翟麗紅

摘 要 本文提出了一種改進的視網(wǎng)膜血管分割算法，結(jié)合了多尺度線性檢測與圖像的灰度-梯度共生矩陣的方法。首先，提取圖像中包含血管輪廓信息豐富的綠色分量，進行預處理；其次，基于血管的形態(tài)結(jié)構(gòu)特征，對視網(wǎng)膜圖像血管采取多尺度多方向的線性檢測，獲得血管圖像的特征；最后，基于圖像的灰度—梯度共生矩陣，計算最佳熵閾值進行分割。實驗表明該方法分割準確度高，計算速度快，魯棒性好。

【關(guān)鍵詞】視網(wǎng)膜圖像 多尺度線性檢測器 共生矩陣 血管分割

視網(wǎng)膜血管，是全身微循環(huán)系統(tǒng)的重要組成部分，其形態(tài)結(jié)構(gòu)的變化與糖尿病，高血壓，等心血管疾病的嚴重程度密切相關(guān)。通過提取視網(wǎng)膜血管，分析血管管徑，彎曲度等特征，能很大程度上對心血管疾病進行預測，從而實施科學的預防性干預和藥物治療。視網(wǎng)膜位于眼底玻璃體后，呈凹面體，眼底圖像光照不均勻，中央亮，四周暗，血管與背景的對比度弱及存在一些干擾。

Chaudhuri提出了二維匹配濾波的方法，血管結(jié)構(gòu)得到增強的同時易丟失細小血管。Thitiporn提出基于局部熵閾值的血管分割方法，僅對正常的視網(wǎng)膜圖像實現(xiàn)較好分割。Nguyen 提出了多尺度線性檢測方法。此外，眾多學者對分割方法進行了深入研究。

本文提出了一種改進的血管分割方法，利用多方向多尺度的線性檢測器，基于灰度—梯度共生矩陣，計算其最佳熵閾值進行血管分割。

1 算法描述

本文算法包括：

（1）預處理；

（2）多方向多尺度線性檢測；

（3）基于灰度—梯度共生矩陣，計算圖像的最佳熵閾值。

1.1 預處理

彩色眼底圖像為RGB圖像，選取血管輪廓信息豐富且對比度較強的綠色分量，如圖1所示。綠色分量光照不均勻，動態(tài)范圍小，需進行預處理，包括：陰影修正，降噪，CLAHE。

1.2 多尺度多方向線性檢測

本文采用多尺度多方向的線性檢測器對圖像Ig進行檢測。窗口寬度為W，L為線性濾波器的尺度，n為窗口內(nèi)的像素個數(shù)。較長的L用于檢測中央反射區(qū)，較短的則可避免出現(xiàn)緊靠的血管不易分割。圖像的特征響應(yīng)為 ，是窗口內(nèi)的平均灰度值；

，是檢測線上的平均灰度值，當檢測線的方向和血管方向相同時，IWl最大，記為IWmax。

檢測器的核心思想是取尺度為L的檢測線，以15度為間隔旋轉(zhuǎn)，改變L可構(gòu)成多尺度線性檢測器。圖2為檢測窗口為15×15，L為11的線性檢測器。增強后的圖像為

其中。

1.3 閾值分割

Nguyen提出的算法中，對R'的分割選取了固定值t=0.56。本文中，采用了灰度—梯度共生矩陣來計算R'的最大熵閾值。該矩陣反映了圖像中灰度和梯度的分布規(guī)律，還能夠表示各像素點與其鄰域像素點的空間關(guān)系。

如圖4所示，A表示血管，C表示背景。設(shè)定閾值在（s，s）處，血管的灰度值較低，而背景較高，且各自內(nèi)部的灰度級分布較均勻，梯度值較低。梯度值越大越有可能為血管邊緣。A中tij表示i屬于目標j屬于邊緣的轉(zhuǎn)移個數(shù)，C中tij表示i屬于背景j屬于邊緣的轉(zhuǎn)移個數(shù)。

統(tǒng)計A和C兩個象限的概率并進行歸一化得到PAij和PCij，其中

2 實驗結(jié)果與分析

選取DRIVE數(shù)據(jù)庫里的20幅圖像進行血管分割。如圖5所示，本算法能夠正確分割中央存在反射的血管，不會對緊靠的血管產(chǎn)生錯誤分割。此外，還能分割出更多的細小血管，結(jié)果更接近手工分割。分析圖6可知，本算法對彎曲度較大的眼底圖像分割效果較好。

本文采用局部準確度（LACC）來分析算法的分割性能。對標準圖像采用大小為S的形態(tài)學結(jié)構(gòu)算子進行膨脹處理，得到的圖像作為局部準確度分析的掩膜圖像。S越小，其測量誤差主要來自于將血管誤分為背景。選取DRIVE數(shù)據(jù)庫進行分析，由圖7可知，S<5時，本文的LACC高于Nguyen算法，更接近手工分割。

3 總結(jié)

本文提出了一種改進的眼底圖像血管分割算法，對圖像進行預處理，利用多方向多尺度的線性檢測器提取血管特征，利用灰度—梯度共生矩陣，計算最佳熵閾值。本算法較好地處理中央血管和分割緊靠血管，分割出更多細小的血管，簡單有效，魯棒性好。

參考文獻

[1]Chaudhuri S.Detection of blood vessels in retinal images using two-dimensional matched filters [J].IEEE Transactions on Medical Imaging，1989，8（03）：263-269.

[2]Thitiporn Chanwimaluang. An efficient blood vessel detection algorithm for retinal images using local entropy thresholding[A].Proceedings of the 2003 International Symposium on ICASSP[C].Hong Kong：[s.n.]，2003：21-24.

[3]Nguyen U.T.V.An effective retinal blood vessel segmentation method using mult_scale line detection. Pattern Recognition，2013：703-715.

[4]朱宏擎.基于灰度-梯度共生矩陣的視網(wǎng)膜血管分割方法[J].上海交通大學學報，2004，38（09）：1485-1488.