CN110189295A - 基于随机森林和中心线的眼底视网膜血管分割方法 - Google Patents
基于随机森林和中心线的眼底视网膜血管分割方法 Download PDFInfo
- Publication number
- CN110189295A CN110189295A CN201910303510.9A CN201910303510A CN110189295A CN 110189295 A CN110189295 A CN 110189295A CN 201910303510 A CN201910303510 A CN 201910303510A CN 110189295 A CN110189295 A CN 110189295A
- Authority
- CN
- China
- Prior art keywords
- center line
- blood vessel
- feature
- random forest
- image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于随机森林和中心线的眼底视网膜血管分割方法,包括如下步骤:S01:图像采集;S02:图像预处理;S03:提取特征:对眼底视网膜图像提取基于像素点的融合特征,特征以领域信息,纹理和光照不敏感特征组成;S04:随机森林分类模型训练:以新特征作为随机森林分类器输入,训练分类模型,完成粗分割;S05:提取中心线:提取粗分割血管的中心线;S06:连接中断中心线:搜索中心线像素点,判断相近的端点对,对端点对进行曲率计算,差值的绝对值小于阈值则按曲率连接两个端点;S07:血管补全:重新搜索中心线像素点,对中断处血管进行补全。本发明消除血管图像分割中的血管中断现象。
Description
技术
本发明属于图像分割技术领域,具体涉及一种随机森林和中心线的血管分割方法。
背景技术
医生在分析眼底图像情况时,需要先对眼底视网膜血管进行精确分割,手动分割往往需要花费很长的时间基于巨大的经历,因此医生迫切需要依靠计算机的辅助对血管进行自动分割。分割算法有许多种类,但总体上可以分为基于传统算法的分割和基于机器学习的分割。传统的分割方法大多依靠亮度信息或其他少量特征进行分割,无法满足对血管实现精确分析的要求。现有分割算法主要是依靠已有数据经验,构建机器学习模型,最终通过对像素点分类得到分割目标。由于训练速度快、结果易于分析等优点,随机森林分类器被广泛使用。但这种方法在眼底视网膜血管的分割中也存在缺陷。
眼底视网膜图像中的渗出物,微动脉瘤和出血等现象严重干扰了随机森林分类器的算法性能,会导致血管中断问题。
发明内容
为了克服现有的随机森林分类器在眼底视网膜图像的血管分割中存在的血管中断问题。本发明提供了一种基于随机森林分类器和中心线提取的血管分割方法,来消除血管图像分割中的血管中断现象。
本发明解决其技术问题所采用的技术方案是:
一种基于随机森林和中心线的眼底视网膜血管分割方法,包括如下步骤:
S01:图像采集:通过特殊照相机采集20到80岁不同年龄段患者的眼底视网膜彩色图像;
S02:图像预处理:提取眼底视网膜彩色图像的绿色通道,通过滤波去除噪声并且增强血管;
S03:提取特征:对眼底视网膜图像提取基于像素点的融合特征,特征以领域信息,纹理和光照不敏感特征组成;
S04:随机森林分类模型训练:以新特征作为随机森林分类器输入,训练分类模型,完成粗分割;
S05:提取中心线:提取粗分割血管的中心线;
S06:连接中断中心线:搜索中心线像素点,判断相近的端点对,对端点对进行曲率计算,差值的绝对值小于阈值则按曲率连接两个端点;
S07:血管补全:重新搜索中心线像素点,对中断处血管进行补全。
进一步,所述步骤S01中,对眼底视网膜血管图像的采集和标注需要医生辅助,以得到专业性数据。
再进一步,所述步骤S02中,对待分割的图像进行预处理,由于视网膜血管只对成像过程中的绿色光反射,预处理提取了眼底视网膜血管的绿色通过,通过滤波去除高斯噪声并增强血管结构。
更进一步,所述步骤S03-S05中,对图像特征进行处理,首先提取特征并融合,利用随机森林对血管进行粗分类。
所述步骤S06-S07中,提取粗分割血管的中心线,明显存在几处断点;通过记录所有端点的位置,计算欧氏距离,若小于一定距离可能为中断两边的中心线点;
其中,a,b为中心线端点,ax,ay,bx,by,为a,b的位置,Da,b为所有满足条件的端点对集合,通过计算端点对a,b的曲率Ra,Rb.判断其是否中断,并拟合函数曲线进行连接;
最后重新遍历中心线,得到血管图像补全后结果。
本发明的技术构思为:该方法针对眼底视网膜图像中的渗出物,微动脉瘤和出血等复杂情况,采用滤波有效的对图像降噪并且增强血管,在对原始图像预处理后,通过分析血管图像特点,提取了具有针对性的局部区域信息特征、纹理特征和光照不敏感特征,通过随机森林分类器进行分类,得到粗分割血管。提取中心线,对中心线端点对进行判别连接,最后补全血管。
本发明的有益效果主要表现在:1.通过预处理有效的减少了噪声2.通过多特征融合有效结合了图像信息3.通过中心线连接,有效弥补了随机森林的不足,解决了血管中断的问题。
附图说明
图1是一种随机森林和中心线的血管分割方法的流程图。
图2是对原始图像预处理流程图。
图3是图像采集和医生标注图像。
图4是粗分割图像和弥补中断后的完全分割图像。
具体实施方式
下面结合附图对本发明进一步描述。
参照图1-图4,一种基于随机森林和中心线的眼底视网膜血管分割方法,包括如下步骤:
S01:图像采集:通过特殊照相机采集20到80岁不同年龄段患者的眼底视网膜彩色图像;
S02:图像预处理:提取眼底视网膜彩色图像的绿色通道,通过滤波去除噪声并且增强血管;
S03:提取特征:对眼底视网膜图像提取基于像素点的融合特征,特征以领域信息,纹理和光照不敏感特征组成;
S04:随机森林分类模型训练:以新特征作为随机森林分类器输入,训练分类模型,完成粗分割。
S05:提取中心线:提取粗分割血管的中心线
S06:连接中断中心线:搜索中心线像素点,判断相近的端点对,对端点对进行曲率计算,差值的绝对值小于阈值则按曲率连接两个端点。
S07:血管补全:重新搜索中心线像素点,对中断处血管进行补全。
所述步骤S01中,对眼底视网膜血管图像的采集和标注需要医生辅助,以得到专业性数据,图3显示了眼底视网膜血管图像和标准结果。
