本文是一篇医学论文，本文主要针对视网膜图像由病变产生的高亮度影响，尝试提出新的视盘分割算法并设计一个不受输入图像角度、亮度变换等因素的影响的匹配算法。
1 前言
1.1 课题研究背景及意义
生物识别目前已经广泛的应用在军事航天、医疗银行、交通家电等各个领域中，并且都取得显著成功。一些生物特征如指纹、面孔、视网膜等已经应用于目前日常生活中的身份识别，这些生物特征都具有非常高的唯一性，稳定性及防伪性。生物识别技术借助于计算机技术[1]，很容易配合电脑等电子设备实现安全、监控等管理，并实现自动化。视网膜是使用光学设备发出的低强度光源扫描，形成一副具有独特且唯一的视网膜眼底图像，其主要特征为视盘，视网膜血管等。视网膜血管是人体唯一可以直接观察的血管结构[2]，不会受身体疾病而变化，也不会因外界因素而变形，视网膜位于眼球后端，不易受到损伤破坏，且具有很强的自我修复能力。有研究表明[3]，人的视网膜血管形态都不相同，且与眼底中其他的特征相比，视网膜更具有稳定、独特的生理特征，伴随着人的岁数成长，成人后视网膜会始终保持稳定。视盘是眼底图像中最重要的解剖标志[4]，是视网膜图像中最主要的生理结构之一，可以用作现代眼科疾病的诊断。视盘检测在CADS(Computer-Aided design system)中至关重要，所以一种可靠的、可以保留各种血管和视盘特征的自动化视网膜血管和视盘分割方法，在计算机辅助诊断中具有较高的吸引力。视网膜识别可以提供生理依据，医生可以利用眼部生理结构、病灶特征和颜色变化等方法对视网膜疾病做出诊断。然而由于病患众多[5]，仅依靠人工进行眼部疾病的筛查和诊断会给医生带来极大的工作压力，提高误诊率，因此计算机视觉技术的发展为眼科医生利用计算机辅助诊断带来了可能。Burlina[6]等使用ImageNet预训练权重的深度卷积神经网络对年龄相关性黄斑变性正常、早期、中期、晚期的4个阶段进行识别，深度卷积神经网络从眼底图像中心区域的多个同心矩形中提取特征进行训练，并取得了较好的识别效果。视网膜疾病种类繁多，病灶区域、特征不同以及病人个体的差异性，眼科医生对患者进行诊断时会面临诸多困难，因此需要由计算机视觉辅助医生诊断。
1.2 国内外研究现状
目前国内外对视网膜的研究主要内容为视盘分割及定位，视网膜眼底图像的血管分割，以及视网膜的特征识别等，本文主要针对视网膜图像由病变产生的高亮度影响，尝试提出新的视盘分割算法并设计一个不受输入图像角度、亮度变换等因素的影响的匹配算法。已知的视盘分割方法有很多，比较常见的方法有：基于图像灰度信息方法、基于区域方法以及基于血管特征分布方法等。
由于视网膜图像会受到亮色病变的干扰及外观信息的变化，基于图像灰度信息的方法要实现鲁棒高效并非易事。目前作为视盘定位的常用特征主要有：亮度、对比度、形状等。Li[7]等人采用阈值法对最亮像素的前5％进行阈值处理以获得视盘候选区域，但由于缺乏平滑和边缘连续性特征，影响分割效果。Sarathi[8]等人使用基于自适应阈值的区域增长方法，以视盘中心作为种子点，从血管修复的眼底图像中分割出视盘，但对于有病变的视网膜图像，分割效果较差。
基于区域的方法非常容易受到明亮病灶和血管边缘反光的干扰导致视盘定位的偏差，并且鲁棒性并不高，根据视盘的特点找出视盘所在的区域，从而分割视盘。黄籽博[9]等人通过利用局部极小值的方法获取内部标记，控制标记的分水岭算法分割视盘。Zhu[10]等利用最小值变换的方法得到内部梯度图像灰度值，并利用灰度控制分割视盘，但眼底图像中含有高亮度的小病灶或病变部分，以及眼底图像边缘的反光的存在，产生过分割现象。
2 视盘分割
2.1 图像预处理
视盘区域的血管非常密集，是两条大血管主要的集中位置，大量血管的存在会对视盘定位造成极大影响，所以在视盘定位前，通过预处理实验增强视盘的对比度，然后再去除视网膜血管，形成只有视盘区域的平滑图像，最后定位视盘中心并求出视盘半径。
2.1.1 基于PCA的图像灰度化
本文采用基于PCA的图像灰度化的方法，首先提取出每一幅视网膜图像的R，G，B三个通道的数据，并进行归一化处理，使其均值为0；将三个颜色空间归一化后的数据合成矩阵并计算出矩阵的协方差矩阵C，如公式（1）求出特征值和特征向量，选择最大的特征值所对应的特征向量作为最佳投影向量[22]，将R，G，B空间的数据投影到最大特征向量上，得到最终灰度化的图像。
2.1.2 形态学去除血管
本文采用基于形态学的开运算和闭运算的方法去除血管[23]，消除小孔洞及细小病灶，并填补轮廓线中的裂痕，使图像的轮廓变得光滑，并去除视盘区域内的血管，从而减少血管对于视盘定位的影响，最终可以得到一张视盘非常较为突出的眼底图像。如图2.1可以看到，该图像中视盘区域较为明亮，可以更准确的定位视盘，同时除视盘的其他区域整体灰度相对平滑，高亮对比度的像素较少。
2.3 基于传统大津阈值法算法优化
