CN112862804B - 一种眼底视网膜血管图像处理***及方法 - Google Patents
一种眼底视网膜血管图像处理***及方法 Download PDFInfo
- Publication number
- CN112862804B CN112862804B CN202110226462.5A CN202110226462A CN112862804B CN 112862804 B CN112862804 B CN 112862804B CN 202110226462 A CN202110226462 A CN 202110226462A CN 112862804 B CN112862804 B CN 112862804B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- vessel image
- fundus blood
- gradient
- 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.)
- Active
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种眼底血管图像处理***及方法,包括图像获取模块,图像初步处理模块,方向梯度直方图特征提取模块,灰度共生矩阵提取模块和图像分类分析模块,通过对数据库中的眼底图像进行分割、特征提取与分类,实现了对图像的定性分析与定量分析,并通过计算初步处理后图像的直径、血管夹角、分形维数和迂曲度,从而更加有效的对图像进行预测和分类。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种眼底视网膜血管图像处理***及方法。
背景技术
从眼底图像背景中自动提取血管目标参数是一项基本任务,但是从低分辨率或亮度变化不均的眼底图像中自动提取血管目标参数具有一定难度。目前已经提出了许多用于处理眼底图像的方法,例如基于阈值、基于数学形态学、基于特征提取和基于机器学习的方法等。
然而现有技术中处理眼底图像的方法操作较为复杂且准确性较低,因此本领域亟需一种操作简单、准确性高的技术方案。
发明内容
本发明的目的是提供一种操作简单、准确性高的眼底视网膜血管图像处理***及方法,完成眼底血管图像重要特征的提取及分类。
为实现上述目的,本发明提供了如下方案:
一种眼底血管图像处理***,所述***包括:
图像获取模块,用于获取眼底血管图像;
图像初步处理模块,用于对所述眼底血管图像进行初步处理,得到初步处理眼底血管图像;
方向梯度直方图特征提取模块,用于提取所述初步处理眼底血管图像的方向梯度直方图特征;
灰度共生矩阵提取模块,用于提取所述初步处理眼底血管图像的灰度共生矩阵;
图像分类分析模块,用于将所述方向梯度直方图特征和所述灰度共生矩阵作为支持向量机(Support Vector Machine,SVM)的输入,进行图像分类分析,得到分类分析结果。
可选的,所述对所述眼底血管图像进行初步处理,得到初步处理眼底血管图像,具体包括:
提取所述眼底血管图像的绿色图像;
对所述绿色图像进行直方图均衡化处理,得到血管增强的所述初步处理眼底血管图像。
可选的,所述提取所述初步处理眼底血管图像的方向梯度直方图特征,具体包括:
A1、计算所述初步处理眼底血管图像的图像梯度,具体包括:
利用一维离散差分模板和转置因子对所述初步处理眼底血管图像进行卷积,得到水平和垂直方向的梯度分量;
根据当前像素的水平和垂直方向的梯度分量,得到当前像素梯度的幅度和方向:具体计算公式如下:
Gx(x,y)=H(x+1,y)-H(x-1,y)
Gv(x,y)=H(x,y+1)-H(x,y-1)
α(x,y)=tan-1((Gy(x,y))/(Gx(x,y)))
其中,Gx(x,y),Gy(x,y),H(x,y)分别表示当前像素点的水平梯度、垂直梯度和像素值,H(x+1,y),H(x-1,y),H(x,y+1),H(x,y-1)分别表示当前像素点的上、下、左、右位置的像素值,G(x,y),α(x,y)分别表示当前像素梯度的振幅和方向;
A2、利用滑动窗口法结合所述图像梯度得到所述初步处理眼底血管图像的多维特征向量,具体包括:
将所述初步处理眼底血管图像分为多个单元;
为每个单元构造一个梯度方向直方图,将梯度方向限定在[0,π];
将梯度方向等分为多个间隔;
对每个所述单元内的每个像素进行加权,并将所述梯度方向投影在直方图中,得到每个单元的投影在直方图上的多维特征向量;
A3、将多个所述单元组合成一个大块,在所述大块内对所述多维特征向量进行归一化处理,公式如下:
