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技术

本发明专利技术涉及一种基于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

A vascular segmentation method of fundus image based on frangi enhancement and attention mechanism Unet

The invention relates to a fundus image blood vessel segmentation method based on frangi enhancement and attention mechanism UNET. Firstly, green component is extracted from the input image, and contrast adjustment is made on the basis of green component extracted by contrast limited histogram equalization method; Hessian matrix of each pixel in the image after contrast adjustment is calculated; the characteristics of Hessian matrix are used The scale factor is

【技术实现步骤摘要】
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
本专利技术涉及图像分析和深度学习
，特别是一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法。
技术介绍
眼底血管是人体血液循环系统中唯一可以非侵入直接观察的部分。研究表明眼底血管异常与冠心病、高血压、糖尿病，动脉粥样硬化和肾病等的存在和严重程度相关，如局限性视网膜动脉缩窄好转率与高血压控制程度密切相关。眼底图像中血管的提取和测量对于与之相关疾病的辅助检测和量化分析具有重要的临床意义，而血管的精确分割是上述工作的前提。由于存在个体的差异，眼底成像之后眼底图像亮度和色彩上存在差别，血管在末端与背景难以区分，使得整个眼底血管网络难以完成分割；而且在眼底血管异常的图像上伴有视网膜病变，除了新生血管之外，还伴微动脉瘤，硬性渗出、出血等小动脉病变，这些病变有的临近血管网络，有的在颜色与形状上和血管相似，给血管网络的分割带来较大的干扰。因此眼底图像中的血管分割技术一直以来都是图像分析领域的难点和热点。近年来眼底图像中的血管分割的研究主要集中在监督学习方本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
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：
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；
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；
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；
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；
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；
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。


2.根据权利要求1所述的一种基于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：所述步骤S1提取绿色通道的计算公式如下：
I＝a*IR+b*IG+c*IB
其中I表示输入图像，IR、IG、IB分别代表I的三个通道值，a、b、c代表各个通道的权重，其值a＝0,c＝0,b＝1。


3.根据权利要求1所述的一种基于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：所述步骤S2的具体内容为：
令步骤S1调整对比度后的图像中的一点为P(x,y)，则该点的Hessian矩阵的表达式为：



其中，fxx、fxy、fyx和fyy分别表示该像素点P的四个高斯二阶偏导数；令矩阵H的两个特征值为λ1，λ2，且|λ1|＜|λ2|则特征值计算如下：



式中


4.根据权利要求1所述的一种基于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：所述步骤S3中所述Frangi血管相似性函数...

【专利技术属性】
技术研发人员：潘林，朱有煌，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35