CN108846827A - 一种基于多圆快速分割眼底视盘的方法 - Google Patents

Abstract

本发明涉及计算机技术领域，具体涉及一种基于多圆快速分割眼底视盘的方法。一种基于多圆快速分割眼底视盘的方法步骤如下：步骤1，基于高亮度和血管特性确定视盘中心；1.1彩色视网膜图像阈值分割；1.2标记候选中心；1.3定位到视盘中心。步骤2，基于多圆最小凸包运算分割视盘；2.1形态学移除血管，形态学移除血管过程采用膨胀操作。2.2 Hough圆变换，采用canny算子双阈值分割处理膨胀视盘后的视盘区域，得到二值化的边缘图像E。2.3多圆最小凸包运算。本发明采用多圆分割视盘的方法，对视盘内部检测到的多个圆进行凸包运算，能有效提高分割的速度和精度。

Description

一种基于多圆快速分割眼底视盘的方法

技术领域

本发明涉及计算机技术领域，具体涉及一种基于多圆快速分割眼底视盘的方法。

背景技术

氟青光眼和糖尿病视网膜病变可以通过视盘来反映情况，而视盘具有高亮度，轮廓近似椭圆，内部血管分布集中的特性。通过其中某个或者多个特征，可以精确的定位视盘的区域，然后对视盘进行分割操作。

定位方法中，主要的是基于视盘的高亮度特性。典型的是Li提出的算法，他首先提出视网膜图像内最亮的像素点的个数占了整个视网膜图像的1％，通过提取这些候选点，并对这些候选点进行聚类，选取较大的连通区域作为候选区域，然后通过PCA特征分析，对候选区域进行投影，欧式距离与平均视盘最近的候选区域则是视盘区。此类算法对正常视网膜图像的检测率很高，但是对于有病变(溢出液)和质量较差的视网膜图像，效果不太理想而且耗时。

而Park，Abdullah等人提出了基于视盘轮廓近似圆的特性来定位视盘的方法。他们对整个视网膜图像进行Hough圆变换，通过视盘半径的范围来确定视盘的大致位置。由于Hough圆变换是将二维空间的点映射到三维空间上，变换得到的圆较多，干扰项较多，为了得到准确的视盘区域，还需要同圆内像素进行对比，即需要结合视盘的亮度特性进一步筛选候选区域。计算代价主要体现在检测到的圆。

在三个特性中，根据视盘内部血管分布的特性定位视盘的方法是最健壮的方法。在视盘内，血管较为集中，除了血管相交外，最显著的一个特点就是血管的方向分布较广。Hoover等人利用了血管在视盘汇聚的特性，先提取血管，通过模糊集来计算血管段的汇聚度，取得收敛度最强的点，即作为视盘的中心点。该算法的可靠性高，检测效果好，但是需要提取血管，并且在血管分叉处容易误判，时间复杂度也高。Jaafar提出了关于视盘区域血管具有环状的特性，通过形态学方法和Hough变换得到视盘的轮廓。此方法需要的计算量很大，而且对于血管密集的地方，血管与血管之间很容易形成环，导致误判。Foracchia利用了视网膜主血管的特性，采用一种具有抛物线的方向模型定位视盘。并且此几何参数模型，包含了左右的方向特性。通过两条抛物线间的公共顶点作为视盘的中心点。此算法的鲁棒性较高，它对全局进行搜索，局部的病变和噪音，对结果没有影响。Mahfouz等人运用视盘内血管具有近似竖直的方向特性，把二维的定位问题转化为两个一维的问题，把视网膜图像投影到两个正交的轴上。水平轴代表对水平梯度的响应，竖直轴代表对亮度大小的反映。对病变的视网膜图像具有抗干扰能力，鲁棒性好，而且计算量大大降低，平均花费时间不到一秒。

精准定位后，分割视盘才有意义。视盘分割的关键在于边缘的获取。有形态学的方法，Hough变换的方法以及基于活动轮廓模型的分割方法。

基于形态学的方法，除了简单的膨胀腐蚀操作获取粗糙的轮廓外，还有分水岭算法。此算法可以获取图像中不同灰度值的等高线，计算过程是一个迭代标注的过程，对微弱边缘具有良好的响应，但是图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。

