基于多尺度多方向的視網(wǎng)膜圖像增強算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像分割技術(shù)，尤其涉及一種基于多尺度多方向的視網(wǎng)膜圖像增強算 法。
【背景技術(shù)】
[0002] 視網(wǎng)膜血管作為人體唯一能無損觀察到的較深層微血管，其特征變化不僅可以反 映多種眼科疾病，還可反映全身血管類相關(guān)疾病，如高血壓、糖尿病、動脈硬化等。對視網(wǎng)膜 血管圖像進行觀察和分析，將為相關(guān)疾病的及時發(fā)現(xiàn)與治療提供重要依據(jù)與幫助。然而，受 視網(wǎng)膜血管結(jié)構(gòu)、成像環(huán)境、設(shè)備及噪聲的影響，得到的視網(wǎng)膜血管圖像往往質(zhì)量較差，難 以直接用于醫(yī)學(xué)診斷。因此，在使用前需要對視網(wǎng)膜圖像進行增強處理。
[0003] 視網(wǎng)膜圖像中血管的增強算法常用的有基于直方圖均衡化的方法、基于數(shù)學(xué) 形態(tài)學(xué)的方法、基于Hessian矩陣的方法以及基于匹配濾波器的方法。Rear在論文 《Realization of the Contrast Limited Adaptive Histogram Equalization (CLAHE) for Real-Time Image Enhancement》中提出了一種對比度受限自適應(yīng)直方圖均衡的方法，該 方法對于灰度級動態(tài)范圍較窄的原始圖像增強效果不明顯，并且容易在圖像灰度級差異較 大的區(qū)域產(chǎn)生偽影現(xiàn)象。Angulo Jesus 在論文《Realization of the Contrast Limited Adaptive Histogram Equalization(CLAHE)for Real-Time Image Enhancement》中提出了 一種基于灰度圖像的數(shù)學(xué)形態(tài)學(xué)操作，可以有效的提取圖像亮、暗區(qū)域以及對圖像亮、暗區(qū) 域進行濾波。然而上述兩種視網(wǎng)膜血管增強的方法過度依賴于圖像的灰度信息，沒有考慮 到血管的寬度和方向存在變化這兩個問題。因此，F(xiàn)rangi等人在論文《Multiscale vessel enhancement filtering》中提出了一種基于多尺度Hessian矩陣的血管增強方法，并定義 了二維和三維血管響應(yīng)函數(shù)。該方法明顯優(yōu)于單尺度的血管分析，但其血管響應(yīng)函數(shù)依賴 于參數(shù)的選擇，并且文中沒有給出選擇的依據(jù)。該方法雖然采用多尺度技術(shù)解決了血管寬 度變化這一問題，但是同樣沒有考慮到血管方向存在變化這個問題。同樣，Al-Rawi等人在 論文〈〈An improved matched filter for blood vessel detection of digital retinal images》中提出了一種基于二維匹配濾波器的視網(wǎng)膜圖像增強方法，通過使用多個方向的 高斯核函數(shù)來增強相應(yīng)方向的血管。該方法雖然采用多方向技術(shù)解決了血管方向變化這一 問題，但是同樣沒有考慮到血管寬度存在變化這個問題。
[0004] 因此，考慮到血管具有寬度不一和方向任意的特點，本文提出了一種基于多尺度 多方向的血管增強方法。該方法通過視網(wǎng)膜圖像分別進行多尺度和多方向濾波操作，然后 將二者結(jié)果進行融合，能夠有效增強圖像。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明要解決的技術(shù)問題在于針對現(xiàn)有技術(shù)中的缺陷，提供一種基于多尺度多方 向的視網(wǎng)膜圖像增強算法。
[0006] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：、一種基于多尺度多方向的視網(wǎng)膜 圖像增強算法，包括以下步驟：
[0007] SI:對輸入的原始RGB視網(wǎng)膜圖像進行預(yù)處理，將原始RGB視網(wǎng)膜圖像分解成紅、 綠、藍三通道圖像，提取視網(wǎng)膜圖像的綠色通道圖像；
[0008] S2:對視網(wǎng)膜圖像的綠色通道圖像進行多尺度Hessian矩陣濾波，得到多尺度增 強圖像；
