文摘

视网膜图像配准是重要的辅助诊断和监控视网膜的疾病,如糖尿病视网膜病变、青光眼。然而,视网膜图像的各种登记注册应用程序需要低质量的检测和特征点的分布地区,由血管不同的对比和大小。最近特征检测器被称为鞍的船只检测特征点分布和人口放置在强烈的对比船只。因此,我们提出一个多分辨率不同的高斯金字塔鞍检测器(D-Saddle)检测特征点的低质量的地区,由血管不同的对比和大小。D-Saddle测试在眼底图像配准(火)的数据集,由134视网膜图像对。实验结果表明,D-Saddle成功注册43%的视网膜图像对平均注册2.329像素精度较低的成功率是观察到其他四个最先进的视网膜图像配准方法GDB-ICP (28%)、Harris-PIIFD(4%)、氯(16%),和鞍形(16%)。此外,登记的准确性D-Saddle与强度最弱的相关性(枪兵)均匀性指标在所有方法。最后,配对t以及显示D-Saddle显著提高整个原始鞍登记的准确性。

1。介绍

视网膜图像配准的过程包括调整目标(移动)图像的方向参考图像(固定)。根据转换执行对齐估计基于视网膜图像之间对应的信息。通常用于超分辨率视网膜图像配准,图像mosaicking,纵向研究的应用。从多个图像超分辨率结合信息与大的重叠区域增加空间采样密度和提高病理信息。此外,超分辨率可以解决模糊边缘视网膜血管图像采集期间由于眼球运动。在图像mosaicking、与小重叠区域是一致的视网膜图像生成一个更广泛的观点作为眼科视网膜相机的视野有限30°至50°。通过图像mosaicking,眼科医生可以显示视网膜在一个大局,这是有利于充分说明成年人或新生儿视网膜疾病的最佳诊断(1,2]。此外,mosaicking应用程序一直在探索眼睛激光治疗糖尿病性视网膜病变(3]。在纵向研究应用程序中,视网膜图像捕获的利用不同的时间登记。纵向研究的应用程序是很重要的监视眼青光眼等疾病的进展和年龄相关性黄斑变性通常经历了一个长期退化的过程(4]。

之前工作视网膜图像配准可以分为成立和基于特征的方法。成立的方法估计转换通过对比强度模式固定和移动图像之间通过相似性度量等互信息(5),交叉相关,差异的绝对值之和,相关联(6]。通过优化过程,认为所有强度模式的相似性度量的图像和迭代改进初始转换参数,直到获得最佳登记。然而,优化使用所有强度模式图像的相似性度量计算昂贵。此外,强度模式不重叠的地区尤其是图像搭配小重叠区域可能误导的相似性度量和结果不准确登记。此外,成立方法是敏感的重要背景和解剖学变化随着时间的推移,(5,7]。例如,在青光眼病人会发展随着时间的推移改变视神经盘的地形。例如,进程在青光眼病人会随着时间的推移改变视神经盘的地形,从而显著变化强度图像对之间的模式,导致不准确的登记。

基于特征的方法搜索转换根据在图像通信功能。有四个主要组件基于功能特性的方法,即检测功能,分配描述符,匹配相应的特性,和搜索图像之间的转换。基于功能特性的方法是更健壮的强度的变化,规模比成立和旋转的方法,但需要稳定和可重复的特性之间的图像(8]。基于特征的方法是容器中的广泛使用的功能分岔(9- - - - - -13能被探测到的)通过分段血管树的分支点分析。然后,船分岔与强度特征方向或周围血管分支信息。然而,有效地检测血管分支,需要一个可靠的血管树分割技术,可以在劣质和不健康的视网膜图像的一个具有挑战性的任务。此外,稀疏和不均匀分布的血管分支,可能会导致不准确的注册小重叠区域的图像对。

另外,基于特征的方法使用本地特性是独立于血管的分割是稳定的和独特的。当地特性发现极值或强度水平的变化在当地补丁检测兴趣点。然后,这些点在图像匹配。减少错误的匹配算法,如随机样本的共识(RANSAC) [14(MSAC)[]和M-estimator样本共识15)是利用获得内围层。最后,内围层用于估计图像之间的转换。在当地特性考虑在现有视网膜图像配准方法(哈里斯角落16健壮的特性(冲浪)[],而且17,18),和尺度不变特征变换(SIFT) (19]。

