郑绍华 陈 健 潘 林 余 轮

(福州大学物理与信息工程学院， 福州 350108)

基于定向局部对比度的眼底图像视盘检测方法

郑绍华*陈 健 潘 林 余 轮

(福州大学物理与信息工程学院， 福州 350108)

视盘作为眼底图像的一个重要特征，其自动检测方法在眼底病变图像分析中有着重要的作用。提出一种基于定向局部对比度滤波的方法，有效地提取眼底图像中的局部亮度区域；结合视盘区域的局部血管特征，选择定位出正确的视盘感兴趣区域；采用数学形态学方法和区域主动轮廓模型，可较准确地检测出视盘轮廓。对开放的STARE数据库上的81幅眼底图像进行测试，其中含31幅正常和50幅病变图像(含严重病理图像)，用该方法正确检测出视盘73幅，准确率约为90.1%。结果表明，该方法有效地克服大块亮斑病灶对视盘检测的影响，且仅需提取粗血管，计算较为简单，说明了算法的有效性。

视盘检测；眼底图像；定向局部对比度；数学形态学；区域主动轮廓模型

引言

视盘，全称视神经盘(optic disc，OD)，是视神经的始端，呈圆盘状结构，直径约为1.5 mm。在正常的彩色眼底图像中，视盘通常为一个黄色或白色的亮圆形区域。目前，眼底图像已经广泛地应用在糖尿病视网膜病变(diabetic retinopathy, DR)、青光眼、高血压等眼科相关疾病的治疗与诊断中。视盘作为眼底图像的一个重要特征，其检测方法在眼底图像分析中有着重要的作用。视盘是眼底血管的起始点，其中的血管可以作为血管跟踪算法的起始种子点；在大多数的视网膜病变诊断系统中，如微动脉瘤、出血斑、硬性渗出等病灶的检测识别中，视盘检测是一个重要的前处理模块；视盘的大小、形状与深度变化信息是判断各种眼科疾病特别是青光眼的重要指标；视盘与黄斑区域有着固定的距离，视盘中心位置的信息可以作为先验知识来辅助黄斑区域的选择；此外，视盘也可以作为眼底图像配准的一个标志[1-3]。

由于视盘在彩色眼底图像中通常为一个黄色或白色的亮圆形区域，因此早期的视盘检测方法一般假设视盘为最亮最大的像素聚集区域，在网络公开的STARE项目提供的供视盘检测试验用的81幅眼底图像中，视盘检测的正确率仅在40%～60%之间[4-5]。原因在于在实际临床中的眼底病变图像，视盘区域并非是最亮最大的，当出现较大的亮斑病灶(如硬性渗出、软性渗出、玻璃膜疣等)或图像光照不均时，容易产生错误。为了克服亮斑病灶等因素的影响，Li等提出了一种结合监督分类的方法[6]，即针对提取的每一块亮斑特征，应用主成分分析(principal component analysis)技术来甄别真正的视盘，极大地提高了视盘的识别准确率，但同时也增加了计算量，而且依赖于训练集。

