基于改进的自适应中值滤波的糖尿病视网膜渗出液病变分割.pdf

2023 年第 11 期174智能技术信息技术与信息化基于改进的自适应中值滤波的糖尿病视网膜渗出液病变分割杨丽鑫1 戴家佳1YANG Lixin DAI Jiajia 摘要 为了提高渗出液病变分割的抗噪性和质量，简化渗出液分割工序及提高分割效率，提出了一种基于改进的自适应中值滤波（IAMF）的糖尿病视网膜渗出液病变分割方法。IAMF 考虑将像素点(x,y)邻域中的各像素值的中值和偏置项的加权平均来替换当前像素点的灰度值，且根据噪声判定条件判断中值是否是噪声，在给定范围内自适应改变滤波器的窗口尺寸大小及窗口形状，使得滤波结果突出视网膜渗出液的形状结构，减少或消除可能的出血和其他混杂的视网膜结构。通过实验结果表明，IAMF 方法通过自适应改变的窗口尺寸和形状，既兼顾降噪效果和图像细节保护的问题，又能提高图像处理速度。经过改进的自适应中值滤波器预处理后的糖尿病视网膜图像，结合自适应阈值二值化分割的渗出液轮廓清晰、完整，对不同形状、尺寸、光照条件下的渗出液病变具有鲁棒性，有效去除相机成像产生的椒盐噪声。所提出的方法简化了糖尿病视网膜渗出液分割工序、提高了分割效率。关键词 改进的自适应中值滤波（IAMF）；渗出液分割；糖尿病视网膜病变；自适应阈值二值化 doi：10.3969/j.issn.1672-9528.2023.11.0401.贵州大学数学与统计学院 贵州贵阳 5500250 引言根据世界卫生组织的估计，2014 年全球糖尿病患者达 4亿人，到 2030 年这一数字将迅速翻倍1，我国糖尿病发病率随着人民生活水平的改善在逐年上升，现在已经成为世界上糖尿病患者人数最多的国家。糖尿病同时也会引起各种的慢性并发症，糖尿病性视网膜（diabetic retinopathy，DR）病变是糖尿病的严重并发症之一。DR 病变通常包括微动脉瘤、渗出液、出血、新生血管等2，渗出液出现在非增殖性糖尿病性视网膜病变期间，由异常血管的脂质流出造成，可以作为 DR 早期的可见标志，是评定糖尿病视网膜病变程度的关键指标。其颜色呈黄色，形态各异，在中心凹外显示为放射状、扇状或环状分布，形成黄色星芒状斑。目前眼底渗出液的检测方法大致分为监督学习和无监督学习，无监督学习方法包括基于数学形态学、聚类、区域生长的方法，监督学习为基于像素分类的方法3。刘梦雪4提出基于双尺度形态学的渗出液分割方法，该方法需要在图像预处理阶段对视盘进行定位。Aqib Ali 等人5提出基于聚类的自动区域增长分割方法，该方法中 K-mean 分割结果会因为聚类个数 K 受到干扰。傅迎华等人6提出融合残差模块的U-Net 渗出液分割方法，在训练样本较少时取得较好效果。已有的研究表明，糖尿病视网膜渗出液病变分割面临着渗出液与视盘相似、容易受眼底图像噪声的影响7、镜头成像和图片边缘反光8等问题，为了提高渗出液病变分割的抗噪性和质量，简化渗出液分割工序及提高分割效率，本文提出一种基于改进中值滤波的糖尿病视网膜渗出液病变分割方法。1 数据来源与介绍为了评估渗出液分割方法的性能，本文使用的糖尿病视网膜数据集来源于 Kaggle 公共数据集，该数据库包含 35 126张由眼底相机拍摄的高分辨率彩色视网膜图像，其成像条件和患者年龄均不相同。临床医生根据 DR 病变的严重程度以0 到 4 的等级对每张图像中的 DR 严重程度进行评分。图 1展示了视网膜图像，其中图 1（a）为正常人的视网膜图像，图 1（b）为糖尿病患者的视网膜图像，该视网膜已出现微动脉瘤和渗出液等糖尿病性视网膜病变。（a）正常视网膜图像 （b）糖尿病视网膜图像图 1 视网膜图像 2023 年第 11 期175智能技术信息技术与信息化2 基于改进中值滤波的渗出液分割 2.1 方法及原理2.1.1 二维中值滤波器基本原理中值滤波器是常用的抑制噪声的非线性滤波器，1971 年由 Turky 最先提出，基本原理是将图像分为大小相等的重叠子块，将子块中心像素的值换成该子块内像素的中值9。二维中值滤波表达式为：,22(,)(,)WWm nijg i jMediang m n+=（1）式中：(,)g i j为二维中值滤波后的图像，Median 表示中值滤波运算，g 表示原始图像，w 为滤波窗口大小。中值滤波器能够很好地消除椒盐噪声等脉冲噪声，同时还能保护图像的边缘信息10。中值滤波器的对噪声处理效果由处理窗口尺寸决定，但其窗口尺寸大小不能同时兼顾噪声消除和图像细节保护两方面。窗口可以根据图像的外形特征选择不同形状的窗口11，常见窗口有正方形、菱形、十字形等，不同形状的扫描窗口消耗的时间和噪声处理效果不一样。