CN107292835B - 一种眼底图像视网膜血管自动矢量化的方法及装置 - Google Patents
一种眼底图像视网膜血管自动矢量化的方法及装置 Download PDFInfo
- Publication number
- CN107292835B CN107292835B CN201710397099.7A CN201710397099A CN107292835B CN 107292835 B CN107292835 B CN 107292835B CN 201710397099 A CN201710397099 A CN 201710397099A CN 107292835 B CN107292835 B CN 107292835B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- channel
- image data
- extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 210000001210 retinal vessel Anatomy 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 180
- 238000000605 extraction Methods 0.000 claims abstract description 112
- 230000000694 effects Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000000926 separation method Methods 0.000 claims abstract description 32
- 238000003708 edge detection Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000007670 refining Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 210000001525 retina Anatomy 0.000 description 4
- 206010003210 Arteriosclerosis Diseases 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 208000011775 arteriosclerosis disease Diseases 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 208000017442 Retinal disease Diseases 0.000 description 2
- 206010038923 Retinopathy Diseases 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000004256 retinal image Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
- H04N19/94—Vector quantisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种眼底图像视网膜血管自动矢量化的方法及装置,该方法包括:针对眼底图像的G通道图像进行数据分离处理,获得第一图像数据;根据所述第一图像数据,确定G通道的血管提取结果;针对所述眼底图像的R通道图像进行数据分离处理,获得第二图像数据;根据所述第二图像数据,确定R通道的血管提取结果;针对所述G通道的血管提取结果和所述R通道的血管提取结果进行加权处理,得到第一综合提取效果图;根据所述第一综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据。本发明实施例,血管矢量化的效果好,有利于对后续血管管径等进行测量和计算。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种眼底图像视网膜血管自动矢量化的方法及装置。
背景技术
临床经验表明,眼底图像中血管的粗细、走形、连续性及动静脉宽度比(arteriolar-to-venular diameter ratio,AVR)的变化,与中风、高血压、糖尿病及动脉硬化等疾病的病程情况密切相关,如动脉变窄与高血压有关,静脉变窄则患有中风和冠状动脉粥样硬化性心脏病的可能性较大等。如何有效的对视网膜血管进行分离、还原、连续性及走形判断等计算处理,进而用于与视网膜病变相关的各种疾病的排查和预警,一直是眼底图像分析中重点关注的问题。
随着眼底图像数据的急剧增长,医生仅靠人工观察和经验诊断,主观性较强且效率低下,如眼底图像中动静脉宽度比可以用来衡量视网膜血管的宽度变化,但由于其相对变化较小,在临床检测中,即使是经验丰富的眼科医生,分辨其变化也会十分困难,并且医生的经验也有丰富和贫乏之分。因此,利用图像处理和计算机辅助方法从眼底图像中自动的分离血管、对血管进行连续性和走向分析、自动测量AVR等具有十分重要的临床意义,其有助于医生通过眼底图像的检测结果,对病人的病理程度进行评估和诊断,进而实现对高血压、糖尿病、动脉硬化等疾病的筛查、预防和早期治疗。
