吉浩 劉靈 李璐 趙丹丹

在醫(yī)學圖像研究領域，眼底圖像的分析處理有二十年左右的歷史，近些年來，其應用范圍意在拓展，對青光眼、高血壓、糖尿病、腦出血等疾病的診斷與質(zhì)量，提供了諸多支持。由此可見，探究眼底圖像處理與分析技術，爭取獲得一種自動、高效的眼底圖像配準算法，降低相關圖像處理與分析對醫(yī)生診療經(jīng)驗的過度依賴，提高眼底圖像處理與分析的精確性[1-2]。

1 眼底結構特征概述

眼底位于眼球的最內(nèi)層，正常的眼底圖像為均勻的橘紅色，能夠明顯分辨出相關結構，包括黃斑、眼底血管、視盤等。其中，黃斑區(qū)位于眼底的中央部分，在圖像當中呈現(xiàn)為暗黃色，黃斑區(qū)不存在血管，但含有大量的葉黃素，相對于其他眼底結構，黃斑區(qū)最為敏銳、感光能力最強，若在這一區(qū)域發(fā)生病變，則會對視力產(chǎn)生較大影響[3-4]。視盤是眼底血管的匯集之處，位于黃斑鼻側，是一個淡紅色的圓形區(qū)域，就當前的眼底圖像處理與分析技術，有多種算法都可用在視盤定位提取[5]。一般情況下，通過眼底圖像能夠分辨出眼底的主血管從視盤延伸出來，逆向進入眼球，眼底血管基本關于視盤堆成，并形成血管樹形網(wǎng)絡。

當前主要存在兩種圖像配準算法，分別是基于區(qū)域的配準和基于特征點的配準。相對來說，基于特征點的圖像配準方式更加高效和穩(wěn)定，在眼底圖像處理與分析當中，更加適用，技術原理就是從眼底圖像當中提取出一些特征點以及特征點的相關信息，對這些特征點之間的一致性進行優(yōu)化之后，將其作為匹配點進行圖像的變化，實現(xiàn)圖像配準?；谔卣鼽c的配準技術，關鍵在于能夠找到兩幅待配準圖像的配對點集[6]。

2 眼底圖像配準方法探討

本文以基于特征點的配準作為研究的重點，分別探究基于SIFT特征點的眼底圖像配準方法和基于Harris-PIIFD特征點的眼底圖像配準方法。

2.1 基于SIFT特征點的眼底圖像配準方法

SIFT的算法原理是利用高斯金字塔尺度空間檢測，來獲得相關特征點，并對特征點進行篩選，在此基礎上，讓各特征點生成具有旋轉不變、尺度不變、顯著且大量的128維特征描述符來進行配準。特征檢測的主要過程如下：第一，建立起圖像尺度空間，由此保證后續(xù)能夠獲得不同尺度下的圖像處理信息，該空間函數(shù)的數(shù)學定義為：L（x，y，δ）=G（x，y，δ）*I（x，y），式中的G（x，y，δ）表示高斯函數(shù)，而I（x，y）則表示輸出圖像，*是卷積運算，δ為尺度參數(shù)。

第二，通過提取局部極值點來完成特征點的檢測，具體方式就是將采樣點，與同采樣點同一尺度、上下相鄰尺度中的像素點進行比較，若采樣點為極值點，則可將其作為這一尺度下的特征點；若該采樣點不是極值點，則需要繼續(xù)搜索這一尺度下的其他特征點。

第三，利用DOG算子對噪聲與邊緣的敏感度特點，通過擬合三維二次函數(shù)，對已經(jīng)得到的候選特征點進行篩選與剔除，精確定位并保留特征點。

第四，為關鍵點來分配方向，由此能夠讓特征點產(chǎn)生旋轉不變性，具體過程如下：選特征點為（x，y），其梯度 值為m（x，y），方向為θ（x，y），則可計算式中 L 的尺度即為特征點的尺度。

第五，在明確特征點的主方向之后，以增強匹配的穩(wěn)定性為目的，可通過使用4*4個種子點來為每一個關鍵點構建128維的SIFT特征向量。在此基礎上對特征向量的長度進行歸一化處理，能夠使其對光照也形成較強的穩(wěn)定性。

第六，匹配SIFT特征向量。也就是在獲得兩幅待配準圖像，并成功提取出相關特征點與特征描述符之后，要進行特征點匹配，建議采用BBF算法，能夠對128維的SIFT特征向量，進行高效、精確的處理。

基于SIFT特征點的眼底圖像配準，延續(xù)了SIFT的穩(wěn)定性，具有旋轉、光照、尺度不變性，其能夠保證每個特征點的獨特性。需要注意的是，在實際應用過程中，SIFT特征點的提取過程較為復雜，實現(xiàn)難度相對較大。

