基于Gabor濾波器的眼底圖像血管自動分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)學(xué)圖像處理領(lǐng)域，涉及一種基于Gabor濾波器的眼底圖像血管自動 分割算法，算法在實現(xiàn)全自動分割的同時，保證了分割結(jié)果的有效性。
【背景技術(shù)】
[0002] 眼底血管是人體唯一可以非創(chuàng)傷觀察的較深層微血管，其直徑、彎曲程度和顏色 等結(jié)構(gòu)變化可以反映人體高血壓、糖尿病以及動脈粥樣硬化等臨床病理特征。由于眼部血 管的直徑變化范圍較大，而且血管走向復(fù)雜，使得人工血管分割相對困難，通過計算機輔助 操作系統(tǒng)，建立眼部血管分析診斷平臺，將有助于提高臨床診斷水平。眼底數(shù)碼照相為眼底 檢測提供了便捷直觀的手段，利用圖像處理技術(shù)對眼底血管進行定量檢測，將有助于醫(yī)生 進tx臨床病理診斷，具有重要的臨床意義。
[0003] 自20世紀70年代以來，隨著計算機技術(shù)的不斷發(fā)展和完善，眼底圖像血管分割 技術(shù)的研究也逐漸深入。近年來涌現(xiàn)出了大量的血管分割方法，如血管追蹤法、分類器方 法、區(qū)域增長方法、活動輪廓模型方法、數(shù)學(xué)形態(tài)學(xué)方法、小波變換方法、匹配濾波方法、多 尺度方法、模糊理論方法等。
[0004] 但是，由于眼底圖像血管與背景的對比度相對較低，特別是醫(yī)學(xué)成像時受噪聲污 染，眼底圖像的分析診斷仍然存在一定的困難，且很難實現(xiàn)自動化。為解決以上問題，眼底 血管的分割工作在充分考慮到保證分割精度的同時，實現(xiàn)分割參數(shù)和閾值的自動選取也尤 為關(guān)鍵。

【發(fā)明內(nèi)容】

[0005] 針對上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明設(shè)計了基于Gabor濾波器的眼底圖像血 管分割算法，在保證分割結(jié)果有效性的同時，有效減少了濾波器的方向，實現(xiàn)了濾波器參數(shù) 以及閾值的自動選取，算法具體流程如圖1。
[0006] 算法首先在預(yù)處理階段選取血管對比度最優(yōu)的綠色通道圖像，利用20個不同角 度的Gabor濾波器對眼底圖像血管邊緣進行粗提取，然后，以濾波器的最大響應(yīng)作為血 管的粗定位位置，在濾波器參數(shù)選擇中，本發(fā)明引入了優(yōu)化的Imperialism competitive algorithm (ICA)算法實現(xiàn)了參數(shù)的自動選取，在二值化閾值選擇中，在準確率最大原則的 基礎(chǔ)上實現(xiàn)閾值的自動選擇，最后，利用形態(tài)學(xué)處理后得到的圖像掩膜，去除分割邊緣假陽 性區(qū)域，得到血管的最終分割結(jié)果。
[0007] 為實現(xiàn)上述目的，本發(fā)明的特征在于采取以下步驟：
[0008] 步驟1，原始圖像的預(yù)處理；
[0009] 步驟2,利用20個間隔為Γ的Gabor濾波器去獲取血管的邊緣信息，以具有最大 響應(yīng)的圖像作為血管的粗分割結(jié)果；
[0010] 步驟3,利用優(yōu)化的ICA算法實現(xiàn)Gabor濾波器參數(shù)的最優(yōu)化自動選??；
[0011] 步驟4,利用準確率最大原則的系統(tǒng)研究法決定有效的閾值，對初分割圖像進行二 值化；
[0012] 步驟5,基于形態(tài)學(xué)的二值化圖像后處理，得到眼底圖像血管最終分割結(jié)果。
[0013] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0014] 1.本發(fā)明在實驗基礎(chǔ)上，將傳統(tǒng)Gabor濾波器的方向從180個降低為20個；
[0015] 2.本發(fā)明實現(xiàn)了基于ICA方法的Gabor濾波器參數(shù)的自動選取；
[0016] 3.在保證高準確率的情況下，實現(xiàn)了分割閾值的自動選取。
【附圖說明】
[0017] 圖1本發(fā)明所涉及方法的流程框圖；
[0018] 圖2原始圖像；
[0019] 圖3綠色通道圖像；
[0020] 圖4 Gabor濾波器全幅值響應(yīng)圖；
[0021] 圖5閾值選取原理圖；
[0022] 圖6圖像二值化結(jié)果；
[0023] 圖7圖像掩膜；
[0024] 圖8血管分割結(jié)果。
【具體實施方式】
[0025] 步驟1，讀取原始圖像，如圖1，分別獲取原始圖像的紅色（R)、綠色（G)、藍色（B) 通道圖像，選取三個通道圖像中血管對比度最強的綠色通道為后續(xù)處理的輸入圖像，如圖 2〇