近年来,国内外学者对眼底图像的血管分离、血管矢量化等方面都展开了深入研究,涉及的相关技术,主要有数学形态学、血管跟踪、匹配滤波、基于形变模型以及最近比较流行的机器学习方案,但由于眼底图像的物理原因,如组织密度不均匀、层次较丰富、噪声大、血管组织密度较高,再加上拍照时存在的光照不均、伪影等现象影响,根据图像特性自适应的检测出图像的边缘比较困难,且单一的边缘检测算法得到的边缘细节均留存太多噪声,即血管矢量化的效果不理想,不利于对后续血管管径等进行测量和计算。
发明内容
本发明提供一种眼底图像视网膜血管自动矢量化的方法及装置,血管矢量化的效果好,有利于对后续血管管径等进行测量和计算。
第一方面提供了一种眼底图像视网膜血管自动矢量化的方法,该方法包括:针对眼底图像的G通道图像进行数据分离处理,获得第一图像数据;根据所述第一图像数据,确定G通道的血管提取结果;针对所述眼底图像的R通道图像进行数据分离处理,获得第二图像数据;根据所述第二图像数据,确定R通道的血管提取结果;针对所述G通道的血管提取结果和所述R通道的血管提取结果进行加权处理,得到第一综合提取效果图;根据所述第一综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据。
第二方面提供了一种眼底图像视网膜血管自动矢量化的装置,该装置包括:第一分离模块,用于针对眼底图像的G通道图像进行数据分离处理,获得第一图像数据;第一提取模块,用于根据所述第一分离模块获得的第一图像数据,确定G通道的血管提取结果;第二分离模块,用于针对所述眼底图像的R通道图像进行数据分离处理,获得第二图像数据;第二提取模块,用于根据所述第二分离模块获得的第二图像数据,确定R通道的血管提取结果;综合处理模块,用于针对所述第一提取模块确定的G通道的血管提取结果和所述第二提取模块确定的R通道的血管提取结果进行加权处理,得到第一综合提取效果图;矢量化处理模块,用于根据所述综合处理模块得到的第一综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据。
本发明实施例中,在处理G通道数据的基础上,增加了R通道数据的结果提取,并赋予一定的权重比例,使之与G通道提取结果结合计算,可以从不同维度对血管提取的效果进行优化,从而血管矢量化的效果好,有利于对后续血管管径等进行测量和计算。
附图说明
图1为本发明实施例提供的一种眼底图像视网膜血管自动矢量化的方法流程图;
图2为本发明实施例提供的视网膜图片G通道数据提取效果图;
图3为本发明实施例提供的复Morlet母小波变换效果图;
图4为本发明实施例提供的主动生长边缘检测梯度像素寻找示意图;
图5为本发明实施例提供的8个方向的Sobel算子模板示意图;
图6为本发明实施例提供的一种眼底图像视网膜血管自动矢量化的方法整体处理流程示意框图;
图7为本发明实施例提供的一种眼底图像视网膜血管自动矢量化的装置结构图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为便于对本发明实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
图1为本发明实施例提供的一种眼底图像视网膜血管自动矢量化的方法流程图,参照图1,该方法包括:
步骤101,针对眼底图像的G通道图像进行数据分离处理,获得第一图像数据。
步骤102,根据所述第一图像数据,确定G通道的血管提取结果。
在一个示例中,采用自适应直方图对通道图像数据对应的图像进行均衡优化得到第三图像数据,所述通道图像数据为所述第一图像数据;基于复Morlet母小波公式对所述第三图像数据进行预处理,获取粗细血管值,并使用Top-Hat变化和双环滤波的方式对血管进行分割,进而采用多尺度高斯匹配滤波优化图像中微小血管部分,得到第一血管提取结果;针对所述第一血管提取结果,采用主动生长边缘检测算法进行血管边缘优化,对提取效果不好的血管进行生长还原,得到第二血管提取结果。
步骤103,针对眼底图像的R通道图像进行数据分离处理,获得第二图像数据。
步骤104,根据所述第二图像数据,确定R通道的血管提取结果。
在一个示例中,可以采取与步骤102相同的方式确定R通道的血管提取结果,在此不做赘述。
步骤105,针对所述G通道的血管提取结果和所述R通道的血管提取结果进行加权处理,得到第一综合提取效果图。
步骤106,根据所述第一综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据。
在一个示例中,根据所述第一综合提取效果图,结合血管形态结构去除小于设定像素的细血管;采用Sobel算法对血管边缘进行细化处理,得到血管中心线;基于血管结构,在所述血管中心线上对血管交叉点和分叉点进行过滤处理,得到第二综合提取效果图;根据所述第二综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据。
其中,采用Sobel算法可以基于8个方向模板对血管边缘进行细化处理,得到血管中心线。
