专利名称：：基于nsct特征提取和监督分类的视网膜图像分割方法
技术领域：
：本发明属于图像处理
技术领域：
，涉及视网膜检测的应用，可用于在医学上从视网膜图像提取视网膜血管。
背景技术：
：医学的发展与人类的健康密切相关，因此数字图像处理技术从一开始就引起了生物医学界的浓厚兴趣。早在七十年代末就有文献统计指出图像处理的一个十分广泛的应用场合是医学图像处理。医学上不论在基础学科还是临床应用，都是图像处理种类极多的领域。但是由于医学图像的处理技术难度大，使得很多处理很难达到临床实用化程度。近年来，随着数字图像处理设备成本的降低，用数字图像处理技术改善各类医学图像质量已达到实用阶段。高血压、脑血管硬化、冠状动脉硬化等心脑血管疾病是目前我国老年人死亡和致残的主要原因，此类疾病损伤的组织水平首先是在微循环和微血管层次的变化。眼底视网膜微血管是人体唯一可以非创伤性直接观察的较深层的微血管，它的改变程度与高血压等疾病的病程、严重程度及愈后情况密切相关。通过对视网膜血管系统的检查可以发现高血压，糖尿病，动脉硬化等疾病。在视网膜图像中，血管占支配地位并且结构稳定，因而可靠的血管提取是视网膜图像分析和处理的先决条件。现有的视网膜分割主要有两种，一种是利用高斯滤波器，Hessian矩阵等来增强血管与背景的对比度，然后再进行进一步操作，或者进行阈值处理，或者采取区域生长。Jiang等人在2003年于Adaptivelocalthresholdingbyverification-basedmultithresholdprobingwithapplicationtovesseldetectioninretinalimages—文，提出了一种基于验证的多阈值探査方案的自适应局部阈值分割，即先通过假定的阈值进行二值化得到假定的目标，然后通过验证程序决定接受还是放弃该目标。另一种是利用分类器来分割血管。在这种方法中，关键问题是如何建立特征向量。J.Staal等人在2004年于Ridgebasedvesselsegmentationincolorimagesoftheretina—文，提出一种先利用脊检测来获取特征向量，然后分类分割血管的方法。Soares"a/.等人2006年于RetinalVesselSegmentationUsingthe2-DGaborWaveletandSupervisedClassification—文，提出了一种基于Gabor小波的多尺度和多方向特性进行特征提取，再通过监督分类进行分割的方法。3在视网膜图像血管分割中，最重要的就是血管检测率的提高，但是由于视网膜图像灰度全局不均衡，血管与背景对比度较差，存在噪声以及各种病变区域的影响，因而上述这些方法对血管分割的结果均存在一定的误差，其准确率还需要进一步提高。
发明内容本发明的目的是提供一种基于NonsubsampledContourletTransform(NSCT)和监督分类的视网膜图像分割方法。克服已有技术的不足，进一步提高分割的准确率。为实现上述目的，本发明的技术方案包括如下步骤一.特征提取步骤(1)对视网膜训练图像和待分割视网膜图像，利用其红色分量得到其感兴趣区域ROI;(2)对视网膜训练图像和待分割视网膜图像的绿色分量，分别进行感兴趣区域边缘迭代扩展；(3)对扩展后的视网膜训练图像和待分割视网膜图像分别进行NSCT变换，将其分解为/层，每层有y个方向的子带系数；(4)利用每层y个方向子带系数提取一维特征，并逐层提取特征，组成特征向量，并进行归一化；二.分类器的训练与分割步骤1)对归一化后的视网膜训练图像的特征向量建立训练样本；2)选用分类器，并利用训练样本对分类器进行训练，将归一化后的待分割视网膜图像的特征向量输入分类器中，对待分割视网膜图像进行分割。