本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，尤其涉及一種視網(wǎng)膜血管圖像的分割方法。

背景技術(shù)：

視網(wǎng)膜血管是人體全身血管中唯一可以無(wú)創(chuàng)直接觀察到的血管，它的形狀、管徑、尺度、分支角度是否有變化，以及是否有增生、滲出，均可反映全身血管的病變。糖尿病、高血壓、腦血管硬化等疾病均可導(dǎo)致視網(wǎng)膜血管發(fā)生一定的變化，因此視網(wǎng)膜血管的檢測(cè)和分析對(duì)這些疾病的診斷和治療在臨床上具有重要的指導(dǎo)意義。然而，由于視網(wǎng)膜血管圖像的灰度分布不均勻，目標(biāo)血管與圖像背景的對(duì)比度低，再加上圖像噪聲的污染，使視網(wǎng)膜血管的自動(dòng)分割非常困難。

目前，現(xiàn)有技術(shù)中的一種視網(wǎng)膜血管圖像的分割方法為：視網(wǎng)膜血管追蹤方法。Tolias(1998)等應(yīng)用模糊C均值方法，從視網(wǎng)膜圓盤(pán)處出發(fā)建立種子點(diǎn)，利用血管斷面的一維模糊模型進(jìn)行視網(wǎng)膜血管的追蹤，通過(guò)判定所有種子點(diǎn)是否屬于血管進(jìn)行最終分割提取。這種方法能比較全面地描述視網(wǎng)膜血管網(wǎng)絡(luò)結(jié)構(gòu)。

上述視網(wǎng)膜血管追蹤方法的缺點(diǎn)為：運(yùn)算量大，而且對(duì)于血管的分支點(diǎn)以及對(duì)比度較低的血管分割不夠精確。這種方法對(duì)種子點(diǎn)的選取比較敏感，算法往往在血管分支點(diǎn)處終止，丟失大量視網(wǎng)膜小血管。

現(xiàn)有技術(shù)中的另一種視網(wǎng)膜血管圖像的分割方法為：分類(lèi)器識(shí)別方法。該方法主要是通過(guò)對(duì)視網(wǎng)膜血管進(jìn)行預(yù)處理操作，根據(jù)血管的不同特性建立特征空間，選擇合適的分類(lèi)器對(duì)樣本進(jìn)行訓(xùn)練，然后帶入測(cè)試集中判定最后的結(jié)果。Staal(2004)采用了脊線檢測(cè)方法，利用血管中心線鄰域的特征向量進(jìn)行有監(jiān)督類(lèi)識(shí)別。Soares(2006)首先抽取視網(wǎng)膜血管圖像的多尺度2D Gabor小波特征，然后采用貝葉斯分類(lèi)器對(duì)視網(wǎng)膜血管進(jìn)行識(shí)別。

上述分類(lèi)器識(shí)別方法的缺點(diǎn)為：這種分類(lèi)方法對(duì)噪聲點(diǎn)比較敏感，而且分割結(jié)果存在的誤分類(lèi)情況嚴(yán)重。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的實(shí)施例提供了一種視網(wǎng)膜血管圖像的分割方法，以實(shí)現(xiàn)有效地從視網(wǎng)膜血管圖像中分割出粗血管段和細(xì)血管段。

為了實(shí)現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案。

一種視網(wǎng)膜血管圖像的分割方法，包括：

對(duì)視網(wǎng)膜血管圖像進(jìn)行雙尺度匹配濾波處理，得到細(xì)尺度匹配濾波響應(yīng)圖像和粗尺度匹配濾波響應(yīng)圖像；

從所述細(xì)尺度匹配濾波響應(yīng)圖像中分割出線支持區(qū)域，使用局部自適應(yīng)閾值方法對(duì)每一個(gè)線支持區(qū)域進(jìn)行二值化處理，分割出細(xì)血管段；

應(yīng)用固定比例閾值算法對(duì)所述粗尺度匹配濾波圖像進(jìn)行分割，得到粗血管段。

進(jìn)一步地，所述的對(duì)視網(wǎng)膜血管圖像進(jìn)行雙尺度匹配濾波處理，得到細(xì)尺度匹配濾波響應(yīng)圖像和粗尺度匹配濾波響應(yīng)圖像，包括：

