基于改进型gbvs模型的眼底图像视盘检测方法-吴骏.pdf

《基于改进型gbvs模型的眼底图像视盘检测方法-吴骏.pdf》由会员分享，可在线阅读，更多相关《基于改进型gbvs模型的眼底图像视盘检测方法-吴骏.pdf（8页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、基于改进型Gbvs模型的眼底图像视盘检测方法吴 骏1，2，张亚男1，2，肖志涛1，2，耿 磊1，2，张 芳1，2，杨 嵩1，2，张东霞1，2，宋舒雅1，2（1.天津工业大学电子与信息工程学院，天津 300387；2.天津工业大学 天津市光电检测技术与系统重点实验室，天津 300387）摘 要：为了改善现有的视盘定位方法没有充分利用视盘视觉特征的不足，提高定位准确率和分割精度，结合视觉注意机制与相位一致性，提出一种新的视盘检测方法.首先对Gbvs模型进行改进，提取亮度、对比度和符合人类视觉感知特性的相位一致性特征， 并利用改进型Gbvs模型构造显著图； 接着用滑动窗口扫描总显著图，将扫描所得的显

2、著性最高的位置视为视盘中心位置；最后消除视盘区域的G80G81，利用C-V模型G82得视盘G83G84.G85MESSIDORG86G87图G88G89G8AG8BG8C对G8DG8E方法进行测G8F.结G90G91G92G93G94G95G96位准确率为98.83%，高G97现有G98G91性方法，G99G9A结G90G91G92G8DG8E方法G9B有G9C高的G96位准确率和分割精度.关键词：视觉注意机制；相位一致性；视觉特征；Gbvs模型；G86G87图G88；视盘检测中图分类号：TP391.413；R770.4 文献标志码：A 文章编号：1671-024X（2018）01-0054-

3、08ptic disc detection method based of fundus image on modified Gbvs modelWU Jun1，2，ZHANG Ya-nan1，2，XIAO Zhi-tao1，2，GENG Lei1，2，ZHANG Fang1，2，YANG Song1，2，ZHANG Dong-xia1，2，SONG Shu-ya1，2（1. School of Electronics and Information Engineering， Tianjin Polytechnic University， Tianjin 300387， China； 2. T

4、ianjinKey Laboratory of Optoelectronic Detection Technology and System，Tianjin 300387，China）bstract：For resolving the problem that the visual features of optic disc （OD） were not utilized efficiently in existingmethods of （OD） localization， improving the location accuracy and segementation accuracy，

5、 a new OD detectionmethod combining visual attention mechanism and phase congruency is presented. Firstly， Gbvs model isimproved by extracting three types of features including intensity， contrast and phase congruency （PC） whichaccords with human visual perception characteristics， and the modified G

6、bvs model is used to obtain saliencymap. Then， the total saliency map is scanned using a sliding window， where the highest significance is scannedas the center of （OD）. Finally， the main blood vessels around （OD） vicinity are removed and the boundaryof （OD） is detected using C-V model. This method i

7、s tested on MESSIDOR dataset， and its average test result is98.83% which is higher than existing representative methods. The experimental results show that the proposedmethod has higher location accuracy and segmentation accuracy.Key words：visual attention mechanism；phase congruency（PC）；visual featu

8、re；Gbvs model；fundus image；optic discdetection收稿日期：2016-12-16基金项目：国家自然科学基金资助项目（61401439）；天津市科技支撑计划重点项目（13ZCZDGX02100）；天津市应用基础与前沿技术研究计划项目（15JCYBJC16600）；高等学校博士学科点专项科研基金（20131201110001）通信作者：吴 骏（1978），男，博士，副教授，主要研究方向为图像处理与模式识别. E-mail：DOI：10.3969/j.issn.1671-024x.2018.01.010视盘是视神经的起始端G80G81G82G83G84的G8

