肖志濤 邵一婷 張 芳* 溫 佳 耿 磊吳 駿 尚丹丹 蘇 龍 單春艷

1(天津工業(yè)大學電子與信息工程學院，天津 300387)2(天津醫(yī)科大學第二醫(yī)院，天津 300211)3(天津醫(yī)科大學代謝病醫(yī)院，天津 300070)4(天津市光電檢測技術(shù)與系統(tǒng)重點實驗室，天津 300387)

基于眼底結(jié)構(gòu)特征的彩色眼底圖像視盤定位方法

肖志濤1,4邵一婷1張 芳1*溫 佳1耿 磊1,4吳 駿1尚丹丹1蘇 龍2單春艷3

1(天津工業(yè)大學電子與信息工程學院，天津 300387)2(天津醫(yī)科大學第二醫(yī)院，天津 300211)3(天津醫(yī)科大學代謝病醫(yī)院，天津 300070)4(天津市光電檢測技術(shù)與系統(tǒng)重點實驗室，天津 300387)

眼底圖像中視盤的大小和形狀等參數(shù)是判斷眼底病變的重要輔助參數(shù)，視盤的檢測和定位對眼科疾病的計算機輔助診斷具有重要意義。提出一種基于眼底結(jié)構(gòu)特征的彩色眼底圖像視盤定位方法。首先采用基于低帽運算的方法，提取眼底圖像中的靜脈血管；然后基于靜脈血管的結(jié)構(gòu)特征，采用最小二乘拋物線擬合法初步定位視盤；最后通過滑動窗口灰度掃描的方法，精確定位視盤。在4個公開的眼底圖像數(shù)據(jù)庫(DRIVE、DIABETED0、STARE和MESSIDOR)中，對所提出的視盤定位方法進行測試，定位準確率分別為100%、98.6%、93.8%、99.75%，驗證了該方法的準確性和通用性。

視盤定位；低帽變換；拋物線擬合；窗口掃描

引言

視盤是眼底圖像的一個重要特征，它在眼底圖像中是一個類圓形的黃色亮區(qū)域。在彩色眼底圖像中，由于視盤是血管進入眼部的起始區(qū)域，因此主要血管在該區(qū)域匯合[1]，即任意兩條主血管在視盤內(nèi)部聚合。在眼底圖像中，視盤的大小和形狀等參數(shù)是判斷糖尿病視網(wǎng)膜病變的重要輔助參數(shù)，所以視盤的檢測和定位對眼底疾病的臨床診斷具有重要意義。目前，視盤定位的方法主要有兩類。

第1類方法基于視盤的自身特點，即視盤的亮度高，形狀呈類圓形，視盤內(nèi)部灰度差異大。Sinthanayothin等尋找灰度變化幅度最大的矩形區(qū)域的中心作為視盤位置[2]。Li等首先找到1%的亮度最大的像素點，再通過聚類分割出視盤候選區(qū)域，然后采用PCA分析找到真正的視盤[3]。鄒北驥等在預處理中增加裁剪圖像來去除或減少眼底圖像邊緣高亮環(huán)對視盤定位的影響，然后通過尋找亮度最大區(qū)域來定位視盤[4]。Haar等則依據(jù)視盤的形狀特點，構(gòu)建視盤區(qū)域結(jié)構(gòu)模板，通過模板匹配方法找到視盤[5]。Ravishankar等利用視盤的類圓形特點，通過Hough變換圓形檢測方法來檢測視盤[6]。Tobin等則分析血管亮度、寬度和方向信息，定位視神經(jīng)乳頭[7]。鄭紹華等采用基于定向?qū)Ρ榷鹊姆椒?，定位視盤[8]。這些方法都充分考慮了視盤的自身亮度和紋理特點。但是，在病變圖像中，由于亮的病變區(qū)域干擾以及視盤本身的病變造成視盤不完整或亮度變化，使得這類方法很難正確檢測視盤。

