CN103870838A - 糖尿病视网膜病变的眼底图像特征提取方法 - Google Patents

Abstract

本发明公开了一种糖尿病视网膜病变的眼底图像特征提取方法，包括利用数字式免散瞳眼底照相机拍摄的眼底图像，并采取以下步骤：（1）眼底图像RGB通道选择；（2）眼底图像视盘定位；（3）对眼底图像进行硬性渗出特征及棉絮斑特征提取，若发现至少一种特征，即生成提取后的眼底图像，若未发现特征，则进行微动脉瘤特征和视网膜内出血特征提取，再生成提取后的眼底图像；本发明属于非侵入式技术，简易、快捷、有效，经处理后的图像病征清楚、明显，方便医生诊断。

Description

糖尿病视网膜病变的眼底图像特征提取方法

技术领域

本发明涉及数字图像处理领域，特别是一种糖尿病视网膜病变的眼底图像特征提取方法。 

背景技术

糖尿病视网膜病变(DiabeticRetinopathy，以下简称DR)是糖尿病患者发病率最高的并发症，对视力影响也最大，是目前20-65岁成人出现新型失明的主要原因。临床上以是否出现视网膜新生血管为分界，将DR分为非增殖性糖尿病视网膜病变(nonproliferativediabetic retinopathy，NPDR)(或称单纯型或背景型)和增殖性糖尿病视网膜病变(proliferativediabetic retinopathy，PDR)，其中在非增殖期，患者视网膜会出现微动脉瘤(Microaneurysms，以下简称MAs)、视网膜内出血(Haemorrhages，以下简称Hs)以及毛细血管渗漏引发的硬性渗出(Hard exudates，以下简称EXs)，增殖前期会出现棉絮斑(CottonWoolSpots，以下简称CWs)。 

目前诊断DR主要是依靠人工查阅眼底照片，通过眼底照相机获取的眼底图像，这种方法简单易行，图像易得、直观、易于保存和记录，且与眼底荧光造影诊断结果具有显著一致性和较高的灵敏度、特异性等优点，但该方法基本依靠眼科医生对眼底图像的肉眼观察，这种人工阅片方法存在依赖个体经验的局限性，并且眼底图像往往具有光照不均匀、血管对比度低等缺点，影响医生的准确判断，因此，如何有针对性的对糖尿病患者眼底图像的进行处理，使Mas、Hs、EXs、CWs的特征更加清楚，是本领域一直亟待解决的问题。 

发明内容

针对现阶段眼底图像存在光照不均匀、血管对比度低的缺点，利用数字免散瞳眼底照相技术与图像处理以及模式识别技术相结合，提供一种糖尿病视网膜病变眼底图像处理方法，使眼底图像特征更加明显，方便医生更加准确的判断眼底病变的特征。本发明是这样实现的： 

一种糖尿病视网膜病变的眼底图像特征提取方法，包括利用数字式免散瞳眼底照相机拍摄的眼底图像，其特征在于，采取以下步骤： 

（1）眼底图像RGB通道选择； 

（2）眼底图像视盘定位； 

（3）对眼底图像进行硬性渗出特征及棉絮斑特征提取，若发现至少一种特征，即生成提取后的眼底图像，若未发现特征，则进行微动脉瘤特征和视网膜内出血特征提取，再生成提取后的眼底图像。 

优选的，本发明中，所述步骤1眼底图像RGB通道选择是指，视盘定位选用R通道，血管分割、硬性渗出特征提取、棉絮斑特征提取、微动脉瘤特征提取和视网膜内出血特征提取选用G通道。 

优选的，本发明中，所述步骤2眼底图像视盘定位包括： 

（a）基于Otsu阈值分割获取视盘候选区域； 

（b）利用眼底图像的HSV空间的H通道提取视网膜主血管并确定主血管方向，获得方向图；后在方向图内寻找出对加权匹配滤波器响应值最高的点，将该点所在位置作为视盘中心位置；最后，利用所述中心位置从步骤a中获取的视盘候选区域中确定视盘。 

