基于HESSIAN增強和形態(tài)學(xué)尺度空間的視網(wǎng)膜血管分割

于　揮　王小鵬

(蘭州交通大學(xué)電子與信息工程學(xué)院　甘肅 蘭州 730070)

?

基于HESSIAN增強和形態(tài)學(xué)尺度空間的視網(wǎng)膜血管分割

于揮王小鵬

(蘭州交通大學(xué)電子與信息工程學(xué)院甘肅 蘭州 730070)

眼底視網(wǎng)膜血管的走向、彎曲度、分叉度等性狀分析已成為醫(yī)學(xué)上診斷全身血管性疾病的重要手段。采集到的眼底圖像常存在光照不均勻等現(xiàn)象，利用傳統(tǒng)的血管分割方法難以對微小血管進行檢測。為此提出一種基于改進Hessian矩陣增強和形態(tài)學(xué)尺度空間的分割方法。首先利用高斯函數(shù)構(gòu)建多尺度Hessian增強濾波器，采用新型的血管相似性函數(shù)對血管網(wǎng)絡(luò)進行對比度增強，同時平滑圖像以減輕噪聲；然后利用改進的Top-hat變換尺度空間從背景中提取血管，并引入形態(tài)學(xué)重建方法進一步突出血管像素，消除偽邊緣及孤立點噪聲；最后使用二次閾值化方法實現(xiàn)血管的最終分割。仿真結(jié)果表明，改進的分割方法在保證大血管脈絡(luò)準確分割的同時，能夠較好地實現(xiàn)微小血管分割。

視網(wǎng)膜血管Hessian增強尺度空間形態(tài)學(xué)分割

0　引　言

近年來，由于臨床診斷全身血管類疾病的需要，國內(nèi)外學(xué)者針對視網(wǎng)膜血管的增強和分割提取進行了大量研究。Soares等[1]采用基于Gabor小波變換方法，利用大量預(yù)分割標準圖像的特征信息進行分割；姚暢等[2]運用分布式遺傳算法與Otsu相結(jié)合提取對比度較低的邊界，通過訓(xùn)練算法實現(xiàn)分割；Oliveira等[3]提出了Hessian矩陣理論，對視網(wǎng)膜血管圖像提取具有良好的效果；Frangi等[4]利用Hessian矩陣構(gòu)造二維空間和三維空間的血管相似性函數(shù)以增強視網(wǎng)膜血管；Zhou等[5]在Frangi的基礎(chǔ)上提出了一種基于Hessian矩陣的濾波方法，但由于其血管相似性函數(shù)設(shè)定的局限性，容易合并相鄰的平行血管；Bauer等[6]針對這種情況引入了梯度矢量流進行分割，該方法較好地區(qū)分了相鄰血管，并對微小血管有一定的檢測能力。

針對視網(wǎng)膜血管呈現(xiàn)管狀和線性的結(jié)構(gòu)，Hessian算法對微小血管和低對比度血管有良好的檢測和增強能力。經(jīng)過傳統(tǒng)的Hessian增強后的圖像雖增大了血管圖像的對比度，但仍存在灰度不均的現(xiàn)象。形態(tài)學(xué)是一種常用的圖像分割方法，使用基于多尺度結(jié)構(gòu)元素的Top-hat變換分割視網(wǎng)膜血管，在小血管等細節(jié)處理上有較好的效果[7,8]。本文提出一種基于新型血管相似性函數(shù)的Hessian矩陣增強，并結(jié)合改進的形態(tài)學(xué)尺度空間視網(wǎng)膜血管分割方法。首先對視網(wǎng)膜圖像綠色分量進行改進的Hessian增強，然后利用改進的形態(tài)學(xué)尺度空間方法從增強后的圖像中分割出視網(wǎng)膜血管。方法改進了傳統(tǒng)的形態(tài)學(xué)Top-hat變換以消除灰度不均勻的背景，首次運用形態(tài)學(xué)重建去除分割結(jié)果中的噪聲和偽邊緣。最后進行閾值化得到最終的血管結(jié)構(gòu)圖像。

