CN117974692B - 一种基于区域生长的眼科医学影像处理方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于区域生长的眼科医学影像处理方法，包括：采集眼部灰度图像；根据眼部灰度图像中每一像素点的灰度与梯度，得到区域生长的种子点；根据种子点及其他像素点的灰度、梯度以及像素点为血管边缘像素点的可能性，得到种子点邻域内的血管像素点；根据种子点、种子点邻域内的血管像素点、眼部灰度图像中每一像素点的灰度、梯度及像素点为血管边缘像素点的可能性，得到眼部灰度图像中的血管区域。本发明对采集图像中像素点的灰度及梯度进行分析，得到像素点为血管边缘像素点的可能性，并基于可能性获取种子点，使得种子点尽可能为血管内部的像素点，提高区域生长最终得到的分割区域的准确性。

Description

一种基于区域生长的眼科医学影像处理方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于区域生长的眼科医学影像处理方法。

背景技术

眼科医学影像是指通过眼底相机等眼科医学影像成像设备获取患者的眼部结构信息图像。通过患者眼部结构信息图像中的血管可以帮助医生更好的观察患者的眼部状况，确定患者所得的眼部疾病。通过图像处理算法对患者眼部结构信息图像中的血管区域进行分割，以便于医生对患者眼部的视网膜血管相关疾病能够快速定位和分析，提高医生的诊断效率和诊断的准确性。

在使用传统的区域生长算法对患者眼部血管区域进行分割提取时，因为不同位置上的血管像素点的灰度值可能有较大差异，使得通过传统区域生长算法对血管区域进行分割时，可能会出现过生长(将不属于目标区域划分为目标区域)或者欠生长(对目标区域分割提取不够完整)的问题，即是将部分非血管像素点识别为血管像素点、将部分血管像素点识别为非血管像素点，使得分割出的血管图像不准确，降低了眼科医学影像的利用准确率。

发明内容

本发明提供一种基于区域生长的眼科医学影像处理方法，以解决现有的问题。

本发明的一种基于区域生长的眼科医学影像处理方法采用如下技术方案：

本发明一个实施例提供了一种基于区域生长的眼科医学影像处理方法，该方法包括以下步骤：

采集患者眼部图像，灰度化得到眼部灰度图像；

根据眼部灰度图像中每一像素点的灰度与梯度，得到眼部灰度图像中每一像素点为血管边缘像素点的可能性；

根据眼部灰度图像中每一像素点为血管边缘像素点的可能性，得到区域生长的种子点；

根据种子点及其他像素点的灰度、梯度以及像素点为血管边缘像素点的可能性，得到种子点与周围多个像素点的相似性；

根据种子点与周围多个像素点的相似性，得到种子点邻域内的血管像素点；

根据种子点、种子点邻域内的血管像素点、眼部灰度图像中每一像素点的灰度、梯度及像素点为血管边缘像素点的可能性，得到眼部灰度图像中的血管区域。

进一步地，所述根据眼部灰度图像中每一像素点的灰度与梯度，得到眼部灰度图像中每一像素点为血管边缘像素点的可能性，包括的具体步骤如下：

获取眼部灰度图像中每一像素点的梯度值与梯度方向；

以任意一个像素点为中心，计算该像素点沿梯度方向的个像素点的灰度均值，以及沿梯度方向反向方向的/>个像素点的灰度均值，分别记为该像素点的正向灰度均值及逆向灰度均值；获取每个像素点的矩形窗口；

根据每个像素点的矩形窗口中每一像素点的梯度值，得到每个像素点的目标簇；

根据眼部灰度图像中每个像素点的正向灰度均值、逆向灰度均值及目标簇，得到眼部灰度图像中每一像素点为血管边缘像素点的可能性。

进一步地，所述根据每个像素点的矩形窗口中每一像素点的梯度值，得到每个像素点的目标簇，包括的具体步骤如下：

根据每个像素点的矩形窗口中每一像素点的梯度值，通过聚类将每个像素点的矩形窗口内的所有像素点分别分为两个聚类簇；

将任意一个像素点的矩形窗口中平均梯度值最大的聚类簇，作为该像素点的目标簇。

进一步地，所述根据眼部灰度图像中每个像素点的正向灰度均值、逆向灰度均值及目标簇，得到眼部灰度图像中每一像素点为血管边缘像素点的可能性，包括的具体公式如下：

式中，表示眼部灰度图像中第i个像素点为血管边缘像素点的可能性；/>表示第i个像素点的梯度值；/>表示第i个像素点的正向灰度均值，/>表示第i个像素点的逆向灰度均值；/>表示第i个像素点的目标簇内第l个像素点的梯度值；/>表示第i个像素点的目标簇内像素点的数量；/>表示以自然常数为底的指数函数。

