技術(shù)領(lǐng)域：
：：本發(fā)明涉及一種用于視杯圖像分割的改進(jìn)區(qū)域生長方法。
背景技術(shù)：
：：：眼底圖像中的視杯面積、杯盤面積比等參數(shù)成為很多人研究的方向，圖1是一幅眼底圖像，從中可以看出，視盤近似圓形，它的中央存在一處生理凹陷，稱為視杯，視杯是位于視盤中心最亮的單連通區(qū)域，它與視盤之間的區(qū)域稱為盤沿。近年來針對眼底圖像人們提出了多種視杯的分割方法。國內(nèi)學(xué)者鄭姍等人利用眼底圖像中視盤和視杯呈現(xiàn)橢圓形狀這一特征提出了橢圓約束下的多相主動輪廓模型，實(shí)現(xiàn)視杯的精確分割。趙秋紅利用數(shù)學(xué)形態(tài)學(xué)和大津閾值法確定初始輪廓線，提高分割的正確率。國外學(xué)者irenefondón等人利用隨機(jī)森林分類算法獲得視杯邊緣像素。ashishissac等人根據(jù)圖像的特性分割視杯，計(jì)算圖像的平均值和標(biāo)準(zhǔn)偏差。dwarikanathmahapatra等人[5]提出專家領(lǐng)域模型(foe)分割視杯，不依賴于手工繪制。hananalghmdi等人使用超像素聚類算法,提取超像素特征,用于訓(xùn)練分類器。nataraja.vijapur等人的研究重點(diǎn)是基于皮爾遜(pearson-r)系數(shù)對應(yīng)于眼底圖像，計(jì)算視杯和視盤分割后的垂直直徑，并得到比值以此確定cdr。然而區(qū)域生長算法在視杯分割中幾乎沒有涉及，國外學(xué)者應(yīng)用區(qū)域生長算法分割不同研究背景中的圖像，比如mahamansanichaibou等人重點(diǎn)在選擇種子區(qū)域，使信息快速傳播并被執(zhí)行，識別出圖像并確保正確分割。應(yīng)用區(qū)域生長算法分割視杯：區(qū)域生長算法將圖像中一些具有某種相似特性(例如灰度特征、紋理特征等)的像素聚合在一起形成特定區(qū)域。區(qū)域生長算法是一種串行區(qū)域分割方法，后面的步驟需要前面結(jié)果支撐，若處理像素順序不同，分割結(jié)果也可能不同。傳統(tǒng)區(qū)域生長算法:傳統(tǒng)的區(qū)域生長法從選取一個“種子點(diǎn)”開始，將那些預(yù)定義屬性類似于種子的鄰域像素附加到每個種子上，反復(fù)進(jìn)行此過程，直到滿足預(yù)先設(shè)定的終止條件為止。傳統(tǒng)區(qū)域生長法包括3個步驟:(1)選出合適的種子點(diǎn)；(2)確定生長過程中能將像素合并進(jìn)來的準(zhǔn)則；(3)制定出能讓生長停止的條件。算法流程如圖2所示。該算法的分割結(jié)果在很大程度上取決于初始種子點(diǎn)的選取順序和位置，種子點(diǎn)的選取有時不正確，導(dǎo)致區(qū)域選擇錯誤。技術(shù)實(shí)現(xiàn)要素：：發(fā)明目的：本發(fā)明提供一種用于視杯圖像分割的改進(jìn)區(qū)域生長方法，其目的是克服以往的缺陷。