基于改进PDE图像修补的眼底图像视杯自动分割方法，该方法的实现过程如下，读取和归一化原始图像；对原始图像进行通道选择；利用形态学的原理对图像进行增强；基于图像减法的血管位置的定位；利用改进的BSCB模型实现对血管区域的填充修复；对图像进行中值滤波去噪，并利用伽玛变换突出目标区域；以图像上最亮像素点集合质心为初始种子点，利用水平集算法初步获取视杯轮廓。本发明专利技术填充修复血管以后的图像在一定程度上消除了血管区域对视杯分割的影响，提高了视盘分割的准确性；利用水平集方法进行视杯的轮廓获取，实现了种子点的自动选取；减少了传统半自动方法中的人工干预。
【技术实现步骤摘要】
本专利技术属于医学图像处理领域，涉及一种改进的基于偏微分方程（PDE)的BSCB图 像修补模型，实现了眼底图像视杯的自动分割。
技术介绍
由多种原因引起的眼底及视神经组织病变被称为眼底视神经疾病（如青光眼、糖 尿病视网膜病变等），这些疾病都具有致盲的风险。这类疾病在世界范围内发病率很高，且 呈现上升的趋势，而眼底图像中视杯大小的变化，对青光眼等病变的早期诊断和治疗具有 重要的指导意义，因此，眼底图像视杯的自动分割是眼部相关病变计算机辅助诊断的关键 技术。 目前，有很多眼底图像视杯自动分割方面的研宄。这些方法大体上分为三种：基 于形态学的方法，基于水平集的椭圆拟合方法，基于视杯边缘先验信息的方法。基于形态学 的视杯分割方法是利用形态学的一系列原理和方法去分割视杯，Babu等人在图像的绿色通 道利用模糊C均值聚类和小波变换的方法分割视盘；基于水平集的椭圆拟合视杯分割方法 中，视杯边缘以可变梯度的方式来表示，梯度流方程以一个特定的阈值进行初始化，根据设 定的终止条件终止后得到视杯边缘，随后对视杯边缘进行椭圆拟合以确定最终边缘；基于 视杯边缘先验信息的视杯分割以视杯边缘存在血管扭结为主要先验信息，采用一系列数学 方法去定位此类血管扭结，进而得到视杯边缘。 但是，现今的视杯自动分割方法还很有限，由于在视杯的分割过程中，目前方法容 易受血管原因导致的视杯边缘不清晰的影响，造成分割结果的欠准确性，因此，现有方法的 分割结果还停留在初步阶段。如果可以找到一种能在一定程度上消除血管影响的方法，然 后再进行后续的分割工作，就能够解决以上问题。
技术实现思路
本专利技术的目的正是针对上述现有技术中存在的问题，针对眼底图像中血管结构对 视杯分割带来的影响，对图像中的血管结构进行定位和修复，再进行后续的视盘分割，提高 了视杯分割的准确性。 为实现上述目的，本专利技术采用的技术方案为基于改进TOE图像修补的眼底图像视 杯自动分割方法，该方法的实现过程如下，读取和归一化原始图像；对原始图像进行通道 选择；利用形态学的原理对图像进行增强；基于图像减法的血管位置的定位；利用改进的 BSCB模型实现对血管区域的填充修复；对图像进行中值滤波去噪，并利用伽玛变换突出目 标区域；以图像上最亮像素点集合质心为初始种子点，利用水平集算法获取视杯轮廓。 本专利技术的特征在于采取以下步骤： 步骤1，读取和归一化原始图像； 步骤2,对原始图像进行通道选择； 步骤3,利用形态学的原理对图像进行增强； 步骤4,基于图像减法的血管位置的定位； 步骤5,利用改进的BSCB模型实现对定位到的血管区域进行填充修复； 步骤6,对图像进行中值滤波去噪，并利用伽玛变换突出目标区域； 步骤7,以图像上最亮像素点集合的质心为初始种子点，利用水平集算法获取视杯 轮廓。 与现有技术相比，本专利技术的有益效果是： 1.本专利技术的视杯自动分割方法将预处理后的图像进行基于改进的BSCB模型的血 管填充修复，填充修复血管以后的图像在一定程度上消除了血管区域对视杯分割的影响， 提尚了视盘分割的准确性； 2.