本發明屬于醫學圖像處理技術領域，具體涉及一種基于Adaboost的眼底圖像微動脈瘤檢測系統。

背景技術：

隨著人們生活節奏的不斷加快以及生活習慣改變，糖尿病已成為我國的高發病之一。而糖尿病性視網膜疾病又是糖尿病的一種比較嚴重的并發癥，也是導致糖尿病患者視力損傷甚至失明的主要原因之一?；加刑悄虿〉娜巳河捎陂L期的血糖過高，導致視網膜毛細血管形狀和結構發生一系列的改變，毛細血管壁受損而膨出形成微動脈瘤(Microaneurysm，MA)。微動脈瘤也稱微血管瘤，在眼底彩色圖像上呈現為紅色小圓點，直徑在10-100微米左右，是糖尿病視網膜病變中最先出現的并發癥狀，同時也是眼底圖像上能觀測到的最小的病變。

目前，在數字圖像處理領域，國內對于視網膜微動脈瘤檢測技術的研究才剛剛開始，相關領域的論文及學術資料不多，相比于國外，在國內視網膜圖像中的微動脈瘤檢測技術仍然有廣闊的發展前景。存在的檢測方法主要基于以下幾個方面，或者是在這幾個方面上的組合和改進：形態學處理、頂帽變換技術，集成學習方法和分類方法。而由于視網膜圖像中的背景噪聲、圖像紋理、血管、亮斑以及曝光不均勻等原因，使得視網膜圖像的對比度較差，且微動脈瘤的尺寸大小不一，導致微動脈瘤病變區域的分割比較困難。目前的這些分割檢測算法在檢測精度上不是很高，方法并不是很完善。

技術實現要素：

針對現有技術的不足，本發明提出一種基于Adaboost的眼底圖像微動脈瘤檢測系統。

本發明的技術方案是：

一種基于Adaboost的眼底圖像微動脈瘤檢測系統，包括視網膜圖像預處理單元、候選區域提取單元、特征提取與特征選擇單元和分類單元；

所述視網膜圖像預處理單元，用于對獲取的視網膜圖像進行目標區域提取，得到目標區域圖像，并對目標區域圖像進行中值濾波、對比度自適應直方圖均衡化、陰影校正和灰度拉伸處理，得到預處理后的視網膜圖像；

所述候選區域提取單元，用于對預處理后的視網膜圖像依次進行視盤提取、絮狀物提取和血管提取，得到候選區域圖像；

所述特征提取與特征選擇單元，用于對專家手動標記好的已知具有動脈瘤的N幅候選區域圖像和已知不具有動脈瘤的N幅候選區域圖像進行特征提取，提取其各候選區域代表微動脈瘤的31個特征值，并采用前向算法對各個候選區域特征值進行特征值篩選，得到更新后的候選區域特征集；

所述分類單元，用于采用已知具有動脈瘤的N幅候選區域圖像和已知不具有動脈瘤的N幅候選區域圖像得到更新后的候選區域特征集作為輸入，輸入到Adaboost分類器進行訓練，得到訓練后的Adaboost分類器，將待檢測的視網膜圖像提取出的候選區域圖像輸入到訓練后的Adaboost分類器，得到檢測結果。

所述視網膜圖像預處理單元，包括獲取圖像背景模塊、中值濾波模塊、對比度自適應直方圖均衡化模塊、陰影校正模塊和灰度拉伸模塊；

所述獲取圖像背景模塊，用于提取視網膜圖像的綠色通道，得到綠色通道圖像，并對綠色通道圖像進行感興趣區域提取，得到目標區域圖像；

所述中值濾波模塊，用于對目標區域圖像進行中值濾波，得到中值濾波后的圖像；

所述對比度自適應直方圖均衡化模塊，用于對中值濾波后的圖像進行非線性拉伸，重新分配圖像的像元亮度或灰度值，均衡一定范圍內的像元亮度或灰度值的數量，得到均衡化后的圖像；

