摘要：醫(yī)學(xué)圖像是臨床診斷的關(guān)鍵依據(jù)，在醫(yī)學(xué)研究與應(yīng)用中具有重要價值。眼底圖像是醫(yī)學(xué)圖像的重要分支，可以通過眼底儀拍攝人體視網(wǎng)膜獲得。然而，受限于眼底相機固有的視場限制，單幅眼底圖像通常僅能捕獲視網(wǎng)膜的部分區(qū)域信息。為了獲得完整的眼底信息便于醫(yī)師的臨床診斷，需要對拍攝的多幅同一眼球的眼底圖像進(jìn)行配準(zhǔn)。文章研究了經(jīng)典的SIFT、SURF算法，并針對眼底圖像特性，提出了一種基于血管結(jié)構(gòu)特征的匹配方法，旨在為提升后續(xù)眼底圖像配準(zhǔn)精度提供理論與方法參考。

關(guān)鍵詞：眼底圖像配準(zhǔn)；血管分叉點；SURF；特征提?。惶卣鼽c匹配

中圖分類號：TP3" "文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2025）18-0102-04

開放科學(xué)（資源服務(wù)） 標(biāo)識碼（OSID）

0 引言

信息技術(shù)的飛速進(jìn)步推動了計算機技術(shù)在醫(yī)療診斷領(lǐng)域的廣泛應(yīng)用。醫(yī)學(xué)影像為疾病診斷提供了豐富的科學(xué)依據(jù)，其處理與分析技術(shù)已成為醫(yī)學(xué)影像學(xué)的核心組成部分。眼科醫(yī)師通過觀察和分析獲取的眼底醫(yī)學(xué)影像，進(jìn)而對與視網(wǎng)膜有關(guān)的疾病做出及時有效的臨床診斷。例如高血壓性視網(wǎng)膜病變就是一種典型的醫(yī)學(xué)病癥實例，其初期表現(xiàn)為眼底血管中的動脈硬化，是高血壓的重要早期指標(biāo)之一。

為獲取全面的眼底信息，需采用圖像配準(zhǔn)技術(shù)，將同一視網(wǎng)膜在不同視角下獲取的多幅圖像融合成一幅寬視場圖像，從而實現(xiàn)眼底圖像的自動配準(zhǔn)。本文旨在比較經(jīng)典的SIFT、SURF特征提取算法與一種基于血管分叉點（利用八鄰域分析檢測） 的特征點提取及匹配方法在眼底圖像中的性能。

1 SIFT特征點提取與匹配

1999年，David.Lowe提出了尺度不變特征SIFT算法，在2004年他又對該算法進(jìn)行了改進(jìn)[1]，該特征提取方法在圖像配準(zhǔn)領(lǐng)域應(yīng)用十分廣泛。其提取的特征點滿足旋轉(zhuǎn)不變性、縮放不變性和局部不變性，對于亮度、噪聲等影響因素也能保持很強的穩(wěn)定性，實現(xiàn)原理是在圖像的尺度空間內(nèi)，通過高斯差分來檢測圖像的極值點，對極值點進(jìn)行特征描述后，構(gòu)建特征向量，得到特征點，再從特征點中找到匹配的特征點對用于圖像配準(zhǔn)。實現(xiàn)過程可以分為以下四步：

1）圖像尺度空間建立

尺度空間理論是在多尺度方法的基礎(chǔ)上，對一維信號尺度空間進(jìn)行定義，構(gòu)建圖像一維的尺度空間。在一維空間的基礎(chǔ)上，對圖像的二維空間進(jìn)行拓展，通過連續(xù)信號[I（x，y）]的高斯卷積，將不同尺度空間內(nèi)的信號進(jìn)行差分后形成差分尺度空間，尺度空間高斯差分函數(shù)公式如下：

[L（x，y，σ）=G（x，y，σ）I（x，y）] （1）

式（1）中，[?]表示卷積過程，[G（x，y，σ）]為尺度空間高斯核函數(shù)，公式如下：

[G（x，y，σ）=12πσ2exp（-x2+y22σ2）] （2）

式（2）中，[σ]為高斯拉普拉斯算子（LOG） 用于檢測該尺度空間的特征尺度。通過高斯差分（DoG） 近似高斯拉普拉斯算子（LoG） ，并在不同尺度上構(gòu)建高斯金字塔，從而建立DOG尺度空間。

