眼底視網膜血管檢測研究

張志順

（嘉應學院醫學院，梅州　514031）

眼底視網膜血管檢測研究

張志順

（嘉應學院醫學院，梅州514031）

0　引言

眼底視網膜圖像預處理是眼底圖像處理的一部分，處理效果的好壞將影響血管特征提取、圖像匹配的準確與否，影響到處理系統的識別率。有效的眼底圖像預處理是在去除圖像噪聲的基礎上，使圖像的可識別性更高，以便后續處理。

1　眼底視網膜圖像的采集

眼底視網膜圖像通過免散瞳數碼眼底照相技術獲得，它能更直觀、清晰顯示眼底病變，對于眼底疾病的判斷、病情程度的變化能夠更好地反映。通過免散瞳數碼眼底照相機，能采集到包括視盤、黃斑、血管和病變等眼底視網膜圖像，其水平剖面如圖1所示。

2　眼底視網膜圖像預處理

在眼底視網膜圖像采集過程中，由于受采集條件及成像傳感器特征差異的影響，得到的眼底視網膜圖像存在光照不均、噪聲干擾等影響眼底視網膜血管圖像完整提取的問題。為了提高識別的準確率，對眼底視網膜圖像進行光照均衡化、圖像增強等預處理。

圖1　眼底視網膜血管水平剖面

2.1光照均衡化

在感興趣區域的紅色通道上，二值化圖像可通過閾值處理得到，然后對二值化的圖像用數學形態學算子進行處理，由此得到感興趣區域的掩膜圖像。對圖像中的每個像素進行均衡化處理，其中，感興趣區域記為1，其他區域記為0：

在（1）式，feq（r，c）為進行光照均衡化后圖像在（r，c）處的灰度值；原始圖像在綠色通道的掩膜圖像與原始灰度圖像做差后，其在（r，c）處的灰度值為f（r，c）；M為期望的平均灰度值；（r，c）為窗口W內的圖像灰度平均值。綠色通道的對比度比較強，將（1）式用于該通道，可得到光照均衡化的圖像。

2.2圖像增強

光照均衡化后操作使視網膜血管和背景的對比度變弱，這對分離視網膜血管不利，因此，需對圖像進行增強處理。

（1）2-D Gabor濾波器

2-D Gabor濾波是指人的視覺神經元對時域信號或頻域信號的分辨率。2-D絡Gabor濾波器可以最優地達到空域或頻域的局部最優化［1］，對圖像進行多尺度多方向的分析，在空域局部化的同時獲得較好的尺度和方向，其函數表達式為［2］：

式中，θ為濾波器方向；f為濾波的中心頻率；x和y為空間坐標；σx、σy是沿x軸、y軸的高斯網絡空間常量。令σx=σy=σ，用Gabor濾波器的實部作為濾波掩膜，通過設置不同方向的參數提取血管圖像中各方向的圖像細節，由（2）式可得：

由于視網膜圖像的血管向四周延伸，分布于眼底，因此，要提取視網膜血管圖像中各個方向的血管信息（0≤θ≤2π），唯有進行多方向濾波。為了提取血管信息，以掩膜尺寸大小為s=1/f、σ=k×s/π、角分辨率為15度構造出12個不同方向的濾波器。其中，眼底視網膜圖像的血管大小為2～12個像素，s的值不超過血管的最大寬度。將視網膜圖像設為I（x，y），則：

每個像素點濾波后的像素值為每個像素點在各個方向濾波得到的圖像最大值。

（2）形態學Top-hat變換

數學形態學的基本思想和方法對圖像處理的理論和技術產生了重大影響，它是一門建立在嚴格數學理論基礎上的學科，它包括腐蝕、膨脹、開啟、閉合等基本運算。通過基本運算可以推導和組合各種數學形態學實用算法，用它們可以進行包括圖像增強、特征抽取、圖像濾波、圖像分割、邊界檢測等圖像結構處理。在這個過程中，數學形態學方法通過結構元素收集圖像信息，以考察圖像各個部分的關聯性。

