[发明专利]基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法

说明书

本发明提出一种基于支持向量机的B‑COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，包括以下步骤：步骤S1：提取视网膜图像的绿色通道部分并对图像进行翻转处理；步骤S2：通过B‑COSFIRE滤波对翻转后的图像进行滤波增强处理；步骤S3：对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取；步骤S4：构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入；步骤S5：利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。

技术领域

本发明涉及医学图像处理领域，尤其涉及一种基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法。

背景技术

视网膜血管(图像)分割在很多疾病的早期诊断中有着重要的作用，如糖尿病、青光眼和高血压等，在这些疾病的早期阶段，视网膜会发生相应的病变，尤其是血管形态和结构会发生变化。因此，实现视网膜血管的精确分割一直是医学影像处理领域中的研究热门方向和重要课题。

视网膜血管的精确分割可以为医生对疾病的后续跟踪和治疗提供量化信息，起到辅助诊断和治疗的作业。目前，视网膜血管分割方法大体上可分为两类：(1)基于有监督学习的视网膜图像分割方法；(2)基于无监督学习的视网膜图像分割方法。在有监督学习方法中，需要一组人工标记的原始视网膜图像作为训练样本，通过对数据进行学习并对测试数据进行分割。而无监督学习方法，不依赖训练样本，需要根据血管形态或结构等特性进行血管分割，优点在于处理迅速，不需要大量的训练数据就能完成图像的分割。虽然有监督学习方法需要花费更多的时间和人力，但对比无监督学习方法，通过大量数据训练得到的分割模型，有监督学习方法最终的分割结果通常更加精确。

发明内容

针对现有技术的空白，本发明提供一种新型的基于B-COSFIRE滤波的多尺度支持向量机视网膜血管分割方法，本发明方法采用B-COSFIRE滤波方法明显提升了眼底图像中血管与背景的对比度，增强了血管的结构特征，并且本发明结合多尺度的特征提取策略，构建包含局部和全局信息的特征向量进行分类器的训练学习，对比单尺度的特征提取方法，有效提升了视网膜图像血管分割的准确性。

本发明具体采用以下技术方案：

一种基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于，包括以下步骤：

步骤S1：提取视网膜图像的绿色通道部分并对图像进行翻转处理；

步骤S2：通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理；

步骤S3：对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取；

步骤S4：构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入；

步骤S5：利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。

优选地，步骤S2中通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的具体过程为：

步骤S21：计算一组高斯差分滤波响应；

步骤S22：添加模糊高斯差分滤波响应和移位操作；

步骤S23：计算加权几何平均作为最后的B-COSFIRE滤波响应。

优选地，步骤S2中通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的具体过程为：

步骤S21：对经采用提取绿色通道并翻转处理后的视网膜图像I，计算高斯差分滤波响应，即：

其中|·|⁺表示半波整流，通过设置为0来抑制负值。