CN115409765A - 一种基于眼底视网膜图像的血管提取方法及装置 - Google Patents

一种基于眼底视网膜图像的血管提取方法及装置 Download PDF

Info

Publication number
CN115409765A
CN115409765A CN202110592123.9A CN202110592123A CN115409765A CN 115409765 A CN115409765 A CN 115409765A CN 202110592123 A CN202110592123 A CN 202110592123A CN 115409765 A CN115409765 A CN 115409765A
Authority
CN
China
Prior art keywords
image
blood vessel
filtering
result
scales
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.)
Granted
Application number
CN202110592123.9A
Other languages
English (en)
Other versions
CN115409765B (zh
Inventor
刘若阳
李凯文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Boshi Medical Technology Co ltd
Original Assignee
Nanjing Boshi Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Boshi Medical Technology Co ltd filed Critical Nanjing Boshi Medical Technology Co ltd
Priority to CN202110592123.9A priority Critical patent/CN115409765B/zh
Publication of CN115409765A publication Critical patent/CN115409765A/zh
Application granted granted Critical
Publication of CN115409765B publication Critical patent/CN115409765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于眼底视网膜图像的血管提取方法及装置，该方法包括：接收来自摄像装置的图像序列；将接收到的图像序列中的图像依次进行一个或多个预处理操作；对预处理操作得到的结果图像进行血管分割和提取；对血管分割和提取得到的结果图像进行图像后处理；最后得到血管结构。该方法不仅适用于眼底相机采集的视网膜眼底彩照血管的提取，还能在眼底灰度图像上得到较理想的血管提取效果，且耗时较短。