2）SIFT關(guān)鍵點檢測

DOG尺度空間中存在著局部極值也可以稱其為斑點，即為檢測到的SIFT關(guān)鍵點。通過比較采樣點同一尺度空間和上下相鄰尺度空間的26個（同尺度8個，上下各9個） 鄰域像素點，當(dāng)采樣點大于所有26個相鄰點時，則判定該采樣點為極值點，即SIFT關(guān)鍵點。利用以采樣點為原點的高斯尺度空間核函數(shù)[G（x，y，σ）]進(jìn)行泰勒二次展開式曲面擬合，展開公式如下：

[D（X）=D+?DT?XΔX+12ΔXT?2D?X2ΔX] （3）

X為采樣得到的極值點，對X求導(dǎo)后函數(shù)在極值點的導(dǎo)數(shù)為0，求得極值點相對于采樣極值點的偏移量[ΔX]，公式如下：

[ΔX=-?2D-1?D?x2?D?x] （4）

多次迭代后得到極值點[X]，將式（4）代入式（3）后得到泰勒展開公式如下：

[D（X）=D+12?DT?X] （5）

當(dāng)[D（X）]位于閾值區(qū)間[0.01，0.05]內(nèi)時，判定其為穩(wěn)定的SIFT關(guān)鍵點并保留下來。這樣找到的SIFT關(guān)鍵點中包含圖像邊緣處的點，該類極值點難以定位且對噪聲極其敏感，故也需要將其剔除。

3）SIFT特征描述子

SIFT特征描述是通過SIFT關(guān)鍵點鄰域內(nèi)像素梯度特性，確定特征點的主方向。每個極值點[L（x，y）]梯度的模[m（x，y）]與方向幅角[θ（x，y）]表示公式如下：

[m（x，y）=（L（x+1，y）-L（x-1，y））2+（L（x，y+1）-L（x，y-1））2] （6）

[θ（x，y）=tan-1（L（x，y+1）-L（x，y-1））/L（x+1，y）-L（x-1，y）] （7）

通過直方圖對鄰域內(nèi)極值點的梯度值和幅角值進(jìn)行統(tǒng)計，確定在直方圖最高峰處為關(guān)鍵點的方向。以關(guān)鍵點為中心選取16×16的鄰域窗口，并將其劃分為4×4的子區(qū)域，每個子區(qū)域統(tǒng)計8個方向的梯度，從而形成128維特征向量，對向量進(jìn)行歸一化后得到SIFT特征描述子。

4）SIFT特征點匹配

在對SIFT關(guān)鍵點進(jìn)行特征描述后，將兩幅圖像上的特征點進(jìn)行匹配。特征點的匹配，一般采用最近鄰法，并通過最近鄰與次近鄰距離比進(jìn)行篩選，將滿足條件的點擬定為匹配的SIFT特征點對[2]。對眼底圖像進(jìn)行SIFT特征提取后，初始匹配結(jié)果如圖1所示。

從圖1中可以看出，通過SIFT算法對眼底圖像進(jìn)行特征點提取匹配后發(fā)現(xiàn)，SIFT特征點對于對比度低的眼底圖像匹配得到的特征點對太少，在后續(xù)使用匹配的特征點對來計算圖像配準(zhǔn)變換模型時，由于用來計算的特征點對數(shù)量不足，使得變換模型參數(shù)不夠準(zhǔn)確，影響最終的配準(zhǔn)結(jié)果。

2 SURF特征點提取與匹配

2006年，Bay等人[3]針對SIFT特征點在計算速度和效率上無法滿足實時性的這一問題，對SIFT算法進(jìn)行了改進(jìn)，提出了快速魯棒特征（SURF） 算法，與SIFT算法相比，SURF算法通過采用積分圖像和盒狀濾波器近似高斯二階導(dǎo)數(shù)，實現(xiàn)了尺度不變特征的快速檢測與描述。其具體實現(xiàn)步驟如下：

