本发明涉及眼底图像分析技术领域，特别是一种基于特征融合的多模块无监督学习视网膜血管分割系统。
背景技术
视网膜血管病变为糖尿病、高血压、心血管疾病等全身性疾病提供重要的信息，这些疾病往往会导致视网膜血管发生分支分叉、弯曲等变化。如在高血压患者中，视网膜动脉会导致间歇性收缩；糖尿病性视网膜病变会引起视网膜血管扩张和闭锁、视网膜水肿、出血、渗出和缺血性症状。从彩色眼底图像中将视网膜血管分割用于早期筛查和辅助临床诊断具有重要意义。
目前，视网膜血管分割方法主要分为两类：一类是基于特征的有监督学习方法，如采用k近邻(knearestneighbor，knn)，支持向量机(supportvectormachine，svm)，神经网络(neuralnetwork，nn)，高斯混合模型(gaussianmixturemodel,gmm)，极限学习机(extremelearningmachine,elm)，adaboost或卷积神经网络(convolutionalneuralnetworks,cnn)等进行视网膜血管分割。有监督学习方法通常以眼科专家标记好的视网膜血管为标准,提取眼底图像的像素特征，通过训练得到分类器,将此分类器用于视网膜血管分割。以上所述的视网膜血管分割方法虽然分割效果不错，但须有专家手动分割血管为金标准进行有监督学习，存在训练样本获取困难和训练时间长等不足。
另一类是无监督学习方法，包括基于匹配滤波的方法，基于多尺度的方法，基于血管跟踪的方法，基于数学形态学的方法，基于阈值转换的方法，基于模型的方法等。无监督学习方法则无须专家手动标记视网膜血管，根据视网膜血管的树状结构、血管宽度阈值、分支角度等特性直接进行血管分割。无监督学习方法快速简单，但对视网膜血管分割的准确度通常低于有监督方法。
技术实现要素：
本发明的目的在于提供一种基于特征融合的多模块无监督学习视网膜血管分割系统，以克服现有技术中存在的缺陷。
为实现上述目的，本发明的技术方案是：一种基于特征融合的多模块无监督学习视网膜血管分割系统，包括：
图像去噪和增强模块，用于对彩色眼底图像去噪，增强彩色眼底图像对比度；
特征提取和融合模块，用于提取彩色眼底图像像素的不变矩特征、hessian矩阵特征、gabor小波特征、相位一致性特征、candy边缘算子特征，并融合为特征向量；
多模块学习模块，用于将彩色眼底图像像素的特征向量分割为多个模块，并分别聚类；
以及，合成和结果分析模块，用于对聚类结果合成，并比对分析，输出结果。
在本发明一实施例中，通过所述图像去噪和增强模块提取所述彩色眼底图像的绿色通道，进行高斯滤波平滑去噪，采用底帽变换增强所述彩色眼底图像中血管和背景对比度。
在本发明一实施例中，通过所述特征提取和融合模块提取彩色眼底图像像素点的2个不变矩作为所述不变矩特征，用于体现血管线段具有宽度不一、角度和方向各不同的几何特征。
在本发明一实施例中，通过所述特征提取和融合模块选取每个像素点在预设尺度下的最大置信度作为hessian矩阵特征，用于体现血管线状特征。
在本发明一实施例中，通过所述特征提取和融合模块选取每个像素在预设尺度和预设方向的响应最大值结果进行叠加作为gabor小波特征。
在本发明一实施例中，通过所述特征提取和融合模块提取每个像素点的相位一致性作为相位一致性特征。
在本发明一实施例中，通过所述特征提取和融合模块采用预设candy边缘算子提取血管边缘特征作为candy边缘算子特征。
在本发明一实施例中，所述特征提取和融合模块将所述不变矩特征、所述hessian矩阵特征、所述gabor小波特征、所述相位一致性特征、所述candy边缘算子特征及灰度值融合为18维特征向量。
