本發(fā)明涉及基于動(dòng)態(tài)尺度分配的視網(wǎng)膜血管提取方法及系統(tǒng)。

背景技術(shù)：

迄今為止，常用的視網(wǎng)膜血管自動(dòng)提取算法有：

1、基于視網(wǎng)膜血管追蹤方式的算法。這類方法可以較為完整的提取出視網(wǎng)膜血管的網(wǎng)絡(luò)，但是算法復(fù)雜度較高，運(yùn)算量較大。此外，對(duì)于一些對(duì)比度較低的視網(wǎng)膜血管圖像，這類算法的提取準(zhǔn)確度不夠。其中比較典型的視網(wǎng)膜血管追蹤算法是由Tolias在1998年提出的基于模糊C均值聚類算法，是在血管的起始處(視盤)挑選出合適的種子點(diǎn)，并由此對(duì)整個(gè)視網(wǎng)膜血管網(wǎng)絡(luò)進(jìn)行追蹤。建立起視網(wǎng)膜血管橫截面的一維模型，并通過(guò)建立起種子點(diǎn)與血管一維模型之間的模糊相似關(guān)系，對(duì)所有種子點(diǎn)進(jìn)行分類，判斷其是否屬于血管，從而完成最終的血管網(wǎng)絡(luò)分割提取。此類算法存在的最大弊病是種子點(diǎn)的選取會(huì)直接影響提取結(jié)果，而且在視盤中選取一個(gè)最合適的像素點(diǎn)作為種子點(diǎn)是一個(gè)比較繁重的工作。此外，此類算法對(duì)于血管的分支點(diǎn)的處理效果欠佳，并且會(huì)難以避免地丟失細(xì)小血管結(jié)構(gòu)，使得分割結(jié)果不夠準(zhǔn)確。

2、基于分類器的提取算法。這類方法的主要思想是利用視網(wǎng)膜血管所提供的一些先驗(yàn)信息，構(gòu)造出一個(gè)合適的分類模型，即通常意義上的分類器，并利用構(gòu)造好的分類器將視網(wǎng)膜圖像中的像素點(diǎn)進(jìn)行映射分類。Boyce(1999)介紹了一種監(jiān)督方式的視網(wǎng)膜血管提取算法。這種基于分類器的識(shí)別方式對(duì)噪聲極為敏感，所以最終的分類效果不是很好。

3、基于匹配濾波器的提取算法，是最為經(jīng)典也是使用最為廣泛的一種方式。根據(jù)血管的灰度分布特征，大多數(shù)匹配濾波算法均選擇高斯濾波器與視網(wǎng)膜圖像進(jìn)行匹配濾波，生成的響應(yīng)具有較高的輸出信噪比。其中，最早使用二維高斯匹配濾波器對(duì)視網(wǎng)膜血管結(jié)構(gòu)進(jìn)行提取的方法是Chaudhuri et al.在1989年提出的。此算法基于一個(gè)事實(shí)：視網(wǎng)膜血管橫截面的灰度分布是服從高斯分布的。因此，若將建立好的高斯濾波器模板與視網(wǎng)膜血管圖像進(jìn)行不同方向的匹配濾波，當(dāng)濾波器的尺度與血管的寬度在一定范圍內(nèi)相吻合時(shí)，相應(yīng)寬度的血管就得以增強(qiáng)，產(chǎn)生很大的卷積響應(yīng)。但是文獻(xiàn)中僅采用了一種尺度的匹配濾波器，無(wú)法使所有寬度的血管均得以增強(qiáng)，并且不論是血管結(jié)構(gòu)還是非血管結(jié)構(gòu)均對(duì)高斯匹配濾波器有很強(qiáng)的響應(yīng)，這樣會(huì)導(dǎo)致錯(cuò)誤分割像素點(diǎn)的出現(xiàn)。針對(duì)經(jīng)典算法的弊端，多種多尺度匹配濾波方案相繼被提出，這一改進(jìn)旨在利用不同尺度的濾波器對(duì)不同寬度的血管進(jìn)行增強(qiáng)，并在后續(xù)步驟中將其準(zhǔn)確提取。Bob Zhang在2010年提出的基于高斯一階導(dǎo)數(shù)濾波器的視網(wǎng)膜血管提取算法(MF-FDOG)，是在Chaudhuri et al.所提出算法的基礎(chǔ)上，結(jié)合高斯一階導(dǎo)數(shù)型匹配濾波器與圖像產(chǎn)生卷積響應(yīng)的特點(diǎn)，使用了多尺度的匹配濾波器對(duì)所有視網(wǎng)膜圖像像素點(diǎn)進(jìn)行遍歷分類。這種方法雖然在一定程度上克服了臺(tái)階邊緣對(duì)分割結(jié)果造成的影響，但是分割結(jié)果中仍有噪聲模式存在，一些被噪聲淹沒(méi)的細(xì)小血管也未被提取出來(lái)。此外，此方法對(duì)于血管分支點(diǎn)與連通性的處理也有待提高。Qin Li在2012年提出了基于多尺度濾波響應(yīng)乘積(MPMF)的方法。此方法利用各尺度響應(yīng)的乘積將各個(gè)寬度的血管信息在尺度域進(jìn)行混合，不僅對(duì)血管進(jìn)行了有效的增強(qiáng)且抑制了噪聲，同時(shí)對(duì)分割的血管有較好的寬度估計(jì)。但本方法仍然存在一定的局限性：其使用了三個(gè)不同尺度的濾波器對(duì)視網(wǎng)膜血管進(jìn)行提取，對(duì)于變化較大的血管寬度而言，仍存在某些不能被很好增強(qiáng)的血管寬度，因此難以準(zhǔn)確地分割出所有血管；另外對(duì)于一些存在病變區(qū)域視網(wǎng)膜圖像，還會(huì)有錯(cuò)誤分割像素點(diǎn)的出現(xiàn)。

欲以現(xiàn)有方法得到更高的視網(wǎng)膜血管分割精度，目前難以解決的技術(shù)問(wèn)題是：

1、如何利用多尺度方案使各寬度的血管盡量完整地被提取出來(lái)；

2、如何減少錯(cuò)誤分割點(diǎn)以及抑制噪聲；

3、如何準(zhǔn)確地估計(jì)血管寬度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就是為了解決上述問(wèn)題，提供基于動(dòng)態(tài)尺度分配的視網(wǎng)膜血管提取方法及系統(tǒng)，通過(guò)對(duì)視網(wǎng)膜圖像的預(yù)處理、圖像分塊、血管分類、動(dòng)態(tài)尺度分配、多尺度匹配濾波、閾值分割和后處理，實(shí)現(xiàn)對(duì)視網(wǎng)膜圖像的血管提取，并在剔除復(fù)雜非血管結(jié)構(gòu)的同時(shí)，避免了對(duì)血管寬度的過(guò)分估計(jì)，實(shí)現(xiàn)了更簡(jiǎn)單、更準(zhǔn)確的視網(wǎng)膜血管提取。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