第2類方法基于血管和視盤的關(guān)系特性檢測視盤。Foracchia等采用兩條拋物線來描述血管在視盤左、右的走向，視盤則剛好位于兩拋物線的公共頂點[9]。Hoover等計算血管的匯合度，將血管匯合度最大的點確定為視盤[10]。朱琳琳等通過視盤內(nèi)部的血管分布和方向特點，構(gòu)建匹配模板，將匹配值最大的點作為視盤定位點[11]。Youssif等利用眼底圖像中的血管方向信息，確定視盤位置[12]。張東波等注意到視盤區(qū)域中的血管基本沿垂直方向延伸，由此根據(jù)血管的分布特性確定視盤的水平坐標，利用視盤外觀特性確定垂直坐標，通過兩次投影找到視盤中心[1]。這類算法充分利用血管的特性(如血管的走向、血管的結(jié)構(gòu)等信息)，可以有效地解決由于病變導致視盤在自身特性不明顯的情況下的檢測問題，但是這些方法需要制定較為嚴格的幾何模板，算法的復雜度高。而且模板制定依賴于血管特性的精確分割，但在病變圖像中，血管特性的完整性容易被破壞。此外，Godse等結(jié)合視盤的亮度、形狀、面積和密集度多種特征，定位視盤[13]。Harangi則提出結(jié)合現(xiàn)有多種方法進行視盤定位[14]。這類方法在一定程度上能提高算法的準確性。但在病變圖像中，由于病變影響，所制定的標準很難具有普遍適應(yīng)性，導致檢測的魯棒性較差。

本研究結(jié)合較為穩(wěn)定的基于血管和視盤關(guān)系的視盤定位方法并對其進行改進，提出基于靜脈血管結(jié)構(gòu)特征的視盤定位方法。此方法不需要制定復雜的幾何模板，而且只需要靜脈血管的主要輪廓特性，避免了必須精確提取整體血管或者主血管特征的復雜性和局限性。通過分析眼底的結(jié)構(gòu)特征，利用視盤在其鄰域所表現(xiàn)的自身特性，采用窗口掃描方法修正初定位結(jié)果，保證視盤定位的準確性。

1 方法

1.1 方法概述

圖1所示為本方法的總體流程，分為視盤初定位和視盤精確定位兩部分。

圖1 所提出方法的流程Fig.1 The flowchart of the proposed method

筆者經(jīng)過分析發(fā)現(xiàn)，視盤鄰域的上下兩條靜脈血管連接成的形狀類似于拋物線，如圖2所示。圖中用綠色拋物線描繪靜脈血管，用藍色十字叉的交點標識拋物線的頂點，可以發(fā)現(xiàn)此拋物線頂點在兩條靜脈血管的交點處，且落在視盤內(nèi)部。依據(jù)此特點，本研究采用基于靜脈血管結(jié)構(gòu)特征的方法初定位視盤。首先通過預處理和形態(tài)學運算得到靜脈血管的主要輪廓，然后采用最小二乘法進行拋物線擬合，接著對擬合結(jié)果進行判定并且初定位視盤。

圖2 一幅彩色眼底圖像Fig.2 A color fundus image

由于視盤在其鄰域中表現(xiàn)出較為明顯的高亮度特性，所以本研究依據(jù)這一特點采用灰度窗口掃描方法來精確定位視盤。

1.2 圖像預處理

1.2.1 選取顏色通道

分別提取彩色眼底圖像的RGB等3個顏色通道，如圖3所示?？梢钥闯觯杭t色通道中的視盤區(qū)域最明顯，但是整幅圖像的亮度較大、對比度較低，且主血管不清晰；藍色通道圖像整體偏暗，圖像對比度最差；而綠色通道圖像中的血管和視盤最清晰，對比度較高，因此選取綠色通道圖像進行后續(xù)處理。對于綠色通道圖像中出現(xiàn)的各區(qū)域明暗不一致以及圖像的漸暈現(xiàn)象，本研究采用文獻[10]的方法解決。

圖3 眼底圖像的RGB通道圖像。(a)紅色通道；(b)綠色通道；(c)藍色通道Fig.3 The RGB channel images. (a) Red channel; (b) Green channel; (c) Blue channel

