CN106683080A - 一种视网膜眼底图像预处理方法 - Google Patents

Abstract

本发明公开了一种视网膜眼底图像预处理方法，其特征是，包括如下步骤：1）读入原始图像：采用绿色通道读入视网膜眼底原始图像；2）移除血管中心光反射；3）去除椒盐噪声；4）平滑噪声；5）背景提取；6）得到阴影矫正图像；7）得到均匀化图像；8）求补图像；9）得到血管增强图像；10）输出增强图像。这种方法使处理后视网膜图像具有了更高的图像质量和更丰富的信息量，并实现了对视网膜图像中的血管、视盘和中央凹等有用信息进行有保留的增强、提高了视网膜图像特征提取、分割及识别的效果。

Description

一种视网膜眼底图像预处理方法

技术领域

本发明涉及特征提取及图像分割技术，具体涉及一种视网膜眼底图像预处理方法。

背景技术

眼底视网膜的动脉是人体全身唯一可以看到的血管，能够直观的观察到眼底的血管，体现了全身的血管情况。然而受视网膜血管结构、成像设备、环境以及噪声的影响,视网膜图像质量一般较差，为了便于观察眼底视网膜，在使用前需要对视网膜图像进行预处理。

目前大多数的视网膜血管特征提取和分割的算法都是基于增强视网膜图像，这就要求处理好的视网膜图像要尽可能的保留原来血管纹路信息，否则最终的血管分割精度将得不到保证。视网膜图像增强的方法主要有匹配滤波器法、亮度对比度归一化、小波变换等。上述方法都是增强血管信息以使其更有利于下一步血管网络的提取,这些方法因算法简单而被广泛应用于图像增强中，但它们在实际应用中的缺陷显而易见：通过最优化算法实现二维匹配滤波器参数的选择,进而对视网膜图像进行增强,但其仅能够增强图像中的血管以及小块灰度明显的区域；使用自适应直方图均衡法对图像进行亮度归一化,大大提高血管与背景的对比度,但不能很好地抑制背景噪声,并可能将感兴趣区域弱化为背景:Contourlet小波变换通过调整系数实现对视网膜图像的全局增强,但系数的确定较为复杂,而且增强结果改变了图像中血管的宽度。

另外，视网膜的一些标志性特征如视盘、血管和中央凹等是后期分割识别的先决条件，但是视网膜图像受光照变化、低对比度和噪声的影响，使得血管检测和分割的难度加大，这就要求从视网膜图像中尽量消除这些影响，实现对视网膜图像中的血管、视盘和中央凹等有用信息进行有保留的增强，传统单一的图像增强方法已经无法满足这样的要求。

发明内容

本发明的目的是针对现有技术的不足，而提供一种视网膜眼底图像预处理方法。

这种方法使处理后视网膜图像具有更高的图像质量和更丰富的信息量，并能实现对视网膜图像中的血管、视盘和中央凹等有用信息进行有保留的增强、提高视网膜图像特征提取、分割及识别的效果。

实现本发明目的的技术方案是：

一种视网膜眼底图像预处理方法，包括如下步骤：

1)读入视网膜眼底原始图像：采用绿色通道读入视网膜眼底原始图像；

2)移除血管中心光反射：采用数学形态学图像滤波，即提取视网膜眼底原始图像的几何特征，根据几何特征，选择方形结构元素，结构元素简单而对物体的几何特征具有较好的表现力；用选定的方形结构元素对视网膜眼底原始图像进行击中与否变换，便可得到比视网膜眼底原始图像突出物体特性信息的形态学滤波图像，突出用户感兴趣的目标，方便用户提取信息，如果没有突出用户信息，则应该重新选取结构元素；

