[发明专利]基于多特征融合的彩色眼底图像视杯分割方法

说明书

本发明公开了一种基于多特征融合的彩色眼底图像视杯分割方法。其实现过程是：(1)采用模糊C均值聚类(fuzzy c‑means algorithm，FCM)方法提取视杯的候选区域；(2)根据视杯的形状和位置特征对候选区域进行拟合校正得到视杯的粗分割结果；(3)利用杯沿的血管特征定位血管弯曲点更新视杯粗分割结果，完成视杯的准确分割。该方法采用视杯自身特征与结构特征相结合的方式，使得分割更加准确。并且通过对视杯候选区域的位置和形状校正，克服了仅根据视杯亮度特征作为血管弯曲点更新的初始轮廓不准确的缺点。本文方法采用无监督的学习方式，无需训练样本，适用于不同数据库。实验证明本文方法对血管遮挡严重、对比度低、亮度不均等类型的图像具有较高的鲁棒性和准确性。

技术领域

本发明属于图像处理技术领域，涉及一种基于多特征融合的彩色眼底图像视杯分割方法。可用于彩色眼底图像视杯分割。视杯的准确分割对青光眼的早期预防及治疗具有重要的临床意义。对于眼底图像分析具有重要的作用。

背景技术

青光眼已被世界卫生组织列为第二大致盲眼病，到2020年将影响全世界约8000万人。青光眼是一种慢性眼科疾病，虽然不能彻底治愈，但是如果早期发现并加以治疗可以延缓病情发展，甚至可以避免失明。所以早期发现和治疗对青光眼患者来说至关重要。在青光眼的眼底照相检查中，杯盘比(Cup Disc ratio，CDR)是一个重要的检测参数。杯盘比一般是指视杯与视盘的面积之比或垂直直径之比。由于视杯在眼底图像中个体差异大、面积较小、与盘沿对比度不高、血管遮挡等因素给视杯的分割增加了很大难度，因此研究一种能够应用于实际临床的眼底图像视杯分割方法将具有重要的实际应用意义。

根据视杯具有的特性，国内外研究人员提出了诸多视杯分割方法，大致可以分为2类。一类是利用视杯的外观特性如亮度、颜色等进行视杯分割；第二类是基于血管特性的视杯分割方法，即毛细血管在穿过视杯边沿时会突然改变方向形成一个弯折，弯折点所在的位置即为视杯边界。分析已有的眼底图像视杯分割方法，利用视杯的外观特性的视杯分割方法简单易实现，但是，在不同的眼底图像库中，由于视杯的个体差异性大拍摄条件不同造成视杯的亮度和对比度不明显，使得这类方法很难正确分割视杯，算法精确度及鲁棒性不高。而对于基于血管特性的视杯分割方法，一般采用监督方法。但基于监督的学习方法依赖训练数据及手动特征提取，不能很好地适用于不同图库。而且这类方法过于依赖基于视杯亮度特征选取的初始轮廓。

发明内容

本发明的目的是克服现有技术的上述不足，提出了一种基于多特征融合的彩色眼底图像视杯分割方法。该方法充分利用了视杯自身特征与结构特征，使得分割更加准确。并且通过对视杯候选区域的位置和形状校正，还克服了仅根据视杯亮度特征作为血管弯曲点更新的初始轮廓不准确的缺点。该方法采用无监督的学习方式，无需训练样本，可以适用于不同数据库。实现本发明目的的技术方案，包括下列步骤：

(1)利用视盘的静脉血管结构特征定位视盘并提取感兴趣区域；

(2)采用多方向的自适应高斯差分滤波器对经过增强和平滑的眼底图像进行匹配滤波，实现感兴趣区域血管的提取；

(3)提取视盘区域；

(4)利用模糊C均值聚类(fuzzy c-means algorithm，FCM)的方法提取视杯候选区；

(5)根据视杯的形状及位置特征对候选区域进行椭圆拟合校正得到视杯的粗分割结果；

(6)利用基于k-余弦曲率的角点检测方法定位毛细血管弯曲点，更新视杯粗分割结果得到最终视杯分割结果。

本发明与现有技术相比较具有如下优点：

1.本发明采用视杯自身特征与结构特征相结合的方式，对血管遮挡严重、对比度低、亮度不均等图像具有较高的鲁棒性和准确性。

2.本发明通过对视杯候选区域的位置和形状校正，克服了仅根据视杯亮度特征作为血管弯曲点更新的初始轮廓不准确的缺点。