本发明实施例中,可以基于所述血管中心线对血管边缘进行定位,并记录存储所述血管边缘的坐标、所述血管中心线的坐标,所述血管边缘的坐标、所述血管中心线的坐标构成所述眼底图像的视网膜血管的矢量化数据。
本发明实施例中,在处理G通道数据的基础上,增加了R通道数据的结果提取,并赋予一定的权重比例,使之与G通道提取结果结合计算,可以从不同维度对血管提取的效果进行优化,从而血管矢量化的效果好,有利于对后续血管管径等进行测量和计算。
本发明实施例中,可以采用组合算法,针对眼底相机拍摄出的视网膜图片进行眼底血管的自动矢量化流程处理。
在一个示例中,基于复Morlet母小波检测算法,结合主动生长的边缘连接算法及Sobel边缘检测细化算法,采用一种新的血管矢量化组合计算方式,通过该改进的组合技术方法,可以较好的优化血管分离效果,并对血管图像进行结构还原和边界坐标定位处理,对后续血管动静脉的分类、管径比的计算及心血管病症特征预判提供了可靠的前提。
视网膜血管网络可直接反映高血压、动脉硬化等心血管疾病对血管网络形态结构的影响,是心血管疾病微循环检查的重要部分,因此采用计算机图像技术,对眼底图片进行病理特征的预判和诊断,对于临床应用具有十分重要的意义。针对眼底图片进行病理特征预测和判断的基础,是对眼底血管进行有效的分离、提取和矢量计算;本发明实施例能够有效的去除眼底噪声,并较好的分离出眼底血管,进而把图像转换为矢量数据,便于后续对疾病特征进行计算处理。
本发明实施例采用的技术方案主要涉及3个核心算法,一是基于复Morlet母小波算法进行血管检测,二是基于主动生长算法进行血管的断裂还原处理,三是基于Sobel边缘检测细化算法进行血管中心线提取。下面对这3个算法分别进行说明。
复Morlet母小波算法:
实践经验表明,连续小波变换的多尺度分析,比较适用于具有不同的宽度、方向和线性结构的眼底血管检测,因为血管横截面可以采用高斯函数建模,多尺度小波变换中,低分辨率的滤波器检测粗血管,高分辨率的滤波器检测细血管,但眼底图像中一般均存在亮斑、色度不均等非血管结构的边缘,为克服其对高斯核函数的影响,故选取复Morlet母小波进行血管提取。
其中fb表示带宽,fc表示小波函数的中心频率,取复Morlet小波的实部为高斯线性滤波器,虚部为边缘滤波器,在不同的尺度和方向上应用连续复小波对眼底图像进行分解,从而得到相应的小波系数,每次基于15度角进行旋转进行一次小波变换,对于每个像素,最终取小波变换***实部最大值做为该像素的特征,从而在不同的尺度值时,分别对细血管和粗血管进行边缘提取。
基于主动生长的边缘连接算法:
基于主动生长的边缘连接算法,结合了数学形态学中的开运算和闭运算,使用对弱边缘检测有良好效果的Canny算法做初步检测,然后检测边缘线的端点位置和方向,利用漏检边缘可能位于沿端点方向的边缘延伸的性质,将端点进行生长和退化,本发明实施例中使用该算法把由于漏检而断裂的血管边缘进行连接和去噪。
主动生长算法采用的结构元素方式为:
生长dstij=max(src(x+x′,y+y′))
退化dstij=min(src(x+x′,y+y′))
其中dstij表示坐标(i,j)点的像素值,x、y表示源像素,x′、y′表示结构元素中的像素。
Sobel边缘检测和细化算法:
图像的边缘检测处理可简单理解为提取图像中区域的轮廓,图像中区域的划分以像素为依据,每个区域中的像素灰度大致相同,而区域之间的边界称为边缘,图像边缘检测的结果直观的看类似图像的骨架。
Sobel边缘检测算法基于一阶微分,梯度是函数变化的一种度量,而一副图像可以看作是图像灰度连续函数的取样点数组,因此图像灰度值的显著变化可以用梯度的离散逼近函数来检测。
对于图像函数f(x,y),它在点(x,y)处的梯度是一个矢量,定义为:
Sobel微分算子是一种奇数大小模板下的全方向微分算子,其3x3卷积模板可表示如下:
Sobel算子引入了加权局部平均因数,因而对图像中的随机噪声有一定的平滑作用,由于它是像个两行或两列相似之差,去掉了部分的伪边缘,平滑了实际边缘,故边缘两侧元素得到了增强。
通过大量图像分析及与现有一些技术方法相比,结果表明,本发明实施例通过多种算法的组合使用,在血管分离、血管还原和血管连续性检测等方面都具有较高的精度,并尽可能真实的对细微血管边缘进行还原重构,矢量结果与专家手绘结果更接近,计算时间远低于人工方法,因此对基于血管检测结果的视网膜病变早期诊断和排查***,具有较大的实用价值,后续将其应用于视网膜血管宽度或动静脉管径比相关的测量之中,可以为眼科医生的临床诊断提供较大的帮助。
下面给出一个更为具体的实施例,来对本发明提供的一种眼底图像视网膜血管自动矢量化的方法进行说明。
如图2所示,为视网膜图片G通道数据提取效果图,用于彩色眼底图像的预处理,一是因为G通道血管对比度相对其他通道比较明显,二是基于灰度图的图像处理,速度也有较大提升。
如图3所示,为复Morlet母小波变换效果图,其基于多尺度分析的连续小波变换,并结合高斯线性滤波器和边缘滤波器,可以消除亮斑、色度不均等影响,用于眼底图像血管的提取。
如图4所示,为主动生长边缘检测梯度像素寻找示意图,其沿着梯度方向,比较了前面和后面的梯度值,以寻找像素点的局部最大值,用于血管边缘还原,并能在一定程度上降低周边噪声。