Description

一种基于眼底视网膜图像的血管提取方法及装置
技术领域
本发明涉及计算机图像处理领域，具体而言，涉及一种医学图像处理的血管分割和提取方法及装置。
背景技术
眼底视网膜血管结构的变化会反映许多全身性疾病：糖尿病、高血压、心血管疾病和中风等疾病。尽早发现血管的异常变化，对于进行早期干预和预防是非常重要的，可以使患者免于重大视力丧失。
在眼底视网膜激光手术中，视网膜血管结构的分割和提取是非常重要的。虽然已经有大量的眼底视网膜血管提取算法，但现有的传统算法在血管提取过程中会存在许多问题，例如在血管中央光线反射(会被误认为是非血管结构)、分叉和交叉区域的分割效果不佳、缺少细小血管以及在视盘和病理区域检测错误的血管等。例如，基于追踪技术的眼底血管提取算法，在单根血管处能清晰地检测出血管结构，但在血管分叉和血管交汇点处不能达到较理想的提取结果。基于形态学的眼底血管提取算法，使用拉普拉斯和阈值来提取血管，但会造成血管中心光线反射区域会被误判定为非血管结构。目前血管提取算法多用神经网络算法，相比传统算法，耗时较久，前期训练和后期预测时间成本也很高。因彩色眼底图像色彩丰富，包含了更多的特征信息，灰度图像并不像眼底图像那样有丰富的颜色特征，有许多算法适用于基于眼底彩照的血管提取，并不适合在灰度图像上进行血管提取。
因此本领域需要一种眼底血管提取算法，其能够克服上述传统算法的缺陷，不仅适用于眼底相机采集的视网膜眼底彩照血管的提取，还能在眼底灰度图像上得到较理想的血管提取效果，且需要较短的耗时。
发明内容
为解决上述问题，本发明的目的在于提供一种同时适用于视网膜眼底彩照和眼底灰度图像的血管提取方法和装置。此外，本发明提出了一种去亮斑方案，能够解决因设备精密度不高导致的灰度图像上存在多处块状亮斑的问题。
为实现上述目的，本发明提供了一种基于眼底视网膜图像的血管提取方法，包括：步骤1，接收来自摄像装置的图像序列；将接收到的图像序列中的图像依次进行一个或多个预处理操作；步骤2，采用第一滤波操作对预处理操作得到的第一结果图像进行血管分割和提取；步骤3，对血管分割和提取得到的第二结果图像进行再处理；其中采用长度滤波操作对第二结果图像进行过滤来去除噪声，其中所去除的噪声是图像中的非血管组织。所述长度滤波操作包括使用指定尺度的长度滤波核来滤除面积小于指定尺寸面积的噪点，所述指定尺度的长度滤波核与指定尺寸面积相对应。
作为本发明进一步的改进，在步骤1中，所述预处理操作包括：首先对接收到的原始图像进行灰度化操作，对灰度化操作之后得到的第三结果图像进行伽马变换，然后对伽马变换后的结果图像进行自适应直方图均衡化操作从而进行图像细节增强，对图像细节增强后得到的第四结果图像进行第二滤波操作以进行去噪；所述灰度化操作包括：判断接收到的原始图像是否是灰度图像，如果是，则不对接收到的原始图像进行灰度化，如果不是，则对接收到的原始图像进行灰度化。其中第二滤波操作包括双边滤波和高斯滤波操作；其中可以是先执行双边滤波，然后执行高斯滤波。
作为本发明进一步的改进，所述自适应直方图均衡化操作中会进行对比度限幅，克服了过度放大噪声的问题，其中直方图的高度大于指定阈值的部分被裁剪掉，然后将裁剪掉的部分平均分配给整张直方图(或整张直方图中除被裁剪掉部分之外的其他部分)从而提升整个图像的对比度。
作为本发明进一步的改进，在步骤1中，所述预处理操作还包括：对所述第二滤波操作后得到的第五结果图像进行去亮斑操作，去除因外部设备的影响而产生的亮斑区域；该去亮斑操作的具体步骤为：对灰度化操作之后得到的第三结果图像进行亮斑检测操作，得到亮斑区域的分布图；在所述第二滤波操作之后得到的第五结果图像上，对照该亮斑区域的分布图找到对应的亮斑区域，使用第五结果图像的像素点的均值进行亮斑区域的像素点的值的替换。所述亮斑检测操作包括：将待亮斑检测操作的图像(的像素点的值)进行归一化，对归一化之后的结果图像的每个像素点的值进行平方处理，再将经过平方处理后的结果图像进行二值化；二值化后的结果图像中，像素点的值大于预定阈值的区域为亮斑区域，像素点的值小于预定阈值的区域为非亮斑区域。
作为本发明进一步的改进，在步骤2中，所述采用第一滤波操作对预处理操作得到的第一结果图像进行血管分割和提取，包括：
步骤2.1，根据预定的多种血管直径长度，使用预定公式计算得到要使用的第一多种尺度；所述尺度是指滤波核的大小，所述第一多种尺度与所述多种血管直径长度一一对应；
步骤2.2，对于第一多种尺度中的每种尺度，根据预定的多个血管方向参数，使用预定公式分别计算得到每种尺度上的多个不同方向的滤波核，从而得到所述第一多种尺度中的全部尺度上的多个不同方向的滤波核；所计算得到的多个不同方向的滤波核与所述多个血管方向参数一一对应；所述多个血管方向参数与多个不同的血管方向角度一一对应；
