CN113658207B - 一种基于引导滤波的视网膜血管分割方法及装置 - Google Patents
一种基于引导滤波的视网膜血管分割方法及装置 Download PDFInfo
- Publication number
- CN113658207B CN113658207B CN202110959494.6A CN202110959494A CN113658207B CN 113658207 B CN113658207 B CN 113658207B CN 202110959494 A CN202110959494 A CN 202110959494A CN 113658207 B CN113658207 B CN 113658207B
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- vessel segmentation
- retinal
- pixel point
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于引导滤波的视网膜血管分割方法及装置。本发明所述的一种基于引导滤波的视网膜血管分割方法包括:对彩色眼底图像进行预处理增强对比度;对预处理后的图像进行相位一致性特征提取和多尺度线算子特征提取;以多尺度线算子的响应图作为引导图像,对相位一致性特征响应图进行引导滤波,得到滤波输出的特征响应图;对输出的特征响应图使用FCM聚类算法构建隶属度矩阵来进行聚类,得到两个聚类中心,根据像素样本点属于两个聚类中心的隶属度大小进行分类,得到视网膜血管分割图;对视网膜血管分割图进行去噪处理,得到最终视网膜血管分割结果图。本发明所述的一种基于引导滤波的视网膜血管分割方法提升了低对比度的小血管的检测能力。
Description
技术领域
本发明涉及视网膜眼底图像分割领域,特别是涉及一种基于引导滤波的视网膜血管分割方法及装置。
背景技术
眼底图像中的视网膜血管的形态学特性的变化能够为青光眼、老年黄斑病变等眼底疾病和糖尿病、心脑血管疾病等全身系统性疾病的诊断和筛查提供依据。传统的筛查工作量大,容易受医生主观因素的影响,难以实现上述疾病的大规模早期筛查。因此,构建基于眼底图像分析的计算机辅助系统在上述疾病的辅助诊断与筛查中有着重要的意义,而视网膜血管分割是构建该系统的关键环节。
现有的视网膜血管分割方法主要分为有监督方法和无监督方法。有监督方法需要眼科专家手工标记的视网膜血管图像训练分类器,来进行眼底图像像素的二分类,而无监督方法不需要有类别标签的训练集,节省了眼科专家对眼底图像进行手工标记的时间。
而在视网膜眼底分割过程中,血管的特征增强和表示在视网膜血管分割中至关重要,血管的特征表示直接影响后续的聚类、分类的结果,从而影响视网膜血管分割性能,其中细小血管的分割一直都是视网膜血管分割的难题。
发明内容
基于此,本发明的目的在于,提供一种基于引导滤波的视网膜血管分割方法及装置,以视网膜眼底图像的多尺度线算子特征作为引导图对相位一致性的响应图进行引导滤波,其滤波后的输出图像作为特征图,通过FCM聚类实现视网膜血管分割,在聚类分割后大尺度血管不会出现中空,低对比的细小分支血管也较好的保留,减少了噪声干扰,较好的提升了对血管分割的准确度以及细小血管的检测灵敏度。
第一方面,本发明提供一种基于引导滤波的视网膜血管分割方法,包括以下步骤:
对彩色眼底图像进行预处理增强对比度;
对预处理后的所述彩色眼底图像进行相位一致性特征提取,得到相位一致性的特征响应图;
对预处理后的所述彩色眼底图像进行多尺度线算子特征提取,得到多尺度线算子的特征响应图;
以所述多尺度线算子的响应图作为引导图像,对所述相位一致性特征响应图进行引导滤波,得到滤波输出的特征响应图;
对所述滤波输出的特征响应图使用FCM聚类算法构建隶属度矩阵来进行聚类,得到两个聚类中心,根据像素样本点属于两个聚类中心的隶属度大小进行分类,得到视网膜血管分割图;
使用基于区域连通性的面积阈值法,对所述视网膜血管分割图进行去噪处理,滤除面积小于第一阈值个像素的噪声,得到最终视网膜血管分割结果图。
进一步地,对预处理后的所述彩色眼底图像进行相位一致性特征提取,得到相位一致性的特征响应图,包括:
