本发明涉及图像处理
技术领域：
，尤其是涉及一种基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法。
背景技术：
：当前全世界已经针对眼底图像微动脉瘤检测展开了众多研究，相关的算法主要包括三种：数学形态学及其中的顶帽变换技术，匹配滤波技术以及对象分割技术。Baudoin等人在1983年发表的“Automaticdetectionofmicroaneurysmsindiabeticfluoresceinangiography”中率先实现利用计算机自动检测荧光造影眼底图像中的微动脉瘤。这种算法使用的是荧光造影技术获得的眼底图像，与当前使用的彩色眼底图像有一定的差别，但两者的处理技术是相通的。这种方法使用了不同方向、不同直径和不同连通性的线性结构元素，通过形态学顶帽变换的技术，把狭长、连通的血管结构与圆形非连通的微动脉瘤结构对象区分开。这一方法成为之后诸多类似算法的基础。利用形态学顶帽变换技术检测眼底图像微动脉瘤存在一定的局限性，结构元素的大小成为影响最终检测结果的因素。如果结构元素过大，会导致较紧密的血管被误判为微动脉瘤；而为了避免误判而将结构元素选取得过小，则会导致较大的微动脉瘤被漏判。在形态学之外，还有许多研究提出利用匹配滤波技术检测眼底图像的微动脉瘤。Zhang等人在2012年发表的“SparseRepresentationClassifierformicroaneurysmdetectionandretinalbloodvesselextraction”中提出通过计算多尺度和标准差的高斯匹配滤波与局部微动脉瘤灰度分布之间的相关度，选取出疑似微动脉瘤候选区域，然后再提取疑似区域的形状、颜色、直径、灰度等相关特征，对疑似区域进行排除，选取出真实的微动脉瘤。眼底图像中的暗色区域可以视作由血管、微动脉瘤以及出血病变点组成。利用这种思路，通过血管分割技术去除血管像素，保留微动脉瘤和出血病变点。Sinthanayothin等人在2002年发表的“Automateddetectionofdiabeticretinopathyondigitalfundusimages”中提出了递归区域生长算法，将图像中的血管、微动脉瘤和出血病变点等暗色区域从原始图像中提取分割出来，然后利用人工神经网络对其进行分类，将血管与微动脉瘤区分开，达到检测微动脉瘤的目的。目前相关文献提出的方法多是基于微动脉瘤的形状、颜色等特点，通过形态学、匹配滤波等技术提取出疑似微动脉瘤的区域。再进一步通过微动脉瘤的大小、对比度、形状等相关特征对疑似区域进行排除，去除非微动脉瘤的出血等病变点，选取出真实的微动脉瘤。根据已有的算法总结，目前的微动脉瘤自动检测主要存在漏判和误判的问题。技术实现要素：本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法，该方法首先对图像进行预处理，以实现眼底图像的亮度均一化，避免由于亮度不均匀而导致检测准确率下降。然后利用局部熵确定阈值，对眼底图像进行阈值分割，分割出图像的血管、微动脉瘤等目标区域。本发明的目的可以通过以下技术方案来实现：一种基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法，包括以下步骤：第一步、对图像进行预处理，以实现眼底图像的亮度均一化；第二步、使用高斯匹配滤波，以增强图像中的血管和微动脉瘤像素；第三步、利用局部熵确定阈值，对眼底图像进行阈值分割，分割出图像的血管、微动脉瘤的目标区域；第四步、分割后加入利用数学形态学提取连通分量，实现长度筛选，在筛选出的暗色区域中去除掉长度超过设定阈值且相互连通的血管结构，即可检测出真实的微动脉瘤结构；第五步、利用双环滤波，排除图像中的噪声的干扰点，提高检测的准确率。本发明的原理是，许多微动脉瘤检测算法是基于微动脉瘤的形状、颜色等特点，其最主要的局限便是由于血管结构导致误判和漏判。