眼底彩色图像中的微动脉瘤的自动识别方法
【专利摘要】本发明公开了一种眼底彩色图像中的微动脉瘤的自动识别方法，该方法首先对绿通道的图像进行预处理和阴影校正，然后利用滑动窗口的局部信息确定自适应阈值对图像进行二值化，通过基于连通性限制的双窗口滤波器得到决策图，并对决策图进行区域生长，其结果即为精确识别的微动脉瘤。整个方法能实现微动脉瘤的精细识别和分割，可以有效地避免漏识和误判，并且不需采用特征提取和分类器分类的过程，有效提高了识别效率。
【专利说明】
眼底彩色图像中的微动脉瘤的自动识别方法
技术领域
[0001] 本发明属于图像处理领域，具体涉及的是一种基于连通性限制的眼底图像中微动 脉瘤自动化识别方法。
【背景技术】
[0002] 微动脉瘤是位于毛细血管壁的囊状膨胀，它通常是圆形的、离散的、小面积的暗红 色病灶点。因为微动脉瘤的直径约为10-1 ΟΟμπι，因此肉眼难以发现，医生工作量较大，效率 低下。并且因其面积极小，和血管近似性较高，和背景对比度较低，传统的自动化识别方法 也很难有效识别。
[0003] 目前提出的微动脉瘤识别方法多是基于微动脉瘤的形态、颜色等信息，通过形态 学和匹配滤波等方式挑选出候选的微动脉瘤点，然后进一步提取微动脉瘤的相关特征对分 类器或其他学习方法进行训练，将候选的微动脉瘤点进行精确分类，去除假阳性点，获得真 正的微动脉瘤点。但在实际操作中，由于非均匀光照、成像质量以及患者实际情况的差异， 在去除假阳性点的过程中血管上的断点等会引入较大干扰，微动脉瘤直径太小难以判断， 血管与微动脉瘤亮度相似等也会是很大的干扰因素，并且微动脉瘤特征提取和分类过程比 较耗时，效率低下。基于这些因素，类似算法在排查时会有较大疑似区域，排查较为复杂。因 此目前微动脉瘤的自动识别还存在漏判和误判的问题。
【发明内容】
[0004] 本发明要解决的技术问题是针对眼底彩色图像中微动脉瘤面积小、颜色近似血管 等不易识别的特性，提出一种微动脉瘤的自动化识别方法，能达到对微动脉瘤的精确定位 和分割;并且针对微动脉瘤识别效率低下的问题，该方法在不需使用特征提取和分类器分 类的情况下，达到高效精确识别。
[0005] 本发明是通过以下技术方案来实现的，首先对眼底图像进行预处理以增强图像， 然后使用单像素滑动窗口技术，并结合自适应阈值分割、基于连通性限制的滤波等得到决 策图。当滑动窗口覆盖微动脉瘤时，决策图的对应位置被设置为1，反之被设置为0。将决策 图进行区域生长，结果作为微动脉瘤。
[0006] 本发明提供一种眼底彩色图像中微动脉瘤的自动识别方法，其中该方法首先对得 到的彩色眼底图像进行预处理，以改善图像质量，增强微动脉瘤的特征，便于进行分割;然 后根据滑动窗口的局部信息确定该窗口的自适应阈值，对窗口内像素进行二值化和区域生 长;最后再利用限制连通性的双窗口滤波器，以排除近似微动脉瘤特征的不连续血管和其 他噪点，精确分类出真正的微动脉瘤点。其有益效果是不通过特征提取和分类器就可以精 确识别微动脉瘤，极大提高了工作效率。
[0007] 在一些实施方式中，其中对于眼底图像的预处理，此方法在中值滤波和图像增强 后加入了阴影校正技术，其有益效果是移除背景中的缓慢梯度变化，减少不均匀光照对图 像识别的影响。
[0008]在一些实施方式中，其中设Ti为滑动窗口 Wi的局部阈值，利用局部阈值将满足微动 脉瘤形态特征的像素点筛选出来。如图2,局部阈值的自适应选取需考虑两部分:一是根据 微动脉瘤为暗点的特征，阈值的选取将参考窗口中央像素和背景的灰度值，二是通过引入 固定阈值To消除灰度变化较小的噪点。
[0011] 表示第i个窗口对应的中央灰度值，浐表示背景对应的灰度值，F」表示二值化后 的图像。其有益效果是根据每个滑动窗口的实际情况自适应选取合适的阈值，在将微动脉 瘤等灰度值低于背景的像素点选出来的基础上，有效避免了引入噪点。
[0012] 在一些实施方式中，其中采用限制连通性的双窗口滤波器来提取微动脉瘤。如图 3，双窗口滤波器被设计成外大内小的双矩形窗，内窗口被设计用来保证微动脉瘤的最小尺 寸，外窗口被用来限制微动脉瘤的区域。其连通性限制条件如下：
