CN110363739A - 基于背景估计和相位一致性的眼底图像硬性渗出物检测法 - Google Patents

Abstract

本发明涉及一种基于背景估计和相位一致性的眼底图像硬性渗出物检测法，该方法首先通过背景估计得到包含亮目标的前景图，其次利用基于Kirsch算子和形态学重建的边缘信息确定硬性渗出物候选区域，再移除视盘，然后对候选区域进行形状特征、直方图统计特征以及相位特征的提取，最终采用SVM对候选区域进行分类完成硬性渗出物的精确提取。本发明除了选用常用的形状特征、直方图统计特征外，还增加了具有亮度和对比度不变性且抗噪性能好的相位一致性特征，对于具有不同程度病变、亮度和对比度各异的眼底图像，都能有效筛除伪目标，准确检测出硬性渗出物。

Description

基于背景估计和相位一致性的眼底图像硬性渗出物检测法

技术领域

本发明涉及一种基于背景估计和相位一致性的眼底图像硬性渗出物检测方法，该方法对于不同图像质量的眼底图像均可准确地检测出硬性渗出物，属于图像处理技术领域，可应用于医学诊断。

背景技术

医学图像处理与分析一直都是图像处理与分析领域中研究的重点和热点问题。借助图形图像技术的有力手段，医学图像的质量和显示方法得到了极大的改善，使得诊疗水平大大提高。图像处理技术引入眼科已多年，通过眼底图像的计算分析，对视盘、视网膜血管、微动脉瘤以及黄斑中央凹等重要眼底组织进行定量测量，在正常和异常之间做出明确鉴别，能及早、准确地发现各种眼部病变和全身性疾病，如糖尿病、高血压、动脉硬化等。

随着人们生活水平的提高，人口老龄化以及肥胖率的增加，糖尿病(DiabetesMellitus，DM)的发病率呈逐年上升趋势。糖尿病视网膜病变(Diabetic Retinopathy，DR)是糖尿病的严重并发症之一，也是引起视觉障碍和失明的主要原因之一。因此开展糖尿病视网膜病变的筛查可以显著提高视网膜病变的检出率，预防其可能造成的不可逆的视觉损害，进而对糖尿病进行早期干预。硬性渗出物(Hard Exudates，HE)是糖尿病视网膜病变最重要的早期病症之一，是糖尿病性黄斑水肿等致盲眼病的重要讯号，因此对HE进行有效的检测对于视网膜病变的预防和及时治疗具有重要的临床意义。

视网膜数字摄影技术已经成熟，但对视网膜病变的诊断仍然依赖于人工分析，专业人员一般都只通过人的视觉来观察这些眼底图片，诊断视网膜病变必然会带来一些问题和不便，例如阅片师的个人主观认识和经验的缺乏可能会导致误诊，而且有些病症单凭人眼难以发觉。眼底图像的智能诊断系统可以综合众多医生的经验做出合理的诊断，并能在人机交互的过程中不断地更新和改进，它可以更客观、全方位的提取某些人眼难以察觉到的病症，从而使诊断的结果更加精确、可靠。目前对HE自动检测的方法主要分为三大类：基于形态学的检测方法、基于聚类的检测方法、机器学习的方法，基于数学形态学方法仅根据HE的亮度灰度信息，忽视了渗出物的其它特征，因而对噪声十分敏感、鲁棒性较差。聚类算法通常对噪声比较敏感，类中心的位置和特性未知、需进行初始假设。基于机器学习的检测方法，检测结果依赖于特征的选取以及训练样本的全面性，否则会造成高的漏检和误检率。

发明内容

本发明的目的是克服上述现有技术的不足，首先通过合理估计背景，得到眼底图像中的所有亮目标，再结合基于Kirsch算子的边缘信息去除不具有清晰边缘的伪目标，移除视盘后得到HE候选区，规避了形态学方法对噪声敏感、鲁棒性差，聚类分析依赖于初始假设、计算复杂度高等不足；HE的精确提取采用基于分类器的方法，在特征提取阶段，除了选用常用的形状特征、直方图统计特征外，还增加了具有亮度和对比度不变性且抗噪性能好的相位一致性特征，最后利用SVM分类器，进行伪目标的去除，完成HE的精确提取。为此，本发明采用如下的技术方案。

一种一种基于背景估计和相位一致性特征的眼底图像硬性渗出物检测方法，包括下列步骤：

1、获取一幅彩色眼底图像，采用背景估计方法得到含有亮目标的前景图；

2、对处理后的眼底图像，基于Kirsch算子和形态学重建计算图像边缘强度，通过设定阈值筛选出边缘较清晰的眼底图像亮目标，去除视盘后得到HE候选区；

3、通过提取HE候选区域的相位一致性特征、纹理特征和形状特征用于区别与真HE极其相似的清晰棉絮斑、未吸收的激光斑及严重的黄斑反射等非HE，设计SVM分类器完成HE精确提取，从而检测出硬性渗出物。

