本发明属于计算机领域，提出一种基于SVM的医疗图像血管识别方法，能很好的提取出医疗图像血管网络，尤其是眼底图像血管。
背景技术：
在医疗诊断和医学研究中，血管是非常重要的生物组织，许多器官发生病变时，其血管会出现异常。如眼睛中的视网膜血管、心脏中的冠状动脉血管、肺部小血管等。其中，视网膜是人体中唯一可以以非创伤方式直接观察到的较为深层的血管，而且视网膜血管是眼底图像中可见的最主要解剖结构，其结构特征变化直接反映身体的各种病变。视网膜眼底图像还可以作为判断白内障等多种疾病的重要依据，计算机的自动眼底图像处理与分析在辅助医疗诊断中有重要的价值，而且所提取的血管可以作为一种特征用于白内障眼底图像分类。
此外，考虑到眼底筛查结果客观性、可重复性、准确性以及大批量的需求，临床上对视网膜血管的自动检测以及定量分析提出来迫切要求。因此，采取有效的方法自动提取视网膜眼底图像中的血管结构，有助于对白内障等眼底疾病的早期诊断、治疗跟踪，在临床上具有重要的应用价值。
目前，针对视网膜眼底图像血管的提取，国内外已经做了较多的研究，不断有新方法涌现。根据分割时是否有采用标准图像提供的特征数据规则，现有的视网膜血管分割方法分为非监督和监督方法两大类。非监督方法主要包括局部滤波法、局部自适应阈值法和血管跟踪法等。有监督的方法包括基于脊波的血管分割法和基于神经网络的像素分类法。作为图像分析和模式识别的重要问题，图像分割的方法也越来越被众多人关注，诸如阈值分割法、边缘检测分割法、基于聚类分割法等。支持向量机(SVM)在图像分割领域也占有一席之地。
2012年，由Nilanjan Dey，Anamitra Bardhan Roy等发表的International Journal of Computer Science and Network论文“FCM Based Blood Vessel Segmentation Method for Retinal Images”中，提出了一种基于基础图像处理技术和FCM技术结合的分割眼底图像血管的方法。首先提取眼底图像的G分量通道(即绿色通道)，接着进行直方图均衡化对图像进行增强。直方图均衡化是一种利用灰度变换自动调节图像对比度质量的方法，基本思想是通过灰度级的概率密度函数求出灰度变换函数，它是一种以累计分布函数变换方法为基础的直方图修正法。直方图均衡化后紧接着对眼底图像的前景与背景相减，然后进行中值滤波，完成图像的初步处理。其中，中值滤波可以去除图像中的椒盐噪声，平滑效果优于均值滤波，在抑制噪声的同时还能够保持图像的边缘清晰。中值滤波后通过FCM对眼底图像进行分割，即通过迭代求值更新隶属度矩阵和聚类中心，最终将图像分为前景背景两类(即血管和非血管)，提取出血管网络。最后经过二值化处理提取出最终的血管图像。
2002年，由Conor Heneghan,John Flynn等发表的Medical Image Analysis 论文“Characterization of changes in blood vessel width and tortuosity in retinopathy of prematurity using image analysis”提出一种利用形态学技术提取眼底血管的方法。形态学是一种应用于图像处理和模式识别领域的方法，具有完备的数学基础，这为形态学图像分析和处理等奠定了坚实的基础。经过形态学的处理以及滤波可以达到增强血管网络、保留血管分叉以及交汇部分。此论文首先用形态学预处理来突出血管结构，然后用几个算子进一步强调细血管结构、过滤血管，最后使用形态学滤波以及阈值化，得到最终的血管图像。
然而只通过上面介绍的已有方法不能太精确的提取到血管，尤其是患有白内障等模糊图像的眼底血管，使得一般的提取方法所达到的效果并不理想，采用SVM，并通过专家手动分割后训练的SVM进行优化，可以更有效精确地提取血管网络。
技术实现要素：
本发明提出一种基于SVM的医疗图像血管识别方法。结合了FCM自动选取训练样本和专家手工标记相结合，使血管的提取效果更好，尤其是眼底图像的血管提取效果，患有白内障的模糊血管也可以提取出部分血管。由于视网膜是人体中唯一可以以非创伤方式直接观察到的较为深层的血管，且眼底图像在医疗图像里运用最广泛，所以本发明均以眼底图像为例介绍。
为实现上述目的，本发明采用如下的技术方案：
一种基于SVM的医疗图像血管识别方法包括以下步骤：
S1、获取眼底图像；
S2、对所述眼底图像进行血管的绿色通道分量提取，得到待处理眼底图像；
S3、通过FCM自动选取训练样本，提取样本颜色和纹理特征，即分别提取血管部分和非血管部分的特征，然后训练SVM模型；
