[发明专利]一种基于自适应窗口模型匹配的眼底图片血管识别方法

说明书

本发明公开一种基于自适应窗口模型匹配的眼底图片血管识别方法，包括：1)进行提取彩色眼底图片的绿色通道、通过均值滤波器平滑、灰度值逆转的预处理；2)自适应窗口模型通过12个方向来适应血管管迹方向的变化，通过动态变化的窗口宽度来适应血管管迹宽度的变化，在12个方向上以高斯函数标准差为尺度因子构建了高斯尺度空间，然后高斯尺度空间中的每个高斯核和预处理结果匹配，最后所有的匹配结果中的对应位置像素值进行比较自适应地选择最大值来构成特征矩阵，实现特征提取；3)通过自适应阈值化转化为二值图像来反映血管分布。本发明采用自适应窗口模型与自适应阈值化相结合来识别血管，识别效果更好。

技术领域

本发明属于计算机领域，提出一种基于自适应窗口模型匹配的眼底图片血管识别方法，能够很好地提取出眼底图片血管网络。

背景技术

当我们到医院看病，特别是当我们是患有肾脏病、糖尿病、神经科疾病、动脉硬化、白内障、高血压等病的患者时，眼科医生经常会帮我们检查眼底，眼底检查对于了解病情是非常重要的，很多疾病都可以通过检查眼底检查出来。观察眼底其实我们主要是要观察视网膜血管，因为视网膜血管是人体中唯一可以免疮伤观察到的血管，所以对它的观察对我们检查心血管疾病具有重要的意义。例如我们观察高血压病人的眼底可以观察到视网膜动脉硬化，观察糖尿病病人的眼底可以看到毛细血管瘤、一些渗出物、出血点，可以从中得知其他身体部位血管情况，医生可以根据这些指标了解病人的病情。

医学图像是医疗大数据的一部分，医学图像处理也就成为医疗大数据研究的重要方向，利用计算机算法进行眼底图片血管识别具有很大的临床意义，但是视网膜图片中背景和血管结构的对比度低，血管管迹方向不定，血管直径的变化这些眼底图片血管结构的固有特点给这项工作带来很大的挑战。

目前有很多方法用于眼底图片中血管识别，这些方法可以大致地分为监督学习方法和非监督学习方法。这两大类方法在分类机理方面有很大不同。具体地说在监督学习方法中图像分割算法需要通过训练数据集学习对图片中像素分类的各种规则，所以在此方法中训练数据的关键程度不言而喻，甚至可以说训练数据标注的准确程度直接影响监督分割方法的分割效果；而在非监督分割方法中算法会抽取眼底图片中的固有模式，通过这些模式可以判断某像素是否属于血管或非血管。与监督分割方法相比非监督方法不需要提前训练，所以不需要训练集，通常会有更高的执行速度和鲁棒性。

1989年由S Chaudhuri,S Chatterjee,N Katz and M Nelson发明的IEEETRANSACTIONS ON MEDICAL IMAGING论文“Detection of Blood Vessels in RetinalImages Using Two-Dimensional Matched Filters.”中提出了一种基于二维匹配滤波的眼底图片血管分割算法，该方法中首先提取了眼底图片的绿色通道图像，接着用5*5的均值滤波器降噪，到此该方法的预处理环节结束。预处理之后用一种基于二维匹配滤波的方法进行血管分割，此办法考虑了眼底图片的三个有用的特点，分别是：1)血管边缘大致呈两条平行线，在足够短的情况下，可以看成两条平行直线，所以血管边缘呈分段线性结构。2)与血管轨迹垂直的方向上在血管轨迹上的像素灰度值曲线近似于正态分布曲线。3)在眼底图片中，管迹的方向是变化的，血管的宽度在2～10pixels。基于以上三个考虑，提出了一种固定窗口的高斯核来匹配眼底图片中的血管生成特征矩阵，接着采用固定的全局阈值进行阈值化处理来得到二值图片，该图片即可以显示眼底图片中的血管结构。

然而，S Chaudhuri等人提出的算法并不能非常好的提取到血管结构，他们的方法的一个初始假设是在很短的范围内血管的直径可以认为是不变的，由此将所有血管的直径假设为2σ(σ为固定的经验值)，然而血管直径却有粗有细，这就很大程度上影响了模型的匹配效果。采用自适应窗口模型可以更准确地匹配眼底图片中的血管结构，提高算法的识别效果。

发明内容