基于多尺度滤波和线检测算子的视网膜血管检测探究

《基于多尺度滤波和线检测算子的视网膜血管检测探究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、0引言血管自动提取是视网膜眼底图像处理系统的重要问题。眼底图像中的血管表现为狭长的连通的条形模式，并沿一定走向伸展变化，其截面像素的灰度通常呈现高斯分布特性。血管在图像中的形态具有多变性，具体表现在方向和尺寸的变化上，其走向在0°〜360°方向均有可能，宽度可以在一至十几个像素之间变化。造成其检测困难的因素除了其自身的形态多变性外，还有复杂背景和其他对象的干扰，例如非均匀照明和对比度，背景纹理干扰和边缘干扰，因此眼底图像血管检测仍然是没有完美解决的问题。国内外学者已经在眼底图像血管提取方面做了较多的研究，相关方法主要分为非监督和监督学习两

2、大类。非监督学习中主要涉及地有基于边缘的方法、形态学和模板匹配等。甶于血管表现为曲率变化平滑的连通的狭长结构，可以看作是分段线性的条形模式，其边缘由相邻的平行线段组成，因此通过边缘检测实现血管检测与分割是一种可行的检测技术。但是基于边缘算子的血管检测存在难以克服的固有缺陷:在血管边缘模糊且对比度弱的情况下，边缘不易提取，造成漏检;同时边缘提取算子难以分辨纹理和边缘，从而可能造成误判。形态学做血管提取时，一般采用线状结构元素。为适应走向和尺寸的多变性，可以旋转结构元素，并选择多种尺寸的结构元素进行运算，从而增强检测效果。为了进一步利用线状目

3、标的截面形状特性，Zana等人融合截面的横向曲率分析进行了眼底图像血管的提取。形态学的另一种做法是先通过形态学细化算子提取线状目标的骨架结构，然后再结合聚类、分水岭等图像分割技术实现血管的重构和提取。基于形态学方法的优点体现在运算速度和抗噪声性能上，通过调整结构元素尺寸或组合多种尺寸结构元素也可以在一定程度上适应血管尺度的变化，但难以检测弱、细血管模板匹配也是进行血管检测的有效方法，其检测原理依赖于血管的条形模式特性以及截面的高斯分布特性，提出首先利用二维高斯函数描述血管的截面特性，然后通过高斯匹配模板或Gabor滤波模板抑制背景和非线状

4、目标，凸显图像中的血管目标。但是模板匹配的困难在于模板尺度参数的选取，特别是当图像中血管目标的尺度存在大幅度连续变化时，很难确定合适的模板尺度参数，此外匹配的响应强度在很大程度上受制于待检测区域的照明和对比度因素，同时难以排除对比度强的背景纹理和边缘干扰，这些因素容易导致漏检或误检。为了获得鲁棒性强的血管检测方法，近年来，研究人员较多地采用了监督学习技术来实现血管检测。早期的Niemeijer等人主要是利用区域属性中的颜色、对比度、长宽比、线性度和曲率等信息进行特征提取，然后通过监督学习训练K近邻分类器、线性或二次分类器来检测血管的。根据

5、血管条形或线形特点，Ricci等人设计了线形检测器，Staal等人设计了脊线检测器来匹配血管结构，进而提取血管特征，同样可以获得良好的检测效果。考虑到尺度的适应性，Nguyen等人构建了多尺度线性检测器，通过改变线检测算子的长度，避免了紧邻血管的互相干扰。Soares等人使用在各个尺度下二维Gabor小波变换的响应和像素灰度值构成特征向量，使用高斯混合模型分类器对血管进行分割，但噪声和类似血管的物体的假检率比较高，且对光照变化较大的图片检测效果不好，无法对细小的血管进行检测。Marin提取灰度值和不变矩特征，利用人工神经网络对血管进行分类

6、。You结合镜像投影和半监督学习实现血管分割。针对血管的线状结构特性和Hessian矩阵检测线性结构的良好性能，近年来Hessian矩阵多尺度滤波受到了越来越多的关注，其中Krissian、Li和Frangi提出的基于Hessian矩阵特征值和特征向量的血管増强算法应用较为广泛，尤以Frangi血管増强算法应用最为广泛、性能最为优异，但该算法缺少对于尺度适应性的处理。结合多尺度Hessian矩阵滤波和线检测算子，本文提出了一种有效的血管检测方法。在检测前，为了有效地増强不同尺度的血管结构，同时抑制背景，采用多尺度Hessian矩阵分析，利

7、用Hessian矩阵特征值构建血管相似性函数实现血管増强，然后在增强的血管图像上，再次利用改进的线检测算子，提取能够反映血管测度的特征，最后采用SVM实现血管检测。实验结果表明，该方法具有良好的检测性能。1基于Hessian矩阵的血管多尺度滤波増强在检测血管前，有必要对眼底图像血管进行增强处理，一方面凸显线状血管结构，另一方面希望抑制背景和其他非线状结构。由于眼底图像血管为树状结构，从主干血管到微细分支血管，血管宽度在整幅图像中呈现较大的变化，因此我们考虑融合多尺度空间滤波技术使不同尺寸的血管都能获得良好的増强效果Hessian矩阵能够求

8、取图像中二阶导数的最大值和方向，某点的Hessian矩阵的特征值刻画了该点的曲率值，其幅值最大的特征值对应的特征向量代表着该点曲率最大的方向，而幅值最小的特征值对应的特征向量代表着该点曲率最小