基于動(dòng)態(tài)尺度分配的視網(wǎng)膜血管提取方法，包括如下步驟：

步驟(1)：視網(wǎng)膜圖像預(yù)處理：對(duì)彩色視網(wǎng)膜圖像的綠色通道分量進(jìn)行對(duì)比度增強(qiáng)；

步驟(2)：圖像分塊：對(duì)預(yù)處理后的視網(wǎng)膜圖像分割成設(shè)定個(gè)數(shù)的子圖像；

步驟(3)：血管分類：將每個(gè)子圖像中血管分為大中小三類；

步驟(4)：動(dòng)態(tài)尺度分配：動(dòng)態(tài)選擇不同尺度的濾波器對(duì)不同寬度血管進(jìn)行增強(qiáng)；

步驟(5)：多尺度匹配濾波：采用多尺度方案并利用高斯匹配濾波模板和高斯一階導(dǎo)數(shù)匹配濾波模板對(duì)視網(wǎng)膜血管圖像進(jìn)行濾波處理；

步驟(6)：閾值處理：提取出血管結(jié)構(gòu)并剔除非血管結(jié)構(gòu)，將所有子圖像的提取結(jié)果進(jìn)行重新拼接，得到視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像；

步驟(7)：后處理：對(duì)閾值處理后的視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像進(jìn)一步消除噪聲，對(duì)血管邊緣進(jìn)行平滑處理，消除圖像中殘留的視網(wǎng)膜邊界，對(duì)不連續(xù)的細(xì)小血管進(jìn)行斷點(diǎn)連接，從而保留圖像細(xì)節(jié)，得到分割精度高的視網(wǎng)膜血管網(wǎng)絡(luò)圖像。

進(jìn)一步的，所述步驟(1)的步驟為：

步驟(1-1)：提取彩色視網(wǎng)膜圖像的綠色通道分量：彩色視網(wǎng)膜圖像含有紅色、綠色和藍(lán)色三個(gè)通道，僅選擇對(duì)比度高、噪聲低的綠色通道作為初始處理對(duì)象；

步驟(1-2)：多尺度頂帽變換：利用形狀不變，尺寸等差增大的圓形結(jié)構(gòu)元素，對(duì)初始處理對(duì)象進(jìn)行頂帽變換處理，增強(qiáng)初始處理對(duì)象的對(duì)比度；

步驟(1-3)：基于高斯曲線擬合的直方圖線性拉伸：對(duì)經(jīng)多尺度頂帽變換增強(qiáng)所得圖像的灰度直方圖進(jìn)行基于高斯曲線擬合的直方圖線性拉伸，得到預(yù)處理后的視網(wǎng)膜圖像。

進(jìn)一步的，所述步驟(2)的步驟為：

對(duì)預(yù)處理后的視網(wǎng)膜圖像按照尺寸進(jìn)行均等分塊，分割成設(shè)定個(gè)數(shù)的子圖像。

進(jìn)一步的，所述步驟(3)的步驟為：

根據(jù)血管寬度將血管分為大中小三類，依照不同寬度血管的灰度分布特征，對(duì)子圖像包含的血管種類進(jìn)行判斷。

進(jìn)一步的，步驟(3)對(duì)步驟(2)的子圖像自上而下、自左向右進(jìn)行編號(hào)；先根據(jù)子圖像位置的不同將子圖像分為三類：位于原圖四個(gè)角的子圖像、位于原圖中央的子圖像和位于原圖四條邊的子圖像；然后針對(duì)每類子圖像，根據(jù)不同寬度血管的灰度分布特征，將每個(gè)子圖像的血管進(jìn)行分類。

進(jìn)一步的，針對(duì)每類子圖像，根據(jù)不同寬度血管的灰度分布特征，將每個(gè)子圖像的血管進(jìn)行分類，步驟為：

(3-1)對(duì)于位于原圖四個(gè)角的子圖像，子圖像中均僅含有中血管；

(3-2)對(duì)于位于原圖中央的子圖像，

判斷是否存在大血管，對(duì)位于原圖中央的子圖像灰度直方圖的第一設(shè)定灰度分布范圍內(nèi)像素點(diǎn)出現(xiàn)的頻率進(jìn)行統(tǒng)計(jì)，當(dāng)統(tǒng)計(jì)值大于第一設(shè)定閾值時(shí)，則代表該子圖像中含有大血管，反之，不含大血管；

判斷是否存在中小血管，對(duì)位于原圖中央的子圖像灰度直方圖的第二設(shè)定灰度分布范圍內(nèi)的灰度分布進(jìn)行高斯曲線擬合，得到高斯函數(shù)峰值和方差：

若高斯函數(shù)峰值大于第二設(shè)定閾值且方差小于第三設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)有小血管但無(wú)中血管；

若高斯函數(shù)峰值小于第二設(shè)定閾值且方差小于第三設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)既無(wú)小血管又無(wú)中血管；

若高斯函數(shù)峰值大于第二設(shè)定閾值且方差大于第三設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)既有小血管又有中血管；

若高斯函數(shù)峰值小于第二設(shè)定閾值且方差大于第三設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)無(wú)小血管但有中血管。

(3-3)對(duì)于位于原圖四條邊的子圖像，

判斷是否存在大血管，對(duì)位于原圖邊緣的子圖像灰度直方圖的第一設(shè)定灰度分布范圍內(nèi)像素點(diǎn)出現(xiàn)的頻率進(jìn)行統(tǒng)計(jì)，當(dāng)統(tǒng)計(jì)值大于第四設(shè)定閾值時(shí)，則代表該子圖像中含有大血管，反之，不含有大血管；

判斷是否存在中小血管的標(biāo)準(zhǔn)，與(3-2)類似，但閾值設(shè)定不同，對(duì)位于原圖邊緣的子圖像灰度直方圖的第二設(shè)定灰度分布范圍內(nèi)的灰度分布進(jìn)行高斯曲線擬合，得到高斯函數(shù)峰值和方差：

若高斯函數(shù)峰值大于第五設(shè)定閾值且方差小于第六設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)有小血管但無(wú)中血管；

若高斯函數(shù)峰值小于第五設(shè)定閾值且方差小于第六設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)既無(wú)小血管又無(wú)中血管；

若高斯函數(shù)峰值大于第五設(shè)定閾值且方差大于第六設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)既有小血管又有中血管；

若高斯函數(shù)峰值小于第五設(shè)定閾值且方差大于第六設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)無(wú)小血管但有中血管。

所述步驟(4)的步驟為：

利用濾波器尺度與血管寬度之間的關(guān)系，動(dòng)態(tài)選擇不同尺度的濾波器對(duì)不同寬度血管進(jìn)行增強(qiáng)。

進(jìn)一步的，所述步驟(4)的步驟為：

步驟(4-1)：提取大血管所采用的濾波器尺度參數(shù)為2；

步驟(4-2)：提取中血管所采用的濾波器尺度參數(shù)為1和0.7，提取小血管所采用的濾波器尺度參數(shù)為0.5和0.2。

所述步驟(5)的步驟為：

采用高斯匹配濾波模板和高斯一階導(dǎo)數(shù)匹配濾波模板同時(shí)對(duì)增強(qiáng)后的視網(wǎng)膜圖像進(jìn)行匹配濾波，分別得到高斯匹配濾波器與視網(wǎng)膜圖像的卷積響應(yīng)及高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像的卷積響應(yīng)；并進(jìn)一步計(jì)算得到高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像卷積響應(yīng)的局部均值響應(yīng)。

