一种基于分形维数与高斯滤波结合的视网膜血管分割系统及方法与流程

本发明属于医学图像处理研究领域，具体涉及一种基于分形维数与高斯滤波结合的视网膜血管分割系统及方法。

背景技术：

视网膜微血管作为人体唯一可以非创伤直接观察且较深层的微血管，其状态或结构的变化可以表征多种疾病的发生，例如：高血压、糖尿病等。因此对眼底视网膜血管结构进行精确分割，可以作为临床医师对疾病进行诊断和治疗的辅助手段，进而通过视网膜血管分析结果，实现一些疾病的早期诊断和预防，其无论在理论研究还是临床实践中，均有及其重要意义。

然而，由于视网膜图像灰度分布不均匀，血管结构复杂，目标血管与图像背景对比度较低，加之图像噪声的影响，使视网膜血管分割研究面临着巨大的挑战。视网膜图像分割作为图像分割的分支，相应的研究成果已见报道。传统分割方法大概分为以下五类：(1)基于模式识别的方法：又分为监督分类和无监督分类；(2)基于匹配滤波的方法；(3)基于数学形态学的方法；(4)基于模型的方法；(5)基于追踪的方法。

现有技术大多基于上述方法或上述方法的结合，虽然能够提取大部分视网膜血管，但是由于视网膜血管网络分支结构多，细小血管和背景对比度较低，且边界模糊，使得对细小血管的分割非常困难，尤其针对对比度低的小血管分割精度不理想，无法满足使用需求。

