[发明专利]一种基于机器视觉的视网膜OCT图像自动分割方法

权利要求书

1.一种基于机器视觉的视网膜OCT图像自动分割方法，其特征在于,包括以下步骤：

中值滤波去噪：将采集的视网膜OCT图像，进行中值滤波去噪；

拉线法+梯度法求得视网膜OCT图像最上层和最下层边界：视网膜OCT图像是水平方向的圆弧形状，采用垂直方向拉线法设置表示自上而下的垂直拉线方向的红色箭头，表示自下而上的垂直拉线方向的蓝色箭头，计算每一条拉线方向的灰度梯度变换值，取其中最大值作为该拉线上的边界点，每一条拉线只能有一个边界点，且相邻拉线上的边界点必须满足8邻域连接原则，保证提取的边界点连续、光滑且符合实际情况，根据红色箭头拉线方向提取的视神经纤维层NFL边界，根据蓝色箭头拉线方向提取的RPE层边界；

根据RPE层边界水平化图像:根据提取的RPE层边界线坐标，将原始采集到的视网膜OCT图像进行水平化，既通过移动每列图像，使得RPE边界线位置位于一条水平线；

水平方向高斯滤波去除噪声：将图像拉平到水平方向，然后再采用水平方向的高斯去噪，最大限度的保留分界线，同时去除散斑噪声的影响，高斯去噪公式如下：

其中(x，y)代表到所计算的中心像素点的坐标位置，σ是标准差；

逆水平变换：根据上面的水平变换参数，将去噪后的图像进行反向变换，恢复到原先图像的弯曲状态；

使用snake模型算法找出边界：完成了最上层视神经纤维层NFL和最下层RPE层下边界提取后，将其作为分割其他层的基准，自RPE层起由下而上逐层使用snake模型算法，设置一定的边界限制条件，按照感光层外段OS、感光层内段IS、外界膜ELM、外核层ONL、外从状层OPL、内核层INL、进行边界跟踪，

snake模型可用如下公式表示：

E＝∫[αE_continuity+βE_curvature+γE_image]

式中α、β、γ是权重系数，E_continuity表示连续能量，该项的作用是让snake模型中各边界点之间的距离更均匀，其离散化形式可以写为P_i-P_i-1(P_i表示第i点的坐标向量)；E_curvature表示曲率能量，其作用是使得snake模型更光滑，可表示为|P_i-1-2P_i+P_i+1|，E_image表示图像能量，其作用是使得snake模型逼近图像中的边界，可表示为(g_cur-g_min)/(g_max-g_min)，其中g_cur、g_max和g_min分别表示为当前点的灰度梯度模、邻域内点的灰度梯度模的最大值和最小值；

输出各边界线坐标。

2.根据权利要求1所述的基于机器视觉的视网膜OCT图像自动分割方法，其特征在于，所述的8邻域连接原则为中心点相邻的左右两列拉线上的边界点分别只能有三个点的选择。

3.根据权利要求1所述的基于机器视觉的视网膜OCT图像自动分割方法，其特征在于，所述的去高斯去噪的高斯函数为宽度宽而高度窄的矩形高斯核函数。