优选的，本发明中，所述步骤3中，硬性渗出特征及棉絮斑特征提取方法为，先由眼底图像获取白色图像特征候选区域，再通过两层级联的SVM分类结构实现硬性渗出特征及棉絮斑特征分离，其中一级SVM分类结构特征为区域边缘强度和区域内外颜色差异： 

(a)区域边缘强度： 

$\mathrm{ES}=\sqrt{{\left(\frac{\∂f}{\∂x}\right)}^2+{\left(\frac{\∂f}{\∂y}\right)}^2}---\left(1\right)$

(b)区域内外颜色差异： 

$\mathrm{CD}=\frac{u_{\mathrm{inside}}}{u_{\mathrm{surrounding}}}---\left(2\right)$

其中，u表示Luv彩色空间的u通道。 

二级SVM分类结构特征为：(a)区域面积A；（b）区域内u通道均值μ_u；(c)区域内v通道均值μ_v。 

优选的，本发明中，获取白色图像特征候选区域是通过IFFCM法获得的。 

优选的，本发明中，所述步骤3中，微动脉瘤特征提取包括： 

（a）血管特征去除，对眼底图像G通道f_g进行灰度形态学闭运算： 

f_g1＝φ^(sB)(f_g)           (3) 

其中φ表示灰度形态学闭运算，sB表示大小为s的形态结构元素； 

然后，利用灰度形态学腐蚀重建来填充f_g中存在的孔洞： 

$f_{g2}=R_{f_g}^{*}\left(f_m\right)---\left(4\right)$

其中，

R^*表示灰度形态学腐蚀重建，f_m为重建运算中的marker，f_g为mask； 

最后，对f_g1与f_g2的差值进行Otsu阈值分割即得血管特征，即： 

f_g3＝T_Otsu(f_g1-f_g2)       (5) 

并利用二值形态学开运算将f_g3中小于等于微动脉瘤尺寸的区域去除； 

（b）微动脉瘤特征提取 

首先，对f_g进行EMIN变换，即： 

f_g4＝EMIN(f_g,t)        (6) 

f_g4为二值图像，t为设定的阈值0.05； 

然后，从f_g4中去除硬性渗出特征和血管特征，即： 

其中，∧表示逐点求取最小值，表示取反，f_EXs为硬性渗出特征，f_vessel为血管特征； 

最后，利用MAs的尺寸信息结合二值形态学开运算获取f_g5中的微动脉瘤特征。 

优选的，本发明中，所述步骤3中，视网膜内出血的特征提取方法为采用基于多模板匹配的局部自适应区域生长法，具体为： 

（a）对图像进行亮度校正以消除图像灰度不均匀，利用HSV空间的V通道V(i,j)计算亮度校正值，该值定义为： 

$B_c(i,j)=\sqrt{1-{(V(i,j)-1)}^2}---\left(8\right)$

然后利用对比度受限自适应直方图均衡方法增强眼底图像对比度； 

（b）利用模板，如图1所示，识别未知的目标图像,获得候选区域；采用归一化互相关函数作为相似性测度，定义为： 

$\mathrm{NCC}(i,j)=\frac{\underset{x=1}{\overset{X}{\mathrm{\Σ}}}\underset{y=1}{\overset{Y}{\mathrm{\Σ}}}{S}^{i,j}(x,y)T(x,y)}{\sqrt{\underset{x=1}{\overset{X}{\mathrm{\Σ}}}\underset{y=1}{\overset{Y}{\mathrm{\Σ}}}{\left[S^{i,j}(x,y)\right]}^2}\sqrt{\underset{x=1}{\overset{X}{\mathrm{\Σ}}}\underset{y=1}{\overset{Y}{\mathrm{\Σ}}}{\left[T(x,y)\right]}^2}}---\left(9\right)$