定位和分割都可以使用Hough变换，因为视盘的轮廓近似椭圆，可以采用Hough圆或者椭圆分割轮廓，得到的轮廓较圆滑。但实际的视盘，并不是规范的椭圆，在精确度上会出现两个分化，要么特别高，要么特别低。独立的作为分割方法，精度较低，可以作为初始化轮廓，与活动轮廓模型分割方法结合提供精度。

基于活动轮廓模型视盘分割方法，是让轮廓自动的向边缘靠近。此算法利用的是在图像域上的曲线在与曲线自身相关的内力以及由图像数据定义的外力的共同作用下向物体边缘靠近。外力推动活动轮廓拉向物体边缘，而内力则保持活动轮廓的光滑和连续性。主要的分类有参数活动轮廓模型(snake模型)，几何活动轮廓模型(水平集)。前者基于变分法的活动轮廓模型，它直接以曲线的参数化形式显式地表达曲线的演化。它为给定的模型构造特定的能量函数，然后利用变分法对该能量函数极小化，得到模型演化的偏微分方程，使得轮廓线在到达目标边界时因为能量函数达到最小值而自动停止。后者在轮廓曲线的几何特性的推动下向着目标的边缘移动，而与轮廓的参数特性无关，避免了参数活动轮廓必须重复参数化曲线这一难题。Osareh提出的算法就是前者的代表，通过匹配模板的方式自动初始化轮廓，并将彩色视盘转换到LAB空间下，并对血管进行移除，得到较高的分割效果。后者的代表是Kande提出的算法，同样需要在LAB空间下移除血管。该类的算法特点在于迭代地寻找能量平衡的边缘位置，所以计算复杂度比较高，每幅图像平均处理时间为十几秒甚至几分钟。

发明内容

本发明提供了一种基于多圆快速分割眼底视盘的方法，采用多圆分割视盘的方法，对视盘内部检测到的多个圆进行凸包运算，能有效提高分割的速度和精度。

本发明的技术方案：

一种基于多圆快速分割眼底视盘的方法，步骤如下：

步骤1，基于高亮度和血管特性确定视盘中心；

1.1彩色视网膜图像阈值分割

1)统计视网膜图像绿色通道归一化后的灰度直方图分布，逆序排列后，得到灰度级集合T＝{t₁,t₂,...,t_n}和灰度级出现的频率集合其中，n为灰度级，第一个灰度级t₁＝1，最后一个灰度级t_n＝0。