如图5所示,为8个方向的Sobel算子模板示意图,其是传统Sobel算法的改进,在原有0度和90度模板的基础上,增加了45度、135度、180度、225度、270度和315度的方向模板,可以检测图像多方向的边缘,避免了模板过少只能检测水平和垂直方向的边缘问题,使得血管边缘信息更加完整,此处用于眼底提取血管段的边缘细化以最终生成血管中心线。
如图6所示,为本发明实施例提供的一种眼底图像视网膜血管自动矢量化的方法整体处理流程示意框图,包括图片的接收、处理和矢量结果输出。具体实施步骤包括:
步骤601,接收拍摄的彩色眼底图片。
步骤602,针对RGB格式的24位真彩色视网膜图片的G通道图像进行数据分离处理。
步骤603,针对RGB格式的24位真彩色视网膜图片的R通道图像进行数据分离处理。
步骤604,基于复Morlet母小波公式对眼底图像进行预处理,获取粗细血管值。
其中,在步骤604之前还可以采用自适应直方图均衡优化图像中存在的照明不均、灰度分布过于集中和对比度低的问题。
步骤605,使用Top-Hat变化和双环滤波的方式对血管进行分割,进而采用多尺度高斯匹配滤波优化图像中微小血管部分。
步骤606,针对血管提取结果,采用主动生长边缘检测算法进行血管边缘优化,对提取效果不好的血管进行生长还原。
步骤607,针对G、R通道的血管提取结果,进行加权设定,以得到最终提取效果图。
步骤608,结合血管形态结构去除小于设定像素的细血管;采用Sobel算法对血管边缘进行细化处理,最终得到血管中心线,即血管整体骨架;基于血管结构知识,在血管中心线上对血管交叉点和分叉点进行过滤处理。
步骤609,基于血管中心线对血管边缘进行定位,并记录存储血管边缘坐标、中心线坐标等信息,即血管矢量化数据。基于血管矢量化数据,对血管连续性进行计算判断;输出眼底血管矢量化结果及血管走形矢量分析结果。
本发明实施例提出一种基于复Morlet小波算法、主动生长边缘连接算法及Sobel边缘细化算法结合的方法,相比其他血管矢量化组合方式,其在血管的特征描述上更全面,针对不同照明情况下拍照的图片适应性及去噪性更强,因此基于此方案的血管提取效果更好,血管骨架更清晰,且降低亮斑、色度不均等噪声对血管提取的影响,并能在一定程度上对弱化血管进行结构矢量还原。
本发明实施例采取了R、G双通道血管提取结果加权。针对眼底图像进行血管提取时,以往方法均仅针对G通道数据进行结果处理,本方案在处理G通道数据的基础上,增加了R通道数据的结果提取,并赋予一定的权重比例,使之与G通道提取结果结合计算,可以从不同维度对血管提取的效果进行优化。
图7为本发明实施例提供的一种眼底图像视网膜血管自动矢量化的装置结构图,该装置包括:
第一分离模块701,用于针对眼底图像的G通道图像进行数据分离处理,获得第一图像数据;
第一提取模块702,用于根据所述第一分离模块701获得的第一图像数据,确定G通道的血管提取结果;
第二分离模块703,用于针对所述眼底图像的R通道图像进行数据分离处理,获得第二图像数据;
第二提取模块704,用于根据所述第二分离模块703获得的第二图像数据,确定R通道的血管提取结果;
综合处理模块705,用于针对所述第一提取模块702确定的G通道的血管提取结果和所述第二提取模块704确定的R通道的血管提取结果进行加权处理,得到第一综合提取效果图;
矢量化处理模块706,用于根据所述综合处理模块705得到的第一综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据。
可选地,所述第一提取模块702和所述第二提取模块704,具体用于采用自适应直方图对通道图像数据对应的图像进行均衡优化得到第三图像数据,所述通道图像数据为所述第一图像数据或所述第二图像数据;基于复Morlet母小波公式对所述第三图像数据进行预处理,获取粗细血管值,并使用Top-Hat变化和双环滤波的方式对血管进行分割,进而采用多尺度高斯匹配滤波优化图像中微小血管部分,得到第一血管提取结果;针对所述第一血管提取结果,采用主动生长边缘检测算法进行血管边缘优化,对提取效果不好的血管进行生长还原,得到第二血管提取结果。
可选地,所述矢量化处理模块706,具体用于根据所述第一综合提取效果图,结合血管形态结构去除小于设定像素的细血管;采用Sobel算法对血管边缘进行细化处理,得到血管中心线;基于血管结构,在所述血管中心线上对血管交叉点和分叉点进行过滤处理,得到第二综合提取效果图;根据所述第二综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据。
可选地,所述矢量化处理模块706,具体用于采用Sobel算法基于8个方向模板对血管边缘进行细化处理,得到血管中心线。
可选地,所述矢量化处理模块706,具体用于基于所述血管中心线对血管边缘进行定位,并记录存储所述血管边缘的坐标、所述血管中心线的坐标,所述血管边缘的坐标、所述血管中心线的坐标构成所述眼底图像的视网膜血管的矢量化数据。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种眼底图像视网膜血管自动矢量化的方法,其特征在于,所述方法包括:
针对眼底图像的G通道图像进行数据分离处理,获得第一图像数据;
根据所述第一图像数据,确定G通道的血管提取结果;
针对所述眼底图像的R通道图像进行数据分离处理,获得第二图像数据;
根据所述第二图像数据,确定R通道的血管提取结果;
