1 概述

人体的血管有很多，大部分都是有创才能观察到的，而眼底血管却是唯一不用动手术就能直接观察到的血管，血管的很多特征都能直接反应出一些疾病，比如糖尿病、高血压等。尤其这两种病的发生以及早期症状主要体现在血管的直径、粗细等特征的变化上。因此,研究血管的形态变化具有重要的诊断价值,尤其对较深层血管分枝和微细血管部分的观察和检测,更有助于疾病的早期诊断。对血管分割方法的探索一直受到研究人员的广泛关注。

2 眼底图像分割方法

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标(ROI)的技术和过程。目前主要有以下几种图像分割技术:基于区域的方法、基于边缘的方法、数学形态学法等。基于区域的方法主要有:阈值法、区域生长法、聚类等；基于边缘的方法主要有:微分算子等；监督分类的方法主要有:支持向量机、神经网络等。

2.1 基于区域的分割方法

该方法主要是利用区域之间的相似性，将具有相同或相似特征的区域划分为同一区域，不同或相似度不高的特征区域归属于不同区域。最常用的有阈值分割法，聚类等。

2.1.1直方图阈值法

直方图阈值法主要用在灰度图像分割中，此方法成功与否的关键是对阈值的选取,阈值偏大或偏小都会影响图像的分割效果。很多专家对此进行了研究和改进。双峰法比单峰法效果好很多。Prewitt就曾利用双峰法进行阈值的选取,即如果直方图呈现出了明显的双峰状（如图1）,则选取两峰之间谷上的灰度值作为分割阈值,然后将图像中的各像素与该阈值进行比较,从而确定每个像素的划分类。但是该算法也有缺陷，适用范围很有限，对于双峰明显的图像效果最佳，而对于双峰不明显的图片就很难选取到合适的阈值。针对该缺陷，很多专家又进行了改进，发展到后来的迭代阈值法。

此方法后来也被许多专家进行了改进。比如汪维华[2]等人提出了一种修正的形态学与Otsu相结合的无监督视网膜血管分割算法。该方法具有较高的分割精度，能够有效处理视网膜疾病对血管分割的影响，算法具有健壮性。

图1双峰直方图

2.1.2区域生长法

区域生长法是一种根据事先定义的准则将像素或者子区域聚合成更大区域的过程。简单地说，就是从图像中的某个像素或区域出发，按照一定的准则，逐步加入临近像素或区域，当满足一定的条件时，区域生长终止，最后得到整个区域，进而是心目标的提取。

区域生长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图象。但是区域增长方法是一种迭代的方法，空间和时间开销都比较大。

2.1.3聚类

聚类就是将物体或者抽象的对象进行集合、分组，成为由类似对象组成的多个类的过程。在图像处理中，即时将图像分割问题转化为模式识别的聚类分析问题。目前应用较多的是基于目标函数的模糊C-均值算法。

2.2 数学形态学

数学形态学是一门建立在拓扑学基础之上的图像分析学科，是数学形态学图像处理的基本理论。它是利用结构元素对图像进行一系列的操作。其中基本的运算包括:腐蚀和膨胀、开闭运算、形态学梯度、高低帽变换等。数学形态学常用于图像的边缘检测、滤波、特征提取等方面。其中医学图像常用的处理算法有高帽变换等。

2.3 基于边缘的分割方法

该方法的基本思路是先确定图像中的边缘像素，然后再把这些像素连接在一起构成所需的区域边界，然后利用边缘上某些特征(如灰度、色彩、纹理等)的不连续性检测边缘,从而实现图像的分割。目前进行边缘检测最常用的方法是微分算子法，活动轮廓模型等。

2.4 基于监督分类的方法

监督分类方法首先需要从研究区域选取有代表性的训练场地作为样本。根据已知训练区提供的样本,通过选择特征参数(如像素亮度均值、方差等)，建立判别函数，据此对样本进行分类，依据样本类别的特征来识别非样本像元的归属类别。监督分类主要分为训练过程和测试过程。基本流程图如图2所示:

图2基本流程图

2.4.1神经网络

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。具有自学习能力,且能够并行处理数据,有着良好的自适应性。神经网络由大量的人工神经元相互连接进行计算，主要通过调整神经元之间的权值来对输入的数据进行建模。

文章来源：《血管与腔内血管外科杂志》 网址: http://www.xgyqnxgwkzz.cn/qikandaodu/2021/0722/704.html