本发明属于图像处理方法，尤其是对以视盘为中心的SD-OCT(频域光学相干断层成像)视网膜图像的分割方法。
背景技术：
光学相干断层成像(optical coherence tomography,OCT)是近年来迅速发展的一种成像技术，并逐渐广泛应用于采集高分辨率的视网膜图像。人眼的视网膜结构非常复杂，尤其是以视乳头(Optical Nerve Head，ONH)为中心的区域，其结构变化更为复杂，变化更为显著，所以，开发一种可靠的自动化的视网膜视乳头区域结构分割及测量方法就十分重要。
迄今，已公开的一些研究主要是对黄斑区的视网膜OCT图像做视网膜各层的分割，对于以视乳头为中心区域的视网膜OCT图像的分割，虽然已经有一些研究是针对此区域做结构分割，但有一些方法是基于二维的彩色眼底照片来分割视盘、视杯；有一些方法虽然是基于三维的OCT图像进行分割，但因为ONH结构的复杂性，以及受病变影响带来的结构变化，从而导致分割的精度不是很高。
技术实现要素：
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种具有可行性和有效性的对以视盘为中心的SD-OCT(频域光学相干断层成像)视网膜图像的分割方法。
为解决上述技术问题，本发明提供一种基于混合模型的视网膜OCT图像视乳头结构分割方法。
本发明提供了一种基于AAM(主动外观模型)和Graph-search(图搜索)技术的自动分割方法，该方法主要包括3个步骤：图像预处理，AAM建模及粗分割，Graph-search(图搜索)方法精分割。
1)图像预处理，对视网膜图像进行滤波、拉平处理；
2)根据手动标记的标记点，建立AAM(主动外观模型)，并用AAM(主动外观模型)完成视网膜图像结构的粗分割；
3)以步骤2)中的结果为约束条件，用Graph-Search(图搜索)方法实现视网膜图像结构的精分割。
步骤1)中，图像滤波处理采用梯度各向异性扩散的算法去除噪声。
步骤1)中，图像拉平处理利用外界膜作为拉平的基准，先将检测到的外界膜位置指定为一个固定值，然后以此固定值为基准，对齐全图。
步骤2)中，建立主动外观模型的步骤为：
首先在经步骤1)预处理得到的每一帧图像上手动标注分割目标的轮廓线，然后将3维的分割目标表示成2维的轮廓线的堆栈，在标注的轮廓线上标注多个标记点；
当所有训练数据的标记点全部标注完成之后，使用标准的主动外观模型来建立视网膜图像结构的模型。
主动外观模型包括形状模型和纹理模型两个部分：
其中，是平均形状模型，是此平均形状所对应的平均纹理模型，Qs和Qg为经过主成分分析计算得到的形状、纹理主成分特征分量形成的变换矩阵。s为控制形状变化的形状参数；t为控制纹理变化的纹理参数；x是形状模型，g是纹理模型；利用主动外观模型在测试数据上定位、分割感兴趣区域，得到层1-层7的初始结果。
步骤3)中，采用的具体步骤如下：
首先，将视网膜图像定义成三维矩阵I(x，y，z)，其大小是X×Y×Z，其中x、y、z是空间坐标，X、Y、Z分别是三个方向上的体素个数；
待检测的表面定义为函数S(x，y)，x∈{0，...，X-1}，y∈{0，...，Y-1}，且S(x，y)∈{0，...，Z-1}；
参数Δx定义x方向上的平滑约束条件，参数Δy定义y方向上的平滑约束条件；使相邻两个表面在x方向的最大距离满足|S(x+1，y)-S(x，y)|≤Δx，在y方向的最大距离满足|S(x，y+1)-S(x，y)|≤Δy；
然后，基于图像体素建立一个顶点-权重有向图G＝(V,E)，其包含一个顶点v的集合V和一个边e的集合E；在这个有向图中，任一顶点v∈V都对应着图像I(x，y，z)中的一个体素点，且任意一条弧<vi，vj>∈E连接了两个顶点vi、vj；每个顶点v∈V，{V(x，y，z)|(z＞0)}的代价值c(x,y,z)根据OCT图像的梯度幅值计算出来，表明了一个像素点不属于目标表面的可能性，每个顶点v∈V的权值根据代价值计算，如下式(2)：
将查找最优表面的问题转化成在有向图G中检索最小代价闭集，将图像中的感兴趣区域分割出来。
还包括对视盘图像分割的步骤：
检测出视盘图像的边界，并把层信息在视盘区域的部分隐去；根据分层结果得到层6和层7之间的z方向的投影图像，再利用形状先验模型算法分割出视盘区域图像。
本发明所达到的有益效果：
本发明首次提供了一种具有可行性和有效性的对以视盘为中心的SD-OCT(频域光学相干断层成像)视网膜图像进行分割的方法，使显微镜成像设备可以利用这种方法进行非接触、高分辨率、高解析度的成像。