2.1.2 改进的自适应中值滤波器传统的中值滤波在噪声密度较大时，噪声值替换中心像素值导致噪声清除效果不佳，中值滤波器的窗口尺寸和形状在图像处理过程中保持不变，不能兼顾降噪效果和图像细节保护，没有考虑图像的处理速度12。如图 1（b）图所示，糖尿病视网膜渗出液颜色呈亮黄色，从形状和颜色上明显区别于视网膜内如血管、微动脉瘤等其他特征。根据渗出液的特点在中值滤波器加入一个偏置项，可以使得滤波结果突出视网膜渗出液的形状结构，减少或消除可能的出血和其他混杂的视网膜结构。本文基于二维中值滤波和渗出液的特点提出了一种改进算法，改进的自适应中值滤波器考虑将像素点(x,y)邻域中的各像素值的中值和偏置项的加权平均来替换当前像素点的灰度值，且根据噪声判定条件判断中值是否为噪声，在给定范围内自适应改变滤波器的窗口尺寸大小及窗口形状。在对改进的自适应中值滤波器描述时需要用到如下符号：表示最小次序统计量，即窗口 Sxy中的最小灰度值；表示最大次序统计量，即窗口 Sxy中的最大灰度值；和分别表示 n 取奇数和偶数窗口 Sxy中灰度值中位数；Gxy表示坐标(x,y)处的灰度值；噪声判定条件指的，不满足该条件的中值点为噪声13。窗口内的像素中值和 G(xy)计算公式为：（2）1(1)2xymednGaGbG+=+（3）权重 a 和 b 的取值将在 2.2 节实验中，根据糖尿病视网膜渗出液分割效果来选取。实施该算法的流程图如图 2 所示。图 2 改进的自适应中值滤波算法流程图2.1.3 自适应阈值二值化二值化算法是把大于某个临界灰度值的像素灰度设为灰度极大值，把小于这个值的像素灰度设为灰度极小值14。根据阈值选取方法的不同，二值化的算法分为固定阈值和自适应阈值，自适应阈值可以很好地处理含噪声和光照不均的图像15。自适应阈值二值化算法思想如下：取像素点(x,y)周边 mm 的区域，计算区域内像素均值 avg(x,y)，该区域内的阈值为：（4）式中：param 为固定参数，最终像素点(x,y)二值化结果为：（5）自适应阈值二值化的好处在于不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值17。2.2 实验结果及分析本文提出的改进的自适应中值滤波器（IAMF）考虑将像素点(x,y)邻域中的各像素值的中值和偏置项的加权平均来替换当前像素点的灰度值，下面实验将对公式（3）的中值和偏置项权重 a 和 b 进行讨论，令 b=1-a。2023 年第 11 期176智能技术信息技术与信息化权重 a 和 b 的选择分两部分实验进行。第一部分实验权重 a=0.1i，i=0,1,10。对不同的权重 a，计算对应的图像相似性指标值 SSIM、PSNR、MSE，结果如图 3 所示。计算公式为：21021125510log(,)(,)mnijmnPSNRf i jf i j=（6）12222212(2)(2)(,)()()xyxyxyxyCCSSIM x yCC+=+（7）112111(,)(,)mnijMSEf i jf i jmn=（8）式中：x、y、x2、y2分别是图 像 x 与 y 的 像 素 均 值 和 像 素 方差，是图像 x 和 y 的像素协方差，C1=(0.01L)2，C2=(0.03L)2是用来维持稳定的常数，L 是像素值的动态范围，m、n 分别为图像的尺寸，、分别为原图像和处理后图像，SSIM 取值在 0 到 1 之间，SSIM 和 PNSR 越 大、MSE 值 越 小说明两图像间差异越小18。2767_right、2532_right、2970_right 分别为三张不同的出现渗出液病变的彩色视网膜图像，重复实验 50次取平均值得到 SSIM、PSNR、MSE值，并绘制权重 a 与 SSIM、PSNR、MSE 的关系图，结果如图 3 所示。图 3 权重 a 与 SSIM、PSNR、MSE 关系图从图 3 中可以发现，SSIM 值和 PSNR 值总体都随着权重 a 的增大而减小。权重 a 从 0 增大到 0.1 时 SSIM 值和PSNR 值下降的速度最快，在此之后降幅较为均匀。MSE 值与权重 a 成正比例关系。图 4 以 2767_right 视网膜图像为例，展示了 a=0,0.1,0.2,0.4 时渗出液分割结果。图 4 不同的权重 a 渗出液分割图a=0 时渗出液形状变形，相比之下 a=0.1 时，渗出液病变分割完整，且其余特征相对最少，也表明中值对渗出液形状细节起修复作用。以上实验结果说明中值的权重 a=0.1 较佳，相应偏置项权重b=0.9。又因为a=0时，分割结果显示血管、噪声等杂质是最少的，所以考虑 a 从 0.1 趋近于 0 时渗出液的分割结果，也就是权重选择实验的第二部分，实验结果如表 1 所示。