取图像中最亮像素集合的质心为初始种子点，利用水平集方法进行视杯的轮廓 获取，实现了种子点的自动选取； 3.本专利技术实现了视杯的全自动分割，在保证准确性和分割速度的前提下，减少了 传统半自动方法中的人工干预。【附图说明】 图1为本专利技术所涉及方法的流程框图； 图2为原始图像； 图3为绿色通道的图像； 图4为图像增强后的图像； 图5为血管位置定位结果； 图6为血管等照线方向示意图； 图7为血管填充修复后的结果； 图8为中值滤波去噪后的结果； 图9为伽玛变换后的结果； 图10为水平集算法获取的视杯轮廓。【具体实施方式】 步骤1，读取原始图像，将图像大小归一化到1440*960像素，如图2。 步骤2,对原始图像进行通道选择，选取目标区域最为突出的绿色通道图像Ue进行 视杯的分割，如图3。 步骤3,通过形态学的原理对图像进行增强，本方法利用图像顶帽和底帽变换对图 像进行增强： That(Uc) =Ug-(UgOSE) Bhat(Uc) = (Ug-SE)-Ug Uce= (UG+That (Ug))-Bhat (Ug) 式中：符号" "表示图像进行开运算，符号" ?"表示图像进行闭运算。SE为结构 元素，取5*5的圆形结构元。That(Ue)为顶帽变换后的图像，B hat(Ue)为底帽变换后的图像， Uce为对比度增强后的图像，图像增强后的图像如图4。 步骤4,将步骤3中图像心中值滤波后图像U (i，j)与图像Ura (i，j)相减，根据 结果中灰度信息进行血管位置的粗定位：【主权项】1. 基于改进roE图像修补的眼底图像视杯自动分割方法，其特征在于： 本方法的特征在于采取以下步骤， 步骤1，读取和归一化原始图像； 步骤2,对原始图像进行通道选择； 步骤3,利用形态学的原理对图像进行增强； 步骤4,基于图像减法的血管位置的定位； 步骤5,利用改进的BSCB模型实现对定位到的血管区域进行填充修复； 步骤6,对图像进行中值滤波去噪，并利用伽玛变换突出目标区域； 步骤7,以图像上最亮像素点集合的质心为初始种子点，利用水平集算法获取视杯轮 廓。2. 根据权利要求1所述的基于改进TOE图像修补的眼底图像视杯自动分割方法，其特 征在于：步骤1，读取原始图像，将图像大小归一化到1440*960像素。3. 根据权利要求1所述的基于改进TOE图像修补的眼底图像视杯自动分割方法，其特 征在于：步骤2,对原始图像进行通道选择，选取目标区域最为突出的绿色通道图像U e进行 视杯的分割。4. 根据权利要求1所述的基于改进TOE图像修补的眼底图像视杯自动分割方法，其特 征在于：步骤3,通过形态学的原理对图像进行增强，本方法利用图像顶帽和底帽变换对图 像进行增强： That(Uc) =Ug-(UgOSE) Bhat(Uc) = (Ug-SE)-Ug Uce= (UG+That (Ug))-Bhat (Ug) 式中：符号" 〇 "表示图像进行开运算，符号" ?"表示图像进行闭运算；SE为结构元素， 取5*5的圆形结构元；That (Ue)为顶帽变换后的图像，Bh当前第1页1 2 本文档来自技高网...
【技术保护点】
基于改进PDE图像修补的眼底图像视杯自动分割方法，其特征在于：本方法的特征在于采取以下步骤，步骤1，读取和归一化原始图像；步骤2，对原始图像进行通道选择；步骤3，利用形态学的原理对图像进行增强；步骤4，基于图像减法的血管位置的定位；步骤5，利用改进的BSCB模型实现对定位到的血管区域进行填充修复；步骤6，对图像进行中值滤波去噪，并利用伽玛变换突出目标区域；步骤7，以图像上最亮像素点集合的质心为初始种子点，利用水平集算法获取视杯轮廓。
【技术特征摘要】
【专利技术属性】
技术研发人员：杨春兰，段彦华，刘冰，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。