CN102567734B - 基于比值的视网膜细小血管分割方法 - Google Patents

Abstract

本发明公开了一种基于比值的视网膜细小血管分割方法，主要解决现有视网膜血管分割方法对于细小血管分割效果不理想的问题。其实现过程是：(1)选取视网膜图像的绿色分量图，对图中的所有像素点计算方向和比值；(2)对已经过一次分割后的结果进行细小血管检测，并计算检测出的细小血管像素点的比值特征的均值和方差，从而得到所有像素点的权值；(3)将一次分割结果作为样本点，搜索其邻域内权值小于特定阈值的像素点，并将其加入样本中；(4)重复步骤(3)直到样本邻域中找不到符合条件的像素点，得到二次分割结果。本发明分割的完整度上较处理前有较大提高，可用于恢复未分割出的细小血管。

Description

基于比值的视网膜细小血管分割方法

技术领域

本发明属于图像处理技术领域，涉及一种基于比值的视网膜细小血管分割方法，可用于对视网膜细小血管分割。

背景技术

视网膜血管分割作为图像处理的一个应用，在临床中发挥着越来越重要的作用。视网膜血管是人体唯一在活体使用非创伤性手段直接观察到的血管，许多全身性血管病以及代谢性疾病均可使眼底血管受到不同程度的侵犯，特别是心、脑、肾等与血管有关的器官发生病变，眼底血管的改变可以在一定程度上反映病变的程度。临床上，视网膜血管网络对高血压、糖尿病、动脉硬化、肾炎等疾病的诊断、治疗、愈后评价都具有重要意义。另外，视网膜血管作为人体的重要生物特征，其结构稳定，隐蔽性强，在身份鉴别等高层次安全保密方面有着重要的应用前景。由于硬件条件限制，视网膜图像较明显地表现出以下不足：光照不均匀；血管与背景对比度不强；图像噪声点多。这些问题将导致采用常用的图像处理方法很难分割出令人满意的效果。同时，血管从粗到细发生变化，与此同时背景的灰度和对比度不断减弱，在血管末梢处灰度和对比度非常微弱，而现有的分割算法大部分都是采用单一阈值法，这样分割得到的结果大部分都是血管的主干，所以对于小血管和对比度较低的血管都没有分割出来。

计算机学报Vol.34，No.3，Mar.2011：574-582，公开了一种“基于非下采样Contourlet变换的视网膜分割”方法，是根据非下采样Contourlet变换NSCT所具有良好的多尺度、多方向和平移不变性的优点，提出了一种基于NSCT的视网膜图像分割方法.该方法首先通过分析NSCT变换对血管的系数响应，提出基于NSCT的线状特征提取算法.随后对所提取的特征向量利用高斯混合模型GMM进行建模，并采用EM算法估计其参数.最后采用贝叶斯规则对血管和非血管像素进行分类，以达到图像分割的目的。

该方法在DRIVE和STARE视网膜数据库上均取得了较好的结果，分割效果较以前的方法有所提升，但是在对比度较弱的细小视网膜血管处的分割效果仍不理想，这就极大的影响了分割结果的完整性，给视网膜图像的自动分析和诊断带来困难。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了基于比值特征的视网膜细小血管分割方法，以在上述方法获得的一次分割结果基础上进一步对细小血管进行二次分割，使得细小血管分割结果更加精确，进一步提高分割效果。

实现本发明目的的技术方案，包括如下步骤：

(1)对输入的原始彩色视网膜图像，取其绿色分量图I_g，在大小为9×9的框内分别计算I_g中像素点在8个方向上的绿色分量的均值m_i和方差σ_i，根据该均值m_i和方差σ_i计算当前像素点的方向r：

$r=\left\{\begin{array}{c}\{s,m_s=\min \left(m_i\right)\},\mathrm{std}\left(m_i\right)<{\mathrm{Th}}_1\\ \{t,{\mathrm{\&sigma;}}_t=\min \left({\mathrm{\&sigma;}}_i\right)\},\mathrm{std}\left(m_i\right)\&GreaterEqual;{\mathrm{Th}}_1\end{array}\right.i=\mathrm{1,2},...,8,$

其中，m_s为m_i的最小值，s为m_s所对应的方向，σ_t为σ_i的最小值，t为σ_t所对应的方向，min代表取最小值，std代表取标准差，Th₁为设置的阈值，取值为10；

(2)根据得到的像素点方向r，根据以下公式计算当前像素点的比值特征c：

$c=\min (1-\frac{c_1}{c_2},1-\frac{c_1}{c_3}),$

其中c₁为当前像素点所在方向r上的绿色分量均值，c₂，c₃分别为其所在方向两边区域的绿色分量均值；

(3)输入已经进行过第一次分割后的视网膜血管结果图v，检测该视网膜血管结果图v属于细小血管的像素点集合，并计算其比值特征的均值μ_T和方差σ_T；

(4)计算原始彩色视网膜图像绿色分量图I_g中的像素点属于细小血管的权值w：

w＝|c-μ_T|

式中，c是I_g中像素点的比值特征，它近似服从一个高斯分布，μ_T为细小血管像素集合的比值特征的均值；

(5)根据计算出的像素点属于细小血管的权值w，以第一次分割后的视网膜血管结果图v中的血管作为样本，找出样本3×3邻域中所有属于细小血管的权值w小于给定阈值Th₂的像素点，并将这些像素点标记为样本，完成样本的更新，Th₂取值为σ_T，σ_T为细小血管像素集合的比值特征的方差；

