視網(wǎng)膜眼底圖像中視盤的檢測方法

劉杜鵑，余輪，鄭紹華

福州大學 物理與信息工程學院，福建 福州 350108

視網(wǎng)膜眼底圖像中視盤的檢測方法

劉杜鵑，余輪，鄭紹華

福州大學 物理與信息工程學院，福建 福州 350108

視盤的準確檢測對視網(wǎng)膜眼底圖像的其他特征，如血管和微動脈瘤的精確檢測非常重要。本文提出一種結(jié)合視盤亮度和圓形度特征的視盤檢測方法，先對眼底圖像進行預處理，然后運用數(shù)學形態(tài)學運算去除血管的干擾，采用閾值分割提取出可能為視盤的區(qū)域，最后再根據(jù)視盤的面積和圓形度特征檢測出真正的視盤區(qū)域。實驗結(jié)果表明，本文算法具有較高的定位精度和較快的定位速度。

眼底圖像；視盤檢測；閾值分割；質(zhì)心距離法

0 前言

視神經(jīng)盤也叫視神經(jīng)乳頭，簡稱視盤，是視網(wǎng)膜的主要生理結(jié)構(gòu)之一，視神經(jīng)和血管從該區(qū)域進入眼部并向周邊延伸。在正常的彩色視網(wǎng)膜眼底圖像中，視盤一般表現(xiàn)為近似圓形的淡黃色或白色的亮斑，直徑約為1.5 mm，同時包含有較粗的血管。視盤的形狀、大小和深度等參數(shù)是衡量眼底健康狀況的重要指標，準確快速的視盤定位是實現(xiàn)視網(wǎng)膜疾病診斷和視網(wǎng)膜特征識別的前提和關(guān)鍵步驟。但是由于眼底疾病、光照以及噪聲的存在，準確地對視盤進行定位并不是一件簡單的工作。

基于眼底圖像中視盤呈現(xiàn)的不同屬性，國內(nèi)外學者提出了多種視盤檢測方法，大致有3類。一類是基于血管特性的視盤定位方法。Foracchia[1]等分別采用兩條方向相反的拋物線來描述血管在視盤左、右兩邊的走向，利用兩拋物線的公共頂點剛好位于視盤區(qū)域中這一特性來定位視盤。Hoover[2]等通過計算血管的匯合度，血管匯合度最大的點即確定為視盤。Youssif[3]等則通過檢測血管方向圖和給定的血管方向模板匹配程度來定位視盤中心?；谠撈ヅ淠０?，馬新[4]等提出了一種加權(quán)匹配濾波的方法實現(xiàn)視盤定位。Mahfouz[5]等觀察到視盤區(qū)域血管基本沿垂直方向延伸，因此在該區(qū)域邊緣梯度中，垂直梯度分量遠大于水平梯度，而且該區(qū)域總的邊緣梯度值也大于其他區(qū)域，在同時考慮到亮度信息的前提下，通過兩次投影找到視盤中心坐標。這些方法都要基于血管的分割，但由于血管分割本身就是一個比較復雜的工作，所以基于血管分割的視盤定位往往需要較長的時間，不能滿足眼底視盤檢測的實時性要求。

由于視盤有明顯的近似圓形的亮區(qū)域，并且在眼底圖像中所占的區(qū)域面積一定。因此，有學者還提出了一類基于視盤的外觀特征如亮度、對比度、形狀大小信息來定位視盤的方法。例如，通過尋找灰度變化幅度（通過局部方差估計）最大的矩形區(qū)域的中心作為視盤位置[6]；通過找到1%的亮度最大的像素點，并通過聚類分割出視盤候選區(qū)域，然后采用主元分析（PCA）找到真正的視盤[7-8]；采用便于特定形狀對象檢測的Hough變換定位視盤[9-10]等，這些方法都充分利用了視盤的外觀特性。但是，在與視盤亮度相似的眼底病變出現(xiàn)的時候，僅僅依靠亮度、對比度的特征可能會把病變區(qū)域也檢測出來，嚴重干擾視盤的定位精確度。

