基于多尺度Frangi濾波器的視網膜血管分割

袁盼 陳以

摘? 要：針對眼底視網膜圖像對比度低，受病變區域邊界干擾，很難正確提取血管細節的問題提出了一種基于多尺度Frangi濾波器的視網膜血管分割的方法。首先對圖像預處理，其次在Frangi濾波器的基礎上進行多尺度操作，完成對圖像細節的增強;最后運用遺傳算法優化的Otsu進行閾值分割，得到最終的結果圖。利用所提方法在DRIVE數據庫進行實驗，仿真結果表明上述方法對細小血管的提取表現出良好的效果，具備很強的實用價值。

關鍵詞：圖像處理;視網膜血管;遺傳算法;閾值分割

中圖分類號：TP317.4? ? ? 文獻標識碼：A 文章編號：2096-4706（2020）22-0116-04

Retinal Vessel Segmentation Based on Multi-scale Frangi Filter

YUAN Pan，CHEN Yi

（School of Electronic Engineering and Automation，Guilin University of Electronic Technology，Guilin? 541004，China）

Abstract：Aiming at the problem that the fundus retinal image has low contrast and is disturbed by the boundary of the diseased area，it is difficult to correctly extract the details of the blood vessel. A method of retinal blood vessel segmentation based on multi-scale Frangi filter is proposed. Firstly，the image is preprocessed，and then multi-scale operations are performed on the basis of the Frangi filter to complete the enhancement of image details;finally，Otsu optimized by genetic algorithm is used for threshold segmentation to get the final result graph. Using the proposed method to conduct experiments on the DRIVE database，the simulation results show that the above method has a good effect on the extraction of small blood vessels and has strong practical value.

Keywords：image processing;retinal vessel;genetic algorithm;threshold segmentation

0? 引? 言

中國是世界上糖尿病患者最多的國家，且逐年上漲，糖尿病會引起視網膜血管產生變化，因此研究視網膜血管分割對于糖尿病的診斷起著積極的作用。本人單位和醫院合作共同研究視網膜血管分割技術，視網膜血管分割技術有利于促進智能醫療的發展[1]。然而視網膜血管分割容易受到光照、噪聲、病變的影響，難以精確分割出血管。

針對上述問題，文獻[2]提出一種基于Frangi濾波器和形態學重建的視網膜血管分割方法，首先運用Frangi濾波器檢測出血管，再使用形態學重建技術獲得清晰的視網膜血管圖像。該方法可以簡單分割出血管，但是噪聲、病變對其影響較大。文獻[3]提出一種基于Frangi濾波器和Otsu視網膜血管分割的方法，此方法在文獻[2]的基礎上融合形態學閾值分割的圖像，從而得到最終分割結果圖，該方法能有效解決光照、噪聲、病變的影響，較為完整的分割出視網膜血管圖像，但血管細節難以很好的分割出來。

為應對上述方法的不足，本文提出一種基于多尺度Frangi濾波器的視網膜血管分割方法。首先對彩色眼底圖像預處理，得到更加有利于后續操作需要的圖像;其次在Frangi濾波器的基礎上多尺度增強圖像細節，有效提升血管與背景的對比度，最后使用遺傳算法優化的Otsu進行閾值分割，得到細節完整的血管圖像。

1? 基于多尺度Frangi濾波器視網膜血管分割

1.1? 圖像預處理

彩色眼底視網膜圖像有紅、綠、藍三個通道。我們對彩色眼底視網膜圖像通道分離，其中綠通道眼底圖像有對比度較高、信噪比低、血管脈絡清晰的特點，故本文選取綠通道圖像進行后續的處理[4]。