在一幅眼底視網膜圖像中，通過開運算，從灰度圖像中獲得較暗像素或較亮像素的效果良好。然后通過Top-hat變換，得到血管陰影增強的細節，Top-hat變換定義為：

其中，“o”為開操作運算符，b為結構元素，f為輸入的灰度圖像。對圖像進行Top-hat變換時，圖像中要增強的目標信息通過不同的結構元素的大小和形狀進行確定。眼底視網膜血管的粗細不同，延伸方向也不同，因此，結構元素要達到增強不同方向和不同粗細血管的目的，通過同一方向或單一尺度的結構元素是不能實現的。在實際應用中，根據平面圓盤形結構元素的各向同性特征，選取這種結構元素進行處理［3］。在結構元素尺度的選取過程中，要選取合適大小的結構元素，既不能過大，也不能過小，如果過大，則使提取的視網膜血管存在干擾和粘連現象；如果過小，則開運算會失去部分毛細血管。為了眼底視網膜圖像的細血管得到增強，進行多尺寸Top-hat變換，取半徑分別為2～10的圓盤結構元素對圖像進行變換，使相應粗細血管得到增強和突出，然后對變換后的圖像進行求和，以達到對血管的增強的目的。

主要（較粗）眼底視網膜血管的提取可使用多方向的Gabor濾波器，但該方法并不能使較細的血管得到有效增強，而多尺寸的Top-hat變換增強了圖像中的毛細血管，卻由于血管與背景的對比度不高，導致增強效果有待提高，因此，可將兩種增強方法結合，做圖像融合處理。

（3）最大類間方差法提取血管圖像

上述方法得到的眼底視網膜灰度圖像包括目標部分和背景部分，可用閾值確定圖像的背景區域和目標區域。利用最大類間方差法的自適應閾值分割功能，可將眼底視網膜圖像的灰度特性分成目標和背景兩部分。它們間的類間方差越大，構成圖像的兩部分差別就越大，使用最大類間方差法進行眼底視網膜圖像血管分割的錯分概率最小。

設灰度圖像中像素的灰度值小于閾值T的像素個數為N1；灰度圖像中像素灰度值大于閾值T的像素個數為N2；圖像I（x，y）的大小為M×N。灰度圖像的平均灰度記為μ1，則其前景像素點占整幅圖像的比例為ω1= N1/（M×N）；灰度圖像的平均灰度記為μ2，則其背景像素點占整幅圖像的比例為ω2=N2/（M×N），其中，N1+N2= M×N，ω1+ω2=1，灰度圖像的總平均灰度記為：

灰度圖像的類間方差為：

當灰度圖像的類間方差值g為最大時，圖像中的目標與背景差異達到最大，即達到灰度最佳分割閾值，此時可采用遍歷的方法得到最大類間方差閾值T。用最大類間方差閾值法對融合增強方法得到的圖像進行二值化分離，但分離得到的圖像存在噪聲干擾，因此，要在血管保持連貫性的前提下做噪聲清除的操作。對分割后的圖像，可用區域描繪算子進行處理，如果區域內的像素數小于30，可將其當作噪聲干擾并清除。為了有利于眼底視網膜圖像的血管輪廓提取，用直方圖均衡化（Contrast-Limited Adaptive Histogram Equalization，CLAHE）來調整灰度圖像的對比度［4］，然后用OTSU法對提取的血管輪廓進行分割，得到最終的二值化效果圖，這樣，眼底視網膜圖像的深層次血管被完整提取出來了。

3　實驗結果

當k取1～1.4、s取10時，血管網絡增強取得較好效果。將視網膜圖像與上述12個濾波器分別做卷積，進行多方向濾波實驗。仿真實驗的計算機CPU為Pentium E5700 3.0GHz，內存為4GB，在MATLAB 7.0的環境下眼底視網膜圖像進行檢測，檢測結果如圖2所示：

