CN109872337B - 一种基于快速均值移位的眼底图像视盘分割方法 - Google Patents

Abstract

本发明公开了一种基于快速均值移位的眼底图像视盘分割方法，属于图像处理技术领域，解决现有技术中，视盘分割方法准确率不高、鲁棒性不高和分割效率较低的问题。本发明输入原眼底图像，进行预处理，其中，原眼底图像为待分析眼底图像；利用多光源颜色恒常性算法，对颜色校正后的眼底图像进行颜色校正；结合预处理得到的图像中的血管信息进行视盘定位，再基于颜色校正后的眼底图像，利用快速均值移位分割出视盘区域，得到视盘图像。本发明用于眼底图像的视盘分割。

Description

一种基于快速均值移位的眼底图像视盘分割方法

技术领域

一种基于快速均值移位的眼底图像视盘分割方法，用于眼底图像的视盘分割，属于图像处理技术领域。

背景技术

视神经盘也叫视神经乳头，简称视盘，是视网膜的主要生理结构之一，视神经和血管从该区域进入眼部并向周边延伸。在正常的彩色视网膜眼底图像中，视盘一般表现为近似圆形的淡黄色或白色的亮斑，直径约为1.5mm，同时包含有较粗的血管。视盘分割成为了近年来研究的热点。

视盘分割旨在准确定位视网膜眼底图像中的视盘，并将其在眼底图像中与背景分离。

现有的视盘分割技术中，往往采用Toeplitz矩阵模板对眼底血管图像进行滤波，得到视盘中心位置，再用霍夫变换来拟合视盘。但Toeplitz矩阵模板并不能准确地定位视盘中心位置，常常误判。且霍夫变换计算量大，耗时长，且不能精确地拟合出视盘。也可以基于超像素和分类器的方法确定视盘边界，但是分类学习的方法在很大程度上依赖于特征及训练集的选取，不能自适应地用于其他的眼底图像数据库。采用其它视盘分割方法同样存在准确率不高、鲁棒性不高、分割效率较低的问题。

发明内容

针对上述研究的问题，本发明的目的在于提供一种基于快速均值移位的眼底图像视盘分割方法，解决现有技术中，视盘分割方法准确率不高、鲁棒性不高和分割效率较低的问题。

为了达到上述目的，本发明采用如下技术方案：

一种基于快速均值移位的眼底图像视盘分割方法，包括如下步骤：

S1：输入原眼底图像，进行预处理，其中，原眼底图像为待分析眼底图像；

S2：利用多光源颜色恒常性算法，对预处理后的原眼底图像进行颜色校正；

S3：结合颜色校正后的眼底图像中的血管信息进行视盘定位，再基于颜色校正后的眼底图像，利用快速均值移位分割出视盘区域，得到视盘图像。

进一步，所述步骤S1的具体步骤为：

S1.1：选取原眼底图像中最能反映光照情况的R通道分量图，进行ROI区域，得到ROI区域图像，提取公式为：

I_mask＝α_d(T_t(I_R))

t＝0.05*t_mmax

其中，α表示形态学腐蚀操作，T表示进行阈值分割，由于ROI区域外的最大亮度值与ROI区域内的最大亮度值存在5％的比值关系，因此选取最大亮度值t_max的5％，也就是0.05*t_max作为阈值，然后用圆形结构d元素进行腐蚀操作得到掩膜，I_R为原眼底图像的R通道分量图，I_mask为ROI区域图像；

S1.2、利用3*3的自适应中值滤波器对ROI区域图像进行去噪，即自适应中值滤波器根据预设好的条件，动态地改变中值滤波器的窗口尺寸，对ROI区域图像进行去噪；

S1.3、利用多尺度顶帽变换将去噪后的ROI区域图像的RGB三通道图像进行对比度增强，并将各通道增强后的结果进行合并，最终得到了对比度增强后的ROI区域图像I_en，即得到预处理后的眼底图像：