[0026] 步驟2, Gabor濾波器是一個用于邊緣檢測的線性濾波器。在空域，一個二維的 Gabor濾波器具有在空間域和頻率域同時取得最優(yōu)局部化的特性，與人類生物視覺特性很 相似，因此能夠很好地描述對應(yīng)于空間頻率（尺度）、空間位置及方向選擇性的局部結(jié)構(gòu)信 息。Gabor濾波器是自相似的，也就是說，所有Gabor濾波器都可以從一個母小波經(jīng)過膨脹 和旋轉(zhuǎn)產(chǎn)生。實際應(yīng)用中，Gabor濾波器可以在頻域的不同尺度，不同方向上提取相關(guān)特征。 Gabor濾波器的核函數(shù)如下：
[0028] 式中，g(x，y)為濾波器的幅值響應(yīng)，〇，σ ^ X和y方向的標(biāo)準差，f。是曲線 的頻率。余弦曲線有一個寬度τ，其中f。= l/τ，L為寬度垂直平方向上的高度。
[0029] 傳統(tǒng)濾波器中，共有范圍中的180個間隔Γ的不同角度的核函數(shù)被用于 眼底圖像中血管的邊緣提取。本方法選取DRIVE數(shù)據(jù)庫中的20幅圖像，對不同方向個數(shù) 的濾波器進行分割結(jié)果靈敏性，特異性和準確率的分析實驗，結(jié)果發(fā)現(xiàn)當(dāng)角度間隔為Γ的 Gabor濾波器大于20個時，分割性能不再隨著濾波器個數(shù)的增多而變得更優(yōu)，因此本方法 在保證系統(tǒng)性能的前提下，將傳統(tǒng)Gabor濾波器中的180個角度降低為20個。其中角度旋 轉(zhuǎn)過程中的的坐標(biāo)變換公式如下：
[0030] x' =x cos Θ +y sin θ
[0031] y' = -χ sin Θ +y cos θ
[0032] 式中，，太）是每個旋轉(zhuǎn)后的Θ值所對應(yīng)的坐標(biāo)。180個不同角度（Θ)的 Gabor濾波器ge (X，y)作用于圖像I (X，y)將得到一系列的濾波器響應(yīng)Ge (X，y)，計算公式 如下：
[0033] G0 (x, y) =I (x, y)*g〇 (x, y)
[0034] 式中，*代表卷積運算.為有效檢測血管位置，在每一個像素點（χ, y)，只有最大的 響應(yīng)才會被保留。保留最大值后的Gabor濾波器的各個方向響應(yīng)R(x，y)計算公式如下：
[0036] 隨后，利用對數(shù)函數(shù)抑制全響應(yīng)中的峰值，表達式如下：
[0038] 式中，為對數(shù)函數(shù)處理后的濾波器相應(yīng)圖像，Ln為對數(shù)運算。
[0039] 步驟3, Gabor濾波器有很多參數(shù)，其中最重要的是空間的寬度τ和高度L，分割 結(jié)果的好壞很大程度上取決于這兩個參數(shù)。本發(fā)明中采用Atashpaz-Gargari和Luca于 2007年提出的ICA的方法進行兩個參數(shù)的最優(yōu)化選擇，首先，獲得數(shù)據(jù)庫中的訓(xùn)練集中每 幅圖像的最優(yōu)參數(shù)，取所有圖像最優(yōu)參數(shù)的平均值作為本發(fā)明的參數(shù)，其次將以上確定的 參數(shù)用于圖像測試集，本發(fā)明中數(shù)據(jù)庫的訓(xùn)練集和測試集是完全分開的。ICA優(yōu)化方法分別 在[0. 1，20](間隔為0. 1)和[0. 1，15](間隔為0. 1)范圍對每幅圖像依次實驗獲取其各個 最優(yōu)寬度和高度，而后得到各個最優(yōu)寬度平均值和高度平均值作為本發(fā)明的濾波器寬度和 高度值。
[0040] 步驟4,將圖像W的灰度值閾值化得到二值圖像Ω (χ，y)，二值化公式如下：
[0042] 式中，是二值化的閾值，二值化的結(jié)果是得到血管的分割結(jié)果.在閾值的確定 過程中，首先通過圖像統(tǒng)計的方法確定能使每幅圖像準確率達到最大化的閾值，其原理如 圖5,然后計算所有圖像閾值的平均值為本發(fā)明中的閾值。
[0043] 步驟5,為提取圖像中的有效分割區(qū)域Φ (x，y)，本發(fā)明將步驟4中的二值化圖像 Ω (X，y)與一個形態(tài)學(xué)腐蝕操作后的二值化圖像掩膜M (χ，y)逐像素相乘來去除分割結(jié)果 中有效區(qū)域外圍的假陽性部分，確保整幅圖像中只保留眼底區(qū)域為有效的分割區(qū)域。
[0044] Φ (x, y) = Ω (χ, y) [Μ (χ, y) θ Β]
[0045] 式中，θ表示形態(tài)學(xué)的腐蝕操作，B表示一個圓形的結(jié)構(gòu)元。
[0046] 為了評價本發(fā)明對于眼底圖像血管分割結(jié)果的有效性，本方法引入敏感性 SE(Sensitivity)、特異性 SP(Specificity)、精確度 ACC(Accuracy)三個評價指標(biāo)，具體計 算方法如下：
[0047] Sensitivity = TP/(TP+FN)