上述的视网膜图像分割方法中，步骤(3)所述的利用每层y个方向子带系数提取一维特征，并逐层提取组成特征向量，按如下步骤进行(3a)对于每层分解的y'个方向子带系数，将视网膜图像中血管灰度与背景灰度的比较结果作为选取特征对象，如果视网膜图像中血管灰度小于背景灰度，选取其中最小的系数作为特征，如果视网膜图像中血管灰度大于背景灰度，选取其中最大的系数作为特征；(3b)按照步骤(3a)，逐层进行相同特征提取操作，将得到的特征组成特征向量(3c)将视网膜训练图像和待分割视网膜图像的绿色分量的灰度值作为一维特征加入特征向量，得到最终的特征向量v。本发明由于在NSCT的多尺度性，多方向性，平移不变性基础上，结合视网膜图像NSCT变换系数的具体表现形式，提出了一种新的特征提取方法，即用不同尺度上提取得特征描述不同宽度的视网膜血管，综合若干尺度上获得的特征组成特征向量，因而对视网膜图像血管边缘处的分割较为准确；同时由于本发明采取先训练，后分类的监督分类方法，在有监督的情况下进行视网膜图像分割，因而对视网膜图像分割结果误差较小。仿真结果表明，本发明比现有的视网膜图像分割方法有较好的分割准确率。图l是本发明的实现流程示意图2是本发明中获得视网膜图像ROI区域的各个中间步骤结果示意图；图3是对视网膜绿色分量进行ROI边沿扩展的结果示意图；图4是特征提取原理示意图5是从对DRIVE数据库进行实验的结果中选出的两幅图像；图6是从对STARE数据库进行实验的结果中选出的两幅图像；图7是给出了对DRIVE数据库进行测试的结果的ROC曲线图8是本发明方法与现有Soares^&.方法仿真结果对比图。具体实施方法参照图l，本发明的具体实现过程如下步骤一，对视网膜训练图像和待分割视网膜图像，利用其红色分量得到其感兴趣区域ROI，具体步骤参照图2如下(1.1)对如图2(a)所示的视网膜图像的红色分量除以255，如图2(b),并通过高斯滤波器LOG对图2(b)进行边缘检测，得到图2(c);(L2)对图2(c)进行先膨胀后腐蚀，使边缘的断裂处连接起来,得到图2(d);(1.3)在图2(d)中，沿着图像边缘添加一个轮廓；(1.4)通过阈值确定外部区域，在图2(b)中，找到其灰度最大值max"t/，将灰度小于maxr^/X0.15的点标记为1，这样就得到了一幅二值图像，然后从其中将面积小于IO个像素的标记为1的部分去除，得到图2(e);(1.5)在图2(e)中，将步骤(3)中添加的轮廓去掉，然后对图2(c)进行填充，填充起点是图2(e)中标记为1的点,如图2(f);(1.6)对图2(f)进行取反操作，再对其进行腐蚀，得到图2(g);(1.7)对图2(g)进行取反操作，然后将面积小于5000像素的标记为1的物体去除，再取反，达到填充缺失区域的目的，结果如图2(h);(1.8)对图2(h)进行开操作，以去除虚假轮廓，再去除面积小于5000像素的标记为1的物体，最终得到感兴趣区域ROI，如图2(i)。步骤二，对视网膜训练图像和待分割视网膜图像的绿色分量进行感兴趣区域ROI边沿扩展，以消除视网膜基底和孔径外区域的强对比度，避免在孔径边缘处产生大量误判。具体步骤如下(2.1)找到ROI的外部边界的像素，这些像素位于ROI的外部，但是和区域内的像素是4邻域；(2.2)对步骤(2.1)得到的外部边界像素，其灰度值设为以该像素为中心，且属于ROI的较小区域的均值，区域大小可以选为5X5;(2.3)将步骤(2.2)得到的外部边界像素也加入ROI，迭代执行一定次数.，通常进行80次迭代。图3是对视网膜图像绿色分量进行ROI边沿扩展的结果示意图。图3(a)是图2(a)所示视网膜图像的绿色分量，图3(b)是对图3(a)进行ROI边沿扩展的结果。