提取彩色視網(wǎng)膜血管圖像的RGB三個(gè)通道中的綠色通道；

用高斯函數(shù)來(lái)模擬視網(wǎng)膜血管的橫切面灰度曲線，得到如下匹配濾波器：

式中，K(x,y)被稱為核函數(shù)，σ是高斯函數(shù)沿x軸坐標(biāo)中心的偏離度，L是高斯函數(shù)沿y軸被截?cái)嗟拈W電通道長(zhǎng)度，式中x,y需滿足|x|≤3σ,|y|≤L/2

以15°為間隔，選取角度區(qū)間[0°,180°]中的12個(gè)方向，創(chuàng)建12個(gè)匹配濾波器；

將所述彩色視網(wǎng)膜血管圖像中的綠色通道分別與所述12個(gè)匹配濾波器做卷積計(jì)算，得到匹配濾波響應(yīng)圖像，將所述匹配濾波響應(yīng)圖像歸一化并量化為256級(jí)的灰度圖，當(dāng)所述偏離度σ小于設(shè)定的閾值時(shí)，將得到的灰度圖作為細(xì)尺度匹配濾波響應(yīng)圖像；當(dāng)所述偏離度σ不小于設(shè)定的閾值時(shí)，將得到的灰度圖作為粗尺度匹配濾波響應(yīng)圖像。

進(jìn)一步地，所述的從所述細(xì)尺度匹配濾波響應(yīng)圖像中分割出線支持區(qū)域，包括：

計(jì)算細(xì)尺度匹配濾波圖像中的每個(gè)像素點(diǎn)的梯度幅值和梯度方向，將所有像素點(diǎn)按照其梯度幅值大小進(jìn)行排序，選取具有最高梯度幅值的像素點(diǎn)作為種子點(diǎn)，將梯度幅值小于設(shè)定的梯度閾值的像素點(diǎn)排除線支持區(qū)域的構(gòu)建過(guò)程；

基于所述種子點(diǎn)利用區(qū)域生長(zhǎng)算法生成若干個(gè)線支持區(qū)域，每個(gè)線支持區(qū)域包括一個(gè)種子點(diǎn)，并且為一個(gè)與種子點(diǎn)具有相似梯度方向的像素集合，每個(gè)像素點(diǎn)包括兩個(gè)狀態(tài)：使用過(guò)和未使用。

進(jìn)一步地，所述的基于所述種子點(diǎn)利用區(qū)域生長(zhǎng)算法生成若干個(gè)線支持區(qū)域，包括：

從像素點(diǎn)的排序列表中選擇一個(gè)未使用的像素作為種子點(diǎn)，將所述種子點(diǎn)的梯度方向作為要生成的所述種子點(diǎn)所在的線支持區(qū)域的初始角度θ_region，將所述種子點(diǎn)的鄰域中未使用的且其梯度方向跟區(qū)域角度θ_region之間的誤差在τ之間的像素點(diǎn)添加到所述線支持區(qū)域中，根據(jù)更新后的像素點(diǎn)更新計(jì)算所述線支持區(qū)域的角度；

重復(fù)執(zhí)行上述處理過(guò)程，直到所述種子點(diǎn)的鄰域中沒(méi)有符合條件的像素點(diǎn)添加到所述線支持區(qū)域中，對(duì)所述線支持區(qū)域?qū)?yīng)的最小外接矩形進(jìn)行擴(kuò)展。

進(jìn)一步地，所述的使用局部自適應(yīng)閾值方法對(duì)每一個(gè)線支持區(qū)域進(jìn)行二值化處理，分割出細(xì)血管段，包括：

將細(xì)尺度匹配濾波圖像分割出多個(gè)線支持區(qū)域后，使用局部自適應(yīng)閾值方法應(yīng)用Otsu算法對(duì)每一個(gè)線支持區(qū)域進(jìn)行二值化處理，分割出前景和背景，分割出單個(gè)的細(xì)血管段；

所述Otsu方法搜索最優(yōu)的閾值使得前景與背景之間的方差最大，設(shè)t為前景和背景的分割閾值，則計(jì)算前景像素的概率w_0t和平均灰度u_0t，背景像素的概率w_1t和平均灰度為u_1t，前景和背景之間的方差表示為：

g_t＝w_0t·(u_0t-u_t)²+w_1t·(u_1t-u_t)²＝w_0t·w_1t·(u_0t-u_1t)²,t∈[0,255]

其中u_t表示圖像總平均灰度，t的取值范圍為0-255，當(dāng)方差g_t最大時(shí)，前景和背景差異最大，則對(duì)應(yīng)的灰度t是最佳閾值。

