本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種基于多特征融合的彩色眼底圖像視杯分割方法?？捎糜诓噬鄣讏D像視杯分割。視杯的準(zhǔn)確分割對青光眼的早期預(yù)防及治療具有重要的臨床意義。對于眼底圖像分析具有重要的作用。

背景技術(shù)：

青光眼已被世界衛(wèi)生組織列為第二大致盲眼病，到2020年將影響全世界約8000萬人。青光眼是一種慢性眼科疾病，雖然不能徹底治愈，但是如果早期發(fā)現(xiàn)并加以治療可以延緩病情發(fā)展，甚至可以避免失明。所以早期發(fā)現(xiàn)和治療對青光眼患者來說至關(guān)重要。在青光眼的眼底照相檢查中，杯盤比(Cup Disc ratio，CDR)是一個重要的檢測參數(shù)。杯盤比一般是指視杯與視盤的面積之比或垂直直徑之比。由于視杯在眼底圖像中個體差異大、面積較小、與盤沿對比度不高、血管遮擋等因素給視杯的分割增加了很大難度，因此研究一種能夠應(yīng)用于實際臨床的眼底圖像視杯分割方法將具有重要的實際應(yīng)用意義。

根據(jù)視杯具有的特性，國內(nèi)外研究人員提出了諸多視杯分割方法，大致可以分為2類。一類是利用視杯的外觀特性如亮度、顏色等進行視杯分割；第二類是基于血管特性的視杯分割方法，即毛細血管在穿過視杯邊沿時會突然改變方向形成一個彎折，彎折點所在的位置即為視杯邊界。分析已有的眼底圖像視杯分割方法，利用視杯的外觀特性的視杯分割方法簡單易實現(xiàn)，但是，在不同的眼底圖像庫中，由于視杯的個體差異性大拍攝條件不同造成視杯的亮度和對比度不明顯，使得這類方法很難正確分割視杯，算法精確度及魯棒性不高。而對于基于血管特性的視杯分割方法，一般采用監(jiān)督方法。但基于監(jiān)督的學(xué)習(xí)方法依賴訓(xùn)練數(shù)據(jù)及手動特征提取，不能很好地適用于不同圖庫。而且這類方法過于依賴基于視杯亮度特征選取的初始輪廓。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是克服現(xiàn)有技術(shù)的上述不足，提出了一種基于多特征融合的彩色眼底圖像視杯分割方法。該方法充分利用了視杯自身特征與結(jié)構(gòu)特征，使得分割更加準(zhǔn)確。并且通過對視杯候選區(qū)域的位置和形狀校正，還克服了僅根據(jù)視杯亮度特征作為血管彎曲點更新的初始輪廓不準(zhǔn)確的缺點。該方法采用無監(jiān)督的學(xué)習(xí)方式，無需訓(xùn)練樣本，可以適用于不同數(shù)據(jù)庫。實現(xiàn)本發(fā)明目的的技術(shù)方案，包括下列步驟：

(1)利用視盤的靜脈血管結(jié)構(gòu)特征定位視盤并提取感興趣區(qū)域；

(2)采用多方向的自適應(yīng)高斯差分濾波器對經(jīng)過增強和平滑的眼底圖像進行匹配濾波，實現(xiàn)感興趣區(qū)域血管的提??；

(3)提取視盤區(qū)域；

(4)利用模糊C均值聚類(fuzzy c-means algorithm，F(xiàn)CM)的方法提取視杯候選區(qū)；

(5)根據(jù)視杯的形狀及位置特征對候選區(qū)域進行橢圓擬合校正得到視杯的粗分割結(jié)果；

(6)利用基于k-余弦曲率的角點檢測方法定位毛細血管彎曲點，更新視杯粗分割結(jié)果得到最終視杯分割結(jié)果。

本發(fā)明與現(xiàn)有技術(shù)相比較具有如下優(yōu)點：

1.本發(fā)明采用視杯自身特征與結(jié)構(gòu)特征相結(jié)合的方式，對血管遮擋嚴(yán)重、對比度低、亮度不均等圖像具有較高的魯棒性和準(zhǔn)確性。

