视网膜眼底图像中视盘的检测方法

刘杜鹃，余轮，郑绍华

福州大学 物理与信息工程学院，福建 福州 350108

视网膜眼底图像中视盘的检测方法

刘杜鹃，余轮，郑绍华

福州大学 物理与信息工程学院，福建 福州 350108

视盘的准确检测对视网膜眼底图像的其他特征，如血管和微动脉瘤的精确检测非常重要。本文提出一种结合视盘亮度和圆形度特征的视盘检测方法，先对眼底图像进行预处理，然后运用数学形态学运算去除血管的干扰，采用阈值分割提取出可能为视盘的区域，最后再根据视盘的面积和圆形度特征检测出真正的视盘区域。实验结果表明，本文算法具有较高的定位精度和较快的定位速度。

眼底图像；视盘检测；阈值分割；质心距离法

0 前言

视神经盘也叫视神经乳头，简称视盘，是视网膜的主要生理结构之一，视神经和血管从该区域进入眼部并向周边延伸。在正常的彩色视网膜眼底图像中，视盘一般表现为近似圆形的淡黄色或白色的亮斑，直径约为1.5 mm，同时包含有较粗的血管。视盘的形状、大小和深度等参数是衡量眼底健康状况的重要指标，准确快速的视盘定位是实现视网膜疾病诊断和视网膜特征识别的前提和关键步骤。但是由于眼底疾病、光照以及噪声的存在，准确地对视盘进行定位并不是一件简单的工作。

基于眼底图像中视盘呈现的不同属性，国内外学者提出了多种视盘检测方法，大致有3类。一类是基于血管特性的视盘定位方法。Foracchia[1]等分别采用两条方向相反的抛物线来描述血管在视盘左、右两边的走向，利用两抛物线的公共顶点刚好位于视盘区域中这一特性来定位视盘。Hoover[2]等通过计算血管的汇合度，血管汇合度最大的点即确定为视盘。Youssif[3]等则通过检测血管方向图和给定的血管方向模板匹配程度来定位视盘中心。基于该匹配模板，马新[4]等提出了一种加权匹配滤波的方法实现视盘定位。Mahfouz[5]等观察到视盘区域血管基本沿垂直方向延伸，因此在该区域边缘梯度中，垂直梯度分量远大于水平梯度，而且该区域总的边缘梯度值也大于其他区域，在同时考虑到亮度信息的前提下，通过两次投影找到视盘中心坐标。这些方法都要基于血管的分割，但由于血管分割本身就是一个比较复杂的工作，所以基于血管分割的视盘定位往往需要较长的时间，不能满足眼底视盘检测的实时性要求。

由于视盘有明显的近似圆形的亮区域，并且在眼底图像中所占的区域面积一定。因此，有学者还提出了一类基于视盘的外观特征如亮度、对比度、形状大小信息来定位视盘的方法。例如，通过寻找灰度变化幅度（通过局部方差估计）最大的矩形区域的中心作为视盘位置[6]；通过找到1%的亮度最大的像素点，并通过聚类分割出视盘候选区域，然后采用主元分析（PCA）找到真正的视盘[7-8]；采用便于特定形状对象检测的Hough变换定位视盘[9-10]等，这些方法都充分利用了视盘的外观特性。但是，在与视盘亮度相似的眼底病变出现的时候，仅仅依靠亮度、对比度的特征可能会把病变区域也检测出来，严重干扰视盘的定位精确度。

还有一种方法是综合利用视网膜血管视盘特征进行视盘定位的方法。例如，将二维图像特征投影到水平和垂直坐标上，使二维图像特征变为两个一维信号，综合利用视网膜血管的方向信息和视盘的亮度及形状信息对视盘进行定位[11]；首先根据视网膜血管的网络分布结构特征大致定位出视盘的垂直方向上的坐标，然后根据视盘的亮度信息及视盘与血管的关系来定位视盘的水平坐标，最后把视盘限定在以粗定位的视盘为中心的一个小窗口内，用Hough变换精确定位视盘中心[12]。

本文所采用的方法是先依据视盘的亮度特征得到候选的视盘区域，然后再根据视盘的面积和圆形度特征来定位出真正的视盘区域。

1 视盘检测算法

1.1 图像预处理

1.1.1 红色通道提取

国内外关于单色光眼底摄影的研究表明，在红色通道眼底图像中，视盘边缘清晰，从视盘出来的血管的可见度很差，神经纤维则几乎消失，生理凹陷和视盘其他区域的差别很小，使视盘呈现一个均匀的反射亮斑[13]，见图1。