所述步驟(5)的高斯匹配濾波模板：

高斯型匹配濾波模板上坐標(biāo)為(x,y)的一點(diǎn)，其權(quán)重表示如下：

其中，σ₁表示高斯匹配濾波器的尺度，L代表與濾波器模板瞬時(shí)方向相平行的血管長(zhǎng)度，m代表高斯濾波器模板中系數(shù)的均值，

式中Q表示構(gòu)建的高斯濾波器模板中所包含的點(diǎn)數(shù)，N表示濾波器模板所在的鄰域，表示高斯濾波器模板中的一個(gè)離散點(diǎn)。

在高斯型匹配濾波模板中減去m項(xiàng)，實(shí)現(xiàn)對(duì)視網(wǎng)膜圖像背景的平滑處理。并且，由于視網(wǎng)膜血管在平面中的各個(gè)方向上均有分布，故而在匹配濾波過(guò)程中，濾波器模板需要不斷的旋轉(zhuǎn)以檢測(cè)不同方向上的血管。

所述步驟(5)的高斯一階導(dǎo)數(shù)匹配濾波模板：

高斯一階導(dǎo)數(shù)匹配濾波模板上坐標(biāo)為(x,y)的一點(diǎn)，其權(quán)重表示如下：

其中，σ₂表示高斯一階導(dǎo)數(shù)匹配濾波器的尺度，L代表與濾波器模板瞬時(shí)方向相平行的血管長(zhǎng)度。

所述步驟(6)的步驟為：

利用高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像卷積響應(yīng)的局部均值響應(yīng)對(duì)每個(gè)像素點(diǎn)的分割閾值進(jìn)行調(diào)整，得到整個(gè)圖像的閾值矩陣；將整個(gè)圖像的閾值矩陣與高斯匹配濾波器和視網(wǎng)膜圖像的卷積響應(yīng)進(jìn)行逐點(diǎn)比較，提取出血管結(jié)構(gòu)并剔除非血管結(jié)構(gòu)，將所有子圖像的提取結(jié)果進(jìn)行重新拼接，得到視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像；

進(jìn)一步的，所述步驟(6)的步驟為：

定義A為高斯匹配濾波器與視網(wǎng)膜圖像的卷積響應(yīng)，為高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像卷積響應(yīng)的局部均值響應(yīng)；

將所有子圖像利用其灰度分布特征，按照血管與背景的灰度對(duì)比度的高低，以及是否含具有臺(tái)階邊緣的非血管結(jié)構(gòu)進(jìn)行分類，對(duì)各子圖像進(jìn)行動(dòng)態(tài)的閾值處理；

通過(guò)將整個(gè)圖像的閾值矩陣和高斯匹配濾波器與視網(wǎng)膜圖像的卷積響應(yīng)逐點(diǎn)比較，每個(gè)像素點(diǎn)均與對(duì)應(yīng)點(diǎn)的閾值進(jìn)行比較，大于閾值的像素點(diǎn)被分類為血管，否則被分類為非血管；

最后，將各子圖像的不同尺度分割結(jié)果利用邏輯“或”結(jié)合起來(lái)，將所有子圖像的分割結(jié)果進(jìn)行重新拼接，得到閾值處理后的視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像。

所述將所有子圖像利用其灰度分布特征，按照血管與背景的灰度對(duì)比度的高低，以及是否含具有臺(tái)階邊緣的非血管結(jié)構(gòu)進(jìn)行分類的步驟為：

步驟(6-1)：利用步驟(3)血管分類過(guò)程中得到的高斯曲線方差作為判斷圖像對(duì)比度高低的依據(jù)；

方差c小于設(shè)定值c_th，表示子圖像血管與背景的灰度對(duì)比度高，血管提取容易；

方差c大于設(shè)定值c_th，表示子圖像血管與背景的灰度對(duì)比度低，血管提取困難。

對(duì)低對(duì)比度子圖像需進(jìn)行如下處理：對(duì)第二設(shè)定灰度分布范圍進(jìn)行分段處理，以像素點(diǎn)出現(xiàn)頻率最高的灰度值為界，分為高低兩個(gè)灰度級(jí)范圍。

步驟(6-2)：

對(duì)圖像灰度直方圖第三設(shè)定灰度分布范圍內(nèi)像素點(diǎn)出現(xiàn)的頻率和s進(jìn)行統(tǒng)計(jì)，并設(shè)立第七設(shè)定閾值，頻率大于第七設(shè)定閾值時(shí)，代表子圖像中含具有臺(tái)階邊緣的非血管結(jié)構(gòu)。

若判斷出含具有臺(tái)階邊緣的非血管結(jié)構(gòu)，那么接下來(lái)要對(duì)其進(jìn)行定位。進(jìn)一步對(duì)局部均值響應(yīng)的各點(diǎn)進(jìn)行遍歷判斷，當(dāng)中坐標(biāo)為(x,y)的某一任意點(diǎn)響應(yīng)幅度大于b_th時(shí)，認(rèn)為(x,y)位置附近將會(huì)有具有臺(tái)階邊緣的非血管結(jié)構(gòu)像素點(diǎn)出現(xiàn)；小于b_th時(shí)則認(rèn)為(x,y)位置附近將會(huì)有血管像素點(diǎn)出現(xiàn)。提取步驟(3)中所判定的三種不同規(guī)格血管時(shí)，所設(shè)置的b_th值也是不同的：

b_th＝1小血管

b_th＝1.1中血管

b_th＝1.2大血管

步驟(6-3)：對(duì)各子圖像的分割閾值由多閾值公式確定：

其中，T_k,j為子圖像的閾值矩陣，h_i,j為常系數(shù)，為高斯濾波響應(yīng)A的局部均值響應(yīng)，k為圖像血管與背景的灰度對(duì)比度對(duì)閾值個(gè)數(shù)的影響，j為有無(wú)臺(tái)階邊緣對(duì)閾值個(gè)數(shù)的影響，K(c,c_th)與J(s,s_th)的取值具體如下：

其中，c是高斯擬合曲線的方差，當(dāng)c小于閾值c_th時(shí),表明對(duì)比度高，在整個(gè)灰度級(jí)范圍內(nèi)選擇閾值，此時(shí)K的取值為1；反之，在對(duì)比度低的情況下，分為高低兩個(gè)灰度級(jí)范圍選擇閾值，此時(shí)K的取值為2。s是第三設(shè)定灰度分布范圍內(nèi)像素點(diǎn)出現(xiàn)的頻率和，如果s小于s_th,則不存在臺(tái)階邊緣，不需對(duì)閾值針對(duì)血管結(jié)構(gòu)和非血管結(jié)構(gòu)進(jìn)行區(qū)分，此時(shí)J的取值為1；當(dāng)s大于等于s_th時(shí),存在臺(tái)階邊緣，血管結(jié)構(gòu)和非血管結(jié)構(gòu)要分別設(shè)置不同的閾值，此時(shí)J的取值為2。

綜上所述，針對(duì)不同子圖像，有以下四類閾值處理手段：

第一類：對(duì)于對(duì)比度低且存在臺(tái)階邊緣的子圖像，采用h₁₁、h₁₂、h₂₁、h₂₂四個(gè)閾值，其中h₁₁針對(duì)高灰度級(jí)范圍內(nèi)的血管結(jié)構(gòu)，h₁₂針對(duì)高灰度級(jí)范圍內(nèi)的非血管結(jié)構(gòu)，h₂₁針對(duì)低灰度級(jí)范圍內(nèi)的血管結(jié)構(gòu)，h₂₂針對(duì)低灰度級(jí)范圍內(nèi)的非血管結(jié)構(gòu)；

第二類：對(duì)于對(duì)比度低且不存在臺(tái)階邊緣的子圖像，采用h₁₁、h₂₁兩個(gè)閾值，其中h₁₁針對(duì)高灰度級(jí)范圍內(nèi)的血管結(jié)構(gòu)，h₂₁針對(duì)低灰度級(jí)范圍內(nèi)的血管結(jié)構(gòu)；

