CN108665474B - 一种基于b-cosfire的眼底图像视网膜血管分割方法 - Google Patents

一种基于b-cosfire的眼底图像视网膜血管分割方法 Download PDF

Info

Publication number
CN108665474B
CN108665474B CN201710209253.3A CN201710209253A CN108665474B CN 108665474 B CN108665474 B CN 108665474B CN 201710209253 A CN201710209253 A CN 201710209253A CN 108665474 B CN108665474 B CN 108665474B
Authority
CN
China
Prior art keywords
filter
image
cosfire
value
response
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.)
Active
Application number
CN201710209253.3A
Other languages
English (en)
Other versions
CN108665474A (zh
Inventor
邹北骥
张子谦
朱承璋
崔锦恺
陈瑶
王俊
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN201710209253.3A priority Critical patent/CN108665474B/zh
Publication of CN108665474A publication Critical patent/CN108665474A/zh
Application granted granted Critical
Publication of CN108665474B publication Critical patent/CN108665474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种基于B‑COSFIRE的眼底图像视网膜血管分割方法，首先通过取绿色通道，CLAHE等操作突出血管特征并降低噪声，再用B‑COSFIRE滤波器进行响应滤波，最后通过形态学高帽变换和基于连通域的后处理操作提高分割效果；通过对B‑COSFIRE滤波器的特殊配置，使得B‑COSFIRE滤波器对眼底图像具有准确的响应；该方法对于建立高效可靠的计算机辅助医疗系统具有重要意义，对提升辅助医疗系统的精度及效率，乃至临床诊断，疗效评估及早期病症筛查等提供了更为高效的血管分割基础。