同上述实验相同，重复实验 50 次取平均值。表1 展示不同权重 a 所对应三张视网膜图像的 SSIM、PSNR、MSE，第一列为 a 的取值。从表 1 中可以看出 SSIM 的变化，a 从 0.1 减小到 0.01时 SSIM 变大，当 a0.01 时 SSIM 趋于 稳定。a 0.01 时PSNR 出现相似的规律。MSE 值从 a=0.1 到 a=0.01 大幅度减小，在2767_right和2532_right下a=0.01时，MSE值最小。综上所述，中值和偏置项权重分别为 a=0.01、b=0.99 时效果最佳。为证明本文算法的有效性，将对出现渗出液病变的不同糖尿病视网膜图像应用标准中值滤波（MF）和改进的自适应中值滤波器（IAMF），实验结果如图 5 所示。（a）MF （b）IAMF图 5 不同的糖尿病视网膜图像滤波结果图5（a）表示MF处理结果，图5（b）为IAMF处理结果，从视觉角度进行分析，相比传统的中值滤波法，本文提出的表 1 权重 a 与 SSIM、PSNR、MSE 关系表aSSIM PSNRMSE2767rht2532rht2970rht2767rht2532rht 2970rht2767rht2532rht2970rht0.10.96 0.95 0.975 22.76 20.92 23.37 344.77 526.14 299.18 0.010.98 0.98 0.98128.48 24.62 25.10 92.26 224.30 201.03 0.0010.98 0.97 0.983 28.42 24.40 25.29 93.53 235.82 192.39 1E-40.98 0.97 0.983 28.46 23.54 25.29 92.73 287.94 192.31 1E-50.98 0.97 0.983 28.28 23.38 25.21 96.56 298.39 195.96 1E-60.98 0.97 0.983 28.38 23.38 25.29 94.50 298.31 192.21 1E-70.98 0.97 0.983 28.37 23.38 25.28 94.59 298.38 192.94 1E-80.98 0.97 0.983 28.36 23.38 25.25 94.76 298.71 194.31 1E-90.98 0.97 0.983 28.29 23.38 25.26 96.47 298.47 193.77 1E-100.98 0.97 0.983 28.36 23.38 25.23 94.85 298.71 194.85 1E-110.98 0.97 0.983 28.35 23.38 25.24 95.03 298.71 194.57 2023 年第 11 期177智能技术信息技术与信息化改进的自适应中值滤波器有效地去除了图像噪声。而且相比MF 处理结果，IAMF 方法在保留渗出液纹理细节的基础上，对图像中渗出液以外的视网膜结构具有较好的平滑效果，既保留视网膜图像渗出液的细节，又抹平血管、视盘等“噪声”细节。opencv 模块提供函数 cv2.adaptiveThreshold 完成图像的自适应阈值二值化操作，本实验每个窗口内像素点均值为加权均值。自适应阈值二值化以下简称 ATB 方法。在接下来的实验过程中，使用 ATB 方法对视网膜图像完成渗出液提取的最后一步，并对三种方法分割渗出液的效果进行比较，结果如图 6 所示。（a）原图（b）中值滤波（c）改进的自适应中值滤波器图 6 ATB 方法下不同的糖尿病视网膜渗出液分割结果图 6（a）图 表 示 对原始视网膜图像直接使用ATB 方法提取渗出液。可以看出，对于纹理信息丰富和混合一定量椒盐噪声的视网膜图像，直接使用ATB 方法难以准确提取出渗出液的轮廓信息，不具有良好的去噪效果，血管纹理等多余特征更为突出。图 6（b）图为对 MF 处理后的视网膜图像使用 ATB方法提取渗出液。图 6（c）图表示对 IAMF 初步处理后的视网膜图像使用 ATB 方法分割渗出液。图 6（b）和图 6（c）对比可以发现，自适应阈值二值化方法应用于改进的自适应中值滤波器处理后糖尿病视网膜图像，解决了渗出液分割不完整的问题，渗出液形状和轮廓都更为清晰，噪声点被有效地去除，血管、微动脉瘤、出血等多余的视网膜结构更少。为进一步从客观指标上精确评价本文提出的基于改进的自适应中值滤波器的糖尿病视网膜渗出液分割结果，选取客观评价指标 SSIM（结构相似性）、PSNR（峰值信噪比）、MSE（均方误差）、TIME（算法运行时间）作为实验评价指标。