基于动态尺度分配的视网膜血管提取方法及系统技术方案

本发明专利技术公开了基于动态尺度分配的视网膜血管提取方法及系统；方法的步骤：视网膜图像预处理：对彩色视网膜图像的绿色通道分量进行对比度增强；图像分块：对预处理后的视网膜图像分割成设定个数的子图像；血管分类：将每个子图像中血管分为大中小三类；动态尺度分配：动态选择不同尺度的滤波器对不同宽度血管进行增强；多尺度匹配滤波；阈值处理：提取出血管结构并剔除非血管结构，将所有子图像的提取结果进行重新拼接，得到视网膜血管网络二值图像；后处理得到分割精度高的视网膜血管网络图像。本发明专利技术的有益效果：实现对视网膜图像的血管提取，并在剔除复杂非血管结构的同时，避免了对血管宽度的过分估计，实现了更简单、更准确的视网膜血管提取。

【技术实现步骤摘要】

本专利技术涉及基于动态尺度分配的视网膜血管提取方法及系统。
技术介绍
迄今为止，常用的视网膜血管自动提取算法有：1、基于视网膜血管追踪方式的算法。这类方法可以较为完整的提取出视网膜血管的网络，但是算法复杂度较高，运算量较大。此外，对于一些对比度较低的视网膜血管图像，这类算法的提取准确度不够。其中比较典型的视网膜血管追踪算法是由Tolias在1998年提出的基于模糊C均值聚类算法，是在血管的起始处(视盘)挑选出合适的种子点，并由此对整个视网膜血管网络进行追踪。建立起视网膜血管横截面的一维模型，并通过建立起种子点与血管一维模型之间的模糊相似关系，对所有种子点进行分类，判断其是否属于血管，从而完成最终的血管网络分割提取。此类算法存在的最大弊病是种子点的选取会直接影响提取结果，而且在视盘中选取一个最合适的像素点作为种子点是一个比较繁重的工作。此外，此类算法对于血管的分支点的处理效果欠佳，并且会难以避免地丢失细小血管结构，使得分割结果不够准确。2、基于分类器的提取算法。这类方法的主要思想是利用视网膜血管所提供的一些先验信息，构造出一个合适的分类模型，即通常意义上的分类器，并利用构造好的分类器将视网膜图像中的像素点进行映射分类。Boyce(1999)介绍了一种监督方式的视网膜血管提取算法。这种基于分类器的识别方式对噪声极为敏感，所以最终的分类效果不是很好。3、基于匹配滤波器的提取算法，是最为经典也是使用最为广泛的一种方式。根据血管的灰度分布特征，大多数匹配滤波算法均选择高斯滤波器与视网膜图像进行匹配滤波，生成的响应具有较高的输出信噪比。其中，最早使用二维高斯匹配滤波器对视网膜血管结构进行提取的方法是Chaudhurietal.在1989年提出的。此算法基于一个事实：视网膜血管横截面的灰度分布是服从高斯分布的。因此，若将建立好的高斯滤波器模板与视网膜血管图像进行不同方向的匹配滤波，当滤波器的尺度与血管的宽度在一定范围内相吻合时，相应宽度的血管就得以增强，产生很大的卷积响应。但是文献中仅采用了一种尺度的匹配滤波器，无法使所有宽度的血管均得以增强，并且不论是血管结构还是非血管结构均对高斯匹配滤波器有很强的响应，这样会导致错误分割像素点的出现。针对经典算法的弊端，多种多尺度匹配滤波方案相继被提出，这一改进旨在利用不同尺度的滤波器对不同宽度的血管进行增强，并在后续步骤中将其准确提取。BobZhang在2010年提出的基于高斯一阶导数滤波器的视网膜血管提取算法(MF-FDOG)，是在Chaudhurietal.所提出算法的基础上，结合高斯一阶导数型匹配滤波器与图像产生卷积响应的特点，使用了多尺度的匹配滤波器对所有视网膜图像像素点进行遍历分类。这种方法虽然在一定程度上克服了台阶边缘对分割结果造成的影响，但是分割结果中仍有噪声模式存在，一些被噪声淹没的细小血管也未被提取出来。此外，此方法对于血管分支点与连通性的处理也有待提高。QinLi在2012年提出了基于多尺度滤波响应乘积(MPMF)的方法。此方法利用各尺度响应的乘积将各个宽度的血管信息在尺度域进行混合，不仅对血管进行了有效的增强且抑制了噪声，同时对分割的血管有较好的宽度估计。但本方法仍然存在一定的局限性：其使用了三个不同尺度的滤波器对视网膜血管进行提取，对于变化较大的血管宽度而言，仍存在某些不能被很好增强的血管宽度，因此难以准确地分割出所有血管；另外对于一些存在病变区域视网膜图像，还会有错误分割像素点的出现。欲以现有方法得到更高的视网膜血管分割精度，目前难以解决的技术问题是：1、如何利用多尺度方案使各宽度的血管尽量完整地被提取出来；2、如何减少错误分割点以及抑制噪声；3、如何准确地估计血管宽度。