圖像中的每個點對應的對比度差別非常大。為解決這一問題，采用限制對比度直方圖均衡化（CLAHE）算法[5]。

由于圖像采集中會產生大量的噪聲，為解決這一問題，采用中值濾波算法[6]。實驗處理過程如圖1所示。

1.2? Frangi濾波器

Frangi濾波是基于Hessian矩陣[7]構造出來的一種邊緣檢測增強濾波算法。Hessian矩陣是二階偏導數組成的，其特征值和對應的特征向量，能很好的描述血管的信息，對噪聲非常敏感。它存在兩個特征值：λ1和λ2。那么λ1可以代表較小的曲率方向（灰度梯度變化小），λ2代表較大的曲率方向（灰度梯度變化大）。由此可以定義以下兩個變量：

再根據Rb和S構建σ尺度下的線性濾波響應函數：

其中β、γ為控制線性濾波器對測量Rb和S的靈敏度的閾值。S對血管處的響應起關鍵作用，如果γ較大，S的變化程度相對被壓制了，那么圖像就變得平滑。實驗結果如圖2（a）所示。

1.3? 多尺度細節增強

為了進一步提高圖像的局部細節效果，設計了一種多尺度Frangi濾波器。該方法在單一尺度Frangi濾波器的基礎上進行多尺度高斯模糊，相減得到各程度圖像細節，經過合適的權值系數融合各部分細節信息到匹配濾波后的圖像中。首先，我們將高斯核應用于Frangi濾波后的圖像I以獲得三個不同的模糊圖像B1，B2，B3。

其中G1、G2和G3為分別具有標準偏差σ1=1.0，σ2=2.0和σ3=4.0的高斯核。然后，提取精細細節D1，中間細節D2和粗糙細節D3，分別為：

然后，通過合并三個部分的細節信息來生成整體細節圖像。

其中w1、w2和w3分別固定為0.50、0.50和0.25，實驗結果如圖2所示。

1.4? 遺傳算法優化Otsu

遺傳算法[8]是一種通過模擬自然進化過程搜索最優解的方法。

Otsu閾值分割[9]是將灰度范圍G={0，1，…，L-1}的圖像進行處理，假設M×N圖像像素共有L個灰度級，其中灰度級為i（i∈G）的像素數目為ni，為了將圖像分為目標與背景兩類，分別表示為C1、C2，設立一個閾值t，灰度I出現的概率表示為pi，圖像中目標部分的概率指的是目標部分像素出現概率的總和表示為P1：

圖像中背景部分的概率表示為P2，目標部分的均值表示為μ1：

背景部分的均值表示為μ2：

兩組間的方差公式為：

最佳閾值t為能讓方差取最大值，將Otsu法延申到雙閾值分割時，最佳閾值t1、t2能讓三類間方差取得最大值，即：

利用Otsu法進行圖像的雙閾值分割的閾值求解問題就可歸納為最佳閾值t1、t2的優化問題。因此我們將遺傳算法與Otsu雙閾值分割結合起來。具體流程如圖3所示。

在初始化種群時，將種群編碼為16位的二進制，染色體亦編碼為16位的二進制，前八位和后八位分別代表兩個分割閾值，采用式（9）為適應度函數，運用蒙特卡洛法和精英策略進行選擇，采取雙點交叉作為交叉方式，按照變異概率隨機將前8位和后8位中某個字符串改變，當算法執行到最大代數時停止。

2? 結果與分析

2.1? 實驗環境與數據庫

本文實驗是在Windows 10系統，2.49 GHz處理器，4 GB內存，Python3.7編程環境下進行的。使用的眼底彩色圖像來自于DRIVE[10]（Digital Retinal Images for Vessel Extraction）數據庫。DRIVE數據庫分為兩個子集：測試數據庫子集和訓練數據庫子集，各含有20幅圖像。

2.2? 評價指標

眼底圖像分割的對象是像素點，判斷像數點表示的血管還是非血管，數點的分割結果表示為：真陽性數（TP）、假陽性數（FP）、真陰性數（TN）、假陰性數（FN）。

眼底圖像血管分割的評價指標通常是準確度（Accuracy，Acc）、敏感度（Sensitivity，Se）、特異性（Specificity，Sp）。三種評價指標公式為：