技术实现要素：

鉴于已有技术存在的不足，本发明的目的是要提供一种能够实现视网膜血管网络高精度分割的系统。

为了实现上述目的，本发明技术方案如下：

一种基于分形维数与高斯滤波结合的视网膜血管分割系统，其特征在于，系统包括：

图像预处理单元，用于提高视网膜图像对比度，改善图像质量，以减少因为成像问题给后续处理过程带来的干扰；

局部检测单元，用以提取预处理后得到视网膜图像中细节部分，进而提高细小血管提取的准确度；

全局检测单元，用于提取预处理后的视网膜图像中主体部分，以凸显视网膜血管的全局信息；

视网膜图像融合单元，用于融合局部检测单元提取的视网膜图像细节部分及全局检测单元提取的视网膜图像主体部分，提高系统分割准确度；

视网膜图像后处理单元，用于完善视网膜图像融合单元的处理结果，进一步提升系统分割效果。

进一步的，所述视网膜预处理单元，包括：

用于提取目标区域图像的获取背景图像模块；

用于对提取的目标区域图像进行滤波降噪处理的中值滤波模块；

用于对中值滤波后的图像进行非线性拉伸，并重新分配图像的像元亮度或灰度值的对比度自适应直方图均衡化模块；

用于校正图像阴影、去除其影响的的阴影校正模块；

以及用于对去除阴影的图像进行图像灰度拉伸，得到视网膜图像的灰度拉伸模块。

进一步的，所述全局检测单元采用高斯滤波方法检测血管主体部分。

进一步的，所述视网膜图像融合单元对所述全局检测单元及所述局部检测单元的检测结果进行像素点的加运算。

进一步的，所述视网膜图像后处理单元采用形态学闭运算，对融合后的图像进行连接断裂片段以及去除孤立像素点的处理。

本发明的另一目的是提供一种基于上述分割系统的视网膜血管分割方法，其特征在于，包括如下步骤：

s1、对输入的图像进行预处理，以提高视网膜图像对比度，改善图像质量，以减少因为成像问题给后续处理过程带来的干扰；

s2、提取预处理后得到视网膜图像中细节部分，进而提高细小血管提取的准确度；

s3、提取预处理后的视网膜图像中主体部分，以凸显视网膜血管的全局信息；

s4、融合视网膜图像细节部分及视网膜图像主体部分，提高系统分割准确度；

s5、完善融合处理结果，进一步提升系统分割效果。

进一步的，所述步骤s1对输入的图像进行预处理的步骤包括：

步骤s11、对视网膜图像提取其绿色通道，并提取目标区域图像；

步骤s12、对目标区域图像进行中值滤波降噪处理；

步骤s13、对中值滤波后的图像进行非线性拉伸，并重新分配图像的像元亮度或灰度值，使一定范围内的像元亮度或灰度值的数量达到大致相等的效果；

步骤s14、选用35*35模板的中值滤波方法进行阴影校正，得到去除阴影的图像；

步骤s15、对去除阴影的图像进行图像灰度拉伸，得到预处理后的视网膜图像。

进一步的，所述步骤s2提取预处理后得到视网膜图像中细节部分步骤包括：

步骤21、提取普适的视网膜血管的维数范围；

步骤22、采用一定大小的窗口遍历经过视网膜预处理单元处理的视网膜眼底图像，并提取窗口内维度；

步骤23、将提取到的窗口内维度与普适的视网膜血管的维数范围进行比较，判断图像是否属于血管图像，如果不属于则标记为背景。

进一步的，所述步骤s3采用高斯滤波方法检测血管主体部分。

进一步的，所述步骤s4包括对步骤s2及步骤s3所得到的检测结果进行像素点的加运算。

与现有技术相比，本发明的有益效果：

本发明针对视网膜中细小血管的提取，采用善于描述精细结构的分形维数与描述全局信息的高斯滤波相结合，并提出了一种结合算法，实现细小血管的精确提取。本发明适用于视网膜眼底图像中血管的分割，并大幅度提高了分割准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明视网膜血管分割系统功能模块图；

图2为本发明视网膜预处理模块流程图；

图3为drive数据库中视网膜彩色图像；

图4为本发明视网膜图像预处理单元提取目标区域结果示意图；

图5为本发明视网膜图像预处理单元处理后得到的视网膜增强图像；

图6为本发明全局检测单元高斯滤波分割结果图；

图7为本发明系统最终分割结果图；

图8(a)为采用cosfire方法的主视分割结果图；

图8(b)为采用本发明系统和方法的主视分割结果图；

图9(a)为采用一阶高斯滤波器的侧视分割结果图；

图9(b)为采用本发明系统和方法的侧视分割结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明设计了一种基于分形维数与高斯滤波结合的高精度视网膜血管分割系统，下面结合附图以及具体实施例进一步说明本发明的技术方案：

一种基于分形维数与高斯滤波结合的视网膜血管分割系统，如图1所示，系统包括图像预处理单元，局部检测单元，全局检测单元，视网膜图像融合单元和视网膜图像后处理单元。

图像预处理单元用于提高视网膜图像对比度，改善图像质量，以减少因为成像问题给后续处理过程带来的干扰，其包括用于提取目标区域图像的获取背景图像模块；用于对提取的目标区域图像进行滤波降噪处理的中值滤波模块；用于对中值滤波后的图像进行非线性拉伸，并重新分配图像的像元亮度或灰度值的对比度自适应直方图均衡化模块；用于校正图像阴影、去除其影响的的阴影校正模块；以及用于对去除阴影的图像进行图像灰度拉伸，得到视网膜图像的灰度拉伸模块。其中，如图2所示，为图像预处理单元的功能流程示意。本发明中，所述获取背景图像模块，将rgb格式的视网膜图像，如图3所示，提取其图像的绿色通道，并与模板图像进行按位与运算，选取出感兴趣区域，得到感兴趣区域图像，如图4所示。进一步的，所述中值滤波模块对感兴趣区域进行中值滤波，得到中值滤波后的图像。进一步的，所述对比度自适应直方图均衡化模块，对中值滤波后的图像进行非线性拉伸，重新分配图像的像元亮度或灰度值，使一定范围内的像元亮度或灰度值的数量达到大致相等的效果就是直方图的均衡化，得到均衡化后的图像。进一步的，所述阴影校正模块，选用35*35的模板的中值滤波进行阴影校正，修正由于不均匀光照产生的图像阴影，得到去除阴影的图像。进一步的，所述灰度拉伸模块，对去除阴影的图像进行图像灰度拉伸，得到灰度拉伸后的图像，如图5所示。

局部检测单元，用以提取预处理后得到视网膜图像中细节部分，进而提高细小血管提取的准确度。

本发明采用善于描述精细结构的分形维数来描述细小血管的细节部分，本实施例中优选采用盒子维数来描述经过预处理后得到的视网膜眼底图像，盒子维数的定义为：设a是rⁿ空间的任意非空子集，对于任何的r>0，nr(a)表示用来覆盖a所需的边长为r的n维立方体的最小数目。如果存在一个数d，使得当r→0时，有nr(a)∝1/r^d，那么称d为a的盒计数维数，简称盒维数。当且仅当存在一个正数k，使得

对两边取其对数，得：

即：

实际计算时，可根据需要使用一些边长为r的n维盒子来计算不同的nr(a)，以-logr为横坐标，lognr(a)为纵坐标产生分布点，最后利用线性回归的方法求出集合a的盒维数，即拟合直线的斜率。

