CN116309633A - 一种基于核直觉模糊c均值聚类的视网膜血管分割方法 - Google Patents
一种基于核直觉模糊c均值聚类的视网膜血管分割方法 Download PDFInfo
- Publication number
- CN116309633A CN116309633A CN202310095253.0A CN202310095253A CN116309633A CN 116309633 A CN116309633 A CN 116309633A CN 202310095253 A CN202310095253 A CN 202310095253A CN 116309633 A CN116309633 A CN 116309633A
- Authority
- CN
- China
- Prior art keywords
- fundus image
- blood vessel
- clustering
- color fundus
- vessel segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 77
- 230000011218 segmentation Effects 0.000 title claims abstract description 75
- 210000001525 retina Anatomy 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 48
- 210000001210 retinal vessel Anatomy 0.000 claims description 40
- 238000001914 filtration Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0002—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于核直觉模糊C均值聚类的视网膜血管分割方法、装置、电子设备、可读存储介质以及计算机程序产品，方法具体包括：对预处理后的彩色眼底图像进行特征提取，得到三维输入特征向量，通过基于核直觉模糊C均值聚类方法对归一化特征向量进行聚类，得到视网膜血管分割图，最后通过区域连通性的面积阈值法对视网膜血管分割图进行去噪得到视网膜血管分割结果图。本发明采用了高斯核距离来度量样本点到聚类中心的距离，解决了部分低对比度样本点存在线性不可分的问题，通过隶属度、非隶属度、犹豫度三个属性共同描述像素样本点和聚类中心之间的关系，具有更好的视网膜细小血管检测能力，可广泛应用于图像分割领域。
Description
技术领域
本发明涉及图像分割技术领域，尤其是一种基于核直觉模糊C均值聚类的视网膜血管分割方法。
背景技术
视网膜眼底血管宽度、角度、分支状态等特征在糖尿病、青光眼、高血压等疾病的诊断中有重要的价值，因此，视网膜血管分割引起了研究者的广泛关注。视网膜血管分割方法主要分为有监督方法和无监督方法。有监督方法利用标记好的像素类别标签信息来训练分类器，使用训练好的分类器对眼底图像像素进行分类。无监督方法不需要已知类别标签的训练集，节省了眼科专家对眼底图像进行手工标记的时间。
现有的视网膜血管分割方法中，存在以下问题：
1、模糊C均值聚类的视网膜血管分割方法使用欧式距离来度量样本点到聚类中心的距离，使用单一属性隶属度来度量样本点属于聚类中心的程度，使得视网膜血管分割结果中会出现血管的交叉处断开的现象，另外还会出现部分低对比度细小血管丢失；
2、直觉模糊C均值聚类的视网膜血管分割方法存在部分低对比度血管样本点与背景样本点存在线性不可分的问题；
3、核模糊C均值聚类的视网膜血管分割方法对视网膜细小血管的检测能力不够。
发明内容
有鉴于此，本发明实施例提供一种精准的基于核直觉模糊C均值聚类的视网膜血管分割方法。
一方面，本发明实施例提供了一种基于核直觉模糊C均值聚类的视网膜血管分割方法，包括：
对彩色眼底图像进行预处理；
对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像的三维输入特征向量；
对所述三维输入特征向量进行处理得到归一化特征向量；
通过基于核直觉模糊C均值聚类方法对所述归一化特征向量进行聚类，得到聚类中心以及各像素点属于所述聚类中心的隶属度；
根据各像素点属于所述聚类中心的隶属度的大小对所述像素点进行分类，得到视网膜血管分割图；
通过区域连通性的面积阈值法将所述视网膜血管分割图进行去噪得到视网膜血管分割结果图。
可选地，所述对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像的三维输入特征向量，包括：