技術(shù)方案：用于視杯圖像分割的改進(jìn)區(qū)域生長方法，其特征在于：該方法中，首先，對眼底主要生理結(jié)構(gòu)進(jìn)行特征分析，為分割目標(biāo)選取了綠色通道并根據(jù)閾值法粗略提取出感興趣區(qū)域(roi)；其次，考慮到傳統(tǒng)的區(qū)域生長算法在選取種子點(diǎn)時不精確、自適應(yīng)性差等缺點(diǎn)，本方法通過計(jì)算roi的幾何中心并結(jié)合中心亮度作為選取種子點(diǎn)的標(biāo)準(zhǔn)進(jìn)行改進(jìn)；最后，用5*5模板對眼底圖像進(jìn)行均值濾波，應(yīng)用山谷差值準(zhǔn)則和8鄰域連通準(zhǔn)則對眼底圖像進(jìn)行種子合并,最終準(zhǔn)確分割出視杯。首先，提取g通道并灰度化，并根據(jù)其灰度直方圖應(yīng)用閾值法粗略提取出roi區(qū)域；然后計(jì)算roi區(qū)域內(nèi)的幾何中心并根據(jù)灰度圖的像素值選取中心；依次比較中心周圍的像素，若中心像素值小于周圍某點(diǎn)的像素，則種子點(diǎn)被像素值大的值取代，取得像素值最大的點(diǎn)即最亮點(diǎn)作為種子點(diǎn)，種子點(diǎn)搜索區(qū)域定義為以視盤中心點(diǎn)為圓，以0.5倍視盤直徑為直徑的圓；在分割視杯前先用5*5模板對眼底圖像均值濾波，使種子點(diǎn)定位性能提高；最后，根據(jù)灰度圖山谷間差值作為閾值并在8連通區(qū)域內(nèi)尋找像素匯集數(shù)目最多的像素點(diǎn)作為視杯分割備選區(qū)域，實(shí)現(xiàn)局部自適應(yīng)區(qū)域生長，從而獲取視杯區(qū)域，實(shí)現(xiàn)視杯的自動檢測及自動提取。(一)、預(yù)處理：(1)、提取g通道并灰度化：眼底圖像是rgb模式的彩色圖像，我們提取rgb模型三個通道中的綠色g通道作為處理對象，公式(1)為提取g通道的方法：g為提取后的綠色分量，r為提取前圖像的紅色分量，g為提取前圖像的綠色分量，b為提取前圖像的藍(lán)色分量；(2)、提取roi：roi即感興趣區(qū)域，在本方法中即為視盤區(qū)域，它近似為圓形，本方法首先應(yīng)用閾值法粗略提取視盤區(qū)域；(3)、計(jì)算roi幾何中心：得到二值圖像(ib)后，經(jīng)過兩個連續(xù)的形態(tài)學(xué)開操作和閉操作，得到一個連續(xù)的區(qū)域；不論是在正常的眼底圖像中還是異常的眼底圖像中都能得到一個閉合的區(qū)域；(二)、選取種子點(diǎn)：得到roi后，根據(jù)種子點(diǎn)區(qū)域生長算法分割公式計(jì)算出種子點(diǎn)的位置，并標(biāo)記出種子點(diǎn)；圖心選取公式如公式(5)所示：其中，是roi區(qū)域的面積，x是被積函數(shù)，μ是經(jīng)計(jì)算后選取的種子點(diǎn)坐標(biāo)；(三)區(qū)域生長：(1)5*5模板均值濾波：這部分的主要工作是平滑眼底灰度圖像，增強(qiáng)種子點(diǎn)的定位性能；我們采用5*5的均值濾波器去平滑眼底圖像以消除斑點(diǎn)和噪音；具體操作如公式(6)所示：其中，m為該模板中包含當(dāng)前像素在內(nèi)的像素總個數(shù)，點(diǎn)(x,y)為此像素所在的坐標(biāo)位置；g(x,y)為平滑以后的區(qū)域灰度值，f(x,y)為模板中任意一點(diǎn)的灰度值；(2)分割視杯：我們采用三個標(biāo)準(zhǔn)使同一類像素合并到包含一個種子點(diǎn)的區(qū)域中；第一個標(biāo)準(zhǔn)：任何像素和種子點(diǎn)