基於距離變換和剛性變換參數估計的眼底圖像配準方法

2023-07-27 01:50:31

專利名稱：基於距離變換和剛性變換參數估計的眼底圖像配準方法
技術領域：
本發明涉及圖像處理，模式識別技術，特別涉及一種基於距離變換以及剛性變換參數估計的眼底圖像自動配準技術。
背景技術：
目前主流的自動眼底圖像配準方法，主要有基於血管特徵的配準，基於互信息的配準方法等。這些方法都還存在一些不足之處，基於血管特徵的配準，對一些質量比較低的圖像，血管特徵難以準確提取，基於互信息的配準，配準需要的時間比較長，而且可能會陷入局部極值，無法得到精確配準結果。因此，很多醫生還是採用手動配準，手動配準的成功率和精度都比較高，但是它最大的缺點就是加大了醫生的負擔，配準的速度非常慢。

發明內容
針對現有技術的缺陷，本發明的目的是提供一種快速，精確，魯棒，具有重大臨床使用價值的自動眼底圖像配準方法。該方法是一種基於距離變換和剛性變換參數估計的自動眼底圖像配準方法，包括以下五個順序處理模塊眼底圖像加載模塊，用於加載眼底圖像；視盤中心提取模塊，用來提取眼底圖像的視盤中心，估計兩幅圖像的平移參數；視盤血管分割以及分布特徵計算模塊，用來分割視盤周圍的血管，並計算血管的方向分布特徵；視盤血管歐式距離變換計算模塊，用來計算視盤周圍血管的歐式距離變換；眼底圖像精確配準模塊，根據之前計算出的血管歐式距離變換，實現眼底圖像的精確配準。
所述眼底圖像加載模塊，應用計算機程式語言0++編寫程序，讀取眼底圖像，將圖像轉化為二維數組，存儲在計算機中，以方便後續模塊進行處理。所述視盤中心提取模塊，具體實現是應用計算機程式語言0++，根據視盤特徵，編寫程序，提取視盤中心，根據視盤中心在圖像中的坐標位置，估計兩幅圖像的平移參數。
所述視盤血管分割以及分布特徵計算模塊，具體實現是應用計算機程式語言0++編寫程序，實現如下功能對視盤鄰域內的像素點，利用2個5X5的方向掩模，計算梯度向量，進行血管分割以及血管分布概率特徵的
計算，通過最小化2個概率分布的相對熵(Kullback-Leibler Divergence)得
出圖像旋轉參數的估計。
所述視盤血管歐式距離變換計算模塊，具體實現是應用計算機程式語言C+十編寫程序，實現如下功能對已經分割出來的視盤血管，計算他們的歐式距離變換，以實現圖像的快速精確配準。
所述眼底圖像精確配準模塊，具體實現是應用計算機程式語言C+十編
寫程序，實現如下功能計算基於視盤血管歐式距離變換的圖像相似性度
量函數，利用梯度下降優化算法，尋找這個相似性度量函數的最大值，實現眼底圖像的精確配準。具體地，本發明提出一種基於距離變換和剛性變換參數估計的眼底圖
像配準方法，包括以下步驟
1) 加載第一眼底圖像和第二眼底圖像；
2) 提取所述兩幅眼底圖像的視盤中心，估計所述兩幅眼底圖像的平移參數；
3) 對所述兩幅眼底圖像進行視盤血管分割以及分布特徵計算，估計所述兩幅圖像的旋轉參數；
4) 以所述第一眼底圖像作為參考圖像，對步驟3)中分割出來的血管像素點作為標誌點集，計算以視盤中心為圓心，圖像寬度的十分之一為半徑的圓形鄰域內的距離變換；
5) 以所述第二眼底圖像作為浮動圖像，將步驟2)和3)中求得的剛性變換參數作為初始變換參數，將浮動圖像中分割出來的血管像素點映射到基準圖像上，計算兩幅圖像基於距離變換的相似性度量函數值，通過優化這個函數值，求得最佳的變換參數，完成兩幅圖像的精確配準。
5進一步，步驟2)中所述視盤中心提取包括
1) 將圖像的灰度最大值的85%設定為閾值；
2) 對圖像中灰度值高於閾值的像素點進行聚類，設定類內距離為圖度的十二分之一，同時設定類內像素點數閾值，得出候選的視盤中心
點集;
分
3)對視盤中心點集中的候選點，分別計算其半徑為圖像寬度十
之一的圓形區域內的血管密度，選擇血管密度最大的點作為視盤中心。
進一步，步驟3)中所述進行視盤血管分割以及分布特徵計算，估計
兩幅圖像的旋轉參數包括
1) 對以視盤中心為圓心，圖像寬度的十二分之一為半徑的圓形鄰域
內的像素點，利用兩個5X5的方向掩模，計算梯度向量；
2) 根據梯度向量進行血管分割以及血管方向概率分布特徵的計算；
3 )通過最小化兩個血管方向概率分布的相對熵(Kullback-LeiblerDivergence)得出圖像的旋轉參數估計。
進一步，所述血管方向概率分布特徵的計算步驟包括對於分割出的血管邊緣，計算梯度向量(G,，C^)，其中血管方向6由如下表達式決定
夕二 J
tan
tan.
