用于视杯图像分割的改进区域生长方法技术

用于视杯图像分割的改进区域生长方法，其特征在于：该方法中，首先，对眼底主要生理结构进行特征分析，为分割目标选取了绿色通道并根据阈值法粗略提取出感兴趣区域（ROI）；其次，考虑到传统的区域生长算法在选取种子点时不精确、自适应性差等缺点，本方法通过计算ROI的几何中心并结合中心亮度作为选取种子点的标准进行改进；最后，用5*5模板对眼底图像进行均值滤波，应用山谷差值准则和8邻域连通准则对眼底图像进行种子合并,最终准确分割出视杯。本申请与传统算法相比较该算法稳定可靠，有较高的分割灵敏度、特异度以及准确性。

Improved region growing method for segmentation of optic cup images

For the growth of the improved method of regional image segmentation of optic cup, which is characterized in that the method, firstly, analyze the characteristics of the main physiological structure of fundus, as target segmentation were selected according to the Easy Access threshold method to extract the rough region of interest (ROI); secondly, considering the shortcomings of the traditional region growing algorithm is not accurate, in the selection of seed points of self adaptability, the method by calculating ROI and combined with the geometric center of the brightness of the center as the standard to select seed points are improved; finally, filtering of fundus images using the 5*5 template, should be combined with fundus images of seed valley difference criterion and 8 neighbor connectivity criteria, the final segmentation cup. Compared with the traditional algorithm, this algorithm is stable and reliable, and has higher segmentation sensitivity, specificity and accuracy.

【技术实现步骤摘要】
用于视杯图像分割的改进区域生长方法
：本专利技术涉及一种用于视杯图像分割的改进区域生长方法。
技术介绍
：眼底图像中的视杯面积、杯盘面积比等参数成为很多人研究的方向，图1是一幅眼底图像，从中可以看出，视盘近似圆形，它的中央存在一处生理凹陷，称为视杯，视杯是位于视盘中心最亮的单连通区域，它与视盘之间的区域称为盘沿。近年来针对眼底图像人们提出了多种视杯的分割方法。国内学者郑姗等人利用眼底图像中视盘和视杯呈现椭圆形状这一特征提出了椭圆约束下的多相主动轮廓模型，实现视杯的精确分割。赵秋红利用数学形态学和大津阈值法确定初始轮廓线，提高分割的正确率。国外学者IreneFondón等人利用随机森林分类算法获得视杯边缘像素。AshishIssac等人根据图像的特性分割视杯，计算图像的平均值和标准偏差。DwarikanathMahapatra等人[5]提出专家领域模型(FOE)分割视杯，不依赖于手工绘制。HananAlghmdi等人使用超像素聚类算法,提取超像素特征,用于训练分类器。NatarajA.Vijapur等人的研究重点是基于皮尔逊(Pearson-R)系数对应于眼底图像，计算视杯和视盘分割后本文档来自技高网...

【技术保护点】
用于视杯图像分割的改进区域生长方法，其特征在于：该方法中，首先，对眼底主要生理结构进行特征分析，为分割目标选取了绿色通道并根据阈值法粗略提取出感兴趣区域(ROI)；其次，考虑到传统的区域生长算法在选取种子点时不精确、自适应性差等缺点，本方法通过计算ROI的几何中心并结合中心亮度作为选取种子点的标准进行改进；最后，用5*5模板对眼底图像进行均值滤波，应用山谷差值准则和8邻域连通准则对眼底图像进行种子合并,最终准确分割出视杯。

【技术特征摘要】
1.用于视杯图像分割的改进区域生长方法，其特征在于：该方法中，首先，对眼底主要生理结构进行特征分析，为分割目标选取了绿色通道并根据阈值法粗略提取出感兴趣区域(ROI)；其次，考虑到传统的区域生长算法在选取种子点时不精确、自适应性差等缺点，本方法通过计算ROI的几何中心并结合中心亮度作为选取种子点的标准进行改进；最后，用5*5模板对眼底图像进行均值滤波，应用山谷差值准则和8邻域连通准则对眼底图像进行种子合并,最终准确分割出视杯。2.根据权利要求1所述的用于视杯图像分割的改进区域生长方法，其特征在于：首先，提取G通道并灰度化，并根据其灰度直方图应用阈值法粗略提取出ROI区域；然后计算ROI区域内的几何中心并根据灰度图的像素值选取中心；依次比较中心周围的像素，若中心像素值小于周围某点的像素，则种子点被像素值大的值取代，取得像素值最大的点即最亮点作为种子点，种子点搜索区域定义为以视盘中心点为圆，以0.5倍视盘直径为直径的圆；在分割视杯前先用5*5模板对眼底图像均值滤波，使种子点定位性能提高；最后，根据灰度图山谷间差值作为阈值并在8连通区域内寻找像素汇集数目最多的像素点作为视杯分割备选区域，实现局部自适应区域生长，从而获取视杯区域，实现视杯的自动检测及自动提取。3.根据权利要求1所述的用于视杯图像分割的改进区域生长方法，其特征在于：该方法的步骤如下：(一)、预处理：(1)、提取G通道并灰度化：眼底图像是RGB模式的彩色图像，我们提取RGB模型三个通道中的绿色G通道作为处理对象，公式(1)为提取G通道的方法：g为提取后的绿色分量，R为提取前图像的红色分量，G为提取前图像的绿色分量，B为提取前图像的蓝色分量；(2)、提取ROI：ROI即感兴趣区域，在本方法中即为视盘区域，它近似为圆形，本方法首先应用阈值法粗略提取视盘区域；(3)、计算ROI几何中心：得到二值图像(Ib)后，经过两个连续的形态学开操作和闭操作，得到一个连续的区域；不论是在正常的眼底图像中还是异常的眼底图像中都能得到一个闭合的区域；(二)、选取种子点：得到ROI后，根据种子点区域生长算法分割公式计算出种子点的位置，并标记出种子点；图心选取公式如公式(5)所示：其中，是ROI区域的面积，X是被积函数，μ是经计算后选取的种子点坐标；(三)区域生长：(1)5*5模板均值滤波：这部分的主要工作是平滑眼底灰度图像，增强种子点的定位性能；我们采用5*5的均值滤波器去平滑眼底图像以消除斑点和噪音；具体操作如公式(6)所示：其中，m为该模板中包含当前像素在内的像素总个数，点(x,y)为此像素所在的坐标位置；g(x,y)为平滑以后的区域灰度值，f(x,y)为模板中任意一点的灰度值；(2)分割视杯：我们采用三个标准使同一类像素合并到包含一个种子点的区域中；第一个标准：任何像素和种子点之间的绝对灰度差异必须小于T，T值由视网膜眼底图像灰度直方图得到，T值代表的是眼底灰度直方图在255和从右边数的第一个山谷之间的差值；第二个标准：包含视杯区域，在视杯区域或者ROI区域中像素一定至少是8邻域连通的；第三个标准：以种子点p为圆心，0.5倍的视盘半径为半径作为种子生长区域，而超出此范围的不作为种子生长区域的考虑范围；通过使用以上的三个种子点生长准则,在初始种子点确定之后，根据准则判断种子点周围区域的像素是否满足生长准则，如果满足预先设定的准则，则将性质相同并且在阈值范围内的像素点归为同一区域，即种子点所在区域的像素个数增加，...

【专利技术属性】
技术研发人员：刘振宇，汪淼，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：辽宁,21