基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置

摘要

本发明公开了一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置。首先运用MSR算法对图像亮度进行处理，改善眼底图像光照不均匀现象；其次运用多尺度高斯匹配滤波以增强目标血管与背景对比度；最后，运用粒子群优化OTSU多阈值对图像进行分割。在DRIVE数据集进行分割，其准确率、灵敏度、特异性分别为：95.72％、77.98％、97.29％。分割结果证明，该方法准确度较高，可以分割出更多细小血管。

说明书

技术领域

本发明涉及图像识别领域，尤其涉及一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法。

背景技术

视网膜血管图像分割是医疗图像研究中的一个重要课题，能够有效地辅助医生进行快速的心血管疾病、糖尿病等疾病的临床诊断和治疗。近年来，许多学者都在研究视网膜血管图像分割方面的研究内容并已经取得一定的成果。但是，由于视网膜图像的复杂性和图像采集过程中噪声和光照因素的影响，进行精确的视网膜血管图像分割仍然是一项具有挑战性的任务

在有监督分割方法方面，Staal等

在无监督传统分割方法方面，可以分为基于滤波器、基于聚类、基于跟踪、基于形态学、基于阈值的视网膜血管分割方法。Chaudhuri等

基于有监督的分割方法在训练时需要对应的血管图共同参与训练，通常需要从训练图像中选取较为关键的特征作为向量进行训练

发明内容

1、本发明的目的

为解决视网膜血管分割时容易出现细小血管丢失断裂，分割效果不佳，影响疾病的诊断等问题，而提出了一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法及装置。

2、本发明所采用的技术方案

本发明公开了一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法，具体为：

图像预处理，通过对原始图像进行多尺度MSR处理，调整图像亮度不均并减少噪声，提取灰度值分布均匀的绿色通道进行后处理；

图像对比度增强，通过大尺度高斯匹配滤波提取血管主要轮廓特征，小尺度提取血管细节特征，中尺度提取包括与背景对比度不强的轮廓特征与细节特征，将三个尺度下匹配滤波结果进行叠加，增强目标血管与背景对比度，获取多尺度下的血管特征；

图像多阈值分割，运用粒子群优化OTSU三阈值对图像预分割，运用OTSU单阈值将图像转化为二值图像；

图像后处理，最后运用图像后处理对图像操作包括断点连接、去噪、去除边缘轮廓。

更进一步，图像预处理，通过多尺度MSR处理，选取绿色通道图像后续处理：

多尺度MSR定义为：

其中S

更进一步，提取血管特征：

采用二维匹配滤波方法对视网膜血管进行提取，二维高斯滤波器内核表达式为：

K(x,y)＝-exp(-X

其中，L为假定血管具有固定方向的段的长度，由此设定高斯核的长度；σ为血管的尺度，由此设定高斯核的尺度；由于血管的多个生长方向，旋转高斯核使其与各个方向上血管的进行卷积，高斯核由0至180度每隔15度旋转一次，θ＝0°，15°，…，180°，共12个方向，保留各个像素响应最大值，旋转矩阵为：

更进一步，匹配滤波：

选择多尺度的匹配滤波器对血管图像的特征进行提取，选用大尺度对图像进行滤波时，提取粗血管，即当σ

更进一步，血管特征信息融合：

将大中小三个尺度进行匹配滤波结果叠加能有效增强目标血管与背景对比度，数学表达式如下：

I＝ω

w

其中I为叠加后图像，I

更进一步，采用Otsu算法进行图像分割：

设给定图像的像素用L个灰度级表示[1,2,...,L]；第i级的像素数用n

用t阈值将给定图像分为c

公式(10)表示的以下两个关系进行验证：

w

Otsu方法的目标函数定义为式(11)：

σ

当满足时σ

将OTSU单阈值扩展到多阈值，类间方差最大值为，

满足式(12)时，取得最佳阈值组合(t1，t2，...tm)。

更进一步，粒子群优化算法：

每个粒子相当于解空间中的一个待定解，粒子群的规模设为M；每个粒子i都有两个基本特征:当前的位置X

V

x

其中v

更进一步，粒子群优化OTSU图像分割：

由于经匹配滤波后的视网膜血管图像，含有背景，目标血管，噪声，运用一维OTSU单阈值，将其分为背景与目标两类，分割效果不佳；本发明采取多阈值对图像进行预分割，将图像分为多组目标与背景，但这需要在全灰度范围内搜索一个最佳门限组合，耗时较多，实际应用困难，为简化计算，提高运行速度，采用粒子群优化算法来搜索最佳阈值组合，式(12)便是粒子群优化算法的适应度函数；

经多次实验发现，当分割阈值数为3时，能达到较好的预分割效果；粒子群优化OTSU图像分割算法具体步骤如下：

Step1：初始化迭代次数M，种群规模N，维度D；

Step2：初始化粒子的速度和位置，以及个体极值pBesti和全局极值gBest；Step3：将式(12)作为粒子的适应度函数，计算每个粒子的适应度值，以此更新个体极值pBesti和全局极值gBest；

