一种基于Hessian矩阵的视网膜图像血管提取方法技术

本发明专利技术公开了一种基于Hessian矩阵的视网膜图像血管提取方法，涉及图像处理领域，首先获取视网膜G通道图像；然后对获得的图像用滤波器进行三次Hessian矩阵处理；再对获得的图像进行二值化处理；之后对获得的图像使用闭运算对图像进行修补；最后将获得的图像使用连通域去噪消除因多次Hessian矩阵得到增强的噪声。本发明专利技术以opencv为平台进行程序编写，结合Hessian矩阵的相关知识，完成了对视网膜图像中血管的提取，并提出了“三次Hessian矩阵处理+连通域去噪”的方案极大地提高了血管检测的精度及方案的抗噪能力，获得了不错的实验结果。

A vascular extraction method of retinal image based on Hessian matrix

【技术实现步骤摘要】
一种基于Hessian矩阵的视网膜图像血管提取方法
本专利技术涉及图像处理领域，尤其涉及一种基于Hessian矩阵的视网膜图像血管提取方法。
技术介绍
糖尿病视网膜病变是一种由糖尿病导致的并发症，在发达国家的工作人群中，糖尿病视网膜病变已经成为造成失明的最主要因素。虽然在当下的医疗条件下，糖尿病视网膜病变仍不能被完全治愈，但是及早的发现及就医仍能尽可能的减少视力损失。目前糖尿病视网膜病变主要通过视网膜图像的血管直径、颜色、曲率等特征来进行疾病诊断以及临床研究，这些血管具有如下四个特征：(1)血管横截面的灰度值分布近似于高斯曲线；(2)血管可看成是连续的一些线段；(3)血管的方向以及灰度值是连续变化的而非突变；(4)血管相互连通成树状结构，并起始于视盘。基于以上特征目前的血管检测可大致分为四类：匹配滤波器方法；数学形态学方法；血管跟踪方法；分类器方法。但这些方法几乎不能在良好降噪的同时较多的保持图像的细节部分，而这些细节部分——图像中很多细小的血管，这些病变的发现对早期疾病诊断具有重大的意义。因此，本领域的技术人员致力于开发一种在血管图像的降噪提取的过程中，在去噪和提取细节两个方面均能达到较好效果的基于Hessian矩阵的视网膜图像血管提取方法。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是如何在降噪处理的同时保留更多的细节，即如何提高血管检测的精度及方案的抗噪能力。为实现上述目的，本专利技术提供了一种基于Hessian矩阵的视网膜图像血管提取方法，其特征在于，所述方法包括以下步骤：步骤1、获取视网膜G通道图像；步骤2、对步骤1获得的图像用滤波器进行三次Hessian矩阵处理；步骤3、对步骤2获得的图像进行二值化处理；步骤4、对步骤3获得的图像使用闭运算对图像进行修补；步骤5、对步骤4获得的图像使用连通域去噪。进一步地，所述步骤2还包括：步骤2.1、设置相应参数，使用Hessian矩阵法对步骤1获得的图像进行第一次处理；步骤2.2、对步骤2.1获得的图像进行灰度值取反；步骤2.3、设置相应参数，使用Hessian矩阵法对步骤2.2获得的图像进行第二次处理；步骤2.4、对步骤2.3获得的图像进行灰度值取反；步骤2.5、设置相应参数，使用Hessian矩阵法对步骤2.4获得的图像进行第三次处理。进一步地，步骤1中所述滤波器为多尺度线性滤波器。进一步地，步骤3中是通过OTSU算法进行二值化。进一步地，步骤2.2和步骤2.4中所述灰度值取反的公式均为：I(x,y)＝255-I′(x,y)其中：I(x,y)为取反后某点灰度值，I′(x,y)为原图像中某点灰度值。优选地，步骤2.1中设置的所述相应参数中尺度因子为[1.2，3.2]，步长为0.5。优选地，步骤2.1中设置的所述相应参数中最强滤波输出系数为3.5。优选地，步骤2.3中设置的所述相应参数中尺度因子为[1.2，3.2]，步长为0.5。优选地，步骤2.5中设置的所述相应参数中尺度因子为[1.2，3.2]，步长为0.5。优选地，步骤2.3和步骤2.5中设置的所述相应参数中最强滤波输出系数均为0.3。本专利技术具有以下有益的技术效果：1、使用三次Hessian矩阵做血管增强和使用一次Hessian矩阵相比提高了细血管处的血管与背景的对比度，使得二值化后能够得到更多的血管细节，提高了血管检测的精度。2、经过连通域去噪后的图像既去除了因为Hessian矩阵增强而产生的噪声，同时良好的保留了图像的细节，特别是很多细小的血管，提高了血管检测的抗噪能力。以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。附图说明图1是本专利技术的一个较佳实施例的方法流程图；图2是本专利技术的一个较佳实施例的视网膜眼底图像G通道图像；图3是本专利技术的一个较佳实施例的一次Hessian矩阵增强图像；图4是本专利技术的一个较佳实施例的三次Hessian矩阵增强图像；图5是本专利技术的一个较佳实施例的含噪图像；图6是本专利技术的一个较佳实施例的连通域去噪后图像。具体实施方式以下参考说明书附图介绍本专利技术的优选实施例，使其
技术实现思路
更加清楚和便于理解。本专利技术可以通过许多不同形式的实施例来得以体现，本专利技术的保护范围并非仅限于文中提到的实施例。Hessian方法是一种高阶微分提取图像特征方向的方法。Hessian方法认为，具有最大模的特征向量的方向是垂直于图像特征方向的，与它垂直的方向被认为是平行于图像特征方向的。对于由高斯函数构造的线性模型，可以用与直线正交的绝对值最大的二阶导数、沿线方向的绝对值很小的二阶导数来表示，这恰好是二位Hessian矩阵的两个特征值所代表的集合含义。将Hessian矩阵的该性质应用到血管检测，通过设计线状增强滤波函数，将视网膜图像中的噪声去除，从而检测和增强视网膜血管。如图1所示，是本专利技术的一个较佳实施例的方法流程图，包括开始-；步骤1、获取视网膜G通道图像，获取的图像如图2所示；步骤2、对步骤1获得的图像使用多尺度线性滤波器进行三次Hessian矩阵处理：(1)、使用Hessian矩阵法对步骤1获得的图像进行第一次处理，设置相应参数尺度因子为[1.2,3.2]、步长为0.5、最强滤波输出系数为3.5，处理后的图像如图3所示；(2)、对步骤2.1获得的图像进行灰度值取反，公式为I(x,y)＝255-I′(x,y)，其中I(x,y)为取反后某点灰度值，I′(x,y)为原图像中某点灰度值；(3)、使用Hessian矩阵法对步骤2.2获得的图像进行第二次处理，设置相应参数尺度因子为[1.2,3.2]、步长为0.5、最强滤波输出系数为0.3；(4)、对步骤2.3获得的图像进行灰度值取反；(5)、使用Hessian矩阵法对步骤2.4获得的图像进行第三次处理，设置相应参数尺度因子为[1.2,3.2]、步长为0.5、最强滤波输出系数为0.3，处理后的图像如图4所示。步骤3、对步骤2获得的图像使用OTSU算法进行二值化处理；步骤4、由于在步骤3进行二值化处理之后，图像上的细血管处会出现血管断裂，所以对步骤3获得的图像使用闭运算，以对断裂的血管图像进行修补，本步骤处理后的图像如图5所示；步骤5、对步骤4获得的图像使用连通域去噪，可以消除因多次Hessian矩阵得到增强的噪声，处理后的图像如图6所示。以上详细描述了本专利技术的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本专利技术的构思作出诸多修改和变化。因此，凡本
中技术人员依本专利技术的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。本文档来自技高网...

