英语原文共 10 页

模式识别47（2014）2437-2446

目录列表可在科学直通车

模式识别

期刊主页：www.elsevier.com/locate/pr

视网膜血管分割基于水平集和区域增长

于谦赵^a，萧红王^a，小芳王^b, 石一梅^c

a中南大学地球科学与信息物理学院，湖南长沙410083

b里昂中央学院, 国际法院, UMR5205, f-69134, 法国

c计算科学学院，新泽西理工学院，纽瓦克，新泽西州07102，美国

文章信息

文章历史：

2012年2月8日收到以2013年11月4日修订的形式收到

接受2014年1月17日

2014年1月23日在线提供

关键词：

视网膜血管分割2D Gabor小波

等级设定区域增长

摘要

视网膜血管在视网膜病变的诊断过程中起重要作用。准确分割视网膜血管对于病理分析至关重要。在本文中，我们提出了一种基于水平集和区域生长的视网膜血管分割新方法。首先，通过对比度受限的自适应直方图均衡和2D Gabor小波对视网膜血管图像进行预处理以增强血管。然后，使用各向异性扩散滤光器来平滑图像并保持血管边界。最后，应用区域生长方法和具有水平集实现的基于区域的活动轮廓模型来提取视网膜血管，并将它们的结果组合以实现最终分割。使用三种不同的测量结果在公开的DRIVE和STARE数据库上进行比较。实验结果表明，该方法在DRIVE数据库上的平均准确率为94.77％，在STARE数据库上的平均准确率为95.09％。

copy;2014 Elsevier Ltd. All rights reserved.

1. 介绍

视网膜血管的结构为眼科护理专家提供了重要信息。视网膜血管的变化可能表明动脉硬化，高血压，糖尿病，心血管疾病和中风等疾病[1–5].例如，糖尿病视网膜病变是导致失明的主要原因之一，其首次表现为微小的毛细血管扩张作为微动脉瘤。[5].早期识别视网膜血管变化的定期筛查可以防止大多数情况下的主要视力丧失[5].因此，准确的视网膜血管分割是后续视网膜疾病诊断的先决条件。然而，视网膜血管分割存在若干挑战：首先，除了视网膜血管外，视网膜图像中还存在一些其他结构（例如视神经盘，中央凹），这使得自动血管分割变得困难。其次，视网膜血管具有宽范围的宽度，与背景相比，薄血管具有较低的对比度，这使得物体检测更加困难。

已经提出了各种方法来自动分割视网膜血管。以前的研究[6–8] 采用匹配滤波器（MF）增强视网膜血管，然后使用自适应阈值提取视网膜血管像素。考虑到血管的横截面可以近似建模为高斯函数，Chaudhuri等。[6] 使用一组高斯核与视网膜图像卷积，然后检测沿不同方向的最大响应。Hoover等人提出了MF的改进。[7]，他利用基于区域的阈值探测器和局部血管特性将像素分类为血管或非血管。最近，张等人。[8] 提出了一种由零均值高斯函数组成的MF-FDOG方法

和高斯的一阶导数（FDOG）。在该方法中，仅通过对图像对MF的响应进行阈值处理来提取视网膜血管，但必须通过图像对FDOG的响应来判断阈值。

血管追踪是视网膜血管分割的另一类方法。在这些方法中，选择一组种子点，并且基于当地信息通过跟随血管中心线跟踪视网膜血管。Grisan等。[9] 将血管种子点定位在网格上并使用模糊C均值分类器跟踪血管像素。该方法可以准确地提取局部血管几何。有关跟踪策略的详细信息，请参阅[10–12].

数学形态学方法被用于[2,13,14].在[2]，作者使用检测到的视网膜血管中心线来生长从形态学操作中获得的血管结构。Zana等人。[13] 组合形态滤波器与交叉曲率评估分割血管样图案，并测试他们的方法对视网膜照片。罗森特等人。[14] 提出了一种基于形态学和拓扑分析的算法，从眼底图像中提取血管树。其他方法，如拓扑自适应蛇[15]，双胞胎的丝带[16]，也已被引入船舶分割。

用于视网膜像素分类的监督学习方法在[17–20].Niemeijer等。[17] 为每个像素提取简单的特征向量，并使用K近邻（KNN）分类器来估计属于血管的每个像素的概率。Staal等人。[18] 提出了一种基于图像脊的检测的监督学习方法，该方法被用作线元素。在该方法中，通过将每个像素分配给最近的线元素以形成图像来生成一组特征

2438 Y. Qian Zhao et al./ Pattern Recognition 47（2014）2437-2446

补丁，然后应用特征选择方案来对像素进行分类。Soares等人。[19] 提出了一种基于像素特征向量的方法，该方法由像素强度和2D Gabor小波变换响应组成，然后使用贝叶斯分类器获得最终的视网膜血管。Ricci等人。[20] 应用两个正交线检测器和目标像素，通过支持向量机（SVM）构造用于血管像素分类的特征向量。

