视觉显著性的眼底图像视盘检测

目的 青光眼是导致失明的主要疾病之一,视盘区域的形状、大小等参数是青光眼临床诊断的重要指标。然而眼底图像通常亮度低、对比度弱,且眼底结构复杂,各组织以及病灶干扰严重。为解决上述问题,实现视盘的精确检测,提出一种视觉显著性的眼底图像视盘检测方法。方法 首先,依据视盘区域显著的特点,采用一种基于视觉显著性的方法对视盘区域进行定位;其次,采用全卷积神经网络（fully convolutional neural network,FCN）预训练模型提取深度特征,同时计算视盘区域的平均灰度,进而提取颜色特征;最后,将深度特征、视盘区域的颜色特征和背景先验信息融合到单层元胞自动机（single-layer cellular automata,SCA）中迭代演化,实现眼底图像视盘区域的精确检测。结果 在视网膜图像公开数据集DRISHTI-GS、MESSIDOR和DRIONS-DB上对本文算法进行实验验证,平均相似度系数分别为0.965 8、0.961 6和0.971 1;杰卡德系数分别为0.934 1、0.922 4和0.937 6;召回率系数分别为0.964 8、0.958 9和0.967 4;准确度系数分别为0.996 6、0.995 3和0.996 8,在3个数据集上均可精确地检测视盘区域。实验结果表明,本文算法精确度高,鲁棒性强,运算速度快。结论 本文算法能够有效克服眼底图像亮度低、对比度弱及血管、病灶等组织干扰的影响,在多个视网膜图像公开数据集上进行验证均取得了较好的检测结果,具有较强的泛化性,可以实现视盘区域的精确检测。     

基于YOLO算法的眼底图像视盘定位方法

视盘的各个参数是衡量眼底健康状况和病灶的重要指标,视盘的检测和定位对于观察视盘的形态尤为重要。在以往的视盘定位研究中,主要根据视盘的形状、亮度、眼底血管的走向等特征使用图像处理的方法对眼底图像中视盘进行定位。由于人为因素影响较大,特征提取时间较长,且视盘定位效率低,因此提出一种基于YOLO算法的眼底图像视盘定位方法。利用YOLO算法将眼底图像划分为N×N的格子,每个格子负责检测视盘中心点是否落入该格子中,通过多尺度的方式和残差层融合低级特征对视盘进行定位,得到不同大小的边界框,最后通过非极大抑制的方式筛选出得分最高的边界框。通过在3个公开的眼底图像数据集(DRIVE、DRISHTI-GS1和MESSIDOR)上,对所提出的视盘定位方法进行测试,定位准确率均为100%,实验同时定位出视盘的中心点坐标,与标准中心点的平均欧氏距离分别为22.36 px、2.52 px、21.42 px,验证了该方法的准确性和通用性。     

眼底图像的双向扫描中央凹定位方法

中央凹定位是计算机辅助眼底疾病诊断的关键步骤。为提高中央凹定位的准确性,提出双向扫描定位方法。在检测出血管和视盘的基础上,以视盘中心为起点的纵向扫描线从上向下扫描,根据扫描线穿过血管像素最少估计中央凹的纵坐标;根据所估计的纵坐标确定一条带状区域,并作通过垂直于带状区域的从左向右扫描的横向扫描线确定横坐标。该方法利用中央凹低亮度、无血管的区域特征来降低计算复杂度,并通过增强对比度来避免不均匀光照产生的干扰。在MESSIDOR数据集和KAGGLE数据集上的实验结果表明,该方法具有较好的定位效果,平均高斯相似度分别为0.980和0.997。     

基于改进相位一致性算法的眼底血管分割

为了从眼底图像中分割出具不同形态特征的视网膜血管,提出了基于改进相位一致性算法的眼底血管分割方法。采用二维离散Hilbert变换实现相位一致性算法,利用相位一致性算法在频域提取眼底图像特征并用于视网膜血管分割。采用STARE眼底图像数据库进行实验并以专家手工分割结果为标准,实验结果表明,提出的改进相位一致性算法可较好完成视网膜血管分割,能够有效避免图像亮度和对比度对分割结果的影响。     