其中,v是无规范化的表示子向量,||v||2是v的2范数,ε是最小常数,V表示归一化后的特征向量;
A4、收集归一化后的特征向量,即为所述方向梯度直方图特征。
可选的,所述提取所述初步处理眼底血管图像的灰度共生矩阵的数学表达式为:
p(i,j,d,θ)=[(x,y),(x+Dx,y+Dx)|f(x,y)=i,f(x+Dx,y+Dy)=j]
式中,x,y=0,1,2,...,N-1表示图像中的像素坐标,N为最大坐标,其中(x,y)为开始位置,i,j=0,1,2...L-1表示图像的灰度级,对于一幅图像,其灰度级L=256,Dx,Dy是位置偏移,d为生成灰度共生矩阵的步长,θ为生成方向。
可选的,还包括统计分析模块,用于:
利用最大类间方差法(OSTU算法)计算所述初步处理眼底血管图像的图像阈值;
根据所述图像阈值进行阈值分割,得到二值化图像;
对所述二值化图像进行血管追踪,提取血管边界,得到边界血管图像;
对所述边界血管图像进行统计分析,得到统计分析结果。
可选的,所述对所述二值化图像进行血管追踪,提取血管边界,得到边界血管图像,具体包括:
计算图像矩阵大小;
设置初始种子节点和迭代步长;
确定搜索区域;
寻找边界点;
当到达图像边界点位置时结束追踪;否则移动所述种子节点并返回“设置初始种子节点和迭代步长”步骤。
可选的,所述对所述边界血管图像进行统计分析,具体包括:
提取所述边界血管图像的直径特征和夹角特征;
提取所述二值化图像的计盒维数;所述计盒维数的计算公式为:
提取所述二值化图像的迂曲度;所述迂曲度的计算公式为:
统计分析所述直径特征、所述夹角特征、所述计盒维数和所述迂曲度,得到所述统计分析结果。
可选的,还包括:
病程等级分析模块,用于根据所述统计分析的结果分析视网膜病变的病程等级;
病程等级分类模块,用于根据所述图像分类分析的结果对视网膜病变进行分类。
一种眼底血管图像处理方法,所述方法包括:
获取眼底血管图像;
对所述眼底血管图像进行初步处理,得到初步处理眼底血管图像;
提取所述初步处理眼底血管图像的方向梯度直方图特征;
提取所述初步处理眼底血管图像的灰度共生矩阵;
将所述方向梯度直方图特征和所述灰度共生矩阵作为SVM的输入,进行图像分类分析,得到分类分析结果。
可选的,所述对所述眼底血管图像进行初步处理,得到初步处理眼底血管图像之后,还包括:
利用OSTU算法计算所述初步处理眼底血管图像的图像阈值;
根据所述图像阈值进行阈值分割,得到二值化图像;
对所述二值化图像进行血管追踪,提取血管边界,得到边界血管图像;
对所述边界血管图像进行统计分析,得到统计分析结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
针对眼底血管图像的分析与分类问题,本发明提出了一种眼底血管图像处理***及方法,能够自动分割和提取视网膜血管。并计算了初步处理后图像的直径、血管夹角、分形维数和迂曲度,这些数值可以有效的对图像进行预测和分类。在利用SVM进行分类的步骤中,将方向梯度直方图和灰度共生矩阵作为SVM的输入,从而达到对图像精确识别的目的。并且本发明实施例通过对数据库中的眼底图像进行分割、特征提取与分类,实现了对图像的定性分析与定量分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的眼底血管图像处理***的***框图。
图2为本发明实施例一提供的眼底血管图像处理***的滑动窗口法归一化处理示意图。
图3为本发明实施例一提供的眼底血管图像处理***的OSTU阈值分割图像。
图4为本发明实施例一提供的眼底血管图像处理***的血管追踪分割流程图。
图5为本发明实施例一提供的眼底血管图像处理***的血管追踪示意图。
图6为本发明实施例一提供的眼底血管图像处理***的血管追踪分割图像。
图7为本发明实施例二提供的眼底血管图像处理方法的控制流程图。
符号说明:M1为图像获取模块,M2为图像初步处理模块,M3为方向梯度直方图特征提取模块,M4为灰度共生矩阵提取模块,M5为图像分类分析模块,M6为统计分析模块,M7为病程等级分析模块,M8为病程等级分类模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施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。
本发明的目的是提供一种操作简单、准确性高的眼底视网膜血管图像处理***及方法,完成重要特征的提取及分类。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一:
请参阅图1,一种眼底血管图像处理***,具体包括:
图像获取模块M1,用于获取眼底血管图像;
图像初步处理模块M2,用于对眼底血管图像进行初步处理,得到初步处理眼底血管图像,这一过程具体包括:
提取眼底血管图像的绿色图像;由于原图是RGB图像,而绿色通道的图像对比度最高,所以提取RGB图像的绿色图像。
对绿色图像进行直方图均衡化处理,得到血管增强的所述初步处理眼底血管图像;通过对绿色通道的图像进行直方图均衡化处理,使得图像的血管得到增强效果。
方向梯度直方图特征提取模块M3,用于提取所述初步处理眼底血管图像的方向梯度直方图特征(HOG特征),这一过程具体包括:
A1、计算所述初步处理眼底血管图像的图像梯度,具体包括:
使用直方图均衡化后的初步处理眼底血管图像作为标准化图像。这类图像能够有效减少图像中的局部阴影和光照变化,从而提高HOG特征在光照变化时的算法稳定性。
利用一维离散差分模板[-1,0,1]和转置因子T对初步处理眼底血管图像进行卷积,得到水平和垂直方向的梯度分量;
根据当前像素的水平和垂直方向的梯度分量,得到当前像素梯度的幅度和方向:具体计算公式如下:
Gx(x,y)=H(x+1,y)-H(x-1,y)
Gy(x,y)=H(x,y+1)-H(x,y-1)
α(x,y)=tan-1((Gy(x,y))/(Gx(x,y)))
其中,Gx(x,y),Gy(x,y),H(x,y)分别表示当前像素点的水平梯度、垂直梯度和像素值,H(x+1,y),H(x-1,y),H(x,y+1),H(x,y-1)分别表示当前像素点的上、下、左、右位置的像素值,G(x,y),α(x,y)分别表示当前像素梯度的振幅和方向;
A2、利用滑动窗口法结合所述图像梯度得到所述初步处理眼底血管图像的多维特征向量:
将所述初步处理眼底血管图像分为多个单元;
为每个单元构造一个梯度方向直方图,将梯度方向限定在[0,π];
将梯度方向等分为多个间隔;
对每个所述单元内的每个像素进行加权,并以所述梯度方向投影在直方图中,得到每个单元的投影在直方图上的多维特征向量;
滑动窗口法的原理是:首先,将尺寸为64×128的图像分为8×16个单元,即是每个单元为8×8像素,为每个单元构造一个梯度方向直方图。然后把梯度方向限定在[0,π],并将梯度方向分为9个间隔,每个间隔为20°。最后对单元内每个像素进行加权并以梯度方向投影在直方图中,也就是说单元中的每个像素根据该像素在特定方向上的幅度进行投影,从而得到该单元的直方图,也就是该单元对应的[0,π]上每隔20°投影在直方图上的9维特征向量。
A3、将多个单元组合成一个大块,在大块内对多维特征向量进行归一化处理,公式如下:
其中,v是无规范化的表示子向量,||v||2是v的2范数,ε是最小常数,V表示归一化后的特征向量;
相邻的2×2单元形成一个块,如图2黑色部分形成的块,每个块对应4X9=36维特征向量。由于局部光照的变化以及前景与背景的对比度,梯度强度变化很大。为了进一步消除光的影响,对块中的36维特征向量进行了归一化处理。
A4、收集归一化后的特征向量,即为所述方向梯度直方图特征;采用滑动窗口的方法对样本图像进行分块扫描,扫描步长为一个单位,分块之间存在重叠。
灰度共生矩阵提取模块M4,用于提取所述初步处理眼底血管图像的灰度共生矩阵,这一过程具体包括:
使用直方图均衡化后的初步处理眼底血管图像作为输入图像,本步骤反映了图像的灰度方向、相邻区间和变化幅度的综合信息。它是分析图像局部模式及其排列规则的基础。从图像中灰度I的像素(其位置为(x,y))开始,计算距离为d、灰度为j的像素(x+Dx,y+Dy)同时出现的次数p(i,j,d,θ),数学表达式为:
p(i,j,d,θ)=[(x,y),(x+Dx,y+Dx)|f(x,y)=i,f(x+Dx,y+Dy)=j]
式中,x,y=0,1,2,...,N-1表示图像中的像素坐标,N为最大坐标,其中(x,y)为开始位置,i,j=0,1,2...L-1表示图像的灰度,对于一幅图像,其灰度级L=256,Dx,Dy是位置偏移,d为生成灰度共生矩阵的步长,θ为生成方向,可以取0°,45°,90°,135°四个方向的共生矩阵。为了使灰度共生矩阵特征值不受像素区域的影响,有必要对此灰度共生矩阵进行归一化处理:
从灰度共生矩阵中可以得到四个方向的纹理特征。对于图像中的每一个像素,得到邻域的灰度共生矩阵,然后从灰度共生矩阵中得到统计信息。然后得到相应纹理图像的统计信息,并通过一些统计信息形成图像分类的特征向量。
