CN108154512A - 一种基于多重去趋势分析的视网膜图像血管分割系统 - Google Patents
一种基于多重去趋势分析的视网膜图像血管分割系统 Download PDFInfo
- Publication number
- CN108154512A CN108154512A CN201711091970.7A CN201711091970A CN108154512A CN 108154512 A CN108154512 A CN 108154512A CN 201711091970 A CN201711091970 A CN 201711091970A CN 108154512 A CN108154512 A CN 108154512A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- retinal
- vessel segmentation
- retinal images
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 53
- 230000004256 retinal image Effects 0.000 title claims abstract description 37
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000002207 retinal effect Effects 0.000 claims abstract description 25
- 230000002792 vascular Effects 0.000 claims abstract description 16
- 238000012805 post-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005428 wave function Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims 1
- 230000003902 lesion Effects 0.000 abstract description 13
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 8
- 210000001525 retina Anatomy 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 208000017442 Retinal disease Diseases 0.000 description 4
- 206010038923 Retinopathy Diseases 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 206010002329 Aneurysm Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于多重去趋势分析的视网膜图像血管分割系统,系统包括对原始图像进行绿色通道提取获取目标区域并对目标区域图像进行增强处理的图像预处理单元、采用多重分形去趋势分析方法提取视网膜血管图像的血管分割单元、以及采用形态学闭运算对提取的视网膜血管图像进行断裂片段连接并去除孤立像素点的视网膜图像后处理单元。本发明针对病变视网膜图像进行血管提取,采用善于描述复杂情况的多重去趋势分析算法,实现病变图像血管精确提取,提高了系统临床实用性和针对特殊情况血管分割的准确性。
Description
技术领域
本发明属于医学图像处理领域,具体涉及一种基于多重去趋势分析的视网膜图像血管分割系统。
背景技术
视网膜微血管是人体唯一可以非创伤直接观察且分布较深的微血管,导致视网膜血管状态或结构改变的诱因包括高血压、糖尿病等多种疾病,因此,可以通过观察眼底视网膜血管结构辅助临床医师对视网膜疾病进行诊断和治疗。因此通过对视网膜血管进行精确分割及分析,从而对疾病做早期的诊断和预防,在临床医学上具有重要意义。
由于视网膜图像灰度分布不均匀、血管结构复杂。目标血管与图像背景对比度较低,加之图像噪声等因素影响,视网膜血管图像精确分割技术面临着巨大的挑战。传统分割方法大概可以分为以下五类:(1)基于模式识别的方法,又分为监督分类和无监督分类。(2)基于匹配滤波的方法(3)基于数学形态学的方法(4)基于模型的方法(5)基于追踪的方法。作为图像分割的延伸领域,视网膜图像分割的实现方法已经被大量研究和报道,其中多数方法基于以上几种方面,或基于这几个方面上的结合。
上述方法虽然能够实现正常无病变视网膜血管图像提取,但是在实际临床检测过程中,针对病变图像的提取效果不佳,不能有效解决复杂血管图像高精度分割问题。,传统的方法并不能很好的解决这个问题,而分形维数擅长描述复杂的自然界外形,血管具有这种复杂性。多重分形维数处理复杂图像提取其边缘有很好效果的理论基础。所以提出基于多重去趋势分析来分割病变图像,取得较好的效果。
发明内容
鉴于已有技术存在的不足,本发明的目的是要提供一种针对复杂血管图像提出的高精度视网膜图像血管分割系统。
为了实现上述目的,本发明技术方案如下:
一种基于多重去趋势分析的视网膜图像血管分割系统,其特征在于系统包括图像预处理单元、血管分割单元和视网膜图像后处理单元;
所述的图像预处理单元包括通过对原始图像进行绿色通道提取获得目标区域的提取模块,以及通过采用对比度自适应直方图均衡化处理提高视网膜图像对比度的增强模块;
所述的血管分割单元,采用多重分形去趋势分析方法提取视网膜血管图像;
所述视网膜图像后处理单元,采用形态学闭运算,对提取的视网膜血管图像进行断裂片段连接并去除孤立像素点以得到视网膜血管图像。
进一步作为本发明的优选,所述的对比度自适应直方图均衡化模块采用中值滤波方法对目标区域图像进行处理后,重新分配图像的亮度标定指标,使一定范围内的亮度标定指标达到均衡。
进一步作为本发明的优选,所述亮度标定指标为图像的像元亮度或灰度值。
进一步作为本发明的优选,所述的血管分割单元包括:
求取图像的局部广义赫斯特指数Lh(t)、并根据其最大值Lh(t)max和最小值 Lh(t)min得到区间[Lh(t)min,Lh(t)max]的间断确定模块;
将所述区间均分为n段并计算各段由Lh(t)构成图像的盒子维度Dn(Lh(t)) 的计算模块,其中n的取值根据使用需求设定;
以及根据各段D(Lh(t))的数值特征分割图像的分割模块。
进一步作为本发明的优选,所述间断确定模块求取图像各像素点局部广义赫斯特指数Lh(t)的步骤包括:
步骤101、将预处理后的视网膜图像处理为一个大小为M×N的矩阵 X(i,j),其中X(i,j)表示图像中各点像素值,i=1,2,...,M,j=1,2,...,N,并将图像划分为若干边长为s的正方形非重叠子区域Xm,n,Xm,n=X(r+i,t+j) 其中6≤s≤min(M,N),1≤i,j≤s,r=(m-1)s,t=(n-1)s;
步骤102、分别计算每个子区域Xm,n表面像素累积和为
步骤103、采用二元多项式函数拟合每个子区域的像素积累和Gm,n(i,j) 的趋势,并确定残差矩阵gm,n(i,j),通过残差矩阵求得每个子表面的去趋势函数F2(m,n,s),计算公式为
步骤104、根据每个子表面的去趋势函数计算t阶波动函数:
当t=0时,根据公式求出F0(s);
步骤105、遍历s取值范围内所有的整数取值,得到一组波动函数和尺度s的幂值关系:Ft(S)∝sh(t),并由此求得全局广义的赫斯特指数h(t)。
进一步作为本发明的优选,所述计算模块计算盒子维度D(Lh(t))的步骤包括:
步骤201、用大小为λ*λ的框覆盖子图像,记录框内包含第一段局部广义赫斯特指数区间内像素值的框数,盒子遍历整个图像记录框的个数 N(λ),其中λ=2,4,6,8,16;
步骤202、遍历λ所有取值,反复执行步骤201,得到一组框数N(λ),根据公式计算得出由Lh(t)构成图像的盒子维数D1(Lh(t));
步骤203、重复执行步骤201-步骤202,求得各段局部广义赫斯特指数区间内对应的盒子维数D1(Lh(t)),D2(Lh(t)),...Dn(Lh(t))并将盒子维数作为 Lh(t)的谱函数,表示图像的全局奇异信息。
进一步作为本发明的优选,所述分割模块根据各段D(Lh(t))的数值特征分割图像的步骤,包括提取盒子维数D(Lh(t))数值满足以下提取要求的图像:
其中0≤δ,θ≤1。
进一步作为本发明的优选,所述δ的取值范围为[0.7,0.9],所述θ的取值范围为[0.1,0.3]。
进一步作为本发明的优选,所述视网膜图像后处理单元采用形态学闭运算融合图像。
与现有技术相比,本发明的有益效果:
本发明适用于视网膜眼底病变图像中血管的分割,针对病变视网膜图像中血管的提取,采用善于描述复杂情况的多重去趋势分析算法,实现病变图像血管的提取,增加了算法的实用性和针对特殊情况血管分割的准确性。本发明适用于视网膜眼底病变图像中血管的分割,针对病变视网膜图像中血管的提取,采用善于描述复杂情况的多重去趋势分析算法,实现病变图像血管的提取,增加了算法的实用性和针对特殊情况血管分割的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明具体实施方式的系统流程图;
图2为本发明预处理实施的流程图;
图3为微动脉瘤视网膜病变视网膜彩色图像;
图4为糖尿病性视网膜彩色图像;
图5为视网膜彩色图像提取绿色通道;
图6为预处理后得到的视网膜增强图像;
图7为采用本系统的最终分割结果;
图8为形态学分割结果;
图9为cosfire分割结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
