CN109741348A - 一种糖尿病视网膜图像分割方法 - Google Patents

Abstract

本发明公开了一种糖尿病视网膜图像分割方法，包括以下步骤：A、图像采集器采集糖尿病视网膜图像并发送至图像预处理器；B、图像预处理器对采集的图像进行增强和滤波处理；C、对处理后的图像进行特征提取，得到特征提取后的图像；D、将特征提取后的图像进行离散小波帧分解，得到第一视网膜子图和第二视网膜子图；E、将第一视网膜子图和第二视网膜子图输入到图像分割神经网络中，并输出分割后的视网膜图像，本发明采用的分割方法分割效率高，分割准确度高，便于医生的病灶处的判断。

Description

一种糖尿病视网膜图像分割方法

技术领域

本发明涉及视网膜图像分割技术领域，具体为一种糖尿病视网膜图像分割方法。

背景技术

视网膜为眼球壁的内层，分为视网膜盲部和视部。盲部包括视网膜虹膜部和视网膜睫状体部，各贴附于虹膜和睫状体内面，是虹膜和睫状体的组成部分。

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像索赋予相同的编号。

现有的图像分割方法能够实现对视网膜图像的分割处理，但是其分割后效果差，难于在对实时性有较高要求的临床中广泛应用。

发明内容

本发明的目的在于提供一种糖尿病视网膜图像分割方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种糖尿病视网膜图像分割方法，包括以下步骤：

A、图像采集器采集糖尿病视网膜图像并发送至图像预处理器；

B、图像预处理器对采集的图像进行增强和滤波处理；

C、对处理后的图像进行特征提取，得到特征提取后的图像；

D、将特征提取后的图像进行离散小波帧分解，得到第一视网膜子图和第二视网膜子图；

E、将第一视网膜子图和第二视网膜子图输入到图像分割神经网络中，并输出分割后的视网膜图像。

优选的，所述步骤B中图像增强方法如下：

a、整幅图像有m×n个像素点，将该幅具有F个灰度级的视网膜图像X，变换成一个模糊矩阵为：式中：uij表示坐标为(i,j)的像素点的隶属度；隶属度函数umn满足：uij＝xij/(L-1)，式中：xij表示坐标为(i,j)的像素点的灰度值；

b、对图像进行增强处理：

c、增强处理后形成新的图像灰度值隶属度矩阵为：

d、对图像灰度值隶属度矩阵进行逆变换，得到经过增强后的视网膜图像X′，X′中像素灰度值矩阵为：

优选的，所述步骤C中图像特征提取方法如下：

a、对视网膜图像进行边缘检测和角点检测，将角点检测得到的角点和边缘检测得到的边缘点进行组合，得到图像区域；

b、将图像区域换到IHS色彩空间中图像的简约双四元数矩阵；

c、获取预设的多通道滤波器函数矩阵；

d、计算简约双四元数矩阵与多通道滤波器函数矩阵的简约双四元数卷积得到卷积矩阵；

e、查找卷积矩阵中邻接差值小于差值阈值的像素坐标，根据查找到的像素坐标生成视网膜图像特征。

与现有技术相比，本发明的有益效果是：

(1)本发明采用的分割方法分割效率高，分割准确度高，便于医生的病灶处的判断。

(2)本发明采用的图像增强方法能够实现对图像的高精度增强处理，使病灶区域更加明显。

(3)本发明采用的图像特征提取方法能够降低视网膜图像纹理特征提取的误检率。

附图说明

图1为本发明分割方法流程图；

图2为本发明特征提取方法流程图。

具体实施方式

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，所描述的实施例仅仅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做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。

实施例一：

请参阅图1-2，本发明提供如下技术方案：一种糖尿病视网膜图像分割方法，包括以下步骤：

A、图像采集器采集糖尿病视网膜图像并发送至图像预处理器；

B、图像预处理器对采集的图像进行增强和滤波处理；

C、对处理后的图像进行特征提取，得到特征提取后的图像；

D、将特征提取后的图像进行离散小波帧分解，得到第一视网膜子图和第二视网膜子图；

E、将第一视网膜子图和第二视网膜子图输入到图像分割神经网络中，并输出分割后的视网膜图像。

本发明中，步骤B中图像增强方法如下：

a、整幅图像有m×n个像素点，将该幅具有F个灰度级的视网膜图像X，变换成一个模糊矩阵为：式中：uij表示坐标为(i,j)的像素点的隶属度；隶属度函数umn满足：uij＝xij/(L-1)，式中：xij表示坐标为(i,j)的像素点的灰度值；

