基于特征信息和灰度信息的眼底圖像配準

張志順

（嘉應學院醫學院，梅州 514031）

0 引言

在糖尿病視網膜病變篩查中，由于獲得圖像時相機視場有限，單幅圖像只能反映眼底局部信息，難以滿足醫生需要[1]。眼底圖像配準在糖尿病視網膜病變等心血管疾病診療中起到重要作用。

基于灰度和基于特征是眼底圖像配準算法中的兩類。其中，視神經盤、血管網絡、血管分支和交叉點為眼底視網膜特征。Nunes 等人[3]用多尺度迭代光流配準算法估計變換模型。Laliberte 等人[2]以基于血管交叉點作為控制點實現眼底圖像配準。以上算法容易造成配準精度不高，因為算法的性能被非線性光照變化降低，相似性測度被重新定義。

針對眼底圖像配準存在的問題，提出一種新的配準算法。用血管中心線進行特征結點檢測，用多分辨分層匹配算法實現平移變換，用最大互信息法實現眼底圖像精確匹配。

1 血管特征點檢測

血管結點是指血管分支點與血管交叉點交疊的位置。可通過鄰域內的8 像素點判斷血管結點。設血管結點為p 點，血管中心線為S，搜索點p 對應的8 個鄰域點分別為p1～p8。p 點是否在眼底血管中心線上，取決于 S（p）值是否為 1。如果 S（p）值不為 1，則表示 p點不在眼底血管中心線上；如果S（p）值為1，則表示p點在眼底血管中心線上。若Ns（p）=1，則p 點為血管端點，若Ns（p）＞3，則為血管結點。血管結點定義為：

通過血管結點檢測可獲得血管端點、血管結點，然后對它們修剪毛刺：從任一個端點p 沿血管中心線搜索，跟蹤的像素點數用計數器L（p）計算，長度閾值設為Lt。在搜索中如果發現一個結點且L（p）＜Lt，則把這一段血管中心線當作毛刺去除，若L（p）＞Lt，則不進行毛刺修剪，搜索結束。以此類推，當所有毛刺的修剪結束后，得到血管結點檢測圖，如圖1 所示。

圖1 血管結點檢測結果

2 平移變換

眼底圖像是在不同模態或不同視角下采集到的，由于眼底圖像具有球面性，所以非線性變換關系在圖像之間客觀存在。圖像表現為變形、旋轉或平移變換，其中，平移變換最為常見，所以用平移變換進行配準。設一張圖像的血管中心線檢測結果為C1，視場ROI 提取結果為F1；另一張圖像的血管中心線檢測結果為C2，視場ROI 提取結果為F2。用多分辨率分層的方式處理兩張眼底視網膜圖像的血管中心線。設多分辨率分層數為s，則最小分辨率中心線圖像C1s、C2s，最頂層分辨率圖像為F1s。使用平移變換來表達它們之間的對應關系，設MTM 為平移變換后的配準測度，tx與ty為平移變換參數，與橫向、縱向有關，則MTM 定義為：

上式表示平移變換后的血管中心線數目，其中，分母表示C2s在視場ROI 區域內的血管中心線數目，分子表示C1s、C2s重合的血管中心線數目。最優的平移變換通過MTM 測度的最大響應值來獲得最優位置，如圖2所示。

圖2 MTM測度圖像

3 特征結點匹配

設兩張眼底圖像的矩形窗口區域分別為z1、z2，它們之間的關系被定義為：

設pz（a）為矩形窗口區域z 內基于灰度信息的概率密度函數，pz1z2（a，b）為z1、z2基于灰度信息的聯合概率密度函數。通過z1與z2的聯合直方圖可得pz（a）與pz1z2（a，b）。則 z1、z2的個體熵分別為 H（z1）與 H（z2），設圖像的灰度級為 L，則 z1、z2的聯合熵 H（z1，z2）為：