其中，γ与

分别表示数学形态学开操作和闭操作，S_i表示尺度为i的形态学结构元素，

表示形态学处理后得到的区域r中亮区域w中的最优亮区域，

表示形态学处理后得到的细节d中亮细节w中的最优亮细节，

表示形态学处理后得到的区域r中暗区域b中的最优亮区域，

表示形态学处理后得到的细节d中暗细节b中的最优暗细节，I_tn表示去噪后的ROI区域图像tn中的任一通道。

进一步，所述步骤S2的具体步骤为：

S2.1、将预处理后的眼底图像划分成多个10*10的区域，利用Grey-world算法对每个区域的三通道进行光源估计，光源估计公式为：

其中，f(x)为区域上x点的像素值，e为光源，k为增益系数，三通道的增益系数分别为：

S2.2、利用K-means聚类算法对每个区域的光源估计值进行聚类；

S2.3、通过Von-Kries模型，将聚类后的未知光源转换为标准光源，即得到颜色校正预后的眼底图像，转换公式如下：

I_c＝A_uI_en，

其中，I_en为预处理后的眼底图像，I_c为经对角模型转换后得到的标准光源c下的眼底图像，即颜色校正预后的眼底图像，对角模型即指Von-Kries模型，A_u为未知光源u的对角矩，R、G、B代表三通道分量。

进一步，所述步骤S3的具体步骤为：

S3.1、利用高斯匹配滤波器分割出预处理后的眼底图像的血管图；

S3.2、利用快速均值移位将颜色校正后的眼底图像进行超像素分割；

S3.3、基于血管图，利用血管网方向匹配滤波器得到视盘的中心点，查找该视盘中心所对应的超像素，即为视盘候选区域图像；

S3.4、将该视盘候选区域图像进行形态学处理，得到完整的视盘图像。

进一步，所述步骤S3.1的具体步骤为：

将预处理得到的图像中的血管设为多段平行区域的组合，设定长度为L，宽度为3σ，基于高斯匹配滤波器得到一个高斯曲线，高斯曲线用来模拟血管横切面上的灰度曲线，高斯匹配滤波器的公式如下：

设A代表邻域N里的像素点的数目，得到高斯匹配滤波器的平均响应为：

最终得到卷积掩膜为：

将卷积掩膜与预处理后得到眼底图像进行卷积，得到一个方向上的卷积结果，公式为：I_k(x，y)＝I_c(x，y)*K′_t(x，y)；

高斯匹配滤波器从0度到180度每15度旋转一次，得到12个方向上的高斯匹配滤波器，然后分别进行卷积，选取最大响应的一个卷积结果作为最终的响应输出，得到血管图，旋转第θ的旋转矩阵为：

其中，θ取值范围为1至12，代表旋转第几次。

进一步，所述步骤S3.2的具体步骤为：

S3.2.1：将颜色校正后的眼底图像的每一个像素(x，y)及其三通道像素值I_c(x，y)，I_c(x，y)即指

n∈{R，G，B}，作为5维的联合特征空间(x，y，I_c(x，y))，以标准差为σ的高斯函数为核函数，得到每一像素点的概率密度，概率密度公式为：

S3.2.2：比较各像素与邻域中像素的概率密度，当P(x_ma，y_ma，I_c(x_ma，y_ma))＞P(x，y，I_c(x，y))时，(x_ma，y_ma)表示概率密度大于邻域中其它像素的概率密度的像素，把像素(x，y)和(x_ma，y_ma)进行标记，将(x_ma，y_ma)作为父层超像素，形成树的分枝；

S3.2.3：若各像素的概率密度与邻域中像素的概率密度都已比较，将像素依概率密度大小构建成“树”，并保存各层超像素的信息，否则转到步骤S3.2.2；

S3.2.4：基于得到的跟邻域数量相同的“树”，计算各树中“树”节点的距离，计算公式为：

其中，每棵“树”由“树”的下层节点开始，将“树”节点的距离与阈值τ进行比较，若超过给定阈值τ，对距离对应的分枝进行标记，形成子树——“局部模态”，否则将小于或等于阈值τ的分枝，合并到局部模态中，不断地由下层向上层计算，得到属于同一模态的点构成的一个超像素，超像素即为视盘候选区域图像。

进一步，所述步骤S3.3的具体步骤为：

S3.3.1、基于血管图，根据血管相互连通成树状结构并汇集于单一的视盘区域的特点，使用加权后的血管网方向匹配滤波器来得到视盘的中心点，血管网方向匹配滤波器为9*9的模板，具体为：

