基于方向濾波的視網膜血管邊緣抽取方法的關鍵技術研究

蔣惠芳張 怡

·學術探討·

基于方向濾波的視網膜血管邊緣抽取方法的關鍵技術研究

蔣惠芳1張 怡2

視網膜血管；邊緣檢測；方向圖；方向濾波；抑制噪聲

邊緣檢測是醫學圖像處理和分析研究的基本技術之一，能夠在伴有隨機噪聲背景圖像中確定出研究目標的邊界。眼底視網膜血管邊緣的抽取是邊緣檢測的應用，具有實際的意義。圖像分割的常用方法很多，但如何在抽取邊緣的同時較好地抑制噪聲，是困擾我們的一大難題。血管是形態性較強的圖像，同時又具有復雜的背景。數字形態學和方向濾波都是利用目標的形態特征進行邊緣抽取的方法。在一般圖像的銳化處理中，方向特性的使用不是那么直接，基于方向特性的算法自然也比較少。目前方向濾波已成功地應用于指紋圖像增強、紋型特征的提取、指紋的自動分類、監控系統等許多關鍵處理環節。方向濾波在指紋圖像上的成功應用，正是考慮了指紋紋線本身的信息特點，在方向上具有連續性，即在局部區域內的方向基本一致性。

圖像分割的常用方法有微分或梯度的模板銳化、邊緣跟蹤、區域生長、數學形態學、聚類等[1-4]，還有一些基于小波變換的方法。數字形態學和方向濾波都是利用目標的形態特征進行邊緣抽取的方法，適合諸如血管這類形態性較強又具有復雜背景的圖像。

1 眼底圖像的相關特征

視網膜血管的變化可以反映全身血管性疾病的狀態，譬如高血壓、糖尿病、腎臟炎性疾病、動脈硬化等，所以眼底圖像研究是預防和診斷眼科以及心血管疾病的有效方法，是臨床醫學和計算機科學有效結合的重要研究方向。相比傳統的眼底鏡，眼底圖像更為清晰簡便，視網膜血管作為眼底圖像的重要組成部分，是唯一可以非侵入觀察的血管網絡，因此，如何有效進行視網膜血管邊緣抽取對疾病的預防、診斷和治療具有重要的臨床醫學意義。

邊緣的檢測一般需要幾個步驟，首先要濾波以降低噪音，然后增強突出變化的顯著度，之后用某種方法檢測邊緣點，最后是確定邊緣的位置或方向。但是，視網膜血管圖像的抽取受到各種非理想條件的影響，如光照不均勻、對比度弱、對焦不準、噪聲明顯。針對這些特點，傳統的圖像增強法和過濾法雖然起到一定的效果，卻難以得到精確的邊緣，所以要提出一種行之有效的方法能夠克服傳統單一方法的不足，本項目主要針對方向圖的生成，方向濾波的降噪處理等關鍵技術進行研究，取得比較完整的血管邊緣圖像，利用圖像處理的方法對視網膜血管圖像的相關參數進行定性和定量分析。

2 基于數學形態學和區域的圖像分割

數學形態學是在集合論的基礎上發展起來的，對圖像進行邊緣檢測時，雖然能較好地抑制噪聲的干擾，但如果遇到圖像的邊緣較清晰尖銳或者噪聲干擾很大時，效果并不好。為更大程度地抑制噪聲，陶洪久等[5]提出了一種基于小波變換和小尺度的數學形態學的遙感圖像邊緣檢測方法；李晶輝等[6]將交替序列濾波和形態學膨脹變換相結合，在保證圖像邊緣清晰的同時，更大程度地抑制了噪聲；姜涌等[7]提出具有方向估計的形態學梯度算子，使物體邊緣更加清晰完整。數學形態學進行圖像邊緣檢測，算法簡單，能較好的保持細節特征，近年來在圖像處理中日漸受到重視。

區域生長的基本思想是將具有相似特性的象素集合起來構成區域。牟濤等[8]提出一種融合區域生長與圖論的圖像分割方法，在區域生長完成之后，用NormalizedCut方法在區域之間進行分割，產生最終所分割的圖像。

3 基于方向特性的邊緣分割

3.1 鄰域方向模板法求取方向圖 Mehtre等[9]提出的鄰域方向模板法據下式計算點方向圖：

則θP（i，j）=d，d滿足：Vd=。式中f（i，j）為點（i，j）的灰度值，fd（im，jm）為d方向上的第m點的灰度值，其中L為選取的鄰域大小，一般取16，而N是方向模板的方向數取N=8或4。

3.2 基于梯度算子的最小均方根法求取方向圖 A.R.Rao[10]提出了一種利用梯度算子求取方向圖的方法。計算方法：將圖像以w×w的窗口劃分成塊，對每一塊內的每個象素計算x軸和y軸方向上的偏微分量?x（i，j）和?y（i，j）。并按下式估算塊平均方向：

3.3 基于方向基元集描述的求取方向圖的方法 黃席樾等[11]通過定義方向基元，對其全部樣本集進行局部方向估計；將二值圖像劃分為N×N大小的塊，對方向基元進行劃分歸類，統計每一類方向基元的個數，求取N×N塊的平均方向。

