本發(fā)明涉及的是一種圖像處理領(lǐng)域的技術(shù)，具體是一種基于眼底圖像健康區(qū)域背景還原的硬性滲出檢測方法及基于邊緣檢測及區(qū)域生長的出血檢測方法。

背景技術(shù)：

隨著計(jì)算機(jī)圖形處理技術(shù)的發(fā)展，對眼底圖像的分析不再僅僅依靠于眼科醫(yī)生的肉眼觀察，早在20世紀(jì)七八十年代國外學(xué)者就已經(jīng)提出了基于眼底圖像處理與分析的自動(dòng)檢測硬性滲出和出血的技術(shù)，并進(jìn)行了大量的研究。傳統(tǒng)的人工定性分析缺乏量化手段。依靠計(jì)算機(jī)快速可靠地自動(dòng)識別眼底圖像中的病灶，可以避免醫(yī)生對病人注射特殊藥劑使其眼底圖像清晰，同時(shí)也避免了醫(yī)生的人工閱片判斷，節(jié)省了大量人力物力以及時(shí)間，為大規(guī)模篩查病變的實(shí)施提供了基礎(chǔ)條件。其研究成果在醫(yī)學(xué)圖像處理領(lǐng)域有著極大的現(xiàn)實(shí)意義。

目前常用的眼底圖像檢測滲出與出血的方法有形態(tài)學(xué)操作，閾值分割，區(qū)域生長算法，SVM分類器，基于馬爾科夫模型的聚類分析。形態(tài)學(xué)操作主要通過出血和滲出的形態(tài)與血管不相同，對圖像進(jìn)行開閉操作之后消除噪聲，然后通過形態(tài)檢測將血管從圖像中分割出去，留下硬性滲出和出血。閾值分割法主要通過將眼底圖像轉(zhuǎn)變?yōu)榛叶葓D之后，出血的灰度相對較低，硬性滲出的灰度相對較高，通過采用適當(dāng)閾值分割圖像將出血與滲出檢測出來。區(qū)域生長算法通過對圖像進(jìn)行采樣取合適的種子點(diǎn)，然后進(jìn)行區(qū)域生長，把灰度相近的像素發(fā)展成更大的區(qū)域，把出血和滲出包括進(jìn)來。SVM分類器和基于馬爾科夫模型的聚類分析通過對大量的數(shù)據(jù)進(jìn)行取樣分析，通過機(jī)器學(xué)習(xí)的方式使得計(jì)算機(jī)能夠識別出哪些地方是出血哪些地方是滲出。以下是各類方法的分析評估。

表1眼底圖像處理方法

總的來說，現(xiàn)有的眼底圖像處理方法主要存在以下缺陷：

(1)精度低，不能進(jìn)行精確的定量分析。

(2)需要固定的參數(shù)組合，普適性小，不能針對多種圖像進(jìn)行準(zhǔn)確的分析。

(3)需要大量數(shù)據(jù)作為訓(xùn)練樣本。對于沒有大量數(shù)據(jù)作為樣本的用戶不能起到效果。

(4)某些算法計(jì)算代價(jià)過大，計(jì)算成本太高。超出一般計(jì)算機(jī)的計(jì)算能力。

雖然目前有大量關(guān)于眼底圖像分析的研究成果，但是開銷太大的算法，需要大量數(shù)據(jù)作為基礎(chǔ)的機(jī)器學(xué)習(xí)，以及精度較差，普適性不高的其他方法并不能滿足當(dāng)今醫(yī)院對眼底圖像處理的需求。因此，亟需一種快速高效的計(jì)算機(jī)圖像處理與模式識別系統(tǒng)應(yīng)用于糖尿病眼病的臨床診斷。

經(jīng)過對現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，Kande GB,Savithri TS等人在2009年“IEEE Int.Symp.Biomed.Imaging:From Nano to Macro”第558頁至第561頁上發(fā)表的“Detection of red lesions in digital fundus images”(數(shù)字眼底圖像中紅色病變區(qū)域的檢測)文章中提出了一種檢測眼底圖像中出血區(qū)域的方法。該方法首先用基于相對熵的閾值對眼底圖像進(jìn)行分割，然后用形態(tài)學(xué)頂帽變換的方法提取血管，最后用支持向量機(jī)對紅斑區(qū)進(jìn)行分類。該方法有一些局限性：眼底圖像中，出血區(qū)域與血管相連是普遍的情況，在閾值分割的誤差基礎(chǔ)上進(jìn)行形態(tài)學(xué)頂帽變換，放大了這種誤差，產(chǎn)生不好的效果。另外，因病人的病情而異，眼底圖像中病變區(qū)域的特征很多，可分為很多種類，支持向量機(jī)是借助二次規(guī)劃來求解支持向量，對于大規(guī)模的訓(xùn)練樣本，耗費(fèi)了一定的計(jì)算量，其運(yùn)算速度方面還存在較大的提升空間。

