《工程科学学报》：基于免疫遗传形态学的视网膜光学相干断层图像边缘

工程科学学报，第41卷，第4期：539-545,2019年4月 Chinese Journal of Engineering,Vol.41,No.4:539-545,April 2019 DOI:10.13374/j.issn2095-9389.2019.04.015:http://journals.ustb.edu.cn 基于免疫遗传形态学的视网膜光学相干断层图像边缘 检测方法 童何俊，付冬梅四 北京科技大学自动化学院，北京100083 ☒通信作者，E-mail:fdm_usth@usth.cdu.cn 摘要提出了基于免疫遗传算法的形态学自适应结构元素生成算法，并将其用于光学相干断层成像(optical coherence tomo- gpy,OCT)图像中视网膜组织边缘检测.首先将图像进行去噪和粗分割的预处理，并将图像划分为若干子图像：其次对每 一子图利用免疫遗传算法求取自适应结构元，初始随机生成固定长度的二进制数串作为抗体，并将其转化为结构元素格式， 以图像二维熵定义抗体适应度，根据子图像本身结构特征信息，寻找最优抗体结构元素：最后利用寻优得到的各结构元素对 子图进行形态学边缘检测，合并各子图的分割结果，实现整体图像目标边界提取.实验结果表明了该方法在图像目标边界提 取的有效性. 关键词数学形态学：自适应结构元素：免疫遗传算法：光学相干断层图像：边缘检测 分类号TP391.41 Edge detection method of retinal optical coherence tomography images based on immune genetic morphology TONG He-jun,FU Dong-mei School of Automation and Electrical Engineering,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:fdm_ustb@ustb.edu.cn ABSTRACT Optical coherence tomography (OCT)is an indispensable tool used for the diagnosis and identification of ocular fundus disease and nondestructive,rapid,and high-resolution imaging of the living retinas.The attendant research focuses on the development of computer-aided methods to help ophthalmologists make judgments regarding the morphological changes of retinal tissue and acquire tissue characteristic parameters.Realizing the segmentation of retinal tissue in OCT images is the key aspect of this kind of research. Mathematical morphology,which has been widely used in the fields of image detection,shape analysis,pattern recognition,and com- puter vision,uses different structural elements to measure,extract,analyze,and identify image targets.However,traditional morpho- logical structure elements cannot be adaptively changed on the basis of the structural characteristics of the images.In this study,an al- gorithm for generating morphological adaptive structural elements was proposed on the basis of an immune genetic algorithm,which the detection of retinal tissue edges in optical coherence tomography (OCT)images was applied.First,the image is preprocessed by de- noising and coarse segmentation and then the image is divided into several sub-images.Second,the adaptive structure elements are computed using an immune genetic algorithm for each sub-image.A string of binary numbers of fixed length is initially randomly gener- ated as an antibody and then converted into a format of structural element.The fitness of an antibody is defined by the two-dimensional entropy of the image and the optimal antibody and structural elements are identified according to the structural characteristics of the sub- image itself.Finally,with these optimal structural elements,morphological edge detection is performed to obtain the segmentation re- sults of each sub-image combined with those of each sub-graph to realize the extraction of the target boundary of the whole image.The 收稿日期：201803-01

工程科学学报，第 41 卷，第 4 期: 539--545，2019 年 4 月 Chinese Journal of Engineering，Vol． 41，No． 4: 539--545，April 2019 DOI: 10． 13374 /j． issn2095--9389． 2019． 04． 015; http: / /journals． ustb． edu． cn 基于免疫遗传形态学的视网膜光学相干断层图像边缘 检测方法 童何俊，付冬梅 北京科技大学自动化学院，北京 100083 通信作者，E-mail: fdm_ustb@ ustb． edu． cn 摘 要 提出了基于免疫遗传算法的形态学自适应结构元素生成算法，并将其用于光学相干断层成像( optical coherence tomo￾graphy，OCT) 图像中视网膜组织边缘检测． 首先将图像进行去噪和粗分割的预处理，并将图像划分为若干子图像; 其次对每 一子图利用免疫遗传算法求取自适应结构元，初始随机生成固定长度的二进制数串作为抗体，并将其转化为结构元素格式， 以图像二维熵定义抗体适应度，根据子图像本身结构特征信息，寻找最优抗体结构元素; 最后利用寻优得到的各结构元素对 子图进行形态学边缘检测，合并各子图的分割结果，实现整体图像目标边界提取． 实验结果表明了该方法在图像目标边界提 取的有效性． 