本發(fā)明涉及特征提取及圖像分割技術(shù)，具體涉及一種視網(wǎng)膜眼底圖像預(yù)處理方法。

背景技術(shù)：

眼底視網(wǎng)膜的動脈是人體全身唯一可以看到的血管，能夠直觀的觀察到眼底的血管，體現(xiàn)了全身的血管情況。然而受視網(wǎng)膜血管結(jié)構(gòu)、成像設(shè)備、環(huán)境以及噪聲的影響,視網(wǎng)膜圖像質(zhì)量一般較差，為了便于觀察眼底視網(wǎng)膜，在使用前需要對視網(wǎng)膜圖像進行預(yù)處理。

目前大多數(shù)的視網(wǎng)膜血管特征提取和分割的算法都是基于增強視網(wǎng)膜圖像，這就要求處理好的視網(wǎng)膜圖像要盡可能的保留原來血管紋路信息，否則最終的血管分割精度將得不到保證。視網(wǎng)膜圖像增強的方法主要有匹配濾波器法、亮度對比度歸一化、小波變換等。上述方法都是增強血管信息以使其更有利于下一步血管網(wǎng)絡(luò)的提取,這些方法因算法簡單而被廣泛應(yīng)用于圖像增強中，但它們在實際應(yīng)用中的缺陷顯而易見：通過最優(yōu)化算法實現(xiàn)二維匹配濾波器參數(shù)的選擇,進而對視網(wǎng)膜圖像進行增強,但其僅能夠增強圖像中的血管以及小塊灰度明顯的區(qū)域；使用自適應(yīng)直方圖均衡法對圖像進行亮度歸一化,大大提高血管與背景的對比度,但不能很好地抑制背景噪聲,并可能將感興趣區(qū)域弱化為背景:Contourlet小波變換通過調(diào)整系數(shù)實現(xiàn)對視網(wǎng)膜圖像的全局增強,但系數(shù)的確定較為復(fù)雜,而且增強結(jié)果改變了圖像中血管的寬度。

另外，視網(wǎng)膜的一些標志性特征如視盤、血管和中央凹等是后期分割識別的先決條件，但是視網(wǎng)膜圖像受光照變化、低對比度和噪聲的影響，使得血管檢測和分割的難度加大，這就要求從視網(wǎng)膜圖像中盡量消除這些影響，實現(xiàn)對視網(wǎng)膜圖像中的血管、視盤和中央凹等有用信息進行有保留的增強，傳統(tǒng)單一的圖像增強方法已經(jīng)無法滿足這樣的要求。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有技術(shù)的不足，而提供一種視網(wǎng)膜眼底圖像預(yù)處理方法。

這種方法使處理后視網(wǎng)膜圖像具有更高的圖像質(zhì)量和更豐富的信息量，并能實現(xiàn)對視網(wǎng)膜圖像中的血管、視盤和中央凹等有用信息進行有保留的增強、提高視網(wǎng)膜圖像特征提取、分割及識別的效果。

實現(xiàn)本發(fā)明目的的技術(shù)方案是：

一種視網(wǎng)膜眼底圖像預(yù)處理方法，包括如下步驟：

1)讀入視網(wǎng)膜眼底原始圖像：采用綠色通道讀入視網(wǎng)膜眼底原始圖像；

2)移除血管中心光反射：采用數(shù)學(xué)形態(tài)學(xué)圖像濾波，即提取視網(wǎng)膜眼底原始圖像的幾何特征，根據(jù)幾何特征，選擇方形結(jié)構(gòu)元素，結(jié)構(gòu)元素簡單而對物體的幾何特征具有較好的表現(xiàn)力；用選定的方形結(jié)構(gòu)元素對視網(wǎng)膜眼底原始圖像進行擊中與否變換，便可得到比視網(wǎng)膜眼底原始圖像突出物體特性信息的形態(tài)學(xué)濾波圖像，突出用戶感興趣的目標，方便用戶提取信息，如果沒有突出用戶信息，則應(yīng)該重新選取結(jié)構(gòu)元素；

