單玲玉，閔鋒*，李延達(dá)

1.武漢工程大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，湖北 武漢 430205；2.智能機(jī)器人湖北省重點(diǎn)實(shí)驗(yàn)室（武漢工程大學(xué)），湖北 武漢 430205；3.新洲一中，湖北 武漢 430400

全局閾值與局部閾值相結(jié)合的視網(wǎng)膜血管分割方法

單玲玉1，2，閔鋒*1，2，李延達(dá)3

1.武漢工程大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，湖北 武漢 430205；2.智能機(jī)器人湖北省重點(diǎn)實(shí)驗(yàn)室（武漢工程大學(xué)），湖北 武漢 430205；3.新洲一中，湖北 武漢 430400

針對(duì)視網(wǎng)膜血管圖像使用單一閾值方法無法有效提取整體血管網(wǎng)絡(luò)的問題，提出了一種全局閾值與局部閾值相結(jié)合的視網(wǎng)膜血管分割方法.該方法采用匹配濾波方法來增強(qiáng)圖像，然后在增強(qiáng)圖像上分別使用全局閾值二維最大熵與局部閾值移動(dòng)平均算法對(duì)圖像進(jìn)行分割以獲取視網(wǎng)膜的主血管與細(xì)小血管部分，最后通過區(qū)域連通性的判斷，將視網(wǎng)膜的主血管與細(xì)小血管進(jìn)行結(jié)合，分割出最終的血管網(wǎng)絡(luò).在Drive公共數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，該方法分割得到的血管準(zhǔn)確率達(dá)到93．56%，真陽性率值達(dá)到80．46%，均高于Perez算法，并且在細(xì)小部分更為豐富，能夠得到較好的血管分割結(jié)果.

視網(wǎng)膜血管；全局閾值法；局部閾值法；匹配濾波

0 引言

人體較深層血管網(wǎng)絡(luò)中非創(chuàng)傷便可直接觀察的是視網(wǎng)膜血管，其形態(tài)結(jié)構(gòu)的變化反映了糖尿病、腎病、高血壓等疾病對(duì)血管網(wǎng)絡(luò)的影響，是檢查心血管疾病的重要部位之一.在臨床上，視網(wǎng)膜圖像中血管網(wǎng)絡(luò)的檢測(cè)和提取對(duì)上述疾病的診斷和治療具有重要意義.

簡(jiǎn)單常用的視網(wǎng)膜血管分割方法是閾值分割法，其中閾值分割又可分為全局閾值與局部閾值兩種.基于全局閾值的方法中，其閾值的選取多依靠于灰度直方圖，常用的方法有最大類間方差法（OTSU）［1］和最大熵法［2］等.針對(duì)視網(wǎng)膜血管分割方面，姚暢［3］提出了一種基于改進(jìn)的PCNN的視網(wǎng)膜血管樹提取方法，它對(duì)二維高斯匹配濾波預(yù)處理后的眼底圖像運(yùn)用改進(jìn)的PCNN分割出增強(qiáng)圖像的血管網(wǎng)絡(luò)，然后對(duì)分割得到的血管網(wǎng)絡(luò)結(jié)合區(qū)域連通性特征，采用長(zhǎng)度濾波算子濾除噪聲，提取出最終的血管樹.該方法對(duì)整幅圖像使用固定的全局閾值，如果圖像中血管與背景的對(duì)比度十分明顯，此分割方法相當(dāng)有效.但是由于血管越往末梢越細(xì)，與背景的對(duì)比度也越來越弱，使用全局閾值只能得到血管的主干部分，血管的細(xì)小末梢部分難以分割.基于局部閾值的分割方法是對(duì)圖像中的不同區(qū)域采用不同的閾值，其閾值的選取一般基于圖像的局部統(tǒng)計(jì)信息，如局部方差、局部對(duì)比度以及曲面擬合閾值等，又稱為自適應(yīng)閾值.針對(duì)視網(wǎng)膜血管分割方面，黃琳等［4］提出了一種視網(wǎng)膜圖像中的血管自適應(yīng)提取的方法，它通過視網(wǎng)膜圖像進(jìn)行分區(qū)，然后計(jì)算每一區(qū)域滿足梯度要求的像素點(diǎn)個(gè)數(shù)求取合適的局部閾值，最終實(shí)現(xiàn)血管的分割.該方法可以保證計(jì)算得到平均誤差最小意義下的最優(yōu)閾值，但是由于視網(wǎng)膜圖像中背景灰度并不是非常均勻，所以閾值化得到的二值血管圖像中包含很多碎片.