1　方法流程

在傳統(tǒng)的分割基礎(chǔ)上，本文將改進的Hessian算法與形態(tài)學(xué)尺度空間相結(jié)合，原始圖像經(jīng)過預(yù)處理后，首先構(gòu)造改進的多尺度Hessian增強濾波器對視網(wǎng)膜血管進行對比度增強，然后利用改進的形態(tài)學(xué)尺度空間對增強后的血管圖像實現(xiàn)分割。改進的Hessian增強的關(guān)鍵在于提出了一種新型的尺度因子集合及血管相似性函數(shù)；形態(tài)學(xué)尺度空間分割的關(guān)鍵在于提出了一種改進的Top-hat變換尺度空間方法，并加入形態(tài)學(xué)開重建，以達到眼底背景及小細節(jié)噪聲的去除的目的。方法具體流程如圖1所示。

圖1　方法流程圖

2　改進的Hessian矩陣血管增強

2.1Hessian矩陣原理

視網(wǎng)膜血管圖像整體呈現(xiàn)出類似樹杈的形狀，其拓撲結(jié)構(gòu)主要由線段構(gòu)成，且具有很強的連續(xù)性。Hessian矩陣是一個由多元函數(shù)的二階偏導(dǎo)數(shù)構(gòu)成的方陣，其特征值和特征向量能很好地描述這種線性和管狀結(jié)構(gòu)。圖像某一點A的局部特性由其泰勒展開式表示：

I(A+ΔA)≈I(A)+ΔAT▽I(A)+ΔATH(A)ΔA

(1)

在2D圖像中，▽I(A)為圖像在點A的梯度，H(X)為點A的Hessian矩陣：

(2)

其中fxx(A)、fyy(A)、fxy(A)、fyx(A)分別代表圖像在點A處的二階微分。由于圖像元素是離散的，離散Hessian矩陣微分表現(xiàn)為差分運算。X方向上的二階偏微分可表示為：

fxx=f(x-1,y)+f(x+1,y)-2f(x,y)

(3)

Y方向上的二階偏微分為：

fyy=f(x,y-1)+f(x,y+1)-2f(x,y)

(4)

X，Y方向上的混合偏微分為：

fxy=f(x+1,y+1)+f(x,y)-f(x+1,y)-f(x,y+1)

(5)

對于連續(xù)函數(shù)f(x,y)，二階偏導(dǎo)數(shù)的求導(dǎo)順序沒有區(qū)別，即fxy=fyx，因而H為實對稱矩陣，具有兩個特征值λi，i=1,2。其中較大特征值對應(yīng)的特征向量與血管垂直，曲率最大；而較小特征值對應(yīng)的特征向量與血管平行，是血管的真正走向，曲率也最小。Hessian矩陣的兩個特征值λ1、λ2可由式(6)計算：

(6)

2.2多尺度Hessian算法

單一尺度的Hessian增強算法對視網(wǎng)膜血管直徑變化較大的圖像的增強效果較差。因此使用多尺度Hessian算法來實現(xiàn)增強，將高斯核函數(shù)引入其差分運算，改變高斯核函數(shù)的標準差δ以獲得多尺度下的增強結(jié)果。將圖像I與高斯核函數(shù)的二階偏導(dǎo)數(shù)Gxx卷積可將fxx改寫為空間導(dǎo)數(shù)Ixx：

(7)

其中δ為空間尺度因子，二維高斯函數(shù)表達式為：

(8)

同理Iyy、Ixy也由此方法求出。卷積后的結(jié)果不僅構(gòu)造了基于δ的多尺度濾波器，由于高斯函數(shù)的性質(zhì)，濾波器同時平滑了圖像，消除了噪聲的影響?？臻g導(dǎo)數(shù)Ixx、Iyy、Ixy的值與空間尺度因子δ的平方成反比。將二階偏導(dǎo)數(shù)Gxx乘以δ2后再進行卷積，可實現(xiàn)比較多尺度下濾波器的輸出值，則式(7)變化為：

(9)

(10)

2.3新型血管相似性函數(shù)

在二維圖像中，F(xiàn)rangi等人[4]利用兩個因子RB、S來構(gòu)造視網(wǎng)膜血管的相似性函數(shù)：

(11)

其中參數(shù)β一般設(shè)為0.5，c一般為矩陣最大范數(shù)的一半，而：

(12)

