一种基于支持度变换和线检测算子的视网膜血管分割方法与流程

本发明属于医学图像处理领域，具体涉及一种基于支持度变换和线检测算子的视网膜血管分割方法。

背景技术：

现今，在医学界中，视网膜血管直径的分割有着重大的意义，医生可以借助视网膜血管图像观测血管的形状特征、评估血管的功能状态来对各类疾病进行定量诊断和风险评估。非侵入性地观察血管能够有效地防止侵入性的操作对于血管的影响，从而提升分割的精度。视网膜血管分割技术一直是医学图像处理领域中的一个研究热点。

现有的视网膜血管分割技术主要可分为两类：(1)有监督算法；(2)无监督算法。在有监督算法中，主要是根据一组手工分割的图像，其中像素被手动识别为属于血管或者不属于血管来训练分类器，根据计算的特征向量来区分血管像素。而在无监督算法中，算法通常在应用二值步骤之前对图像进行预处理以增强血管和背景之间的对比度。一般来说，有监督算法是以更多的计算时间为代价生成更好的分割结果，但手动分割单个图像是一个既困难又花费巨大时间的过程。而无监督算法虽然需要经常使用针对特定类型或分辨率的图像定制的滤波器和操作，但是其速度非常快，并且可以在新图像类型上轻松测试，而无需生成训练集。

技术实现要素：

本发明的目的在于提供一种基于支持度变换和线检测算子的视网膜血管分割方法，该方法采用的用于视网膜血管分割的支持度变换算法得到的是一系列的显著性特征图像，增强不同尺度的血管结构，同时抑制背景，为后续的血管精确提取奠定了基础，且本发明所采用的线检测算子技术简单有效，保留了匹配滤波器优点，且具有良好的边缘定位作用。所提取的特征维度少，仅需较小的训练样本就可以获得良好检测能力。

为实现上述目的，本发明的技术方案是：一种基于支持度变换和线检测算子的视网膜血管分割方法，首先，采用对比度受限的自适应直方图均衡方法对彩色视网膜图像进行增强；而后，通过支持度变换进行视网膜粗血管图像提取；最后，对提取到的视网膜粗血管图像采用线检测算子提取特征，并将提取到的特征采用支持向量机进行血管检测。

在本发明一实施例中，所述采用对比度受限的自适应直方图均衡方法对视网膜图像进行增强的具体实现方式为：通过对于彩色视网膜图像的rgb通道分析，可知绿色通道能够最好的展示血管与背景对比度信息，因此，先对绿色通道图像进行反转，增加血管的可见性，同时应用对比度受限的自适应直方图均衡方法，提高目标视网膜血管与背景的对比度。

在本发明一实施例中，所述通过支持度变换进行视网膜粗血管图像提取的实现方式为：首先采用映射最小二乘向量机推导得到支持度滤波器，通过在支持度滤波器中填充零的方式得到一系列多尺度支持度滤波器；而后，采用支持度变换获得视网膜图像的支持度序列图像；最后，将第二级支持度变换得到的支持度序列图像和第三级支持度变换得到的支持度序列图像进行组合相加，得到视网膜粗血管图像。

在本发明一实施例中，所述通过支持度变换进行视网膜粗血管图像提取的具体实现方式如下：

对经采用对比度受限的自适应直方图均衡方法增强后的彩色视网膜图像p，通过支持度分析得到序列支持度图像为{s1,s2,...,sr}；彩色视网膜图像p与其支持度图像的差就是序列近似图像，即

sj＝svj*pj

pj+1＝pj-sj；j＝1,...,r,p1＝p

其中，r为分解级数，sv为支持度滤波器，*表示卷积运算；为了获得支持度序列图像，支持度变换需要不断地运用与尺度相关的支持度滤波器与序列近似图像进行卷积运算；由第二级支持度变换的支持度序列图像和第三级支持度变换的支持度序列图像组合得到的视网膜粗血管效果最佳，即得到视网膜粗血管图像

p＝s2+s3。

在本发明一实施例中，所述对提取到的视网膜粗血管图像采用线检测算子提取特征的具体实现过程为：定义一个15*15的检测窗口，n(i,j)为检测窗口中的像素平均灰度值，为了检测不同方向的血管，以15为旋转步长，计算12个方向的像素平均值，记l(i,j)为12条扫描线上最大的平均灰度值，差值s(i,j)＝l(i,j)-n(i,j)表示该目标像素点的线强度；由于在平行血管的方向上线强度s(i,j)最大，在垂直血管方向线强度s(i,j)最小，因此在原线性检测算子正交方向两侧再添两点，在其正交方向，在线性检测算子下的平均灰度值用l0(i,j)表示，因此可得到第二个特征s0(i,j)＝l0(i,j)-n(i,j)；结合该点的像素值i(i.j)，构造得到三维特征向量x＝[s(i,j),s0(i,j),i(i.j)]。

