基于灰度投票和高斯混合模型的眼底视网膜血管图像深度分割

摘要

作为唯一一个无创直接观察到的微血管系统，眼底视网膜血管结构包含大量全身疾病信息，可能为许多全身疾病的早期诊断提供依据。对于血管结构的分析，首先需要对眼底视网膜图像中的血管进行分割。对于视网膜血管的分割往往都是由医师根据经验手工分割而成，如果都采用医师手工分割的话需要耗费大量人力物力并且效率极低。如果使用计算机能够得到较好的眼底视网膜血管图像分割结果，将会节省大量的人力物力提高临床诊断的效率。
　　本文中首先简要介绍了人眼组织的解剖学结构和眼底视网膜图像的成像方式。然后分析了视网膜血管分割领域的国内外研究现状，并比较了多种分割方法的优缺点。然后，根据视网膜血管的特点，提出了一种基于窗操作的灰度投票算法用于眼底图像增强。该方法利用邻域像素的灰度信息来对中心像素进行投票，可以通过调整参数来控制增强图像中细小血管信息含量。接下来，使用二维Gabor滤波提取视网膜血管的主要结构，并将其与灰度投票结果进行增强，从而获得包含主血管和细小血管的图像。并使用高斯混合模型聚类器对增强后的图像进行聚类，并挑选出包含血管信息的图像类。为了挖掘更深层次的血管信息，对增强图像进行了二次投票算法处理。其主要作用的是提取细小血管信息块，因此使用了与第一次投票操作不同的参数。最后，使用二次投票处理的图像对高斯混合聚类的图像根据血管的形态特征进行补充和去噪。
　　在实验中，对DRIVE和STARE数据库都进行测试，并与其他方法进行了对比。详细分析了STARE数据库中的两套手工分割结果对于算法评价结果的影响。对于DRIVE数据库本文算法获得了0.9418的正确率和0.7359的敏感度。对于STARE数据库，当使用第一套专家手工分割结果作为血管分割标准时，本文算法获得了0.9364的正确率和0.7769的敏感度。当使用第二套手工分割结果作为血管分割标准时，本文算法获得了0.9214的正确率和0.6502的敏感度。本文算法的敏感度高于其他对比方法，对于小血管的检测效果较其他算法更好。

目录

声明

摘要

1 绪论

1．1 课题背景及研究意义

1．1．1 人眼解剖结构及主要功能

1．1．2 视网膜病变的危害

1．1．3 手工分割的缺点

1．1．4 视网膜图像的获取

1．2 国内外研究现状

1．2．1 灰度操作分割方法

1．2．2 分类器分割方法

1．2．3 神经网络分割方法

1．3 主要研究内容

1．4 章节安排

2 基于灰度投票与二维Gabor滤波的视网膜图像增强

2．1 灰度投票算法

2．2 二维Gabor滤波

2．3 预处理图像增强

3 基于高斯混合模型的视网膜血管分割

3．1 高斯混合模型血管分割

3．2 血管分割后处理

3．2．1 细小血管补充

3．2．2 噪声块去除

4 实验结果与算法评价

4．1 实验用数据库

4．2 实验结果与评价

5 总结与展望

参考文献

攻读学位期间主要的研究成果

致谢