Description

一种基于B-COSFIRE的眼底图像视网膜血管分割方法
技术领域
本发明医学图像识别领域，特别涉及一种基于B-COSFIRE的眼底图像视网膜血管分割方法。
背景技术
目前对眼科图像进行分析、研究的主要方法有机器学习的方法，包括监督学习和非监督学习的方法，深度学习的方法，以及传统的基于形态学的方法。深度学习的方法基本在眼科图像分析的各个领域，在准确率上有着几乎无法超越的成绩，但是深度学习需要耗费大量的时间训练神经网络。普通的机器学习的方法虽比起深度学习耗时较短，但也需要一定时间训练分类器，且随着所选取的特征向量的维度的增多导致训练时间大大增加，所取得的结果的好坏也与特征向量的选择以及分类器的选择息息相关。传统的基于数字图像处理、基于形态学的方法，因没有训练过程，所消耗时间是最少的，但取得的结果也是其中最不理想的。COSFIRE的方法在眼科图像分析研究领域中，是一种新颖的方法，它不需要耗费机器学习所需要的训练分类器的时间，但是能取得较之机器学习更好的结果。因此，无论是单独将COSFIRE方法所取得的结果作为图像分析的最终结果，还是将COSFIRE方法的结果作为特征向量训练分类器，又或者是作为图像预处理手段，为接下来的其它图像分析手段提供帮助。COSFIRE方法能够快速对图像进行分析，同时，又能够取得较好的分析结果的特点使之能够在眼科图像分析处理领域占有一席之地。
国内外许多学者都在从事视网膜血管分割研究的工作，并取得了一定成果。现有的视网膜血管分割的方法大致有以下几类：基于模式识别的方法、基于匹配滤波器的方法、基于血管跟踪的方法、基于数学形态学的方法、多尺度方法和基于模型的方法。上述方法中，要么所需要的时间过多，要么所取得的结果不够理想。而在彩色眼底图图像研究中，眼底图的血管分割与提取几乎是必有的前提步骤，好的血管分割的结果能使接下来的处理操作变得更为容易，所取得的结果也能进一步优化。
COSFIRE，全称为Combination of Shifted Filter Response，是基于2012年提出的CORF模型所发展出的，由Azzopardi博士提出的实际应用方法。CORF，全称为CombinationofReceptive Fields，是视觉细胞的简单模型。眼科图像包括常见的彩色眼底图，光学相干断层扫描仪(OCT)图等。彩色眼底图利用的是眼底照相机对眼球内壁进行不同角度拍摄而成的图像。眼底图像能使人们尽早地发现各种眼部疾病，如青光眼、视神经炎等。眼底图像为多种严重的医学疾病提供了一种非暴力型的诊断方式。光学相干断层扫描仪简称OCT，是通过光学原理进行诊断成像的设备，可以提供视网膜横断面的图像，用于在检测青光眼和视网膜病时进行客观定量测量和定性临床分析。
COSFIRE方法不仅能应用于眼科图像研究，也能应用于图像处理的其它方向。以COSFIRE方法在眼底图中的应用举例，COSFIRE方法能快且好的完成眼底图的血管分割，血管分叉点和交叉点检测，通过进一步设计后还能完成病灶检测等。视网膜血管是人体全身血管中唯一可以无创直接观察到的血管，它的形状、管径、尺度、分支角度是否有变化，以及是否有增生，渗出，均可反映全身血管的病变。因此，检测并提取视网膜彩色眼底图中血管，对于与之相关的各种疾病的辅助诊断，辅助治疗和后期观察都具有重要的临床医学意义。而血管分差点和交叉点的检测，及病灶检测则是彩色眼底图分析的进一步发展，能为辅助诊断和辅助治疗提供更加详细的数据上的支持。
COSFIRE方法原理简单且易于实现，且COSFIRE方法具有通用性，能够通过配置滤波器来检测具有特异形状的局部轮廓。在未来，希望能够应用于眼科图像的病状筛查及其它图像处理领域中，为眼科的辅助诊断与治疗及其它应用领域提供帮助；在现有的运用COSFIRE方法进行血管分割的技术中，存在着准确率较低，处理效果不够稳定的缺点。
发明内容
本发明提供了一种基于B-COSFIRE的眼底图像视网膜血管分割方法，其目的在于，利用特殊配置的B-COSFIRE滤波器，结合形态学滤波器和后处理，对血管进行准确分割。
一种基于B-COSFIRE的眼底图像视网膜血管分割方法，包括以下步骤：
步骤1：将待分割的彩色眼底图像转换为Lab空间图，并从Lab空间图中提取L通道图作为ROI模板；
步骤2：提取待分割的彩色眼底图像的绿色通道图，并提取的绿色通道图像进行CLAHE直方图均衡化处理，得到均衡化图像；
步骤3：利用步骤1获取的ROI模板对步骤2中得到的均衡化图像提取感兴趣区域；
