基于形态学分割的眼底图像病变检测方法技术

一种基于形态学分割的眼底图像病变检测方法，首先对眼底图像进行平滑滤波，并采用区域生长法定位视盘所在区域；然后通过形态学处理得到去除渗出区域的眼底背景图像，并通过阈值分割得到包括血管及出血的混合区域图像；最后通过Kirsch算子进行边缘检测并通过区域生长得到血管图像，其与混合区域图像的差值即为出血区域图像并计算得到该区域面积。本发明专利技术避免了灰度相近的血管在其它出血检测算法中可能带来的干扰，也同时加快了检测速度。

【技术实现步骤摘要】

本专利技术涉及的是一种图像处理领域的技术，具体是一种基于眼底图像健康区域背景还原的硬性渗出检测方法及基于边缘检测及区域生长的出血检测方法。
技术介绍
随着计算机图形处理技术的发展，对眼底图像的分析不再仅仅依靠于眼科医生的肉眼观察，早在20世纪七八十年代国外学者就已经提出了基于眼底图像处理与分析的自动检测硬性渗出和出血的技术，并进行了大量的研究。传统的人工定性分析缺乏量化手段。依靠计算机快速可靠地自动识别眼底图像中的病灶，可以避免医生对病人注射特殊药剂使其眼底图像清晰，同时也避免了医生的人工阅片判断，节省了大量人力物力以及时间，为大规模筛查病变的实施提供了基础条件。其研究成果在医学图像处理领域有着极大的现实意义。目前常用的眼底图像检测渗出与出血的方法有形态学操作，阈值分割，区域生长算法，SVM分类器，基于马尔科夫模型的聚类分析。形态学操作主要通过出血和渗出的形态与血管不相同，对图像进行开闭操作之后消除噪声，然后通过形态检测将血管从图像中分割出去，留下硬性渗出和出血。阈值分割法主要通过将眼底图像转变为灰度图之后，出血的灰度相对较低，硬性渗出的灰度相对较高，通过采用适当阈值分割图像将出血与渗出检测出来。区域生长算法通过对图像进行采样取合适的种子点，然后进行区域生长，把灰度相近的像素发展成更大的区域，把出血和渗出包括进来。SVM分类器和基于马尔科夫模型的聚类分析通过对大量的数据进行取样分析，通过机器学习的方式使得计算机能够识别出哪些地方是出血哪些地方是渗出。以下是各类方法的分析评估。表1眼底图像处理方法总的来说，现有的眼底图像处理方法主要存在以下缺陷：(1)精度低，不能进行精确的定量分析。(2)需要固定的参数组合，普适性小，不能针对多种图像进行准确的分析。(3)需要大量数据作为训练样本。对于没有大量数据作为样本的用户不能起到效果。(4)某些算法计算代价过大，计算成本太高。超出一般计算机的计算能力。虽然目前有大量关于眼底图像分析的研究成果，但是开销太大的算法，需要大量数据作为基础的机器学习，以及精度较差，普适性不高的其他方法并不能满足当今医院对眼底图像处理的需求。因此，亟需一种快速高效的计算机图像处理与模式识别系统应用于糖尿病眼病的临床诊断。经过对现有技术的文献检索发现，Kande GB,Savithri TS等人在2009年“IEEE Int.Symp.Biomed.Imaging:From Nano to Macro”第558页至第561页上发表的“Detection of red lesions in digital fundus images”(数字眼底图像中红色病变区域的检测)文章中提出了一种检测眼底图像中出血区域的方法。该方法首先用基于相对熵的阈值对眼底图像进行分割，然后用形态学顶帽变换的方法提取血管，最后用支持向量机对红斑区进行分类。该方法有一些局限性：眼底图像中，出血区域与血管相连是普遍的情况，在阈值分割的误差基础上进行形态学顶帽变换，放大了这种误差，产生不好的效果。另外，因病人的病情而异，眼底图像中病变区域的特征很多，可分为很多种类，支持向量机是借助二次规划来求解支持向量，对于大规模的训练样本，耗费了一定的计算量，其运算速度方面还存在较大的提升空间。除此以外，在Saiprasad Ravishankar,Arpit Jain,Anurag Mittal等人在2009年发表的Automated Feature Extraction for Early Detection of Diabetic Retinopathy in Fundus Images(眼底图像中糖尿病早期检测特征自动提取)中，提供了一系列检测眼底图像病变的方法，在硬性渗出的自动检测中，文章首先运用两次膨胀操作并用两者做差找到渗出区域边界，再通过形态学填充获取候选区域，最后通过渗出区域灰度特征进行分类。该方法局限性在于，边界可能有断裂导致填充操作困难，进而遗漏一些病变区域。基于以上的技术，亟需寻找一种新的渗出与出血自动检测方法以及计算框架，以在提升运算速度和鲁棒性的同时达到最优的精确定位出病变区域的效果。
