0 引言

彩色眼底图像已经广泛地用于糖尿病性视网膜病变(DR)、青光眼等眼部疾病的计算机辅助诊断和筛查^[1]。在眼底图像中，主要包含视盘、黄斑和血管3个主要的解剖学结构。视盘呈亮黄色椭圆形结构，是视神经始端和血管的发源点，如图 1所示。视盘的位置和半径可以用于确定其他视网膜结构(如黄斑)的位置。同时，视盘的准确识别也是自动检测其他病理(如渗出)的先决条件。黄斑则位于视盘的颞侧3.5 mm处并稍下方，呈黑色椭圆形结构，如图 1所示。黄斑的中心称为中央凹，它是视力最敏锐的部分。任何发生在中央凹内的损伤都将造成视力的破损甚至失明。此外，病变与中央凹的距离也是度量眼底图像损伤程度的重要指标，具有重要的临床意义。因此，准确地定位黄斑中心已成为计算辅助诊断和眼部疾病筛查的先决条件。

图 1 视网膜图像中的不同结构

Fig. 1 Different components in retinal image

目前, 关于黄斑检测的研究相对较少，主要原因在于视网膜图像经常受到光照变化，对比度不均，以及病变干扰等影响使得黄斑检测不仅耗时而且检测精度低。已有的黄斑中心检测方法可分为以下两个阶段。第1阶段，黄斑候选区域提取；第2阶段，黄斑定位。在第1阶段中，大部分算法都是基于视盘与黄斑中心的空间位置关系而实现的，即黄斑中心大约位于距视盘中心2倍的视盘直径距离。这些方法主要分为以下3类：

1) 基于训练的方法确定候选区域^[2]；

2) 基于视盘中心和黄斑中心的相对位置关系确定候选区域^[3-4]；

3) 结合血管信息自适应地确定候选区域^[5-6]。

在第2阶段中，基于获取的候选区域实现黄斑中心定位，主要分为四大类：

1) 基于模板匹配的方法^[7]；

2) 基于阈值的方法^[3-4];

3) 基于最小密度的方法^[8-9];

4) 基于特征的方法^[2]。

由于视网膜图像经常受到光照变化、对比度不均、及其他类病变干扰等影响，导致黄斑检测精准度较低。另一方面，大部分黄斑检测方法都存在计算量大且耗时的缺点，导致它们难以满足实际系统实时处理的要求。

受到目前已有的黄斑定位方法的启发^{[1, 3-6]}，本文结合血管投影和数学形态学技术，提出一种有效的黄斑中心检测方法。该方法不仅适用于定位质量较好的正常视网膜图像中的黄斑中心，同样适用于病变或低质量的视网膜图像。本文的主要贡献：

1) 提出了一种基于数学形态学的血管提取方法，为准确地视盘定位提供了先决条件；

2) 结合血管分布特性(视盘区域血管主要沿垂直方向伸展且集中分布)有效地提取了视盘中心；

3) 利用数学形态学和特征提取技术定位黄斑中心。

1 黄斑中心检测流程

本文所提出的方法主要分为以下4个阶段：阶段1，采用图像预处理方法，纠正不均匀照明、增强对比度和消除噪声干扰；阶段2，采用本文提出的一种基于数学形态学的血管提取方法，结合血管自身的结构特性定位视盘中心；阶段3，利用视盘和黄斑的解剖学先验信息，提取包含黄斑的感兴趣区域(ROI)；阶段4，基于已获取的ROI，结合数学形态学和特征提取技术，确定黄斑中心。完整的黄斑中心检测流程如图 2所示。

图 2 算法流程图

Fig. 2 The flowchart of the proposed approach

1.1 图像预处理

由于视网膜眼底图像经常受到光照不均、对比度差的影响，视盘和黄斑的可见性被削弱。为克服上述缺点，本文采用修正的RGB模型^[10]和对比度自适应直方图均衡化(CLAHE)技术^[11]，实现了颜色均衡化和对比度增强, 如图 3(b)所示。考虑到在RGB颜色空间中，视盘和黄斑在绿色通道中的对比度优于红色通道和蓝色通道。因此，本文采用绿色通道图像作为处理对象。

图 3 预处理过程

Fig. 3 The depiction of preprocessing steps

((a) original color retinal image; (b) same image after color correction and contrast enhancement; (c) mask image; (d) the obtained green channel image)

考虑到圆形的视网膜部分是视盘检测识别中真正有用的信息，而视网膜图像中看似黑色的背景，其实包含了很多的噪声点，对边界造成了干扰。针对这个问题，采用文献[12]中提出的视网膜掩膜图像技术(大津阈值法和数学形态学)去除噪声干扰。图 3(c)(d)分别给出了提取的掩膜图像及经过掩膜处理后的结果图像I。