第三類：對(duì)于對(duì)比度高且存在臺(tái)階邊緣的子圖像，采用h₁₁、h₁₂兩個(gè)閾值，其中h₁₁針對(duì)第二設(shè)定灰度分布范圍內(nèi)的血管結(jié)構(gòu)，h₁₂針對(duì)第二設(shè)定灰度分布范圍內(nèi)的非血管結(jié)構(gòu)；

第四類：對(duì)比度高且不存在臺(tái)階邊緣，采用h₁₁一個(gè)閾值，h₁₁針對(duì)整個(gè)灰度級(jí)范圍內(nèi)的血管結(jié)構(gòu)。

整個(gè)圖像的閾值矩陣為最終可以通過(guò)公式(7)得到分割后的血管網(wǎng)絡(luò)：

其中，vess表示各像素點(diǎn)的最終取值。即將整幅圖像的閾值矩陣與圖像的高斯濾波響應(yīng)A逐點(diǎn)比較，每個(gè)像素點(diǎn)均利用對(duì)應(yīng)點(diǎn)的閾值判斷一次，大于對(duì)應(yīng)點(diǎn)閾值的像素點(diǎn)被分類為血管，否則被分類為非血管。

步驟(6-4)：將各子圖像的不同尺度分割結(jié)果利用邏輯“或”操作結(jié)合起來(lái)，再將所有子圖像的分割結(jié)果進(jìn)行重新拼接，得到閾值處理后的視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像。

所述步驟(7)的步驟為：

首先，利用目標(biāo)視網(wǎng)膜血管與噪點(diǎn)所在區(qū)域的幾何特征差別，先刪除視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像中面積小于設(shè)定閾值P的連通域，再利用連通域外接矩形的長(zhǎng)寬比，進(jìn)一步的消除圖像中殘留的噪聲；

其次，使用多尺度的高斯濾波器模版來(lái)對(duì)閾值分割后的血管邊緣進(jìn)行平滑處理；

接下來(lái)，利用DRIVE數(shù)據(jù)庫(kù)中提供的掩膜圖像，找到視網(wǎng)膜邊界像素點(diǎn)的位置，進(jìn)而消除圖像中殘留的視網(wǎng)膜邊界；

最后，采用閉運(yùn)算對(duì)視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像中不連續(xù)的細(xì)小血管進(jìn)行斷點(diǎn)連接。

基于動(dòng)態(tài)尺度分配的視網(wǎng)膜血管提取系統(tǒng)，包括：

視網(wǎng)膜圖像預(yù)處理模塊：對(duì)彩色視網(wǎng)膜圖像的綠色通道分量進(jìn)行對(duì)比度增強(qiáng)；

圖像分塊模塊：對(duì)預(yù)處理后的視網(wǎng)膜圖像按照尺寸進(jìn)行均等分塊，分割成設(shè)定個(gè)數(shù)的子圖像；

血管分類模塊：根據(jù)血管寬度將血管分為大中小三類。并依照不同寬度血管的灰度分布特征，對(duì)子圖像包含的血管種類進(jìn)行判斷。

動(dòng)態(tài)尺度分配模塊：利用濾波器尺度與血管寬度之間的關(guān)系，動(dòng)態(tài)選擇不同尺度的濾波器對(duì)不同寬度血管進(jìn)行增強(qiáng)；

多尺度匹配濾波模塊：采用高斯匹配濾波模板和高斯一階導(dǎo)數(shù)匹配濾波模板同時(shí)對(duì)增強(qiáng)后的視網(wǎng)膜圖像進(jìn)行匹配濾波，分別得到高斯匹配濾波器與視網(wǎng)膜圖像的卷積響應(yīng)及高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像的卷積響應(yīng)；并進(jìn)一步計(jì)算得到高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像卷積響應(yīng)的局部均值響應(yīng)；

閾值處理模塊：利用高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像卷積響應(yīng)的局部均值響應(yīng)對(duì)每個(gè)像素點(diǎn)的分割閾值進(jìn)行調(diào)整，得到整個(gè)圖像的閾值矩陣。將整個(gè)圖像的閾值矩陣與高斯匹配濾波器和視網(wǎng)膜圖像的卷積響應(yīng)進(jìn)行逐點(diǎn)比較，提取出血管結(jié)構(gòu)并剔除非血管結(jié)構(gòu)，將所有子圖像的提取結(jié)果進(jìn)行重新拼接，得到視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像；

后處理模塊：對(duì)閾值處理后的視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像進(jìn)一步消除噪聲，對(duì)血管邊緣進(jìn)行平滑處理，消除圖像中殘留的視網(wǎng)膜邊界，對(duì)不連續(xù)的細(xì)小血管進(jìn)行斷點(diǎn)連接，從而保留圖像細(xì)節(jié)，得到分割精度高的視網(wǎng)膜血管網(wǎng)絡(luò)圖像。

本發(fā)明的有益效果：

1、如果只利用高斯濾波器與視網(wǎng)膜圖像所得到的卷積響應(yīng)進(jìn)行閾值分割，某些非血管結(jié)構(gòu)就會(huì)不可避免地被錯(cuò)誤分割出來(lái)，致使最終的分割精度受到較大影響。因此，本發(fā)明使用兩個(gè)匹配濾波模版同時(shí)作用，來(lái)減小非血管結(jié)構(gòu)被錯(cuò)誤分割的可能性。

2、匹配濾波部分是在對(duì)基于高斯一階導(dǎo)數(shù)濾波器的視網(wǎng)膜血管提取算法(MF-FDOG)與基于多尺度濾波響應(yīng)乘積的視網(wǎng)膜血管提取算法(MPMF)的基礎(chǔ)上，將整個(gè)視網(wǎng)膜圖像進(jìn)行分割處理，并針對(duì)各子圖像的灰度分布特征動(dòng)態(tài)的為其分配不同的濾波器尺度。

3、在多尺度方面，為了避免對(duì)中小血管的種類產(chǎn)生錯(cuò)誤的判斷，本發(fā)明分別為提取中小血管分配了兩個(gè)不同的尺度參數(shù)。本發(fā)明一共提供了五個(gè)尺度參數(shù)，分別用于對(duì)大、中、小血管進(jìn)行增強(qiáng)，是目前多尺度方案中設(shè)置尺度數(shù)最多的算法。使用這種動(dòng)態(tài)分配尺度的多尺度濾波算法，在抑制具有臺(tái)階邊緣的非血管結(jié)構(gòu)以及保證血管寬度的同時(shí)，使得更多被噪聲淹沒(méi)的細(xì)小血管得以增強(qiáng)，進(jìn)而在后續(xù)處理中將其分割提取出來(lái)，提高了算法的性能。

4、在閾值處理方面，本發(fā)明針對(duì)各子圖像對(duì)比度的不同以及是否包含臺(tái)階邊緣這幾種情況進(jìn)行分類處理。這種根據(jù)子圖像不同的灰度分布情況動(dòng)態(tài)的進(jìn)行閾值處理的方法，使得對(duì)比度較低區(qū)域中的一些細(xì)小血管也能被分割提取出來(lái)。

5、后處理方面，本發(fā)明在消除圖像噪聲以及錯(cuò)誤分割點(diǎn)的基礎(chǔ)上，較好的保留了圖像的細(xì)節(jié)，使血管分割精度得到了進(jìn)一步的提高。