因此，提出一種全局閾值與局部閾值相結(jié)合的視網(wǎng)膜血管分割方法.首先在匹配濾波增強(qiáng)后的圖像上，分別采用全局閾值中的二維最大熵［5］與局部閾值中的移動(dòng)平均的方法以獲取主血管部分與細(xì)小血管部分，最后通過區(qū)域連通性的判斷，將上述的主血管與細(xì)小血管部分進(jìn)行結(jié)合，消除噪聲，獲取最終的血管分割結(jié)果.同時(shí)將本文的分割結(jié)果同Perez算法［6］的結(jié)果進(jìn)行比較，以證明本文算法的有效性.

1 算法描述

1.1 圖像增強(qiáng)預(yù)處理

本文處理的視網(wǎng)膜圖像是彩色的，通過將其分解成紅、綠、藍(lán)三通道圖像后可以發(fā)現(xiàn)綠色通道的圖像中血管與背景的對(duì)比度最高，因此采用綠通道圖像進(jìn)行處理．在視網(wǎng)膜圖像中，血管的曲率較小，并且其寬度的變化是漸進(jìn)的，所以可以用高斯曲線來近似表示血管的橫截面灰度輪廓．本文采用文獻(xiàn)［7］的匹配濾波方法來增強(qiáng)圖像，由于血管的方向是任意的，因此采用12個(gè)不同方向的高斯核模板來對(duì)視網(wǎng)膜圖像進(jìn)行匹配濾波，以增強(qiáng)血管的灰度．其中，圖1（a）為處理的原始視網(wǎng)膜圖像，圖1（b）為綠色通道圖像，圖1（c）為增強(qiáng)后的視網(wǎng)膜圖像．

圖1 圖像預(yù)處理過程Fig.1 Image preprocessing

1.2 基于全局閾值的主血管分割

對(duì)于匹配濾波處理后的增強(qiáng)圖像，本文采用全局閾值法來分割主血管部分．常用的全局閾值法包括OTSU閾值法、二維最大熵閾值法．其中OTSU閾值法可以根據(jù)圖像的統(tǒng)計(jì)性質(zhì)自動(dòng)尋找閾值從而對(duì)圖像進(jìn)行分割，該方法的核心思想是把直方圖在某一閾值處分成兩組，當(dāng)這兩組間的方差最大時(shí)確定閾值；二維最大熵閾值法則是利用點(diǎn)灰度和區(qū)域灰度均值的二維直方圖，根據(jù)熵最大原則尋找最佳閾值．由于OTSU依賴的一維直方圖是單峰的，而二維最大熵依賴的二維直方圖利用了圖像鄰域的相關(guān)信息，目標(biāo)和背景的雙峰仍然明顯，所以二維最大熵閾值法較之OTSU閾值法更抗干擾，因此本文采用二維最大熵閾值法來分割主血管部分．

圖像的灰度取值范圍為｛0，1，2，…，L-1｝，假設(shè)分割閾值矢量為（S，T），將圖像分成目標(biāo)A和背景C，它們的概率分別是:

目標(biāo)A與背景C的熵分別被定義為:

為了獲取圖像中目標(biāo)和背景的最大信息量，那么希望圖像的總熵H（S，T）越大越好，而當(dāng)H（S，T）最大時(shí)的灰度對(duì)（S，T）則是所求的最佳閾值，選擇出的閾值矢量（S，T）必須滿足以下判別函數(shù):