除此以外，在Saiprasad Ravishankar,Arpit Jain,Anurag Mittal等人在2009年發(fā)表的Automated Feature Extraction for Early Detection of Diabetic Retinopathy in Fundus Images(眼底圖像中糖尿病早期檢測特征自動(dòng)提取)中，提供了一系列檢測眼底圖像病變的方法，在硬性滲出的自動(dòng)檢測中，文章首先運(yùn)用兩次膨脹操作并用兩者做差找到滲出區(qū)域邊界，再通過形態(tài)學(xué)填充獲取候選區(qū)域，最后通過滲出區(qū)域灰度特征進(jìn)行分類。該方法局限性在于，邊界可能有斷裂導(dǎo)致填充操作困難，進(jìn)而遺漏一些病變區(qū)域。

基于以上的技術(shù)，亟需尋找一種新的滲出與出血自動(dòng)檢測方法以及計(jì)算框架，以在提升運(yùn)算速度和魯棒性的同時(shí)達(dá)到最優(yōu)的精確定位出病變區(qū)域的效果。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)對某些弱邊緣響應(yīng)不精確，對與血管相連的出血區(qū)域檢測也不甚理想，而且計(jì)算量大，運(yùn)算速度等方面存在的不足，提出一種基于形態(tài)學(xué)分割的眼底圖像病變檢測方法，利用圖像的梯度信息、灰度信息以及血管灰度相近的特點(diǎn)，通過滲出檢測算法和出血檢測算法，以形態(tài)學(xué)手段進(jìn)行特征提取，免去了分類等復(fù)雜的方法，既提高了運(yùn)算實(shí)時(shí)性，又不失準(zhǔn)確度，在適應(yīng)不同種類眼底圖像的同時(shí)，避免了灰度相近的血管在其它出血檢測算法中可能帶來的干擾，也同時(shí)加快了檢測速度。

本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的：

本發(fā)明涉及一種基于形態(tài)學(xué)分割的眼底圖像病變檢測方法，首先對眼底圖像進(jìn)行平滑濾波，并采用區(qū)域生長法定位視盤所在區(qū)域；然后通過形態(tài)學(xué)處理得到去除滲出區(qū)域的眼底背景圖像，并通過閾值分割得到包括血管及出血的混合區(qū)域圖像；最后通過Kirsch算子進(jìn)行邊緣檢測并通過區(qū)域生長得到血管圖像，其與混合區(qū)域圖像的差值即為出血區(qū)域圖像并計(jì)算得到該區(qū)域面積。

所述的眼底圖像優(yōu)選經(jīng)預(yù)處理，該預(yù)處理包括HSV色彩空間亮度修正及基于限制對比度直方圖均衡的對比度增強(qiáng)。

所述的形態(tài)學(xué)處理包括：膨脹操作去除血管、通過梯度算子尋找邊界、形態(tài)學(xué)填充覆蓋滲出區(qū)域、迭代腐蝕操作獲取背景等。

技術(shù)效果

與現(xiàn)有技術(shù)相比，本發(fā)明無需使用熒光劑等對病人有害的物質(zhì)就能較為準(zhǔn)確地計(jì)算區(qū)域面積；對于不同儀器拍攝的亮度、對比度不盡相同的眼底圖像能夠做到較好地適應(yīng)，僅需調(diào)整一兩個(gè)參數(shù)即可做到準(zhǔn)確檢測；與現(xiàn)有方法中的固定閾值相比，部分閾值采取與圖像最大灰度的比值形式給出，普適性更強(qiáng)，對于大部分圖像(不同亮度、灰度等)并不需要改變閾值的大小。

附圖說明

圖1為本發(fā)明結(jié)構(gòu)示意圖。

圖2為本發(fā)明流程示意圖。

圖3為實(shí)施例中Kirsch算子邊緣提取模板示意圖。

圖4為實(shí)施例中眼底圖像病變檢測系統(tǒng)MATLAB界面示意圖。

圖5為實(shí)施例中形態(tài)學(xué)填充后結(jié)果示意圖。

圖6為實(shí)施例中腐蝕重建迭代后生成的背景圖片示意圖。

圖7為實(shí)施例中硬性滲出檢測結(jié)果示意圖。

圖8為實(shí)施例中出血檢測結(jié)果示意圖。

具體實(shí)施方式

下面對本發(fā)明的實(shí)施例作詳細(xì)說明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

實(shí)施例1

如圖1所示，本實(shí)施例包括以下步驟：

第一步、輸入待檢測的眼底圖像，并進(jìn)行預(yù)處理，具體為：

1.1)利用HSV空間亮度分量實(shí)現(xiàn)亮度均衡：首先將眼底圖像轉(zhuǎn)化為HSV空間，將其中的V分量進(jìn)行如下操作：其中：X_V表示像素點(diǎn)的V分量，X’_V表示更新后的像素點(diǎn)的V分量值；然后將X’_V返回該像素點(diǎn)的RGB空間，即完成了亮度均衡。

