基于改進型Gbvs模型的眼底圖像視盤檢測方法

吳 駿 ，張亞男 ，肖志濤 ，耿 磊 ，張 芳 ，楊 嵩 ，張東霞 ，宋舒雅

（1.天津工業(yè)大學(xué)電子與信息工程學(xué)院，天津 300387；2.天津工業(yè)大學(xué) 天津市光電檢測技術(shù)與系統(tǒng)重點實驗室，天津 300387）

視盤是視神經(jīng)的起始端和眼底血管的發(fā)源地，其內(nèi)部匯聚著大量較粗的血管.在彩色眼底圖像中，視盤呈類圓形，是一個近似黃色或白色的亮斑，直徑約占眼底圖像的1/7.準確的視盤檢測不僅可以輔助定位血管、黃斑等重要的眼底組織結(jié)構(gòu)，還可輔助確定滲出物、微動脈瘤等病變的位置，對眼底圖像分析具有重要的意義.

視盤檢測包括定位和分割2個步驟.根據(jù)視盤具有的特性，國內(nèi)外研究人員提出了諸多視盤定位方法，大致可以分為2類.第1類是利用視盤的亮度、形狀等外觀特性定位視盤，例如鄒北驥等[1]首先通過剪裁眼底圖像來避免圖像邊緣高亮環(huán)對視盤定位的影響，然后選取灰度值處于前0.2%的像素點定位視盤；柯鑫等[2]利用Itti模型對眼底圖像提取顏色、亮度和方向3個特征，將所得顯著圖中特征最顯著的區(qū)域視為視盤.這類方法對于正常的眼底圖像適用性良好，但是在病變眼底圖像上，眼底疾病會造成視盤缺損或亮度變化，還有些與視盤外觀相似的病變也會對視盤定位造成干擾.第2類是基于血管特性的視盤定位方法.由于視盤區(qū)域的血管密度較大，且主血管延伸曲線近似于2條相切拋物線，F(xiàn)oracchia等[3]采用2條幾何拋物線分別描述主血管的延伸路徑，利用2條拋物線的頂點位于視盤區(qū)域內(nèi)這一特性定位視盤；Soares等[4]首先進行血管增強，然后利用血管方向信息進行視盤初定位，再利用血管匯聚度和亮度信息定位視盤.相較第1類方法，第2類方法準確率相對較高，魯棒性較好，但是該類方法對血管的分割精度要求很高.在視盤分割方面，常用的方法是基于霍夫變換（Hough Transform）和主動輪廓模型（Snake）的.例如 Sekhar等[5]根據(jù)視盤的形狀類似圓形的這一特性，利用圓形Hough變換分割視盤；李筱涵等[6]提出了結(jié)合迭代Otsu閾值化和Hough變換進行視盤分割的方法.Yin等[7]結(jié)合邊緣檢測和圓形Hough變換提取視盤的初始輪廓，再利用Snake模型來檢測視盤邊緣檢；基于Hough變換的方法分割精度較低，而基于Snake模型的方法分割精度較高，但效果依賴于初始輪廓的選取.

觀察一幅圖像，并非所有的區(qū)域都會使觀察者產(chǎn)生同樣的視覺或心理感受，最重要的信息通常會集中在一些顯著區(qū)域，人類視覺系統(tǒng)篩選顯著區(qū)域主要利用的就是視覺注意機制.為了模仿人類視覺系統(tǒng)篩選信息的過程，1998年，Itti等[8]提出了最具代表性的基于視覺注意的圖像顯著性檢測模型—Itti模型，之后Harel等[9]在其基礎(chǔ)上提出了基于圖的顯著性（Graph based visual saliency，Gbvs）模型.這2個模型的主要區(qū)別在于在特征圖生成階段，Gbvs模型改進了Itti模型中的“中心—周邊差”操作，在計算顯著圖時引入了馬爾科夫鏈，利用馬爾科夫鏈的穩(wěn)態(tài)平衡來衡量圖像的顯著性，更加全局、動態(tài)地考慮了圖像中點與點之間的顯著性差異，從而檢測出更多的感興趣區(qū)域.

本文充分研究了視盤的視覺特征，將視覺注意機制與相位一致性[10]結(jié)合，對Gbvs模型進行了改進，提出了一種基于改進型Gbvs模型的視盤檢測方法.

1 圖像預(yù)處理

視盤進行檢測前，首先要對圖像進行預(yù)處理，分為顏色通道選取和感興趣區(qū)域提取2個步驟.