步骤4：依次利用B-COSFIRE滤波器对步骤3获得的感兴趣区域进行滤波处理，得到滤波图像；
步骤5：对滤波图像进行二值处理，完成眼底图像视网膜血管分割；
二值化操作的阈值选择方式为，对目前的所用数据集的所有图片结果与其相对应的人工分割结果进行比较，从某个具体数据集的角度选择其相对应的，能使阈值分割结果达到最佳的阈值。
其中，所述B-COSFIRE滤波器由n个高斯差分滤波器组成，利用配置图像对n个高斯差分滤波器进行配置，所述配置图像的大小为101×101的二值图像，且配置图像中间具有长为101个像素，宽为1个像素的直线；
以B-COSFIRE滤波器的中心为坐标原点，在B-COSFIRE滤波器中第i个高斯差分滤波器中心的极坐标为(ρi,φi)，且方差为σi，i的取值为1-n，n为整数。
进一步地，利用相位调整参数获取B-COSFIRE滤波器中每个高斯差分滤波器在各个方向上的响应值，并利用高斯函数对B-COSFIRE滤波器中各个高斯差分滤波器的滤波响应结果值
Figure BDA0001260614250000031
进行加权修正，然后对加权修正后的滤波响应结果
Figure BDA0001260614250000032
依次在每个方向上求取加权几何平均值，以最大响应值作为B-COSFIRE滤波器的最终响应结果，得到最终滤波图像；
修正后的滤波器响应结果值为
Figure BDA0001260614250000033
′′
σi＝σ0+αρi；
其中，(x,y)表示感兴趣区域中像素点坐标，(x′,y′)表示配置图像中像素点坐标；σ0′和α为分别方差常数和修正常数，σ0′取值为0.5，α取值范围为0.10-0.15；
Figure BDA0001260614250000034
表示高斯函数；
所述每个高斯差分滤波器在各个方向上的响应值是指将每个高斯差分滤波器的中心点极坐标的极角φi加上移动角度ψ后得到的响应值，ψ的取值范围为
Figure BDA0001260614250000035
为了提高B-COSFIRE滤波器的响应效果，需要使得组成B-COSFIRE滤波器的DoG滤波器在滤波响应时对其所在位置能具有一定的弹性。通过引入高斯函数Gσ′(x′,y′)，且改变Gσ′(x′,y′)的系数σ′使得处于不同位置的DoG响应在B-COSFIRE滤波响应中占有不同的权重，距离参考中心近的DoG的权重大，远的则小。
通过改变ψ的值，能够使得配置的B-COSFIRE滤波器能够对具有不同方向，但有相同形状的物体进行滤波响应。
进一步地，所述对修正后的滤波响应结果依次在每个方向上对每个高斯差分滤波器的响应求取加权几何平均值是按照以下公式进行计算：
Figure BDA0001260614250000036
其中，
Figure BDA0001260614250000037
|.|t表示在最大响应值的分数t处做阈值操作，其中t＝0.4。
进一步地，当B-COSFIRE滤波器配置为对称型滤波器时，n的取值为为8；当B-COSFIRE滤波器配置为非对称型滤波器时，n的取值为11。
进一步地，当B-COSFIRE滤波器配置为对称型滤波器时，高斯差分滤波器的方差σi取值为2.4；当B-COSFIRE滤波器配置为非对称型滤波器时，高斯差分滤波器的方差σi取值为1.8。
进一步地，对经过步骤5进行二值化处理后的图像基于连通域进行补足血管与去噪处理，得到最终的分割图像，具体步骤如下：
步骤A：对二值图像Ire细化操作，接着对细化图像以3×3模板进行膨胀操作，再对膨胀图像进行形态学填充操作，获得填充结果图像Ifin；
形态学填充操作是指将在8邻域中被1包围的0置为1；
当填充结果图像中的血管连通区域还不太完整时，重复步骤A的操作，直到所获得的填充结果图像中的血管连通区域明显、完整。
步骤B：将二值图像Ire与填充结果图像Ifin取交集Iτ，用Ifin减去Iτ获得可以向二值图像Ire中填补的连通区域Iin；
步骤C：依次将每个连通区域Iin补回至经步骤5得到的血管分割图像中，并比较补回前后血管连通域的数量：如果补回后连通域数量减少，则当前连通区域为误判的分支点或分叉点，将当前连通区域补回血管；反之，不补回血管；
步骤D：从进行补回血管后的图像中去除小于20个像素点的连通区域，得到最终的分割图像。
进一步地，对所述步骤4中得到的滤波图像再使用形态学滤波器进行高帽变换操作，得到的结果图像作为步骤5进行二值化处理的操作图像；