技术实现思路
本专利技术的目的就是为了解决上述问题，提供基于动态尺度分配的视网膜血管提取方法及系统，通过对视网膜图像的预处理、图像分块、血管分类、动态尺度分配、多尺度匹配滤波、阈值分割和后处理，实现对视网膜图像的血管提取，并在剔除复杂非血管结构的同时，避免了对血管宽度的过分估计，实现了更简单、更准确的视网膜血管提取。为了实现上述目的，本专利技术采用如下技术方案：基于动态尺度分配的视网膜血管提取方法，包括如下步骤：步骤(1)：视网膜图像预处理：对彩色视网膜图像的绿色通道分量进行对比度增强；步骤(2)：图像分块：对预处理后的视网膜图像分割成设定个数的子图像；步骤(3)：血管分类：将每个子图像中血管分为大中小三类；步骤(4)：动态尺度分配：动态选择不同尺度的滤波器对不同宽度血管进行增强；步骤(5)：多尺度匹配滤波：采用多尺度方案并利用高斯匹配滤波模板和高斯一阶导数匹配滤波模板对视网膜血管图像进行滤波处理；步骤(6)：阈值处理：提取出血管结构并剔除非血管结构，将所有子图像的提取结果进行重新拼接，得到视网膜血管网络二值图像；步骤(7)：后处理：对阈值处理后的视网膜血管网络二值图像进一步消除噪声，对血管边缘进行平滑处理，消除图像中残留的视网膜边界，对不连续的细小血管进行断点连接，从而保留图像细节，得到分割精度高的视网膜血管网络图像。进一步的，所述步骤(1)的步骤为：步骤(1-1)：提取彩色视网膜图像的绿色通道分量：彩色视网膜图像含有红色、绿色和蓝色三个通道，仅选择对比度高、噪声低的绿色通道作为初始处理对象；步骤(1-2)：多尺度顶帽变换：利用形状不变，尺寸等差增大的圆形结构元素，对初始处理对象进行顶帽变换处理，增强初始处理对象的对比度；步骤(1-3)：基于高斯曲线拟合的直方图线性拉伸：对经多尺度顶帽变换增强所得图像的灰度直方图进行基于高斯曲线拟合的直方图线性拉伸，得到预处理后的视网膜图像。进一步的，所述步骤(2)的步骤为：对预处理后的视网膜图像按照尺寸进行均等分块，分割成设定个数的子图像。进一步的，所述步骤(3)的步骤为：根据血管宽度将血管分为大中小三类，依照不同宽度血管的灰度分布特征，对子图像包含的血管种类进行判断。进一步的，步骤(3)对步骤(2)的子图像自上而下、自左向右进行编号；先根据子图像位置的不同将子图像分为三类：位于原图四个角的子图像、位于原图中央的子图像和位于原图四条边的子图像；然后针对每类子图像，根据不同宽度血管的灰度分布特征，将每个子图像的血管进行分类。进一步的，针对每类子图像，根据不同宽度血管的灰度分布特征，将每个子图像的血管进行分类，步骤为：(3-1)对于位于原图四个角的子图像，子图像中均仅含有中血管；(3-2)对于位于原图中央的子图像，判断是否存在大血管，对位于原图中央的子图像灰度直方图的第一设定灰度分布范围内像素点出现的频率进行统计，当统计值大于第一设定阈值时，则代表该子图像中含有大血管，反之，不含大血管；判断是否存在中小血管，对位于原图中央的子图像灰度直方图的第二设定灰度分布范围内的灰度分布进行高斯曲线拟合，得到高斯函数峰值和方差：若高斯函数峰值大于第二设定阈值且方差小于第三设定阈值，则子图像第二设定灰度分布范围内有小血管但无中血管；若高斯函数峰值小于第二设定阈值且方差小于第三设定阈值，则子图像第二设定灰度分布范围内既无小血管又无中血管；若高斯函数峰值大于第二设定阈值且方差大于第三设定阈值，则子图像第二设定灰度分布范围内既有小血管又有中血管；若高斯函数峰值小于第二设本文档来自技高网...

