基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置制造方法及图纸

本发明专利技术公开了一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置。首先运用MSR算法对图像亮度进行处理，改善眼底图像光照不均匀现象；其次运用多尺度高斯匹配滤波以增强目标血管与背景对比度；最后，运用粒子群优化OTSU多阈值对图像进行分割。在DRIVE数据集进行分割，其准确率、灵敏度、特异性分别为：95.72％、77.98％、97.29％。分割结果证明，该方法准确度较高，可以分割出更多细小血管。

【技术实现步骤摘要】
基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置
本专利技术涉及图像识别领域，尤其涉及一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法。
技术介绍
视网膜血管图像分割是医疗图像研究中的一个重要课题，能够有效地辅助医生进行快速的心血管疾病、糖尿病等疾病的临床诊断和治疗。近年来，许多学者都在研究视网膜血管图像分割方面的研究内容并已经取得一定的成果。但是，由于视网膜图像的复杂性和图像采集过程中噪声和光照因素的影响，进行精确的视网膜血管图像分割仍然是一项具有挑战性的任务[1]。目前，国内外提出的视网膜血管分割方法主要分为基于监督学习的分割方法与无监督的分割方法。在有监督分割方法方面，Staal等[2]提出基于KNN分类器自动视网膜血管分割方法，而后有学者陆续提出基于改进支持向量机(SVM)的分割方法[3]，基于U-net网络的视网膜血管分割方法[4]，基于KCN网络的视网膜血管分割方法[5]，基于CNN网络的分割方法[6]，基于局部回归的视网膜血管多标签分类方法[7]等。在无监督传统分割方法方面，可以分为基于滤波器、基于聚类、基于跟踪、基于形态学、基于阈值的视网膜血管分割方法。Chaudhuri等[8]提出一种二维匹配滤波方法对视网膜血管进行分割，Odstrcilik等[9]提出改进匹配滤波视网膜分割方法，Gabor[10]首次提出了Gabor滤波器理论，之后Daugman[11]以该理论为基础设计出二维Gabor滤波器，Remco[12]提出Cake滤波器，文献[13]提出基于方向分数和Frangi滤波器的视网膜血管分割算法；基于模糊C均值聚类算法(FCM)的血管分割方法[14]，基于K-means和FCM的血管分割方法[15]；Tolias等[16]最早提出视网膜血管自动分割方法，文献[17]提出基于血管跟踪的方法提取出视网膜血管部分；Fraz等[18]提出基于形态学顶帽变换的分割方法，文献[19]提出一种基于验证的多阈值探测自适应局部阈值法并将其应用在视网膜血管分割中，汪维华等[20]提出改进的形态学与Otsu相结合的视网膜血管分割方法。基于有监督的分割方法在训练时需要对应的血管图共同参与训练，通常需要从训练图像中选取较为关键的特征作为向量进行训练[1]，需要大量先验数据进行建模，但目前国内外公开视网膜图像较少，存在局限性。非监督类分割方法整体分割性能良好，但是易受噪声影响，细小血管容易丢失，分割精度不高。综上，本专利技术提出基于多尺度匹配滤波与粒子群优化的多阈值分割相结合的方法以分割出更多细小血管，提高分割准确率。
技术实现思路