步骤2.3，基于所述第一多种尺度中的每种尺度，对第一结果图像进行第一血管处理操作，得到每种尺度上的血管处理结果图像，从而得到所述第一多种尺度中的全部尺度的血管处理结果图像；
所述第一血管处理操作包括：使用当前尺度上的多个不同方向的滤波核，分别对第一结果图像的每个像素点进行第三滤波操作，得到每个像素点的多个响应值结果，取每个像素点的多个响应值结果中最大的一个作为每个像素点的最终处理结果，从而得到第一结果图像的全部像素点的最终处理结果；在得到第一结果图像的全部像素点的最终处理结果后，得到当前尺度上的血管处理结果图像。所述第三滤波操作为匹配滤波，所述匹配滤波为尺度上和方向上的匹配滤波；
步骤2.4，在得到所述第一多种尺度中的全部尺度的血管处理结果图像后，在所述全部尺度的血管处理结果图像中的全部图像之间进行像素点的或运算，将像素点的或预算的运算结果图像作为第二结果图像。
其中通过从给定血管直径长度范围的最小端点值开始，以给定步长为单位对给定血管直径长度范围内的数值进行遍历来获得所述预定的一种或多种血管直径长度；根据所述预定的一种或多种血管直径长度采用预定公式来计算得到要使用的一种或多种尺度；
其中通过从给定血管方向参数角度范围的最小端点值(例如0°)开始，以给定步长(例如15°)为单位对给定血管方向参数角度范围(例如0°-360°)内的数值进行遍历来获得所述预定的滤波核的多个血管方向参数，根据所述预定的滤波核的多个血管方向参数使用预定公式来计算所述多个不同方向的滤波核。
其中使用多个尺度滤波操作可以检测不同尺度的血管组织，如动脉血管和毛细血管使用同一个尺度的滤波核不能实现较好的分割效果，以进行血管分割和提取。其中可以使用例如12个方向进行血管检测，取出检测结果中的最大的响应值的结果作为最终结果，以进行血管分割和提取。
作为本发明进一步的改进，在步骤2中，所述采用第一滤波操作对预处理操作得到的第一结果图像进行血管分割和提取，包括：
步骤2.1，根据预定的多种血管直径长度，使用预定公式计算得到要使用的第一多种尺度；所述尺度是指滤波核的大小，所述第一多种尺度与所述多种血管直径长度一一对应；
步骤2.2，在第一多种尺度中选择一个尺度，作为当前尺度；
步骤2.3，对于当前尺度，根据预定的多个血管方向参数，使用预定公式计算得到当前尺度上的多个不同方向的滤波核；所计算得到的多个不同方向的滤波核与所述多个血管方向参数一一对应；所述多个血管方向参数与多个不同的血管方向角度一一对应；判断是否得到了第一多种尺度中的全部尺度上的多个不同方向的滤波核；如果是，进行下一步；如果否，在第一多种尺度中还未得到多个不同方向的滤波核的尺度中选择一个尺度，作为当前尺度，重复步骤2.3；
步骤2.4，在第一多种尺度中选择一个尺度，作为当前尺度；
步骤2.5，基于当前尺度，对第一结果图像进行第一血管处理操作，得到当前尺度上的血管处理结果图像；所述第一血管处理操作包括：步骤2.5.1，对第一结果图像中的全部像素点进行遍历，选择第一个像素点作为当前像素点；步骤2.5.2，使用当前尺度上的多个不同方向的滤波核，分别对第一结果图像的当前像素点进行第三滤波操作，得到当前像素点的多个响应值结果，取当前像素点的多个响应值结果中最大的一个作为当前像素点的最终处理结果；判断是否得到第一结果图像的全部像素点的最终处理结果；如果是，则得到当前尺度上的血管处理结果图像，继续下一处理；如果否，继续对第一结果图像中的全部像素点进行遍历，选择当前像素点的下一个像素点作为当前像素点，重复步骤2.5.2；
判断是否得到所述第一多种尺度中的全部尺度的血管处理结果图像；如果是，进行下一步；如果否，在第一多种尺度中还未得到血管处理结果图像的尺度中选择一个尺度，作为当前尺度，重复步骤2.5；
步骤2.6，在得到所述第一多种尺度中的全部尺度的血管处理结果图像后，在所述全部尺度的血管处理结果图像中的图像之间进行像素点的或运算，将像素点的或预算的运算结果图像作为第二结果图像。
作为本发明进一步的改进，所采用的长度滤波操作包括使用多种指定尺度的长度滤波核叠加来滤除面积小于多种指定尺寸面积的噪点，所述多种指定尺度的长度滤波核与多种指定尺寸面积一一对应。其中先使用所述多种指定尺度中的最小指定尺度的滤波核进行过滤，然后依次使用所述多种指定尺度中的下一较大指定尺度的滤波核进行过滤，直至所述多种指定尺度均使用完成。因血管提取操作会误将背景判定为血管，本阶段则需要使用多个长度/尺度的滤波模板(长度滤波核)叠加进行去除噪声操作，针对各个尺寸大小的噪声设计不同的滤波核，过滤孤立的噪声点，分割出无噪声的眼底血管结构。