关键词 数学形态学; 自适应结构元素; 免疫遗传算法; 光学相干断层图像; 边缘检测 分类号 TP391. 41 收稿日期: 2018--03--01 Edge detection method of retinal optical coherence tomography images based on immune genetic morphology TONG He-jun，FU Dong-mei School of Automation and Electrical Engineering，University of Science and Technology Beijing，Beijing 100083，China Corresponding author，E-mail: fdm_ustb@ ustb． edu． cn ABSTＲACT Optical coherence tomography ( OCT) is an indispensable tool used for the diagnosis and identification of ocular fundus disease and nondestructive，rapid，and high-resolution imaging of the living retinas． The attendant research focuses on the development of computer-aided methods to help ophthalmologists make judgments regarding the morphological changes of retinal tissue and acquire tissue characteristic parameters． Ｒealizing the segmentation of retinal tissue in OCT images is the key aspect of this kind of research． Mathematical morphology，which has been widely used in the fields of image detection，shape analysis，pattern recognition，and com￾puter vision，uses different structural elements to measure，extract，analyze，and identify image targets． However，traditional morpho￾logical structure elements cannot be adaptively changed on the basis of the structural characteristics of the images． In this study，an al￾gorithm for generating morphological adaptive structural elements was proposed on the basis of an immune genetic algorithm，which the detection of retinal tissue edges in optical coherence tomography ( OCT) images was applied． First，the image is preprocessed by de￾noising and coarse segmentation and then the image is divided into several sub-images． Second，the adaptive structure elements are computed using an immune genetic algorithm for each sub-image． A string of binary numbers of fixed length is initially randomly gener￾ated as an antibody and then converted into a format of structural element． The fitness of an antibody is defined by the two-dimensional entropy of the image and the optimal antibody and structural elements are identified according to the structural characteristics of the sub￾image itself． Finally，with these optimal structural elements，morphological edge detection is performed to obtain the segmentation re￾sults of each sub-image combined with those of each sub-graph to realize the extraction of the target boundary of the whole image． The

·540 工程科学学报，第41卷，第4期 experimental results show the proposed method to be effective in the boundary extraction of images. KEY WORDS mathematical morphology:adaptive structural elements;immune genetic algorithm;optical coherence tomography; edge detection 数学形态学(mathematical morphology)是一 1 数学形态学基本原理和方法 种基于积分几何和随机集理论的数学方法，利用不 同形态的结构元素去度量、提取、分析和识别图像目 数学形态学是一门建立在严格数学理论基础上 标.该方法进行图像处理时只取决于待处理图像的 的学科，其基本思想和方法对图像处理理论和技术 局部形状特征，通过形态分解把图像目标与背景分 产生了重大影响，是计算机数字图像处理的一个重 离，同时保持图像主要的空间形状特征.数学形态 要分支 学已经广泛应用于图像检测、形状分析、模式识别、 设f(x,y)是输入图像，b(s,t)是结构元素，其中 计算机视觉等领域. D,和D,分别是函数f和b的定义域.灰度形态学膨 在形态学应用中，只采用单一的结构元素通常 胀和腐蚀分别定义为： 不能产生满意的结果，因此基于多尺度和多结构元 (f④b)(x,y）=max{f(x-s,y-t)+b(s,t)I 素的形态学运算方法被逐渐提出.但这类算法一般 (x-s,y-t）∈Df:(s,t）∈Db} (1) 事先设定所用的多尺度和多结构元素，各个结构元 (feb)(x,y)=min (f(x+s,y+t)-b(s,t)I 素分别对图像进行处理，最后进行加权融合-.这 (x+s,y+t)∈D:(s,t)∈D} (2) 类结构元素并不能根据图像本身结构特征进行自适 软形态学0在标准形态学基础上注入顺序统 应改变.如何根据图像本身特征信息自适应改变结 计，用加权排序统计代替极大极小运算，减少了对图 构元素以达到最优运算效果是数学形态学应用中的 像噪声的敏感度，结构元素b分为硬核b,和软边缘 研究难点 b2两部分，软结构元素表示为b1,b2,k],k为重复 目前已有学者对这一难点进行了相关研究， 度，定义重复集{k◇f(a)}={f(a),f(a),…,f(a)} Wang与Gao基于遗传算法设计形态学顶帽变换 (k次).