針對視網膜眼底圖像的特點,提出一種新的增強方法。首先進行形態學高帽變換以弱化背景、校正非均勻光照,然后運用有限對比度自適應直方圖均衡化(CLAHE)拉伸對比度,增強灰度動態范圍,最后使用二維匹配濾波增強圖像中有重要臨床診斷意義的細節并抑制噪聲。在DIARETDB0數據庫中進行實驗,并利用一種新的無參考圖像評價方法對多種增強效果進行客觀比較。結果表明,該方法對正常和病變圖像都能有效地弱化背景,增強對比度,對視網膜眼底圖像的細節增強效果也同樣顯著,大大提高了圖像質量。
引用本文： 陳萌夢, 熊興良, 李廣, 張婷婷. 眼底圖像增強及評價. 生物醫學工程學雜志, 2014, 31(5): 1144-1148. doi: 10.7507/1001-5515.20140216 復制
引言
眼底圖像包含了視神經、黃斑和豐富的血管信息，為眼科疾病診斷、治療效果判斷以及高血壓、糖尿病、心臟病等全身性疾病[1]的預測提供了重要依據。眼底熒光血管造影和眼底照相機的使用更是為人類直接觀測視網膜狀況提供了可能。但由于光照過暗或過亮、視角、眼睛運動、采集不規范等因素的影響，眼底照相機采集到的視網膜圖像具有背景不均(中央亮、周圍暗、對比度不強使得很多信息丟失)及血管對比度弱等特點，使得眼底標志性特征的提取，特別是血管輪廓的提取較為困難，嚴重地影響了醫師診斷和治療結果判斷。因此，在提取血管等特征參數前，必須對眼底圖像進行增強處理。
在過去的幾十年中，針對視網膜眼底圖像的特點，中外學者提出了多種增強算法：運用一系列不同方向和寬度的線性濾波器[2]自動對圖像中的血管進行增強和檢測；通過局部閾值迭代[3]去除非均勻背景的影響，不必預先得到照明系統的先驗知識；通過最優化算法選取合適的二維濾波器[4]參數，實現視網膜圖像的增強：通過多尺度幾何分析的Contourlet變換[5]增強視網膜圖像對比度；對圖像首先進行方向場濾波，再使用Gabor濾波[6]沿血管方向進行增強；利用非均勻采樣[7]來估計眼底圖像的退化程度，再用單通道校正因子實現眼底圖像的增強。
上述方法多從非均勻光照的校正、色彩歸一化和對比度增強等單一方面入手，主要針對視網膜眼底圖像中的血管部位進行增強。各種增強方法的結果都依據人眼進行主觀判斷，缺少客觀有效的評價手段。對于增強的視網膜眼底圖像質量的客觀評價，不存在可用的標準圖像，屬于典型的無參考圖像質量評價。因此，本文提出了一種新的視網膜圖像增強方法，綜合利用高帽(top-hat)變換、直方圖均衡化和匹配濾波對圖像進行多方位綜合處理，并運用一種新的無參考質量評價方法對增強效果進行客觀評價。
1 眼底圖像增強
視網膜眼底圖像可看做由前景圖像和背景圖像兩部分構成。其中前景圖像為感興趣成分，主要為血管網絡、視神經盤及有診斷意義的各種病灶特征。由于非理想成像條件限制，采集到的視網膜圖像往往前景灰度較低，且分布不均。根據這些特征，本算法總體思路為：首先進行高帽變換以弱化背景、校正非均勻光照，然后運用有限對比度自適應直方圖均衡化拉伸對比度，增強灰度動態范圍，最后使用二維匹配濾波凸顯圖像中有重要臨床診斷意義的細節并抑制噪聲。
1.1 高帽變換
由于眼底照相機特有的環行照明設計，因此眼底圖像通常具有背景強、光照不均勻等特點。為了弱化背景，初步校正非均勻光照。實驗首先采用高帽變換對圖像進行處理。高帽變換[8-9]是數學形態學變換中常用的一種方法，多用于非均勻光照中較亮(或較暗)區域的提取，增強陰影區域細節。可分為白帽變換和黑帽變換。其中，白帽變換是從原圖像中減去原圖像與一定結構元素開運算后的圖像。設b 為結構元素，f(x,y)為輸入圖像：
| $th=f\left( x,y \right)-\left( f\left( x,y \right)\quad b \right)$ |