所采用的结构元素长度为20个像素。
进行高帽变换操作，是为了降低噪声并突出细小的血管。
有益效果
本发明提供了一种基于B-COSFIRE的眼底图像视网膜血管分割方法，首先通过取绿色通道，CLAHE等操作突出血管特征并降低噪声，再用B-COSFIRE滤波器进行响应滤波，最后通过形态学高帽变换和基于连通域的后处理操作提高分割效果；通过对B-COSFIRE滤波器的特殊配置，使得B-COSFIRE滤波器对眼底图像具有准确的响应；该方法对于建立高效可靠的计算机辅助医疗系统具有重要意义，对提升辅助医疗系统的精度及效率，乃至临床诊断，疗效评估及早期病症筛查等提供了更为高效的血管分割基础。
附图说明
图1是眼底图视网膜血管分割示意图，其中，(a)为取于DRIVE数据集的彩色眼底图，(b)为图(a)相对应的人工血管分割图；
图2是本方法的操作流程图；
图3是高斯差分滤波器DoG的响应效果图，其中，(a)为一条直线的合成图，(b)为当高斯差分滤波器DoG应用于(a)时所得到的响应图；
图4是配置对称型B-COSFIRE滤波器的示例图；
图5是配置非对称型B-COSFIRE滤波器的示例图；
图6是本方法的分步效果演示实例一，其中，(a)为取于DRIVE数据集的彩色眼底图，(b)为绿色通道图，(c)为CLAHE操作后的图，(d)为执行完B-COSFIRE滤波操作后的图，(e)为形态学高帽变换后的图，(f)为二值化操作后的图，(g)为最终的血管分割图；
图7是本方法的分步效果演示实例二，其中，(a)取于STARE数据集的彩色眼底图，(b)为绿色通道图，(c)为CLAHE操作后的图，(d)为执行完B-COSFIRE滤波操作后的图，(e)为形态学高帽变换后的图，(f)为二值化操作后的图，(g)为最终的血管分割图。
具体实施方式
下面将结合附图和实例对本发明做进一步的说明。
为了对如图1(a)所示的彩色眼底图像进行分割，将如图1(b)所示的分割图像用于辅助医学诊断，提出了一种基于B-COSFIRE的眼底图像视网膜血管分割方法，如图2所示，包括以下步骤：
步骤1：将待分割的彩色眼底图像转换为Lab空间图，并从Lab空间图中提取L通道图作为ROI模板；
步骤2：提取待分割的彩色眼底图像的绿色通道图，并提取的绿色通道图像进行CLAHE直方图均衡化处理，得到均衡化图像；
步骤3：利用步骤1获取的ROI模板对步骤2中得到的均衡化图像提取感兴趣区域；
步骤4：依次利用B-COSFIRE滤波器对步骤3获得的感兴趣区域进行滤波处理，得到滤波图像；
对所述步骤4中得到的滤波图像再使用形态学滤波器进行高帽变换操作，得到的结果图像作为步骤5进行二值化处理的操作图像；
所采用的结构元素长度为20个像素。
进行高帽变换操作，是为了降低噪声并突出细小的血管。
步骤5：对滤波图像进行二值处理，完成眼底图像视网膜血管分割；
对经过步骤5进行二值化处理后的图像基于连通域进行补足血管与去噪处理，得到最终的分割图像，具体步骤如下：
步骤A：对二值图像Ire细化操作，接着对细化图像以3×3模板进行膨胀操作，再对膨胀图像进行形态学填充操作，获得填充结果图像Ifin；
形态学填充操作是指将在8邻域中被1包围的0置为1；
当填充结果图像中的血管连通区域还不太完整时，重复步骤A的操作，直到所获得的填充结果图像中的血管连通区域明显、完整。
步骤B：将二值图像Ire与填充结果图像Ifin取交集Iτ，用Ifin减去Iτ获得可以向二值图像Ire中填补的连通区域Iin；
步骤C：依次将每个连通区域Iin补回至经步骤5得到的血管分割图像中，并比较补回前后血管连通域的数量：如果补回后连通域数量减少，则说明当前连通区域为误判的分支点或分叉点，将其补回血管；反之，不补回血管；
步骤D：从进行补回血管后的图像中去除小于20个像素点的连通区域，得到最终的分割图像。
二值化操作的阈值选择方式为，对目前的所用数据集的所有图片结果与其相对应的人工分割结果进行比较，从某个具体数据集的角度选择其相对应的，能使阈值分割结果达到最佳的阈值。
其中，所述B-COSFIRE滤波器由n个高斯差分滤波器组成，利用配置图像对n个高斯差分滤波器进行配置，所述配置图像的大小为101×101的二值图像，且配置图像中间具有长为101个像素，宽为1个像素的直线；
如图3所示，(a)为一条直线的合配置图像，(b)为当高斯差分滤波器DoG应用于(a)时所得到的响应图；