2.本發(fā)明通過對視杯候選區(qū)域的位置和形狀校正，克服了僅根據(jù)視杯亮度特征作為血管彎曲點更新的初始輪廓不準(zhǔn)確的缺點。

3.本發(fā)明采用非監(jiān)督方式，無需訓(xùn)練數(shù)據(jù)及手動特征提取，能很好地適用于不同圖庫。

附圖說明

圖1：本發(fā)明的流程圖。

圖2：(a)原始圖像，(b)感興趣區(qū)域圖像

圖3：感興趣區(qū)域血管提取結(jié)果。

圖4：視盤提取結(jié)果。

圖5：視杯候選區(qū)提取：(a)血管擦除圖像，(b)視杯候選區(qū)提取結(jié)果

圖6：視杯橢圓擬合校正結(jié)果圖。(a)水平對稱結(jié)果圖，(b)豎直對稱結(jié)果圖，(c)橢圓擬合校正結(jié)果(虛線表示視杯橢圓擬合校正結(jié)果，實線B為專家標(biāo)注金標(biāo)準(zhǔn))

圖7：視杯精確分割結(jié)果圖。(a)視盤血管感興趣區(qū)域提取(虛線框為感興趣區(qū)域)，(b)血管彎曲點檢測結(jié)果(*表示血管彎曲點)，(c)視杯精確分割結(jié)果(虛線表示視杯精確分割結(jié)果，實線B為專家標(biāo)注金標(biāo)準(zhǔn))

圖8：本發(fā)明應(yīng)用到Glaucomarepro數(shù)據(jù)庫的結(jié)果圖。(a)受血管干擾較大的視杯，(b)對比度不明顯的視杯，(c)面積大小不一的視杯(虛線表示視杯分割結(jié)果，實線B為專家標(biāo)注金標(biāo)準(zhǔn))

具體實施方式

本發(fā)明的流程圖如圖1所示，首先采用多方向自適應(yīng)高斯差分濾波器對經(jīng)過增強和平滑的眼底血管進行匹配濾波，實現(xiàn)感興趣區(qū)域血管的提取。然后在視盤分割的基礎(chǔ)上，利用模糊C均值聚類(FCM)的方法提取視杯候選區(qū)，再根據(jù)視杯的形狀及位置特征對視杯候選區(qū)域進行橢圓擬合校正得到視杯的粗分割結(jié)果。最后利用基于k-余弦曲率的角點檢測方法定位毛細血管彎曲點，更新視杯粗分割結(jié)果得到最終視杯分割結(jié)果。下面結(jié)合附圖，對本發(fā)明技術(shù)方案的具體實施過程加以說明。

1.提取感興趣區(qū)域；

輸入如圖2(a)所示的彩色眼底圖像，首先采用基于低帽運算的方法提取眼底圖像中的靜脈血管，然后基于靜脈血管的結(jié)構(gòu)特征，采用最小二乘拋物線擬合法初步定位視盤，最后通過滑動窗口灰度掃描的方法來精確定位視盤，并以定位結(jié)果為中心提取561×561大小的感興趣區(qū)域如圖2(b)所示。

2.采用多方向的自適應(yīng)高斯差分濾波器對經(jīng)過增強和平滑的眼底圖像進行匹配濾波，實現(xiàn)感興趣區(qū)域血管的提取；

選取圖像綠色通道進行后續(xù)處理。首先采用對比度受限的自適應(yīng)直方圖均衡化增強眼底圖像，并采用各向異性耦合擴散濾波的方法平滑血管，接著依次對感興趣區(qū)域做12個方向上的高斯差分運算。高斯差分濾波器的表達式如下：

D_o(x，y，σ)＝G_o(x，y，σ_i)-G_o(x，y，σ_i-1)

尺度因子σ_i比σ_i-1大，G_o(x，y，σ_i)是高斯核，定義如下：

其中，o代表方向，σ為高斯核尺度因子，高斯核G_o(x，y，σ_i)的窗口大小為W×W，W是根據(jù)血管寬度選擇的，確保在濾波器窗口內(nèi)，血管和背景的像素具有相同的數(shù)目。因此，W設(shè)置為血管寬度的兩倍。

最后采用全局閾值法對每個方向的高斯差分運算進行閾值分割，得到血管分割結(jié)果B_i(x，y)，(i＝0，1，...，11)，最終對每個方向的結(jié)果做或運算進行疊加融合得到最終分割結(jié)果B(x，y)如下式所示：