其中，r表示圆的半径，a表示圆到***矩形的距离；T表示模板，S^i,j表示模板覆盖下的搜索子图； 

将平均灰度引入上式，则： 

$\mathrm{NCC}(i,j)=\frac{\underset{x=1}{\overset{X}{\mathrm{\Σ}}}\underset{y=1}{\overset{Y}{\mathrm{\Σ}}}(S^{i,j}(x,y)-\stackrel{\‾}{S^{i,j}})(T(x,y)-\stackrel{\‾}{T})}{\sqrt{\underset{x=1}{\overset{X}{\mathrm{\Σ}}}\underset{y=1}{\overset{Y}{\mathrm{\Σ}}}{(S^{i,j}(x,y)-\stackrel{\‾}{S^{i,j}})}^2}\sqrt{\underset{x=1}{\overset{X}{\mathrm{\Σ}}}\underset{y=1}{\overset{Y}{\mathrm{\Σ}}}{(T(x,y)-\stackrel{\‾}{T})}^2}}---\left(10\right)$

分别表示搜索子图以及模板的平均灰度； 

（c）将候选区域的形心定义为种子点p；其次，计算种子点与其周围领域像素p_i之间的距离d、灰度差t；然后，根据距离d选择相应的判断阈值TR： 

$\mathrm{TR}=\left\{\begin{array}{cc}\frac{|{\mathrm{KM}}_{M\&times;M}-{\mathrm{KM}}_{N\&times;N}|}{2},& 0<d\&le;D\\ \frac{|{\mathrm{KM}}_{M\&times;M}-{\mathrm{KM}}_{N\&times;N}|}{2}-d/t,& d>D\end{array}\right.---\left(11\right)$

若t小于等于相应的阈值则将该像素归并到种子点所在区域；其中KM_M×M，KM_N×N分别表示像素p_i以及种子点p所在区域的灰度均值，D表示距离临界值，当p_i与p间的距离大于D时，每隔t个像素判断阈值TR降低1，即实现视网膜内出血的特征的提取。 

本发明的有益效果是，仅需要一台数字免散瞳眼底照相机就可通过采集的免散瞳眼底图像，即可以依据硬性渗出特征、或棉絮斑特征、或微动脉瘤特征、或视网膜内出血特征对眼底图像提取特征，进行图片处理，该方法属于一种非侵入式技术，具有简易、快捷、有效等优点，经处理后的图像病征清楚、明显，方便医生诊断。 

附图说明

图1为视网膜内出血（Hs）特征提取所涉及的模板以及模板匹配过程； 

图2为本发明特征提取流程图； 

图3a为眼底图像； 

图3b为视盘定位结果； 

图3c为IFFCM聚类结果； 

图3d为MAs提取结果； 

图3e为NCC模板匹配结果； 

图3f为提取后眼底图像。 

具体实施方式

下面结合具体实施例对本发明做具体说明，应当指出的是，实施例应理解为，用于解释本发明内容而非限制本发明的范围。 

实施例1 

本实施例所使用的眼底图像是通过免散瞳眼底照相机TopconNW100拍摄，如图3a所示。（1）RGB通道选择 

眼底各生理结构所含色素具有不同的吸收特性，以及不同波长单色光在眼底的穿透性能也不同，根据DR不同病灶的特征，将其分为红色图像特征(MAs、Hs)与白色图像特征(EXs、CWs)，针对不同的检测目标，根据其光谱特征分析结果选取合适的彩色空间表示形式或是子通道。 

视盘在628nm红光下，可见度最高。在该波长光照下视盘边缘清晰，从视盘出来的血管可见度很差，神经纤维几乎消失，视盘呈现为一个均匀的反射亮斑，因此，对于视盘的分割选用R通道。而视网膜动、静脉大血管对比度在478-589nm波长范围内均较高，尤以在570nm绿光下，全视野血管可见度最好，血管边缘清晰锐利，轴反光明显位于血柱的暗背景中间，因此，对于血管的分割选用G通道。对于MAs以及Hs而言，由于其与血管具有相似的颜色，具有相近的光谱特征，因此，其特征提取也采用G通道。EXs、CWs在G通道中对比度最高，因此也采用G通道。 

