| 标题 | 彩色眼底视网膜的非线性映射分块血管提取 |
| 范文 | 高强 周子杰 于晓 李大华 张问银 摘 要：为了通过分析视网膜血管实现心血管疾病的预测，针对眼底视网膜血管的分割精度不高问题，提出一种彩色眼底视网膜的非线性映射分块血管提取方法。算法主要以局部血管特征非线性映射的图像增强为核心，通过局部交错窗口映射扩大血管灰度值范围并保留微小血管的细节信息。然后将增强的图像进行网格分块，对子图像实现自适应阈值分割。实验结果表明：该算法能够较完整的提取主血管，并且对微小血管的细节保留较好。 关键词：眼底视网膜；非线性映射；图像分割 1 绪论 眼底视网膜血管作为人体微循环系统的重要组成部分，是唯一可以通过非入侵方式观测微小血管的部位。很多全身疾病是通过观察眼底视网膜血管的改变来判断疾病的严重程度。[1]例如高血压患者的眼底图像表现为：初期眼底动脉变窄、动静脉比例缩小，逐渐出现动静脉交叉处的交叉症，后期可引起广泛微血管改变等。所以分析视网膜血管管径及弯曲度等特征，能够实现对心血管疾病的预测。视网膜血管网络的研究对心血管疾病的诊断及治疗具有重要意义。 为实现眼底视网膜客观定量分析，快速、准确的眼底彩色图像分割一直是研究的课题。2015年，王晓红等人[2]采用不同尺度的2D Gabor小波对视网膜图像进行变换，通过对DRIVE和STARE数据库视网膜图像的分割实验，证明了该算法的有效性。2016年，Subudhi A等人[3]提出一种利用高斯一阶导数的匹配滤波器进行视网膜血管提取的方法。2017年，黄文博等[4]提出一种有效检测及识别彩色视网膜眼底图像血管的全自动方法，采取适用于条状结构的组合移位滤波响应模型对视网膜图像进行特征提取。2018年，Yue K等人[5]关于微小浅血管由于对比度低分割困难问题，提出一种改进的多尺度线检测器实现视网膜血管的准确分割。 上述方法的提出对推动眼底彩色图像的分割及应用有促进作用，但其效果还存在不足，如当血管管径急剧变化时分割效果差，并且图像拍摄过程较容易产生干扰，影响图像效果，导致算法误检率上升。因此，本文提出一种彩色眼底视网膜的非线性映射分块血管提取方法。实验表明，交错非线性映射局部特征，扩大血管图像灰度范围能够加强血管与背景对比度，有效提取视网膜血管。 2 彩色眼底视网膜的非线性映射分块血管提取 2.1 预处理 本文处理的彩色眼底视网膜图像为RGB图像，由于彩色图像中图像血管与背景对比度较低，我们对三个颜色通道下血管的图像特征进行分析，如图1所示。红色通道中央光照对整体影响较大，靠近中央光照的血管与背景对比度较大。蓝色通道图像整体偏暗，背景与血管的对比度较低，不利于分割和血管提取。绿色通道图像相对而言，其中央光照对图像整体影响较小，并且内部血管与背景对比度强，血管轮廓信息丰富。因此预处理选择绿色通道图像进行降噪处理。 2.2 血管特征的交错非线性映射 由于眼底视网膜图像中血管与背景对比度较低，图像增强是血管分割中必不可少的一部分。眼底图像边缘血管与背景对比度普遍较低并且整体血管灰度值跨度较大，采用对比度均衡的图像增强方法，无法有效区分全局血管与背景，因此我们采用局部灰度特征非线性映射处理图像。 灰度特征非线性映射其本质是将图像区间内的灰度值映射到另一个区间内，从而扩大或缩小其范围。将局部范围内的灰度特征进行非线性映射扩大灰度范围提高其对比度是本算法的核心。局部非线性映射的方法是将图像分为若干网格，依次对网格区域内的图像进行对比度处理。但是若网格划分不合理，相邻网格内部出现较大的对比度差异，则容易使最终图像的相邻网格间差异显著，影响后续血管的分割。因此提出一种交错灰度特征非线性映射方法，示意图如图2所示。 通过窗口检测的区域一般灰度值分布相对集中，其在灰度直方图的表现为小范围灰度区间内存在多数像素点，这种密集分布对血管与背景准确划分的要求较高，微小的偏差会增加后续分割的难度，因此灰度非线性映射具有重要的意义。本文假设检测窗口是长宽为W的矩形，N表示窗口内像素点的数量，由灰度直方图获取最小灰度值Imin和最大灰度值Imax，由于血管的灰度值普遍较小，为增加对背景的削弱作用，定义一个阈值Imid=Imax-（Imax-Imin）/α，α为比例系数。