一种基于自适应高斯差分的眼底图像血管分割方法
【技术领域】
[0001] 本发明属于生物医学图像处理技术领域，涉及一种基于自适应高斯差分的眼底图 像中血管的分割方法，可用于对正常和病变程度不同的眼底图像进行血管分割。
【背景技术】
[0002] 眼底血管结构的变化是糖尿病、高血压、心血管疾病和中风等很多疾病的表征，其 中，血管直径、分叉角度的改变以及血管扭曲都是高血压的病症，新生血管的形成是糖尿病 的标志，在发展中国家，糖尿病的并发症是导致眼睛失明的诱因，动静脉血管的局部变细是 中风的重要前兆。这些眼底血管变化的早期检查对于医生对患者执行早期介入以及防止患 者视力下降非常重要。因此，血管的精确分割对于医学诊断中量化这些特征起着关键的作 用。
[0003] 目前已有许多血管分割方法，它们采用预先制定的判断准则将图像像素分为血管 和背景，或者基于标准图像提供的血管特征，如血管厚度、血管方向和血管弯曲度等来分割 血管。这些方法大致分为三类：基于边界的分割方法；基于区域的分割方法；基于特定理论 和工具的分割方法等。分析已有的眼底图像血管分割方法，可以发现大部分方法都只针对 正常的成像较好的眼底图像进行血管分割，而对于低对比度的血管末梢和发生病变的眼底 图像，由于血管和背景区域像素灰度值接近以及病灶（亮或暗的斑点、斑块）的干扰，无法 将血管与背景正确地分割出来。其中的根本原因是传统方法只是利用灰度（或梯度）信息 来描述图像，而梯度信息对图像中大量的噪声非常敏感，而且随着图像的对比度和亮度的 改变而改变。基于灰度的处理方法对图像质量要求高，对于具有复杂背景的眼底图像，处理 效果难以达到要求。
【发明内容】
[0004] 本发明的目的是克服现有技术的上述不足，提出了一种自适应高斯差分算法对眼 底图像血管进行分割的方法，该方法对图像亮度和对比度不敏感，克服了传统方法无法正 确分割病变眼底图像中血管的缺点。实现本发明目的技术方案，包括下列步骤：
[0005] 步骤1-1 :输入一幅彩色眼底图像I(x，y);
[0006] 步骤1-2 :提取彩色眼底图像的绿色通道图像G(x，y);
[0007] 步骤1-3 :采用对比度受限的自适应直方图均衡化（CLAHE)增强图像的对比度，采 用滑动窗口进行局部直方图均衡化；
[0008] 步骤1-4 :采用各向异性耦合扩散方程对眼底图像进行滤波，对初始图像进行变 形，控制扩散速度和扩散方向，在垂直于图像边缘的方向禁止扩散，仅在沿着图像边缘的方 向进行滤波，从而消除噪声并且保持血管信息；
[0009] 步骤1-5 :采用基于自适应高斯差分的算法在从0°到180°，以15°为步长的12 个方向上增强眼底血管，分别得到眼底血管增强图；
[0010] 步骤1-6 :采用Otsu阈值分割算法进行二值化，得到血管分割的二值图像Bi(x， y)，其中，i= 1，2,…，12,并将12个方向上的二值图像进行叠加得到完整血管分割图像B(x,y)；
[0011] 步骤1-7 :根据眼底图像预处理得到图像的直方图的双峰性，以直方图第二个峰 值处的灰度值的20%为阈值，分割提取眼底图像中亮区域M(x，y);
[0012] 步骤1-8 :从血管分割的二值图像B(x，y)中减去M(x，y)，减小眼底图像中亮病变 区域以及视盘对于血管分割的影响。
[0013] 进一步讲，其中的自适应高斯差分算法的步骤包括：
[0014] 步骤2-1:构造高斯尺度空间。首先构造高斯核
，是一个 的矩阵，其中0为尺度因子且0i=k〇i_i(k>l，i= 1，2,3*"），由〇i体现高斯尺度 空间中每层尺度的差异，尺度空间之间的尺度因子的递增参数k根据高斯差分算法与拉普 拉斯算子的相似性取值为1.6。然后采用构造的高斯核与预处理图像P(x，y)进行卷积，即 L(x，y，〇) =G(x，y，OihPkyhLiky，〇)即为高斯尺度空间中每层的高斯平滑图 像。
[0015] 步骤2-2 :利用高斯尺度空间进行以尺度〇 因子的高斯差分运算
[0017] 其中，MXN为图像大小。
[0018] 步骤2-3 :再对高斯空间中每两层相减得到的高斯差分图像Di采用加权取平均运 算获取采取高斯差分算法分割的血管增强图像，计算过程如下：