将盒计数应用在视网膜血管时，可通过不断缩小尺度直至单像素来产生分布点(以-logr为横坐标，以lognr(a)为纵坐标，r为尺度的大小，nr(a)为尺度个数)。为了提高计算精度，将预处理后的视网膜血管图像尺寸裁剪为2ⁿ，例如drive数据库，从565*584裁剪为521*512，即2⁹，尺度采用由大到小的方式进行选取，去覆盖视网膜血管。应用最小二乘法对像素点进行线性回归，得到的斜率就是视网膜图像的血管维数。为了体现本发明系统的普适性，同时计算了drive和stare数据库里的全部图像得到维数范围为：1.5～1.6，根据血管维数与背景维数的不同，设定相应的阈值范围，将血管从背景中提取出来。具体实现过程如下：首先，对图像进行裁剪，使其大小变成2ⁿ*2ⁿ(2ⁿ为最接近图片大小)；其次，确定滑动窗大小s，为更好的拟合血管，窗口形状长方形优于正方形，经过大量实验，s＝3*1时，效果最好；然后，使窗口遍历图像中所有像素点，并计算窗内的分形维数，将所有维数填入相应的窗内；最后，判断窗内维数范围是否在血管维数范围内，如果在标记为血管，否则标记为背景。

全局检测单元，用于提取预处理后的视网膜图像中主体部分，以凸显视网膜血管的全局信息。作为本发明的优选，所述全局检测单元采用高斯滤波方法检测血管主体部分。具体的，利用血管横截面的灰度分布近似一高斯分布这一特性，来检测血管主体。由于眼底血管方向是任意的，高斯滤波器根据实际需要通过旋转来匹配不同方向的血管，假设高斯匹配滤波器为一个矩阵，像素点i(x,y)为该矩阵中的离散点，θ为滤波器的旋转角度，旋转矩阵为：

i经过旋转后变换为：

i'＝ir(5)

本方案采用了12个不同方向的高斯矩阵来匹配血管，即：

θ的取值范围为：

{0°,15°,30°,45°,60°,75°,90°,105°,120°,135°,150°,165°}

将每个像素点均与12个高斯矩阵做卷积运算，取其中最大输出作为血管响应，得到的分割结果如图6所示。

视网膜图像融合单元，视网膜图像融合单元，用于融合局部检测单元提取的视网膜图像细节部分及全局检测单元提取的视网膜图像主体部分，提高系统分割准确度，本实施例中对两种尺度结果进行和运算，即：

i＝if+ig(6)

其中if为分分形处理后的图像，ig为高斯处理后的图像。

视网膜图像后处理单元，用于完善视网膜图像融合单元的处理结果，进一步提升系统分割效果。采用形态学闭运算，对融合后的图像进行连接断裂片段以及去除鼓励像素点的处理，即：

ih＝imclose(i,se)(7)

其中，se选取单位为1的圆形结构元素，进而连接的片段并去除孤立的像素点，得到最终的视网膜血管分割结果如图7所示。

本发明还提供一种基于上述分割系统的视网膜血管分割方法，包括如下步骤：

s1、对输入的图像进行预处理，以提高视网膜图像对比度，改善图像质量，以减少因为成像问题给后续处理过程带来的干扰，具体步骤包括：

步骤s11、对视网膜图像提取其绿色通道，并提取目标区域图像。具体地，将rgb格式的视网膜图像，如图3所示，提取其图像的绿色通道，并与模板图像进行按位与运算，选取出感兴趣区域，得到感兴趣区域图像，

步骤s12、对目标区域图像进行中值滤波降噪处理。具体地，对感兴趣区域进行中值滤波，得到中值滤波后的图像。

步骤s13、对中值滤波后的图像进行非线性拉伸，并重新分配图像的像元亮度或灰度值，使一定范围内的像元亮度或灰度值的数量达到大致相等的效果。具体地，对中值滤波后的图像进行非线性拉伸，重新分配图像的像元亮度或灰度值，使一定范围内的像元亮度或灰度值的数量达到大致相等的效果就是直方图的均衡化，得到均衡化后的图像。

步骤s14、选用35*35模板的中值滤波方法进行阴影校正，得到去除阴影的图像。具体地，选用35*35的模板进行阴影校正，修正由于不均匀光照产生的图像阴影，得到去除阴影的图像。

步骤s15、对去除阴影的图像进行图像灰度拉伸，得到预处理后的视网膜图像。具体的对去除阴影的图像进行图像灰度拉伸，得到灰度拉伸后的图像。

s2、提取预处理后得到视网膜图像中细节部分，进而提高细小血管提取的准确度，步骤包括：

步骤21、提取普适的视网膜血管的维数范围；

步骤22、采用一定大小的窗口遍历经过视网膜预处理单元处理的视网膜眼底图像，并提取窗口内维度；

步骤23、将提取到的窗口内维度与普适的视网膜血管的维数范围进行比较，判断图像是否属于血管图像，如果不属于则标记为背景。

具体地，本发明采用善于描述精细结构的分形维数来描述细小血管的细节部分，本实施例中优选采用盒子维数来描述经过预处理后得到的视网膜眼底图像，盒子维数的定义为：设a是rⁿ空间的任意非空子集，对于任何的r>0，nr(a)表示用来覆盖a所需的边长为r的n维立方体的最小数目。如果存在一个数d，使得当r→0时，有nr(a)∝1/r^d，那么称d为a的盒计数维数，简称盒维数。当且仅当存在一个正数k，使得

对两边取其对数，得：

即：

实际计算时，可根据需要使用一些边长为r的n维盒子来计算不同的nr(a)，以-logr为横坐标，lognr(a)为纵坐标产生分布点，最后利用线性回归的方法求出集合a的盒维数，即拟合直线的斜率。

将盒计数应用在视网膜血管时，可通过不断缩小尺度直至单像素来产生分布点(以-logr为横坐标，以lognr(a)为纵坐标，r为尺度的大小，nr(a)为尺度个数)。为了提高计算精度，将预处理后的视网膜血管图像尺寸裁剪为2ⁿ，例如drive数据库，从565*584裁剪为521*512，即2⁹，尺度采用由大到小的方式进行选取，去覆盖视网膜血管。应用最小二乘法对像素点进行线性回归，得到的斜率就是视网膜图像的血管维数。为了体现本发明系统的普适性，同时计算了drive和stare数据库里的全部图像得到维数范围为：1.5～1.6，根据血管维数与背景维数的不同，设定相应的阈值范围，将血管从背景中提取出来。具体实现过程如下：首先，对图像进行裁剪，使其大小变成2ⁿ*2ⁿ(2ⁿ为最接近图片大小)；其次，确定滑动窗大小s，为更好的拟合血管，窗口形状长方形优于正方形，经过大量实验，s＝3*1时，效果最好；然后，使窗口遍历图像中所有像素点，并计算窗内的分形维数，将所有维数填入相应的窗内；最后，判断窗内维数范围是否在血管维数范围内，如果在标记为血管，否则标记为背景。

s3、提取预处理后的视网膜图像中主体部分，以凸显视网膜血管的全局信息，作为本发明的优选，采用高斯滤波方法检测血管主体部分。

具体地，利用血管横截面的灰度分布近似一高斯分布这一特性，来检测血管主体。由于眼底血管方向是任意的，高斯滤波器根据实际需要通过旋转来匹配不同方向的血管，假设高斯匹配滤波器为一个矩阵，像素点i(x,y)为该矩阵中的离散点，θ为滤波器的旋转角度，旋转矩阵为：

i经过旋转后变换为：

i'＝ir(5)

本方案采用了12个不同方向的高斯矩阵来匹配血管，即：

θ的取值范围为：

{0°,15°,30°,45°,60°,75°,90°,105°,120°,135°,150°,165°}

将每个像素点均与12个高斯矩阵做卷积运算，取其中最大输出作为血管响应。

s4、融合视网膜图像细节部分及视网膜图像主体部分，提高系统分割准确度，作为本发明的优选，对步骤s2及步骤s3所得到的检测结果进行像素点的加运算。

具体地，本实施例中对两种尺度结果进行和运算，即：

i＝if+ig(6)

其中if为分分形处理后的图像，ig为高斯处理后的图像。

s5、完善融合处理结果，进一步提升系统分割效果。

具体地，采用形态学闭运算，对融合后的图像进行连接断裂片段以及去除鼓励像素点的处理，即：

ih＝imclose(i,se)(7)

其中，se选取单位为1的圆形结构元素，进而连接的片段并去除孤立的像素点，得到最终的视网膜血管分割结果如图7所示。

为了进一步说明本发明的实际效果，采取常用的视网膜血管分割方法与本发明对比。图8(a)为采用cosfire方法分割出的血管结果，图8(b)为采用本发明所述方法分割出的血管结果，由图可知，采用本发明所述系统和方法分割的结果，血管图像更清晰，血管与背景的分界更明显。图9(a)为采用一阶高斯滤波器分割结果，图8(b)为采用本发明所述方法分割出的血管结果，由图可知，采用本发明所述系统和方法分割的结果，血管图像更清晰，血管与背景的分界更平滑。综上所述，本发明对于细小血管的提取的效果是十分显著。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。