灰度非线性映射方法可表示为R（i，j）=（I（i，j）-Imin）/（Imid-Imin），R（i，j）表示经非线性映射后的像素点灰度，I（i，j）表示原像素灰度值。 在图像非线性映射过程中，设置窗口移动距离为W/2时会出现窗口交错状态，不同窗口内由于灰度分布不相同，灰度非线性映射后，交错的同一个位置存在差异。为了防止不同交错窗口之间特征过于显著，对映射后的图像添加余弦窗处理，弱化重叠的边缘灰度特征，使得不同窗口的边缘能够拥有较好的过渡。 2.3 子图像阈值分割 视网膜血管图像中，局部范围内大部分血管与背景的图像特征都比较均匀，能够利用一个阈值将其准确分割。但是还是存在一部分差异显著的区域，例如子图像位于视网膜边缘时，背景灰度特征会影响子图像的整体特征，造成自适应阈值的选择出现偏差。 因此在进行阈值分割前，我们将灰度非线性映射后的图像划分为同样尺寸的若干子图像，对于每一块子图像，首先判断是否位于图像边缘，即检测图像中是否包含多数低灰度值的像素点。然后再对子图像进行自适应阈值分割。 3 实验结果及评价 彩色眼底视网膜的非线性映射分块血管提取的具体步骤为： （1）输入彩色视网膜图像，提取绿色通道分量图像并进行降噪处理。 （2）设置移动窗口检测血管图像进行灰度特征交错非线性映射，得到映射后的血管增强图像P。 （3）将图像P划分為若干尺寸相等的子图像，对每个子图像进行自适应阈值分割获得提取的血管图像。 为验证本文算法的有效性，选取重度非增殖性糖尿病视网膜病变图像作为实验图像，利用传统分割算法对眼底视网膜血管图像进行实验。图3是为比对算法的分割效果。实验表明，一般经典的算法针对视网膜血管这类灰度值范围大，特征分布不均匀的图像，分割效果普遍不理想，而本文提出的算法结合局部灰度特征非线性映射的图像增强方法，能够实现对大部分主血管及微小血管的提取。 4 结论 本文针对彩色视网膜图像边缘对比度低，血管灰度值跨度大等问题，提出一种彩色眼底视网膜的非线性映射分块血管提取方法。通过灰度特征交错非线性映射方法增强血管图像，然后将增强图像网格化，对各子图像进行自适应阈值分割实现血管提取。实验结果验证了本算法针对彩色视网膜图像能够拥有较为准确的分割效果。另一方面，算法依旧存在不足之处，算法对噪点和非血管的特殊背景区域处理效果较差，部分噪点与血管相互连通，不利于后续管径及弯曲度的分析。 参考文献： [1]Aguirre-Ramos H，Avina-Cervantes JG，et al.Blood vessel segmentation in retinal fundus images using Gabor filters，fractional derivatives，and Expectation Maximization[J].Applied Mathematics & Computation，2018，339（1）：568-587. [2]王晓红，赵于前，廖苗，等.基于多尺度2DGabor小波的视网膜血管自动分割[J].自动化学报，2015，4105：970-980. [3]Subudhi A，Pattnaik S，Sabut S.Blood vessel extraction of diabetic retinopathy using optimized enhanced images and matched filter[J].J Med Imaging，2016，3（4）：044003. [4]黄文博，王珂，燕杨.彩色视网膜眼底图像血管自动检测方法[J].光学精密工程，2017，25（05）：1378-1386. [5]Yue K，Zou B，Chen Z，et al.Improved multi-scale line detection method for retinal blood vessel segmentation[J].Iet Image Processing，2018. 作者简介：第一作者高強（1968-），男，硕士，教授，研究方向为智能控制、复杂系统的故障诊断、半实物仿真等。 通讯作者：于晓，讲师，主要研究方向为机器视觉与人工智能。 |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。