1）積分圖像

SURF算法將圖像與二階高斯微分模板進(jìn)行卷積濾波后，對得到的積分圖像進(jìn)行加減操作。定義源圖像I上任意一點[x'，y']處的圖像灰度值為[I（x'，y'）]，將該點處對應(yīng)的對角線矩形區(qū)域內(nèi)灰度值相加求和，表達(dá)公式如下：

[IZ（x，y）=i=0i?x'j=0j?y'I（x'，y'）] （8）

式（8）中，[IZ（x，y）]為在[（x'，y'）]點處的積分圖像數(shù)值。

2）圖像尺度空間建立

圖像[I]中任意像素點定義為[x，y]，在尺度[σ]上的Hessian矩陣[H（x，σ）]表示公式如下：

[H（x，σ）=Lxx（x，σ）Lxy（x，σ）Lxy（x，σ）Lyy（x，σ）] （9）

式（9）中，[Lxx（x，σ）]是二階高斯微分與圖像對應(yīng)的像素點（x，y）在X方向上的卷積結(jié)果，同理求得[Lxy（x，σ）]，[Lyy（x，σ）]。

將高斯二階微分圖形模板轉(zhuǎn)化成9×9的盒子濾波器模板，旋轉(zhuǎn)該模型發(fā)現(xiàn)，當(dāng)圖像旋轉(zhuǎn)奇數(shù)倍的[π/4]時，檢測到的特征點有較少的重復(fù)；當(dāng)旋轉(zhuǎn)偶數(shù)倍[π/4]時，重復(fù)率明顯增高。通過旋轉(zhuǎn)濾波器方向，對矩形區(qū)域中的白色，灰度，黑色區(qū)域分別填充1， 0，[-1]。

3）SURF特征描述子

SURF算法通過積分圖像與盒子濾波器進(jìn)行卷積后構(gòu)建空間金字塔，使其特征點具有尺度不變特性[4]。將每個特征點分配一個主方向，在4×4的鄰域范圍內(nèi)尋找x，y兩個方向上的Haar小波響應(yīng)值，用64維的特征向量來描述特征點。通過降低特征向量維度以及重構(gòu)尺度空間金字塔的方式，實現(xiàn)了對SIFT算法時間運行復(fù)雜度上的優(yōu)化和改進(jìn)。

同樣的，對眼底圖像進(jìn)行SURF特征點的提取和初始匹配，結(jié)果如圖2所示。

從圖2中可以看出，SURF算法提取得到的特征點對布局相對集中，無法很好地描述整幅圖像的結(jié)構(gòu)信息，因此在后續(xù)使用圖像配準(zhǔn)變換模型對圖像進(jìn)行拼接時，得到的配準(zhǔn)結(jié)果也會較差。

3 基于血管分叉點的特征提取與匹配

本文中使用的眼底圖像對比度低，而傳統(tǒng)的特征點提取算法難以保證提取到的眼底圖像特征點數(shù)量以及準(zhǔn)確度。因此根據(jù)眼底圖像的特點，從眼底圖像上提取血管樹，在血管中心線上尋找血管分叉點，并通過對分叉點進(jìn)行SURF特征描述后，實現(xiàn)對眼底圖像特征點的提取，為后續(xù)特征點的匹配打下基礎(chǔ)。算法主要步驟如下：

1）血管樹的提取

本文主要通過二值化對眼底圖像進(jìn)行初始化處理后，進(jìn)行血管樹的提取。取RGB眼底彩色圖像綠色通道上的灰度圖像進(jìn)行二值化處理，結(jié)合眼底血管特性，血管中心通常是較暗或較亮的條紋，因此梯度方向垂直于血管，因此本論文從空間平面角度出發(fā)，將空間平面每15°進(jìn)行血管劃分，設(shè)置血管檢測濾波器，然后將提取的12幅眼底圖像的像素點進(jìn)行整合，本文具體實現(xiàn)方法如下：

