本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，尤其涉及一種基于線擴(kuò)散函數(shù)和雙邊濾波的視網(wǎng)膜血管圖像降噪的方法。

背景技術(shù)：

視網(wǎng)膜圖像的血管分析是診斷人體各種眼科疾病和心腦血管疾病的重要依據(jù)。近年來，隨著社會(huì)醫(yī)療水平的提高，視網(wǎng)膜血管圖像數(shù)據(jù)不斷增長，為了彌補(bǔ)醫(yī)生人工觀察和經(jīng)驗(yàn)診斷的效率低、主觀性強(qiáng)等問題，借助計(jì)算機(jī)來自動(dòng)分析視網(wǎng)膜血管圖像逐漸成為了臨床診斷的必要手段之一。然而，視網(wǎng)膜圖像中的噪聲給視網(wǎng)膜血管的自動(dòng)分析帶來了困難，具體表現(xiàn)為破壞了血管的形態(tài)結(jié)構(gòu)，降低了血管探測(cè)和分割等自動(dòng)分析算法的精度。所以圖像降噪成為視網(wǎng)膜圖像自動(dòng)分析和診斷過程中的第一個(gè)步驟，也是最基礎(chǔ)和關(guān)鍵的一步。

目前常用的圖像降噪方法可以分為基于高斯濾波的方法和基于邊緣保留的方法?；诟咚篂V波的方法利用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，具有計(jì)算速度快、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，但是，由于高斯濾波無法保留圖像的邊緣結(jié)構(gòu)，容易造成圖像特征信息嚴(yán)重丟失?；谶吘壉Ａ舻姆椒軌蛟诮翟氲倪^程中根據(jù)圖像本身的灰度或梯度信息來保護(hù)圖像的邊緣特征，是目前運(yùn)用最為廣泛的降噪方法，然而，該方法往往只能用于處理一些簡(jiǎn)單的邊緣結(jié)構(gòu)，對(duì)于視網(wǎng)膜圖像中對(duì)比度較低、局部形狀不固定的毛細(xì)血管結(jié)構(gòu)很難適用。

線擴(kuò)散函數(shù)模型起源于1969年rossmann等人對(duì)光學(xué)成像理論的研究，最初用來模擬一條線形的光源以高斯橫截面的形式向兩側(cè)擴(kuò)散。1989年chaudhuri等人發(fā)現(xiàn)圖像中血管的橫截面結(jié)構(gòu)可以被模擬成具有高斯橫截面的線擴(kuò)散函數(shù)，并將線擴(kuò)散函數(shù)模型成功應(yīng)用于探測(cè)視網(wǎng)膜圖像中復(fù)雜的血管結(jié)構(gòu)，提出了著名的匹配濾波方法用于探測(cè)視網(wǎng)膜圖像中復(fù)雜的血管結(jié)構(gòu)。

雙邊濾波是由tomasi于1998年提出的一個(gè)新的具有保留邊緣效果的圖像濾波方法，由空間卷積核和灰度幅度卷積核兩部分構(gòu)成，其重要思想是利用像素之間的空間距離和灰度值的差異來分配平滑濾波的權(quán)重，通過參數(shù)調(diào)節(jié)到一個(gè)最佳權(quán)衡狀態(tài)，在對(duì)圖像進(jìn)行降噪的同時(shí)極大程度上保留了圖像的邊緣信息。作為目前最流行的圖像保邊降噪方法，雙邊濾波已經(jīng)在多個(gè)領(lǐng)域得到了廣泛的應(yīng)用。然而雙邊濾波缺少相應(yīng)的函數(shù)來表示復(fù)雜的血管結(jié)構(gòu)特征，因此在降噪后，視網(wǎng)膜圖像中的較細(xì)的對(duì)比度較低的血管會(huì)丟失。