利用如下公式,根据预处理后图像中的每个像素点,得到相位一致性的特征响应图p对应的每个像素点p(x,y):
其中,(x,y)为像素点在预处理后图像中的位置,k和θ分别为滤波器的尺度和方向;Wθ为分布频率的权重因子,Tθ为噪声阈值,用来估计图像的噪声;Ak,θΔφk,θ(x,y)为局部能量,Ak,θ和Δφk,θ(x,y)为此处的幅值和相位差的余弦值;εp为常数,用于防止分母为零。
根据每个像素点,得到相位一致性的特征响应图p。
进一步地,εp为0.0001。
进一步地,对预处理后的所述彩色眼底图像进行多尺度线算子特征提取,得到多尺度线算子的特征响应图,包括:
使用多尺度线结构检测器,在预处理后的图像中使用一个15×15pixel的检测窗口N滑动,使用不同尺度以及不同方向的线检测器的来匹配呈线状结构的视网膜血管,计算预处理后的图像中任一像素点I对应的窗口平均灰度值和以I为中心点匹配的最优尺度以及最优走向的线检测器覆盖的像素点的平均灰度值/>
利用以下公式计算多尺度线算子的响应图R:
进一步地,以所述多尺度线算子的响应图作为引导图像,对所述相位一致性特征响应图进行引导滤波,得到滤波输出的特征响应图,包括:
利用以下公式引导滤波:
其中,qi为输出图像,是在以像素k为中心的窗口wk中引导图像R的局部线性变换得到;wk为大小为(2γ+1))x(2γ+1)的正方形窗口,ak和bk值为线性系数,通过线性回归最小化输出图像q和输入图像p的平方差求得;ε为正则化参数。
进一步地,根据像素样本点属于两个聚类中心的隶属度大小进行分类,包括:
按照特征值大的聚类中心对应血管类,特征值小的聚类中心对应背景类的分类规则,将眼底图像像素点分为背景点和血管点。
进一步地,使用基于区域连通性的面积阈值法,对所述视网膜血管分割图进行优化处理,包括:
确定所述视网膜血管分割图的连接部分;
计算每个所述连接部分的像素面积;
采用形态学操作移除面积小于第一阈值个像素的部分。
进一步地,所述第一阈值为25。
进一步地,对彩色眼底图像进行预处理增强对比度,包括:
提取出彩色眼底图的绿色图像通道;
对所述绿色图像通道采用对比度受限的直方图均衡处理,增强图像的对比度。
第二方面,本发明还提供一种基于引导滤波的视网膜血管分割装置,包括:
图像预处理模块,用于对彩色眼底图像进行预处理增强对比度;
相位一致性特征提取模块,用于对预处理后的所述彩色眼底图像进行相位一致性特征提取,得到相位一致性的特征响应图;
多尺度线算子特征提取模块,用于对预处理后的所述彩色眼底图像进行多尺度线算子特征提取,得到多尺度线算子的特征响应图;
引导滤波模块,用于以所述多尺度线算子的响应图作为引导图像,对所述相位一致性特征响应图进行引导滤波,得到滤波输出的特征响应图;
聚类模块,用于对所述滤波输出的特征响应图使用FCM聚类算法构建隶属度矩阵来进行聚类,得到两个聚类中心,根据像素样本点属于两个聚类中心的隶属度大小进行分类,得到视网膜血管分割图;
后处理模块,用于使用基于区域连通性的面积阈值法,对所述视网膜血管分割图进行去噪处理,滤除面积小于第一阈值个像素的噪声,得到最终视网膜血管分割结果图。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明提供的一种基于引导滤波的视网膜血管分割方法的流程示意图;
图2为本发明在一个实施例中提供的实验效果示意图;其中,(a)为原始彩色眼底图像的灰度化图像,(b)为从原始彩色眼底图像提取的绿色图像通道,(c)为对所述绿色图像通道采用对比度受限的直方图均衡处理得到的绿通道CLAHE图;
图3为本发明在一个实施例中提供的实验效果示意图;其中,(d)为相位一致性的特征响应图,(e)为多尺度线算子响应图,(f)为引导滤波后特征响应图;
图4为本发明在一个实施例中提供的实验效果示意图;其中,(g)为聚类分割图;(h)为后处理结果图;
图5为本发明提供的一种基于引导滤波的视网膜血管分割装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
针对背景技术中的问题,第一方面,本发明提供一种基于引导滤波的视网膜血管分割方法,如图1所示,该方法包括以下步骤:
S1:对彩色眼底图像进行预处理增强对比度。