進(jìn)一步地，所述的應(yīng)用固定比例閾值算法對(duì)所述粗尺度匹配濾波圖像進(jìn)行分割，得到粗血管段，包括：

應(yīng)用固定比例閾值算法對(duì)所述粗尺度匹配濾波圖像進(jìn)行分割，得到粗血管圖像，所述固定比例閾值算法的閾值由以下公式計(jì)算：

其中r是輸入?yún)?shù)，表示預(yù)期的血管比例，Num是頻次計(jì)算函數(shù)，Total表示像素總數(shù)；

在應(yīng)用所述固定比例閾值算法時(shí)，先對(duì)所述粗尺度匹配濾波圖像中的像素進(jìn)行降序排序，搜索最優(yōu)的閾值Tr，根據(jù)所述閾值Tr對(duì)所述粗尺度匹配濾波圖像進(jìn)行二值化處理，分割出前景和背景，分割出單個(gè)的粗血管段。

進(jìn)一步地，所述的方法還包括：

應(yīng)用邏輯或操作對(duì)所述粗血管段的分割結(jié)果和所述細(xì)血管段的分割結(jié)果進(jìn)行融合，得到完整的粗血管段和細(xì)血管段的分割結(jié)果。

由上述本發(fā)明的實(shí)施例提供的技術(shù)方案可以看出，本發(fā)明實(shí)施例的方法通過(guò)ALT方法可以有效地從視網(wǎng)膜血管圖像中分割出細(xì)血管，通過(guò)FRT方法可以有效地從視網(wǎng)膜血管圖像中分割出完整的粗血管，融合ALT方法和FRT方法可以得到完整的視網(wǎng)膜血管分割結(jié)果，分割結(jié)果準(zhǔn)確率高。

本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的一種基于血管支持區(qū)域的雙尺度非線性閾值的視網(wǎng)膜血管圖像的分割方法的實(shí)現(xiàn)原理示意圖；

圖2為本發(fā)明實(shí)施例提供的一種基于血管支持區(qū)域的雙尺度非線性閾值的視網(wǎng)膜血管圖像的分割方法的處理流程圖；

圖3為本發(fā)明實(shí)施例提供的一種矩形擴(kuò)展圖，其中圖(a)表示區(qū)域增長(zhǎng)算法得到的矩形，圖(b)表示橫坐標(biāo)和縱坐標(biāo)兩個(gè)方向上矩形的擴(kuò)展，圖(c)表示擴(kuò)展之后的矩形；

圖4為本發(fā)明實(shí)施例提供的一種線支持區(qū)域灰度直方圖；

圖5為本發(fā)明實(shí)施例提供的一種粗細(xì)血管融合圖，圖(a)表示局部自適應(yīng)閾值的檢測(cè)結(jié)果實(shí)例，圖(b)表示固定比例閾值算法的分割結(jié)果，圖(c)表示最終的融合結(jié)果。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出，其中自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。下面通過(guò)參考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。

本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非特意聲明，這里使用的單數(shù)形式“一”、“一個(gè)”、“所述”和“該”也可包括復(fù)數(shù)形式。應(yīng)該進(jìn)一步理解的是，本發(fā)明的說(shuō)明書(shū)中使用的措辭“包括”是指存在所述特征、整數(shù)、步驟、操作、元件和/或組件，但是并不排除存在或添加一個(gè)或多個(gè)其他特征、整數(shù)、步驟、操作、元件、組件和/或它們的組。應(yīng)該理解，當(dāng)我們稱元件被“連接”或“耦接”到另一元件時(shí)，它可以直接連接或耦接到其他元件，或者也可以存在中間元件。此外，這里使用的“連接”或“耦接”可以包括無(wú)線連接或耦接。這里使用的措辭“和/或”包括一個(gè)或更多個(gè)相關(guān)聯(lián)的列出項(xiàng)的任一單元和全部組合。

本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非另外定義，這里使用的所有術(shù)語(yǔ)(包括技術(shù)術(shù)語(yǔ)和科學(xué)術(shù)語(yǔ))具有與本發(fā)明所屬領(lǐng)域中的普通技術(shù)人員的一般理解相同的意義。還應(yīng)該理解的是，諸如通用字典中定義的那些術(shù)語(yǔ)應(yīng)該被理解為具有與現(xiàn)有技術(shù)的上下文中的意義一致的意義，并且除非像這里一樣定義，不會(huì)用理想化或過(guò)于正式的含義來(lái)解釋。