因此，目前需要本領(lǐng)域技術(shù)人員迫切解決的一個(gè)技術(shù)問題是：如何在降噪的同時(shí)保留血管結(jié)構(gòu)，提高視網(wǎng)膜血管分析的準(zhǔn)確度。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述問題，本發(fā)明結(jié)合了線擴(kuò)散函數(shù)和雙邊濾波的優(yōu)點(diǎn)，建立一種新的圖像濾波模型，彌補(bǔ)了基于傳統(tǒng)的空間卷積核的雙邊濾波方法在保留對(duì)比度較低的毛細(xì)血管結(jié)構(gòu)方面的不足，并采用該模型實(shí)現(xiàn)視網(wǎng)膜血管圖像分割之前的預(yù)處理。利用最優(yōu)線擴(kuò)散函數(shù)來探測(cè)血管結(jié)構(gòu)，能夠?qū)D像濾波的權(quán)重在空間上自動(dòng)根據(jù)血管的局部方向和尺度進(jìn)行分配；基于雙邊濾波的框架能夠?qū)⑾袼氐目臻g關(guān)系與灰度關(guān)系相結(jié)合，進(jìn)一步保證了濾波的權(quán)重分配的準(zhǔn)確性，提高了血管保護(hù)的效果。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于線擴(kuò)散函數(shù)和雙邊濾波的視網(wǎng)膜血管圖像降噪方法，包括以下步驟：

步驟1：選取一張視網(wǎng)膜圖像，為圖像中的血管定義m個(gè)尺度和n個(gè)方向，利用線擴(kuò)散函數(shù)為該圖像構(gòu)建m*n個(gè)具有不同方向和尺度的類高斯卷積核；

步驟2：對(duì)于視網(wǎng)膜圖像中的每個(gè)像素，分別求以該像素為中心的方形鄰域與m*n個(gè)卷積核的內(nèi)積，獲取與最大內(nèi)積對(duì)應(yīng)的卷積核的方向和尺度；

步驟3：對(duì)于視網(wǎng)膜圖像中的每個(gè)像素，利用獲取到的卷積核的方向、尺度以及線擴(kuò)散函數(shù)，為該像素計(jì)算最優(yōu)空間卷積核；

步驟4：基于雙邊濾波的框架，將每個(gè)像素的最優(yōu)空間卷積核與其灰度卷積核相結(jié)合，生成新的濾波卷積核，利用新的卷積核對(duì)視網(wǎng)膜圖像進(jìn)行濾波。

所述步驟1中用于構(gòu)建m*n個(gè)類高斯卷積核的線擴(kuò)散函數(shù)為：

且i∈(1,2,3...n)；j∈(1,2,3...m)；

其中k′i,j(x,y)表示在第i個(gè)方向和第j個(gè)尺度下的卷積核中，坐標(biāo)為(x,y)的像素的灰度值，通過調(diào)節(jié)高斯函數(shù)的方差σ可以將每個(gè)方向的卷積核變換出n個(gè)尺度，最終得到m*n個(gè)類高斯卷積核；公式中的u計(jì)算公式為：

且

其中，k表示局部方形卷積核的長度，θi表示在第i個(gè)方向上的血管與y軸的夾角，[x,y]表示當(dāng)血管方向與y軸夾角為0°時(shí)，類高斯卷積核中任意一點(diǎn)p的坐標(biāo)，[u,v]表示點(diǎn)p經(jīng)過卷積核旋轉(zhuǎn)θi角后的坐標(biāo)。

所述步驟2中獲取方向和尺度的公式為：

且i,t∈(1,2,3...n)；j,s∈(1,2,3...m)

其中，p表示圖像中的某個(gè)像素，f(p)是以p為中心的方形鄰域矩陣，k′t,s是從m*n個(gè)卷積核中選出的與f(p)中的血管方向和尺度最匹配的卷積核。

所述步驟3中最優(yōu)空間卷積核的計(jì)算公式為：

w′s(dvq)＝|k′t,s(x，y)|

其中，w′s代表最優(yōu)空間卷積核，q代表以點(diǎn)p為中心的鄰域中的任意一點(diǎn)；dvq定義像素的空間距離。

所述步驟4中生成新的濾波卷積核的公式為：

且

其中，i(q)和d(p)分別表示像素p的輸入和輸出值，w(·)是基本的高斯函數(shù)，dvq和fpq定義像素的空間距離和歐式距離，kp是歸一化項(xiàng)；w′s、wr分別是最優(yōu)空間卷積核和灰度卷積核，w’swr表示二者進(jìn)行卷積運(yùn)算。