步骤三，对扩展后的视网膜训练图像和待分割视网膜图像分别进行NonsubsampledContourletTransfrom(NSCT)变换。NSCT是一种多分辨率、局域的、多方向的图像表示方法。它不仅继承了小波变换的多分辨率时频分析特性，而且拥有良好的各向异性特征，能用比小波更少的系数来表示光滑的曲线。NSCT由非下采样多级分解和非下采样多级方向滤波器组成，具有平移不变性。非下采样多级分解采取非下采样拉普拉斯塔型分解来实现，非下采样的多级方向滤波器采用非下采样方向滤波器组实现。对扩展后的视网膜训练图像和待分割视网膜图像进行NSCT分解，本发明分为4层，每层8个方向。步骤四，对视网膜图像进行特征提取。特征的原理是在图像的NSCT域中，选取第3层上任意一个方向的系数图，如图4(a)。在该系数图中，血管的边缘处是过零点，即系数正负发生变换的地方。假设血管的宽度很大，例如有成百个像素宽，则垂直血管方向上血管处的系数形状如图4(b)。这时，如果血管的宽度不断减小，两个过零点不断靠近，最终图4(b)就趋向于图4(c)。在视网膜图像中，血管的宽度最宽也就十几个像素，所以它的NSCT系数表现就趋于为图4(c)这种形式。特征提取的过程如下-(4.1)选取视网膜图像NSCT分解的第2层，第3层和第4层产生特征向量；(4.2)对于每层分解的8个方向子带系数，将视网膜图像中血管灰度与背景灰度的比较结果作为选取特征对象，如果视网膜图像中血管灰度小于背景灰度，选取其中最小的系数作为特征，如图4(d);如果视网膜图像中血管灰度大于背景灰度，选取其中最大的系数作为特征。(4.3)按照步骤(4.2)，逐层进行相同特征提取操作，将得到的特征组成特征向量；(4.4)将视网膜训练图像和待分割视网膜图像的绿色分量的灰度值作为一维特征加入特征向量，得到最终的特征向量v二{v,I/=1,2,3,4}。步骤五，选用分类器，并利用训练样本对分类器进行训练，将归一化后的待分割视网膜图像的特征向量输入分类器中，对待分割视网膜图像进行分割。本发明选用贝叶斯分类器进行分类，其条件概率密度函数用高斯混合模型来表示，将视网膜图像中的像素分为两类(^={血管像素},(^={背景像素};贝叶斯决策规则如下<formula>formulaseeoriginaldocumentpage7</formula>其中，/(vlC,)是类条件概率密度函数，也称为似然度，MC,)是C,的先验概率，V是特征向量；估计p(C,)二iV,/A^，也就是C,.在训练集中的样本比率，类条件概率密度p(vlC,)由高斯混合模型表示，由若干高斯函数线性组合得到的，即<formula>formulaseeoriginaldocumentpage7</formula>其中，A,是表示p(vlC,)的高斯函数的个数，p01,C,)是多维高斯分布，c为权重；对每一类C,，给定it,个高斯分布，通过期望最大化EM算法估计每个高斯分布的参数和权重；在用分类器进行待分割图像分割时，首先得到概率图，其中各象素点的值为<formula>formulaseeoriginaldocumentpage7</formula>选择阈值^=0.5将概率图像素分为两类，最终完成分类。本发明的效果通过以下仿真图像和数据进一步说明。一，仿真图像本发明所使用的视网膜图像来自两个公开彩色图像数据库，DRIVE禾tlSTARE。DRIVE数据库有40幅彩色图像组成，其中，7幅存在病变，并且有它们的人工分割结果。40幅图像被分为两组训练集和测试集，每组包含20幅图像，测试集含有3幅病变图像。经过专业眼科医生的训练的人员人工分割了这些图像。训练集图被第一组人员分割的结果保存在setA。