設兩張眼底圖像的特征結點集分別為B1、B2，則它們的匹配過程為：

（1）對于眼底圖像 1 內任一點（x1，y1）∈B1，根據血管特征點檢測得到的平移變換，通過平移變換得到眼底圖像 2 內的對應點（x2，y2），以該點為中心得到 z，它的窗口大小為W。

（2）找到 z 內的每個特征結點（m，n）∈B2，互信息值MI（z1，z2）通過以（m，n）為中心的 z2與以（x1，y1）為中心的z1計算得到，z1的窗口大小為W，z2的窗口大小也為W。

（3）用以上方法得到（x1，y1）與 z 內所有特征結點的互信息，將這些互信息進行統計，得到最大的互信息，與它對應的一對匹配特征結點為（x1，y1）與（xc2，yc2）。

用以上方法為每一個交叉分支點集B1找到對應B2的特征匹配點，得到MA1與MA2對應匹配點集。通過這樣得到的匹配點集有可能出現的多對一的情況，因為從B1中尋找B2結點時，有可能找到B1中相鄰不同結點對應的同一個B2中的結點。如果出現這種情況，找到MA2在MA1中對應的所有結點。如果對應結點大于一個，那么使用最大互信息法從篩選出的對應點中找到最優點；如果對應結點只有一個，那就不用處理。通過這種方法可找到對應的匹配點集MB1、MB2，并消除匹配中可能存在的多對一的問題，得到眼底血管特征點配準結果，如圖3 所示。

圖3 特征點精確配準

4 實驗結果及分析

眼底視網膜圖像通過Topcon TRC-50EX 眼底相機采集得到，相機分辨率為1280×720。用基于特征信息與灰度信息的算法對1000 對采集到的眼底視網膜圖像進行特征點配準實驗。算法用MATLAB R2009b 實現，其中，矩形窗口區域W=38，粗配準ε=80，多分辨率分層數s=3。

檢測兩張圖像配準精度的關鍵指標[4-5]是血管中心線誤差測度（Centerline Error Measure，CEM），它主要用來評估兩張眼底視網膜圖像的血管配準性能及對準精度。通過配準矩陣將一張待配準圖像的血管中心線S1映射到另一張待配準圖像的血管中心線S2上，統計所有最近鄰點之間的距離（Distance to the Closest Point，DCP）均值，即可得到CEM 值。CEM 值越小，則說明眼底視網膜圖像的配準越準確。S1上的像素點用s1n表示，S1的像素總和用N 表示。S2上的像素點用S2i表示，S2像素總和用M 表示。配準變換用R 表示，經過變換后的像素點用表示。CEM 可定義為：

圖4 是重合率為15%的圖像配準結果，中心線誤差測度CEM=0.8756。圖5 是重合率為85%的圖像配準結果，中心線誤差測度CEM=0.3369。

圖4 重合率為15%的配準結果

圖5 重合率為85%的配準結果

在1000 待對配準圖像中，有830 對圖像成功配準，這些成功配準的圖像所需要的血管中心線檢測平均時間t1為26.35.67±0.68s，粗匹配平均時間t2為5.85±1.02s、特征點檢測的平均時間 t3為 1.25±0.13s、精匹配的平均時間t4為1.58±0.93s。成功配準圖像的總平均時間為 35.03±2.76s。

從1000 對眼底圖像的配準結果來看，成功配準圖像的CEM 值在0.5 像素附近。當視網膜圖像配準的重合率達到25%以上時，圖像配準的成功率在75%以上；當視網膜圖像配準的重合率達到50%以上時，圖像配準的成功率在96%以上。

5 結語

在考慮眼底視網膜圖像特征、灰度等因素基礎上，提出一種基于特征信息和灰度信息的眼底視網膜圖像配準算法。通過1000 對眼底視網膜圖像的配準實驗和結果分析結果表明，配準算法的精度較高、速度較快，穩定性較好。

同時也應看到，血管中心線的檢測時間在所有配準時間中較長，還有改進的地方。因此，后續研究工作的重點在于改進血管中心線算法。