吉浩 刘灵 李璐 赵丹丹

在医学图像研究领域，眼底图像的分析处理有二十年左右的历史，近些年来，其应用范围意在拓展，对青光眼、高血压、糖尿病、脑出血等疾病的诊断与质量，提供了诸多支持。由此可见，探究眼底图像处理与分析技术，争取获得一种自动、高效的眼底图像配准算法，降低相关图像处理与分析对医生诊疗经验的过度依赖，提高眼底图像处理与分析的精确性[1-2]。

1 眼底结构特征概述

眼底位于眼球的最内层，正常的眼底图像为均匀的橘红色，能够明显分辨出相关结构，包括黄斑、眼底血管、视盘等。其中，黄斑区位于眼底的中央部分，在图像当中呈现为暗黄色，黄斑区不存在血管，但含有大量的叶黄素，相对于其他眼底结构，黄斑区最为敏锐、感光能力最强，若在这一区域发生病变，则会对视力产生较大影响[3-4]。视盘是眼底血管的汇集之处，位于黄斑鼻侧，是一个淡红色的圆形区域，就当前的眼底图像处理与分析技术，有多种算法都可用在视盘定位提取[5]。一般情况下，通过眼底图像能够分辨出眼底的主血管从视盘延伸出来，逆向进入眼球，眼底血管基本关于视盘堆成，并形成血管树形网络。

当前主要存在两种图像配准算法，分别是基于区域的配准和基于特征点的配准。相对来说，基于特征点的图像配准方式更加高效和稳定，在眼底图像处理与分析当中，更加适用，技术原理就是从眼底图像当中提取出一些特征点以及特征点的相关信息，对这些特征点之间的一致性进行优化之后，将其作为匹配点进行图像的变化，实现图像配准。基于特征点的配准技术，关键在于能够找到两幅待配准图像的配对点集[6]。

2 眼底图像配准方法探讨

本文以基于特征点的配准作为研究的重点，分别探究基于SIFT特征点的眼底图像配准方法和基于Harris-PIIFD特征点的眼底图像配准方法。

2.1 基于SIFT特征点的眼底图像配准方法

SIFT的算法原理是利用高斯金字塔尺度空间检测，来获得相关特征点，并对特征点进行筛选，在此基础上，让各特征点生成具有旋转不变、尺度不变、显著且大量的128维特征描述符来进行配准。特征检测的主要过程如下：第一，建立起图像尺度空间，由此保证后续能够获得不同尺度下的图像处理信息，该空间函数的数学定义为：L（x，y，δ）=G（x，y，δ）*I（x，y），式中的G（x，y，δ）表示高斯函数，而I（x，y）则表示输出图像，*是卷积运算，δ为尺度参数。

第二，通过提取局部极值点来完成特征点的检测，具体方式就是将采样点，与同采样点同一尺度、上下相邻尺度中的像素点进行比较，若采样点为极值点，则可将其作为这一尺度下的特征点；若该采样点不是极值点，则需要继续搜索这一尺度下的其他特征点。

第三，利用DOG算子对噪声与边缘的敏感度特点，通过拟合三维二次函数，对已经得到的候选特征点进行筛选与剔除，精确定位并保留特征点。

第四，为关键点来分配方向，由此能够让特征点产生旋转不变性，具体过程如下：选特征点为（x，y），其梯度 值为m（x，y），方向为θ（x，y），则可计算式中 L 的尺度即为特征点的尺度。

第五，在明确特征点的主方向之后，以增强匹配的稳定性为目的，可通过使用4*4个种子点来为每一个关键点构建128维的SIFT特征向量。在此基础上对特征向量的长度进行归一化处理，能够使其对光照也形成较强的稳定性。

第六，匹配SIFT特征向量。也就是在获得两幅待配准图像，并成功提取出相关特征点与特征描述符之后，要进行特征点匹配，建议采用BBF算法，能够对128维的SIFT特征向量，进行高效、精确的处理。

基于SIFT特征点的眼底图像配准，延续了SIFT的稳定性，具有旋转、光照、尺度不变性，其能够保证每个特征点的独特性。需要注意的是，在实际应用过程中，SIFT特征点的提取过程较为复杂，实现难度相对较大。

