彩色眼底視網(wǎng)膜的非線性映射分塊血管提取

高強 周子杰 于曉 李大華 張問銀

摘 要：為了通過分析視網(wǎng)膜血管實現(xiàn)心血管疾病的預測，針對眼底視網(wǎng)膜血管的分割精度不高問題，提出一種彩色眼底視網(wǎng)膜的非線性映射分塊血管提取方法。算法主要以局部血管特征非線性映射的圖像增強為核心，通過局部交錯窗口映射擴大血管灰度值范圍并保留微小血管的細節(jié)信息。然后將增強的圖像進行網(wǎng)格分塊，對子圖像實現(xiàn)自適應閾值分割。實驗結(jié)果表明：該算法能夠較完整的提取主血管，并且對微小血管的細節(jié)保留較好。

關(guān)鍵詞：眼底視網(wǎng)膜；非線性映射；圖像分割

1 緒論

眼底視網(wǎng)膜血管作為人體微循環(huán)系統(tǒng)的重要組成部分，是唯一可以通過非入侵方式觀測微小血管的部位。很多全身疾病是通過觀察眼底視網(wǎng)膜血管的改變來判斷疾病的嚴重程度。[1]例如高血壓患者的眼底圖像表現(xiàn)為：初期眼底動脈變窄、動靜脈比例縮小，逐漸出現(xiàn)動靜脈交叉處的交叉癥，后期可引起廣泛微血管改變等。所以分析視網(wǎng)膜血管管徑及彎曲度等特征，能夠?qū)崿F(xiàn)對心血管疾病的預測。視網(wǎng)膜血管網(wǎng)絡(luò)的研究對心血管疾病的診斷及治療具有重要意義。

為實現(xiàn)眼底視網(wǎng)膜客觀定量分析，快速、準確的眼底彩色圖像分割一直是研究的課題。2015年，王曉紅等人[2]采用不同尺度的2D Gabor小波對視網(wǎng)膜圖像進行變換，通過對DRIVE和STARE數(shù)據(jù)庫視網(wǎng)膜圖像的分割實驗，證明了該算法的有效性。2016年，Subudhi A等人[3]提出一種利用高斯一階導數(shù)的匹配濾波器進行視網(wǎng)膜血管提取的方法。2017年，黃文博等[4]提出一種有效檢測及識別彩色視網(wǎng)膜眼底圖像血管的全自動方法，采取適用于條狀結(jié)構(gòu)的組合移位濾波響應模型對視網(wǎng)膜圖像進行特征提取。2018年，Yue K等人[5]關(guān)于微小淺血管由于對比度低分割困難問題，提出一種改進的多尺度線檢測器實現(xiàn)視網(wǎng)膜血管的準確分割。

上述方法的提出對推動眼底彩色圖像的分割及應用有促進作用，但其效果還存在不足，如當血管管徑急劇變化時分割效果差，并且圖像拍攝過程較容易產(chǎn)生干擾，影響圖像效果，導致算法誤檢率上升。因此，本文提出一種彩色眼底視網(wǎng)膜的非線性映射分塊血管提取方法。實驗表明，交錯非線性映射局部特征，擴大血管圖像灰度范圍能夠加強血管與背景對比度，有效提取視網(wǎng)膜血管。

2 彩色眼底視網(wǎng)膜的非線性映射分塊血管提取

2.1 預處理

本文處理的彩色眼底視網(wǎng)膜圖像為RGB圖像，由于彩色圖像中圖像血管與背景對比度較低，我們對三個顏色通道下血管的圖像特征進行分析，如圖1所示。紅色通道中央光照對整體影響較大，靠近中央光照的血管與背景對比度較大。藍色通道圖像整體偏暗，背景與血管的對比度較低，不利于分割和血管提取。綠色通道圖像相對而言，其中央光照對圖像整體影響較小，并且內(nèi)部血管與背景對比度強，血管輪廓信息豐富。因此預處理選擇綠色通道圖像進行降噪處理。

2.2 血管特征的交錯非線性映射

由于眼底視網(wǎng)膜圖像中血管與背景對比度較低，圖像增強是血管分割中必不可少的一部分。眼底圖像邊緣血管與背景對比度普遍較低并且整體血管灰度值跨度較大，采用對比度均衡的圖像增強方法，無法有效區(qū)分全局血管與背景，因此我們采用局部灰度特征非線性映射處理圖像。

灰度特征非線性映射其本質(zhì)是將圖像區(qū)間內(nèi)的灰度值映射到另一個區(qū)間內(nèi)，從而擴大或縮小其范圍。將局部范圍內(nèi)的灰度特征進行非線性映射擴大灰度范圍提高其對比度是本算法的核心。局部非線性映射的方法是將圖像分為若干網(wǎng)格，依次對網(wǎng)格區(qū)域內(nèi)的圖像進行對比度處理。但是若網(wǎng)格劃分不合理，相鄰網(wǎng)格內(nèi)部出現(xiàn)較大的對比度差異，則容易使最終圖像的相鄰網(wǎng)格間差異顯著，影響后續(xù)血管的分割。因此提出一種交錯灰度特征非線性映射方法，示意圖如圖2所示。