【技术保护点】
基于动态尺度分配的视网膜血管提取方法，其特征是，包括如下步骤：步骤(1)：视网膜图像预处理：对彩色视网膜图像的绿色通道分量进行对比度增强；步骤(2)：图像分块：对预处理后的视网膜图像分割成设定个数的子图像；步骤(3)：血管分类：将每个子图像中血管分为大中小三类；步骤(4)：动态尺度分配：动态选择不同尺度的滤波器对不同宽度血管进行增强；步骤(5)：多尺度匹配滤波：采用多尺度方案并利用高斯匹配滤波模板和高斯一阶导数匹配滤波模板对视网膜血管图像进行滤波处理；步骤(6)：阈值处理：提取出血管结构并剔除非血管结构，将所有子图像的提取结果进行重新拼接，得到视网膜血管网络二值图像；步骤(7)：后处理：对阈值处理后的视网膜血管网络二值图像进一步消除噪声，对血管边缘进行平滑处理，消除图像中残留的视网膜边界，对不连续的细小血管进行断点连接，从而保留图像细节，得到分割精度高的视网膜血管网络图像。

【技术特征摘要】
1.基于动态尺度分配的视网膜血管提取方法，其特征是，包括如下步骤：步骤(1)：视网膜图像预处理：对彩色视网膜图像的绿色通道分量进行对比度增强；步骤(2)：图像分块：对预处理后的视网膜图像分割成设定个数的子图像；步骤(3)：血管分类：将每个子图像中血管分为大中小三类；步骤(4)：动态尺度分配：动态选择不同尺度的滤波器对不同宽度血管进行增强；步骤(5)：多尺度匹配滤波：采用多尺度方案并利用高斯匹配滤波模板和高斯一阶导数匹配滤波模板对视网膜血管图像进行滤波处理；步骤(6)：阈值处理：提取出血管结构并剔除非血管结构，将所有子图像的提取结果进行重新拼接，得到视网膜血管网络二值图像；步骤(7)：后处理：对阈值处理后的视网膜血管网络二值图像进一步消除噪声，对血管边缘进行平滑处理，消除图像中残留的视网膜边界，对不连续的细小血管进行断点连接，从而保留图像细节，得到分割精度高的视网膜血管网络图像。2.如权利要求1所述的基于动态尺度分配的视网膜血管提取方法，其特征是，所述步骤(1)的步骤为：步骤(1-1)：提取彩色视网膜图像的绿色通道分量：彩色视网膜图像含有红色、绿色和蓝色三个通道，仅选择对比度高、噪声低的绿色通道作为初始处理对象；步骤(1-2)：多尺度顶帽变换：利用形状不变，尺寸等差增大的圆形结构元素，对初始处理对象进行顶帽变换处理，增强初始处理对象的对比度；步骤(1-3)：基于高斯曲线拟合的直方图线性拉伸：对经多尺度顶帽变换增强所得图像的灰度直方图进行基于高斯曲线拟合的直方图线性拉伸，得到预处理后的视网膜图像。3.如权利要求1所述的基于动态尺度分配的视网膜血管提取方法，其特征是，所述步骤(2)的步骤为：对预处理后的视网膜图像按照尺寸进行均等分块，分割成设定个数的子图像。4.如权利要求1所述的基于动态尺度分配的视网膜血管提取方法，其特征是，所述步骤(3)的步骤为：根据血管宽度将血管分为大中小三类；并依照不同宽度血管的灰度分布特征，对子图像包含的血管种类进行判断；进一步的，步骤(3)对步骤(2)的子图像自上而下、自左向右进行编号；先根据子图像位置的不同将子图像分为三类：位于原图四个角的子图像、位于原图中央的子图像和位于原图四条边的子图像；然后针对每类子图像，根据不同宽度血管的灰度分布特征，将每个子图像的血管进行分类。5.如权利要求4所述的基于动态尺度分配的视网膜血管提取方法，其特征是，针对每类子图像，根据不同宽度血管的灰度分布特征，将每个子图像的血管进行分类，步骤为：(3-1)对于位于原图四个角的子图像，子图像中均仅含有中血管；(3-2)对于位于原图中央的子图像，判断是否存在大血管，对位于原图中央的子图像灰度直方图的第一设定灰度分布范围内像素点出现的频率进行统计，当统计值大于第一设定阈值时，则代表该子图像中含有大血管，反之，不含大血管；判断是否存在中小血管，对位于原图中央的子图像灰度直方图的第二设定灰度分布范围内的灰度分布进行高斯曲线拟合，得到高斯函数峰值和方差：若高斯函数峰值大于第二设定阈值且方差小于第三设定阈值，则子图像第二设定灰度分布范围内有小血管但无中血管；若高斯函数峰值小于第二设定阈值且方差小于第三设定阈值，则子图像第二设定灰度分布范围内既无小血管又无中血管；若高斯函数峰值大于第二设定阈值且方差大于第三设定阈值，则子图像第二设定灰度分布范围内既有小血管又有中血管；若高斯函数峰值小于第二设定阈值且方差大于第三设定阈值，则子图像第二设定灰度分布范围内无小血管但有中血管；(3-3)对于位于原图四条边的子图像，判断是否存在大血管，对位于原图边缘的子图像灰度直方图的第一设定灰度分布范围内像素点出现的频率进行统计，当统计值大于第四设定阈值时，则代表该子图像中含有大血管，反之，不含有大血管；判断是否存在中小血管的标准，与(3-2...

【专利技术属性】
技术研发人员：魏莹，勾多多，闫莉莉，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37