(x,y),(i=0,1,...,11),最终对每个方向的结果做或运算进行叠加融合得到最终分割结果B(x,y)如下式所示:
B(x,y)=B0(x,y)|B1(x,y)|…|B11(x,y)
血管分割结果如图3所示。相较于多尺度形态学操作,本文算法充分保持了血管的连续性,能够准确分割出血管且针对毛细血管的分割效果较好。
3.提取视盘区域
利用上一步提取的血管区域,采用插值运算填充移除血管区域的像素信息,采用边缘保留平滑滤波对视盘区域进行平滑,在去除血管干扰的同时增强了视盘与背景之间的对比度。最后采用CV模型利用局部区域信息,对视盘进行分割。视盘分割结果如图4所示。
4.利用模糊C均值聚类(FCM)的方法提取视杯候选区;
在视盘分割的基础上,采用FCM聚类方法提取视杯候选区。由于视杯在绿色通道上对比度较高,所以选择绿色通道进行聚类。首先为了消除血管对聚类的影响,采用邻域差值法移除视盘区域的血管,结果如图5(a)所示。然后对视盘区域进行FCM聚类。FCM算法用隶属度确定每个数据属于某个类的程度,其基本思想是寻找目标函数的迭代最小化,目标函数定义为:
式中:J(U,V)表示区域的像素到聚类中心加权距离的平方和,J(U,V)值的大小反映图像区域的紧致性,值越小表示像素是一个区域的可能性越大,聚类效果越好;c为类别数;xk(k=1,…,n)表示图像像素的灰度值或像素的特征值;uik表示xi属于第k类区域的隶属度;||xk-vi||表示xk到vi的欧氏距离;参数m是隶属度的加权指数,是为了加强像素灰度值属于不同区域的对比度,它决定分类结果的模糊程度,默认取m=2。本文用FCM法分割视杯具体步骤如下:
(1)用值在[0,1]间的随机数初始化隶属矩阵U,使其满足如下式的约束条件。
(2)为使目标函数最小化,利用拉格朗日乘子建立最优化函数,求目标函数关于隶属度uik的偏导数和聚类中心vi的偏导数如下式所示,并令偏导数为零,不断进行迭代更新隶属矩阵和聚类中心。
(3)当隶属度偏导数与聚类中心的偏导数满足终止条件,则迭代终止。
本发明选取聚类类数k为6,模糊度m为2(默认值)。依据视杯为视盘中心最亮的区域这一特点,提取平均亮度值最大且靠近视盘中心的一类作为视杯的候选区,结果如图5(b)所示。
5.根据视杯的形状及结构特征对候选区域进行椭圆拟合校正得到视杯的粗分割结果;
本文利用视杯的对称性补全视杯,再利用视杯的形状特征及位置特征对对称后的视杯进行椭圆拟合校正,使得视杯粗分割提取结果更加准确。有利于下一步视杯精确分割。具体步骤如下:
(1)首先以过视杯候选区中心的水平直线为视杯水平方向对称轴,对视杯候选区域做水平方向镜像对称。结果如图6(a)所示。
(2)相同地以过靠近鼻侧视杯候选区最高点的竖直直线为垂直方向对称轴,对水平镜像结果做竖直镜像对称。若最高点位于视杯候选区中心靠颞侧部分,则选取过视杯候选区中心的竖直直线为垂直方向对称轴,对水平镜像结果作竖直镜像对称。结果如图6(b)所示。
(3)提取镜像对称后的视杯区域,根据视杯为类圆形形状特征,对其进行椭圆拟合。本文选取的椭圆拟合方式为最小二乘法。根据椭圆方程:
Ax2+Bxy+Cy2+Dx+Ey+F=0
基于代数距离最小原则求得所有椭圆中最优椭圆。得到椭圆的中心点坐标(xc,yc)、椭圆方向θ、椭圆长轴A、椭圆短轴B。
(4)椭圆的长短轴之比D可以作为椭圆圆扁程度的一种量度。D的定义如下:
当D>1.3椭圆较扁不符合视杯形状特征需要校正。由于视杯竖直方向分割较准确,水平方向由于视杯对比度或对称轴选取等原因会造成分割过大,所以,当D>1.3时,对椭圆长轴A进行校正如下式所示:
A=1.3·B
视杯是位于视盘中心最亮区域,视杯中心与视盘中心近似相等。所以当拟合后的椭圆中心Coc与视盘中心Cod满足(dod为视杯直径)时,则需要对拟合后的椭圆进行位置校正,将视盘中心作为椭圆中心。校正结果如图6(c)所示。
6.利用基于k-余弦曲率的角点检测方法定位毛细血管弯曲点,更新视杯粗分割结果得到最终视杯分割结果;
血管弯曲特征指的是毛细血管在穿过视杯边沿时会突然改变方向形成一个弯折,弯折点所在的位置即为视杯边界。视杯精确分割步骤如下:
(1)提取视盘区域血管。将上文中的得到血管分割结果B(x,y)与得到视盘区域AOD(x,y)相乘得到视盘区域血管。
(2)感兴趣区域选取。以视盘中心为靠近鼻侧的矩形边的中心,选取矩形区域。矩形的长为160,宽为靠近鼻侧的矩形边的顶点到视盘边缘距离的最小值。结果如图7(a)所示。
(3)血管弯曲点检测。首先将矩形区域的血管细化,然后利用基于k-余弦曲率的角点检测方法检测出局部曲率最大值点。令:
aik=(xi-xi-k,yi-yi-k)
bik=(xi-xi+k,yi-yi+k)
为pi=(xi,yi)点的两个k维向量,则aik与bik之前夹角的k-余弦定义为:
对基于k-余弦曲率的角点检测方法检测到的角点进行筛选,选取角度φ范围为[100°,260°]的角点作为候选角点。最后根据视杯的亮度特征及弯曲点的位置特征对检测出的角点进行筛选确定血管弯曲点。结果如图7(b)所示。
(4)视杯精确分割。根据视杯粗分割结果依次提取视杯上缘、鼻侧、下缘上的五个点(右眼:θ={0°,45°,90°,135°,180°}),加上颞侧部分血管弯曲点,利用最小二乘法进行椭圆拟合得到最终视杯分割结果。视杯精确分割结果如图7(c)所示。
图8为本发明应用于Glaucomarepro眼底数据库的结果图,从图中可以看出无论是受血管遮挡较严重的眼底图像(如图8(a)所示),还是杯盘对比度较低、亮度较暗的眼底图像(如图8(b)所示),本文方法都可以准确分割出视杯;对于健康眼底图像、青光眼眼底图像以及视杯较小的图像(如图8(c)依次所示)也能准确分割。实验结果表明,在血管遮挡较严重、杯盘对比度低、亮度不同及面积大小不一的情况下,均能准确地分割视杯,说明本方法具有良好的鲁棒性。