软形态学膨胀和腐蚀分别定义为： (TOP-HAT)滤波器用于斑点目标的提取.Babu与 f④b,b2,k](x,y）= Sunitha因利用遗传算法形态学操作，增强含椒盐噪 kthmax (k f(x-s1,y-t)+b (s1,h)]U 声的图像，达到较好的去噪效果.Ercal等利用遗 f(x-s2y-t2)+b2(s2,t2)]} (3) 传算法优化设计软形态学滤波器组，实现对灰度图 fOb,b2,k](x,y）= 像的降噪.遗传算法在处理图像降噪这类仅根据个 kthmin (k f(x +s,y+)-b (s,t )]U 体的适应度值来选择个体的问题时可以达到较好的 f(x+s2y+t2)-b2(s2,t2)]} (4) 效果，但对于复杂背景下多种形态目标边界提取问 形态学边缘检测的基本思想是不同灰度值的相 题，由于没有考虑到种群的多样性，遗传算法容易出 邻区域经过形态学变换后，边缘灰度值的变化程度 现早熟现象从而陷入局部最优，生成的结构元素和 比图像中非边缘部分要明显.常见的形态学边缘检 形态学运算使得最终目标边界提取不完整或不 测算子的定义如下： 准确. 腐蚀型算子： 针对传统形态学结构元素不能根据图像信息自 Grad (f)=f-(feb) (5) 适应改变和遗传形态学存在的问题，本文提出了一 膨胀型算子： 种新型的免疫遗传形态学(IGM),该方法利用免疫 Grad,(f)=(f④b)-f (6) 遗传算法来构建形态学结构元素，既保留了遗 腐蚀膨胀型算子： 传算法的搜索特性，又利用了免疫算法的多机制求 Grad()=(f④b)-(fob) (7) 解多目标函数最优解的自适应特性，改善了全局寻 2 基于免疫遗传的自适应结构元素生成 优能力，使获得的结构元素具有自适应性，能够更好 的表达图像本身特征信息.本文利用免疫遗传形态 免疫遗传算法是基于生物免疫机制提出的一种 学对光学相干断层(OCT)图像进行边缘检测滤波运 改进的遗传算法，它将实际求解问题的目标函数对 算，实现图像目标边界提取，得到了较为满意的分割 应为抗原，而问题的解对应为抗体.由生物免疫原 结果 理可知，免疫系统通过自体耐受对入侵的抗原进行

工程科学学报，第 41 卷，第 4 期 experimental results show the proposed method to be effective in the boundary extraction of images． KEY WOＲDS mathematical morphology; adaptive structural elements; immune genetic algorithm; optical coherence tomography; edge detection 数学形态学［1］( mathematical morphology) 是一 种基于积分几何和随机集理论的数学方法，利用不 同形态的结构元素去度量、提取、分析和识别图像目 标． 该方法进行图像处理时只取决于待处理图像的 局部形状特征，通过形态分解把图像目标与背景分 离，同时保持图像主要的空间形状特征． 数学形态 学已经广泛应用于图像检测、形状分析、模式识别、 计算机视觉等领域． 在形态学应用中，只采用单一的结构元素通常 不能产生满意的结果，因此基于多尺度和多结构元 素的形态学运算方法被逐渐提出． 但这类算法一般 事先设定所用的多尺度和多结构元素，各个结构元 素分别对图像进行处理，最后进行加权融合［2--4］． 这 类结构元素并不能根据图像本身结构特征进行自适 应改变． 如何根据图像本身特征信息自适应改变结 构元素以达到最优运算效果是数学形态学应用中的 研究难点． 目前已有学者对这一难点进行了相关研究， Wang 与 Gao［5］基于遗传算法设计形态学顶帽变换 ( TOP--HAT) 滤波器用于斑点目标的提取． Babu 与 Sunitha［6］利用遗传算法形态学操作，增强含椒盐噪 声的图像，达到较好的去噪效果． Ercal 等［7］利用遗 传算法优化设计软形态学滤波器组，实现对灰度图 像的降噪． 遗传算法在处理图像降噪这类仅根据个 体的适应度值来选择个体的问题时可以达到较好的 效果，但对于复杂背景下多种形态目标边界提取问 题，由于没有考虑到种群的多样性，遗传算法容易出 现早熟现象从而陷入局部最优，生成的结构元素和 形态学运算使得最终目标边界提取不完整或不 准确． 针对传统形态学结构元素不能根据图像信息自 适应改变和遗传形态学存在的问题，本文提出了一 种新型的免疫遗传形态学( IGM) ，该方法利用免疫 遗传算法［8--9］来构建形态学结构元素，既保留了遗 传算法的搜索特性，又利用了免疫算法的多机制求 解多目标函数最优解的自适应特性，改善了全局寻 优能力，使获得的结构元素具有自适应性，能够更好 的表达图像本身特征信息． 本文利用免疫遗传形态 学对光学相干断层( OCT) 图像进行边缘检测滤波运 算，实现图像目标边界提取，得到了较为满意的分割 结果． 1 数学形态学基本原理和方法 数学形态学是一门建立在严格数学理论基础上 的学科，其基本思想和方法对图像处理理论和技术 产生了重大影响，是计算机数字图像处理的一个重 要分支． 设 f( x，y) 是输入图像，b( s，t) 是结构元素，其中 Df和 Db分别是函数 f 和 b 的定义域． 灰度形态学膨 胀和腐蚀分别定义为: ( fb) ( x，y) = max { f( x － s，y － t) + b( s，t) | ( x － s，y － t) ∈Df; ( s，t) ∈Db} ( 1) ( fb) ( x，y) = min { f( x + s，y + t) － b( s，t) | ( x + s，y + t) ∈Df; ( s，t) ∈Db } ( 2) 软形态学［10］在标准形态学基础上注入顺序统 计，用加权排序统计代替极大极小运算，减少了对图 像噪声的敏感度，结构元素 b 分为硬核 b1和软边缘 b2两部分，软结构元素表示为［b1，b2，k］，k 为重复 度，定义重复集{ k◇f( a) } = { f( a) ，f( a) ，…，f( a) } ( k 次) ． 软形态学膨胀和腐蚀分别定义为: f［b1，b2，k］( x，y) = kthmax { k◇［f( x － s1，y － t1 ) + b1 ( s1，t1) ］∪ ［f( x － s2，y － t2 ) + b2 ( s2，t2 ) ］} ( 3) f［b1，b2，k］( x，y) = kthmin { k◇［f( x + s1，y + t1 ) － b1 ( s1，t1) ］∪ ［f( x + s2，y + t2 ) － b2 ( s2，t2 ) ］} ( 4) 形态学边缘检测的基本思想是不同灰度值的相 邻区域经过形态学变换后，边缘灰度值的变化程度 比图像中非边缘部分要明显． 常见的形态学边缘检 测算子的定义如下: 腐蚀型算子: Grad1 ( f) = f － ( fb) ( 5) 膨胀型算子: Grad2 ( f) = ( fb) － f ( 6) 腐蚀膨胀型算子: Grad3 ( f) = ( fb) － ( fb) ( 7) 2 基于免疫遗传的自适应结构元素生成 免疫遗传算法是基于生物免疫机制提出的一种 改进的遗传算法，它将实际求解问题的目标函数对 应为抗原，而问题的解对应为抗体． 由生物免疫原 理可知，免疫系统通过自体耐受对入侵的抗原进行 · 045 ·