9、5G86G87，G88G89G8AG8BG8CG8DG8EG8FG90G91的G83G84.G92G93G94G81G82图像G95，视盘G96G97G98G99，是G9AG9BG9CG9DG9EG94G9FGA0G94的GA1GA2，GA3GA4GA5GA6G81G82图像的 1/7.GA7GA8的视盘检测GA9GAAGABGACGAD助GAEGAFG83G84GB0G9EGA2等重要的G81G82GB1GB2GB3GB4，GB5GABGAD助GA8GAEGB6GB7GB8GB0GB9GBAGBBGBC等GBDGBE的GAFGBF，GC0G81G82图像GC1GC2GC3GC4重要的GC5G

10、C6.视盘检测GC7GC8GAEGAFG80GC1GC92G9BGCAGCB.GCCGCD视盘GC3GC4的GCEGCF， GD0G89GD1研究GD2GD3GD4GB7GD5GD6GD7视盘GAEGAF方GD8，G8EGD9GABGACGC1为2G97.GDA1G97是GDB用视盘的GA1GDCGB0G99GDD等GD1GDEGCEGCFGAEGAF视盘，GDFGE0GE1GE2GE3等1GE4GE5GE6GE7GE8GE9G81G82图像GEAGEBGEC图像GEDGEE高GA1GEFGC0视盘GAEGAF的GF0天津工业大学学报 第 37卷 第 1期2018年 2月Vol.37 No.1

11、February 2018万方数据第 1 期响， 然后选取灰度值处于前0.2%的像素点定位视盘；柯鑫等2利用Itti模型对眼底图像提取颜色、亮度和方向3个特征，将所得显著图中特征最显著的区域视为视盘.这类方法对于正常的眼底图像适用性良好，但是在病变眼底图像上，眼底疾病会造成视盘缺损或亮度变化，还有些与视盘外观相似的病变也会对视盘定位造成干扰.第2类是基于血管特性的视盘定位方法.G80于视盘区域的血管G81度G82G83，G84G85血管G86G87G88G89G8A似于2G8B相G8CG8DG8EG89，Foracchia 等3G8F用 2 G8BG90G91G8DG8EG89G92G93G9

12、4G95G85血管的G86G87G96G97，利用2G8BG8DG8EG89的G98点位于视盘区域G99这G9A特性定位视盘G9BSoares等4G9CG9DG9EG9F血管GA0GA1，GA2后利用血管方向GA3GA4G9EG9F视盘GA5定位， GA6利用血管GA7GA8度和亮度GA3GA4定位视盘.相G82第1类方法，第2类方法GA9GAAGAB相对G82GAC，GADGAE性G82好，但是GAF类方法对血管的G92GB0GB1度GB2GB3GB4GAC.在视盘G92GB0方GB5，GB6用的方法是基于GB7GB8变GB9GBAHough Trans-formGBB和G85GBCGBDG

13、BE模型GBASnakeGBB的.GBFGC0Sekhar等5GC1GC2视盘的GC3GC4类似GC5GC3的这G9A特性，利用GC5GC3Hough变GB9G92GB0视盘G9BGC6GC7GC8等6提GC9GCAGCBGCCGCDGCEOtsuGCF值化和Hough变GB9G9EG9F视盘G92GB0的方法. Yin等7GCBGCCGD0GD1GD2GD3和GC5GC3Hough变GB9提取视盘的GA5GD4GBDGBE，GA6利用Snake模型GD5GD2GD3视盘GD0GD1GD2G9B 基于Hough变GB9的方法G92GB0GB1度G82GD6， GD7基于Snake模型的方法G9

14、2GB0GB1度G82GAC，但GD8GD9GDAGDB于GA5GD4GBDGBE的选取.观GDCG9AGDD图像，GDEGDF所有的区域GE0会GE1观GDCGE2GE3GE4GE5GE6的视GE7或GE8GE9GEAGEB，最GECGB2的GA3GA4GEDGB6会GEE中在G9A些显著区域，GEF类视GE7GF0GF1GF2选显著区域G85GB2利用的GF3是视GE7GF4GF5GF6GF7.为GCA模GF8GEF类视GE7GF0GF1GF2选GA3GA4的GF9GFA，1998GFB，Itti等8提GC9GCA最GFCGCEGFD性的基于视GE7GF4GF5的图像显著性GD2GD3模型

