[发明专利]基于血管的眼底图像与SD-OCT投影图像配准方法

权利要求书

1.一种基于血管的眼底图像与SD-OCT投影图像配准方法，其特征在于，包括以下步骤：

步骤1、采集彩色眼底图像与三维SD-OCT视网膜图像；

步骤2、用基于双梯度信息和空间约束信息的视网膜组织层分割算法对SD-OCT视网膜图像进行IS-OS层和RPE层分割；

步骤3、根据IS-OS层上边界和RPE层下边界确定SD-OCT投影图像；

步骤4、应用改进的水平集方法分割SD-OCT投影图像得到血管图像；

步骤5、提取彩色眼底图像的绿色通道，并对绿色通道取反；

步骤6、采用形态学多尺度top-hat方法提取基于步骤5图像的血管图像；

步骤7、利用快速并行细化算法骨骼化血管图像得到细化图像；

步骤8、对SD-OCT血管图像按照4×4进行均匀分块，然后将每一局部图像块作为模板遍历彩色眼底血管图像并确定血管重叠像素数，最后根据重叠率提取控制点；

步骤9、根据提取的控制点确定仿射变换系数，然后利用仿射变换系数确定SD-OCT投影图像在彩色眼底图像的位置，得到粗配准结果；

步骤10、将基于步骤9的粗配准结果作为控制点搜索区域，重新提取四个局部图像块的控制点，之后确定仿射变换系数，再次进行图像匹配，得到精配准结果；所述重新提取的四个局部图像块是指位于SD-OCT投影图像左上角、右上角、右下角、左下角的图像块。

2.根据权利要求1所述的基于血管的眼底图像与SD-OCT投影图像配准方法，其特征在于，步骤2用基于双梯度信息和空间约束信息的视网膜组织层分割算法对SD-OCT视网膜图像进行IS-OS层和RPE层分割，具体为：

步骤2-1、采用基于非局部均值思想的三维块匹配去噪算法对SD-OCT图像进行降噪处理，然后用基于边缘流的方法提取视网膜图像的边缘，所述边缘的像素值为255，其它为黑色背景；

步骤2-2、对于步骤2-1结果的每个A-scan，从上向下搜索第一个值为255的像素点，提取ILM边界；所述A-scan表示图像的列，ILM为视网膜图像内界膜；之后在垂直方向上使用确定图像梯度d2l来修正ILM边界，I为视网膜图像，具体方法如下：

定义ILM边界位置向量ILMposition(x)，x∈[1,M]，M为A-scan方向的宽度；之后判断相邻两列间的位置差：Diff=|ILMposition(x)-ILMposition(x-1)|，如果位置差大于给定的阈值T，则用当前点的局部邻域内最大梯度位置修正该点的边界值，即

ILMposition(x)=maxz∈Sd2l(z,x)ifDiff>TILMposition(x)Others]]>

其中S是以ILMposition(x)为中心在x列窗口大小为l区域内的像素点集合，d2l(z,x)为由暗到亮梯度图像，z表示图像的高度，x表示图像的宽度，这里所述的阈值T=20；

将ILM边界位置向量构成ILM位置矩阵ILMmatrix(y,x)=ILMposition_y(x)，y∈[1,N]，N为B-scan方向的序列数；利用帧间相关性，在B-scan方向上使用一维中值滤波平滑约束ILM位置矩阵，去除误差点，模板大小为5；

步骤2-3、由于RPE位于SD-OCT视网膜图像的超反射层，因此搜索每个A-scan中像素最亮值来定位RPE初始位置，具体方法如下：

由于采用灰度最大值定位的RPE初始位置中含有大量RNFL层的像素点，因此根据ILM边界与RPE层的距离限制RPE搜索区域以分割RPE层；定义RPE位置矩阵RPEmatrix(x,y)，x∈[1,M]，y∈[1,N]，用I_y(z,x)表示B-scan方向上每一帧图像的灰度，搜索图像I_y(z,x)中每一列的亮度最大值{z|maxI_y(z,x),x∈M}，构造RPE的初始位置矩阵：

RPEmatrix₀(x,y)={z|maxI_y(z,x),x∈[1,M]}，y∈[1,N]

采用模板为7×7的开运算和闭运算对RPE初始位置矩阵RPEmatrix₀滤波，使用OTSU阈值分割滤波后的RPE位置矩阵，得到二值图像，二值图像中为零的像素点表示定位错误的RPE边界点；然后采用8邻域填充灰度值为零的像素点，对填充后的RPE位置矩阵进行中值滤波以消除误点；

之后根据RPE厚度构造第二次搜索的范围为40pixels，即[RPEmatrix₀(x,y)-10,RPEmatrix₀(x,y)+30]，然后采用上述方法重新搜索RPE，记为RPEmatrix₁，所述RPE厚度是10±1pixels，即20±2μm；此时得到的RPE位置位于最亮层，利用RPEmatrix₁+5估计RPE-Choroid边界，即RPE层的下边界；构造OS-RPE搜索范围为5pixels，即[RPEmatrix₀(x,y)-3,RPEmatrix₀(x,y)-2]，然后采用从下向上搜索第一个亮点，若不存在该亮点，则用[RPEmatrix₀(x,y)-5]估计该位置，从而定位出OS-RPE边界；

步骤2-4、定位出OS-RPE边界后，采用从下向上的策略检测ONL-IS边界；限制OS-RPE边界面的搜索区域为40pixels，在[OS/RPE-30，OS/RPE-10]内搜索边缘图像中第一个峰值点，从而定位出ONL-IS边界；利用帧间相关性，在B-scan方向上使用模板为5×1的一维均值滤波平滑ONL-IS位置矩阵，校正ONL-IS边界深度误差点。