（2）眼底图像视盘定位 

视盘与EXs在颜色与亮度方面具有较强的相似性。鉴于此，依据视网膜主血管的方向及其收敛于视盘这一特性，本发明利用主血管收敛点的位置对基于大津法（Otsu）阈值分割获取的视盘候选区域进行判定，从而实现视盘准确获取的方法。 

（a）基于Otsu阈值法的视盘候选区域获取 

通过该方法获取包括视盘在内的表现为高亮度的区域，即视盘的候选区域； 

（b）依据主血管方向定位视盘 

依据视盘为血管收敛点这一特性，利用彩色眼底图像的HSV空间的H通道提取视网膜主血管并确定主血管方向，获得方向图；然后，在方向图内寻找出对加权匹配滤波器响应值最高的点，该点所在位置即作为视盘中心位置；最后，利用该位置中心信息从步骤a中的视盘候选区域中“挑选”出真正的视盘，如图3b所示。 

（3）毛细血管渗漏引发的硬性渗出（EXs）、棉絮斑（CWs）的特征处理 

FCM（FuzzyC-Means）算法适用于图像中存在不确定性和模糊性的场合，这一特点对CWs检测尤为有效，但在实际应用中该算法还存在一些缺陷，因此选用一种改进的快速FCM（IFFCM）（见沈建新,高玮玮.中国发明专利,“一种模糊聚类图像分割方法”.申请号201310072342.X,公开号2013030700631260.）来分割彩色眼底图像获取糖网白色图像特征候选区域，如图3c所示；在所获得的糖网白色图像特征候选区域中，除了EXs、CWs外还有一些亮白色背景区域。对于该三分类问题，采用两层级联分类(均选用径向基核函数)的SVM结构，即先利用SVM将候选区域中的糖网白色图像特征分离出来；再利用SVM将白色图像特征中的EXs，CWs区分开来。对于白色图像特征的区分，所用特征为区域边缘强度和区域 内外颜色差异。 

(a)区域边缘强度： 

$\mathrm{ES}=\sqrt{{\left(\frac{\&PartialD;f}{\&PartialD;x}\right)}^2+{\left(\frac{\&PartialD;f}{\&PartialD;y}\right)}^2}---\left(1\right)$

(b)区域内外颜色差异： 

$\mathrm{CD}=\frac{u_{\mathrm{inside}}}{u_{\mathrm{surrounding}}}---\left(2\right)$

式中，u表示Luv彩色空间的u通道。 

对于EXs与CWs的分类，选用的特征是：(1)区域面积A；(2)区域内u通道均值μ_u；(3)区域内v通道均值μ_v。 

（4）微动脉瘤（MAs）的特征处理 

MAs以直径小于125μm的红或暗红色孤立圆点存在于视网膜上，在眼底图像G通道中表现为区域内部具有连续灰度值但其外部边缘像素值严格更高的孤立区域，因此，可利用EMIN变换将其从眼底图像G通道中特这提取出来；但EXs以及血管中也存在满足此特征的区域，故还需将这二者从EMIN变换后的结果中去除；最后在得到的MAs候选区域中利用MAs的尺寸信息获取真正的MAs。因此，对眼底图像中MAs的特征提取主要包括血管特征提取和根据尺寸信息实现MAs的特征提取。具体算法描述如下： 

(a)血管特征提取。 

由于光照不均等因素，眼底图像中的血管上会出现孔洞、血管片断等，此类区域亦满足EMIN变换所能检测区域的特性，因此，血管也是必须去除的假阳。对于血管的特征提取，通过对两幅图像的差值进行Otsu阈值分割实现，即： 