所述陰影校正模塊，用于中值濾波方法對均衡化后的圖像進行陰影校正，得到去除陰影的圖像；

所述灰度拉伸圖像，用于對去除陰影的圖像進行圖像灰度拉伸，得到預處理后的視網膜圖像。

所述候選區域提取單元，包括視盤提取模塊、絮狀物提取模塊和視網膜血管提取模塊；

所述視盤提取模塊，用于采用線性空間濾波對綠色通道圖像進行高斯濾波，獲取圖像的低頻分量，得到高斯濾波后的圖像，對高斯濾波后的圖像采用數學形態學運算，設定視盤提取閾值，進行閾值分割提取出高斯濾波后圖像中的視盤，得到去除視盤的視網膜圖像；

所述絮狀物提取模塊，用于對去除視盤的視網膜圖像進行背景估計，通過數學形態學運算獲取其背景圖像，采用形態學減運算得到去除視盤的視網膜圖像與背景圖像的差值圖像，對差值圖像進行二值化處理，設定絮狀物提取閾值，對二值化處理后的差值圖像進行閾值分割，提取出絮狀物，得到絮狀物提取后的圖像；

所述視網膜血管提取模塊，用于采用改進的COSFIRE濾波器對絮狀物提取后的圖像進行血管結構選擇，提取出血管，得到候選區域圖像。

所述采用改進的COSFIRE濾波器對絮狀物提取后的圖像進行血管結構選擇，提取出血管，得到候選區域圖像的具體過程如下：

S1：建立DOG濾波器，生成一個R*R像素大小的圖像，R為奇數，令圖像中的灰度值為1，其余灰度值為0得到一個線性條狀結構作為類血管，作為DoG濾波器的輸入，得到DoG濾波器輸出響應像素值，以三元組S集表示；

S2：對S集進行加權操作以及移位操作，訓練得到改進的DOG濾波器，即COSFIRE濾波器，得到COSFIRE濾波器的輸出響應像素值，以三元組S′集表示；

S3：將S′集作為B-COSFIRE濾波器輸入，得到B-COSFIRE濾波器輸出響應；

S4：在B-COSFIRE濾波器中引入方向參數ψ，得到改進的COSFIRE濾波器；

S5：將絮狀物提取后的圖像輸入改進的COSFIRE濾波器，得到絮狀物提取后的圖像的響應值；

S6：設定血管提取閾值，將絮狀物提取后的圖像的響應值超出閾值的作為該圖像的血管，提取出血管，得到候選區域圖像。

本發明的有益效果：

本發明提出一種基于Adaboost的眼底圖像微動脈瘤檢測系統，本發明適用于眼底圖像中非增值性視網膜微動脈瘤的檢測，確定病灶在視網膜的形態與位置，可以進一步的有效的檢測與識別微動脈瘤，針對視網膜微小血管和末端血管的提取，改進了基于COSFIRE濾波的視網膜血管分割方法，同時提出了一種基于Adaboost分類器的分類方法，并與前向算法相結合，進行特征選擇與分類，實現微動脈瘤的準確檢測。

附圖說明

圖1為本發明具體實施方式中基于Adaboost的眼底圖像微動脈瘤檢測系統的結構框圖；

圖2為本發明具體實施方式中提取出的綠色通道圖像；

圖3為本發明具體實施方式中均衡化后的圖像；

圖4為本發明具體實施方式中去除陰影的圖像；

圖5為本發明具體實施方式中灰度拉伸圖像；

圖6為采用改進的COSFIRE濾波器對絮狀物提取后的圖像進行血管結構選擇得到候選區域圖像的流程圖；

圖7為本發明具體實施方式中兩個視網膜圖像及其對應得到的血管圖像；

其中，(a)為第一幅已知具有微動脈瘤的視網膜圖像，(b)為第二幅已知具有微動脈瘤的視網膜圖像，(c)為第一幅已知具有微動脈瘤的血管圖像，(d)為第二幅已知具有微動脈瘤的血管圖像；