6、本發(fā)明算法具有較低的復(fù)雜度且易于實(shí)現(xiàn)，對(duì)推進(jìn)視網(wǎng)膜疾病的診斷具有重大意義。

附圖說(shuō)明

圖1為本發(fā)明的流程圖；

圖2為本發(fā)明的系統(tǒng)架構(gòu)圖；

圖3(a)為DRIVE數(shù)據(jù)庫(kù)測(cè)試集中的第19號(hào)彩色視網(wǎng)膜血管圖像；

圖3(b)為提取出的綠色通道圖像；

圖3(c)為多尺度頂帽變換后的圖像；

圖3(d)為灰度拉伸后的圖像。

圖4(a)為DRIVE數(shù)據(jù)庫(kù)測(cè)試集中的第07號(hào)彩色視網(wǎng)膜血管圖像；

圖4(b)和圖4(c)為圖像分割后的兩個(gè)子圖像；

圖5為各子圖像的編號(hào)情況；

圖6(a)為位于原圖四角的子圖像之一；

圖6(b)為位于原圖四角的子圖像之二；

圖7(a₁)為中央子圖像a；

圖7(a₂)為中央子圖像a的灰度分布直方圖；

圖7(b₁)為中央子圖像b；

圖7(b₂)為中央子圖像b的灰度分布直方圖；

圖7(c₁)為中央子圖像c；

圖7(c₂)為中央子圖像c的灰度分布直方圖；

圖7(d₁)為中央子圖像d；

圖7(d₂)為中央子圖像d的灰度分布直方圖；

圖8為利用高斯擬合曲線的峰值a和方差c來(lái)對(duì)中小血管劃分示意圖；

圖9(a)為DRIVE數(shù)據(jù)庫(kù)測(cè)試集中的第19號(hào)彩色視網(wǎng)膜血管圖像；

圖9(b)為預(yù)處理后的圖像；

圖9(c)為本發(fā)明算法提取的血管網(wǎng)絡(luò)；

圖9(d)為ground truth血管網(wǎng)絡(luò)圖。

具體實(shí)施方式

下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。

如圖1所示，基于動(dòng)態(tài)尺度分配的視網(wǎng)膜血管提取方法，包括如下步驟：

步驟(1)：圖像預(yù)處理

進(jìn)一步的，所述步驟(1)的步驟為：

步驟(1-1)：提取彩色圖像的綠色通道分量：原始彩色視網(wǎng)膜圖像含有紅色、綠色和藍(lán)色三個(gè)通道，僅選擇對(duì)比度高、噪聲低的綠色通道作為初始處理對(duì)象；

步驟(1-2)：多尺度頂帽變換：利用形狀不變，尺寸等差增大的圓形結(jié)構(gòu)元素，對(duì)初始處理對(duì)象進(jìn)行多尺度頂帽變換處理，增強(qiáng)初始處理對(duì)象的對(duì)比度；

步驟(1-3)：基于高斯曲線擬合的直方圖線性拉伸：對(duì)經(jīng)多尺度頂帽變換增強(qiáng)所得圖像的灰度直方圖進(jìn)行基于高斯曲線擬合的直方圖線性拉伸，得到預(yù)處理后的視網(wǎng)膜圖像。

通過(guò)預(yù)處理步驟增強(qiáng)后的視網(wǎng)膜圖像如圖3(a)、圖3(b)、圖3(c)和圖3(d)所示。

步驟(2)：圖像分塊：對(duì)預(yù)處理后的視網(wǎng)膜圖像按照尺寸進(jìn)行均等分塊，分割成設(shè)定個(gè)數(shù)的子圖像；

由于視網(wǎng)膜圖像中血管和背景在局部范圍內(nèi)都比較均勻，所以將整個(gè)視網(wǎng)膜圖像均等的分割成20個(gè)等尺寸的子圖像。圖4(a)、圖4(b)和圖4(c)為增強(qiáng)后的視網(wǎng)膜圖像及其子圖像。

步驟(3)：根據(jù)血管寬度將血管分為大中小三類。并依照不同寬度血管的灰度分布特征，對(duì)子圖像包含的血管種類進(jìn)行判斷。

將圖像等分為20個(gè)無(wú)重疊的子圖，并對(duì)分塊自上而下、自左向右進(jìn)行編號(hào)，如圖5所示。根據(jù)位置的不同將20個(gè)子圖像分為三類；針對(duì)血管寬度的不同，將血管分為大中小三類，并在每一個(gè)子圖中分別判斷其中的血管種類。

第一類：位于原圖四角的子圖像，編號(hào)1、4、17、20。少部分屬于這一類的子圖像圖6(a)所示，其中含有對(duì)比度較高的血管，但屬于血管的像素所占比重較小；多數(shù)子圖像均如圖6(b)所示，其中所包含的血管對(duì)比度極低，甚至沒(méi)有血管像素，所以很難通過(guò)分析其直方圖的灰度分布特征對(duì)所含血管的種類進(jìn)行判斷。針對(duì)數(shù)據(jù)庫(kù)中所有圖像進(jìn)行分析，且為了權(quán)衡上述兩種情況，本算法統(tǒng)一為其分配中等規(guī)格的尺度。

第二類：處于原圖像中央的子圖像，編號(hào)為6、7、10、11、14、15。

此類子圖像處于原圖像中央，因而其中不包含視網(wǎng)膜之外的黑色背景；且圖中的大血管較暗，所以屬于大血管的像素點(diǎn)應(yīng)處于直方圖的低灰度級(jí)范圍內(nèi)。

1)判斷是否存在大血管。對(duì)直方圖第一設(shè)定灰度分布范圍內(nèi)像素點(diǎn)出現(xiàn)的頻率進(jìn)行統(tǒng)計(jì)，當(dāng)統(tǒng)計(jì)值大于第一設(shè)定閾值時(shí)，則代表該子圖像中含有大血管，反之，不含大血管；圖7(a₁)和圖7(b₁)分別代表了兩種情況：圖7(a₁)低灰度級(jí)范圍內(nèi)存在大血管，圖7(b₁)低灰度級(jí)范圍內(nèi)不存在大血管。通過(guò)對(duì)其相應(yīng)的灰度直方圖圖7(a₂)、圖7(b₂)進(jìn)行對(duì)比可以發(fā)現(xiàn)：含有大血管的子圖像，在直方圖第一設(shè)定灰度分布范圍內(nèi)像素點(diǎn)出現(xiàn)的頻率明顯高于不含有大血管的子圖像。