灰度级t_m的出现频率为：

其中，为灰度级t_m出现的频率；为灰度级t_j出现的频率。

2)求取最佳阈值ξ：

其中，p代表视盘亮区占整个图像的百分比，P_i指前i个灰度级出现频率的占比，则P₁指的是第一个灰度级出现频率的占比。

3)通过最佳阈值分割图像，得到连通区域，对各个连通区域进行标记，得到候选区域集合D＝{D₁,D₂,...,D_k}，其中，k代表连通区域的个数。

1.2标记候选中心

以D_i表示第i个连通区域，则第i个候选中心χ_i为：

其中，d代表第i个连通区域D_i内像素的总个数，为D_i内像素内第j个像素的坐标。

1.3定位到视盘中心

1)采用中值滤波对1.2步得到的第i个候选中心χ_i附近的区域f_χi进行边缘增强，其中，f_χi是以χ_i为中心的正方形区域，边长为Z+1。

2)采用1×3的一维卷积模板对区域f_χi进行水平边缘的检测，得到在水平方向上的梯度

1×3的一维卷积模板为：

水平方向上的梯度为：

其中，(x，y)为坐标点；

3)对水平方向上的梯度超过特定阈值γ的部分进行保留，得到

4)将在水平方向投影，即对垂直方向上的响应值累加，以最高值做为第i个候选中心χ_i筛选的依据，得到视盘中心χ_op：

其中，k代表连通区域的个数。

步骤2，基于多圆最小凸包运算分割视盘；

2.1形态学移除血管

形态学移除血管过程采用膨胀操作，将进行膨胀操作：

其中，为膨胀视盘后的视盘区域；δ_B为复试操作；f为区域函数；B为结构元素，采用的是半径为r的圆盘；是以视盘中心χ_op为中心，半径为2Z+1的正方形区域。

2.2 Hough圆变换

采用canny算子双阈值分割处理膨胀视盘后的视盘区域得到二值化的边缘图像E。

再对E进行圆检测，采用极坐标方式表达。根据圆检测得到点的数量对检测出来的所有圆进行由多到少的排序。第i个圆的函数为其中R代表第i个圆的半径；

2.3多圆最小凸包运算

排序后所得圆中，对前λ个圆的半径直接减r，得到的圆为

则多圆最小凸包运算为：

其中，为第i个调整后的圆内包含的像素集合；ψ(·)表示并集运算，K是Ω的所有凸包，S为所有凸包的交集，即多圆的最小凸包，也就得到了需要分割出来的视盘。

本发明的有益效果：对视盘内部检测到的多个圆进行凸包运算，提高了分割的速度和精度。

附图说明

图1是本发明的框架图。

图2(a)是眼底图血管分布图。

图2(b)是血管水平梯度响应表图。

图3(a)是有血管视盘膨胀图。

图3(b)是有缺口视盘膨胀图。

图4(a)是多圆最小凸包双阈值分割图。

图4(b)是多圆最小凸包选定多圆图。

图4(c)是多圆最小凸包半径调整图。

图4(d)是多圆最小凸包视盘轮廓图。

具体实施方式

下面结合技术方案和附图对本发明的具体实施例详细说明。

图1为本发明的框架图，处理的过程主要包含两大过程：精确定位视盘中心和快速分割视盘：

步骤1，基于高亮度和血管特性确定视盘中心；

1.1彩色视网膜图像阈值分割

将整个眼底视网膜图像的1％作为像素点数量的选取阈值，得到离散的高亮度区域；具体步骤如下：

1)统计视网膜图像绿色通道归一化后的灰度直方图分布，逆序排列后，得到灰度级的集合T＝{t₁,t₂,...,t_n}和灰度级出现的频率集合其中，n为灰度级，第一个灰度级t₁＝1，最后一个灰度级t_n＝0。

灰度级为t_m的出现频率为：

其中，为灰度级t_m出现的频率；为灰度级t_j出现的频率

2)求取最佳阈值ξ：

其中，p代表视盘亮区占整个图像的百分比，P_i指前i个灰度级出现频率的占比，则P₁指的是第一个灰度级出现频率的占比。

3)通过最佳阈值分割图像，并对分割出的各个连通区域进行标记，得到候选区域集合D＝{D₁,D₂,...,D_k}，其中，k代表连通区域的个数。

1.2标记候选中心

以D_i表示第i个连通区域，则第i个候选中心χ_i为：

其中，d代表第i个连通区域D_i内像素的总个数，为D_i内像素内第j个像素的坐标。

1.3定位到视盘中心

1)采用中值滤波对1.2步得到第i个候选中心χ_i附近的区域f_χi进行边缘增强，其中，f_χi是以χ_i为中心的正方形区域，边长为Z+1。

2)采用1×3的一维卷积模板对f_χi进行水平边缘的检测，得到在水平方向上的梯度

1×3的一维卷积模板为：

水平方向上的梯度为：

其中，(x，y)为坐标点；

3)对超过特定阈值γ的部分保留，得到

5)将在水平方向投影，即垂直方向上响应值累加，以最高值做为第i个候选中心χ_i筛选的依据，那么最终的视盘中心χ_op可以表示为：

其中，k代表连通区域的个数。

步骤2，基于多圆最小凸包运算分割视盘；

2.1形态学移除血管

形态学移除血管采用膨胀操作，膨胀操作如下：

其中，为膨胀视盘后的视盘区域，δ_B为复试操作，f为区域函数。B为结构元素；

进一步的，B采用的是半径为r的圆盘。

2.2 Hough圆变换

采用canny算子双阈值分割处理得到二值化的边缘图像E。

再采用以极坐标表达方式的快速Hough圆检测，对E进行圆检测。根据构成此圆点的数量，对检测出来的所有圆进行由高到低的排序。在此序列下，第i个圆的函数为其中R代表第i个圆的半径；

2.3多圆最小凸包运算

在排序出来的多个圆中，对前λ个圆的半径直接减r，得到的圆为

则多圆最小凸包运算为：

其中，为第i个调整后的圆内包含的像素集合；ψ(·)表示并集运算，K是Ω的所有凸包，S为所有凸包的交集，即多圆的最小凸包，也就得到了需要分割出来的视盘。

先对彩色视网膜图像进行绿色通道分离，通过整个眼底视网膜图像的前1％高亮度的像素区域，快速分割出视盘的候选区域。并通过局部血管梯度投影，得到视盘中心。在定位到视盘中心后，需要分割出整个视盘。先选取以视盘中心为中心，半径为101的正方形区域为初步视盘区域。并采用半径为15的圆盘，对初步视盘区域进行膨胀移除血管的操作。在经过快速Hough圆检测，得到多个排好序的圆后，对所有圆进行半径调整。在选取不同数量的圆，进行最小凸包运算后，得到的准确视盘区域与实际视盘区域的参数对比不一样。