進(jìn)一步地，對(duì)雙邊濾波框架的優(yōu)化內(nèi)容包括以下至少一項(xiàng)：

(1)將步驟1獲取到的大小和方向分別用1，2，3…n這樣的數(shù)字來代替，并用矩陣來存儲(chǔ)，將問題轉(zhuǎn)化為計(jì)算機(jī)能夠識(shí)別的語言；

(2)步驟4中最優(yōu)空間卷積核與灰度卷積核相結(jié)合生成新的濾波核對(duì)圖像濾波，該計(jì)算過程利用引導(dǎo)圖像濾波的方法對(duì)其進(jìn)行優(yōu)化；

(3)利用頻域轉(zhuǎn)換的方法將卷積運(yùn)算轉(zhuǎn)化為頻域里的乘積運(yùn)算。

本發(fā)明的有益效果：

1、在處理效果上，本發(fā)明將基于線擴(kuò)散函數(shù)的血管探測(cè)與基于雙邊濾波的圖像濾波相結(jié)合，在對(duì)含有血管結(jié)構(gòu)的圖像進(jìn)行降噪的同時(shí)，極大程度的保留了圖像中的血管結(jié)構(gòu)，包括對(duì)比度較低的細(xì)血管結(jié)構(gòu)。

2、在運(yùn)算速度上，首先，本方法中的線擴(kuò)散函數(shù)空間卷積核是線性的，且能夠獨(dú)立于圖像灰度進(jìn)行計(jì)算，因此計(jì)算速度較快；其次，在濾波的過程中可以采用“引導(dǎo)圖像”、頻域轉(zhuǎn)換等優(yōu)化方法對(duì)其進(jìn)行優(yōu)化，進(jìn)一步提高了運(yùn)算速度；

3、在適用性和擴(kuò)展性上，由于雙邊濾波框架能夠適用于大部分情景，本方法又能夠突出圖像中的血管結(jié)構(gòu)，因此適用于大部分含有血管結(jié)構(gòu)的醫(yī)學(xué)圖像；此外，雙邊濾波的灰度卷積核可以進(jìn)一步擴(kuò)展成梯度、紋理等特征，因此本方法具有很好的擴(kuò)展性。

附圖說明

圖1是本發(fā)明視網(wǎng)膜血管圖像降噪方法的流程圖；

圖2是利用本發(fā)明的方法探測(cè)局部血管方向和尺度的一個(gè)實(shí)例；

圖3是傳統(tǒng)的基于高斯函數(shù)的空間卷積核權(quán)重分布示意圖；

圖4是本發(fā)明中基于線擴(kuò)散函數(shù)的最優(yōu)空間卷積核權(quán)重分布示意圖；

圖5是本發(fā)明中的新的卷積核生成過程示意圖；

圖6展示了本法明在手工制作的圖像上的處理的一個(gè)實(shí)例；

圖7展示了本發(fā)明在真實(shí)的視網(wǎng)膜血管圖像上的處理的一個(gè)實(shí)例；

圖8展示了本發(fā)明對(duì)某個(gè)經(jīng)典血管分割算法的預(yù)處理的一個(gè)實(shí)例。

具體實(shí)施方式

術(shù)語解釋：

(1)線擴(kuò)散函數(shù)：評(píng)價(jià)成像系統(tǒng)成像質(zhì)量的一個(gè)重要參數(shù),線擴(kuò)散函數(shù)的模擬分析與驗(yàn)證對(duì)成像儀的研制至關(guān)重要。

(2)雙邊濾波:一種可以對(duì)圖像進(jìn)行保邊降噪的濾波器。

(3)圖像降噪:英文名稱是imagedenoising.是圖像處理中的專業(yè)術(shù)語?，F(xiàn)實(shí)中的數(shù)字圖像在數(shù)字化和傳輸過程中常受到成像設(shè)備與外部環(huán)境噪聲干擾等影響，稱為含噪圖像或噪聲圖像。減少數(shù)字圖像中噪聲的過程稱為圖像降噪,有時(shí)候又稱為圖像去噪。