本发明首先对图像进行高斯匹配滤波处理，增强血管和微动脉瘤像素，然后利用局部熵确定阈值，完成图像的分割，提取出所需的血管和微动脉瘤对象。提取出血管和微动脉瘤的目标区域之后，再利用数学形态学提取二值图像中的连通分量，实现长度筛选，排除血管像素，保留不连通的微动脉瘤像素，完成检测。所述的第一步具体为：1)图像进行预处理的过程包括归一化、灰度变换和直方图均衡化；2)为了实现眼底图像的照明归一化，从绿色通道中减去估计背景的灰度值：Inorm＝IG-Ibg其中Inorm为归一化处理之后的结果，IG为图像的绿色通道，Ibg为估计的背景；3)采用线性灰度变换，对于线性灰度变换，r与s之间的关系用如下函数表示：s=a1+b1-a1b-a(r-a)]]>其中[a,b]为原图像每个像素点灰度r的取值范围，[a1,b1]则为线性变换后图像每个像素点灰度s的取值范围；4)直方图均衡化的具体变换函数为：s=T(r)=(L-1)∫0rpr(ω)dω]]>其中，ω是积分假变量，T(r)是r的累积分布函数，以T(r)作变换函数，获得灰度分布均匀的图像。所述的Ibg的选取通过滤波得到，通过对IG进行N×N中值滤波操作，得到需要的Ibg。所述的第二步具体为：高斯匹配滤波使用二维高斯匹配滤波来增强血管和微动脉瘤像素，函数如下：f(x,y)=-exp(-x22σ2),|y|≤L2]]>其中L为片段长度，在这个片段内血管方向固定不变，视网膜血管的走向不固定，所以核函数需要不断地旋转，只有当滤波器方向与血管走向相同才会产生峰值响应；然后利用一组12个16×15像素的内核对眼底图像进行卷积；在每个像素点上只保留最大的响应，得到响应图像。所述的第三步具体为：对图像进行滤波处理后，设阈值为T，0≤T≤L-1，将滤波处理后的图像L×L灰度共生矩阵分为A、B、C、D四个部分，A为左上部分，B为右上部分，C为左下部分，D为右下部分；根据局部熵定义，A部分目标元素的整体灰度分布概率定义为：PA=Σi=0TΣj=0TPij]]>而C部分背景元素的概率则定义为：PC=Σi=T+1L-1Σj=T+1L-1Pij]]>对这两个概率进行归一化，得到以下两个关于向量(T,T)的函数：PijA=PijPA]]>PijC=PijPC]]>则A部分目标元素的局部熵是一个关于T的函数，可由下式得出：HA(T)=-12Σi=0TΣj=0TPijAlog2PijA]]>与之类似，C部分背景元素的局部熵为：HC(T)=-12Σi=T+1L-1Σj=T+1L-1PijClog2PijC]]>则目标元素和背景元素两部分的总局部熵为：HT(T)＝HA(T)+HC(T)则由此得出阈值T的取值应使HT取到最大值，此时有：T=arg[maxT=0,1,...,L-1HT(T)]]]>所述的第四步具体为：长度筛选通过如下方式操作：对于每个目标区域像素点，比较其周围相邻的八个像素点，相邻的八个像素中，同样处在目标区域之内的像素少于两个，便可视为不连通的单像素小点，即为所需的真实微动脉瘤点；或者通过数学形态学对得到的二值图像进行连通分量的提取，同时确定一个阈值，如果某一个连通分量中的像素个数超过这个阈值，则将这个连通分量视为长度较长且有大量像素相连通的血管元素，予以排除；而如果某一个连通分量中像素个数少于这个阈值时，则将这一个连通分量认定为较小且与血管不连通的微动脉瘤元素。所述的第五步具体为：为了进一步排除结果图像中其他的背景噪声点，采用改进的双环滤波器实现，其中内环半径r为：r=S/π]]>其中S为候选区域的面积所占的像素个数，外环的半径R为内环半径r的2.5倍，即：R＝2.5×r如果内环像素的强度平均值和外环像素的强度平均值之差小于阈值Tr，则这一候选区域认定为真实的微动脉瘤，由于不同的眼底图像本身存在差异，因此阈值Tr的确定采用了多级自适应的选择方法：Tr=2.5,std(I)≤303.7,30<std(I)≤405.0,40<std(I)≤506.2,std(I)>50]]>其中std(I)为初始图像的灰度值方差。