本发明还提供了一种基于眼底视网膜图像的血管提取装置，其特征在于，包括：预处理装置，用于接收来自摄像装置的图像序列；将接收到的图像序列中的图像依次进行一个或多个预处理操作；血管分割和提取装置，采用第一滤波操作对预处理操作得到的第一结果图像进行血管分割和提取；后处理装置，对血管分割和提取得到的第二结果图像进行再处理；其中采用长度滤波操作对第二结果图像进行过滤来去除噪声，其中所去除的噪声是图像中的非血管组织。
作为本发明进一步的改进，提供一种计算机存储介质，介质中存储有若干指令，当处理器执行上述指令时执行本申请各实施例所述方法的全部或部分步骤。
作为本发明进一步的改进，提供一种计算机设备，包括存储器、处理器及存储在存储器上被可在处理器上运行的计算机程序，所述处理器执行所述程序时执行本申请各实施例所述方法的全部或部分步骤。
本发明的有益效果为：使用本发明的方法主要可以完成眼底血管提取，不仅能正确地检测血管中央反射区域、还能检测出细小血管。眼底彩照数据是通过市场上现有的眼底相机采集到的图像，眼底灰度图是使用近红外光来采集到的眼底数据，因人眼的反射较弱，所以图像质量不佳，因此在眼底灰度图数据上进行血管提取更具有挑战性。本发明提出的方法，不仅能在眼底照相机采集到的图像达到较满意的效果也能在眼底灰度图像上得到较理想的血管提取效果，且耗时较短，在应用场景中几乎可以达到实时需求。
附图说明
图1为本发明实施例所述的方法的整体流程图；
图2为图像预处理模块的处理流程图；
图3是血管分割和提取模块的处理流程图。
图4是图像后处理模块的处理流程图。
图5是采集获得的原始图像，左图为眼底照相机采集的眼底彩色图像，右图为设备采集的灰度图像。
图6是自适应直方图均衡化之后得到的结果图。
图7是双边滤波和高斯滤波之后，并进行了亮斑像素区域替换之后得到的结果图。
图8是对血管分割和提取之后的结果进行了二值化操作之后得到的二值图。
图9是使用长度为16的滤波核对图8得到的二值图像进行滤波的结果图。
图10是使用长度为32的滤波核对图9进行滤波的结果图。
图11是使用长度为64的滤波核对图10进行滤波的结果图，即对灰度图像进行血管分割的最终结果。
图12是对眼底彩照图像采用本发明实施例的方法进行处理得到的血管结构图。
具体实施方式
下面将结合本发明实施例中的附图，对发明所公开的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作出创造性劳动前提下所获得的所有其他实施例，都属于本公开所保护的范围。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明的描述中，所用术语仅用于说明目的，并非旨在限制本公开的范围。术语“包括”和/或“包含”用于指定元件、步骤、操作和/或组件的存在，但并不排除存在或添加一个或多个其他元件、步骤、操作和/或组件的情况。术语“第一”、“第二”等可能用于描述各种元件，不代表顺序，且不对这些元件起限定作用。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个及两个以上。这些术语仅用于区分一个元素和另一个元素。结合以下附图，这些和/或其他方面变得显而易见，并且，本领域普通技术人员更容易理解关于本发明实施例的说明。附图仅出于说明的目的用来描绘本公开实施例。本领域技术人员将很容易地从以下说明中认识到，在不背离本公开原理的情况下，可以采用本发明所示结构和方法的替代实施例。
本发明一个实施例中的基于眼底视网膜图像的血管提取方法，如图1所示：接收来自摄像装置的图像序列；将接收到的图像序列中的图像依次进行一个或多个预处理操作；对预处理操作得到的结果图像进行血管分割和提取；对血管分割和提取得到的结果图像进行图像后处理；最后得到血管结构。
本发明主要涉及三个部分：图像预处理部分(如图2所示)、血管分割和提取部分(如图3所示)和后处理部分(如图4所示)。
首先，图像预处理包括伽马变换、双边滤波、高斯滤波和自适应直方图均衡化等操作。首先对原彩色图像进行灰度处理，若输入的图像为非彩色图像，则忽略此步骤。处理之后得到原图像的灰度图，然后对原图像的灰度图像进行伽马变换，伽马变换可以改变图像的亮度，可以使图像的亮度变得均匀，伽马变换之后的图像经过自适应直方图均衡化算法进行图像间的对比度增强处理。后续还需要进行滤波算法处理，因为前面的一系列图像增强操作不仅增强了血管特征，也会对背景噪声进行相应地增强。滤波操作主要包括双边滤波和高斯滤波两种操作，高斯滤波能较好的去除白噪声，预处理之后的图像血管和眼底视网膜背景之间的对比度增强，后期分割算法能更好的将其区别开。另外，计算图像的亮斑区域，即令亮的相对更亮，暗的相对更暗，然后进行图像二值化，得到一个亮斑图像区域的分布图，之后进行亮斑图像区域的像素替换，根据亮斑图像区域的分布图，将原图像中对应位置的像素灰度值替换为原图像的像素的均值，得到去亮斑图像之后的图像。