(4)平滑濾波：低頻增強(qiáng)的空間域?yàn)V波技術(shù)。它的目的有兩類：一類是模糊；另一類是消除噪音?？臻g域的平滑濾波一般采用簡(jiǎn)單平均法進(jìn)行，就是求鄰近像元點(diǎn)的平均亮度值。鄰域的大小與平滑的效果直接相關(guān)，鄰域越大平滑的效果越好，但鄰域過大，平滑會(huì)使邊緣信息損失的越大，從而使輸出的圖像變得模糊，因此需合理選擇鄰域的大小。

下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。

實(shí)施例1：

圖1是本發(fā)明視網(wǎng)膜血管圖像降噪方法的流程圖。

在整個(gè)方法實(shí)施之前需要輸入和定義的關(guān)參數(shù)為：待降噪的視網(wǎng)膜血管圖像i，卷積核的長k，以及空間卷積核和灰度差異卷積核的方差σs、σr，以及尺度和方向的數(shù)量m,n。經(jīng)大量實(shí)驗(yàn)測(cè)試證明，對(duì)于大部分視網(wǎng)膜血管圖像的最佳參數(shù)為：k＝9；σs＝2；σr＝0.04；m＝4；n＝12。

該方法可以總結(jié)為血管探測(cè)和圖像濾波兩部分：首先利用線擴(kuò)散函數(shù)對(duì)視網(wǎng)膜圖像中的血管結(jié)構(gòu)進(jìn)行探測(cè)，選出與圖像局部血管結(jié)構(gòu)相一致的最佳卷積核，再將該卷積核與灰度幅度卷積核相結(jié)合，構(gòu)成新的圖像濾波方法對(duì)圖像進(jìn)行降噪。

具體包括以下幾個(gè)步驟：

步驟1：選取一張視網(wǎng)膜圖像，為圖像中的血管定義m個(gè)尺度和n個(gè)方向，利用線擴(kuò)散函數(shù)公式為該圖像構(gòu)建m*n個(gè)具有不同方向和尺度的類高斯卷積核；

步驟1.1：設(shè)置圖像中尺度和方向的總數(shù)m和n，輸入視網(wǎng)膜血管圖像i；

步驟2.2：利用公式(1)和(2)計(jì)算m個(gè)不同方向的類高斯卷積核，通過調(diào)節(jié)高斯函數(shù)的方差σ可以將每個(gè)方向的卷積核變換出n個(gè)尺度，最終得到m*n個(gè)類高斯卷積核。

其中k′i,j(x,y)表示在第i個(gè)方向和第j個(gè)尺度下的卷積核中，坐標(biāo)為(x,y)的像素的灰度值。若令k表示局部方形卷積核的長度，θi表示在第i個(gè)方向上的血管與y軸的夾角，則公式中的u可以由坐標(biāo)(x,y)利用下公式計(jì)算得出：

其中，[x,y]表示當(dāng)血管方向與y軸夾角為0°(即血管的方向與y軸平行)時(shí)類高斯卷積核中任意一點(diǎn)p的坐標(biāo)，則[u,v]表示點(diǎn)p經(jīng)過卷積核旋轉(zhuǎn)θi角后的坐標(biāo)。

步驟2：對(duì)于視網(wǎng)膜圖像中的每個(gè)像素，分別求以該像素為中心的方形鄰域與m*n個(gè)卷積核的內(nèi)積，比較大小選出最大內(nèi)積，獲取與最大內(nèi)積對(duì)應(yīng)的卷積核的方向和尺度，作為該像素的局部血管結(jié)構(gòu)特征；

步驟2.1：對(duì)于圖像中的每一個(gè)像素p和以p為中心的方形鄰域f(p)

do

{

1.求出f(p)與m*n個(gè)類高斯卷積核的內(nèi)積，即doti,j＝k′i,j·f(p)；

2.比較求出的m*n個(gè)內(nèi)積的大小，從中選出最大的內(nèi)積dot,并記錄下該內(nèi)積對(duì)應(yīng)的濾波核大小和方向t、尺度s；