之間的絕對灰度差異必須小于t，t值由視網(wǎng)膜眼底圖像灰度直方圖得到，t值代表的是眼底灰度直方圖在255和從右邊數(shù)的第一個山谷之間的差值；第二個標(biāo)準(zhǔn)：包含視杯區(qū)域，在視杯區(qū)域或者roi區(qū)域中像素一定至少是8鄰域連通的；第三個標(biāo)準(zhǔn)：以種子點(diǎn)p為圓心，0.5倍的視盤半徑為半徑作為種子生長區(qū)域，而超出此范圍的不作為種子生長區(qū)域的考慮范圍；通過使用以上的三個種子點(diǎn)生長準(zhǔn)則,在初始種子點(diǎn)確定之后，根據(jù)準(zhǔn)則判斷種子點(diǎn)周圍區(qū)域的像素是否滿足生長準(zhǔn)則，如果滿足預(yù)先設(shè)定的準(zhǔn)則，則將性質(zhì)相同并且在閾值范圍內(nèi)的像素點(diǎn)歸為同一區(qū)域，即種子點(diǎn)所在區(qū)域的像素個數(shù)增加，此區(qū)域面積不斷擴(kuò)大；繼續(xù)搜索該區(qū)域其他的像素點(diǎn)是否符合條件，直到搜索完畢；該區(qū)域不斷生長，最終分割出視杯區(qū)域；其具體操作是：通過計(jì)算局部鄰域的眼底圖像灰度直方圖中的灰度值得到閾值，其生長標(biāo)準(zhǔn)函數(shù)為：其中，μ是直方圖灰度值的均值，σ是直方圖灰度值的方差，c是系數(shù)因子，x是像素點(diǎn)的灰度值。分割視杯之后：(1)標(biāo)記出之前選定的種子點(diǎn)p；(2)計(jì)算種子點(diǎn)p與其周圍領(lǐng)域像素pi之間的距離d；(3)根據(jù)距離d，判斷閾值tp所在的此像素點(diǎn)是否可以歸并到生長區(qū)域中：tp＝|mm×m-mn×n|,0＜d≤d(7)若tp小于等于相應(yīng)的閾值，則將該像素歸并到種子點(diǎn)所在區(qū)域；本文閾值是根據(jù)灰度直方圖中山谷間差值(255-240＝15)而設(shè)定的；其中mm×m,mn×n分別表示像素pi所在區(qū)域的灰度均值和種子點(diǎn)pi的灰度值，d表示距離臨界值，本文臨界距離是0.5倍視盤半徑。提取g通道并灰度化的步驟中，針對灰度圖像進(jìn)行處理以便提高處理速度，我們在提取g通道分量后進(jìn)行灰度化處理。提取roi的步驟中利用眼底圖像的灰度直方圖，在圖像中背景是深色的，視盤視杯區(qū)域是淺色的；物體中的淺色像素產(chǎn)生在直方圖上的右峰，而背景中大量的灰度級產(chǎn)生在直方圖的左峰；物體邊界附近具有兩個峰值之間灰度級的像素數(shù)目相對較少，從而產(chǎn)生了兩峰之間的谷；選擇谷作為灰度閾值將得到合理的邊界；根據(jù)灰度直方圖可以判斷出視盤的閾值。本方法中閾值選擇為180然后在閾值為180的基礎(chǔ)上進(jìn)行一次閉運(yùn)算，消除細(xì)小不閉合的區(qū)域，最后形成一個封閉的區(qū)域即為roi區(qū)域。