為便于對(duì)本發(fā)明實(shí)施例的理解，下面將結(jié)合附圖以幾個(gè)具體實(shí)施例為例做進(jìn)一步的解釋說(shuō)明，且各個(gè)實(shí)施例并不構(gòu)成對(duì)本發(fā)明實(shí)施例的限定。

本發(fā)明實(shí)施例提出了一種基于血管支持區(qū)域的雙尺度非線性閾值的視網(wǎng)膜血管圖像的分割方法，該方法首先運(yùn)用兩個(gè)不同尺度的高斯濾波器對(duì)眼底視網(wǎng)膜血管圖像進(jìn)行預(yù)處理操作，得到兩個(gè)不同尺度的匹配濾波響應(yīng)圖像。然后分別對(duì)這兩個(gè)不同尺度的匹配濾波響應(yīng)圖像進(jìn)行視網(wǎng)膜血管提取。最后對(duì)提取到的血管進(jìn)行合并，得到最終的結(jié)果。具體步驟如下：

本發(fā)明實(shí)施例提出了一種基于血管支持區(qū)域的雙尺度非線性閾值的視網(wǎng)膜血管圖像的分割方法的實(shí)現(xiàn)原理示意圖如圖1所示，具體處理流程如圖2所示，包括如下的處理步驟：

步驟S210、對(duì)視網(wǎng)膜血管圖像進(jìn)行雙尺度匹配濾波(double-scale filtering,DSF)處理，得到細(xì)尺度匹配濾波響應(yīng)(fine matched filtering response,FMFR)圖像和粗匹配濾波響應(yīng)(coarse matched filtering response,CMFR)圖像。

不同尺度的高斯匹配濾波器對(duì)于細(xì)血管和粗血管的增強(qiáng)效果是不一樣的。更具體的，小尺度濾波器有利于突出細(xì)血管，提取粗血管的骨架；而粗尺度濾波器有利于增強(qiáng)粗血管，模糊化末梢的細(xì)血管。因此，我們?cè)O(shè)計(jì)了細(xì)尺度和粗尺度兩類(lèi)高斯核函數(shù)，將它們分別作用于視網(wǎng)膜血管圖像的綠色通道，得到細(xì)尺度匹配濾波響應(yīng)圖像和粗尺度匹配濾波響應(yīng)圖像。

在彩色視網(wǎng)膜血管圖像的RGB(Red、Green、Blue)三個(gè)通道中，綠色通道分量圖像的血管與背景對(duì)比度最高，更加有利于血管分割，因此本發(fā)明首先提取彩色視網(wǎng)膜血管圖像的綠色通道。

在視網(wǎng)膜血管圖像中，血管中心像素點(diǎn)亮度較小，兩邊的像素點(diǎn)亮度較大，視網(wǎng)膜血管的橫截面灰度輪廓可以用高斯型曲線近似。因此高斯匹配濾波方法常用來(lái)提升圖像對(duì)比度。假定視網(wǎng)膜血管為分段等寬的直線段，其長(zhǎng)度為L(zhǎng)，寬度為2σ，我們用高斯函數(shù)來(lái)模擬視網(wǎng)膜血管的橫切面灰度曲線，從而得到如下匹配濾波器：

式中，K(x,y)被稱為核函數(shù)，σ是高斯函數(shù)沿x軸坐標(biāo)中心的偏離度，L是高斯函數(shù)沿y軸被截?cái)嗟拈W電通道長(zhǎng)度，為了使得匹配更精準(zhǔn)，式中x,y需滿足|x|≤3σ,|y|≤L/2。根據(jù)實(shí)驗(yàn)結(jié)果，我們?cè)O(shè)定L＝7。

因?yàn)檠芊较蚴侨我獾模覀円?5°為間隔考慮角度區(qū)間[0°,180°]中的12個(gè)方向，創(chuàng)建12個(gè)匹配濾波器。

視網(wǎng)膜血管圖像分別與這12個(gè)高斯核做卷積，匹配濾波響應(yīng)圖像中的每一個(gè)像素的值等于最大的卷積值。為了便于后續(xù)處理，匹配濾波響應(yīng)圖像被歸一化和量化為256級(jí)的灰度圖。