S4、通过专家标记后的图像训练出的SVM模型来交叉验证FCM自动选取的样本所训练的SVM模型，优化SVM参数；
S5、采用优化好的SVM分类器对待处理眼底图像进行分割，即初步提取眼底图像血管；
S6、对所述初步提取眼底图像血管进行形态学操作及阈值化处理，实现最终提取眼底血管。
作为优选，基于FCM训练样本自动选取以及训练SVM模型包括以下步骤：
(1)、灰度化以及初始化参数：像素点的灰度值作为像素点的属性值，初始化参数，设定聚类个数，取c＝2(即分为血管和背景)，以及收敛误差ε；
(2)、更新迭代求聚类中心、隶属度矩阵：对图像所有领域窗口计算局部空间信息、局部灰度信息、局部相似性度量，然后运用上述参数值计算线性加权求和图像，更新隶属度矩阵，更新聚类中心，用新的聚类中心计算方法更新迭代，直到灰度之差小于ε为止；
(3)、对像素点分类：通过隶属度函数uk(xi,yi)(k＝1,2,…,c；i＝1,2,…,n)对像素点进行分类,uJ(xi,yi)＝max(u1(xi,yi),u2(xi,yi),…,uc(xi,yi)),即第i个像素点(xi,yi)属于第J类，所述隶属度函数uk(xi,yi)为SVM参数；
(4)、训练样本的自动选取和标注：对于属于第J类的像素点，随机选取个数为uJ/t的像素点作为第J类的训练样本，其中，uJ是第J类像素点的个数，t值的选取依赖于样本的个数。
作为优选，步骤S6中的形态学操作及阈值化处理包括：灰度取反、高帽滤波、阈值化处理。
本发明的基于SVM的医疗图像血管识别方法，包括：首先SVM分类器是通过专家手工分割后的样本训练出来的SVM模型对FCM自动选取的样本训练出的SVM模型进行交叉验证、优化后的结果，使分割结果更加精确；然后采用SVM分割血管，其实就是将像素点分为前景(即血管)和背景(即除血管外其他部分)两类，然后把血管部分提取出来，最后通过形态学处理以及阈值化可以达到增强血管网络、保留血管分叉以及交汇部分，最终转化为二值图像可以更直接地反映血管分布。本发明采用了FCM、SVM和形态学图像处理相结合，可使识别效果更好。
与现有技术相比，本发明具有以下优点：
本发明以大量眼底图像数据为条件，结合了模式识别和图像处理技术，运用FCM、SVM和形态学图像处理作为基础算法。同时，训练集通过由FCM处理结果以及人工处理结果两部分组成，通过他们的交叉验证与优化后得到分类器，这样既考虑了分类的准确性，也考虑了数据集的多样性，能更好的提高血管识别的准确率。
附图说明
结合附图，从下面对本发明实施例的详细描述，将更好地理解本发明，其中：
图1为本发明的血管提取的方法框图。
图中：1、医疗图像，2、提取G分量，3、用专家手工标记的样本图像训练SVM模型，4、基于FCM的训练样本的自动选取以及训练SVM模型，5、交叉验证，优化SVM参数，6、用最终优化好的SVM分类器分割图像，7、形态学处理以及阈值化，8、最终提取出的血管。
具体实施方式
下面将详细描述本发明各个方面的特征和事例性实例。用于实现此血管提取方法的软件可以是Matlap或者OpenCV。这两个开发工具都有很好的图像处理功能。
本发明实施例一种基于SVM的医疗图像血管识别方法，具体包括两大部分：首先采用SVM初步分割血管，然后用形态学操作及阈值化处理。其中SVM分割血管其实就是通过训练集训练好的SVM分类器将血管分为前景和背景(即血管和非血管)两部分。其中，训练集样本包括由FCM自动选取的样本和由专家手工分割后的样本。形态学操作及阈值化处理包括：灰度取反、高帽滤波、阈值化三步。
采用SVM初步分割血管的具体操作过程为：首先，提取眼底图像G通道分量(绿色通道分量)；接着采用预先由专家手工分割得到的标准样本数据进行特征提取，即分别提取血管部分和非血管部分的特征，然后训练SVM模型。通过FCM自动选取训练样本，提取样本特征，也是分别提取血管部分和非血管部分的特征，然后训练SVM模型。接着通过专家标记后的图像训练出的SVM模型来交叉验证FCM自动选取的样本所训练的SVM模型，优化SVM参数。最后用最终优化好的SVM分类器对眼底图像进行分割。
上述提取的特征包括两个特征：
(1)颜色特征的提取：颜色特征是图像分割中最为广泛的视觉特征，另外颜色特征不完全是图像的视觉、尺寸、方向等决定，比其他视觉特征鲁棒性更高。提取颜色特征时，选择RGB里的G通道颜色空间，分别提取每个像素点在G通道的特征值，表示为:Ci,j。