1.1.2 感兴趣区域（ROI）提取

糖尿病视网膜图像的视场提取是指从图像中抽取含有视网膜的图像区域，该区域在视网膜图像中近似圆形。ROI提取使得我们更加关注要处理的目标区域，减少了计算量。由于光照和对比度等成像环境造成的影响，所得到的视网膜图像会有背景噪声，而且真实的视网膜区域也可能成为对诊断不起作用的无效区域。提取步骤：① 提取RGB图像中的红色通道，并将其进行二值化，经验阈值为t=35；② 使用3×3大小的掩模对步骤①处理后的输出图像进行开操作；③ 使用3×3大小的掩模对步骤②处理后的输出图像进行闭操作；④ 使用3×3大小的掩模对步骤③处理后的输出图像进行腐蚀。

通过上述步骤最后得到的是眼底图像的一个掩模模板，背景区域的像素为0，ROI区域的像素为1，将原图像乘以掩模模板就可以有效地提取出ROI，见图2。

1.1.3 亮度均衡

在临床上，由于人种差别、照度和对比度的非均匀性等因素影响，不同眼底图像及图像内部不同区域存在较大的差异，使得图像中目标物体和背景的亮度不均匀，给图像的识别造成很大的干扰。因此在视盘提取前，有必要对图像进行亮度均衡化处理。亮度均衡化处理[14]采用如下公式：

式中：m为所期望得到的亮度均值（通常设置为128）。

1.2 候选视盘区域提取

1.2.1 数学形态学“闭”运算

形态学“闭”运算主要是用来填充物体内的细小空洞，连接邻近物体，在平滑其边界的同时并不明显改变其面积。本文为了消除血管对视盘检测的干扰，尽可能地提高阈值分割的精度，在此采用了形态学“闭”运算来移除视网膜眼底图像中的血管。“闭”运算采用如下公式：

式中：B为结构元素（经过反复的实验验证，在文中采用10×10的“球形”结构元素）；A为图像的像素集，表示膨胀操作，表示腐蚀操作。

1.2.2 迭代法阈值分割

根据视盘的亮度特征，采用阈值分割[1]来提取出候选的视盘区域。由于视盘相对于背景区域是比较亮的区域，本文采用迭代法选取出合适的阈值进行分割。

迭代法的设计思想是，开始时选择一个阈值作为初始估计值，然后按某种策略不断地改进这一估计值，直到满足给定的准则为止。在迭代过程中，关键在于选择什么样的阈值改进策略。初始阈值为图像的平均灰度T0，用T0将图像的像素点分为两部分，计算各自的平均灰度，＜T0的部分为TA，＞T0的部分为TB，计算，将T1作为新的全局阈值代替T0。重复以上过程，如此迭代，直至Tk收敛，即，也就是TA、TB的均值不再改变。

1.3 真正视盘区域提取

1.3.1 根据视盘面积提取出候选视盘区域

通过阈值分割之后获得眼底图像中亮度比较大的区域为候选视盘区域，由于视盘的直径约为眼底图像ROI区域的1/7[15]，所以视盘区域的面积不会很小，也不会很大，所以先计算出每个候选区域的面积，然后将面积小的和面积太大的区域先都去除。本文选取的下限阈值为50 pixel×50 pixel，上限阈值为100 pixel×100 pixel。

1.3.2 真正的视盘区域确定

为了能够准确定位视盘，本文依据视盘是近似为圆形的形状特征来去除无关区域，得到真正的视盘区域。本文采用了质心距离法（CDM）来找到圆形度最大的区域作为视盘。

质心距离法步骤如下：

（1）先将每个候选区域的边缘平均分为N等分，N等

（2）根据边缘上的N个等分点来求出每个候选区域的

（4）将求出来的距离值di排列成为一维数组，称为特征向量F。根据每个候选区域的特征向量求出每个候选区域的标准差，公式如下：

式中：k代表第k个候选区域，表示第k个候选区域中的特征向量的均值，

标准差求出后，通过比较得出标准差最小所对应的候选区域就是圆形度最大的区域，即为真正的视盘区域。算法应用过程图，见图3。

2 结果与分析

对利用公共眼底图像数据库-DRIVE和STARE数据库中的一些病变眼底图像进行了算法的检测。如定位出来的点位于视盘内，则视为正确检测出视盘。通过实验证明，由于DRIVE数据库中的图像视盘特征比较明显，所以本文算法能够比较快速地将所有图像中的视盘准确定位出来。而STARE数据库中的眼底图像因对应的病变比较严重，对STARE数据库中的50幅病变眼底图像进行处理，有7幅图像的视盘没有被正确定位出来，正确率为86%。图4为采用本文算法所检测的一些图像，图中“+”表示本算法正确检测出视盘。