我們可以觀察到視網(wǎng)膜血管圖像中既包含視盤(pán)附件的粗血管，也包含末梢的細(xì)血管。在應(yīng)用匹配濾波時(shí)，如果選擇比較小數(shù)值范圍的σ，這個(gè)比較小范圍是上文提到的血偏離度管的寬度或者說(shuō)高斯函數(shù)沿x軸坐標(biāo)中心的偏離度，大概為1.3～1.6個(gè)像素，則濾波結(jié)果圖像中的細(xì)血管更加容易得到加強(qiáng)，粗血管被腐蝕；相反，如果選擇比較大數(shù)值范圍的σ，這個(gè)比較大數(shù)值范圍是2.0～2.4個(gè)像素，則粗血管得到加強(qiáng)，細(xì)血管被模糊化。

因此，本發(fā)明實(shí)施例提出了雙尺度匹配濾波方法。細(xì)尺度匹配濾波器選擇較小的σ，增強(qiáng)細(xì)血管，同時(shí)抑制噪聲和平滑背景區(qū)域。細(xì)尺度匹配濾波器產(chǎn)生的響應(yīng)結(jié)果經(jīng)過(guò)量化，得到FMFR圖像，該圖像將是自適應(yīng)閾值分割算法的輸入。相反，粗尺度匹配濾波器選擇較大的σ，增強(qiáng)粗血管部分，得到CMFR圖像。因?yàn)榇盅艿倪吘壊糠衷诩?xì)尺度匹配濾波圖像中容易被腐蝕，但是粗血管比較容易從粗尺度匹配濾波圖像中完整分割出來(lái)，所以，CMFR圖像將用于分割結(jié)果融合。

步驟S220、從細(xì)尺度匹配濾波響應(yīng)圖像中分割出線支持區(qū)域(vesselsupport region，VSR)，使用局部自適應(yīng)閾值(adaptive local thresholding,ALT)方法應(yīng)用Otsu算法對(duì)每一個(gè)VSR進(jìn)行二值化處理，分割出單個(gè)的細(xì)血管段。

經(jīng)過(guò)匹配濾波后，F(xiàn)MFR圖像的對(duì)比度得到了增強(qiáng)，尤其是污點(diǎn)和病變區(qū)域得到了抑制。但是FMFR圖像中血管的灰度分布還是比較分散，部分血管的灰度值與背景灰度值存在較大重疊。在理論上，我們找不到一個(gè)全局閾值線性分割血管和背景。VSR是指包含一個(gè)血管段的矩形區(qū)域，可以通過(guò)算法自動(dòng)檢測(cè)。在一個(gè)局部VSR中，其直方圖具有明顯的雙模態(tài)性質(zhì)，我們可以應(yīng)用自動(dòng)閾值算法(比如Otsu)分割血管和背景。該過(guò)程首先自動(dòng)檢測(cè)FMFR中的所有VSR區(qū)域，然后應(yīng)用Otsu算法分割每一個(gè)VSR區(qū)域，同時(shí)把所有非VSR區(qū)域的像素設(shè)置為背景，最后得到細(xì)血管分割圖(fine vessel segmentat ion,FVS)。

S2-1:線支持區(qū)域檢測(cè)

由于視網(wǎng)膜細(xì)血管對(duì)小尺度參數(shù)σ比較敏感，所以本發(fā)明首先計(jì)算在尺度σ＝1.3條件下的匹配濾波圖像，然后在此基礎(chǔ)上進(jìn)行以下處理。

S2-1-1：線支持區(qū)域生成

首先計(jì)算細(xì)尺度匹配濾波圖像中的每個(gè)像素點(diǎn)的梯度幅值和梯度方向，然后將所有像素點(diǎn)按照其梯度幅值大小進(jìn)行排序。較強(qiáng)的邊緣點(diǎn)或區(qū)域一般都具有比較高的梯度幅值，通常在視網(wǎng)膜血管邊緣的像素具有最高的梯度幅值，因此首先選取具有最高梯度幅值的像素點(diǎn)作為種子點(diǎn)。在計(jì)算過(guò)程中，梯度幅值小于q(本發(fā)明選用0.4)的像素點(diǎn)將被拒絕參與線支持區(qū)域的構(gòu)建過(guò)程。

