一种多低级特征融合的视网膜血管分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113781514A(43)申请公布日2021.12.10(21)申请号202111075434.4(22)申请日2021.09.14(71)申请人西南交通大学地址610000四川省成都市二环路北一段(72)发明人邓涛黄怡张俊丰(74)专利代理机构成都玖和知识产权代理事务所(普通合伙)51238代理人胡琳梅(51)Int.Cl.G06T7/194(2017.01)G06T7/187(2017.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书2页说明书7页附图3页(54)发明名称一种多低级特征融合的视网膜血管分割方法(57)摘要本发明提出了一种多低级特征融合的视网膜血管分割方法，包括：S1.获取原始眼底图像集，分别提取若干低级特征图像；S2.将若干低级特征图像堆栈在一起，形成包含背景和血管特征的特征向量；S3.获取人工标注好的眼底图像集，与特征向量一起作为训练视网膜血管分割模型的输入，完成模型的训练；S4.将待分割的眼底图像经过上述S1、S2的处理后，输入训练好的视网膜血管分割模型，得到仅包含血管和背景的分割图像。本发明充分考虑了视网膜血管图像特性的多个低级特征，可以有效地保留丰富的视网膜血管特征，分类准确度高。不依赖大量的样本数据训练，解决了眼底图像中小样本实际情况对基于深度学习方法造成的学习样本较少、效果较差的问题。CN113781514ACN113781514A权利要求书1/2页1.一种多低级特征融合的视网膜血管分割方法，其特征在于，包括步骤：步骤S1.获取原始眼底图像集，分别提取若干低级特征图像；步骤S2.将所述若干低级特征图像堆栈在一起，形成包含背景和血管特征的特征向量；步骤S3.获取人工标注好的眼底图像集，与所述特征向量一起作为训练视网膜血管分割模型的输入，完成模型的训练；步骤S4.将待分割的眼底图像经过上述步骤S1、S2的处理后，输入训练好的视网膜血管分割模型，得到仅包含血管和背景的分割图像。2.如权利要求1所述的多低级特征融合的视网膜血管分割方法，其特征在于，还包括：步骤S5.对步骤S4得到的分割图像进行后处理，去除图像噪声，得到最终的视网膜血管分割图像。3.如权利要求1所述的多低级特征融合的视网膜血管分割方法，其特征在于，步骤S1所述提取若干低级特征图像包括提取颜色特征图像；所述颜色特征图像包括：RGB颜色空间中的绿色通道特征图FGreen；HSV色彩空间中的红色和橙色掩模图FHSV。4.如权利要求1所述的多低级特征融合的视网膜血管分割方法，其特征在于，步骤S1所述提取若干低级特征图像包括亮度图像FLum；所述亮度图像FLum的提取公式为：FLum＝0.299*R+0.587*G+0.114*B；其中，R、G、B分别为RGB颜色空间眼底图像的红、绿、蓝通道亮度。5.如权利要求1所述的多低级特征融合的视网膜血管分割方法，其特征在于，步骤S1所述提取若干低级特征图像包括边缘特征图集FEdge；所述边缘特征图集FEdge的组成为：FEdge＝{Fcanny，FSobel，FScharr}；其中，FCanny为使用Canny算子，分别利用3*3和5*5两种内核提取的边缘特征图像；FSobel为使用Sobel算子提取的边缘特征图像；Fscharr为分别在X和Y方向使用Scharr算子，分别利用3*3和9*9两种内核提取的边缘特征图像。6.如权利要求1所述的多低级特征融合的视网膜血管分割方法，其特征在于，步骤S1所述提取若干低级特征图像包括形态学特征图像；所述形态学特征图像包括：分别利用膨胀、腐蚀、开、闭和底帽变换得到的形态学特征图像。7.如权利要求1所述的多低级特征融合的视网膜血管分割方法，其特征在于，步骤S1所述提取若干低级特征图像包括纹理特征图集FTexture；所述纹理特征图集FTexture的组成为：FTexture＝{FGabor，FHessian，FFrangi}；其中，FGabor为使用Gabor滤波器提取的纹理特征图像，核函数尺度为1；FHessian为使用Hessian滤波器提取的纹理特征图像，提取步长为10；FFrangi为使用Frangi滤波器提取的纹理特征图像，提取灵敏度系数为10，提取尺寸分别为0.002、0.002、0.004、0.008和0.01。8.如权利要求1所述的多低级特征融合的视网膜血管分割方法，其特征在于，步骤S1所述提取若干低级特征图像包括多尺度特征图像FM；所述多尺度特征图像FM的提取方法为：根据图像灰度从0‑180度建立12个等间距的高斯滤波器，对所述眼底图像进行12个方向[0°，15°，...180°]的高斯匹配滤波，对获得的掩码图进行与运算，获得多尺度特征图集