蔣惠芳張 怡

·學術(shù)探討·

基于方向濾波的視網(wǎng)膜血管邊緣抽取方法的關(guān)鍵技術(shù)研究

蔣惠芳1張 怡2

視網(wǎng)膜血管；邊緣檢測；方向圖；方向濾波；抑制噪聲

邊緣檢測是醫(yī)學圖像處理和分析研究的基本技術(shù)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(wǎng)膜血管邊緣的抽取是邊緣檢測的應(yīng)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(tài)性較強的圖像，同時又具有復(fù)雜的背景。數(shù)字形態(tài)學和方向濾波都是利用目標的形態(tài)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(yīng)用于指紋圖像增強、紋型特征的提取、指紋的自動分類、監(jiān)控系統(tǒng)等許多關(guān)鍵處理環(huán)節(jié)。方向濾波在指紋圖像上的成功應(yīng)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(xù)性，即在局部區(qū)域內(nèi)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(qū)域生長、數(shù)學形態(tài)學、聚類等[1-4]，還有一些基于小波變換的方法。數(shù)字形態(tài)學和方向濾波都是利用目標的形態(tài)特征進行邊緣抽取的方法，適合諸如血管這類形態(tài)性較強又具有復(fù)雜背景的圖像。

1 眼底圖像的相關(guān)特征

視網(wǎng)膜血管的變化可以反映全身血管性疾病的狀態(tài)，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(yù)防和診斷眼科以及心血管疾病的有效方法，是臨床醫(yī)學和計算機科學有效結(jié)合的重要研究方向。相比傳統(tǒng)的眼底鏡，眼底圖像更為清晰簡便，視網(wǎng)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(wǎng)絡(luò)，因此，如何有效進行視網(wǎng)膜血管邊緣抽取對疾病的預(yù)防、診斷和治療具有重要的臨床醫(yī)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(wǎng)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(tǒng)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(tǒng)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(guān)鍵技術(shù)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(wǎng)膜血管圖像的相關(guān)參數(shù)進行定性和定量分析。

2 基于數(shù)學形態(tài)學和區(qū)域的圖像分割

數(shù)學形態(tài)學是在集合論的基礎(chǔ)上發(fā)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(shù)學形態(tài)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(tài)學膨脹變換相結(jié)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(tài)學梯度算子，使物體邊緣更加清晰完整。數(shù)學形態(tài)學進行圖像邊緣檢測，算法簡單，能較好的保持細節(jié)特征，近年來在圖像處理中日漸受到重視。

區(qū)域生長的基本思想是將具有相似特性的象素集合起來構(gòu)成區(qū)域。牟濤等[8]提出一種融合區(qū)域生長與圖論的圖像分割方法，在區(qū)域生長完成之后，用NormalizedCut方法在區(qū)域之間進行分割，產(chǎn)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(jù)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(shù)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(nèi)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(tǒng)計每一類方向基元的個數(shù)，求取N×N塊的平均方向。

4 視網(wǎng)膜血管圖像邊緣抽取的研究

視網(wǎng)膜血管是從視盤發(fā)出的動靜脈血管逐級分支變細延伸交織構(gòu)成的網(wǎng)絡(luò)血管，當眼球因各類疾病發(fā)生病變時，眼底視網(wǎng)膜血管的大小、曲度、分叉和交叉等就會出現(xiàn)異常,因此，視網(wǎng)膜血管的邊緣抽取對眼科臨床有非常重要的指導(dǎo)意義。對于眼底視網(wǎng)膜血管邊緣的抽取有不少的研究者做了相關(guān)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(jié)構(gòu)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(chǔ)之上，利用閾值遞減探索、區(qū)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(wǎng)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(wǎng)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(chǎn)生。劉付民等[15]已經(jīng)將方向濾波引入到監(jiān)控系統(tǒng)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(yīng)用效果良好。蔣先剛等[17]提出基于Hessian特征的視網(wǎng)膜血管圖像增強濾波算法，確保準確率的基礎(chǔ)上具有較高穩(wěn)定魯棒性。殷本俊等[18]根據(jù)視網(wǎng)膜血管的網(wǎng)絡(luò)結(jié)構(gòu)，提出基于Morlet小波變換和高斯匹配濾波結(jié)合的分割方法，有效提取眼底視網(wǎng)膜血管網(wǎng)絡(luò)圖像。張二虎等[19]采用數(shù)學形態(tài)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(yīng)矩形探測器引用到視網(wǎng)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(fù)帶來許多麻煩。準確地抽取得到相對優(yōu)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(yīng)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(shù)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(shù)學形態(tài)濾波算子的醫(yī)學圖像邊緣檢測［允］.信息技術(shù)，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(shù)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(shù)學形態(tài)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(shù)學形態(tài)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(tài)學梯度矢量和自適應(yīng)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(qū)域生長與圖論的圖像分割方法［J］.計算機工程與應(yīng)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(yīng)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(wǎng)膜血管網(wǎng)絡(luò)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(jiān)控圖像邊緣檢測［J］.傳感器與微系統(tǒng)，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(wǎng)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(wǎng)膜血管分割［J］.計算機輔助設(shè)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(shù)學形態(tài)學和匹配濾波的視網(wǎng)膜血管圖像增強方法［J］.光學技術(shù)，2003，29（5）：523-525.

［20］趙曉芳，林土勝.視網(wǎng)膜血管圖像特征點自動提取和分類［J］.光學技術(shù)，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(yī)藥大學第三臨床醫(yī)學院（杭州 310053）；2浙江省中醫(yī)院眼科（杭州 310006）

蔣惠芳 Tel：13173615240