[发明专利]基于Gabor滤波器的眼底图像血管自动分割方法

权利要求书

1.基于Gabor滤波器的眼底图像血管自动分割方法，本方法设计了基于Gabor滤波器的眼底图像血管分割算法，在保证分割结果有效性的同时，有效减少了滤波器的方向，实现了滤波器参数以及阈值的自动选取；

首先在预处理阶段选取血管对比度最优的绿色通道图像，利用20个不同角度的Gabor滤波器对眼底图像血管边缘进行粗提取，然后，以滤波器的最大响应作为血管的粗定位位置，在滤波器参数选择中，引入优化的ICA(Imperialism competitive algorithm)算法实现了参数的自动选取，在二值化阈值选择中，在准确率最大原则的基础上实现阈值的自动选择，最后，利用形态学处理后得到的图像掩膜，去除分割边缘假阳性区域，得到血管的最终分割结果；

其特征在于：本方法的特征在于采取以下步骤，

步骤1，原始图像的预处理；

步骤2，利用20个间隔为1°的Gabor滤波器去获取血管的边缘信息，以具有最大响应的图像作为血管的粗分割结果；

步骤3，利用优化的ICA算法实现Gabor滤波器参数的最优化自动选取；

步骤4，利用准确率最大原则的系统研究法决定有效的阈值，对初分割图像进行二值化；

步骤5，基于形态学的二值化图像后处理，得到眼底图像血管最终分割结果。

2.根据权利要求1所述的基于Gabor滤波器的眼底图像血管自动分割方法，其特征在于：步骤1，读取原始图像，分别获取原始图像的红色(R)、绿色(G)、蓝色(B)通道图像，选取三个通道图像中血管对比度最强的绿色通道为后续处理的输入图像；

步骤2，Gabor滤波器是一个用于边缘检测的线性滤波器；在空域，一个二维的Gabor滤波器具有在空间域和频率域同时取得最优局部化的特性，与人类生物视觉特性很相似，因此能够很好地描述对应于空间频率、空间位置及方向选择性的局部结构信息；Gabor滤波器是自相似的，也就是说，所有Gabor滤波器都可以从一个母小波经过膨胀和旋转产生；实际应用中，Gabor滤波器可以在频域的不同尺度，不同方向上提取相关特征；Gabor滤波器的核函数如下：

式中，g(x,y)为滤波器的幅值响应，σ_x和σ_y是x和y方向的标准差,f_o是曲线的频率；余弦曲线有一个宽度τ，其中f_o＝1/τ，L为垂直方向上的高度；

传统滤波器中，共有范围中的180个间隔1°的不同角度的核函数被用于眼底图像中血管的边缘提取；选取DRIVE数据库中的20幅图像，对不同方向个数的滤波器进行分割结果灵敏性，特异性和准确率的分析实验，结果发现当角度间隔为1°的Gabor滤波器大于20个时，分割性能不再随着滤波器个数的增多而变得更优，因此本方法在保证系统性能的前提下，将传统Gabor滤波器中的180个角度降低为20个；其中角度旋转过程中的坐标变换公式如下：

x′＝x cosθ+y sinθ

y′＝-x sinθ+y cosθ

式中，(x',y')是每个旋转后的θ值所对应的坐标；180个不同角度θ的Gabor滤波器g_θ(x,y)作用于图像I(x,y)将得到一系列的滤波器响应G_θ(x,y)，计算公式如下:

G_θ(x,y)＝I(x,y)*g_θ(x,y)

式中，*代表卷积运算，为有效检测血管位置，在每一个像素点(x,y)，只有最大的响应才会被保留；保留最大值后的Gabor滤波器的各个方向响应R(x,y)计算公式如下：

随后，利用对数函数抑制全响应中的峰值，表达式如下:

式中，为对数函数处理后的滤波器相应图像，Ln为对数运算；

步骤3，Gabor滤波器有很多参数，其中最重要的是空间的宽度τ和高度L，分割结果的好坏很大程度上取决于这两个参数；

步骤4，将图像的灰度值阈值化得到二值图像Ω(x,y),二值化公式如下:

式中，ψ_th是二值化的阈值，二值化的结果是得到血管的分割结果，在阈值的确定过程中，首先通过图像统计的方法确定能使每幅图像准确率达到最大化的阈值，然后计算所有图像阈值的平均值为本方法中的阈值；

步骤5，为提取图像中的有效分割区域Φ(x,y),本方法将步骤4中的二值化图像Ω(x,y)与一个形态学腐蚀操作后的二值化图像掩膜M(x,y)逐像素相乘来去除分割结果中有效区域外围的假阳性部分,确保整幅图像中只保留眼底区域为有效的分割区域；

Φ(x,y)＝Ω(x,y)[M(x,y)ΘB]

式中，Θ表示形态学的腐蚀操作，B表示一个圆形的结构元。