基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法技术

本发明专利技术提出一种基于支持向量机的B‑COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，包括以下步骤：步骤S1：提取视网膜图像的绿色通道部分并对图像进行翻转处理；步骤S2：通过B‑COSFIRE滤波对翻转后的图像进行滤波增强处理；步骤S3：对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取；步骤S4：构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入；步骤S5：利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。

【技术实现步骤摘要】
基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法
本专利技术涉及医学图像处理领域，尤其涉及一种基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法。
技术介绍
视网膜血管(图像)分割在很多疾病的早期诊断中有着重要的作用，如糖尿病、青光眼和高血压等，在这些疾病的早期阶段，视网膜会发生相应的病变，尤其是血管形态和结构会发生变化。因此，实现视网膜血管的精确分割一直是医学影像处理领域中的研究热门方向和重要课题。视网膜血管的精确分割可以为医生对疾病的后续跟踪和治疗提供量化信息，起到辅助诊断和治疗的作业。目前，视网膜血管分割方法大体上可分为两类：(1)基于有监督学习的视网膜图像分割方法；(2)基于无监督学习的视网膜图像分割方法。在有监督学习方法中，需要一组人工标记的原始视网膜图像作为训练样本，通过对数据进行学习并对测试数据进行分割。而无监督学习方法，不依赖训练样本，需要根据血管形态或结构等特性进行血管分割，优点在于处理迅速，不需要大量的训练数据就能完成图像的分割。虽然有监督学习方法需要花费更多的时间和人力，但对比无监督学习方法，通过大量数据训练得到的分割模型，有监督学习方法最终的分割结果通常更加精确。
技术实现思路
针对现有技术的空白，本专利技术提供一种新型的基于B-COSFIRE滤波的多尺度支持向量机视网膜血管分割方法，本专利技术方法采用B-COSFIRE滤波方法明显提升了眼底图像中血管与背景的对比度，增强了血管的结构特征，并且本专利技术结合多尺度的特征提取策略，构建包含局部和全局信息的特征向量进行分类器的训练学习，对比单尺度的特征提取方法，有效提升了视网膜图像血管分割的准确性。本专利技术具体采用以下技术方案：一种基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于，包括以下步骤：步骤S1：提取视网膜图像的绿色通道部分并对图像进行翻转处理；步骤S2：通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理；步骤S3：对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取；步骤S4：构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入；步骤S5：利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。优选地，步骤S2中通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的具体过程为：步骤S21：计算一组高斯差分滤波响应；步骤S22：添加模糊高斯差分滤波响应和移位操作；步骤S23：计算加权几何平均作为最后的B-COSFIRE滤波响应。优选地，步骤S2中通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的具体过程为：步骤S21：对经采用提取绿色通道并翻转处理后的视网膜图像I，计算高斯差分滤波响应，即：其中|·|+表示半波整流，通过设置为0来抑制负值。其中，σ为高斯函数的标准差，Cσ(x,y)是通过将翻转的绿色通道图像和滤波器DoGσ(x,y)进行卷积获得的，*表示卷积运算，x、y代表图像的横、纵坐标值；步骤S22：添加模糊高斯差分滤波响应和移位操作，以提升B-COSFIRE的容错性：其中，σi表示最强DoG响应的标准偏差，表示相对于B-COSFIRE滤波器支撑中心的极坐标。并且标准偏差σi是到滤波器支撑中心的线性函数，表示为：σ'＝σ0'+αρi。其中σ0'和α是常量。而移位操作则是将每个模糊高斯差分滤波响应在与相反方向偏移ρi距离，其中，偏移向量为(Δxi,Δyi)，Δxi＝-ρicosφi,Δyi＝-ρisinφi；步骤S23：计算加权几何平均作为最后的B-COSFIRE滤波响应：其中，|·|t表示在最大响应的分数t(0≤t≤1)处对响应进行阈值化处理。B-COSFIRE滤波响应γs(x,y)由一组集合S的模糊移位高斯差分滤波响应的乘积加权几何平均计算得到，从而得到经过B-COSFIRE滤波处理后的视网膜血管滤波图像。优选地，步骤S4的构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入的具体过程为：步骤S41：定义三个不同大小的检测窗口，分别为：7*7、15*15和23*23；步骤S42：对于每个像素进行12个方向的检测，进而计算12个方向的像素平均值；步骤S43：分别对每个检测窗口中的像素平均灰度值进行计算，分别求出三个检测窗口12个方向上的最大平均灰度值；步骤S44：对三个窗口计算目标像素的线强度：当所求方向与血管方向平行时，线强度达到最大，当所求方向与血管方向垂直时，线强度最小；并在选取线的中心添加正交线，计算正交方向的线强度；步骤S45：结合不同尺度求出的像素线强度、正交线强度和滤波后图像的像素值，构造特征向量用于后续的支持向量机的模型训练。相较于现有技术，本专利技术及其优选方案具有以下有益效果：1.本专利技术提出了一种先进的B-COSFIRE滤波预处理方法对视网膜图像进行血管增强处理，该滤波器对血管状线型结构具有特征选择性，增强血管与背景的对比度信息，增强血管的结构特征，为后续的血管精确提取奠定了基础；2.本专利技术采用的多尺度特征提取策略简单高效，构建包含局部和全局信息的特征向量，对比单尺度的特征提取，采样更加的完整，提升视网膜图像血管分割的准确性。附图说明下面结合附图和具体实施方式对本专利技术进一步详细的说明：图1是本专利技术实施例整体流程示意图；具体实施方式为让本专利的特征和优点能更明显易懂，下文特举实施例，并配合附图，作详细说明如下：如图1所示，本实施例提供的基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，首先，提取视网膜图像的绿色通道部分并对图像进行翻转处理；而后，通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理；接着，对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取，然后，构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入，最后利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。其中，提取视网膜图像的绿色通道部分并对图像进行翻转处理的方法的具体实现方式为：根据图像三通道的特性，考虑到红色通道和蓝色通道的噪声影响和血管背景的对比度较弱，只提取彩色视网膜图像的绿色通道部分并进行图像翻转处理，进一步增强血管与背景的对比度。通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的实现方式为：首先，计算一组高斯差分滤波响应，然后，添加模糊高斯差分滤波响应和移位操作，最后，计算加权几何平均作为最后的B-COSFIRE滤波响应。具体地：对经采用提取绿色通道并翻转处理后的视网膜图像，计算高斯差分滤波响应，即：其中|·|+表示半波整流，通过设置为0来抑制负值。<本文档来自技高网...

