膜血管的走向不固定， 所以核函數(shù)需要不斷地旋轉(zhuǎn)，只有當濾波器方向與血管走向相同才會產(chǎn)生峰值響應(yīng)，然后 利用一組12個16X15像素的內(nèi)核對眼底圖像進行卷積，在每個像素點上只保留最大的響 應(yīng)，得到響應(yīng)圖像，σ 2是高斯函數(shù)擬合二項式系數(shù)的最小方差。
[0036] 其次，利用局部熵確定閾值。
[0037] 對圖像進行濾波處理后，利用灰度共生矩陣可以反映整個眼底圖像的灰度空間分 布。設(shè)閾值為Τ，0彡T彡L-1，將濾波處理后的圖像LXL灰度共生矩陣分為A、B、C、D四個 部分，如圖1所不。
[0038] A部分即灰度值較低的取值，為圖像血管和微動脈瘤等目標元素的灰度分布；而C 部分即灰度值較高的取值，為圖像中背景的灰度分布。B、D兩部分則是目標元素與背景之間 的像素點或元素邊界點的灰度分布。由局部熵確定閾值時只需要考慮這四個部分中的A、C 兩個部分。
[0039] A部分目標元素的整體灰度分布概率可定義為：
[0041] 而C部分背景元素的概率則定義為：
[0043] 對這兩個概率進行歸一化，得到以下兩個關(guān)于向量（T，T)的函數(shù)：
[0046] 則A部分目標元素的局部熵是一個關(guān)于T的函數(shù)，可由下式得出：
[0050] 則目標元素和背景元素兩部分的總局部熵為：
[0051] Ht(T) =Ha (T)+Hc (T)
[0052] 則由此得出閾值T的取值應(yīng)使Ht取到最大值，此時有：
[0054] 此時得到理想的閾值T，以進行目標區(qū)域和背景區(qū)域的分類。
[0055] 其中L是整個圖像的灰度級數(shù)，Plj是i和j兩個灰度值共生的概率，即LXL灰度 共生矩陣中的（i，j)元素。
[0056] LXL灰度共生矩陣中的（i，j)元素定義如下：整個圖像的灰度級數(shù)為L，則共有 LXL種數(shù)對組合。相鄰兩個像素的灰度值數(shù)對（i，j)在整個圖像的所有相鄰像素對的灰 度數(shù)對中的出現(xiàn)概率記為Plj，即是矩陣的（i，j)元素。
[0057] 血管和微動脈瘤對象從眼底圖像中分割出來后如圖2所示。
[0058] 最后，進行長度篩選。
[0059] 根據(jù)局部熵確定的閾值可以將血管以及微動脈瘤從背景中分割出來，得到一個眼 底血管分布的二值圖像。圖像中包含了血管和微動脈瘤的全部像素，由此可以通過長度篩 選確定微動脈瘤的位置。
[0060] 由于得到的二值圖像中包括了血管、微動脈瘤兩種元素。根據(jù)這兩種元素之間的 特征差異可以將其區(qū)分開，從而排除血管，保留需要的真實微動脈瘤。從形狀和連通性上 看，血管是狹長狀相互連通的線性元素，而微動脈瘤則是離散的小圓點，直徑極小，大約在 一個像素左右。因此只需要對二值圖像進行篩選，分析其像素之間的連通性，選出所有直徑 為一個像素左右且相互不連通的元素，即可排除血管，得到所需的微動脈瘤區(qū)域。
[0061] 長度篩選可以以如下方式操作：對于每個目標區(qū)域像素點，比較其周圍相鄰的八 個像素點。相鄰的八個像素中，同樣處在目標區(qū)域之內(nèi)的像素少于兩個，便可視為不連通的 單像素小點，即為所需的真實微動脈瘤點（如圖3所示）。
【主權(quán)項】