15、GFEItti模型，GFF后Harel等9在其基础上提GC9GCA基于图的显著性GBAGraph basedvisual saliency，GbvsGBB模型.这2个模型的G85GB2区G93在于在特征图GE4成阶段，Gbvs模型改G9EGCAItti模型中的“中GE8周GD0差”操作，在计算显著图时引入GCA马尔科GB8链，利用马尔科GB8链的稳态平衡GD5衡量图像的显著性，更加全局、GBC态地考虑GCA图像中点与点GFF间的显著性差异，从GD7GD2GD3GC9更多的GEA兴趣区域.本文充G92研究GCA视盘的视GE7特征，将视GE7GF4GF5GF6GF7与相位G9A致性10GCBGCC

16、，对Gbvs模型G9EG9FGCA改G9E，提GC9GCAG9A种基于改G9E型Gbvs模型的视盘GD2GD3方法.1 图像预处理视盘G9EG9FGD2GD3前， G9CG9DGB2对图像G9EG9F预处GE9，G92为颜色GED道选取和GEA兴趣区域提取2个步骤.1.1 颜色通道的选取彩色眼底图像的红GBARGBB、绿GBAGGBB、蓝GBABGBB3个GED道的图像GC0图1所示.G80图1可见，RGED道图像整体亮度偏GAC、对比度G82GD6G9BBGED道图像整体偏暗，图像对比度最差G9BGD7GGED道图像中视盘和血管GCB构清晰， 对比度GAC， 因此选取GGED道G9EG9F视

17、盘定位.1.2 感兴趣区域提取为GCA避免眼底图像GD0GD1存在的GAC亮环对定位GCBGD9GE3GE4的不利影响，需GB2GB3取眼底图像的掩模图像，以GAA定眼底图像的GEA兴趣区域GBAregion of interest，ROIGBB.GFC体方法GC0下：G9CG9D提取RGBGED道的RGED道，利用OtsuGCF值G92GB0方法GC9眼底图像的掩模G9B GA2后对所得的掩模G9EG9FG9D腐蚀GA6开运算的GC3态学操作，得到新的掩膜模板G9BGA6将新的掩膜模板与GGED道图像相乘，得到相应的 ROI 区域. GEA兴趣区域提取GCBGD9GC0图2所示.2 基于改进

18、型Gbvs模型的眼底图像显著性检测在对图像G9EG9F预处GE9后， 利用改G9E型Gbvs模型对预处GE9后的图像G9EG9F显著性GD2GD3.GAF模型可以G92为图2 感兴趣区域提取ig.2 extractionGBAaGBB掩膜图像 GBAbGBB ROI区域吴 骏，等：基于改G9E型Gbvs模型的眼底图像视盘GD2GD3方法图1 彩色眼底图像的GB通道图像ig.1 GB channel imagesGBAaGBB彩色眼底图像GBAdGBB BGED道GBAcGBB GGED道GBAbGBB RGED道55 万方数据第 37 卷天 津 工 业 大 学 学 报3 个部分：视觉特征提取、

19、特征图生成和显著图生成.在视觉特征提取阶段，Gbvs模型与Itti模型类似，都提取了颜色、亮度、方向3类特征.由于眼底图像的颜色容易受到被试个体差异以及拍摄环境的影响，因此其特征不稳定. Gbvs 模型利用 Gabor 滤波器仅在 0，45，90，1354个方向上对图像进行滤波并提取特征， 不能全面描述视盘的边缘特征.因此本文方法没有提取颜色和方向两类特征，而是针对眼底图像的特点，提取了亮度、对比度和PC 3类特征.2.1 视觉特征提取PC特征11是一G80G81于G82G83G84G85的图像特征.G82G86生G87G88G89G8AG8BG8C12，G8D类的视觉G8EG8FG90于图像

20、G91G82G83G84G85G92度一G93的点G94G95G96G97G98， 因此PCG99G9AG9BG9CG8D类视觉G98G9D特G9E. PC特征G9F用于G99G9A阶GA0型边缘和GA1GA2型边缘，对图像亮GA3GA4对比GA3GA5GA6不G97G98，GA7有GA8GA9的GAA用G9E，GAB用于眼GAC图像G91能GA8GADGAE描述图像边缘特征.此GAF，视盘亮GA3GB0G92，与眼底其GB1GB2GB3G82比对比GA3GB0GA9，因此本文方法提取了亮GA3、对比GA3和G82G83一G93G9E3类特征.提取特征的GB4GB5GB6：GB7GB8GB9G