彩色眼底图像是RGB图像,又称真彩色图像,图像上的每个像素颜色是由红、绿、蓝三色的亮度值决定。为了便于后续的计算处理,需要先对原始获得的彩色眼底图像进行去噪和增强等预处理。
如图2所示,在一个实施例中,(a)为原始彩色眼底图像的灰度化图像,(b)为从原始彩色眼底图像提取的绿色图像通道,(c)为对所述绿色图像通道采用对比度受限的直方图均衡处理得到的绿通道CLAHE图。经过预处理,原始彩色眼底图像得到去噪和对比度增强,便于后续的特征图提取。
在一个优选的实施例中,预处理包括:
S11:提取出彩色眼底图的绿色图像通道。
红、绿、蓝三色中,绿色通道上图像对比度最理想,血管轮廓与背景差异最为明显,噪声干扰也少,有利于血管分割,因此,本实施例中选择提取出彩色眼底图的绿色图像通道,以提高后续的图像分割精度。
S12:对所述绿色图像通道采用对比度受限的直方图均衡处理,增强图像的对比度。
自适应直方图均衡化(AHE)用来提升图像的对比度的一种计算机图像处理技术。和普通的直方图均衡算法不同,AHE算法通过计算图像的局部直方图,然后重新分布亮度来来改变图像对比度。因此,该算法更适合于改进图像的局部对比度以及获得更多的图像细节。
不过,AHE有过度放大图像中相同区域的噪音的问题,而限制对比度直方图均衡(CLAHE)算法,能有限的限制这种不利的放大。
与普通的自适应直方图均衡相比,CLAHE不同的地方主要是其对比度限幅。自适应直方图均衡化算法处理的局部领域,矩形领域小,局部对比度强,矩形领域大,局部对比度弱。如果矩形区域内的图像块信息比较平坦,灰度接近,其灰度直方图呈尖状,在直方图均衡的过程中就可能会出现过度放大噪声的情况。而由于对比度放大的程度与像素点的概率分布直方图的曲线斜度成比例,所以将大于一定阈值的部分平均分配到直方图的其他地方,通过限制像素点的概率分布直方图的斜率来一定程度的限制对比度来有效的限制噪声的放大。
S2:对预处理后的所述彩色眼底图像进行相位一致性特征提取,得到相位一致性的特征响应图。
如图3所示,其中,(d)为一个参考实施例中,对原始彩色眼底图像提取得到的相位一致性的特征响应图。
相位一致性是指在图像的频率域中,边缘相似的特征在同一阶段出现的频率较高。相位一致性的理论依据是人眼感知图像信息时主要靠的是图像信号的相位而非幅度。与基于灰度的边缘特征提取方法不同,该方法是通过计算图像的相位一致性来检测图像中的边缘,该方法可以不受图像局部光线明暗变化的影响,并能包含图像中的角、线、纹理等信息。尤其在图像边缘对比度比较低时保留边缘信息。
相位一致性利用图像相位信息检测血管边缘特征,能够有效避免图像亮度和低对比度对分割结果的影响,但直接求解相位一致性的值比较困难,因此在一个优选的实施例中,可以通过正比于相位一致性的局部能量求得,可表示为如下公式:
其中,(x,y)为像素点在预处理后图像中的位置,k和θ分别为滤波器的尺度和方向;Wθ是分布频率的权重因子,Tθ为噪声阈值,用来估计图像的噪声;局部能量使用Ak,θΔφk,θ(x,y)计算,Ak,θ和Δφk,θ(x,y)为此处的幅值和相位差的余弦值。εp为常数防止分母为零,本实施例中,εp为0.0001;
根据每个像素点,得到相位一致性的特征响应图p。
S3:对预处理后的所述彩色眼底图像进行多尺度线算子特征提取,得到多尺度线算子的特征响应图。
如图3所示,其中,(e)为一个参考实施例中,对原始彩色眼底图像提取得到的多尺度线算子响应图。
在一个优选的实施例中,多尺度线结构检测器是在预处理后的图像中使用一个15×15pixel的检测窗口N滑动,使用不同尺度以及不同方向的线检测器的来匹配呈线状结构的视网膜血管,计算预处理后的中任一像素点I对应的窗口平均灰度值和以I为中心点匹配的最优尺度以及最优走向的线检测器覆盖的像素点的平均灰度值/>输出则表示为R:
S4:以所述多尺度线算子的响应图作为引导图像,对所述相位一致性特征响应图进行引导滤波,得到滤波输出的特征响应图。
如图3所示,其中,(f)为一个参考实施例中,对原始彩色眼底图像处理得到的引导滤波后特征响应图。
在一个优选的实施例中,引导滤波的公式如下:
其中,qi为输出图像,输出图像qi是在以像素k为中心的窗口wk中引导图像R的局部线性变换。其中wk为大小为(2γ+1))x(2γ+1)的正方形窗口,ak和bk值为线性系数,可以通过线性回归最小化输出图像q和输入图像p的平方差求得。ε为正则化参数,防止ak过大。