视网膜微血管是人体唯一可以非创伤直接观察且分布较深的微血管,导致视网膜血管状态或结构改变的诱因包括高血压、糖尿病等多种疾病,如图3-4所示,即为微动脉瘤视网膜病变及糖尿病性视网膜病变图像,病变类型的不同,病变的形状也是不同的,本发明公开了一种针对不同病变都能取得较好的效果的基于多重去趋势分析的视网膜图像血管分割系统,其包括图像预处理单元、血管分割单元和视网膜图像后处理单元。图像预处理单元包括通过对原始图像进行绿色通道提取获得目标区域的提取模块以及通过采用对比度自适应直方图均衡化处理提高视网膜图像对比度的增强模块,如图2所示,所述的对比度自适应直方图均衡化模块采用中值滤波方法对目标区域图像进行处理后,重新分配图像的亮度标定指标,使一定范围内的亮度标定指标达到均衡,用以提高视网膜图像对比度,改善图像质量,减少因为成像问题对后面的检测过程所带来的干扰,所述亮度标定指标为图像的像元亮度或灰度值或者其他可以衡量图像明暗的指标。所述的血管分割单元,采用多重分形去趋势分析方法提取视网膜血管图像;所述视网膜图像后处理单元,采用形态学闭运算,对提取的视网膜血管图像进行断裂片段连接并去除孤立像素点以得到视网膜血管图像。如图1所示为系统工作流程图。进一步作为本发明的优选,所述的血管分割单元包括:求取图像各像素点局部广义赫斯特指数Lh(t)、并根据其最大值 Lh(t)max和最小值Lh(t)min得到区间[Lh(t)min,Lh(t)max]的间断确定模块;将所述区间均分为n段并计算各段由Lh(t)构成图像的盒子维度Dn(Lh(t))的计算模块,作为本发明的较佳的实施方式,取n=100;以及根据各段D(Lh(t))的数值特征分割图像的分割模块。
进一步作为本发明的优选,所述间断确定模块求取图像的部广义赫斯特指数Lh(t)的步骤包括:
步骤101、将预处理后的视网膜图像处理为一个大小为M×N的矩阵 X(i,j),其中X(i,j)表示图像中各点像素值,i=1,2,...,M,j=1,2,...,N,并将图像划分为若干边长为s的正方形非重叠子区域Xm,n,Xm,n=X(r+i,t+j) 其中6≤s≤min(M,N),1≤i,j≤s,r=(m-1)s,t=(n-1)s;
步骤102、分别计算每个子区域Xm,n表面像素累积和为
步骤103、采用二元多项式函数拟合每个子区域的像素积累和Gm,n(i,j) 的趋势,并确定残差矩阵gm,n(i,j),通过残差矩阵求得每个子表面的去趋势函数F2(m,n,s),计算公式为
步骤104、根据每个子表面的去趋势函数计算t阶波动函数:
当t=0时,根据公式求出F0(s);
步骤105、遍历s取值范围内所有的整数取值,得到一组波动函数和尺度s的幂值关系:Ft(S)∝sh(t),并由此求得全局广义的赫斯特指数h(t)。
进一步作为本发明的优选,所述计算模块计算盒子维度D(Lh(t))的步骤包括:
步骤201、用大小为λ*λ的框覆盖子图像,记录框内包含第一段局部广义赫斯特指数区间内像素值的框数,盒子遍历整个图像记录框的个数 N(λ),其中λ=2,4,6,8,16;
步骤202、遍历λ所有取值,反复执行步骤201,得到一组框数N(λ),根据公式计算得出由Lh(t)构成图像的盒子维数D1(Lh(t));
步骤203、重复执行步骤201-步骤202,求得各段局部广义赫斯特指数区间内对应的盒子维数D1(Lh(t)),D2(Lh(t)),...Dn(Lh(t))并将盒子维数作为 Lh(t)的谱函数,表示图像的全局奇异信息。
进一步作为本发明的优选,所述分割模块根据各段D(Lh(t))的数值特征分割图像的步骤,包括提取盒子维数D(Lh(t))数值满足以下提取要求的图像:
其中0≤δ,θ≤1。
进一步作为本发明的优选,所述δ的取值范围为[0.7,0.9],所述θ的取值范围为[0.1,0.3]。
进一步作为本发明的优选,所述视网膜图像后处理单元采用形态学闭运算融合图像。
下面通过具体实施例,对本发明的工作过程做进一步说明。本实施方式的基于多重去趋势分析的视网膜图像血管分割系统包括图像预处理单元、血管分割单元和视网膜图像后处理单元三部分。
其中图像预处理单元包括提取背景图像的提取模块和提高视网膜图像对比度的增强模块。如图5所示,提取模块通过对原始图像进行绿色通道提取,并与模板图像进行按位与运算,选取出感兴趣区域,得到感兴趣的目标区域。如图6所示,对中值滤波后的图像进行非线性拉伸,重新分配图像的亮度标定指标,本实施例中优选亮度标定指标为图像的像元亮度或灰度值,使一定范围内的像元亮度或灰度值的数量达到大致相等的效果就是直方图的均衡化,得到均衡化后的图像。通过限制局部直方图的高度来限制局部对比度的提高幅度是本领域常规技术,具体步骤为本领域内技术人员熟知,因此不再赘述。
所述的血管分割单元,采用多重分形去趋势分析方法提取视网膜血管图像所述的血管分割单元包括间断确定模块、计算模块以及分割模块。
间断确定模块用以求取图像各像素点局部广义赫斯特指数Lh(t)、并根据其最大值Lh(t)max和最小值Lh(t)min得到区间[Lh(t)min,Lh(t)max]。图像各像素点局部广义赫斯特指数Lh(t)的求取步骤包括:
步骤101、将预处理后的视网膜图像处理为一个大小为M×N的矩阵 X(i,j),其中i=1,2,...,M,j=1,2,...,N,并将图像划分为若干边长为s的正方形非重叠子区域Xm,n,Xm,n=X(r+i,t+j)其中6≤s≤min(M,N),1≤i,j≤s, r=(m-1)s,t=(n-1)s。
步骤102、分别计算每个子区域Xm,n表面像素累积和为1≤i,j≤s。具体过程为:利用二元多项式函数来拟合Gm,n(i,j)的趋势,采用的平面拟合公式为:其中 1≤i,j≤s,a、b、c为自由参数,通过利用最小二乘法拟合确定abc参数。即得到了每个子图像的趋势,其中最小二乘法为公知技术。
步骤103、采用二元多项式函数拟合每个子区域的像素积累和Gm,n(i,j) 的趋势,并确定残差矩阵gm,n(i,j),通过残差矩阵求得每个子表面的去趋势函数F2(m,n,s),计算公式为
步骤104、根据每个子表面的去趋势函数计算t阶波动函数:
当t=0时,根据公式求出F0(s);
步骤105、遍历s取值范围内所有的整数取值,得到一组波动函数和尺度s的幂值关系:Ft(S)∝sh(t),并由此求得全局广义的赫斯特指数h(t)。
尺度s的大小会严重影响到算法的准确性,数值过大的话错失细节,过小的话没有足够的点来拟合曲线,本实施例中通过反复试验将正方形子区域大小设置为7*7。
计算模块将所述区间均分为n段并计算各段由Lh(t)构成图像的盒子维度Dn(Lh(t))的,其中n≥2,本实施例中通过反复试验,最终确定n=40。所述计算模块计算盒子维度D(Lh(t))的步骤包括:
步骤201、用大小为λ*λ的框覆盖子图像,记录框内包含第一段局部广义赫斯特指数区间内像素值的框数,盒子遍历整个图像记录框的个数 N(λ),其中λ=2,4,6,8,16;
步骤202、遍历λ所有取值,反复执行步骤201,得到一组框数N(λ),根据公式计算得出由Lh(t)构成图像的盒子维数D1(Lh(t));
步骤203、重复执行步骤201-步骤202,求得各段局部广义赫斯特指数区间内对应的盒子维数D1(Lh(t)),D2(Lh(t)),...Dn(Lh(t))并将盒子维数作为 Lh(t)的谱函数,表示图像的全局奇异信息。如果D(Lh(t))数值接近于1,则说明相应的像素点为平滑边界点,如果数值接近2时,相应的像素点位于光滑表面。通过对数值结果的判断,分析图像的奇异性,设定D(Lh(t))范围来确定图像的奇异区域和奇异边界,即分割模块根据各段D(Lh(t))的数值特征分割图像,步骤包括提取盒子维数D(Lh(t))数值满足以下提取要求的图像:
其中0≤δ,θ≤1。
本文中为了提提取出主体血管,经过多次试验,我们将D(Lh(t))范围设定为[1.7-1.9]。即所述δ的取值范围为[0.7,0.9],所述θ的取值范围为 [0.1,0.3]。
所述视网膜图像后处理单元,采用形态学闭运算,对提取的视网膜血管图像进行断裂片段连接并去除孤立像素点将各图像片段融合为视网膜血管图像。IH=imclose(I,se)(se选取单位为1的圆形结构元素),连接的片段并去除孤立的像素点,得到最终的视网膜血管分割图,如图7所示。图像融合方法在本领域中发展比较成熟,在此不再赘述。
本发明具体实施方式的基于多重去趋势分析分割视网膜病变图像分割系统效果与其他算法效果的对比,如图8和图9所示。由此可以看出该发明对于病变图像血管的提取的效果是十分有效的。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于多重去趋势分析的视网膜图像血管分割系统,其特征在于系统包括图像预处理单元、血管分割单元和视网膜图像后处理单元;
所述的图像预处理单元包括通过对原始图像进行绿色通道提取获得目标区域的提取模块,以及通过采用对比度自适应直方图均衡化处理提高视网膜图像对比度的增强模块;
所述的血管分割单元,采用多重分形去趋势分析方法提取视网膜血管图像;
所述视网膜图像后处理单元,采用形态学闭运算,对提取的视网膜血管图像进行断裂片段连接并去除孤立像素点以得到视网膜血管图像。
2.根据权利要求1所述的视网膜图像血管分割系统,其特征在于所述的对比度自适应直方图均衡化模块采用中值滤波方法对目标区域图像进行处理后,重新分配图像的亮度标定指标,使一定范围内的亮度标定指标达到均衡。
3.根据权利要求2所述的视网膜图像血管分割系统,其特征在于所述亮度标定指标为图像的像元亮度或灰度值。
4.根据权利要求1所述的视网膜图像血管分割系统,其特征在于所述的血管分割单元包括:
求取图像的局部广义赫斯特指数Lh(t)、并根据其最大值Lh(t)max和最小值Lh(t)min得到区间[Lh(t)min,Lh(t)max]的间断确定模块;
将所述区间均分为n段并计算各段由Lh(t)构成图像的盒子维度Dn(Lh(t))的计算模块,其中n的取值根据使用需求设定;
以及根据各段D(Lh(t))的数值特征分割图像的分割模块。
5.根据权利要求4所述的视网膜图像血管分割系统,其特征在于所述间断确定模块求取图像的局部广义赫斯特指数Lh(t)的步骤包括:
步骤101、将预处理后的视网膜图像处理为一个大小为M×N的矩阵X(i,j),其中X(i,j)表示图像中各点像素值,i=1,2,…,M,j=1,2,…,N,并将图像划分为若干边长为s的正方形非重叠子区域Xm,n,Xm,n=X(r+i,t+j)其中6≤s≤min(M,N),1≤i,j≤s,r=(m-1)s,t=(n-1)s;
步骤102、分别计算每个子区域Xm,n表面像素累积和为
步骤103、采用二元多项式函数拟合每个子区域的像素积累和Gm,n(i,j)的趋势,并确定残差矩阵gm,n(i,j),通过残差矩阵求得每个子表面的去趋势函数F2(m,n,s),计算公式为
步骤104、根据每个子表面的去趋势函数计算t阶波动函数:
当t=0时,根据公式求出F0(s);
步骤105、遍历s取值范围内所有的整数取值,得到一组波动函数和尺度s的幂值关系:Ft(S)∝sh(t),并由此求得全局广义的赫斯特指数h(t)。
6.根据权利要求4所述的视网膜图像血管分割系统,其特征在于所述计算模块计算盒子维度D(Lh(t))的步骤包括:
步骤201、用大小为λ*λ的框覆盖子图像,记录框内包含第一段局部广义赫斯特指数区间内像素值的框数,盒子遍历整个图像记录框的个数N(λ),其中λ=2,4,6,8,16;