還有一種方法是綜合利用視網(wǎng)膜血管視盤特征進行視盤定位的方法。例如，將二維圖像特征投影到水平和垂直坐標上，使二維圖像特征變?yōu)閮蓚€一維信號，綜合利用視網(wǎng)膜血管的方向信息和視盤的亮度及形狀信息對視盤進行定位[11]；首先根據(jù)視網(wǎng)膜血管的網(wǎng)絡(luò)分布結(jié)構(gòu)特征大致定位出視盤的垂直方向上的坐標，然后根據(jù)視盤的亮度信息及視盤與血管的關(guān)系來定位視盤的水平坐標，最后把視盤限定在以粗定位的視盤為中心的一個小窗口內(nèi)，用Hough變換精確定位視盤中心[12]。

本文所采用的方法是先依據(jù)視盤的亮度特征得到候選的視盤區(qū)域，然后再根據(jù)視盤的面積和圓形度特征來定位出真正的視盤區(qū)域。

1 視盤檢測算法

1.1 圖像預處理

1.1.1 紅色通道提取

國內(nèi)外關(guān)于單色光眼底攝影的研究表明，在紅色通道眼底圖像中，視盤邊緣清晰，從視盤出來的血管的可見度很差，神經(jīng)纖維則幾乎消失，生理凹陷和視盤其他區(qū)域的差別很小，使視盤呈現(xiàn)一個均勻的反射亮斑[13]，見圖1。

1.1.2 感興趣區(qū)域（ROI）提取

糖尿病視網(wǎng)膜圖像的視場提取是指從圖像中抽取含有視網(wǎng)膜的圖像區(qū)域，該區(qū)域在視網(wǎng)膜圖像中近似圓形。ROI提取使得我們更加關(guān)注要處理的目標區(qū)域，減少了計算量。由于光照和對比度等成像環(huán)境造成的影響，所得到的視網(wǎng)膜圖像會有背景噪聲，而且真實的視網(wǎng)膜區(qū)域也可能成為對診斷不起作用的無效區(qū)域。提取步驟：① 提取RGB圖像中的紅色通道，并將其進行二值化，經(jīng)驗閾值為t=35；② 使用3×3大小的掩模對步驟①處理后的輸出圖像進行開操作；③ 使用3×3大小的掩模對步驟②處理后的輸出圖像進行閉操作；④ 使用3×3大小的掩模對步驟③處理后的輸出圖像進行腐蝕。

通過上述步驟最后得到的是眼底圖像的一個掩模模板，背景區(qū)域的像素為0，ROI區(qū)域的像素為1，將原圖像乘以掩模模板就可以有效地提取出ROI，見圖2。

1.1.3 亮度均衡

在臨床上，由于人種差別、照度和對比度的非均勻性等因素影響，不同眼底圖像及圖像內(nèi)部不同區(qū)域存在較大的差異，使得圖像中目標物體和背景的亮度不均勻，給圖像的識別造成很大的干擾。因此在視盤提取前，有必要對圖像進行亮度均衡化處理。亮度均衡化處理[14]采用如下公式：

式中：m為所期望得到的亮度均值（通常設(shè)置為128）。

1.2 候選視盤區(qū)域提取

1.2.1 數(shù)學形態(tài)學“閉”運算

形態(tài)學“閉”運算主要是用來填充物體內(nèi)的細小空洞，連接鄰近物體，在平滑其邊界的同時并不明顯改變其面積。本文為了消除血管對視盤檢測的干擾，盡可能地提高閾值分割的精度，在此采用了形態(tài)學“閉”運算來移除視網(wǎng)膜眼底圖像中的血管?！伴]”運算采用如下公式：

式中：B為結(jié)構(gòu)元素（經(jīng)過反復的實驗驗證，在文中采用10×10的“球形”結(jié)構(gòu)元素）；A為圖像的像素集，表示膨脹操作，表示腐蝕操作。

1.2.2 迭代法閾值分割

根據(jù)視盤的亮度特征，采用閾值分割[1]來提取出候選的視盤區(qū)域。由于視盤相對于背景區(qū)域是比較亮的區(qū)域，本文采用迭代法選取出合適的閾值進行分割。

