梁禮明 盛校棋 藍(lán)智敏 錢艷群

(江西理工大學(xué)電氣工程與自動(dòng)化學(xué)院 江西 贛州 341000)

0 引 言

血管是視網(wǎng)膜最重要的組成部分之一，視網(wǎng)膜血管分割和血管形態(tài)屬性的劃分，如長度、寬度、迂曲和角度，可用于各種心血管和眼科疾病的診斷、篩選、治療和評估[1]，如糖尿病、青光眼[2]、硬性滲出物[3]和高血壓[4]等全身性疾病。然而，通過眼科專家分割視網(wǎng)膜血管存在時(shí)效性差，且缺乏準(zhǔn)確性。因此，研究血管自動(dòng)分割和自動(dòng)識別血管形態(tài)屬性的算法成為輔助醫(yī)療診斷至關(guān)重要的一步。

現(xiàn)有的視網(wǎng)膜分割方法大致可劃分為無監(jiān)督與有監(jiān)督方法。其中，無監(jiān)督學(xué)習(xí)視網(wǎng)膜血管分割方法可以分為匹配濾波、數(shù)學(xué)形態(tài)學(xué)、血管追蹤以及聚類等。文獻(xiàn)[5]提出一種改進(jìn)的Top-Hat變換應(yīng)用于視網(wǎng)膜血管分割，使用不同半徑的圓形結(jié)構(gòu)元素來檢測不同寬度的血管，進(jìn)一步提高微小血管的分割率，但對噪聲較為敏感。文獻(xiàn)[6]提出一種基于貝葉斯概率的血管追蹤方法，結(jié)合血管的連通性與灰度級等信息擬合血管結(jié)構(gòu)，該方法較好地解決血管交叉處分割斷裂的問題，但對微小血管分割精度較低。文獻(xiàn)[7]利用主成分分析(PCA)提取血管的特征，并利用閾值進(jìn)行分割，存在微小血管分割低、血管交叉處分割斷裂等現(xiàn)象。

有監(jiān)督學(xué)習(xí)需要專家提供具有標(biāo)記的金標(biāo)準(zhǔn)視網(wǎng)膜圖像，使用基于局部或全局圖像的一組特征來訓(xùn)練分類器，充當(dāng)先驗(yàn)知識并指導(dǎo)訓(xùn)練。文獻(xiàn)[8]提出了一種融合多特征的隨機(jī)森林分類器，很好地解決了血管交叉處分割斷裂的情況，但存在將視盤誤分割為血管的現(xiàn)象。文獻(xiàn)[9]融合相位特征的血管分割算法，較好地解決了血管相位一致性特征檢測不足的問題，但仍存在微血管分割不足的問題。文獻(xiàn)[10]將血管分割看作為二分類問題，提出一種基于支持向量機(jī)(SVM)的混合5D特征區(qū)分血管像素與非血管像素，對噪聲有較強(qiáng)的適應(yīng)性，解決了視盤被誤分割為血管的問題，但存在微小血管易斷裂問題。

因此，針對現(xiàn)有的方法的不足與挑戰(zhàn)，本文提出一種基于多尺度濾波器與AdaBoost分類器相結(jié)合的有監(jiān)督的視網(wǎng)膜分割算法。首先利用二維K-L變換綜合分析圖像的三通道顏色特征信息，解決單一通道存在偽影和噪音大的問題，并采用受限對比度直方圖均衡化(Contrast Limited Adaptive Histogram Equalization, CLAHE)增強(qiáng)視網(wǎng)膜圖像并且移除低頻的噪音，利用雙邊濾波Retinex進(jìn)行偽影矯正。其次，利用多尺度形態(tài)學(xué)濾波、多尺度匹配濾波、2D-Gabor濾波及Hessian的各項(xiàng)異性提取較寬和微小血管特征向量，將以上先驗(yàn)信息與血管特征作為訓(xùn)練樣本并歸一化。使用專家分割結(jié)果作為標(biāo)簽，通過AdaBoost進(jìn)行分類，去掉非血管像素，得到初步分割結(jié)果。利用AdaBoost分類器與多尺度多類型濾波器相結(jié)合，有利于改善分割效果，每個(gè)濾波器以不同的方式響應(yīng)圖像中的不同像素。最后，利用連通域面積等操作去除病灶與偽影，獲得最終的視網(wǎng)膜血管分割結(jié)果?？偭鞒倘鐖D1所示。