圖8為本發明具體實施方式中兩個視網膜圖像專家手動分割得到的血管圖像；

其中，(a)為第一幅已知具有微動脈瘤的視網膜圖像專家手動分割得到的血管圖像，(b) 為第二幅已知具有微動脈瘤的視網膜圖像專家手動分割得到的血管圖像；

圖9為本發明具體實施方式中兩個視網膜圖像獲得的候選區域圖像；

其中，(a)為第一幅已知具有微動脈瘤的候選區域圖像，(b)為第二幅已知具有微動脈瘤的候選區域圖像；

圖10為本發明具體實施方式中兩幅待檢測視網膜圖像檢測結果；

其中(a)為第一幅待檢測視網膜圖像檢測結果示意圖，(b)為第二幅待檢測視網膜圖像檢測結果示意圖。

具體實施方式

下面結合附圖對本發明具體實施方式加以詳細說明。

一種基于Adaboost的眼底圖像微動脈瘤檢測系統，如圖1所示，包括視網膜圖像預處理單元、候選區域提取單元、特征提取與特征選擇單元和分類單元。

視網膜圖像預處理單元，用于對獲取的視網膜圖像進行目標區域提取，得到目標區域圖像，并對目標區域圖像進行中值濾波、對比度自適應直方圖均衡化、陰影校正和灰度拉伸處理，得到預處理后的視網膜圖像。

本實施方式中，視網膜圖像預處理單元為高視網膜圖像對比度，改善圖像質量，減少因為成像問題對后面的檢測過程所帶來的干擾。

視網膜圖像預處理單元，包括獲取圖像背景模塊、中值濾波模塊、對比度自適應直方圖均衡化模塊、陰影校正模塊和灰度拉伸模塊。

獲取圖像背景模塊，用于提取RGB格式的視網膜圖像的綠色通道，得到綠色通道圖像如圖2所示，并對綠色通道圖像進行感興趣區域提取，即將綠色通道圖像與模板圖像進行按位與運算，提取出感興趣點，得到目標區域圖像。

中值濾波模塊，用于對目標區域圖像進行中值濾波，得到中值濾波后的圖像。

對比度自適應直方圖均衡化模塊，用于對中值濾波后的圖像進行非線性拉伸，重新分配圖像的像元亮度或灰度值，均衡一定范圍內的像元亮度或灰度值的數量，得到均衡化后的圖像；原理是通過分布函數累計積分達到修改直方圖的目的，得到的均衡化后的圖像如圖3所示。

陰影校正模塊，用于中值濾波方法對均衡化后的圖像進行陰影校正，得到去除陰影的圖像；

本實施方式中，選用35*35模板的中值濾波方法對均衡化后的圖像進行陰影校正，得到去除陰影的圖像，如圖4所示。

灰度拉伸圖像，用于對去除陰影的圖像進行圖像灰度拉伸，得到預處理后的視網膜圖像如圖5所示。

候選區域提取單元，用于對預處理后的視網膜圖像依次進行視盤提取、絮狀物提取和血管提取，得到候選區域圖像。

候選區域提取單元，包括視盤提取模塊、絮狀物提取模塊和視網膜血管提取模塊。

視盤提取模塊，用于采用線性空間濾波對綠色通道圖像進行高斯濾波，獲取圖像的低頻分量，得到高斯濾波后的圖像，對高斯濾波后的圖像采用數學形態學運算，設定視盤提取閾值，進行閾值分割提取出高斯濾波后圖像中的視盤，得到去除視盤的視網膜圖像。

本實施方式中，采用線性空間濾波對綠色通道圖像進行高斯濾波的濾波參數為15*15窗口大小，標準差為1，獲取圖像的低頻分量，得到高斯濾波后的圖像，建立一個半徑為5的圓形結構元素來形態學腐蝕運算，設定視盤提取閾值為像素p＝175，進行閾值分割，取大于閾值部分，得到去除視盤的視網膜圖像。

絮狀物提取模塊，用于對去除視盤的視網膜圖像進行背景估計，通過數學形態學運算獲取其背景圖像，采用形態學減運算得到去除視盤的視網膜圖像與背景圖像的差值圖像，對差值圖像進行二值化處理，設定絮狀物提取閾值，對二值化處理后的差值圖像進行閾值分割，得到絮狀物提取后的圖像。