图像分类分析模块M5,用于将所述方向梯度直方图特征和所述灰度共生矩阵作为SVM的输入,进行图像分类分析,得到分类分析结果。
本发明实施例将目标检测出来的效率,选取敏感性、特异性、准确率指标作为检测糖尿病视网膜病变等级分类的标准,敏感性表示被检测到某一病变等级的概率,特异性表示未被检测到某一病变等级的概率,准确率表示患病患者被检测到的概率。
对Messidor数据集中的四类图像进行SVM训练与测试后,输入图片进行分类,得到输入图像是否患有糖尿病视网膜血管病变。
通过检测共计100张图像,评价***的敏感性、特异性和准确率,检测结果显示在表中,对检测结果进行计算得到***性能指标如下表1所示。
表1性能指标
作为一种可选的实施方式,本发明实施例所述的眼底血管图像处理***还包括统计分析模块M6,用于:
B1、利用最大类间方差法(OSTU算法)计算所述初步处理眼底血管图像的图像阈值;
使用现有的OSTU算法进行最佳全局阈值计算,用式(1)对k=0,1,2,…,L-1计算类间方差P1(k)表示直方图阈值化后的灰度值之和,mGP1(k)表示P1(k)的累加,m(k)表示全局阈值。使最大化如式(2),计算得到最佳阈值k*,最后令阈值T=k*。
B2、根据所述图像阈值进行阈值分割,得到二值化图像;
根据上述阈值k*,对图像进行分割,得到分割后的二值化图像g(x,y),如图3所示。
B3、对所述二值化图像进行血管追踪,提取血管边界,得到边界血管图像;请参阅图4,这一过程具体包括:
计算图像矩阵大小;
设置初始种子节点和迭代步长;
确定搜索区域;
寻找边界点;
当到达图像边界点位置时结束追踪;否则移动所述种子节点并返回“设置初始种子节点和迭代步长”步骤。
基于血管追踪的眼底视网膜血管提取方法如图4和图5所示,在血管具有连续结构的基础上,在眼底图像上设置初始种子节点p→k,并且沿血管方向s→k进行追踪,k表示需要对种子点位置的16个方向进行判断是否到达血管边界,每迭代使k增加1,k的范围是{0,1,2,3,…,15},设置停止条件为是否达到血管边界,通过多次迭代得到最后的输出为眼底血管提取图像。
在种子点的其中一个方向上,为了估计左右边界点的位置,Rmax(sk)表示种子点p→k在该方向上单位向量所响应的最大值,也就是距离边界最远的种子点,dR(sk)表示出现最大响应时该种子点据中心线的距离,字母R表示最大响应。每个种子点的16个方向的单位向量表示为u→k,表示k方向上的x轴坐标分量,表示k方向上的y轴坐标分量,表示种子点在方向k上的梯度。sk表示血管追踪的方向。表示第k个种子点上x轴坐标分量,表示第k个种子点上y轴坐标分量。M表示血管宽度,d表示从血管宽度的中心点开始,对该点水平线上的个点进行迭代:
对其他15个方向的单位向量进行递归运算,表示为:
p→k+1=p→k+β→k+1+αu→k+1
终止条件为:
(1)下一个点p→k+1在图像区域之外;
(2)先前检测到的血管与当前血管相交;
(3)左右模板响应的总和小于每个图像自适应估计地阈值。
最终提取后的血管如图6所示。
B4、对所述边界血管图像进行统计分析,得到统计分析结果,这一过程具体包括:
B41、提取所述边界血管图像的直径特征和夹角特征;
对上述边界血管图像,测量其血管的直径,测量范围为内环视***边界,半径为1.0到1.5倍视盘直径的第2、3环之间的血管。视盘周围的视网膜血管的直径在3.35士1.05像素之间,通过直径检测算法检测到的直径误差在1像素左右。
具体算法步骤为:载入边界血管图像;使用MATLAB软件的标尺工具测量1.0-1.5倍视盘直径内视网膜动脉和静脉血管直径。
B42、提取所述二值化图像的计盒维数;所述计盒维数的计算公式为:
分形维数用来表示图像上血管的密集程度,当视网膜血管末端的细微血管结构和新生血管产生时,可以通过分形维数的数值表示。本发明实施例计算计盒维数。
上述二值化图像P作为输入,将图像划分为由多个边长为r的盒子组成,对于任意一个盒子边长r>0:,Nr表示用来覆盖P所需边长为r的盒子数。若存在一个参数D,使得当r→0时:
Nr∝1/rD
称图像P的计盒维数是D,当且仅当存在一个正数k使得:
对上式两边同时取对数计算,结果得到的计盒维数D为:
B43、提取所述二值化图像的迂曲度;对上述二值化图像进行迂曲度特征提取,对输入图像进行分块,每一块包含一条血管分支,定义为输入图像的局部血管,根据孔隙率计算的迂曲度公式为:
对上述二值化图像进行迂曲度特征提取。对输入图像进行分块,每一块包含一条血管分支,定义为输入图像的局部血管。局部血管的迂曲度定义为该处血管的实际长度Lt与血管两端直线连接的长度L0(宏观距离)的比值。一般的计算方法为:
根据孔隙率计算的迂曲度公式为:
B44、统计分析上述直径特征、夹角特征、计盒维数和迂曲度,得到统计分析结果。
值得说明的是本发明实施例提供的眼底血管图像处理***还包括:
病程等级分析模块M7,用于根据所述统计分析的结果分析视网膜病变的病程等级;
病程等级分类模块M8,用于根据所述图像分类分析的结果对视网膜病变进行分类。
本发明实施例针对视网膜病变图像的分析与分类问题,设计并提出了一种眼底血管图像处理***。所使用的算法能够自动分割和提取视网膜血管。并计算了初步处理后图像的直径、血管夹角、分形维数和迂曲度,这些数值可以从数学和血管结构上反映糖尿病性视网膜病变的严重程度。在利用SVM进行分类的步骤中,本发明实施例将方向梯度直方图和灰度共生矩阵作为SVM的输入,对于正常的眼底图像识别精确,可以从定性上完成视网膜病变的诊断任务;对于糖尿病视网膜病变阶段的眼底图像,***分类准确率达到76%。并且本发明实施例通过对数据库中的眼底图像进行分割、特征提取与分类,实现了对视网膜图像的定性分析与定量分析。该技术的实现过程为:首先对数据集中的图像进行阈值分割或血管追踪分割,得到血管网图像,对其进行特征提取,包括直径提取、分形维数提取和迂曲度提取。经过验证,分割后图像相较于分割前的特征提取精确率更高;最后利用支持向量机算法,将数据集分为四种病程,提取图像的方向梯度直方图和灰度共生矩阵对眼底图像进行视网膜病变的诊断。可用于眼科日常诊断、远程医疗等领域。
实施例二:
请参阅图7,本发明实施例提供了一种眼底血管图像处理方法,包括:
S1、获取眼底血管图像;
S2、对所述眼底血管图像进行初步处理,得到初步处理眼底血管图像;
S3、提取所述初步处理眼底血管图像的方向梯度直方图特征;
S4、提取所述初步处理眼底血管图像的灰度共生矩阵;
S5、将所述方向梯度直方图特征和所述灰度共生矩阵作为SVM的输入,进行图像分类分析,得到分类分析结果。
作为一种可选的实施方式,本发明实施例中对所述眼底血管图像进行初步处理,得到初步处理眼底血管图像之后,还包括:
利用最大类间方差法(OSTU算法)计算所述初步处理眼底血管图像的图像阈值;
根据所述图像阈值进行阈值分割,得到二值化图像;
对所述二值化图像进行血管追踪,提取血管边界,得到边界血管图像;
对所述边界血管图像进行统计分析,得到统计分析结果。
本发明实施例提供的眼底血管图像处理方法,针对眼底血管图像的分析与分类问题,设计并提出了一种眼底血管图像处理方法。所使用的算法能够自动分割和提取视网膜血管。并计算了初步处理后图像的直径、血管夹角、分形维数和迂曲度,这些数值可以有效的对图像进行预测和分类。在利用SVM进行分类的步骤中,本发明实施例将方向梯度直方图和灰度共生矩阵作为SVM的输入,对图像识别精确。并且本发明实施例通过对数据库中的眼底图像进行分割、特征提取与分类,实现了对图像的定性分析与定量分析。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种眼底血管图像处理***,其特征在于,所述***包括:
图像获取模块,用于获取眼底血管图像;
图像初步处理模块,用于对所述眼底血管图像进行初步处理,得到初步处理眼底血管图像,具体包括:
提取所述眼底血管图像的绿色图像;
对所述绿色图像进行直方图均衡化处理,得到血管增强的所述初步处理眼底血管图像;
方向梯度直方图特征提取模块,用于提取所述初步处理眼底血管图像的方向梯度直方图特征;
灰度共生矩阵提取模块,用于提取所述初步处理眼底血管图像的灰度共生矩阵;
图像分类分析模块,用于将所述方向梯度直方图特征和所述灰度共生矩阵作为支持向量机的输入,进行图像分类分析,得到分类分析结果;
还包括统计分析模块,用于:
利用最大类间方差法计算所述初步处理眼底血管图像的图像阈值;
根据所述图像阈值进行阈值分割,得到二值化图像;
对所述二值化图像进行血管追踪,提取血管边界,得到边界血管图像;
对所述边界血管图像进行统计分析,得到统计分析结果;统计分析直径特征、夹角特征、计盒维数和迂曲度,得到统计分析结果;
所述对所述二值化图像进行血管追踪,提取血管边界,得到边界血管图像,具体包括:
计算图像矩阵大小;
设置初始种子节点和迭代步长;
确定搜索区域;
寻找边界点;
当到达图像边界点位置时结束追踪;否则移动所述种子节点并返回“设置初始种子节点和迭代步长”步骤。
2.根据权利要求1所述的眼底血管图像处理***,其特征在于,所述提取所述初步处理眼底血管图像的方向梯度直方图特征,具体包括:
A1、计算所述初步处理眼底血管图像的图像梯度,具体包括:
利用一维离散差分模板和转置因子对所述初步处理眼底血管图像进行卷积,得到水平和垂直方向的梯度分量;
根据当前像素的水平和垂直方向的梯度分量,得到当前像素梯度的幅度和方向,具体计算公式如下:
Gx(x,y)=H(x+1,y)-H(x-1,y)
Gy(x,y)=H(x,y+1)-H(x,y-1)
α(x,y)=tan-1((Gy(x,y))/(Gx(x,y)))
其中,Gx(x,y),Gy(x,y),H(x,y)分别表示当前像素点的水平梯度、垂直梯度和像素值,H(x+1,y),H(x-1,y),H(x,y+1),H(x,y-1)分别表示当前像素点的上、下、左、右位置的像素值,G(x,y),α(x,y)分别表示当前像素梯度的振幅和方向;
A2、利用滑动窗口法结合所述图像梯度得到所述初步处理眼底血管图像的多维特征向量,具体包括:
将所述初步处理眼底血管图像分为多个单元;
为每个单元构造一个梯度方向直方图,将梯度方向限定在[0,π];
将梯度方向等分为多个间隔;
对每个所述单元内的每个像素进行加权,并以所述梯度方向投影在直方图中,得到每个单元的投影在直方图上的多维特征向量;
A3、将多个所述单元组合成一个大块,在所述大块内对所述多维特征向量进行归一化处理,公式如下:
其中,v是无规范化的表示子向量,||v||2是v的2范数,ε是最小常数,V表示归一化后的特征向量;
A4、收集归一化后的特征向量,即为所述方向梯度直方图特征。
3.根据权利要求1所述的眼底血管图像处理***,其特征在于,所述提取所述初步处理眼底血管图像的灰度共生矩阵的数学表达式为:
p(i,j,d,θ)=[(x,y),(x+Dx,y+Dx)|f(x,y)=i,f(x+Dx,y+Dy)=j]
式中,x,y=0,1,2,...,N-1表示图像中的像素坐标,N为最大坐标,其中(x,y)为开始位置,i,j=0,1,2...L-1表示图像的灰度,对于一幅图像,其灰度级L=256,Dx,Dy是位置偏移,d为生成灰度共生矩阵的步长,θ为生成方向。
5.根据权利要求1所述的眼底血管图像处理***,其特征在于,还包括:
病程等级分析模块,用于根据所述统计分析的结果分析视网膜病变的病程等级;
病程等级分类模块,用于根据所述图像分类分析的结果对视网膜病变进行分类。
6.一种眼底血管图像处理方法,其特征在于,所述方法包括:
获取眼底血管图像;
对所述眼底血管图像进行初步处理,得到初步处理眼底血管图像;
提取所述初步处理眼底血管图像的方向梯度直方图特征;
提取所述初步处理眼底血管图像的灰度共生矩阵;
将所述方向梯度直方图特征和所述灰度共生矩阵作为支持向量机的输入,进行图像分类分析,得到分类分析结果;
对所述眼底血管图像进行初步处理,得到初步处理眼底血管图像,具体包括:
提取所述眼底血管图像的绿色图像;
对所述绿色图像进行直方图均衡化处理,得到血管增强的所述初步处理眼底血管图像;
所述对所述眼底血管图像进行初步处理,得到初步处理眼底血管图像之后,还包括:
利用OSTU算法计算所述初步处理眼底血管图像的图像阈值;
根据所述图像阈值进行阈值分割,得到二值化图像;
对所述二值化图像进行血管追踪,提取血管边界,得到边界血管图像;
对所述边界血管图像进行统计分析,得到统计分析结果;统计分析直径特征、夹角特征、计盒维数和迂曲度,得到统计分析结果;
所述对所述二值化图像进行血管追踪,提取血管边界,得到边界血管图像,具体包括:
计算图像矩阵大小;
设置初始种子节点和迭代步长;
确定搜索区域;
寻找边界点;
当到达图像边界点位置时结束追踪;否则移动所述种子节点并返回“设置初始种子节点和迭代步长”步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226462.5A CN112862804B (zh) | 2021-03-01 | 2021-03-01 | 一种眼底视网膜血管图像处理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226462.5A CN112862804B (zh) | 2021-03-01 | 2021-03-01 | 一种眼底视网膜血管图像处理***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862804A CN112862804A (zh) | 2021-05-28 |
CN112862804B true CN112862804B (zh) | 2023-04-07 |
Family