血管邊緣一般為三個像素點，定義一個7×7的模板，將模板依次旋轉(zhuǎn)15°，共旋轉(zhuǎn)12次，旋轉(zhuǎn)的模板與眼底圖像依次進(jìn)行卷積。對于圖像上任意一點[m]，將其模板區(qū)域內(nèi)的像素與定義的模板進(jìn)行卷積，將模板區(qū)域內(nèi)所有像素點卷積值的總和與設(shè)定的閾值進(jìn)行比較，當(dāng)該點處的值小于閾值時，則將其認(rèn)定為血管樹上像素點，否則判定其為背景點。計算公式如下：

[P=i=0Nmi] （10）

式（10）中，N為模板區(qū)域內(nèi)的像素點數(shù)，mi為m點處模板區(qū)域內(nèi)每個像素點對應(yīng)的卷積值。

[b=0" "Plt;V1" "P≥V] （11）

將各個像素點對應(yīng)的值與設(shè)定的閾值V進(jìn)行對比，b為分割后像素點對應(yīng)的二值化的值，0為分割出來的血管像素點，1為眼底圖像背景像素點。

對FIRE眼底圖像數(shù)據(jù)庫中的圖像進(jìn)行血管樹的提取，各角度下提取效果及最終提取血管樹效果如圖3和圖4所示。

在得到了具有寬度的血管樹之后，利用血管邊緣的梯度、散度信息，將具有方向的梯度矢量轉(zhuǎn)變?yōu)樯⒍葮?biāo)量值，通過將像素點鄰域范圍內(nèi)的散度值和與閾值進(jìn)行比較，提取出眼底血管中心線。分別沿著水平和垂直方向?qū)G（x，y）]圖像內(nèi)像素點進(jìn)行梯度化處理，得到兩個方向上的梯度矢量[M，N]，對該點處的梯度矢量進(jìn)行歸一化處理公式如下：

[M'=MM2+N2N'=NM2+N2] （12）

在此基礎(chǔ)上，根據(jù)眼底血管的不同方向，將梯度矢量轉(zhuǎn)化成散度標(biāo)量，并附加上角度旋轉(zhuǎn)來獲取不同角度下的血管中心線。公式如下：

[Pi=dM'dxcosθ+dN'dysinθ] （13）

式（13）中，Pi為單個圖像像素點的散度，將其周圍領(lǐng)域內(nèi)像素點散度相加，該像素點在鄰域內(nèi)的散度和SG（x，v）計算公式如下：

[SG（x，v）=i=1nPi] （14）

式（14）中，[n]表示鄰域內(nèi)像素點數(shù)。計算得到圖像中所有像素點的散度標(biāo)量值之后，通過設(shè)定的閾值將血管中心線提取出來，公式如下：

[I（x，y）∈0" "if" SG（x，y）≥t1" "if" SG（x，y）lt;t] （15）

式（15）中，t是中心線處設(shè)定的閾值，通過多次實驗對比，本文中閾值大小[5]設(shè)定為0.8。將散度值大于閾值的像素點確定為血管中心線上的點，再通過數(shù)學(xué)形態(tài)學(xué)上的腐蝕、膨脹和去骨刺等操作，將血管中心線圖像上出現(xiàn)的骨刺、邊緣骨骼等去掉，方便后續(xù)眼底圖像特征點的尋找。

2）血管分叉點提取

在提取得到血管中心線二值化圖像后，需要提取血管中線上的血管分叉點。

本文采用文獻(xiàn)[5]中的八鄰域模板定義，以P點為中心將其周圍八個像素點確定為連接點，由于血管分叉點分布特征需要滿足其周圍至少具有三個鄰域點，總共會出現(xiàn)[C38]=56種情況，找出16種滿足血管分叉點分布形態(tài)的情況，如圖5所示。