技术实现思路
本专利技术针对现有技术对某些弱边缘响应不精确，对与血管相连的出血区域检测也不甚理想，而且计算量大，运算速度等方面存在的不足，提出一种基于形态学分割的眼底图像病变检测方法，利用图像的梯度信息、灰度信息以及血管灰度相近的特点，通过渗出检测算法和出血检测算法，以形态学手段进行特征提取，免去了分类等复杂的方法，既提高了运算实时性，又不失准确度，在适应不同种类眼底图像的同时，避免了灰度相近的血管在其它出血检测算法中可能带来的干扰，也同时加快了检测速度。本专利技术是通过以下技术方案实现的：本专利技术涉及一种基于形态学分割的眼底图像病变检测方法，首先对眼底图像进行平滑滤波，并采用区域生长法定位视盘所在区域；然后通过形态学处理得到去除渗出区域的眼底背景图像，并通过阈值分割得到包括血管及出血的混合区域图像；最后通过Kirsch算子进行边缘检测并通过区域生长得到血管图像，其与混合区域图像的差值即为出血区域图像并计算得到该区域面积。所述的眼底图像优选经预处理，该预处理包括HSV色彩空间亮度修正及基于限制对比度直方图均衡的对比度增强。所述的形态学处理包括：膨胀操作去除血管、通过梯度算子寻找边界、形态学填充覆盖渗出区域、迭代腐蚀操作获取背景等。技术效果与现有技术相比，本专利技术无需使用荧光剂等对病人有害的物质就能较为准确地计算区域面积；对于不同仪器拍摄的亮度、对比度不尽相同的眼底图像能够做到较好地适应，仅需调整一两个参数即可做到准确检测；与现有方法中的固定阈值相比，部分阈值采取与图像最大灰度的比值形式给出，普适性更强，对于大部分图像(不同亮度、灰度等)并不需要改变阈值的大小。附图说明图1为本专利技术结构示意图。图2为本专利技术流程示意图。图3为实施例中Kirsch算子边缘提取模板示意图。图4为实施例中眼底图像病变检测系统MATLAB界面示意图。图5为实施例中形态学填充后结果示意图。图6为实施例中腐蚀重建迭代后生成的背景图片示意图。图7为实施例中硬性渗出检测结果示意图。图8为实施例中出血检测结果示意图。具体实施方式下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例1如图1所示，本实施例包括以下步骤：第一步、输入待检测的眼底图像，并进行预处理，具体为：1.1)利用HSV空间亮度分量实现亮度均衡：首先将眼底图像转化为HSV空间，将其中的V分量进行如下操作：其中：XV表示像素点的V分量，X’V表示更新后的像素点的V分量值；然后将X’V返回该像素点的RGB空间，即完成了亮度均衡。1.2)通过限制对比度自适应直方图均衡(CLAHE)实现对比度增强；该操作既满足了自适应直方图均衡的通过局部直方图重新分布亮度从而达到对比度增强的效果，又克服了普通自适应直方图均衡的过度放大噪音的问题，在眼底图像病变区域面积较小时，噪音的抑制是有必要的。第二步、在预处理后的图像上定位视盘所在区域，具体为：2.1)使用31*31的算子进行均值滤波，消除背景和病变区域可能导致的错误定位。2本文档来自技高网...

【技术保护点】
一种基于形态学分割的眼底图像病变检测方法，其特征在于，首先对眼底图像进行平滑滤波，并采用区域生长法定位视盘所在区域；然后通过形态学处理得到去除渗出区域的眼底背景图像，并通过阈值分割得到包括血管及出血的混合区域图像；最后通过Kirsch算子进行边缘检测并通过区域生长得到血管图像，其与混合区域图像的差值即为出血区域图像并计算得到该区域面积。

【技术特征摘要】
1.一种基于形态学分割的眼底图像病变检测方法，其特征在于，首先对眼底图像进行平滑滤波，并采用区域生长法定位视盘所在区域；然后通过形态学处理得到去除渗出区域的眼底背景图像，...

【专利技术属性】
技术研发人员：许哲宇，胡昊坤，马力天，殷本俊，盛斌，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31