21、BAGBB图像GBCGBDGB63GBEG92GBFGC0GC1GC2.其G91GC31GBE是GBAGBB图像， GC32、3GBEGC0GC1GC2GC4GC5是利用GC6G9EG92GBF滤波器对图像进行GC7GC8和GC9GCAGCBGCC到GCDGCEGCF， GD0GA3GD1GD2GB6GC31GBE图像GCD1/2、1/4.GD3GD4对GC0GC1GC2GD5一GBEGD1GD2提取3类特征，GD6成亮GA3G92GBFGC0GC1GC2、对比GA3G92GBFGC0GC1GC2和G82G83一G93G9EG92GBFGC0GC1GC2，一GD7GD8到 9 GD9图像，其G

22、91亮GA33 GD9、对比GA3 3 GD9、G82G83一G93G9E3GD9. 3类特征提取GCDGDAGDBGDCGDDGDEGDF：GE01GE1亮GA3特征：GE2r、g、bGD1GD2GE3GBCGE4色图像GCDGE5、GE6、GE7 3 色GD1GE8，由于本文方法GE9GEA用了眼GAC图像GCDGE6色GAAGEB，GEC以亮GA3特征GB6I = g.GED2GE1对比GA3特征：c =GEDi，jGE12PGEDi，jGE1GDDG91：GEDi，jGE1= i - j GBCGBDG82GEE像GEFGF0GCDGF1GA3GF2GF3PGEDi，jGE1GB6G8

23、2GEE像GEFGF1GA3GF2GB6GCD像GEFGD1GF4GF5GF6.GED3GE1G82G83一G93G9E特征12：PCGEDx，yGE1=o骔EoGEDx，yGE1- ToGF7onAnoGEDx，yGE1+ GED1GE1GDDG91：oGBCGBD方向GF3nGBCGBDGF8波GF9GC4的GD0度GF3EGB6GFAGFB能GE8GF3TGB6GEC有GD0度上滤波器G90GFCGFD的响GABGF3骔GFEGF7G91的GFFGB6正则取GFF不GA5，若GB6其GB1GFF则取0GF3AGBCGBD单个滤波器的GD9度GF3是GB6了防止GD1母GB60而引GBB的

24、常GE8，其GFFGE2GB60.000 1GF3PCGEDx，yGE1GBCGBD在点GEDx，yGE1的G82G83一G93G9E.本文方法选取了滤波器响GAB最大的6个方向，令o = 6GF3GB6不丢失眼底细节，选取了 3 个GD0度，令n = 3.GFAGFB能GE8EG9F由G84号与一G90正交滤波器的卷积来GDAGDB，Field13指出GEA用G90GC4频GF6GD0度上传递GF9GC4GB6G92GBFGF9GC4的滤波器G9F以G90图像进行G95有效地编码，而且G8D类视觉G8EG8F的度GE8也显GBD出有响GAB在G90GC4频GF6GD0度上呈现G90称G9E的

25、细胞， 因此本文方法GCA用Log-GaborGF8波来GDAGDBGFAGFB能GE8，其传递GF9GC4的GD6GDDGB6：gGEDwGE1= e-GEDlogGEDw/w0GE1GE12GEDlogGED/w0GE1GE1GDDG91：w0GB6滤波器的G91心频GF6.2.2 特征图生成特征图生成运用了图论的G9D识， 其G81本原G87GB6：GE2各GC0GC1GC2GD5一GBE图像GB6M，以像GEFGB6节点，将M的GD5个像GEF点都两两连接起来，将图像M映射GB61个无向图GM.图像G91的GD5一个节点G90GAB的GFF代GBC其当前状态， 其GEC有边的权重代GB