1.1 顏色通道的選取

彩色眼底圖像的紅（R）、綠（G）、藍（B）3個通道的圖像如圖1所示.

圖1 彩色眼底圖像的RGB通道圖像Fig.1 RGB channel images

由圖1可見，R通道圖像整體亮度偏高、對比度較低；B通道圖像整體偏暗，圖像對比度最差；而G通道圖像中視盤和血管結(jié)構(gòu)清晰，對比度高，因此選取G通道進行視盤定位.

1.2 感興趣區(qū)域提取

為了避免眼底圖像邊緣存在的高亮環(huán)對定位結(jié)果產(chǎn)生的不利影響，需要求取眼底圖像的掩模圖像，以確定眼底圖像的感興趣區(qū)域（region of interest，ROI）.

具體方法如下：首先提取RGB通道的R通道，利用Otsu閾值分割方法出眼底圖像的掩模；然后對所得的掩模進行先腐蝕再開運算的形態(tài)學(xué)操作，得到新的掩膜模板；再將新的掩膜模板與G通道圖像相乘，得到相應(yīng)的ROI區(qū)域.感興趣區(qū)域提取結(jié)果如圖2所示.

圖2 感興趣區(qū)域提取Fig.2 ROI extraction

2 基于改進型Gbvs模型的眼底圖像顯著性檢測

在對圖像進行預(yù)處理后，利用改進型Gbvs模型對預(yù)處理后的圖像進行顯著性檢測.該模型可以分為3個部分：視覺特征提取、特征圖生成和顯著圖生成.在視覺特征提取階段，Gbvs模型與Itti模型類似，都提取了顏色、亮度、方向3類特征.由于眼底圖像的顏色容易受到被試個體差異以及拍攝環(huán)境的影響，因此其特征不穩(wěn)定.Gbvs模型利用Gabor濾波器僅在θ∈{0°，45°，90°，135°}4 個方向上對圖像進行濾波并提取特征，不能全面描述視盤的邊緣特征.因此本文方法沒有提取顏色和方向兩類特征，而是針對眼底圖像的特點，提取了亮度、對比度和PC 3類特征.

2.1 視覺特征提取

PC特征[11]是一種基于相位信息的圖像特征.相關(guān)生理學(xué)實驗證明[12]，人類的視覺系統(tǒng)對于圖像中相位信息高度一致的點會更加敏感，因此PC檢測符合人類視覺感知特性.PC特征可用于檢測階躍型邊緣和屋脊型邊緣，對圖像亮度或?qū)Ρ榷茸兓幻舾校哂泻軓姷耐ㄓ眯?，?yīng)用于眼底圖像中能很好地描述圖像邊緣特征.此外，視盤亮度較高，與眼底其他組織相比對比度較強，因此本文方法提取了亮度、對比度和相位一致性3類特征.

提取特征的過程為：首先把輸入圖像表示為3層高斯金字塔.其中第1層是輸入圖像，第2、3層金字塔數(shù)據(jù)是利用線性高斯濾波器對圖像進行平滑和降采樣得到的結(jié)果，尺度分別為第1層圖像的1/2、1/4.然后對金字塔每一層分別提取3類特征，形成亮度高斯金字塔、對比度高斯金字塔和相位一致性高斯金字塔，一共得到9幅圖像，其中亮度3幅、對比度3幅、相位一致性3幅.3類特征提取的計算公式如下：

（1）亮度特征：設(shè)r、g、b分別代表彩色圖像的紅、綠、藍3色分量，由于本文方法只使用了眼底圖像的綠色通道，所以亮度特征為I=g.

（3）相位一致性特征[12]：

式中：o表示方向；n表示小波函數(shù)的尺度；E為局部能量；T為所有尺度上濾波器對噪聲的響應(yīng)；?·」中的值為正則取值不變，若為其他值則取0；A表示單個濾波器的幅度；ε是為了防止分母為0而引入的常量，其值設(shè)為 0.000 1；PC（x，y）表示在點（x，y）的相位一致性.