從圖1可以看出，本文方法在提取各方向主血管的同時，弱化了背景信息，其中，圖2（f）采用Top-hat變換后，能有效的增強了圖像中小血管，滿足了眼底視網膜圖像的血管增強效果；圖2（d）為文獻［5］的眼底視網膜圖像增強效果，圖2（g）為采用融合增強方法實現的眼底視網膜血管全局增強效果，從圖中可以看出，本文方法弱化背景，凸現血管，從而使血管與背景對比度得到增強。圖2（j）為二值化后的效果圖。用最大類間方差閾值法對圖2（g）進行二值化分離，用像素數小于30區域描繪算子將噪聲清除后，將掩膜與噪聲清除后的圖像進行點乘，得到如圖2（h）所示的效果圖，從圖中可以看出，實驗提取了完整的血管圖 （包含深層次的血管），并血管保持了應有的連續性。

圖2　眼底視網膜血管檢測效果

4　結語

眼底血管圖像的采集和預處理是后續進行視網膜血管圖像量化分析的基礎。由于客觀原因，比如對象物呈球狀分布、光照不均等，這樣得到的眼底視網膜圖像可能出現背景灰度和部分區域的血管灰度區別不大，或者出現圖像陰影，這種情況對眼底視網膜的提取是不利的。針對眼底視網膜提取過程存在的問題，采用包括光照均衡、圖像增強、圖像分割、二值化處理等預處理操作，并最終提取了包括深層次血管在內的完整眼底視網膜圖像，達到較好效果。

［1］張瑩，王耀南.基于 Gabor濾波器包絡的人臉識別算法［J］.中國圖象圖形學報，2008，13（12）:2314-2320.

［2］劉尚平，陳驥.基于Gabor濾波與數學形態學的視網膜圖像增強方法［J］.光電子.激光，2010，21（2）:318-322.

［3］王艷芬.視網膜血管灰度圖像血管檢測方法的研究［D］.華南理工大學碩士學位論文，2006.6.

［4］劉軒，劉佳賓.基于對比度受限自適應直方圖均衡的乳腺圖像增強［J］.計算機工程與應用，2008，44（10）:173-175.

［5］Hoover A.and Goldbaum M.Locating the Optic Nerve in a Retinal Image Using the Fuzzy Convergence of the Blood Vessels［J］.IEEE Transactions Medical Imaging，2003，22（8）:951-958.

Retinal；Vascular；Gabor Filter；Morphology；Otsu Method

The Detection of Retinal Blood Vessels

ZHANG Zhi-shun

（School of Medicine，Jiaying College，Meizhou 514031）

1007-1423（2015）34-0010-04

10.3969/j.issn.1007-1423.2015.34.003

張志順（1978-），男，廣東梅州人，碩士，講師，研究方向為醫學圖像處理

2015-1-20

2015-12-10

針對眼底視網膜提取過程存在光照不均、噪聲干擾等問題，采用包括光照均衡、圖像增強、圖像分割、二值化處理、最大類間方差法提取血管圖像等預處理操作，解決圖像光照不均、對象物呈球狀分布、視網膜血管的分割難以達到理想分割效果等困難，提取包括深層次血管在內的完整眼底視網膜圖像，達到較好效果。

眼底視網膜；血管；Gabor濾波器；形態學；最大類間方差法

廣東省醫學科學技術研究基金（No.B2015148）、梅州市科技計劃項目（No.2014B42）

The presence of uneven illumination，noise and other issues，including the use of illumination equalization，image enhancement，image segmentation，binary processing，Otsu extracted blood vessel image preprocessing operation to solve the uneven illumination for retinal image extraction process.the object spherical distribution，retinal vascular segmentation segmentation effect is difficult to achieve ideal difficult，and ultimately extracted include deep retinal blood vessels，including a complete picture.We achieve better results.