[0009] S3:對視網(wǎng)膜圖像的綠色通道圖像進行多方向二維匹配濾波，得到多方向增強圖 像；
[0010] S4:將多尺度增強圖像和多方向增強圖像進行融合，得到最終的視網(wǎng)膜增強圖像 結(jié)果。
[0011] 按上述方案，所述步驟S2)中的多尺度Hessian矩陣濾波方法如下：
[0012] 輸入綠通道圖像，產(chǎn)生像素矩陣T，對于綠通道圖像的每一個像素，首先初始化空 間尺度σ的范圍、迭代步長、濾波器的增強因子β和c ;
[0013] 如果σ沒有滿足停止條件，那么根據(jù)公式生成Hessian矩陣，然后根據(jù)血管相似 濾波器計算增強濾波的輸出值Z。，接著迭代 〇，判斷〇是否滿足停止條件；
[0014] 如果σ滿足停止條件，則選取最大增強濾波輸出值作為該像素的增強因子；
[0015] 按上述方案，所述步驟S2)中的多方向二維匹配濾波方法如下：
[0016] 輸入綠通道圖像，產(chǎn)生像素矩陣Τ，對于綠通道圖像的每一個像素，首先初始化方 向因子Θ的范圍和迭代步長；
[0017] 如果Θ沒有滿足停止條件，那么對于每個Θ求得相應(yīng)的高斯核模板，將計算得到 的高斯核模板與T進行卷積，得卷積結(jié)果Z θ;迭代Θ的值，判斷Θ是否滿足停止條件；
[0018] 如果滿足停止條件，則選取所有方向相應(yīng)像素的最大值作為該像素的增強因子；
[0019] 按上述方案，所述步驟S3)中的融合方法為：對比分析每一個像素 t的相應(yīng)位置 多尺度增強結(jié)果和多方向增強結(jié)果的值，選取兩者中較大值作為t的增強結(jié)果，從而得到 最終的增強結(jié)果。
[0020] 按上述方案，所述步驟S2)中還包括對多尺度增強圖像進行灰度拉伸的步驟。
[0021] 按上述方案，所述步驟S3)中還包括對多方向增強圖像進行灰度拉伸的步驟。
[0022] 本發(fā)明產(chǎn)生的有益效果是：
[0023] 1.本發(fā)明解決了血管的寬度和方向存在變化這兩個問題，利用多尺度Hessian矩 陣對視網(wǎng)膜圖像中指定寬度范圍內(nèi)的血管進行增強，同時利用多方向二維匹配濾波對視網(wǎng) 膜圖像中12個不同方向的血管進行增強，然后將以上兩個增強結(jié)果進行融合，從而實現(xiàn)圖 像的最終增強。
【附圖說明】
[0024] 下面將結(jié)合附圖及實施例對本發(fā)明作進一步說明，附圖中：
[0025] 圖1為本發(fā)明實施例的方法流程圖；
[0026] 圖2為本發(fā)明實施例的視網(wǎng)膜圖像的尺度增強結(jié)果；
[0027] 圖3為本發(fā)明實施例的視網(wǎng)膜圖像的尺度增強結(jié)果；
[0028] 圖4為本發(fā)明實施例的視網(wǎng)膜圖像的尺度增強結(jié)果；
[0029] 圖5為本發(fā)明實施例的視網(wǎng)膜圖像的多尺度增強結(jié)果；
[0030] 圖6為本發(fā)明實施例的視網(wǎng)膜圖像的多方向增強結(jié)果；
[0031] 圖7為本發(fā)明實施例的視網(wǎng)膜圖像的多方向增強結(jié)果；
[0032] 圖8為本發(fā)明實施例的視網(wǎng)膜圖像的多方向增強結(jié)果；
[0033] 圖9為本發(fā)明實施例的視網(wǎng)膜圖像的多方向增強結(jié)果；
[0034] 圖10為視網(wǎng)膜圖像的多尺度與多方向局部增強結(jié)果的融合過程圖。
【具體實施方式】
[0035] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施例，對本發(fā)明 進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限 定本發(fā)明。
[0036] 本發(fā)明的目的是提供一種基于多尺度多方向的視網(wǎng)膜圖像增強算法，解決血管的 寬度和方向存在變化這兩個問題，利用多尺度Hessian矩陣對視網(wǎng)膜圖像中指定寬度范圍 內(nèi)的血管進行增強，同時利用多方向二維匹配濾波對視網(wǎng)膜圖像中12個不同方向的血管 進行增強，然后將以上兩個增強結(jié)果進行融合，從而實現(xiàn)圖像的最終增強。
[0037] 圖1為本發(fā)明基于多尺度多方向的視網(wǎng)膜圖像增強算法的流程圖，如圖1所示，所 述方法包括以下步驟：
[0038] 步驟Sl:對視網(wǎng)膜圖像進行圖像預(yù)處理；
[0039] 對輸入的原始RGB視網(wǎng)膜圖像進行預(yù)處理，分解成紅、綠、藍三通道圖像，采用對 比度較高的綠通道圖像進行后續(xù)處理。