近些年来，相关专业人员更倾向于结合视盘轮廓及血管结构特征来检测视盘。Lalonde等采用了金字塔分解(pyramidal decomposition)及豪斯多夫模板匹配(Hausdorff-based template matching)技术对亮斑对象进行跟踪，在STARE数据库上测试，视盘识别率提高到了70%以上，识别率不高的主要原因在于较难判别与视盘大小、形状相近的亮斑[7]。而后，Hoover等提出了一种基于模糊收敛(fuzzy convergence)的方法来寻找血管网络的起始点(即视盘中心)，在STARE数据库上测试，获得了88.9%的准确率[8]。Foracchia等则利用血管汇聚点对视盘位置进行几何定向模式建模，且引入了模拟退火算法，取得了97.5%的识别率[9]，但算法实现较为复杂，文献报道用C++语言实现一幅平均消耗约2 min(Intel奔腾4 1.7 GHz CPU，512 MB内存)。Abdel-Razik等提出了一种基于血管方向匹配滤波器的方法，据文献报道在STARE数据库上测试，获得了98.8%的识别率，但因需提取全局的血管方向，算法复杂，Matlab下实现一幅平均耗时约3.5 min(Intel迅驰1.7 GHz CPU，512 MB内存)[1]。最近，Niemeijer等提出一种快速的结合局部血管模型和k-NN回归模型的视盘检测方法，取得了93.8%的识别率，用C++语言实现一幅平均耗时30 s(Intel双核2.83 GHz CPU，2 GB内存)，但需依赖于视盘特征训练[10]。Welfer等采用自适应形态学方法提取主干拱形血管来确定视盘的位置[11]；Qureshi等分析了现有算法的优缺点，给出了一种视盘检测的综合方案[3]；在国内，朱等通过对多尺度高斯滤波的Hessian矩阵特征值和特征向量的分析，提取了眼底图像中的血管及其方向，然后利用视盘区域的血管分布特征对视盘区域进行自动检测[2]。这些方法在本地数据库测试，都取得了良好的效果，但未给出在STARE数据库上的测试结果。

可以看出，近期专业人员主要利用血管的结构(如拱形血管)和特征(如血管方向、汇聚特性等)来定位视盘，虽然取得了较高的视盘检测准确率，但付出了较大的计算量。为此，本研究引入定向局部对比度(directional local contrast，DLC)滤波方法，结合视盘区域的亮度信息及其局部的血管特征来判定正确的视盘感兴趣区域(region of interest, ROI)，即利用视盘在局部区域的最亮特征及视盘区域的血管丰富、粗大、交错等特点。通过DLC方法可以找出眼底图像中的局部较亮区域，再根据亮斑所在区域的血管特征来识别视盘感兴趣的区域；血管特征的提取仅需分割出粗血管映像，计算简单；最后可采用数学形态学方法和区域主动轮廓模型，较准确地定位出视盘的轮廓。

1 材料和方法

1.1材料

实验用图像选用了网络上公开的STARE(STructured Analysis of the Retina)项目[12]所提供的眼底图像，并验证文中方法的有效性。STARE数据库共有400幅眼底图像，图像用TopCon TRV-50眼底照相机在35度视场下进行采集，分辨率为605像素×700像素，采用ppm格式存储，每像素24 bit(标准RGB)。Hoover等首先从STARE数据库中选取81幅眼底图像，作为视盘检测的试验数据[8]。在这81幅图像中，31幅为正常眼底图像，50幅为病变眼底图像，病变图像显示含有严重的病变，其中5幅图像的视盘几乎完全被出血斑掩盖，有的亮斑比视盘更大更亮，或完全遮盖视盘；此外，其中14幅图像视盘在视场边缘仅部分可见，这些都增加了视盘检测的难度。因此，STARE数据库中的这81眼底图像给视盘检测带来了极大的挑战，已成为视盘检测算法验证的标准数据集，许多研究都以此81幅眼底图像来验证算法的有效性。

1.2方法

1.2.1定向局部对比度

定向局部对比度方法是一种对比度滤波器，由Zhang等首先引入眼底图像的血管检测中，其利用DLC算法来表征血管像素的特征，然后采用监督分类的方法识别出血管像素[13]。经作者研究发现，利用DLC算法的性质，可以有效地提取局部亮斑。关于DLC算法的定义和性质描述如下：假设像素p的亮度为Ip，沿着方向角θ的像素p的DLC定义为

(1)

(2)

(3)

因此，像素p的DLC向量就可以定义为

(4)

式中，n为角度的个数，可以根据实际需要把360°均等划分。

为了验证DLC能够识别局部亮斑的性质，截取了眼底图像绿色分量中的一小块含有亮斑的区域，如图2(a)所示。为了更好地识别每一个像素的DLC向量，需确定选取某些像素。选取了横穿某一亮斑的若干个像素，用图2(a)中的白色横线来标注像素位置，取24个像素，长度大于亮斑稍许即可。从左到右分别计算这被白线标注的24个像素的DLC向量，取角度θ=15°(360°共可划分为24个角度)，半径取值r需大于亮斑的大致半径，此处取10个像素。24个像素点的DLC计算结果如图2(b)所示，依次从左到右、从上到下排列。

