一种基于血管收敛的视盘区定位方法与流程

本发明涉及图像处理技术领域，尤其是涉及一种基于血管收敛的视盘区定位方法。

背景技术：

视盘在眼底图像中具有较明显的特征：(1)通常表现为近似圆形的黄色或白色亮斑；(2)血管从视盘中心延伸出来；(3)延伸出的血管在方向上具有相似性。

1997年，zhengliu等人在发表的“automaticimageanalysisoffundusphotograph”中选取眼底图像中最大亮度值的2％作为阈值，所留下的区域即视盘所在位置；chrastek等人在发表的“opticdiscsegmentationinretinalimages”中选取图像中亮度均值最大的点作为视盘中心。这两种方法只是单纯利用视盘区域最亮这一特征，当图像中存在亮度不均、渗出病变或视盘亮度丢失等情况时，定位的准确性受到极大影响。

2002年，sinthanayothin等人在发表的“automatedlocationoftheopticdisc,fovea,andretinalbloodvesselsfromdigitalcolorfundusimages”中则利用较亮的视盘中存在较暗的血管这一特征，计算各像素一定区域的亮度方差，将平均亮度方差最大的一点作为视盘的近似中心位置。很显然，这样可以排除部分高亮度病变或光照不均等得影响。osareh等人在发表的“comparisonofcolorspacesforopticdisclocationinretinalimages”中利用视盘亮度和形状都具有相似性这一特点提出了基于模板匹配的方法，模板匹配后相关系数最大的点即视盘中心。

上面四种方法都只是利用视盘区域内的亮度和形状特征，不能很好的应用于视盘存在病变、视盘亮度丢失等情况的眼底图像中。另外一类方法是基于视盘与血管结构关系的。

2003年，hoover等人在发表的“locatingtheopticnerveinaretinalimageusingthefuzzyconvergenceofthebloodvessels”中利用血管汇集于视盘中心这一特征，提出了一种计算像素点的血管汇集程度的算法。这种方法的缺点在于它易在血管分叉的地方给出错误的定位而且计算复杂度高。forachia等人在发表的“detectionofopticdiscinretinalimagesbymeansofageometricalmodelofvesselstructure”中不仅利用血管汇集特征，并且综合考虑了整个血管系统的结构方向特征，即主血管从视盘延伸出来的路径近似于两条相切的几何抛物线。最终采用几何模型方法实现视盘定位。由于光照不均、病变、血管干扰等干扰因素，这些方法不能准确定位视盘。

技术实现要素：

本发明的目的是针对上述问题提供一种基于血管收敛的视盘区定位方法。

本发明的目的可以通过以下技术方案来实现：

一种基于血管收敛的视盘区定位方法，用于对眼底图像的视盘区进行定位，所述方法包括下列步骤：

1)利用最小二乘分类器分割出眼底图像的初始视盘区；

2)根据血管收敛位置计算步骤1)中分割出的初始视盘区的中心；

3)计算步骤2)中初始视盘区的中心的各个方向上梯度值最大的点，构成点集，利用快速椭圆拟合算法处理点集，得到视盘区边界并确定视盘区。

所述最小二乘分类器包括csk跟踪器。

所述步骤1)具体为：

11)将眼底图像划分为多个大小为m×n的图像块；

12)对步骤11)中划分得到的每一个图像块中的每一个像素pm,n进行预处理，得到处理后的像素g(m,n)，其中1≤m≤m，1≤n≤n；

13)利用最小二乘分类器遍历所有图像块，将图像块与视盘区模板进行匹配检测，并根据步骤12)中得到的g(m,n)计算每个图像块的检测分数；

14)选取最大检测分数对应的图像块，即为分割出的眼底图像的初始视盘区。

所述处理后的像素g(m,n)具体为：

其中，σ为正态分布的标准差。

所述检测分数具体为：

其中，st为每一个图像块，为离散傅里叶变换，为离散傅里叶反变换，κ为点积操作，a(m,n)具体为：

其中，p为图像块，λ为正则化参数。

所述步骤2)具体为：

21)对步骤1)中得到的初始视盘区依次进行中值滤波和二值化血管分割，完成血管的提取；

22)利用垂直的矩形窗口从左到右遍历初始视盘区，结合提取的血管确定视盘区中心的横坐标；

23)利用水平的矩形窗口从上到下遍历初始视盘区，结合提取的血管确定视盘区中心的纵坐标。

所述初始视盘区的中心的横坐标为血管聚集程度d(v)最小时对应的垂直窗口v的中心横坐标，所述血管聚集程度d(v)具体为：

其中，n为窗口的数量，mi为第i个血管连接区域的像素个数，m为垂直窗口中像素的总个数。

所述初始视盘区的中心的纵坐标为gabor滤波器强度值r(h)最大时对应的水平窗口h的中心纵坐标，所述血管聚集程度r(h)具体为：

其中，n为窗口的数量，(x,y)为像素的坐标，l(x,y)为坐标为(x,y)的像素的rgb值，g(x,y)为第h个窗口的gabor滤波器的中值，np为第h个水平窗口中的像素个数。