通過窗口檢測的區(qū)域一般灰度值分布相對集中，其在灰度直方圖的表現(xiàn)為小范圍灰度區(qū)間內(nèi)存在多數(shù)像素點，這種密集分布對血管與背景準確劃分的要求較高，微小的偏差會增加后續(xù)分割的難度，因此灰度非線性映射具有重要的意義。本文假設(shè)檢測窗口是長寬為W的矩形，N表示窗口內(nèi)像素點的數(shù)量，由灰度直方圖獲取最小灰度值Imin和最大灰度值Imax，由于血管的灰度值普遍較小，為增加對背景的削弱作用，定義一個閾值Imid=Imax-（Imax-Imin）/α，α為比例系數(shù)。灰度非線性映射方法可表示為R（i，j）=（I（i，j）-Imin）/（Imid-Imin），R（i，j）表示經(jīng)非線性映射后的像素點灰度，I（i，j）表示原像素灰度值。

在圖像非線性映射過程中，設(shè)置窗口移動距離為W/2時會出現(xiàn)窗口交錯狀態(tài)，不同窗口內(nèi)由于灰度分布不相同，灰度非線性映射后，交錯的同一個位置存在差異。為了防止不同交錯窗口之間特征過于顯著，對映射后的圖像添加余弦窗處理，弱化重疊的邊緣灰度特征，使得不同窗口的邊緣能夠擁有較好的過渡。

2.3 子圖像閾值分割

視網(wǎng)膜血管圖像中，局部范圍內(nèi)大部分血管與背景的圖像特征都比較均勻，能夠利用一個閾值將其準確分割。但是還是存在一部分差異顯著的區(qū)域，例如子圖像位于視網(wǎng)膜邊緣時，背景灰度特征會影響子圖像的整體特征，造成自適應閾值的選擇出現(xiàn)偏差。

因此在進行閾值分割前，我們將灰度非線性映射后的圖像劃分為同樣尺寸的若干子圖像，對于每一塊子圖像，首先判斷是否位于圖像邊緣，即檢測圖像中是否包含多數(shù)低灰度值的像素點。然后再對子圖像進行自適應閾值分割。

3 實驗結(jié)果及評價

彩色眼底視網(wǎng)膜的非線性映射分塊血管提取的具體步驟為：

（1）輸入彩色視網(wǎng)膜圖像，提取綠色通道分量圖像并進行降噪處理。

（2）設(shè)置移動窗口檢測血管圖像進行灰度特征交錯非線性映射，得到映射后的血管增強圖像P。

（3）將圖像P劃分為若干尺寸相等的子圖像，對每個子圖像進行自適應閾值分割獲得提取的血管圖像。

為驗證本文算法的有效性，選取重度非增殖性糖尿病視網(wǎng)膜病變圖像作為實驗圖像，利用傳統(tǒng)分割算法對眼底視網(wǎng)膜血管圖像進行實驗。圖3是為比對算法的分割效果。實驗表明，一般經(jīng)典的算法針對視網(wǎng)膜血管這類灰度值范圍大，特征分布不均勻的圖像，分割效果普遍不理想，而本文提出的算法結(jié)合局部灰度特征非線性映射的圖像增強方法，能夠?qū)崿F(xiàn)對大部分主血管及微小血管的提取。

4 結(jié)論

本文針對彩色視網(wǎng)膜圖像邊緣對比度低，血管灰度值跨度大等問題，提出一種彩色眼底視網(wǎng)膜的非線性映射分塊血管提取方法。通過灰度特征交錯非線性映射方法增強血管圖像，然后將增強圖像網(wǎng)格化，對各子圖像進行自適應閾值分割實現(xiàn)血管提取。實驗結(jié)果驗證了本算法針對彩色視網(wǎng)膜圖像能夠擁有較為準確的分割效果。另一方面，算法依舊存在不足之處，算法對噪點和非血管的特殊背景區(qū)域處理效果較差，部分噪點與血管相互連通，不利于后續(xù)管徑及彎曲度的分析。

參考文獻：

[1]Aguirre-Ramos H，Avina-Cervantes JG，et al.Blood vessel segmentation in retinal fundus images using Gabor filters，fractional derivatives，and Expectation Maximization[J].Applied Mathematics & Computation，2018，339（1）：568-587.

[2]王曉紅，趙于前，廖苗，等.基于多尺度2DGabor小波的視網(wǎng)膜血管自動分割[J].自動化學報，2015，4105：970-980.

[3]Subudhi A，Pattnaik S，Sabut S.Blood vessel extraction of diabetic retinopathy using optimized enhanced images and matched filter[J].J Med Imaging，2016，3（4）：044003.

[4]黃文博，王珂，燕楊.彩色視網(wǎng)膜眼底圖像血管自動檢測方法[J].光學精密工程，2017，25（05）：1378-1386.

[5]Yue K，Zou B，Chen Z，et al.Improved multi-scale line detection method for retinal blood vessel segmentation[J].Iet Image Processing，2018.

作者簡介：第一作者高強（1968-），男，碩士，教授，研究方向為智能控制、復雜系統(tǒng)的故障診斷、半實物仿真等。

通訊作者：于曉，講師，主要研究方向為機器視覺與人工智能。