首先，对眼底图像G通道f_g进行灰度形态学闭运算以消除血管以及相关细节信息，该形态学操作所用结构元素尺寸要大于图像中血管最大宽度，即： 

f_g1＝φ^(sB)(f_g)         (3) 

其中φ表示灰度形态学闭运算，sB表示大小为s的形态结构元素。 

然后，利用灰度形态学腐蚀重建来填充f_g中存在的孔洞，例如红或暗红色小圆点，以及血管上的小孔洞，即： 

$f_{g2}=R_{f_g}^{*}\left(f_m\right)---\left(4\right)$

其中，

R^*表示灰度形态学腐蚀重建，f_m为重建运算中的marker，f_g为mask。 

最后，对f_g1与f_g2的差值进行Otsu阈值分割即得血管候选区域，即： 

f_g3＝T_Otsu(f_g1-f_g2)         (5) 

并利用二值形态学开运算将f_g3中小于等于MAs尺寸的区域去除。 

(b)Mas特征提取。具体描述如下： 

首先，对f_g进行EMIN变换，即： 

f_g4＝EMIN(f_g,t)            (6) 

f_g4为二值图像，t为设定阈值0.05； 

然后，从f_g4中去除EXs特征和血管特征，即： 

其中，∧表示逐点求取最小值，表示取反，f_EXs为EXs检测结果，f_vessel为血管分割结果。 

最后，利用MAs的尺寸信息结合二值形态学开运算获取f_g5中的Mas的特征信息，从而实现Mas的特征提取，如图3d所示； 

（5）视网膜内出血（Hs）的特征提取方法 

首先，对图像进行亮度校正以消除图像灰度不均匀。为此，利用HSV空间的V通道V(i,j)计算亮度校正值，利用该校正值对眼底图像进行亮度校正，该值定义为： 

$B_c(i,j)=\sqrt{1-{(V(i,j)-1)}^2}---\left(8\right)$

然后利用对比度受限自适应直方图均衡方法(CLAHE)增强眼底图像对比度。由于Hs与血管具有类似的光谱特征，因此，一些原本在彩色眼底图像中未显现的Hs会在预处理后的G通道中显现出来。 

模板匹配是用已知的模板去识别未知的目标图像，最终实现对未知图像的理解。对于眼底图像中的Hs，所设计的模板以及模板匹配过程见图1。模板T(r,a)(r表示圆的半径，a表示圆到***矩形的距离，通过改变r，a的值可以获取不同的模板)。此处选用归一化互相关(NCC)函数作为相似性测度，定义为： 

$\mathrm{NCC}(i,j)=\frac{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}{S}^{i,j}(x,y)T(x,y)}{\sqrt{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}{\left[S^{i,j}(x,y)\right]}^2}\sqrt{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}{\left[T(x,y)\right]}^2}}---\left(9\right)$

其中，T表示模板，S^i,j表示模板覆盖下的搜索子图。 

为克服光照的影响，将平均灰度引入上式，则： 

$\mathrm{NCC}(i,j)=\frac{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}(S^{i,j}(x,y)-\stackrel{\&OverBar;}{S^{i,j}})(T(x,y)-\stackrel{\&OverBar;}{T})}{\sqrt{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}{(S^{i,j}(x,y)-\stackrel{\&OverBar;}{S^{i,j}})}^2}\sqrt{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}{(T(x,y)-\stackrel{\&OverBar;}{T})}^2}}---\left(10\right)$

分别表示搜索子图以及模板的平均灰度。 

NCC模板匹配结果如图3e所示，对眼底图像中的Hs而言，由于其形态大小不规则，故利用设计好的多个模板来获取其候选区域，从而确定区域生长所需种子。对模板匹配结果进行阈值分割，即可得Hs的候选区域。但由于光照不均匀等因素，视盘以及血管中也会出现满足模板表征的区域，为将此类区域从已获得的候选区域中去除。 