2)判斷是否存在中小血管。圖7(c₁)和圖7(d₁)分別代表了兩種情況：圖7(c₁)高灰度級(jí)范圍內(nèi)同時(shí)存在中、小血管，圖7(d₁)高灰度級(jí)范圍內(nèi)僅存在小血管。通過(guò)對(duì)其相應(yīng)的灰度直方圖圖7(c₂)、圖7(d₂)進(jìn)行對(duì)比可以發(fā)現(xiàn)：灰色背景以及中小血管的灰度分布范圍基本集中在第二設(shè)定灰度分布范圍之間，且其中小血管與灰色背景的灰度分布范圍較為接近，甚至部分重疊。此時(shí)，對(duì)直方圖高灰度級(jí)范圍內(nèi)的灰度分布進(jìn)行高斯曲線擬合，得到的高斯函數(shù)峰值a和方差c可以作為區(qū)分中小血管的標(biāo)準(zhǔn)。若峰值大，則證明此時(shí)子圖像的高灰度級(jí)范圍內(nèi)不僅存在灰色背景還存在小血管，使得在二者灰度分布重疊的范圍內(nèi)像素點(diǎn)出現(xiàn)的概率較大；若峰值小，則證明此時(shí)子圖像的高灰度級(jí)范圍內(nèi)僅存在灰色背景；方差大時(shí)，證明在高灰度級(jí)范圍內(nèi)像素點(diǎn)在各灰度級(jí)上分布較為分散。因?yàn)橹醒芘c小血管或灰色背景的灰度分布范圍重疊較小，所以此時(shí)可以認(rèn)為該子圖像的高灰度級(jí)范圍內(nèi)存在中血管；方差小時(shí)，則認(rèn)為該子圖像的高灰度級(jí)范圍內(nèi)不存在中血管。圖7(c₂)和圖7(d₂)使上述區(qū)分標(biāo)準(zhǔn)得以驗(yàn)證。

根據(jù)以上方差與峰值大小不同的取值，對(duì)于子圖像中是否含有中小血管的判斷可以分為以下四類，如圖8所示：

若高斯函數(shù)峰值大于第二設(shè)定閾值且方差小于第三設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)有小血管但無(wú)中血管；

若高斯函數(shù)峰值小于第二設(shè)定閾值且方差小于第三設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)既無(wú)小血管又無(wú)中血管；

若高斯函數(shù)峰值大于第二設(shè)定閾值且方差大于第三設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)既有小血管又有中血管；

若高斯函數(shù)峰值小于第二設(shè)定閾值且方差大于第三設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)無(wú)小血管但有中血管。

第三類：處于原圖像邊緣的子圖像，編號(hào)為2、3、5、8、9、12、13、16、18、19。

1)同樣，判斷是否存在大血管。對(duì)位于原圖邊緣的子圖像灰度直方圖的第一設(shè)定灰度分布范圍內(nèi)像素點(diǎn)出現(xiàn)的頻率進(jìn)行統(tǒng)計(jì)，當(dāng)統(tǒng)計(jì)值大于第四設(shè)定閾值時(shí)，則代表該子圖像中含有大血管，反之，不含有大血管；但是由于這一類子圖像分布在原圖邊緣，故而其中一定包含黑色背景，且這些黑色背景的像素點(diǎn)同樣出現(xiàn)在直方圖的第一設(shè)定灰度分布范圍內(nèi)。因此，這一類子圖像用于判斷大血管的閾值大于第二類子圖像中用于判斷大血管的閾值。

2)判斷該子圖像中是否包含小血管或中血管，與第二類子圖像的判斷標(biāo)準(zhǔn)相同。

若高斯函數(shù)峰值大于第五設(shè)定閾值且方差小于第六設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)有小血管但無(wú)中血管；

若高斯函數(shù)峰值小于第五設(shè)定閾值且方差小于第六設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)既無(wú)小血管又無(wú)中血管；

若高斯函數(shù)峰值大于第五設(shè)定閾值且方差大于第六設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)既有小血管又有中血管；

若高斯函數(shù)峰值小于第五設(shè)定閾值且方差大于第六設(shè)定閾值，則子圖像第二設(shè)定灰度分布范圍內(nèi)無(wú)小血管但有中血管。

步驟(4)：動(dòng)態(tài)尺度分配：利用濾波器尺度與血管寬度之間的關(guān)系，動(dòng)態(tài)選擇不同尺度的濾波器對(duì)不同寬度血管進(jìn)行增強(qiáng)；

所述步驟(4)的步驟為：

由于血管橫截面的灰度分布呈高斯分布，故而將高斯曲線向橫軸上投影，得到的投影長(zhǎng)度就是血管的寬度，而正態(tài)曲線下[-3σ,+3σ]范圍內(nèi)的面積超過(guò)了99％，由此可以得出血管寬度與濾波器尺度之間的關(guān)系為：

σ＝d/6

其中，d表示血管寬度，σ表示濾波器的尺度。

a、本發(fā)明的仿真實(shí)驗(yàn)中，提取大血管所采用的濾波器尺度參數(shù)為2。

b、由各子圖像的灰度直方圖可以看出，中等寬度的血管與小血管在灰度分布范圍上的界限并不明顯。所以在二者灰度分布重疊的范圍內(nèi)，很可能會(huì)對(duì)中小血管的種類產(chǎn)生錯(cuò)誤的判斷。如若因此為其分配不恰當(dāng)?shù)某叨葏?shù)，將導(dǎo)致部分寬度的血管不能被檢測(cè)出來(lái)。為避免這一情況的發(fā)生，本算法分別為提取中小血管分配了兩個(gè)不同的尺度參數(shù)。這樣，在整個(gè)算法中一共使用了五種尺度參數(shù)。以此在減小上述影響的同時(shí)，也使得更多寬度的血管得到增強(qiáng)。本發(fā)明仿真實(shí)驗(yàn)中，為提取中血管所采用的濾波器尺度參數(shù)為1和0.7，提取小血管所采用的濾波器尺度參數(shù)為0.5和0.2。

步驟(5)：多尺度匹配濾波；采用高斯匹配濾波模板和高斯一階導(dǎo)數(shù)匹配濾波模板同時(shí)對(duì)增強(qiáng)后的視網(wǎng)膜圖像進(jìn)行匹配濾波，分別得到高斯匹配濾波器及高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像的卷積響應(yīng)；并進(jìn)一步計(jì)算得到高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像卷積響應(yīng)的局部均值響應(yīng)；

本發(fā)明采用兩個(gè)匹配濾波模板，高斯型匹配濾波模板上坐標(biāo)為(x,y)的一點(diǎn)，其權(quán)重表示如下：

其中，σ1表示高斯匹配濾波器的尺度，L代表與濾波器模板瞬時(shí)方向相平行的血管長(zhǎng)度，m代表高斯濾波器模板中系數(shù)的均值，

式中Q表示構(gòu)建的高斯濾波器模板中所包含的點(diǎn)數(shù)，N表示濾波器模板所在的鄰域，表示高斯濾波器模板中的一個(gè)離散點(diǎn)。

在高斯型匹配濾波模板中減去m項(xiàng)，可以實(shí)現(xiàn)對(duì)視網(wǎng)膜圖像背景的平滑處理。并且，由于視網(wǎng)膜血管在平面中的各個(gè)方向上均有分布，故而在匹配濾波過(guò)程中，濾波器模板需要不斷的旋轉(zhuǎn)以檢測(cè)不同方向上的血管。

高斯一階導(dǎo)數(shù)匹配濾波模板上坐標(biāo)為(x,y)的一點(diǎn)，其權(quán)重表示如下：

其中，σ₂表示高斯一階導(dǎo)數(shù)匹配濾波器的尺度，L代表與濾波器模板瞬時(shí)方向相平行的血管長(zhǎng)度。

步驟(6)：閾值處理：將所有子圖像利用其灰度分布特征，按照血管與背景的灰度對(duì)比度的高低，以及是否含具有臺(tái)階邊緣的非血管結(jié)構(gòu)進(jìn)行分類，對(duì)各子圖像進(jìn)行動(dòng)態(tài)的閾值處理；通過(guò)將整個(gè)圖像的閾值矩陣與高斯匹配濾波器和視網(wǎng)膜圖像的卷積響應(yīng)逐點(diǎn)比較，每個(gè)像素點(diǎn)均與對(duì)應(yīng)點(diǎn)的閾值進(jìn)行比較，大于閾值的像素點(diǎn)被分類為血管，否則被分類為非血管；最后，將所有子圖像的分割結(jié)果進(jìn)行重新拼接，得到閾值處理后的視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像；