[0013] 条件(1):连通性区域应该填满内窗口
[0014] 条件(2):连通性区域应该被限制在外窗口内
[0015] 对自适应阈值二值化后的图像进行区域生长，结果图像利用连通性限制的双窗口 滤波器进行处理。其有益效果是未能填满内窗口的小目标点（如较小的噪点）将被移除，类 似血管和渗出液等较大面积或者延伸连通域的区域因触及了外窗口的边缘也将被排除。只 有同时满足两个连通性条件的区域才被成功的识别。
[0016] 在一些实施方式中，其中为了获得微动脉瘤的真实大小，该方法逐渐缩小内外窗 口的间距，即扩大内窗口，缩小外窗口以使下式达到最小值：
[0019] g和?^分别表示膨胀和腐蚀后的窗口半径。区间[rin，rciut]提供了位置为Pl的微 动脉瘤的估计位置。其有益效果是通过重新测量微动脉瘤的大小，可以获得微动脉瘤的真 实值，有利于精确识别与定位。，
【附图说明】
[0020] 图1为本发明实施例中微动脉瘤自动化识别的示意图。
[0021 ]图2为本发明实施例中自适应阈值分割示意图。
[0022]图3为本发明实施例中基于连通性限制滤波器示意图。
【具体实施方式】
[0023]图1为本发明实施例中微动脉瘤自动化识别的示意图。如图1所示，首先选取其RGB 三通道中的绿色通道图像，因绿通道图像中红色病变与其他组织具有最高的对比度。运用 中值滤波技术消除图像噪声，并利用自适应直方图均衡技术对图像的对比度进行增强。直 方图均衡后非均匀光照造成的阴影区域会被增强，为了有效去除阴影的影响，采用了阴影 校正技术以移除背景中的缓慢梯度变化。该阴影校正在实际处理中是将中值滤波处理后的 图像中减去原图像，从而获得阴影校正后的图像，完成预处理全部过程。
[0024]图2为本发明实施例中自适应阈值分割示意图。微动脉瘤在颜色信息上呈现为比 周围眼底其他区域要暗的红色，微动脉瘤面积较小，分布较广的特点促使该方法使用滑动 窗口以获取局部信息。该方法根据局部信息确定合适的阈值，像素灰度值低于阈值的微动 脉瘤可以被选取出来。如图2所示，每个滑动窗口 Wi的局部阈值1\应该被自适应的选取为：
[0027] Ii和Pi分别代表第i个窗口的中央灰度值和位置坐标，/f表示背景的灰度值，Fj表 示滑动窗口I中所有像素被二值化后的值。因外窗口的尺寸选取通常略大于微动脉瘤面 积，所以可以将其窗口边缘像素灰度值近似为背景灰度值。
[0028] 利用局部信息来自适应选取窗口 I的阈值的具体方式是通过比较窗口 I中不同 途径获得的两种阈值，选取二者中更适合分类的阈值，作为该窗口的自适应阈值h。通过途 径一获得的阈值是窗口中央像素和背景的灰度值差值的一半，表示为#，这种方式可以将 2 微动脉瘤等灰度值低于背景的像素选取出来，但是为了避免引入灰度与背景差值较小的噪 声，增加了阈值获取的途径二，即引入预先设定的值较小的固定阈值To来避免引入噪声点。 当窗口位于噪声点处，中央像素灰度值略低于背景像素，阈值应设h+To,结合连通性限 制，即可排除噪声点；当窗口位于微动脉瘤、出血等像素灰度值低于背景的位置时，阈值h 应设为结合连通性限制，可识别出微动脉瘤而不引入血管、出血等像素。在每一个窗口 Wi中，根据自适应的局部阈值将窗口中的像素进行二值化，然后选取窗口 Wi的中心作为种子 点并运行区域生长算法。在二值化后，仅关注那些值为正的区域，然后在其上以滑动窗口的 中心为种子使用flood fill算法。
[0029] 因为微动脉瘤在形态上表现为孤立的小圆点，虽然二值化步骤有效利用了微动脉 瘤灰度值低于背景的颜色信息，但是通过加入微动脉瘤的形态信息，可以将微动脉瘤限制 在特别设计的窗口内，从而准确筛选。图3为本发明实施例中基于连通性限制滤波器示意 图。如图3所示，一个限制连通性的双窗口滤波器可以很好的解决这个问题。内窗口被设计 用来保证微动脉瘤的最小尺寸，外窗口被用来限制微动脉瘤的区域。将这些连通性需求标 准化为如下规则：
[0030] 条件（1)连通性区域应该塞满内窗口；
[0031] 条件(2)连通性区域应该被限制在外窗口内。