3.記錄并更新像素的坐標(biāo)。

}while(待處理的像素坐標(biāo)值超出了圖像的最大索引)；

其中，令t，s分別表示獲取到的某個(gè)像素局部血管的方向和尺度，則獲取t，s的公式為：

其中p表示圖像中的某個(gè)像素，f(p)是以p為中心的方形鄰域矩陣，k′t,s是從m*n個(gè)卷積核中選出的與f(p)中的血管方向和尺度最匹配的濾波核；

步驟2.2:輸出并保存圖像中每一個(gè)像素鄰域?qū)?yīng)的t和s。

步驟(1)和(2)所述的血管結(jié)構(gòu)探測(cè)的過程如圖2所示。

步驟3：對(duì)于視網(wǎng)膜圖像中的每個(gè)像素，利用獲取到的血管方向、尺度以及線擴(kuò)散函數(shù)，為該像素計(jì)算一個(gè)最優(yōu)空間卷積核；

所述步驟(3)中的最優(yōu)空間核是本發(fā)明的核心。令ws'代表最優(yōu)空間卷積核，q代表以點(diǎn)p為中心的鄰域中的任意一點(diǎn)，則q點(diǎn)的值w′s(dvq)可以由公式(3)中的k′t,s得出：

w′s(dvq)＝|k′t,s(x,y)|公式(4)

圖3展示了傳統(tǒng)空間卷積核權(quán)重分布的三維立體圖，x、y軸確定的平面代表權(quán)重分布的位置，z軸表示相應(yīng)位置上的權(quán)重值，權(quán)重值ws由二維高斯函數(shù)公式計(jì)算得出：

其中dpq表示在二維平面中，像素點(diǎn)q到點(diǎn)p的距離，由該公式可以看出，傳統(tǒng)的空間卷積核中每一點(diǎn)的權(quán)重值與該點(diǎn)到中心點(diǎn)的距離呈反比。

圖4給出了一個(gè)本發(fā)明的步驟3中計(jì)算得到的最優(yōu)線擴(kuò)散函數(shù)空間卷積核的權(quán)重分布的示意圖(3維立體圖)，圖中的卷積核利用公式(4)計(jì)算得出，其中與y軸的角度被設(shè)置為0，用來處理與y軸平行方向的血管。注意該空間核與圖2中的傳統(tǒng)的高斯函數(shù)的卷積核的區(qū)別，其權(quán)重值的大小與像素點(diǎn)到中心線的距離呈反比。

步驟4：基于雙邊濾波的框架，將每個(gè)像素的最優(yōu)空間卷積核與其灰度卷積核相結(jié)合，生成新的濾波卷積核，利用新的卷積核中的權(quán)重來計(jì)算該像素的加權(quán)平均值。

最優(yōu)空間卷積核與灰度卷積核相結(jié)合，生成新的濾波核的過程中的權(quán)重分布變化的二維和三維示意圖。利用結(jié)合生成的卷積核對(duì)圖像中進(jìn)行平滑濾波處理，實(shí)質(zhì)是利用局部血管的空間結(jié)構(gòu)和灰度關(guān)系對(duì)像素進(jìn)行加權(quán)平均。圖像濾波降噪的具體過程如下：

步驟4.1：設(shè)置圖像中尺度和方向的總數(shù)m和n，初始化各變量：輸入視網(wǎng)膜血管圖像i，高斯函數(shù)方差σs、σr，卷積核的長k。

步驟4.2：對(duì)于圖像中的每一個(gè)像素p及以p為中心的方形鄰域f(p)

do

{

1.利用步驟(2)中血管探測(cè)的結(jié)果t和s以及公式(1)、(2)、(3)和(4)，

計(jì)算該鄰域中基于線擴(kuò)散函數(shù)的最優(yōu)空間卷積核，即：

2.利用傳統(tǒng)的雙邊濾波的方法計(jì)算灰度卷積核，灰度卷積核公式為：

且fpq＝(i(p)-i(q))²

其中i(p)和i(q)分別是p、q兩點(diǎn)的灰度值。

3.利用公式(4)將w′s和wr結(jié)合起來，與f(p)求點(diǎn)積，并除以歸一化項(xiàng)。

其中，i(q)和d(p)分別表示像素p的輸入和輸出值，w(·)是基本的高斯函數(shù)，dvq和fpq定義像素的空間距離和歐式距離，kp是歸一化項(xiàng)；w′s、wr分別是所述步驟(4)中的最優(yōu)空間卷積核和灰度卷積核。