(6)重复步骤(5)直到所有样本的3×3邻域中像素点的属于细小血管的权值w均大于给定阈值Th₂，得到新的分割结果v′。

本发明与现有技术相比较具有如下优点：

1.本发明通过计算像素点方向r，为计算像素点的比值特征c提供了依据；

2.本发明由于采用比值特征c作为描述视网膜血管的一种特征，并通过计算细小血管集合的比值特征的均值μ_T和方差σ_T，为获得像素点的权值w提供了依据；

3.本发明通过计算像素点的权值w，并以获得的权值作为依据判断像素点是否为细小血管上的点，从而完成细小血管的分割，提高细小血管的分割效果。

附图说明

图1是本发明的流程图；

图2是本发明使用的8方向模板示意图；

图3是本发明使用的测试视网膜图像；

图4是用的现有NSCT方法对图3的一次分割结果图；

图5是用本发明方法对图进行二次分割结果图。

具体实施方式

参照图1，本发明基于比值的视网膜细小血管分割方法，包括如下步骤：

步骤1，输入彩色视网膜图像，计算像素点的方向r：

1a)输入如图3所示的彩色视网膜图像，并取其红、绿、蓝三维分量中的第二维分量，作为绿色分量图I_g；

1b)利用如图2所示的8方向模板，在一大小为9×9的框内分别计算绿色分量图I_g中像素点在8个方向上的绿色分量的均值m_i和方差σ_i，该8个方向是由水平方向通过逆时针等间隔旋转得到，每个方向用同一个数字表示；

1c)利用如下公式计算像素点的方向r：

$r=\left\{\begin{array}{c}\{s,m_s=\min \left(m_i\right)\},\mathrm{std}\left(m_i\right)<{\mathrm{Th}}_1\\ \{t,{\mathrm{\&sigma;}}_t=\min \left({\mathrm{\&sigma;}}_i\right)\},\mathrm{std}\left(m_i\right)\&GreaterEqual;{\mathrm{Th}}_1\end{array}\right.i=\mathrm{1,2},...,8,$

其中，m_s为m_i的最小值，s为m_s所对应的方向，σ_t为σ_i的最小值，t为σ_t所对应的方向，min代表取最小值，std代表取标准差，Th₁为设置的阈值，取值为10。

步骤2，根据得到的像素点的方向r，计算像素点的比值特征c：

2a)计算像素点在方向r上的绿色分量的均值c₁：

c₁＝m_r

其中，m_r表示像素点方向r上绿色分量的均值；

2b)根据得到的像素点的方向r上的绿色分量的均值c₁，计算像素点的比值特征c：

$c=\min (1-\frac{c_1}{c_2},1-\frac{c_1}{c_3})$

其中，c₂、c₃分别为像素点所在方向两边区域的绿色分量均值。

步骤3，输入已经进行过第一次分割后的视网膜血管结果图v，计算该视网膜血管结果图v中细小血管比值特征的均值μ_T和方差σ_T：

3a)输入如图4所示的已经进行过第一次分割后的视网膜血管结果图v检测该视网膜血管结果图v中的细小血管像素集合T，方法如下：

定义血管像素点的宽度h为血管像素点所在方向的法向上的连续血管像素点个数；

定义血管像素点的长度l为血管像素点所在方向上的连续血管像素点个数；

若像素点同时满足：h≤3和l≥10的条件，则将该像素点判断为细小血管上的像素点，将检测出所有符合条件的像素点组成一个集合，并将该集合作为细小血管像素集合T；

3b)对检测到的细小血管像素点集合T，分别计算该集合内所有像素点的比值特征均值μ_T和方差σ_T。

步骤4，对绿色分量图I_g中的像素点，利用如下公式获得其属于细小血管的权值w：

w＝|c-μ_T|

其中，c是I_g中像素点的比值特征，它近似服从一个高斯分布，μ_T为细小血管比值特征的均值。

步骤5，根据计算出的像素点属于细小血管的权值w，以第一次分割后的视网膜血管结果图v中的血管作为样本，找出样本3×3邻域中所有属于细小血管的权值w小于给定阈值Th₂的像素点，并将这些像素点标记为样本，完成样本的更新，Th₂取值为σ_T，σ_T为细小血管像素集合的比值特征的方差。