1.2 视盘中心定位

首先提出一种基于数学形态学的血管检测方法。凭借获取的血管信息和血管在视盘中的结构特性，近一步实现视盘中心的定位。血管提取主要分为以下5个步骤：

1) 利用自适应序列滤波(ASF)消除预处理图像中的背景，即

$ {f_1} = {\gamma ^{(K)}}({\vartheta ^{(K)}}\left( I \right)) $

(1)

ASF是一系列开运算$ ϑ $、闭运算$ γ $的组合。本文选取5×5的圆盘型结构元素用于ASF中。

2) 从$ f_1 $中消除高亮度结构元素，即

$ {f_2} = {f_1}-I $

(2)

如图 4(a)所示。

图 4 基于数学形态学的血管提取

Fig. 4 A series of morphological operations are used for blood vessels detection ((a) reduction of high intensity structures; (b) sum of morphological openings; (c) morphological reconstruction by dilation; (d) the final detection result of the blood vessels)

3) 为检测方向多变的血管分支，以15度为旋转角，共需计算12个不同方向且以线性结构元素$ ψ $为基准的开运算结果，并将结果融合得到血管骨架

$ {f_3} = {\psi ^1}{f_2} + {\psi ^2}{f_2} + \cdots + {\psi ^{12}}{f_2} $

(3)

如图 4(b)所示。

4) 采用形态学膨胀重构操作进一步提取血管骨架，获得$ f_4 $，如图 4(c)所示。

5) 将形态学区域最小和闭运算操作应用到$ f_4 $上，获得最终的血管提取结果$ f_5 $，如图 4(d)所示。

利用获取的血管结构以及视盘内部的血管特征(垂直血管聚集、视盘区域上方或下方水平方向血管较少)，采用投影的思想实现视盘的中心定位，其主要步骤如下：

首先，基于获得的血管结构，利用形态学线性滤波操作分别提取垂直血管结构和水平血管结构(垂直方向血管和水平方向血管分别代表二值血管结构图像中对应的水平方向和垂直方向上的非0像素点)，如图 5(a) (b)所示。

图 5 视盘定位

Fig. 5 The location of the optic disc ((a) vertical direction of the blood vessels; (b) horizontal direction of the blood vessels; (c) vertical location of the optic disc; (d) the horizontal location of the optic disc; (e) location of the optic disc; (f) vertical projection curve (the maximum value point of vertical projection curve is the $y $-coordinate); (g) horizontal projection curve (the maximum value point of horizontal projection curve is the $x $-coordinate))

通过观察图 5(a) (b)，可以发现，在视盘内部，垂直方向血管聚集，而水平方向血管稀少，基于该特性，本文利用垂直方向血管和水平方向血管差值确定视盘的水平坐标。具体实现方法如下：1)选取大小为图像高度乘以2倍的血管宽度(本文设置它为14个像素)的子图像作为滑动窗口，以每一个$x $轴坐标为中心，从左至右(如图 5(a) (b)中的黄色箭头方向)，沿水平方向依次获得垂直血管图像块和水平血管图像块，部分提取结果如图 5(a) (b)中绿色图像块所示。对于每一个$x $轴坐标，首先统计该坐标所对应的滑动窗口内包含垂直血管与水平血管的容量，即像素的累加和，然后计算它们的差值，同时定义差值最大处对应的$x $就是视盘中心的水平坐标，即视网膜图像上视盘中心点的横坐标。在确定好水平坐标的基础上，以水平坐标为轴，同样利用滑动窗口确定垂直坐标，即视网膜图像上视盘中心点的纵坐标。在此，以确定的水平坐标为中心，用大小为200×200像素子窗口，自上向下依次提取血管图像的子图像，如图 5(d)中红色的方块所示。同样地，计算每一个滑动窗口内包含血管的容量，并将最大血管容量处所对应的$y $值视为视盘的纵坐标，结合获得的横纵坐标确定最终的视盘中心位置，如图 5(e)所示。图 5(f) (g)分别是图 5(e)的垂直和水平方向映射曲线(垂直和水平方向的映射曲线分别表示为二值血管图像(图 4(d))在垂直和水平方向上的投影)。

1.3 ROI提取

准确的视盘定位为黄斑中心的检测工作奠定了基础。利用获得的视盘中心(假设为(X, Y))，结合视盘黄斑在解剖学上的先验信息(黄斑中心大约位于距视盘中心2倍的视盘直径距离且黄斑与视盘尺寸相近)，可以裁剪出黄斑感兴趣区域，这样做不仅可以减少计算量和节省时间，同时也降低此区域以外的干扰，使定位结果更精确。文献[4]中认为视网膜前景图像为圆形区域，其直径和视盘直径的比值接近常数。假设视网膜的直径为R，则视盘直径为R/5~R/8。因此，利用上一阶段确定好的视盘中心(X, Y)，最终选择以2倍视盘直径大小来剪裁感兴趣区域，确保黄斑完整地落在提取的感兴趣区域中，ROI提取的具体过程如图 6所示，图 7(a)中给出了提取的ROI样例。