本发明具有如下的技术效果：

1、算法简单。本方法在保证灵敏度较高的前提下，达到了阳性预测值最优的效果，证明了本文算法的优越性，且在图像级保证了各参数的高水准，表明该方法同样也适用于病变的普查。

2、准确性高。对于对比度低、图像质量较差的眼底图像可准确地检测出眼底硬性渗出物，对于区分正常眼底和病变眼底具有良好的效果。

附图说明

图1：本发明的方法流程图。

图2：原始眼底图像灰度图。

图3：背景估计流程图。

图4：背景估计结果。

图5：将亮目标从G通道图中移除后的图

图6：Kirsch边缘差值图。

图7：HE候选目标二值图。

图8：HE候选区域(黄绿色部分)。

图9：HE检测结果图。

具体实施方式

本发明的流程图如图1所示，该方法首先采用背景估计、灰度处理计算目标边缘强度；其次结合阈值分割得到HE候选区，然后根据视盘特征进行移除；最后通过特征提取和SVM分类，精确筛选出HE。下面结合附图，对本发明技术方案的具体实施过程加以说明。

1.彩色眼底图像预处理与候选区提取

1.1首先取一幅待检测原始图像的灰度图(如图2)。

1.2在保持原图长宽比不变的情况下统一将图像高度调整为750个像素，以提高算法效率。为了提取眼底前景结构，需要通过背景估计，图3所示为背景估计流程图，图4所示为背景估计结果。背景估计目的在于将其与原灰度图比较，提取眼底图像前景结构。

1.3相比其它假阳性亮目标，HE具有清晰的边缘，因此利用边缘强度信息去除边缘模糊的假阳性病灶。眼底图像在RGB空间的G通道表现出更清晰的结构特征，渗出物的边缘特性表现也更为明显，因此利用G通道图像I_g来计算边缘强度。这里边缘提取采用Kirsch算子。

I_g的Kirsch边缘图为I_kirsch。为了得到候选区的边缘，需求取绿色通道图中背景区域的边缘，首先将绿色通道图I_g中对应I_cand非零元素位置的像素置零，得到I_bge，如式(1)，所有的亮目标即从I_g中移除，如图5所示；然后，以I_g为掩膜图像对I_bge进行形态学重建强调背景，再利用Kirsch算子计算其边缘为I_0kirsch，即为背景区域的边缘。I_kirsch与I_0kirsch相减得到边缘差值图I_cankirsch，即为亮目标的Kirsch边缘图，如图6所示。

定义I_cand中每个候选目标θ_i的边缘强度δ为：

1.4为了得到更为准确的HE候选区域，需要对δ进行阈值化，经实验，取T＝2，即边缘强度大于2时能保证在HE无漏检的情况下包含尽量少的伪目标，结果如图7

1.5采用基于眼底主血管提取的视盘定位与分割方法，将颜色和亮度特征与渗出物非常相似的视盘移除。如图8所示为得到的HE最终候选区域。

2.基于特征提取和SVM分类的HE精确提取

通过提取HE候选区域的相位特征、纹理特征和形状特征用于区别与真HE极其相似的清晰棉絮斑、未吸收的激光斑及严重的黄斑反射等非HE，设计SVM分类器完成HE精确提取。

2.1形状特征提取：对于容易误检为HE的激光斑，最主要的特点是形状较为规则，呈近似圆形，因此采用离心率和致密性作为特征来区分HE和激光斑。

离心率：区域长轴与短轴之比；

致密性：周长的平方与面积之比。

2.2直方图统计特征：HE的像素灰度级分布比较集中，而极易误检的棉絮斑都呈现亮度从中间向周围渐变的特性，直方图正是描述图像中像素灰度级分布的有力工具，因此可以采用直方图统计特征作为区分HE与棉絮斑的纹理特征。

图像的灰度直方图表达式为：

h(k)＝n_k/N(k＝0，1，2，…，L-1)

其中k为表示图像灰度等级的变量；N为灰度图像总像素数；n_k为每个灰度等级的像素数；L为可区分的灰度等级数量。

直方图统计特征如下：

方差：均值m的二阶矩u₂。均值m的n阶矩定义为

其中均值m定义为

平滑度：反映图像纹理深浅程度，区域灰度值变化范围越大(方差越大)，R越大，

三阶矩：直方图偏斜度度量，u₃＞0，直方图向右偏斜，u₃＜0，直方图向左偏斜；

一致性：表征区域像素灰度值的相近程度。当图像某区域像素灰度值相等时，U最大，像素差异度变大时，U减小，

熵：随机性度量，反映纹理的粗糙程度，随机性越大，e越大，

这里提取的渗出物候选区域特征分别为该区域灰度直方图的方差u₂、平滑度R、三阶矩(直方图偏斜度度量)u₃、一致性度量U和熵e。

2.3以上提取的特征主要基于幅度值的变化，由于幅度对光照变化非常敏感，提取的特征不稳定，因而仅仅基于幅度特征进行的分类识别效果不理想。而相位信息对亮度和对比度具有不变性，抗噪性能好，且符合人类视觉感知特性。