-A
G
如果Q <0
其它情況
將整個圓周角[-"/2,3;r/2]等分為72個方向，求出血管方向概率分布。
進一步，所述圖像的旋轉參數估計包括對於己經求出的血管方向概率分布S， P2，固定S，對^對應血管方向分布每次順時針旋轉一個方向，旋轉71次，得出新的概率分布屍」，屍22，…，屍27'，計算《與A，屍2'，屍22,...，屍27'的相對熵(Kullback-Leibler Divergence),求出相對熵最小的上標/:
/二argminZ化log仏，i = 0,1,...71
'7=0 屍2,
2/ ， j = 0,l,...,71下標j表示概率分布^在j方向上的分量，圖像的旋轉參數
A^二/;r/36。
進一步，步驟5)中所述兩幅圖像基於距離變換的相似性度量函數為
其中，m/"w'是浮動圖像分割出的血管邊緣像素數目，《是浮動圖像第i個血管邊緣像素通過變換映射到參考圖像空間上對應像素的歐式距離值，通過最大化函數值/，求取精確的圖像變換參數，實現精確配準。
本發明利用圖像特徵預先估計圖像的剛性變換參數，完成圖像的粗配準，然後通過計算歐式距離變換，完成的圖像的精確配準。由於預先準確估計圖像變換參數，減少了大量的計算步驟，提高了算法的運行速度。同時，基於歐式距離變換的相似性度量函數對低質量的眼底圖像也能很好的描述圖像的匹配程度，算法具有比較高的魯棒性。實驗結果表明，本算法可以在l秒以內完成圖像的配準，剛性配準精度可以達到亞像素級，對於多種質量低下的眼底圖像可以完成自動配準。因此，具有重大的應用價值。


圖1是本實現本發明的模塊示意圖；圖2(a)是病人在2005年6月20日的眼底圖像；圖2 (b)是病人在2006年3月7日的眼底圖像；圖2 (c)是提取的圖2 (a)圖視盤中心區域；圖2 (d)是提取的圖2 (b)圖視盤中心區域圖2(e)是分割出的視盤鄰域內的圖2(a)圖血管；圖2 (f)是分割出的視盤鄰域內的圖2 (b)圖血管；
圖3是血管方向劃分示意圖4是歐式距離變換示意圖，其中，像素值為0的點是標誌點，歐式距離變換計算的是像素到最近的標誌點的歐式距離；圖5 (a)是2005年6月20日的圖片作為參考圖像；圖5(b)是2006年3月7日的圖像作為浮動圖像；
圖5 (C)是浮動圖像經配準之後的結果圖像；
圖6是將參考圖像與配準圖像融合之後的新圖像。
具體實施例方式
為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，並參照附圖，對本發明進一步詳細說明。
本發明的配準方法主要包括以下步驟
步驟1:運行眼底圖像加載模塊101，加載眼底圖像，應用計算機程式語言0++編寫程序，讀取眼底圖像，將圖像轉化為二維數組，存儲在計算機中，以方便後續模塊進行處理。
步驟2:運行視盤中心提取模塊102，估計兩幅圖像的平移參數。視盤中心的提取依賴於視盤的以下特徵屬性1)視盤一般對應著圖像中最明亮的區域。2)視盤內血管眾多，明顯，血管密度是圖像中最大
的區域。首先，設定眼底圖像中灰度最大值的85。/。為閾值T,設定類內距離L為圖像寬度w的十二分之一，同時設定類內像素點數閾值N，對圖像中灰度值高於閾值T的像素點進行聚類。初始類的數目設為0，類中心均
設置為空。具體的聚類過程如下
1、 按順序遍歷圖像的每一個高於閾值T的像素點，若當前類的數目為0，則將其作為第l個聚類中心，否則，計算當前像素點p與n個聚類中心的歐式距離A,A,選取其中距離最小值丄i，若A〈L，貝U將p歸於第i類，更新第i類的中心坐標。否則將p作為第n+l類的聚類中心。
2、 遍歷完成後，統計每一類的元素數目n，只保留類內元素數目n大於N的類中心坐標，插入候選的視盤中心點集P。聚類完成，得到候選視盤中心點集P。
然後，對於點集P內的每一個候選點P,，計算以A為中心，以圖像寬度w的十二分之一為半徑的圓形區域內的血管密度P。血管密度P的計算步驟如下
1、對於區域內的每一個像素點，利用2個5X5的gabor小波方向掩模GradientX， GradientY，求解像素的梯度向量(G^,G )。
80
-0.13380
0.13380
卩0 -0.1338 0 0.1338 CT