3)去除椒盐噪声：采用自适应中值滤波对形态学滤波图像去除椒盐噪声；

4)平滑噪声：采用自适应平滑滤波对自适应中值滤波图像平滑噪声；

5)背景提取：采用几何均值滤波对自适应平滑滤波图像进行背景提取；

几何均值滤波的表达式为：

其中，S_x，y指的是图像邻域，m和n为邻域的大小尺寸，G(i，j)为滤波前二维图像矩阵，G′(x，y)为滤波后二维图像矩阵；

6)得到阴影矫正图像：用自适应平滑滤波后的图像减去背景图像得到阴影矫正图像；

7)得到均匀化图像：对阴影矫正图像进行灰度级全局变换得到均匀化图像，增强过程可能使某个像素点的灰度值超出正常灰度范围，需要进行校正；

8)求补图像：对均匀化图像求补图像；

9)得到血管增强图像：对补图像采用形态学顶帽变换得到血管增强图像；

10)输出增强图像。

所述形态变换为开运算：

设A是视网膜眼底原始图像，B是结构元素图像，则集合A被结构元素B作开运算，记作AοB，其表达式为：

其中，A⊙B表示腐蚀操作，表示先腐蚀后膨胀。

所述中值滤波定义为：

g(x，y)＝median{f(x-i，y-i)}，(x，y)∈S

其中，g(x，y)，f(x,y)为像素灰度值，S为模板窗口，自适应中值滤波在两个层次上变换，假设这两个层次分别定义为A层和B层，其具体含义如下：

A层：如果Z_min<Z_med<Z_max，则转到B层，否则增大窗口尺寸；如果窗口尺寸小于等于X_max，则重复A层，否则输出Z(x，y)；

B层：如果Z_min<Z(x，y)<Z_max，则输出Z(x，y)，否则输出Z_med；

其中，Z_min为X_x，y中灰度级的最小值，

Z_med为X_x，y中灰度级的中值；

Z_max为X_x，y中灰度级的最大值；

Z(x，y)为在坐标(x，y)上的灰度值；

X_max为X_x，y允许的最大尺寸，Z_min和Z_max为是类冲激式的噪声成分。

A层的目的是判定中值滤波器的输出Z_med是否是一个椒盐噪声，如果条件Z_min<Z_med<Z_max有效，则表示Z_med不是椒盐噪声，在该情况下转到B层检测，判断窗口Z(x，y)的中心点是否是一个脉冲，若Z_min<Z(x，y)<Z_max，则表示Z(x，y)和Z_med不是脉冲，将输出一个不变的像素灰度值Z(x，y)；如果条件Z_min<Z(x，y)<Z_max不满足，则说明Z(x，y)＝Z_max或Z(x，y)＝Z_min，则像素值是一个突变值，进而由从A层判断Z_med不是椒盐噪声，那么将输出中值Z_med，实现过程为：

选择一个(2n+1)×(2n+1)的窗口，使其沿图像的行或列方向逐像素滑动，每次滑动后，对窗内的像素值进行排序，用排序所得中值代替窗口中心位置像素的灰度值。自适应中值滤波算法也可以通过自适应改变掩膜的尺寸来达到既消除噪声又保留图像边缘的目的。

所述自适应平滑滤波为：

假设用h(x，y)来表示自适应掩膜矩阵H中的系数，g(x，y)表示图像像素，则有：

h(x，y)＝f(g(x，y))

自适应平滑滤波既可以消除图像噪声，又能保留图像细节等特征信息，模板如下：

其中，

在使用h(x，y)进行滤波时，每一次的卷积结果都需要用N(x，y)进行归一化，其中：

所述灰度级全局变换函数如下：

其中,

g＝g_in+128-g_{in_max}

g_in和g_out分别是输入图像即阴影矫正图像和输出图像即均匀化图像的灰度级变量，g_{in_max}是阴影矫正图像灰度级像素最大值。

所述顶帽变换定义为：

其中，I_VE是新血管增强图像，是均匀化图像的补图像，γ是对作开运算操作。

这种方法与现有技术相比的优点在于：

(1)综合运用自适应中值滤波、自适应平滑滤波、形态学操作及灰度级全局变换等，使处理后视网膜图像具有更高的图像质量和更丰富的信息量，为后续视网膜特征提取和分割识别提供有用的信息；

(2)不仅仅增强血管信息以使其更有利于下一步血管网络的提取,而且实现对视网膜图像中的血管、视盘和中央凹等有用信息进行有保留的增强；

(3)同时兼顾血管中心光反射移除和背景均匀化，减弱图像光照变化、提高对比度、滤除噪声，使得血管增强效果显著提高；

这种方法使处理后视网膜图像具有了更高的图像质量和更丰富的信息量，并实现了对视网膜图像中的血管、视盘和中央凹等有用信息进行有保留的增强、提高了视网膜图像特征提取、分割及识别的效果。

附图说明

图1为实施例的方法流程示意图；

图2为实施例的视网膜图像的绿色通道图像；

图3为实施例的视网膜图像的数学形态学滤波结果图像；

图4为实施例的视网膜图像的自适应中值滤波结果图像；

图5为实施例的视网膜图像的自适应平滑滤波结果图像；

图6为实施例的视网膜图像的几何均值滤波结果图像；

图7为实施例的视网膜图像的阴影矫正结果图像；

图8为实施例的视网膜图像的灰度级全局变换结果图像；

图9为实施例的视网膜图像的血管增强结果图像。

具体实施方式

下面结合附图和实施例对本发明内容作进一步的阐述，但不是对本发明的限定。

实施例：

参照图1，一种视网膜眼底图像预处理方法，包括如下步骤：

1)读入原始图像：采用绿色通道读入视网膜眼底原始图像，如图2所示，视网膜眼底

原始图像分解成红、绿、蓝三通道图像，采用对比度较高的绿色通道进行后续处理；

2)移除血管中心光反射：采用数学形态学图像滤波，如图3所示，即提取视网膜眼底原始图像的几何特征，根据几何特征，选择方形结构元素，结构元素简单而对物体的几何特征具有较好的表现力；用选定的结构元素对视网膜眼底原始图像进行击中与否变换，便可得到比视网膜眼底原始原始图像突出物体特性信息的形态学滤波图像，移除绿色通道视网膜眼底图像血管中心光反射，突出用户感兴趣的目标，方便用户提取信息；