計(jì)算roi幾何中心的步驟中開操作定義為：b是一個視盤結(jié)構(gòu)形狀的元素，半徑30個像素點(diǎn)；ib是原始灰度圖像；閉操作定義為：b是一個視盤結(jié)構(gòu)形狀的元素，半徑20；ic是經(jīng)開操作處理后的圖像；形態(tài)學(xué)的腐蝕和膨脹分別用θ和表示，開操作可以移除細(xì)小的和獨(dú)立的小區(qū)域，對應(yīng)于明亮的病變區(qū)域，例如眼底圖像中的脈絡(luò)膜小疣；開操作消除了其中小的且孤立的結(jié)構(gòu)元素；結(jié)構(gòu)元素的最佳尺寸是由我們的所有實(shí)驗(yàn)數(shù)據(jù)分析得出的，包括不同的照明和一些細(xì)小的改變；閉操作填補(bǔ)了roi區(qū)域中細(xì)小的缺口并且連接了視盤區(qū)域中細(xì)小的區(qū)域。選取種子點(diǎn)的步驟，選取種子點(diǎn)這一部分包括以下六個步驟：(1)通過閾值的方法將眼底圖像roi的灰度圖轉(zhuǎn)化為二值圖像；(2)運(yùn)用形態(tài)學(xué)閉操作移除細(xì)小的區(qū)域并只提供一個連續(xù)的roi；(3)計(jì)算roi的幾何中心；(4)若幾何中心像素為255，則自動選擇幾何中心為種子點(diǎn)；(5)若幾何中心像素不是255，以幾何中心為圓點(diǎn)，以視盤半徑的0.5倍作為搜索范圍，5像素長度為標(biāo)尺，每次旋轉(zhuǎn)45°，并得到標(biāo)尺上灰度值最大的點(diǎn)，即在圖5中所示的49個點(diǎn)中選取弧度最大的一個點(diǎn)作為備選種子點(diǎn)；(6)按此規(guī)則，在整個搜索區(qū)內(nèi)進(jìn)行備選種子點(diǎn)搜尋；最后在所有備選種子點(diǎn)中選取一個灰度值最大的點(diǎn)為種子點(diǎn)；滿足以上條件后即可自動標(biāo)記此點(diǎn)作為區(qū)域生長分割算法的種子點(diǎn)。優(yōu)點(diǎn)效果：本申請應(yīng)用這種方法，對高分辨率眼底圖像(hrf)數(shù)據(jù)庫中15張青光眼眼底圖像和15張健康眼眼底圖像逐張進(jìn)行檢測，準(zhǔn)確率達(dá)到93.3％，實(shí)驗(yàn)結(jié)果表明，該算法能快速、有效地自動檢測出眼底圖像中的視杯并將其正確的分割出來，與傳統(tǒng)算法相比較該算法穩(wěn)定可靠，有較高的分割靈敏度、特異度以及準(zhǔn)確性。附圖說明：圖1為
背景技術(shù)：
：眼底圖；圖2為本方法流程圖；圖3為彩色眼底圖像rgb各通道提取并灰度化圖；圖4為眼底圖像的灰度直方圖；圖5為旋轉(zhuǎn)標(biāo)尺確定種子點(diǎn)圖；圖6為鄰域直方圖分析圖；圖7為本方法的分割效果圖；圖8為學(xué)者手繪視杯區(qū)域；圖9為準(zhǔn)確性比對圖；圖10為特異性比對圖；圖11為敏感性比對圖。具體實(shí)施方式：本發(fā)明提供一種用于視杯圖像分割的改進(jìn)區(qū)域生長方法,本方法為改進(jìn)后的分割方法:首先，提取g通道并灰度化，并根據(jù)其灰度直方圖應(yīng)用閾值法粗略提取出roi區(qū)域；然后計(jì)算roi區(qū)域內(nèi)的幾何中心并根據(jù)灰度圖的像素值選取中心。依次比較中心周圍的像素，若中心像素值小于周圍某點(diǎn)的像素，則種子點(diǎn)被像素值大的值取代，取得像素值最大的點(diǎn)即最亮點(diǎn)作為種子點(diǎn)，種子點(diǎn)搜索區(qū)域定義為以視盤中心點(diǎn)為圓，以0.5倍視盤直徑為直徑的圓。