对血管网方向匹配滤波器进行加权的权值模板为：

将血管网方向匹配滤波器模板与权值模板相乘，即得到加权后的血管网方向匹配滤波器。

S3.3.2、查找视盘的中心点所对应的超像素，即为视盘候选区域图像。

进一步，所述步骤S3.4的具体步骤为：

S3.4.1、选取视盘候选区域图像I_cd中视盘最完整的R分量通道图像

进行形态学膨胀

其中β表示形态学膨胀操作，d表示圆形结构元素；

S3.4.2、将R分量通道图I_R去除膨胀后的视盘候选区域I_β后作为标记图像，以R分量通道图像I_R作为掩膜，进行形态学重建：

将R分量通道图像I_R减去形态学重建后的图像I′_β，即可得到完整的视盘图像：I_op＝I_R-I′_β。

本发明同现有技术相比，其有益效果表现在：

1、本发明通过利用眼底图像中的血管汇聚于视盘这一特性，使用血管网方向匹配滤波器来得到视盘的中心点，能够有效地提高视盘定位的准确率，针对HEI_MED数据集中的眼底图像进行视盘定位，在169张图中，共有151张图片准确定位，准确率为89.34％；而采用Toeplitz矩阵模板，定位准确率为85.2％(144/169)。

2、本发明通过快速均值移位的方法，求出眼底图像上各像素点的概率密度，采用概率密度局部最大值作为聚类中心，对每个像素点根据其聚类中心进行标记得到对应的分割，从而得到便于后续处理的超像素，能够有效地提高视盘分割的准确率。

3、本发明的方法计算简便，速度快，具有更高的实时性。

附图说明

图1是本发明的方法流程图。

图2是本发明实施例的原眼底图像。

图3是本发明实施例的预处理后的眼底图像。

图4是本发明实施例的快速均值移位后的超像素图像。

图5是本发明实施例提取的血管图。

图6是本发明实施例的视盘定位图像。

图7是本发明实施例分割的完整视盘图像。

具体实施方式

下面将结合附图及具体实施方式对本发明作进一步的描述。

一种基于快速均值移位的眼底图像视盘分割方法，包括如下步骤：

S1：输入原眼底图像，进行预处理，其中，原眼底图像为待分析眼底图像；具体步骤为：

S1.1：选取原眼底图像中最能反映光照情况的R通道分量图，进行ROI区域，得到ROI区域图像，提取公式为：

I_mask＝α_d(T_t(I_R))

t＝0.05*t_max

其中，α表示形态学腐蚀操作，T表示进行阈值分割，由于ROI区域外的最大亮度值与ROI区域内的最大亮度值存在5％的比值关系，因此选取最大亮度值t_max的5％，也就是0.05*t_max作为阈值，然后用圆形结构d元素进行腐蚀操作得到掩膜，I_R为原眼底图像的R通道分量图，I_mask为ROI区域图像；

S1.2、利用3*3的自适应中值滤波器对ROI区域图像进行去噪，即自适应中值滤波器根据预设好的条件，动态地改变中值滤波器的窗口尺寸，对ROI区域图像进行去噪；

S1.3、利用多尺度顶帽变换将去噪后的ROI区域图像的RGB三通道图像进行对比度增强，并将各通道增强后的结果进行合并，最终得到了对比度增强后的ROI区域图像I_en，即得到预处理后的眼底图像：

其中，γ与

分别表示数学形态学开操作和闭操作，S_i表示尺度为i的形态学结构元素，

表示形态学处理后得到的区域r中亮区域w中的最优亮区域，

表示形态学处理后得到的细节d中亮细节w中的最优亮细节，

表示形态学处理后得到的区域r中暗区域b中的最优亮区域，

表示形态学处理后得到的细节d中暗细节b中的最优暗细节，I_tn表示去噪后的ROI区域图像tn中的任一通道。

S2：利用多光源颜色恒常性算法，对预处理后的原眼底图像进行颜色校正；具体步骤为：

S2.1、将预处理后的眼底图像划分成多个10*10的区域，利用Grey-world算法对每个区域的三通道进行光源估计，光源估计公式为：

其中，f(x)为区域上x点的像素值，e为光源，k为增益系数，三通道的增益系数分别为：

S2.2、利用K-means聚类算法对每个区域的光源估计值进行聚类；

S2.3、通过Von-Kries模型，将聚类后的未知光源转换为标准光源，即得到颜色校正预后的眼底图像，转换公式如下：

I_c＝A_uI_en，

其中，I_en为预处理后的眼底图像，I_c为经对角模型转换后得到的标准光源c下的眼底图像，即颜色校正预后的眼底图像，对角模型即指Von-Kries模型，A_u为未知光源u的对角矩，R、G、B代表三通道分量。