本發(fā)明利用區(qū)域生長(zhǎng)算法生成若干個(gè)線支持區(qū)域，每個(gè)線支持區(qū)域也即一個(gè)與種子點(diǎn)具有相似梯度方向的像素集合。每個(gè)像素點(diǎn)包括兩個(gè)狀態(tài)，即使用過(guò)和未使用。初始狀態(tài)將所有像素點(diǎn)全部置為未使用。

區(qū)域生長(zhǎng)算法首先從排序列表中選擇一個(gè)未使用的像素作為種子點(diǎn)，該像素的鄰域中未使用的且其梯度方向跟區(qū)域角度θ_region之間的誤差在τ之間的像素將被加入到該區(qū)域中。文中的試驗(yàn)τ的范圍大概在18°到24°之間，一般默認(rèn)取22。

區(qū)域的初始角度θ_region就是種子點(diǎn)的梯度方向，每次添加一個(gè)新的像素到該區(qū)域，區(qū)域的角度就被更新。區(qū)域的角度就被更新為：

θ_j表示像素點(diǎn)j梯度的垂直方向。

i(x,y)表示像素(x,y)點(diǎn)處的灰度值，g_x(x,y)、g_y(x,y)分別表示像素(x,y)在x和y方向的梯度值。

如此依次進(jìn)行，直到?jīng)]有任何像素可以添加到矩形當(dāng)中。

前面得到的線支持區(qū)域，用一個(gè)最小外接矩形來(lái)表示。從而可以獲取矩形的一些基本信息，圖3為本發(fā)明實(shí)施例提供的一種矩形擴(kuò)展圖，包括矩形中心點(diǎn)的坐標(biāo)以及矩形的長(zhǎng)度和寬度以及主方向，其中圖(a)表示區(qū)域增長(zhǎng)算法得到的矩形，圖(b)表示橫坐標(biāo)和縱坐標(biāo)兩個(gè)方向上矩形的擴(kuò)展，圖(c)表示擴(kuò)展之后的矩形。

矩形的擴(kuò)展，這里分為兩步，第一步：先對(duì)矩形橫向和縱向都進(jìn)行等值擴(kuò)展，擴(kuò)展幅度選取為矩形寬度width的一半)。這樣每次擴(kuò)展完一個(gè)矩形后，將矩形里的像素點(diǎn)的狀態(tài)都設(shè)置為Used，下次這些被設(shè)置為Used的點(diǎn)就不會(huì)被選作種子點(diǎn)。第二步：再對(duì)之前的擴(kuò)展的矩形基礎(chǔ)上，對(duì)橫向和縱向都進(jìn)行等值擴(kuò)展，擴(kuò)展幅度和之前的定值大小一樣。在擴(kuò)展后的矩形基礎(chǔ)上進(jìn)行閾值處理，這樣就會(huì)解決兩個(gè)矩形之間沒(méi)有交叉的問(wèn)題，因?yàn)樵诘诙螖U(kuò)展之后增加的那些像素可以被選作種子點(diǎn)。

算法1.區(qū)域生長(zhǎng)算法

S2-1-2:矩形生長(zhǎng)

區(qū)域生長(zhǎng)算法得到的線支持區(qū)域能很好地覆蓋大部分閃電通道區(qū)域，但是它存在兩方面的不足：(1)閃電通道兩側(cè)的梯度值比較大，因而區(qū)域增長(zhǎng)的種子點(diǎn)一般為閃電通道兩個(gè)邊緣的像素點(diǎn)，導(dǎo)致在閃電通道同一橫截面處會(huì)出現(xiàn)兩個(gè)矩形；(2)下一個(gè)區(qū)域增長(zhǎng)的種子點(diǎn)不一定是從已生成的矩形區(qū)域中選擇的，因而新生成的區(qū)域跟上一個(gè)區(qū)域不一定有重疊區(qū)域。也即沿著閃電通道方向矩形可能不連續(xù)，從而不能將所有的前景區(qū)域全部包含進(jìn)去。

因此，本發(fā)明提出了矩形擴(kuò)展算法，即在原來(lái)的矩形基礎(chǔ)上進(jìn)行雙向擴(kuò)展，擴(kuò)展幅度選取為矩形寬度的一半。其中縱向擴(kuò)展(沿著血管發(fā)展的方向)可以解決矩形區(qū)域不連續(xù)的問(wèn)題，橫向擴(kuò)展(與血管發(fā)展方向垂直)可以達(dá)到合并兩個(gè)矩形的效果。