所述步骤S02中,对图2待分割的图像进行预处理,由于视网膜血管只对成像过程中的绿色光反射,预处理提取了眼底视网膜血管的绿色通过,通过滤波去除高斯噪声并增强血管结构。
所述步骤S03-S05中,对图像特征进行处理,首先提取特征并融合,利用随机森林对血管进行粗分类。图4是粗分类结构,其中包含几处中断。
所述步骤S06-S07中,提取粗分割血管的中心线,明显存在几处断点。通过记录所有端点的位置,计算欧氏距离,若小于一定距离可能为中断两边的中心线点。
其中,a,b为中心线端点,ax,ay,bx,by,为a,b的位置。Da,b为所有满足条件的端点对集合。通过计算端点对a,b的曲率Ra,Rb.判断其是否中断,并拟合函数曲线进行连接。
最后重新遍历中心线,图4显示了血管图像补全后结果。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所做的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于随机森林和中心线的眼底视网膜血管分割方法,其特征在于,所述方法包括如下步骤:
S01:图像采集:通过特殊照相机采集20到80岁不同年龄段患者的眼底视网膜彩色图像;
S02:图像预处理:提取眼底视网膜彩色图像的绿色通道,通过滤波去除噪声并且增强血管;
S03:提取特征:对眼底视网膜图像提取基于像素点的融合特征,特征以领域信息,纹理和光照不敏感特征组成;
S04:随机森林分类模型训练:以新特征作为随机森林分类器输入,训练分类模型,完成粗分割;
S05:提取中心线:提取粗分割血管的中心线;
S06:连接中断中心线:搜索中心线像素点,判断相近的端点对,对端点对进行曲率计算,差值的绝对值小于阈值则按曲率连接两个端点;
S07:血管补全:重新搜索中心线像素点,对中断处血管进行补全。
2.如权利要求1所述的基于随机森林和中心线的眼底视网膜血管分割方法,其特征在于,所述步骤S01中,对眼底视网膜血管图像的采集和标注需要医生辅助,以得到专业性数据。
3.如权利要求1或2所述的基于随机森林和中心线的眼底视网膜血管分割方法,其特征在于,所述步骤S02中,对待分割的图像进行预处理,由于视网膜血管只对成像过程中的绿色光反射,预处理提取了眼底视网膜血管的绿色通过,通过滤波去除高斯噪声并增强血管结构。
4.如权利要求1或2所述的基于随机森林和中心线的眼底视网膜血管分割方法,其特征在于,所述步骤S03-S05中,对图像特征进行处理,首先提取特征并融合,利用随机森林对血管进行粗分类。
5.如权利要求4所述的基于随机森林和中心线的眼底视网膜血管分割方法,其特征在于,所述步骤S06-S07中,提取粗分割血管的中心线,明显存在几处断点;通过记录所有端点的位置,计算欧氏距离,若小于一定距离可能为中断两边的中心线点;
其中,a,b为中心线端点,ax,ay,bx,by,为a,b的位置,Da,b为所有满足条件的端点对集合,通过计算端点对a,b的曲率Ra,Rb.判断其是否中断,并拟合函数曲线进行连接;
最后重新遍历中心线,得到血管图像补全后结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303510.9A CN110189295A (zh) | 2019-04-16 | 2019-04-16 | 基于随机森林和中心线的眼底视网膜血管分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303510.9A CN110189295A (zh) | 2019-04-16 | 2019-04-16 | 基于随机森林和中心线的眼底视网膜血管分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110189295A true CN110189295A (zh) | 2019-08-30 |
Family
ID=67714636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910303510.9A Pending CN110189295A (zh) | 2019-04-16 | 2019-04-16 | 基于随机森林和中心线的眼底视网膜血管分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189295A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563890A (zh) * | 2020-05-07 | 2020-08-21 | 浙江大学 | 一种基于深度森林的眼底图像血管分割方法和*** |
CN112465772A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
CN112734773A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 一种亚像素级眼底血管分割方法、装置、介质和设备 |
CN113160189A (zh) * | 2021-04-27 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 血管中心线提取方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739674A (zh) * | 2008-11-19 | 2010-06-16 | 深圳迈瑞生物医疗电子股份有限公司 | 影像序列自动拼接方法与装置以及拼接*** |
US20120014574A1 (en) * | 2010-07-13 | 2012-01-19 | Sigrid Ferschel | Method for Determining Properties of a Vessel in a Medical Image |
CN104408453A (zh) * | 2014-09-29 | 2015-03-11 | 北京理工大学 | 基于多特征聚类的近红外皮下静脉分割方法 |
CN107817764A (zh) * | 2017-10-23 | 2018-03-20 | 山东大学 | 一种基于s曲线加减速算法的nurbs曲线双向自适应插补算法 |