所述步骤3)具体为：

31)以步骤2)中得到的初始视盘区的中心为端点，向四周20个等间距的角度作20条射线；

32)分别求出20条射线上梯度值最大的点，构成点集；

33)利用快速椭圆拟合算法处理点集，得到视盘区边界并确定视盘区。

所述梯度值具体为：

g(i,j)＝i(i,j)-i(i,j+1)

其中，g(i,j)为第i个方向上第j个像素点的梯度值，i(i,j)为第i个方向上第j个像素点的亮度值，i(i,j+1)为第i个方向上第j+1个像素点的亮度值。

与现有技术相比，本发明具有以下有益效果：

(1)对视盘区域检测方法是基于最小二乘分类器和模板匹配，鲁棒性强，能克服光照不均、病变、血管干扰等干扰因素。

(2)利用血管从视盘中心延伸出来的形态学特点，通过提取血管并计算血管收敛位置能准确定位视盘区中心。

(3)通过计算各个方向上梯度值最大的点并椭圆模拟出视盘边界，清晰明了。

(4)采用csk跟踪器作为最小二乘分类器，相较于其他最小二乘分类器，csk跟踪器速度最快，提高了视盘区域检测的速度。

(5)在分割视盘区时对每一个图像块中的每一个像素pm,n进行预处理，防止了眼底图像局部信息的扩散。

(6)首先通过模板匹配确定初始视盘区，再通过血管收敛确定视盘区的中心，既克服了模板匹配情况下会受到病变和视盘亮度丢失的情况，又克服了血管收敛时在血管分叉的地方给出错误定位这种情况，因此整体定位精度高效果好。

附图说明

图1为本发明的方法流程图；

图2为生成视盘区模板的实例图，其中(2a)为眼底图像，(2b)为生成的视盘区模板；

图3为视盘区边界椭圆模拟示意图，其中(3a)为点集图，(3b)为利用快速椭圆拟合算法处理点集得到的视盘区边界图；

图4为不同眼底图像检测视盘区的实例演示图，其中(4a)为眼底图像1，(4b)为眼底图像2，(4c)为眼底图像3，(4d)为眼底图像4，(4e)为眼底图像5，(4f)为眼底图像6；

图5为健康的眼底图像的视盘区检测结果和手工检测结果对比图，其中(5a)为眼底图像7，(5b)为眼底图像8，(5c)为眼底图像9，(5d)为眼底图像10；

图6为不健康的眼底图像的视盘区检测结果和手工检测结果对比图，其中(6a)为眼底图像11，(6b)为眼底图像12，(6c)为眼底图像13，(6d)为眼底图像14。

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。

如图1所示，本实施例提供了一种基于血管收敛的视盘区定位方法，用于对眼底图像的视盘区进行定位，该方法包括下列步骤：

1)利用最小二乘分类器分割出眼底图像的初始视盘区；

2)根据血管收敛位置计算步骤1)中分割出的初始视盘区的中心；

3)计算步骤2)中初始视盘区的中心的各个方向上梯度值最大的点，构成点集，利用快速椭圆拟合算法处理点集，得到视盘区边界并确定视盘区。

上述步骤的具体步骤如下：

1)使用最小二乘分类器分割出视盘区域。

如图2所示，本实施例中最小二乘分类器使用的是henriquesjf等人在“exploitingthecirculantstructureoftracking-by-detectionwithkernels”中提出的csktracker，这个分类器是最快的特征分类器。分割视盘区域是基于模板匹配的方法，左眼和右眼的视盘区模板是根据marclalonde等人在“fastandrobustopticdiscdetectionusingpyramidaldecompositionandhausdorff-basedtemplatematching”提出的方法提取出来的。本发明通过对比每一个图像块和模板来判断每一个图像块是否是视盘区区域，图像块的大小是基于模板大小的(假设图像块大小为mxn,1≤m≤m,1≤n≤n)，在我们方法中，图像块的大小是80x80。为了防止眼底图像局部信息的扩散，对图像块中的每一个像素pm,n使用一个高斯函数，函数表达式如下：