其次，在血管分割和提取部分，因为眼底图像的血管成管状，有很好的形态学特性。血管的横跨面的灰度分布成高斯形状，而背景的灰度又基本一致。因此，可以把血管的横截面(一维，即垂直于血管的一段线段)看做是掺杂着高斯白噪声(背景点)的一维信号(血管点)。根据信号处理的匹配滤波原理，选取传递函数与血管分布一致的(高斯型)滤波器来得到最大信噪比的输出，即可增强血管。此外因为血管的尺寸和方向的不确定性：(1)不同大小的血管的分布的尺度(对应高斯函数的带宽)是不一样的，为了达到更好的匹配效果，同时能增强大血管和小血管，算法中选取多种不同尺度的滤波器；(2)因为滤波器的方向必须垂直于血管的方向，但是血管的方向又是随机伸展的，因此构造多个方向的滤波器(可以是12个)，在每个像素点都进行多次不同的滤波，选择滤波结果中最大响应的一个作为最终的响应输出。
图像后处理，因预处理操作会增强眼底噪声，在血管分割和提取步骤后，噪声会被误认为血管组织，这就需要过滤被误分割为血管的噪声。本发明中采用多尺度长度滤波算法，使用多种尺度的长度滤波核对分割后的图像进行过滤噪声，先使用较小尺度的滤波核进行过滤，然后依次使用较大尺度的滤波核进行过滤，得到最终的眼底血管分割结果。
具体的流程如下：
如图1所示，本实施例使用眼底彩照数据和眼底灰度图数据进行实验，处理每一帧图像的时间大约为0.5s。首先，输入图像序列，每一帧的图像的宽高为1024*1024，即每一帧的图像包含1024*1024个像素点。
1、图像预处理过程：
1.1、输入图像序列，其中图像为眼底彩照或眼底灰度图像，一个图像序列包含一帧或多帧图像；
1.2、判断输入的图像是否为灰度图，如果否，则将输入的RGB图像(彩照)(如图5左图所示)转为灰度图；
1.3、对步骤1.2处理后的原图像进行亮斑检测，具体步骤为：将图像归一化到[0,1]区间上，对归一化之后的图像的每个像素进行平方，会使接近“1”的较亮区域变得相对更亮，接近“0”的较暗区域变得相对更暗，再将经过平方处理后的图像进行二值化，这样容易分离出亮斑和非亮斑区域(例如可以设置像素值大于0.5的为亮斑区域，小于0.5的为非亮斑区域)；
1.4、记录步骤1.3中得到的亮斑区域分布，在预处理的最后一步即步骤1.8中将亮斑区域替换为图像的像素均值；
1.5、对经过步骤1.2处理后的灰度图进行伽马变换，sigma值为1.1；
1.6、对步骤1.5得到的结果进行自适应直方图均衡化操作，如图6所示；
1.7、对直方图均衡化之后的图像进行双边滤波和高斯滤波操作，实施此步骤的目的是过滤步骤1.6中图像增强而产生的噪声；其中可以是先执行双边滤波，然后执行高斯滤波。其中双边滤波能做到在过滤噪声的同时较好地保留边缘；高斯滤波不像均值滤波和中值滤波算法那样只能相对减弱噪声，而是能够很好的消除椒盐噪声，高斯滤波的滤波模板内的不同位置的像素被赋予不同的权值，对图像进行平滑的同时也能够更多的保留图像的整体灰度分布特征。
1.8、将滤波之后的图像对照步骤1.3中检测出的亮斑区域进行替换操作，即将步骤1.3中的检测出的亮斑区域像素点记录下来(在步骤1.4中完成)，并根据记录的像素点在滤波之后的图像上进行像素替换；其中使用步骤1.4中记录的亮斑区域位置，遍历步骤1.7的滤波操作的结果图像中的像素点，如果当前像素点为亮斑，则将当前像素点的像素替换为步骤1.7的结果图像的均值，结果如图7所示。
2、血管提取过程：
2.1、对经过图像预处理后的结果图像进行血管提取，先判断图像是否为灰度图，如果否，则将图像转为灰度图；
2.2、计算提取血管的滤波核，首先要计算滤波核的大小，公式如下所示：
Figure BDA0003089650900000091
Figure BDA0003089650900000092
其中，sigma为滤波核的方差，yLength为血管的直径长度，提取动脉血管时，此处yLength取25，提取细小血管时，yLength取10(这里数值的单位是像素点)。如果无法确定血管直径长度，需要设置一个范围，如[5-25],以步长为2依次遍历，对此范围中的数值进行遍历(例如5，7，9……)，获得多个不同血管直径长度(例如5，7，9……)，根据上述公式依次计算不同血管直径长度的滤波核的大小，其中Widthkernel为滤波核的大小(即尺度)。其中ceil函数的定义是返回大于或等于指定表达式的最小整数。
2.3、根据步骤2.2中的公式得到滤波核大小之后，再对滤波核中的数值进行更新。
Figure BDA0003089650900000101
FilterKernel(i,j)＝ FilterKernel(i,j)-meanval (4)
xprime＝x*cos(theta)+y*sin(theta) (5)