式中λ1和λ2分別為Hessian矩陣的兩個特征值，‖H‖F(xiàn)則表示矩陣的范數(shù)，D為圖像的維數(shù)，此處D=2。

理想情況下，血管像素的λ1遠大于λ2，輸出響應(yīng)可取得較大值；背景像素的λ1和λ2均很小，輸出響應(yīng)很弱。而Hessian矩陣特征值的輸出響應(yīng)對局部特性極其敏感，在實際臨床中為保護患者，已逐漸使用眼底拍照彩色圖像代替眼底造影圖像，采集到的圖像多有灰度不均及背景噪聲環(huán)境復(fù)雜等情況。一般來說，噪聲像素的灰度值起伏很大，RB因子在增強血管像素的同時，也對復(fù)雜背景有部分增強。對此提出一種新型的血管相似性函數(shù)對血管目標進行檢測，表達式為：

(13)

該函數(shù)修改了RB因子，將特征值模的大小與矩陣范數(shù)相關(guān)聯(lián)，利用范數(shù)調(diào)節(jié)兩個特征值模之間的比值，并取消了參數(shù)β。這樣，相似性函數(shù)較前具有更強的自適應(yīng)性，且輸出響應(yīng)可減弱灰度不均勻及噪聲的影響，增強效果較為理想。

2.4軟件實現(xiàn)方法

改進算法可通過Matlab仿真工具的圖像處理工具箱IPT(ImageProcessTool)實現(xiàn)，構(gòu)建Hessian增強函數(shù)。先求解二維高斯核函數(shù)的二階偏導(dǎo)，乘以尺度因子的平方，構(gòu)建Hessian矩陣求出特征值，代入改進的相似性函數(shù)得到輸出響應(yīng)，核心代碼如下：

Function Ih=HE(I,s)

Dxx(p,q)=1/(2*pi*sigma^4)*(x(p,q)^2/sigma^2-1)*exp(-(x(p,q)^2+y(p,q)^2)/(2*sigma^2));

%高斯核函數(shù)二階偏導(dǎo)

Dsxx=Dxx*sigma^2;

%與尺度因子平方相乘

Ixx=imfilter(I,Dsxx,′replicate′);

%卷積求空間導(dǎo)數(shù)

H{i,j}=[Ixx(i,j) Ixy(i,j);Ixy(i,j) Iyy(i,j)];

%構(gòu)建Hessian矩陣

E{i,j}=eig(H{i,j});

%計算H{m,n}矩陣的特征值

tzz=E{i,j};

%提取特征值

r1(i,j)=tzz(1,1);

%提取特征值r1

r2(i,j)=tzz(2,1);

%提取特征值r2

Ih(ic,jc)=exp((-1)*(abs(r1(ic,jc))-S(ic,jc))/(abs(r2(ic,jc))-S(ic,jc)))*(1-exp((-1)*S(ic,jc)^2/(2*c^2)));

%由相似性函數(shù)求輸出響應(yīng)

end

該HE函數(shù)的輸出變量為Hessian增強輸出響應(yīng)，輸入變量I為待增強圖像，s為尺度因子，使用for循環(huán)對所有像素點進行逐個處理。多尺度增強通過多次調(diào)用該函數(shù)實現(xiàn)，代碼如下：

Ih(:,:,i)=HE(Igc,se(i));

%尺度為se(i)的Hessian增強

Ihm=max(Ih,[],3);

%多尺度增強的最大值，各增強圖像疊加

3　形態(tài)學(xué)尺度空間分割

形態(tài)學(xué)尺度空間是非線性的形態(tài)學(xué)運算，相對于單尺度的線性形態(tài)學(xué)運算，尺度空間運算能更有效地保留感興趣的邊緣像素，消除多余的微小細節(jié)，同時可以避免圖像平滑過程中造成的邊緣模糊和輪廓移位?，F(xiàn)已有膨脹腐蝕尺度空間、開閉尺度空間、Top-hat變換空間和重建尺度空間等多種形態(tài)學(xué)尺度空間[9-11]，每種空間的使用都存在一定的優(yōu)勢和局限性。

因此，本文提出了一種結(jié)合兩種尺度空間的分割方法。首先將改進的Top-hat變換與形態(tài)學(xué)尺度空間相結(jié)合以提取增強圖像的血管目標，滿足灰度不均、直徑大小不一的血管目標提取要求；然后利用開重建尺度空間對提取的血管邊緣圖像進行重建，經(jīng)過重建后的視網(wǎng)膜血管圖像保留了微小血管輪廓，消除了孤立點噪聲，同時保證了血管邊緣輪廓的位置不發(fā)生偏移。