相较于现有技术，本发明具有以下有益效果：

1.本发明采用的用于视网膜血管分割的支持度变换算法得到的是一系列的显著性特征图像，增强不同尺度的血管结构，同时抑制背景，为后续的血管精确提取奠定了基础；

2.本发明所采用的线检测算子技术简单有效，保留了匹配滤波器优点，且具有良好的边缘定位作用。所提取的特征维度少，仅需较小的训练样本就可以获得良好检测能力。

附图说明

图1为本发明基于支持度变换和线检测算子的视网膜血管分割方法的流程图。

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。

本发明提供了一种基于支持度变换和线检测算子的视网膜血管分割方法，首先，采用对比度受限的自适应直方图均衡方法对彩色视网膜图像进行增强；而后，通过支持度变换进行视网膜粗血管图像提取；最后，对提取到的视网膜粗血管图像采用线检测算子提取特征，并将提取到的特征采用支持向量机进行血管检测。

所述采用对比度受限的自适应直方图均衡方法对视网膜图像进行增强的具体实现方式为：通过对于彩色视网膜图像的rgb通道分析，可知绿色通道能够最好的展示血管与背景对比度信息，因此，先对绿色通道图像进行反转，增加血管的可见性，同时应用对比度受限的自适应直方图均衡方法，提高目标视网膜血管与背景的对比度。

所述通过支持度变换进行视网膜粗血管图像提取的实现方式为：首先采用映射最小二乘向量机推导得到支持度滤波器，通过在支持度滤波器中填充零的方式得到一系列多尺度支持度滤波器；而后，采用支持度变换获得视网膜图像的支持度序列图像；最后，将第二级支持度变换得到的支持度序列图像和第三级支持度变换得到的支持度序列图像进行组合相加，得到视网膜粗血管图像；具体实现方式如下：

对经采用对比度受限的自适应直方图均衡方法增强后的彩色视网膜图像p，通过支持度分析得到序列支持度图像为{s1,s2,...,sr}；彩色视网膜图像p与其支持度图像的差就是序列近似图像，即

sj＝svj*pj

pj+1＝pj-sj；j＝1,...,r,p1＝p

其中，r为分解级数，sv为支持度滤波器，*表示卷积运算；为了获得支持度序列图像，支持度变换需要不断地运用与尺度相关的支持度滤波器与序列近似图像进行卷积运算；由第二级支持度变换的支持度序列图像和第三级支持度变换的支持度序列图像组合得到的视网膜粗血管效果最佳，即得到视网膜粗血管图像

p＝s2+s3。

所述对提取到的视网膜粗血管图像采用线检测算子提取特征的具体实现过程为：定义一个15*15的检测窗口，n(i,j)为检测窗口中的像素平均灰度值，为了检测不同方向的血管，以15为旋转步长，计算12个方向的像素平均值，记l(i,j)为12条扫描线上最大的平均灰度值，差值s(i,j)＝l(i,j)-n(i,j)表示该目标像素点的线强度；由于在平行血管的方向上线强度s(i,j)最大，在垂直血管方向线强度s(i,j)最小，因此在原线性检测算子正交方向两侧再添两点，在其正交方向，在线性检测算子下的平均灰度值用l0(i,j)表示，因此可得到第二个特征s0(i,j)＝l0(i,j)-n(i,j)；结合该点的像素值i(i.j)，构造得到三维特征向量x＝[s(i,j),s0(i,j),i(i.j)]。

以下为本发明的具体实现过程。

如图1所示，是本发明基于支持度变换和线检测算子的视网膜血管分割技术的执行流程图，具体步骤如下：

视网膜图像预处理：通过对于彩色视网膜图像的rgb通道分析，发现绿色通道展示了最好的血管与背景对比度信息，红色、蓝色通道血管与背景对比度较低，且噪声较大。因此首先对绿色通道图像进行反转，增加血管的可见性，同时应用对比度受限的自适应直方图均衡方法，使得目标血管与背景的对比度得到了明显的提高。