童何俊等：基于免疫遗传形态学的视网膜光学相干断层图像边缘检测方法 ·541· 识别，并产生最恰当的抗体排除抗原，通过抗体与抗 疫过程中将产生抗体的部分细胞作为记忆细胞保存 体之间、抗原与抗体之间的相互刺激和抑制关系，降 下来，当同类抗原再次侵入时，记忆细胞被激活并迅 低抗原对免疫细胞的刺激，抑制抗体的过度分化、增 速产生大量抗体，使再次应答比初次应答更快更强 殖，保证免疫平衡并维持抗体的多样性.同时在免 烈.免疫遗传算法程序框图如图1所示. 参数设置（群体规模为V) 随机产生P个新抗体 初次应答？ 抗体总数为(P+W) 随机产生全部初始 随机产生N2个初始抗体结构元 计算抗体浓度及聚合适应度 抗体结构元 其余由记忆结构元生成 基于抗体浓度的群体更新 计算抗体适应度Ha 更新记忆单元 产生新抗体（选择、交义、变异） 是否达到 否 计算抗体信息熵及相似度 进化截止代数或抗体平均浓度> 达到稳定？ genl=genl+7香 相似度是否 是 大于阀值 输出优化解 是（多样性不满足要求） gen2=gen2+1 图1免疫遗传算法程序框图 Fig.1 Flowchart of immune genetic algorithm 算法步骤如下： 体适应度是利用能够反映灰度空间分布特征的图像 Stepl.生成初始抗体结构元素，设结构元素的 二维熵Ha来定义的 尺度为M×M,采用长度L=M×M的二进制数串对 255.255 结构元素进行个体编码.针对软形态学，定义编码1 Ha=-∑∑p,log=fi,》s2 (8) 为硬核，0为软边缘，并增加R位编码长度用于定义 其中，f(i,)为特征二元组(i,)出现的频数，s为图 重复度k值.群体规模N设置为10.图2表示了本 像的灰度尺度，特征二元组(i,)中i表示像素的灰 文链式抗体与结构元素直接的转化关系. 度值，表示邻域灰度均值. 结构元形状 重复度k Step3.根据抗体适应度对个体进行选择、交叉、 变异操作，产生新抗体，并计算抗体群体的相似度. 链式抗体， 10101 1 1 10 Step4.判断抗体群体相似度是否大于限定阈 值，若大于限定阈值，该群体多样性不满足要求，随 转化 机产生P个新抗体加入种群，基于抗体浓度更新群 结构元素 体，并更新记忆单元；若小于限定阈值，则返回Step2 0 0 重新迭代更新抗体，并累计迭代次数genl. 1 传统结构元素b 软形态学硬核，软形态学软边界私， Step5.当达到进化截止代数或抗体平均浓度达 到稳定时，输出优化解，否则返回Step2循环迭代进 图2链式抗体与结构元素之间的转化关系 Fig.2 Transformation between chain antibodies and structural ele- 化抗体，并累计迭代次数gen2. ments 3基于免疫遗传形态学的边缘检测 Step2.计算抗体适应度，将种群中的每一个体 基于数学形态学的边缘检测方法己经应用于医 转化为其对应的结构元素，利用该结构元素对图像 学核磁共振(MRI)和计算机断层扫描(CT)图像的 进行边缘检测滤波，输出对应的滤波图像，计算对应 分割1-.光学相干断层成像(OCT)能够无损、快 个体的抗体适应度，取适应度最大对应的个体为最 速、高分辨率地获得活体视网膜断层影像，已成为眼 优个体，保存其对应的结构元素和适应度.其中抗 底病尤其是黄斑疾病诊断与鉴别的不可缺少的工

童何俊等: 基于免疫遗传形态学的视网膜光学相干断层图像边缘检测方法 识别，并产生最恰当的抗体排除抗原，通过抗体与抗 体之间、抗原与抗体之间的相互刺激和抑制关系，降 低抗原对免疫细胞的刺激，抑制抗体的过度分化、增 殖，保证免疫平衡并维持抗体的多样性． 同时在免 疫过程中将产生抗体的部分细胞作为记忆细胞保存 下来，当同类抗原再次侵入时，记忆细胞被激活并迅 速产生大量抗体，使再次应答比初次应答更快更强 烈． 免疫遗传算法程序框图如图 1 所示． 图 1 免疫遗传算法程序框图 Fig． 1 Flowchart of immune genetic algorithm 算法步骤如下: Step1． 生成初始抗体结构元素，设结构元素的 尺度为 M × M，采用长度 L = M × M 的二进制数串对 结构元素进行个体编码． 针对软形态学，定义编码 1 为硬核，0 为软边缘，并增加 Ｒ 位编码长度用于定义 重复度 k 值． 群体规模 N 设置为 10． 图 2 表示了本 文链式抗体与结构元素直接的转化关系． 图 2 链式抗体与结构元素之间的转化关系 Fig． 2 Transformation between chain antibodies and structural ele￾ments Step2． 计算抗体适应度，将种群中的每一个体 转化为其对应的结构元素，利用该结构元素对图像 进行边缘检测滤波，输出对应的滤波图像，计算对应 个体的抗体适应度，取适应度最大对应的个体为最 优个体，保存其对应的结构元素和适应度． 其中抗 体适应度是利用能够反映灰度空间分布特征的图像 二维熵 Ha 来定义的． Ha = － ∑ 255 i = 0 ∑ 255 j = 0 pijlog pij，pij = f( i，j) / s2 ( 8) 其中，f( i，j) 为特征二元组( i，j) 出现的频数，s 为图 像的灰度尺度，特征二元组( i，j) 中 i 表示像素的灰 度值，j 表示邻域灰度均值． Step3． 根据抗体适应度对个体进行选择、交叉、 变异操作，产生新抗体，并计算抗体群体的相似度． Step4． 判断抗体群体相似度是否大于限定阈 值，若大于限定阈值，该群体多样性不满足要求，随 机产生 P 个新抗体加入种群，基于抗体浓度更新群 体，并更新记忆单元; 若小于限定阈值，则返回 Step2 重新迭代更新抗体，并累计迭代次数 gen1． Step5． 当达到进化截止代数或抗体平均浓度达 到稳定时，输出优化解，否则返回 Step2 循环迭代进 化抗体，并累计迭代次数 gen2． 3 基于免疫遗传形态学的边缘检测 基于数学形态学的边缘检测方法已经应用于医 学核磁共振( MＲI) 和计算机断层扫描( CT) 图像的 分割［11--12］． 光学相干断层成像( OCT) 能够无损、快 速、高分辨率地获得活体视网膜断层影像，已成为眼 底病尤其是黄斑疾病诊断与鉴别的不可缺少的工 · 145 ·

·542 工程科学学报，第41卷，第4期 具圆.本文针对0CT图像具有模糊，边界对比度 考虑图像边界间的距离，本文结构元素的大小M=3 低，眼底组织结构形态复杂等特点，利用免疫遗传形 或M=5. 态学分析OCT图像，获取图像各个局部特征信息， Step5.边界细化，灰度形态学提取边界较粗，对 并获得自适应局部结构元素，运用形态学边缘检测 其进行细化，提取中心线 滤波实现OCT图像中视网膜边界的提取，验证该自 Step6.合并各子图的二值分割结果，实现目标 适应结构元素在目标边缘检测中的优势.本文仿真 边界完整提取. 步骤如下： 4 结果分析对比 Stepl.图像去噪预处理，OCT图像受其成像原 理影响，往往存在散斑噪声，本文利用三维块匹配算 本文分析了10张视网膜0CT图像，来自于10 法(BM3D)对其去噪，增强算法提取准确度. 位健康对象，年龄分布于18至29岁.图片来源于 Step2.图像视网膜区域粗分割，视网膜上下边 北京人民解放军306医院眼科，拍摄仪器为Optovue 缘与背景存在较大的灰度差别，利用阈值分割方法 Avanti RTVue XR (Optovue Corp.,Fremont,CA). 获取OCT图像中视网膜大致区域，提高算法运算 图3展示了免疫遗传形态学视网膜边界提取过程. 效率. 其中图3(a)为OCT仪器获取的视网膜眼底断层图 Step3.图像分块，对图像进行分块操作，使得各 像，原图存在散斑噪声，通过去噪处理后图像光滑程 子图像中的特征形态较为单一.为保证分割结果的 度有效改善，如图3(b).图3()为图像视网膜区域 准确性和连续性，相邻子图像之间存在一半的重叠 粗分割结果.为了解决单个结构元无法适应整幅图 量.本文实验中图像尺寸为500像素×160像素，而 像问题，本文将原图进行分块处理，使各子图像中的 子图像尺寸为50像素×40像素，图3(d)中两个红 结构特征有所统一，图3()示例了分块过程和两个 色标记区域就是两个子图像，每个子图像由4个25 子图像.随后，利用基于免疫遗传算法求得各子图 像素×20像素的小块组成，最终共有19×7个子 的自适应结构元素，图3()中所得的结构元素较好 图像. 的反映了原子图中目标边缘的梯度方向信息，并用 Step4.对每一子图利用免疫遗传算法求取自适 形态边缘检测滤波提取目标边界.对边界进行细化 应结构元，并利用形态边缘检测滤波提取目标边界. 处理后，合并各子图分割结果得到完整的边界提取 (e) 00001 00100 01111 11100 11001 11001 00000 01010 10000 00011 图3视网膜边界提取过程.(a)原图：(b)去噪预处理：()视网膜区域粗分割：()图像分块：(e)自适应结构元与边缘检测：()最终分 割结果 Fig.3 Extraction process of retinal boundary:(a)original image;(b)de-noising preprocessing:(c)rough segmentation of retinal region:(d) image segmentation into blocks:(e)adaptive structure element and edge detection:(f)final segmentation result