yprime＝y*cos(theta)-x*sin(theta) (6)
其中，FilterKernel(i,j)表示滤波核在位置(i,j)处的数值(i和j均为大于等于0，并且小于滤波核的大小Widthkernel的整数)(如3*3的滤波核，(i,j)的取值为0<＝i<3,0<＝j<3)，meanval为FilterKernel(i,j)的均值，即当前滤波核中所有数值的平均值，theta的范围为[0,2π]，x,y的范围是[-(Widthkernel-1)/2,(Widthkernel-1)/2](x,y为遍历FilterKernel所设置的变量，在一个实施例中，x＝j-(Widthkernel-1)/2；y＝(Widthkernel-1)/2-i；例如，假如滤波核大小为7，则-3<＝x<＝3；-3<＝y<＝3；x＝j-3；y＝3-i；对于FilterKernel(0,0)，即(0,0)位置处的滤波核的值，x＝-3，y＝3；对于FilterKernel(0,1)，即(0,1)位置处的滤波核的值，x＝-2，y＝3；对于FilterKernel(0,2)，即(0,2)位置处的滤波核的值，x＝-1，y＝3；……；对于FilterKernel(1,1)，即(1,1)位置处的滤波核的值，x＝-2；y＝2；……；对于FilterKernel(6,6)，即(6,6)位置处的滤波核的值，x＝3；y＝-3)；xprime和yprime是判断滤波核的各位置处应该赋什么数值的依据参数。其中，Theta为方向参数，计算方式为：Theta＝2*pi/检测的方向数*(当前迭代次数-1)；其中pi为弧度制的180°。在初始位置，即第一次迭代时，Theta＝0；滤波核中数值的初始值全为0，根据给定的sigma和yLength大小计算得出滤波核大小。更新的方向为从角度为0的x的正半轴开始，保持中心不变，依次旋转相应度数。更新中止条件为当迭代次数达到设定的值，即角度从0°开始，到360°时则停止更新。
2.4、根据步骤2.3得到的多个方向的滤波核进行自定义滤波操作，即使用步骤2.3得到的多个滤波核对步骤1.8中预处理的结果进行卷积，会得到多个响应值，此处取出其中最大的一个作为最终响应，得到血管分割灰度图。其中每个尺度上都有多个方向，且运行一次步骤2.3和2.4时，可使用某个尺度，每个尺度得到一个运行结果，不同尺度的结果之间取“或”操作，得到最终结果。
3、图像后处理操作：
3.1、对血管分割之后的图像进行二值化，使用OTSU阈值分割算法得到二值图，效果如图8所示。
3.2、对步骤3.1得到的二值图进行尺度不同的长度滤波。其中所使用的长度滤波方法是指滤除指定尺寸的噪点，例如，如果设置长度滤波的大小/长度为指定值8，则计算8*8大小/尺度的滤波核下的噪声的面积，如果噪声的面积小于64(指定值的平方)，则会被过滤掉。针对所使用的如图8的灰度图像，使用了三种尺度的长度滤波核，图9为使用大小为16*16的长度滤波核进行过滤噪声，可以从图中直观看到细小的噪点已经被排除；图10在图9上使用大小为32*32的长度滤波核进行过滤噪声，可以从图中直观看到尺寸(即像素点个数)小于32*32的噪点已经被排除；对图10进行长度为64的长度滤波核进行滤波，得到最终处理的血管结构，如图11所示。
图12是对眼底彩照图像采用本发明实施例的方法进行处理得到的血管结构图。
采用本发明所述的实施例，具有以下特点：目前血管提取算法多用神经网络算法，相比传统算法，耗时较久，前期训练和后期预测时间成本也很高。本方法能正确的检测血管中央反射区域，因采用了多尺度检测和多个滤波模板结合的算法，还能检测出细小血管。去除亮斑的算法也能准确的将亮斑提取出来，并进行像素点的替换，以提升血管提取的效果。本发明提出的方法，不仅能在眼底照相机采集到的图像上达到较满意的效果也能在眼底灰度图像上得到较理想的血管提取效果，且耗时较短，在应用场景中几乎可以达到实时需求。在医学场景中，观察血管结构可以反映出较多问题，医生可以使用本发明中算法实现血管提取并进行后续的诊断和治疗，极大的提升了医生的工作效率。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
此外，本领域普通技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本领域技术人员应理解，尽管已经参考示例性实施例描述了本公开，但是在不脱离本发明的范围的情况下，可进行各种改变并可用等同物替换其元件。另外，在不脱离本发明的实质范围的情况下，可进行许多修改以使特定情况或材料适应本发明的教导。因此，本发明不限于所公开的特定实施例，而是本发明将包括落入所附权利要求范围内的所有实施例。