S3：结合颜色校正后的眼底图像中的血管信息进行视盘定位，再基于颜色校正后的眼底图像，利用快速均值移位分割出视盘区域，得到视盘图像。具体步骤为：

S3.1、利用高斯匹配滤波器分割出预处理后的眼底图像的血管图；具体步骤为：

将预处理得到的图像中的血管设为多段平行区域的组合，设定长度为L，宽度为3σ，基于高斯匹配滤波器得到一个高斯曲线，高斯曲线用来模拟血管横切面上的灰度曲线，高斯匹配滤波器的公式如下：

设A代表邻域N里的像素点的数目，得到高斯匹配滤波器的平均响应为：

最终得到卷积掩膜为：

将卷积掩膜与预处理后得到眼底图像进行卷积，得到一个方向上的卷积结果，公式为：I_k(x，y)＝I_c(x，y)*K′_t(x，y)；

高斯匹配滤波器从0度到180度每15度旋转一次，得到12个方向上的高斯匹配滤波器，然后分别进行卷积，选取最大响应的一个卷积结果作为最终的响应输出，得到血管图，旋转第θ的旋转矩阵为：

其中，θ取值范围为1至12，代表旋转第几次。

S3.2、利用快速均值移位将颜色校正后的眼底图像进行超像素分割；具体步骤为：

S3.2.1：将颜色校正后的眼底图像的每一个像素(x，y)及其三通道像素值I_c(x，y)，I_c(x，y)即指

n∈{R，G，B}，作为5维的联合特征空间(x，y，I_c(x，y))，以标准差为σ的高斯函数为核函数，得到每一像素点的概率密度，概率密度公式为：

S3.2.2：比较各像素与邻域中像素的概率密度，当P(x_ma，y_ma，I_c(x_ma，y_ma))＞P(x，y，I_c(x，y))时，(x_ma，y_ma)表示概率密度大于邻域中其它像素的概率密度的像素，把像素(x，y)和(x_ma，y_ma)进行标记，将(x_ma，y_ma)作为父层超像素，形成树的分枝；

S3.2.3：若各像素的概率密度与邻域中像素的概率密度都已比较，将像素依概率密度大小构建成“树”，并保存各层超像素的信息，否则转到步骤S3.2.2；

S3.2.4：基于得到的跟邻域数量相同的“树”，计算各树中“树”节点的距离，计算公式为：

其中，每棵“树”由“树”的下层节点开始，将“树”节点的距离与阈值τ进行比较，若超过给定阈值τ，对距离对应的分枝进行标记，形成子树——“局部模态”，否则将小于或等于阈值τ的分枝，合并到局部模态中，不断地由下层向上层计算，得到属于同一模态的点构成的一个超像素，超像素即为视盘候选区域图像。

S3.3、基于血管图，利用血管网方向匹配滤波器得到视盘的中心点，查找该视盘中心所对应的超像素，即为视盘候选区域图像；具体步骤为：

S3.3.1、基于血管图，根据血管相互连通成树状结构并汇集于单一的视盘区域的特点，使用加权后的血管网方向匹配滤波器来得到视盘的中心点，血管网方向匹配滤波器为9*9的模板，具体为：