从检测结果中可以看出，在病变图像中，如果只根据眼底图像视盘的亮度特征来检测视盘，当眼底图像中存在高亮度的病变区时，就会干扰视盘的检测。本文算法先通过预处理去除一些亮度不均匀等干扰因素，然后再根据亮度特征检测出候选视盘区域，最后根据视盘通常是直径为1.5 mm的圆形的形状特征检测出真正的视盘区域。表1为本文算法与文献[3,11-12]中的方法在定位精度和时间方面的结果比较。比较表明，本文算法具有更高的定位精度和定位速度。

3 结论

本文提出了一种自动视盘检测的方法，该方法先对图像进行合适的预处理，然后综合利用视盘的亮度、形状和大小特征来检测出视盘区域。实验结果表明，该视盘检测方法简单、检测时间较短、精度较高，而且不需要对数据进行训练，所有的数据都可直接作为测试数据，也不需要对视网膜血管进行分割，大大降低了算法的复杂度。

本文方法主要针对视盘特征明显的眼底图像进行处理，而现有的大多数算法也主要集中在正常眼底的视盘定位。眼底疾病的多样性造成了病变眼底图像中视盘检测的复杂性和挑战性，到现在为止，还没有一种算法可以解决所有病变情况下视盘的准确检测问题, 仍需深入研究。

[1] Foracchia M,Grisan E,Ruggeri A.Detection of optic disc in retinal images by means of a geometrical model of vessel structure[J].IEEE Transactions on Medical Imaging,2004,23(10):1189-1195.

[2] Hoover A,Goldbaum M.Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels[J].IEEE Transactions on Medical Imaging,2003,22(8):951-958.

[3] Youssif AR,Ghalwash AZ,Ghoneim AR.Optic disc detection from normalized digital fundus images by means of a vessels' direction matched filter[J].IEEE Transactions on Medical Imaging,2008,27(1):11-18.

[4] 马新,陈松灿.彩色视网膜图像中基于主血管网的视盘定位[J].江南大学学报(自然科学版),2010,9(1):44-47.

[5] Mahfouz AE,Fahmy AS.Fast localization of the optic disc using projection of image features[J].IEEE Transactions on Image Proc essing,2010,19(12):3285-3289.

[6] Sinthanayothin C,Boyce JF,Cook HL,et al.Automated localisation of the optic disc, fovea, and retinal blood vessels from digital colour fundus images[J].British Journal of Ophthalmology,1999,83(8): 902-910.

[7] Li H,Chutatape O.Automatic location of optic disk in retinal images[C].Proceedings of 2001 International Conference on IEEE Image Processing,2001:837-840.

[8] Li H,Chutatape O.Automated feature extraction in color retinal images by a model based approach[J].IEEE Transactions on Biomedical Engineering,2004,51(2):246-254.

[9] Barrett SF,Naess E,Molvik T.Employing the Hough Transform to locate the optic disk[J].Biomedical sciences instrumentation,2000,37:81-86.

[10] Hoover A,Goldbaum M.Fuzzy convergence[C].Proceedings of 1998 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,1998:716-721.

[11] Mahfouz AE,Fahmy AS.Ultrafast localization of the optic disc using dimensionality reduction of the search space[J].Med Image Comput Comput Assist Interv,2009,12:985-992.

[12] 赵晓芳,林土胜,李碧.视网膜图像中视盘的快速自动定位方法[J].华南理工大学学报(自然科学版),2011,(2):12.

[13] 高玮玮,沈建新,王玉亮,等.基于多模板匹配的局部自适应区域生长法在视网膜内出血自动检测中的应用[J].光谱学与光谱分析,2013,(2):47.

[14] 朱琳琳,唐延东.基于眼底特征的视盘自动检测[A].2010中国仪器仪表学术、产业大会(论文集1)[C].北京,2010.

[15] 赵圆圆,张东波,刘茂.采用局部搜索的快速视盘检测方法[J].光电工程,2014,41(3):28-34.

Detection Methods of Optic Disc in Retinal Fundus Images

LIU Du-juan, YU Lun, ZHENG Shao-hua
College of Physics and Information Engineering, Fuzhou University, Fuzhou Fujian 350108, China

The accurate detection of optic disc is important for the accurate detection of other features of retinal fundus images such as blood vessels and microaneurysm. This paper presents an optic disc detection method which combines brightness and circularity characteristics of optic disc. Based on the detection method, the fundus images would be preprocessed fi rstly. Then the mathematical morphology operation is introduced to remove the interference of blood vessels, and threshold segmentation is used to identify the potential optic disc regions. Then the authentic optic disc regions would be detected according to the area and circularity characteristics of optic disc. Experimental results shows that the algorithm owns high localization accuracy and fast localization speed.

fundus images; optic disc detection; threshold segmentation; centroid distance method

TH773；TP872

A

10.3969/j.issn.1674-1633.2014.11.008

1674-1633(2014)11-0029-04

2014-07-15

国家自然基金项目资助（60827002）。

作者邮箱：824567613@qq.com