本文方法選取了濾波器響應(yīng)最大的6個方向，令o=6；為不丟失眼底細節(jié)，選取了3個尺度，令n=3.局部能量E可由信號與一對正交濾波器的卷積來計算，F(xiàn)ield[13]指出使用對數(shù)頻率尺度上傳遞函數(shù)為高斯函數(shù)的濾波器可以對圖像進行更有效地編碼，而且人類視覺系統(tǒng)的度量也顯示出有響應(yīng)在對數(shù)頻率尺度上呈現(xiàn)對稱性的細胞，因此本文方法采用Log-Gabor小波來計算局部能量，其傳遞函數(shù)的形式為：

式中：ω0為濾波器的中心頻率.

2.2 特征圖生成

特征圖生成運用了圖論的知識，其基本原理為：設(shè)各金字塔每一層圖像為M，以像素為節(jié)點，將M的每個像素點都兩兩連接起來，將圖像M映射為1個無向圖GM.圖像中的每一個節(jié)點對應(yīng)的值代表其當前狀態(tài)，其所有邊的權(quán)重代表其轉(zhuǎn)移概率.基于馬爾科夫鏈的局部特性，馬爾科夫鏈會收斂于那些和周圍節(jié)點不相似的節(jié)點，由此即可計算得到特征圖.

具體過程為：對于圖GM，首先利用節(jié)點之間的距離d，計算出任意像素之間的差異性，將其作為其對應(yīng)節(jié)點連成的邊的權(quán)重ω，并歸一化到[0，1]；然后計算出權(quán)重矩陣，將其按列歸一化，歸一化后的矩陣稱為馬爾科夫矩陣，用以反映GM中任意一個節(jié)點和其他所有頂點的聯(lián)系；最后計算馬爾科夫矩陣最大譜對應(yīng)的特征向量，插值回原圖得到特征圖.由此計算出特征圖9幅，其中亮度3幅、對比度3幅、相位一致性3幅.連接權(quán)重定義如下：

式中：M（i，j）和 M（p，q）分別表示像素（i，j）和（p，q）的像素值；d（（i，j）‖（p，q））表示（i，j）和（p，q）兩節(jié)點之間的距離；式（3）中 ω（（i，j），（p，q））表示（i，j）和（p，q）兩節(jié)點的權(quán)重；式（4）中σ是一個參數(shù)，其大小與鄰域范圍大小成正比.

2.3 顯著圖生成

首先對3個特征各自的特征圖進行尺寸歸一化，再將每個特征的特征圖分別相加，得到3張顯著圖，如圖3所示.再將這3張顯著圖按照1∶1∶1的比例進行線性相加，最終得到的總顯著圖表示為S，如圖4所示.

圖3 各特征顯著圖Fig.3 Saliency maps of features

圖4 總顯著圖Fig.4 Integrated saliency map

3 視盤定位

利用Gbvs模型得到的總顯著圖S是一張灰度圖像，其像素值的大小反映眼底圖像顯著性的大小.視盤通常是眼底圖像中顯著性較高的區(qū)域，因此可以利用窗口掃描的方法找到灰度均值最大的地方來定位視盤.在視盤定位中，滑動窗口的大小即視盤直徑D的合理選取，對定位結(jié)果至關(guān)重要.根據(jù)文獻[14]的描述，視盤直徑與眼底圖像寬度大小的比例為1/8～1/5.因此，對于一幅尺寸為m×n的彩色眼底圖像，本文方法依據(jù)圖像的大小自動獲取視盤直徑D為m/7.

窗口掃描具體步驟如下：

（1）首先定義一個直徑為視盤直徑D的滑動窗口，利用此滑動窗口以1個像素為步長，對S從左向右、從上到下進行掃描；

（2）統(tǒng)計窗口內(nèi)像素灰度均值，像素均值最大時窗口所對應(yīng)的中心坐標，將坐標值反饋到原圖作為最終的視盤中心位置，在檢測結(jié)果圖中用黑色“+”標記.視盤定位示例如圖5所示.

圖5 視盤定位示例Fig.5 An example of optic disc location

4 視盤分割

眼底圖像RGB三通道中，雖然R通道圖像對比度較低，但是R通道圖中視盤區(qū)域最明顯，視盤內(nèi)部血管信息模糊、視盤的整體輪廓信息較為完整，因此在視盤分割過程中采用R通道作為預(yù)處理灰度圖像.視盤定位之后，本文采用基于鄰域插值運算進行消除血管，具體操作如圖6所示.