文獻(xiàn)[5]中定義的血管分叉點八鄰域模板能夠很好的實現(xiàn)血管分叉點的提取，但其對于分叉點的特征描述，通過角度以及長度信息對分叉點局部特征進(jìn)行描述，構(gòu)建了32維的特征向量。在降低特征向量維度的情況下，加快了分叉點特征描述時間，但其對于分叉點局部特征信息描述不夠詳細(xì)，使得一些細(xì)小血管上的分叉點特征描述不夠完善，造成了分叉特征點的誤匹配以及漏匹配。針對這一問題，本文對其特征點的特征描述進(jìn)行了改進(jìn)，通過使用滿足尺度不變特性，且在計算效率上足夠高效的SURF特征描述子對分叉點進(jìn)行特征描述，得到分叉特征點，再通過歐式距離比較兩組特征向量，得到初始匹配的分叉特征點，如圖6所示。

對初始匹配的血管分叉點通過歐式距離進(jìn)行提純后，剔除誤匹配點對，得到匹配的分叉特征點，如圖7所示。

從圖7中可以看出，找到的血管分叉特征點遍布眼底圖像的重疊區(qū)域，能夠很好地描述整幅眼底圖像的結(jié)構(gòu)特征，匹配的特征點數(shù)量足夠多，且保持尺度不變特性，能夠很好地滿足眼底圖像配準(zhǔn)過程中的投影變換。

4 總結(jié)

從實驗結(jié)果來看，經(jīng)典的SIFT算法對于對比度低的眼底圖像提取到的匹配特征點數(shù)量太少，這使得最終的拼接結(jié)果較差；SURF算法通過對SIFT算法的改進(jìn)，由于尺度空間金字塔構(gòu)建方式的不同，能夠找到較多的特征點對，但從圖2中可以看出，使用SURF算法找到的特征點對過于集中，無法很好地滿足圖像的全局配準(zhǔn)，且由于其對特征點的灰度差異值敏感，對于部分對比度過低的眼底圖像，其特征點提取數(shù)量也較少，穩(wěn)定性較差。

本文通過分割眼底圖像血管樹，在血管中心線上通過定義的八鄰域模板找出血管分叉點，并將血管分叉點作為特征匹配點，通過對分叉點進(jìn)行SURF特征描述，在SURF特征描述子本身滿足尺度不變、旋轉(zhuǎn)縮放不變特性的同時，提取到的分叉點匹配特征點對數(shù)足夠多，從圖7中也可以看出，特征點分布在眼底圖像全局，能夠很好地表示整幅眼底圖像結(jié)構(gòu)，后續(xù)可通過匹配的特征點實現(xiàn)同一病患不同角度眼底圖像的配準(zhǔn)拼接，從而便于醫(yī)師的臨床診斷。但本文在對血管分割準(zhǔn)確性的依賴，以及嚴(yán)重病變圖像的性能方面，缺乏廣泛的量化評估指標(biāo)，在后續(xù)的實驗中，會繼續(xù)探索基于深度學(xué)習(xí)[6]的分叉點特征檢測器、描述子與其他最新方法進(jìn)行廣泛的量化比較，從而將本文方法更好地應(yīng)用于特定的臨床任務(wù)。

參考文獻(xiàn)：

[1] LOWE D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision，2004，60（2）：91-110.

[2] 寇元超，張?zhí)K楠，古佳堯.改進(jìn)的SIFT算法在醫(yī)學(xué)圖像匹配中的應(yīng)用[J].山西電子技術(shù)，2025（2）：7-9.

[3] BAY H，TUYTELAARS T，VAN GOOL L.SURF：speeded up robust features[C]//Computer Vision-ECCV 2006.Berlin，Heidelberg：Springer，2006：404-417.

[4] 陳丹華.彩色眼底視網(wǎng)膜圖像配準(zhǔn)算法研究[D].桂林：廣西師范大學(xué)，2019.

[5] HANG Y L，ZHANG X F，SHAO Y Q，et al.Retinal image registration based on the feature of bifurcation point[C]//2017 10th International Congress on Image and Signal Processing，BioMedical Engineering and Informatics （CISP-BMEI）.October 14-16，2017.Shanghai.IEEE，2017：1-6.

[6] 何夏蘭.基于深度學(xué)習(xí)的視網(wǎng)膜眼底圖像分割與病變分類研究[D].南京：南京林業(yè)大學(xué)，2024.

【通聯(lián)編輯：朱寶貴】