【技术保护点】
1.一种基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于，包括以下步骤：/n步骤S1：提取视网膜图像的绿色通道部分并对图像进行翻转处理；/n步骤S2：通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理；/n步骤S3：对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取；/n步骤S4：构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入；/n步骤S5：利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。/n

【技术特征摘要】
1.一种基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于，包括以下步骤：
步骤S1：提取视网膜图像的绿色通道部分并对图像进行翻转处理；
步骤S2：通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理；
步骤S3：对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取；
步骤S4：构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入；
步骤S5：利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。


2.根据权利要求1所述的基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于：步骤S2中通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的具体过程为：
步骤S21：计算一组高斯差分滤波响应；
步骤S22：添加模糊高斯差分滤波响应和移位操作；
步骤S23：计算加权几何平均作为最后的B-COSFIRE滤波响应。


3.根据权利要求1所述的基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于：步骤S2中通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的具体过程为：
步骤S21：对经采用提取绿色通道并翻转处理后的视网膜图像I，计算高斯差分滤波响应，即：






其中，|·|+表示半波整流，通过设置为0来抑制负值,σ为高斯函数的标准差，Cσ(x,y)是通过将翻转的绿色通道图像和滤波器DoGσ(x,y)进行卷积获得的，*表示卷积运算，x、y代表图像的横、纵坐标值；
步骤S22：添加模糊高斯差分滤波响应和移位操作，以提升B-COSFIRE的容错性：
<...

【专利技术属性】
技术研发人员：张婷，魏丽芳，杨长才，林耀海，冯春晖，陈日清，
申请(专利权)人：福建农林大学，
类型：发明
国别省市：福建;35