3)去除椒鹽噪聲：采用自適應(yīng)中值濾波對形態(tài)學(xué)濾波圖像去除椒鹽噪聲；

4)平滑噪聲：采用自適應(yīng)平滑濾波對自適應(yīng)中值濾波圖像平滑噪聲；

5)背景提?。翰捎脦缀尉禐V波對自適應(yīng)平滑濾波圖像進行背景提??；

幾何均值濾波的表達式為：

其中，S_x，y指的是圖像鄰域，m和n為鄰域的大小尺寸，G(i，j)為濾波前二維圖像矩陣，G′(x，y)為濾波后二維圖像矩陣；

6)得到陰影矯正圖像：用自適應(yīng)平滑濾波后的圖像減去背景圖像得到陰影矯正圖像；

7)得到均勻化圖像：對陰影矯正圖像進行灰度級全局變換得到均勻化圖像，增強過程可能使某個像素點的灰度值超出正常灰度范圍，需要進行校正；

8)求補圖像：對均勻化圖像求補圖像；

9)得到血管增強圖像：對補圖像采用形態(tài)學(xué)頂帽變換得到血管增強圖像；

10)輸出增強圖像。

所述形態(tài)變換為開運算：

設(shè)A是視網(wǎng)膜眼底原始圖像，B是結(jié)構(gòu)元素圖像，則集合A被結(jié)構(gòu)元素B作開運算，記作AοB，其表達式為：

其中，A⊙B表示腐蝕操作，表示先腐蝕后膨脹。

所述中值濾波定義為：

g(x，y)＝median{f(x-i，y-i)}，(x，y)∈S

其中，g(x，y)，f(x,y)為像素灰度值，S為模板窗口，自適應(yīng)中值濾波在兩個層次上變換，假設(shè)這兩個層次分別定義為A層和B層，其具體含義如下：

A層：如果Z_min<Z_med<Z_max，則轉(zhuǎn)到B層，否則增大窗口尺寸；如果窗口尺寸小于等于X_max，則重復(fù)A層，否則輸出Z(x，y)；

B層：如果Z_min<Z(x，y)<Z_max，則輸出Z(x，y)，否則輸出Z_med；

其中，Z_min為X_x，y中灰度級的最小值，

Z_med為X_x，y中灰度級的中值；

Z_max為X_x，y中灰度級的最大值；

Z(x，y)為在坐標(x，y)上的灰度值；

X_max為X_x，y允許的最大尺寸，Z_min和Z_max為是類沖激式的噪聲成分。

A層的目的是判定中值濾波器的輸出Z_med是否是一個椒鹽噪聲，如果條件Z_min<Z_med<Z_max有效，則表示Z_med不是椒鹽噪聲，在該情況下轉(zhuǎn)到B層檢測，判斷窗口Z(x，y)的中心點是否是一個脈沖，若Z_min<Z(x，y)<Z_max，則表示Z(x，y)和Z_med不是脈沖，將輸出一個不變的像素灰度值Z(x，y)；如果條件Z_min<Z(x，y)<Z_max不滿足，則說明Z(x，y)＝Z_max或Z(x，y)＝Z_min，則像素值是一個突變值，進而由從A層判斷Z_med不是椒鹽噪聲，那么將輸出中值Z_med，實現(xiàn)過程為：

選擇一個(2n+1)×(2n+1)的窗口，使其沿圖像的行或列方向逐像素滑動，每次滑動后，對窗內(nèi)的像素值進行排序，用排序所得中值代替窗口中心位置像素的灰度值。自適應(yīng)中值濾波算法也可以通過自適應(yīng)改變掩膜的尺寸來達到既消除噪聲又保留圖像邊緣的目的。

所述自適應(yīng)平滑濾波為：

假設(shè)用h(x，y)來表示自適應(yīng)掩膜矩陣H中的系數(shù)，g(x，y)表示圖像像素，則有：

h(x，y)＝f(g(x，y))