1.2.2 提取靜脈血管

視盤粗定位是在眼底靜脈血管的基礎(chǔ)上進行的，靜脈血管具有如下特點：

1)寬度方面。靜脈血管的主要輪廓屬于主血管，其寬度大于周圍的細小血管和靜脈血管的分支。利用這點，采用以主血管寬度作為半徑的圓盤模板，對預處理圖像進行低帽運算；然后采用Otsu二值分割算法，提取靜脈血管，得到分割結(jié)果BT1。

2)長度方面。靜脈血管主要輪廓的長度較大，一般超過圖像寬度的1/3，而且靜脈血管亮度值較低，即病變區(qū)域和視盤周圍血管的亮度高于視盤附近兩條靜脈血管段的亮度。依據(jù)此特點，對預處理圖像進行多方向線性形態(tài)學低帽運算[8]，其定義為

BT2=max(f·Sednπ/12-f)

(1)

式中，Sed為線性模板，長度為L，每15°為一個方向，進而得到12個低帽變換結(jié)果。

將包含像素最多的結(jié)果作為多方向線性低帽運算結(jié)果，然后采用Otsu二值分割算法，提取靜脈血管(見圖4)，得到分割結(jié)果BT2。

為了消除病變和分支血管的干擾，提取到準確的靜脈血管主要輪廓，將上述兩個分割結(jié)果相與，并采用形態(tài)學算法提取其骨架線。另外，為了消除可能引入的邊界的影響，對得到的二值圖像進行掩膜處理，掩膜模板如圖4(b)所示。最終得到的靜脈血管輪廓如圖4(c)所示。

圖4 提取靜脈血管。(a)彩色眼底圖像；(b)掩膜圖像；(c)靜脈血管的主要輪廓；(d)拋物線擬合結(jié)果(染色線)Fig.4 Vein vessels extraction. (a) Retinal image; (b) Template image; (c) Main course of vein vessels; (d) The parabolic fitting result (red curve)

1.3 視盤定位

1.3.1 擬合靜脈血管

圖5 坐標系結(jié)構(gòu)示意圖。(a)坐標系建立；(b)左眼眼底靜脈血管骨架；(c)右眼眼底靜脈血管骨架Fig.5 The schematic diagram of rectangular coordinate system. (a) Rectangular coordinate system; (b) Main course of vein vessels (left eye); (c) Main course of vein vessels(right eye)

在眼底圖中，以圖像左上角為原點，水平方向作為Y軸的正方向，豎直向下作為X軸的正方向，建立坐標系，如圖5(a)所示。這樣靜脈血管骨架線上點的行標號映射為X坐標，列標號映射為Y坐標，得到映射后的數(shù)據(jù)點集(xi,yi)(1≤i≤N)，N為數(shù)據(jù)點個數(shù)。根據(jù)眼底圖像的成像特點，在左眼的眼底圖像中，上下兩條靜脈血管連接而成的弧形類似于一條開口向上的拋物線，如圖5(b)所示；對于右眼的眼底圖像，上下兩條靜脈血管曲線類似于開口向下的拋物線，如圖5(c)所示。

拋物線的一般式為一元二次形式，有

f(x)=ax2+bx+c

(2)

因此，本研究采用式(2)擬合靜脈血管骨架線映射的數(shù)據(jù)點(xi,yi)(1≤i≤N)。

為了使擬合出的近似曲線能盡量反映擬合數(shù)據(jù)的變化趨勢，采用最小二乘擬合法，使得所有數(shù)據(jù)點殘差的誤差平方和S(a,b,c)最小，有

(3)

當式(3)取最小值時，S對于(a,b,c)的一階導數(shù)為零，由此可得

(4)

求解式(4)即可得到所擬合拋物線方程的參數(shù)(a,b,c)。

1.3.2 視盤的初定位

依據(jù)眼底血管走向特征，以及所建立的坐標系的結(jié)構(gòu)特點，制定靜脈血管擬合評價準則，判定拋物線擬合方法是否有效，并確立視盤初定位方法。

由所建立的坐標系模型以及眼底圖像血管結(jié)構(gòu)走向的特點得知，對于擬合的拋物線的頂點，理論上應(yīng)落在坐標軸的第一象限，因此拋物線頂點的兩個坐標值應(yīng)當均為非負值。于是，將靜脈血管骨架線映射的待擬合數(shù)據(jù)點(xi,yi)(1≤i≤N)以及擬合結(jié)果采用兩個評估標準進行評價。