2.3.1 目标区域选取优化
眼底图像含有黑色无效区域，该区域像素灰度值为0，会很大的影响设置目标选取的阈值，使传统的OTSU中最大类间方差变小，从而导致眼底图像中更多的病变区域或高亮区域被划分为目标区域。由此文本提出两点优化：第一点首先将眼底图像中，黑色区域设为无效区域，即在OTSU累加计算时，将黑色区域的像素点剔除，不计入累加计算，该优化可以大幅度减少无效的像素点数，更有效的增强目标区域分割效果；第二点，有研究表明[25]在眼底图像中，视盘的亮度要高于其他区域，大概占眼底图像整体亮度阈值的前11%，由此本文优化了目标和背景的选取，首先求出眼底图像有效区域的像素均值m，将小于均值的眼底像素直接设为背景，即灰度值为0，如公式（7）所示，如此可以进一步减少运算，降低其他因素如血管等低亮度的干扰，从而增强视盘区域的分割效果。
2.3.2 阈值检测优化
由于传统的OTSU分割后的图像残留病变或高亮区域，因此本文提出一个面积阈值检测优化：在上一小节目标选取优化后，做第一次OTSU视盘分割，然后对分割后的图像进行面积检测，计算图像的剩余像素个数，如果剩余像素的个数大于视盘面积的二倍（半径为Rmax），则重复上一小节做第二次Otsu视盘分割；如果小于，则直接进行下一小节的处理。
3 视网膜匹配..................................... 10
3.1 基于PCA的视网膜匹配 ..................................... 10
3.1.1 图像归一化 ..................................... 10
3.1.2 基于PCA的视网膜匹配 ...............10
4 实验结果 .................................. 17
4.1 视盘定位结果 ........................................ 17
4.2 视网膜匹配结果 ................................... 18
4.3 视网膜匹配对比实验结果 .............................. 19
5 讨论 ....................................... 23
5 讨论
本章将进一步对实验结果进行讨论。首先回顾第二章，我们可以看到增加一个视盘面积检测，可以有效的避免由于病变或高亮区域对分割视盘的影响，提高了视盘分割的准确性，对光照导致视盘模糊具有良好的自适应能力，同时能够弥补由于像素点过多导致阈值偏小。但是在病变的眼底图像中，尤其是视盘亮斑损伤严重或视盘亮度很低同时含有较亮病灶的图像上，定位仍存在偏差，但本文对消除该类型眼底图像的效果还算理想。
在第三章中，本文设计出两种识别算法，由表4.3和表4.4可以看出，本算法相比另外三种文献的算法，其整体性能更优。在血管增强部分的特征点的提取中，特征点可以更加精确到分叉点，提高识别精度。
在第四章中，本文主要针对旋转因素，亮度因素，噪声因素设计了对比实验.在旋转对比实验中，两种算法认真率都略微下降，由4.3.1小节的实验数据证明，本文两种算法都有一定的旋转不变性。在亮度对比试验中，两种算法的认真率皆有不同程度的降低，且Gamma值为0.6和0.8的认真率降低相对明显，由此可以看出，在一定亮度影响范围内本文两种算法都有一定的亮度不变性，其中基于PCA-SIFT算子算法的认真率与基于PCA算法的认真率相比下降更为明显，即基于PCA的视网膜匹配算法对亮度因素有着更好的适应性，在亮度影响很大的情况下，即图像非常暗或非常亮时，本文的两种算法都会受到影响。在噪声对比实验中，本文两种识别算法都受到一定影响，有实验数据可以看出，噪声因素对基于PCA-SIFT算子的视网膜匹配算法影响更大，当噪声的标准差高于0.3时，该算法的认真率低于50%，本文需要设计一套去除噪声的算法加入预实验当中。
6 结论
本文主要针对病变或高亮区域的眼底图像设计优化了视盘分割算法，通过增加视盘面积检测，提高了视盘分割的准确率，有实验数据可以看出该算法准确率的优越性，可以应用于医生分割视盘的诊断中，同时为后续视盘定位以及图像匹配做了基础。
本文设计了两种视网膜识别算法，其中在基于PCA-SIFT算子的识别算法中，本文提出了血管增强优化，进而更好的提取到视盘以外血管上的特征点。两种算法在DRIVE和MESSIDOR眼底图像数据库中都有很高的认真率以及较低的认假率，该算法可应用于视网膜图像的快速匹配。在此基础上，本文设计了对比实验，以旋转、亮度、噪声因素，来验证本文算法性能，由对比实验的结果能够看出，本文的两种算法都具旋转不变性和亮度不变性，同时对于标准差小于0.01范围内的高斯噪声，本文算法具有一定的抗噪性，但标准差高于0.01的高斯噪声对本文算法影响很大。
参考文献（略）