步骤6，重复步骤(5)直到所有样本的3×3邻域中像素点属于细小血管的权值w均大于给定阈值Th₂，得到新的分割结果v′，即二次分割结果。

本发明效果可以通过以下实验进一步证实：

一.实验条件和内容

实验条件：实验所使用的输入图像为随机选取Drive数据库上的两幅视网膜图像。DRIVE数据库是一个公开的眼底视网膜图像数据库。它由40幅全彩视网膜图像组成，其中有5幅为病状图像，并且给出了对应图像的专家手动分割结果。所有眼底视网膜图像由Cannon CR_5型相机在45度可视域下拍摄。每幅图像的尺寸为768×584像素，且可视区域为一个直径为540个像素的圆。所有图像为tif格式的全彩图，没有经过压缩处理，因此更加有利于后续处理。此外，为了便于进行监督分割，将40幅图像中的前20张图像作为测试集，其中含有2幅病状图像，后20张图像归为训练集，其中含有3幅病状图像，并且包含了3名眼科专家的手动标记图。训练集标记图由一名专家手动分割，而测试集则由两个不同观察者分割，得到集合A和集合B。集合A中，观察者记录了577649个像素为血管像素点，3960494个像素作为背景点像素，12.7％的像素点被分为血管点；相应集合B中，556532个像素被标记为血管，3981611个像素标记为背景，12.3％像素点标记为血管点。因此，两个集合分割的结果基本吻合。在监督分割算法评价中，集合A被认为是正确的分割结果，集合B可以作为一个观察者参与准确性比较。

实验内容：在上述实验条件下，对图4进行二次分割，其中图4(a)是对图3(a)所示的原始视网膜图像利用NSCT方法进行一次分割后的结果图，图4(b)是对3(b)所示的原始视网膜图像利用NSCT方法进行一次分割后的结果图，二次分割后的结果如图5。其中，图5(a)是对图4(a)进行二次分割后的结果，图5(b)是对图4(b)进行二次分割后的结果。

二.实验结果

通过二次分割前后的结果对比，可以看出通过本发明处理后，细小血管恢复的较好，比较处理前有较大提高。

对图4、图5中的所有图像用完整度TF作为分割效果的评价指标，其计算方法为：

TF＝TP/AP

式中TP为分割正确的血管像素点的个数，AP为专家人工分割模版中血管像素点的个数。将经过本发明处理前后的完整率在表1中列出。

表1处理前后结果对比

从表1可见，经过本发明方法处理后的分割结果比较NSCT方法具有更高的完整度。本发明在细小血管恢复上效果较好，处理后分割的完整度有较大提高。

Claims (1)

1.一种基于比值的视网膜细小血管分割方法，包括如下步骤：

(1)对输入的原始彩色视网膜图像，取其绿色分量图I_g，在大小为9×9的框内分别计算I_g中像素点在8个方向上的绿色分量的均值m_i和方差σ_i，该8个方向是由水平方向通过逆时针等间隔旋转得到，每个方向用同一个数字表示，根据该均值m_i和方差σ_i计算当前像素点的方向r：

$r=\left\{\begin{array}{c}\{s,m_s=\min \left(m_i\right)\},\mathrm{std}\left(m_i\right)<{\mathrm{Th}}_1\\ \{t,{\mathrm{\&sigma;}}_t=\min \left({\mathrm{\&sigma;}}_i\right)\},\mathrm{std}\left(m_i\right)\&GreaterEqual;{\mathrm{Th}}_1\end{array}\right.i=\mathrm{1,2},...,8,$

其中，m_s为m_i的最小值，s为m_s所对应的方向，σ_t为σ_i的最小值，t为σ_t所对应的方向，min代表取最小值，std代表取标准差，Th₁为设置的阈值，取值为10；

(2)根据得到的像素点方向r，根据以下公式计算当前像素点的比值特征c：

$c=\min (1-\frac{c_1}{c_2},1-\frac{c_1}{c_3}),$

其中c₁为当前像素点所在方向r上的绿色分量均值，c₂,c₃分别为其所在方向两边区域的绿色分量均值；

(3)定义血管像素点的宽度h为血管像素点所在方向的法向上的连续血管像素点个数，血管像素点长度l为血管像素点所在方向上的连续血管像素点个数，若像素点同时满足：h≤3,l≥10的条件，则将该像素点判断为细小血管上的像素点，将检测出的所有符合条件的像素点组成一个集合，并将该集合作为细小血管像素集合T，输入已经进行过第一次分割后的视网膜血管结果图v，检测该视网膜血管结果图v属于细小血管的像素点集合，并计算其比值特征的均值μ_T和方差σ_T；

(4)计算原始彩色视网膜图像绿色分量图I_g中像素点属于细小血管的权值w：

w＝|c-μ_T|

式中，c是I_g中像素点的比值特征，它近似服从一个高斯分布，μ_T为细小血管像素集合的比值特征的均值；

(5)根据计算出的像素点属于细小血管的权值w，以第一次分割后的视网膜血管结果图v中的血管作为样本，找出样本3×3邻域中所有属于细小血管的权值w小于给定阈值Th₂的像素点，并将这些像素点标记为样本，完成样本的更新，Th₂取值为σ_T，σ_T为细小血管像素集合的比值特征的方差；

(6)重复步骤（5）直到所有样本的3×3邻域中像素点属于细小血管的权值w均大于给定阈值Th₂，得到新的分割结果v′。

Images