[0020] 其中，n为高斯尺度空间中图像总层数，为各层目标图像所占权重。当D#S 时，尺度空间创建停止，高斯差分计算也结束，从而确定n的大小，其中S为给定误差阈值。n的选取是自适应的，因其是根据Di的大小而自适应地判断高斯尺度空间创建是否停止， 的定义如下：
[0022] 步骤2-4 :对高斯差分加权平均得到的结果D(x，y)采用Otsu阈值分割算法进行 二值化，得到血管分割的二值图像。
[0023] 步骤2-5:在0°到180°内，以15°为步长，分别在12个方向上对预处理图像进 行自适应的高斯差分算法，并将12个结果叠加在一起，得到最终的血管分割结果B(x，y)。
[0024] 与现有技术相比，本发明的有益效果是：
[0025] (1)采用基于高斯尺度空间的高斯核算子的自适应高斯差分算法对预处理后的眼 底图像做血管增强，设计了高斯核，可以旋转任意不同的角度，对相邻的以一定比例增大的 尺度因子作用后的高斯滤波结果进行差分，尺度因子增大的过程停止采用自适应的方法， 即相邻两个高斯滤波结果的差值小于给定的阈值，然后对各个差分结果加权求和，权值依 据高斯差分结果制定。
[0026] (2)由于彩色眼底图像预处理得到图像的直方图呈双峰状，根据这一个特点，选取 第二个明显峰值，即灰度值较大处的峰值20%处对应的灰度值作为阈值分割眼底图像的亮 区域，可以抑制眼底图像中亮病变和视盘对血管分割的影响。
【附图说明】
[0027] 图1 :为本发明方法的步骤流程框图；
[0028] 图2 : (a)彩色眼底原图，（b)绿色通道图像，（c)对比度受限的直方图均衡化增强 后图像，（d)各向异性耦合扩散滤波后图像；
[0029] 图3 :自适应高斯差分结果；
[0030] 图4:12个方向上的自适应高斯差分阈值分割结果（从图4(a)到图4(1)依次为 0°、15°、…、165°方向上的处理结果）；
[0031] 图5 :12个方向的图像叠加结果；
[0032] 图6 :彩色眼底图像预处理得到图像的直方图双峰性示意图；
[0033] 图7 :彩色眼底图像上亮区域的分割提取：（a)有亮病变的彩色眼底图，（b)眼底图 像上亮区域分割图；
[0034] 图8 :对于彩色眼底图像上有亮病变的眼底图像血管分割过程：（a)彩色眼底原 图，（b)自适应高斯差分结果，（c) 12个方向二值化图像叠加结果，（d)去除亮区域影响的血 管分割结果；
[0035] 图9 :低对比度的彩色眼底图的血管分割过程：（a)彩色眼底原图，（b)本方法血管 分割结果，（c)第一个专家手动分割结果，（d)第二个专家手动分割结果。
【具体实施方式】
[0036] 本发明的流程图如图1所示，首先提取眼底图像的绿色通道，用对比度受限的自 适应直方图均衡化提高图像的对比度；采用各向异性耦合扩散方程进行滤波来提高血管的 清晰度；然后采用基于自适应的高斯差分算法对眼底图像进行血管分割；并将高斯差分结 果的血管增强图二值化，去掉亮区域对血管分割结果的影响；最后叠加12个方向的分割结 果得到最终结果，保证每个方向上的血管都被检测到。下面结合附图，对本发明技术方案的 具体实施过程加以说明。
[0037] 1.提取眼底图像的绿色通道G(x，y);
[0038] 输入如图2(a)所示的彩色眼底图像，提取该眼底图像的绿色通道，处理后的图像 如图2(b)所示。
[0039] 2.用对比度受限的自适应直方图均衡化（CLAHE)增强图像的对比度；
[0040] 用CLAHE对图2 (b)进行处理结果如图2 (c)所示。CLAHE采用滑动窗口，分别统计 窗口内和窗口外的归一化直方图，进而将局部直方图定义为：
[0041]h(s) = |3hw(s) + (l-|3 )hb(s) (1)其中，s表示灰度值，hw(s)表示窗口 内的归 一化直方图，hb(s)表不窗口外的归一化直方图，0 < 0 < 1。调整0的大小，就可以调整 窗口外部环境对窗口内变换的影响程度。在CLAHE处理过程中，对窗口的局部直方图进行 均衡化，以实现对窗口中心像素的灰度级的增强。窗口从左到右、从上到下移动，最终完成 对整幅图像对比度的增强。
[0042] 3.采用各向异性耦合扩散方程对眼底图像进行滤波；
[0043] 用各向异性耦合扩散方程对图2(c)进行滤波处理，结果如图2(d)所示。各向异 性耦合扩散方程把原始图像作为扩散方程的初始条件，利用耦合扩散方程对初始图像进行 变形得到滤波结果，在此过程中方程的扩散是梯度方向受限的，因此该模