基于圖像處理的硬性滲出檢測算法研究

吳振廣，蔣志勝，孫海欽，朱英瑋，魏文超

（上海航天電子技術研究所，上海201109）

伴隨著生活水平的提高，糖尿病發病率逐年上升。糖尿病視網膜病變DR（diabetes retinopathy）是糖尿病的并發癥之一[1]。硬性滲出HEs 是DR 患者最明顯的早期病變特征之一，因此在DR 計算機輔助診斷系統的研究中，對HEs 的自動檢測與分類方面的研究開展較早，目前主要有兩類HEs 的自動檢測算法。

一類是基于圖像形態學，文獻[2]利用形態學根據眼底圖像HEs 的高灰度變化的特性得到眼底圖像中的HEs 檢測結果；文獻[3]將圖像的形態學操作和SVM 分類器分類結合起來進行HEs 病變的檢測。

另一類是基于機器學習，文獻[4]采用Kirsch 算子邊緣和SVM 分類檢測HEs；文獻[5]提出基于鄰域約束模型的眼底圖像HEs 聚類檢測算法；文獻[6]采用形態學和SVM 分類器結合檢測HEs；文獻[7]將動態閾值和SVM 分類器相結合，得到了較為精確HEs檢測結果。

綜上所述，這些算法一般都需要配置各種參數。合理的參數配置是決定算法檢測效果的重要因素。鑒于此，本文將探索在眼底圖像分析和HEs 診斷過程中引入智能優化算法對算法的參數進行優化，以此來改善眼底圖像的處理效果和提高HEs 的診斷精度。本文HEs 算法流程如圖1 所示。

圖1 HEs 檢測流程Fig.1 HEs test flow chart

1 眼底圖像預處理

本文眼底圖像預處理共分為三部分，分別為通道分離、圖像增強和圖像去噪。

眼底圖像數據庫都是由RGB 格式的圖像組成，圖2 所示為眼底圖像的通道分離結果。G 通道分量亮度適中，與背景對比度較高，能夠清楚地分辨到眼底圖像的結構與背景。因此，本文將采用G 通道作為后續眼底圖像處理的基礎。

圖2 眼底圖像的通道分離Fig.2 Channel separation of fundus image

若眼底圖像與背景區域的對比度較低，后續圖像處理的難度會增大。因此，本文采用了基于直方圖均衡化的圖像增強技術，加強眼底圖像的對比度，使之更有利于后續圖像處理的操作。

由于圖像噪聲會在計算機進行圖像處理的時候造成一定的干擾。為了盡量避免后續的眼底圖像處理操作受到圖像噪聲的影響和干擾，本文采用了中值濾波去噪。

如圖3 所示，將G 通道分量圖像經過直方圖均衡化的圖像增強和中值濾波圖像去噪后，提高了圖像的對比度、消除了目標圖像的孤立噪聲點，為眼底圖像的后續處理奠定了良好基礎。

圖3 圖像增強和去噪后的G 通道分量圖Fig.3 G channel component diagram after image enhancement and desiccation

2 眼底圖像解剖結構識別和剔除

眼底圖像的解剖結構中，血管和視盤和HEs 具有不少相似特征，會對檢測結果造成一定的干擾，因此在進行HEs 檢測前，需要對眼底圖像中的血管和視盤進行定位識別和剔除。

2.1 眼底圖像血管提取和剔除

在圖像預處理的基礎上，本文采用一種基于匹配濾波的算法來進行血管提取。算法設計了12 個不同方向上的濾波器，分別進行卷積運算，選取最大響應作為匹配濾波最終響應輸出。再用滯后閾值分割法來進一步增強血管提取效果。血管提取結果如圖4（a）所示，剔除血管后的圖像如圖4（b）所示。