黑帽變換是從閉運算后的圖像中減去原圖像：
| $lc=\left( f\left( x,y \right)\cdot b \right)-f\left( x,y \right)$ |
白帽變換具有高通濾波的特性，變換后的圖像體現原圖像的灰度峰值信息，可有效地增強圖像中暗區細節，弱化亮區細節。黑帽變換后的圖像凸顯原圖像的灰度谷值信息。與白帽運算相反，黑帽變換可以有效地增強圖像中的亮區細節，弱化暗區細節。白帽變換的圖像加上原圖像后減去黑帽變換的圖像(式3)，得到最終形態學處理的圖像：
| $re=th-lc+f\left( x,y \right)$ |
1.2 有限對比度自適應直方圖均衡化
經高帽變換后的圖像質量有一定的改善，但往往對比度不強。為了凸顯前景圖像對比度，擴大灰度值的動態范圍，實驗進一步采用有限對比度直方圖均衡化進行增強。有限對比度自適應直方圖均衡化[10-13](contrast limited adaptive histogram equalization，CLAHE)能克服標準直方圖均衡化的局限性，基于自適應直方圖均衡化(adaptive histogram equalization，AHE)從整幅圖像的視覺效果方面改善圖像的質量。
CLAHE算法將輸入圖像分為許多區域，在每個區域中進行直方圖均衡化，使灰度值分布更加均勻化，然后在相鄰的區域使用雙線性插值消除人為設定的邊界，同時限制均質區域的對比度以避免圖像中可能存在的噪聲影響。圖像的直方圖由區域內和區域外直方圖兩部分構成：
| $Hl\left( k \right)=aHw\left( k \right)+\left( 1-a \right)Hb\left( k \right)\left( 0\le a\le 1 \right),$ |
其中 Hw(k)是區域內的歸一化直方圖，Hb(k)則為區域間的歸一化直方圖。
特定像素值附近的對比度增強幅度由變換函數的斜率決定，且與鄰域累積分布函數(cumulative distribution function，CDF)的斜率成正比。因此，該像素值對應的直方圖的值受到限制。CLAHE在計算CDF前首先在限定值對直方圖進行“剪切”以限制放大幅度，使CDF的斜率和變換函數受到限制。“剪切”限定值由歸一化直方圖和鄰域的大小決定，普通值限制的放大結果約為直方圖平均值的3到4倍，超出“剪切”限制的直方圖平均分布在各個灰度級，重復進行直至所有的灰度級頻數不超過限定值。
1.3 二維匹配濾波
經CLAHE算法處理后可顯著增強視網膜眼底圖像的對比度，有效拓展灰度值動態范圍，但對細節的增強效果不佳。為了凸顯感興趣區域特別是具有診斷意義的病灶信息并抑制噪聲，采用二維匹配濾波對圖像進行進一步處理。
視網膜眼底血管一般曲率較小，可近似看作由一系列反向平行的線段組成。血管強度分布不存在理想的階躍變化，而是一個漸變的過程，可以近似地由一個高斯方程來擬合。
| $f\left( x,y \right)=A\{1-k~exp(-{{d}^{2}}/2{{\sigma }^{2}})\}$ |
Chaudhuri等[14]利用線性濾波器來檢測視網膜圖像中的血管。當濾波器的方向和形狀與血管強度分布相同時響應最大，垂直于血管方向時的響應最小。利用12個方向各異、規格相同的高斯內核對輸入圖像進行卷積，以增強不同方向的血管。噪聲點對不同方向濾波器的響應基本不變，可進一步抑制噪聲點。
2 圖像質量評價
圖像質量客觀評價[15]的基本目標是設計能準確和自動感知圖像質量的計算模型，最終目標是用計算機代替人類視覺系統(human visual system，HVS)去感知圖像質量。通過計算模型獲得的圖像質量與人類主觀觀測的一致程度來判斷客觀方法的優劣。