Claims (10)

1.一种基于眼底视网膜图像的血管提取方法，其特征在于，包括：
步骤1，接收来自摄像装置的图像序列；将接收到的图像序列中的图像进行一个或多个预处理操作，得到第一结果图像；
步骤2，采用第一滤波操作对预处理操作得到的第一结果图像进行血管分割和提取，得到第二结果图像；
步骤3，对血管分割和提取得到的第二结果图像进行再处理操作；再处理操作中采用长度滤波操作对第二结果图像进行过滤来去除噪声，其中所去除的噪声是图像中的非血管组织。
2.根据权利要求1所述的基于眼底视网膜图像的血管提取方法，其特征在于：在步骤1中，所述预处理操作包括：首先对接收到的原始图像进行灰度化操作，对灰度化操作后得到的第三结果图像进行伽马变换，然后对伽马变换后的结果图像进行自适应直方图均衡化操作从而进行图像细节增强，对图像细节增强后得到的第四结果图像进行第二滤波操作以进行去噪；所述对接收到的原始图像进行灰度化操作包括：判断接收到的原始图像是否是灰度图像，如果是，则不对接收到的原始图像进行灰度化，如果不是，则对接收到的原始图像进行灰度化。
3.根据权利要求2所述的基于眼底视网膜图像的血管提取方法，其特征在于：所述自适应直方图均衡化操作中进行对比度限幅，其中直方图的高度大于指定阈值的部分被裁剪掉，然后将裁剪掉的部分平均分配给整张直方图，从而提升整个图像的对比度。
4.根据权利要求2所述的基于眼底视网膜图像的血管提取方法，其特征在于：在步骤1中，所述预处理操作还包括：对所述第二滤波操作后得到的第五结果图像进行去亮斑操作，去除因外部设备的影响而产生的亮斑区域；该去亮斑操作的具体步骤为：对灰度化操作之后得到的第三结果图像进行亮斑检测操作，得到亮斑区域的分布图；在所述第二滤波操作之后得到的第五结果图像上，对照该亮斑区域的分布图找到对应的亮斑区域，使用第五结果图像的像素点的均值进行亮斑区域的像素点的值的替换。
5.根据权利要求1所述的基于眼底视网膜图像的血管提取方法，其特征在于：在步骤2中，所述采用第一滤波操作对预处理操作得到的第一结果图像进行血管分割和提取，包括：
步骤2.1，根据预定的多种血管直径长度，计算得到要使用的第一多种尺度；所述第一多种尺度与所述多种血管直径长度一一对应；
步骤2.2，对于第一多种尺度中的每种尺度，根据预定的多个血管方向参数，分别计算得到每种尺度上的多个不同方向的滤波核；所计算得到的多个不同方向的滤波核与所述多个血管方向参数一一对应；所述多个血管方向参数与多个不同的血管方向角度一一对应；
步骤2.3，基于所述第一多种尺度中的每种尺度，对第一结果图像进行第一血管处理操作，得到每种尺度上的血管处理结果图像；所述第一血管处理操作包括：使用当前尺度上的多个不同方向的滤波核，分别对第一结果图像的每个像素点进行第三滤波操作，得到每个像素点的多个响应值结果，取每个像素点的多个响应值结果中最大的一个作为每个像素点的最终处理结果；在得到第一结果图像的全部像素点的最终处理结果后，得到当前尺度上的血管处理结果图像；
步骤2.4，在得到所述第一多种尺度中的全部尺度上的血管处理结果图像后，在所述全部尺度上的血管处理结果图像中的图像之间进行像素点的或运算，将像素点的或预算的运算结果图像作为第二结果图像。
6.根据权利要求1所述的基于眼底视网膜图像的血管提取方法，其特征在于：在步骤3中，所采用的长度滤波操作包括使用第二多种尺度的长度滤波核叠加进行去除噪声操作。
7.一种基于眼底视网膜图像的血管提取装置，其特征在于，包括：
预处理装置，接收来自摄像装置的图像序列；将接收到的图像序列中的图像进行一个或多个预处理操作，得到第一结果图像；
血管分割和提取装置，采用第一滤波操作对预处理操作得到的第一结果图像进行血管分割和提取，得到第二结果图像；
后处理装置，对血管分割和提取得到的第二结果图像进行再处理操作；再处理操作中采用长度滤波操作对第二结果图像进行过滤来去除噪声，其中所去除的噪声是图像中的非血管组织。
8.根据权利要求7所述的基于眼底视网膜图像的血管提取装置，其特征在于：在步骤1中，所述预处理操作包括：首先对接收到的原始图像进行灰度化操作，对灰度化操作后得到的第三结果图像进行伽马变换，然后对伽马变换后的结果图像进行自适应直方图均衡化操作从而进行图像细节增强，对图像细节增强后得到的第四结果图像进行第二滤波操作以进行去噪；所述对接收到的原始图像进行灰度化操作包括：判断接收到的原始图像是否是灰度图像，如果是，则不对接收到的原始图像进行灰度化，如果不是，则对接收到的原始图像进行灰度化。
9.根据权利要求7所述的基于眼底视网膜图像的血管提取装置，其特征在于：血管分割和提取装置的所述采用第一滤波操作对预处理操作得到的第一结果图像进行血管分割和提取，包括：
步骤2.1，根据预定的多种血管直径长度，计算得到要使用的第一多种尺度；所述第一多种尺度与所述多种血管直径长度一一对应；
步骤2.2，对于第一多种尺度中的每种尺度，根据预定的多个血管方向参数，分别计算得到每种尺度上的多个不同方向的滤波核；所计算得到的多个不同方向的滤波核与所述多个血管方向参数一一对应；所述多个血管方向参数与多个不同的血管方向角度一一对应；
步骤2.3，基于所述第一多种尺度中的每种尺度，对第一结果图像进行第一血管处理操作，得到每种尺度上的血管处理结果图像；所述第一血管处理操作包括：使用当前尺度上的多个不同方向的滤波核，分别对第一结果图像的每个像素点进行第三滤波操作，得到每个像素点的多个响应值结果，取每个像素点的多个响应值结果中最大的一个作为每个像素点的最终处理结果；在得到第一结果图像的全部像素点的最终处理结果后，得到当前尺度上的血管处理结果图像；
步骤2.4，在得到所述第一多种尺度中的全部尺度的血管处理结果图像后，在所述全部尺度的血管处理结果图像中的图像之间进行像素点的或运算，将像素点的或预算的运算结果图像作为第二结果图像。
10.根据权利要求7所述的基于眼底视网膜图像的血管提取装置，其特征在于：后处理装置所采用的长度滤波操作包括使用第二多种尺度的长度滤波核叠加进行去除噪声操作。
CN202110592123.9A 2021-05-28 2021-05-28 一种基于眼底视网膜图像的血管提取方法及装置 Active CN115409765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110592123.9A CN115409765B (zh) 2021-05-28 2021-05-28 一种基于眼底视网膜图像的血管提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110592123.9A CN115409765B (zh) 2021-05-28 2021-05-28 一种基于眼底视网膜图像的血管提取方法及装置