圖3給出了矩形擴(kuò)展的示意圖，其中O點(diǎn)為矩形中心點(diǎn)，theta為矩形的主方向，Length和Width分別為矩形的長(zhǎng)和寬，P、Q分別為矩形寬上的中心點(diǎn)，可根據(jù)x1和x2,以及y1和y2的大小分為9種情況。

S2-2:線支持區(qū)域閾值分割

應(yīng)用上述VSR檢測(cè)算法，一幅MFR圖像可以分割出多個(gè)VSR。

步驟S230、然后ALT方法應(yīng)用Ot su算法對(duì)每一個(gè)VSR進(jìn)行二值化處理，分割出前景和背景，分割出單個(gè)的細(xì)血管段。直觀的，每一個(gè)VSR區(qū)域都是對(duì)比度非常明顯的圖像塊，血管段與背景在灰度空間具有明顯區(qū)別。從統(tǒng)計(jì)角度分析，VSR區(qū)域的強(qiáng)度值分布具有雙模態(tài)性，即背景像素和血管像素集中分布在各自的強(qiáng)度區(qū)間。圖4展示了隨機(jī)抽取的兩個(gè)VSR的灰度直方圖。我們的更多實(shí)驗(yàn)結(jié)果都表明VSR的強(qiáng)度分布具有雙模態(tài)性。

Otsu是一種經(jīng)典的自動(dòng)閾值方法，它對(duì)具有雙模態(tài)分布的圖像具有較好的分割效果。Otsu方法的原理是搜索最優(yōu)的閾值使得前景與背景之間的方差最大。假設(shè)t為前景和背景的分割閾值，則可以計(jì)算前景像素的概率w_0t和平均灰度u_0t，背景像素的概率w_1t和平均灰度為u_1t。前景和背景之間的方差可表示為：

g_t＝w_0t·(u_0t-u_t)²+w_1t·(u_1t-u_t)²＝w_0t·w_1t·(u_0t-u_1t)²,t∈[0,255]其中u_t表示圖像總平均灰度，t的取值范圍為0-255。當(dāng)方差g_t最大時(shí)，前景和背景差異最大，則對(duì)應(yīng)的灰度t是最佳閾值。

步驟S240、應(yīng)用固定比例閾值算法分割CMFR圖像，得到粗血管分割圖，融合粗細(xì)血管分割方法，得到完整的細(xì)血管和粗血管的分割結(jié)果。

融合包括兩個(gè)主要步驟：首先，應(yīng)用固定比例閾值算法分割CMFR圖像，得到粗血管分割圖(coarse vessel segmentation,CVS)。然后，F(xiàn)VS和CVS通過(guò)邏輯或操作進(jìn)行融合，使得融合結(jié)果既包含細(xì)血管，也包含完整的粗血管。

ALT可以檢測(cè)得到細(xì)血管圖像，但是ALT分割的粗血管往往只包含其骨架，而遺漏了其外圍部分的像素。圖5(a)展示了ALT的檢測(cè)結(jié)果實(shí)例。為了提高ALT的檢測(cè)性能，本發(fā)明提出細(xì)血管和粗血管的融合方法。該方法首先應(yīng)用固定比例閾值算法(Fixed-ratio thresholding，F(xiàn)RT)對(duì)粗尺度匹配濾波圖像進(jìn)行分割，得到粗血管圖像，然后融合細(xì)血管圖像和粗血管圖像，得到最終的粗細(xì)血管融合結(jié)果。

固定比例閾值算法是一種簡(jiǎn)單的基于先驗(yàn)的二值化方法。直觀的，視網(wǎng)膜圖像具有明顯的結(jié)構(gòu)性，即它由線狀的血管和平坦的背景組成，而且血管部分的比例往往比較低。從統(tǒng)計(jì)角度分析，DRIVE中血管像素比例的平均值和方差分別為8.43％和1.38％，STARES中血管像素比例的平均值和方差分別為7.6％和3.15％。2個(gè)數(shù)據(jù)集DRIVE和STARES都只用平均值作為評(píng)價(jià)指標(biāo)，去掉方差，DRIVE的平均值12.7％，STARES的平均值10.4％。

需要提出的是，STARES中有一些病變的視網(wǎng)膜圖像，所以其血管比例的方差比較大。在粗尺度匹配濾波圖像中，粗血管像素的響應(yīng)值比細(xì)血管和背景像素的響應(yīng)值大。因此，F(xiàn)RT方法的閾值可以由以下公式計(jì)算：