1.3 基于局部閾值的細(xì)小血管分割

對(duì)于匹配濾波處理后的增強(qiáng)圖像，采用局部閾值法來分割細(xì)小血管部分．常用的局部閾值法包括圖像分塊、基于局部圖像特性的可變閾值、移動(dòng)平均等方法．其中，圖像分塊只有當(dāng)感興趣物體和背景占據(jù)合理的可比大小的區(qū)域時(shí)，圖像細(xì)分的工作才會(huì)比較好，當(dāng)不是這種情況時(shí)，該方法會(huì)失??；基于局部圖像特征的可變閾值是在一幅圖像中的每一點(diǎn)（x，y）計(jì)算閾值，該閾值是以一個(gè)或多個(gè)在（x，y）鄰域計(jì)算的特性為基礎(chǔ)的，但是該方法計(jì)算比較費(fèi)力，實(shí)用性不強(qiáng)；移動(dòng)平均則是局部閾值處理方法的一種特殊情形，它是以一幅圖像的掃描行計(jì)算為基礎(chǔ)的，計(jì)算速度較快．并且，當(dāng)感興趣的物體與圖像尺寸相比較細(xì)時(shí)，基于移動(dòng)平均的閾值處理會(huì)獲取更好的分割結(jié)果，由于視網(wǎng)膜中血管相對(duì)整體圖像較細(xì)，符合這一情況，所以采用移動(dòng)平均來分割細(xì)小血管部分．

移動(dòng)平均是以一幅圖像的掃描行計(jì)算值為基礎(chǔ)，為了減少光照偏差，掃描是以Z字形模式逐行執(zhí)行的．令zk+1表示步驟k+1中掃描序列中遇到的點(diǎn)的灰度，這個(gè)新點(diǎn)處的移動(dòng)平均（平均灰度）由式（4）給出:

對(duì)于圖像中的每個(gè)點(diǎn)都計(jì)算移動(dòng)平均，可變局部閾值的通用形式:

其中，b是常數(shù)，mxy是在輸入圖像中的點(diǎn)（x，y）處使用式（4）得到的移動(dòng)平均．分割后的圖像計(jì)算如下:

其中，f（x，y）是輸入圖像．該式對(duì)圖像中的所有像素位置進(jìn)行求值，并在每個(gè)點(diǎn)處使用移動(dòng)平均計(jì)算不同的閾值．

1.4 主血管與細(xì)小血管融合

由圖2（a）可知，基于二維最大熵分割出的血管是血管增強(qiáng)圖像中的主血管部分，對(duì)于圖像中的小血管部分不能進(jìn)行很好地分割．由圖2（b）可知，基于移動(dòng)平均提取出了大部分的細(xì)小血管和血管末梢部分，但同時(shí)也包含了部分背景與噪聲．為了區(qū)分開移動(dòng)平均中的血管與噪聲部分，將二維最大熵結(jié)果中的主血管作為整個(gè)血管網(wǎng)絡(luò)的主干，通過對(duì)區(qū)域連通性進(jìn)行判斷將位于主血管周圍的小血管提取出來了，而與主血管沒有連通性的噪聲部分則被清除，最終的分割結(jié)果如圖2（c）所示．

圖2 視網(wǎng)膜血管分割過程Fig.2 Segmentation process of retina vessel

從圖2可以看出，采用二維最大熵分割后的視網(wǎng)膜圖像只得到主血管部分，對(duì)于對(duì)比度較弱和末梢部位的血管不能進(jìn)行有效地分割．采用移動(dòng)平均分割后的視網(wǎng)膜圖像中雖然包含了對(duì)比度較弱和末梢部位的血管，但是同樣也包含了部分背景與噪聲片段．而通過血管區(qū)域連通性判斷處理后，既能將位于主血管周圍的小血管提取出來，又能夠去除移動(dòng)平均中與主血管沒有連通性的噪聲部分，取得更為完整的血管網(wǎng)絡(luò)．