無參考型(no-reference，NR)圖像質量評價無原始圖像的任何先驗知識，直接對圖像進行質量評價。本文克服了圖像特征難以定義和提取、視覺特性難以建模和描述、人眼感知難以形式化表示等無參考型圖像質量評價的難點，基于人類視覺特征提出一種新的NR圖像質量評價方法[16]來描述和量化給定圖像的質量。模型如下：
| $CAF=AIE\alpha *APCL\beta *NND\delta *AHF\eta *ABWF\sigma ,$ |
式中CAF(comprehensive image quality assessment function)稱為綜合圖像質量評價函數。AIE(average information entropy)為圖像的平均信息熵，APCL(average physical contrast level)為圖像的平均物理對比度級，NND(normalized neighboring distance)為圖像的平均亮度距127.5亮度級的距離,可表示為AL(average level)的函數：
| $NND=f\left( AL \right)=1-abs(AL-A{{L}_{opt}})/A{{L}_{opt}}$ |
式中ALopt為理想平均亮度，根據理想的均衡化直方圖計算出ALopt=127.5。AHF(average hierarchical factor)為圖像的平均層次因子，ABWF(average bandwidth factor)為圖像的平均帶寬因子。各加權指數α、β、δ、η、σ 由實驗確定，本實驗均取值為1。圖像質量評價函數CAF值越大，對應圖像的質量就越好。
該方法基于人類視覺，又優于人類視覺，對于人類視覺難以分辨的圖像質量差異也能進行分辨；不需要原始圖像的先驗信息，可以評價圖像好、壞兩方面的信息，通用性強。
3 實驗結果與分析
實驗從DIARETDB0數據庫中選取的正常和病變的眼底圖像來驗證本算法的有效性并進行客觀評價。實驗結果如圖 1所示，可以發現，無論正常還是病變圖像，經過該方法處理后的視網膜眼底圖像的血管更加清晰，整體對比度增強，而且視神經盤、黃斑和病變區域信息被保留并且凸顯，有利于醫師的進一步觀察和診斷。
圖1
不同視網膜圖像的增強效果
Figure1.
Enhancement results of different fundus images
圖 2給出了不同增強方法的結果以進一步說明本算法的優越性。圖中我們可以發現，高帽變換后的圖像對比度較原始圖像明顯增強，但對小血管的增強不顯著；采用最優化方法選取合適的參數并進行二維匹配濾波的方法[4]，雖然血管增強效果好但圖像的整體對比度降低；Gabor濾波對背景和細節的對比度增強效果不佳且參數選取較為復雜；形態學處理過度強調對比度的增強，圖像中的有用信息缺失；本文的方法同其他方法相比，不僅增強了血管網絡，而且凸顯了圖像中的有用信息。
圖2
不同方法的增強效果
(a)原始圖像;(b)高帽變換;(c)匹配濾波;(d)Gabor濾波;(e)數學形態學;(f)本文方法
Figure2. Results of different enhancement methods(a) original image; (b) top-hat transform; (c) matched filters; (d) Gabor filters; (e) mathematical morphology; (f) our method
以上為人眼視覺的主觀判斷，為了對上述增強效果進行定量的描述，我們利用上文提出的圖像質量評價方法對不同增強效果進行了客觀評價。結果如表 1所示，經本文算法處理后的眼底圖像的CAF值遠大于其他增強方法。根據定義，該方法為上述的最佳增強方法。
表1
同一幅圖采用不同增強方法的質量評價
Table1.