1、本专利技术的目的为解决视网膜血管分割时容易出现细小血管丢失断裂，分割效果不佳，影响疾病的诊断等问题，而提出了一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法及装置。2、本专利技术所采用的技术方案本专利技术公开了一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法，具体为：图像预处理，通过对原始图像进行多尺度MSR处理，调整图像亮度不均并减少噪声，提取灰度值分布均匀的绿色通道进行后处理；图像对比度增强，通过大尺度高斯匹配滤波提取血管主要轮廓特征，小尺度提取血管细节特征，中尺度提取包括与背景对比度不强的轮廓特征与细节特征，将三个尺度下匹配滤波结果进行叠加，增强目标血管与背景对比度，获取多尺度下的血管特征；图像多阈值分割，运用粒子群优化OTSU三阈值对图像预分割，运用OTSU单阈值将图像转化为二值图像；图像后处理，最后运用图像后处理对图像操作包括断点连接、去噪、去除边缘轮廓。更进一步，图像预处理，通过多尺度MSR处理，选取绿色通道图像后续处理：多尺度MSR定义为：其中Si(x,y)表示原始图像，F表示高斯函数，w表示每个尺度进行高斯卷积的权重，N表示尺度数量，R表示图像在对数域输出。更进一步，提取血管特征：采用二维匹配滤波方法对视网膜血管进行提取，二维高斯滤波器内核表达式为：K(x,y)＝-exp(-X2/2σ2),|y|<2/L(2)其中，L为假定血管具有固定方向的段的长度，由此设定高斯核的长度；σ为血管的尺度，由此设定高斯核的尺度；由于血管的多个生长方向，旋转高斯核使其与各个方向上血管的进行卷积，高斯核由0至180度每隔15度旋转一次，θ＝0°，15°，…，180°，共12个方向，保留各个像素响应最大值，旋转矩阵为：更进一步，匹配滤波：选择多尺度的匹配滤波器对血管图像的特征进行提取，选用大尺度对图像进行滤波时，提取粗血管，即当σ1＝1.9时可以有效提取血管的主轮廓特征；增加一个介于大小尺度之间的中间尺度对图像进行滤波，当σ2＝0.5时可以得到同时包括与背景对比度不强的轮廓特征与细节特征的图像；选用小尺度σ3＝0.13对图像进行滤波时细小血管检测。更进一步，血管特征信息融合：将大中小三个尺度进行匹配滤波结果叠加能有效增强目标血管与背景对比度，数学表达式如下：I＝ω1I1+ω2I2+ω3I3(4)w1+w2+w3＝1(5)其中I为叠加后图像，I1、I2、I3分别为σ1＝1.9、σ2＝0.5、σ3＝0.13匹配滤波提取血管特征信息图。更进一步，采用Otsu算法进行图像分割：设给定图像的像素用L个灰度级表示[1,2,...,L]；第i级的像素数用ni表示，总像素数用N＝n1+n2+...+nL表示；灰度值为i的像素存在概率记为pi：用t阈值将给定图像分为c0和c1两个区域；c0表示像素级别[1,2...,K]，c1表示级别为[K+1,...,L]的像素；该区域的概率和平均灰度值分别由式(7)和(8)给出，原始图像的总均值水平uT由式(9)给出；公式(10)表示的以下两个关系进行验证：w0u0+w1u1＝uT,w0+w1＝1(10)Otsu方法的目标函数定义为式(11)：σ2B＝w0(u0-uT)2+w1(u1-uT)2(11)当满足时σ2B(t)＝Argmaxσ2B，t取得最优值；将OTSU单阈值扩展到多阈值，类间方差最大值为，满足式(12)时，取得最佳阈值组合(t1，t2，...tm)。更进一步，粒子群优化算法：每个粒子相当于解空间中的一个待定解，粒子群的规模设为M；每个粒子i都有两个基本特征:当前的位置Xi＝(xi1,xi2,...xid)和当前速度Vi＝(vi1,vi2,...vid)；实践中评价解的好坏程度由所求优化问题的适应度函数决定；粒子i每次迭代中自身所经历的最佳位置记为Pbesti＝(pi1,pi2,...pid)，粒子群中所经历的最佳位置记为gbest＝(g1,g2,...gd)，粒子通过上述两个最佳位置动态更新自己的速度和位置，迭代公式如下[22]:Vkid＝wVk-1id+c1r1(pbestid-xk-1id)+c2r2(1本文档来自技高网...