3)去除椒盐噪声：如图4所示，采用自适应中值滤波对形态学滤波图像去除椒盐噪声；

4)平滑噪声：如图5所示，采用自适应平滑滤波对自适应中值滤波图像平滑噪声；

5)背景提取：如图6所示，采用几何均值滤波对自适应平滑滤波图像进行背景提取，具体如下：

模板

几何均值滤波的表达式为：

其中，S_x，y指的是图像邻域，m和n为邻域的大小尺寸，G(i，j)为滤波前二维图像矩阵，G′(x，y)为滤波后二维图像矩阵；

6)得到阴影矫正图像：用自适应平滑滤波后的图像减去背景图像得到阴影矫正图像，如图7所示。具体如下：

I_D＝I_ns-I_B

其中，I_D是阴影矫正图像，I_ns是自适应平滑后的图像，I_B是背景图像；

7)得到均匀化图像：如图8所示，对阴影矫正图像进行灰度级全局变换得到均匀化图像，增强过程可能使某个像素点的灰度值超出正常灰度范围，需要进行校正；

8)求补图像：对均匀化图像求补图像，补图像＝255-均匀化图像；

9)得到血管增强图像：如图9所示，对补图像采用形态学顶帽变换得到血管增强图像；

10)输出增强图像。

所述形态变换为开运算：

设A是视网膜眼底原始图像，B是结构元素图像，则集合A被结构元素B作开运算，记作AοB，其表达式为：

其中，A⊙B表示腐蚀操作，表示先腐蚀后膨胀。

所述中值滤波定义为：

g(x，y)＝median{f(x-i，y-i)}，(x，y)∈S

其中，g(x，y)，f(x,y)为像素灰度值，S为模板窗口，自适应中值滤波在两个层次上变换，假设这两个层次分别定义为A层和B层，其具体含义如下：

A层：如果Z_min<Z_med<Z_max，则转到B层，否则增大窗口尺寸；如果窗口尺寸小于等于X_max，则重复A层，否则输出Z(x，y)；

B层：如果Z_min<Z(x，y)<Z_max，则输出Z(x，y)，否则输出Z_med；

其中，Z_min为X_x，y中灰度级的最小值，

Z_med为X_x，y中灰度级的中值；

Z_max为X_x，y中灰度级的最大值；

Z(x，y)为在坐标(x，y)上的灰度值；

X_max为X_x，y允许的最大尺寸，Z_min和Z_max为是类冲激式的噪声成分。

A层的目的是判定中值滤波器的输出Z_med是否是一个椒盐噪声，如果条件Z_min<Z_med<Z_max有效，则表示Z_med不是椒盐噪声，在该情况下转到B层检测，判断窗口Z(x，y)的中心点是否是一个脉冲，若Z_min<Z(x，y)<Z_max，则表示Z(x，y)和Z_med不是脉冲，将输出一个不变的像素灰度值Z(x，y)；如果条件Z_min<Z(x，y)<Z_max不满足，则说明Z(x，y)＝Z_max或Z(x，y)＝Z_min，则像素值是一个突变值，进而由从A层判断Z_med不是椒盐噪声，那么将输出中值Z_med，实现过程为：

选择一个(2n+1)×(2n+1)的窗口，使其沿图像的行或列方向逐像素滑动，每次滑动后，对窗内的像素值进行排序，用排序所得中值代替窗口中心位置像素的灰度值。自适应中值滤波算法也可以通过自适应改变掩膜的尺寸来达到既消除噪声又保留图像边缘的目的。

所述自适应平滑滤波为：

假设用h(x，y)来表示自适应掩膜矩阵H中的系数，g(x，y)表示图像像素，则有：

h(x,y)＝f(g(x,y))

自适应平滑滤波既可以消除图像噪声，又能保留图像细节等特征信息，模板如下：

其中，

在使用h(x，y)进行滤波时，每一次的卷积结果都需要用N(x，y)进行归一化，其中：

所述灰度级全局变换函数如下：

其中，

g＝g_in+128-g_{in_max}

g_in和g_out分别是输入图像即阴影矫正图像和输出图像即均匀化图像的灰度级变量，g_{in_max}是阴影矫正图像灰度级像素最大值。

所述顶帽变换定义为：

其中，I_VE是新血管增强图像，是均匀化图像的补图像，γ是对作开运算操作。

Claims (6)