2.2 基于Harris-PIIFD特征点的眼底图像配准方法

基于Harris-PIIFD特征点的眼底图像配准方法主要运用了PIIFD的图像旋转、部分强度、部分仿射变换、部分视角不变性。方法的核心思想，就是以特征角点作为控制点，代替血管分支点，并通过PIIFD的特性来实现快速、精准匹配[2]。Harris-PIIFD算法的七个步骤如下：第一，确定好待配准的眼底图像之后，利用Harris检测器来检测均匀分布在图像当中的特征角点。总结实践经验，200个特征焦点能够充分满足眼底图像配准的相关需求。第二，在正式提取PIIFD之前，应该为每一个作为控制候选的特征角点指派方向，可利用平均矩形梯度方法，在指派主方向的同时，还能实现图像的旋转不变性。第三，以特征角点为中心，提取其周围的PIIFDs，可通过提取128维特征向量，将其作为Harris特征角点的PIIFD描述向量。第四，运用BBF算法，对眼底图像的相关性进行匹配，以最高空间区域为基础范围，通过匹配得到点的近似最近领域。第五，在上述匹配顺利完成的基础上，利用各候选控制点的主方向与几何分布特点，对不正确的匹配进行剔除。第六，改善不完全对应的控制点的位置。第七，选择变换模式，本文的配准实验选择仿射变换。

经过实践验证，相比于SIFT算法，Harris-PIIFD算法能够提取出具有更高相似性的特征点，且提取特征点的PIIFDs相对来说更加容易。

3 眼底图像的预处理及分析

3.1 原始眼底图像的预处理

上述分析当中提到，在眼底图像当中，血管网络为树状结构，大量的分支结构容易在成像过程中产生相互干扰，进而导致部分眼底图像当中出现血管边界模糊或与背景的对比度较低问题，因此，需要对原始眼底图像进行预处理。

第一，要对其进行灰度处理。在获得RGB真彩色眼底图像之后，明确图像的基本构成，即m*n*3的数据数组[7]。由于每个像素的颜色，都有相应位置上蓝色、绿色、红色的亮度来决定，而这三种颜色分别存储于对应数据组的三个维度上，在处理过程中，可分别提取这三种颜色面板，依次进行灰度处理。

第二，要对原始眼底图像进行平滑降噪处理。在多种因素的影响下，包括眼底病变或图像采集过程中产生噪声等，原始眼底图像当中可能会包含着大量的冗余特征信息，一般来说，这些冗余信息的形成都是随机的，分布也成离散状态，所以建议采用滤波处理的方式，来实现对原始眼底图像的平滑降噪目的。较为常用的滤波处理方式有均值滤波，其数学定义为：g（x，y）=1/mΣf（x’，y’），式中的g（x，y）表示处理后的图像；（x’，y’）∈Ω，是（x，y）和其相邻区域的像素点；m为像素点与相邻区域像素点的总个数。

此外，中值滤波也是常被用于原始眼底图像预处理的方法，数学定义为：g（x，y）=med{f（x’，y’）}

相比之下，中值滤波能够对由均值滤波而造成的图像模糊问题进行有效解决，在有效去除各类干扰噪声的同时，对图像边缘起到良好的保护作用。

第三，提取兴趣域。原始眼底图像中的兴趣域多数情况下基于黑色背景下，且背景下还含有大量的冗余信息，对此，可充分利用图像掩模来对感兴趣区进行有效提取。技术原理就是将感兴趣区掩模乘以待处理图像，如此便能得到感兴趣区的具体图像，进而在保持兴趣域不变的前提下，有效分离原始眼底图像中，兴趣域的背景与前景[8]。

3.2 眼底血管骨架提取

在提取眼底血管骨架之前，实现应该有效增强血管的对比度，此环节可采用形态学操作方式。一般来说，形态学的基本操作包括四方面内容，分别是膨胀运算、腐蚀运算、开运算、闭运算，在这些运算方法的支持下，能够显示对原始眼底图像的分割、增强、滤波、特征处理与边缘检测等操作。其中，膨胀运算的数学定义为：式中的X表示原图，而B表示的是元素结构，定义式的内涵即X被B膨胀。腐蚀运算的定义为表示X被B腐蚀[9]。而开运算是对图像先腐蚀后膨胀，闭运算则是对图像先膨胀后腐蚀[10]。

在提取原始眼底图像血管网络的基础上，对其进行细化处理，能够进一步提取出血管骨架[10]。根据实际提取结果比较与分析，能够发现本文提出的算法，能够准确提取较大的血管分析，并实现对血管骨架的细化处理。但实验结果表明，本文提出的算法仍有不足之处，即对于细小血管来说，图像提取的准确性还有待提升，但这对相关实际应用中分支点的提取效果，不会产生影响[11]。

综上所述，探究眼底图像处理与分析中的关键技术，对提升相关疾病的诊断与治疗具有重要意义。通过相关分析，充分利用相关技术对眼底图像进行处理与分析，能够帮助相关人员从眼底图像当中，获得更加准确、丰富的信息内容，为各类疾病的诊断与治疗，提供可靠依据。本文的研究在一些方面还存在不足，如实验程序处理速度较慢等，还需切合医学实际优化研究过程，以提升研究价值。