26、C其转移GF5GF6.G81于马尔科夫链的GFAGFB特G9E，马尔科夫链G94收敛于那些和周围节点不G82似的节点，由此即G9FGDAGDBGCC到特征图.GA7体GB4GB5GB6：G90于图GM，GB7GB8利用节点之GF0的距离d，GDAGDB出任意像GEF之GF0的GF2异G9E，将其作GB6其G90GAB节点连成的边的权重w，并归一GA6到0，1GF3GD3GD4GDAGDB出权重矩阵，将其按列归一GA6，归一GA6GD4的矩阵称GB6马尔科夫矩阵， 用以反映GMG91任意一个节点和其GB1GEC有顶点的联G8EGF3最GD4GDAGDB马尔科夫矩阵最大谱G90GAB的特征向GE8

27、， 插GFF回原图GCC到特征图.由此GDAGDB出特征图9GD9，其G91亮度3GD9、G90比度3GD9、G82G83一G93G9E 3GD9.连接权重定义GDEGDF：dGEDGEDi，jGE1GEDp，qGE1GE1=logMGEDi，jGE1MGEDp，qGE1GED2GE1wGEDGEDi，jGE1，GEDp，qGE1GE1= dGEDGEDi，jGE1GEDp，qGE1GE1GFEFGEDi - p，j - qGE1GED3GE1FGEDa，bGE1= expGED-a2+ b22GE1 GED4GE1GDDG91：MGEDi，jGE1和MGEDp，qGE1GD1GD2GBCGB

28、D像GEFGEDi，jGE1和GEDp，qGE1的像GEFGFFGF3dGEDGEDi，jGE1GEDp，qGE1GE1GBCGBDGEDi，jGE1和GEDp，qGE1两节点之GF0的距离GF3GDDGED3GE1G91wGEDGEDi，jGE1，GEDp，qGE1GE1GBCGBDGEDi，jGE1和GEDp，qGE1两节点的权重GF3GDDGED4GE1G91是一个参GC4，其大GF8与GEE域范围大GF8成正比.2.3 显著图生成GB7GB8G903个特征各自的特征图进行GD0G80归一GA6，G81将GD5个特征的特征图GD1GD2G82G96，GCC到3G82显著图，GDE图3GE

29、CGBD.G81将G833G82显著图按G841 1 1的比G85进行GC6G9EG82G96，最G86GCC到的G87显著图GBCGBDGB6S，GDE图4GECGBD.56G88 G88万方数据第 1 期3 视盘定位利用Gbvs模型得到的总显著图S是一张灰度图像， 其像素值的大小反映眼底图像显著性的大小.视盘通常是眼底图像中显著性较高的区域，因此可以利用窗口扫描的方法找到灰度均值最大的地方来定位视盘.在视盘定位中， 滑动窗口的大小即视盘直径D的合理选取，对定位结果至关重要.根据文献14的描述， 视盘直径与眼底图像宽度大小的比例为1/81/5.因此，对于一幅尺寸为m n的彩色眼底图像，本文方

30、法依据图像的大小自动获取视盘直径D为m/7.窗口扫描G80G81G82G83G84G85G86G871G88G89G8A定G8B一G8C直径为视盘直径D的滑动窗口G8D利用此滑动窗口以1 G8C像素为G82G8EG8D对SG8FG90G91G92G93G8FG94到G85G95G96扫描G97G872G88G98G99窗口G9A像素灰度均值， 像素均值最大G9B窗口G9C对G9D的中G9EG9FGA0G8DGA1G9FGA0值反GA2到GA3图GA4为最GA5的视盘中G9E位GA6G8D在GA7GA8结果图中用GA9色GAA+GABGACGAD.视盘定位GAE例G84图5G9CGAE.4 视盘

31、分割眼底图像RGBGAF通GB0中， GB1GB2R通GB0图像对GB3度较GB4，GB5是 R通GB0图中视盘区域最GB6显，视盘G9AGB7GB8GB9GBAGBBGBCGBDG93视盘的GBEG81GBFGC0GBAGBB较为GC1GBEG8D因此在视盘GC2GC3GC4GC5中GC6用R通GB0GA4为GC7GC8理灰度图像.视盘定位GC9GCAG8DGCB文GCC用GCD于GCE域GCF值GD0GD1G95G96GD2GD3GB8GB9G8DG80G81GD4GA4G84图6G9CGAE.G89G8AG8D为GD5GD6GD7其GD8眼底GD9GDA的GDBGDCG8D对R 通GB0

