基于血管边缘特征的眼底荧光血管造影图像拼接

2011-01-26刘敏敏郭永新焦青

中国医疗器械杂志 2011年3期

【作者】崔栋，刘敏敏，郭永新，焦青

1 泰山医学院放射学院，山东，泰安，271016

2 泰安市中医医院眼科，山东，泰安，271000

在临床眼科诊断、治疗和眼底激光手术中，视网膜影像技术主要提供了视网膜血管荧光造影(fundus fluorescein angiography, FFA)、视网膜无赤光图像(Red-Free, RF)和吲哚青绿血管造影(indocyanine green angiography, ICGA)等不同模态的眼底图像信息。通常眼科医生是通过患者在同一时期或不同时期提供的这些多模态病灶图像信息，结合临床观察，进行症状分析和制定治疗计划的。但是，不同的眼底影像模式提供的信息是不同的，同一患者的这些不同影像信息在医生的诊断中起到了互补作用。在眼病诊断、治疗及激光手术中，眼科医生总是对照同一病灶的不同影像信息，凭经验人为地“减影”视网膜血管网络，在脑海中进行病灶定位、病理分析，不能形成一种新影像显示在屏幕上或进行存储。因此，精确地自动配准和拼接不同的视网膜眼底图像信息，用于准确地定位、分析病灶，可以提高眼科医生对病情分析的准确性，减轻眼科医生的工作压力[1-2]。

1 眼底荧光血管造影图像的预处理

眼底荧光血管造影图像是在注射一种荧光素后，在荧光素通过眼底血管的短暂过程中，利用眼底照相机每隔一定时间拍摄得到的图像。受光照射的不均匀性、眼底照相机的成像效果以及成像过程中的噪声干扰等因素的影响，通常会造成眼底图像中目标和背景的对比度很低、噪声干扰严重和图像模糊等问题。为了改善图像的可视性，我们需要采取相应措施对图像进行处理，得到满足临床医生做出合理诊断要求的图像[3-5]。

1.1 眼底图像的中值滤波

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，具有简单和速度快的特点，而且滤除噪声的同时对图像的细节信息（如边缘、锐角等）进行了较好地保护。与中值滤波相对应的滤波器叫中值滤波器，在医学图像处理中，通常使用的是二维中值滤波器，按窗口形状可分直线形、方形、圆形和十字形，分别如图1所示。中值滤波非常适合于一些线性滤波器无法胜任的医学数字图像的处理工作。它是一种邻域运算，类似于卷积，但计算的不是加权求和，而是把待滤波像素点由二维中值滤波器定义的区域中按各像素点的值的大小进行排序，然后选择中间位置的值作为输出像素值赋于待滤波像素点。本文采用方形滤波器对眼底造影图像进行中值滤波。图2所示为对眼底造影图像作中值滤波后的效果图。

图1 各种形状的中值滤波器Fig.1 The shape of the median fi lters

图2 眼底造影图像的中值滤波Fig.2 Fundus angiography image median fi lter

1.2 眼底图像的尖锐化处理

医学图像边缘是一个与人类视觉特性相关的概念。当图像相邻像素值间的差别超过人眼能识别的最低阈值时，人眼就能够识别这种差别，则相应的像素点处就被认为是医学图像边缘，因此图像边缘可以定义为被人眼能识别的图像像素值变化处。通过积分运算可以对医学图像，局部区域的像素值求平均，但会造成图像的边缘模糊。微分是积分的逆运算，可以想象，通过微分运算能够使图像的边缘锐化。实际上，通过微分得到的是图像的高频信息，而图像的高频信息通常集中在图像的边缘处，这样图像微分后再与原始图像数据叠加就可以得到边缘锐化的医学图像。图3所示为眼底造影图像的锐化效果图。

图3 眼底造影图像的锐化Fig.3 The image sharpening of fundus angiography

2 眼底造影血管图像边缘检测

通常眼底图像中组织密度不均匀，层次较丰富，噪声大，血管的组织密度较高，属于高频细节部分。因此，我们首先由样条函数构造样条小波，由此得到小波滤波系数。然后采用小尺度多方位滤波取最大值的检测方法，得到眼底荧光图像的血管初始边缘，利用边缘细化算法对初始边缘进行细化，基于分形技术对细化后的边缘进行连接，由噪声去除算法消除边缘图像中的噪声点，得到连续的单像素点血管边缘。最后手工定位所欲测量的血管，利用计算机程序自动在边缘图像中搜寻三个相邻的边缘像素点，由这三个像素点决定两条直线，若这两条直线夹角等于零度，则认为这三个点在一条直线上，即找到了血管一条边缘，再在这条边缘的垂直方向上搜寻血管的另一条边缘。图4所示为基于小波边缘检测算法的眼底血管图像[6]。