在分割視杯前先用5*5模板對眼底圖像均值濾波，使種子點(diǎn)定位性能提高；最后，根據(jù)灰度圖山谷間差值作為閾值并在8連通區(qū)域內(nèi)尋找像素匯集數(shù)目最多的像素點(diǎn)作為視杯分割備選區(qū)域，實(shí)現(xiàn)局部自適應(yīng)區(qū)域生長，從而獲取視杯區(qū)域，實(shí)現(xiàn)視杯的自動檢測及自動提取。預(yù)處理(1)提取g通道并灰度化眼底圖像是rgb模式的彩色圖像。通過對紅、綠、藍(lán)三通道圖像的比較，發(fā)現(xiàn)三個通道圖像的亮度依次降低，紅色通道圖像亮度最高，視杯和視盤顏色對比度低；綠色通道的特點(diǎn)是圖像較為清晰，視杯與視盤的對比度大，其所包含的視杯輪廓效果最好；藍(lán)色通道圖像較暗，對比度以及清晰度較低，而且還有很多的噪音。因此我們提取rgb模型三個通道中的綠色g通道作為處理對象。公式(1)為提取g通道的方法。g為提取后的綠色分量，r為提取前圖像的紅色分量，g為提取前圖像的綠色分量，b為提取前圖像的藍(lán)色分量。為了提高處理速度，我們針對灰度圖像進(jìn)行處理，因此需要在提取g通道分量后進(jìn)行灰度化處理。圖3為提取r、g、b三通道并灰度化后的效果圖。(2)提取roiroi即感興趣區(qū)域，在本文中即為視盤區(qū)域，它近似為圓形。本文首先應(yīng)用閾值法粗略提取視盤區(qū)域。某一眼底圖像的灰度直方圖如圖4所示，在圖像中背景是深色的，視盤視杯區(qū)域是淺色的。物體中的淺色像素產(chǎn)生在直方圖上的右峰，而背景中大量的灰度級產(chǎn)生在直方圖的左峰。物體邊界附近具有兩個峰值之間灰度級的像素數(shù)目相對較少，從而產(chǎn)生了兩峰之間的谷。選擇谷作為灰度閾值將得到合理的邊界。根據(jù)灰度直方圖可以判斷出視盤的閾值，本文中閾值選擇為180然后在閾值為180的基礎(chǔ)上進(jìn)行一次閉運(yùn)算，消除細(xì)小不閉合的區(qū)域。最后形成一個封閉的區(qū)域即為roi區(qū)域。(3)計(jì)算roi幾何中心得到二值圖像(ib)后，經(jīng)過兩個連續(xù)的形態(tài)學(xué)開操作和閉操作，可以得到一個連續(xù)的區(qū)域。不論是在健康的眼底圖像中還是患病的眼底圖像中都可以得到一個閉合的區(qū)域。開操作定義為：b是一個視盤結(jié)構(gòu)形狀的元素，半徑30。ib是原始灰度圖像。閉操作定義為：b是一個視盤結(jié)構(gòu)形狀的元素，半徑20。ic是經(jīng)開操作處理后的圖像。形態(tài)學(xué)的腐蝕和膨脹分別用θ和表示，開操作可以移除細(xì)小的和獨(dú)立的小區(qū)域，對應(yīng)于明亮的病變區(qū)域，例如眼底圖像中的脈絡(luò)膜小疣。開操作消除了其中小的且孤立的結(jié)構(gòu)元素。結(jié)構(gòu)元素的最佳尺寸是由我們的所有實(shí)驗(yàn)數(shù)據(jù)分析得出的，包括不同的照明和一些細(xì)小的改變。閉操作填補(bǔ)了roi區(qū)域中細(xì)小的缺口并且連接了視盤區(qū)域中細(xì)小的區(qū)域。1.2.2選取種子點(diǎn)得到roi后，本文根據(jù)種子點(diǎn)區(qū)域生長算法分割公式計(jì)算出種子點(diǎn)的位置，并標(biāo)記出種子點(diǎn)。圖心選取公式如公式(5)所示：其中，是roi區(qū)域的面積。選取種子點(diǎn)這一部分包括以下六個步驟：(1)通過閾值的方法將眼底圖像roi的灰度圖轉(zhuǎn)化為二值圖像。