迭代法的設(shè)計思想是，開始時選擇一個閾值作為初始估計值，然后按某種策略不斷地改進這一估計值，直到滿足給定的準則為止。在迭代過程中，關(guān)鍵在于選擇什么樣的閾值改進策略。初始閾值為圖像的平均灰度T0，用T0將圖像的像素點分為兩部分，計算各自的平均灰度，＜T0的部分為TA，＞T0的部分為TB，計算，將T1作為新的全局閾值代替T0。重復以上過程，如此迭代，直至Tk收斂，即，也就是TA、TB的均值不再改變。

1.3 真正視盤區(qū)域提取

1.3.1 根據(jù)視盤面積提取出候選視盤區(qū)域

通過閾值分割之后獲得眼底圖像中亮度比較大的區(qū)域為候選視盤區(qū)域，由于視盤的直徑約為眼底圖像ROI區(qū)域的1/7[15]，所以視盤區(qū)域的面積不會很小，也不會很大，所以先計算出每個候選區(qū)域的面積，然后將面積小的和面積太大的區(qū)域先都去除。本文選取的下限閾值為50 pixel×50 pixel，上限閾值為100 pixel×100 pixel。

1.3.2 真正的視盤區(qū)域確定

為了能夠準確定位視盤，本文依據(jù)視盤是近似為圓形的形狀特征來去除無關(guān)區(qū)域，得到真正的視盤區(qū)域。本文采用了質(zhì)心距離法（CDM）來找到圓形度最大的區(qū)域作為視盤。

質(zhì)心距離法步驟如下：

（1）先將每個候選區(qū)域的邊緣平均分為N等分，N等

（2）根據(jù)邊緣上的N個等分點來求出每個候選區(qū)域的

（4）將求出來的距離值di排列成為一維數(shù)組，稱為特征向量F。根據(jù)每個候選區(qū)域的特征向量求出每個候選區(qū)域的標準差，公式如下：

式中：k代表第k個候選區(qū)域，表示第k個候選區(qū)域中的特征向量的均值，

標準差求出后，通過比較得出標準差最小所對應(yīng)的候選區(qū)域就是圓形度最大的區(qū)域，即為真正的視盤區(qū)域。算法應(yīng)用過程圖，見圖3。

2 結(jié)果與分析

對利用公共眼底圖像數(shù)據(jù)庫-DRIVE和STARE數(shù)據(jù)庫中的一些病變眼底圖像進行了算法的檢測。如定位出來的點位于視盤內(nèi)，則視為正確檢測出視盤。通過實驗證明，由于DRIVE數(shù)據(jù)庫中的圖像視盤特征比較明顯，所以本文算法能夠比較快速地將所有圖像中的視盤準確定位出來。而STARE數(shù)據(jù)庫中的眼底圖像因?qū)?yīng)的病變比較嚴重，對STARE數(shù)據(jù)庫中的50幅病變眼底圖像進行處理，有7幅圖像的視盤沒有被正確定位出來，正確率為86%。圖4為采用本文算法所檢測的一些圖像，圖中“+”表示本算法正確檢測出視盤。

從檢測結(jié)果中可以看出，在病變圖像中，如果只根據(jù)眼底圖像視盤的亮度特征來檢測視盤，當眼底圖像中存在高亮度的病變區(qū)時，就會干擾視盤的檢測。本文算法先通過預處理去除一些亮度不均勻等干擾因素，然后再根據(jù)亮度特征檢測出候選視盤區(qū)域，最后根據(jù)視盤通常是直徑為1.5 mm的圓形的形狀特征檢測出真正的視盤區(qū)域。表1為本文算法與文獻[3,11-12]中的方法在定位精度和時間方面的結(jié)果比較。比較表明，本文算法具有更高的定位精度和定位速度。

3 結(jié)論

本文提出了一種自動視盤檢測的方法，該方法先對圖像進行合適的預處理，然后綜合利用視盤的亮度、形狀和大小特征來檢測出視盤區(qū)域。實驗結(jié)果表明，該視盤檢測方法簡單、檢測時間較短、精度較高，而且不需要對數(shù)據(jù)進行訓練，所有的數(shù)據(jù)都可直接作為測試數(shù)據(jù)，也不需要對視網(wǎng)膜血管進行分割，大大降低了算法的復雜度。

本文方法主要針對視盤特征明顯的眼底圖像進行處理，而現(xiàn)有的大多數(shù)算法也主要集中在正常眼底的視盤定位。眼底疾病的多樣性造成了病變眼底圖像中視盤檢測的復雜性和挑戰(zhàn)性，到現(xiàn)在為止，還沒有一種算法可以解決所有病變情況下視盤的準確檢測問題, 仍需深入研究。

[1] Foracchia M,Grisan E,Ruggeri A.Detection of optic disc in retinal images by means of a geometrical model of vessel structure[J].IEEE Transactions on Medical Imaging,2004,23(10):1189-1195.