双层水平集描述眼底图像视杯视盘分割

目的 青光眼是一种可导致视力严重减弱甚至失明的高发眼部疾病。在眼底图像中,视杯和视盘的检测是青光眼临床诊断的重要步骤之一。然而,眼底图像普遍是灰度不均匀的,眼底结构复杂,不同结构之间的灰度重叠较多,受到血管和病变的干扰较为严重。这些都给视盘与视杯的分割带来很大挑战。因此,为了更准确地提取眼底图像中的视杯和视盘区域,提出一种基于双层水平集描述的眼底图像视杯视盘分割方法。方法 通过水平集函数的不同层级分别表示视杯轮廓和视盘轮廓,依据视杯与视盘间的位置关系建立距离约束,应用图像的局部信息驱动活动轮廓演化,克服图像的灰度不均匀性。根据视杯与视盘的几何形状特征,引入视杯与视盘形状的先验信息约束活动轮廓的演化,从而实现视杯与视盘的准确分割。结果 本文使用印度Aravind眼科医院提供的具有视杯和视盘真实轮廓注释的CDRISHTI-GS1数据集对本文方法进行实验验证。该数据集主要用来验证视杯及视盘分割方法的鲁棒性和有效性。本文方法在数据集上对视杯和视盘区域进行分割,取得了67.52%的视杯平均重叠率,81.04%的视盘平均重叠率,0.719的视杯F1分数和0.845的视盘F1分数,结果优于基于COSFIRE（combination of shifted filter responses）滤波模型的视杯视盘分割方法、基于先验形状约束的多相Chan-Vese（C-V）模型和基于聚类融合的水平集方法。结论 实验结果表明,本文方法能够有效克服眼底图像灰度不均匀、血管及病变区域的干扰等影响,更为准确地提取视杯与视盘区域。     

彩色盘周眼底图的豹纹状眼底自动分级算法

豹纹状眼底常出现在近视眼与老年性退化的眼底中,它是临床上诊断视网膜-脉络膜病变的重要参考.为了辅助近视眼等疾病的临床诊断,提出基于脉络膜血管提取的盘周豹纹状眼底自动分级算法.首先根据所提取的感兴趣区域的直径将眼底图尺寸归一化,以适用于不同分辨率的彩色眼底图;然后基于主成分分析法对视盘中心进行定位,并以视盘中心为中心将眼底图分为上、下、鼻和颞4个象限;再提出描述脉络膜血管透见程度的3类特征:红色通道中的亮度均值、脉络膜血管面积比例以及脉络膜血管密度,并依次对4个象限进行特征提取;最后应用基于信息增益率的C4.5决策树算法将每个象限脉络膜血管透见程度分为0~3级,并将4个象限的分级结果累计,将豹纹状眼底自动分为无、轻度、中度和重度4个级别.用文中算法测试了130幅眼底图,豹纹状眼底自动分级的平均一致率可达84.7%;实验结果表明,该算法能较有效地实现豹纹状眼底的自动分级,为诊断与豹纹状眼底相关的疾病提供量化描述依据.     

基于多特征融合和随机森林的视网膜血管分割

为了进行眼底疾病辅助诊断,提出一种基于多特征融合和随机森林的视网膜血管分割方法.首先为彩色眼底图中的每个像素点提取一个23维特征向量(包括图像不变矩、灰度共生矩阵、LoG结合高斯二阶导、梯度法、相位一致性和Hessian矩阵特征);然后选取一定数量的像素点,提取其特征共同构造一个特征矩阵作为输入数据,并采用随机森林算法训练分类器;再用训练好的分类器对待分割图像中的像素点进行分类,判断其是否为血管点;最后在初步分割基础上进行基于连通区域补足血管的后处理,得到优化后的血管分割结果.在DRIVE公共数据库上进行实验的结果表明,该方法平均精确度达0.9606,平均灵敏度达0.7447,平均特异性达0.9838,比已有方法性能更优.     

基于亮度评估技术的特征增强衍生图融合算法

针对由动态范围,光照条件,图像捕获设备等因素获得的低亮度图像,提出了一种基于亮度评估技术的特征增强衍生图融合算法来实现亮度较暗图像的对比度调整和特征增强.首先,利用亮度评估技术对低亮度图像的亮度进行评估优化处理,得到曝光率映射;然后,结合曝光率映射和改进的卡方分布函数模型来获取两幅特征增强的衍生图进行融合.最后,利用改进的衍生图融合算法得到最终融合图像.实验结果表明,所提算法的亮度误差,视觉信息保真度,图像互信息等评估参数优于近期方法,在提升图像对比度同时保留了图像良好曝光率区域,并较好地恢复了低亮度区域的边缘以及纹理等细节信息.     