表1

从表1中可以看出，在λ取值为4的时候，分割的效果最好。在λ＝4的基础上，以DRIONS‐DB数据库作为实验对象，本发明分割出的视盘结果，会得到四个类别：TP(truepositive，真阳性)，FP(false positive，假阳性)，TN(true negative，真阴性)和FN(falsenegative，假阴性)。根据类别得到5个标准：JC系数，即overlap；Dice系数；精确度accuracy；灵敏度sensitivity；特异性specificity；它们的计算方式如下：

得到的结果：

表2

从表2中可以看出，在一秒左右的时间就可以对一张眼底视网膜图像进行高精度地分割，分割的各项指标均达到了较高的水平。

综上所述，本发明采用多圆凸包来分割视盘，创新性地对膨胀后的视盘边缘直接进行Hough圆检测，并对检测到的圆进行半径调整，得到实际视盘内的圆。速度快，精度高，适合辅助眼科医生进行自动化的检测作用。

Claims (1)

1.一种基于多圆快速分割眼底视盘的方法，其特征在于，步骤如下：

步骤1，基于高亮度和血管特性确定视盘中心；

1.1 彩色视网膜图像阈值分割

1)统计视网膜图像绿色通道归一化后的灰度直方图分布，逆序排列后，得到灰度级集合T＝{t₁,t₂,...,t_n}和灰度级出现的频率集合其中，n为灰度级，第一个灰度级t₁＝1，最后一个灰度级t_n＝0；

灰度级t_m的出现频率为：

其中，为灰度级t_m出现的频率；为灰度级t_j出现的频率；

2)求取最佳阈值ξ：

其中，p代表视盘亮区占整个图像的百分比，P_i指前i个灰度级出现频率的占比，则P₁指的是第一个灰度级出现频率的占比；

3)通过最佳阈值分割图像，得到连通区域，对各个连通区域进行标记，得到候选区域集合D＝{D₁,D₂,...,D_k}，其中，k代表连通区域的个数；

1.2 标记候选中心

以D_i表示第i个连通区域，则第i个候选中心χ_i为：

其中，d代表第i个连通区域D_i内像素的总个数，为D_i内像素内第j个像素的坐标；

1.3 定位到视盘中心

1)采用中值滤波对1.2步得到的第i个候选中心χ_i附近的区域进行边缘增强，其中， 是以χ_i为中心的正方形区域，边长为Z+1；

2)采用1×3的一维卷积模板对区域进行水平边缘的检测，得到在水平方向上的梯度

1×3的一维卷积模板为：

‐1 0 1

水平方向上的梯度为：

其中，(x，y)为坐标点；

3)对水平方向上的梯度超过特定阈值γ的部分进行保留，得到

4)将在水平方向投影，即对垂直方向上的响应值累加，以最高值做为第i个候选中心χ_i筛选的依据，得到视盘中心χ_op：

其中，k代表连通区域的个数；

步骤2，基于多圆最小凸包运算分割视盘；

2.1 形态学移除血管

形态学移除血管过程采用膨胀操作，将进行膨胀操作：

其中，为膨胀视盘后的视盘区域；δ_B为复试操作；f为区域函数；B为结构元素，采用的是半径为r的圆盘；是以视盘中心χ_op为中心，半径为2Z+1的正方形区域；

2.2 Hough圆变换

采用canny算子双阈值分割处理膨胀视盘后的视盘区域得到二值化的边缘图像E；

再对E进行圆检测，采用极坐标方式表达；根据圆检测得到点的数量对检测出来的所有圆进行由多到少的排序；第i个圆的函数为其中R代表第i个圆的半径；

2.3 多圆最小凸包运算

排序后所得圆中，对前λ个圆的半径直接减r，得到的圆为

则多圆最小凸包运算为：

其中，为第i个调整后的圆内包含的像素集合；ψ(·)表示并集运算，K是Ω的所有凸包，S为所有凸包的交集，即多圆的最小凸包，也就得到了需要分割出来的视盘。