实验中选择 8 张不同糖尿病视网膜图像，如 2767_right、4163_left 等，数字代表编号，英文代表左眼或右眼，以运行 50 次评价指标的平均值证明算法稳定性。对灰度图像分别进行图像视网膜渗出液分割实验，并与标准中值滤波算法进行对比，中值滤波扫描窗口尺寸为 77。记录 SSIM值、PSNR 值、MSE 值和算法运算时间 TIME 值，结果如表 2 所示，中值滤波器（median filtering）在表中简写为MF，改进的自适应中值滤波器（improved adaptive median fi lter）在表中简写为IAMF。从表2中客观评价指标可以看出，IAMF 方法具有相对较大的 SSIM 值，87.5%IAMF 方法的SSIM 值大于 0.98，且所有 IAMF 方法的 SSIM 值大于 MF方法的 SSIM 值。IAMF 方法给出的 PSNR 值均大于 MF 的PSNR 值。IAMF 方法下的 MSE 值远小于 MF 得到的 MSE值，对于 2532_right 视网膜图像，MF 方法比 IAMF 方法给出的 MSE 值大约下降 81.87%，在表 1 中的实验中，其最大降幅约为 97%（12734_left），最小降幅约为 82%（2532_right）。总体来看，IAMF 在 SSIM、PSNR、MSE 均 100%取得了最优值，IAMF 下的 TIME/s 值 87%以上都取得了最优值。这说明本文基于改进的自适应中值滤波器（IAMF）的糖尿表 2 自适应二值化下不同的糖尿病视网膜渗出液分割评价指标值图片SSIMPSNRMSETIME/sMFIAMFMFIAMFMFIAMFMFIAMF2767_right0.918 10.986 517.817 328.613 61074.866 089.479 04.411 52.407 72532_right0.913 30.977 217.309 024.724 51208.318 6 219.095 64.452 72.436 92970_right0.925 10.983 318.087 528.072 61010.005 2 101.348 84.425 12.626 84163_left0.926 50.986 618.410 627.3605 5937.612 2119.405 74.265 03.456 312734_left0.945 70.995 419.199 434.337 7781.868 623.950 14.219 14.420 613038_left0.948 80.995 219.705 832.454 0695.829 336.955 94.236 14.118 514530_left0.950 00.994 119.338 031.547 8757.328 545.530 84.399 72.818 418656_right0.952 20.993 220.000 132.016 3650.231 940.874 54.415 62.426 22023 年第 11 期178智能技术信息技术与信息化病视网膜渗出液分割效果优于改进前的算法，表现出了更好的渗出液分割效果，使分割图像的质量得到了进一步的优化，平均程序运行时间更短，证明了该分割方法具有较好的有效性和通用性。实验所用对照图为对应的只含渗出液的视网膜二值化图像。3 结论 糖尿病视网膜渗出物的存在是导致青光眼、白内障、DME 等严重视网膜疾病的原因19，渗出液检测是一项复杂的任务。但是，即使是经过长期专业培训的眼科医生在工作疲劳时仍可能出现漏诊情况。为辅助医生更准确地诊断患者的状况，本文提出了一种辅助识别渗出液的自动化技术，即一种基于改进的自适应中值滤波器的糖尿病视网膜渗出液病变分割方法。该方法首先在中值滤波器中引入偏置项，取中值和偏置项的加权平均值替换当前像素值，使其在保留渗出液形状结构同时减少血管、微动脉瘤等“噪声”特征，考虑算法运行时间和窗口内中值可能为噪声值的情况，自适应的调整窗口的形状和尺寸。然后，用改进的自适应中值滤波器对糖尿病视网膜图像进行预处理。最后，运用自适应阈值二值化算法对预处理后的糖尿病视网膜图像分割渗出液。实验结果表明，本文提出 IAMF 糖尿病视网膜图像预处理方法对于血管纹理丰富的视网膜图像具有较好的平滑效果，能减少或消除可能的出血和其他混杂视网膜结构的问题。经过预处理后的糖尿病视网膜图像，结合自适应阈值二值化分割的渗出液轮廓清晰、完整，对不同形状、尺寸、光照条件下的渗出液病变具有鲁棒性，有效去除相机成像产生的椒盐噪声。该方法简化了糖尿病视网膜渗出液分割工序、提高了分割效率。