针对所述G通道的血管提取结果和所述R通道的血管提取结果进行加权处理,得到第一综合提取效果图;
根据所述第一综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据,包括:根据所述第一综合提取效果图,结合血管形态结构去除小于设定像素的细血管;采用Sobel算法对血管边缘进行细化处理,得到血管中心线;基于血管结构,在所述血管中心线上对血管交叉点和分叉点进行过滤处理,得到第二综合提取效果图;根据所述第二综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据。
2.如权利要求1所述的方法,其特征在于,所述根据所述第一图像数据,确定G通道的血管提取结果,和,所述根据所述第二图像数据,确定R通道的血管提取结果,包括:
采用自适应直方图对通道图像数据对应的图像进行均衡优化得到第三图像数据,所述通道图像数据为所述第一图像数据或所述第二图像数据;
基于复Morlet母小波公式对所述第三图像数据进行预处理,获取粗细血管值,并使用Top-Hat变化和双环滤波的方式对血管进行分割,进而采用多尺度高斯匹配滤波优化图像中微小血管部分,得到第一血管提取结果;
针对所述第一血管提取结果,采用主动生长边缘检测算法进行血管边缘优化,对提取效果不好的血管进行生长还原,得到第二血管提取结果。
3.如权利要求1所述的方法,其特征在于,所述采用Sobel算法对血管边缘进行细化处理,得到血管中心线,包括:
采用Sobel算法基于8个方向模板对血管边缘进行细化处理,得到血管中心线。
4.如权利要求1所述的方法,其特征在于,所述根据所述第二综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据,包括:
基于所述血管中心线对血管边缘进行定位,并记录存储所述血管边缘的坐标、所述血管中心线的坐标,所述血管边缘的坐标、所述血管中心线的坐标构成所述眼底图像的视网膜血管的矢量化数据。
5.一种眼底图像视网膜血管自动矢量化的装置,其特征在于,所述装置包括:
第一分离模块,用于针对眼底图像的G通道图像进行数据分离处理,获得第一图像数据;
第一提取模块,用于根据所述第一分离模块获得的第一图像数据,确定G通道的血管提取结果;
第二分离模块,用于针对所述眼底图像的R通道图像进行数据分离处理,获得第二图像数据;
第二提取模块,用于根据所述第二分离模块获得的第二图像数据,确定R通道的血管提取结果;
综合处理模块,用于针对所述第一提取模块确定的G通道的血管提取结果和所述第二提取模块确定的R通道的血管提取结果进行加权处理,得到第一综合提取效果图;
矢量化处理模块,用于根据所述综合处理模块得到的第一综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据,具体用于根据所述第一综合提取效果图,结合血管形态结构去除小于设定像素的细血管;采用Sobel算法对血管边缘进行细化处理,得到血管中心线;基于血管结构,在所述血管中心线上对血管交叉点和分叉点进行过滤处理,得到第二综合提取效果图;根据所述第二综合提取效果图,确定所述眼底图像的视网膜血管的矢量化数据。
6.如权利要求5所述的装置,其特征在于,所述第一提取模块和/或所述第二提取模块,具体用于采用自适应直方图对通道图像数据对应的图像进行均衡优化得到第三图像数据,所述通道图像数据为所述第一图像数据或所述第二图像数据;基于复Morlet母小波公式对所述第三图像数据进行预处理,获取粗细血管值,并使用Top-Hat变化和双环滤波的方式对血管进行分割,进而采用多尺度高斯匹配滤波优化图像中微小血管部分,得到第一血管提取结果;针对所述第一血管提取结果,采用主动生长边缘检测算法进行血管边缘优化,对提取效果不好的血管进行生长还原,得到第二血管提取结果。
7.如权利要求5所述的装置,其特征在于,所述矢量化处理模块,具体用于采用Sobel算法基于8个方向模板对血管边缘进行细化处理,得到血管中心线。
8.如权利要求5所述的装置,其特征在于,所述矢量化处理模块,具体用于基于所述血管中心线对血管边缘进行定位,并记录存储所述血管边缘的坐标、所述血管中心线的坐标,所述血管边缘的坐标、所述血管中心线的坐标构成所述眼底图像的视网膜血管的矢量化数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710397099.7A CN107292835B (zh) | 2017-05-31 | 2017-05-31 | 一种眼底图像视网膜血管自动矢量化的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710397099.7A CN107292835B (zh) | 2017-05-31 | 2017-05-31 | 一种眼底图像视网膜血管自动矢量化的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292835A CN107292835A (zh) | 2017-10-24 |
CN107292835B true CN107292835B (zh) | 2020-03-13 |
Family
