基于图像处理的硬性渗出检测算法研究

吴振广，蒋志胜，孙海钦，朱英玮，魏文超

（上海航天电子技术研究所，上海201109）

伴随着生活水平的提高，糖尿病发病率逐年上升。糖尿病视网膜病变DR（diabetes retinopathy）是糖尿病的并发症之一[1]。硬性渗出HEs 是DR 患者最明显的早期病变特征之一，因此在DR 计算机辅助诊断系统的研究中，对HEs 的自动检测与分类方面的研究开展较早，目前主要有两类HEs 的自动检测算法。

一类是基于图像形态学，文献[2]利用形态学根据眼底图像HEs 的高灰度变化的特性得到眼底图像中的HEs 检测结果；文献[3]将图像的形态学操作和SVM 分类器分类结合起来进行HEs 病变的检测。

另一类是基于机器学习，文献[4]采用Kirsch 算子边缘和SVM 分类检测HEs；文献[5]提出基于邻域约束模型的眼底图像HEs 聚类检测算法；文献[6]采用形态学和SVM 分类器结合检测HEs；文献[7]将动态阈值和SVM 分类器相结合，得到了较为精确HEs检测结果。

综上所述，这些算法一般都需要配置各种参数。合理的参数配置是决定算法检测效果的重要因素。鉴于此，本文将探索在眼底图像分析和HEs 诊断过程中引入智能优化算法对算法的参数进行优化，以此来改善眼底图像的处理效果和提高HEs 的诊断精度。本文HEs 算法流程如图1 所示。

图1 HEs 检测流程Fig.1 HEs test flow chart

1 眼底图像预处理

本文眼底图像预处理共分为三部分，分别为通道分离、图像增强和图像去噪。

眼底图像数据库都是由RGB 格式的图像组成，图2 所示为眼底图像的通道分离结果。G 通道分量亮度适中，与背景对比度较高，能够清楚地分辨到眼底图像的结构与背景。因此，本文将采用G 通道作为后续眼底图像处理的基础。

图2 眼底图像的通道分离Fig.2 Channel separation of fundus image

若眼底图像与背景区域的对比度较低，后续图像处理的难度会增大。因此，本文采用了基于直方图均衡化的图像增强技术，加强眼底图像的对比度，使之更有利于后续图像处理的操作。

由于图像噪声会在计算机进行图像处理的时候造成一定的干扰。为了尽量避免后续的眼底图像处理操作受到图像噪声的影响和干扰，本文采用了中值滤波去噪。

如图3 所示，将G 通道分量图像经过直方图均衡化的图像增强和中值滤波图像去噪后，提高了图像的对比度、消除了目标图像的孤立噪声点，为眼底图像的后续处理奠定了良好基础。

图3 图像增强和去噪后的G 通道分量图Fig.3 G channel component diagram after image enhancement and desiccation

2 眼底图像解剖结构识别和剔除

眼底图像的解剖结构中，血管和视盘和HEs 具有不少相似特征，会对检测结果造成一定的干扰，因此在进行HEs 检测前，需要对眼底图像中的血管和视盘进行定位识别和剔除。

2.1 眼底图像血管提取和剔除

在图像预处理的基础上，本文采用一种基于匹配滤波的算法来进行血管提取。算法设计了12 个不同方向上的滤波器，分别进行卷积运算，选取最大响应作为匹配滤波最终响应输出。再用滞后阈值分割法来进一步增强血管提取效果。血管提取结果如图4（a）所示，剔除血管后的图像如图4（b）所示。

2.2 眼底图像视盘提取和剔除

根据眼底图像中视盘的圆形特征，利用Hough变换检测圆的算法定位视盘。先对眼底图像进行Sobel 边缘检测获得边缘目标，然后对边缘目标图像二值化，最后再进行Hough 变换检测圆的视盘定位。视盘定位结果如图4（c）所示，剔除视盘后的图像如图4（d）所示。

图4 眼底图像解剖结构的检测与剔除Fig.4 Detection and elimination of anatomical structures in fundus image

3 硬性渗出检测

HEs 检测过程主要分为两部分。

1）HEs 候选区域提取。

算法在眼底图像预处理、剔除血管和视盘基础上，通过形态学和阈值分割相结合提取出眼底图像的HEs 候选区域。

2）HEs 候选区域分类。

在HEs 候选区域上进行特征选择提取出HEs特征向量，并采用经过PSO 优化后的SVM 分类器，对HEs 候选区域进行精确分类，从而得到最终的HEs 检测结果。

3.1 硬性渗出候选区域提取

形态学图像处理技术是利用形态结构元素对数字图像进行一系列形态学操作。在眼底图像预处理、剔除血管和视盘的基础上，本文使用的结构元素b（x，y）是半径为25 的圆形结构元素，先对图4（d）形态学开运算得到背景图，然后再用图4（d）减去背景图从而得到硬性渗出的前景图，最后将前景图二值化，按0.07 的阈值进行阈值分割，得到HEs候选提取图，如图5（a）所示，将其标记在原始图像上如图5（b）所示。

图5 HEs 候选区域检测结果Fig.5 Results of HEs candidate sites

3.2 硬性渗出候选区域分类

HEs 候选区域经常会含有软性渗出、黄斑、小面积背景噪声等，使得检测结果不够精确，所以还需要进行更加精细的分类方法来区分HEs 和非HEs区域，提高HEs 检测精度。

3.2.1 候选区域特征选择

对眼底图像HEs 候选区域中的HEs 和软性渗出、黄斑、噪声等非HEs 的特征分析之后，设计了候选区域的R、G、B 三个通道上的亮度平均值、亮度标准差、像素点大于阈值25 的像素点数目、面积、周长、周长比、圆度等22 个指标作为SVM 分类器的特征向量。