步骤202、遍历λ所有取值,反复执行步骤201,得到一组框数N(λ),根据公式计算得出由Lh(t)构成图像的盒子维数D1(Lh(t));
步骤203、重复执行步骤201-步骤202,求得各段局部广义赫斯特指数区间内对应的盒子维数D1(Lh(t)),D2(Lh(t)),...Dn(Lh(t))并将盒子维数作为Lh(t)的谱函数,表示图像的全局奇异信息。
7.根据权利要求4所述的视网膜图像血管分割系统,其特征在于所述分割模块根据各段D(Lh(t))的数值特征分割图像的步骤,包括提取盒子维数D(Lh(t))数值满足以下提取要求的图像:
其中0≤θ,δ≤1。
8.根据权利要求7所述的视网膜图像血管分割系统,其特征在于所述δ的取值范围为[0.7,0.9],所述θ的取值范围为[0.1,0.3]。
9.根据权利要求1所述的视网膜图像血管分割系统,其特征在于所述视网膜图像后处理单元采用形态学闭运算融合图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711091970.7A CN108154512A (zh) | 2017-11-08 | 2017-11-08 | 一种基于多重去趋势分析的视网膜图像血管分割系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711091970.7A CN108154512A (zh) | 2017-11-08 | 2017-11-08 | 一种基于多重去趋势分析的视网膜图像血管分割系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154512A true CN108154512A (zh) | 2018-06-12 |
Family
ID=62468782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711091970.7A Pending CN108154512A (zh) | 2017-11-08 | 2017-11-08 | 一种基于多重去趋势分析的视网膜图像血管分割系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154512A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517250A (zh) * | 2019-08-27 | 2019-11-29 | 东北大学 | 一种基于增强对抗生成网络的眼底视网膜血管分割系统 |
CN116309551A (zh) * | 2023-05-11 | 2023-06-23 | 浙江太美医疗科技股份有限公司 | 确定病灶取样区的方法、装置、电子设备及可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999905A (zh) * | 2012-11-15 | 2013-03-27 | 天津工业大学 | 基于自适应pcnn的眼底图像血管自动检测方法 |
CN106600584A (zh) * | 2016-12-07 | 2017-04-26 | 电子科技大学 | 一种基于Tsallis熵选择的疑似肺结节检测方法 |
-
2017
- 2017-11-08 CN CN201711091970.7A patent/CN108154512A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999905A (zh) * | 2012-11-15 | 2013-03-27 | 天津工业大学 | 基于自适应pcnn的眼底图像血管自动检测方法 |
CN106600584A (zh) * | 2016-12-07 | 2017-04-26 | 电子科技大学 | 一种基于Tsallis熵选择的疑似肺结节检测方法 |
Non-Patent Citations (4)
Title |
---|
DU GAN,ETC: ""A multifractal approach for auto-segmentation of SAR images"", 《IEEE 2001 INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
王访: ""作物诊断的叶片图像多重分形方法与建模"", 《中国博士学位论文全文数据库 基础科学辑》 * |
郑彩霞: ""基于DFA的气液两相流特性分析"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
金春兰等: ""基于多重分形的医学图像分割方法"", 《中国组织工程研究与临床康复》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517250A (zh) * | 2019-08-27 | 2019-11-29 | 东北大学 | 一种基于增强对抗生成网络的眼底视网膜血管分割系统 |
CN116309551A (zh) * | 2023-05-11 | 2023-06-23 | 浙江太美医疗科技股份有限公司 | 确定病灶取样区的方法、装置、电子设备及可读介质 |