采用所述多尺度高斯匹配滤波对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像中每个目标像素的多尺度高斯匹配滤波特征响应输出；
采用所述B-COSFIRE滤波对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像中每个目标像素的B-COSFIRE滤波特征响应输出；
采用所述多尺度线算子对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像中每个目标像素的多尺度线算子的特征响应输出；
对所述多尺度高斯匹配滤波、B-COSFIRE滤波以及多尺度线算子的特征响应输出进行处理得到所述三维输入特征向量。
可选地，所述对彩色眼底图像进行预处理，包括：
提取出所述彩色眼底图像的绿通道图像；
通过限制对比度自适应直方图均衡化对所述绿通道图像进行增强处理。
可选地，在所述采用所述多尺度高斯匹配滤波对预处理后的所述彩色眼底图像进行处理，得到所述彩色眼底图像中每个目标像素的多尺度高斯匹配滤波特征响应输出这一步骤中，所述高斯匹配滤波的响应函数为：
其中，K(x,y)表示高斯匹配滤波响应值，x表示像素点的横坐标，y表示血管的方向，L为血管方向下分段线结构的长度，σ为高斯函数的标准差，表示血管尺度，
是高斯函数，m0是高斯函数的灰度均值。
可选地，所述采用所述多尺度线算子对预处理后的所述彩色眼底图像进行处理，得到所述彩色眼底图像中每个目标像素的多尺度线算子的特征响应输出，包括：
定义一个检测窗口，在预处理后的所述彩色眼底图像中滑动，计算像素点的平均灰度值；
在0至180度内，以15度为尺度，取12个方向来匹配不同走向的血管，分别算出每个方向的响应值，选取最大响应值；
由所述平均灰度值和最大响应值计算线算子响应值，其中，所述线算子响应值的计算公式为：
其中，RN为线算子响应值，
为12个方向上最大的响应值，/>
为平均灰度值，N为检测窗口，I为中心点；
将尺度的取值改为1至15，以2为步长，设置7个尺度，并分别求出7个尺度的所述线算子响应值，把最大响应值作为目标像素的所述多尺度线算子的特征响应输出。
可选地，在所述通过基于核直觉模糊C均值聚类方法对所述归一化特征向量进行聚类，得到聚类中心以及各像素点属于所述聚类中心的隶属度这一步骤中，所述基于核直觉模糊C均值聚类方法的目标函数的表达式为：
其中，JKIFCM表示基于核直觉模糊C均值聚类方法的目标函数，c表示聚类中心的个数；n表示彩色眼底图像中包含的像素点的个数；m是控制聚类的模糊性；
为引入直觉模糊集后更新的隶属度/>
表示直觉模糊熵，用于度量聚类中的模糊程度；||f(F(xj))-f(vi)||表示第j个像素点到第i类聚类中心的核函数距离，其中φ表示三维输入特征向量的样本点通过非线性连续函数φ映射到高维特征空间，核函数使得特征空间中的点积运算可以转化为样本空间中对核函数的计算；F(xj)表示第j个像素点，vi表示第i类聚类中心；/>
表示归属于第i个聚类中心所有像素点犹豫度值的加和求平均。
另一方面，本发明实施例还提供了一种基于核直觉模糊C均值聚类的视网膜血管分割装置，包括：
预处理模块，用于对彩色眼底图像进行预处理；
特征提取模块，用于对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像的三维输入特征向量，对所述三维输入特征向量进行处理得到归一化特征向量；
聚类模块，用于通过基于核直觉模糊C均值聚类方法对所述归一化特征向量进行聚类，得到聚类中心以及各像素点属于所述聚类中心的隶属度，根据各像素点属于所述聚类中心的隶属度的大小对所述像素点进行分类，得到视网膜血管分割图；
后处理模块，用于通过区域连通性的面积阈值法将所述视网膜血管分割图进行去噪得到视网膜血管分割结果图。
另一方面，本发明实施例还提供了一种电子设备，包括处理器以及存储器，所述存储器用于存储程序，所述处理器执行所述程序实现上述基于核直觉模糊C均值聚类的视网膜血管分割方法。
另一方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现上述基于核直觉模糊C均值聚类的视网膜血管分割方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例至少包括以下有益成果：使用核直觉模糊C均值聚类的视网膜血管分割方法，解决了部分低对比度血管样本点与背景样本点存在线性不可分的问题，所分割的血管具有更好的完整性和连续性，还能更好地检测视网膜细小血管。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，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是本发明实施例提供的基于核直觉模糊C均值聚类的视网膜血管分割方法的流程图；
