Сегментация кровеносных сосудов

Введение

Сетчатка глаз, как и любой другой объект, имеет свои признаки. Основными её признаками являются кровеносные сосуды, оптический диск и макулярная область (рис. 1).

Рис. 1. Строение сетчатки глаза

Как правило, при аутентификации сравнивают только кровеносные сосуды либо признаки, связанные с ними, поскольку их уникальность легко различима. Диск же может служить только в качестве дополнительного параметра для сопоставления, однако применяется это довольно редко. Макулярная область для целей аутентификации не используется совсем.

Сегментация кровеносных сосудов

Перед тем, как приступить к сегментации, для получения более точных результатов необходимо улучшить контрастность между фоном и сегментируемым объектом.

Удаление фона при помощи average фильтра

Для упрощения сегментации сосудов вначале удаляется фон. Это делается при помощи вычитания исходного изображения из сглаженного average фильтром изображения. Размеры окна фильтра выбираются равными максимальной толщине сосудов в пикселях.

Для удаления границ круга вычисляется его маска (рис. 4) при помощи порогового преобразования и морфологического открытия и вычитается из полученного на предыдущем шаге изображения. После чего ещё раз применяется clahe. Результат изображён на рис. 5.

Рис. 4. Маска сетчатки

Рис. 5. Удаление фона (слева — результат average фильтра, справа — после вычитания и clahe)

Далее применяется автоматическое пороговое преобразование методом Otsu, медианный фильтр и фильтр по длине. Результат алгоритма сегментации и эталон показаны на рис. 6.

Для удобства данный алгоритм сегментации и алгоритм удаления фона оба будут в дальнейшем называться background exclusion.

Рис. 6. Результат сегментации (слева – результат алгоритма, справа – эталон, размеченный вручную экспертом)

Фильтр Габора

Данный метод сегментации основан на применении серии фильтров Габора. Отличительной особенностью данного фильтра является то, что он способен выделять прямые линии определённого размера и под определённым углом.
Действительная часть этого фильтра выглядит следующим образом:

где

• 
• 
• , – координаты ядра в заранее заданных пределах;
• – период ядра в пикселях;
• – наклон ядра;
• – дисперсия Гауссиана;
• – смещение фазы ядра;
• – сжатие Гауссиана.

Таким образом, чтобы выделить сосуды, нужно применить фильтр Габора с различными углами наклона ядра и посчитать максимальный отклик каждого пикселя на серию фильтров.

Как видно на рис. 7, большая часть шумов исчезла, однако оптический диск, фон и макулярная область по-прежнему остались. Чтобы их исключить, перед серией фильтров Габора применяется алгоритм удаления фона с теми же параметрами, что и в предыдущем разделе. Результат представлен на рис. 8.

Рис. 7. Фильтр Габора (слева – исходное изображение после clahe, справа – результат применения серии габоровских фильтров)

Рис. 8. Удаление фона + фильтра Габора (слева – исходное изображение, полученное при помощи алгоритма background exclusion, справа – результат применения серии габоровских фильтров)

Следующим шагом алгоритма является пороговое преобразование.
Чтобы метод Otsu показывал более точные результаты сегментации, необходимо преобразовать все цвета, являющиеся фоном, в один цвет. Для этого рассмотрим гистограмму правого изображения рис. 8 (рис. 9):

Рис. 9. Гистограмма изображения, полученного при помощи серии фильтров Габора

Из графика видно, что пик количества пикселей приходится на серый фон. Поэтому пиксели, цвет которых находится справа от пика, можно перекрасить в другой цвет. Однако небольшой шум всё же будет присутствовать на сегментированном изображении. Чтобы его устранить, можно сместить границу порогового преобразования от пика влево.

Введём параметр чувствительности алгоритма от 0 до 100. Границей порогового преобразования будет ближайший цвет, количество пикселей которого не превосходит значение параметра чувствительности слева от пика. Найденное значение будет новым значением интенсивности пикселей, находящихся справа от границы. Результат представлен на рис. 10.

Рис. 10. Пороговое преобразование интенсивности изображения (слева – исходное изображение, полученное после перекрашивания пикселей в соответствии с параметром чувствительности, справа – результат метода Otsu)

В реализации фильтр Габора использовался со следующими параметрами:

• размер ядра – 15 x 15;
• – 4;
• – от 0 до 170 градусов с шагом 10;
• – 1;
• – 0;
• – 0.15.

Приведённые выше параметры подбирались для базы данных DRIVE.

ссылка на оригинал статьи http://habrahabr.ru/post/259017/