B(x，y)＝B₀(x，y)|B₁(x，y)|…|B₁₁(x，y)

血管分割結(jié)果如圖3所示。相較于多尺度形態(tài)學(xué)操作，本文算法充分保持了血管的連續(xù)性，能夠準(zhǔn)確分割出血管且針對毛細血管的分割效果較好。

3.提取視盤區(qū)域

利用上一步提取的血管區(qū)域，采用插值運算填充移除血管區(qū)域的像素信息，采用邊緣保留平滑濾波對視盤區(qū)域進行平滑，在去除血管干擾的同時增強了視盤與背景之間的對比度。最后采用CV模型利用局部區(qū)域信息，對視盤進行分割。視盤分割結(jié)果如圖4所示。

4.利用模糊C均值聚類(FCM)的方法提取視杯候選區(qū)；

在視盤分割的基礎(chǔ)上，采用FCM聚類方法提取視杯候選區(qū)。由于視杯在綠色通道上對比度較高，所以選擇綠色通道進行聚類。首先為了消除血管對聚類的影響，采用鄰域差值法移除視盤區(qū)域的血管，結(jié)果如圖5(a)所示。然后對視盤區(qū)域進行FCM聚類。FCM算法用隸屬度確定每個數(shù)據(jù)屬于某個類的程度，其基本思想是尋找目標(biāo)函數(shù)的迭代最小化，目標(biāo)函數(shù)定義為：

式中：J(U，V)表示區(qū)域的像素到聚類中心加權(quán)距離的平方和，J(U，V)值的大小反映圖像區(qū)域的緊致性，值越小表示像素是一個區(qū)域的可能性越大，聚類效果越好；c為類別數(shù)；x_k(k＝1，…，n)表示圖像像素的灰度值或像素的特征值；u_ik表示x_i屬于第k類區(qū)域的隸屬度；||x_k-v_i||表示x_k到v_i的歐氏距離；參數(shù)m是隸屬度的加權(quán)指數(shù)，是為了加強像素灰度值屬于不同區(qū)域的對比度，它決定分類結(jié)果的模糊程度，默認取m＝2。本文用FCM法分割視杯具體步驟如下：

(1)用值在[0，1]間的隨機數(shù)初始化隸屬矩陣U，使其滿足如下式的約束條件。

(2)為使目標(biāo)函數(shù)最小化，利用拉格朗日乘子建立最優(yōu)化函數(shù)，求目標(biāo)函數(shù)關(guān)于隸屬度u_ik的偏導(dǎo)數(shù)和聚類中心v_i的偏導(dǎo)數(shù)如下式所示，并令偏導(dǎo)數(shù)為零，不斷進行迭代更新隸屬矩陣和聚類中心。

(3)當(dāng)隸屬度偏導(dǎo)數(shù)與聚類中心的偏導(dǎo)數(shù)滿足終止條件，則迭代終止。

本發(fā)明選取聚類類數(shù)k為6，模糊度m為2(默認值)。依據(jù)視杯為視盤中心最亮的區(qū)域這一特點，提取平均亮度值最大且靠近視盤中心的一類作為視杯的候選區(qū)，結(jié)果如圖5(b)所示。

5.根據(jù)視杯的形狀及結(jié)構(gòu)特征對候選區(qū)域進行橢圓擬合校正得到視杯的粗分割結(jié)果；

本文利用視杯的對稱性補全視杯，再利用視杯的形狀特征及位置特征對對稱后的視杯進行橢圓擬合校正，使得視杯粗分割提取結(jié)果更加準(zhǔn)確。有利于下一步視杯精確分割。具體步驟如下：

(1)首先以過視杯候選區(qū)中心的水平直線為視杯水平方向?qū)ΨQ軸，對視杯候選區(qū)域做水平方向鏡像對稱。結(jié)果如圖6(a)所示。

(2)相同地以過靠近鼻側(cè)視杯候選區(qū)最高點的豎直直線為垂直方向?qū)ΨQ軸，對水平鏡像結(jié)果做豎直鏡像對稱。若最高點位于視杯候選區(qū)中心靠顳側(cè)部分，則選取過視杯候選區(qū)中心的豎直直線為垂直方向?qū)ΨQ軸，對水平鏡像結(jié)果作豎直鏡像對稱。結(jié)果如圖6(b)所示。