Quality assessment for one image in different enhancement methods
為了進一步說明本算法的普適性，實驗隨機選取數據庫中的6幅圖像，分別用上述六種方法進行處理，并進行質量評價。圖 3為不同增強方法處理后客觀質量評價的CAF值。可以看出，本文算法在不同圖像中適用性良好，對原始輸入圖像質量的增強效果最顯著，圖像質量提高最明顯。
圖3
增強效果評價
Ⅰ~Ⅵ分別為DIARETDB0數據庫中隨機選取的第6、14、24、38、74和第98幅圖像；A~F分別為原始圖像、高帽變換、最優化匹配濾波、Gabor濾波、數學形態學和本文方法
Figure3. Assessment of enhancement methodsⅠ-Ⅵ: No. 6,14,24,38,74 and 98 images randomly selected form DIARETDB0 database; A-F: original image,top-hat transform,optimization matched filters,Gabor filter,mathematical morphology and the proposed method,respectively
4 結論
本文提出了一種新的綜合利用形態學、直方圖均衡化和二維匹配濾波的方法對視網膜眼底圖像進行增強，并在DIARETDB0數據庫上驗證了該算法的有效性和通用性。該方法不僅適用于正常圖像，對病變圖像的增強也同樣適用。同時，利用一種新的圖像質量評價模型對多種增強效果進行客觀評價。相比于其他方法，該方法更加注重視網膜眼底圖像的重要細節，有效地改善了圖像的質量，增強了對比度，有利于進一步的血管提取和病變特征檢測。
引言
眼底圖像包含了視神經、黃斑和豐富的血管信息，為眼科疾病診斷、治療效果判斷以及高血壓、糖尿病、心臟病等全身性疾病[1]的預測提供了重要依據。眼底熒光血管造影和眼底照相機的使用更是為人類直接觀測視網膜狀況提供了可能。但由于光照過暗或過亮、視角、眼睛運動、采集不規范等因素的影響，眼底照相機采集到的視網膜圖像具有背景不均(中央亮、周圍暗、對比度不強使得很多信息丟失)及血管對比度弱等特點，使得眼底標志性特征的提取，特別是血管輪廓的提取較為困難，嚴重地影響了醫師診斷和治療結果判斷。因此，在提取血管等特征參數前，必須對眼底圖像進行增強處理。
在過去的幾十年中，針對視網膜眼底圖像的特點，中外學者提出了多種增強算法：運用一系列不同方向和寬度的線性濾波器[2]自動對圖像中的血管進行增強和檢測；通過局部閾值迭代[3]去除非均勻背景的影響，不必預先得到照明系統的先驗知識；通過最優化算法選取合適的二維濾波器[4]參數，實現視網膜圖像的增強：通過多尺度幾何分析的Contourlet變換[5]增強視網膜圖像對比度；對圖像首先進行方向場濾波，再使用Gabor濾波[6]沿血管方向進行增強；利用非均勻采樣[7]來估計眼底圖像的退化程度，再用單通道校正因子實現眼底圖像的增強。
上述方法多從非均勻光照的校正、色彩歸一化和對比度增強等單一方面入手，主要針對視網膜眼底圖像中的血管部位進行增強。各種增強方法的結果都依據人眼進行主觀判斷，缺少客觀有效的評價手段。對于增強的視網膜眼底圖像質量的客觀評價，不存在可用的標準圖像，屬于典型的無參考圖像質量評價。因此，本文提出了一種新的視網膜圖像增強方法，綜合利用高帽(top-hat)變換、直方圖均衡化和匹配濾波對圖像進行多方位綜合處理，并運用一種新的無參考質量評價方法對增強效果進行客觀評價。
1 眼底圖像增強
視網膜眼底圖像可看做由前景圖像和背景圖像兩部分構成。其中前景圖像為感興趣成分，主要為血管網絡、視神經盤及有診斷意義的各種病灶特征。由于非理想成像條件限制，采集到的視網膜圖像往往前景灰度較低，且分布不均。根據這些特征，本算法總體思路為：首先進行高帽變換以弱化背景、校正非均勻光照，然后運用有限對比度自適應直方圖均衡化拉伸對比度，增強灰度動態范圍，最后使用二維匹配濾波凸顯圖像中有重要臨床診斷意義的細節并抑制噪聲。
1.1 高帽變換
由于眼底照相機特有的環行照明設計，因此眼底圖像通常具有背景強、光照不均勻等特點。為了弱化背景，初步校正非均勻光照。實驗首先采用高帽變換對圖像進行處理。高帽變換[8-9]是數學形態學變換中常用的一種方法，多用于非均勻光照中較亮(或較暗)區域的提取，增強陰影區域細節。可分為白帽變換和黑帽變換。其中，白帽變換是從原圖像中減去原圖像與一定結構元素開運算后的圖像。設b 為結構元素，f(x,y)為輸入圖像：
| $th=f\left( x,y \right)-\left( f\left( x,y \right)\quad b \right)$ |