进一步地，所述根据眼部灰度图像中每一像素点为血管边缘像素点的可能性，得到区域生长的种子点，包括的具体步骤如下：

将眼部灰度图像中为血管边缘像素点的可能性最大的像素点作为起始点，并将起始点的梯度方向反向方向处的第个像素点作为区域生长的种子点，/>为预设的选取参数。

进一步地，所述根据种子点及其他像素点的灰度、梯度与以及像素点为血管边缘像素点的可能性，得到种子点与周围多个像素点的相似性，包括的具体方法如下：

以种子点为中心，基于预设的窗口宽度得到种子点的初始窗口，获取每个像素点的初始窗口；种子点与邻域内每个像素点的相似性的具体计算方法为：

式中，表示种子点与8邻域内第/>个像素点的相似性；/>表示种子点的灰度值，/>表示种子点的8邻域内第u个像素点的灰度值；/>表示种子点的梯度方向，/>表示种子点的8邻域内第u个像素点的梯度方向；/>表示种子点的初始窗口中所有像素点为血管边缘像素点的可能性的最大值；/>表示种子点的8邻域内第u个像素点的初始窗口中所有像素点为血管边缘像素点的可能性的最大值；/>表示以自然常数为底的指数函数；

对种子点8邻域内每个像素点的8邻域内除种子点之外的每个像素点，计算其与种子点的相似性。

进一步地，所述根据种子点与周围多个像素点的相似性，得到种子点邻域内的血管像素点，包括的具体步骤如下：

根据种子点与周围多个像素点的相似性，得到种子点与邻域内每一像素点的最终相似性；

根据种子点与邻域内每一像素点的最终相似性，得到种子点邻域内的血管像素点。

进一步地，所述根据种子点与周围多个像素点的相似性，得到种子点与邻域内每一像素点的最终相似性，包括的具体公式如下：

式中，表示种子点与邻域内第/>个像素点的最终相似性；/>表示种子点与其8邻域内第/>个像素点的相似性；/>表示种子点的8邻域内第u个像素点的8邻域内除种子点外的第s个像素点与种子点的相似性；/>表示求最大值。

进一步地，所述根据种子点与邻域内每一像素点的最终相似性，得到种子点邻域内的血管像素点，包括的具体步骤如下：

预设相似性阈值，当种子点与8邻域中任意一个像素点的最终相似性大于或等于相似性阈值/>，该像素点为血管像素点；当种子点与8邻域中任意一个像素点的最终相似性小于相似性阈值/>，该像素点不为血管像素点。

进一步地，所述根据种子点、种子点邻域内的血管像素点、眼部灰度图像中每一像素点的灰度、梯度及像素点为血管边缘像素点的可能性，得到眼部灰度图像中的血管区域，包括的具体步骤如下：

将种子点作为一个血管像素点，并将每个血管像素点作为生长点，根据像素点的灰度、梯度及像素点为血管边缘像素点的可能性，计算生长点与8邻域内除血管像素点之外每个像素点的最终相似性，并基于相似性阈值继续获取血管像素点，再将新获取的血管像素点作为生长点继续获取血管像素点，以此类推，直至不再新增血管像素点时停止，将所有血管像素点构成的区域记为血管区域。