ID=75990667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110226462.5A Active CN112862804B (zh) | 2021-03-01 | 2021-03-01 | 一种眼底视网膜血管图像处理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862804B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014122467A1 (en) * | 2013-02-06 | 2014-08-14 | Loxbridge Research Llp | Systems and methods for early disease detection and real-time disease monitoring |
CN107657612A (zh) * | 2017-10-16 | 2018-02-02 | 西安交通大学 | 适用于智能便携设备的全自动视网膜血管分析方法及*** |
WO2020103289A1 (zh) * | 2018-11-23 | 2020-05-28 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和*** |
CN111354006A (zh) * | 2018-12-21 | 2020-06-30 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像中目标组织的描迹方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110727B (zh) * | 2019-06-18 | 2023-04-18 | 南京景三医疗科技有限公司 | 基于条件随机场和贝叶斯后处理的图像分割方法 |
WO2021232194A1 (en) * | 2020-05-18 | 2021-11-25 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image reconstruction |
-
2021
- 2021-03-01 CN CN202110226462.5A patent/CN112862804B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014122467A1 (en) * | 2013-02-06 | 2014-08-14 | Loxbridge Research Llp | Systems and methods for early disease detection and real-time disease monitoring |
CN107657612A (zh) * | 2017-10-16 | 2018-02-02 | 西安交通大学 | 适用于智能便携设备的全自动视网膜血管分析方法及*** |
WO2020103289A1 (zh) * | 2018-11-23 | 2020-05-28 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和*** |
CN111354006A (zh) * | 2018-12-21 | 2020-06-30 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像中目标组织的描迹方法及装置 |
Non-Patent Citations (1)
Title |
---|
Box-Counting Method in Python for Fractal Analysis of Biomedical Images;Ivana Konatar 等;《2020 24th International Conference on Information Technology (IT)》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112862804A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kovács et al. | A self-calibrating approach for the segmentation of retinal vessels by template matching and contour reconstruction | |