从图2(b)的DLC计算结果可以看出，24个像素中处于亮区域(中间段7个像素，第10～第16个像素)像素的DLC向量的24维分量均大于零，其余像素的DLC向量分量中均含有小于等于零的值。利用这一性质，可获得亮区域的像素位置。需要注意的是，获得的像素DLC向量值与选取的半径相关性较大，一般取稍大于要检测亮斑的半径为宜。

1.2.2视盘感兴趣区域选择

视盘感兴趣区域的选择是视盘检测中最重要的步骤，也是视盘检测的关键。由于DLC具有检测局部亮度的性质，把DLC方法应用于视盘感兴趣区域的检测中，克服了把视盘当作眼底图像中最亮区域所带来的缺点。具体实现的步骤如下：

1)预处理。首先提取眼底图像中对比度最好的绿色分量，再把尺寸重置为高度为500像素(保持宽高比)，以减小算法计算量。

2)计算像素DLC向量。取DLC中的角度参数θ=15°，半径参数r=50，每个像素将获得一个24维的DLC向量。以STARE数据库中im0001、im0002、im0003等3幅彩色眼底病变图像为例(这3幅眼底图像存在较为严重的亮斑病变，仅依靠视盘的亮度信息难以识别出视盘的位置，如图3中(a)、(c)、(e)所示)，分别进行DLC运算。若某个像素的DLC向量中的每一分量值均大于零，则认为是亮斑像素，置1，其余像素置0，并去除8连通域小面积斑块(此处像素面积取100)，则可获得如图3(b)、(d)、(f)对应的二值图。参数的选择依据见讨论小节。

另外，为了减少参与DLC计算的像素数量，仅对灰度值大于OTSU阈值的像素进行DLC计算，小于等于OTSU阈值的像素则不参与DLC计算，因此提高了近一倍的计算速度。OTSU即最大类间方差法，在Matlab中以graythresh()函数实现。因为眼底有着明显的视场外黑背景，OTSU有着较好的阈值分割效果[14]。

接下来就要判定哪一块亮斑为视盘区域特征。视盘是眼底血管的起始点，其区域中的血管丰富，且有着粗大和交错等特点，较容易识别。因此，可在提取粗血管的前提下，选用感兴趣区域的血管分支数作为判定条件，血管分支多的区域则判定为视盘感兴趣区域。血管的精确分割是一个艰难的任务，而仅提取粗血管则容易实现。

1.2.3粗血管分割

粗血管分割采用对现有算法的简化获得。同样，利用绿色分量及500像素尺寸下来进行粗血管的分割，预处理仅采用中值滤波器(3×3)来去除噪声。

首先是背景消除，在文献[15]提出的局部对比度规范化(local contrast normalization)方法的基础上，增加形态学背景重建来改进和实现。先在绿色分量(Ig)上采用大尺度(一般选为图像高的1/30)的中值滤波器来完成背景的初步估计[15]。为了得到更好的背景估计，对背景进行了形态学重建，结果标记为IReBg。以im0002图像为例，图4(a)为im0002图像的绿色分量，(b)为其形态学重建后的背景估计。

接着根据背景修正表达式

(5)

可获得背景修正映像S′。通过S′与其标准差的比值

(6)

可获得全局图像对比度规范化映像S。经统计，血管和暗色病灶在映像S中的表征值小于-1.5。去除噪声点及小面积斑点，就可获得粗血管的二值映像，如图5所示。

1.2.4感兴趣区域血管特征

接下来要通过判别感兴趣候选区域中的血管特征，识别正确的视盘感兴趣区域。由于视盘区域中的血管多而粗且相互交错，所以选用感兴趣区域的血管分支数作为判定条件，血管分支片段多的区域则判定为视盘感兴趣区域。视盘感兴趣区域识别的步骤如下：