圖6 基于鄰域插值運算消除血管Fig.6 Remove vessles based on neighborhood interpolation

首先，為了避免其他眼底組織的干擾，對R通道圖像截取以定位點為中心，長度約為2個視盤直徑（2D）大小的方形區(qū)域作為感興趣區(qū)域，如圖6（a）所示.為了減少視盤區(qū)域內(nèi)血管對視盤分割結(jié)果的影響，在進行視盤分割之前，先把視盤區(qū)域的主血管消除掉.本文首先利用低帽變換以及Otsu閾值分割方法提取出視盤中的血管，如圖6（b）所示，在提取出血管之后，利用減除操作消除血管，然后利用最鄰近插值法在鄰域中填充被移除的血管位置的像素，消除血管后的結(jié)果如圖6（c）所示.鄰域插值算法能夠自動尋找背景中最接近血管的像素填補血管位置像素的灰度值，所以在經(jīng)過插值運算后的圖像看上去會比較平滑干凈，同時可以較好的保護視盤邊界.

消除血管之后，即可進行后續(xù)的視盤分割.本文利用C-V模型在消除血管后的圖像上進行視盤分割.首先設(shè)定一個初始位置，本文設(shè)定了一個以定位點作為中心，1倍視盤直徑（D）大小的圓作為初始輪廓，然后進行曲線演化.C-V模型的基本思想是隱式表達一條平面封閉的曲線，寫成一個隨著曲線的運動而演化的二維曲面函數(shù)的水平集形式，其能量函數(shù)定義如下：

該模型假設(shè)有一條目標曲線C將圖像分為目標區(qū)和背景區(qū)2個部分，其中，I表示圖像，c1和c2分別表示著 2 個區(qū)域?qū)?yīng)的平均灰度值.λ2、λ1、μ、υ為各項的加權(quán)系數(shù)，通常令λ1=λ2=1.公式前2項共同推動曲線向目標邊界運動，稱為保真項，在輪廓曲線收斂到目標邊界時，EC-V（C，c1，c2）達到最小值；公式的后 2項用來正規(guī)化曲線輪廓，被稱為正則約束項[15].其中l(wèi)ength（C）表示輪廓曲線C的長度，與C的光滑程度有關(guān)，其值越小閉合曲線越光滑；而S0（inside（C））代表閉合曲線C的內(nèi)部區(qū)域面積.利用C-V模型求取目標邊界的問題其實就是在求EC-V（C，c1，c2）的最小值.

C-V模型不依賴于圖像的梯度，而是根據(jù)強度均勻的同質(zhì)區(qū)域進行水平集演化，對初始輪廓不敏感，并且可以捕捉圖像全局信息，因此能夠分割梯度信息不確定的模糊邊界，適用于視盤分割.

5 實驗結(jié)果分析

MESSIDOR眼底圖像數(shù)據(jù)集是法國國防研究部資助的一個項目，其中的眼底圖像都是在常規(guī)臨床檢查中使用眼底相機拍攝的.該數(shù)據(jù)集是當前國際上已公開的包含眼底圖像數(shù)最多的圖像數(shù)據(jù)集，因此本文方法選擇在該數(shù)據(jù)集上進行實驗來驗證方法性能.MESSIDOR數(shù)據(jù)集共包含1 200幅彩色眼底圖像，其中540幅健康眼底圖像，660幅病變眼底圖像.本文方法利用改進后的Gbvs模型計算顯著圖，加入了對亮度和對比度不敏感的PC特征，因此對于一些對比度低的圖像仍然可以定位出視盤，部分定位結(jié)果如圖7所示.在對MESSIDOR數(shù)據(jù)集測試后，本文方法的平均定位準確率為98.83%.

圖7 MESSIDOR數(shù)據(jù)集視盤定位結(jié)果Fig.7 Optic disc location results on MESSIDOR database

將本文方法與2種現(xiàn)有代表性方法[1-2]對于MESSIDOR眼底數(shù)據(jù)集測試的定位準確率進行比較，對比結(jié)果如表1所示.

表1 不同方法的視盤定位準確率比較Tab.1 Comparison of disc localization accuracies among different methods

由表1可知，文獻[1]通過剪裁眼底圖像，然后利用圖像亮度特征進行視盤定位，文獻[2]則利用Itti模型計算亮度、顏色、方向3類特征的綜合顯著圖進行視盤定位.由于文獻[1-2]中的方法只利用視盤外觀特性定位，容易受到病變影響.本文方法利用改進后的Gbvs模型計算顯著圖，以馬爾科夫鏈的穩(wěn)態(tài)平衡來衡量圖像的顯著性，更加全局地考慮了像素點之間的顯著性差異，能夠檢測出圖像中更多的ROI，而且改進后的Gbvs模型加入了對亮度對比度不敏感的PC特征，因此本文方法與文獻[1-2]的方法相比效果更好.