4 視網膜血管圖像邊緣抽取的研究

視網膜血管是從視盤發出的動靜脈血管逐級分支變細延伸交織構成的網絡血管，當眼球因各類疾病發生病變時，眼底視網膜血管的大小、曲度、分叉和交叉等就會出現異常,因此，視網膜血管的邊緣抽取對眼科臨床有非常重要的指導意義。對于眼底視網膜血管邊緣的抽取有不少的研究者做了相關嘗試，Chaudhuri等[12]提出一種2維匹配濾波方法，該方法利用表征不同方向的12個高斯血管模板作為匹配濾波器，對圖像進行濾波之后血管結構得到有效的增強，但該方法很可能會丟失部分血管分叉點和細小血管；另外，Hoover等[13]在MFR圖像的基礎之上，利用閾值遞減探索、區域特性分析等方法來提取圖像；許雷等[14]在分析正常與病理情況下眼底圖像的不同特點，建立起眼底視網膜血管模型，使用SED（signed edge detection）與ROSE（opening with linear rotating structuring element）算法提取出視網膜血管的粗略骨架，然后再使用“LOG算子”進行低通濾波，去除噪聲，修正后得到比較精確的血管邊沿點。雖然該算法取得了較理想的效果，卻依然有虛假邊緣的產生。劉付民等[15]已經將方向濾波引入到監控系統的邊緣檢測；武妍等[16]提出一種改進的基于方向濾波的指紋圖像的增強算法，應用效果良好。蔣先剛等[17]提出基于Hessian特征的視網膜血管圖像增強濾波算法，確保準確率的基礎上具有較高穩定魯棒性。殷本俊等[18]根據視網膜血管的網絡結構，提出基于Morlet小波變換和高斯匹配濾波結合的分割方法，有效提取眼底視網膜血管網絡圖像。張二虎等[19]采用數學形態學和匹配濾波的圖像增強方法，使用Top-Hat變換有效抑制背景增強血管信息，采用匹配濾波提高血管亮度，增加與背景對比度。趙曉芳等[20]把基于CPDA的角點檢測和自適應矩形探測器引用到視網膜血管分叉點和交叉點的提取。

由于血管的圖像背景多目標少，在基于子窗口方法的運用中，有的子塊沒有確定的主方向，簡單的方向濾波不是去除不了噪聲就是會造成邊緣太多的斷裂，給中后期連接修復帶來許多麻煩。準確地抽取得到相對優化的血管邊緣圖成了諸多研究者不斷追求的目標，因此本項目主要針對方向圖的生成，方向濾波的降噪處理等方面進行研究，取得比較完整的血管邊緣圖像，利用血管圖像較強的方向特征性進行邊緣的抽取。

［1］李映，焦李成.基于自適應免疫遺傳算法的邊緣檢測［J］.中國圖像圖形學報，2003，23（8）：890-895.

［2］何東健.數字圖像處理［M］.西安：西安電子科技大學出版社，2003：175-202.

［3］趙春暉，張乾，楊濤.基于數學形態濾波算子的醫學圖像邊緣檢測［允］.信息技術，2002，41（11）：49-51.

［4］葉吉祥，陳香華，譚冠政.利用小波和分層聚類進行彩色圖像分割［J］.計算機與數字工程，2006，36（1）：1-12.

［5］陶洪久，柳健，田舍文.基于小波變換和數學形態學的遙感圖像邊緣檢測［J］.紅外與激光工程，2001，31（2）：154-157.

［6］李晶輝，戚飛虎.基于數學形態學的強魯棒形邊緣檢測方法研究［J］.上海交通大學學報，1995，29（6）：96-101.

［7］姜涌，曹杰，謝求成，等.一種基于形態學梯度矢量和自適應模糊的目標邊緣提取算法［J］.武漢大學學報（信息科學版），2006，（6）：12-24.

［8］牟濤，陳文斌，沈一帆.一種融合區域生長與圖論的圖像分割方法［J］.計算機工程與應用，2005，（19）：24-29.

［9］Mehtre BM，ChatterJ EE B.Segmentation of fingerprint imagea composite method［J］.Pattern Recognition.1989，22（4）：381-385.

［10］Rao AR.A taxonomy for texture description and identification［M］.New York：Springer-Verlag，1990：231-243.

［11］黃席樾，馬笑瀟，汪鵬，等.基于方向基元集描述的求取指紋方向圖的方法及應用［J］.重慶大學學報（自然科學版），2000，23（5）：57-61.

［12］Chaudhuri S，Chatterjee S，Katz N，et al.Detection of blood vessels in retinal images using two-dimensional matched filters［J］.IEEE Transactions Medical Imaging，1989，8（3）：263-269.

［13］Hoover A，Kouznetsova V，Goldbaum M.Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response［J］.IEEE Transactions Medical Imaging，2000，19（3）：203-210.

［14］許雷，鄭筱祥，俞鋒，等.基于眼底視網膜血管網絡模型的血管提取方法［J］.浙江大學學報（工學版），1999，37 （4）：91-97.

［15］劉付民，張治斌.基于方向濾波的監控圖像邊緣檢測［J］.傳感器與微系統，2011，30（4）：127-130.

［16］武妍，楊磊.一種改進的基于方向濾波的指紋圖像增強算法［J］.華中科技大學學報（自然科學版），2007，35（2）：23-25.

［17］蔣先剛，熊娟，丘赟立，等.基于Hessian特征的視網膜血管視圖像的增強濾波算法［J］.華東交通大學學報，2013，30（3）：37-42.

［18］殷本俊，陳燕，李華婷，等.基于Morlet小波變換的視網膜血管分割［J］.計算機輔助設計與圖形學學報，2015，27 （7）：1263-2616.

［19］張二虎，卞中正，段敬紅.基于數學形態學和匹配濾波的視網膜血管圖像增強方法［J］.光學技術，2003，29（5）：523-525.

［20］趙曉芳，林土勝.視網膜血管圖像特征點自動提取和分類［J］.光學技術，2011，47（8）：14-17.

（收稿：2015-08-30 修回：2015-10-12）

浙江省教育廳科研項目（No.Y201326673）

1浙江中醫藥大學第三臨床醫學院（杭州 310053）；2浙江省中醫院眼科（杭州 310006）

蔣惠芳 Tel：13173615240