3.1改進的Top-hat變換尺度空間

基于形態(tài)學(xué)開運算的傳統(tǒng)Top-hat變換[9]是一種高效的目標提取濾波器，定義為：

g(x,y)=f(x,y)-(f(x,y)°b)

(14)

其中f(x,y)為輸入圖像，°表示形態(tài)學(xué)開運算，b為結(jié)構(gòu)元素。結(jié)構(gòu)元素是Top-hat變換處理的關(guān)鍵，采用合理的結(jié)構(gòu)元素可以很好地消除灰度不均勻的背景，提取目標圖像。

傳統(tǒng)Top-hat變換是基于形態(tài)學(xué)開運算的，經(jīng)過開運算后圖像的灰度值比原圖灰度值低或不變，原圖減去開運算圖像后將檢測出原圖所有的灰度值變化點。然而血管圖像的背景較為復(fù)雜，這些變化點不全是血管像素點，還有可能存在噪聲點，視網(wǎng)膜圖像的不均勻光照使此方法誤檢出噪聲點的概率大大增加。為此，使用一種改進的 Top-hat變換，采用基于開運算和閉運算相結(jié)合的Top-hat變換，其表達式如下：

E(f)=f-min((f·Sc)°S0;f)

(15)

其中Sc為閉運算的結(jié)構(gòu)元素，So為開運算的結(jié)構(gòu)元素，符號·和°分別代表形態(tài)學(xué)閉運算和開運算。首先對圖像進行閉運算，然后對閉運算后的圖像做開運算，所得結(jié)果與原圖進行對比，求出最小值。得到的結(jié)果圖像只有在邊緣像素點處與原圖像不同，從原圖中減去該圖像即可得到圖像的邊緣目標。

同時引入尺度空間，克服了單尺度Top-hat變換對復(fù)雜視網(wǎng)膜血管特性檢測能力較弱的缺點，其定義為：

Se(i)=strel(′disk′,i)i∈[imin,imax]

(16)

其中i表示結(jié)構(gòu)元素的大小，imin、imax分別為尺度空間范圍的最小值和最大值，空間步長為N。變換使用圓盤型結(jié)構(gòu)元素，其具有的各向相同性、旋轉(zhuǎn)不變性可以防止形態(tài)學(xué)濾波過程中圖像的特征發(fā)生畸變。各尺度結(jié)構(gòu)元素對圖像處理后，利用最值法合并結(jié)果圖像以作為尺度空間的輸出圖像。改進后的Top-hat變換尺度空間在檢測圖像邊緣的同時，較好地消除了復(fù)雜的背景信息，對視網(wǎng)膜圖像的分割與識別有很好的效果。

3.2開重建尺度空間

傳統(tǒng)的血管分割并未涉及到開重建尺度空間，而經(jīng)過改進Top-hat變換尺度空間后的圖像分割效果雖比傳統(tǒng)的分割效果明顯，但仍含有部分孤立點噪聲。血管的灰度值是連續(xù)變化的且跨度較大，大血管的灰度值高，小血管的灰度值低，而孤立點噪聲的灰度值一般包含在血管的灰度級范圍內(nèi)，隨后的閾值化很難在保留微小血管的前提下將其去除。形態(tài)學(xué)開重建[10]相對于開運算具有更準確的還原性，因此在閾值化之前，使用開重建尺度空間對Top-hat變換尺度空間的結(jié)果圖像進行重建，達到保留微小血管并消除非血管的孤立點噪聲的目的。

形態(tài)學(xué)開重建算法建立在測地膨脹理論之上，對于灰度圖像I(x,y)和參考圖像r(r取I-1)，形態(tài)學(xué)測地膨脹定義為：

(17)

(18)

3.3閾值化

本文使用基于Otsu的特殊閾值法進行二值化，通過兩次閾值化和形態(tài)學(xué)重建進行實現(xiàn)。首先利用Otsu法求出最小類間方差作為level值，對血管圖像進行閾值化。然后手動設(shè)定level值進行閾值化。最后對比兩種閾值化的level值，采用小level值結(jié)果圖像作為掩膜Mask，對大level值結(jié)果圖像進行膨脹重建，表達式為：

H(I)=RT[l,255](I)[T[L,255](I)]