自適應(yīng)平滑濾波既可以消除圖像噪聲，又能保留圖像細節(jié)等特征信息，模板如下：

其中，

在使用h(x，y)進行濾波時，每一次的卷積結(jié)果都需要用N(x，y)進行歸一化，其中：

所述灰度級全局變換函數(shù)如下：

其中,

g＝g_in+128-g_{in_max}

g_in和g_out分別是輸入圖像即陰影矯正圖像和輸出圖像即均勻化圖像的灰度級變量，g_{in_max}是陰影矯正圖像灰度級像素最大值。

所述頂帽變換定義為：

其中，I_VE是新血管增強圖像，是均勻化圖像的補圖像，γ是對作開運算操作。

這種方法與現(xiàn)有技術(shù)相比的優(yōu)點在于：

(1)綜合運用自適應(yīng)中值濾波、自適應(yīng)平滑濾波、形態(tài)學(xué)操作及灰度級全局變換等，使處理后視網(wǎng)膜圖像具有更高的圖像質(zhì)量和更豐富的信息量，為后續(xù)視網(wǎng)膜特征提取和分割識別提供有用的信息；

(2)不僅僅增強血管信息以使其更有利于下一步血管網(wǎng)絡(luò)的提取,而且實現(xiàn)對視網(wǎng)膜圖像中的血管、視盤和中央凹等有用信息進行有保留的增強；

(3)同時兼顧血管中心光反射移除和背景均勻化，減弱圖像光照變化、提高對比度、濾除噪聲，使得血管增強效果顯著提高；

這種方法使處理后視網(wǎng)膜圖像具有了更高的圖像質(zhì)量和更豐富的信息量，并實現(xiàn)了對視網(wǎng)膜圖像中的血管、視盤和中央凹等有用信息進行有保留的增強、提高了視網(wǎng)膜圖像特征提取、分割及識別的效果。

附圖說明

圖1為實施例的方法流程示意圖；

圖2為實施例的視網(wǎng)膜圖像的綠色通道圖像；

圖3為實施例的視網(wǎng)膜圖像的數(shù)學(xué)形態(tài)學(xué)濾波結(jié)果圖像；

圖4為實施例的視網(wǎng)膜圖像的自適應(yīng)中值濾波結(jié)果圖像；

圖5為實施例的視網(wǎng)膜圖像的自適應(yīng)平滑濾波結(jié)果圖像；

圖6為實施例的視網(wǎng)膜圖像的幾何均值濾波結(jié)果圖像；

圖7為實施例的視網(wǎng)膜圖像的陰影矯正結(jié)果圖像；

圖8為實施例的視網(wǎng)膜圖像的灰度級全局變換結(jié)果圖像；

圖9為實施例的視網(wǎng)膜圖像的血管增強結(jié)果圖像。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明內(nèi)容作進一步的闡述，但不是對本發(fā)明的限定。

實施例：

參照圖1，一種視網(wǎng)膜眼底圖像預(yù)處理方法，包括如下步驟：

1)讀入原始圖像：采用綠色通道讀入視網(wǎng)膜眼底原始圖像，如圖2所示，視網(wǎng)膜眼底

原始圖像分解成紅、綠、藍三通道圖像，采用對比度較高的綠色通道進行后續(xù)處理；

2)移除血管中心光反射：采用數(shù)學(xué)形態(tài)學(xué)圖像濾波，如圖3所示，即提取視網(wǎng)膜眼底原始圖像的幾何特征，根據(jù)幾何特征，選擇方形結(jié)構(gòu)元素，結(jié)構(gòu)元素簡單而對物體的幾何特征具有較好的表現(xiàn)力；用選定的結(jié)構(gòu)元素對視網(wǎng)膜眼底原始圖像進行擊中與否變換，便可得到比視網(wǎng)膜眼底原始原始圖像突出物體特性信息的形態(tài)學(xué)濾波圖像，移除綠色通道視網(wǎng)膜眼底圖像血管中心光反射，突出用戶感興趣的目標，方便用戶提取信息；