S5:对所述滤波输出的特征响应图使用FCM聚类算法构建隶属度矩阵来进行聚类,得到两个聚类中心,根据像素样本点属于两个聚类中心的隶属度大小进行分类,得到视网膜血管分割图。
如图4所示,其中,(g)为一个参考实施例中,对原始彩色眼底图像处理得到的聚类分割图。
FCM算法,是一种基于目标函数的模糊聚类算法,主要用于数据的聚类分析。它给每个样本赋予属于每个簇的隶属度函数,通过隶属度值大小来将样本归类。
针对特征图的FCM聚类,即是通过对输入的特征响应图像素点进行聚类,不断地迭代优化使目标函数达到最小值的过程。得到最后的聚类中心后,根据隶属度大小将输入的像素点分成两种类别。
在一个优选的实施例中,FCM聚类算法的目标函数为:
约束项为:
其中U为隶属度矩阵,V为聚类中心,n为样本点数,c为聚类类别数,uij为像素点j对类别i的隶属度。dij为像素点j到类别i的欧氏距离。m为模糊系数。
根据目标函数和约束条件构造拉格朗日函数求目标函数最小值,得到U和V的最优解:
在一个具体的实施例中,FCM聚类算法的步骤方法包括:
1)设置最大迭代次数100、最小误差值ε=1e-5、聚类类别c=2,模糊系数m=2;
2)初始化隶属度矩阵;
3)利用上面V和U的公式计算每次迭代过程中的隶属度矩阵和聚类中心;
4)判断迭代停止条件,若目标函数值Jm(U,V)≤ε或迭代次数达到100,则停止;否则返回步骤3),获得最终的隶属度矩阵和聚类中心。
优选的,计算得到的两个聚类中心,特征值大的聚类中心对应着血管类,而特征值小的聚类中心对应着背景类,根据像素样本点属于两个聚类中心的隶属度大小进行分类,将像素样本点分为隶属度较大的聚类中心所属的类,从而将眼底图像像素点分为背景点和血管点,得到视网膜血管分割图。
经过FCM聚类算法分类后的视网膜血管分割图仍可能含有孤立的噪声,因此,在另一个优选的实施例中,本发明提供的一种基于引导滤波的视网膜血管分割方法还包括步骤:
S6:使用基于区域连通性的面积阈值法,对所述视网膜血管分割图进行去噪处理,滤除面积小于第一阈值个像素的噪声,得到最终视网膜血管分割结果图。
如图4所示,其中,(h)为一个参考实施例中,对原始彩色眼底图像处理得到的后处理结果图。
优选的,基于区域连通性的面积阈值法包括:
S61:确定所述视网膜血管分割图的连接部分;
S62:计算每个所述连接部分的像素面积;
S63:采用形态学操作移除面积小于25个像素的部分。
第二方面,本发明还提供一种基于引导滤波的视网膜血管分割装置,如图2所示,该装置包括:
图像预处理模块,用于对彩色眼底图像进行预处理增强对比度;
相位一致性特征提取模块,用于对预处理后的所述彩色眼底图像进行相位一致性特征提取,得到相位一致性的特征响应图;
多尺度线算子特征提取模块,用于对预处理后的所述彩色眼底图像进行多尺度线算子特征提取,得到多尺度线算子的特征响应图;
引导滤波模块,用于以所述多尺度线算子的响应图作为引导图像,对所述相位一致性特征响应图进行引导滤波,得到滤波输出的特征响应图;
聚类模块,用于对所述滤波输出的特征响应图使用FCM聚类算法构建隶属度矩阵来进行聚类,得到两个聚类中心,根据像素样本点属于两个聚类中心的隶属度大小进行分类,得到视网膜血管分割图;
后处理模块,用于使用基于区域连通性的面积阈值法,对所述视网膜血管分割图进行去噪处理,滤除面积小于第一阈值个像素的噪声,得到最终视网膜血管分割结果图。
优选的,相位一致性特征提取模块包括:
像素点计算单元,用于利用如下公式,根据预处理后图像中的每个像素点,得到相位一致性的特征响应图p对应的每个像素点p(x,y):
其中,(x,y)为像素点在预处理后图像中的位置,k和θ分别为滤波器的尺度和方向;Wθ为分布频率的权重因子,Tθ为噪声阈值,用来估计图像的噪声;Ak,θΔφk,θ(x,y)为局部能量,Ak,θ和Δφk,θ(x,y)为此处的幅值和相位差的余弦值;εp为常数,用于防止分母为零。
相位一致性的特征响应图获取单元,用于根据每个像素点,得到相位一致性的特征响应图p。
优选的,多尺度线算子特征提取模块包括:
灰度值计算单元,用于使用多尺度线结构检测器,在预处理后的图像中使用一个15×15pixel的检测窗口N滑动,使用不同尺度以及不同方向的线检测器的来匹配呈线状结构的视网膜血管,计算预处理后的图像中任一像素点I对应的窗口平均灰度值和以I为中心点匹配的最优尺度以及最优走向的线检测器覆盖的像素点的平均灰度值/>
多尺度线算子的响应图获取单元,用于利用以下公式计算多尺度线算子的响应图R:
优选的,引导滤波模块用于利用以下公式引导滤波:
其中,qi为输出图像,是在以像素k为中心的窗口wk中引导图像R的局部线性变换得到;wk为大小为(2γ+1))x(2γ+1)的正方形窗口,γ为引导滤波窗口半径,在一个优选的实施例中,设置γ=17。ak和bk值为线性系数,通过线性回归最小化输出图像q和输入图像p的平方差求得;ε为正则化参数。
ak和bk值为线性系数,通过线性回归最小化输出图像q和输入图像p的平方差求得;
优选的,聚类模块包括:
像素点分类单元,用于按照特征值大的聚类中心对应血管类,特征值小的聚类中心对应背景类的分类规则,将眼底图像像素点分为背景点和血管点。
优选的,后处理模块包括:
连接部分确定单元,用于确定所述视网膜血管分割图的连接部分;
像素面积计算单元,用于计算每个所述连接部分的像素面积;
像素移除单元,用于采用形态学操作移除面积小于第一阈值个像素的部分。
优选的,所述第一阈值为25。
优选的,图像预处理模块包括:
绿色图像通道提取单元,用于提取出彩色眼底图的绿色图像通道;
对比度增强单元,用于对所述绿色图像通道采用对比度受限的直方图均衡处理,增强图像的对比度。
本发明提供的一种基于引导滤波的视网膜血管分割方法及装置,采用相位一致性的响应来表示血管特征,相位一致性对光照变化不敏感且有很好的边缘增强性能,对低对比度的细小血管具有很好的特征增强;基于引导滤波的视网膜血管分割方法,充分考虑到血管的局部线性特性,采用多尺度线算子的响应图作为引导图像,对相位一致性的响应图进行引导滤波,其滤波输出图像增强了局部滤波窗口内血管的线结构特征,平滑了背景噪声,提升了细小血管的表征能力,改善了粗血管中间处的特征响应,有利于在特征空间聚类分割中更好的分辨开血管和背景的样本点去实现视网膜血管的分割;对引导滤波的输出图像,采用FCM聚类实现视网膜血管分割。
实验结果表明,本文方法在DRIVE数据库的平均准确率为94.34%,平均灵敏度为73.26%,平均特异性为97.78%,具有较好的血管分割性能,提升了低对比度的小血管的检测能力,且所分割的血管具有较好的连通性。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种基于引导滤波的视网膜血管分割方法,其特征在于,包括以下步骤:
对彩色眼底图像进行预处理增强对比度;
对预处理后的所述彩色眼底图像进行相位一致性特征提取,得到相位一致性的特征响应图;
对预处理后的所述彩色眼底图像进行多尺度线算子特征提取,得到多尺度线算子的特征响应图;
以所述多尺度线算子的响应图作为引导图像,对所述相位一致性特征响应图进行引导滤波,得到滤波输出的特征响应图;
对所述滤波输出的特征响应图使用FCM聚类算法构建隶属度矩阵来进行聚类,得到两个聚类中心,根据像素样本点属于两个聚类中心的隶属度大小进行分类,得到视网膜血管分割图;
使用基于区域连通性的面积阈值法,对所述视网膜血管分割图进行去噪处理,滤除面积小于第一阈值个像素的噪声,得到最终视网膜血管分割结果图;
其中,对预处理后的所述彩色眼底图像进行相位一致性特征提取,得到相位一致性的特征响应图,包括:
利用如下公式,根据预处理后图像中的每个像素点,得到相位一致性的特征响应图p对应的每个像素点p(x,y):
其中,(x,y)为像素点在预处理后图像中的位置,k和θ分别为滤波器的尺度和方向;Wθ为分布频率的权重因子,Tθ为噪声阈值,用来估计图像的噪声;Ak,θΔφk,θ(x,y)为局部能量,Ak,θ和Δφk,θ(x,y)为此处的幅值和相位差的余弦值;εp为常数,用于防止分母为零;
根据每个像素点,得到相位一致性的特征响应图p;
对预处理后的所述彩色眼底图像进行多尺度线算子特征提取,得到多尺度线算子的特征响应图,包括:
使用多尺度线结构检测器,在预处理后的图像中使用一个15×15pixel的检测窗口N滑动,使用不同尺度以及不同方向的线检测器的来匹配呈线状结构的视网膜血管,计算预处理后的图像中任一像素点I对应的窗口平均灰度值和以I为中心点匹配的最优尺度以及最优走向的线检测器覆盖的像素点的平均灰度值/>
利用以下公式计算多尺度线算子的响应图R:
2.根据权利要求1所述的一种基于引导滤波的视网膜血管分割方法,其特征在于:
εp为0.0001。
4.根据权利要求1所述的一种基于引导滤波的视网膜血管分割方法,其特征在于,根据像素样本点属于两个聚类中心的隶属度大小进行分类,包括:
按照特征值大的聚类中心对应血管类,特征值小的聚类中心对应背景类的分类规则,将眼底图像像素点分为背景点和血管点。
5.根据权利要求1所述的一种基于引导滤波的视网膜血管分割方法,其特征在于,使用基于区域连通性的面积阈值法,对所述视网膜血管分割图进行优化处理,包括:
确定所述视网膜血管分割图的连接部分;
计算每个所述连接部分的像素面积;
采用形态学操作移除面积小于第一阈值个像素的部分。
6.根据权利要求5所述的一种基于引导滤波的视网膜血管分割方法,其特征在于:
所述第一阈值为25。
7.根据权利要求1所述的一种基于引导滤波的视网膜血管分割方法,其特征在于,对彩色眼底图像进行预处理增强对比度,包括:
提取出彩色眼底图像的绿色图像通道;
对所述绿色图像通道采用对比度受限的直方图均衡处理,增强图像的对比度。
8.一种基于引导滤波的视网膜血管分割装置,其特征在于,包括:
图像预处理模块,用于对彩色眼底图像进行预处理增强对比度;
相位一致性特征提取模块,用于对预处理后的所述彩色眼底图像进行相位一致性特征提取,得到相位一致性的特征响应图;
多尺度线算子特征提取模块,用于对预处理后的所述彩色眼底图像进行多尺度线算子特征提取,得到多尺度线算子的特征响应图;
引导滤波模块,用于以所述多尺度线算子的响应图作为引导图像,对所述相位一致性特征响应图进行引导滤波,得到滤波输出的特征响应图;
聚类模块,用于对所述滤波输出的特征响应图使用FCM聚类算法构建隶属度矩阵来进行聚类,得到两个聚类中心,根据像素样本点属于两个聚类中心的隶属度大小进行分类,得到视网膜血管分割图;
后处理模块,用于使用基于区域连通性的面积阈值法,对所述视网膜血管分割图进行去噪处理,滤除面积小于第一阈值个像素的噪声,得到最终视网膜血管分割结果图;
其中,相位一致性特征提取模块包括:
像素点计算单元,用于利用如下公式,根据预处理后图像中的每个像素点,得到相位一致性的特征响应图p对应的每个像素点p(x,y):
其中,(x,y)为像素点在预处理后图像中的位置,k和θ分别为滤波器的尺度和方向;Wθ为分布频率的权重因子,Tθ为噪声阈值,用来估计图像的噪声;Ak,θΔφk,θ(x,y)为局部能量,Ak,θ和Δφk,θ(x,y)为此处的幅值和相位差的余弦值;εp为常数,用于防止分母为零;
相位一致性的特征响应图获取单元,用于根据每个像素点,得到相位一致性的特征响应图p;
多尺度线算子特征提取模块包括:
灰度值计算单元,用于使用多尺度线结构检测器,在预处理后的图像中使用一个15×15pixel的检测窗口N滑动,使用不同尺度以及不同方向的线检测器的来匹配呈线状结构的视网膜血管,计算预处理后的图像中任一像素点I对应的窗口平均灰度值和以I为中心点匹配的最优尺度以及最优走向的线检测器覆盖的像素点的平均灰度值/>
多尺度线算子的响应图获取单元,用于利用以下公式计算多尺度线算子的响应图R:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110959494.6A CN113658207B (zh) | 2021-08-20 | 2021-08-20 | 一种基于引导滤波的视网膜血管分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110959494.6A CN113658207B (zh) | 2021-08-20 | 2021-08-20 | 一种基于引导滤波的视网膜血管分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658207A CN113658207A (zh) | 2021-11-16 |