以B-COSFIRE滤波器的中心为坐标原点，在B-COSFIRE滤波器中第i个高斯差分滤波器中心的极坐标为(ρi,φi)，且方差为σi，i的取值为1-n，n为整数。
利用相位调整参数获取B-COSFIRE滤波器中每个高斯差分滤波器在各个方向上的响应值，并利用高斯函数对B-COSFIRE滤波器中各个高斯差分滤波器的滤波响应结果值
Figure BDA0001260614250000061
进行加权修正，然后对加权修正后的滤波响应结果
Figure BDA0001260614250000062
依次在每个方向上求取加权几何平均值，以最大响应值作为B-COSFIRE滤波器的最终响应结果，得到最终滤波图像；
修正后的滤波器响应结果值为
Figure BDA0001260614250000063
σ′i＝σ′0+αρi；
其中，(x,y)表示感兴趣区域中像素点坐标，(x′,y′)表示配置图像中像素点坐标；σ0′和α为分别方差常数和修正常数，σ0′取值为0.5，α取值范围为0.10-0.15；
Figure BDA0001260614250000071
表示高斯函数；
所述每个高斯差分滤波器在各个方向上的响应值是指将每个高斯差分滤波器的中心点极坐标的极角φi加上移动角度ψ后得到的响应值，ψ的取值范围为
Figure BDA0001260614250000072
为了提高B-COSFIRE滤波器的响应效果，需要使得组成B-COSFIRE滤波器的DoG滤波器在滤波响应时对其所在位置能具有一定的弹性。通过引入高斯函数Gσ′(x′,y′)，且改变Gσ′(x′,y′)的系数σ′使得处于不同位置的DoG响应在B-COSFIRE滤波响应中占有不同的权重，距离参考中心近的DoG的权重大，远的则小。
通过改变ψ的值，能够使得配置的B-COSFIRE滤波器能够对具有不同方向，但有相同形状的物体进行滤波响应。
所述对修正后的滤波响应结果依次在每个方向上对每个高斯差分滤波器的响应求取加权几何平均值是按照以下公式进行计算：
Figure BDA0001260614250000073
其中，
Figure BDA0001260614250000074
|.|t表示在最大响应值的分数t处做阈值操作，其中t＝0.4。
当B-COSFIRE滤波器配置为对称型滤波器时，n的取值为为8；当B-COSFIRE滤波器配置为非对称型滤波器时，n的取值为11。
当B-COSFIRE滤波器配置为对称型滤波器时，高斯差分滤波器的方差σi取值为2.4；当B-COSFIRE滤波器配置为非对称型滤波器时，高斯差分滤波器的方差σi取值为1.8。
图4是配置对称型B-COSFIRE滤波器的示例图，其中，图中“1”指示的“×”号代表B-COSFIRE滤波器的中央参考位置，“2”，“3”，“4”，“5”所示黑点则分别代表一个高斯差分滤波器DoG所在位置；
图5是配置非对称型B-COSFIRE滤波器的示例图，其中，图中“1”指示的“×”号代表B-COSFIRE滤波器的中央参考位置，“2”，“3”所示黑点则分别代表一个高斯差分滤波器DoG所在位置。
实例一
应用本发明所述方法对图6(a)取于DRIVE数据集的彩色眼底图进行血管分割，分割过程示意图依次为(b)绿色通道图，(c)CLAHE操作后的图，(d)执行完B-COSFIRE滤波操作后的图，(e)形态学高帽变换后的图，(f)为二值化操作后的图，(g)为最终的血管分割图。
实例二
应用本发明所述方法对图7(a)取于STARE数据集的彩色眼底图进行血管分割，分割过程示意图依次为(b)为绿色通道图，(c)为CLAHE操作后的图，(d)为执行完B-COSFIRE滤波操作后的图，(e)为形态学高帽变换后的图，(f)为二值化操作后的图，(g)为最终的血管分割图。
从实例一和实例二的分割提取图可以看出，应用本发明所述的方法对眼底图像进行血管分割的结果准确率高，且分割过程操作简单。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于B-COSFIRE的眼底图像视网膜血管分割方法，其特征在于，包括以下步骤：
步骤1：将待分割的彩色眼底图像转换为Lab空间图，并从Lab空间图中提取L通道图作为ROI模板；
步骤2：提取待分割的彩色眼底图像的绿色通道图，并提取的绿色通道图像进行CLAHE直方图均衡化处理，得到均衡化图像；
步骤3：利用步骤1获取的ROI模板对步骤2中得到的均衡化图像提取感兴趣区域；
步骤4：依次利用B-COSFIRE滤波器对步骤3获得的感兴趣区域进行滤波处理，得到滤波图像；