ID=60095346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710397099.7A Expired - Fee Related CN107292835B (zh) | 2017-05-31 | 2017-05-31 | 一种眼底图像视网膜血管自动矢量化的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292835B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399647B (zh) * | 2018-03-05 | 2021-10-26 | 四川和生视界医药技术开发有限公司 | 视网膜血管边缘线的编辑方法以及编辑装置 |
CN110543802A (zh) * | 2018-05-29 | 2019-12-06 | 北京大恒普信医疗技术有限公司 | 眼底图像中左右眼识别方法与装置 |
CN109166124B (zh) * | 2018-11-20 | 2021-12-14 | 中南大学 | 一种基于连通区域的视网膜血管形态量化方法 |
CN109919882B (zh) * | 2019-01-18 | 2023-07-21 | 平安科技(深圳)有限公司 | 基于眼底彩照图像的图像优化方法及相关设备 |
CN109919915B (zh) * | 2019-02-18 | 2021-03-23 | 广州视源电子科技股份有限公司 | 基于深度学习的视网膜眼底图像异常区域检测方法及设备 |
CN109829942B (zh) * | 2019-02-21 | 2023-04-28 | 韶关学院 | 一种眼底图像视网膜血管管径自动量化方法 |
CN112288794B (zh) * | 2020-09-04 | 2021-09-07 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的测量方法及测量装置 |
CN112734784A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 一种高精度眼底血管边界确定的方法、装置、介质和设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810492A (zh) * | 2014-01-17 | 2014-05-21 | 北京大恒图像视觉有限公司 | 一种眼底图像的模糊度分析方法 |
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
CN106372593A (zh) * | 2016-08-30 | 2017-02-01 | 上海交通大学 | 一种基于血管收敛的视盘区定位方法 |
-
2017
- 2017-05-31 CN CN201710397099.7A patent/CN107292835B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810492A (zh) * | 2014-01-17 | 2014-05-21 | 北京大恒图像视觉有限公司 | 一种眼底图像的模糊度分析方法 |
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
CN106372593A (zh) * | 2016-08-30 | 2017-02-01 | 上海交通大学 | 一种基于血管收敛的视盘区定位方法 |
Non-Patent Citations (4)
Title |
---|
Yin Y 等.Retinal vessel segmentation using a probabilistic tracking method.《Pattern Recognition》.2012,第45卷(第4期), * |
Zhao TQ 等.Retinal vessels segmentation based on level set and region growing.《Pattern Recognition》.2014,第47卷(第7期), * |
周琳.眼底图像中血管分割技术研究.《中国优秀硕士学位论文全文数据库-信息科技辑》.2011,(第11期), * |
殷本俊 等.基于Morlet小波变换的视网膜血管分割.《计算机辅助设计与图形学学报》.2015,第27卷(第7期), * |
Also Published As
Publication number | Publication date |
---|---|
CN107292835A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
WO2021169128A1 (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
Rodrigues et al. | Segmentation of optic disc and blood vessels in retinal images using wavelets, mathematical morphology and Hessian-based multi-scale filtering | |