测试集图像被第一组人员分割的结果保存在setA，同时，测试集图像也被第二组人员分割，保存在setB中。在setA中，12.7%的像素被标记为血管，而在setB中，12.3%的像素被标记为血管。S'1'ARE数据厍有20幅数字化的幻灯片组成。其中有十幅图存在病变。由两个观察者分别分割这些图像，分别保存在ahset和vkset中。在setA(ahset)中，也就是第一个观察者的结果中，10.4%的像素被标记为血管，而在setB(vkset)中，也就是第二个观察者的结果中，14.9%的像素被标记为血管。这两个观察者分割的结果的差别相当大。第二个观察者比第一个观察者标记出了更多的极细血管。这说明，第一个观察者比第二个观察者保守一些。对于DRIVE数据库，训练样本由训练集中的20幅标记的训练图像产生，然后训练得到分类器，用它对测试集的20幅待分割图像进行分类。对于STARE数据库中的20幅图，本发明用留一法进行测试，即用一幅图像作为待分割图像，其他图像都作为训练图像。这两个数据库取训练样本集时，都是使用的setA。由于训练样本规模相当大，在所有的实验中，随机选取100万样本来训练分类器。在测试中，对于GMM分类器的的类条件概率密度，血管和背景的高斯模型个数取为相同的值^:=尽=&。二，客观评价指标给出两个定量度量值ROC曲线下面积Az和准确率accuracy。ROC曲线是在分类器分类得到的概率图C上，在阈值P从0到1变化时，正确检测率与错误检测率之比。正确检测率是分类器分出的血管像素中属于真正血管的像素的数量与实际血管像素总数之比。错误检测率是指将非血管像素分为血管的像素的数量与实际非血管像素总数之比。对于ROC曲线来说，曲线越接近左上角，方法的性能就越好。也就是说，ROC曲线下面积Az值越接近1，方法的性能就越好。准确率是指在不考虑像素点是血管还是非血管的情况下，正确分类的像素的总数与视网膜图像像素点的总数之比。三，仿真结果与分析图5是从对DRIVE数据库中选出的在]^20时两幅图的结果，以及它们的人工分割图。图5(a)为概率图，图5(b)为分割结果，图5(c)为SetA中的人工分割图，图5(d)是SetB中的人工分割图。图6是从对STARE数据库中选出的k=20时两幅图像的实验结果，以及它们的人工分割图像。第二行的图像源自一幅病态视网膜图像，第一行的图像源自一幅正常的视网膜图像。图6(a)是概率图，图6(b)是分割结果，图6(c)是setA中的人工分割图，图6(d)是SetB中的人工分割图。图7(a)给出了对DRIVE数据库进行测试的结果的ROC曲线图。图7(b)给出了对STARE数据库进行测试的结果的ROC曲线图。为了比较setA和setB这两个不同的人工分割的结果的差别，给出了概率图在p二0.5时，分别以setA和setB作为标准分割结果时，得到的正确检测率与错误检测率之比。从图6和图7可直观的看出本发明的分割方法能达到较好的效果。表1给出了本发明方法与现有方法性能的比较。在^:=10,15,20的情况下分别进行实验，实验结果见表l。同时，将本发明的结果与JiangWa/.，StaalW"/等提取的方法进行比较。<table>tableseeoriginaldocumentpage9</column></row><table>从表1的结果可以看出，本发明方法对DRIVE和STARE两个数据库都得到了很好的效果。通过比较，我们看出本发明方法的效果和SoaresW"/.方法相当，优于Jiang"a/.StaalWa/.的方法。这说明了本发明所给出的利用NSCT提取的特征的有效性，给出了一种新的视网膜特征。图8是对DRIVE数据库中某幅图像通过本发明分割的结果和Scares"/.