1.2)通過限制對比度自適應(yīng)直方圖均衡(CLAHE)實(shí)現(xiàn)對比度增強(qiáng)；

該操作既滿足了自適應(yīng)直方圖均衡的通過局部直方圖重新分布亮度從而達(dá)到對比度增強(qiáng)的效果，又克服了普通自適應(yīng)直方圖均衡的過度放大噪音的問題，在眼底圖像病變區(qū)域面積較小時(shí)，噪音的抑制是有必要的。

第二步、在預(yù)處理后的圖像上定位視盤所在區(qū)域，具體為：

2.1)使用31*31的算子進(jìn)行均值濾波，消除背景和病變區(qū)域可能導(dǎo)致的錯(cuò)誤定位。

2.2)由于視盤灰度值比背景值高，在濾波后的灰度直方圖中選取最大值作為視盤定位點(diǎn)。

2.3)利用區(qū)域生長法，從定位點(diǎn)開始逐步擴(kuò)張直到視盤邊界，實(shí)現(xiàn)所有視盤區(qū)域被標(biāo)記出，該區(qū)域生長法是指：

第三步、針對….進(jìn)行硬性滲出區(qū)域檢測，具體為：

3.1)通過形態(tài)學(xué)閉操作，消除血管對檢測產(chǎn)生的影響，具體為：

3.2)通過11*11的算子對圖像中每個(gè)像素的鄰域進(jìn)行方差計(jì)算，選取方差大于邊界閾值的點(diǎn)作為滲出區(qū)域邊界候選點(diǎn)。

3.3)利用上述邊界進(jìn)行形態(tài)學(xué)填充，覆蓋所有滲出區(qū)域；然后進(jìn)一步進(jìn)行形態(tài)學(xué)膨脹操作，得到如圖5所示的圖像。

所述的形態(tài)學(xué)填充通過MATLAB中的imfill()函數(shù)實(shí)現(xiàn)。

3.4)進(jìn)行多次的形態(tài)學(xué)腐蝕和重建操作，將背景灰度一步一步填充到滲出區(qū)域內(nèi)，得到如圖6所示的無病變的背景圖像。

3.5)將去除滲出區(qū)域的眼底背景圖像與原始圖像做差，差值較大之處即為滲出區(qū)域，將差值矩陣進(jìn)行閾值分割，并將符合條件的點(diǎn)標(biāo)記在原圖上，同時(shí)計(jì)算區(qū)域面積。

第四步、進(jìn)行出血區(qū)域檢測，具體為：

4.1)根據(jù)血管及出血區(qū)域灰度閾值，對預(yù)處理后的圖像進(jìn)行閾值分割，得到包括血管及出血的混合區(qū)域圖像。

4.2)通過Kirsch算子對混合區(qū)域圖像中的血管邊緣進(jìn)行標(biāo)記，具體為：

4.2.1)如圖3所示，設(shè)置四個(gè)3x3模板，四個(gè)模板分別按0、45、90、135以(x,y)點(diǎn)為中心將3x3的區(qū)域分成兩個(gè)部分，按照這四個(gè)模板分別對圖像中的每一像素點(diǎn)進(jìn)行卷積求和操作。

4.2.2)對圖像中每一像素點(diǎn)求的四個(gè)結(jié)果求絕對值，將每個(gè)結(jié)果分別與一個(gè)閾值比較，如果其中任意一結(jié)果大于或等于閾值T，則該模板的中心點(diǎn)所對應(yīng)的圖像像素點(diǎn)的灰度值為255，否則為0。

4.3)通過區(qū)域生長法提取出混合區(qū)域圖像中的血管圖像，具體為：

4.4)將提取出的血管圖像從混合區(qū)域圖像中剔除，再通過形態(tài)學(xué)閉操作消除細(xì)小噪聲，從而得到出血區(qū)域圖像。

第五步、將出血區(qū)域圖像在待檢測的眼底圖像上用不同的顏色標(biāo)示出，并通過病變區(qū)域像素點(diǎn)數(shù)量與整個(gè)有效圖像區(qū)域的像素點(diǎn)數(shù)量的比值得到對應(yīng)區(qū)域的面積。

依據(jù)上述步驟，我們在一臺DELL微機(jī)上進(jìn)行了試驗(yàn)，該計(jì)算機(jī)的主要參數(shù)為：中央處理器Intel(R)Core(TM)i5‐4210U，8.00GB內(nèi)存，AMD Radeon R7M265系列顯卡，Windows 864位操作系統(tǒng)。圖7、圖8描述了我們的實(shí)驗(yàn)結(jié)果。