此外，表1還給出了利用原始Gbvs模型及本文方法的準確率比較結(jié)果.原始的Gbvs模型在視覺特征提取時選擇了的方向特征和顏色特征，但是受被試個體差異的影響以及Gabor濾波器只進行4個方向濾波的局限性，這2個特征并不適合視盤檢測，而本文方法對Gbvs模型進行了改進，改進型Gbvs模型加入了對比度以及對亮度變換不敏感的PC特征，對于一些視盤亮度不顯著的眼底圖像，可以通過提取對比度和PC特征來獲得眼底視盤的顯著性，因此準確率更高.

利用本文方法在MESSDIOR數(shù)據(jù)集上進行視盤分割，部分分割結(jié)果如圖8所示.

圖8 MESSDIOR數(shù)據(jù)集部分眼底圖像視盤分割結(jié)果Fig.8 Partial fundus image segmentation results in MESSDIOR dataset

圖8為部分眼底圖像的視盤分割結(jié)果，圖中黑色線畫的圓圈表示采用本文方法的視盤邊界擬合結(jié)果.其中圖8（a）—圖8（c）邊界較為清晰，利用C-V模型可以較為精確的分割出視盤邊界.圖8（d）中視盤邊界比較模糊，圖8（e）和圖8（f）中視盤邊界分別被異物以及大量血管遮擋，但是采用由于本文方法在進行視盤分割之前首先進行了血管消除，因此仍能較好地檢測出視盤邊界.

為了驗證本文方法的視盤分割性能，將本文方法與代表性方法[6]的視盤分割方法進行比較，文獻[6]是利用結(jié)合迭代Otsu閾值化和Hough變換進行視盤分割的.首先計算專家標注的視盤區(qū)域與本文方法分割出的視盤區(qū)域之間的面積重疊比S，S定義如下：

式中：GT表示由專家手動標注的視盤區(qū)域；C表示利用本文方法分割出的視盤區(qū)域；GT∩C為這2個區(qū)域之間的交集；GT∪C為這2個區(qū)域的并集；S則表示著2個區(qū)域之間的重疊率，其中0≤S≤1，S的值越趨近于1，表示這2個區(qū)域重疊度越高，同時也就說明方法分割精度更高.

表2 本文方法和文獻[6]方法的重疊率比較Tab.2 Overlap rate comparison between the proposed method and the method of literature[6]

采用本文方法和文獻[6]方法對MESSIDOR數(shù)據(jù)集測試之后，計算數(shù)據(jù)集里所有圖像的重疊率S，表2中的數(shù)據(jù)代表不同面積重疊率對應(yīng)的圖像數(shù)占所有圖像數(shù)的百分比.例如表第2行第3列的數(shù)據(jù)表示本文方法分割的面積重疊率S≥0.95的圖像數(shù)占全部1 200幅圖像的2%.最后一列表示2種方法對MESSIDOR數(shù)據(jù)集所有圖像測試后的平均重疊率文獻[6]的方法利用Hough變換進行視盤分割為75%；而利用本文方法得到的為79%，與文獻[6]方法相比，本文方法利用C-V模型進行視盤分割，分割精度更高.表2中不同面積重疊率S對應(yīng)的視盤分割示例圖如圖9所示，圖中白色曲線是專家分割的視盤邊界，黑色曲線是本文方法的分割出的視盤邊界.

雖然本文方法整體檢測效果較好，但是對于一些眼底圖像也會檢測失敗，如圖10所示.

由于眼底圖像中存在著一些病變，其亮度、對比度、相位一致性這3類視覺特征顯著性要高于視盤，使得視盤定位失??；眼底圖像中視盤周邊有亮度大的病變干擾，而且視盤邊界比較模糊，因此造成視盤分割錯誤.由于視盤既是眼底圖像中顯著性較高的區(qū)域，又是血管的發(fā)源地，因此針對上述視盤檢測時存在的問題，如果加入血管特征對本文方法進行改進，檢測準確率會進一步提高，因此本文方法還值得進一步研究.

圖9 不同面積重疊率的視盤分割結(jié)果示例Fig.9 Examples of optic disc segmentation for different area overlap rates

圖10 本文方法檢測失敗的結(jié)果示例Fig.10 Example of incorrect result of proposed method

6 結(jié) 語

本文提出一種結(jié)合視覺注意機制和相位一致性的眼底圖像視盤檢測方法.該方法將Gbvs模型所提取的顏色、亮度和方向3類視覺特征改為亮度、對比度和PC特征，其中PC特征符合人眼視覺特性，且不受亮度變化影響，因此可以彌補只利用亮度和對比度進行視盤定位時受拍攝光照條件、視盤亮度變化干擾的不足；在進行視盤分割前，首先采取鄰域插值方法消除血管，使視盤的真實邊界得以保留.由于本文方法全面地考慮了視盤的視覺特征，可以克服僅根據(jù)視盤亮度、形狀等外觀特性進行定位與分割的缺陷.在MESSIDOR眼底圖像數(shù)據(jù)集上進行測試，平均定位準確率為98.83%，平均重疊率為79%，實驗結(jié)果表明了本文方法的視盤定位準確率和分割精度高于現(xiàn)有代表性方法，證明了該方法的有效性.

[1]鄒北驥，張思劍，朱承璋.彩色眼底圖像視盤自動定位與分割[J].光學(xué)精密工程，2015，23（4）：1187-1195.ZOU B J，ZHANG S J，ZHU C Z.Automatic localization and segmentation of optic disk in color fundus image[J].Optics and Precision Engineering，2015，23 （4）：1187-1195 （in Chinese）.

[2]柯鑫，江威，朱江兵.基于視覺注意機制的眼底圖像視盤快速定位與分割[J].科學(xué)技術(shù)與工程，2015，15（35）：47-53.KE X，JIANG W，ZHU J B.Fast location and segmentation of optic disk in the fundus image based on visual attention[J].Science Technology and Engineering，2015，15（35）：47-53（in Chinese）.

[3]FORACCHIA M，GRISAN E，RUGGER 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.

[4]SOARES I，CASTELO-BRANCO M，PINHEIRO A.Optic disk localization in retinal images based on cumulative sum fields[J].IEEE Journal of Biomedical and Health Informatics，2016，20（2）：574-585.

[5]SEKHAR S，AL-NUAIMY W，NANDI A K.Automated localization of retinal optic disk using hough transform[C]//Proceedings of 5th IEEE International S ymposium on Biomedical Imaging：From Nano to Macro,Paris,France:IEEE,2008:1577-1580.

[6]李筱涵.基于相位信息的眼底圖像視盤定位與分割方法研究[D].天津：天津工業(yè)大學(xué)，2012.LI X H.Fundus optic disc localization and segmentation method based on phase congruency[D].Tianjin：Tianjin Polytechnic University，2012（in Chinese）.

[7]YIN F，LIU J，ONG S H，et al.Model-based optic nerve head segmentation on retinal fundus images[C]//Proceedings of 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Boston，USA：IEEE，2011：2626-2629.

[8]ITTI L，KOCH C，NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（11）：1254-1259.

[9]HAREL J，KOCH C，PERONA P.Graph-based visual saliency[J].Advances in Neural Information Processing Systems，2007，19：545-552.

[10]吳駿，劉健，肖志濤，等.結(jié)合相位一致性和脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像檢索[J].天津工業(yè)大學(xué)學(xué)報，2014，33（3）：48-54.WU J，LIU J，XIAO Z T，et al.Image retrieval combining phase congruency and PCNN[J].Journal of Tianjin Polytechnic University，2014，33（3）：48-54（in Chinese）.

[11]KOVESI P.Image features from phase congruency[J].Journal of Computer Vision Research，1999，1（3）：1-26.

[12]MORRONE M C，BURR D C.Feature detection in human vision：A phase-dependent model[J].Proceedings of the Royal Society of London，Series B，Biological Sciences，1988，235（1280）：221-245.

[13]FIELD D J.Relations between the statistics of natural images and the response properties of cortical cells[J].Journal of Optical Society of America，1987，4（12）：2379-2394.

[14]TASMAN W，JAEGER E A.Duane′s Ophthalmology[M].15th ed.Philadelphia：Lippincott Williams&Wilkins，2009.

[15]周昌雄.基于活動輪廓模型的圖像分割方法研究[D].南京：南京航空航天大學(xué)，2005.ZHOU C X.Research on method of image segmentation based on active contour model[D].Nanjing：Nanjing University of Aeronautics and Astronautics，2005（in Chinese）.