血管系統(tǒng)的效果。這種效果在血管系統(tǒng)信息原本往往將會被偏振效應(yīng)覆蓋的區(qū)域中是極其顯著的。
[0078]該方法的第四步驟400是通過使用自適應(yīng)直方圖均衡的表示從第一和第二數(shù)字血管圖像數(shù)據(jù)中去除噪聲。這種噪聲的去除減少了后續(xù)卷積運算過程中記錄錯誤的“角點命中”的可能性(如下所述)。從第一和第二數(shù)字血管圖像數(shù)據(jù)去除噪聲的步驟是通過低通(LP)噪聲濾波器實現(xiàn)的。
[0079]圖3a和3b是圖2a和2b的第一和第二數(shù)字血管圖像10a、1b下采樣(步驟200)、均衡(步驟300)和噪聲減少(步驟400)之后的圖像。從圖3a和3b中可以看出，視網(wǎng)膜的血管系統(tǒng)2和背景4之間的對比度相比初始的第一和第二數(shù)字視網(wǎng)膜圖像2a、2b已經(jīng)得到增強。血管系統(tǒng)2相對于視網(wǎng)膜的背景4的增強改善了后續(xù)卷積運算的結(jié)果(如下所述)。
[0080]該方法的第五步驟500是用具有生成正交相鄰圖像數(shù)據(jù)點簇效果的方向濾波器處理第一和第二圖像數(shù)據(jù)，其中，每個正交相鄰圖像數(shù)據(jù)點之間的強度梯度小于預(yù)定值。在此處描述的本發(fā)明的實施例中，用方向濾波器處理第一和第二圖像數(shù)據(jù)的步驟500是通過用旋轉(zhuǎn)伽柏核函數(shù)(或濾波器)卷積第一和第二圖像數(shù)據(jù)來執(zhí)行的。正交相鄰圖像數(shù)據(jù)點被認為是代表在像素數(shù)據(jù)陣列中彼此緊鄰的圖像數(shù)據(jù)點，即代表在該陣列的任何給定的行或列中彼此相鄰的圖像數(shù)據(jù)點。應(yīng)當(dāng)理解的是，簇可以包括任何數(shù)目或任何配置的正交相鄰圖像數(shù)據(jù)。即，簇可以是1X1、1X2、2X1、2X2、3X2、2X3排列或類似排列的圖像數(shù)據(jù)點。
[0081]在當(dāng)前的例子中，伽柏核函數(shù)是具有匹配整個血管系統(tǒng)的圖像數(shù)據(jù)的強度，即具有匹配血管系統(tǒng)的橫截面的圖像數(shù)據(jù)的強度的形式或形狀的配置的二維高斯濾波器核函數(shù)。伽柏核函數(shù)的高斯形狀允許伽柏核函數(shù)“匹配”血管系統(tǒng)的輪廓或與該輪廓“共振”，從而在與其它(背景)區(qū)域不匹配的同時凸顯血管系統(tǒng)，從而削弱這些區(qū)域。
[0082]伽柏核函數(shù)與第一和第二圖像數(shù)據(jù)中的每個圖像數(shù)據(jù)卷積多次。對于相繼的每次卷積，伽柏核函數(shù)相對于該圖像數(shù)據(jù)的取向不同。在此處描述的實施方式中，伽柏核函數(shù)與第一和第二圖像數(shù)據(jù)中的每個圖像數(shù)據(jù)有效卷積八次，對于每個相繼的卷積伽柏核函數(shù)相對于圖像數(shù)據(jù)旋轉(zhuǎn)45度。因此伽柏核函數(shù)經(jīng)過8次卷積相對于圖像數(shù)據(jù)旋轉(zhuǎn)360度。已發(fā)現(xiàn)伽柏核函數(shù)在與血管系統(tǒng)截面的特性共振方面特別有效。在一個實施方式中，該核函數(shù)是對稱的，在360度上8次卷積后的效果可以在實踐中通過僅僅在180度空間上的四次卷積來實現(xiàn)。
[0083]用旋轉(zhuǎn)伽柏核函數(shù)卷積后的第一和第二數(shù)字視網(wǎng)膜圖像數(shù)據(jù)被表示在圖4a和4b中。圖4a和4b表示所有8個卷積的平均輸出。如圖所示，用上述旋轉(zhuǎn)伽柏核函數(shù)卷積第一和第二數(shù)字視網(wǎng)膜圖像數(shù)據(jù)的效果是生成正交相鄰圖像數(shù)據(jù)點簇12，其中每個正交相鄰圖像數(shù)據(jù)點之間的強度梯度的幅值都小于預(yù)定值。換句話說，卷積生成具有相似強度值的正交相鄰圖像數(shù)據(jù)點的組。[大衛(wèi)注:我已經(jīng)將關(guān)于設(shè)置閾值的這一段內(nèi)容移到描述角點檢測的章節(jié)。我想在克雷格的描述中的“小于”閾值和“大于”閾值是等同的。但是，如在我們的會議中討論的，閾值僅明確地應(yīng)用在角點檢測步驟中。因此，在角點檢測步驟的背景中討論閾值的設(shè)置將更有意義。]