本发明的技术方案的有益效果是：本发明对患者眼部图像中血管区域进行分割提取，以提高医生对患者视网膜血管疾病诊断的准确性和效率，在使用区域生长算法对血管区域进行分割提取时，生长准则的准确性对最后血管区域分割提取的准确性有着重要影响，因此需要对血管区域的生长准则进行分析和计算。首先对采集图像中像素点的灰度及梯度进行分析，得到像素点为血管边缘像素点的可能性，并基于可能性获取种子点，使得种子点尽可能为血管内部的像素点，提高区域生长最终得到的分割区域的准确性；再基于种子点及其邻域与周围像素点在灰度、梯度及像素点为血管边缘像素点的可能性上的差异，量化种子点与周围像素点的相似性，并调整得到最终相似性，基于最终相似性构建生长准则并进行区域生长，最终得到血管区域，以提高对血管区域进行分割提取时的准确性和完整性，从而提高后续医生对患者诊断的准确性和诊断效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于区域生长的眼科医学影像处理方法的步骤流程图；

图2为患者的眼部灰度图像；

图3为分割出的血管区域。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于区域生长的眼科医学影像处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于区域生长的眼科医学影像处理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于区域生长的眼科医学影像处理方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集患者眼部图像，灰度化得到眼部灰度图像。

本实施例的主要目的是分割出患者眼部图像中的血管区域，所以需要获取患者眼部图像。因此本实施例通过数字眼底相机获取患者眼部图像，并对获取到的患者眼部图像进行灰度化处理，得到灰度化后的患者眼部图像，并将其记为眼部灰度图像，如图2所示。

步骤S002：根据眼部灰度图像中每一像素点的灰度与梯度，得到眼部灰度图像中每一像素点为血管边缘像素点的可能性；根据眼部灰度图像中每一像素点为血管边缘像素点的可能性，得到区域生长的种子点。

需要说明的是，在对眼部灰度图像中使用区域生长算法对图像中的血管进行分割提取时，则需要先获得区域生长的起点，即种子点的位置，通过对种子点周围的像素点进一步分析，从而确定对血管区域的生长准则，利用生长准则从而将血管区域进行分割提取。在眼部灰度图像中，属于血管区域处的颜色相比于眼部非血管区域处颜色较深，且具有较为明显的走势和方向性。因此通过分析像素点的灰度与梯度，得到像素点为血管边缘像素点的可能性，并基于此来获取种子点，从而符合血管的细长特征。

具体的，首先通过sobel算子计算出眼部灰度图像中每一像素点的梯度值与梯度方向，其中，sobel算子为公知技术，本实施例不再赘述。然后以任意一个像素点为中心点，计算该像素点沿梯度方向的个像素点的灰度均值，以及沿梯度方向反向方向的/>个像素点的灰度均值，分别记为该像素点的正向灰度均值及逆向灰度均值；其中本实施例预设像素点的数量/>，本实施例以此为例进行叙述，其它实施方式中可设置为其它值。

进一步的，以每个像素点为中心，建立一个的矩形窗口，其中矩形窗口的宽所在直线与该像素点的梯度方向所在直线平行保持一致；本实施例预设的矩形窗口的宽度、矩形窗口的长度/>，本实施例以此为例进行叙述，其它实施方式中可设置为其它值；特别说明的是，当某一像素点周围的像素点不足以生成一个/>的矩形窗口时，在保证的前提下，生成该像素点的矩形窗口。然后，通过K均值聚类算法再根据每个像素点的矩形窗口内每一像素点的梯度值，将每个像素点的矩形窗口内的所有像素点分别分为两个聚类簇，其中本实施例采用K=2进行叙述，距离度量采用像素点的梯度值之间的差值绝对值。将任意一个像素点的矩形窗口中平均梯度值最大的聚类簇，作为该像素点的目标簇；根据眼部灰度图像中每个像素点的正向灰度均值、逆向灰度均值及目标簇，得到眼部灰度图像中每一像素点为血管边缘像素点的可能性，其具体计算公式如下所示：

式中，表示眼部灰度图像中第i个像素点为血管边缘像素点的可能性；/>表示第i个像素点的梯度值；/>表示第i个像素点的正向灰度均值，/>表示第i个像素点的逆向灰度均值；/>表示第i个像素点的目标簇内第l个像素点的梯度值；/>表示第i个像素点的目标簇内像素点的数量；/>表示求绝对值；/>表示以自然常数为底的指数函数，本实施例采用模型来呈现反比例关系，x为模型的输入，实施者可根据实际情况设置反比例函数。