3)去除椒鹽噪聲：如圖4所示，采用自適應(yīng)中值濾波對形態(tài)學(xué)濾波圖像去除椒鹽噪聲；

4)平滑噪聲：如圖5所示，采用自適應(yīng)平滑濾波對自適應(yīng)中值濾波圖像平滑噪聲；

5)背景提?。喝鐖D6所示，采用幾何均值濾波對自適應(yīng)平滑濾波圖像進行背景提取，具體如下：

模板

幾何均值濾波的表達式為：

其中，S_x，y指的是圖像鄰域，m和n為鄰域的大小尺寸，G(i，j)為濾波前二維圖像矩陣，G′(x，y)為濾波后二維圖像矩陣；

6)得到陰影矯正圖像：用自適應(yīng)平滑濾波后的圖像減去背景圖像得到陰影矯正圖像，如圖7所示。具體如下：

I_D＝I_ns-I_B

其中，I_D是陰影矯正圖像，I_ns是自適應(yīng)平滑后的圖像，I_B是背景圖像；

7)得到均勻化圖像：如圖8所示，對陰影矯正圖像進行灰度級全局變換得到均勻化圖像，增強過程可能使某個像素點的灰度值超出正?；叶确秶枰M行校正；

8)求補圖像：對均勻化圖像求補圖像，補圖像＝255-均勻化圖像；

9)得到血管增強圖像：如圖9所示，對補圖像采用形態(tài)學(xué)頂帽變換得到血管增強圖像；

10)輸出增強圖像。

所述形態(tài)變換為開運算：

設(shè)A是視網(wǎng)膜眼底原始圖像，B是結(jié)構(gòu)元素圖像，則集合A被結(jié)構(gòu)元素B作開運算，記作AοB，其表達式為：

其中，A⊙B表示腐蝕操作，表示先腐蝕后膨脹。

所述中值濾波定義為：

g(x，y)＝median{f(x-i，y-i)}，(x，y)∈S

其中，g(x，y)，f(x,y)為像素灰度值，S為模板窗口，自適應(yīng)中值濾波在兩個層次上變換，假設(shè)這兩個層次分別定義為A層和B層，其具體含義如下：

A層：如果Z_min<Z_med<Z_max，則轉(zhuǎn)到B層，否則增大窗口尺寸；如果窗口尺寸小于等于X_max，則重復(fù)A層，否則輸出Z(x，y)；

B層：如果Z_min<Z(x，y)<Z_max，則輸出Z(x，y)，否則輸出Z_med；

其中，Z_min為X_x，y中灰度級的最小值，

Z_med為X_x，y中灰度級的中值；

Z_max為X_x，y中灰度級的最大值；

Z(x，y)為在坐標(x，y)上的灰度值；

X_max為X_x，y允許的最大尺寸，Z_min和Z_max為是類沖激式的噪聲成分。

A層的目的是判定中值濾波器的輸出Z_med是否是一個椒鹽噪聲，如果條件Z_min<Z_med<Z_max有效，則表示Z_med不是椒鹽噪聲，在該情況下轉(zhuǎn)到B層檢測，判斷窗口Z(x，y)的中心點是否是一個脈沖，若Z_min<Z(x，y)<Z_max，則表示Z(x，y)和Z_med不是脈沖，將輸出一個不變的像素灰度值Z(x，y)；如果條件Z_min<Z(x，y)<Z_max不滿足，則說明Z(x，y)＝Z_max或Z(x，y)＝Z_min，則像素值是一個突變值，進而由從A層判斷Z_med不是椒鹽噪聲，那么將輸出中值Z_med，實現(xiàn)過程為：

選擇一個(2n+1)×(2n+1)的窗口，使其沿圖像的行或列方向逐像素滑動，每次滑動后，對窗內(nèi)的像素值進行排序，用排序所得中值代替窗口中心位置像素的灰度值。自適應(yīng)中值濾波算法也可以通過自適應(yīng)改變掩膜的尺寸來達到既消除噪聲又保留圖像邊緣的目的。

所述自適應(yīng)平滑濾波為：

假設(shè)用h(x，y)來表示自適應(yīng)掩膜矩陣H中的系數(shù)，g(x，y)表示圖像像素，則有：

h(x,y)＝f(g(x,y))

自適應(yīng)平滑濾波既可以消除圖像噪聲，又能保留圖像細節(jié)等特征信息，模板如下：

其中，

在使用h(x，y)進行濾波時，每一次的卷積結(jié)果都需要用N(x，y)進行歸一化，其中：

所述灰度級全局變換函數(shù)如下：

其中，

g＝g_in+128-g_{in_max}

g_in和g_out分別是輸入圖像即陰影矯正圖像和輸出圖像即均勻化圖像的灰度級變量，g_{in_max}是陰影矯正圖像灰度級像素最大值。

所述頂帽變換定義為：

其中，I_VE是新血管增強圖像，是均勻化圖像的補圖像，γ是對作開運算操作。