与现有技术相比，本发明具有以下优点：1)本发明初期做了大量图像预处理的工作，实现了眼底图像的亮度均一化，避免了由于亮度不均匀而导致检测准确率下降，为后面检测的准确性提供了保障；2)本发明利用局部熵确定阈值，完成图像分割，提取出所需的微动脉瘤像素，降低了由于血管结构导致的误判和漏判；3)本发明利用双环滤波，排除图像中的噪声等干扰点，提高检测的准确率。附图说明图1是本发明方法的流程图。图2是原始彩色及灰度眼底图像。图3是匹配滤波前后眼底图像对比，左为处理前，右为处理后。图4是对图像进行分割之后产生的二值图像。图5是长度筛选后确定的微动脉瘤位置。图6是滤波处理后的图像L×L灰度共生矩阵分割图。具体实施方式下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。实施例本实施例包括以下步骤：第一步、对图像进行预处理，以实现眼底图像的亮度均一化。所述的预处理包括归一化、灰度变换和直方图均衡化。为了实现眼底图像的照明归一化，可以从绿色通道中减去估计背景的灰度值：Inorm＝IG-Ibg其中Inorm为归一化处理之后的结果，IG为图像的绿色通道，Ibg为估计的背景。Ibg的选取可以通过滤波得到。通过对IG进行N×N中值滤波操作，可以得到需要的Ibg。灰度变换是为了图像增强，假设原图像每个像素点的灰度值为r＝f(x,y)，处理之后每个像素点的灰度值为s＝g(x,y)，按照特定的变换关系T，则灰度增强操作可以表示为公式：s＝T(r)其中r和s都在图像的灰度范围之内。函数T为选取得灰度变换函数，用于描述输入灰度值与输出灰度值s之间的关系。本发明采用的是线性灰度变换，对于线性灰度变换，r与s之间的关系可以用如下函数表示：s=a1+b1-a1b-a(r-a)]]>其中[a,b]为原图像每个像素点灰度r的取值范围，[a1,b1]则为线性变换后图像每个像素点灰度s的取值范围。线性变换能够对图像的每一个像素灰度作线性的拉伸，因此能够有效地改善图像曝光不足或曝光过度所导致的图像缺乏灰度层次或模糊的情况。直方图均衡化操作是通过分布函数的累积积分来修改图像的灰度直方图，使图像直方图能够均匀分布。直方图均衡化的操作能够增强图像。具体的变换函数如下：s=T(r)=(L-1)∫0rpr(ω)dω]]>其中，ω是积分假变量，T(r)是r的累积分布函数。以T(r)作变换函数，可以获得灰度分布均匀的图像。第二步、使用高斯匹配滤波，以增强图像中的血管和微动脉瘤像素。所述高斯匹配滤波使用二维高斯匹配滤波来增强血管和微动脉瘤像素，函数如下：f(x,y)=-exp(-x22σ2),|y|≤L2]]>其中L为片段长度，在这个片段内血管方向固定不变。视网膜血管的走向不固定，所以核函数需要不断地旋转，只有当滤波器方向与血管走向相同才会产生峰值响应。然后利用一组12个16×15像素的内核对眼底图像进行卷积。在每个像素点上只保留最大的响应，得到响应图像。第三步、利用局部熵确定阈值，对眼底图像进行阈值分割，分割出图像的血管、微动脉瘤等目标区域。对图像进行滤波处理后，设阈值为T，0≤T≤L-1，将滤波处理后的图像L×L灰度共生矩阵分为A、B、C、D四个部分，如图6所示：A部分即灰度值较低的取值，为图像血管和微动脉瘤等目标元素的灰度分布；而C部分即灰度值较高的取值，为图像中背景的灰度分布。B、D两部分则是目标元素与背景之间的像素点或元素边界点的灰度分布。由局部熵确定阈值时只需要考虑这四个部分中的A、C两个部分。根据局部熵定义，A部分目标元素的整体灰度分布概率可定义为：PA=Σi=0TΣj=0TPij]]>而C部分背景元素的概率则定义为：PC=Σi=T+1L-1Σj=T+1L-1Pij]]>对这两个概率进行归一化，得到以下两个关于向量(T，T)的函数：PijA=PijPA]]>PijC=PijPC]]>则A部分目标元素的局部熵是一个关于T的函数，可由下式得出：HA(T)=-12Σi=0TΣj=0TPijAlog2PijA]]>与之类似，C部分背景元素的局部熵为：HC(T)=-12Σi=T+1L-1Σj=T+1L-1PijClog2PijC]]>则目标元素和背景元素两部分的总局部熵为：HT(T)＝HA(T)+HC(T)则由此得出阈值T的取值应使HT取到最大值，此时有：T=arg[maxT=0,1,...,L-1HT(T)]]]>此时得到理想的阈值T，以进行目标区域和背景区域的分类。