2 性能評(píng)估

血管分割結(jié)果好壞的評(píng)估需要將其與專家手工圈畫的金標(biāo)準(zhǔn)進(jìn)行對(duì)比．假設(shè)P和N分別代表金標(biāo)準(zhǔn)文件中記錄的真陽性和假陽性的個(gè)數(shù)，TP表示分割算法分割出來的真陽性個(gè)數(shù)，即被判斷為陽性的陽性區(qū)域個(gè)數(shù)；TN表示真陰性的個(gè)數(shù)，即被判斷為陰性的陰性區(qū)域個(gè)數(shù)；FP表示假陽性的個(gè)數(shù)，即被判斷為陽性的陰性區(qū)域個(gè)數(shù)；FN表示假陰性的個(gè)數(shù)，即被判斷為陰性的陽性區(qū)域個(gè)數(shù)，其關(guān)系如表1所示．

在進(jìn)行性能評(píng)估時(shí)，通常會(huì)用到準(zhǔn)確率ACC（Accuracy）、真陽性率TPR（True Positive Rate）和假陽性率FPR（False Positive Rate）．ACC是被正確判斷為血管和非血管個(gè)數(shù)之和與金標(biāo)準(zhǔn)中血管和非血管個(gè)數(shù)之和的比值；TPR是被正確判斷為血管的個(gè)數(shù)與金標(biāo)準(zhǔn)中所有血管的個(gè)數(shù)的比值，也稱敏感性（Sensitivity）；FPR則是被錯(cuò)誤判斷為血管的個(gè)數(shù)與金標(biāo)準(zhǔn)中所有非血管的個(gè)數(shù)的比值，1-FPR的值也稱為特異性（Specificity）．其中，敏感性體現(xiàn)了對(duì)血管的判斷能力，特異性體現(xiàn)了對(duì)背景的判斷能力．醫(yī)學(xué)圖像中更看重敏感性，即TPR值．

表1 分類性能度量表示Table 1 Classification performance metrics

根據(jù)表1，ACC、TPR與FPR的計(jì)算公式表示如下:

為了評(píng)估本文方法的分割效果，通過計(jì)算ACC、TPR和FPR的值，與其他分割算法的上述指標(biāo)進(jìn)行對(duì)比．

3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)均在Win7操作系統(tǒng)上采用MATLAB 8．1搭建，本文實(shí)驗(yàn)采用的視網(wǎng)膜圖像均來自于Staal等人提供的Drive公共數(shù)據(jù)庫［8］．該數(shù)據(jù)庫共包含40幅彩色視網(wǎng)膜圖像以及相對(duì)應(yīng)的專家分割的血管作為參考標(biāo)準(zhǔn)，圖像尺寸為565×584．

為了驗(yàn)證本文分割方法的有效性，將本文方法與只采用二維最大熵或移動(dòng)平均的圖像分割方法在ACC、TPR及FPR上進(jìn)行對(duì)比．本文方法對(duì)比其他兩種圖像分割方法的評(píng)價(jià)數(shù)據(jù)如表2所示．

從表2結(jié)果可知，本文方法的ACC稍低于二維最大熵的結(jié)果，但是在相當(dāng)ACC下具有較高的TPR值；并且本文方法的TPR值在稍高于移動(dòng)平均的同時(shí)具有相對(duì)較高的ACC與較低的FPR值，分割結(jié)果更利于醫(yī)學(xué)上的使用，由此證明本文提出的方法是一種有效的視網(wǎng)膜血管分割方法.

表2 Drive數(shù)據(jù)庫上三種圖像分割方法對(duì)比結(jié)果Table 2 Comparison results of three image segmentation method on the Drive database%

為了檢驗(yàn)本文方法的性能，將實(shí)驗(yàn)結(jié)果與Perez算法的分割結(jié)果進(jìn)行對(duì)比，其結(jié)果如圖3所示.圖3中第1列為原始視網(wǎng)膜圖像，第2列為專家手工圈畫的參考標(biāo)準(zhǔn)，第3列為Perez算法的分割結(jié)果，第4列為本文方法的分割結(jié)果.圖3中第1行為Drive數(shù)據(jù)庫中test文件夾中編號(hào)16的正常視網(wǎng)膜圖像，第2行為編號(hào)13的對(duì)比度較弱的視網(wǎng)膜圖像，第3行為編號(hào)17的含有輕微病變的視網(wǎng)膜圖像.從對(duì)比圖中可以發(fā)現(xiàn)，本文方法能夠分割得到大部分血管，并且與Perez算法的結(jié)果相比，本文方法能夠獲取更多的細(xì)小血管，這是因?yàn)楸疚姆椒ㄔ诜指畛龈嗉?xì)小血管的同時(shí)能夠去除與主血管沒有連通性的噪聲部分，取得更為完整的血管網(wǎng)絡(luò).

圖3 血管分割結(jié)果對(duì)比Fig.3 Comparison of vessel segmentation results

為了進(jìn)一步確認(rèn)本文方法的有效性和可靠性，通過計(jì)算ACC、TPR及FPR對(duì)本文方法及Perez算法的結(jié)果進(jìn)行評(píng)價(jià).統(tǒng)計(jì)本文方法及Perez算法應(yīng)用于Drive眼底數(shù)據(jù)庫中20幅圖像的ACC、TPR、FPR數(shù)據(jù)，分別得三項(xiàng)數(shù)據(jù)的對(duì)比曲線圖如圖4所示.從圖4（a）中可以看出，平均ACC分別為93．56%和91．82%，本文方法的ACC要高于Perez算法；由圖4（b）可以看出，平均TPR分別為80．46%和70．87%，本文方法的TPR要明顯高于Perez算法；同時(shí)由圖4（c）可以看出，本文方法的FPR也大部分與Perez算法接近，僅有極少部分的值高于Perez算法，平均FPR分別為5．16%和5．04%.

圖4 血管分割方法數(shù)據(jù)對(duì)比曲線圖Fig.4 The data contrast curve of vessel segmentation methods

4 結(jié)語

從視網(wǎng)膜血管本身具有的特點(diǎn)出發(fā)，提出的一種全局閾值與局部閾值相結(jié)合的視網(wǎng)膜血管分割方法.實(shí)驗(yàn)結(jié)果表明，本文提出的分割方法分割得到的血管在細(xì)小部分更為豐富，連通性和有效性方面都要優(yōu)于Perez算法的結(jié)果.但是對(duì)于含有病變的視網(wǎng)膜圖像，目前的分割結(jié)果還不能將之與血管區(qū)分開，如何去除病變區(qū)域?qū)⑹俏覀兘酉聛硪瓿傻墓ぷ?

致謝

衷心感謝湖北省自然科學(xué)重點(diǎn)項(xiàng)目:面向智慧家庭的服務(wù)機(jī)器人基礎(chǔ)技術(shù)問題研究（2012FFA099）、機(jī)器人全景立體視覺成像與重建理論及關(guān)鍵技術(shù)研究（2014CFA130）；武漢工程大學(xué)研究基金:視頻監(jiān)控中目標(biāo)識(shí)別的特征提取認(rèn)識(shí)水平研究（K201401）對(duì)本研究的支持！

［1］李敏，羅洪艷，鄭小林，等．一種改進(jìn)的最大類間方差圖像分割法［J］．南京理工大學(xué)學(xué)報(bào)，2012，36（2）: 332-337．

LI Min，LUO Hong-yan，ZHENG Xiao-lin，et al．Image segmentation based on improved otsu algorithm［J］．Journal of Nanjing University of Science and Technology，2012，36（2）:332-337．（in Chinese）

［2］張新明，張愛麗，鄭延斌,等．改進(jìn)的最大熵閾值分割及其快速實(shí)現(xiàn)［J］．計(jì)算機(jī)科學(xué)，2011，38（8）:279-283．

ZHANG Xin-ming，ZHANG Ai-li，ZHENG Yan-bin，et al．Improved two-dimensional maximum entropy image thresholding and its fast recursive realization［J］．Computer Science，2011，38（8）:279-283．（in Chinese）

［3］姚暢，陳后金，荊濤,等．一種基于改進(jìn)的PCNN的視網(wǎng)膜血管樹提取方法［J］．光電子．激光，2011，22（11）: 1745-1750．

YAO Chang，CHEN Hou-jin，JING Tao，et al．Extraction of blood vessel tree in retinal image based on improvedPCNN［J］．JournalofOptoelectronics Laser，2011，22（11）:1745-1750．（in Chinese）

［4］黃琳，沈建新，羅煦．視網(wǎng)膜圖像中的血管自適應(yīng)提?。跩］．中國制造業(yè)信息化，2009，38（1）:64-67．

HUANG Lin，SHEN Jian-xin，LUO Xun．The Automatic extracting blood vessels in retinal image［J］．Manufacture Information Engineering of China，2009，38（1）:64-67．（in Chinese）

［5］許立騰，徐向民．基于二維最大熵閾值分割的鈣化點(diǎn)檢測(cè)算法［J］．計(jì)算機(jī)仿真，2010，27（9）:255-257．

XU Li-teng，XU Xiang-min．A calcification detection method based on two-dimensional entropic thresholding［J］．Computer Simulation，2010，27（9）:255-257．（in Chinese）

［6］Martinez-Perez M E，Hughes A D，Thom S A，et al．Segmentation of blood vessels from red-free and fluorescein retinal images［J］．Medical Image Analysis，2007，11（1）:47-61．

［7］張東波，尚星宇．病變視網(wǎng)膜圖像的血管骨架提取方法研究［J］．電子測(cè)量與儀器學(xué)報(bào)，2011，25（9）:749-755．

ZHANG Dong-bo，SHANG Xing-yu．Extracting blood centerlineadaptedforretinalfundusimageswith pathologies［J］．Journal of Electronic Measurement and Instrument，2011，25（9）:749-755．（in Chinese）

［8］VIERGEVER M，LUIJTEN P．DRIVE:Digital retinal images for vessel extraction［EB／OL］．http://www.isi.uu.nl/Research/Database/DRIVE/.［2010-09-01］．

Segmentation method of retinal blood vessels via global threshold and local threshold

SHAN Ling-yu1，2，MIN Feng1，2,LI Yan-da3
1.School of Computer Science and Engineering，Wuhan Institute of Technology，Wuhan 430205，China；2.Hubei Key Laboratory of Intelligent Robot（Wuhan Institute of Technology），Wuhan 430205，China; 3.Xinzhou NO.1 High school,Wuhan 430400,China

Aimed at the issue that the whole network of blood vessels can not be effectively extracted by a single threshold method，a novel segmentation method of retinal blood vessels image via global threshold and local threshold was proposed．Firstly，matched filter was used to enhance the retinal image．Then the main vessels and small vessels were respectively segmented through the global threshold of two-dimensional maximum entropy and the local threshold of moving average．Finally，the segmentation results of blood vessels were obtained via analyzing the region connectivity and combining the main vessels with small vessels．The accuracy of the segmentation method tested on Drive public database is 93．56%，and the value of true positive rate reaches 80．46%，both of which are higher than those by the Perez algorithm．In addition，the part of small vessels is more abundant，getting a better segmentation result of blood vessels．

retinal blood vessel；global threshold；local threshold；matched filter

TP391.41

A

10.3969/j.issn.1674-2869.2015.03.013

1674-2869（2015）03-0062-06

本文編輯：陳小平

2015-01-17

湖北省自然科學(xué)基金資助項(xiàng)目（2012FFA099；2014CFA130）；武漢工程大學(xué)科學(xué)研究基金（K201401）

單玲玉（1989-），女，河南新鄉(xiāng)人，碩士研究生．研究方向:圖像處理．*通信聯(lián)系人.