参考文献：1 SANGEETHAA S N,JOTHIMANI S.Detection of exudates from clinical fundus images using machine learning algo-rithms in diabetic maculopathyJ.International journal of diabetes in developing countries,2023,43(1):25-35.2 KADAN A B,PERUMAL S S.Detection of hard exudates using evolutionary feature selection in retinal fundus imag-esJ.Journal of medical systems.2019,43(7):1-12.3 SHILPA J,KARILE P T.A review on exudates detection methods for diabetic retinopathyJ.Biomedicine&phar-ma-cotherapy,2018,9(7):1454-1460.4 刘梦雪.糖尿病性视网膜病变眼底图像自动分析D.上海:上海交通大学,2017.5 ALI A,QADRI S,KHAN W.Machine learning based automated segmentation and hybrid feature analysis for diabetic retinopathy classification using fundus imageJ.Entropy,2020,22(5):567.6 傅迎华,李震,张雨鹏,等.一种融合残差模块的 U-net 对眼底图像渗出液的检测 J.小型微型计算机系统,2021,42(7):1479-1484.7 LIU Q,ZOU B,CHEN J,et al.A location-to-segmentation strategy for automatic exudate segmentation in colour retinal fundus imagesJ.Computerized medical imaging and graph-ics,2017,55:78-86.8 李郭.基于深度学习的糖尿病视网膜眼底图像病变分析算法研究 D.上海:上海交通大学,2018.9 彭玮琪.数字取证中的中值滤波检测研究 D.北京:北京交通大学,2021.10 王野,李钦奉,齐继阳.基于改进自适应中值滤波的图像降噪方法 J.舰船电子工程,2022,42(6):112-115.11 刘智嘉,夏寅辉,杨德振,等.基于中值滤波器的红外图像噪声处理的改进方法J.激光与红外,2019,49(3):376-380.12 张玉静,王大全,马艳辉.一种改进的自适应中值滤波算法研究 J.工业控制计算机,2016,29(11):109-110+113.13 王丽红,胡长宏,范鲜红,等.自适应中值滤波器优化及其 FPGA 实现 J.哈尔滨理工大学学报,2021,26(5):68-75.14 朱德利,杨德刚,胡蓉,等.适于移动终端字符识别环境的自适应多阈值二值化方法 J.计算机科学,2019,46(8):315-320.15 张凯旋.文本图像二值化的偏微分方程模型研究 D.重庆:重庆大学,2019.16 林凯.文档图像自适应二值化与字符识别 D.哈尔滨:哈尔滨理工大学,2018.17 WELKER S,LEVY A.Comparing machine learning and binary thresholding methods for quantification of callose deposits in the citrus phloemJ.Plants,2022,11(5):75-76.18 陈顺,李登峰.基于改进滤波器与小波的印花织物边缘提取 J.计算机工程与设计,2021,42(3):790-796.19 ZUBAIR M.Automated segmentation of hard exudates using dynamic thresholding to detect diabetic retinopathy in retinal photographsJ Jmultim process technol,2016(7):109-116.【作者简介】杨丽鑫（1998），女，贵州榕江人，硕士，研究方向：生物与医学统计。（收稿日期：2023-06-13 修回日期：2023-06-27）