图 6 ROI提取示例图

Fig. 6 The extraction process of the ROI

图 7 黄斑检测过程

Fig. 7 The proposed fovea detection approach

((a) extracted ROI image; (b) contrast enhancement image; (c) inverted-result of morphological reconstruction; (d) binary image of (c); (e) binary resulting image after the morphological dilation operation; (f) detected fovea center "+")

1.4 黄斑中心定位

2 实验结果与分析

采用两个公开的眼底图像数据库(DIARETDB0^[13], DIARETDB1^[14])对提出的方法进行有效性验证。表 1中给出了这两个数据库的相关信息。

表 1 两个视网膜图像数据库
Table 1 Two retinal image databases

下载CSV

	DIARETDB0	DIARETDB1
图像大小/像素	1 150×1 152	1 150×1 152
图像总数	130	89
健康视网膜图像数	20	5

对于每一个检测到的黄斑中心，分别与专家提供的真实位置进行欧氏距离度量，即

$ D = \sqrt {{{\left( {{u_1}-{u_2}} \right)}^2} + {{\left( {{v_1}-{v_2}} \right)}^2}} $

(4)

式中，$ \left( {{u_1}, {v_1}} \right) $和$ \left( {{u_2}, {v_2}} \right) $分别表示专家提供的黄斑中心位置和检测算法获得的黄斑中心位置。

采用文献[7, 15]中提供的评价标准，即将D小于等于50个像素的检测结果均视为成功检测。表 2给出了该算法在两个数据库上的测试结果，测试程序运行于Windows 7操作系统、MATLAB2015b编程环境, 系统硬件环境包括CPU主频为3.30 GHz、内存为16 GB。

表 2 本文提出方法在两个公开数据库上的检测结果
Table 2 The results of two public datasets using the proposed approach

下载CSV

	DIARETDB0	DIARETDB1
图像总数	130	89
失败的图像数目	4	3
成功率/%	96.92	96.63
平均执行时间/s	8.236	8.912

由表 2的测试结果可见，本文提出的方法在两个标准的糖尿病视网膜病变数据库DIARETDB0和DIARETDB1上分别达到96.92%和96.63%的成功率，总成功率达到96.35%。由于该算法计算简单，在确保高准确率的同时，提高了检测速度。对于DIARETDB0和DIARETDB1，平均的执行时间分别为8.236 s和8.912 s。

图 8给出了部分具有代表性的眼底图像，其中包含渗出病变见图 8(a)—(b)，包含照明不均匀或干扰、对比度弱的见图 8(b)—(d), 包含大范围的出血病变见图 8(e)，视盘位置较偏的见图 8(f)。

图 8 部分测试图像结果，粗‘+’为检测到的视盘中心，细‘+’为检测到的黄斑中心

Fig. 8 A part of test image results, the '+' in bold and in thin indicate the centers of the detected optic disc and macula, respectively ((a) the images contain bright lesions; (b)—(c) the images with disturbance of illumination and lower contrast; (d) the image contains red lesions; (e) the image with deviated optic disc position)

表 3给出了本文方法与现有方法在DIARETDB0和DIARETDB1数据库上的黄斑中心检测结果。其中，文献[1]利用模板匹配和黄斑的基本结构特性检测视网膜图像中的黄斑。首先，利用40×40的高斯模板模拟真实的黄斑；其次，利用最大相关系数提取黄斑候选区域；最后，将具有最低亮度值的圆形候选区域中心定为黄斑中心。然而，视网膜图像中的病变区域和噪声斑点也可能呈现为类似于黄斑的圆形结构，因此它们将削弱黄斑的检测性能。文献[7]利用黄斑的位置约束和数学形态学技术实现黄斑中心的定位。然而，该方法对局部光照变化和病变十分敏感。文献[9]利用血管信息和不同的颜色空间信息检测黄斑中心。文献[12]利用自适应模板匹配的方式检测视盘和黄斑。然而，眼底图像经常受到颜色和对比度的变化，以及一些病变的干扰，使得难以找到一个合适的模板匹配黄斑。

表 3 本文提出的方法与现有方法在DIARETDB0和DIARETDB1数据库上结果对比
Table 3 The proposed method compared with the state-of-the-art methods on DIARETDB0 and DIARETDB1 databases

下载CSV

方法	数据库	成功检测数目	成功率/%
文献[1]	DIARETDB1	58	65.17
文献[7]	DIARETDB1	82	92.13
文献[9]	DIARETDB1	85	95.51
文献[12]	DIARETDB1 DIARETDB0	82 121	92.10 93.10
本文	DIARETDB1 DIARETDB0	86 126	96.63 96.92