对血管网方向匹配滤波器进行加权的权值模板为：

将血管网方向匹配滤波器模板与权值模板相乘，即得到加权后的血管网方向匹配滤波器。

S3.3.2、查找视盘的中心点所对应的超像素，即为视盘候选区域图像。

S3.4、将该视盘候选区域图像进行形态学处理，得到完整的视盘图像。具体步骤为：

S3.4.1、选取视盘候选区域图像

中视盘最完整的R分量通道图像

进行形态学膨胀

其中β表示形态学膨胀操作，d表示圆形结构元素；

S3.4.2、将R分量通道图I_R去除膨胀后的视盘候选区域I_β后作为标记图像，以R分量通道图像I_R作为掩膜，进行形态学重建：

将R分量通道图像I_R减去形态学重建后的图像I′_β，即可得到完整的视盘图像：I_op＝I_R-I′_β。

实施例

在网上下载公开的眼底图像数据集HEI_MED，选取其中的编号为37的图片(原眼底图像)进行视盘分割，如图2所示。输入该原眼底图像，进行预处理，如图3所示。利用多光源颜色恒常性算法，对预处理后的原眼底图像进行颜色校正。再基于颜色校正后的眼底图像，利用快速均值移位划分出超像素，如图4所示。利用高斯匹配滤波得到颜色校正后的眼底图像的血管图，如图5所示。结合得到的血管信息进行视盘定位，如图6所示。

选取视盘候选区域图像中视盘最完整的R分量通道图像，利用大小为7的圆形结构元素进行形态学膨胀。原眼底图像的R分量通道图去除膨胀后的视盘候选区域后作为标记图像，以原眼底图像的R分量通道图像作为掩膜，进行形态学重建，将R分量通道图像减去形态学重建后的图像，即可得到如图7所示的完整的视盘图像。

以上仅是本发明众多具体应用范围中的代表性实施例，对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案，均落在本发明权利保护范围之内。

Claims (5)

1.一种基于快速均值移位的眼底图像视盘分割方法，其特征在于，包括如下步骤：

S1：输入原眼底图像，进行预处理，其中，原眼底图像为待分析眼底图像；

S2：利用多光源颜色恒常性算法，对预处理后的原眼底图像进行颜色校正；

S3：结合颜色校正后的眼底图像中的血管信息进行视盘定位，再基于颜色校正后的眼底图像，利用快速均值移位分割出视盘区域，得到视盘图像；

所述步骤S1的具体步骤为：

S1.1：选取原眼底图像中最能反映光照情况的R通道分量图，进行ROI区域，得到ROI区域图像，提取公式为：

I_mask＝α_d(T_t(I_R))

t＝0.05*t_max

其中，α表示形态学腐蚀操作，T表示进行阈值分割，由于ROI区域外的最大亮度值与ROI区域内的最大亮度值存在5％的比值关系，因此选取最大亮度值t_max的5％，也就是0.05*t_max作为阈值，然后用圆形结构d元素进行腐蚀操作得到掩膜，I_R为原眼底图像的R通道分量图，I_mask为ROI区域图像；

S1.2、利用3*3的自适应中值滤波器对ROI区域图像进行去噪，即自适应中值滤波器根据预设好的条件，动态地改变中值滤波器的窗口尺寸，对ROI区域图像进行去噪；

S1.3、利用多尺度顶帽变换将去噪后的ROI区域图像的RGB三通道图像进行对比度增强，并将各通道增强后的结果进行合并，最终得到了对比度增强后的ROI区域图像I_en，即得到预处理后的眼底图像：

其中，γ与

分别表示数学形态学开操作和闭操作，S_i表示尺度为i的形态学结构元素，

表示形态学处理后得到的区域r中亮区域w中的最优亮区域，

表示形态学处理后得到的细节d中亮细节w中的最优亮细节，

表示形态学处理后得到的区域r中暗区域b中的最优亮区域，

表示形态学处理后得到的细节d中暗细节b中的最优暗细节，I_tn表示去噪后的ROI区域图像tn中的任一通道；

所述步骤S2的具体步骤为：

S2.1、将预处理后的眼底图像划分成多个10*10的区域，利用Grey-world算法对每个区域的三通道进行光源估计，光源估计公式为：

其中，f(x)为区域上x点的像素值，e为光源，k为增益系数，三通道的增益系数分别为：

S2.2、利用K-means聚类算法对每个区域的光源估计值进行聚类；

S2.3、通过Von-Kries模型，将聚类后的未知光源转换为标准光源，即得到颜色校正预后的眼底图像，转换公式如下：

I_c＝A_uI_en，

其中，I_en为预处理后的眼底图像，I_c为经对角模型转换后得到的标准光源c下的眼底图像，即颜色校正预后的眼底图像，对角模型即指Von-Kries模型，A_u为未知光源u的对角矩，R、G、B代表三通道分量；