所需说明的是，第i个像素点的梯度值越大，说明第个像素点为血管边缘像素点的可能性越大；/>表示第i个像素点的正向灰度均值和逆向灰度均值的差值绝对值，该值越大则说明第/>个像素点的梯度方向两侧区域像素点的灰度值差异越大，即第i个像素点为血管边缘像素点的可能性越大；/>表示第i个像素点和第i个像素点的目标簇内第l个像素点的梯度值的差值绝对值，该值表示了第i个像素点和其对应目标簇像素中第l个像素点之间的差异性大小，该值越小，说明第i个像素点为血管边缘像素点的可能性越大，/>表示第i个像素点的灰度值和第i个像素点所对应目标簇内每个像素点的灰度值的差值绝对值的均值，其值越小，说明第i个像素点为血管边缘像素点的可能性越大。

需要说明的是，通过上述计算得到了眼部灰度图像中每个像素点为血管边缘像素点的可能性，因为血管内部像素点为血管边缘像素点的可能性也较低，因此选择可能性最大的像素点作为起始点进而得到种子点。

具体的，将眼部灰度图像中为血管边缘像素点的可能性最大的像素点作为起始点，并将起始点的梯度方向反向方向处的第个像素点作为区域生长的种子点；本实施例预设的选取参数/>，以此为例进行叙述，其它实施方式中可设置为其它值。

步骤S003：根据种子点及其他像素点的灰度、梯度以及像素点为血管边缘像素点的可能性，得到种子点与周围多个像素点的相似性。

需要说明的是，通过上述步骤得到了眼部灰度图像中每个像素点为血管边缘像素点的可能性以及区域生长过程中的种子点，之后需要对眼部灰度图像中的血管区域进行分割提取，得到眼部灰度图像中的血管区域。

具体的，计算眼部灰度图像中种子点与其8邻域内每一像素点的相似性，得到眼部灰度图像中种子点8邻域内的血管像素点。其中计算眼部灰度图像中种子点与其8邻域内每一像素点的相似性的具体过程如下所示：在眼部灰度图像中以种子点为中心，向四周扩展，得到一个的窗口，将此窗口视为种子点的初始窗口；获取眼部灰度图像中每个像素点的初始窗口；本实施例预设的窗口宽度/>，以此为例进行叙述，其它实施方式中可设置为其它值。

进一步的，根据种子点及邻域像素点的灰度、梯度以及像素点为血管边缘像素点的可能性，得到种子点与邻域内每个像素点的相似性，其具体计算公式如下所示：

式中，表示种子点与8邻域内第/>个像素点的相似性；/>表示种子点的灰度值，/>表示种子点的8邻域内第u个像素点的灰度值；/>表示种子点的梯度方向，/>表示种子点的8邻域内第u个像素点的梯度方向；/>表示种子点的初始窗口中所有像素点为血管边缘像素点的可能性的最大值；/>表示种子点的8邻域内第u个像素点的初始窗口中所有像素点为血管边缘像素点的可能性的最大值；/>表示以自然常数为底的指数函数，本实施例采用/>模型来呈现反比例关系及归一化处理，x为模型的输入，实施者可根据实际情况设置反比例函数及归一化函数。

所需说明的是，表示种子点与其8邻域内第u个像素点的灰度值之间的差值绝对值，该值越小则说明眼部灰度图像中种子点与其8邻域内第u个像素点的灰度值越接近，即眼部灰度图像中种子点与其8邻域内第u个像素点的相似性越强；/>表示种子点与其8邻域内第u个像素点的梯度方向之间的差值绝对值比上/>，该值越小则说明眼部灰度图像中种子点与其8邻域内第u个像素点的梯度方向越接近，即眼部灰度图像中种子点与其8邻域内第u个像素点的相似性越强；/>表示眼部灰度图像中种子点的窗口中像素点为血管边缘像素点的可能性的最大值与其8邻域内第u个像素点的窗口中像素点为血管边缘像素点的可能性的最大值的差值绝对值，该值越小则说明眼部灰度图像中种子点与其8邻域内第u个像素点的相似性越强。