1)感兴趣区域截取。在高度为500像素分辨率下，视盘直径大小约为75像素。因为通过DLC方法获得的亮斑一般并不在视盘的中心位置，所以视盘感兴趣区域宽高要取大于视盘的直径，经验证，取感兴趣窗口大小为105像素×105像素较为合适。以亮斑坐标均值为中心，即可截取105像素×105像素大小的感兴趣区域。此外，若存在亮斑面积大于等于11 025(105×105)像素时，则直接取为感兴趣区域。

2)计算感兴趣窗口中血管分支数量。首先需对窗口内的血管进行细化(Matlab中以bwmorph()函数实现)，并去除交叉点，即去除8连通域相邻像素多于3个的像素点(置零)。接着就可计算感兴趣窗口中血管的分支数，将分支数量最大的区域确定为视盘区域。同样以im0001～im0003图为例，如图6所示，第1行(a)、(b)、(c)分别对应这3个图像中粗血管分支数最多的感兴趣区域，第2行(d)、(e)、(f)则是原图红色分量中(a)、(b)、(c)所对应的感兴趣区域。选用红色分量是因为红色分量提供了最好的视盘对比度，便于视盘的轮廓检测。可见，获得的感兴趣区域都包含了视盘。

1.2.5视盘轮廓检测

接下来的工作就是从图6所示的视盘感兴趣区域检测出视盘的轮廓。首先是消除视盘内血管，采用多方向线性结构元素的形态学低帽变换检测血管，结构元素长度选择为15像素,每15°为一方向，有

(7)

式中，符号·为闭运算， 图7(b)为Imax运算的结果。

通过下式及平滑后可以得到图7(c)。

(8)

接着，采用区域主动轮廓模型(region-based active contour model)进行视盘轮廓的精确检测。区域主动轮廓模型是一种经典的Snakes模型，通过最小化一种能量函数来搜索目标边界，从而达到分割图像的目的[16]。如图7(d)为区域主动轮廓模型迭代150次的结果。因视盘感兴趣区域尺寸小，在Matlab环境(普通计算机，双核2 GHz CPU，1 GB内存)下耗时仅4 s左右。

然后，基于获得的轮廓(图7(e))，可容易地通过圆形拟合来获得绿色分量的视盘圆形轮廓及视盘中心，见图7中(f)和(g)。

恰当的区域主动轮廓模型的初始轮廓和迭代次数的选择，不仅可以减少计算量，还可以保证当视盘轮廓对比度较差或存在光照不均时引起的检测精度。经验证，初始圆形轮廓以亮斑质心为圆心，半径为50，迭代次数限定为150次，检测效果最好。

2 结果

对STARE数据库中81幅眼底图像进行了测试，其中能成功检测视盘的达到73幅图像，正确率约90.1%。图8分别列出了文献[8]与本方法对STARE库中6幅图像的视盘检测结果，其中(a)列为彩色原图像，(b)列为文献[8]的检测结果，(c)列为本方法的检测结果(红色分量)。在结果中，文献[8]对第1～3行的3幅图像视盘检测失败，而本方法检测正确，验证了本方法能更好地克服由于亮斑病灶带来的影响，且对图像中仅有部分视盘的情况也有较好的检测效果；但文献[8]对图8中第4～6行的3幅检测正确，本方法检测失败，说明本方法对由成像或病变等原因造成视盘区域内血管不可见时的检测无效。库中有8幅视盘检测失败，其中5幅视盘被大量出血遮盖，3幅因光照因素造成视盘中血管几乎不可见或很少。