2.2 眼底圖像視盤提取和剔除

根據眼底圖像中視盤的圓形特征，利用Hough變換檢測圓的算法定位視盤。先對眼底圖像進行Sobel 邊緣檢測獲得邊緣目標，然后對邊緣目標圖像二值化，最后再進行Hough 變換檢測圓的視盤定位。視盤定位結果如圖4（c）所示，剔除視盤后的圖像如圖4（d）所示。

圖4 眼底圖像解剖結構的檢測與剔除Fig.4 Detection and elimination of anatomical structures in fundus image

3 硬性滲出檢測

HEs 檢測過程主要分為兩部分。

1）HEs 候選區域提取。

算法在眼底圖像預處理、剔除血管和視盤基礎上，通過形態學和閾值分割相結合提取出眼底圖像的HEs 候選區域。

2）HEs 候選區域分類。

在HEs 候選區域上進行特征選擇提取出HEs特征向量，并采用經過PSO 優化后的SVM 分類器，對HEs 候選區域進行精確分類，從而得到最終的HEs 檢測結果。

3.1 硬性滲出候選區域提取

形態學圖像處理技術是利用形態結構元素對數字圖像進行一系列形態學操作。在眼底圖像預處理、剔除血管和視盤的基礎上，本文使用的結構元素b（x，y）是半徑為25 的圓形結構元素，先對圖4（d）形態學開運算得到背景圖，然后再用圖4（d）減去背景圖從而得到硬性滲出的前景圖，最后將前景圖二值化，按0.07 的閾值進行閾值分割，得到HEs候選提取圖，如圖5（a）所示，將其標記在原始圖像上如圖5（b）所示。

圖5 HEs 候選區域檢測結果Fig.5 Results of HEs candidate sites

3.2 硬性滲出候選區域分類

HEs 候選區域經常會含有軟性滲出、黃斑、小面積背景噪聲等，使得檢測結果不夠精確，所以還需要進行更加精細的分類方法來區分HEs 和非HEs區域，提高HEs 檢測精度。

3.2.1 候選區域特征選擇

對眼底圖像HEs 候選區域中的HEs 和軟性滲出、黃斑、噪聲等非HEs 的特征分析之后，設計了候選區域的R、G、B 三個通道上的亮度平均值、亮度標準差、像素點大于閾值25 的像素點數目、面積、周長、周長比、圓度等22 個指標作為SVM 分類器的特征向量。

3.2.2 支持向量機

支持向量機SVM[8]是一個二分類器。對于線性可分樣本，SVM 的主要思想是構造一個間隔最大的分類超平面Wx+b=0（W 是超平面的法向量，x 是輸入樣本，b 是超平面的偏差量），引入拉格朗日乘子法得到：

實際應用中的樣本空間大都是非線性的，所以需要利用一個核函數映射到高維空間中，使樣本線性可分進行求解。

求解后得到相應的決策函數為

式中：k（xi，xj）是核函數；αi是拉格朗日乘子；yi是分類標簽。SVM 的分類效果是由其核函數和懲罰因子C 決定的。采用合理的優化方法對核函數參數和懲罰因子進行優化可以提高SVM 的分類性能。

3.2.3 粒子群優化算法

1995年提出的粒子群優化算法PSO[9]是通過計算個體的適應度函數值來評價參數解的優劣，在迭代過程中以追隨局部最優的方式來搜尋全局最優。標準PSO 算法的進化過程描述如下：

式中：c1和c2是加速因子；v 是粒子速度；p 是粒子位置；r1和r2是（0，1）之間的隨機數；w 是慣性權重系數，選擇合適的w 可以平衡全局和局部搜索能力，減少算法迭代次數，盡快找到最優解。

為了兼顧收斂速度和局部搜索能力，文獻[10]研究了自適應慣性權重粒子群算法AIWPSO（adaptive inertia weight particle swarm optimization），其慣性權重調節公式如下：

算法運行時，若粒子當前適應度值f 較為集中，則會增大w 的值盡量避免算法陷入局部最優；若粒子當前適應度值f 較為分散，則會減小w 的值提升算的局部搜索能力，使算法具有更好的尋優能力。