2.3? 結果分析

2.3.1? 分割效果

圖4展示了提出的新算法在公開的DERIVE數據庫中眼底視網膜圖像分割效果，圖4（a）（b）（c）中，左側圖片展示了原始彩色眼底圖像，中間的圖片展示了專家手工分割的標準眼底圖像，右側圖片展示了本算法分割出來的眼底圖像。

通過圖4可以直觀看出本文算法分割出的血管結構與專家手工分割的非常近似，血管細節分割較好。

2.3.2? 性能分析

根據評估指標可以確定算法的性能及臨床實用性，在DERIVE數據庫中，本文算法在三個評估指標上結果的平均值與專家分割出血管指標的平均值及文獻[1]、文獻[2]的評估指標相比較，比較結果如表1所示。

表1? 種算法在DERIVE中的性能

由表1可以看出在DERIVE數據集上本文算法分割血管的平均指標與專家手工分割血管的評估指標相接近。本文算法三項評估指標均高于文獻[1]、文獻[2]中的算法，所以本文算法能夠更加有效的分割出血管。

3? 結? 論

為解決難以有效的準確分割出血管細節的問題，提出一種基于多尺度Frangi濾波器的視網膜血管分割方法。通過圖像預處理解決圖像對比度低、噪聲大的問題，運用多尺度Frangi濾波器對預處理后的圖像進行局部細節增強，檢測出血管邊緣，最后運用遺傳算法優化的Otsu算法分割出血管結構。實驗結果表明，本文算法能夠有效的分割出血管細節結構。

參考文獻：

[1] 鄭婷月，唐晨，雷振坤.基于全卷積神經網絡的多尺度視網膜血管分割 [J].光學學報，2019，39（2）：119-126.

[2] MIRI M S，MAHLOOIIFAR A. Retinal Image Analysis Using Curvelet Transform and Multistructure Elements Morphology by Reconstruction [J].IEEE Transactions on Biomedical Engineering，2011，58（5）：1183-1192.

[3] 孟琳，劉靜，曹慧，等.基于Frangi濾波器和Otsu視網膜血管分割 [J].激光與光電子學進展，2019，56（18）：127-133.

[4] ZHU C Z，ZOU B J，ZHAO R C，et al. Retinal vessel segmentation in colour fundus images using Extreme Learning Machine [J].Computerized Medical Imaging and Graphics，2017，55：68-77.

[5] DASH J，BHOL N. A method for blood vessel segmentation in retinal images usingmorphological reconstruction [C]//2016 International Conference on Computer，Electrical&Communication Engineering.Kolkata：IEEE，2016：1-5.

[6] AARTI，GUPTA N. Performance evaluation of retinal vessel segmentation using a combination of filters [C]//2016 2nd International Conference on Next Generation Computing Technologies （NGCT）.Dehradun：IEEE，2016：725-730.

[7] 丘赟立，蔣先剛，熊娟.基于Hessian算子的多尺度視網膜血管增強濾波方法 [J].計算機應用與軟件，2014，31（9）：201-205.

[8] 種勁松，周孝寬，王宏琦.基于遺傳算法的最佳熵閾值圖像分割法 [J].北京航空航天大學學報，1999（6）：747-750.

[9] 于洋，孔琳，虞闖.自適應粒子群集優化二維OSTU的圖像閾值分割算法 [J].電子測量與儀器學報，2017，31（6）：827-832.

[10] STAAL J，ABRAMOFF M D，NIEMEJIER M，et al. Ridge-based vessel segmentation in color images of the retina [J].IEEE Transactions on Medical Imaging，2004，23（4）：501-509.

作者簡介：袁盼（1995—），男，漢族，安徽廣德人，碩士研究生，研究方向：機器學習、圖像處理;陳以（1963—），男，漢族，廣西玉林人，教授，碩士研究生，研究方向：智能控制、計算機應用技術。