(2)運(yùn)用形態(tài)學(xué)閉操作移除細(xì)小的區(qū)域并只提供一個連續(xù)的roi。(3)計(jì)算roi的幾何中心。(4)若幾何中心像素為255，則自動選擇幾何中心為種子點(diǎn)。(5)若幾何中心像素不是255，以幾何中心為圓點(diǎn)，以視盤半徑的0.5倍作為搜索范圍，5像素長度為標(biāo)尺，每次旋轉(zhuǎn)45°，并得到標(biāo)尺上灰度值最大的點(diǎn)，即在圖5中所示的49個點(diǎn)中選取弧度最大的一個點(diǎn)作為備選種子點(diǎn)。(6)按此規(guī)則，在整個搜索區(qū)內(nèi)進(jìn)行備選種子點(diǎn)搜尋。最后在所有備選種子點(diǎn)中選取一個灰度值最大的點(diǎn)為種子點(diǎn)。滿足以上條件后即可自動標(biāo)記此點(diǎn)作為區(qū)域生長分割算法的種子點(diǎn)。區(qū)域生長：(1)5*5模板均值濾波這部分的主要工作是平滑眼底灰度圖像，目的是為了增強(qiáng)種子點(diǎn)的定位性能。本文分別使用了3*3、5*5以及7*7的均值濾波器對眼底圖像進(jìn)行平滑處理，減少噪點(diǎn)。使用3*3均值濾波器的圖像由于模板太小而沒有太大效果，而7*7的模板會使邊緣過度平滑，造成邊界模糊，所以最后我們采用5*5的均值濾波器去平滑眼底圖像以消除斑點(diǎn)和噪音。具體操作如公式(6)所示：其中，m為該模板中包含當(dāng)前像素在內(nèi)的像素總個數(shù)。(2)分割視杯我們采用三個標(biāo)準(zhǔn)使同一類像素合并到包含一個種子點(diǎn)的區(qū)域中。第一個標(biāo)準(zhǔn)：任何像素和種子點(diǎn)之間的絕對灰度差異必須小于t，t值由視網(wǎng)膜眼底圖像灰度直方圖得到，t值代表的是眼底灰度直方圖在255和從右邊數(shù)的第一個山谷之間的差值。如灰度直方圖4所示，圖中從右邊數(shù)的第一個山谷值是240，那么t＝255-240。第二個標(biāo)準(zhǔn)：包含視杯區(qū)域，在視杯區(qū)域或者roi區(qū)域中像素一定至少是8鄰域連通的。第三個標(biāo)準(zhǔn)：以種子點(diǎn)p為圓心，0.5倍的視盤半徑為半徑作為種子生長區(qū)域，而超出此范圍的不作為種子生長區(qū)域的考慮范圍。通過使用以上的三個種子點(diǎn)生長準(zhǔn)則,在初始種子點(diǎn)確定之后，根據(jù)準(zhǔn)則判斷種子點(diǎn)周圍區(qū)域的像素是否滿足生長準(zhǔn)則，如果滿足預(yù)先設(shè)定的準(zhǔn)則，則將性質(zhì)相同并且在閾值范圍內(nèi)的像素點(diǎn)歸為同一區(qū)域，即種子點(diǎn)所在區(qū)域的像素個數(shù)增加，此區(qū)域面積不斷擴(kuò)大。繼續(xù)搜索該區(qū)域其他的像素點(diǎn)是否符合條件，直到搜索完畢。該區(qū)域不斷生長，最終分割出視杯區(qū)域。該算法通過計(jì)算局部鄰域的眼底圖像灰度直方圖中的灰度值得到閾值，其生長標(biāo)準(zhǔn)函數(shù)為：其中，μ是直方圖灰度值的均值，σ是直方圖灰度值的方差。c是系數(shù)因子。