[0040] 步驟S2:利用第一步得到的預(yù)處理后的圖像進行多尺度Hessian矩陣濾波，并進 行灰度拉伸；
[0041] 采用多尺度Hessian矩陣濾波器對綠通道圖像進行檢測。運用帶尺度的高斯濾波 器對圖像進行卷積操作，檢測不同寬度的血管，得到視網(wǎng)膜圖像各個尺度下的血管響應(yīng)圖 像，取最大值作為最終的血管增強因子。
[0042] 具體如下：輸入綠通道圖像，產(chǎn)生像素矩陣T。對于T中的每一個像素 Tab，首先 初始化空間尺度σ的范圍[ai，a2]、迭代步長St印、濾波器的增強因子β和c。如果 〇 沒有滿足停止條件，那么根據(jù)公另
【主權(quán)項】
1. 一種基于多尺度多方向的視網(wǎng)膜圖像增強算法，其特征在于，包括以下步驟： Sl:對輸入的原始RGB視網(wǎng)膜圖像進行預(yù)處理，將原始RGB視網(wǎng)膜圖像分解成紅、綠、 藍三通道圖像，提取視網(wǎng)膜圖像的綠色通道圖像； S2:對視網(wǎng)膜圖像的綠色通道圖像進行多尺度Hessian矩陣濾波，得到多尺度增強圖 像； S3:對視網(wǎng)膜圖像的綠色通道圖像進行多方向二維匹配濾波，得到多方向增強圖像； S4:將多尺度增強圖像和多方向增強圖像進行融合，得到最終的視網(wǎng)膜增強圖像結(jié) 果。
2. 根據(jù)權(quán)利要求1所述的視網(wǎng)膜圖像增強算法，其特征在于，所述步驟S2)中的多尺度 Hessian矩陣濾波方法如下： 輸入綠通道圖像，產(chǎn)生像素矩陣Γ，對于綠通道圖像的每一個像素，首先初始化空間尺 度σ的范圍、迭代步長、濾波器的增強因子β和f ; 如果σ沒有滿足停止條件，那么根據(jù)公式生成Hessian矩陣，然后根據(jù)血管相似濾波器 計算增強濾波的輸出值Z13 ,接著迭代σ,判斷σ是否滿足停止條件； 如果σ滿足停止條件，則選取最大增強濾波輸出值作為該像素的增強因子。
3. 根據(jù)權(quán)利要求1所述的視網(wǎng)膜圖像增強算法，其特征在于，所述步驟S2)中的多方向 二維匹配濾波方法如下： 輸入綠通道圖像，產(chǎn)生像素矩陣Γ ,對于綠通道圖像的每一個像素，首先初始化方向因 子i的范圍和迭代步長； 如果e沒有滿足停止條件，那么對于每個s求得相應(yīng)的高斯核模板，將計算得到的高斯 核模板與r進行卷積，得卷積結(jié)果乙；迭代i的值，判斷e是否滿足停止條件； 如果滿足停止條件，則選取所有方向相應(yīng)像素的最大值作為該像素的增強因子。
4. 根據(jù)權(quán)利要求1所述的視網(wǎng)膜圖像增強算法，其特征在于，所述步驟S3)中的融合 方法為：對比分析每一個像素&的相應(yīng)位置多尺度增強結(jié)果和多方向增強結(jié)果的值，選取 兩者中較大值作為的增強結(jié)果，從而得到最終的增強結(jié)果。
5. 根據(jù)權(quán)利要求1所述的視網(wǎng)膜圖像增強算法，其特征在于，所述步驟S2)中還包括對 多尺度增強圖像進行灰度拉伸的步驟。
6. 根據(jù)權(quán)利要求1所述的視網(wǎng)膜圖像增強算法，其特征在于，所述步驟S3)中還包括對 多方向增強圖像進行灰度拉伸的步驟。
【專利摘要】本發(fā)明公開了一種基于多尺度多方向的視網(wǎng)膜圖像增強算法，該方法包括以下步驟：對輸入的原始RGB視網(wǎng)膜圖像進行預(yù)處理，將原始RGB視網(wǎng)膜圖像分解成紅、綠、藍三通道圖像，提取視網(wǎng)膜圖像的綠色通道圖像；對視網(wǎng)膜圖像的綠色通道圖像進行多尺度Hessian矩陣濾波，得到多尺度增強圖像；對視網(wǎng)膜圖像的綠色通道圖像進行多方向二維匹配濾波，得到多方向增強圖像；將多尺度增強圖像和多方向增強圖像進行融合，得到最終的視網(wǎng)膜增強圖像結(jié)果。本發(fā)明利用多尺度Hessian矩陣對視網(wǎng)膜圖像中指定寬度范圍內(nèi)的血管進行增強，同時利用多方向二維匹配濾波對視網(wǎng)膜圖像中12個不同方向的血管進行增強，然后將以上兩個增強結(jié)果進行融合，從而實現(xiàn)圖像的最終增強。
【IPC分類】G06T5-50, G06T5-00
【公開號】CN104732499
【申請?zhí)枴緾N201510152245
【發(fā)明人】閔鋒, 單玲玉, 張彥鐸, 李曉林
【申請人】武漢工程大學(xué)
【公開日】2015年6月24日
【申請日】2015年4月1日