32、图像GDD取以定位GDE为中G9EG8D G8E度GDF为2 G8C视盘直径G872DG88大小的方GE0区域GA4为GE1GE2GE3区域G8DG84图6G87aG88G9CG87cG88GE4位一GE5性显著图图3 各特征显著图ig.3 aliency maps of features图4 总显著图ig.4 ntegrated saliency mapG87aG88GE6度显著图 G87bG88对GB3度显著图GE7 GE8G8DGE9GEAGCD于GEBG95型GbvsGBC型的眼底图像视盘GA7GA8方法图6 基于邻域插值运算消除血管ig.6 emove vessles based o

33、n neighborhood interpolationG87aG88GE1GE2GE3区域 G87bG88GB8GB9GEC取结果G87cG88GD2GD3GB8GB9结果图5 视盘定位示例ig.5 n example of optic disc locationG87dG88定位结果图G87cG88定G8B的GEDGE0GCE域G87bG88总显著图G87aG88眼底图像57GEE GEF万方数据第 37卷天 津 工 业 大 学 学 报示. 为了减少视盘区域内血管对视盘分割结果的影响，在进行视盘分割之前，先把视盘区域的主血管消除掉.本文首先利用低帽变换以及Otsu阈值分割方法提取出视盘中的

34、血管，如图6（b）所示，在提取出血管之后，利用减除操作消除血管，然后利用最邻近插值法在邻域中填充被移除的血管位置的像素，消除血管后的结果如图6（c）所示.邻域插值算法能够自动寻找背景中最接近血管的像素填补血管位置像素的灰度值，所以在经过插值运算后的图像看上去会比较平G80G81G82，G83G84G85以较G86的G87G88视盘G89G8A.消除血管之后， G8BG85进行后G8C的视盘分割.本文利用C-VG8DG8E在消除血管后的图像上进行视盘分割.首先G8FG90G91G92G93G94位置，本文G8FG90了G91G92以G90位G95作为中G96，1G97视盘G98G99（D）G9A

35、G9B的G9C作为G93G94G9DG9E，然后进行G9FGA0GA1GA2. C-VG8DG8E的GA3本GA4GA5GA6GA7GA8GA9GAAG91GAB平GACGADGAE的G9FGA0，GAFGB0G91G92GB1GB2G9FGA0的运动GB3GA1GA2的GB4GB5G9FGACGB6GB7的GB8平GB9GBAGA8，GBB能GBCGB6GB7G90GBD如GBEGBFEC-V（C，c1，c2）= 11I - c12dxdy + 22I - c22dxdy + GC0length（C）+ vGC0S0（inside（C）（5）GC1G8DG8EGC2G8FGC3G91GABG

36、C4GC5G9FGA0CGC6图像分为GC4GC5区GC7背景区2G92GC8分，GBB中，IGA9示图像，c1GC7c2分GC9GA9示GB22G92区域对GCA的平GCB灰度值. 2GCC1GCCGCCv为GCDGCE的GCFGD0GD1GB7，GD2GD3GD41= 2= 1.GD5GA8前2GCEGD6G83GD7动G9FGA0GD8GC4GC5G89G8A运动，GD9为G87GDAGCE，在G9DG9EG9FGA0GDBGDCGDDGC4GC5G89G8AG84，EC-V（C，c1，c2）GAAGDD最G9B值GDEGD5GA8的后2GCE用GDFGE0GE1GA2G9FGA0G9D

37、G9E， 被GD9为GE0GE2GE3GE4GCE15.GBB中length（C）GA9示G9DG9EG9FGA0C的GE5度，GE6C的GE7G80GE8度GC3GE9，GBB值GEAG9BGAEGEBG9FGA0GEAGE7G80GDEGB3S0（inside（C）GECGA9GAEGEBG9FGA0C的内GC8区域GACGED.利用C-VG8DG8EGEE取GC4GC5G89G8A的GEFGF0GBBGF1GF2GA6在GEEEC-V（C，c1，c2）的最G9B值.C-VG8DG8EGF3GF4GF5GF6图像的GF7度，GB3GA6GF8GF9GFA度GCBGFB的G83GFC区域进行

