[发明专利]一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法

摘要

本发明涉及一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法，首先，对输入图像提取绿色分量，并利用对比度受限直方图均衡化方法在提取绿色分量后的基础上进行对比度调整；计算出调整对比度后的图像中每个像素点的Hessian矩阵；利用Hessian矩阵的特征值，在尺度因子为的条件下构造Frangi血管相似性函数，并得到最大响应；将输入图像的每个像素点的RGB三个同道的像素值分别减去最大响应值与增强因子factor的乘积；然后，将经过frangi增强的图像进行灰度变换，将每个像素值进行零均值归一化操作到[0,1]之间。最后，将得到的训练图像块和标签图像块输入到注意力机制UNet网络中，进行训练。并通过测试获得分割结果。本发明，提高了模型的泛化能力。

主权项

1.一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法，其特征在于：包括以下步骤：/n步骤S1：提供RGB眼底图像作为输入图像，对所述输入图像提取绿色分量，并利用对比度受限直方图均衡化方法在提取绿色分量后的图像上进行对比度调整；/n步骤S2：计算出步骤S1调整对比度后的图像中每个像素点的Hessian矩阵，得到Hessian矩阵的特征值；/n步骤S3：利用Hessian矩阵的特征值，在尺度因子为σ的条件下构造Frangi血管相似性函数，并得到最大响应；/n步骤S4：将步骤S1中的输入图像的每个像素点的RGB三个通道的像素值分别减去最大响应值与增强因子factor的乘积，用以获得最终的血管增强并得到经过frangi增强的图像；/n步骤S5：将经过Frangi增强的图像进行灰度变换，将每个像素值进行零均值归一化操作到[0,1]之间；训练时，采用一个48×48大小的采样框随机选择中心，对归一化后的图像进行重采样，每次采样生成一个训练图像块，共生成1万个训练图像块；将训练图像的标签进行与训练图像块相同的重采样分块操作，获得标签图像块；测试时，如果测试图像长宽不是48的整数倍，则将其扩充成48的整数倍，扩充部分的像素值为0，并将测试图像平均分成多个48x48的测试图像块；/n步骤S6：将步骤S5中得到的训练图像块和标签图像块输入到带有注意力模型的注意力机制UNet网络中，进行训练；测试时，将步骤S5中得到的测试图像块输入到带有注意力模型的注意力机制UNet网络中进行像素点预测，网络输出即是测试图像块的分割结果；随后将所有预测后的测试图像块进行重新拼接成测试图像，并删除其中扩充的像素，即得到了测试图像的最终分割结果。/n