圖1 本文算法總流程圖

1 數(shù)據(jù)集與圖像預(yù)處理

1.1 數(shù)據(jù)集

本文采用STARE[11]和DRIVE[12]眼底圖像數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)。其中：DRIVE數(shù)據(jù)集各有20張訓(xùn)練集和測試集；STARE數(shù)據(jù)集僅含20張眼底圖像，但并沒有劃分訓(xùn)練集與測試集。故本文利用留一法，選擇一幅圖像作為測試集，并使用數(shù)據(jù)集中的其他圖像訓(xùn)練分類器，通過改變測試圖像重復(fù)該過程，直到數(shù)據(jù)集中所有圖像被用于測試一次。

1.2 二維K-L變換

采用二維K-L變換將視網(wǎng)膜圖像三頻帶信息轉(zhuǎn)換到一個(gè)主分量空間，進(jìn)而降低算法復(fù)雜度，并有效地解決了人工通過加權(quán)的方式得到灰度圖像的問題，其數(shù)據(jù)變換矩陣定義如下：

(1)

式中：αk=(αkR,αkG,αkB)T是圖像p的協(xié)方差矩陣的特征向量矩陣；k=(1,2,3)；p=(pR,pG,pB)T表示RGB三通道圖像。其主分量信息需要將數(shù)據(jù)進(jìn)行協(xié)方差對角化，故定義協(xié)方差矩陣C(i,j)為：

(2)

(a) 綠色通道 (b) 第一主分量 (c) CLAHE圖2 K-L變換圖像與對比度增強(qiáng)圖像

1.3 偽影矯正

考慮到視網(wǎng)膜圖像包含光照不均勻與偽影等現(xiàn)象，因此利用改進(jìn)的雙邊濾波Retinex[13]模型。經(jīng)CLAHE增強(qiáng)的視網(wǎng)膜圖像Ic，可視為反射率圖像Rz與照明圖像L的兩個(gè)分量分塊乘法：

Ic=Rz×L

(3)

本文定義x作為輸入圖像Ic的像素值，反射率圖像Rz(x)的像素值x可通過計(jì)算輸入圖像Ic(x)和照明圖像L(x)的對數(shù)之差來獲得，Rz(x)定義如下：

Rz(x)=log(Ic(x)+1)-log(L(x)+1)

(4)

L(x)定義為：

(5)

歸一化因子M(x)定義為：

(6)

式中:參數(shù)φ表示用于測量輸入圖像像素Ic像素與相鄰像素之間空間關(guān)系的窗口大小，設(shè)置窗口大小為3×3像素[13]。

空間關(guān)系g(,x)定義為：

(7)

相似性關(guān)系s(,x)定義為：

(8)

式中：d(·)為歐氏距離；參數(shù)σd與σr分別表示視網(wǎng)膜圖像空間擴(kuò)展與強(qiáng)度擴(kuò)展。函數(shù)g(,x)通過歐式距離測量Ic與空間像素關(guān)系；函數(shù)s(,x)代表Ic與強(qiáng)度相似性關(guān)系。

該模型的雙邊濾波法平滑視網(wǎng)膜圖像，保持小鄰域內(nèi)像素x的強(qiáng)度值彼此近似，并且濾波強(qiáng)度基本一致，同時(shí)歸一化項(xiàng)M確保所有臨近強(qiáng)度的權(quán)重之和為1，以此充分保留血管的紋理特征，如圖3所示。

(a) 傳統(tǒng)Retinex (b) 本文Retinex圖3 視網(wǎng)膜圖像Retinex矯正

由圖3可看出：傳統(tǒng)Retinex矯正雖然整體亮度得到提高，并且抹掉大部分視網(wǎng)膜圖像的偽影，但仍然存在大面積灰度信息不均勻的光照影響。而本文Retinex算法較好地矯正了視網(wǎng)膜圖像的偽影現(xiàn)象，同時(shí)保留血管紋理特征等結(jié)構(gòu)信息，較好地解決后期血管分割將黃斑和視盤誤分割為血管的現(xiàn)象。

2 特征提取

2.1 形態(tài)學(xué)濾波

利用多尺度形態(tài)學(xué)Top-Hot變換[14]，在圖像整體增強(qiáng)的同時(shí)，提取視網(wǎng)膜血管的微血管特征信息。通過控制圖像邊緣梯度信息控制因子wi，調(diào)整相鄰血管像素尺度的差值，降低視盤與黃斑等特征信息的干擾，提高視網(wǎng)膜圖像微小血管的多尺度亮、暗細(xì)節(jié)特征。多尺度Top-Hot模型定義如下：

(9)

式中：k是視網(wǎng)膜圖像細(xì)節(jié)增強(qiáng)因子；Ir是輸入經(jīng)雙邊濾波的Retinex增強(qiáng)的視網(wǎng)膜圖像；fT是多尺度Top-Hot增強(qiáng)后圖像;Dopi與Dcli分別為視網(wǎng)膜圖像亮細(xì)節(jié)與暗細(xì)節(jié)特征?？刂埔蜃觲i的值為：

(10)

式中:x、y為經(jīng)預(yù)處理后的視網(wǎng)膜圖像鄰域像素值；gi max與gi min分別為gi的最大值與最小值；gi是視網(wǎng)膜圖像膨脹與腐蝕之差。wi的變化主要由視網(wǎng)膜圖像的梯度信息決定，經(jīng)多尺度Top-Hot增強(qiáng)的圖像，再利用不同尺度下形態(tài)學(xué)低帽[15]變換提取血管特征，共計(jì)6維特征向量。

2.2 匹配濾波

多尺度高斯匹配濾波器[16]可以用來模擬眼底視網(wǎng)膜血管的整體走向與灰度信息，解決單一尺度下血管寬度變化較大時(shí)，血管匹配不全的弊端，其定義如下：

(11)

尺度函數(shù)Pi,j(x,y)由兩個(gè)不同的響應(yīng)函數(shù)產(chǎn)生，定義如下：

Pi,j(x,y)=Ri(x,y)Rj(x,y)

(12)

多尺度高斯濾波器的響應(yīng)函數(shù)Ri(x,y)定義如下：

Ri(x,y)=fi(x,y)×im(x,y)

(13)

式中：im(x,y)是歸一化的Retinex圖像，其定義如下:

(14)

在本文的多尺度高斯濾波器中，ts為常數(shù)項(xiàng)t和濾波器尺度s的乘積；P1,2(x,y)與P3,4(x,y)別用來提取微小血管和寬的血管，歸一化時(shí)設(shè)定0.75

2.3 Frangi濾波

基于Hessian矩陣的Frangi濾波器[18]，具有可將視網(wǎng)膜寬度不同的血管突出顯示，并且由二階導(dǎo)數(shù)在兩個(gè)不同尺度上加以分析。Hessian矩陣特征值之間的差異可用于進(jìn)一步的血管對比度增強(qiáng)和抑制非血管結(jié)構(gòu)?；贔rangi濾波器的Hessian矩陣F(x)定義如下：

F(x)=maxδf(x,δ)

(15)

式中：感興趣像素區(qū)域由x定義；δ是用于計(jì)算圖像的高斯導(dǎo)數(shù)標(biāo)準(zhǔn)差，即血管的尺度方向；f(·)表示濾波器。原函數(shù)與高斯二階偏導(dǎo)的卷積可降低二階導(dǎo)數(shù)對圖像噪音的敏感度。Hessian矩陣定義如下:

(16)

式中：Ir為經(jīng)Retinex后的圖像；Gδ(x,y)為高斯函數(shù)；Hessian矩陣中的Hxx、Hxy、Hyx和Hyy表示帶有高斯核函數(shù)的二階方向?qū)?shù)。定義λ1與λ2為H(x,y)特征值，由0<|λ1|≤|λ2|確定是否為血管像素和明顯的灰度值變化，同時(shí)增強(qiáng)血管內(nèi)部亮度，矯正血管中心亮線。為此構(gòu)建血管響應(yīng)函數(shù)Vδ(x,y)以區(qū)分背景與血管：

(17)

2.4 2D-Gabor濾波

2D-Gabor[19]濾波使用由正弦平面波調(diào)制的高斯核函數(shù)，其Gabor核具有不同權(quán)重的平行帶，其核參數(shù)控制條帶的大小、方向和位置，能夠捕捉到血管空間尺度、位置和相位等局部結(jié)構(gòu)信息，增強(qiáng)血管與背景對比度，且對圖像偽影信息具有良好的適應(yīng)性。本文給出一種基于小波變換的2D-Gabor濾波，設(shè)計(jì)如下：

首先，利用帶有變換小波ψb,θ,a的標(biāo)量積來定義連續(xù)小波變換Tψ(b,θ,a)：

(18)

式中：f為視網(wǎng)膜圖像平方可積函數(shù)；x為圖像像素值；參數(shù)b、θ、a分別表示位移矢量、旋轉(zhuǎn)角、尺度；r為相位偏移量；ψ*為ψ的復(fù)共軛；Cψ與ψ分別為歸一化參數(shù)和小波分析。

然后，給出2D-Gabor小波的定義如下：

(19)

(20)

其中:θ在Gabor小波變換的跨度以10°為步長[19]，從0°變化到170°。取每個(gè)尺度濾波結(jié)果的最大值作為該點(diǎn)的血管特征，該特征能有效區(qū)分背景與血管之間的灰度信息，共計(jì)12維特征向量。

以上4個(gè)濾波器特征圖如圖4所示。由于各個(gè)濾波器提取的維數(shù)特征不一，故將各個(gè)特征向量進(jìn)行歸一化到[-1,1]，并對每幅DRIVE和STARE的訓(xùn)練集選取7 500個(gè)血管與背景像素點(diǎn)，作為正反樣本點(diǎn)，并將血管像素記為1，背景像素記為0。

(a) 形態(tài)學(xué)濾波 (b) 匹配濾波 (c) Frangi濾波 (d) Gabor濾波圖4 多尺度濾波特征圖

3 AdaBoost分類器及后處理

3.1 AdaBoost算法步驟

AdaBoost的學(xué)習(xí)過程是基于定義一個(gè)分類器，該分類器最小化訓(xùn)練集X的預(yù)測誤差，這個(gè)最小化可以視為在訓(xùn)練集上沿著一組權(quán)重Di=(h1,h2,…,hT)(t=1,2,…,T)，最小化分類錯(cuò)誤，具體步驟如下：

Stept1將經(jīng)多尺度濾波器提取的視網(wǎng)膜血管特征向量中血管像素與非血管像素以1∶4的比例因子，作為訓(xùn)練數(shù)據(jù)集X=(x1,y1),(x2,y2),…,(xm,ym),yi∈{-1,1}，i=1,2,…,m,m為訓(xùn)練集數(shù)目，設(shè)定迭代次數(shù)為Tmax。

Stept4更新訓(xùn)練數(shù)據(jù)集的權(quán)值分布，提升樣本在弱分類器中訓(xùn)練集錯(cuò)誤分類的權(quán)重。

Stept5經(jīng)過多次迭代，當(dāng)所有樣本錯(cuò)誤率小于50%或者幾乎為0，分類器的精度將不再提升，弱分類器通過檢查所有特征的閾值來搜索強(qiáng)分類器H(x)，最終的強(qiáng)分類器由多個(gè)弱分類器加權(quán)組合而成，并將閾值應(yīng)用于分類器的輸出以決定分割的血管與背景像素。H(x)定義如下：

(21)

權(quán)重迭代規(guī)則定義如下：

(22)

3.2 后處理

AdaBoost分類器在根據(jù)數(shù)據(jù)集特征分割血管時(shí)，存在將塊狀小斑點(diǎn)區(qū)域誤識別為血管。因此，本文構(gòu)建一個(gè)8連通域的幾何形態(tài)算子。該算子的閾值由圖像的灰度統(tǒng)計(jì)直方圖確定，通過統(tǒng)計(jì)去除小于30個(gè)像素組成的非細(xì)長和非連通區(qū)域，得到最終分割結(jié)果。由連通域面積(Area)和連通域?qū)?W)、高(H)信息構(gòu)建如下幾何算子[7]：

(2)W×H<3.5Area；

(3)Area<30。

4 AdaBoost分類器及后處理

本實(shí)驗(yàn)仿真平臺為MATLAB R2018a，計(jì)算機(jī)配置為Intel(R)CoreTMi5- 7300 CPU@2.5 GHz,16.00 GB內(nèi)存,64-bit Windows 10。

4.1 本文方法血管分割圖像比較

圖5展示了本文算法在健康視網(wǎng)膜圖像與病變視網(wǎng)膜圖像的分割結(jié)果。其中圖5(a)與(e)為病變視網(wǎng)膜圖像與健康視網(wǎng)膜圖像灰度圖，(b)與(f)為第二專家手工分割結(jié)果。觀察(c)與(g)可知本算法在病變視網(wǎng)膜上會(huì)分割出多余的病灶與偽影區(qū)域，而在健康視網(wǎng)膜的分割結(jié)果比較理想，血管結(jié)構(gòu)清晰，基本沒有多余的類病灶區(qū)域的出現(xiàn)。(d)與(h)為由連通域除去小于30像素之后圖像。通過觀察(d)利用后處理的方法，分割結(jié)果得到了顯著的改善，從而證明了本文后處理的有效性與必要性。

(a) Image0005 (b) 金標(biāo)準(zhǔn) (c) 初分割圖 (d) 后處理圖

(e) image0163 (f) 金標(biāo)準(zhǔn) (g) 初分割圖(h) 后處理圖圖5 本文算法分割結(jié)果

4.2 不同文獻(xiàn)血管分割圖像比較

圖6展示的是本文算法、文獻(xiàn)[8]和文獻(xiàn)[20]在DRIVE與STARE數(shù)據(jù)庫的部分圖像的分割結(jié)果。其中：(a)為第二專家金標(biāo)準(zhǔn)圖像；(b)為本文算法分割結(jié)果；(c)為文獻(xiàn)[20]利用全連接神經(jīng)網(wǎng)絡(luò)與條件隨機(jī)場的血管分割圖像；(d)為文獻(xiàn)[7]融合多特征的隨機(jī)森林血管分割算法。

(a) 金標(biāo)準(zhǔn) (b) 本文算法 (c) 文獻(xiàn)[20] (d) 文獻(xiàn)[8]圖6 不同算法分割結(jié)果

由圖6前兩行DRIVE數(shù)據(jù)集和第三行STARE數(shù)據(jù)集分割結(jié)果可知，文獻(xiàn)[8]和文獻(xiàn)[20]均出現(xiàn)視盤誤分割為血管的現(xiàn)象，同時(shí)文獻(xiàn)[20]丟失了大部份微血管信息，文獻(xiàn)[8]血管出現(xiàn)過粗的現(xiàn)象。然而本文算法較好地解決了上述兩種算法存在的缺陷，在視盤處基本不存在誤分割的可能，假陽性較低，從而說明引入偽影矯正和二維K-L變化很好抑制了部分噪音信息，提高算法總體魯棒性。并且本文相比上述算法能夠分割處更多的微血管信息，泛化性較強(qiáng)。觀察第二行分割結(jié)果可以看出，本文分割結(jié)果較文獻(xiàn)[8]和文獻(xiàn)[20]噪音含量極少，血管紋理結(jié)構(gòu)清晰。

綜上所述，本文算法相比以上算法具有較小的誤分割率，能很好地減少視盤被誤分割可能，在血管交叉處不易斷裂且相鄰血管不易相連，對偽影等病灶處有較好的魯棒性。對于主血管末端的微小血管，本文算法能得到較好的保留，且不易存在微小血管斷裂與分割過粗的現(xiàn)象，有較好的連通性與完整性，在保持精度與特異性高的情況下，盡可能分割出較多的血管。

4.3 視網(wǎng)膜分割評價(jià)指標(biāo)

為了進(jìn)一步定量分析本文算法對視網(wǎng)膜血管提取的算法性能，定義如下幾個(gè)評價(jià)指標(biāo)：

(23)

(24)

(25)

式中：TP、TN、FP、FN分別表示真陽性、真陰性、假陽性、假陰性。敏感度(Sensitivity)又稱真陽性率，表示正確分類血管像素占真實(shí)血管像素的百分比；特異性(Specificity)表示正確分類的非血管像素占真實(shí)非血管像素的百分比; 準(zhǔn)確率(Accuracy)表示正確分類血管和非血管像素占整個(gè)圖像總像素的百分率。

4.3.1融合多種濾波器與單類型濾波器的比較

為了驗(yàn)證本文將AdaBoost分類器與多尺度多類型濾波器結(jié)合的有效性，給出在DRIVE數(shù)據(jù)庫下單一濾波器取得的精度與靈敏度指標(biāo)，并與本文算法的最終結(jié)果進(jìn)行比較，如表1所示。

表1 各個(gè)濾波器與多類型濾波器性能比較

由表1可知單濾波器在AdaBoost下也可以得到較好的性能，但單一濾波器存在弊端，將其融合可以減弱單一濾波器相關(guān)缺陷。首先，通過基Hessian矩陣的Frangi可增強(qiáng)血管輪廓，多尺度形態(tài)學(xué)濾波增強(qiáng)微血管信息，降低粗血管與微小血管的對比度信息；2D-Gabor濾波能捕捉血管空間尺度，獲得其相位信息；多尺度高斯濾波可以整合血管整體走向和灰度信息。然后將初步提取的血管特征信息通過AdaBoost多個(gè)弱分類器進(jìn)一步與金標(biāo)準(zhǔn)比對提取血管特征，并加權(quán)組合得到強(qiáng)分類器完成最后血管的分類。該過程將無監(jiān)督學(xué)習(xí)與有監(jiān)督學(xué)習(xí)進(jìn)行有機(jī)融合，使得總體算法精度從平均94%左右達(dá)到96%，靈敏度從平均76%提升到83%，更進(jìn)一步說明本文算法融合4種多尺度濾波器比單一濾波器在AdaBoost分類器分割結(jié)果的有效性。

4.3.2不同視網(wǎng)膜分割算法性能比較

表2和表3給出不同算法與本文視網(wǎng)膜分割算法的性能，其中加粗的數(shù)值為分割結(jié)果最優(yōu)異的值。選取DRIVE與STARE數(shù)據(jù)集中準(zhǔn)確率、靈敏度和特異性三個(gè)指標(biāo)作為不同算法間的比較標(biāo)準(zhǔn)。

表2 DRIVE數(shù)據(jù)集視網(wǎng)膜血管分割結(jié)果

表3 STARE數(shù)據(jù)庫視網(wǎng)膜血管分割結(jié)果

由表2可知，現(xiàn)有算法在DRIVE數(shù)據(jù)集血管分割準(zhǔn)確率均低于本文算法，說明本文算法在改數(shù)據(jù)集中具有較強(qiáng)的分割處血管與背景區(qū)域的能力。文獻(xiàn)[7]利用PCA的方法分割血管，其特異性高于本文0.003 1，但其靈敏度與準(zhǔn)確率分別低于本文算法0.016 8和0.249，說明文獻(xiàn)[7]雖然將陽性較低，但存在血管分割不全和微血管分割嚴(yán)重不足的現(xiàn)象。文獻(xiàn)[8]利用隨機(jī)森林的血管分割算法，其靈敏度與本文算法相近，但文獻(xiàn)[8]特異性低于本文算法0.018 8，說明本文算法誤分割率遠(yuǎn)低于文獻(xiàn)[8]。

從表3可知，本文算法在準(zhǔn)確率和特異性方面高于現(xiàn)有算法。文獻(xiàn)[10]靈敏度僅高于本文算法0.010 3，但另外兩個(gè)指標(biāo)低于本文算法，同時(shí)文獻(xiàn)[10]采用的SVM分割算法還面臨核函數(shù)選擇和易過擬合的問題。文獻(xiàn)[8]融合多種像素特征并利用隨機(jī)森林算法分割血管，其靈敏度與準(zhǔn)確率雖與本文算法較相近，但均低于本文算法0.004 9和0.002 4，其中特異性低于本文算法0.011 5，從而說明本文算法能在保證較高準(zhǔn)確率與靈敏度的情況下，分割的血管圖像假陽性率更低。

綜上所述，本文算法相比以上算法具有較小的誤分割率，能很好地減少視盤被誤分割可能，在血管交叉處不易斷裂且相鄰血管不易相連，對偽影等病灶處有較好的魯棒性。對于主血管末端的微小血管，本文算法能得到較好的保留，且不易存在微小血管斷裂與分割過粗的現(xiàn)象，有較好的連通性與完整性，在保持精度與特異性高的情況下，盡可能分割出較多的血管，提高其應(yīng)用價(jià)值。

5 結(jié) 語

本文利用二維K-L變換提取圖像單通道信息，解決選取通道信息經(jīng)驗(yàn)化的問題；利用雙邊濾波Retinex算法矯正圖像的偽影等問題，較好地解決了大部分現(xiàn)存算法對存在偽影嚴(yán)重的視網(wǎng)膜圖像分割不足的問題，并且進(jìn)一步抑制視盤區(qū)域的對比度，解決后期被誤分割為血管像素的難題。通過巧妙地選取具有不同屬性的多尺度濾波器與AdaBoost相結(jié)合，充分發(fā)揮二者的優(yōu)勢，較好地解決了微血管分割不足的難題，并且對于存在病灶眼底視網(wǎng)膜圖像中也具有較高的魯棒性?？紤]到數(shù)據(jù)集之間的不同圖像具有不同的特征，本文通過組合這些濾波器，有效地克服單一特征或者濾波器存在的微血管分割不足與血管連通性不佳等問題，還可以進(jìn)一步使分割方法更加穩(wěn)健。同時(shí)，本文算法仍存在部分微血管分割斷裂的現(xiàn)象，故下一步主要工作能有效重構(gòu)微血管信息增強(qiáng)算法拓?fù)浣Y(jié)構(gòu)。