虽然这些方法已经显示出它们对于视网膜血管分割的良好性能，但是存在一些需要改进的局限性，包括由于视网膜血管和背景之间的低对比度引起的薄血管的错误提取，以及对于视网膜血管和背景的连接性损失。视网膜血管树，其拓扑结构相对复杂。在本文中，我们提出了一种基于水平集和区域生长的视网膜血管分割新方法。首先，使用对比度受限的自适应直方图均衡（CLAHE）来补偿非均匀照明的效果，然后使用2D Gabor小波来增强视网膜图像的对比度。然后以两种平行的方式进行视网膜血管分割。第一种方法是使用各向异性扩散滤光片来平滑视网膜图像并通过活动轮廓模型提取宽视网膜血管。第二种方法是通过直接生长的区域检测细血管。最后，将两个分割结果组合以获得最终提取的视网膜血管。该方法的流程图如图所示图。1.

预处理

原始视网膜图像

二维Gabor小波变换

通过区域生长的薄血管提取

分割

将像素重新分类为血管

后期处理

对比度受限的自适应直方图均衡

输出图像

通过水平集方法分割宽血管

各向异性扩散滤波器

图1.提出的方法的流程图。

本文的其余部分安排如下。彩色视网膜图像的预处理描述于第2节.然后介绍了视网膜血管分割方法第3节.在第4节，进行实验评估和比较。最后，得出结论第5节.

1. 预处理
   1. 对比度受限的自适应直方图均衡

进入眼睛的红色，绿色和蓝色光被镜片颜料，绿色通道吸收不同（图2（c））RGB彩色视网膜图像（图2（a））在血管和背景之间呈现出更高的对比度，这意味着可以最好地表示视网膜层中的含血元素（例如血管）。红色通道（图2（b））是最亮的色彩通道，但对比度低，蓝色通道（图2（d））动态范围较差[21].因此，本文研究了视网膜图像的绿色通道。通常，直方图均衡技术可以通过拉伸低对比度图像的灰度值来实现对比度增强。在本文中，我们应用CLAHE算子来获得局部对比度增强的视网膜图像。CLAHE通过计算局部直方图映射函数来选择直方图灵活性的剪切级别，这可以减少

视网膜图像的噪声放大[22].

• 1. 二维Gabor小波变换

Gabor小波变换由于其选择方向和调谐到特定频率的能力而对图像增强很有用。我们采用2D Gabor小波变换来增强频域中视网膜图像的对比度。连续小波变换，由图像I的标量积确定，其中变换后的小波psi;b,theta;,a为

其中psi;表示分析小波，psi;n是psi;的复共轭，C_psi; 是归一化常数。参数a，b和theta;分别表示膨胀标度，位移矢量和旋转角度。r_theta; 是作用于X = (x,y), 的旋转算子，定义为:

图2.视网膜血管图像及其红色，绿色和蓝色通道（从左到右）。（有关此图标题中颜色参考的解释，读者可参考本文的网页版本。）

Y. Qian Zhao et al./ Pattern Recognition 47（2014）2437-2446 2439

选择2D Gabor小波作为分析小波

其中是2X2对角矩阵，它定义了Gabor小波滤波器的各向异性，k是复指数频率向量。实际上，2D Gabor小波可以被认为是由指数函数调制的高斯核。控制滤波器在任何所需方向上的伸长的参数eta;和垂直于小波的大轴具有很少显着振荡的低频复指数参数k对于通过Gabor小波变换区分视网膜血管像素与背景是重要的。参数eta;是关键的，因为较大的值产生更广泛的视网膜血管宽度，较小的值对血管增强的影响较小。因此，我们将eta;设置为4，与中相同[19].通过分析变换的视网膜图像的放大水平（如图2所示）图3（e）），我们观察到参数k=[0,2.5]给出了更合适的2D Gabor响应，其不仅提供了血管和背景之间的最高对比度，而且还限制了非血管像素的强度放大。

对于每个像素，我们在所有可能的方向上提取具有所需比例值的最大响应。Gabor小波变换的结果表示为

其中theta;是从0°到170°的角度，步长为10°.可以应用2D Gabor小波的不同尺度来检测具有不同尺寸的视网膜血管。我们在本文中选择1.5，因为它在保留大多数血管的形状方面表现良好。图3形态学操作和2D Gabor小波变换。为了进一步比较上述三种方法之间的增强性能，我们绘制了1D横截面，用于中间行的每个像素的灰度值之间的强度差异

资料编号：[4501]