其中r是輸入?yún)?shù)，表示預(yù)期的血管比例。Num是頻次計(jì)算函數(shù)，Total表示像素總數(shù)。在實(shí)現(xiàn)該算法時(shí)，先應(yīng)用桶排序算法對(duì)粗尺度匹配濾波圖像中像素進(jìn)行降序排序，然后搜索最優(yōu)的閾值Tr，最后根據(jù)Tr對(duì)粗尺度匹配濾波圖像進(jìn)行二值化。圖5(b)展示FRT的分割結(jié)果，可以觀察到該結(jié)果較完整的分割出粗血管，盡管它丟失了細(xì)血管的細(xì)節(jié)。

綜上，ALT善于分割細(xì)血管，F(xiàn)RT則可以分割出完整的粗血管。因此，融合兩個(gè)方法的結(jié)果可以預(yù)期比較完善的分割性能。簡(jiǎn)單的，本發(fā)明應(yīng)用邏輯或操作對(duì)于ALT和FRT的結(jié)果進(jìn)行融合。即兩幅圖像中對(duì)應(yīng)位置像素點(diǎn)的灰度值有一個(gè)為255，那么結(jié)果圖像中對(duì)應(yīng)位置像素點(diǎn)的灰度值即為255，只有當(dāng)兩幅圖像中對(duì)應(yīng)位置像素點(diǎn)的灰度值均為0，結(jié)果圖像中對(duì)應(yīng)位置像素點(diǎn)的灰度值才為0。

另外，為了消除背景噪聲和部分病變組織的干擾，去除面積小于10個(gè)像素點(diǎn)的區(qū)域。圖5(c)展示了最終的融合結(jié)果。

綜上所述，本發(fā)明實(shí)施例的方法通過(guò)ALT方法可以有效地從視網(wǎng)膜血管圖像中分割出細(xì)血管，通過(guò)FRT方法可以有效地從視網(wǎng)膜血管圖像中分割出完整的粗血管，融合ALT方法和FRT方法可以得到完整的視網(wǎng)膜血管分割結(jié)果，分割結(jié)果準(zhǔn)確率高。

目前國(guó)內(nèi)外大部分方法都只針對(duì)正常的、成像較好的視網(wǎng)膜圖像進(jìn)行血管提取，而對(duì)于低對(duì)比度或者發(fā)生病變的視網(wǎng)膜圖像，由于血管和背景區(qū)域像素灰度值大小較為接近，已有的傳統(tǒng)方法大部分無(wú)法將血管與背景正確地分割出來(lái)。而本發(fā)明利用大小尺度的高斯匹配濾波將血管分為粗細(xì)血管，分別進(jìn)行增強(qiáng)處理，效果明顯。對(duì)于細(xì)血管，利用了像素點(diǎn)的梯度大小和方向，基于區(qū)域增長(zhǎng)和矩形擴(kuò)展的方法，具有較好的局部自適應(yīng)性，可以快速地判定出前景區(qū)域。而對(duì)于粗血管，使用全局固定閾值，可以較好地保留主干部分。

本領(lǐng)域普通技術(shù)人員可以理解：附圖只是一個(gè)實(shí)施例的示意圖，附圖中的模塊或流程并不一定是實(shí)施本發(fā)明所必須的。

通過(guò)以上的實(shí)施方式的描述可知，本領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明可借助軟件加必需的通用硬件平臺(tái)的方式來(lái)實(shí)現(xiàn)。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品可以存儲(chǔ)在存儲(chǔ)介質(zhì)中，如ROM/RAM、磁碟、光盤(pán)等，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例或者實(shí)施例的某些部分所述的方法。

本說(shuō)明書(shū)中的各個(gè)實(shí)施例均采用遞進(jìn)的方式描述，各個(gè)實(shí)施例之間相同相似的部分互相參見(jiàn)即可，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處。尤其，對(duì)于裝置或系統(tǒng)實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述得比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法實(shí)施例的部分說(shuō)明即可。以上所描述的裝置及系統(tǒng)實(shí)施例僅僅是示意性的，其中所述作為分離部件說(shuō)明的單元可以是或者也可以不是物理上分開(kāi)的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上。可以根據(jù)實(shí)際的需要選擇其中的部分或者全部模塊來(lái)實(shí)現(xiàn)本實(shí)施例方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動(dòng)的情況下，即可以理解并實(shí)施。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。