进一步的，按照上述方法对种子点8邻域内每个像素点的8邻域内除种子点之外的每个像素点，计算其与种子点的相似性。

步骤S004：根据种子点与周围多个像素点的相似性，得到种子点邻域内的血管像素点。

需要说明的是，通过上述方式得到了种子点与周围多个像素点的相似性。因为在采集图像时，可能因为噪声的干扰，使得某一血管像素点与其周围血管像素点的差异较大，因此需要对相似性进一步调整，得到最终相似性。

具体的，通过种子点与周围多个像素点的相似性，得到种子点与邻域内每一像素点的最终相似性，其计算公式如下所示：

式中，表示种子点与邻域内第/>个像素点的最终相似性；/>表示种子点与其8邻域内第/>个像素点的相似性；/>表示种子点的8邻域内第u个像素点的8邻域内除种子点外的第s个像素点与种子点的相似性；/>表示求最大值。

所需说明的是，表示种子点与种子点8邻域中第u个像素点的周围像素点的相似性的总和，/>表示种子点与其8邻域中第u个像素点的相似性加上种子点与种子点8邻域中第u个像素点的周围像素点的相似性的均值；将/>与/>中的最大值作为种子点与其8邻域内第u个像素点的相似性。

进一步的，本实施例预设相似性阈值，当/>时，说明种子点的8邻域中第u个像素点符合生长准则，即种子点的8邻域中第u个像素点为血管像素点；当时，说明种子点的8邻域中第u个像素点不符合生长准则，即种子点的8邻域中第u个像素点不为血管像素点。

步骤S005：根据种子点、种子点邻域内的血管像素点、眼部灰度图像中每一像素点的灰度、梯度及像素点为血管边缘像素点的可能性，得到眼部灰度图像中的血管区域。

获取种子点与种子点邻域内的血管像素点后，将种子点也作为一个血管像素点，并将每个血管像素点作为生长点，根据像素点的灰度、梯度及像素点为血管边缘像素点的可能性，计算生长点与8邻域内除血管像素点之外每个像素点的最终相似性，并基于相似性阈值继续获取血管像素点，再将新获取的血管像素点作为生长点继续获取血管像素点，以此类推，直至不再新增血管像素点时停止，将所有血管像素点构成的区域记为血管区域，如图3所示；则对眼科医学影响中患者眼部图像通过基于眼部灰度图像的自适应区域生长，实现血管区域的分割。

至此，本实施例完成。

综上所述，在本发明实施例中，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于区域生长的眼科医学影像处理方法，其特征在于，该方法包括以下步骤：

采集患者眼部图像，灰度化得到眼部灰度图像；

根据眼部灰度图像中每一像素点的灰度与梯度，得到眼部灰度图像中每一像素点为血管边缘像素点的可能性；

根据眼部灰度图像中每一像素点为血管边缘像素点的可能性，得到区域生长的种子点；

根据种子点及其他像素点的灰度、梯度以及像素点为血管边缘像素点的可能性，得到种子点与周围多个像素点的相似性；

根据种子点与周围多个像素点的相似性，得到种子点邻域内的血管像素点；

根据种子点、种子点邻域内的血管像素点、眼部灰度图像中每一像素点的灰度、梯度及像素点为血管边缘像素点的可能性，得到眼部灰度图像中的血管区域；

所述根据眼部灰度图像中每一像素点为血管边缘像素点的可能性，得到区域生长的种子点，包括的具体步骤如下：

将眼部灰度图像中为血管边缘像素点的可能性最大的像素点作为起始点，并将起始点的梯度方向反向方向处的第个像素点作为区域生长的种子点，/>为预设的选取参数；

所述根据种子点、种子点邻域内的血管像素点、眼部灰度图像中每一像素点的灰度、梯度及像素点为血管边缘像素点的可能性，得到眼部灰度图像中的血管区域，包括的具体步骤如下：

将种子点作为一个血管像素点，并将每个血管像素点作为生长点，根据像素点的灰度、梯度及像素点为血管边缘像素点的可能性，计算生长点与8邻域内除血管像素点之外每个像素点的最终相似性，并基于相似性阈值继续获取血管像素点，再将新获取的血管像素点作为生长点继续获取血管像素点，以此类推，直至不再新增血管像素点时停止，将所有血管像素点构成的区域记为血管区域；