3 讨论

本方法参数的选择影响着视盘检测的效果。经验证，DLC方法中半径参数r的选择应大于所检测亮斑的半径。在高度为500像素的眼底图像中，视盘的直径一般在75个像素左右，因此对r分别选取了40、45及50进行了对比，发现当r取50个像素时，视盘处亮斑检测效果最好，且其余候选亮斑较少。DLC方法中角度参数θ取值决定了DLC向量的分量个数，本研究取为15°，360°划分为24个方向，获得24维的DLC向量，足以表征像素的局部方向对比度特性。另外，由于亮颗粒噪声或较小亮斑均能获得大于零的DLC向量值，且眼底图像视盘面积大小较为固定，所以，可以根据实际图像尺寸大小排除小面积DLC亮斑。本研究选择去除8连通域面积小于100的斑块，是考虑STARE数据库中存在仅有半个视盘的眼底图像，否则可以取的更大些以减少候选亮斑的数量。再有，形态学低帽变换检测血管时，线性结构元素长度要稍大于最大血管宽度；因此本研究取长度为15个像素，是考虑在高500像素的眼底图像中，最大的血管宽度不足15个像素。

表1列出十几年来主要的文献在SATRE数据库中视盘检测的准确率。可以看出，本方法的视盘检测准确率并非最高，与文献[8]相当，而低于文献[1,9-10]的结果。文献[1,9-10]的共同特点就是充分利用了血管的整体特征，需要较精确地提取血管及其特征(如方向、汇聚特性、拱形抛物线拟合等)，算法较为复杂。虽然本方法的准确率并非最高但有其优点，它充分利用了视盘局部的亮度和血管信息，最大限度地克服了由于亮斑病灶等带来的影响，且计算较为简单，在Matlab 环境下一幅平均耗时仅约15 s(Intel双核2 GHz CPU，1 GB内存)。STARE数据库中的眼底图像为十几年前采集，成像条件较差，图像分辨率也较低，选取了其中81幅病变较为严重、形态各异的图像作为测试数据，这对算法的要求较高。随着成像技术的成熟，目前免散瞳眼底照相已开始广泛推广应用，成像分辨率至少600万像素，甚至高达1 800万像素，可获得更高质量的眼底图像[19]。因此，本方法将能获得更高的检测准确率，如在质量好的DRIVE数据库[20]中，就能获得100%的视盘检测准确率。因此，本方法在临床糖尿病视网膜病变或黄斑病变筛查中可以得到较好的应用。

4 结论

视盘是眼底图像中最重要的解剖结构之一，其自动定位与轮廓检测在眼底病变图像分析中有着重要的作用。由于眼底成像的光照及亮斑病灶的影响，使视盘的检测变得困难。笔者引入了定向局部对比度的方法，有效地提取了眼底图像中的局部亮度区域，并利用视盘区域粗血管分支数最多的特点，正确地定位了视盘感兴趣区域；最后结合数学形态学方法和区域主动轮廓模型，较准确地检测出视盘轮廓。经验证，该方法能有效克服亮斑病灶的影响，且对仅存在部分视盘的眼底图像也有效。对81幅STARE数据库的眼底图像进行测试，视盘定位的正确率约为90.1%，可满足医学临床的要求，在临床糖尿病视网膜病变或黄斑病变筛查中可以得到较好的应用。

[1] Abdel-Razik Youssif AAH, Ghalwash AZ, Abdel-Rahman Ghoneim AAS. Optic disc detection from normalized digital fundus images by means of a vessels’ direction matched filter [J]. IEEE Trans Med Imaging, 2008,27(1): 11-18.

[2] 朱琳琳, 唐延东. 基于眼底特征的视盘自动检测 [J]. 仪器仪表学报, 2010,31(8): 118-122.

[3] Qureshi RJ, Kovacs L, Harangi B,etal. Combining algorithms for automatic detection of optic disc and macula in fundus images [J]. Computer Vision and Image Understanding, 2012,116(1): 138-145.

[4] Sinthanayothin C, Boyce JF, Cook HL,etal. 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.

[5] Walter T, Klein JC. Segmentation of color fundus images of the human retina: Detection of the optic disc and the vascular tree using morphological techniques [M] //Medical Data Analysis. BerLin: Springer Berlin Heidelberg, 2001: 282-287.

