[發(fā)明專利]基于水平集的視網(wǎng)膜血管分割算法

在審

• 申請?zhí)枺?/td>: 202010725108.2
• 申請日: 2020-07-24
• 公開（公告）號: CN111899267A
• 公開（公告）日: 2020-11-06
• 發(fā)明（設(shè)計）人: 王英立;侯曉曉
• 申請（專利權(quán)）人: 哈爾濱理工大學(xué)
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/13;G06T7/136;G06T7/90;G06T5/00;G06T5/40
• 代理公司: 哈爾濱東方專利事務(wù)所 23118
• 代理人: 陳曉光

1.一種基于水平集的視網(wǎng)膜血管分割算法，其特征是：該算法包括如下步驟：

步驟一、視網(wǎng)膜圖像預(yù)處理：包括單通道顏色獲取、感興趣區(qū)域提取、亮度調(diào)節(jié)，在彩色視網(wǎng)膜圖像中，與其他顏色通道相比，血管在其綠色通道中與背景區(qū)域間具有最佳的對比度，將眼底彩色視網(wǎng)膜圖像中的綠色通道作為后續(xù)血管分割的輸入圖像，掩膜提取是用選定圖像遮蓋處理后的圖像，并控制圖像處理區(qū)域，由于邊緣像素的灰度值和ROI像素的灰度值之間差異較大，對掩膜進(jìn)行提取時，采用閾值二值化的方法，亮度增強(qiáng)采用對比度受限的自適應(yīng)直方圖均衡化，將圖像分塊，以塊為單位計算直方圖，然后修剪直方圖，進(jìn)行塊間非線性插值，最后均衡；

步驟二、視網(wǎng)膜圖像增強(qiáng)：采用提出基于Gabor變換與和高低帽變換相結(jié)合的方法增強(qiáng)視網(wǎng)膜血管圖像，視網(wǎng)膜圖像進(jìn)行Gabor變換，使用形態(tài)學(xué)高低帽變換對低頻區(qū)域圖像進(jìn)行增強(qiáng)處理，在高頻子帶，采用閾值分析的方法，抑制噪聲的影響，并處理高頻分量，最后對低頻分量與所有的高頻分量進(jìn)行Gabor重構(gòu)，得到最終的增強(qiáng)圖像，在進(jìn)行高低帽變換時，采用的結(jié)構(gòu)元素是多方向線性元素，根據(jù)粗血管直徑，結(jié)構(gòu)元素的長度取10個像素點，以10為步長旋轉(zhuǎn)，則最終的增強(qiáng)圖像每個像素點的灰度值取18個變換結(jié)果對應(yīng)位的最大值；

步驟三、視網(wǎng)膜血管分割：主要采用主動輪廓模型，利用平滑和封閉的輪廓線覆蓋亞像素的邊緣，主動輪廓模型的能量泛函最小化可得到精確的分割目標(biāo)，本發(fā)明采用基于DRLSE水平集模型的算法，該算法流程如下：

（1）、多尺度線檢測初步分割血管定位初始輪廓位置R₀；

血管為線性管狀結(jié)構(gòu)且向任意方向延伸，寬度一般為2~13個像素，本發(fā)明利用多尺度、多方向的線檢測器初步分割血管，選擇長度為2~13等12個不同尺度、在每隔10°旋轉(zhuǎn)一次的18個不同方向的線型結(jié)構(gòu)算子，當(dāng)線型模板長度、角度與血管形態(tài)匹配時，輸出響應(yīng)達(dá)到最大值，同一尺度、同一角度的血管邊緣檢測定義如下：

(1)

其中o為形態(tài)開操作，S_θⁿ為尺度為n、角度為θ的線型算子，SnS可獲得任意尺度n的線型算子，與旋轉(zhuǎn)矩陣T相乘可旋轉(zhuǎn)任意角度θ，

因此，同尺度的血管邊緣為：

(2)

同理，最終分割的血管邊緣為不同尺度的最大值，表示為：

(3)

（2）、建立水平集模型；

設(shè)是定義在圖像I(x,y) 區(qū)域Ω上的水平集函數(shù)，DRLSE模型的能量泛函定義為：

(4)

其中權(quán)重系數(shù)，R_p為符號距離正則項，E_ext是外部能量項，分別表示為：

(5)

R_p為符號距離正則項，懲罰水平集函數(shù)與符號距離函數(shù)的偏差，維持演化過程中的符號距離屬性，即，避免周期性的重新初始化及其引入的數(shù)值誤差，E_ext中的參數(shù)項，第一項為零水平集輪廓的加權(quán)周長，驅(qū)動曲線向目標(biāo)邊緣演化，第二項為閉合曲線內(nèi)部區(qū)域的加權(quán)面積，決定曲線演化的速度和方向，p函數(shù)采用雙勢阱函數(shù)定義，和分別表示Dirac和Heaviside函數(shù)，用兩光滑函數(shù)和

替代表示為：

(6)

設(shè)置模型的初始化參數(shù)為：正則項系數(shù)，長度項系數(shù)，面積項系數(shù)，光滑函數(shù)參數(shù)；

（3）、初始化水平集函數(shù)；

初始水平集函數(shù)采用符號距離函數(shù)定義為：

(7)

其中常數(shù)c設(shè)置為2；

（4）、更新水平集函數(shù)；

當(dāng)模型能量泛函最小時，水平集函數(shù)停止演化，水平集演化方程為：

(8)

（5）、判斷水平集函數(shù)是否停止更新或迭代次數(shù)達(dá)到上限，滿足則停止演化，最終輪廓即為目標(biāo)邊緣，否則執(zhí)行(4)。