步骤5：对滤波图像进行二值处理，完成眼底图像视网膜血管分割；
其中，所述B-COSFIRE滤波器由n个高斯差分滤波器组成，利用配置图像对n个高斯差分滤波器进行配置，所述配置图像的大小为101×101的二值图像，且配置图像中间具有长为101个像素，宽为1个像素的直线；
以B-COSFIRE滤波器的中心为坐标原点，在B-COSFIRE滤波器中第i个高斯差分滤波器中心的极坐标为(ρi，φi)，且方差为σi，i的取值为1-n，n为整数；
对经过步骤5进行二值化处理后的图像基于连通域进行补足血管与去噪处理，得到最终的分割图像，具体步骤如下：
步骤A：对二值图像Ire细化操作，接着对细化图像以3×3模板进行膨胀操作，再对膨胀图像进行形态学填充操作，获得填充结果图像Ifin；
步骤B：将二值图像Ire与填充结果图像Ifin取交集Iτ，用Ifin减去Iτ获得可以向二值图像Ire中填补的连通区域Iin；
步骤C：依次将每个连通区域Iin补回至经步骤5得到的血管分割图像中，并比较补回前后血管连通域的数量：如果补回后连通域数量减少，则当前连通区域为误判的分支点或分叉点，将当前连通区域补回血管；反之，不补回血管；
步骤D：从进行补回血管后的图像中去除小于20个像素点的连通区域，得到最终的分割图像；
对所述步骤4中得到的滤波图像再使用形态学滤波器进行高帽变换操作，得到的结果图像作为步骤5进行二值化处理的操作图像；
所采用的结构元素长度为20个像素。
2.根据权利要求1所述的方法，其特征在于，利用相位调整参数获取B-COSFIRE滤波器中每个高斯差分滤波器在各个方向上的响应值，并利用高斯函数对B-COSFIRE滤波器中各个高斯差分滤波器的滤波响应结果值
Figure FDA0002978432160000021
进行加权修正，然后对加权修正后的滤波响应结果
Figure FDA0002978432160000022
依次在每个方向上求取加权几何平均值，以最大响应值作为B-COSFIRE滤波器的最终响应结果，得到最终滤波图像；
修正后的滤波器响应结果值为
Figure FDA0002978432160000023
σi′＝σb′+αρi；
其中，(x，y)表示感兴趣区域中像素点坐标，(x′，y′)表示配置图像中像素点坐标；σ0′和α为分别方差常数和修正常数，σ0′取值为0.5，α取值范围为0.10-0.15；
Figure FDA0002978432160000027
表示高斯函数；
所述每个高斯差分滤波器在各个方向上的响应值是指将每个高斯差分滤波器的中心点极坐标的极角φi加上移动角度ψ后得到的响应值，ψ的取值范围为
Figure FDA0002978432160000024
3.根据权利要求2所述的方法，其特征在于，所述对修正后的滤波响应结果依次在每个方向上对每个高斯差分滤波器的响应求取加权几何平均值是按照以下公式进行计算：
Figure FDA0002978432160000025
其中，
Figure FDA0002978432160000026
|·|t表示在最大响应值的分数t处做阈值操作，其中t＝＝0.4。
4.根据权利要求3所述的方法，其特征在于，当B-COSFIRE滤波器配置为对称型滤波器时，n的取值为为8；当B-COSFIRE滤波器配置为非对称型滤波器时，n的取值为11。
5.根据权利要求4所述的方法，其特征在于，当B-COSFIRE滤波器配置为对称型滤波器时，高斯差分滤波器的方差σi取值为2.4；当B-COSFIRE滤波器配置为非对称型滤波器时，高斯差分滤波器的方差σi取值为1.8。
CN201710209253.3A 2017-03-31 2017-03-31 一种基于b-cosfire的眼底图像视网膜血管分割方法 Active CN108665474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710209253.3A CN108665474B (zh) 2017-03-31 2017-03-31 一种基于b-cosfire的眼底图像视网膜血管分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710209253.3A CN108665474B (zh) 2017-03-31 2017-03-31 一种基于b-cosfire的眼底图像视网膜血管分割方法