首先，将候选区域的形心定义为种子点p；其次，计算种子点与其周围领域像素p_i之间的距离d、灰度差t；然后，根据距离d选择相应的判断阈值TR： 

$\mathrm{TR}=\left\{\begin{array}{cc}\frac{|{\mathrm{KM}}_{M\&times;M}-{\mathrm{KM}}_{N\&times;N}|}{2},& 0<d\&le;D\\ \frac{|{\mathrm{KM}}_{M\&times;M}-{\mathrm{KM}}_{N\&times;N}|}{2}-d/t,& d>D\end{array}\right.---\left(11\right)$

若t小于等于相应的阈值则将该像素归并到种子点所在区域。其中KM_M×M，KM_N×N分别表示像素p_i以及种子点p所在区域的灰度均值，D表示距离临界值，当p_i与p间的距离大于D时，每隔t个像素判断阈值TR降低1以防止区域过生长。 

对每一个候选区域，在预先设定的矩形区域内进行上述的局部自适应区域生长，从而得到其***轮廓，最终实现对Hs的特征提取。 

本实施例所获得的提取后眼底图像如图3f所示，可见经过本方法提取后的图像，已排除视盘血管等干扰信息，方便人工观测。图2为本实施例提取流程示意图。 

Claims (7)

1.一种糖尿病视网膜病变的眼底图像特征提取方法，包括利用数字式免散瞳眼底照相机拍摄的眼底图像，其特征在于，采取以下步骤：

（1）眼底图像RGB通道选择；

（2）眼底图像视盘定位；

（3）对眼底图像进行硬性渗出特征及棉絮斑特征提取，若发现至少一种特征，即生成提取后的眼底图像，若未发现特征，则进行微动脉瘤特征和视网膜内出血特征提取，再生成提取后的眼底图像。

2.根据权利要求1所述糖尿病视网膜病变的眼底图像特征提取方法，其特征在于，所述步骤1眼底图像RGB通道选择是指，视盘定位选用R通道，血管分割、硬性渗出特征提取、棉絮斑特征提取、微动脉瘤特征提取和视网膜内出血特征提取选用G通道。

3.根据权利要求2所述糖尿病视网膜病变的眼底图像特征提取方法，其特征在于，所述步骤2眼底图像视盘定位包括：

（a）基于Otsu阈值分割获取视盘候选区域；

（b）利用眼底图像的HSV空间的H通道提取视网膜主血管并确定主血管方向，获得方向图；后在方向图内寻找出对加权匹配滤波器响应值最高的点，将该点所在位置作为视盘中心位置；最后，利用所述中心位置从步骤a中获取的视盘候选区域中确定视盘。

4.根据权利要求3所述糖尿病视网膜病变的眼底图像特征提取方法，其特征在于，所述步骤3中，硬性渗出特征及棉絮斑特征提取方法为，先由眼底图像获取白色图像特征候选区域，再通过两层级联的SVM分类结构实现硬性渗出特征及棉絮斑特征分离，其中一级SVM分类结构特征为区域边缘强度和区域内外颜色差异：

(a)区域边缘强度：

$\mathrm{ES}=\sqrt{{\left(\frac{\&PartialD;f}{\&PartialD;x}\right)}^2+{\left(\frac{\&PartialD;f}{\&PartialD;y}\right)}^2}---\left(1\right)$

(b)区域内外颜色差异：

$\mathrm{CD}=\frac{u_{\mathrm{inside}}}{u_{\mathrm{surrounding}}}---\left(2\right)$

其中，u表示Luv彩色空间的u通道。

二级SVM分类结构特征为：(a)区域面积A；（b）区域内u通道均值μ_u；(c)区域内v通道均值μ_v。

5.根据权利要求4所述糖尿病视网膜病变的眼底图像特征提取方法，其特征在于，所述白色图像特征候选区域是通过IFFCM法获得的。

6.根据权利要求5所述糖尿病视网膜病变的眼底图像特征提取方法，其特征在于，所述步骤3中，微动脉瘤特征提取包括：

（a）血管特征去除，对眼底图像G通道f_g进行灰度形态学闭运算：

f_g1＝φ^(sB)(f_g)                 (3)