CN109190690B (zh) | 基于机器学习的swi图像的脑微出血点检测识别方法 | |
CN110415216B (zh) | 基于sd-oct和octa视网膜图像的cnv自动检测方法 | |
Hiremath et al. | Follicle detection in ultrasound images of ovaries using active contours method | |
CN111882566A (zh) | 视网膜图像的血管分割方法、装置、设备及存储介质 | |
CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割*** | |
CN108665474B (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 | |
Khademi et al. | Whole volume brain extraction for multi-centre, multi-disease FLAIR MRI datasets | |
CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
Uribe-Valencia et al. | Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model | |
US20130222767A1 (en) | Methods and systems for detecting peripapillary atrophy | |
KR101182729B1 (ko) | 의료용 혈관영상 처리방법 | |
Kavitha et al. | Blood vessel, optical disk and damage area-based features for diabetic detection from retinal images | |
Tsai et al. | Adaptive segmentation of vessels from coronary angiograms using multi-scale filtering | |
Liu et al. | Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images | |
Lazar et al. | A novel approach for the automatic detection of microaneurysms in retinal images | |
JP5740403B2 (ja) | 網膜の異常を検出するためのシステムおよび方法 | |
CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
CN110930346B (zh) | 一种眼底图像微血管瘤自动检测方法及存储设备 | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
Lawankar et al. | Segmentation of liver using marker watershed transform algorithm for CT scan images | |
Martins | Automatic microaneurysm detection and characterization through digital color fundus images | |
Desiani et al. | A robust techniques of enhancement and segmentation blood vessels in retinal image using deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 116000 room 19, block B, block 32A, Torch Road, Dalian high tech Industrial Park, Liaoning, China, 1907-1 Applicant after: Ruida Sheng medical technology (Dalian) Co., Ltd. Address before: 116024 creative Incubation Park, 720 Huangpu Road, hi tech park, Dalian, Liaoning 4F Applicant before: Redasen Technology (Dalian) Co, Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200313 Termination date: 20210531 |
|
CF01 | Termination of patent right due to non-payment of annual fee |