Publications (2)

Publication Number Publication Date
CN108665474A CN108665474A (zh) 2018-10-16
CN108665474B true CN108665474B (zh) 2021-05-11

Family

ID=63783993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710209253.3A Active CN108665474B (zh) 2017-03-31 2017-03-31 一种基于b-cosfire的眼底图像视网膜血管分割方法

Country Status (1)

Country Link
CN (1) CN108665474B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529879A (zh) * 2020-12-16 2021-03-19 福建农林大学 基于支持向量机的b-cosfire滤波处理的多尺度采样视网膜血管图像分割方法
CN112700420A (zh) * 2020-12-31 2021-04-23 中南大学 一种眼底图像补全、分类方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN104537669A (zh) * 2014-12-31 2015-04-22 浙江大学 眼底图像的动静脉视网膜血管分割方法
CN104899862A (zh) * 2015-04-01 2015-09-09 武汉工程大学 基于全局与局部阈值的视网膜血管分割算法
CN105761258A (zh) * 2016-02-06 2016-07-13 上海市第人民医院 视网膜眼底图像的出血检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN104537669A (zh) * 2014-12-31 2015-04-22 浙江大学 眼底图像的动静脉视网膜血管分割方法
CN104899862A (zh) * 2015-04-01 2015-09-09 武汉工程大学 基于全局与局部阈值的视网膜血管分割算法
CN105761258A (zh) * 2016-02-06 2016-07-13 上海市第人民医院 视网膜眼底图像的出血检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Trainable COSFIRE filters for vessel delineation with application to retinal images";George Azzopardi等;《Medical Image Analysis》;20150115;第1-3节 *
"视网膜血管分割与动静脉分类方法研究";杨毅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215;第2-5章 *

Also Published As

Publication number Publication date
CN108665474A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
Tabassum et al. CDED-Net: Joint segmentation of optic disc and optic cup for glaucoma screening
CN109325942B (zh) 基于全卷积神经网络的眼底图像结构分割方法
Zhao et al. Retinal vessels segmentation based on level set and region growing
CN107292877B (zh) 一种基于眼底图像特征的左右眼识别方法
WO2019001208A1 (zh) 一种oct图像中脉络膜新生血管分割算法
CN108986106A (zh) 面向青光眼临床诊断的视网膜血管自动分割方法
Xiang et al. Automatic retinal layer segmentation of OCT images with central serous retinopathy
CN107292835B (zh) 一种眼底图像视网膜血管自动矢量化的方法及装置
Zhou et al. Optic disc and cup segmentation in retinal images for glaucoma diagnosis by locally statistical active contour model with structure prior
CN112102385B (zh) 一种基于深度学习的多模态肝脏磁共振影像配准系统
CN116236150A (zh) 基于眼底图像的动静脉血管图像分割方法
CN107563996A (zh) 一种新型视神经盘分割方法及系统
JP6734475B2 (ja) 画像処理装置及びプログラム
CN113643353B (zh) 眼底图像的血管管径的增强分辨率的测量方法
David et al. Retinal blood vessels and optic disc segmentation using U-net
CN108665474B (zh) 一种基于b-cosfire的眼底图像视网膜血管分割方法
Dikkala et al. A comprehensive analysis of morphological process dependent retinal blood vessel segmentation
Ghassabi et al. A unified optic nerve head and optic cup segmentation using unsupervised neural networks for glaucoma screening
CN114332910A (zh) 一种面向远红外图像的相似特征计算的人体部位分割方法
Gaddipati et al. Glaucoma assessment from oct images using capsule network
Zheng et al. Retinal image graph-cut segmentation algorithm using multiscale hessian-enhancement-based nonlocal mean filter
Liu et al. Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images
CN116407080A (zh) 近视患者眼底结构的演变识别及3d可视化系统和方法
Abdullah et al. Application of grow cut algorithm for localization and extraction of optic disc in retinal images
CN115393239A (zh) 一种多模态眼底图像配准和融合方法及系统

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
GR01 Patent grant
GR01 Patent grant