工程科学学报，第 41 卷，第 4 期 具［13］． 本文针对 OCT 图像具有模糊，边界对比度 低，眼底组织结构形态复杂等特点，利用免疫遗传形 态学分析 OCT 图像，获取图像各个局部特征信息， 并获得自适应局部结构元素，运用形态学边缘检测 滤波实现 OCT 图像中视网膜边界的提取，验证该自 适应结构元素在目标边缘检测中的优势． 本文仿真 步骤如下: 图 3 视网膜边界提取过程． ( a) 原图; ( b) 去噪预处理; ( c) 视网膜区域粗分割; ( d) 图像分块; ( e) 自适应结构元与边缘检测; ( f) 最终分 割结果 Fig． 3 Extraction process of retinal boundary: ( a) original image; ( b) de-noising preprocessing; ( c) rough segmentation of retinal region; ( d) image segmentation into blocks; ( e) adaptive structure element and edge detection; ( f) final segmentation result Step1． 图像去噪预处理，OCT 图像受其成像原 理影响，往往存在散斑噪声，本文利用三维块匹配算 法( BM3D) ［14］对其去噪，增强算法提取准确度． Step2． 图像视网膜区域粗分割，视网膜上下边 缘与背景存在较大的灰度差别，利用阈值分割方法 获取 OCT 图像中视网膜大致区域，提高算法运算 效率． Step3． 图像分块，对图像进行分块操作，使得各 子图像中的特征形态较为单一． 为保证分割结果的 准确性和连续性，相邻子图像之间存在一半的重叠 量． 本文实验中图像尺寸为 500 像素 × 160 像素，而 子图像尺寸为 50 像素 × 40 像素，图 3( d) 中两个红 色标记区域就是两个子图像，每个子图像由 4 个 25 像素 × 20 像素的小块组成，最终共有 19 × 7 个子 图像． Step4． 对每一子图利用免疫遗传算法求取自适 应结构元，并利用形态边缘检测滤波提取目标边界． 考虑图像边界间的距离，本文结构元素的大小 M = 3 或 M = 5． Step5． 边界细化，灰度形态学提取边界较粗，对 其进行细化，提取中心线． Step6． 合并各子图的二值分割结果，实现目标 边界完整提取． 4 结果分析对比 本文分析了 10 张视网膜 OCT 图像，来自于 10 位健康对象，年龄分布于 18 至 29 岁． 图片来源于 北京人民解放军 306 医院眼科，拍摄仪器为 Optovue Avanti ＲTVue XＲ ( Optovue Corp． ，Fremont，CA) ． 图 3 展示了免疫遗传形态学视网膜边界提取过程． 其中图 3( a) 为 OCT 仪器获取的视网膜眼底断层图 像，原图存在散斑噪声，通过去噪处理后图像光滑程 度有效改善，如图3( b) ． 图3( c) 为图像视网膜区域 粗分割结果． 为了解决单个结构元无法适应整幅图 像问题，本文将原图进行分块处理，使各子图像中的 结构特征有所统一，图 3( d) 示例了分块过程和两个 子图像． 随后，利用基于免疫遗传算法求得各子图 的自适应结构元素，图 3( e) 中所得的结构元素较好 的反映了原子图中目标边缘的梯度方向信息，并用 形态边缘检测滤波提取目标边界． 对边界进行细化 处理后，合并各子图分割结果得到完整的边界提取 · 245 ·

童何俊等：基于免疫遗传形态学的视网膜光学相干断层图像边缘检测方法 ·543· 结果，如图3(). 疫遗传软形态学)的视网膜边界提取效果，如图4 在边缘检测器响应中，主要有三种误差：丢失的 所示，定量评价结果如表1所示 有效边缘、边缘定位误差和将噪声误码误判为边缘 表1。多种边界提取方法品质因数评价结果 为定量的评价算法的性能，本文采用Pat品质因数 Table 1 Partt quality factor evaluation results by multiple boundary ex- R进行比较分析. traction methods R=- 1 1 边界提取方法 品质因数，R/% max{La,l)台1+ad (9) Single_3 88.31 75.79 其中：1、和I分别表示实际检测到的边缘图像和理 Single_5 Multi 84.71 想边缘图像中边缘像素的总数：a是一比例常数，通 Canny 43.05 常取0.1；d,为实际检测到边缘点到理想边缘点连 GTDP 84.7 线的距离 IGM3 89.85 本文以两位眼科专家手动提取的视网膜边界为 IGM 5 85.9 90.23 标准，比较了单结构元形态学边缘检测器(Single_3, IGSM_3 IGSM_5 87.23 Single_5分别表示为M=3和M=5的结构元)，多 尺度多结构元形态学边缘检测器(Mli),边缘检测 由于OCT图像中存在边缘间隔小，较小的结构 算子(Canny),基于图理论的边缘提取方法(GT- 元可以提取更多细节，因此M=3结构元目标提取 DP)和免疫遗传形态学边缘检测器(IGM_3, 效果优于M=5结构元.本文提出的免疫遗传形态 IGM_5分别表示尺度M=3或5的免疫遗传形态 学提取效果优于其他方法，其中免疫遗传软形态学 学，IGSM_3,IGSM_5分别表示尺度M=3或5的免 (IGSM)提取效果最优，IGSM是IGM的一种扩展， a 图4多种边界提取方法结果比较.(a)原图：(b)去噪预处理：(c)专家手动分割结果：(d)尺度M=3结构元：()尺度M=5结构元：() 多尺度结构元：(g)Canny:(h)GTDP:()IGM:(G)IGSM Fig.4 Comparison of multiple boundary extraction methods:(a)original image:(b)de-noising preprocessing:(c)expert manual segmentation re- sults:(d)structure element scale M=3:(e)structure element scale M=5:(f)multiscale structural element:(g)Canny:(h)GTDP:(i)IGM: (i)IGSM

童何俊等: 基于免疫遗传形态学的视网膜光学相干断层图像边缘检测方法 结果，如图 3( f) ． 在边缘检测器响应中，主要有三种误差: 丢失的 有效边缘、边缘定位误差和将噪声误码误判为边缘． 为定量的评价算法的性能，本文采用 Partt 品质因数 Ｒ 进行比较分析． Ｒ = 1 max{ IA，II} ∑ IA i = 1 1 1 + ad2 i ( 9) 其中: IA和 II分别表示实际检测到的边缘图像和理 想边缘图像中边缘像素的总数; a 是一比例常数，通 常取 0. 1; di 为实际检测到边缘点到理想边缘点连 线的距离． 图 4 多种边界提取方法结果比较． ( a) 原图; ( b) 去噪预处理; ( c) 专家手动分割结果; ( d) 尺度 M = 3 结构元; ( e) 尺度 M = 5 结构元; ( f) 多尺度结构元; ( g) Canny; ( h) GTDP; ( i) IGM; ( j) IGSM Fig． 