黑帽變換是從閉運算后的圖像中減去原圖像：
| $lc=\left( f\left( x,y \right)\cdot b \right)-f\left( x,y \right)$ |
白帽變換具有高通濾波的特性，變換后的圖像體現原圖像的灰度峰值信息，可有效地增強圖像中暗區細節，弱化亮區細節。黑帽變換后的圖像凸顯原圖像的灰度谷值信息。與白帽運算相反，黑帽變換可以有效地增強圖像中的亮區細節，弱化暗區細節。白帽變換的圖像加上原圖像后減去黑帽變換的圖像(式3)，得到最終形態學處理的圖像：
| $re=th-lc+f\left( x,y \right)$ |
1.2 有限對比度自適應直方圖均衡化
經高帽變換后的圖像質量有一定的改善，但往往對比度不強。為了凸顯前景圖像對比度，擴大灰度值的動態范圍，實驗進一步采用有限對比度直方圖均衡化進行增強。有限對比度自適應直方圖均衡化[10-13](contrast limited adaptive histogram equalization，CLAHE)能克服標準直方圖均衡化的局限性，基于自適應直方圖均衡化(adaptive histogram equalization，AHE)從整幅圖像的視覺效果方面改善圖像的質量。
CLAHE算法將輸入圖像分為許多區域，在每個區域中進行直方圖均衡化，使灰度值分布更加均勻化，然后在相鄰的區域使用雙線性插值消除人為設定的邊界，同時限制均質區域的對比度以避免圖像中可能存在的噪聲影響。圖像的直方圖由區域內和區域外直方圖兩部分構成：
| $Hl\left( k \right)=aHw\left( k \right)+\left( 1-a \right)Hb\left( k \right)\left( 0\le a\le 1 \right),$ |
其中 Hw(k)是區域內的歸一化直方圖，Hb(k)則為區域間的歸一化直方圖。
特定像素值附近的對比度增強幅度由變換函數的斜率決定，且與鄰域累積分布函數(cumulative distribution function，CDF)的斜率成正比。因此，該像素值對應的直方圖的值受到限制。CLAHE在計算CDF前首先在限定值對直方圖進行“剪切”以限制放大幅度，使CDF的斜率和變換函數受到限制。“剪切”限定值由歸一化直方圖和鄰域的大小決定，普通值限制的放大結果約為直方圖平均值的3到4倍，超出“剪切”限制的直方圖平均分布在各個灰度級，重復進行直至所有的灰度級頻數不超過限定值。
1.3 二維匹配濾波
經CLAHE算法處理后可顯著增強視網膜眼底圖像的對比度，有效拓展灰度值動態范圍，但對細節的增強效果不佳。為了凸顯感興趣區域特別是具有診斷意義的病灶信息并抑制噪聲，采用二維匹配濾波對圖像進行進一步處理。
視網膜眼底血管一般曲率較小，可近似看作由一系列反向平行的線段組成。血管強度分布不存在理想的階躍變化，而是一個漸變的過程，可以近似地由一個高斯方程來擬合。
| $f\left( x,y \right)=A\{1-k~exp(-{{d}^{2}}/2{{\sigma }^{2}})\}$ |
Chaudhuri等[14]利用線性濾波器來檢測視網膜圖像中的血管。當濾波器的方向和形狀與血管強度分布相同時響應最大，垂直于血管方向時的響應最小。利用12個方向各異、規格相同的高斯內核對輸入圖像進行卷積，以增強不同方向的血管。噪聲點對不同方向濾波器的響應基本不變，可進一步抑制噪聲點。
2 圖像質量評價
圖像質量客觀評價[15]的基本目標是設計能準確和自動感知圖像質量的計算模型，最終目標是用計算機代替人類視覺系統(human visual system，HVS)去感知圖像質量。通過計算模型獲得的圖像質量與人類主觀觀測的一致程度來判斷客觀方法的優劣。
無參考型(no-reference，NR)圖像質量評價無原始圖像的任何先驗知識，直接對圖像進行質量評價。本文克服了圖像特征難以定義和提取、視覺特性難以建模和描述、人眼感知難以形式化表示等無參考型圖像質量評價的難點，基于人類視覺特征提出一種新的NR圖像質量評價方法[16]來描述和量化給定圖像的質量。模型如下：
| $CAF=AIE\alpha *APCL\beta *NND\delta *AHF\eta *ABWF\sigma ,$ |
式中CAF(comprehensive image quality assessment function)稱為綜合圖像質量評價函數。AIE(average information entropy)為圖像的平均信息熵，APCL(average physical contrast level)為圖像的平均物理對比度級，NND(normalized neighboring distance)為圖像的平均亮度距127.5亮度級的距離,可表示為AL(average level)的函數：