對于眼底視杯這一組織結(jié)構(gòu)來說，數(shù)據(jù)信息反映在眼底灰度直方圖上，如圖6所示，圖6中左圖是眼底圖像灰度直方圖，為便于找到閾值，右圖是將直方圖擬合后的灰度圖。我們根據(jù)直方圖中的數(shù)據(jù)可以有效地把閾值提取出來，進(jìn)行自適應(yīng)區(qū)域生長。本文改進(jìn)的區(qū)域生長算法步驟為：(4)標(biāo)記出之前選定的種子點(diǎn)p；(5)計(jì)算種子點(diǎn)p與其周圍領(lǐng)域像素pi之間的距離d；(6)根據(jù)距離d，判斷閾值tp所在的此像素點(diǎn)是否可以歸并到生長區(qū)域中：tp＝|mm×m-mn×n|,0＜d≤d(7)若tp小于等于相應(yīng)的閾值，則將該像素歸并到種子點(diǎn)所在區(qū)域。本文閾值是根據(jù)灰度直方圖中山谷間差值(255-240＝15)而設(shè)定的。其中mm×m,mn×n分別表示像素pi所在區(qū)域的灰度均值和種子點(diǎn)pi的灰度值，d表示距離臨界值，本文臨界距離是0.5倍視盤半徑。實(shí)驗(yàn)結(jié)果與算法對比：本文對眼底高分辨率hrf(highresolutionfundus)數(shù)據(jù)庫中30幅分辨率為3504×2336像素的jpg彩色眼底圖像(其中15幅為青光眼圖像，15幅為健康眼底圖像)進(jìn)行算法驗(yàn)證。這些圖像具有不同的顏色、亮度和質(zhì)量。對于出現(xiàn)異樣的眼底圖像，由專家對其中該異樣的相關(guān)位置進(jìn)行手工標(biāo)注，所得標(biāo)注結(jié)果用于評價自動檢測算法的性能。分割實(shí)驗(yàn)結(jié)果：圖7為本文算法的最后分割結(jié)果。其中圖a顯示的是粗略分割法分割出的視盤區(qū)域，圖b是經(jīng)形態(tài)學(xué)閉操作后形成的一個閉合完整的視盤區(qū)域即roi，圖c是根據(jù)本方法改進(jìn)后的準(zhǔn)則自適應(yīng)選取出的種子點(diǎn)，圖d是經(jīng)5*5均值濾波模板濾波后的圖像，圖e是應(yīng)用改進(jìn)后的區(qū)域生長算法分割出的視杯區(qū)域，圖f是經(jīng)閉操作填補(bǔ)分割后的視杯區(qū)域細(xì)小缺口的圖像。從這一過程中可以看出，應(yīng)用該方法最終得到了完整閉合的視杯區(qū)域。本文與其他區(qū)域生長算法比：在傳統(tǒng)的視杯分割算法中，常用的是閾值分割算法以及邊緣檢測方法。在閾值分割中，關(guān)鍵的問題是閾值的選擇，閾值的選擇可以由圖像的灰度直方圖獲得，根據(jù)各灰度級的分布情況選擇出一個或多個閾值，以確定各區(qū)域的灰度范圍，但此種方法較麻煩，有時需要人工手動選取閾值，不能達(dá)到很好的自適應(yīng)性能。邊緣檢測算法提取視杯需要在擦除血管的基礎(chǔ)上應(yīng)用數(shù)學(xué)形態(tài)學(xué)進(jìn)行canny邊緣檢測，處理過程復(fù)雜，實(shí)時性較差。表1是對不同算法性能比對數(shù)據(jù)結(jié)果，從中可以看出改進(jìn)后的區(qū)域生長算法在準(zhǔn)確率、陽性預(yù)測值方面均有提高且運(yùn)行時間也有所縮短。表1.不同算法性能評價算法評價：由于不同的眼科學(xué)者繪制的邊緣會有差異，因此對于視杯視盤分割還沒有一種客觀的評定標(biāo)準(zhǔn)。