(3)提取鏡像對稱后的視杯區(qū)域，根據(jù)視杯為類圓形形狀特征，對其進行橢圓擬合。本文選取的橢圓擬合方式為最小二乘法。根據(jù)橢圓方程：

Ax²+Bxy+Cy²+Dx+Ey+F＝0

基于代數(shù)距離最小原則求得所有橢圓中最優(yōu)橢圓。得到橢圓的中心點坐標(biāo)(x_c，y_c)、橢圓方向θ、橢圓長軸A、橢圓短軸B。

(4)橢圓的長短軸之比D可以作為橢圓圓扁程度的一種量度。D的定義如下：

當(dāng)D＞1.3橢圓較扁不符合視杯形狀特征需要校正。由于視杯豎直方向分割較準(zhǔn)確，水平方向由于視杯對比度或?qū)ΨQ軸選取等原因會造成分割過大，所以，當(dāng)D＞1.3時，對橢圓長軸A進行校正如下式所示：

A＝1.3·B

視杯是位于視盤中心最亮區(qū)域，視杯中心與視盤中心近似相等。所以當(dāng)擬合后的橢圓中心C_oc與視盤中心C_od滿足(d_od為視杯直徑)時，則需要對擬合后的橢圓進行位置校正，將視盤中心作為橢圓中心。校正結(jié)果如圖6(c)所示。

6.利用基于k-余弦曲率的角點檢測方法定位毛細血管彎曲點，更新視杯粗分割結(jié)果得到最終視杯分割結(jié)果；

血管彎曲特征指的是毛細血管在穿過視杯邊沿時會突然改變方向形成一個彎折，彎折點所在的位置即為視杯邊界。視杯精確分割步驟如下：

(1)提取視盤區(qū)域血管。將上文中的得到血管分割結(jié)果B(x，y)與得到視盤區(qū)域A_OD(x，y)相乘得到視盤區(qū)域血管。

(2)感興趣區(qū)域選取。以視盤中心為靠近鼻側(cè)的矩形邊的中心，選取矩形區(qū)域。矩形的長為160，寬為靠近鼻側(cè)的矩形邊的頂點到視盤邊緣距離的最小值。結(jié)果如圖7(a)所示。

(3)血管彎曲點檢測。首先將矩形區(qū)域的血管細化，然后利用基于k-余弦曲率的角點檢測方法檢測出局部曲率最大值點。令：

a_ik＝(x_i-x_i-k，y_i-y_i-k)

b_ik＝(x_i-x_i+k，y_i-y_i+k)

為p_i＝(x_i，y_i)點的兩個k維向量，則a_ik與b_ik之前夾角的k-余弦定義為：

對基于k-余弦曲率的角點檢測方法檢測到的角點進行篩選，選取角度φ范圍為[100°，260°]的角點作為候選角點。最后根據(jù)視杯的亮度特征及彎曲點的位置特征對檢測出的角點進行篩選確定血管彎曲點。結(jié)果如圖7(b)所示。

(4)視杯精確分割。根據(jù)視杯粗分割結(jié)果依次提取視杯上緣、鼻側(cè)、下緣上的五個點(右眼：θ＝{0°，45°，90°，135°，180°})，加上顳側(cè)部分血管彎曲點，利用最小二乘法進行橢圓擬合得到最終視杯分割結(jié)果。視杯精確分割結(jié)果如圖7(c)所示。

圖8為本發(fā)明應(yīng)用于Glaucomarepro眼底數(shù)據(jù)庫的結(jié)果圖，從圖中可以看出無論是受血管遮擋較嚴(yán)重的眼底圖像(如圖8(a)所示)，還是杯盤對比度較低、亮度較暗的眼底圖像(如圖8(b)所示)，本文方法都可以準(zhǔn)確分割出視杯；對于健康眼底圖像、青光眼眼底圖像以及視杯較小的圖像(如圖8(c)依次所示)也能準(zhǔn)確分割。實驗結(jié)果表明，在血管遮擋較嚴(yán)重、杯盤對比度低、亮度不同及面積大小不一的情況下，均能準(zhǔn)確地分割視杯，說明本方法具有良好的魯棒性。