图2是本发明实施例提供的对彩色眼底图像进行特征提取的步骤流程图；
图3是本发明实施例提供的B-COSFIRE滤波的设计原理图；
图4是本发明实施例提供的线算子检测视网膜的原理图；
图5是本发明实施例具体实施的流程图；
图6是本发明实施例提供的基于核直觉模糊C均值聚类方法与其他方法对视网膜血管分割的结果对比图；
图7是本发明实施例提供的基于核直觉模糊C均值聚类的视网膜血管分割方法的装置示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术存在的问题，本发明实施例提供了一种基于核直觉模糊C均值聚类的视网膜血管分割方法，如图1所示，该方法包括步骤101至步骤106：
步骤101：对彩色眼底图像进行预处理。
首先获取彩色视网膜眼底图像，例如从START数据库、DRIVE数据库、MESSIDOR数据库以及ROC数据库等公开的彩色眼底图数据库获得彩色视网膜眼底图像，然后通过图像处理软件提取出所述彩色眼底图像的绿通道图像，常用的提取绿通道图像软件的有Opencv软件，然后采用通过限制对比度自适应直方图均衡化对所述绿通道图像进行增强处理对所述绿通道图像进行增强处理。
其中，绿通道图像的血管和背景对比度高，噪声少，血管形态结构较为清晰，因此本发明选取绿通道图像来进行进一步的处理和分析；限制对比度自适应直方图均衡化是对全局图像进行均衡化，但是每个小区域块都使用对比度限制，可以提亮图像的局部对比度和细节部分，又能克服过度放大噪音的问题，以达到图像增强的目的。
步骤102：对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像的三维输入特征向量。
参照图2，上述步骤102，具体可以包括步骤201至步骤204。
步骤201：采用所述多尺度高斯匹配滤波对预处理后的所述彩色眼底图进行特征提取，得到所述彩色眼底图像中每个目标像素的多尺度高斯匹配滤波特征响应输出。
其中，彩色眼底图像的血管可用分段线结构表示；血管横断面的灰度分布满足高斯分布，根据以上特性，用高斯匹配滤波来检测视网膜眼底血管，高斯匹配滤波的响应函数为：
其中，K(x,y)表示高斯匹配滤波响应值，x表示像素点的横坐标，y表示血管的方向，L为血管方向下分段线结构的长度，本发明取L＝9，σ为高斯函数的标准差，表示血管尺度，本发明采用多尺度的高斯匹配滤波，尺度参数的选取分别为：0.8，1.2，2，exp()是指数函数，m0是高斯函数的灰度均值；由于血管存在不同的方向，本文中每个尺度的高斯匹配滤波用12个不同方向的高斯核分别与图像作卷积，把不同尺度不同方向的最大滤波响应值作为特征响应输出。
步骤202：采用所述B-COSFIRE滤波对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像中每个目标像素的B-COSFIRE滤波特征响应输出。
其中，B-COSFIRE滤波是一种基于棒状选择移位组合的滤波响应方法，将共线排列的DoG滤波器在相对于其支持区域中心的特定位置的响应作为输入，DoG滤波器把相应圆的中心的模糊和移位响应的加权几何平均值作为输出。B-COSFIRE滤波的设计原理参照图3的(a)，在图3的(a)中每个灰色圆圈代表着DoG滤波器的支持域，标记的黑色点为滤波器中心点；B-COSFIRE滤波器响应通过一组高斯差分DoG滤波响应的乘积加权几何平均得到，DoG滤波响应的计算公式为：
其中，DoG(x,y)为DoG滤波响应，s为高斯函数的标准差，DoG滤波器围绕着中心点按着同心圆进行响应，如图3的(b)中的点1为中心点，响应最大的点就是强度变化最大的点，即关键点，如图3的(b)中的点2～5，用集合
表示关键点的信息，其中n为DoG滤波器的个数，由实际情况设置，本发明设置为5。si表示DoG滤波器响应最大时的标准差，ρi、/>
表示滤波器中心点的极坐标。为提高各个关键点位置的容错性，对DoG滤波响应进行模糊和移位操作后，再将各个滤波器响应值进行加权几何平均操作，最终得到B-COSFIRE滤波器的响应公式rS(x,y)，响应公式的计算公式为：
其中，rS(x,y)为B-COSFIRE滤波器的响应输出，
gt表示以t为阈值对响应进行阈值化，0≤t≤1。由于血管有不同的方向，为了检测不同方向的血管，需要旋转滤波器，以15度为尺度，按公式(3)分别算出12个方向的响应，取12个方向响应的最大值作为响应输出。
B-COSFIRE滤波对血管类的带状结构有很好的检测效果，在眼底血管检测过程中，采用图3的(b)对称B-COSFIRE滤波检测连续血管和图3的(c)非对称B-COSFIRE滤波检测血管末端。
步骤203：采用所述多尺度线算子对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像中每个目标像素的多尺度线算子的特征响应输出。