b、对图像进行增强处理：

c、增强处理后形成新的图像灰度值隶属度矩阵为：

d、对图像灰度值隶属度矩阵进行逆变换，得到经过增强后的视网膜图像X′，X′中像素灰度值矩阵为：

本发明采用的图像增强方法能够实现对图像的高精度增强处理，使病灶区域更加明显。

实施例二：

本发明提供如下技术方案：一种糖尿病视网膜图像分割方法，包括以下步骤：

A、图像采集器采集糖尿病视网膜图像并发送至图像预处理器；

B、图像预处理器对采集的图像进行增强和滤波处理；

C、对处理后的图像进行特征提取，得到特征提取后的图像；

D、将特征提取后的图像进行离散小波帧分解，得到第一视网膜子图和第二视网膜子图；

E、将第一视网膜子图和第二视网膜子图输入到图像分割神经网络中，并输出分割后的视网膜图像。

本发明中，步骤B中图像增强方法如下：

a、整幅图像有m×n个像素点，将该幅具有F个灰度级的视网膜图像X，变换成一个模糊矩阵为：式中：uij表示坐标为(i,j)的像素点的隶属度；隶属度函数umn满足：uij＝xij/(L-1)，式中：xij表示坐标为(i,j)的像素点的灰度值；

b、对图像进行增强处理：

c、增强处理后形成新的图像灰度值隶属度矩阵为：

d、对图像灰度值隶属度矩阵进行逆变换，得到经过增强后的视网膜图像X′，X′中像素灰度值矩阵为：

本发明采用的图像增强方法能够实现对图像的高精度增强处理，使病灶区域更加明显。

本实施例中，步骤C中图像特征提取方法如下：

a、对视网膜图像进行边缘检测和角点检测，将角点检测得到的角点和边缘检测得到的边缘点进行组合，得到图像区域；

b、将图像区域换到IHS色彩空间中图像的简约双四元数矩阵；

c、获取预设的多通道滤波器函数矩阵；

d、计算简约双四元数矩阵与多通道滤波器函数矩阵的简约双四元数卷积得到卷积矩阵；

e、查找卷积矩阵中邻接差值小于差值阈值的像素坐标，根据查找到的像素坐标生成视网膜图像特征。

本发明采用的图像特征提取方法能够降低视网膜图像纹理特征提取的误检率。

综上所述，本发明采用的分割方法分割效率高，分割准确度高，便于医生的病灶处的判断。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (3)

1.一种糖尿病视网膜图像分割方法，其特征在于：包括以下步骤：

A、图像采集器采集糖尿病视网膜图像并发送至图像预处理器；

B、图像预处理器对采集的图像进行增强和滤波处理；

C、对处理后的图像进行特征提取，得到特征提取后的图像；

D、将特征提取后的图像进行离散小波帧分解，得到第一视网膜子图和第二视网膜子图；

E、将第一视网膜子图和第二视网膜子图输入到图像分割神经网络中，并输出分割后的视网膜图像。

2.根据权利要求1所述的一种糖尿病视网膜图像分割方法，其特征在于：所述步骤B中图像增强方法如下：

a、整幅图像有m×n个像素点，将该幅具有F个灰度级的视网膜图像X，变换成一个模糊矩阵为：式中：uij表示坐标为(i,j)的像素点的隶属度；隶属度函数umn满足：uij＝xij/(L-1)，式中：xij表示坐标为(i,j)的像素点的灰度值；

b、对图像进行增强处理：

c、增强处理后形成新的图像灰度值隶属度矩阵为：

d、对图像灰度值隶属度矩阵进行逆变换，得到经过增强后的视网膜图像X′，X′中像素灰度值矩阵为：

3.根据权利要求1所述的一种糖尿病视网膜图像分割方法，其特征在于：所述步骤C中图像特征提取方法如下：

a、对视网膜图像进行边缘检测和角点检测，将角点检测得到的角点和边缘检测得到的边缘点进行组合，得到图像区域；

b、将图像区域换到IHS色彩空间中图像的简约双四元数矩阵；

c、获取预设的多通道滤波器函数矩阵；

d、计算简约双四元数矩阵与多通道滤波器函数矩阵的简约双四元数卷积得到卷积矩阵；

e、查找卷积矩阵中邻接差值小于差值阈值的像素坐标，根据查找到的像素坐标生成视网膜图像特征。