所述根据眼部灰度图像中每一像素点的灰度与梯度，得到眼部灰度图像中每一像素点为血管边缘像素点的可能性，包括的具体步骤如下：

获取眼部灰度图像中每一像素点的梯度值与梯度方向；

以任意一个像素点为中心，计算该像素点沿梯度方向的个像素点的灰度均值，以及沿梯度方向反向方向的/>个像素点的灰度均值，分别记为该像素点的正向灰度均值及逆向灰度均值；获取每个像素点的矩形窗口；

根据每个像素点的矩形窗口中每一像素点的梯度值，得到每个像素点的目标簇；

根据眼部灰度图像中每个像素点的正向灰度均值、逆向灰度均值及目标簇，得到眼部灰度图像中每一像素点为血管边缘像素点的可能性；

所述根据眼部灰度图像中每个像素点的正向灰度均值、逆向灰度均值及目标簇，得到眼部灰度图像中每一像素点为血管边缘像素点的可能性，包括的具体公式如下：

式中，表示眼部灰度图像中第i个像素点为血管边缘像素点的可能性；/>表示第i个像素点的梯度值；/>表示第i个像素点的正向灰度均值，/>表示第i个像素点的逆向灰度均值；/>表示第i个像素点的目标簇内第l个像素点的梯度值；/>表示第i个像素点的目标簇内像素点的数量；/>表示以自然常数为底的指数函数；

所述根据种子点及其他像素点的灰度、梯度与以及像素点为血管边缘像素点的可能性，得到种子点与周围多个像素点的相似性，包括的具体方法如下：

以种子点为中心，基于预设的窗口宽度得到种子点的初始窗口，获取每个像素点的初始窗口；种子点与邻域内每个像素点的相似性的具体计算方法为：

式中，表示种子点z与8邻域内第/>个像素点的相似性；/>表示种子点z的灰度值，表示种子点z的8邻域内第u个像素点的灰度值；/>表示种子点z的梯度方向，/>表示种子点z的8邻域内第u个像素点的梯度方向；/>表示种子点z的初始窗口中所有像素点为血管边缘像素点的可能性的最大值；/>表示种子点z的8邻域内第u个像素点的初始窗口中所有像素点为血管边缘像素点的可能性的最大值；/>表示以自然常数为底的指数函数，z表示种子点；

对种子点8邻域内每个像素点的8邻域内除种子点之外的每个像素点，计算其与种子点的相似性；

所述根据种子点与周围多个像素点的相似性，得到种子点邻域内的血管像素点，包括的具体步骤如下：

根据种子点与周围多个像素点的相似性，得到种子点与邻域内每一像素点的最终相似性；

根据种子点与邻域内每一像素点的最终相似性，得到种子点邻域内的血管像素点。

2.根据权利要求1所述一种基于区域生长的眼科医学影像处理方法，其特征在于，所述根据每个像素点的矩形窗口中每一像素点的梯度值，得到每个像素点的目标簇，包括的具体步骤如下：

根据每个像素点的矩形窗口中每一像素点的梯度值，通过聚类将每个像素点的矩形窗口内的所有像素点分别分为两个聚类簇；

将任意一个像素点的矩形窗口中平均梯度值最大的聚类簇，作为该像素点的目标簇。

3.根据权利要求1所述一种基于区域生长的眼科医学影像处理方法，其特征在于，所述根据种子点与周围多个像素点的相似性，得到种子点与邻域内每一像素点的最终相似性，包括的具体公式如下：

式中，表示种子点z与邻域内第/>个像素点的最终相似性；/>表示种子点z与其8邻域内第/>个像素点的相似性；/>表示种子点z的8邻域内第u个像素点的8邻域内除种子点z外的第s个像素点与种子点的相似性；/>表示求最大值，z表示种子点。

4.根据权利要求1所述一种基于区域生长的眼科医学影像处理方法，其特征在于，所述根据种子点与邻域内每一像素点的最终相似性，得到种子点邻域内的血管像素点，包括的具体步骤如下：

预设相似性阈值，当种子点与8邻域中任意一个像素点的最终相似性大于或等于相似性阈值/>，该像素点为血管像素点；当种子点与8邻域中任意一个像素点的最终相似性小于相似性阈值/>，该像素点不为血管像素点。