Publications (2)

Publication Number Publication Date
CN115409765A true CN115409765A (zh) 2022-11-29
CN115409765B CN115409765B (zh) 2024-01-09

Family

ID=84155028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110592123.9A Active CN115409765B (zh) 2021-05-28 2021-05-28 一种基于眼底视网膜图像的血管提取方法及装置

Country Status (1)

Country Link
CN (1) CN115409765B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899876A (zh) * 2015-05-18 2015-09-09 天津工业大学 一种基于自适应高斯差分的眼底图像血管分割方法
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
CN106407917A (zh) * 2016-09-05 2017-02-15 山东大学 基于动态尺度分配的视网膜血管提取方法及系统
CN111028201A (zh) * 2019-11-13 2020-04-17 东北大学 一种基于多尺度水平集的眼底血管图像分割系统及方法
CN111815574A (zh) * 2020-06-18 2020-10-23 南通大学 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899876A (zh) * 2015-05-18 2015-09-09 天津工业大学 一种基于自适应高斯差分的眼底图像血管分割方法
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
CN106407917A (zh) * 2016-09-05 2017-02-15 山东大学 基于动态尺度分配的视网膜血管提取方法及系统
CN111028201A (zh) * 2019-11-13 2020-04-17 东北大学 一种基于多尺度水平集的眼底血管图像分割系统及方法
CN111815574A (zh) * 2020-06-18 2020-10-23 南通大学 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁恩慧;: "基于改进匹配滤波的视网膜血管分割", 信息通信, no. 08 *

Also Published As

Publication number Publication date
CN115409765B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
Sopharak et al. Simple hybrid method for fine microaneurysm detection from non-dilated diabetic retinopathy retinal images
CN108986106B (zh) 面向青光眼的视网膜血管自动分割方法
Fleming et al. Automatic detection of retinal anatomy to assist diabetic retinopathy screening
Esmaeili et al. Automatic detection of exudates and optic disk in retinal images using curvelet transform
WO2017036160A1 (zh) 人脸识别的眼镜消除方法
Moghimirad et al. Retinal vessel segmentation using a multi-scale medialness function
KR102095723B1 (ko) 이미지 프로세싱에서 또는 이미지 프로세싱에 관한 개선들
US11783488B2 (en) Method and device of extracting label in medical image
CN109840484B (zh) 一种基于边缘滤波、椭圆评价和瞳孔验证的瞳孔检测方法
Wang et al. A fast method for automated detection of blood vessels in retinal images
Mudassar et al. Extraction of blood vessels in retinal images using four different techniques
CN115100494A (zh) 一种病灶图像的识别方法、装置、设备及可读存储介质
Welikala et al. The automated detection of proliferative diabetic retinopathy using dual ensemble classification
Kande et al. Segmentation of vessels in fundus images using spatially weighted fuzzy c-means clustering algorithm
Kayte et al. Automated Screening of Diabetic Retinopathy Using Image Processing
Gou et al. A novel retinal vessel extraction method based on dynamic scales allocation
Gwetu et al. Segmentation of retinal blood vessels using normalized Gabor filters and automatic thresholding
Jana et al. A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image
Ahamed et al. Automated system for retinal vessel segmentation
Zabihi et al. Vessel extraction of conjunctival images using LBPs and ANFIS
CN115409765B (zh) 一种基于眼底视网膜图像的血管提取方法及装置
Patil et al. Automated macula proximity diagnosis for early finding of diabetic macular edema
Ardizzone et al. Blood vessels and feature points detection on retinal images
Saroj et al. Efficient kernel based matched filter approach for segmentation of retinal blood vessels
CN115409762B (zh) 自动检测规划点与血管的重叠的方法及装置

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