(19)

其中L和l分別代表較大和較小的level值，T[l,255]表示閾值化中保留大于l小于255的值，RT(I)表示用T(I)做掩膜進行重建操作。

3.4軟件實現(xiàn)方法

形態(tài)學(xué)尺度空間分割通過Top-hat變換分割、形態(tài)學(xué)重建去噪、閾值化三個步驟實現(xiàn)：

(1) 構(gòu)建改進的Top-hat函數(shù)，并進行多尺度分割，核心代碼為：

function Itp=TopHat(I,se)

Ic=imclose(I,se);

%先閉運算

Ico=imopen(Ic,se);

%再開運算

Imin(i,j)=min(I(i,j),Ico(i,j));

%與原圖比出較小值

Itp=imsubtract(I,Imin);

%圖像減法運算

end

Itp(:,:,i)=TopHat(V,se(i));

%Top-hat分割

Itpm=max(Itp,[],3);

%多尺度取最大值

函數(shù)中se=strel(′disk′,i)為圓盤型結(jié)構(gòu)元素。

(2) 分割完成后，使用OBR函數(shù)進行形態(tài)學(xué)開重建：

function Fobr=OBR(F,se)

Fe=imerode(F,se);

%結(jié)構(gòu)元素為se的形態(tài)學(xué)腐蝕

Fobr=imreconstruct(Fe,F);

%重建

end

Iobr(:,:,i)=OBR(Itpmb,se(i));

Iobrm=max(Iobr,[],3);

%多尺度重建最大值

(3) 最后對重建后的血管圖像進行二次閾值化操作，圖像分別使用level1和level2為掩膜進行閾值化，再將兩者結(jié)果圖像進行膨脹重建得到最終分割結(jié)果圖：

level=graythresh(Iobrm);

%使用Otsu法獲取level值

BW1=im2bw(Iobrm,level);

%一次閾值化

level2=DL(Iobrm);

%使用DL函數(shù)手動設(shè)定level值

BW2=im2bw(Iobrm,level2);

%二次閾值化

if level>level2

BW=imreconstruct(BW1,BW2);

%膨脹重建

else

BW=imreconstruct(BW2,BW1);

end

4　仿真結(jié)果及分析

為驗證方法有效性和分割精確度，選取Drive公共眼底圖像庫的兩幅標準眼底測試圖像進行仿真測試。仿真使用Intel Core i3處理器、2 GB內(nèi)存的PC機，在Matlab 2014a平臺上進行分析。源圖像為Cannon CR5照相機拍攝的眼底彩色圖像16_test和19_test，分辨率為584×565，包含一定程度的背景噪聲及光照不均勻現(xiàn)象，視網(wǎng)膜血管由粗到細呈樹狀結(jié)構(gòu)分布。

圖2(a)為原始眼底圖像，由于其綠色分量含噪聲較少且對光照亮度相對不敏感，一般提取其綠色分量作為分割源圖像。對綠色分量圖像(如圖2(b))取反并作雙精度化預(yù)處理，以滿足Hessian濾波增強的需要。血管直徑從幾像素到十幾像素不等，為使大血管脈絡(luò)和小血管分支均得到增強，選取尺度因子δi的最小值δmin為0.2，最大值δmin為2，量化灰度級N為10可達到全面增強的效果。血管的相似性函數(shù)中RB因子由特征值λ1和λ2計算獲得，參數(shù)c的取值取決于圖像的灰度范圍，這里設(shè)為Hessian矩陣最大范數(shù)的一半，同樣由特征值計算得出。圖2(c)給出了尺度因子δ=1的單尺度增強效果圖，圖2(d)為本文方法的改進多尺度Hessian增強濾波圖。可以看出，單尺度增強效果不佳，肉眼難以觀察，多尺度因子對粗細不同的全局血管均有較好的增強效果。

圖2　單尺度增強和多尺度增強對比圖

圖3(a)為Frangi的多尺度相似性函數(shù)增強結(jié)果，β取0.5，c取15；圖3(b)為本文提出的新型的相似性函數(shù)增強結(jié)果，c取10。對比圖像可以發(fā)現(xiàn)，本文所構(gòu)建的相似性函數(shù)對細小血管網(wǎng)絡(luò)有更好的增強性。