3.2.2 支持向量机

支持向量机SVM[8]是一个二分类器。对于线性可分样本，SVM 的主要思想是构造一个间隔最大的分类超平面Wx+b=0（W 是超平面的法向量，x 是输入样本，b 是超平面的偏差量），引入拉格朗日乘子法得到：

实际应用中的样本空间大都是非线性的，所以需要利用一个核函数映射到高维空间中，使样本线性可分进行求解。

求解后得到相应的决策函数为

式中：k（xi，xj）是核函数；αi是拉格朗日乘子；yi是分类标签。SVM 的分类效果是由其核函数和惩罚因子C 决定的。采用合理的优化方法对核函数参数和惩罚因子进行优化可以提高SVM 的分类性能。

3.2.3 粒子群优化算法

1995年提出的粒子群优化算法PSO[9]是通过计算个体的适应度函数值来评价参数解的优劣，在迭代过程中以追随局部最优的方式来搜寻全局最优。标准PSO 算法的进化过程描述如下：

式中：c1和c2是加速因子；v 是粒子速度；p 是粒子位置；r1和r2是（0，1）之间的随机数；w 是惯性权重系数，选择合适的w 可以平衡全局和局部搜索能力，减少算法迭代次数，尽快找到最优解。

为了兼顾收敛速度和局部搜索能力，文献[10]研究了自适应惯性权重粒子群算法AIWPSO（adaptive inertia weight particle swarm optimization），其惯性权重调节公式如下：

算法运行时，若粒子当前适应度值f 较为集中，则会增大w 的值尽量避免算法陷入局部最优；若粒子当前适应度值f 较为分散，则会减小w 的值提升算的局部搜索能力，使算法具有更好的寻优能力。

3.2.4 AIWPSO-SVM 参数优化算法

本文SVM 分类器选取高斯核函数，将分类正确率作为AIWPSO 参数选优的适应度函数。如图6 所示，AIWPSO-SVM 参数优化过程如下：

图6 AIWPSO-SVM 算法数优化流程Fig.6 AIWPSO-SVM algorithm number optimization flow chart

（1）首先对AIWPSO 相关参数进行初始化，包括粒子的初始位置和速度等；

（2）将硬性渗出候选区域的特征数据集进行标准化后，按照十折交叉验证测试方法分为训练集和测试集两部分；

（3）根据粒子的位置和速度确定核函数的参数σ 和惩罚因子C 的值，利用训练集进行SVM 分类器的训练；

（4）计算适应度函数值，若满足终止条件（达到最大迭代次数） 则输出此时的优化参数σ 和C，若不满足进行第5 步；

（5）采用AIWPSO 优化算法更新惯性权重、更新粒子的位置和速度，返回第3 步。

4 实验结果与分析

4.1 实验材料和评价指标

实验测试使用DIARETDB1 眼底图像数据库。共89 张图像，其中正常的眼底图像5 张，DR 病变眼底图像84 张。

在进行HEs 检测算法性能评价的时候，通常选用基于病灶水平的SE 和PPV，基于图像水平的SE、SP 和ACC 来体现算法性能。计算公式如下所示：

式中：TP 是真阳性个数；TN 是真阴性个数；FP 是假阳性个数；FN 是假阴性的个数。

4.2 实验结果与分析

实验对DIARETDB1 数据库上的所有图像采用本文算法提取硬性渗出候选区域，根据专家给定的区域标准，划分出正负样本，共包括1305 个HEs 区域，1283 个非HEs 区域。对样本特征数据，按十折交叉验证测试方法分为训练数据集和测试数据集。在AIWPSO-SVM 分类器的参数选优时，先要进行AIWPSO 优化算法的参数设置，如表1 所示。

表1 AIWPSO 参数设置Tab.1 AIWPSO parameter setting

以分类准确率作为适应度函数，以达到最大迭代次数作为循环终止条件，终止循环后输出对应的优化参数：σ 为0.2269，C 为19536.6980。

图7 中，A 组是DIARETDB1 数据库中的眼底图像原图，B 组是本文算法检测的HEs 结果，C 组是对应的专家标注HEs 区域。由图7 对比图像可知，本文算法可以精确检测到眼底图像中HEs。

图7 HEs 检测结果Fig.7 HEs test results

为了进一步验证本文算法的HEs 检测性能，表2 给出了本文算法与文献算法的硬性渗出检测性能指标的比较结果。

表2 本文算法与文献算法比较结果Tab.2 Algorithm in this paper is compared with the algorithm in literature

本文算法的性能指标优于大部分对比文献算法的结果，在基于图像水平上，本文算法具有最高的图像检测准确率97.83%和灵敏性100%，特异性97.31%排第二位，仅次于文献[7]97.8%，说明本文算法具有较小的误判率。在基于病灶水平上，本文算法的检测灵敏性95.14%和阳性预测值93.82%都是最好的，说明更容易检测出硬性渗出区域，而且检测准确率较高。

5 结语

本文提出了一种基于形态学图像处理技术和AIWPSO-SVM 分类器相结合的硬性渗出检测算法。算法将由形态学分析获得的HEs 候选区域作为特征，通过SVM 分类器对候选区域进行精确分类，并利用AIWPSO 智能优化算法对SVM 分类器的高斯核函数参数σ 和惩罚因子C 进行优化，具有较好的HEs 检测性能，未来可以把图像处理技术和智能优化算法应用到其它眼底病变如黄斑和微脉瘤等病变的检测算法研究中。