基于人工鱼群微细分解的先验未知像素点修复算法

由于未知像素点先验信息缺失,因此模块匹配和边缘结构信息未知,全息修复困难。传统方法采用子空间特征信息多维搜索方法未能实现对图像纹理的微细结构信息的模板匹配,效果不好。引入人工鱼群算法,提出一种基于人工鱼群微细分解和亮度补偿的先验未知像素点全息修复算法,即采用子空间特征信息多维搜索方法进行先验未知像素点置信度的更新,以保持被修复的图像破损区域的连续性。构建人工鱼群算法的图像微细分解模型,结合边缘特征点亮度补偿策略,来实现对先验未知像素点的图像信息修复改进。实验结果表明,改进的图像修复算法具有良好的视觉效果,修复时间和计算开销较少,提高了稳定性和收敛性,图像修复后的信噪比误差较小,保持在6%以内,因此该算法的性能优越。     

基于分类回归树和AdaBoost的眼底图像视网膜血管分割

提出一种能有效分割眼底图像中视网膜血管的监督学习方法,为眼底图中的每个像素点构造一个包括局部特征、形态学特征和Gabor特征在内的39维特征向量,用以判定其是否为血管上的像素.在进行分类计算时,以分类回归树作为弱分类器对样本集分类,然后对AdaBoost分类器进行训练得到强分类器,并由此完成各个像素点的分类判定.基于国际公共数据库DRIVE的实验结果表明,该方法的平均精确度达到0.960 7,且敏感度和特异性均优于已有的基于监督学习的方法,适用于眼底图像的计算机辅助定量分析和疾病诊断.     

基于相似性度量的加权医学超声图像对比度增强方法

为提高医学超声图像的边缘识别水平,提出一种基于相似性度量方法的加权医学超声图像对比度增强方法。通过相似性度量方法计算围绕某一像素点的处理窗口与匹配模板的相似值,根据相似值与超声图像各部分特征的关系,对达到一定相似程度的已匹配图像通过局部增强算法进行增强,最后通过多图像加权平均法获得最终增强结果。实验结果表明,该方法不仅能有效抑制噪声,而且能准确检测出超声各特性区域图像,在增强边缘效果的同时也能较为完整的保留原有图像的细节信息,弥补了传统增强算法不能兼顾对比度增强和保持图像细节的不足。     

基于C-V模型的眼底图像交互式杯盘分割

针对眼底图像视杯和视盘水平集分割中C-V模型自适应能力不强等问题,提出一种基于C-V模型的视盘和视杯交互式水平集分割算法。该方法通过交互方式给定不同的视盘初始轮廓和C-V模型参数,对眼底图像的杯盘进行精确地分割。实验结果表明,该方法可克服噪声污染、光照不均匀、对比度低等特点对眼底图像分割的影响,对彩色眼底图像中的视杯和视盘进行精确分割。     

基于人眼视觉感知驱动的井下图像增强算法

为解决传统的对比度增强方法在对井下图像进行处理时不能兼顾压缩动态范围、调整亮度以及增强图像对比度等问题,提出一种基于人眼视觉感知特性的井下图像对比度增强算法。首先根据人眼亮度掩蔽特性对图像进行区域划分,然后基于非线性亮度映射模型,对图像的不同区域进行不同尺度的非线性调整,最后再将亮度调整后的不同区域组合成新的图像。实验结果表明,该方法能有效增强井下低照度图像的对比度,提升图像的视觉效果。     

基于DCT系数的图像显著区域检测

针对传统非DCT域图像显著区域检测方法无法直接应用于压缩图像的问题,提出一种基于DCT系数的图像显著区域检测方法.首先利用DCT所得系数提取图像块的亮度、颜色和纹理特征;然后通过分析特征向量分布规律对频率最低的部分特征向量进行替换,并计算特征向量全局对比度;最后将构建的高斯系数矩阵与所得对比度结果融合,从而完成图像显著区域检测.仿真实验结果表明,与现有的基于压缩域的显著检测方法相比,该方法可获得更好的显著区域检测结果,并且有着较高的检测效率.     