0 -0.1947 0 0.1947 0
0 -0.2206 0 0.2206 0
0 -0.1947 0 0.1947 0
0 -0.1338 0 0.1338 0
0 0 0
-0.1947 -0.2206 -0.1947
0 0 0
0.1947 0.2206 0.1947
0 0 0
0
-0.13380
0.13380
2、對於梯度向量模大於經驗閾值^的售將其分割出來。
簡附
認為它是血管的邊緣，
'、計算血管密度P， P
，其中mi附是血管的邊緣像素數，S是
圓形區域的面積。
從這些候選點中，選取血管密度最大的點作為視盤中心，視盤中心區域為圖2(c),(d)白色部分，視盤中心在圖上以黑色十字箭頭標識，這樣我們可以獲得2幅眼底圖像的視盤中心坐標，記為(x),^)， (x2，y2)，得出圖
像的平移參數估計AX二A—X2， 4^ = ^一72。
步驟3:運行視盤血管分割及分布計算模塊103，估計圖像的旋轉參
圖像旋轉參數的估計主要由以下幾步完成
1、按照步驟2的血管分割方法，分割出以視盤中心為圓心，圖像寬度w的十二分之一為半徑的圓形區域內的血管邊緣像素，如圖2(e)， (f)所示，然後計算每一點的血管方向6>。
6>二
tan
tan
《
if< 0
+ 7T
else
其中，(A，G;)是由GradientX， GradientY這2個掩模運算求得的倡素梯度向量。
2、將整個圓周角[-W2,3;r/2]等分為72個方向，如圖3所示，求出血管方向概率分布屍二[屍0,《,...,屍71]。其中""m《是第i個方向內的血管
邊緣像素數目。
Z "廳力
3、在求出了兩幅圖像的血管方向概率分布A，屍2後，固定A，將屍2對應血管方向分布每次順時針旋轉一個方向，旋轉71次，得出新的概率分布戶2'，屍22 ，…，P27'，計算《與屍2 ， iV ，屍22 ，…，屍27'的相對熵(Kullback-Leibler Divergence),求出相對熵最小的上標"
2L 《
屍，0=屍，
7=0 S,
i = 0,l"..71
2/ ， j = 0,l,...，71
下標j表示概率分布屍在j方向上的分量。則圖像的旋轉參數
步驟4:以任意一幅圖像作為參考圖像，運行視盤血管歐式距離變換計算模塊104。將步驟3中分割出來的血管像素點作為標誌點集，計算以視盤中心為圓心，圖像寬度的十分之一為半徑的圓形鄰域內的歐式距離變換。距離變換是圖像處理中的常用技術，給定一幅圖像及標誌像素點集，如何求出圖像中的每個像素點到最近的標誌點的距離就是距離變換所要解決的問題。 一幅已經完成歐式距離變換計算的示意圖像如圖4所示。圖像大小是8X7，像素值為O的點對應的就是標誌點，其餘的像素值代表該像素距離最近標誌點的歐式距離。
步驟5:將另一幅圖像作為浮動圖像，運行眼底圖像精確配準模塊105。將步驟2， 3求得的剛性變換參數作為初始變換參數，將浮動圖像中分割出來的血管像素點映射到基準圖像上，計算兩幅圖像基於距離變換的相似
10性度量函數值/:
/二t'丄"' W W附Z
其中，"wm/是浮動圖像分割出的血管邊緣像素數目。《是浮動圖像 第i個血管邊緣像素通過變換映射到參考圖像空間上對應像素的歐式距離 值。我們通過基於梯度下降的尋優算法，快速尋找相似性度量函數/的最 大值，解得相應的變換參數，實現圖像的快速，精確配準。梯度下降的尋
優算法是一種常用的優化算法，主要的算法流程如下
對需要優化的函數/(X)在^t進行泰勒展開，省略二階及以上小量
其中^代表從A點開始的第k+l步迭代的尋優方向，在梯度下降算
法中，J選取為^點的負梯度方向，第k+l步尋優的表達式如下
A是第k+1步迭代的步長，當函數的梯度值趨於o時，停止迭代，優
化過程結束，此時的A即為所求的最優解。
為了驗證本發明方法，我們選取了臨床獲得的眼底圖像作為實驗樣 本，通過大量的實驗，我們可以在l秒以內完成亞像素級的剛性眼底圖像 配準，對低質量的眼底圖像也能得到很好的實驗結果。具體的配準結果如
圖5 (c)，圖6所示。其中圖6是將配準後的圖像與之前的參考圖像融合 之後得到的新圖像，圖像中亮度高的矩形區域來源於配準後的圖像，亮度 低的矩形區域來源於參考圖像。從圖上可以看出，配準的精度非常高。實 驗表明，本發明是快速，精確，魯棒的，具有巨大的實用價值。