其中，线算子检测呈线状的视网膜血管的原理图如图4的(a)所示，定义一个大小为15×15的检测窗口N,在预处理后的眼底图像中滑动，计算以I为中心点、以15为尺度的线算子覆盖的所有像素点的平均灰度值
并在0至180度内，以15度为间隔，取12个方向来匹配不同走向的血管，分别算出每个方向的响应值/>
取其最大值，记为/>
此时线结构方向与血管方向一致，其方向匹配原理如图4的(b)所示，由所述平均灰度值和最大响应值计算线算子响应值，其中，所述线算子响应值的计算公式为：
其中，RN为线算子响应值，
为12个方向上最大的响应值，/>
为平均灰度值。
上述方法为单一尺度的线算子计算响应值，不利于探测不同长度的分段线结构血管，在单一尺度线算子的基础上提出了多尺度线算子特征提取法，将尺度的取值改为1至15，以2为步长，设置7个尺度，并分别求出7个尺度的所述线算子响应值，把最大响应值作为目标像素的所述多尺度线算子的特征响应输出。
步骤204：对所述多尺度高斯匹配滤波、B-COSFIRE滤波器以及多尺度线算子的特征响应输出进行处理得到所述三维输入特征向量。
通过步骤201、202、203得到f1(xj)、f2(xj)、f3(xj)，分别表示高斯匹配滤波、B-COSFIRE滤波以及多尺度线算子提取的特征响应输出，因此三维特征向量的表达式为F3D(xj)＝(f1(xj),f2(xj),f3(xj))，其中，F3D(xj)表示三维特征向量。
步骤103：对所述三维输入特征向量进行处理得到归一化特征向量。
其中，处理为进行归一化处理，为了消除特征数据之间的量纲影响，使所有特征数据都能处于同一区间，使用线性函数归一化公式对三个特征响应输出进行归一化处理，即将原始数据进行线性变换，然后映射到(0,1)范围内，实现对原始数据的等比缩放，其中线性函数归一化公式为：
其中，fi为第i维特征响应输出，i取{1,2,3},
表示经过归一化后的特征响应值，max(fi)和min(fi)分别为第i维特征响应输出的最大值和最小值。
由前述三个归一化后的特征相应输出得到归一化特征向量的表达式
其中，F(xj)为归一化特征向量，/>
为三个特征响应输出进行归一化后的特征响应值。
步骤104：通过基于核直觉模糊C均值聚类方法对所述归一化特征向量进行聚类，得到聚类中心以及各像素点属于所述聚类中心的隶属度。
首先，将归一化特征向量中的像素样本点通过高斯核函数映射到高维特征空间，在高维特征空间中，部分线性不可分的像素样本点变得线性可分。
其中，所述基于核直觉模糊C均值聚类的目标函数的表达式为：
其中，JKIFCM表示基于核直觉模糊C均值聚类的目标函数，c表示聚类中心的个数，本发明将像素点分为血管类和背景类，故c的取值为2；n表示彩色眼底图像中包含的像素点的个数；m是控制聚类的模糊性，本发明设置为2；
为引入直觉模糊集后更新的隶属度；
表示直觉模糊熵，用于度量聚类中的模糊程度，其中/>
||f(F(xj))-f(vi)||表示第j个像素点到第i类聚类中心的核函数距离，其中φ表示归一化特征向量的样本点通过非线性连续函数φ映射到高维特征空间，核函数和非线性连续函数φ的关系满足
F(xj)表示第j个像素点的归一化特征向量，vi表示第i类聚类中心。
其中，核函数即高斯核函数，是将每一个样本点映射到一个无穷维的特征空间，从而使得原本线性不可分的数据线性可分；本发明中使用高斯核函数距离来度量样本点到聚类中心的距离，通过高斯核函数将像素点映射到高维特征空间中，在高维特征空间中，部分线性不可分的像素点变成线性可分，提升了算法对线性不可分的像素点分类准确度。
本发明使用隶属度、非隶属度和犹豫度三个属性共同描述像素点与聚类中心的关系，三个属性的关系式为：
πij＝1-uij-γij (7)
γij＝(1-(uij)α)1/α (8)
其中，
为引入直觉模糊集后更新的隶属度；μij表示在特征空间中，第j个像素样本点归属于第i个聚类中心的隶属度值；πij表示在特征空间中，第j个像素样本点归属于第i个聚类中心的犹豫度值，犹豫度属性是用来描述样本点的不确定性；γij表示非隶属度，即在特征空间中，第j个样本点不属于第i个聚类中心的程度，α为控制非隶属度的参数，本发明取α的值为0.8。
因为核函数和非线性连续函数φ的关系满足
则|φ(xj)-φ(vi)||2可以表示为：
其中，高斯核函数的表达式为
σ为高斯核函数的标准差，通过调节σ参数控制高斯核函数对样本点与聚类中心之间距离的关联程度，随着σ参数的增大，k(xj,vi)的变化比较平滑，区分度下降，随着σ参数的减小，k(xj,vi)的变化比较尖锐，区分度上升，本发明中σ的取值为1.28；将高斯核函数满足的k(xj,xj)＝1，k(vi,vi)＝1代入式(5)和(9)，可得变换后的基于核直觉模糊C均值聚类方法的目标函数的表达式为：
再通过拉格朗日乘数法最小化公式(10)的目标函数，获得聚类过程中所对应的隶属度更新函数(11)和聚类中心更新函数(12)如下：