[0084]參考圖4a至圖6，用旋轉(zhuǎn)伽柏核函數(shù)卷積后的第一和第二數(shù)字視網(wǎng)膜圖像數(shù)據(jù)包括具有角點(或“微角點”)特征的簇線12可以被看成對視網(wǎng)膜3的血管系統(tǒng)2的跟蹤。正是伽柏核函數(shù)相對于圖像數(shù)據(jù)的旋轉(zhuǎn)創(chuàng)建了簇12的角點(或微角點)特征。特別是，正是伽柏核函數(shù)相對于圖像數(shù)據(jù)至少90度的旋轉(zhuǎn)創(chuàng)建了簇12的角點(或微角點)特征。
[0085]視網(wǎng)膜3的血管系統(tǒng)2也因此在局部程度上被增強為簇12和視網(wǎng)膜3的背景4之間的簇12的角點(或微角點)特征的高強度梯度“步進”結(jié)構(gòu)的形式。簇12的角點特征可以是圖像數(shù)據(jù)陣列的任何角點，如上所述。術(shù)語“微角點”可以指包括1X2或2X1圖像數(shù)據(jù)點的簇12。
[0086]該方法的第六步驟600是識別(或提取)第一和第二圖像數(shù)據(jù)中的每個圖像數(shù)據(jù)中的簇12，其中一個或多個相鄰的簇12之間的強度梯度的幅值高于預(yù)定值。第六步驟600從而識別大約位于視網(wǎng)膜3的血管系統(tǒng)2和背景4之間的邊界上的簇12。如圖4a至圖6所示，簇12的強度比背景4更高。該方法的步驟600因此標(biāo)識跟蹤視網(wǎng)膜3的血管系統(tǒng)2的簇12。
[0087]此處描述的本發(fā)明的實施方式中，識別第一和第二圖像數(shù)據(jù)中的每個圖像數(shù)據(jù)中的簇12的第六步驟600使用角點檢測算法來執(zhí)行，其中一個或多個相鄰的簇12之間的強度梯度的幅值高于預(yù)定值。這里所描述的實施方式中，哈里斯角點檢測算法用于識別第一和第二圖像數(shù)據(jù)中的每個圖像數(shù)據(jù)中的簇12，其中一個或多個相鄰的簇12之間的強度梯度的幅值高于預(yù)定值。然而，應(yīng)該可以理解，可以使用任何其它合適的角點檢測算法。
[0088]角點檢測算法尋找卷積后的第一和第二數(shù)字視網(wǎng)膜圖像中的正交邊緣點。尤其是，它會尋找在兩個方向上的梯度同時超過閾值的點。該算法可以根據(jù)需要被配置為特定靈敏度和質(zhì)量的閾值。圖6示出角點檢測算法識別的點(+)。
[0089]角點檢測算法通常不與視網(wǎng)膜圖像一起使用，這是因為角點的存在不常見。但是，采用旋轉(zhuǎn)伽柏核函數(shù)等方向濾波器對圖像數(shù)據(jù)進行預(yù)處理導(dǎo)致其中的血管系統(tǒng)2已經(jīng)在局部程度上以高強度梯度“步進結(jié)構(gòu)”或整個血管系統(tǒng)2的角點(或微角點)特征線的形式被增強的圖像數(shù)據(jù)。正是這種用旋轉(zhuǎn)伽柏核函數(shù)的預(yù)處理方便了角點檢測算法的使用以識別描繪視網(wǎng)膜3的血管系統(tǒng)2的簇12。這種方法的優(yōu)點在于，相比于通過使用公知的跟蹤算法來映射和提取血管系統(tǒng)，其計算負荷顯著降低。
[0090]因為圖像數(shù)據(jù)已經(jīng)進行了直方圖均衡，所以感興趣的強度梯度閾值在整個圖像數(shù)據(jù)上將是大致相同的。預(yù)定閾值將取決于均衡中使用的感興趣的區(qū)域的大小。實際值的設(shè)置不需要通過任何分析方法來完成，而是可以簡單地通過試驗和誤差實驗方法來完成。例如，在一些實施方式中，閾值可以在可能的最大梯度的10%和50%之間。例如，在一種實施方式中，最大梯度是255，閾值梯度可以設(shè)置為50，表示約占可能的最大梯度的20%。