以上所述，僅為本發明中的具體實施方式
，但本發明的保護範圍並不 局限於此，任何熟悉該技術的人在本發明所揭露的技術範圍內，可理解想 到的變換或替換，都應涵蓋在本發明的包含範圍之內，因此，本發明的保 護範圍應該以權利要求書的保護範圍為準。
權利要求
1.一種基於距離變換和剛性變換參數估計的眼底圖像配準方法，包括以下步驟1)加載第一眼底圖像和第二眼底圖像；2)提取所述兩幅眼底圖像的視盤中心，估計所述兩幅眼底圖像的平移參數；3)對所述兩幅眼底圖像進行視盤血管分割以及分布特徵計算，估計所述兩幅圖像的旋轉參數；4)以所述第一眼底圖像作為參考圖像，對步驟3)中分割出來的血管像素點作為標誌點集，計算以視盤中心為圓心，圖像寬度的十分之一為半徑的圓形鄰域內的距離變換；5)以所述第二眼底圖像作為浮動圖像，將步驟2)和3)中求得的剛性變換參數作為初始變換參數，將浮動圖像中分割出來的血管像素點映射到基準圖像上，計算兩幅圖像基於距離變換的相似性度量函數值，通過優化這個函數值，求得最佳的變換參數，完成兩幅圖像的精確配準。
2. 根據權利要求1所述的方法，其特徵在於，步驟2)中所述視盤中 心提取包括O將圖像的灰度最大值的85%設定為閾值；[2) 對圖像中灰度值高於閾值的像素點進行聚類，設定類內距離為圖 像寬度的十二分之一，同時設定類內像素點數閾值，得出候選的視盤中心 點集；[3) 對視盤中心點集中的候選點，分別計算其半徑為圖像寬度十二分 之一的圓形區域內的血管密度，選擇血管密度最大的點作為視盤中心。
3. 根據權利要求1所述的方法，其特徵在於，步驟3)中所述進行視 盤血管分割以及分布特徵計算，估計兩幅圖像的旋轉參數包括[1) 對以視盤中心為圓心，圖像寬度的十二分之一為半徑的圓形鄰域 內的像素點，禾U用兩個5X5的方向掩模，計算梯度向量；[2) 根據梯度向量進行血管分割以及血管方向概率分布特徵的計算；[3 )通過最小化兩個血管方向概率分布的相對熵(Kullback-LeiblerDivergence)得出圖像的旋轉參數估計。
4.根據權利要求3所述的方法，其特徵在於，所述血管方向概率分 布特徵的計算步驟包括對於分割出的血管邊緣，計算梯度向量(《,(^)，其中血管方向^由如下表達式決定formula see original document page 3如果Q <0tan-iSl+;r 其它惰況 G將整個圓周角[-;r/2,3;r/2]等分為72個方向，求出血管方向概率分布。
5.根據權利要求3所述的方法，其特徵在於，所述圖像的旋轉參數 估計包括對於己經求出的血管方向概率分布《，P2，固定《，對屍2對應血 管方向分布每次順時針旋轉一個方向，旋轉71次，得出新的概率分布《， g2，…，屍271 ，計算《與屍2，屍2',屍22，...，屍27'的相對熵(Kullback扁Leibler Divergence),求出相對熵最小的上標/:formula see original document page 3圖像的旋轉參數下標j表示概率分布P在j方向上的分量 A6> = z'tt/36。
6.根據權利要求1所述的方法，其特徵在於，步驟5)中所述兩幅圖像基於距離變換的相似性度量函數為
全文摘要
本發明是一種基於距離變換和剛性變換參數估計的眼底圖像配準方法，所述方法主要步驟包括(1)加載眼底圖像。(2)提取視盤中心，估計圖像的平移參數。(3)對視盤鄰域內的像素點，計算梯度向量，進行血管分割以及血管分布概率特徵的計算，通過最小化兩個概率分布的相對熵(Kullback-Leibler Divergence)得出圖像旋轉參數的估計。(4)對第三步中分割出來的血管，計算它們的歐式距離變換。(5)進行圖像的精確配準。本發明方法是一種快速、精確、魯棒的自動眼底圖像配準算法，在眼底圖像配準方面有著重大的應用價值。
文檔編號G06T7/00GK101593351SQ20081011329
公開日2009年12月2日 申請日期2008年5月28日 優先權日2008年5月28日
發明者鑫 楊, 捷 田, 鄧可欣, 健 鄭 申請人:中國科學院自動化研究所