由公式(6)、(7)、(8)计算出目标像素点的隶属度、犹豫度、非隶属度，在视网膜血管的眼底图像中，分布在血管和背景的边界区域的像素点，其归属于血管聚类中心的隶属度和归属于背景聚类中心的隶属度比较接近且都比较小，犹豫度大；在低对比度的细小血管区域，样本点属于血管聚类中心的隶属度和非隶属度的值比较接近，难以区分，犹豫度也比较大，因此根据式(11)和(12)优化了隶属度和聚类中心的计算，调整聚类中心的位置，提升了细小血管检测的灵敏度。
综上所述，基于核直觉模糊C均值聚类的算法步骤归纳如下：
确定聚类中心的个数c、隶属度模糊参数m、非隶属度控制参数α、迭代终止条件ε以及迭代次数上限；
初始化聚类中心；
根据式(11)更新隶属度；
根据式(12)更新聚类中心；
判断迭代终止条件，若|Jm-Jm-1≤ε或者迭代次数达到上限，ε和迭代次数上限都根据实际情况选取，本发明不作限制，例如ε可以取0.03，迭代次数上限可以取100，当到达迭代终止条件则算法终止，否则返回式(11)更新隶属度。
步骤105：根据各像素点属于所述聚类中心的隶属度的大小对所述像素点进行分类，得到视网膜血管分割图。
通过核直觉模糊C均值聚类方法得到两个聚类中心，本发明中分别是血管类和背景类，以及目标像素点关于这两个聚类中心的隶属度，对比目标像素点最后一次迭代得到的关于两个聚类中心的隶属度，将目标像素点分类到隶属度较大的类别中，完成眼底图像中目标像素点的分类，得到视网膜血管分割图。
步骤106：通过区域连通性的面积阈值法将所述视网膜血管分割图进行去噪得到视网膜血管分割结果图。
首先确定视网膜血管分割图中的连通区域，连通区域是由具有相同像素值的相邻像素组成像素集合；然后计算每个连通区域的面积；最后去除面积小于第一阈值的区域得到视网膜血管分割结果图，其中，本发明中第一阈值为25。
参照图5，下面以本发明具体实施例描述本发明实施例提供的基于核直觉模糊C均值聚类的视网膜血管分割方法的执行和应用。
1、对彩色眼底图像进行预处理。从DRIVE数据库中获取的视网膜的彩色眼底图像，使用Opencv软件提取彩色图像的绿通道图像，采用通过限制对比度自适应直方图均衡化对所述绿通道图像进行增强处理对所述绿通道图像进行增强处理。
2、对预处理后的彩色眼底图像进行特征提取。选取多尺度高斯匹配滤波、B-COSFIRE滤波和多尺度线算子提取眼底图像的像素特征，得到三维输入特征向量，再对三维输入特征向量进行归一化处理得到归一化特征向量。
3、对归一化特征向量进行聚类运算。通过基于核直觉模糊C均值聚类方法对所述归一化特征向量进行聚类，得到眼底图像的聚类中心以及各像素点属于所述聚类中心的隶属度，然后根据各像素点属于所述聚类中心的隶属度的大小对像素点进行分类，然后进行眼底图像视网膜血管分割，得到视网膜血管分割图。
4、对视网膜血管分割图后处理。通过区域连通性的面积阈值法将所述视网膜血管分割图进行去噪，去除图像上孤立的噪声点，得到视网膜血管分割结果图。
如图6所示，本发明实施例提供了本发明的方法与其他方法的分割结果对比图，图6中的两行图片是实验中的图像分割结果的两处局部放大图，对比实验中只有聚类方法不同，其他步骤均相同，图6的(a)是基于模糊C均值聚类算法的分割图，图6的(b)是基于核模糊C均值聚类算法的分割图，图6的(c)是基于直觉模糊C均值聚类的算法分割图，图6的(d)是本发明的基于核直觉模糊C均值聚类的分割图，图6的(e)是专家手工分割图，通过这些对比图，可以看出本发明在细小血管的检测以及血管的连续性和完整性方面都优于其他几种方法，本发明相较于现有技术有更好地检测细小血管、分割血管更加完整连续的特点。
综上所述，本发明实施例的基于核直觉模糊C均值聚类的视网膜血管分割方法具有以下优点：
1、本发明采用了高斯核距离来度量样本点到聚类中心的距离，较好的解决了部分低对比度血管样本点与背景样本点存在线性不可分的问题，以及分割结果出现交叉处断开的问题，所分割的血管具有更好的完整性和连续性。
2、本发明使用隶属度、非隶属度、犹豫度三个属性共同描述像素样本点和聚类中心之间的关系，具有更好的视网膜细小血管检测能力。
参照图7，本发明实施例还提供了一种基于核直觉模糊C均值聚类的视网膜血管分割装置，包括：
预处理模块701，用于对彩色眼底图像进行预处理；
特征提取模块702，用于对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像的三维输入特征向量，对所述三维输入特征向量进行处理得到归一化特征向量；
聚类模块703，用于通过基于核直觉模糊C均值聚类方法对所述归一化特征向量进行聚类，得到聚类中心以及各像素点属于所述聚类中心的隶属度，根据各像素点属于所述聚类中心的隶属度的大小对所述像素点进行分类，得到视网膜血管分割图；
后处理模块704，用于通过区域连通性的面积阈值法将所述视网膜血管分割图进行去噪得到视网膜血管分割结果图。