4 Comparison of multiple boundary extraction methods: ( a) original image; ( b) de-noising preprocessing; ( c) expert manual segmentation re￾sults; ( d) structure element scale M = 3; ( e) structure element scale M = 5; ( f) multiscale structural element; ( g) Canny; ( h) GTDP; ( i) IGM; ( j) IGSM 本文以两位眼科专家手动提取的视网膜边界为 标准，比较了单结构元形态学边缘检测器( Single_3， Single_5 分别表示为 M = 3 和 M = 5 的结构元) ，多 尺度多结构元形态学边缘检测器( Multi) ，边缘检测 算子( Canny) ，基于图理论的边缘提取方法( GT￾DP) ［15］ 和免疫遗传形态学边缘检测器 ( IGM _ 3， IGM_5 分别表示尺度 M = 3 或 5 的免疫遗传形态 学，IGSM_3，IGSM_5 分别表示尺度 M = 3 或 5 的免 疫遗传软形态学) 的视网膜边界提取效果，如图 4 所示，定量评价结果如表 1 所示． 表 1 多种边界提取方法品质因数评价结果 Table 1 Partt quality factor evaluation results by multiple boundary ex￾traction methods 边界提取方法 品质因数，Ｒ /% Single_3 88. 31 Single_5 75. 79 Multi 84. 71 Canny 43. 05 GTDP 84. 7 IGM_3 89. 85 IGM_5 85. 9 IGSM_3 90. 23 IGSM_5 87. 23 由于 OCT 图像中存在边缘间隔小，较小的结构 元可以提取更多细节，因此 M = 3 结构元目标提取 效果优于 M = 5 结构元． 本文提出的免疫遗传形态 学提取效果优于其他方法，其中免疫遗传软形态学 ( IGSM) 提取效果最优，IGSM 是 IGM 的一种扩展， · 345 ·

·544 工程科学学报，第41卷，第4期 在结构元素寻优与形态学滤波过程中，前者利用加 3 4 55 权排序统计代替后者的极大极小运算，减少对图像 NSL R 噪声的敏感度，IGSM算法流程的复杂程度也最高 NSL_G 眼科医生在进行临床诊断时，除了查看患者视 RPE 网膜及眼底组织的形态变化外，往往还关注这些医 学组织特征的参数变化，但这些组织参数特征数值 上的变化如果只通过医生的主观判断不能客观的评 图5黄斑中心凹区域划分示意图 判病情.因此在获得眼底关键组织分割提取结果的基 Fig.5 Schematie map of the division of the macular fovea 础上，对相关特征参数进行量化处理也尤为重要 参照医师关注的视网膜组织厚度(T)及面积 视网膜由色素上皮层（图5蓝色部分，retinal (A)参数，根据图4中的分割结果进行计算机量化， pigment epithelium layer-RPE)和视网膜感觉层（图5 结果如表2所示.同时，将前文所述的多种边界提 红色和绿色部分，其中绿色部分为外颗粒层，由于黄 取参数量化结果与专家量化结果进行参数对比，最 斑中心凹处的组织结构特殊性，将其独立区分，neu- 终计算平均相对误差(ARE)作为评价指标，结果如 ral sensory layer-NSL)组成，而根据与黄斑中心小凹 表3所示.从表中可以看出IGM方法量化后的结果 的不同距离划分为不同区域，中心小凹(S3),中心 最接近手动结果，进一步说明了本文所提IGM和 凹(S2,S3,S4),旁中心凹(S1,S5),如图5所示. IGSM方法的优势 表2视网膜组织量化结果 Table 2 Quantitative results of retinal tissue 边界提取方法 区域 A/S1 A/S2 A/S3 A/S4 A/S5 T/SI T/S2 T/S3 T/S4 T/S5 NSL R 1524 928 90 1051 1680 26.74 14.28 2.31 16.17 29.47 专家手动分割 NSL_G 932 1309 878 1256 893 16.35 20.14 22.51 19.32 15.67 RPE 600 730 468 768 614 10.53 11.23 12 11.82 10.77 NSL_R 1502 923 106 1055 1652 26.35 14.20 2.72 16.23 28.98 Single_3 NSL G 948 1320 861 1254 912 16.63 20.31 22.08 19.29 16.00 RPE 454 714 468 759 606 7.96 10.98 12.00 11.68 10.63 NSL R 1377 777 43 1012 1529 24.16 11.95 1.10 15.57 26.82 Single_5 NSL_G 1069 1450 922 1283 1029 18.75 22.31 23.64 19.74 18.05 RPE 459 579 388 637 485 8.05 8.91 9.95 9.80 8.51 NSL_R 1506 930 117 1056 1652 26.42 14.31 3.00 16.25 28.98 Multi NSL G 944 1307 85 1252 910 16.56 20.03 21.85 19.26 15.96 RPE 587 724 468 76 607 10.30 11.14 12.00 11.71 10.65 NSL_R 1522 950 162 1085 1669 26.70 14.62 4.15 16.69 29.28 Canny NSL_G 913 1275 787 1218 884 16.02 19.62 20.18 18.74 15.51 RPE 609 729 492 768 617 10.68 11.22 12.62 11.82 10.82 NSL R 1511 1098 814 1240 1659 26.5116.89 20.87 19.08 29.11 GTDP NSL_G 930 1131 156 1063 896 16.32 17.40 4.00 16.35 15.72 RPE 595 725 468 761 619 10.44 11.1512.00 11.71 10.86 NSL_R 1501 921 105 1059 1652 26.33 14.17 2.69 16.29 28.98 IGM NSL_G 948 1323 862 1251 911 16.63 20.35 22.10 19.25 15.98 RPE 582 713 468 759 606 10.21 10.97 12.00 11.68 10.63 NSLR 1501 923 107 1059 1651 26.33 14.202.74 16.29 28.96 IGSM NSLG 949 1322 860 1251 913 16.65 20.34 22.05 19.25 16.02 RPE 584 713 468 759 606 10.25 10.9712.0011.68 10.63

工程科学学报，第 41 卷，第 4 期 在结构元素寻优与形态学滤波过程中，前者利用加 权排序统计代替后者的极大极小运算，减少对图像 噪声的敏感度，IGSM 算法流程的复杂程度也最高． 眼科医生在进行临床诊断时，除了查看患者视 网膜及眼底组织的形态变化外，往往还关注这些医 学组织特征的参数变化，但这些组织参数特征数值 上的变化如果只通过医生的主观判断不能客观的评 判病情． 因此在获得眼底关键组织分割提取结果的基 础上，对相关特征参数进行量化处理也尤为重要［16］． 视网膜由色素上皮层( 图 5 蓝色部分，retinal pigment epithelium layer-ＲPE) 和视网膜感觉层( 图 5 红色和绿色部分，其中绿色部分为外颗粒层，由于黄 斑中心凹处的组织结构特殊性，将其独立区分，neu￾ral sensory layer-NSL) 组成，而根据与黄斑中心小凹 的不同距离划分为不同区域，中心小凹( S3) ，中心 凹( S2，S3，S4) ，旁中心凹( S1，S5) ，如图 5 所示． 图 5 黄斑中心凹区域划分示意图 Fig． 