圖3　相似性函數(shù)對增強效果的影響

圖4(a)為原始圖像經(jīng)過提取綠色分量、雙精度化預(yù)處理后的圖像，進行多尺度Hessian增強(圖4(b))后，利用改進的Top-hat變換尺度空間進行分割。設(shè)定圓形結(jié)構(gòu)元素的大小i從1到20遞增，步長為1，分割圖像如圖4(c)所示。圖4(d)為直接對圖4(c)進行閾值化，獲得的圖像含有大量的孤立點噪聲，丟失了部分細小血管。圖4(e)為對圖4(c)進行本文提出的尺度空間開重建后，進一步增強血管網(wǎng)絡(luò)的同時去除了偽血管的眼底邊緣輪廓。圖4(f)為最終分割圖像，使用Otsu法計算得出的掩膜level值為0.45，根據(jù)圖像的灰度范圍設(shè)定level2值為0.2。與專家手動分割的金標準圖4(g)相比，本文在精確檢測出大血管輪廓的基礎(chǔ)上，較好地檢測出了微小血管。

圖4　不同算法的分割結(jié)果圖

使用圖像配準算法將最終結(jié)果圖像與原始圖像進行配準，仿真結(jié)果如圖5所示。(a)分別為兩幅Drive測試圖像的最終分割圖像，(b)為原始圖像的綠色分量，(c)為分割圖與綠色分量圖經(jīng)配準后的結(jié)果圖像?？梢钥闯?，良好的方法保持了血管原有位置，且未導(dǎo)致血管變粗致使直徑發(fā)生變化。

在眼底圖像中視網(wǎng)膜血管由線段組成，呈連續(xù)的樹杈狀由粗到細分布，這種圖像特征是本文方法實現(xiàn)有效分割的關(guān)鍵。仿真中參數(shù)的設(shè)置也很重要，空間因子和結(jié)構(gòu)元素尺度范圍應(yīng)與血管直徑的大小相匹配，以達到全局血管的增強和有效分割。為定量分析方法的準確性，使用基于像素的統(tǒng)計測量評價方法，將專家手工勾畫的血管網(wǎng)絡(luò)圖像作為標準參考圖像。計算本文方法分割結(jié)果圖像的真陽性TP(True Positive)、假陽性FP(False Positive)、真陰性TN(True Negative)、假陰性FN(False Negative)。TP表示血管點被正確識別為血管點的像素數(shù)；FN表示血管點被錯誤檢測為非血管點的像素數(shù)；TN表示非血管點被正確識別為非血管點的像素數(shù)目；FP表示非血管點被錯誤檢測為血管點的像素數(shù)。將它們組合為三個測度來評價分割的有效性，分別為精確度Acr(accuracy)、靈敏度Sns(sensitivity)和特異性Spc(specificity)[12]：

(20)

(21)

(22)

理想情況下，精確度最大為1代表所有像素被正確分類，靈敏度最大為1代表著所有血管像素被正確標記，特異性最大為1代表所有背景像素被正確標記。表1給出了兩幅圖像分別使用不同方法的精確度、靈敏度和特異性，本文方法與未增強的尺度空間分割和Hessian增強的Top-hat分割進行相比，精確度、靈敏度和特異性分別為0.913、0.887、0.906。對比數(shù)據(jù)可以看出，其結(jié)果圖像與專家手工繪制的金標準圖像最為接近。

表1　使用不同方法的圖像統(tǒng)計測量值

5　結(jié)　語

視網(wǎng)膜血管分割是醫(yī)學(xué)影像處理的重要分支，在計算機輔助下改善眼底圖像質(zhì)量、突出血管脈絡(luò)，為臨床醫(yī)生進行疾病診斷提供了幫助。本文在傳統(tǒng)的圖像分割基礎(chǔ)上提出改進的Hessian增強和形態(tài)學(xué)尺度空間相結(jié)合的方法，以達到準確分割視網(wǎng)膜血管圖像的目的。利用Hessian矩陣對線狀物體的敏感性，提出一種新型的相似性函數(shù)以實現(xiàn)血管像素增強；形態(tài)學(xué)尺度空間的引用，有效地從灰度不均圖像背景中提取出視網(wǎng)膜血管結(jié)構(gòu)，消除了噪聲及偽邊緣，使分割結(jié)果更加精確。仿真結(jié)果表明，該方法在準確分割大血管的同時，對微小血管有較好的分割檢測能力，更大程度上接近眼科專家手工勾畫的血管圖像，提高了醫(yī)生的疾病診斷效率，減少診斷錯誤的發(fā)生，并提供了重要的參考價值。

[1] Soares J B V,Leandro J J G,Cesar R M,et al.Retinal vessel segmentation using the 2-D gabor wavelet and supervised classification[J].IEEE,Transactions on Medical Imaging,2006,25(9):1214-1222.