1) 將待擬合數(shù)據(jù)代入方程組式(4)，方程有解；

若兩個評價標準不能同時滿足，則認為采用拋物線擬合的定位方法失效，擬合失敗的主要原因是血管病變。由于血管病變和視盤自身病變同時存在的情況極少，此時依據(jù)文獻[4]，采用基于血管自身特性的方法初定位視盤。

1.3.3 視盤的精確定位

在正常的彩色眼底圖像中，視盤區(qū)域亮度最高且形狀呈類圓形。在病變圖像中，滲出物的亮度以及形狀都可能類似視盤，此時僅采用視盤的灰度或形狀信息進行視盤定位則準確性較低。但是，在視盤的鄰域，視盤仍然呈現(xiàn)兩個明顯特點：一是視盤區(qū)域整體亮度較大，這在LAB顏色空間的A通道圖像中較明顯，如圖6(a)所示；二是視盤與其鄰域灰度差異大，由于HSI顏色空間的I分量對圖像的輪廓信息反映較好，該特點在HSI顏色空間的I通道中最明顯，如圖6(b)所示。

圖6 兩個顏色通道圖像。(a)A通道圖像；(b)I通道圖像Fig.6 Two channel images. (a) A channel image of LAB color space; (b) I channel image of HSI color space

依據(jù)上述視盤鄰域特點，對初定位的結(jié)果進行修正。首先，在原始彩色圖像中截取以初定位的位置為中心、長度為兩個視盤直徑的方形區(qū)域，作為預處理圖像B；然后，定義一個直徑為視盤直徑的圓形滑動窗口，在B中從左向右、從上到下、以步長1個像素進行掃描。具體步驟為：

步驟1，在每個滑動窗口內(nèi)，計算其灰度響應(yīng)值，有

(5)

式中，(x,y)為滑動窗口的中心坐標，I(x,y)為此窗口圖像所對應(yīng)的LAB顏色空間中A通道圖像的灰度均值，δ(x,y)為此窗口圖像所對應(yīng)的HSI顏色空間中I通道圖像的灰度方差值。

步驟2，計算響應(yīng)值最大的滑動窗口所對應(yīng)的中心坐標(x0,y0)，即為最終的視盤位置。

當視盤定位點位于視盤邊界內(nèi)時，認為定位正確。

1.4 樣本及參數(shù)設(shè)定

從DRIVE[15]、STARE[16]、DIABETED0[17](DB0)和MESSIDOR[18]圖庫中選取圖像樣本作為實驗材料來進行方法測試。DRIVE圖庫共40幅圖像，包括33幅健康眼底圖像和7幅糖尿病病變眼底圖像。STARE圖庫共400幅圖像，選取其中81幅圖像用作本次實驗樣本，這些圖像是視盤定位算法通用的測試樣本，包括31幅健康眼底圖像和50幅病變眼底圖像。DIARETDB0(DB0)是公開的用于糖尿病視網(wǎng)膜病變檢查的標準圖庫，共130幅眼底圖像，包括20幅健康眼底圖像和110幅糖尿病視網(wǎng)膜病變眼底圖像。MESSIDOR圖庫共1 200幅彩色眼底圖像，包括540幅健康眼底圖像和660幅病變眼底圖像。圖像樣本的具體選取情況如表1所示。