附图说明
图1是基于混合模型的视网膜OCT图像ONH结构分割算法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明方法的基本框图如附图1所示，主要包括3个步骤：图像预处理，用AAM(主动外观模型算法)做初始分割，用Graph-Search(图搜索算法做精细分割)。具体描述如下。
(1)图像预处理
图像预处理主要包括以下步骤：视网膜图像的滤波和拉平。
(a)图像的滤波
采用梯度各向异性扩散的算法对图像进行滤波处理，尽可能去除噪声且保留图像的细节信息。
(b)图像的拉平
在采集视网膜OCT图像的过程中，因为受试者的眼球转动，导致采集的图像的不同帧之间会有较大的跳变，在某些位置图像的平滑度不够高，受此影响，导致分层结果变差。对图像的拉平操作，是利用比较容易检测的外界膜作为拉平的基准，先将检测到的外界膜位置指定为一个固定值，然后以此为基准，对齐全图。
(2)建立AAM模型(主动外观模型)
首先在采集的每一帧图像上手动标注分割目标的轮廓线，然后将3维的分割目标表示成2维的轮廓线的堆栈。在标注的轮廓线上标注多个标记点，在本实施例中一共标注了13条轮廓线，除了第一ILM(内界膜)标注了16个标记点，其余12条轮廓都只标注了6个标记点。
当所有训练数据的标记点全部标注完成之后，使用标准的AAM(主动外观模型)来建立视网膜图像结构的模型。
AAM模型(主动外观模型)包括形状模型s和纹理模型g两个部分，如式(1)所示：
其中，是平均形状模型，是此平均形状所对应的平均纹理模型，Qs和Qg为经过主成分分析计算得到的形状、纹理主成分特征分量形成的变换矩阵。s为控制形状变化的形状参数；t为控制纹理变化的纹理参数。x是根据平均形状模型和变换矩阵及参数得到的形状模型，g是根据平均纹理模型和变换矩阵及参数得到的纹理模型，利用这个模型就可以在测试数据上定位、分割感兴趣区域，得到层1-层7的初始结果。
(3)用Graph-Search(图搜索)方法实现视网膜图像结构的精确分割
用AAM模型(主动外观模型)得到的分割结果还不够准确，所以本发明提出了以用AAM模型(主动外观模型)结果为约束条件，用Graph-Search(图搜索)方法实现视网膜图像结构精确分割的方法。
K.li等人提出的单表面检测3-D Graph-Search(图搜索)方法将视网膜图像定义成三维矩阵I(x，y，z)，其大小是X×Y×Z，其中，x、y、z是空间坐标，X、Y、Z分别是三个方向上的体素个数。待检测的表面可以定义为函数S(x,y)，x∈{0，...，X-1}，y∈{0，...，y-1}，且S(x，y)∈{0，...，Z-1}。另外，参数Δx定义了x方向上的平滑约束条件，参数Δy定义了y方向上的平滑约束条件。也就是说相邻两个表面在x方向的最大距离要满足|S(x+1，y)-S(x，y)|≤Δx，在y方向的最大距离要满足|S(x，y+1)-S(x，y)|≤Δy。每个点的代价值c(x,y,z)表明了一个体素不属于目标表面的可能性。所以，最优表面就有着最小的代价值。然后，基于图像体素建立一个顶点-权重有向图G＝(V,E)，其包含一个顶点v的集合V和一个边e的集合E。在这个有向图中，任一顶点v∈V都对应着图像I(x，y，z)中的一个体素点，且任意一条弧<vi，vj>∈E连接了两个顶点vi、vj。每个顶点v∈V，{V(x，y，z)|(z＞0)}的代价值c(x,y,z)是根据OCT图像的梯度幅值计算出来的，表明了一个像素点不属于目标表面的可能性，每个顶点v∈V的权值又是根据代价值计算出来的，如下式(2)：
所以，查找最优表面的问题就转化成了在有向图G中检索最小代价闭集，从而可以使用最大流/最小割算法来计算最小闭集，将图像中的感兴趣区域分割出来。
在本算法中，代价值使用了Sobel边缘算子来计算z方向的梯度幅值。分别采用了两种类型的代价方程，其中，层1、5、6是从上到下、由黑到白的变化；层2、3、4、7是从上到下、由白到黑的变化。
(4)视盘图像的分割
在神经管图像内部，视网膜图像组织的分层结构并不清楚，自动分层的方法无法有效分层，因此，本算法中检测出视盘图像的边界，并把层信息在视盘区域的部分隐去。首先根据分层结果得到层6和层7之间的z方向的投影图像。再利用形状先验模型算法分割出视盘区域。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。