第四步、分割后加入利用数学形态学提取连通分量，实现长度筛选，在筛选出的暗色区域中去除掉长度较长且相互连通的血管结构，即可检测出真实的微动脉瘤结构。根据局部熵确定的阈值可以将血管以及微动脉瘤从背景中分割出来，得到一个眼底血管分布的二值图像。图像中包含了血管和微动脉瘤的全部像素，由此可以通过长度筛选确定微动脉瘤的位置。由于得到的二值图像中包括了血管、微动脉瘤两种元素。根据这两种元素之间的特征差异可以将其区分开，从而排除血管，保留需要的真实微动脉瘤。从形状和连通性上看，血管是狭长状相互连通的线性元素，而微动脉瘤则是离散的小圆点，直径极小，大约在一个像素左右。因此只需要对二值图像进行筛选，分析其像素之间的连通性，选出所有直径满足要求且相互不连通的元素，即可排除血管，得到所需的微动脉瘤区域。长度筛选可以以如下方式操作：对于每个目标区域像素点，比较其周围相邻的八个像素点。相邻的八个像素中，同样处在目标区域之内的像素少于两个，便可视为不连通的单像素小点，即为所需的真实微动脉瘤点。更精确的方法则是通过数学形态学对得到的二值图像进行连通分量的提取，同时确定一个阈值。如果某一个连通分量中的像素个数超过这个阈值，则将这个连通分量视为长度较长且有大量像素相连通的血管元素，予以排除；而如果某一个连通分量中像素个数少于这个阈值时，则将这一个连通分量认定为较小且与血管不连通的微动脉瘤元素。第五步、利用双环滤波，排除图像中的噪声等干扰点，提高检测的准确率。微动脉瘤在眼底图像中显示为比周围背景偏暗的一个圆形区域，因此双环滤波器在检测微动脉瘤的过程中也能够发挥作用。在图像中取两个同心的环状区域。假定内环为区域A，外环为区域C，而两个环之间的区域为区域B。A环直径应保证其在微动脉瘤对象内，C应该外圈在微动脉瘤对象之外。在这三个区域中，区域B可能会受到微动脉瘤边界的影响，因此不参与滤波的操作。整个滤波器的输出为：FA(x,y)＝T-(k(x,y)-mA(x,y))这其中，mA为A区域的像素点灰度平均值，而k(x,y)则是区域C的灰度直方图中p％的灰度值的像素点，T为根据实验确定的常数。为了进一步排除结果图像中其他的背景噪声点，可以采用改进的双环滤波器实现。其中内环半径r为：r=S/π]]>其中S为候选区域的面积所占的像素个数。外环的半径R为内环半径r的2.5倍，即：R＝2.5×r如果内环像素的强度平均值和外环像素的强度平均值之差小于阈值Tr，则这一候选区域可以认定为真实的微动脉瘤。在这里由于不同的眼底图像本身存在差异，因此阈值Tr的确定也采用了多级自适应的选择方法：Tr=2.5,std(I)≤303.7,30<std(I)≤405.0,40<std(I)≤506.2,std(I)>50]]>其中std(I)为初始图像的灰度值方差。其具体的取值是通过实验确定的最优取值。实施效果依据上述步骤，对于我们收集的眼底图像进行分析，我们选取国际上两个公开可用于测试和评估糖尿病视网膜病变诊断算法的标准视网膜图像数据库DIARETDB0和DIARETDB1的图像进行实验。所有试验均在PC计算机上实现，该PC计算机的主要参数为：中央处理器Intel(R)Core(TM)2DuoCPUE7500@2.93GHz，内存2GB。结果显示，本发明对两个数据库(DIARETDB0和DIARETDB1)中图片进行微动脉瘤检测的准确度分别为95.98％和94.57％。准确度方面明显优于其他算法。与此同时本发明算法还有计算量小的优点。相对于其他用了复杂的数学模型和数学变换的方法，我们的算法简单高效，效率高。综合看来我们的算法是先进的。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。当前第1页1 2 3