(2)纹理特征提取：这里利用具有多尺度和多方向性特点的Gabor小波变换来提取纹理特征，对图像进行多分辨率分析，不仅可以有效地提取纹理特征，而且可以消除冗余信息。在G通道的灰度图像上进行Gabor小波特征提取，特征值表示为：Ti,j。
用F＝(Ci,j,Ti,j)表示最终训练样本的特向量，将选取好的训练样本训练SVM分类器。
更详细的，基于FCM训练样本自动选取以及训练SVM模型由4步完成：
(1)灰度化以及初始化参数：像素点的灰度值作为像素点的属性值。初始化参数，设定聚类个数，取c＝2(即分为血管和背景)，以及收敛误差ε。
(2)更新迭代求聚类中心、隶属度矩阵：对图像所有领域窗口计算局部空间信息、局部灰度信息、局部相似性度量。然后运用上述参数值计算线性加权求和图像，更新隶属度矩阵，更新聚类中心。用新的聚类中心计算方法更新迭代，直到灰度之差小于ε为止。
(3)对像素点分类：通过隶属度函数uk(xi,yi)(k＝1,2,…,c；i＝1,2,…,n)对像素点进行分类,uJ(xi,yi)＝max(u1(xi,yi),u2(xi,yi),…,uc(xi,yi)),即第i个像素点(xi,yi)属于第J类。
(4)训练样本的自动选取和标注：对于属于第J类的像素点，随机选取个数为uJ/t的像素点作为第J类的训练样本。其中uJ是第J类像素点的个数。t值的选取依赖于样本的个数。
形态学处理及阈值化由3步完成：
(1)灰度取反:由于灰度化后，血管部分灰度较大，背景部分则灰度较小。通过灰度取反函数imcomplement操作后对比度更明显，方便接下来的处理。
(2)高帽滤波：即从图像中减去形态学开操作后的图像。通过高帽滤波可以增强图像对比度。对二值图像或者灰度图像均可采取高帽滤波。
(3)阈值化：血管提取的最后一个步骤就是阈值化，经过这一步就会得到一个只有眼底血管网络的二值图像。通过设置阈值参数，它的取值范围是[0,1]，取值较小时，会出现背景与目标区域混淆，取值较大时，则又会丢失部分目标信息。采用Otsu阈值分割效果较好。
一种基于SVM的眼底图像血管提取方法如图1所示。包括：医疗图像(1)，提取G分量(2)，用专家手工标记的样本图像训练SVM模型(3)，基于FCM的训练样本的自动选取以及训练SVM模型(4)，交叉验证，优化SVM参数(5)，用最终优化好的SVM分类器分割图像(6)，形态学处理以及阈值化(7)，最终提取出的血管(8)。
医疗图像(1)：由眼底照相机拍摄的彩色JPG格式的眼底图像照片。
提取G分量(2)：彩色眼底图像含有红、绿、蓝3个分量。由于红色分量亮度最高，血管和背景对比度低，不易将目标血管和眼底背景区分；蓝色分量对比度和亮度均低，且噪声干扰严重；绿色分量的亮度适中，而且血管与背景对比度较高，能很好反应彩色眼底血管分布。所以提取血管的绿色通道(G通道)分量来进行后面的处理。
用专家手工标记的样本图像训练SVM模型(3)：采用预先由专家手工分割得到的100张标准样本数据进行颜色和纹理的特征提取，即分别提取血管部分和非血管部分的特征，然后训练SVM模型。
基于FCM训练样本自动选取以及训练SVM模型(4)：通过FCM自动选取训练样本，提取样本颜色和纹理特征，即分别提取血管部分和非血管部分的特征，然后训练SVM模型。
交叉验证，优化SVM参数(5)：通过专家标记后的图像训练出的SVM模型来交叉验证FCM自动选取的样本所训练的SVM模型，优化SVM参数。
用最终优化好的SVM分类器分割图像(6)：用训练好的分类器对测试集眼底图像进行分割，即初步提取眼底图像血管。
形态学处理及阈值化(7)：形态学是一种应用于图像处理和模式识别领域的方法，具有完备的数学基础，这为形态学图像分析和处理等奠定了坚实的基础。经过形态学的处理以及滤波可以达到增强血管网络、保留血管分叉以及交汇部分。阈值化是使用恰当的阈值使图像转化为二值图像。其中，用imcomplement函数进行灰度取反，高帽滤波采用值为20的disk像素作为结构元素，最后的二值化可采用Otsu阈值分割。
最终提取出的血管(8)：最终提取出的二值化后的血管图像，白色部分为血管网络，可以用于疾病研究以及白内障的眼底图像分类等。
应用本发明所述的提取过程如下：首先，对训练集提取血管的G通道分量；然后通过FCM自动选取训练样本，接着提取样本特征值训练SVM模型。然后用专家手动分割后的样本训练出的SVM模型对其进行交叉验证，优化SVM参数，得到最终的SVM分类模型。最后利用SVM分类器来预测图像中的所有像素点，即将像素点分为前景(即血管)和背景(即除血管外其他部分)两类，从而实现了眼底血管的初步提取。接下来使用形态学处理，经过灰度取反、高帽滤波，最后阈值化，得到最终的血管图像。