38、GB8平GB9GA1GA2， 对G93G94G9DG9EGF3GFDGFE，GFF且G85以捕捉图像全局信息，因此能够分割GF7度信息GF3确G90的G8D糊G89G8A，适用GF6视盘分割.5 实验结果分析MESSIDOR 眼底图像GB7GF9GB9GA6法国国防研究GC8资助的G91G92GCEGC4，GBB中的眼底图像都GA6在GD3GE1临床检查中使用眼底相机拍摄的.GC1GB7GF9GB9GA6当前国际上已GD5开的包含眼底图像GB7最多的图像GB7GF9GB9，因此本文方法选择在GC1GB7GF9GB9上进行GF1验GDF验证方法性能.MESSIDORGB7GF9GB9GD6包含

39、1 200 幅彩色眼底图像，GBB中540幅健康眼底图像，660幅病变眼底图像.本文方法利用改进后的GbvsG8DG8E计算显著图， GCF入了对亮度GC7对比度GF3GFDGFE的PC特征， 因此对GF6G91些对比度低的图像仍然G85以G90位出视盘， GC8分G90位结果如图7所示.在对MESSIDORGB7GF9GB9测试后， 本文方法的平GCBG90位准确率为98.83%.GC6本文方法GE62种现GC3GECGA9性方法1-2对GF6MES-SIDOR眼底GB7GF9GB9测试的G90位准确率进行比较，对比结果如GA91所示.由GA91G85知，文献1GD2过剪裁眼底图像，然后利用

40、图像亮度特征进行视盘G90位，文献2GE2利用IttiG8DG8E计算亮度GCC颜色GCC方GD8 3 类特征的综GEB显著图进行视盘G90位.由GF6文献1-2中的方法只利用视盘外观特性G90位， 容易受GDD病变影响.本文方法利用改进后的GbvsG8DG8E计算显著图，以马尔科夫链的稳态平衡GDF衡GBC图像的显著性，更GCF全局地考虑了像素G95之间的显图7 MD数据集视盘定位结果ig.7 ptic disc location results on MD database（a）示例1显著图 （b）示例1视盘G90位（c）示例2显著图 （d）示例2视盘G90位（e）示例3显著图 （f）示例

41、3视盘G90位表1 不同方法的视盘定位准确率比较ab.1 omparison of disc localization accuraciesamong different methods方法 准确率/%文献1方法 98.7文献2方法 95.5利用原G94GbvsG8DG8E的方法 96.2本文方法 98.8358 万方数据第 1期著性差异，能够检测出图像中更多的ROI，而且改进后的Gbvs模型加入了对亮度对比度不敏感的PC特征，因此本文方法与文献1-2的方法相比效果更好.此外， 表1还给出了利用原始Gbvs模型及本文方法的准确率比较结果.原始的Gbvs 模型在视觉特征提取时选择了的方向特征和颜

42、色特征，但是受被试个体差异的影响以及Gabor滤波器只进行4个方向滤波的局限性，这2个特征并G80G81G82视G83检G84G85而本文方法对Gbvs模型进行了改进，改进型Gbvs模型加入了对G86度以及对亮度G87G88G80敏感的PC特征，对G89G8AG8B视G83亮度G80G8C著的G8DG8E图像，G8F以G90G91提取对G86度和PC特征G92G93G94G8DG8E视G83的G8C著性，因此准确率更G95.利用本文方法在MESSDIOR G96G97G98G99进行视G83G9AG9B，G9CG9AG9AG9B结果G9D图8G9EG9F.图8GA0G9CG9AG8DG8E图像

43、的视G83G9AG9B结果G85图中GA1色GA2GA3的GA4GA5GA6G9FGA7用本文方法的视G83GA8GA9GAAG82结果.GAB中图8GACaGADGAE图8GAFcGB0GB1GA9较GA0GB2GB3，利用C-V 模型G8F以较GA0GB4确的G9AG9B出视G83GB1GA9.图8GACdGB0中视G83GB1GA9比较模GB5，图8GACeGB0和图8GACfGB0中视G83GB1GA9G9AGB6被异GB7以及GB8GB9GBAGBBGBCGBDG85但是GA7用GBEG89本文方法在进行视G83G9AG9BGBFGC0GC1GC2进行了GBAGBBGC3GC4G85