1. 一種眼底圖像微動脈瘤自動檢測方法，其特征在于：首先，使用高斯匹配濾波技術(shù) 增強眼底圖像中的血管和微動脈瘤像素；然后，利用局部熵確定閾值，從而將血管和微動脈 瘤對象從眼底圖像中分割出來；最后，利用長度篩選的方法，將血管排除在疑似區(qū)域之外， 保留微動脈瘤像素，從而實現(xiàn)了對眼底圖像中微動脈瘤的分割和檢測。2. 根據(jù)權(quán)利要求1所述的一種眼底圖像微動脈瘤自動檢測方法，其特征在于：在檢測 前對眼底圖像進行預(yù)處理，通過圖像平滑處理減少圖像的噪聲。3. 根據(jù)權(quán)利要求1所述的一種眼底圖像微動脈瘤自動檢測方法，其特征在于：使用二 維高斯匹配濾波增強血管和微動脈瘤像素，其采用的函數(shù)定義如下：其中L為片段長度，在這個片段內(nèi)血管方向固定不變，視網(wǎng)膜血管的走向不固定，所以 核函數(shù)需要不斷地旋轉(zhuǎn)，只有當濾波器方向與血管走向相同才會產(chǎn)生峰值響應(yīng)，然后利用 一組12個16X15像素的內(nèi)核對眼底圖像進行卷積，在每個像素點上只保留最大的響應(yīng)，得 到響應(yīng)圖像，〇2是高斯函數(shù)擬合二項式系數(shù)的最小方差。4. 根據(jù)權(quán)利要求1所述的一種眼底圖像微動脈瘤自動檢測方法，其特征在于：設(shè)閾值 為T，0 <T<L-I將濾波處理后的圖像LXL灰度共生矩陣分為A、B、C、D四個部分，A部分 即灰度值較低的取值，為圖像血管和微動脈瘤的目標元素的灰度分布；而C部分即灰度值 較高的取值，為圖像中背景的灰度分布；B、D兩部分則是目標元素與背景之間的像素點或 元素邊界點的灰度分布；由局部熵確定閾值時只需要考慮這四個部分中的A、C兩個部分； A部分目標元素的整體灰度分布概率可定義為：則A部分目標元素的局部熵是一個關(guān)于T的函數(shù)，可由下式得出：此時得到理想的閾值T，以進行目標區(qū)域和背景區(qū)域的分類；其中L是整個圖像的灰度 級數(shù)，Plj是i和j兩個灰度值共生的概率，即LXL灰度共生矩陣中的（i，j)元素。5.根據(jù)權(quán)利要求1所述的一種眼底圖像微動脈瘤自動檢測方法，其特征在于：長度篩 選方法以如下方式操作：對于每個目標區(qū)域像素點，比較其周圍相鄰的八個像素點，相鄰的 八個像素中，同樣處在目標區(qū)域之內(nèi)的像素少于兩個，便可視為不連通的單像素小點，即為 所需的真實微動脈瘤點。
【專利摘要】本發(fā)明公開了一種眼底圖像微動脈瘤自動檢測方法，首先，使用高斯匹配濾波技術(shù)增強眼底圖像中的血管和微動脈瘤像素；然后，利用局部熵確定閾值，從而將血管和微動脈瘤對象從眼底圖像中分割出來；最后，利用長度篩選的方法，將血管排除在疑似區(qū)域之外，保留微動脈瘤像素，從而實現(xiàn)了對眼底圖像中微動脈瘤的分割和檢測。本發(fā)明采用了基于高斯匹配濾波和局部熵確定閾值實現(xiàn)圖像分割的方法，能夠最大限度地獲得完整的血管和微動脈瘤結(jié)構(gòu)，避免漏判和誤判。
【IPC分類】G06T7/00
【公開號】CN105046693
【申請?zhí)枴緾N201510377296
【發(fā)明人】盛斌, 吳丹, 裴淑煒, 高吟, 周旭楚, 張越青
【申請人】嘉興慧康智能科技有限公司
【公開日】2015年11月11日
【申請日】2015年6月29日