本實施方式中，首先根據經驗建立一個半徑為13的圓盤結構進行背景估計，通過數學形態學運算獲得背景圖。采用形態學減運算得到去除視盤的視網膜圖像與背景圖像的差值圖像，對差值圖像進行二值化處理，設定絮狀物提取閾值為像素值0.0823，對二值化處理后的差值圖像進行閾值分割，提取大于此閾值部分，提取出絮狀物，得到絮狀物提取后的圖像。

視網膜血管提取模塊，用于采用改進的COSFIRE濾波器對絮狀物提取后的圖像進行血管結構選擇，提取出血管，得到候選區域圖像。

本實施方式中，采用改進的COSFIRE濾波器對絮狀物提取后的圖像進行血管結構選擇，得到候選區域圖像的具體過程如圖6所示，該方法通過計算DoG濾波輸出響應的加權幾何平均值來實現濾波器的方向選擇性，同時通過簡單的移位操作實現旋轉不變性，找出血管結構：

S1：建立DOG濾波器，生成一個R*R像素大小的圖像，R為奇數，令圖像中的灰度值為1，其余灰度值為0得到一個線性條狀結構作為類血管，作為DoG濾波器的輸入，得到DoG濾波器輸出響應像素值，以三元組S集表示。

本實施方式中，生成一個R*R＝101*101像素大小的圖像，令圖像中的灰的灰度值為1，其余灰度值為0，得到一個線性條狀結構作為類血管，設定中心點為(51，51)，標號1，作為DoG濾波器的輸入，得到DoG濾波器輸出響應像素值，以三元組S集表示。

DoG濾波器如式(1)所示：

其中，σ＝2.4為高斯函數的標準差，K＝0.5為高斯濾波參數，(x，y)為圖像像素點。

得到的DoG濾波器輸出響應d_σ(x，y)如式(2)所示：

其中，I為生成的圖像，為卷積，|·|⁺表示半波整流。

DoG濾波器在輸入圖像的強度發生改變的地方具有較高響應，輸入生成的線條狀圖像后，利用DoG濾波器對輸入圖像血管和背景灰度變化給出的響應的特性，根據DoG濾波器響應公式，局部灰度值變化大的像素點處(即線條狀結構處)的DoG濾波響應最大，輸出的最大響應的像素點(x，y)用一個三元組S集表示，S＝{(σ_i，ρ_i，φ_i)|i＝1，...，n}，n為DoG濾波響應個數，σ_i為響應的標準偏差，ρ_i、φ_i為像素點(x，y)的極坐標。

S2：對S集進行加權操作以及移位操作，訓練得到改進的DOG濾波器，即COSFIRE濾波器，得到COSFIRE濾波器的輸出響應像素值，以三元組S′集表示。

本實施方式中，對S集進行加權操作添加了模糊操作，即將S集加權操作：乘系數高斯函數G_σ′(x′，y′)，然后進行移位操作，即令x-Δx_i-x′，y-Δy_i-y′，訓練得到改進的DOG濾波器，即COSFIRE濾波器如式(3)所示：

其中，(x′，y′)為像素點的強度值，x′≥3σ′，y′≤3σ′，高斯函數的標準差σ′＝σ′₀+αρ_i，σ′₀＝3、α＝0.7為常數，(Δx_i，Δy_i)為位移向量，Δx＝-ρ_i cosφ_i，Δy＝-ρ_i sinφ_i。