Step4：根据式(13)、(14)来更新粒子的速度和位置；

Step5：判断是否满足迭代停止条件，是则算法结束；否则转到Step3，继续进行迭代循环，最终找到最优解。

本发明公开了一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法的分割装置，包括存储器和处理器，存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的方法步骤。

本发明公开了一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时实现所述的方法步骤。

3、本发明所采用的有益效果

本发明运用MSR算法对原始视网膜图像进行亮度调节去除光照不均的影响，运用多尺度匹配滤波以增强目标血管与背景对比度，最后经粒子群优化OTSU多阈值对视网膜血管分割。对DRIVE数据集中的20幅测试集图像进行分割及评估，评估所获得的平均准确率为95.72％，平均灵敏度为77.98％，平均特异性为97.58％，保证特异性同时，准确率、灵敏度较高，本发明整体分割性能良好。

附图说明

图1为血管分割流程图；

图2为预处理结果图，(a)原始彩色图像、(b)MSR亮度调节、(c)绿色通道图像；

图3为视网膜血管信息提取图；(a)σ

图4为多尺度与单尺度血管提取细节对比图；

图5为单阈值与多阈值分割结果对比图；

图6为分割结果与金标准对比图。

具体实施方式

下面结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

下面将结合附图对本发明实例作进一步地详细描述。

实施例1

基于多尺度匹配滤波与粒子群优化视网膜分割方法主要分为四个阶段：图像预处理、图像对比度增强、图像多阈值分割、图像后处理。首先，通过对原始图像进行多尺度Retinex(MSR)处理，调整图像亮度不均并减少噪声，提取灰度值分布均匀的绿色通道便于后处理；其次，通过大尺度高斯匹配滤波提取血管主要轮廓特征，小尺度提取血管细节特征，中尺度提取包括与背景对比度不强的轮廓特征与细节特征，将三个尺度下匹配滤波结果进行叠加，增强目标血管与背景对比度，获取多尺度下的血管特征；然后运用粒子群优化OTSU三阈值对图像预分割，运用OTSU单阈值将图像转化为二值图像；最后运用图像后处理对图像进行断点连接、去噪、去除边缘轮廓等操作。

本发明实验是在Windows 10系统，2.30GHz处理器，3.8GB运行内存，Matlab2016a编程环境下进行。使用DRIVE

图像预处理

针对视网膜图像采集时受光照影响，图像亮度不均衡，使得目标血管与背景对比度低，对后期分割不利，本发明采用Jobson DJ，Rahman Z，Woodell GA等人

多尺度Retinex(MSR)定义为：

其中S

通过图像红绿蓝三通道提取实验，发现绿色通道图像亮度均衡，目标血管与背景对比度高，灰度分布较均匀，红色通道目标与背景对比度低，蓝色通道噪声较大，故选取绿色通道图像以便后续处理。原始图像预处理结果如图2所示。

血管特征提取

本文采用Chaudhuri等

K(x,y)＝-exp(-X

其中，L为假定血管具有固定方向的段的长度，由此设定高斯核的长度；σ为血管的尺度，由此设定高斯核的尺度；由于血管的多个生长方向，应旋转高斯核使其与各个方向上血管的进行卷积，高斯核由0至180度每隔15度旋转一次(θ＝0°，15°，…，180°)共12个方向，保留各个像素响应最大值，旋转矩阵为：

匹配滤波

由于视网膜血管生长方向不一，血管粗细长短不一，单一尺度下难以准确提取血管特征信息，为此，本文选择多尺度的匹配滤波器对血管图像的特征进行提取。选用大尺度对图像进行滤波时，主要提取的是粗血管，细小血管与背景融为一体，难以提取，经多次试验得到，当σ

血管特征信息融合

将大中小三个尺度进行匹配滤波结果叠加能有效增强目标血管与背景对比度，数学表达式如下：

I＝ω

w

其中I为叠加后图像，I

图4将多尺度与单尺度血管提取的结果进行了对比，其中，第一行分别为单尺度σ

图像分割

Otsu算法最早提出于1979年，它通过使被分割的类的类方差最大来选择最优阈值。设给定图像的像素用L个灰度级表示[1,2,...,L]。第i级的像素数用n

用t阈值将给定图像分为c

公式(10)表示的以下两个关系可以很容易验证：

w

Otsu方法的目标函数可以定义为式(11)：

σ

当满足时σ

将OTSU单阈值扩展到多阈值，类间方差最大值为，

满足式(12)时，取得最佳阈值组合(t

粒子群优化算法

在粒子群优化算法中，每个粒子相当于解空间中的一个待定解，粒子群的规模设为M。每个粒子i都有两个基本特征:当前的位置X

V

x

其中v

粒子群优化OTSU图像分割

由于经匹配滤波后的视网膜血管图像，含有背景，目标血管，噪声，运用一维OTSU单阈值，将其分为背景与目标两类，分割效果不佳。本发明采取多阈值对图像进行预分割，将图像分为多组目标与背景，但这需要在全灰度范围内搜索一个最佳门限组合，耗时较多，实际应用困难，为简化计算，提高运行速度，采用粒子群优化算法来搜索最佳阈值组合，式(12)便是粒子群优化算法的适应度函数。