5 Schematic map of the division of the macular fovea 参照医师关注的视网膜组织厚度( T) 及面积 ( A) 参数，根据图 4 中的分割结果进行计算机量化， 结果如表 2 所示． 同时，将前文所述的多种边界提 取参数量化结果与专家量化结果进行参数对比，最 终计算平均相对误差( AＲE) 作为评价指标，结果如 表 3 所示． 从表中可以看出 IGM 方法量化后的结果 最接近手动结果，进一步说明了本文所提 IGM 和 IGSM 方法的优势． 表 2 视网膜组织量化结果 Table 2 Quantitative results of retinal tissue 边界提取方法 区域 A / S1 A / S2 A / S3 A / S4 A / S5 T / S1 T / S2 T / S3 T / S4 T / S5 NSL_Ｒ 1524 928 90 1051 1680 26. 74 14. 28 2. 31 16. 17 29. 47 专家手动分割 NSL_G 932 1309 878 1256 893 16. 35 20. 14 22. 51 19. 32 15. 67 ＲPE 600 730 468 768 614 10. 53 11. 23 12 11. 82 10. 77 NSL_Ｒ 1502 923 106 1055 1652 26. 35 14. 20 2. 72 16. 23 28. 98 Single_3 NSL_G 948 1320 861 1254 912 16. 63 20. 31 22. 08 19. 29 16. 00 ＲPE 454 714 468 759 606 7. 96 10. 98 12. 00 11. 68 10. 63 NSL_Ｒ 1377 777 43 1012 1529 24. 16 11. 95 1. 10 15. 57 26. 82 Single_5 NSL_G 1069 1450 922 1283 1029 18. 75 22. 31 23. 64 19. 74 18. 05 ＲPE 459 579 388 637 485 8. 05 8. 91 9. 95 9. 80 8. 51 NSL_Ｒ 1506 930 117 1056 1652 26. 42 14. 31 3. 00 16. 25 28. 98 Multi NSL_G 944 1302 852 1252 910 16. 56 20. 03 21. 85 19. 26 15. 96 ＲPE 587 724 468 761 607 10. 30 11. 14 12. 00 11. 71 10. 65 NSL_Ｒ 1522 950 162 1085 1669 26. 70 14. 62 4. 15 16. 69 29. 28 Canny NSL_G 913 1275 787 1218 884 16. 02 19. 62 20. 18 18. 74 15. 51 ＲPE 609 729 492 768 617 10. 68 11. 22 12. 62 11. 82 10. 82 NSL_Ｒ 1511 1098 814 1240 1659 26. 51 16. 89 20. 87 19. 08 29. 11 GTDP NSL_G 930 1131 156 1063 896 16. 32 17. 40 4. 00 16. 35 15. 72 ＲPE 595 725 468 761 619 10. 44 11. 15 12. 00 11. 71 10. 86 NSL_Ｒ 1501 921 105 1059 1652 26. 33 14. 17 2. 69 16. 29 28. 98 IGM NSL_G 948 1323 862 1251 911 16. 63 20. 35 22. 10 19. 25 15. 98 ＲPE 582 713 468 759 606 10. 21 10. 97 12. 00 11. 68 10. 63 NSL_Ｒ 1501 923 107 1059 1651 26. 33 14. 20 2. 74 16. 29 28. 96 IGSM NSL_G 949 1322 860 1251 913 16. 65 20. 34 22. 05 19. 25 16. 02 ＲPE 584 713 468 759 606 10. 25 10. 97 12. 00 11. 68 10. 63 · 445 ·

童何俊等：基于免疫遗传形态学的视网膜光学相干断层图像边缘检测方法 ·545· 表3多种边界提取方法与专家结果量化平均相对误差比较（以面积为例） Table 3 Comparison of the average relative errors determined by multiple boundary extraction methods and expert results (as an example of area) 边界提取方法 Single_3 Single_5 Multi Canny GTDP IGM IGSM ARE 0.0383 0.1586 0.0303 0.0751 0.6385 0.0241 0.0256 [6]Babu K R,Sunitha K V N.Image de-noising and enhancement for 5结论 salt and pepper noise using genetic algorithm-morphological opera- (1)针对采用单一结构元素无法实现多种形态 tions.Int J Signal Image Process,2013.4(1):36 ] Erccal T,Ozcan E,Asta S.Soft morphological filter optimization 目标的提取，和传统形态学结构元素形态单调固定 using a genetic algorithm for noise elimination /Proceedings of 的问题，本文借鉴生物免疫抗体与抗原间作用机理， 2014 14th UK Workshop on Computational Intelligence.Bradford, 利用免疫遗传算法来实现形态学结构元素根据图像 2014:1 本身信息的自适应改变 [8] Jiang D H,Hua G.Research on image enhancement method based (2)利用自适应生成的结构元素对视网膜OCT on adaptive immune genetic algorithm.J Comput Theor Nanosci 2015,12(1):119 图像进行形态学边缘检测滤波，实现目标边界提取. [9 Chen L A,Zhang P M.Realization of immune genetic algorithm in 通过与传统形态学方法，边缘检测算子，图理论等多 MATLAB.J Fuzhou Univ Nat Sci,2004,32(5)554 种方法的仿真对比，本文算法分割结果的Part品质 (陈丽安，张培铭.免疫遗传算法在MATLAB环境中的实现 因数和平均相对误差都是最优的，证明了算法在图 福州大学学报（自然科学版），2004,32(5)：554) 像边界提取中的有效性 [10]Liu Y N,Zhang G C,An J.Noise-resistance in color image edge detection based on flexible morphology.J Lanzhou Unie Nat Sci, (3)在提取视网膜边界的基础上，本文还对眼 2016,52(1):135 科医师所关注的视网膜组织厚度和面积特征进行了 (刘燕妮，张贵仓，安静。基于柔性形态学的抗噪彩色图像 量化提取，为后续的计算机辅助诊断提供数值参考. 边缘检测.