閾值處理部分利用圖像的灰度分布直方圖，對(duì)每個(gè)子圖像進(jìn)行動(dòng)態(tài)的閾值處理。將所有子圖像利用其灰度分布特征按照對(duì)比度的高低及是否含有臺(tái)階邊緣進(jìn)行分類。

6-1)區(qū)分高對(duì)比度圖像與低對(duì)比度圖像：利用步驟(3)血管分類過(guò)程中得到的高斯曲線方差作為判斷圖像對(duì)比度高低的依據(jù)；

方差c小于設(shè)定值cth，表示子圖像血管與背景的灰度對(duì)比度高，血管提取容易；

方差c大于設(shè)定值cth，表示子圖像血管與背景的灰度對(duì)比度低，血管提取困難。

對(duì)低對(duì)比度子圖像需進(jìn)行如下處理：對(duì)第二設(shè)定灰度分布范圍進(jìn)行分段處理，以像素點(diǎn)出現(xiàn)頻率最高的灰度值為界，分為高低兩個(gè)灰度級(jí)范圍。

6-2)區(qū)分是否存在臺(tái)階邊緣：

對(duì)圖像灰度直方圖第三設(shè)定灰度分布范圍內(nèi)像素點(diǎn)出現(xiàn)的頻率和s進(jìn)行統(tǒng)計(jì)，并設(shè)立第七設(shè)定閾值，頻率大于第七設(shè)定閾值時(shí)，代表子圖像中含具有臺(tái)階邊緣的非血管結(jié)構(gòu)。

若判斷出含具有臺(tái)階邊緣的非血管結(jié)構(gòu)，那么接下來(lái)要對(duì)其進(jìn)行定位。進(jìn)一步對(duì)局部均值響應(yīng)的各點(diǎn)進(jìn)行遍歷判斷，當(dāng)中坐標(biāo)為(x,y)的某一任意點(diǎn)響應(yīng)幅度大于b_th時(shí)，認(rèn)為(x,y)位置附近將會(huì)有具有臺(tái)階邊緣的非血管結(jié)構(gòu)像素點(diǎn)出現(xiàn)；小于b_th時(shí)則認(rèn)為(x,y)位置附近將會(huì)有血管像素點(diǎn)出現(xiàn)。提取步驟(3)中所判定的三種不同規(guī)格血管時(shí)，所設(shè)置的b_th值也是不同的：

b_th＝1小血管

b_th＝1.1中血管

b_th＝1.2大血管

6-3)閾值選擇

對(duì)各子圖像的分割閾值由多閾值公式確定：

其中，T_k,j為子圖像的閾值矩陣，h_i,j為常系數(shù)，為高斯濾波響應(yīng)A的局部均值響應(yīng)，k為圖像血管與背景的灰度對(duì)比度對(duì)閾值個(gè)數(shù)的影響，j為有無(wú)臺(tái)階邊緣對(duì)閾值個(gè)數(shù)的影響，K(c,c_th)與J(s,s_th)的取值具體如下：

其中，c是高斯擬合曲線的方差，當(dāng)c小于閾值c_th時(shí),表明對(duì)比度高，在整個(gè)灰度級(jí)范圍內(nèi)選擇閾值，此時(shí)K的取值為1；反之，在對(duì)比度低的情況下，分為高低兩個(gè)灰度級(jí)范圍選擇閾值，此時(shí)K的取值為2。s是第三設(shè)定灰度分布范圍內(nèi)像素點(diǎn)出現(xiàn)的頻率和，如果s小于s_th,則不存在臺(tái)階邊緣，不需對(duì)閾值針對(duì)血管結(jié)構(gòu)和非血管結(jié)構(gòu)進(jìn)行區(qū)分，此時(shí)J的取值為1；當(dāng)s大于等于s_th時(shí),存在臺(tái)階邊緣，血管結(jié)構(gòu)和非血管結(jié)構(gòu)要分別設(shè)置不同的閾值，此時(shí)J的取值為2。

針對(duì)以上分析，對(duì)各子圖像的閾值處理主要分為下列四類情況：

第一類：對(duì)于對(duì)比度低且存在臺(tái)階邊緣的子圖像，采用h₁₁、h₁₂、h₂₁、h₂₂四個(gè)閾值，其中h₁₁針對(duì)高灰度級(jí)范圍內(nèi)的血管結(jié)構(gòu)，h₁₂針對(duì)高灰度級(jí)范圍內(nèi)的非血管結(jié)構(gòu)，h₂₁針對(duì)低灰度級(jí)范圍內(nèi)的血管結(jié)構(gòu)，h₂₂針對(duì)低灰度級(jí)范圍內(nèi)的非血管結(jié)構(gòu)；

第二類：對(duì)于對(duì)比度低且不存在臺(tái)階邊緣的子圖像，采用h₁₁、h₂₁兩個(gè)閾值，其中h₁₁針對(duì)高灰度級(jí)范圍內(nèi)的血管結(jié)構(gòu)，h₂₁針對(duì)低灰度級(jí)范圍內(nèi)的血管結(jié)構(gòu)；

第三類：對(duì)于對(duì)比度高且存在臺(tái)階邊緣的子圖像，采用h₁₁、h₁₂兩個(gè)閾值，其中h₁₁針對(duì)第二設(shè)定灰度分布范圍內(nèi)的血管結(jié)構(gòu)，h₁₂針對(duì)第二設(shè)定灰度分布范圍內(nèi)的非血管結(jié)構(gòu)；

第四類：對(duì)比度高且不存在臺(tái)階邊緣，采用h₁₁一個(gè)閾值，h₁₁針對(duì)整個(gè)灰度級(jí)范圍內(nèi)的血管結(jié)構(gòu)。

整個(gè)圖像的閾值矩陣為最終可以通過(guò)下式得到分割后的血管網(wǎng)絡(luò)：

其中，vess表示各像素點(diǎn)的最終取值。即將整幅圖像的閾值矩陣與圖像的高斯濾波響應(yīng)A逐點(diǎn)比較，每個(gè)像素點(diǎn)均利用對(duì)應(yīng)點(diǎn)的閾值判斷一次，大于此點(diǎn)閾值的像素點(diǎn)被分類為血管，否則被分類為非血管。

最后，將各子圖像的不同尺度分割結(jié)果利用邏輯“或”操作結(jié)合起來(lái)，再將20個(gè)子圖像的分割結(jié)果進(jìn)行重新拼接，得到閾值處理后的視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像。

該動(dòng)態(tài)閾值選擇標(biāo)準(zhǔn)基于圖像的灰度直方圖，利用灰度直方圖中體現(xiàn)的對(duì)比度和具有臺(tái)階邊緣的非血管結(jié)構(gòu)信息指導(dǎo)閾值的選擇，與單閾值選擇公式相比，既考慮了低對(duì)比度區(qū)域細(xì)小血管的提取，又考慮了對(duì)非血管結(jié)構(gòu)的抑制，實(shí)驗(yàn)證明取得了更優(yōu)的提取效果。