本发明实施例还提供了一种电子设备，该电子设备可以进行基于核直觉模糊C均值聚类的视网膜血管分割方法，首先对彩色眼底图像进行预处理，再对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像的三维输入特征向量，然后通过基于核直觉模糊C均值聚类方法对所述三维输入特征向量进行聚类，得到聚类中心以及各像素点属于所述聚类中心的隶属度，根据各像素点属于所述聚类中心的隶属度的大小对所述像素点进行分类，得到视网膜血管分割图，最后通过区域连通性的面积阈值法将所述视网膜血管分割图进行去噪得到视网膜血管分割结果图。本发明采用了高斯核距离来度量样本点到聚类中心的距离，较好的解决了部分低对比度血管样本点与背景样本点存在线性不可分，以及分割结果出现交叉处断开的问题，所分割的血管具有更好的完整性和连续性；本发明还使用隶属度、非隶属度、犹豫度三个属性共同描述像素样本点和聚类中心之间的关系，具有更好的视网膜细小血管检测能力。
本发明实施例还提供了一种可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现上述的基于核直觉模糊C均值聚类的视网膜血管分割方法。
本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述基于核直觉模糊C均值聚类的视网膜血管分割方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于核直觉模糊C均值聚类的视网膜血管分割方法，其特征在于，包括：
对彩色眼底图像进行预处理；
对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像的三维输入特征向量；
对所述三维输入特征向量进行处理得到归一化特征向量；
通过基于核直觉模糊C均值聚类方法对所述归一化特征向量进行聚类，得到聚类中心以及各像素点属于所述聚类中心的隶属度；
根据各像素点属于所述聚类中心的隶属度的大小对所述像素点进行分类，得到视网膜血管分割图；
通过区域连通性的面积阈值法将所述视网膜血管分割图进行去噪得到视网膜血管分割结果图。
2.根据权利要求1所述的一种基于核直觉模糊C均值聚类的视网膜血管分割方法，其特征在于，所述对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像的三维输入特征向量，包括：
采用所述多尺度高斯匹配滤波对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像中每个目标像素的多尺度高斯匹配滤波特征响应输出；
采用所述B-COSFIRE滤波对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像中每个目标像素的B-COSFIRE滤波特征响应输出；
采用所述多尺度线算子对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像中每个目标像素的多尺度线算子的特征响应输出；
对所述多尺度高斯匹配滤波、B-COSFIRE滤波以及多尺度线算子的特征响应输出进行处理得到所述三维输入特征向量。
3.根据权利要求1所述的一种基于核直觉模糊C均值聚类的视网膜血管分割方法，其特征在于，所述对彩色眼底图像进行预处理，包括：
提取出所述彩色眼底图像的绿通道图像；
通过限制对比度自适应直方图均衡化对所述绿通道图像进行增强处理。
4.根据权利要求2所述的一种基于核直觉模糊C均值聚类的视网膜血管分割方法，其特征在于，在所述采用所述多尺度高斯匹配滤波对预处理后的所述彩色眼底图像进行处理，得到所述彩色眼底图像中每个目标像素的多尺度高斯匹配滤波特征响应输出这一步骤中，所述高斯匹配滤波的响应函数为：
其中，K(x,y)表示高斯匹配滤波响应值，x表示像素点的横坐标，y表示血管的方向，L为血管方向下分段线结构的长度，σ为高斯函数的标准差，表示血管尺度，
是高斯函数，m0是高斯函数的灰度均值。
5.根据权利要求2所述的一种基于核直觉模糊C均值聚类的视网膜血管分割方法，其特征在于，所述采用所述多尺度线算子对预处理后的所述彩色眼底图像进行处理，得到所述彩色眼底图像中每个目标像素的多尺度线算子的特征响应输出，包括：
定义一个检测窗口，在预处理后的所述彩色眼底图像中滑动，计算像素点的平均灰度值；
在0至180度内，以15度为尺度，取12个方向来匹配不同走向的血管，分别算出每个方向的响应值，选取最大响应值；
由所述平均灰度值和最大响应值计算线算子响应值，其中，所述线算子响应值的计算公式为：
其中，RN为线算子响应值，
为12个方向上最大的响应值，/>
为平均灰度值，N为检测窗口，I为中心点；
将尺度的取值改为1至15，以2为步长，设置7个尺度，并分别求出7个尺度的所述线算子响应值，把最大响应值作为目标像素的所述多尺度线算子的特征响应输出。