2.2 基于Harris-PIIFD特征點的眼底圖像配準方法

基于Harris-PIIFD特征點的眼底圖像配準方法主要運用了PIIFD的圖像旋轉、部分強度、部分仿射變換、部分視角不變性。方法的核心思想，就是以特征角點作為控制點，代替血管分支點，并通過PIIFD的特性來實現(xiàn)快速、精準匹配[2]。Harris-PIIFD算法的七個步驟如下：第一，確定好待配準的眼底圖像之后，利用Harris檢測器來檢測均勻分布在圖像當中的特征角點。總結實踐經(jīng)驗，200個特征焦點能夠充分滿足眼底圖像配準的相關需求。第二，在正式提取PIIFD之前，應該為每一個作為控制候選的特征角點指派方向，可利用平均矩形梯度方法，在指派主方向的同時，還能實現(xiàn)圖像的旋轉不變性。第三，以特征角點為中心，提取其周圍的PIIFDs，可通過提取128維特征向量，將其作為Harris特征角點的PIIFD描述向量。第四，運用BBF算法，對眼底圖像的相關性進行匹配，以最高空間區(qū)域為基礎范圍，通過匹配得到點的近似最近領域。第五，在上述匹配順利完成的基礎上，利用各候選控制點的主方向與幾何分布特點，對不正確的匹配進行剔除。第六，改善不完全對應的控制點的位置。第七，選擇變換模式，本文的配準實驗選擇仿射變換。

經(jīng)過實踐驗證，相比于SIFT算法，Harris-PIIFD算法能夠提取出具有更高相似性的特征點，且提取特征點的PIIFDs相對來說更加容易。

3 眼底圖像的預處理及分析

3.1 原始眼底圖像的預處理

上述分析當中提到，在眼底圖像當中，血管網(wǎng)絡為樹狀結構，大量的分支結構容易在成像過程中產(chǎn)生相互干擾，進而導致部分眼底圖像當中出現(xiàn)血管邊界模糊或與背景的對比度較低問題，因此，需要對原始眼底圖像進行預處理。

第一，要對其進行灰度處理。在獲得RGB真彩色眼底圖像之后，明確圖像的基本構成，即m*n*3的數(shù)據(jù)數(shù)組[7]。由于每個像素的顏色，都有相應位置上藍色、綠色、紅色的亮度來決定，而這三種顏色分別存儲于對應數(shù)據(jù)組的三個維度上，在處理過程中，可分別提取這三種顏色面板，依次進行灰度處理。

第二，要對原始眼底圖像進行平滑降噪處理。在多種因素的影響下，包括眼底病變或圖像采集過程中產(chǎn)生噪聲等，原始眼底圖像當中可能會包含著大量的冗余特征信息，一般來說，這些冗余信息的形成都是隨機的，分布也成離散狀態(tài)，所以建議采用濾波處理的方式，來實現(xiàn)對原始眼底圖像的平滑降噪目的。較為常用的濾波處理方式有均值濾波，其數(shù)學定義為：g（x，y）=1/mΣf（x’，y’），式中的g（x，y）表示處理后的圖像；（x’，y’）∈Ω，是（x，y）和其相鄰區(qū)域的像素點；m為像素點與相鄰區(qū)域像素點的總個數(shù)。

此外，中值濾波也是常被用于原始眼底圖像預處理的方法，數(shù)學定義為：g（x，y）=med{f（x’，y’）}

相比之下，中值濾波能夠對由均值濾波而造成的圖像模糊問題進行有效解決，在有效去除各類干擾噪聲的同時，對圖像邊緣起到良好的保護作用。

第三，提取興趣域。原始眼底圖像中的興趣域多數(shù)情況下基于黑色背景下，且背景下還含有大量的冗余信息，對此，可充分利用圖像掩模來對感興趣區(qū)進行有效提取。技術原理就是將感興趣區(qū)掩模乘以待處理圖像，如此便能得到感興趣區(qū)的具體圖像，進而在保持興趣域不變的前提下，有效分離原始眼底圖像中，興趣域的背景與前景[8]。

3.2 眼底血管骨架提取

在提取眼底血管骨架之前，實現(xiàn)應該有效增強血管的對比度，此環(huán)節(jié)可采用形態(tài)學操作方式。一般來說，形態(tài)學的基本操作包括四方面內(nèi)容，分別是膨脹運算、腐蝕運算、開運算、閉運算，在這些運算方法的支持下，能夠顯示對原始眼底圖像的分割、增強、濾波、特征處理與邊緣檢測等操作。其中，膨脹運算的數(shù)學定義為：式中的X表示原圖，而B表示的是元素結構，定義式的內(nèi)涵即X被B膨脹。腐蝕運算的定義為表示X被B腐蝕[9]。而開運算是對圖像先腐蝕后膨脹，閉運算則是對圖像先膨脹后腐蝕[10]。

在提取原始眼底圖像血管網(wǎng)絡的基礎上，對其進行細化處理，能夠進一步提取出血管骨架[10]。根據(jù)實際提取結果比較與分析，能夠發(fā)現(xiàn)本文提出的算法，能夠準確提取較大的血管分析，并實現(xiàn)對血管骨架的細化處理。但實驗結果表明，本文提出的算法仍有不足之處，即對于細小血管來說，圖像提取的準確性還有待提升，但這對相關實際應用中分支點的提取效果，不會產(chǎn)生影響[11]。

綜上所述，探究眼底圖像處理與分析中的關鍵技術，對提升相關疾病的診斷與治療具有重要意義。通過相關分析，充分利用相關技術對眼底圖像進行處理與分析，能夠幫助相關人員從眼底圖像當中，獲得更加準確、豐富的信息內(nèi)容，為各類疾病的診斷與治療，提供可靠依據(jù)。本文的研究在一些方面還存在不足，如實驗程序處理速度較慢等，還需切合醫(yī)學實際優(yōu)化研究過程，以提升研究價值。