[6] Li Huihua, Chutatape O. Automatic location of optic disk in retinal images [C] //Proceedings of International Conference on Image Processing. Thessaloniki: IEEE, 2001,2: 837-840.

[7] Lalonde M, Beaulieu M, Gagnon L. Fast and robust optic disc detection using pyramidal decomposition and Hausdorff-based template matching [J]. IEEE Trans Med Imaging, 2001,20(11): 1193-1200.

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

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

[10] Niemeijer M, Abràmoff MD, van Ginneken B. Fast detection of the optic disc and fovea in color fundus photographs [J]. Medical image analysis, 2009,13(6): 859-870.

[11] Welfer D, Scharcanski J, Kitamura CM,etal. Segmentation of the optic disk in color eye fundus images using an adaptive morphological approach [J]. Computers in Biology and Medicine, 2010,40(2): 124-137.

[12] Goldbaum M. The STARE (STructured Analysis of the Retina) Project [DB/OL]. http://www.parl.clemson.edu/～ahoover/stare, 2013-01/2013-09-24.

[13] Zhang Ming, Liu J -C. Directional local contrast based blood vessel detection in retinal images [C] //IEEE International Conference on Image Processing. San Antonio: IEEE, 2007, 4: IV-317-IV-320.

[14] Otsu N. A threshold selection method from gray level histograms [J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, SMC-9(1): 62-66.

[15] Fleming AD, Philip S, Goatman KA,etal. Automated microaneurysm detection using local contrast normalization and local vessel detection [J]. IEEE Trans Med Imaging, 2006,25(9): 1223-1232.

[16] Chan TF, Vese LA. Active contours without edges [J]. IEEE Transactions on Image Processing, 2001,10(2): 266-277.

[17] Osareh A, Mirmehdi M, Thomas B,etal. Comparison of colour spaces for optic disc localisation in retinal images [C] //Proceedings of 16th International Conference on Pattern Recognition. Quebec: IEEE, 2002, 1: 743-746.

[18] ter Haar F. Automatic localization of the optic disc in digital colour images of the human retina [D]. Utrecht: Utrecht University, 2005.

[19] 夏伟, 王利, 李蓬秋, 等. 应用免散瞳眼底照相技术筛查糖尿病视网膜病变临床分析[J]. 国际眼科杂志(中文刊), 2013,13(11): 2267-2269.

[20] B. van Ginneken. The DRIVE (Digital Retinal Images for Vessel Extraction) database [DB/OL]. http://www.isi.uu.nl/Research/ Databases/DRIVE, 2007-04/2013-09-24.

OpticDiscDetectiononRetinalImagesBasedonDirectionalLocalContrast

ZHENG Shao-Hua*CHEN Jian PAN Lin YU Lun

(College of Physics and Information Engineering, Fuzhou University, Fuzhou 350108, China)

The optic disc (OD) is considered as one of the main features of a retinal image. OD detection is a main step in developing automated analysis systems for the retinopathy. In this paper, we proposed a method aiming to effectively extract the local brightness areas in digital retinal fundus images based on directional local contrast (DLC) filter. The right OD region of interest (ROI) was selected by considering its local vessels features. Thereupon, in the selected ROI, the OD contour was exactly detected using the mathematical morphology method and region-based active contour model technique. The evaluation for the proposed method was performed using the dataset of 81 images from the public STARE project, containing images from both normal (31) and pathological (50) subjects, even including severe pathological situations. The OD position was correctly identified in 73 out of 81 images, the accuracy rate is about 90.1%. These results demonstrate that the method effectively overcomes the influence from the large bright spot lesions on OD detection by just extracting the large vessels and less computation time.

optic disc detection; retinal image; directional local contrast; mathematical morphology; region-based active contour model

10.3969/j.issn.0258-8021. 2014. 03.05

2013-06-07，录用日期：2014-02-24

国家自然科学基金(60827002)；福建省教育厅项目(JA13037)

R318.08 TP391.41

A

0258-8021(2014) 03-0289-08

*通信作者(Corresponding author)，E-mail: sunphen@fzu.edu.cn