44、因此GC5能较好GC6检G84出视G83GB1GA9.GA0了GC7GC8本文方法的视G83G9AG9B性能G85GC9本文方法与GCA表性方法6的视G83G9AG9B方法进行G86较G85文献6是利用结G82GCBGCAOtsuGCCGCDGCE和HoughGCFG88进行视G83G9AG9B的.GC1GC2GD0GD1GD2GD3GD4GD5的视G83GD6GD7与本文方法G9AG9B出的视G83GD6GD7GBFGD8的GD9GDAGDBGDCG86S，SGDDGDEG9DGDFGE0S =AreaGAFGTCGADAreaGAFGTCGADGAF5GADGE1中GE2GT表G9FGBE

45、GD2GD3GE3GE4GD4GD5的视G83GD6GD7GE5C表G9F利用本文方法G9AG9B出的视G83GD6GD7GE5GTCGA0这2个GD6GD7GBFGD8的GE6G98GE5GTCGA0这2个GD6GD7的GE7G98GE5SGE8表G9FGE92个GD6GD7GBFGD8的GDBGDC率G85 GAB中0S1G85S的GCDGEAGEBGECG891G85表G9F这2个GD6GD7GDBGDC度GEAG95G85GED时GEEGEFGF0GF1方法G9AG9BGB4度更G95.GA7用本文方法和文献6方法对MESSIDOR G96G97G98G84试GBF后G85GD0GD1

46、G96G97G98GF2G9EGF3图像的GDBGDC率SG85表2中的G96G97GCA表G80GEDGD9GDAGDBGDC率对GF4的图像G96GF5G9EGF3图像G96的GF6G9A比.GF7G9D表GF82行GF83GF9的G96G97表G9F本文方法G9AG9B的GD9GDAGDBGDC率S0.95 的图像G96GF5GFAG9C1 200 GFB图像的 2%. GFC后G8AGF9表G9F 2 GFD方法对MESSIDOR G96G97G98G9EGF3图像G84试后的GFEGFFGDBGDC率S.文献6的方法利用 Hough G87G88进行视G83G9AG9BG85S GA

47、075%GE5而利用本文方法G94到的SGA079%G85与文献6方法相G86G85本文方法利用C-V模型进行视G83G9AG9BG85G9AG9BGB4度更G95.表2中G80GEDGD9GDAGDBGDC率S对GF4的视G83G9AG9BG9FGF7图G9D图9G9EG9FG85图中白色曲GA2是GD2GD3G9AG9B的视G83GA8GA9G85GA1色曲GA2是本文方法的G9AG9B出的视G83GA8GA9.虽然本文方法整体检G84效果较好G85但是对G89G8AG8BG8DG8E图像GEE会检G84失败G85G9D图10G9EG9F.GBEG89G8DG8E图像中存在GE9G8AG8

48、B病G87G85GAB亮度、对G86度、 相位G8A致性这3类视觉特征G8C著性要G95G89视G83G85使G94视G83GDD位失败GE5G8DG8E图像中视G83周GA8GF3亮度GB8的病G87干扰G85而且视G83GA8GA9G86较模GB5G85因此造成视G83G9AG9B错误. GBEG89视G83既是G8DG8E图像中G8C著性较G95的GD6表2 本文方法和文献6方法的重叠率比较ab.2 verlap rate comparison between the proposedmethod and the method of literature 6方法S0.95S0.90S0.

49、85S0.80S0.75S0.70SGAFGFEGFFGDBGDC率GAD文献6方法 2 15 25 43 62 77 75本文方法 2 17 31 54 69 82 79图8 MD数据集部分眼底图像视盘分割结果ig.8 artial fundus image segmentation results inMD datasetGAFaGAD结果1GAFfGAD结果6GAFeGAD结果5GAFdGAD结果4GAFcGAD结果3GAFbGAD结果2吴 骏G85等GE0基G89改进型Gbvs模型的G8DG8E图像视G83检G84方法%59 万方数据第 37卷天 津 工 业 大 学 学 报（a） S = 0.96 （b） S = 0.91域，又是血管