CN113658207B true CN113658207B (zh) | 2023-06-16 |
Family
ID=78481534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110959494.6A Active CN113658207B (zh) | 2021-08-20 | 2021-08-20 | 一种基于引导滤波的视网膜血管分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658207B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272376B (zh) * | 2022-09-27 | 2022-12-20 | 山东鑫科来信息技术有限公司 | 基于机器视觉的浮动打磨头控制方法 |
CN115631195B (zh) * | 2022-12-20 | 2023-03-21 | 新光维医疗科技(苏州)股份有限公司 | 血管轮廓提取方法、血管轮廓提取装置及内窥镜系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7020314B1 (en) * | 2001-11-13 | 2006-03-28 | Koninklijke Philips Electronics N.V. | Black blood angiography method and apparatus |
CN106355599A (zh) * | 2016-08-30 | 2017-01-25 | 上海交通大学 | 基于非荧光眼底图像的视网膜血管自动分割方法 |
CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1938271A2 (en) * | 2005-10-21 | 2008-07-02 | The General Hospital Corporation | Methods and apparatus for segmentation and reconstruction for endovascular and endoluminal anatomical structures |
-
2021
- 2021-08-20 CN CN202110959494.6A patent/CN113658207B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7020314B1 (en) * | 2001-11-13 | 2006-03-28 | Koninklijke Philips Electronics N.V. | Black blood angiography method and apparatus |
CN106355599A (zh) * | 2016-08-30 | 2017-01-25 | 上海交通大学 | 基于非荧光眼底图像的视网膜血管自动分割方法 |
CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于局部线结构约束的FCM 聚类视网膜血管分割;贾洪 等;《光学学报》;第40卷(第9期);第1-10 * |
基于超像素仿射传播聚类的视网膜血管分割;许言兵 等;《光学学报》;第40卷(第2期);第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113658207A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Histogram-based automatic thresholding for bruise detection of apples by structured-illumination reflectance imaging | |
CN109003279B (zh) | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及系统 | |