3.2.4 AIWPSO-SVM 參數優化算法

本文SVM 分類器選取高斯核函數，將分類正確率作為AIWPSO 參數選優的適應度函數。如圖6 所示，AIWPSO-SVM 參數優化過程如下：

圖6 AIWPSO-SVM 算法數優化流程Fig.6 AIWPSO-SVM algorithm number optimization flow chart

（1）首先對AIWPSO 相關參數進行初始化，包括粒子的初始位置和速度等；

（2）將硬性滲出候選區域的特征數據集進行標準化后，按照十折交叉驗證測試方法分為訓練集和測試集兩部分；

（3）根據粒子的位置和速度確定核函數的參數σ 和懲罰因子C 的值，利用訓練集進行SVM 分類器的訓練；

（4）計算適應度函數值，若滿足終止條件（達到最大迭代次數） 則輸出此時的優化參數σ 和C，若不滿足進行第5 步；

（5）采用AIWPSO 優化算法更新慣性權重、更新粒子的位置和速度，返回第3 步。

4 實驗結果與分析

4.1 實驗材料和評價指標

實驗測試使用DIARETDB1 眼底圖像數據庫。共89 張圖像，其中正常的眼底圖像5 張，DR 病變眼底圖像84 張。

在進行HEs 檢測算法性能評價的時候，通常選用基于病灶水平的SE 和PPV，基于圖像水平的SE、SP 和ACC 來體現算法性能。計算公式如下所示：

式中：TP 是真陽性個數；TN 是真陰性個數；FP 是假陽性個數；FN 是假陰性的個數。

4.2 實驗結果與分析

實驗對DIARETDB1 數據庫上的所有圖像采用本文算法提取硬性滲出候選區域，根據專家給定的區域標準，劃分出正負樣本，共包括1305 個HEs 區域，1283 個非HEs 區域。對樣本特征數據，按十折交叉驗證測試方法分為訓練數據集和測試數據集。在AIWPSO-SVM 分類器的參數選優時，先要進行AIWPSO 優化算法的參數設置，如表1 所示。

表1 AIWPSO 參數設置Tab.1 AIWPSO parameter setting

以分類準確率作為適應度函數，以達到最大迭代次數作為循環終止條件，終止循環后輸出對應的優化參數：σ 為0.2269，C 為19536.6980。

圖7 中，A 組是DIARETDB1 數據庫中的眼底圖像原圖，B 組是本文算法檢測的HEs 結果，C 組是對應的專家標注HEs 區域。由圖7 對比圖像可知，本文算法可以精確檢測到眼底圖像中HEs。

圖7 HEs 檢測結果Fig.7 HEs test results

為了進一步驗證本文算法的HEs 檢測性能，表2 給出了本文算法與文獻算法的硬性滲出檢測性能指標的比較結果。

表2 本文算法與文獻算法比較結果Tab.2 Algorithm in this paper is compared with the algorithm in literature

本文算法的性能指標優于大部分對比文獻算法的結果，在基于圖像水平上，本文算法具有最高的圖像檢測準確率97.83%和靈敏性100%，特異性97.31%排第二位，僅次于文獻[7]97.8%，說明本文算法具有較小的誤判率。在基于病灶水平上，本文算法的檢測靈敏性95.14%和陽性預測值93.82%都是最好的，說明更容易檢測出硬性滲出區域，而且檢測準確率較高。

5 結語

本文提出了一種基于形態學圖像處理技術和AIWPSO-SVM 分類器相結合的硬性滲出檢測算法。算法將由形態學分析獲得的HEs 候選區域作為特征，通過SVM 分類器對候選區域進行精確分類，并利用AIWPSO 智能優化算法對SVM 分類器的高斯核函數參數σ 和懲罰因子C 進行優化，具有較好的HEs 檢測性能，未來可以把圖像處理技術和智能優化算法應用到其它眼底病變如黃斑和微脈瘤等病變的檢測算法研究中。