將得到的COSFIRE濾波器的輸出響應像素值，以三元組S′集表示。

S3：將S′集作為B-COSFIRE濾波器輸入，得到B-COSFIRE濾波器輸出響應；

得到的B-COSFIRE濾波器輸出響應r_S′(x，y)如式(4)所示：

其中，|·|_t為在t(0≤t≤1)處的最大閾值響應，t為濾波器的常數。

S4：在B-COSFIRE濾波器中引入方向參數ψ，得到改進的COSFIRE濾波器如式(5)所示：

其中，為改進的COSFIRE濾波器的輸出響應，ψ為設定的方向，Ψ為12個等距角度

S5：將絮狀物提取后的圖像輸入改進的COSFIRE濾波器，得到絮狀物提取后的圖像的響應值。

S6：設定血管提取閾值，將絮狀物提取后的圖像的響應值超出閾值的作為該圖像的血管，提取出血管，得到候選區域圖像。

本實施方式中，設定的血管提取閾值為像素值37(經驗值)，將絮狀物提取后的圖像的響應值超出閾值的作為該圖像的血管，血管圖像，得到候選區域圖像。

本實施方式中，對于兩個視網膜圖像及其對應得到的血管圖像如圖7所示，專家手動分割得到的血管圖像如圖8所示，最終得到的候選區域圖像如圖9所示。

特征提取與特征選擇單元，用于對專家手動標記好的已知具有動脈瘤的N幅候選區域圖像和已知不具有動脈瘤的N幅候選區域圖像進行特征提取，提取其各候選區域代表微動脈瘤的31個特征值，并采用前向算法對各個候選區域特征值進行特征值篩選，得到更新后的候選區域特征集。

本實施方式中，在ROC數據庫中獲取專家手動標記好的已知具有動脈瘤的N＝50幅視網膜圖像和已知不具有動脈瘤的N＝50幅視網膜圖像，通過視網膜圖像預處理單元、候選區域提取單元的處理，得到已知具有動脈瘤的N＝50幅候選區域圖像和已知不具有動脈瘤的N＝50幅候選區域圖像，綜合考慮了微動脈瘤的各類特征后，提取候選區域圖像中代表微動脈瘤的31個特征值，包括形狀特征(如表1所示)，像素特征(如表2所示)和DoG濾波特征(如表3所示)，通過從圖像中進行相關特征的提取、計算，作為分類圖像相關特征，用于后期的分類。

表1 微小動脈瘤的形狀特征信息

表2 微小動脈瘤的像素特征信息

表3 DoG濾波特征信息

本實施方式中，對于提取的各候選區域代表微動脈瘤的31個特征值，采用前向算法對各個候選區域特征值進行特征值篩選，得到其各自對應的候選區域特征集。

本實施方式中，采用前向算法對各個候選區域特征值進行特征值篩選的具體過程如下：

將各個候選區域圖像中的候選區域的像素點作為樣本點，首先選擇一個空集作為初始子集，依次選擇所有樣本點的一個特征的特征值加入初始子集，每提取一個特征的特征值加入初始子集，計算一次其所有初始子集中特征值作為Adaboost分類器輸入時得到的判斷結果的正確性，若加入該特征值后判斷結果的誤差率減小，則保留該特征，否則，刪除該特征，得到更新后的候選區域特征集，本實施方式中，得到25個特征的特征值作為更新后的候選區域特征集。

分類單元，用于采用已知具有動脈瘤的N幅候選區域圖像和已知不具有動脈瘤的N幅候選區域圖像得到更新后的候選區域特征集作為輸入，輸入到Adaboost分類器進行訓練，得到訓練后的Adaboost分類器，將待檢測的視網膜圖像提取出的候選區域圖像輸入到訓練后的Adaboost分類器，得到檢測結果。

本實施方式中，將采用已知具有動脈瘤的N幅候選區域圖像和已知不具有動脈瘤的N幅候選區域圖像得到更新后的候選區域特征集作為訓練樣本集，對每個訓練的樣本賦予相同的權重，進行迭代，迭代次數設置為20，使用具有權值分布的訓練樣本集，得到基本的Adaboost分類器，計算Adaboost分類器在各訓練樣本上的分類誤差率，更新訓練樣本的權值分布，進行下一輪迭代，迭代結束繪制錯誤率結果圖，Adaboost分類器分類參數如表4所示：

表4 Adaboost分類器分類參數

本實施方式中，得到的已知具有動脈瘤的50幅候選區域圖像對應的候選區域為495個，其對應候選區域特征集為495*25，已知不具有動脈瘤的50幅候選區域圖像對應候選區域為194個，其對應候選區域特征集為194*25，用于Adaboost分類器的訓練，將待檢測的視網膜圖像提取出的候選區域圖像輸入到訓練后的Adaboost分類器，得到檢測結果，第一幅待檢測視網膜圖像檢測結果如圖10(a)所示，第二幅待檢測視網膜圖像檢測結果如圖10(b)所示。