经多次实验发现，当分割阈值数为3时，能达到较好的预分割效果。粒子群优化OTSU图像分割算法具体步骤如下：

Step1：初始化迭代次数M，种群规模N，维度D；

Step2：初始化粒子的速度和位置，以及个体极值pBest

Step3：将式(12)作为粒子的适应度函数，计算每个粒子的适应度值，以此更新个体极值pBest

Step4：根据式(13)、(14)来更新粒子的速度和位置；

Step5：判断是否满足迭代停止条件，是则算法结束；否则转到Step3，继续进行迭代循环，最终找到最优解。

多尺度匹配滤波融合后的视网膜血管图像含有背景，目标血管，噪声，运用一维OTSU单阈值，将其分为背景与目标两类，分割效果不佳。本文采取多阈值对图像进行预分割，将图像分为多组目标与背景，但这需要在全灰度范围内搜索一个最佳阈值组合，耗时较多。为简化计算，提高运行速度，本文采用粒子群优化算法来搜索最佳阈值组合，式(12)便是粒子群优化算法的适应度函数。实验发现，分割阈值数为3时，能达到较好的预分割效果。多阈值与单阈值分割结果见图5。图5是在Drive数据集的测试集中随机选取的一张图片，在多尺度匹配框架下运用粒子群优化OTSU的单阈值与三阈值分割结果对比。其中图5.(a)是多尺度匹配滤波结果图，图5.(b)与图5.(c)分别为粒子群优化OTSU单阈值与三阈值分割结果图；图5.(d-f)分别为粒子群优化OTSU单阈值与三阈值分割细节放大图。在多尺度匹配滤波框架下，如图5.(e)所示，单阈值分割较多细小血管丢失，主血管存在断裂现象与如图5.(f)所示，相较于单阈值分割，三阈值分割可以分割出更多细小血管，且血管具有较好的连通性。

分割评价指标

视网膜图像血管分割就是将图像中的每个像素分为血管像素和非血管像素。像素点的统计有4种情况:真阳性(TP)表示正确分割为血管的点数；假阳性(FP)表示被错误分割的血管点数；真阴性(TN)表示正确分割为背景的点数；假阴性(FN)表示被错误分割的背景点数.可以通过像素点分类结果计算出准确率(Acc)、灵敏度(Sn)、特异度(Sp)，准确率表示分割正确的像素点数占整体像素点数的比率，灵敏度表示分割正确的血管点数占像素点数的比率，特异度表示分割正确的背景点数占像素点数的比率

分割结果与分析

为了保证分割结果以及评估指标计算的准确性，需要用一维OTSU单阈值对上节所获取的视网膜血管图像进行再分割，以去除非黑白的灰度值，将图像转换为二值图像。二值化的图像含有大量噪声，部分血管存在断裂现象，有误分割的眼底照相机的视场边缘存在。针对这些问题对图像进行后处理，首先采用中值滤波对图像进行初步去噪，同时可连接断裂血管，其次运用形态学处理使连通域面积小于一定值，此时可以去除大块噪声。最后提取图像掩膜，求取原始多尺度匹配滤波图像与掩膜的差值图像，将差值图像二值化，再对二值图进行膨胀，用分割后的视网膜血管图与膨胀边缘图相减，最终去除轮廓边缘。

本文利用Drive数据集对所提出算法进行测试，并将分割结果与第二专家的金标准图像、Chaudhuri

分割性能

本发明分割金标准采用Drive数据集第二专家的手动分割结果，采用3个衡量指标来评价分割算法性能，并与文献[4][6][8][19]性能指标作比较，如表1所示：

表1 Drive数据库不同方法性能指标比较

表1中文献[19]提出的方法特异性最高，略高于本文算法的1.68％，但是本文算法的准确率与特异性分别比文献[19]高了1.90％与2.11％；相较于其他几种方法，本文所提出的方法获得的灵敏度(Sn)最高，较其它方法中最高的灵敏度也高出5.48％；相较于其他几种方法，本文提出的方法算法所得准确率(Acc)也最高，较其它方法中最高的准确率也高出0.52％。性能结果表明，本文分割方法在保证特异性同时，准确率、灵敏度均优于其它方法，所以发明整体分割性能较好。

为解决视网膜血管分割时容易出现细小血管丢失断裂，分割效果不佳，影响疾病的诊断等问题，本发明运用MSR算法对原始视网膜图像进行亮度调节去除光照不均的影响，运用多尺度匹配滤波以增强目标血管与背景对比度，最后经粒子群优化OTSU多阈值对视网膜血管分割。对DRIVE数据集中的20幅测试集图像进行分割及评估，评估所获得的平均准确率为95.72％，平均灵敏度为77.98％，平均特异性为97.58％，保证特异性同时，准确率、灵敏度较高，本方法整体分割性能良好。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。