[0091]該方法的第七步驟700是將第一和第二圖像數(shù)據(jù)中的每個圖像數(shù)據(jù)的簇12合并在一起，其中，一個或多個相鄰的簇12之間的強度梯度的幅值高于預(yù)定值。第七步驟700從而模糊簇12或?qū)⒋?2合并在一起以進一步突出血管系統(tǒng)2。當(dāng)圖像數(shù)據(jù)被表示在圖像中時，第七步驟700的效果是沿血管系統(tǒng)2 “加入”簇12的“點”。該方法的步驟700是有用的，這是因為在每個圖像數(shù)據(jù)中簇12的定位可能稍有不同，因此合并簇12增加了更多的簇12在特性位置上交疊的可能性。來自圖像的已經(jīng)進行了“閾值化”處理的血管系統(tǒng)角點仍然是灰度形式，即盡管所有數(shù)據(jù)點的強度值都高于門限值，但是每個數(shù)據(jù)點可能仍然具有不同的強度值。因此該方法可以包括將“被閾值化處理”的圖像數(shù)據(jù)轉(zhuǎn)換為二進制圖像的另外的步驟，該二進制圖像中的所有“角點”簇都具有為I的值而所有其它的圖像數(shù)據(jù)點具有為O的值。
[0092]該方法的第八步驟800是對圖像邊緣中的簇12進行掩模，該圖像邊緣可能與睫毛等不相關(guān)的特征有關(guān)。
[0093]該方法的第九步驟900是為了減少第一和第二合并后的簇的圖像數(shù)據(jù)的大小。這是通過對數(shù)據(jù)進行下采樣實現(xiàn)的。在此處描述的本發(fā)明的實施方式中，第一和第二數(shù)字血管圖像數(shù)據(jù)經(jīng)由金字塔縮放計算被下采樣。然而，應(yīng)該理解的是其它已知的濾波、平滑、采樣或子采樣計算方法也可以使用。
[0094]合并(步驟700)、掩模(800)和下采樣(900)后的第一和第二視網(wǎng)膜圖像數(shù)據(jù)被表;^在圖5a和5b中。
[0095]該方法的第十步驟1000是識別第一和第二圖像數(shù)據(jù)之間的共有簇12，其中一個或多個相鄰的簇12之間的強度梯度的幅值超過預(yù)定值。第十步驟1000因而對在第一和第二視網(wǎng)膜圖像數(shù)據(jù)中的每個圖像數(shù)據(jù)之間的共有簇12進行識別。在這里所描述的實施方式中，步驟1000包括對圖5a和5b的圖像數(shù)據(jù)進行互相關(guān)。
[0096]圖5a和5b的圖像數(shù)據(jù)的互相關(guān)被示于圖7和圖1。在這里描述的實施方式中，圖5b的第二圖像數(shù)據(jù)與圖5a的第一圖像數(shù)據(jù)互相關(guān)多次。隨著后續(xù)每次互相關(guān)，第二圖像數(shù)據(jù)相對于上一圖像數(shù)據(jù)遞增地旋轉(zhuǎn)。多個互相關(guān)可以經(jīng)過約40度旋轉(zhuǎn)。多個互相關(guān)可以圍繞實質(zhì)上位于視網(wǎng)膜視盤點周圍的樞轉(zhuǎn)點進行約20度旋轉(zhuǎn)。當(dāng)然，多個互相關(guān)可以通過圍繞實質(zhì)上位于視網(wǎng)膜視盤點周圍的樞轉(zhuǎn)點做大致任何合適角度的旋轉(zhuǎn)。
[0097]數(shù)據(jù)作為歸一化互相關(guān)輸出?；ハ嚓P(guān)的峰值(即圖像數(shù)據(jù)之間的最佳匹配)針對每個相關(guān)角進行記錄并且置信度通過對每個相關(guān)角的相關(guān)表面5中的孤立峰值的測量而被推導(dǎo)出。更具體地，置信度系數(shù)被作為峰值高度乘以峰值“壁”的總斜率除以相關(guān)表面5的剩余部分(即不包括峰的區(qū)域)的均值的加權(quán)來進行計算。這個度量中的高值表示尖的、高的、孤立的峰值，其是是密切相關(guān)特性且因此是配準(zhǔn)準(zhǔn)確性中的高置信度。置信度被觸發(fā)設(shè)置為低置信度的閾值通過加權(quán)置信度測量來建立，以使得小于單位的值表示低置信度，置信度被觸發(fā)為低置信度可以在不存在任何一個孤立的相關(guān)峰值時被觀察到。
[0098]該方法的第十步驟1000還包括確定所識別的第一和第二圖像數(shù)據(jù)中的每個圖像數(shù)據(jù)中的共有簇12之間在位置上的差異。簇12的位置包括簇12的角度和平移位置(旋轉(zhuǎn)角變化