所述步骤S3的具体步骤为：

S3.1、利用高斯匹配滤波器分割出预处理后的眼底图像的血管图；

S3.2、利用快速均值移位将颜色校正后的眼底图像进行超像素分割；

S3.3、基于血管图，利用血管网方向匹配滤波器得到视盘的中心点，查找该视盘中心所对应的超像素，即为视盘候选区域图像；

S3.4、将该视盘候选区域图像进行形态学处理，得到完整的视盘图像。

2.根据权利要求1所述的一种基于快速均值移位的眼底图像视盘分割方法，其特征在于，所述步骤S3.1的具体步骤为：

将预处理得到的图像中的血管设为多段平行区域的组合，设定长度为L，宽度为3σ，基于高斯匹配滤波器得到一个高斯曲线，高斯曲线用来模拟血管横切面上的灰度曲线，高斯匹配滤波器的公式如下：

设A代表邻域N里的像素点的数目，得到高斯匹配滤波器的平均响应为：

最终得到卷积掩膜为：

将卷积掩膜与预处理后得到眼底图像进行卷积，得到一个方向上的卷积结果，公式为：I_k(x,y)＝I_c(x,y)*K′_t(x,y)；

高斯匹配滤波器从0度到180度每15度旋转一次，得到12个方向上的高斯匹配滤波器，然后分别进行卷积，选取最大响应的一个卷积结果作为最终的响应输出，得到血管图，旋转第θ的旋转矩阵为：

其中，θ取值范围为1至12，代表旋转第几次。

3.根据权利要求2所述的一种基于快速均值移位的眼底图像视盘分割方法，其特征在于，所述步骤S3.2的具体步骤为：

S3.2.1：将颜色校正后的眼底图像的每一个像素(x,y)及其三通道像素值I_c(x,y)，I_c(x,y)即指

作为5维的联合特征空间(x,y,I_c(x,y))，以标准差为σ的高斯函数为核函数，得到每一像素点的概率密度，概率密度公式为：

S3.2.2：比较各像素与邻域中像素的概率密度，当P(x_ma,y_ma,I_c(x_ma,y_ma))＞P(x,y,I_c(x,y))时，(x_ma,y_ma)表示概率密度大于邻域中其它像素的概率密度的像素，把像素(x,y)和(x_ma,y_ma)进行标记，将(x_ma,y_ma)作为父层超像素，形成树的分枝；

S3.2.3：若各像素的概率密度与邻域中像素的概率密度都已比较，将像素依概率密度大小构建成“树”，并保存各层超像素的信息，否则转到步骤S3.2.2；

S3.2.4：基于得到的跟邻域数量相同的“树”，计算各树中“树”节点的距离，计算公式为：

其中，每棵“树”由“树”的下层节点开始，将“树”节点的距离与阈值τ进行比较，若超过给定阈值τ，对距离对应的分枝进行标记，形成子树——“局部模态”，否则将小于或等于阈值τ的分枝，合并到局部模态中，不断地由下层向上层计算，得到属于同一模态的点构成的一个超像素，超像素即为视盘候选区域图像。

4.根据权利要求3所述的一种基于快速均值移位的眼底图像视盘分割方法，其特征在于，所述步骤S3.3的具体步骤为：

S3.3.1、基于血管图，根据血管相互连通成树状结构并汇集于单一的视盘区域的特点，使用加权后的血管网方向匹配滤波器来得到视盘的中心点，血管网方向匹配滤波器为9*9的模板，具体为：

对血管网方向匹配滤波器进行加权的权值模板为：

将血管网方向匹配滤波器模板与权值模板相乘，即得到加权后的血管网方向匹配滤波器；

S3.3.2、查找视盘的中心点所对应的超像素，即为视盘候选区域图像。

5.根据权利要求3所述的一种基于快速均值移位的眼底图像视盘分割方法，其特征在于，所述步骤S3.4的具体步骤为：

S3.4.1、选取视盘候选区域图像I_cd中视盘最完整的R分量通道图像

进行形态学膨胀

其中β表示形态学膨胀操作，d表示圆形结构元素；

S3.4.2、将R分量通道图I_R去除膨胀后的视盘候选区域I_β后作为标记图像，以R分量通道图像I_R作为掩膜，进行形态学重建：

将R分量通道图像I_R减去形态学重建后的图像I'_β，即可得到完整的视盘图像：I_op＝I_R-I'_β。

Images