专利名称：基于各向异性和各向同性的视网膜图像特征点增强方法
技术领域：
本发明涉及图像处理技术领域，特别涉及一种基于各向异性和各向同性的视网膜图像特征点增强方法。
背景技术：
视网膜是一种非常复杂的结构，它主要负责将光信号转换为神经信号，是人类感知外界信息最重要的器官之一。通过眼底照相技术，可以直接获取到视网膜血管的图像，如图1所示，这些血管信息在全身很多疾病诊断与治疗中起着至关重要的作用。视网膜网络准确的分割可以用于病人的多张不同角度、不同大小的视网膜拼接，也可以用于测量血管的宽度以便判断是否患有高血压等心脑血管疾病。然而，视网膜血管检测与分割是一个复杂而困难的问题。一方面，视网膜血管网络复杂而多变，细血管较多，宽度变化范围大，视网膜图像中一般表现为一个像素到十几个像素，分布于图像的整个视区。另一方面，由于成像 设备与技术的原因，图像中细血管的对比度较低，易受到白噪声干扰，亮度不均匀，靠近视盘的区域要比远离视盘区域亮度高。视网膜分割，视网膜配准等视网膜相关的处理是视网膜分析中最重要的几个方面。视网膜图像的交叉点以及分叉点等特征点增强和检测对于视网膜图像的分割和视网膜图像的配准是非常重要的一个步骤，也是一个难点和重点。本发明提出的基于各向异性和各向同性的视网膜图像特征点增强方法能够有效地对视网膜图像的分叉点和交叉点等特征点起到很强的增强作用。
发明内容
本发明的目的在于提供一种基于各向异性和各向同性的视网膜图像特征点增强方法，使得视网膜图像中的分叉点和交叉点等特征点起到很强的增强作用，以便对视网膜图像血管分割和视网膜图像配准等提供前期的处理工作。为达到上述目的，一种基于各向异性和各向同性的视网膜图像特征点增强方法，包括S1:用高斯滤波器对视网膜灰度图像I (X，y)进行计算滤波，得到高斯滤波图像Vg(x, y)，X，y表示坐标；S2 :用基于海森矩阵的多尺度滤波器对高斯滤波图像Ve(x，y)再次进行滤波，得到多尺度滤波图像VH(x，y，s)，s为对应尺度；S3 :计算多尺度图像VH(X, y, s)每一点的两个特征值Xjx，y)和λ2(χ，y)对应的两个特征向量V1 (X, y)和￥2(1,又)；S4 :利用各向异性和各向同性计算多尺度滤波图像VH(x，y，s)的相对各向异性测度RA以及各向同性测度AR;S5 :利用相对各向异性测度RA以及各向同性测度AR，得到特征点增强血管函数Vs(x, y)，使用该血管函数对视网膜图像进行滤波，得到特征点增强图像。本发明对视网膜图像的交叉点和分叉点等特征点进行增强，以便于视网膜图像的分割和配准等处理。本发明对视网膜图像的交叉点和分叉点有明显的增强效果，增强和提取的准确率也很高。
图1为眼底照相机拍摄的视网膜彩色图像。图2为本发明提供的原始彩色图像的绿色通道灰度图像。图3为本发明提供的高斯滤波后的视网膜灰度图像。图4a为最终得到的特征点得到增强的图像，图4b和图4c为放大的增强图像。图5为本发明方法的流程图。
具体实施例方式本发明的核心思想是提出一种基于各向异性和各向同性的视网膜图像特征点增强方法。该方法基本思路为用高斯滤波器对视网膜灰度图像I U，y)进行计算滤波，得到滤波图像Ve(x，y);用基于海森矩阵的多尺度滤波器对高斯滤波图像Ve(X，y)，再次进行滤波，得到滤波图像VH(x,y, s);计算图像VH(x,y, s)每一点的两个特征值X1(Xj)和λ2(χ，y)，对应的两个特征向量V1 (X, y)和￥2(乂，y);利用各向异性和各向同性计算图像VH(x, y,s)的相对各向异性测度RA以及各向同性测度AR ;利用相对各向异性测度RA以及各向同性测度AR，得到特征点增强血管函数Vs (X，y)，使用该血管函数对视网膜图像进行滤波，得到特征点增强图像。