CN116309551B (zh) * | 2023-05-11 | 2023-08-15 | 浙江太美医疗科技股份有限公司 | 确定病灶取样区的方法、装置、电子设备及可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Welfer et al. | Segmentation of the optic disk in color eye fundus images using an adaptive morphological approach | |
CN108986106B (zh) | 面向青光眼的视网膜血管自动分割方法 | |
Wong et al. | Level-set based automatic cup-to-disc ratio determination using retinal fundus images in ARGALI | |
Welfer et al. | Fovea center detection based on the retina anatomy and mathematical morphology | |
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
Cheng et al. | Structure-preserving guided retinal image filtering and its application for optic disk analysis | |
Medhi et al. | An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images | |
CN109544540B (zh) | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 | |
Kavitha et al. | Early detection of glaucoma in retinal images using cup to disc ratio | |
Esmaeili et al. | Automatic detection of exudates and optic disk in retinal images using curvelet transform | |
CN110276356A (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
Qureshi et al. | Detection of glaucoma based on cup-to-disc ratio using fundus images | |
Kumari et al. | Blood vessel extraction using wiener filter and morphological operation | |
Oh et al. | Automatic computer-aided diagnosis of retinal nerve fiber layer defects using fundus photographs in optic neuropathy | |
CN106846293A (zh) | 图像处理方法和装置 | |
Guo et al. | A framework for classification and segmentation of branch retinal artery occlusion in SD-OCT | |
CN113344894A (zh) | 眼底豹纹斑特征提取及特征指数确定的方法和装置 | |
CN117372284B (zh) | 眼底图像处理方法及系统 | |
CN108154512A (zh) | 一种基于多重去趋势分析的视网膜图像血管分割系统 | |
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 | |
CN111145155A (zh) | 一种睑板腺腺体的识别方法 | |
Thakur et al. | Pre-processing of retinal images for removal of outliers | |
Porwal et al. | Automatic segmentation of optic disc by gradient minimization based approach | |
CN115205315A (zh) | 一种眼科体征保持的眼底图像增强方法 | |
Puranik et al. | Morphology based approach for microaneurysm detection from retinal image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |
|
RJ01 | Rejection of invention patent application after publication |