[2] Hoover A,Goldbaum M.Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels[J].IEEE Transactions on Medical Imaging,2003,22(8):951-958.

[3] Youssif AR,Ghalwash AZ,Ghoneim AR.Optic disc detection from normalized digital fundus images by means of a vessels' direction matched filter[J].IEEE Transactions on Medical Imaging,2008,27(1):11-18.

[4] 馬新,陳松燦.彩色視網(wǎng)膜圖像中基于主血管網(wǎng)的視盤定位[J].江南大學學報(自然科學版),2010,9(1):44-47.

[5] Mahfouz AE,Fahmy AS.Fast localization of the optic disc using projection of image features[J].IEEE Transactions on Image Proc essing,2010,19(12):3285-3289.

[6] Sinthanayothin C,Boyce JF,Cook HL,et al.Automated localisation of the optic disc, fovea, and retinal blood vessels from digital colour fundus images[J].British Journal of Ophthalmology,1999,83(8): 902-910.

[7] Li H,Chutatape O.Automatic location of optic disk in retinal images[C].Proceedings of 2001 International Conference on IEEE Image Processing,2001:837-840.

[8] Li H,Chutatape O.Automated feature extraction in color retinal images by a model based approach[J].IEEE Transactions on Biomedical Engineering,2004,51(2):246-254.

[9] Barrett SF,Naess E,Molvik T.Employing the Hough Transform to locate the optic disk[J].Biomedical sciences instrumentation,2000,37:81-86.

[10] Hoover A,Goldbaum M.Fuzzy convergence[C].Proceedings of 1998 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,1998:716-721.

[11] Mahfouz AE,Fahmy AS.Ultrafast localization of the optic disc using dimensionality reduction of the search space[J].Med Image Comput Comput Assist Interv,2009,12:985-992.

[12] 趙曉芳,林土勝,李碧.視網(wǎng)膜圖像中視盤的快速自動定位方法[J].華南理工大學學報(自然科學版),2011,(2):12.

[13] 高瑋瑋,沈建新,王玉亮,等.基于多模板匹配的局部自適應(yīng)區(qū)域生長法在視網(wǎng)膜內(nèi)出血自動檢測中的應(yīng)用[J].光譜學與光譜分析,2013,(2):47.

[14] 朱琳琳,唐延東.基于眼底特征的視盤自動檢測[A].2010中國儀器儀表學術(shù)、產(chǎn)業(yè)大會(論文集1)[C].北京,2010.

[15] 趙圓圓,張東波,劉茂.采用局部搜索的快速視盤檢測方法[J].光電工程,2014,41(3):28-34.

Detection Methods of Optic Disc in Retinal Fundus Images

LIU Du-juan, YU Lun, ZHENG Shao-hua
College of Physics and Information Engineering, Fuzhou University, Fuzhou Fujian 350108, China

The accurate detection of optic disc is important for the accurate detection of other features of retinal fundus images such as blood vessels and microaneurysm. This paper presents an optic disc detection method which combines brightness and circularity characteristics of optic disc. Based on the detection method, the fundus images would be preprocessed fi rstly. Then the mathematical morphology operation is introduced to remove the interference of blood vessels, and threshold segmentation is used to identify the potential optic disc regions. Then the authentic optic disc regions would be detected according to the area and circularity characteristics of optic disc. Experimental results shows that the algorithm owns high localization accuracy and fast localization speed.

fundus images; optic disc detection; threshold segmentation; centroid distance method

TH773；TP872

A

10.3969/j.issn.1674-1633.2014.11.008

1674-1633(2014)11-0029-04

2014-07-15

國家自然基金項目資助（60827002）。

作者郵箱：824567613@qq.com