【技术保护点】
1.一种基于Hessian矩阵的视网膜图像血管提取方法，其特征在于，所述方法包括以下步骤：/n步骤1、获取视网膜G通道图像；/n步骤2、对步骤1获得的图像用滤波器进行三次Hessian矩阵处理；/n步骤3、对步骤2获得的图像进行二值化处理；/n步骤4、对步骤3获得的图像使用闭运算对图像进行修补；/n步骤5、对步骤4获得的图像使用连通域去噪。/n

【技术特征摘要】
1.一种基于Hessian矩阵的视网膜图像血管提取方法，其特征在于，所述方法包括以下步骤：
步骤1、获取视网膜G通道图像；
步骤2、对步骤1获得的图像用滤波器进行三次Hessian矩阵处理；
步骤3、对步骤2获得的图像进行二值化处理；
步骤4、对步骤3获得的图像使用闭运算对图像进行修补；
步骤5、对步骤4获得的图像使用连通域去噪。


2.如权利要求1所述的视网膜图像血管提取方法，其特征在于，所述步骤2还包括：
步骤2.1、设置相应参数，使用Hessian矩阵法对步骤1获得的图像进行第一次处理；
步骤2.2、对步骤2.1获得的图像进行灰度值取反；
步骤2.3、设置相应参数，使用Hessian矩阵法对步骤2.2获得的图像进行第二次处理；
步骤2.4、对步骤2.3获得的图像进行灰度值取反；
步骤2.5、设置相应参数，使用Hessian矩阵法对步骤2.4获得的图像进行第三次处理。


3.如权利要求1所述的视网膜图像血管提取方法，其特征在于，步骤1中所述滤波器为多尺度线性滤波器。


4.如权利要求1所述的视网膜图像血管提取方法，其特征在于，步...

【专利技术属性】
技术研发人员：任清宇，曹一文，高玥，廖道毅，宋伟，
申请(专利权)人：中国人民解放军六三六七七部队，
类型：发明
国别省市：新疆;65