[0012] 图1为三级分解滤波器组示意图；
[0013] 图2为NSDFB八方向划分示意图；
[0014] 图3为NSCT结构分解示意图；
[0015] 图4为本发明专利的方法流程示意图。具体实施方案
[0016] 本发明一种自适应尺度分解的眼底图像血管随机共振检测方法，该方法具体包括以下步骤：
[0017] 步骤1：将原始眼底图像记为源图像P，M和N表示源图像P的行列尺寸。对P进行第1级NSCT变换，得到1个低通子带图像和8个方向的高频分量子带图像。NSCT具有平移不变特性使得这些子带图像与源图像具有相同的尺寸大小M×N。
[0018] 本发明中的NSCT变换首先进行非下采样金字塔分解(NSP)，通过双正交小波‘9‑7’构建滤波器组得到一个低通滤波器L和高通滤波器H，设则滤波器L和H的矩阵构造分别由滤波器系数li,j和hi,j决定，取c＝3，滤波器L和H的矩阵形式分别如式(1)和(2)所示。
[0019]
[0020]
[0021] 其中l0,0＝0.3245066567828517，l0,1＝l1,0＝0.1643662782633664，l0,2＝[0022] l2,0＝‑0.18830187186854155，l0,3＝l3,0＝‑0.013629023704276572，[0023] l1,1＝0.0740121520471188，l1,2＝l2,1＝‑0.02131840020457929，
[0024] l2,2＝‑0.01306636838062783，l1,3＝l3,1＝‑0.007296122436400075，l2,3＝[0025] l3,2＝0.001762583572331734，l3,3＝0.003080092825681339，
[0026] h0,0＝1.669154993235563，h0,1＝h1,0＝‑0.24975066285895303，h0,2＝[0027] h2,0＝‑0.055805733503531366，h0,3＝h3,0＝0.028522425973203154，[0028] h1,1＝‑0.1692097602584649，
[0029] h1,2＝h2,1＝‑0.022942609349085995，h2,2＝0.01351698519464063，h1,3＝[0030] h3,1＝0.021391819479902367，h2,3＝h3,2＝0.008556727791960947，[0031] h3,3＝0.0014261212986601578。
[0032] 源图像P分别与低通滤波器L和高通滤波器H进行卷积运算，如式(3)和(4)所示，得到一个低通子带图像E1和一个高频分量图像F1。其中*为卷积符号，下同。
[0033] E1＝P*L (3)
[0034] F1＝P*H (4)
[0035] 获得的高频分量图像F1可通过非下采样方向滤波器组(NSDFB)进行多方向分解，如式(5)所示。其中三级分解滤波器组进行方向分解的具体流程示意图如附图1所示，8个方向的选择示意图如附图2所示。采用梅花采样方向滤波器组，加入扇形垂直滤波器A和扇形水平滤波器B，对高频分量图像进行三级分解，可以得到8个方向的高频分量子带图像。其中·为矩阵相乘符号。
[0036]
[0037] 2级分解梅花采样矩阵定义为：
[0038]
[0039] 3级分解梅花采样矩阵定义为：
[0040]
[0041] 扇形滤波器矩阵定义为：
[0042]
[0043] 即对源图像P进行一次NSCT变换后得到1个低通子带图像E1和8个方向的高频分量子带图像F1,1～F1,8。
[0044] 步骤2：基于能量最大规则，按式(9)对前述步骤得到的8个方向的高频分量子带图像进行融合，得到融合后的子带合成图F1max。
[0045] F1max(x,y)＝MAX(F1,j(x,y),j＝1,2,...8) (9)
[0046] 其中F1,j(x，y)表示高频分量子带图像F1,j中(x，y)位置所对应的像素值，其中0
[0047] 利用逐行扫描将F1max降维成一维信号，然后将其作为Duffing随机共振模型的输入信号，Duffing随机共振模型可以用式(10)所示的方程描述：
[0048]
[0049] 其中，k为阻尼比惯性系数；s(t)表示随机共振模型的输入，即为F1max降维所对应的一维信号；ξ(t)为附加内噪声，且满足：<ξ(t)>＝0，<ξ(t)ξ(t')>＝2Dδ(t‑t')，D为噪声强度；v表示随机共振模型的输出信号。U(v)为如式(11)所示的势函数，其中参数a和b决定了系统的势阱位置和势垒高度。参数设定如下：k＝1，a＝1，b＝1。
[0050]
[0051] 以峰值信噪比为评价指标调节Duffing随机共振模型中的附加内噪声强度，将输出信号v逐行重构回二维信号得到随机共振响应图像Y1，当Y1的峰值信噪比达到最大值时，表明此时的附加内噪声强度对应于最优随机共振响应。其中峰值信噪比PSNR的计算方式如式(12)和(13)所示：
[0052]
[0053]
[0054] 步骤3：根据步骤2中最优随机共振响应时所对应的峰值信噪比指标，若指标高于最低标准值T，则将前述步骤中得到的低通子带图E1继续进行下一级的NSCT变换，此时将得到新尺度下的1个低通子带图像E2和8个方向的高频分量子带图像F2,1～F2,8。其中最低标准值T的设定，可根据源图像P的局部区域信噪比结果进行自适应调整，一般可随机选取源图像P的若干个局部区域并计算它们所对应的信噪比，比较获得最小的信噪比数值，最后将T设定为此数值的50％。
[0055] 步骤4：重复执行步骤2和步骤3直到峰值信噪比指标低于设定的最低标准值T，则计算自动结束。假设此时进行了第n级NSCT变换，则结果包括不同尺度下的n个低通子带图像E1,E2,...En以及n个最优随机共振响应结果Y1,Y2,...Yn。
[0056] 步骤5：对步骤4中得到的n个不同尺度的低通子带图像E1,E2,...En通过区域能量加权平均规则进行融合。图像En的区域能量ENn通过式(14)和(15)定义。
[0057]
[0058]
[0059] 其中En(i,j)为En在(i，j)点的像素值，ENn(i,j)为En在(i，j)点处的能量，wdα,β为对应的窗口函数。考虑到低通子带图像的方向性和中心像素特点，选定α＝{‑1,0,1}，β＝{‑1,0,1}，设定窗口函数wdα,β如式(16)所示。
[0060]
[0061] 计算各个低通子带图像E1,E2,...En的区域能量EN1,EN2,...ENn，则低通子带图像Ei的权值 为：
[0062]
[0063] n个低通子带图像E1,E2,...En经过式(18)进行融合，得到低通子带融合图像E*。
[0064]
[0065] 基于峰值信噪比数值的加权方法对步骤4中得到的n个最优随机共振响应Y1,Y2,...Yn进行加权融合，则Yi的权值 为：
[0066]
[0067] 其中PSNRi，i＝1,…n，表示第i次最优随机共振响应的峰值信噪比数值。
[0068] n个最优随机共振响应Y1,Y2,...Yn经过式(20)进行融合，得到融合结果Y*。
[0069]
[0070] 步骤6：对步骤5中得到的融合结果E*和Y*进行NSCT逆变换重构，得到重构后的图像，图像经过二值化阈值处理后即可得到最终的眼底图像血管检测结果。上述步骤设计中所用到的NSCT结构分解示意图如附图3所示。本发明专利的流程示意图如附图4所示。