圖8為某專家手繪的視杯區(qū)域，本文以此作為正確標(biāo)準(zhǔn)，用于評價算法性能。表2中的數(shù)據(jù)是從眼底高分辨率圖像hrf數(shù)據(jù)庫中選取的10張眼底圖像作為樣本，應(yīng)用本文算法進(jìn)行分割的結(jié)果。表2.視盤和視杯的相關(guān)系數(shù)以及杯盤比table2.thecorrelationcoefficientoftheopticdisc,opticcupandcdr表中的od、oc分別為視盤和視杯的像素區(qū)域面積值。從表2中的專家與改進(jìn)后的算法分割數(shù)據(jù)對比結(jié)果中可以看出，相對誤差控制在4％以內(nèi)，準(zhǔn)確率相對較高。本申請中對視杯自動檢測算法性能的相關(guān)評價指標(biāo)是分別基于圖像水平以及相關(guān)異樣區(qū)域水平定義的。其中tp為真陽，fp為假陽，tn為真陰，fn為假陰。具體解釋為:對于算法檢測為包含大視杯的眼底圖像，根據(jù)其與專家人工判斷結(jié)果的是否一致，分別稱為真陽和假陽；對于算法檢測為正常的眼底圖像，根據(jù)其與專家人工判斷結(jié)果相同是否相同，分別稱為真陰和假陰。將算法對視網(wǎng)膜內(nèi)異樣區(qū)域的檢測結(jié)果與眼科學(xué)者的人工判斷結(jié)果相比時，由于算法最終給出的都是其判斷為異常的區(qū)域，因此只存在真陽、假陽，以及漏檢的假陰，此時不存在真陰。此處分別選用圖像水平的準(zhǔn)確性(accuracy)、特異性(specificity)、敏感性(sensitivity),以及異樣區(qū)域水平的靈敏度評價算法性能。這些指標(biāo)的定義如公式(8)～(10)所定義。本文從圖像的準(zhǔn)確性、特異性、敏感性三大方面對改進(jìn)后的區(qū)域生長算法、閾值法、邊緣檢測法和傳統(tǒng)的區(qū)域生長算法分別進(jìn)行了性能評估對比。對比結(jié)果如圖9、圖10、圖11所示。圖9、圖10、圖11反映出三大特性的性能指標(biāo)，即視杯分割的性能結(jié)果。通過對比可以看出：四種算法的準(zhǔn)確性能由高到低分別為：改進(jìn)后的區(qū)域生長算法、閾值法、傳統(tǒng)區(qū)域生長算法和邊緣檢測算法。特異性能由高到低分別為：改進(jìn)后的區(qū)域生長算法、閾值法、邊緣檢測算法和傳統(tǒng)區(qū)域生長算法。而對于敏感性能來說，敏感性越高，抗干擾能力越低，通過表中可以看出敏感性由高到低的分別是：傳統(tǒng)區(qū)域生長算法、邊緣檢測算法、閾值法和改進(jìn)后的區(qū)域生長算法。通過三個表中的四種算法性能比對，可以看出本文經(jīng)改進(jìn)后的區(qū)域生長算法綜合性能較高。綜上所述，通過對不同算法分割視杯的效果對比可以看出，改進(jìn)后的區(qū)域生長算法可以精確定位種子點(diǎn)位置，經(jīng)過改進(jìn)后的分割準(zhǔn)則，區(qū)域融合并規(guī)整后可以提取出視杯區(qū)域。得到的視杯區(qū)域準(zhǔn)確、完整、無孔洞，分割過程中，算法自適應(yīng)選取種子點(diǎn)，普適性較好。將該算法應(yīng)用于hrf數(shù)據(jù)庫的30幅圖像中，視杯分割準(zhǔn)確率超過0.93。當(dāng)前第1頁12當(dāng)前第1頁12