1.一种视网膜眼底图像预处理方法，其特征是，包括如下步骤：

1)读入原始图像：采用绿色通道读入视网膜眼底原始图像；

2)移除血管中心光反射：采用数学形态学图像滤波，提取视网膜眼底原始图像的几何特征，根据几何特征，选择方形结构元素对视网膜眼底原始图像进行击中与否变换，得到比视网膜眼底原始图像突出物体特性信息的形态学滤波图像；

3)去除椒盐噪声：采用自适应中值滤波对形态学变换图像去除图像椒盐噪声；

4)平滑噪声：采用自适应平滑滤波对自适应中值滤波图像平滑噪声；

5)背景提取：采用几何均值滤波对自适应平滑滤波图像进行背景提取，

几何均值滤波的表达式为：

$G^{\&prime;}(x,y)={\&lsqb;\underset{\left(i,j\right)\&Element;S_{x,y}}{\mathrm{\&Pi;}}G\left(i,j\right)\&rsqb;}^{\frac{1}{m\&times;n}}$

其中，S_x，y指的是图像邻域，m和n为邻域的大小尺寸，G(i，j)为滤波前二维图像矩阵，G′(x，y)为滤波后二维图像矩阵；

6)得到阴影矫正图像：用自适应平滑滤波后的图像减去背景图像得到阴影矫正图像；

7)得到均匀化图像：对阴影矫正图像进行灰度级全局变换得到均匀化图像；

8)求补图像：对均匀化图像求补图像；

9)得到血管增强图像：对补图像采用形态学顶帽变换得到血管增强图像；

10)输出增强图像。

2.根据权利要求1所述的视网膜眼底图像预处理方法，其特征是，所述形态变换为开运算：

设A是视网膜眼底原始图像，B是结构元素图像，则集合A被结构元素B作开运算，记作A。B，其表达式为：

其中，A⊙B表示腐蚀操作，表示先腐蚀后膨胀。

3.根据权利要求1所述的视网膜眼底图像预处理方法，其特征是，所述中值滤波定义为：

g(x，y)＝median{f(x-i，y-i)}，(x，y)∈S

其中，g(x，y)，f(x,y)为像素灰度值，S为模板窗口，自适应中值滤波在两个层次上变换，假设这两个层次分别定义为A层和B层，其具体含义如下：

A层：如果Z_min<Z_med<Z_max，则转到B层，否则增大窗口尺寸；如果窗口尺寸小于等于X_max，则重复A层，否则输出Z(x，y)；

B层：如果Z_min<Z(x，y)<Z_max，则输出Z(x，y)，否则输出Z_med；

其中，Z_min为X_x，y中灰度级的最小值，

Z_med为X_x，y中灰度级的中值；

Z_max为X_x，y中灰度级的最大值；

Z(x，y)为在坐标(x，y)上的灰度值；

X_max为X_x，y允许的最大尺寸，Z_min和Z_max为是类冲激式的噪声成分。

4.根据权利要求1所述的视网膜眼底图像预处理方法，其特征是，所述自适应平滑滤波为：

假设用h(x，y)来表示自适应掩膜矩阵H中的系数，g(x，y)表示图像像素，则有：

h(x,y)＝f(g(x,y))

$h(x,y)=e^{\frac{-d(x,y)}{2}}$

其中，

$\begin{array}{c}d\left(x,y\right)=\sqrt{G_x{\left(x,y\right)}^2+G_y{\left(x,y\right)}^2}=\\ \sqrt{{\left\{\frac{1}{2}\&lsqb;g\left(x+1,y\right)-g\left(x-1,y\right)\&rsqb;\right\}}^2+{\left\{\frac{1}{2}\&lsqb;g\left(x,y+1\right)-g\left(x,y-1\right)\&rsqb;\right\}}^2}\end{array}$

在使用h(x，y)进行滤波时，每一次的卷积结果都需要用N(x，y)进行归一化，其中：

5.根据权利要求1所述的视网膜眼底图像预处理方法，其特征是，所述灰度级全局变换函数如下：

$g_{out}=\left\{\begin{array}{c}0,ifg<0\\ 255,ifg>255\\ g,otherwise\end{array}\right.$

其中，

g＝g_in+128-g_{in_max}

g_in和g_out分别是输入图像即阴影矫正图像和输出图像即均匀化图像的灰度级变量，g_{in_max}是阴影矫正图像灰度级像素最大值。

6.根据权利要求1所述的视网膜眼底图像预处理方法，其特征是，所述顶帽变换定义为：

$I_{VE}=I_H^C-\mathrm{\&gamma;}\left(I_H^C\right)$

其中，I_VE是新血管增强图像，是均匀化图像的补图像，γ是对作开运算操作。