CN108469263A (zh) * | 2018-03-07 | 2018-08-31 | 武汉中海庭数据技术有限公司 | 一种基于曲率进行形点优化的方法及*** |
-
2019
- 2019-04-16 CN CN201910303510.9A patent/CN110189295A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739674A (zh) * | 2008-11-19 | 2010-06-16 | 深圳迈瑞生物医疗电子股份有限公司 | 影像序列自动拼接方法与装置以及拼接*** |
US20120014574A1 (en) * | 2010-07-13 | 2012-01-19 | Sigrid Ferschel | Method for Determining Properties of a Vessel in a Medical Image |
CN104408453A (zh) * | 2014-09-29 | 2015-03-11 | 北京理工大学 | 基于多特征聚类的近红外皮下静脉分割方法 |
CN107817764A (zh) * | 2017-10-23 | 2018-03-20 | 山东大学 | 一种基于s曲线加减速算法的nurbs曲线双向自适应插补算法 |
CN108469263A (zh) * | 2018-03-07 | 2018-08-31 | 武汉中海庭数据技术有限公司 | 一种基于曲率进行形点优化的方法及*** |
Non-Patent Citations (2)
Title |
---|
徐毅 等: "基于路径形态学的图像边缘连接方法", 《计算机工程与应用》 * |
朱承璋 等: "基于多特征融合和随机森林的视网膜血管分割", 《计算机辅助设计与图形学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563890A (zh) * | 2020-05-07 | 2020-08-21 | 浙江大学 | 一种基于深度森林的眼底图像血管分割方法和*** |
CN112465772A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
CN112465772B (zh) * | 2020-11-25 | 2023-09-26 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
CN112734773A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 一种亚像素级眼底血管分割方法、装置、介质和设备 |
CN113160189A (zh) * | 2021-04-27 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 血管中心线提取方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189295A (zh) | 基于随机森林和中心线的眼底视网膜血管分割方法 | |
CN104392460B (zh) | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 | |
CN108073918B (zh) | 眼底视网膜的血管动静脉交叉压迫特征提取方法 | |
CN110751655B (zh) | 一种基于语义分割和显著性分析的自动抠图方法 | |
CN104463140B (zh) | 一种彩色眼底图像视盘自动定位方法 | |
CN117078672B (zh) | 基于计算机视觉的手机屏幕缺陷智能检测方法 | |
CN109523524B (zh) | 一种基于集成学习的眼底图像硬性渗出检测方法 | |
CN106228157B (zh) | 基于图像识别技术的彩色图像文字段落分割与识别方法 | |
CN107644418B (zh) | 基于卷积神经网络的视盘检测方法及*** | |
CN106530283A (zh) | 一种基于svm的医疗图像血管识别方法 | |
CN106991370B (zh) | 基于颜色和深度的行人检索方法 | |
CN108388905B (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN106682601A (zh) | 一种基于多维信息特征融合的驾驶员违规通话检测方法 | |
CN103606153B (zh) | 一种从粪便显微图像中提取细胞的方法 | |
CN104794721A (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
TWI711008B (zh) | 一種基於飽和度聚類的骨髓白血球細胞定位方法 | |
CN104899862A (zh) | 基于全局与局部阈值的视网膜血管分割算法 | |
CN106097354A (zh) | 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法 | |
CN109446984A (zh) | 自然场景中道路交通标志识别方法 | |
CN109712695A (zh) | 血管图像的处理方法及交互显示方法、计算机装置 | |
CN107240073A (zh) | 一种基于梯度融合与聚类的三维视频图像修复方法 | |
CN106886992A (zh) | 一种基于饱和度的彩色多曝光融合图像的质量评价方法 | |
CN110310238A (zh) | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 | |
CN103049756A (zh) | 基于cema算法和纹理块匹配修复技术的自动提取与去除彩色图像内文字的方法 | |
CN105335960B (zh) | 结合边缘检测和分水岭算法的图像分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |