[发明专利]用于视杯图像分割的改进区域生长方法

说明书

技术领域：

本发明涉及一种用于视杯图像分割的改进区域生长方法。

背景技术：

眼底图像中的视杯面积、杯盘面积比等参数成为很多人研究的方向，图1是一幅眼底图像，从中可以看出，视盘近似圆形，它的中央存在一处生理凹陷，称为视杯，视杯是位于视盘中心最亮的单连通区域，它与视盘之间的区域称为盘沿。

近年来针对眼底图像人们提出了多种视杯的分割方法。国内学者郑姗等人利用眼底图像中视盘和视杯呈现椭圆形状这一特征提出了椭圆约束下的多相主动轮廓模型，实现视杯的精确分割。赵秋红利用数学形态学和大津阈值法确定初始轮廓线，提高分割的正确率。国外学者Irene Fondón等人利用随机森林分类算法获得视杯边缘像素。Ashish Issac等人根据图像的特性分割视杯，计算图像的平均值和标准偏差。Dwarikanath Mahapatra等人^[5]提出专家领域模型(FOE)分割视杯，不依赖于手工绘制。Hanan Alghmdi等人使用超像素聚类算法,提取超像素特征,用于训练分类器。Nataraj A.Vijapur等人的研究重点是基于皮尔逊(Pearson-R)系数对应于眼底图像，计算视杯和视盘分割后的垂直直径，并得到比值以此确定CDR。然而区域生长算法在视杯分割中几乎没有涉及，国外学者应用区域生长算法分割不同研究背景中的图像，比如Mahaman Sani Chaibou等人重点在选择种子区域，使信息快速传播并被执行，识别出图像并确保正确分割。

应用区域生长算法分割视杯：

区域生长算法将图像中一些具有某种相似特性(例如灰度特征、纹理特征等)的像素聚合在一起形成特定区域。区域生长算法是一种串行区域分割方法，后面的步骤需要前面结果支撑，若处理像素顺序不同，分割结果也可能不同。

传统区域生长算法:

传统的区域生长法从选取一个“种子点”开始，将那些预定义属性类似于种子的邻域像素附加到每个种子上，反复进行此过程，直到满足预先设定的终止条件为止。传统区域生长法包括3个步骤:

(1)选出合适的种子点；

(2)确定生长过程中能将像素合并进来的准则；

(3)制定出能让生长停止的条件。

算法流程如图2所示。

该算法的分割结果在很大程度上取决于初始种子点的选取顺序和位置，种子点的选取有时不正确，导致区域选择错误。

发明内容：

发明目的：

本发明提供一种用于视杯图像分割的改进区域生长方法，其目的是克服以往的缺陷。

技术方案：

用于视杯图像分割的改进区域生长方法，其特征在于：该方法中，首先，对眼底主要生理结构进行特征分析，为分割目标选取了绿色通道并根据阈值法粗略提取出感兴趣区域(ROI)；其次，考虑到传统的区域生长算法在选取种子点时不精确、自适应性差等缺点，本方法通过计算ROI的几何中心并结合中心亮度作为选取种子点的标准进行改进；最后，用5*5模板对眼底图像进行均值滤波，应用山谷差值准则和8邻域连通准则对眼底图像进行种子合并,最终准确分割出视杯。

首先，提取G通道并灰度化，并根据其灰度直方图应用阈值法粗略提取出ROI区域；然后计算ROI区域内的几何中心并根据灰度图的像素值选取中心；依次比较中心周围的像素，若中心像素值小于周围某点的像素，则种子点被像素值大的值取代，取得像素值最大的点即最亮点作为种子点，种子点搜索区域定义为以视盘中心点为圆，以0.5倍视盘直径为直径的圆；在分割视杯前先用5*5模板对眼底图像均值滤波，使种子点定位性能提高；最后，根据灰度图山谷间差值作为阈值并在8连通区域内寻找像素汇集数目最多的像素点作为视杯分割备选区域，实现局部自适应区域生长，从而获取视杯区域，实现视杯的自动检测及自动提取。

(一)、预处理：

(1)、提取G通道并灰度化：

眼底图像是RGB模式的彩色图像，我们提取RGB模型三个通道中的绿色G通道作为处理对象，公式(1)为提取G通道的方法：

g为提取后的绿色分量，R为提取前图像的红色分量，G为提取前图像的绿色分量，B为提取前图像的蓝色分量；

(2)、提取ROI：

ROI即感兴趣区域，在本方法中即为视盘区域，它近似为圆形，本方法首先应用阈值法粗略提取视盘区域；

(3)、计算ROI几何中心：