以下结合具体的实例对本发明提供的这种基于各向异性和各向同性的视网膜图像特征点增强方法进行详细描述。下面将结合附图对本发明加以详细说明，如图5所示，步骤S1:用高斯滤波器对视网膜灰度图像I (X，y)进行计算滤波，得到滤波图像Vg(x, y)，X，y表示坐标首先对原始彩色图像取绿色通道得到灰度图像(如图2所示)，然后使用大小为4*4，均方误差σ =2的高斯滤波器(根据需要，可用不同大小，不同均方误差的高斯滤波器)对灰度图像进行滤波(如图3所示)。步骤S2 :用基于海森矩阵的多尺度滤波器对高斯滤波图像Ve(X，y)，再次进行滤波，得到滤波图像Vh(X，y，s)’s为对应尺度。一幅视网膜灰度图像多尺度表示为
权利要求
1.一种基于各向异性和各向同性的视网膜图像特征点增强方法，包括 51:用高斯滤波器对视网膜灰度图像I (X，y)进行计算滤波，得到高斯滤波图像Ve(X，y)，X，y表示坐标； 52:用基于海森矩阵的多尺度滤波器对高斯滤波图像Ve(x，y)再次进行滤波，得到多尺度滤波图像Vh(X，y，s)，s为对应尺度； 53:计算多尺度图像VH(x, y, s)每一点的两个特征值λ^χ，y)和λ2(χ，y)对应的两个特征向量V1U, y)和A (X，y)； 54:利用各向异性和各向同性计算多尺度滤波图像VH(x，y，s)的相对各向异性测度RA以及各向同性测度AR; 55:利用相对各向异性测度RA以及各向同性测度AR，得到特征点增强血管函数Vs(x，y)，使用该血管函数对视网膜图像进行滤波，得到特征点增强图像。
2.根据权利要求1所述的方法，其特征在于，所述高斯滤波器为4*4大小，均方误差σ=2的高斯滤波器。
3.根据权利要求1所述的方法，其特征在于，所述尺度s下的海森矩阵Vh(X，y, s)表示为
4.根据权利要求1所述的方法，其特征在于，所述相对各向异性测度RA表示为
5.根据权利要求1所述的方法，其特征在于，所述各向同性测度AR表示为
6.根据权利要求1所述的方法，其特征在于，所述的特征点增强血管函数Vs(x，y)表示为
7.根据权利要求6所述的方法，其特征在于，所述图像的管状结构的响应Ls(x，y)表示为
8.根据权利要求6所述的方法，其特征在于，所述图像的交叉点或者分叉点结构的响应Bs (X，y)表示为
全文摘要
一种基于各向异性和各向同性的视网膜图像特征点增强方法，包括用高斯滤波器对视网膜灰度图像I(x，y)进行计算滤波，得到高斯滤波图像VG(x，y)，x，y表示坐标；用基于海森矩阵的多尺度滤波器对高斯滤波图像VG(x，y)再次进行滤波，得到多尺度滤波图像VH(x，y，s)，s为对应尺度；计算多尺度图像VH(x，y，s)每一点的两个特征值λ1(x，y)和λ2(x，y)对应的两个特征向量v1(x，y)和v2(x，y)；利用各向异性和各向同性计算多尺度滤波图像VH(x，y，s)的相对各向异性测度RA以及各向同性测度AR；利用相对各向异性测度RA以及各向同性测度AR，得到特征点增强血管函数Vs(x，y)，使用该血管函数对视网膜图像进行滤波，得到特征点增强图像。本发明对视网膜图像的交叉点和分叉点有明显的增强效果，增强和提取的准确率也很高。
文档编号G06T5/00GK103020910SQ20121052014
公开日2013年4月3日 申请日期2012年12月6日 优先权日2012年12月6日
发明者田捷, 李国栋 申请人:中国科学院自动化研究所