表1 實驗圖像集Tab.1 Experimental images

在所提的方法中，有幾個重要的參數(shù)，這些參數(shù)的合理選取對實驗結(jié)果起關(guān)鍵作用。一是多方向線性模板中的模板長度L，由于眼底圖像的成像特點，以及靜脈血管自身的特性，在眼底圖像中，靜脈血管長度一般超過整幅圖像寬度的1/3，因此根據(jù)圖像大小自動設(shè)定L為圖像寬度的1/3。二是決定低帽變換模板大小的主血管寬度，以及精確定位時決定掃描窗口大小的視盤直徑D。在本研究中，這些參數(shù)根據(jù)彩色眼底圖像中獨特的比例關(guān)系[19]來設(shè)定，視盤的直徑同眼底圖像寬度大小之間的比例為1/8～1/5，而主血管寬度同視盤直徑的比例為1/7～1/6。例如，DRIVE數(shù)據(jù)庫中的圖像大小為768像素×584像素，L自動取為768/3，取整得256；視盤的直徑D自動取為768/7，而主血管寬度取D的1/7。由此，本方法依據(jù)彩色眼底圖像的大小自動獲取參數(shù)的取值。

2 結(jié)果

本方法在上述4個圖庫中的定位準確率分別為100%、93.8%、98.6%和99.75%。對包含不同對比度圖像的DRIVE數(shù)據(jù)庫、包含嚴重病變圖像的STARE數(shù)據(jù)庫、包含各種糖尿病視網(wǎng)膜病變圖像的DB0數(shù)據(jù)庫、包含不同眼底病變圖像的MESSIDOR數(shù)據(jù)庫，本方法均具有較好的視盤定位效果。例如，選取2幅典型的健康眼底圖像和6幅典型病變眼底圖像進行視盤定位結(jié)果展示(見圖7)，結(jié)果表明本方法對亮度和病變均具有較強的適應(yīng)性。

圖7 不同類型眼底圖像視盤定位結(jié)果。(a)較暗的健康眼底；(b)較亮的健康眼底；(c)存在滲出物病變的眼底；(d)存在滲出物和出血點病變的眼底；(e)存在大量出血的眼底；(f)存在激光斑的眼底；(g)存在大面積亮斑的眼底；(h)視盤發(fā)生病變的眼底Fig.7 OD localization results with different fundus images. (a) Dark healthy; (b) Bright healthy fundus; (c) Exudation lesions; (d) Exudation lesions and hemorrhage; (e) Retinal hemorrhage; (f) Laser spots; (g) Bright speck; (h) Optic neuropathy

表2給出了不同方法在STARE數(shù)據(jù)庫中的測試結(jié)果，其中對于時間復雜度的測試均在Windows XP系統(tǒng)、CPU主頻為2.5 GHz、內(nèi)存為2 GB條件下進行，編程環(huán)境為Matlab 2008。文獻[2,5,8]分別利用眼底圖像中視盤亮度大、灰度差異大、呈類圓形特征定位視盤，但由于STARE樣本中包含較為嚴重的病變圖像，而視盤的自身特性受病變影響，因此這些定位的準確率均不高。文獻[1,7,10]利用血管和視盤的關(guān)系定位視盤，由于血管特征穩(wěn)定，所以這類方法的視盤定位準確率有所提高，但定位精度也低于本方法。文獻[9,12]的共同特點是充分利用了血管的整體特征，檢測準確率高達98.8%，但這都需要制定較為嚴格的幾何模板，而且模板制定依賴于對血管特性的精確分割，算法的復雜度高，耗時長，文獻[12]對單幅圖像定位視盤用時達3.5 min，文獻[9]為2 min。本方法在STARE庫中的檢測率為93.8%，用時卻僅為3 s，耗時遠遠低于其他方法。另外，由表3可知，相比其他方法，本方法在DB0和MESSIDOR數(shù)據(jù)庫具有更高的定位正確率。

表2 不同方法在STARE數(shù)據(jù)庫中的測試結(jié)果比較Tab.2 The comparison of localization results in STARE dataset

表3 不同方法在DB0和MESSIDOR數(shù)據(jù)庫中的視盤定位準確率比較

Tab.3 The comparison of OD localization success rate in DB0 and MESSIDOR datasets

方法準確率/%DB0MESSIDOR基于投影[1]95.5—基于亮度[4]—98.7基于多特征[13]96.92—基于圓形檢測[6]97.7—基于投票[14]—98.33本方法98.699.75