4.記錄并更新像素的坐標(biāo)。

}while(處理的像素坐標(biāo)值超出了圖像的最大索引)；

圖像濾波過程中的最優(yōu)空間核w′s和wr相結(jié)合的方式是矩陣的卷積運(yùn)算，可以根據(jù)卷積運(yùn)算定理：

i(x,y)*w(x,y)<＝>f(u,v)h(u,v)公式(7)

其中i(x,y)、w(x,y)分別是圖像像素的值和卷積核中的權(quán)重值，在頻域中分別對(duì)應(yīng)f(u,v)和h(u,v)。將卷積放在頻域中處理能夠使運(yùn)算速度得到顯著提高。

由公式(5)可以看出，本發(fā)明的核心----最優(yōu)空間卷積核ws'值的實(shí)質(zhì)上是由濾波核中某一像素點(diǎn)到血管的中心直線的距離決定，而傳統(tǒng)的高斯空間卷積核中的值則是由像素點(diǎn)到點(diǎn)的距離決定。由于血管的局部具有像素個(gè)數(shù)少、管狀、曲率較小、方向不定等復(fù)雜的特征，且其局部幾何形狀可以近似為一條直線，因此相比傳統(tǒng)的雙邊濾波，本發(fā)明能夠在降噪的同時(shí)保留血管結(jié)構(gòu)，提高視網(wǎng)膜血管分析的準(zhǔn)確度。

在實(shí)施過程中為了提高算法的運(yùn)行速度，本發(fā)明對(duì)傳統(tǒng)的雙邊濾波框架基做了進(jìn)一步優(yōu)化，優(yōu)化的內(nèi)容主要包括：

(1)將步驟1獲取到的大小和方向分別用1，2，3…n這樣的數(shù)字來代替，并用矩陣來存儲(chǔ)，將問題轉(zhuǎn)化為計(jì)算機(jī)能夠識(shí)別的語言。

(2)步驟4中最優(yōu)空間卷積核與灰度卷積核相結(jié)合生成新的濾波核對(duì)圖像濾波，其實(shí)質(zhì)是求加權(quán)平均，該計(jì)算過程可以利用著名的“引導(dǎo)圖像濾波”的方法對(duì)其進(jìn)行優(yōu)化。

(3)由于圖像濾波采用的基本方式是卷積運(yùn)算，可以利用頻域轉(zhuǎn)換的方法將卷積運(yùn)算轉(zhuǎn)化為頻域里的乘積運(yùn)算，進(jìn)一步提高程序的運(yùn)行速度。

本實(shí)施例提出了一種基于最優(yōu)線擴(kuò)散函數(shù)雙邊濾波的視網(wǎng)膜血管圖像降噪方法。該方法可以總結(jié)為血管探測(cè)和圖像濾波兩部分：首先利用線擴(kuò)散函數(shù)對(duì)視網(wǎng)膜圖像中的血管結(jié)構(gòu)進(jìn)行探測(cè)，選出與圖像局部血管結(jié)構(gòu)相一致的卷積核，再將該卷積核與灰度幅度卷積核相結(jié)合，構(gòu)成新的圖像濾波方法對(duì)圖像進(jìn)行平滑濾波。其中，利用最優(yōu)線擴(kuò)散函數(shù)來探測(cè)血管結(jié)構(gòu)，能夠?qū)D像濾波的權(quán)重在空間上自動(dòng)根據(jù)血管的局部方向和尺度進(jìn)行分配；基于雙邊濾波的框架能夠?qū)⑾袼氐目臻g關(guān)系與灰度關(guān)系相結(jié)合，進(jìn)一步保證了濾波的權(quán)重分配的準(zhǔn)確性，提高了血管保護(hù)的效果。此外，基于線擴(kuò)散函數(shù)的空間核在計(jì)算上不需要遍歷圖像提取像素值，計(jì)算量大大減少，能夠極大提高圖像降噪算法的運(yùn)行速度。