CN110120056B (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
CN113658207B (zh) | 一种基于引导滤波的视网膜血管分割方法及装置 | |
Shah et al. | Blood vessel segmentation in color fundus images based on regional and Hessian features | |
CN106548176B (zh) | 基于自适应引导滤波的指静脉图像增强方法 | |
CN108109159B (zh) | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
Ben Abdallah et al. | Noise-estimation-based anisotropic diffusion approach for retinal blood vessel segmentation | |
CN110148126B (zh) | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 | |
Wang et al. | Segmenting retinal vessels with revised top-bottom-hat transformation and flattening of minimum circumscribed ellipse | |
Elbalaoui et al. | Automatic detection of blood vessel in retinal images | |
CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
Fazli et al. | A novel retinal vessel segmentation based on local adaptive histogram equalization | |
Mamilla et al. | Extraction of microaneurysms and hemorrhages from digital retinal images | |
Desiani et al. | A robust techniques of enhancement and segmentation blood vessels in retinal image using deep learning | |
CN116309633A (zh) | 一种基于核直觉模糊c均值聚类的视网膜血管分割方法 | |
Heena et al. | Machine Learning based Detection and Classification of Heart Abnormalities | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
CN113269756A (zh) | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置 | |
CN114119503A (zh) | 一种基于ifcm聚类的视网膜血管分割方法及装置 | |
Kabir | A rule based segmentation approaches to extract retinal blood vessels in fundus image | |
Karim et al. | Comparing the Main Approaches of Image Segmentation | |
Touil et al. | A new conditional region growing approach for an accurate detection of microcalcifications from mammographic images | |
CN117392154B (zh) | 一种相衬显微细胞图像分割方法及系统 |
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 |