提出了一种基于局部线结构约束的模糊C均值(FCM)聚类眼底视网膜血管分割方法。通过预处理增强血管和背景的对比度信息,采用多尺度匹配滤波器和B-COSFIRE滤波器提取像素特征,然后采用局部线结构约束的FCM聚类算法实现视网膜血管分割,最后通过后处理操作去除孤立的噪声点。在DRIVE数据库的实验结果表明,本文方法的平均准确率为94.21%,平均灵敏度为67.21%,平均特异性为98.2%。与特征空间FCM方法相比,本文方法分割的血管结构的连续性较好,提升了对细小血管检测的灵敏度。

视网膜血管分割是构建眼底图像分析和计算机辅助疾病诊断系统的关键环节。提出了一种基于Hessian的方向自适应Gabor小波的视网膜血管分割方法,根据Hessian矩阵的本征向量获得血管走向,并将其作为Gabor小波变换的方向角;提取出4个尺度的方向自适应Gabor小波特征,结合Hessian矩阵的大本征值构建5维的视网膜血管特征;采用支持向量机进行眼底图像像素分类实现血管分割。所提方法能准确感知血管方向,只需计算此方向下Gabor小波的滤波响应,减小了特征提取的计算量,实现了Hessian矩阵大本征值与Gabor小波特征较好的互补性。利用所提方法在DRIVE数据库进行实验,获得较好的分割性能,所提方法对细小血管的提取和对分叉、交叉处血管点的检测表现出良好的效果。

提出一种基于超像素仿射传播聚类的视网膜血管分割方法。首先对预处理后的图像提取Hessian最大本征值、Gabor小波、B-COSFIRE滤波特征,构建3维眼底图像像素特征;同时对眼底图像进行超像素分块,并采用一致性准则对所分的超像素块进行筛选,得到超像素候选块;把超像素候选块当作样本点,把候选块内的像素特征的统计平均值当作特征向量,在特征空间中进行仿射传播聚类得出血管类和背景类两个聚类中心;根据血管类和背景类两个聚类中心,采用最近邻方法对眼底像素进行分类,实现对视网膜血管的分割。实验表明:在DRIVE和STARE眼底图像数据库上,本文算法的平均准确率分别为94.63%和94.30%;相较于K-means、模糊C均值(FCM)和其他聚类方法,本方法对血管的识别度高,所分割的视网膜血管有较好的连续性和完整性。