[发明专利]基于线扩散函数和双边滤波的视网膜血管图像降噪方法

说明书

技术领域

本发明涉及医学图像处理领域，尤其涉及一种基于线扩散函数和双边滤波的视网膜血管图像降噪的方法。

背景技术

视网膜图像的血管分析是诊断人体各种眼科疾病和心脑血管疾病的重要依据。近年来，随着社会医疗水平的提高，视网膜血管图像数据不断增长，为了弥补医生人工观察和经验诊断的效率低、主观性强等问题，借助计算机来自动分析视网膜血管图像逐渐成为了临床诊断的必要手段之一。然而，视网膜图像中的噪声给视网膜血管的自动分析带来了困难，具体表现为破坏了血管的形态结构，降低了血管探测和分割等自动分析算法的精度。所以图像降噪成为视网膜图像自动分析和诊断过程中的第一个步骤，也是最基础和关键的一步。

目前常用的图像降噪方法可以分为基于高斯滤波的方法和基于边缘保留的方法。基于高斯滤波的方法利用高斯函数对图像进行平滑处理，具有计算速度快、易于实现等优点，但是，由于高斯滤波无法保留图像的边缘结构，容易造成图像特征信息严重丢失。基于边缘保留的方法能够在降噪的过程中根据图像本身的灰度或梯度信息来保护图像的边缘特征，是目前运用最为广泛的降噪方法，然而，该方法往往只能用于处理一些简单的边缘结构，对于视网膜图像中对比度较低、局部形状不固定的毛细血管结构很难适用。

线扩散函数模型起源于1969年Rossmann等人对光学成像理论的研究，最初用来模拟一条线形的光源以高斯横截面的形式向两侧扩散。1989年Chaudhuri等人发现图像中血管的横截面结构可以被模拟成具有高斯横截面的线扩散函数，并将线扩散函数模型成功应用于探测视网膜图像中复杂的血管结构，提出了著名的匹配滤波方法用于探测视网膜图像中复杂的血管结构。

双边滤波是由Tomasi于1998年提出的一个新的具有保留边缘效果的图像滤波方法，由空间卷积核和灰度幅度卷积核两部分构成，其重要思想是利用像素之间的空间距离和灰度值的差异来分配平滑滤波的权重，通过参数调节到一个最佳权衡状态，在对图像进行降噪的同时极大程度上保留了图像的边缘信息。作为目前最流行的图像保边降噪方法，双边滤波已经在多个领域得到了广泛的应用。然而双边滤波缺少相应的函数来表示复杂的血管结构特征，因此在降噪后，视网膜图像中的较细的对比度较低的血管会丢失。

因此，目前需要本领域技术人员迫切解决的一个技术问题是：如何在降噪的同时保留血管结构，提高视网膜血管分析的准确度。

发明内容

为了解决上述问题，本发明结合了线扩散函数和双边滤波的优点，建立一种新的图像滤波模型，弥补了基于传统的空间卷积核的双边滤波方法在保留对比度较低的毛细血管结构方面的不足，并采用该模型实现视网膜血管图像分割之前的预处理。利用最优线扩散函数来探测血管结构，能够将图像滤波的权重在空间上自动根据血管的局部方向和尺度进行分配；基于双边滤波的框架能够将像素的空间关系与灰度关系相结合，进一步保证了滤波的权重分配的准确性，提高了血管保护的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于线扩散函数和双边滤波的视网膜血管图像降噪方法，包括以下步骤：

步骤1：选取一张视网膜图像，为图像中的血管定义m个尺度和n个方向，利用线扩散函数为该图像构建m*n个具有不同方向和尺度的类高斯卷积核；

步骤2：对于视网膜图像中的每个像素，分别求以该像素为中心的方形邻域与m*n个卷积核的内积，获取与最大内积对应的卷积核的方向和尺度；

步骤3：对于视网膜图像中的每个像素，利用获取到的卷积核的方向、尺度以及线扩散函数，为该像素计算最优空间卷积核；

步骤4：基于双边滤波的框架，将每个像素的最优空间卷积核与其灰度卷积核相结合，生成新的滤波卷积核，利用新的卷积核对视网膜图像进行滤波。

所述步骤1中用于构建m*n个类高斯卷积核的线扩散函数为：

且i∈(1,2,3...n)；j∈(1,2,3...m)；

其中K′_i,j(x,y)表示在第i个方向和第j个尺度下的卷积核中，坐标为(x,y)的像素的灰度值，通过调节高斯函数的方差σ可以将每个方向的卷积核变换出n个尺度，最终得到m*n个类高斯卷积核；公式中的u计算公式为：

且

其中，k表示局部方形卷积核的长度，θ_i表示在第i个方向上的血管与y轴的夹角，[x,y]表示当血管方向与y轴夹角为0°时，类高斯卷积核中任意一点p的坐标，[u,v]表示点p经过卷积核旋转θ_i角后的坐标。