[0032] 未能填满内窗口的小目标点（如较小的噪点）将被移除，类似血管和渗出液等较大 面积或者延伸连通域的区域也将被排除，因为未满足条件(2)，触及了外窗口的边缘。只有 同时满足两个连通性条件的区域才被成功的识别。
[0033] 为了确定候选病变的真正形状和大小，它的大小将被重新识别。我们必须逐渐缩 小内外窗口的间距，即扩大内窗口，缩小外窗口以使下式达到最小值：
[0036] $和分别表示膨胀和腐蚀后的窗口半径。区间[rin，rcmt]提供了位置为Pl的微 动脉瘤的估计位置。
[0037] 区域生长的第一步是选取一系列的种子点。然后在区域生长后的滑动窗口内对连 通性进行限制。当满足连通性准则时，决策图就会被设置为"Γ，否则被设置为"〇"。我们将 决策图中值为"Γ的点作为最初的种子点，然后在种子点处以8连接开始生长。因此，结果将 被认为是微动脉瘤点。
[0038] 采用上述技术方案，本发明的有益效果是:可以在不引入其他病变的情况下，精确 的识别出微动脉瘤，并且该方法不需要进行特征提取和分类，极大地提高了工作效率。由 此，完成了一次基于连通性限制的眼底图像微动脉瘤自动化识别过程。
[0039] 尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的 描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的 多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
【主权项】
1. 一种眼底彩色图像中的微动脉瘤的自动识别方法，其特征在于，包括如下步骤： 对得到的彩色眼底图像进行预处理，W改善图像质量，增强微动脉瘤的特征，便于进行 分割； 根据滑动窗口的局部信息确定该窗口的自适应阔值，对窗口内像素进行二值化和区域 生长；W及 利用限制连通性的双窗口滤波器排除近似微动脉瘤的不连续血管和其他噪点，精确分 类出真正的微动脉瘤点。2. 根据权利要求1所述的自动识别方法，其特征在于， 对得到的彩色眼底图像进行预处理中，在改善图像质量之后还进行阴影校正，W移除 背景中的缓慢梯度变化，减少不均匀光照对图像识别的影响。3. 根据权利要求1所述的自动识别方法，其特征在于， 设Τι为滑动窗口 Wi的局部阔值，利用局部阔值将满足微动脉瘤形态特征的像素点初步 筛选出来，局部阔值的自适应选取包括W下步骤： 根据微动脉瘤为暗点的特征，参考窗口中央像素和背景的灰度值进行选取；W及 通过引入固定阔值To消除灰度变化较小的噪点，如下式所示：其中Ii表示第i个窗口对应的中央像素灰度值，皆表示背景对应的灰度值，Fj表示二值化 后的图像。4. 根据权利要求1或3所述的自动识别方法，其特征在于， 采用限制连通性的双窗口滤波器来提取候选微动脉瘤，双窗口滤波器设计成外大内小 的双矩形窗，内窗口用来保证微动脉瘤的最小尺寸，外窗口用来限制微动脉瘤的区域，其连 通性限制条件如下： 条件（1):连通性区域应该填满内窗口； 条件(2):连通性区域应该被限制在外窗口内， 对自适应阔值二值化后的图像进行区域生长之后的结果图像利用连通性限制的双窗 口滤波器进行处理，只有同时满足两个连通性条件的区域才被成功识别，作为候选的微动 脉瘤点。5. 根据权利要求1或4所述的自动识别方法，其特征在于， 为了获得微动脉瘤的真实大小，逐渐缩小内外窗口的间距，即扩大内窗口，缩小外窗口 W使下式达到最小值：而和污立分别表示膨胀和腐蚀后的窗口半径，区间bin, rout]提供了位置为Pi的微动脉 瘤的估计位置。
【文档编号】G06K9/00GK106096491SQ201610081358
【公开日】2016年11月9日
【申请日】2016年2月4日 公开号201610081358.0, CN 106096491 A, CN 106096491A, CN 201610081358, CN-A-106096491, CN106096491 A, CN106096491A, CN201610081358, CN201610081358.0
【发明人】许迅, 杨杰, 余奇, 刘梦雪
【申请人】上海市第一人民医院, 上海大图医疗科技有限公司