【技术保护点】
1.一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法，其特征在于：/n图像预处理，通过对原始图像进行多尺度MSR处理，调整图像亮度不均并减少噪声，提取灰度值分布均匀的绿色通道进行后处理；/n图像对比度增强，通过大尺度高斯匹配滤波提取血管主要轮廓特征，小尺度提取血管细节特征，中尺度提取包括与背景对比度不强的轮廓特征与细节特征，将三个尺度下匹配滤波结果进行叠加，增强目标血管与背景对比度，获取多尺度下的血管特征；/n图像多阈值分割，运用粒子群优化OTSU三阈值对图像预分割，运用OTSU单阈值将图像转化为二值图像；/n图像后处理，最后运用图像后处理对图像操作包括断点连接、去噪、去除边缘轮廓。/n

【技术特征摘要】
1.一种基于多尺度匹配滤波与粒子群优化视网膜血管分割方法，其特征在于：
图像预处理，通过对原始图像进行多尺度MSR处理，调整图像亮度不均并减少噪声，提取灰度值分布均匀的绿色通道进行后处理；
图像对比度增强，通过大尺度高斯匹配滤波提取血管主要轮廓特征，小尺度提取血管细节特征，中尺度提取包括与背景对比度不强的轮廓特征与细节特征，将三个尺度下匹配滤波结果进行叠加，增强目标血管与背景对比度，获取多尺度下的血管特征；
图像多阈值分割，运用粒子群优化OTSU三阈值对图像预分割，运用OTSU单阈值将图像转化为二值图像；
图像后处理，最后运用图像后处理对图像操作包括断点连接、去噪、去除边缘轮廓。


2.根据权利要求1所述的基于多尺度匹配滤波与粒子群优化视网膜血管分割方法，其特征在于，图像预处理，通过多尺度MSR处理，选取绿色通道图像后续处理：
多尺度MSR定义为：



其中Si(x,y)表示原始图像，F表示高斯函数，w表示每个尺度进行高斯卷积的权重，N表示尺度数量，R表示图像在对数域输出。


3.根据权利要求1或2所述的基于多尺度匹配滤波与粒子群优化视网膜血管分割方法，其特征在于，提取血管特征：
采用二维匹配滤波方法对视网膜血管进行提取，二维高斯滤波器内核表达式为：
K(x,y)＝-exp(-X2/2σ2),|y|<2/L(2)
其中，L为假定血管具有固定方向的段的长度，由此设定高斯核的长度；σ为血管的尺度，由此设定高斯核的尺度；由于血管的多个生长方向，旋转高斯核使其与各个方向上血管的进行卷积，高斯核由0至180度每隔15度旋转一次，θ＝0°，15°，…，180°，共12个方向，保留各个像素响应最大值，旋转矩阵为：





4.根据权利要求3所述的基于多尺度匹配滤波与粒子群优化视网膜血管分割方法，其特征在于，匹配滤波：
选择多尺度的匹配滤波器对血管图像的特征进行提取，选用大尺度对图像进行滤波时，提取粗血管，即当σ1＝1.9时可以有效提取血管的主轮廓特征；增加一个介于大小尺度之间的中间尺度对图像进行滤波，当σ2＝0.5时可以得到同时包括与背景对比度不强的轮廓特征与细节特征的图像；选用小尺度σ3＝0.13对图像进行滤波时细小血管检测。


5.根据权利要求4所述的基于多尺度匹配滤波与粒子群优化视网膜血管分割方法，其特征在于，血管特征信息融合：
将大中小三个尺度进行匹配滤波结果叠加能有效增强目标血管与背景对比度，数学表达式如下：
I＝ω1I1+ω2I2+ω3I3(4)
w1+w2+w3＝1(5)
其中I为叠加后图像，I1、I2、I3分别为σ1＝1.9、σ2＝0.5、σ3＝0.13匹配滤波提取血管特征信息图。


6.根据权利要求1所述的基于多尺度匹配滤波与粒子群优化视网膜血管分割方法，其特征在于，采用Otsu算法进行图像分割：
设给定图像的像素用L个灰度级表示[1,2,...,L]；第i级的像素数用ni表示，总像素数用N＝n1+n2+...+nL表示；灰度值为i的像素存在概率记为pi：



用t阈值将给定图像分为c0和c1两个区域；c0表示像素级别[1,2...,K]，c1表示级别为[K+1,...,L]的像素；该...

【专利技术属性】
技术研发人员：邢笑雪，闫明晗，于赫，周健，罗聪，刘城，董朔，
申请(专利权)人：长春大学，
类型：发明
国别省市：吉林;22