其中φ表示灰度形态学闭运算，sB表示大小为s的形态结构元素；

然后，利用灰度形态学腐蚀重建来填充f_g中存在的孔洞：

$f_{g2}=R_{f_g}^{*}\left(f_m\right)---\left(4\right)$

其中，

R^*表示灰度形态学腐蚀重建，f_m为重建运算中的marker，f_g为mask；

最后，对f_g1与f_g2的差值进行Otsu阈值分割即得血管特征，即：

f_g3＝T_Otsu(f_g1-f_g2)       (5)

并利用二值形态学开运算将f_g3中小于等于微动脉瘤尺寸的区域去除；

（b）微动脉瘤特征提取

首先，对f_g进行EMIN变换，即：

f_g4＝EMIN(f_g,t)         (6)

f_g4为二值图像，t为设定的阈值0.05；

然后，从f_g4中去除硬性渗出特征和血管特征，即：

其中，∧表示逐点求取最小值，表示取反，f_EXs为硬性渗出特征，f_vessel为血管特征；

最后，利用MAs的尺寸信息结合二值形态学开运算获取f_g5中的微动脉瘤特征。

7.根据权利要求5所述糖尿病视网膜病变的眼底图像特征提取方法，其特征在于，所述步骤3中，视网膜内出血的特征提取方法为采用基于多模板匹配的局部自适应区域生长法，具体为：

（a）对图像进行亮度校正以消除图像灰度不均匀，利用HSV空间的V通道V(i,j)计算亮度校正值，该值定义为：

$B_c(i,j)=\sqrt{1-{(V(i,j)-1)}^2}---\left(8\right)$

然后利用对比度受限自适应直方图均衡方法增强眼底图像对比度；

（b）利用模板（图1）识别未知的目标图像,获得候选区域；采用归一化互相关函数作为相似性测度，定义为：

$\mathrm{NCC}(i,j)=\frac{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}{S}^{i,j}(x,y)T(x,y)}{\sqrt{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}{\left[S^{i,j}(x,y)\right]}^2}\sqrt{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}{\left[T(x,y)\right]}^2}}---\left(9\right)$

其中，r表示圆的半径，a表示圆到***矩形的距离；T表示模板，S^i,j表示模板覆盖下的搜索子图；

将平均灰度引入上式，则：

$\mathrm{NCC}(i,j)=\frac{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}(S^{i,j}(x,y)-\stackrel{\&OverBar;}{S^{i,j}})(T(x,y)-\stackrel{\&OverBar;}{T})}{\sqrt{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}{(S^{i,j}(x,y)-\stackrel{\&OverBar;}{S^{i,j}})}^2}\sqrt{\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{Y}{\mathrm{\&Sigma;}}}{(T(x,y)-\stackrel{\&OverBar;}{T})}^2}}---\left(10\right)$

分别表示搜索子图以及模板的平均灰度；

（c）将候选区域的形心定义为种子点p；其次，计算种子点与其周围领域像素p_i之间的距离d、灰度差t；然后，根据距离d选择相应的判断阈值TR：

$\mathrm{TR}=\left\{\begin{array}{cc}\frac{|{\mathrm{KM}}_{M\&times;M}-{\mathrm{KM}}_{N\&times;N}|}{2},& 0<d\&le;D\\ \frac{|{\mathrm{KM}}_{M\&times;M}-{\mathrm{KM}}_{N\&times;N}|}{2}-d/t,& d>D\end{array}\right.---\left(11\right)$

若t小于等于相应的阈值则将该像素归并到种子点所在区域；其中KM_M×M，KM_N×N分别表示像素p_i以及种子点p所在区域的灰度均值，D表示距离临界值，当p_i与p间的距离大于D时，每隔t个像素判断阈值TR降低1，即实现视网膜内出血的特征的提取。

Images