相位一致性是将傅里叶分量相位最一致的点作为特征点，Morrone和Owens定义了相位一致性函数

要将相位一致性应用到眼底图像渗出物的检测中，需要将相位一致性的表达式扩展到二维。采用的方法为：在图像的每一点计算能量E(x)，在每个方向上补偿噪声；然后在所有方向上求和；最后将能量和归一化(除以该点单个滤波器的所有方向和尺度的幅度和)。这样得到的二维相位一致性公式为

其中E为局部能量；o表示方向；n表示小波函数的尺度；ε为小的正数，防止该式分母为零；PC(x，y)表示在点(x，y)的相位一致性；T为所有尺度上滤波器对噪声的响应，为了平衡结果的准确性和算法的复杂度，综合考虑后，本算法o取8，n取3，ε取0.0001。

结合HE候选区的形状特征、直方图统计特征及相位特征，最终形成一个12维的特征向量，以便进一步利用分类器有效区分HE和非HE。

2.4根据特征提取得到的特征向量，需要将渗出物候选区域分为HE和非HE两类，这里采用二类SVM分类模型。经比较，本方法SVM分类器选择径向基核函数，并采用交叉验证的方法选取最优参数。实验中选用包括510个(345个训练，165个验证)渗出物候选区域进行模型的训练与验证。用该模型测试其他含有HE候选目标的眼底图像，完成HE的精确提取，结果如图9。

本发明所采用的基于背景估计和相位一致性特征的方法，实现了眼底图像硬性渗出物的自动检测，充分利用了相位一致性对亮度、对比度变化不敏感等优势，能够完整地、准确地检测出彩色眼底图像中的硬性渗出物。

Claims (4)

1.一种基于背景估计和相位一致性的眼底图像硬性渗出物检测法，包括下列步骤：

步骤1：获取一幅彩色眼底图像，采用背景估计方法得到含有亮目标的前景图；

步骤2：对处理后的眼底图像，基于Kirsch算子和形态学重建计算图像边缘强度，通过设定阈值筛选出边缘较清晰的眼底图像亮目标，去除视盘后得到HE候选区；

步骤3：通过提取HE候选区域的相位一致性特征、纹理特征和形状特征用于区别与真HE极其相似的清晰棉絮斑、未吸收的激光斑及严重的黄斑反射等非HE，设计SVM分类器完成HE精确提取，从而检测出硬性渗出物。

2.根据权利要求1所述的眼底图像硬性渗出物检测方法，其特征在于步骤2中基于Kirsch算子和形态学重建计算图像边缘强度：彩色眼底图像的绿色通道分量图I_g的Kirsch边缘图为I_kirsch，为了得到候选区的边缘，需求取绿色通道图中背景区域的边缘，首先将绿色通道图I_g中对应候选目标I_cand非零元素位置的像素置零，得到I_bge，所有的亮目标即从I_g中移除；然后，以I_g为掩膜图像对I_bge进行形态学重建强调背景，再利用Kirsch算子计算其边缘为I_0kirsch，即为背景区域的边缘；I_kirsch与I_0kirsch相减得到边缘差值图I_cankirsch，即亮目标的Kirsch边缘图，定义I_cand中每个候选目标θ_i的边缘强度δ为：

3.根据权利要求1所述的眼底图像硬性渗出物检测方法，其特征在于步骤3中，分类前，对硬性渗出物候选区提取其直方图统计特征：

图像的灰度直方图表达式为：

h(k)＝n_k/N(k＝0，1，2，…，L-1)

其中k为表示图像灰度等级的变量；N为灰度图像总像素数；n_k为每个灰度等级的像素数；L为可区分的灰度等级数量；

直方图统计特征如下：

(1)方差：均值m的二阶矩u₂。均值m的n阶矩定义为

其中均值m定义为

(2)平滑度：反映图像纹理深浅程度，区域灰度值变化范围越大(方差越大)，R越大，

R＝1-[1+u₂/(L-1)²]^-1

(3)三阶矩：直方图偏斜度度量，u₃＞0，直方图向右偏斜，u₃＜0，直方图向左偏斜；

(4)一致性：表征区域像素灰度值的相近程度。当图像某区域像素灰度值相等时，U最大，像素差异度变大时，U减小，

(5)熵：随机性度量，反映纹理的粗糙程度，随机性越大，e越大

4.根据权利要求1所述的眼底图像硬性渗出物检测方法，其特征在于步骤3中，分类前，对硬性渗出物候选区提取其相位一致性特征

二维相位一致性公式为

其中E为局部能量；o表示方向；n表示小波函数的尺度；ε为小的正数，防止该式分母为零；PC(x，y)表示在点(x，y)的相位一致性；T为所有尺度上滤波器对噪声的响应，为了平衡结果的准确性和算法的复杂度，综合考虑后，本算法o取8，n取3，ε取0.0001。