[发明专利]基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法

说明书

技术领域

本发明涉及一种视网膜图像微动脉瘤自动检测与识别方法。

背景技术

视网膜图像中的微小目标，如微动脉瘤(Microaneurysms，MAs)，可以为眼底病患者的身份识别提供有效的辅助信息。其在视网膜图像中通常表现为暗红色小圆点状的目标，且部分微动脉瘤很难与背景区分开。此外，有些微动脉瘤具有不规则的形状，或者相互聚集，或者靠近视网膜血管。因此，从眼底图像中自动检测并识别出该微小目标仍是一项十分具有挑战性的工作。为此，本发明提出一种基于梯度向量分析的视网膜微动脉瘤自动检测与识别方法。该视网膜图像中微小目标的检测，对输液图像中微小异物目标检测、遥感图像中微小红外目标检测以及工件表面图像中的微小缺陷目标检测具有重要的借鉴价值。

发明内容

本发明的目的是为了完成对视网膜图像中微动脉瘤自动检测与识别，提出一种基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法。

实现上述目的，本发明的技术方案是：

步骤一：候选微动脉瘤检测；先对微动脉瘤提取，所述的微动脉瘤提取主要包含血管去除、候选微动脉瘤定位与分割三个步骤；

步骤二：候选微动脉瘤特征的提取；

步骤三：微动脉瘤识别。

本发明相对于现有技术的有益效果是：本发明通过分析眼底视网膜图像中不同暗目标(主要包括血管、微动脉瘤等)的梯度向量分布情况，并结合样本不均衡分类器，提出了新的基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法。

本发明采用候选微动脉瘤检测与分类。在候选微动脉瘤检测阶段，血管作为检测微动脉瘤的主要干扰物被首先抑制，然后候选微动脉瘤被定位和分割出来；在候选微动脉瘤分类阶段，首先提取出具有较强能力的特征集合，然后利用训练样本不均衡分类器来进行微动脉的识别。

本发明的方法容易操作，对提高视网膜微小目标的检测与识别提供了有效的解决方案。该发明还能够应用于输液图像中微小异物目标检测、遥感图像中微小红外目标检测以及工件表面图像中的微小缺陷目标检测。

附图说明

图1是预处理结果图像；

图2是单一尺度条件数结果图像；

图3是单一尺度条件数结果图像；图3与图2的支撑半径不同；

图4是多尺度条件数结果图像；

图5是包含5个真实微动脉瘤的预处理图像，也是图1局部放大图；

图6是包含5个真实微动脉瘤的多尺度条件数图像，也是图4局部放大图；

图7是血管重构结果图像；

图8是血管去除结果图像；

图9是包含5个真实微动脉瘤的血管去除图像，也是图8局部放大图；

图10是包含低对比度的微动脉瘤示例图像；

图11是包含了靠近血管的微动脉瘤示例图；

图12是血管去除结果，保留了低对比度微动脉瘤示例图；

图13是血管去除结果，保留了靠近血管的微动脉瘤示例图；

图14是多方向二阶导数乘积结果图像；

图15是微动脉瘤定位结果图像。

具体实施方式

具体实施方式一：本实施方式披露了基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法，所述的方法包括如下步骤：

步骤一：候选微动脉瘤检测；先对微动脉瘤提取，所述的微动脉瘤提取主要包含血管去除、候选微动脉瘤定位与分割三个步骤；

步骤二：候选微动脉瘤特征的提取；

步骤三：微动脉瘤识别。

考虑到在视网膜图像绿色通道中，微动脉瘤与背景间具有最大的对比度，将使用绿色通道作为后续操作的输入图像。在提取候选微动脉瘤之前，为了去除眼底图像的噪声同时保留微动脉的边缘，采用基于加权最小二乘框架下的边缘保持滤波对图像进行平滑处理。继而使用阴影修正方法去除图像中的不均衡光照。图1给出了预处理结果图像示例。

具体实施方式二：具体实施方式一所述的基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法，步骤一中，所述的血管去除方法是：通过分析微动脉瘤与血管的不同梯度分布特性，来实现血管的去除，并在去除血管的同时保留真实的微动脉瘤；将梯度向量x，y分量看作两个随机变量，通过计算并分析目标区域内所有梯度向量分量组成的协方差矩阵；对于视网膜血管，其梯度分量协方差矩阵特征值有一个占优的特征值；而对于微动脉，其对应特征值近似相等。