3 基于链码描述方法的特征匹配

链码在图像处理和模式识别中是一种常用的表示方法[7]，图5给出了常用的8链码示意图。

如图中所示，在数字图像中，图像的边缘点实际上是一些离散的像素。除图像边界上的点外，所有的像素点都有8个相邻的点与之连接。如果将这8个点的连接方向用方向符号来代替，再沿边缘方向依次记录每两点间的连接方向，我们就可得到边缘轮廓的方向链码。图中与点相邻的8个点分别记为B-1，每个点与A的方向分别定义为0方向、1方向等。这样假定轮廓α和β分别是从图像 f1(x,y)和 f2(x,y)提取出来的轮廓，可以用两个长为Nα点和Nβ点的链码序列{ai}, {bi}表示，那么轮廓α上从第k点开始的n点序列与轮廓β，上从第l点开始的n点序列之间的相关Dkl可以定义[7]为：

图4 眼底造影图像的边缘检测Fig.4 image edge detection of fundus angiography

图5 8链码示意图Fig..5 8 Schematic diagram of the chain code

这里取模是考虑到存在着闭合轮廓的情况。余弦函数可以确保Dkl≤1，而Dkl≤1则意味着完全匹配。为了找到两条轮廓α和β的最佳的匹配位置，将轮廓α上从第k点开始长度为n的一段在另一条轮廓β上滑动，其最大相关值由下式确定：

其中M为整个滑动范围。对于一个闭合的轮廓而言，滑动的范围就包括整个轮廓，而且取k=0，n=Nα，M包括轮廓β上所有的点，则上式可以写为：

在实现中，对于长度不同的闭合轮廓的相关，可以用线性插值的方法将长轮廓加以重取样，使其长度与轮廓的点数相同。

轮廓和α轮β廓的相关值若满足下列两个条件时，它们就是所要得到的最佳匹配的轮廓对：

(1) Cαβ≥Cαβ，这里β包括 f2(x,y)中所有与轮廓α形状相似的轮廓；

(2) Cαβ≥T，这里的是一个预设阈值，主要是除去相关性很弱的结果，以免导致误匹配。

关于多条轮廓同时对应于另一个图像上同一条轮廓的情况很少会出现，若存在这种情况，则取具有最大Cαβ值的那一对作为最佳匹配的轮廓对。在得到最终的匹配轮廓对后，我们将得到闭合轮廓对的中心点作为匹配点，这样就可以得到匹配点对。

4 眼底造影图像的拼接与融合

本文所采用的图像来源于照相机拍摄所得到的图像，因此对于光照条件的变化、时间条件的变化以及几何校正的误差，我们所获得的对齐图像信息会存在灰度的不连续和几何变形留下的缝隙。如果将它们直接按照配准位置拼接在一起，会在拼接图中形成一条拼缝。若此拼缝是在图像的边缘位置，则更加明显。因此，本文采用了一种基于局部区域灰度信息的图像融合方法。该方法可以在自动搜索图像拼接缝隙的同时，以图像的线性滤波方法为依据，充分考虑两幅图像之间的灰度信息，减小和消除可能形成的拼缝。

对已经配准好的两幅图像X1和X2，可以按照以下准则进行图像的拼接。假设拼接后的图像记为X，图像X被分为以下几个区域，如图6所示，则融合运算准则为：

图6 图像融合区域图Fig. 6 Diagrams of fusion

(1) 图像融合区域中3区和4区的图像属于非拼缝处理区。也就是说，对于拼接以后的图像，3区的图像信息属于图像X1，则以X1相应的点灰度信息替代3区相应的点灰度信息；4区的图像信息属于图像X2，则以X2相应的点灰度信息替代4区相应的点灰度信息。

(2) 对于其中的重叠区域，其图像信息为两幅图像X1和X2的有效数据重叠区域，且不属于拼缝处理区，这部分图像信息的处理采用加权平均的方法。设加权因子为σ，则有

其中，σ取值按线性从0.7减小到0.5。

(3)拼缝处理1区和拼缝处理2区的选择，对于图像的最终拼接结果将会产生很大影响。一般来说，如果选择的区域过大，则会出现图像模糊、边缘信息不明显等问题；若选择的区域太小，则无法消除图像的拼缝现象。本文经过多次实验的结果表明，对所处理的图像采用拼缝周围7×7区域为拼缝处理区域，以3×3的模板对拼缝区域内的像素点进行线性滤波，得到的效果最好。图7为眼底造影图像的拼接效果图。