3 討論

本研究提出的視盤定位方法充分利用了彩色眼底圖像中的眼底結(jié)構(gòu)特征。根據(jù)眼底圖像中靜脈血管的結(jié)構(gòu)特點，提出了基于靜脈血管的視盤定位方法。由于本方法只需粗略提取靜脈血管的骨架結(jié)構(gòu)，并不需要精確地提取血管特征，所以降低了算法的復雜度。與依賴精確血管分割結(jié)果的傳統(tǒng)的視盤定位方法不同，本方法只要依據(jù)局部血管的主要輪廓信息，就可以克服傳統(tǒng)的基于血管的視盤定位方法中必須精確提取整體血管或者主血管特征的局限性，避免血管分割結(jié)果在一定程度上影響視盤檢測正確率的問題。如圖8所示，由于病變影響，血管的特征模糊，傳統(tǒng)方法需要依賴精確的血管分割結(jié)果，所以針對這類圖像定位失敗，如文獻[1]基于血管在視盤部分的分散度特征進行視盤定位，結(jié)果定位失敗(見圖8(a))；但由于圖8中血管的主要骨架輪廓特征仍然保留，所以對此類圖像本方法仍能定位成功(見圖8(b))。此外，本研究依據(jù)眼底血管走向特征以及所建立的坐標系的結(jié)構(gòu)特點，制定靜脈血管擬合評價準則，并根據(jù)評價結(jié)果融合視盤自身特性以及血管特性初定位視盤，保證了算法的魯棒性和適應(yīng)性。

圖8 視盤定位結(jié)果比較。(a)文獻[1]定位結(jié)果；(b)本算法定位結(jié)果Fig.8 The comparison of OD localization results. (a) OD localization result of Ref[1]; OD localization result of the proposed method

雖然本研究提出的方法相比其他方法在4個實驗數(shù)據(jù)庫中整體定位效果較好，但仍存在一定的局限性。針對靜脈血管信息缺失、主要輪廓信息不完整的情況(如圖9所示，眼底圖像僅出現(xiàn)上半部分主血管)，通過最小二乘拋物線擬合法所擬合出的拋物線頂點不落在視盤鄰域，導致視盤定位出錯。因此，需要深入研究抗干擾性更強、穩(wěn)定性更高的拋物線擬合算法，以進一步提升算法的魯棒性。

圖9 本算法定位失敗的結(jié)果示例Fig.9 Example of incorrect result

4 結(jié)論

本研究提出一種基于眼底圖像結(jié)構(gòu)特征的視盤定位方法。首先，分析了眼底靜脈血管結(jié)構(gòu)的特點，通過預處理和形態(tài)學運算得到靜脈血管主要輪廓；然后，采用最小二乘法，對靜脈血管進行拋物線擬合；接著，依據(jù)眼底血管走向特征以及的建立的坐標系的結(jié)構(gòu)特點，制定靜脈血管擬合評價準則，并根據(jù)評價結(jié)果輔助視盤定位；最后，基于視盤在其鄰域中的高亮度特性，通過灰度窗口掃描方法修正初定位結(jié)果，得到最終的定位結(jié)果。本方法在分析眼底結(jié)構(gòu)特點的基礎(chǔ)上，充分利用視盤的自身特性以及視盤與血管的位置關(guān)系來定位視盤。定位精度高，運算復雜度低。

[1] 張東波, 易瑤, 趙圓圓. 基于投影的視網(wǎng)膜眼底圖像視盤檢測方法[J]. 中國生物醫(yī)學工程學報, 2013, 32(4): 477-483.

[2] Sinthanayothin C, Boyce JF, Cook HL, et al. 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.

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

[4] 鄒北驥, 張思劍, 朱承璋. 彩色眼底圖像視盤自動定位與分割[J]. 光學精密工程, 2015, 23(4): 1187-1195.

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

[6] Ravishankar S, Jain A, Mittal A. Automated feature extraction for early detection of diabetic retinopathy in fundus images[C]// IEEE Conference on Computer Vision and Pattern Recognition. Miami: IEEE, 2009: 210-217.

[7] Tobin KW, Chaum E, Govindasamy VP, et al. Detection of anatomic structures in human retinal imagery[J]. IEEE Transactions on Medical Imaging, 2007, 26(12): 1729-1739.

