[发明专利]基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法

权利要求书

1.一种基于多光源颜色恒常模型提取眼底图像特征的方法，其特征在于，包括如下步骤：

步骤1：输入原眼底图像，进行预处理，其中，原眼底图像为待分析眼底图像；

步骤2：利用多光源颜色恒常性算法，对预处理后的原眼底图像进行颜色校正；

步骤3：结合颜色校正后的眼底图像中的血管信息进行视盘定位，再基于颜色校正后的眼底图像，利用快速均值移位分割出视盘区域，得到视盘图像；

步骤4：基于视盘图像和预处理得到的图像进行阈值分割以及形态学重建，提取出硬性渗出的候选区域，得到候选区域图像；

步骤5：提取候选区域图像的颜色直方图特征、颜色恒常性特征和纹理特征；

所述步骤1的具体步骤为：

步骤1.1、输入原眼底图像，选取原眼底图像最能反映光照情况的R通道分量图，进行ROI区域提取，得到ROI区域图像，提取公式为：

I_mask＝α_d(T_t(I_R))

t＝0.05*t_max

其中，α表示形态学腐蚀操作，T表示进行阈值分割，由于ROI区域外的最大亮度值与ROI区域内的最大亮度值存在5％的比值关系，因此选取最大亮度值t_max的5％，也就是0.05*t_max作为阈值，然后用圆形结构元素d进行腐蚀操作得到掩膜，I_R为原眼底图像的R通道分量图，I_mask为ROI区域图像；

步骤1.2、利用3*3的自适应中值滤波器对ROI区域图像进行去噪，即自适应中值滤波器根据预设好的条件，动态地改变中值滤波器的窗口尺寸，对ROI区域图像进行去噪；

步骤1.3、利用多尺度顶帽变换将去噪后的ROI区域图像的RGB三通道图像进行对比度增强，并将各通道增强后的结果进行合并，最终得到了对比度增强后的ROI区域图像I_en，即得到预处理后的眼底图像：

其中，γ与分别表示数学形态学开操作和闭操作，S_i表示尺度为i的形态学结构元素，表示形态学处理后得到的区域r中亮区域w中的最优亮区域，表示形态学处理后得到的细节d中亮细节w中的最优亮细节，表示形态学处理后得到的区域r中暗区域b中的最优亮区域，表示形态学处理后得到的细节d中暗细节b中的最优暗细节，I_tn表示去噪后的ROI区域图像tn中的任一通道；

所述步骤2的具体步骤为：

步骤2.1、将预处理后的眼底图像划分成多个10*10的区域，利用Grey-world算法对每个区域的三通道进行光源估计，光源估计公式为：

其中，f(x)为区域上x点的像素值，e为光源，k为增益系数，三通道的增益系数分别为：

步骤2.2、利用K-means聚类算法对每个区域的光源估计值进行聚类；

步骤2.3、通过Von-Kries模型，将步骤2.2得到的聚类后的未知光源转换为标准光源，即得到颜色校正后的眼底图像，转换公式如下：

I_c＝A_uI_en，

其中，I_en为预处理后的眼底图像，I_c为经对角模型转换后得到的标准光源c下的眼底图像，即颜色校正预后的眼底图像，对角模型即指Von-Kries模型，A_u为未知光源u的对角矩，R、G、B代表三通道分量；

所述步骤3中的具体步骤为：

步骤3.1、将颜色校正后的眼底图像中的血管设为多段平行区域的组合，设定长度为L，宽度为3σ，基于高斯匹配滤波器得到一个高斯曲线，高斯曲线用来模拟血管横切面上的灰度曲线，高斯匹配滤波器的公式如下：

K_i(x,y)＝-exp(-(x²+y²)/2σ²))

设A代表邻域N里的像素点的数目，得到高斯匹配滤波器的平均响应为：

最终得到卷积掩膜为：K_i'(x,y)＝K_i(x,y)-m，将卷积掩膜与预处理后得到眼底图像进行卷积，得到一个方向上的卷积结果，公式为：I_k(x,y)＝I_c(x,y)*K'_i(x,y)；

高斯匹配滤波器从0度到180度每15度旋转一次，得到12个方向上的高斯匹配滤波器，然后分别进行卷积，选取最大响应的一个卷积结果作为最终的响应输出，得到血管图，旋转第θ的旋转矩阵为：

其中，θ取值范围为1至12，代表旋转第几次；

步骤3.2、基于血管图，根据血管相互连通成树状结构并汇集于单一的视盘区域的特点，使用加权后的血管网方向匹配滤波器来得到视盘的中心点，血管网方向匹配滤波器为9*9的模板，具体为：

对血管网方向匹配滤波器进行加权的权值模板为：

将血管网方向匹配滤波器模板与权值模板相乘，即得到加权后的血管网方向匹配滤波器；

步骤3.3、将颜色校正后的眼底图像的每一个像素(x,y)及其三通道像素值I_c(x,y)，I_c(x,y)即指作为5维的联合特征空间(x,y,I_c(x,y))，以标准差为σ的高斯函数为核函数，得到每一像素点的概率密度，概率密度公式为：

根据得到的概率密度，查找该概率密度最大化的临近点，采用局部最大值作为聚类中心，对每个像素点根据其聚类中心进行标记得到对应的分割，即通过快速均值移位分割得到多个超像素；快速均值移位分割得到多个超像素的具体步骤为：

比较各像素与邻域中像素的概率密度，当P(x_ma,y_ma,I_c(x_ma,y_ma))＞P(x,y,I_c(x,y))时，(x_ma,y_ma)表示概率密度大于邻域中其它像素的概率密度的像素，把像素(x,y)和(x_ma,y_ma)进行标记，将(x_ma,y_ma)作为父层超像素，形成树的分枝；

若各像素的概率密度与邻域中像素的概率密度都已比较，将像素依概率密度大小构建成“树”，并保存各层超像素的信息，否则转到步骤S3.2.2；

基于得到的跟邻域数量相同的“树”，计算各树中“树”节点的距离，计算公式为：

其中，每棵“树”由“树”的下层节点开始，将“树”节点的距离与阈值τ进行比较，若超过给定阈值τ，对距离对应的分枝进行标记，形成子树——“局部模态”，否则将小于或等于阈值τ的分枝，合并到局部模态中，不断地由下层向上层计算，得到属于同一模态的点构成的一个超像素；

步骤3.4、查找视盘的中心点所对应的超像素，即为视盘区域，得到视盘区域后先进行形态学膨胀，再去除颜色校正后的眼底图像的视盘区域，去除后将R通道分量图作为标记图像，标记图像以颜色校正后的眼底图像的R通道分量图作为掩膜图像进行形态学重建，得到不含视盘区域的图像，将R通道分量图与形态学重建得到的图像做差，即得到完整的视盘图像。