| $NND=f\left( AL \right)=1-abs(AL-A{{L}_{opt}})/A{{L}_{opt}}$ |
式中ALopt為理想平均亮度，根據理想的均衡化直方圖計算出ALopt=127.5。AHF(average hierarchical factor)為圖像的平均層次因子，ABWF(average bandwidth factor)為圖像的平均帶寬因子。各加權指數α、β、δ、η、σ 由實驗確定，本實驗均取值為1。圖像質量評價函數CAF值越大，對應圖像的質量就越好。
該方法基于人類視覺，又優于人類視覺，對于人類視覺難以分辨的圖像質量差異也能進行分辨；不需要原始圖像的先驗信息，可以評價圖像好、壞兩方面的信息，通用性強。
3 實驗結果與分析
實驗從DIARETDB0數據庫中選取的正常和病變的眼底圖像來驗證本算法的有效性并進行客觀評價。實驗結果如圖 1所示，可以發現，無論正常還是病變圖像，經過該方法處理后的視網膜眼底圖像的血管更加清晰，整體對比度增強，而且視神經盤、黃斑和病變區域信息被保留并且凸顯，有利于醫師的進一步觀察和診斷。
圖1
不同視網膜圖像的增強效果
Figure1.
Enhancement results of different fundus images
圖 2給出了不同增強方法的結果以進一步說明本算法的優越性。圖中我們可以發現，高帽變換后的圖像對比度較原始圖像明顯增強，但對小血管的增強不顯著；采用最優化方法選取合適的參數并進行二維匹配濾波的方法[4]，雖然血管增強效果好但圖像的整體對比度降低；Gabor濾波對背景和細節的對比度增強效果不佳且參數選取較為復雜；形態學處理過度強調對比度的增強，圖像中的有用信息缺失；本文的方法同其他方法相比，不僅增強了血管網絡，而且凸顯了圖像中的有用信息。
圖2
不同方法的增強效果
(a)原始圖像;(b)高帽變換;(c)匹配濾波;(d)Gabor濾波;(e)數學形態學;(f)本文方法
Figure2. Results of different enhancement methods(a) original image; (b) top-hat transform; (c) matched filters; (d) Gabor filters; (e) mathematical morphology; (f) our method
以上為人眼視覺的主觀判斷，為了對上述增強效果進行定量的描述，我們利用上文提出的圖像質量評價方法對不同增強效果進行了客觀評價。結果如表 1所示，經本文算法處理后的眼底圖像的CAF值遠大于其他增強方法。根據定義，該方法為上述的最佳增強方法。
表1
同一幅圖采用不同增強方法的質量評價
Table1.
Quality assessment for one image in different enhancement methods
為了進一步說明本算法的普適性，實驗隨機選取數據庫中的6幅圖像，分別用上述六種方法進行處理，并進行質量評價。圖 3為不同增強方法處理后客觀質量評價的CAF值。可以看出，本文算法在不同圖像中適用性良好，對原始輸入圖像質量的增強效果最顯著，圖像質量提高最明顯。
圖3
增強效果評價
Ⅰ~Ⅵ分別為DIARETDB0數據庫中隨機選取的第6、14、24、38、74和第98幅圖像；A~F分別為原始圖像、高帽變換、最優化匹配濾波、Gabor濾波、數學形態學和本文方法
Figure3. Assessment of enhancement methodsⅠ-Ⅵ: No. 6,14,24,38,74 and 98 images randomly selected form DIARETDB0 database; A-F: original image,top-hat transform,optimization matched filters,Gabor filter,mathematical morphology and the proposed method,respectively
4 結論
本文提出了一種新的綜合利用形態學、直方圖均衡化和二維匹配濾波的方法對視網膜眼底圖像進行增強，并在DIARETDB0數據庫上驗證了該算法的有效性和通用性。該方法不僅適用于正常圖像，對病變圖像的增強也同樣適用。同時，利用一種新的圖像質量評價模型對多種增強效果進行客觀評價。相比于其他方法，該方法更加注重視網膜眼底圖像的重要細節，有效地改善了圖像的質量，增強了對比度，有利于進一步的血管提取和病變特征檢測。