通过观察表 3，不难看出，本文提出的方法明显优于现有的检测方法，而且易于实现，鲁棒性好，符合实际系统处理要求。

图 9(a)(b)是两个具有代表性的失败的例子。失败的原因主要有以下两个方面：图 9(a)中的黄斑区域几乎被渗出覆盖，因此未能检测出黄斑中心；图 9(b)受严重的图像对比度影响，导致黄斑区域几乎不可见，也因此未能检测出黄斑中心。

图 9 黄斑检测失败实例

Fig. 9 Failure results of the proposed method in this paper where the '+' in bold and in thin denote the detected optic disc center and the fovea, respectively

3 结论

参考文献

[1] Sinthanayothin C, Boyce J F, Cook H L, 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. [DOI:10.1136/bjo.83.8.902]
[2] Niemeijer M, Abràmoff M D, Van Ginneken B. Fast detection of the optic disc and fovea in color fundus photographs[J]. Medical Image Analysis, 2009, 13(6): 859–870. [DOI:10.1016/j.media.2009.08.003]
[3] Narasimha-Iyer H, Can A, Roysam B, et al. Robust detection and classification of longitudinal changes in color retinal fundus images for monitoring diabetic retinopathy[J]. IEEE Transactions on Biomedical Engineering, 2006, 53(6): 1084–1098. [DOI:10.1109/TBME.2005.863971]
[4] Zheng S H, Chen J, Pan L, et al. A novel method of macula fovea and optic disk automatic detection for retinal images[J]. Journal of Electronics & Information Technology, 2014, 36(11): 2586–2592. [郑绍华, 陈健, 潘林, 等. 眼底图像中黄斑中心与视盘自动检测新方法[J]. 电子与信息学报, 2014, 36(11): 2586–2592. ] [DOI:10.3724/SP.J.1146.2013.01974]
[5] Zhang D B, Yi Y, Zhao Y Y. Projection based optic disk detection method in retinal fundus image[J]. Chinese Journal of Biomedical Engineering, 2013, 32(4): 477–483. [张东波, 易瑶, 赵圆圆. 基于投影的视网膜眼底图像视盘检测方法[J]. 中国生物医学工程学报, 2013, 32(4): 477–483. ] [DOI:10.3969/j.issn.0258-8021.2013.04.014]
[6] Cree M J, Olson J A, Mchardy K C, et al. A fully automated comparative microaneurysm digital detection system[J]. Eye, 1997, 11(Pt 5): 622–628. [DOI:10.1038/eye.1997.166]
[7] Welfer D, Scharcanski J, Marinho D R. Fovea center detection based on the retina anatomy and mathematical morphology[J]. Computer Methods and Programs in Biomedicine, 2011, 104(3): 397–409. [DOI:10.1016/j.cmpb.2010.07.006]
[8] Fleming A D, Goatman K A, Philip S, et al. Automatic detection of retinal anatomy to assist diabetic retinopathy screening[J]. Physics in Medicine & Biology, 2007, 52(2): 331–345. [DOI:10.1088/0031-9155/52/2/002]
[9] Medhi J P, Dandapat S. An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images[J]. Computers in Biology and Medicine, 2016, 74: 30–44. [DOI:10.1016/j.compbiomed.2016.04.007]
[10] Sánchez C I, Hornero R, López M I, et al. A novel automatic image processing algorithm for detection of hard exudates based on retinal image analysis[J]. Medical Engineering & Physics, 2008, 30(3): 350–357. [DOI:10.1016/j.medengphy.2007.04.010]
[11] Zuiderveld K. Contrast Limited Adaptive Histogram Equalization[M]. San Diego, CA: Academic Press Professional, Inc, 1994: 474-485.
[12] Kao E F, Lin P C, Chou M C, et al. Automated detection of fovea in fundus images based on vessel-free zone and adaptive Gaussian template[J]. Computer Methods and Programs in Biomedicine, 2014, 117(2): 92–103. [DOI:10.1016/j.cmpb.2014.08.003]
[13] Kauppi T, Kalesnykiene V, Kamarainen J K, et al. DIARETDB0: Evaluation Database and Methodology for Diabetic Retinopathy Algorithms[J]. 2008.
[14] Kauppi T, Kalesnykiene V, Kamarainen J K, et al. The DIARETDB1 diabetic retinopathy database and evaluation protocol[C]//Proceedings of the British Machine Vision Conference (DBLP 2007). Warwick: BMVC, 2007.
[15] Zhou W, Wu C D, Yu X S, et al. Automatic fovea center localization in retinal images using saliency-guided object discovery and feature extraction[J]. Journal of Medical Imaging & Health Informatics, 2017, 7(5): 1070–1077. [DOI:10.1166/jmihi.2017.2139]