實(shí)施例2：

本實(shí)施例提供了一個(gè)本發(fā)明在手工制作的血管圖像數(shù)據(jù)上的實(shí)例，如圖6所示：

圖6(a)是利用在windows7操作系統(tǒng)下，利用“畫圖”工具繪制出的手工圖像數(shù)據(jù)，在圖像中用顏色暗于背景的直線來模擬視網(wǎng)膜圖像的血管結(jié)構(gòu)，血管和背景的像素值分別為125和180，并用matlab圖像處理軟件在圖像中添加了少量的高斯或椒鹽噪聲。由圖7(b)和(c)可以看出，傳統(tǒng)的雙邊濾波對(duì)圖像噪聲雖然又抑制作用，然而當(dāng)血管與背景的對(duì)比度較低并且較細(xì)時(shí)，雙邊濾波極易破壞血管結(jié)構(gòu)。采用本發(fā)明的最優(yōu)線擴(kuò)散函數(shù)雙邊濾波能夠在很好的降噪的同時(shí)，保留并加深血管與背景的對(duì)比度，對(duì)血管結(jié)構(gòu)起到較好的增強(qiáng)作用。

實(shí)施例3：

本實(shí)施例提供了一個(gè)本發(fā)明在真實(shí)的視網(wǎng)膜血管圖像數(shù)據(jù)上的實(shí)例，如圖7所示：

圖7(a)是一張真實(shí)的視網(wǎng)膜血管圖像，該圖像是從著名的視網(wǎng)膜血管(數(shù)據(jù)庫官方網(wǎng)站：http://www.isi.uu.nl/research/databases/drive/)圖像數(shù)據(jù)庫drive里面隨機(jī)挑選的一張圖像并取該圖像的綠色通道，(b)、(c)、(d)分別是利用高斯濾波、雙邊濾波、基于最優(yōu)線擴(kuò)散函數(shù)的雙邊濾波的降噪處理結(jié)果。從圖上可以看出，高斯濾波丟失大量的血管結(jié)構(gòu)，相比之下，雙邊濾波能夠保留血管結(jié)構(gòu)，但圖中較細(xì)的對(duì)比度較低的血管結(jié)構(gòu)也遭到了破壞；本發(fā)明中的最優(yōu)線擴(kuò)散函數(shù)雙邊濾波的方法能夠極大程度的保留不同尺度的血管，同時(shí)去除圖像中的不均勻的噪聲灰度。

實(shí)施例4：

本實(shí)施例提供了一個(gè)本發(fā)明在真實(shí)的視網(wǎng)膜血管圖像數(shù)據(jù)上的實(shí)例，如圖8所示：

圖8(a)是圖7(a)的彩色圖像；圖8(b)是該圖像的綠色通道；圖8(c)是該視網(wǎng)膜圖像對(duì)應(yīng)的手工分割結(jié)果，用于作為圖像分割算法評(píng)估的標(biāo)準(zhǔn)；圖8(d)是未經(jīng)過降噪處理直接利用著名的血管探測(cè)算法frangi對(duì)血管進(jìn)行探測(cè)的結(jié)果；圖8(e)是利用傳統(tǒng)的雙邊濾波對(duì)其進(jìn)行降噪然后探測(cè)的結(jié)果；圖8(f)是利用本發(fā)明的方法對(duì)圖像進(jìn)行降噪，再用frangi方法進(jìn)行探測(cè)的結(jié)果。通過對(duì)比可以發(fā)現(xiàn)：在血管探測(cè)之前對(duì)圖像進(jìn)行降噪，有助于抑制圖像噪聲，然而即使是目前比較流行的雙邊濾波方法，在降噪后也破壞一些細(xì)的血管。而本方法相比另外兩種，能夠極大程度的保留血管結(jié)構(gòu)，同時(shí)降低圖像的噪聲，提高后續(xù)血管探測(cè)的準(zhǔn)確度。

本領(lǐng)域技術(shù)人員應(yīng)該明白，上述的本發(fā)明的各模塊或各步驟可以用通用的計(jì)算機(jī)裝置來實(shí)現(xiàn)，可選地，它們可以用計(jì)算裝置可執(zhí)行的程序代碼來實(shí)現(xiàn)，從而，可以將它們存儲(chǔ)在存儲(chǔ)裝置中由計(jì)算裝置來執(zhí)行，或者將它們分別制作成各個(gè)集成電路模塊，或者將它們中的多個(gè)模塊或步驟制作成單個(gè)集成電路模塊來實(shí)現(xiàn)。本發(fā)明不限制于任何特定的硬件和軟件的結(jié)合。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。