陈等人发现哈里斯角落点和局部强度不变的特性(Harris-PIIFD)描述符分配给每个点相对于主要的取向(0,π)当地的梯度20.]。Harris-PIIFD是低质量的多通道测试视网膜图像。该方法可以成功注册视网膜图像重叠面积30%以上,低质量的视网膜图像的血管很难提取。然而,哈里斯角落重复性较低速率的视网膜图像对之间的解剖学变化。缺乏可重复的特征点在图像可能会导致不准确的或失败的登记。

Harris-PIIFD重复性率低的问题是解决在SURF-PIIFD-RPM考虑冲浪和健壮点匹配拒绝大量的离群值(21]。然而,他们的成功注册率降低到50%,当重叠区域是低于50%。冲浪在视网膜图像配准是进一步探索22)指导检测的冲浪点的血管血管是可靠的随着时间的推移,即使在不健康的视网膜图像。相反,Hernandez-Matas等人提取的冲浪点来自视网膜图像(23和他们的工作是进一步改善24)利用筛分。在视网膜图像,冲浪是可靠和快速计算但筛选具有更高的定位精度比冲浪。

广义dual-bootstrap迭代最近点(GDB-ICP) (25]算法生成初始转换和利用筛分至少需要一个正确的初始匹配寄存器对视网膜图像。GDB-ICP非常有效且广泛使用的注册劣质视网膜图像。然而,GDB-ICP是高度敏感的解剖学变化和非常低质量的图像。此外,特征点的分布GDB-ICP被噪声严重影响。虽然定位精度高,筛遭受的问题数量和分布。这些问题都解决在UR-SIFT-PIIFD通过检测统一可靠的尺度不变特征变换(UR-SIFT)点和计算PIIFD描述符注册噪声和低质量的视网膜图像(26]。他们的工作是进一步扩展的选择标准(27)来探测点躺在视网膜血管基于高斯(狗)值的差异和Frangi vesselness测量(有限)登记视网膜高分辨率和低对比度的图像。

在基于特征的方法之前,他们的表演等低质量图像的存在是有限的照明帧边界附近的工件,工件强度不均匀,黑点掩盖潜在的组织由可怜的瞳孔放大。低质量的视网膜图像是不可避免的不健康的视网膜由各种疾病引起的。此外,捕获高质量的视网膜图像需要的技能和经验的结合运营商调整相机设置以及合作从病人本身。这将限制他们的实际利用超分辨率,图像mosaicking,纵向研究的应用。这些应用程序是至关重要的诊断和监测视网膜疾病,如糖尿病视网膜病变、青光眼、和年龄相关性黄斑变性4]。因此,特征点应检测到低质量的区域,包括高和低对比度血管不同大小,以确保均匀分布的视网膜图像上的特征点。高度分布在视网膜图像特征点是重要的估计最优视网膜图像对之间的转换(22]。

最近当地特征检测器在图像处理领域被称为鞍检测当地结构,凹凸的表面三维强度定义在一个社区(28]。在眼底视网膜图像,鞍检测特征点船但这些点差分布,主要位于血管强烈的对比如图1。这个问题是鞍贡献的因素缺乏适当的过滤器来强调低质量船舶结构区域的视网膜图像。鞍座的另一个问题是船舶上的特征点检测是密集的位置,可能是类似的矢量描述符的特征。这可能导致错误的匹配和不准确的登记。此外,鞍利用相同的图像在水平维度尺度空间金字塔将增加,在检测过程中运行时间和内存使用。

因此,在这项研究中,我们提出一个本地特征检测器对视网膜图像配准(D-Saddle)将多分辨率金字塔狗与鞍探测器(28),使鞍点的检测低质量的区域,包括高和低对比度血管不同的大小。这将增加整个视网膜图像特征点的分布对因此允许更有效的登记D-Saddle劣质视网膜图像超分辨率,图像mosaicking,纵向研究应用。

本文的其余部分组织如下。方法描述的细节提出了包括检测工作,描述符,匹配,估计转换。在结果与讨论中,我们评估的性能提出了工作和报告结果。最后,结论和未来研究作品中突出显示的结论。

2。方法

鞍兴趣点所在的原始实现灰度图像尺度空间金字塔。在鞍尺度空间金字塔包含6维数相同的水平的模糊图像。图像是模糊比例因子为1.3,降低噪声和细节在视网膜图像。在越来越模糊了图像的方式的目的是探测点不同大小的结构。在金字塔的每一层,候选人为鞍点提取和测试模式。测试模式应用于内环和外环周围的候选点。每个候选点,通过模式测试将被分配一个反应的强度和nonmaxima抑制一步。然而,nonmaxima抑制一步只是应用于候选点位于第一级的边缘保持水平相对较粗。最后,计算每个点亚像素精度超过3 x3的社区。

2.1。算法

图2显示了注册框架提出D-Saddle组成的四个阶段描述如下。第一阶段涉及的过程检测特征点在一对视网膜图像,突出了本研究的主要贡献。第二阶段分配一个描述符在第一阶段每个特征点检测。第三阶段发现视网膜图像中的特征点之间的匹配对。第四阶段排除异常值的匹配和估计图像之间的变换进行图像配准。

2.1.1。阶段1:检测D-Saddle点

这个阶段,突出了本研究的主要贡献。拟议中的D-Saddle检测器包括七个重要步骤描述如下。

步骤1。构建多分辨率金字塔:狗狗函数近似高斯拉普拉斯算子的边缘检测(日志)和二阶导数。它可以被减去计算两个不同版本的模糊图像中定义(1)。通过获得的模糊图像灰度图像的高斯滤波器的卷积表达的宽度(2)。 在哪里 是狗的形象, 的高斯滤波器宽度, 是输入图像,的比例是两个高斯过滤器,是卷积算子。

把狗函数的主要原因是因为它的过滤特性,作为带通滤波器除去低和高频率噪音增加血管在视网膜图像的可见性。这将提高特征点的检测在船舶在低质量的地区,因此注册视网膜图像的准确性。我们构建狗形象Gaussian-filtered减法两个版本之间的图像的宽度 和 。我们选择的比率两个高斯过滤器 产生一个好的近似的拉普拉斯算子29日,30.]。

然而,检测视网膜图像的特征点可以进一步挑战由于不同大小的血管。因此,我们利用多分辨率金字塔狗使特征点的检测血管的大小不同。构建多分辨率金字塔狗的过程如图3。

多分辨率金字塔的概念是downsample图像一半以前的八度音阶的大小创建一组八度的多分辨率图像表示的图像金字塔。八度的数量设置为4,进一步将采样的图像可能会导致一个非常小的图像可能不包含任何兴趣点。减去两个版本的模糊图像的过程中定义(1每个八度)重复建造金字塔多分辨率的狗。

选择基础σ狗多分辨率金字塔,我们测试值在0.4和2.0之间越来越步骤0.1的15日对视网膜图像。从这个测试中,特征点检测和内围层图像的总增量的增加基础σ值,如图4。然而,效率由总内围层和特征点之间的比例逐渐下降,当检测到值大于1.0。这表明一个更大的值(> 1.0)会导致更多不稳定的特征点检测。在图像配准中,更多的内围层可以确保更准确的登记。然而,选择一个更大的值可以是低效率和计算昂贵。因此,通过考虑效率和总内围层之间的权衡,基础σ 狗多分辨率金字塔的选择在这个研究。狗多分辨率金字塔的一个例子在眼底视网膜图像如图5。

步骤2。为候选人选择内部和外部环点:每个候选点的狗多分辨率金字塔是分配的内环和外环如图6(一)。根据[我们戒指的大小28)的内圈由8像素而外环由16像素盘旋候选点的半径3像素。候选点 在狗图像像素在空间位置如下: 在哪里候选点的空间位置在哪里设在,候选点的空间位置在哪里设在,图像的宽度,图像的高度。

步骤3。测试候选人的内环模式分:内圈测试模式考虑的八个像素内圈在两个像素在一个方向上应该比其他两个正交方向上的像素。这些模式将在×和+的形状。所有可能的模式为每个形状如图所示6 (b)。候选点可以通过内圈测试一个或两个形状×和+。然后,中央强度值估计是基于四个像素的中值如果内环测试是通过与一个形状。八个像素会被考虑如果内圈测试是通过两个形状。内圈的测试将会消除大约80%的候选点。

步骤4。测试候选人的外环模式分:外环用 是一个圆的周长16像素和候选点的中心。的强度用外环可分为三个标签 ,也就是说,(黄点),(红点)(蓝色圆点)基于强度的核心价值和偏移量如下:

标签代表像素强度的中央社区内的强度值和它的偏移量 。标签和代表像素强度稍低,高于标签 ,分别。在这项研究中,偏移值经验设置为0.0010,我们使用了绝对图像的像素值在[0,1],黑色和白色的值为零。基于这些标签,候选点通过测试其外环包含一个连续和交替弧的标签和 。这些弧的长度应该在2 - 8像素之间28]。鉴于如果标签的弧线是一个例外和由标签2像素。四个例子可能的外环模式是描绘在图6 (c)。有关内部和外部环测试的细节可以在[28]。

步骤1。应用nonmaxima抑制:nonmaxima抑制3 x3的社区应用于候选点,通过内部和外部环测试。然而,nonmaxima抑制只是用于候选点的第一个八度内狗金字塔。这是因为更高的倍频程的特性是由于连续downsampling相对粗糙。

步骤2。位置改进估计为每个点亚像素精度,通过测试(28]。

步骤3。最后,检测到的特征点的空间位置在所有八度估计坐标系统的输入图像。

2.1.2。阶段2段4:描述符、匹配和几何变换

在阶段2中,面向的直方图的梯度(猪)描述符31日)计算每个D-Saddle点提取阶段1。细胞的大小在猪8-by-8像素块2×2细胞。然后在第三阶段,图像对之间的描述符匹配使用近似最近邻搜索(32)比率阈值为0.9找到对应点。

匹配过程后,离群值被排除在图像之间的对应点对使用MSAC算法(15]。MSAC,最大数量的随机试验,发现内围层设置为8000,把点之间的最大距离移动图像的对应点固定图像设置为四个值:1,20岁,60岁,80像素。从这个过程获得的内围层用于估计图像之间的变换对。然而,由于MSAC算法的随机性质,变换估计迭代之间的不同。因此,MSAC算法和转换过程为每一对重复4000次(每个最大距离值的1000倍),以确保它的收敛性。从这个重复,每一对最好的登记的准确性是选为最终结果。

在第四阶段,三个模型的转换利用登记:相似性,仿射和二阶多项式函数。选择转换模型是基于内围层的数量。在具有挑战性的图像内围层的数量小于8,相似变换被选中。仿射变换被选中当窗的数量超过8和小于30岁。如果超过30内围层的数量,选择一个二阶多项式函数(33]。

2.2。数据集

登记D-Saddle性能测试眼底图像配准(火)数据集(34,35),唯一公开的视网膜图像配准数据集与地面真理注释。视网膜图像获得使用Nidek亚足联- 210眼底相机分辨率为2912×2912像素和45°的视野(FOV)。数据集由134对视网膜图像和分为三个类别根据其注册应用程序,也就是说,超分辨率(类别),图像mosaicking(类别)和纵向研究(类别)。每个类别的细节特征的火灾数据集表进行了总结1。

类别和类别由图像与病理情况下对但是图像对之间的解剖外形保持不变。类别由图像对解剖学变化由于视网膜病变的进展或缓解。变化包括血管弯曲度的变化,微动脉瘤,药棉,斑点图像对之间。类别最小的重叠图像对之间,介于17%和89%之间,最大的旋转范围在0°和7°之间的类别。

火的三个指标是用来感知图像质量数据集,即均方误差(MSE),结构相似度指数(SSIM) [36),灵敏度不均匀性(联合国)[37]。MSE和SSIM测量图像对之间的相似性。MSE感知强度不同而SSIM描述相似的结构组件。更高的近似图像之间的相似性较低的MSE价值和SSIM的值接近1。联合国措施在一个图像的一致性强度更高的联合国值表示一个更统一的形象。联合国的强度均匀量化图像基于最大和最小像素值在感兴趣的区域(ROI)。这使得联合国敏感等不均匀照明帧边界附近的工件或工件暗点。我们描述图像中的亮度均匀性对从两幅图像通过平均联合国值。

视网膜图像对类别达到最大范围的MSE和联合国代表值的变化强度图像对之间的差异和统一范畴。这些变化是由特定的图像类别是在不同的照明条件下在不同的考试时间。所有类别和类似高SSIM值0.784至0.939的范围内显示高相似性的图像对之间的结构组件和最小模糊影响容器边缘由于运动工件或不适当的关注。形象的例子对高强度差异和非均匀强度数据图所示7。

2.3。评估标准

本研究主要有两个方面的评价。首先,我们评估的特征检测马鞍和D-Saddle通过对比特征点检测,匹配,总内围层和运行时间。第二,注册的性能提出D-Saddle比较对四种最先进的视网膜图像配准方法GDB-ICP [25],Harris-PIIFD [20.),氯(24),和鞍28]。GDB-ICP的实验结果,着火Harris-PIIFD,氯测试数据集得到的(34,35]。我们使用相同的登记精度测量和地面真理这些方法。此外,我们只比较注册性能与GDB-ICP Harris-PIIFD,和氯;因此,登记的变化性能不同的平台或硬件实现(34,35是最小的。马鞍和D-Saddle实验是在MATLAB中实现上运行英特尔®™核心i7 - 4770(电子邮件保护)GHz 8.00 GB RAM虽然GDB-ICP实验结果,Harris-PIIFD,得到氯(34,35]。相同的偏移值 ,描述符、匹配和转换为马鞍和D-Saddle实现前面所描述的。此外,处理图像双在583×583分辨率降低处理成本,但评估根据原始分辨率数据集与GDB-ICP确保一个公平的比较,Harris-PIIFD和氯。

我们评估登记D-Saddle提出的性能和先进的火灾数据集的方法使用一组评价指标描述如下。(1)登记精确起见,测量目标配准误差(过夜)描述的注册方法的准确性,登记精度高是由一个小混乱关系价值,反之亦然。混乱关系是像素的平均距离测量从10相应地标()或地面真理之间固定( )和移动( )图像注册后表达(5)。专家发现的地标提供火灾数据集。 (2)成功registration-we考虑登记混乱关系值低于1像素作为超分辨率的成功注册的应用程序。对于图像mosaicking和纵向研究应用程序,我们认为混乱关系值低于5像素作为临床的目的(这个范围内是可以接受的38]。登记混乱关系比这些值各自的应用程序被认为是失败了。(3)N_成功总图像对与成功注册。(4)成功率(%)总额的比率图像对与成功登记的总图像对数据集。

3所示。结果与讨论

3.1。特征检测

鞍检测到平均13939特征点在图像的标准差4714分而D-Saddle检测到5876个特征点967分的标准偏差表中列出2。的特征点检测到一个较小的标准差D-Saddle鞍表明D-Saddle相比更加一致和稳定的检测特征点之间的图像。

鞍点密集定位在强烈的对比船只(见图8(ⅰ))而D-Saddle点沿血管分布不同的对比度和尺寸(见图8(a-ii))。初始匹配包括不正确的匹配估计近似最近邻搜索(32排除15%的鞍点。删除不正确的匹配后的内围层使用MSAC算法构成6%的特征点检测到鞍。D-Saddle,初始匹配排除34%的特征点检测并代表8%的特征点检测的内围层。总的来说,检测到的特征点的平均值,匹配,内围层D-Saddle从鞍大约一半。然而,更准确的登记估计D-Saddle如以下所示分段由于检测D-Saddle分低质量的地区,分布在整个视网膜图像相比,鞍。

鞍带大约96秒13939检测特征点而D-Saddle 41秒检测5876特征点在一个图像。D-Saddle需要一半的时间从鞍检测特征点少42%。此外,D-Saddle更快计算,因为整个图像的多分辨率金字塔狗代表4/3输入图像的大小。相反,鞍过程六个图像与输入图像相同大小找到特征点。

3.2。登记的性能

本节描述的登记表现GDB-ICP, Harris-PIIFD,氯,马鞍,D-Saddle火灾数据集。我们计算斯皮尔曼等级次序相关测量登记的准确性之间的关系和比例等因素重叠区和图像质量。对于这一分析,混乱关系值的所有图像对被认为是计算。斯皮尔曼等级次序的相关性计算使用IBM SPSS统计软件(24版)。斯皮尔曼相关的范围是从−1 + 1中被认为是完美的相关性时,相关值接近±1和软弱时,相关值接近于0。斯皮尔曼相关在0.05显著水平确定由一个星号或在0.01上被两个星号。然后,我们比较注册性能与GDB-ICP D-Saddle, Harris-PIIFD,氯,鞍根据火灾中的注册应用程序的数据集。

3.2.1之上。重叠区域的百分比

斯皮尔曼之间的相关性登记准确性和重叠区域的火灾数据集比例方法总结表3。登记的准确性D-Saddle显著为负,与重叠面积的比例( , )。登记的准确性D-Saddle正迅速减少的减少图像对之间的重叠区域。混乱关系D-Saddle增加5像素以上的重叠面积低于75%。此外,83%的失败的登记与一个重叠的区域形象对低于75%。在所有方法中,鞍和显著相关性最强的重叠面积的比例( , )。鞍时主要未能注册图像对重叠区域是低于87%。另一个重要登记的准确性和重叠面积的百分比之间的相关性观察在GDB-ICP最弱的相关性在所有方法( , )。

3.2.2。图像质量

在眼底视网膜成像,图像质量是高度依赖于操作人员的技能和经验,设置的相机,从病人的合作。常见的图像质量退化中发现眼底视网膜图像帧边界附近的照明产品,强度不均匀,图像模糊由于运动工件或不当的聚焦和黑点工件掩盖潜在的组织由可怜的瞳孔放大。测量眼底视网膜图像的图像质量是一个主观的概念和专家之间的不同39,40]。因此,三个指标是用来测量视网膜图像质量在火灾数据集,也就是说,MSE, SSIM,和联合国感知强度差异图像对,相似的结构组件,分别和统一的强度。

斯皮尔曼相关计算来评估图像质量的影响在登记GDB-ICP的准确性,Harris-PIIFD,氯,马鞍,D-Saddle总结如表4。Harris-PIIFD,氯、马鞍和D-Saddle与MSE积极和显著相关,这表明登记精度随强度的增加而减小图像对之间的区别。登记的准确性与MSE GDB-ICP显示无显著相关。然而,应该注意的是,这种相关性仅计算从登记混乱关系值的一些注册失败GDB-ICP收益率没有任何混乱关系值由于无法估计转换。登记的准确性氯( , )最弱与结构相似性图像对相比其他方法而D-Saddle ( , )所示方法之间的弱相关性强度均匀性。

大重叠视网膜图像对,展览照明帧边界附近的工件,重要的强度不均匀,工件和黑点,D-Saddle成功注册这些图像对的43%意味着混乱关系为0.857像素GDB-ICP相比(17%),Harris-PIIFD(3%)、氯(20%),和鞍形(23%)。这表明D-Saddle更有效登记低质量的图像。此外,注册精度和强度均匀性较弱的相关性观察D-Saddle鞍。D-Saddle抑制非均匀强度通过狗运营商寻找特征点而鞍认为ROI内的非均匀强度信息寻找特征点。

3.2.3。登记的整体性能

GDB-ICP所有成功注册登记的准确性,Harris-PIIFD,氯,马鞍,D-Saddle总结表5。这些结果将展示每个方法注册视网膜图像的能力为各种应用程序,也就是说,超分辨率(类别),图像mosaicking(类别)和纵向研究(类别)。

在火灾数据集,D-Saddle成功注册43%视网膜图像对随后GBD-ICP(28%)、鞍形(16%)和氯(16%)。总体成功率较低可观测到Harris-PIIFD未能注册一个129视网膜图像对和导致最低的总体成功率只有4%在所有方法。图像之间匹配的例子D-Saddle点对和他们的每个类别的注册图像描绘在图9。

D-Saddle达到最高成功率(86%)在纵向研究应用程序相比,其在其他类别的成功率。成功注册的意思混乱关系是3.896±0.934像素最低混乱关系= 2.534像素从图像对1,最大的混乱关系= 4.906像素图像对6。D-Saddle未能注册图像对2,8之间表现出显著变化的血管弯曲度和厚度固定和移动图像。在这些双,D-Saddle无法找到匹配的影响船只,这些船只上的对应点的特点是不同的描述符。这是因为猪在D-Saddle管道特征点描述符与周围结构信息,可以敏感的图像对之间的结构性变化。因此,比赛主要位于和聚集在血管的影响。缺乏匹配整个血管分布在这些图像对导致注册失败。成功注册GBD-ICP (29%)、Harris-PIIFD(21%)、氯(29%),和鞍形(36%)类别只有在图像对以最小的解剖变异和变异主要是未能注册图像对船舶曲折。

在超分辨率的应用程序中,D-Saddle成功注册图像对的45%意味着混乱关系为0.852±0.116像素的最小混乱关系= 0.596像素的图像25和最大混乱关系= 0.999像素的图像39岁。GBD-ICP意味着混乱关系的成功注册,Harris-PIIFD,和氯超过D-Saddle 0.069, 0.006,和0.013像素分别。然而,较低的成功率是观察到GBD-ICP (24%)、Harris-PIIFD(3%)和氯(25%)。此外,GBD-ICP Harris-PIIFD、氯和鞍在注册视网膜图像显示更加敏感对照明存在的工件在帧边界附近,重要的强度不均匀,工件和黑点。

D-Saddle达到最低的成功率(27%)在图像mosaicking应用类别意味着混乱关系为4.520±0.412像素相对于其他类别的成功率。这个类别包含类别相比较小的重叠区域和类别 。最小的混乱关系这一类的D-Saddle从图像中获得19 3.741像素的混乱关系而获得最大的混乱关系图像16个4.993像素的混乱关系。D-Saddle未能注册图像对展品表面起皱,D-Saddle检测特征点对船只和皱纹,行式结构。因此,转换估计基于这些点会导致注册失败。在这个类别,GBD-ICP记录最高的成功率(33%)和最小的意思混乱关系成功注册(混乱关系= 3.068±0.840)在所有的方法。Harris-PIIFD和氯未能注册任何这类图像的双鞍成功注册只有6%的图像对。

然后,我们执行配对t以及检查如果D-Saddle登记精度明显高于鞍在火灾数据集。在该测试中,我们认为混乱关系数据集的所有图像对的值。表6表明D-Saddle显著优于鞍在所有类别。一个更大的平均差D-Saddle登记准确代表了一个更大的提高。平均差是负的,因为D-Saddle比鞍混乱关系较小。的配对t以及显示D-Saddle大大提高鞍性能在处理较小的视网膜图像对图像重叠mosaicking应用程序。登记在D-Saddle精度略高于鞍的解剖图像对类别之间的区别 。最小的平均差是观察到的类别由视网膜图像对大空间重叠和类似的解剖露面。

4所示。结论

本文介绍了D-Saddle基于功能的视网膜图像配准算法。D-Saddle包含狗多分辨率金字塔与鞍检测模块来改善其能力在低质量的检测特征点区域,包括高和低对比度船只的大小不一。这是至关重要的分布式特征点检测更多的视网膜血管,使D-Saddle登记等各种注册应用程序的视网膜图像对超分辨率,图像mosaicking,纵向研究的应用。

D-Saddle着火测试数据集,包括134对视网膜图像和分类根据超分辨率,图像mosaicking,纵向研究应用。我们之间进行了比较实验GDB-ICP D-Saddle和四个先进的视网膜图像配准方法,Harris-PIIFD,氯和马鞍。实验结果表明,GDB-ICP获得登记的准确性高于D-Saddle在所有类别。然而,D-Saddle成功注册43%的视网膜图像对火灾数据集,成功率低,可以观察到在GDB-ICP (28%)、Harris-PIIFD(4%)、氯(16%),和鞍形(16%)。此外,D-Saddle更健壮的视网膜图像对登记与其他方法相比纵向研究和超分辨率应用时成功注册图像对的86%和45%,分别。在图像mosaicking应用程序中,GDB-ICP成功注册图像对的33%,表现优于D-Saddle成功注册只有27%的图像对。

登记的准确性D-Saddle证明是受到图像对之间的重叠面积的百分比。可以实现最佳性能的D-Saddle当重叠区域大于75%。这个解释的成功率较低D-Saddle在图像mosaicking应用程序相比,它的成功率在82%的形象对其他类别这一类有重叠面积小于75%。然而,D-Saddle更有效注册低质量图像对包括照明帧边界附近的工件,工件重要的非均匀强度,和暗点。在低质量的视网膜图像对大的重叠区域,D-Saddle成功注册图像对的43%而GDB-ICP Harris-PIIFD,氯,鞍注册只有17%,3%,20%,和23%的图像对。

的配对t以及进行登记的准确性之间D-Saddle和鞍表明D-Saddle显著提高登记精度的原始鞍在所有类别。最大的改进是观察图像mosaicking应用程序而最小的改进是观察到超分辨率的应用程序。在未来,我们将专注于改善视网膜图像D-Saddle对较小的重叠区域和扩展其实现形式。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了马来亚大学研究生科研补助金(pg039 - 2015 b),马来亚大学研究基金援助(bk057 - 2014),和马来亚大学的科研补助金(RP040C-15HTM)。