步驟(7)：后處理：對(duì)閾值處理后的視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像進(jìn)一步消除噪聲，對(duì)閾值分割后的血管邊緣進(jìn)行平滑處理，消除圖像中殘留的視網(wǎng)膜邊界，對(duì)不連續(xù)的細(xì)小血管進(jìn)行斷點(diǎn)連接，從而保留圖像細(xì)節(jié)，得到分割精度高的視網(wǎng)膜血管網(wǎng)絡(luò)圖像。

首先，利用目標(biāo)視網(wǎng)膜血管與噪點(diǎn)所在區(qū)域的幾何特征差別，先刪除視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像中面積小于設(shè)定閾值P的連通域，再利用連通域外接矩形的長(zhǎng)寬比，進(jìn)一步的消除圖像中殘留的噪聲；

其次，使用多尺度的高斯濾波器模版來(lái)對(duì)血管邊緣進(jìn)行平滑處理；

接下來(lái)，利用DRIVE數(shù)據(jù)庫(kù)中提供的掩膜圖像，找到視網(wǎng)膜邊界像素點(diǎn)的位置，進(jìn)而消除圖像中殘留的視網(wǎng)膜邊界；

最后，采用閉運(yùn)算對(duì)視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像中不連續(xù)的細(xì)小血管進(jìn)行斷點(diǎn)連接。

本發(fā)明利用公共數(shù)據(jù)庫(kù)DRIVE對(duì)提出的視網(wǎng)膜血管分割算法進(jìn)行測(cè)試。此數(shù)據(jù)庫(kù)中共有40張視網(wǎng)膜圖像，是通過(guò)眼底照相機(jī)拍攝獲得的，其中每一張圖像的空間分辨率均為565×584。該數(shù)據(jù)庫(kù)的建立者將數(shù)據(jù)庫(kù)中的40張視網(wǎng)膜圖像均等的分成了訓(xùn)練集和測(cè)試集，同時(shí)在這兩個(gè)集合中均提供了一位專家手動(dòng)分割的結(jié)果。但是對(duì)于測(cè)試集來(lái)說(shuō)，它還提供了第二位專家的手動(dòng)分割結(jié)果，并且，多數(shù)的算法均是采用測(cè)試集中的圖像來(lái)進(jìn)行仿真實(shí)驗(yàn)的。

將該數(shù)據(jù)庫(kù)提供的第一位專家的手動(dòng)分割結(jié)果，作為衡量本發(fā)明算法性能的標(biāo)準(zhǔn)(ground truth)。為了對(duì)不同視網(wǎng)膜血管分割算法的性能進(jìn)行比較，定義了(1)TPR，(2)FPR，(3)ACC三個(gè)指標(biāo)來(lái)對(duì)算法進(jìn)行定量描述。定義如下：

其中ACC為視網(wǎng)膜血管分割平均準(zhǔn)確率，TN為實(shí)驗(yàn)結(jié)果中，被正確分割的血管像素個(gè)數(shù)；BN為實(shí)驗(yàn)結(jié)果中，被正確分割的視場(chǎng)(FOV：圖像中視網(wǎng)膜邊界內(nèi)的部分)中的背景像素個(gè)數(shù)。TPR定義為正確分類血管像素點(diǎn)的比例，Nvp為視網(wǎng)膜圖像視場(chǎng)中，目標(biāo)血管像素個(gè)數(shù)。FPR定義為視場(chǎng)內(nèi)屬于非血管但被分類為血管的像素點(diǎn)的比例，Nuvp為視網(wǎng)膜圖像視場(chǎng)中，背景像素的個(gè)數(shù)。本發(fā)明對(duì)數(shù)據(jù)庫(kù)DRIVE測(cè)試集中的全部20張圖像進(jìn)行了分割，取各性能指標(biāo)的平均值作為本算法的最終結(jié)果，并與其他算法進(jìn)行了性能比較，結(jié)果如表1所示。

表1是使用本發(fā)明算法對(duì)DRIVE數(shù)據(jù)庫(kù)測(cè)試集全部20張圖像進(jìn)行處理，所得平均性能指標(biāo)與其他算法的比較結(jié)果。圖9(a)-圖9(d)是本發(fā)明算法的20個(gè)提取結(jié)果之一。圖9(a)為DRIVE數(shù)據(jù)庫(kù)測(cè)試集中的第19號(hào)彩色視網(wǎng)膜血管圖像，圖9(b)為預(yù)處理后的圖像，圖9(c)為本發(fā)明算法提取的血管網(wǎng)絡(luò)，圖9(d)為ground truth血管網(wǎng)絡(luò)圖。對(duì)比圖9(c)和圖9(d)可以看出本發(fā)明算法能夠?qū)⒁恍┘?xì)小血管提取出來(lái)，并有效地抑制了非血管結(jié)構(gòu)，具有較好的血管分割性能。

表1.DRIVE數(shù)據(jù)庫(kù)測(cè)試集血管提取結(jié)果(with FOV)

如圖2所示，基于動(dòng)態(tài)尺度分配的視網(wǎng)膜血管提取系統(tǒng)，包括：

視網(wǎng)膜圖像預(yù)處理模塊：對(duì)彩色視網(wǎng)膜圖像的綠色通道分量進(jìn)行對(duì)比度增強(qiáng)；

圖像分塊模塊：對(duì)預(yù)處理后的視網(wǎng)膜圖像按照尺寸進(jìn)行均等分塊，分割成設(shè)定個(gè)數(shù)的子圖像；

血管分類模塊：根據(jù)血管寬度將血管分為大中小三類。并依照不同寬度血管的灰度分布特征，對(duì)子圖像包含的血管種類進(jìn)行判斷；

動(dòng)態(tài)尺度分配模塊：利用濾波器尺度與血管寬度之間的關(guān)系，動(dòng)態(tài)選擇不同尺度的濾波器對(duì)不同寬度血管進(jìn)行增強(qiáng)；

多尺度匹配濾波模塊：采用高斯匹配濾波模板和高斯一階導(dǎo)數(shù)匹配濾波模板同時(shí)對(duì)增強(qiáng)后的視網(wǎng)膜圖像進(jìn)行匹配濾波，分別得到高斯匹配濾波器與視網(wǎng)膜圖像的卷積響應(yīng)及高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像的卷積響應(yīng)；并進(jìn)一步計(jì)算得到高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像的局部均值響應(yīng)；

閾值處理模塊：利用高斯一階導(dǎo)數(shù)匹配濾波器與視網(wǎng)膜圖像卷積響應(yīng)的局部均值響應(yīng)對(duì)每個(gè)像素點(diǎn)的分割閾值進(jìn)行調(diào)整，得到整個(gè)圖像的閾值矩陣。將整個(gè)圖像的閾值矩陣與高斯匹配濾波器和視網(wǎng)膜圖像的卷積響應(yīng)進(jìn)行逐點(diǎn)比較，提取出血管結(jié)構(gòu)并剔除非血管結(jié)構(gòu)，將所有子圖像的提取結(jié)果進(jìn)行重新拼接，得到視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像；

后處理模塊：對(duì)閾值處理后的視網(wǎng)膜血管網(wǎng)絡(luò)二值圖像進(jìn)一步消除噪聲，對(duì)血管邊緣進(jìn)行平滑處理，消除圖像中殘留的視網(wǎng)膜邊界，對(duì)不連續(xù)的細(xì)小血管進(jìn)行斷點(diǎn)連接，從而保留圖像細(xì)節(jié)，得到分割精度高的視網(wǎng)膜血管網(wǎng)絡(luò)圖像。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。