[2] 姚暢,陳后金.一種新的視網(wǎng)膜血管網(wǎng)絡(luò)自動分割方法[J].光電子·激光,2009,20(2):274-278.

[3] Oliveira W S,Tsang I R,Cavalcanti G D C.Retinal vessel segmentation using Average of Synthetic Exact Filters and Hessian matrix[C]//IEEE International Conference on:Image Processing (ICIP),2012(19):2017-2020.

[4] Alejandro F Frangi,Wiro J Niessen,Koen L Vincken,et al.Multiscale vessel enhancement filtering[J].Medical Image Computing and Computer-Assisted Intervention-Miccai98,1998,1496(1):130-137.

[5] Zhou Jinghao,Chang Sukmoon,Meraxas D,et al.Vascular structure segmentation and bifurcation detection[C]//IEEE International Symposium on Biomedical Imaging:From Nano to Macro,2007:872-875.

[6] Bauter C,Bischof H.A novel approach for detection of tubular objects and its application to medical image analysis[J].Pattern Computer Science,2008,5096(1):163-172.

[7] Bai Xiangzhi.Image enhancement using multi scale image features extracted by top-hat transform[J].Optics & Laser Technology,2012,44(2):328-226.

[8] Jinsung Oh,Heesoo Hwang.Feature enhancement of medical images using morphology-based homomorphic filter and different evolution algorithm[J].International Journal of Control,Automation and Systems,2010,8(4):857-861.

[9] 廖苗.一種新的視網(wǎng)膜血管圖像增強方法[J].光電子·激光,2012,23(11):2237-2242.

[10] 劉劍秋,阮秋琦.形態(tài)學(xué)重建濾波器的研究與應(yīng)用[J].通信學(xué)報,2002,23(1):116-121.

[11] 王愛華.基于Curvelet變換和形態(tài)學(xué)的視網(wǎng)膜血管分割[D].武漢:華中科技大學(xué),2013.

[12] 張石,董建威,佘黎煌.醫(yī)學(xué)圖像分割算法的評價方法[J].中國圖象圖形學(xué)報,2009,14(9):1872-1880.

RETINAL VESSELS SEGMENTATION BASED ON HESSIAN ENHANCEMENT AND MORPHOLOGICAL SCALE SPACE

Yu HuiWang Xiaopeng

(SchoolofElectronicsandInformationEngineering,LanzhouJiaotongUniversity,Lanzhou730070,Gansu,China)

Characters analysis in regard to the trend, curvature and bifurcation of retinal vessels in fundus has become the important means of systemic vascular diseases diagnosis in medicine science. Because of most collected fundus images has the phenomenon of light unevenness, it is difficult to use traditional vessel segmentation methods to detect the micro vessels. Therefore we proposed a segmentation algorithm, it is based on the improved Hessian matrix enhancement and morphological scale space. First, by using Gauss function the algorithm constructs multi-scale Hessian enhanced filter, and uses a novel vascular similarity function to carry out the contrast enhancement on vascular network, while smoothes the image to weaken noise as well; then it extracts the vessels from background using an improved Top-hat transformation scale space, and introduces morphological reconstruction method to further highlight the vascular pixels and to eliminate the pseudo-edges and the noise of outliers; finally the algorithm uses secondary thresholding approach to realise final vessel segmentation. Simulation experimental results showed that while ensuring the accurate segmentation of great vessels and choroid, the improved segmentation method can better realise the segmentation of micro vessels.

Retinal vesselHessian enhancementScale spaceMorphological segmentation

2015-01-20。國家自然科學(xué)基金項目(61261029)；蘭州市科技計劃項目(2013-4-63)；金川公司預(yù)研基金項目(JCYY20130 09)。于揮，碩士生，主研領(lǐng)域：圖像處理。王小鵬，教授。

TP391.4

A

10.3969/j.issn.1000-386x.2016.08.045