式中g(m,n)表示每一个像素pm,n处理之后的信息，σ代表正态分布的标准差，在我们的方法中σ的值取0.2。

本发明在对比每一个图像块和模板的过程中计算最大检测分数，检测分数最大的图像块即为视盘区域，检测分数计算公式为：

式中st表示每一个图像块，“x”操作为点乘，表示离散傅里叶变化，离散傅里叶反变换，κ是点积操作，定义如下：

a(m,n)系数定义如下：

式中p表示图像块，λ是正则化参数，λ>0，其他变量定义如上。

在最小二乘分类器遍历一张眼底图像的每一个图像块时，计算检测分数，检测分数最大的图像块就认为是视盘区。

2)通过计算血管收敛位置确定视盘区中心。

因为血管从视盘中心延伸出来，所以通过提取血管并计算血管收敛位置即可确定视盘区中心。确定视盘中心包括三个步骤：血管提取、确定横坐标和确定纵坐标。

rgb图像的亮度信息和血管信息在r通道和g通道，本发明选取rgb图像的g通道进行血管提取。在提取出来的视盘区域中使用中值滤波器，该中值滤波器使用直方图数据和边缘增强技术。然后再使用二值化技术进行血管分割，二值化的阈值是从其他眼底图像得到的，在本发明中二值化阈值为150。通过上述操作，即可提取出血管。

在提取出血管之后，通过一个垂直的矩形窗口从左到右遍历视盘区域来确定视盘中心的横坐标，窗口的宽度是血管宽度的两倍(血管宽度从模板中得到)，窗口的高度和视盘区的高度相同。d(v)用来量化血管的聚集程度，定义为：

式中d(v)表示血管在第v个垂直窗口的聚集程度，n表示窗口的数量，mi表示第i个血管连接区域的像素个数，m表示垂直窗口v中像素的总个数。当越小，是绝对值越大的负数。当d(v)最小时，视盘中心的横坐标就在第v个垂直窗口。视盘中心的横坐标因此确定。

在提取视盘横坐标之后，通过一个水平的矩形窗口从上到下遍历视盘区域来确定视盘中心的纵坐标，窗口的宽度和视盘区的宽度相同，窗口的高度和血管的宽度相同。首先使用中值滤波器去除不均匀的亮度信息和图像伪影，本发明使用gabor滤波器，gabor滤波器的中值为：

式中，g(x,y)表示第h个窗口的gabor滤波器的中值，δ表示标准差，λ表示gabor滤波器的波长，表示gabor滤波器的相位偏移，γ表示椭圆率，x'和y'定义如下：

x'＝x×cosθ+y×sinθ

y'＝-x×sinθ+y×cosθ

式中(x,y)表示像素坐标，θ是gabor滤波器的弧度。本方法中θ的值设置为π/2。

r(h)用来衡量水平窗口中gabor滤波器值的强度，定义为：

式中l(x,y)表示(x,y)处像素的rgb值，np表示第h个水平窗口中的像素个数。视盘中心的亮度值最大，gabor滤波器值也最大，r(h)也最大，我们取r(h)最大的水平窗口作为视盘中心所在窗口，视盘中心的纵坐标由此确定。

3)计算各个方向上梯度值最大的点，对这些点使用快速椭圆拟合算法，拟合出视盘边界。

如图3所示，在得到比较清晰连续的眼底局部图像后我们需要将视盘的边界检测出来。首先我们以第二步中检测出的视盘中心为端点，向四周20个等间距的角度作20条射线，检测第i条射线上的第j个点的梯度值。如下：

g(i,j)＝i(i,j)-i(i,j+1)

其中g(i,j)是第i个方向上第j个像素点的梯度值，i(i,j)表示第i个方向第j个像素点的亮度值，i(i,j+1)表示第i个方向上j+1个像素点的亮度值。分别求出20个方向上梯度值最大的点，因为这些点基本上是在视盘边界上，故将其作为我们后面拟合工作的候选点集合(用seeds表示)。得到边界点集合seeds之后，我们运用“最小二乘法”的思想用椭圆拟合这些点，即可得到我们需要的确定的视盘边界。

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digitalretinalimagesforvesselextraction(drive)数据集和non-fluoresceinimagesforvesselextraction(nive)数据集。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。

定位结果如图4～图6所示，结果显示，本发明对两个数据库(drive和nive)中图片进行视盘区定位的精准度为97.65％。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，处理每一张眼底图像的响应时间为1.6126s。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，鲁棒性强。综合看来我们的算法是先进的。