6.根据权利要求2所述的一种基于核直觉模糊C均值聚类的视网膜血管分割方法，其特征在于，在所述通过基于核直觉模糊C均值聚类方法对所述归一化特征向量进行聚类，得到聚类中心以及各像素点属于所述聚类中心的隶属度这一步骤中，所述基于核直觉模糊C均值聚类方法的目标函数的表达式为：
其中，JKIFCM表示基于核直觉模糊C均值聚类方法的目标函数，c表示聚类中心的个数；n表示彩色眼底图像中包含的像素点的个数；m是控制聚类的模糊性；
为引入直觉模糊集后更新的隶属度/>
表示直觉模糊熵，用于度量聚类中的模糊程度；
7.一种基于核直觉模糊C均值聚类的视网膜血管分割装置，其特征在于，包括：
预处理模块，用于对彩色眼底图像进行预处理；
特征提取模块，用于对预处理后的所述彩色眼底图像进行特征提取，得到所述彩色眼底图像的三维输入特征向量，对所述三维输入特征向量进行处理得到归一化特征向量；
聚类模块，用于通过基于核直觉模糊C均值聚类方法对所述归一化特征向量进行聚类，得到聚类中心以及各像素点属于所述聚类中心的隶属度，根据各像素点属于所述聚类中心的隶属度的大小对所述像素点进行分类，得到视网膜血管分割图；
后处理模块，用于通过区域连通性的面积阈值法将所述视网膜血管分割图进行去噪得到视网膜血管分割结果图。
8.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器用于存储程序，所述处理器执行所述程序实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至6中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310095253.0A CN116309633A (zh) | 2023-02-06 | 2023-02-06 | 一种基于核直觉模糊c均值聚类的视网膜血管分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310095253.0A CN116309633A (zh) | 2023-02-06 | 2023-02-06 | 一种基于核直觉模糊c均值聚类的视网膜血管分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116309633A true CN116309633A (zh) | 2023-06-23 |
Family
ID=86817717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310095253.0A Pending CN116309633A (zh) | 2023-02-06 | 2023-02-06 | 一种基于核直觉模糊c均值聚类的视网膜血管分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309633A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372284A (zh) * | 2023-12-04 | 2024-01-09 | 江苏富翰医疗产业发展有限公司 | 眼底图像处理方法及*** |
-
2023
- 2023-02-06 CN CN202310095253.0A patent/CN116309633A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372284A (zh) * | 2023-12-04 | 2024-01-09 | 江苏富翰医疗产业发展有限公司 | 眼底图像处理方法及*** |
| CN117372284B (zh) * | 2023-12-04 | 2024-02-23 | 江苏富翰医疗产业发展有限公司 | 眼底图像处理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109003279B (zh) | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** | |
| Wang et al. | Automatic cell nuclei segmentation and classification of breast cancer histopathology images | |
| Kovács et al. | A self-calibrating approach for the segmentation of retinal vessels by template matching and contour reconstruction | |