多特征融合的医学影像颜色感知算法

针对现有的医学影像主要以灰度图像的形式呈现,特征单一,不能充分表达图像信息等问题,提出多特征融合的医学影像颜色感知算法.首先通过提取多个方向的梯度特征以及融合原始亮度特征保留图像更多信息,在相似区域选择代表点,建立像素点的层次结构减少计算量;然后对顶层像素点利用流形学习和自顶而下的插值方法计算所有像素点的低维坐标;最后将低维坐标投影到颜色空间得到相应的彩色医学图像.在正常MRI影像、正常的CT影像以及带有疾病的MRI影像上进行实验的结果表明,文中算法对医学灰度图像进行着色后具有丰富的色彩信息;相比传统的颜色迁移算法,该算法具有更高的清晰度和目标背景对比度指标.     

RBF神经网络和阈值分割实现视网膜硬性渗出自动检测

为自动检测出眼底图像中的硬性渗出,构建眼底图像的糖尿病视网膜病变自动筛查系统,提出一种基于RBF神经网络和阈值分割的硬性渗出自动检测方法.首先,利用基于最小类内离散度的改进Otsu分割方法对眼底图像绿色通道进行粗分割获取病灶候选区域;然后,利用logistic回归对候选区域的多个特征进行选择;最后,利用候选区域的优化特征集及相应判定结果建立RBF神经网络;此外,提出采用后处理以进一步提高检测精度.利用本文方法对50幅不同颜色、不同亮度的眼底图像进行硬性渗出自动检测,得到图像水平灵敏度100％,特异性90.9％,准确率96.0％;病灶区域水平灵敏度93.9％,阳性预测值95.5％;平均每幅图像处理时间13.6 s.结果表明本文方法稳定可靠,能快速有效地自动检测出眼底图像中的硬性渗出.     

低对比度红外图像点目标运动检测方法

对于背景对比度较低的红外图像,若点目标的亮度不明显,加上探测器噪声的影响,很难分辨出红外图像中处于运动状态的点目标.为了解决这一问题,对探测器采集的相邻2幅图像进行基于灰度峰值与傅里叶相位相关算法的图像配准,计算出2幅图像之间的相对平移量;通过对2幅图像的重叠区域进行差分绝对值、高斯低通滤波及二值化运算;分离出运动的点目标.实验结果表明:检测方法可以有效地检测出低对比度红外图像中的运动点目标.     

多窗口局部分形特征的目标分割方法研究

提出了新的图像多窗口局部分形特征计算方法,并结合传统的图像分割方法,给出了一种新的复杂背景下人造目标分割算法。用指数小波滤波器在一个尺度上对图像进行滤波,突出图像的边缘信息。根据滤波后图像像素点的亮度大小,对原始图像进行多窗口几何度量空间变化率的计算,在此基础上,运用区域生长实现目标分割。对分割得到的图像进行数学形态学处理,提取出图像的目标。实验表明,该算法能够有效地实现复杂背景中的目标分割,并且计算复杂度低。     

基于RBF神经网络的高效硬性渗出自动检测方法

为快速、可靠地自动检测出眼底图像中的早期糖尿病视网膜病变—硬性渗出,提出一种基于RBF神经网络的硬性渗出自动检测方法。首先,采用全局、局部相结合的基于图像直方图灰度统计分析的阈值分割法获取70幅眼底图像中的3590个病灶候选区域;然后,提取候选区域的24个特征,并利用logistic回归对其进行选择;最后,利用候选区域的10个特征及相应判定结果建立RBF神经网络;另外,提出采用后处理以进一步提高检测精度。利用该方法对50幅不同颜色、不同亮度的眼底图像进行处理并与眼科医师的判断结果相比较,得到图像水平灵敏度100%,特异性86.4%,准确率94.0%;病灶区域水平平均灵敏度93.9%,平均阳性预测值95.5%;平均每幅图像处理时间13.7s。该结果表明：基于RBF神经网络的自动检测方法能有效检测出眼底图像中的硬性渗出,且处理效率较高。     

基于相位一致性的眼底图像视网膜血管分割

眼底图像的视网膜血管分割是眼底图像处理的重要组成部分,视网膜血管对于医学研究和临床诊断有着重要的作用。传统图像分割算法都有一定的缺陷,而相位一致性算法由于不受对亮度和对比度的影响,且有着较好的分割效果,可以用于图像特征的提取和分割。为此提出了将相位一致性算法应用于眼底图像的血管提取中,采用真实的眼底图像数据库进行实践,证明了可较好地用于眼底图像视网膜血管分割。