[8] 鄭紹華, 陳健, 潘林, 等. 基于定向局部對比度的眼底圖像視盤檢測方法[J]. 中國生物醫(yī)學工程學報, 2014, 33(3): 289-296.

[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 Transactions on Medical Imaging, 2004, 23(10): 1189-1195.

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

[11] 朱琳琳, 唐延東. 基于眼底特征的視盤自動檢測[J]. 儀器儀表學報, 2010, 31(8): 118-122.

[12] Youssif A, Ghalwash A, Ghoneim A. Optic disc detection from normalized digital fundus images by means of a vessels’ direction matched filter [J]. IEEE Transactions on Medical Imaging, 2008, 27(1): 11-18.

[13] Godse DA, Bormane DS. Automated localization of optic disc in retinal images[J]. International Journal of Advanced Computer Science and Applications, 2013, 4(2): 65-71.

[14] Harangi B, Hajdu A. Detection of the optic disc in fundus images by combining probability models[J]. Computers in Biology and Medicine, 2015, 65:10-24.

[15] Max V. DRIVE: Digital retinal images for vessel extraction[EB/OL]. http://www.isi.uu.nl/Research/Databases/DRIVE, 2014-03-12/2015-03-18.

[16] Hoover A. Structured analysis of the retina[EB/OL]. http://www.ces.clemson.edu/～ahoover/stare, 2015-05-18/2015-06-09.

[17] Kauppi T, Kalesnykiene V, Kamarainen JK, et al. DIARETDB0-Standard Diabetic Retinopathy Database Calibration level 0[EB/OL]. http://www2.it.lut.fi/project/imageret/diaretdb0, 2014-09-06/2015-03-07.

[18] Klein J C. Methods to evaluate segmentation and indexing techniques in the field of retinal ophthalmology (MESSIDOR) [EB/OL]. http://www.adcis.net/en/Download-Third-Party/Messidor.html, 2015-01-11/2015-06-20.

[19] Tasman W, Jaeger EA. Duane’s Ophthalmology [M]. (15thEdition). Philadelphia: Lippincott Williams & Wilkins, 2009.

Optic Disc Localization in Color Fundus Images Based on Fundus Structure Feature

Xiao Zhitao1,4Shao Yiting1Zhang Fang1*Wen Jia1Geng Lei1,4Wu Jun1Shang Dandan1Su Long2Shan Chunyan3

1(SchoolofElectronicsandInformationEngineering,TianjinPolytechnicUniversity,Tianjin300387,China)2(TheSecondHospitalofTianjinMedicalUniversity,Tianjin300211,China)3(MetabolicDiseaseHospitalofTianjinMedicalUniversity,Tianjin300070,China)4(TianjinKeyLaboratoryofOptoelectronicDetectionTechnologyandSystem,Tianjin300387,China)

The size and the shape of optic disc (OD) in fundus images are very important for diagnosing the fundus diseases, therefore the detection and localization of OD have important significance for computer-aided diagnosis of the ophthalmology diseases. In this paper, the OD localization method in color fundus images based on the characteristics of fundus structure was proposed. Firstly, vein vessels in fundus image were extracted based on the bot-hat transformation. Then, parabolic fitting algorithm based on the least square method was applied to get the preliminary localization of OD. Finally, the accurate localization of OD was determined through window-scanning. Comparative experimental results were obtained from four publicly available datasets (DRIVE, DIABETED0, STARE and MESSIDOR). Testing results were 100%, 98.6%, 93.8%, 99.75% respectively, which proved the accuracy and robust of the proposed method.

optic disc localization; bot-hat transformation; parabolic fitting; window scanning

10.3969/j.issn.0258-8021. 2016. 03.001

2015-11-12， 錄用日期:2016-01-05

國家自然科學基金(61401439)；天津市科技支撐計劃重點項目(13ZCZDGX02100)；天津市應(yīng)用基礎(chǔ)與前沿技術(shù)研究計劃一般項目(15JCYBJC16600)

R318

A

0258-8021(2016) 03-0257-07

*通信作者(Corresponding author)， E-mail: hhzhangfang@126.com