的结果进行对比。图8(a)是setA人工分割结果，图8(b)是本发明血管分割结果，图8(c)SoaresWa/.的结果，图8(d)是SoaresWa/.的结果减去本文血管分割结果，图8(e)是SoaresWfl/.的结果减去setA人工分割结果，图8(f)本文分割结果减去setA人工分割结果。在图8(d)中，灰色区域表示SoaresW"/.的结果和本文粗血管检测结果的相同部分，白色区域表示SoaresWa/.方法检测出来而本文粗血管方法未检测出的区域，黑色区域表示Soares""/..方法未检测出而本文方法检测出的区域。从图8(e)和图8(f)中可以看出，用现有SoaresWa/.方法分割的结果比真实结果中的血管普遍偏粗，而本发明方法分割的结果对边缘的定位效果要好于SoaresW"/.的方法。这说明SoaresWa/.方法中对粗血管的边缘的定位不准确。从图8(d)中也可以看出，本发明方法分割的结果和SoaresW"/.的结果的差别主要集中在粗血管边缘处。比较图8(b)(c)中图8(a)中红色椭圆区域的结果，可发现在Soares"a/.的结果中，两条紧邻的粗血管之间的空隙也被判断为血管，而本发明方法的结果中则不存在这个问题。权利要求1、一种基于NSCT特征提取和监督分类的视网膜图像分割方法，包括如下步骤一.特征提取步骤(1)对视网膜训练图像和待分割视网膜图像，利用其红色分量得到其感兴趣区域；(2)对视网膜训练图像和待分割视网膜图像的绿色分量，分别进行感兴趣区域边缘迭代扩展；(3)对扩展后的视网膜训练图像和待分割视网膜图像分别进行NSCT变换，将其分解为i层，每层有j个方向的子带系数；(4)利用每层j个方向子带系数提取一维特征，并逐层提取特征，组成特征向量，并进行归一化；二.分类器的训练与分割步骤1)对归一化后的视网膜训练图像的特征向量建立训练样本；2)选用分类器，并利用训练样本对分类器进行训练，将归一化后的待分割视网膜图像的特征向量输入分类器中，对待分割视网膜图像进行分割。2、根据权利要求1所述的方法，其中步骤(3)所述的利用每层_/个方向子带系数提取一维特征，并逐层提取组成特征向量，按如下步骤进行(3a)对于每层分解的j'个方向子带系数，将视网膜图像中血管灰度与背景灰度的比较结果作为选取特征对象，如果视网膜图像中血管灰度小于背景灰度，选取其中最小的系数作为特征，如果视网膜图像中血管灰度大于背景灰度，选取其中最大的系数作为特征；(3b)按照步骤(3a)，逐层进行相同特征提取操作，将得到的特征组成特征向量；(3c)将视网膜训练图像和待分割视网膜图像的绿色分量的灰度值作为一维特征加入特征向量，得到最终的特征向量v。全文摘要本发明公开了一种基于NSCT特征提取和监督分类的视网膜图像分割方法，涉及医学图像处理。其步骤为(1)对视网膜训练图像和待分割视网膜图像，利用其红色分量得到其感兴趣区域；(2)对视网膜训练图像和待分割视网膜图像的绿色分量，分别进行感兴趣区域边缘迭代扩展；(3)对扩展后的图像分别进行NSCT变换，将其分解为i层；(4)利用每层j个方向子带系数提取一维特征，并逐层提取组成特征向量，并归一化；(5)对归一化后的视网膜训练图像的特征向量建立训练样本；(6)选用分类器，并利用训练样本对分类器训练，将归一化后的待分割视网膜图像的特征向量输入分类器中，对待分割视网膜图像进行分割。本发明具有图像分割边缘清晰，准确率高的优点，用于医学图像视网膜分割。文档编号G06T7/00GK101667289SQ20081023233公开日2010年3月10日申请日期2008年11月19日优先权日2008年11月19日发明者彪侯,鹏侯,公茂果,芳刘,焦李成,爽王,桦钟,马文萍申请人:西安电子科技大学