基于Hessian的方向自适应Gabor小波的视网膜血管分割

发布时间：2021-10-19 10:33

　　视网膜血管分割是构建眼底图像分析和计算机辅助疾病诊断系统的关键环节。提出了一种基于Hessian的方向自适应Gabor小波的视网膜血管分割方法,根据Hessian矩阵的本征向量获得血管走向,并将其作为Gabor小波变换的方向角;提取出4个尺度的方向自适应Gabor小波特征,结合Hessian矩阵的大本征值构建5维的视网膜血管特征;采用支持向量机进行眼底图像像素分类实现血管分割。所提方法能准确感知血管方向,只需计算此方向下Gabor小波的滤波响应,减小了特征提取的计算量,实现了Hessian矩阵大本征值与Gabor小波特征较好的互补性。利用所提方法在DRIVE数据库进行实验,获得较好的分割性能,所提方法对细小血管的提取和对分叉、交叉处血管点的检测表现出良好的效果。 

【文章来源】：激光与光电子学进展. 2020,57(08)北大核心CSCD

【文章页数】：8 页

【部分图文】：

绿色通道和其他通道提取结果对比图。（a）彩色眼底图；（b）红通道；（c）绿通道；（d）蓝通道

本文方法流程图

本文在选定绿通道后，使用感兴趣区域膨胀扩张眼底图像边界，避免其产生假响应，随后使用Retinex图像增强算法处理图像，消除光照不均的影响，以改善图像的视觉效果。以DRIVE数据库[16]的视网膜眼底图为例得到的预处理结果如图3所示。将该预处理结果图作为Hessian矩阵特征提取输入图像。但需要说明的是，Gabor小波变换特征提取图中是以感兴趣区域膨胀处理后的图像作为输入图像的。2.2 Hessian矩阵特征

【参考文献】：
期刊论文
[1]基于Frangi滤波器和Otsu视网膜血管分割[J]. 孟琳,刘静,曹慧,史婷瑶,张驰.  激光与光电子学进展. 2019(18)
[2]基于全卷积神经网络的多尺度视网膜血管分割[J]. 郑婷月,唐晨,雷振坤.  光学学报. 2019(02)
[3]基于改进卷积神经网络的视网膜血管图像分割[J]. 吴晨玥,易本顺,章云港,黄松,冯雨.  光学学报. 2018(11)
[4]基于多特征融合的有监督视网膜血管提取[J]. 梁礼明,刘博文,杨海龙,石霏,陈新建.  计算机学报. 2018(11)
[5]一种混合特征高效融合的视网膜血管分割方法[J]. 蔡轶珩,高旭蓉,邱长炎,崔益泽.  电子与信息学报. 2017(08)
[6]基于多特征融合和随机森林的视网膜血管分割[J]. 朱承璋,崔锦恺,邹北骥,陈瑶,王俊.  计算机辅助设计与图形学学报. 2017(04)
[7]基于多尺度2D Gabor小波的视网膜血管自动分割[J]. 王晓红,赵于前,廖苗,邹北骥.  自动化学报. 2015(05)



本文编号：3444704