US9256941B2 (en) | Microcalcification detection and classification in radiographic images | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像*** | |
Lu et al. | Automatic optic disc detection from retinal images by a line operator | |
CN109409190A (zh) | 基于梯度直方图和Canny边缘检测器的行人检测方法 | |
Zhou et al. | Optic disc and cup segmentation in retinal images for glaucoma diagnosis by locally statistical active contour model with structure prior | |
Said et al. | Robust automatic void detection in solder balls | |
Chen et al. | Spherical-patches extraction for deep-learning-based critical points detection in 3D neuron microscopy images | |
CN110705621A (zh) | 基于dcnn的食物图像的识别方法和***及食物热量计算方法 | |
Tavakoli et al. | Unsupervised automated retinal vessel segmentation based on Radon line detector and morphological reconstruction | |
CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
Na et al. | Retinal vascular segmentation using superpixel‐based line operator and its application to vascular topology estimation | |
Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
Zhang et al. | Reconnection of interrupted curvilinear structures via cortically inspired completion for ophthalmologic images | |
CN108520539B (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
CN116228776B (zh) | 一种机电设备焊接缺陷识别方法及*** | |
CN111652277A (zh) | 假阳性过滤方法、电子装置及计算机可读存储介质 | |
CN112862804B (zh) | 一种眼底视网膜血管图像处理***及方法 | |
US11645827B2 (en) | Detection method and device for assembly body multi-view change based on feature matching | |
Cheng et al. | Automatic centerline detection of small three-dimensional vessel structures | |
Ahmmed et al. | Fuzzy logic based algorithm to classify tumor categories with position from brain MRI images | |
CN114693698B (zh) | 一种基于神经网络的计算机辅助肺气道分割方法 | |
Alves et al. | The challenges of applying deep learning for hemangioma lesion segmentation | |
CN114445419A (zh) | 一种基于支气管拓扑结构的肺段分割方法、装置及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |