一种基于PCNN的视网膜血管图像分割方法和系统技术方案

本发明专利技术公开了一种基于PCNN的视网膜血管图像分割方法及系统，方法包括：S1、提取原始彩色图像的绿色通道图像；S2、对绿色通道图像中的视网膜血管进行预处理，得到预处理后的图像；S3、通过阈值操作在预处理后的图像中选出初始种子区域，利用带有快速连接机制以及动态变化的连接强度的脉冲耦合神经网络模型对初始种子区域进行迭代生长，直到满足预定的停止条件，完成预处理后的图像中的视网膜血管的自动分割，得到视网膜血管的分割图像。本发明专利技术的有益效果是：通过将带有快速连接机制的PCNN与种子区域增长思想相结合，实现眼底图像中血管区域的自动生长，从而有效地提取出视网膜图像中的血管。

A retinal vascular image segmentation method and system based on PCNN

The invention discloses a method including segmentation method and system, retinal vascular images based on PCNN Easy Access image S1, extract the original color image; S2, pretreatment of retinal vessels Easy Access images, obtained after image preprocessing; S3, pass the threshold operation to select initial seed regions in the image after pretreatment, using a coupled neural network model fast mechanism and dynamic change of connection strength of the initial iteration pulse seed region growth, until the stopping condition is met predetermined, complete the automatic segmentation of retinal vascular images after pretreatment of the image segmentation by retinal vessels. The beneficial effect of the invention are: with quick connection mechanism thought PCNN and seed region growing combined, realize the automatic growth of vascular areas in the fundus images, so as to effectively extract the image of the blood vessels in the retina.

【技术实现步骤摘要】
一种基于PCNN的视网膜血管图像分割方法和系统
本专利技术涉及图像处理领域，特别涉及一种基于PCNN的视网膜血管图像分割方法和系统。
技术介绍
随着计算机技术的发展，图像处理技术已经应用到医学的各领域中。其中，眼底检查是否正常与人们的健康状况密切相关，视网膜中的血管分割与检测已成为医学研究者研究和关注的重点。随着现代生活水平的提高，患糖尿病、高血压等心血管疾病的人日益增多，医生通过观察眼底图像中视网膜血管的结构特征如颜色、亮度、形状等变化来进一步确定疾病的类型及严重程度，从而可以对症下药，以减少诊断失误所带来的严重后果。因此，视网膜图像中血管网络的检测与分割对心脑血管疾病的检测、诊断以及治疗在临床上具有非常重要的意义。视网膜图像中的血管分割存在以下难点：其一，眼底图像中血管与背景之间的对比度低。由于眼底照相机采集设备和采集环境的影响如光照不均等因素，造成对比度低的情况。其二，血管自身结构特征复杂。视网膜血管的弯曲程度、形状不一，呈树状分布，使得分割起来有一定的困难。其三，目前大多数分割方法所得到的血管存在断点，导致分割精度不高。
技术实现思路
本专利技术提供了一种基于PCNN的视网膜血管图像分割方法和系统，解决了现有技术中视网膜血管的分割困难且分割精度不高的技术问题。本专利技术解决上述技术问题的技术方案如下：一种基于PCNN的视网膜血管图像分割方法，包括：S1、提取原始彩色图像的绿色通道图像；S2、对所述绿色通道图像进行预处理，所述预处理包括图像对比度增强处理、图像相减处理、图像取反处理和图像掩膜处理，得到预处理后的图像；S3、通过阈值操作在所述预处理后的图像中选出初始种子区域，利用带有快速连接机制以及动态变化的连接强度的脉冲耦合神经网络模型对所述初始种子区域进行迭代生长，直到满足预定的停止条件，完成所述预处理后的图像中的视网膜血管的自动分割，得到所述视网膜血管的分割图像。本专利技术的有益效果是：通过将带有快速连接机制的PCNN与种子区域增长思想相结合，实现眼底图像中血管区域的自动生长，从而有效地提取出视网膜图像中的血管，改善了血管区域不连续的问题，提高了分割精确度。在上述技术方案的基础上，本专利技术还可以做如下改进。优选地，步骤S3具体包括：S301、设置所述脉冲耦合神经网络模型的连接强度系数初始值β、连接系数的增加项Δδ、连接强度系数最大值的初始值βmax、选择种子点的初始阈值u0、血管图像阈值w、βmax的增加项Δβ、用于控制βmax过度增长的阈值T以及所述脉冲耦合神经网络模型的输出矩阵Y，Y初始值设为0；S302、将所述预处理后的图像Sy中大于初始阈值u0的所有像素的值赋为1，作为初始种子区域，即Y(Sy>u0)＝1，其中，像素值为0则显示黑色，像素值为1则显示白色；S303、定义一个与输出矩阵Y同阶的矩阵Y0并赋值为1；S304、当β≤βmax时，如果Y0与Y中存在不相等的元素，则执行Y0＝Y，并通过快速连接机制进行迭代，给Y中的各个元素重新赋值0或1；S305、反复执行步骤S304，直至Y0＝Y；S306、将β重新赋值为β与增加项Δδ的和，将Y0再次赋值为1；S307、反复执行步骤S304至S306，直至β>βmax，完成视网膜血管像素的第一轮赋值；S308、计算所述预处理后的图像Sy中对应视网膜血管的像素值为1的区域的总像素值sum(Y)；S309、当sum(Y)<w时，将βmax重新赋值为βmax与增加项Δβ的和，执行步骤S304至S307，开始视网膜血管像素的新一轮赋值，如果βmax>T，则结束；S310、反复执行步骤S309，直至sum(Y)≥w，结束。优选地，所述步骤S2包括：S21、通过直方图均衡化方法对所述绿色通道图像进行对比度增强，得到第一图像；S22、通过二维高斯匹配滤波方法对所述第一图像进行对比度增强，得到第二图像；S23、对所述第一图像中的每个像素点与所述第二图像中的对应像素点进行相减，对相减后的图像进行取反，得到第三图像；S24、通过预设的掩膜图像对所述第三图像进行处理，得到预处理后的图像。优选地，所述步骤S21包括：S211、将所述绿色通道图像分为多个大小相等的连续但不重叠的块，并计算每个块的直方图；S212、对每个块进行灰度直方图剪切和直方图均衡化；S213、通过线性插值法对每个块进行连接，得到第一图像。优选地，所述步骤S22包括：S221、对所述第一图像中的视网膜血管进行多次旋转，得到多个匹配滤波器；S222、通过所有所述匹配滤波器对所述第一图像中的视网膜血管进行对比度增强，得到第二图像。优选地，所述步骤S24包括：S241、提取所述第三图像的红色通道图像，并对提取到的所述红色通道图像进行二值化；S242、通过预设的掩膜图像对二值化后的图像依次进行开运算、闭运算和腐蚀操作；S243、将所述掩膜图像与腐蚀操作后的图像进行相乘，得到预处理后的图像。一种基于PCNN的视网膜血管图像分割系统，包括：提取模块，用于提取原始彩色图像的绿色通道图像；预处理模块，用于对所述绿色通道图像进行预处理，所述预处理包括图像对比度增强处理、图像相减处理、图像取反处理和图像掩膜处理，得到预处理后的图像；分割模块，用于通过阈值操作在所述预处理后的图像中选出初始种子区域，利用带有快速连接机制以及动态变化的连接强度的脉冲耦合神经网络模型对所述初始种子区域进行迭代生长，直到满足预定的停止条件，完成所述预处理后的图像中的视网膜血管的自动分割，得到所述视网膜血管的分割图像。优选地，所述分割模块包括：设置子模块，用于设置所述脉冲耦合神经网络模型的连接强度系数初始值β、连接系数的增加项Δδ、连接强度系数最大值的初始值βmax、选择种子点的初始阈值u0、血管图像阈值w、βmax的增加项Δβ、用于控制βmax过度增长的阈值T以及所述脉冲耦合神经网络模型的输出矩阵Y，Y初始值设为0；赋值子模块，用于将所述预处理后的图像Sy中大于初始阈值u0的所有像素的值赋为1，作为初始种子区域，即Y(Sy>u0)＝1，其中，像素值为0则显示黑色，像素值为1则显示白色；定义子模块，用于定义一个与输出矩阵Y同阶的矩阵Y0并赋值为1；第一循环子模块，用于执行Y0＝Y，并通过快速连接机制进行迭代，给Y中的各个元素重新赋值0或1；第二循环子模块，用于当β≤βmax时，如果Y0与Y中存在不相等的元素，则反复执行所述第二循环子模块，直至Y0＝Y，将β重新赋值为β与增加项Δδ的和，将Y0再次赋值为1；第一执行子模块，用于反复执行所述第二循环子模块，直至β>βmax，完成视网膜血管像素的第一轮赋值；计算子模块，用于计算所述预处理后的图像Sy中对应视网膜血管的像素值为1的区域的总像素值sum(Y)；第三循环子模块，用于当sum(Y)<w时，将βmax重新赋值为βmax与增加项Δβ的和，执行所述第二循环子模块，开始视网膜血管像素的新一轮赋值，如果βmax>T，则结束；第二执行子模块，用于反复执行所述第三循环子模块，直至sum(Y)≥w，结束。优选地，所述预处理模块包括：第一处理子模块，用于通过直方图均衡化方法对所述绿色通道图像进行对比度增强，得到第一图像；第二处理子模块，用于通过二维高斯匹配滤波方法对所述第一本文档来自技高网...