支持度变换提取视网膜粗血管：为了有效地增强不同尺度的血管结构，同时抑制背景，本专利采用支持度变换(supportvaluetransform,svt)。首先采用映射最小二乘向量机(mappedls-svm)推导得到支持度滤波器，通过在基本支持度滤波器中填充零的方式得到一系列多尺度支持度滤波器。然后通过支持度变换(svt)计算得到支持度图像。然后将第二级支持度变换图和第三级支持度变换图进行组合相加，得到视网膜粗血管。

线检测算子提取特征：由于在增强过程中，边缘信息定位不准确，直接采用二值化步骤容易造成误判，因此本专利考虑了采用ricci和perfetti等人提出的线检测算子来提取反映血管测度的特征。

svm实现血管检测：根据线检测算子提取的特征，采用支持向量机对血管进行检测，来实现最终的血管检测。

所述的视网膜图像预处理的实施过程为：通过对于彩色视网膜图像的rgb通道分析，发现绿色通道展示了最好的血管与背景对比度信息，红色、蓝色通道血管与背景对比度较低，且噪声较大。因此首先对绿色通道图像进行反转，增加血管的可见性，同时应用对比度受限的自适应直方图均衡方法，使得目标血管与背景的对比度得到了明显的提高。

所述的支持度变换提取视网膜粗血管的实施过程为：为了有效地增强不同尺度的血管结构，同时抑制背景，本专利采用支持度变换(supportvaluetransform,svt)。首先采用映射最小二乘向量机(mappedls-svm)推导得到支持度滤波器，通过在基本支持度滤波器中填充零的方式得到一系列多尺度支持度滤波器。然后通过支持度变换(svt)计算得到支持度图像。然后将第二级支持度变换图和第三级支持度变换图进行组合相加，得到视网膜粗血管。

所述的线检测算子提取特征的实施过程为：定义一个15*15的检测窗口，n(i,j)为检测窗口中的像素平均灰度值，为了检测不同方向的血管，以15为旋转步长，计算12个方向的像素平均值，记l(i,j)为12条扫描线上最大的平均灰度值，差值s(i,j)＝l(i,j)-n(i,j)表示该目标像素点的线强度。由于在平行血管的方向上线强度s(i,j)最大，在垂直血管方向线强度s(i,j)最小，因此在原线性检测算子正交方向两侧再添两点，在其正交方向，在线性检测算子下的平均灰度值用l0(i,j)表示，因此可得到第二个特征s0(i,j)＝l0(i,j)-n(i,j)。结合该点的像素值，构造三维特征向量x＝[s(i,j),s0(i,j),i(i.j)]。

所述的svm实现血管检测的实施过程为：将所提取到的所有特征向量，采用支持向量机对血管进行检测。

在具体的实施方案中，可按下面方式操作：

视网膜图像预处理：首先提取彩色视网膜血管图像的绿色通道，并对其进行反转操作。然后对所得的图进行对比度受限的自适应直方图均衡方法(contrast-limitedadaptivehistogramequalization,clahe)。

支持度变换提取视网膜粗血管：对经过图像预处理的视网膜图像p，通过支持度分析所得的序列支持度图像为{s1,s2,...,sr}。原图像p和它的支持度图像的差就是序列近似图像。即

sj＝svj*pj

pj+1＝pj-sj；j＝1,...,r,p1＝p

这里r为分解级数，sv为序列支持度滤波器，“*”表示卷积运算。为了获得序列支持图像，支持度变换需要不断地运用与尺度相关的支持度滤波器与近似图像进行卷积运算。经实验，发现由第二级序列支持度图像和第三级序列支持度图像组合得到的视网膜粗血管效果最佳，即

p＝s2+s3

线检测算子提取特征：定义一个15*15的检测窗口，n(i,j)为检测窗口中的像素平均灰度值，为了检测不同方向的血管，以15为旋转步长，计算12个方向的像素平均值，记l(i,j)为12条扫描线上最大的平均灰度值，差值s(i,j)＝l(i,j)-n(i,j)表示该目标像素点的线强度。由于在平行血管的方向上线强度s(i,j)最大，在垂直血管方向线强度s(i,j)最小，因此在原线性检测算子正交方向两侧再添两点，在其正交方向，在线性检测算子下的平均灰度值用l0(i,j)表示，因此可得到第二个特征s0(i,j)＝l0(i,j)-n(i,j)。结合该点的像素值，构造三维特征向量x＝[s(i,j),s0(i,j),i(i.j)]。

svm实现血管检测：将所提取到的所有特征向量，采用支持向量机对血管进行检测。

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。