[发明专利]基于全局与局部阈值的视网膜血管分割算法

说明书

技术领域

本发明涉及图像分割技术，尤其涉及一种基于全局与局部阈值的视网膜血管分割算法。

背景技术

综合分析现有的视网膜血管分割算法，较为简单常用的方法是阈值分割法，其中阈值分割又可分为全局阈值与局部阈值两种。基于全局阈值的方法中，其阈值的选取多依靠于灰度直方图，常用的方法有最大类间方差法(OTSU)和最大熵法等。针对视网膜血管分割方面，姚畅在论文《一种基于改进的PCNN的视网膜血管树提取方法》提出了一种基于改进的PCNN的视网膜血管树提取方法来提取视网膜血管网络，它根据视网膜血管网络的结构特征，对增强后的眼底图像运用IPCNN的动态点火特性分割出增强图像的血管网络，以提取出最终的血管树。该方法对整幅图像使用固定的全局阈值，如果图像中血管与背景的对比度十分明显，此分割方法相当有效。但是由于血管越往末梢越细，与背景的对比度也越来越弱，使用全局阈值只能得到血管的主干部分，血管的细小末梢部分难以分割。基于局部阈值的分割方法是对图像中的不同区域采用不同的阈值，其阈值的选取一般基于图像的局部统计信息，如局部方差、局部对比度以及曲 面拟合阈值等，又称为自适应阈值。针对视网膜血管分割方面，黄琳等在论文《视网膜图像中的血管自适应提取》提出了一种视网膜图像中的血管自适应提取的方法来提取视网膜血管网络，它通过视网膜图像进行分区然后计算每一区域满足梯度要求的像素点个数求取合适的局部阈值，最终实现血管的分割。该方法可以保证计算得到平均误差最小意义下的最优阈值，但是由于视网膜图像中背景灰度并不是非常均匀，所以阈值化得到的二值血管图像中包含很多碎片。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于全局与局部阈值的视网膜血管分割算法,本方法通过对增强后的视网膜图像分别进行全局与局部阈值分割，然后通过区域连通性的判断将二者结果进行融合，消除噪声，获取最终的血管分割结果。

本发明解决其技术问题所采用的技术方案是：一种基于全局与局部阈值的视网膜血管分割算法，包括以下步骤：

S1:对视网膜图像进行图像增强；

S2:对增强后的图像采用二维最大熵阈值法确定全局阈值，然后分割获得主血管部分的图像；

S3:对增强后的图像采用移动平均方法确定局部阈值，然后分割获得细小 血管部分的图像；

S4:对主血管部分和细小血管部分的图像进行融合，分割出最终的血管网络。

按上述方案，所述步骤S1)中的增强方法如下：

S11:对输入的原始RGB视网膜图像进行预处理，分解成红、绿、蓝三通道图像，提取视网膜图像的绿色通道图像；

S12:对绿色通道图像采用多尺度多方向滤波方法进行图像增强。

按上述方案，所述步骤S12)中的多尺度多方向滤波方法如下：

S121:输入绿通道图像，产生像素矩阵T；对于绿通道图像的每一个像素T_ab，首先初始化空间尺度σ的范围[a₁,a₂]、迭代步长Step、滤波器的增强因子β和c；

如果σ没有满足停止条件，那么根据血管相似滤波器计算增强滤波的输出值Z_o，接着迭代σ，判断σ是否满足停止条件；

如果σ满足停止条件，则选取最大增强滤波输出值作为该像素的增强因子；

S122:对于绿通道图像的每一个像素T_ab，首先初始化方向因子θ的范围[a₁,a₂]、迭代步长Step；

如果θ没有满足停止条件，求得相应的高斯核模板并与T进行卷积，得卷积结果Z_θ；迭代θ的值，判断θ是否满足停止条件；

如果满足停止条件，则选取所有方向相应像素的最大值作为该像素的增强 因子；

S123:对比分析每一个像素f_ij的相应位置多尺度增强结果f₁和多方向增强结果f₂的值，选取f₁和f₂中最大值作为f_ij的结果，从而得到最终的增强结果。

按上述方案，所述步骤S3)中局部阈值的确定方法具体为：

移动平均的扫描方式为Z字形逐行扫描；

令z_k+1表示步骤k+1中扫描序列中遇到的点的灰度，则z_k+1处的移动平均灰度为其中k≥n-1；n表示用于计算平均的点数，且m(1)＝z₁/n；