【技术保护点】
一种基于PCNN的视网膜血管图像分割方法，其特征在于，该方法包括如下的步骤，S1、提取原始彩色图像中的绿色通道图像；S2、对所述绿色通道图像进行预处理，所述预处理包括图像对比度增强处理、图像相减处理、图像取反处理和图像掩膜处理，得到预处理后的图像；S3、通过阈值操作在所述预处理后的图像中选出初始种子区域，利用带有快速连接机制以及动态变化的连接强度的脉冲耦合神经网络模型对所述初始种子区域进行迭代生长，直到满足预定的停止条件，完成所述预处理后的图像中的视网膜血管的自动分割，得到所述视网膜血管的分割图像。

【技术特征摘要】
1.一种基于PCNN的视网膜血管图像分割方法，其特征在于，该方法包括如下的步骤，S1、提取原始彩色图像中的绿色通道图像；S2、对所述绿色通道图像进行预处理，所述预处理包括图像对比度增强处理、图像相减处理、图像取反处理和图像掩膜处理，得到预处理后的图像；S3、通过阈值操作在所述预处理后的图像中选出初始种子区域，利用带有快速连接机制以及动态变化的连接强度的脉冲耦合神经网络模型对所述初始种子区域进行迭代生长，直到满足预定的停止条件，完成所述预处理后的图像中的视网膜血管的自动分割，得到所述视网膜血管的分割图像。2.根据权利要求1所述的一种基于PCNN的视网膜血管图像分割方法，其特征在于，步骤S3具体包括：S301、设置所述脉冲耦合神经网络模型的连接强度系数初始值β、连接系数的增加项Δδ、连接强度系数最大值的初始值βmax、选择种子点的初始阈值u0、血管图像阈值w、βmax的增加项Δβ、用于控制βmax过度增长的阈值T以及所述脉冲耦合神经网络模型的输出矩阵Y，Y初始值设为0；S302、将所述预处理后的图像Sy中大于初始阈值u0的所有像素的值赋为1，作为初始种子区域，即Y(Sy>u0)＝1，其中，像素值为0则显示黑色，像素值为1则显示白色；S303、定义一个与输出矩阵Y同阶的矩阵Y0并赋值为1；S304、当β≤βmax时，如果Y0与Y中存在不相等的元素，则执行Y0＝Y，并通过快速连接机制进行迭代，给Y中的各个元素重新赋值0或1；S305、反复执行步骤S304，直至Y0＝Y；S306、将β重新赋值为β与增加项Δδ的和，将Y0再次赋值为1，执行步骤S304；S307、反复执行步骤S304至S306，直至β>βmax，完成视网膜血管像素的第一轮赋值；S308、计算所述预处理后的图像Sy中对应视网膜血管的像素值为1的区域的总像素值sum(Y)；S309、当sum(Y)<w时，将βmax重新赋值为βmax与增加项Δβ的和，执行步骤S304至S307，开始视网膜血管像素的新一轮赋值，如果βmax>T，则结束；S310、反复执行步骤S309，直至sum(Y)≥w，结束。3.根据权利要求1或2所述的一种基于PCNN的视网膜血管图像分割方法，其特征在于，所述步骤S2包括：S21、通过直方图均衡化方法对所述绿色通道图像进行对比度增强，得到第一图像；S22、通过二维高斯匹配滤波方法对所述第一图像进行对比度增强，得到第二图像；S23、对所述第一图像中的每个像素点与所述第二图像中的对应像素点进行相减，对相减后的图像进行取反，得到第三图像；S24、通过预设的掩膜图像对所述第三图像进行处理，得到预处理后的图像。4.根据权利要求3所述的一种基于PCNN的视网膜血管图像分割方法，其特征在于，所述步骤S21包括：S211、将所述绿色通道图像分为多个大小相等的连续但不重叠的块，并计算每个块的直方图；S212、对每个块进行灰度直方图剪切和直方图均衡化；S213、通过线性插值法对每个块进行连接，得到第一图像。5.根据权利要求3所述的一种基于PCNN的视网膜血管的图像分割方法，其特征在于，所述步骤S22包括：S221、对所述第一图像中的视网膜血管进行多次旋转，得到多个匹配滤波器；S222、通过所有所述匹配滤波器对所述第一图像中的视网膜血管进行对比度增强，得到第二图像。6.根据权利要求3所述的一种基于PCNN的视网膜血管图像分割方法，其特征在于，所述步骤S24包括：S241、提取所述第三图像的红色通道图像，并对提取到的所述红色通道图像进行二值化；S242、通过预设的掩膜图像对二值化后的图像依次进行开运算、闭运算和腐蚀操作；S243、将所述掩膜...

【专利技术属性】
技术研发人员：徐光柱，张柳，雷帮军，刘鸣，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北,42