| Sheng et al. | Retinal vessel segmentation using minimum spanning superpixel tree detector | |
| Zhang et al. | Robust unsupervised small area change detection from SAR imagery using deep learning | |
| EP3923237A1 (en) | Detection of prostate cancer in multi-parametric mri using random forest | |
| Zhang et al. | Automated segmentation of overlapped nuclei using concave point detection and segment grouping | |
| Khowaja et al. | A framework for retinal vessel segmentation from fundus images using hybrid feature set and hierarchical classification | |
| Plissiti et al. | A review of automated techniques for cervical cell image analysis and classification | |
| CN115661467A (zh) | 脑血管图像分割方法、装置、电子设备及存储介质 | |
| Wang et al. | Detection of dendritic spines using wavelet‐based conditional symmetric analysis and regularized morphological shared‐weight neural networks | |
| Wu et al. | Image segmentation | |
| Sharma et al. | Fuzzy c-means, anfis and genetic algorithm for segmenting astrocytoma-a type of brain tumor | |
| Garcia-Gonzalez et al. | A multiscale algorithm for nuclei extraction in pap smear images | |
| Sule et al. | Enhanced convolutional neural networks for segmentation of retinal blood vessel image | |
| CN116309633A (zh) | 一种基于核直觉模糊c均值聚类的视网膜血管分割方法 | |
| CN111815563A (zh) | 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法 | |
| CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
| Zaaboub et al. | Optic disc detection and segmentation using saliency mask in retinal fundus images | |
| Han et al. | Segmenting images with complex textures by using hybrid algorithm | |
| Lyu et al. | HRED-net: high-resolution encoder-decoder network for fine-grained image segmentation | |
| Zhang et al. | A robust image segmentation framework based on total variation spectral transform | |
| Li et al. | Scale selection for supervised image segmentation | |
| CN110211106B (zh) | 基于分段Sigmoid带宽的均值漂移SAR图像海岸线检测方法 | |
| Saha et al. | Segmentation of cervical nuclei using SLIC and pairwise regional contrast |
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 |