在本发明一实施例中，通过所述多模块学习模块对彩色眼底图像进行分块学习，将特征向量分割为4个子模块，分别采用k-means聚类算法，计算每个像素特征到聚类中心的距离，取得平均值；通过更新迭代聚类中心划分血管像素和背景像素，减少时间和空间开销。
在本发明一实施例中，通过所述合成和结果分析模块对每个子模块聚类结果进行合成，获取视网膜血管分割结果，并与预先存储的专家手动标记的血管图像为标准进行比对分析。
相较于现有技术，本发明具有以下有益效果：本发明提出的基于特征融合的多模块无监督学习视网膜血管分割系统，实现了视网膜血管的分割，包括图像去噪增强，特征提取和融合，多模块学习，合成和结果分析，有助于计算机辅助临床诊断眼底疾病。本发明弥补了有监督的视网膜血管分割方法须以专家手动标记血管为金标准、存在训练样本获取困难和训练时间长等方面的不足。本发明在眼科学上的意义深远，多模块无监督学习提取视网膜血管可以减少眼科医师重复劳动的负担，提高眼科医生判断眼底疾病的准确性和工作效率，为眼底疾病早期筛查和临床诊断提供更准确的依据。
附图说明
图1是本发明一实施例中特征提取和融合模块示意图。
图2是本发明一实施例中多模块学习模块示意图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明一种基于特征融合的多模块无监督学习视网膜血管分割系统，包括：图像去噪增强模块、特征提取和融合模块、多模块学习模块、合成和结果分析模块。
图像去噪和增强模块用于对图像去噪，增强图像对比度处理；
特征提取和融合模块用于提取图像像素的不变矩特征、hessian矩阵特征、gabor小波特征、相位一致性特征、candy边缘算子特征并融合为特征向量；
多模块学习模块用于将图像像素的特征向量分割为多个模块并分别聚类；
合成和结果分析模块用于对聚类结果合成并比对分析。
进一步的，在本实施例中，由于彩色眼底图像是rgb图像，又称真彩色图像。图像上的每个像素颜色是由红、绿、蓝三色的亮度值决定。绿色通道上图像对比度最理想，血管轮廓与背景差异最为明显，噪声干扰也少，有利于血管分割，故在本实施例中，从彩色眼底图像按照如下步骤进行去噪和增强处理：
1、选取彩色眼底图的绿色通道分量进行高斯滤波预处理，目的是减少噪声；
2、对高斯滤波处理后的图像进行底帽变换，增强血管和背景像素的对比度。同时也把处理后的图像灰度值作为特征之一。
进一步的，在本实施例中，不同的特征提取方法可以描述血管的不同结构特性，如宽度、方向、线状及边缘，融合这些特征较仅使用单一特征能更全面地体现血管信息。本实施例通过提取眼底图像的不变矩特征、hessian矩阵特征、gabor小波特征、相位一致性特征、candy边缘算子特征，并融合为特征向量以实现视网膜血管分割。
进一步的，在本实施例中，上述各特征的获取方式如下：
1、视网膜中的血管是分段线性的，且血管线段宽度不一，方向、角度和形状各不相同，为了更好的拟合这些血管线段，采用具有平移、旋转和尺度不变性的不变矩来描述血管特征。以每个像素点(i,j)为中心，构建3×3的子图，将每个子图的2维(p+q)阶几何矩和中心矩定义为：
其中，p,q＝1,2,3,...，f(i,j)是以每个像素点(i,j)为中心的3×3大小子图，
其中，p,q＝1,2,3,...；
2、视网膜血管为局部线状结构且宽度不一，采用对线状结构敏感的hessian矩阵提取血管像素特征。hessian矩阵可以表示为
其中，lxx,lxy,lyx,lyy分别为l的二阶偏导数，l(x,y,σ)＝g(x,y,σ)*i(x,y)，g(x,y,σ)是标准偏差为σ高斯函数，σ为尺度空间因子，i为原图像，(x,y)为像素位置，*表示卷积操作。对于线状结构，hessian矩阵特征值λ1和λ2用于描述视网膜图像中的血管和线状物，因此引入血管置信度函数来描述血管强度。计算血管像素的置信度公式为：
其中，|λ1|≤|λ2|，rb＝λ1/λ2，
3、相位一致性是一种检测图像中傅里叶级数分量和最大的点为特征点的方法，对血管的线状特征有很好的检测性，将该方法应用于彩色眼底图像的处理,可以很好地解决图像对比度不高、噪声干扰强等带来的血管分割困难。因此,提取每个像素点的相位一致性可表示为
其中，o表示方向的索引，n表示尺度信息，to为噪声补偿，ano为幅值，
4、多尺度的gabor小波变换在提取方向特征时具有良好的方向和尺度选择特性，可以检测不同方向和不同尺度的血管，如旋转角度以15°为间隔,从0°到180°的12个方向，尺度a＝2和a＝5。而且gabor小波变换对光照变化不敏感，可以克服眼底视网膜图像光照不均的影响，选择gabor小波变换进行视网膜血管特征的提取。gabor小波变换tψ(b,θ,a)定义为：
其中，cψ表示归一化常数，ψ表示分析小波，参数b,a,θ分别表示膨胀尺度，平移量和旋转角度。rθ是旋转算子，可表示为rθ(x)＝(xcosθ-ysinθ,xsinθ+ycosθ)，θ∈[0,2π]，f为原图像，
5、candy边缘检测算子具有良好的信噪比，对单一边缘具有唯一响应，较好的定位性能等优点，能够检测出血管边缘。利用candy边缘检测算子进行多尺度边缘提取。首先用高斯滤波模板(5×5)对眼底图进行滤波以消除噪声。用导数算子找到图像在x方向和y方向的偏导数(gx,gy)，并求出梯度大小和方向。再把边缘的梯度方向分为4个方向(0°,45°,90°,135°)。将像素点的梯度值用不同的近邻像素进行比较，以决定是否是边缘点。此过程称为“非极大抑制”。最后使用累计直方图计算两个thigh，tlow阈值,凡是大于thigh的则是边缘点，凡是小于tlow的则不是边缘点。如果检测结果介于两者之间的，则看这个像素的近邻像素是否有超过thigh的，若有则是边缘点，否则就不是边缘点。通过上述方法的处理，视网膜血管图像经过candy边缘检测后的结果作为特征之一。
6、不同的特征提取方法可以描述血管的不同结构特性，如宽度、方向、线状及边缘，融合这些特征较仅使用单一特征能更全面地体现血管信息。采用特征融合的方法进行血管分割。如图2所示，给出各种特征图及分割结果。如图1所示，将预处理后的灰度值作为特征向量和提取的不同特征向量，包括gabor小波特征12维、不变矩特征2维、hessian特征1维、相位特征1维、candy特征1维，融合构造成一个18维特征向量进行血管分割，分割结果较优于单一特征。
进一步的，在本实施例中，所采用的drive数据库中每幅眼底图大小为584*565，共329960个像素样本点，每个像素样本点的18维特征向量，特征样本数目多，采用多模块k-means聚类方法能有效地减少空间和时间开销。本实施例中提供多模块学习模块，按照如下方式实现：
以每幅图像的所有像素特征为样本集；将样本集分成4个子模块分别进行k-means聚类，计算每个像素特征到聚类中心的距离，取得平均值；通过更新迭代聚类中心划分血管像素和背景像素，减少时间和空间开销。得到4个分割结果后，通过合成和结果分析模块对每个子模块聚类结果进行合成，合成输出视网膜血管分割结果。如图2所示，具体步骤如下：
步骤1：根据图像的大小m×n将特征样本集等分成4个模块{i1,...i4}；
步骤2：每个模块采用k-means聚类学习得到分割结果{label1,...label4}；
步骤3：合并分割结果label。
进一步的，在本实施例中，通过合成和结果分析模块，将视网膜血管分割结果与预先存储的专家手动标记的血管图像为标准进行比对分析。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。