兰州大学学报（自然科学版），2016,52(1)： 135) 参考文献 [11]Bhima K,Jagan A.Analysis of MRI based brain tumor identifi- Haralick R M,Stemnberg S R,Zhuang X H.Image analysis using cation using segmentation technique /Proceedings of 2016 Inter- mathematical morphology.IEEE Trans Pattern Anal Mach Intell, national Conference on Communication and Signal Processing. 1987,9(4):532 Melmaruvathur,2016:2109 Liu Y L.Gui Z G.Adaptive image enhancement algorithm with 12] Michikawa T,Suzuki H,Moriguchi M,et al.Automatic extrac- variable weighted matching based on morphology.J Electron In- tion of endocranial surfaces from CT images of crania.PloS One, form Technol,2014,36(6):1285 2017,12(4):c0168516 (刘艳莉，桂志国.基于形态学的可变权值匹配自适应图像增 [13]Xu D L,Tan R Q,Ding Q,et al.Screening ocular fundus mac- 强算法.电子与信息学报，2014,36(6)：1285) ular diseases with OCT.Clin J Chin Med,2016,8(32):123 B]Zhou S B,Shen A Q,LiG F.Concrete image segmentation based (徐黛丽，谭荣强，丁琼，等.眼底黄斑部疾病筛查中OCT on multiscale mathematic morphology operators and Otsu method. 的应用.中医临床研究，2016,8(32)：123) Ade Mater Sci Eng,2015,2015(11):208473 14]Li Y J,Zhang J W,Wang M N.Improved BM3D denoising 4]Lee S H,Lee C.Multiscale morphology based illumination nor- method.IET Image Process,2017,11(12)1197 malization with enhanced local textures for face recognition.Expert [15]Chiu S J,Allingham M J,Mettu P S,et al.Kernel regression Syst Appl,2016,62:347 based segmentation of optical coherence tomography images with [5]Wang JG.Gao D Y.Improved morphological TOP-HAT filter op- diabetic macular edema.Biomed Opt Exp,2015,6(4):1172 timized with genetic algorithm /Proceedings of the 2009 2nd In- [16]Fu D M,Tong H J,Zheng S,et al.Retinal status analysis meth- ternational Congress on Image and Signal Processing (CISP). od based on feature extraction and quantitative grading in OCT Tianjin,2009:1 images.Biomed Eng Online,2016,15(1):87

童何俊等: 基于免疫遗传形态学的视网膜光学相干断层图像边缘检测方法 表 3 多种边界提取方法与专家结果量化平均相对误差比较( 以面积为例) Table 3 Comparison of the average relative errors determined by multiple boundary extraction methods and expert results ( as an example of area) 边界提取方法 Single_3 Single_5 Multi Canny GTDP IGM IGSM AＲE 0. 0383 0. 1586 0. 0303 0. 0751 0. 6385 0. 0241 0. 0256 5 结论 ( 1) 针对采用单一结构元素无法实现多种形态 目标的提取，和传统形态学结构元素形态单调固定 的问题，本文借鉴生物免疫抗体与抗原间作用机理， 利用免疫遗传算法来实现形态学结构元素根据图像 本身信息的自适应改变． ( 2) 利用自适应生成的结构元素对视网膜 OCT 图像进行形态学边缘检测滤波，实现目标边界提取． 通过与传统形态学方法，边缘检测算子，图理论等多 种方法的仿真对比，本文算法分割结果的 Partt 品质 因数和平均相对误差都是最优的，证明了算法在图 像边界提取中的有效性． ( 3) 在提取视网膜边界的基础上，本文还对眼 科医师所关注的视网膜组织厚度和面积特征进行了 量化提取，为后续的计算机辅助诊断提供数值参考． 参 考 文 献 ［1］ Haralick Ｒ M，Sternberg S Ｒ，Zhuang X H． Image analysis using mathematical morphology． IEEE Trans Pattern Anal Mach Intell， 1987，9( 4) : 532 ［2］ Liu Y L，Gui Z G． Adaptive image enhancement algorithm with variable weighted matching based on morphology． J Electron In￾form Technol，2014，36( 6) : 1285 ( 刘艳莉，桂志国． 基于形态学的可变权值匹配自适应图像增 强算法． 电子与信息学报，2014，36( 6) : 1285) ［3］ Zhou S B，Shen A Q，Li G F． Concrete image segmentation based on multiscale mathematic morphology operators and Otsu method． Adv Mater Sci Eng，2015，2015( 11) : 208473 ［4］ Lee S H，Lee C． Multiscale morphology based illumination nor￾malization with enhanced local textures for face recognition． Expert Syst Appl，2016，62: 347 ［5］ Wang J G，Gao D Y． Improved morphological TOP--HAT filter op￾timized with genetic algorithm / / Proceedings of the 2009 2nd In￾ternational Congress on Image and Signal Processing ( CISP) ． Tianjin，2009: 1 ［6］ Babu K Ｒ，Sunitha K V N． Image de-noising and enhancement for salt and pepper noise using genetic algorithm-morphological opera￾tions． Int J Signal Image Process，2013，4( 1) : 36 ［7］ Ercal T，zcan E，Asta S． Soft morphological filter optimization using a genetic algorithm for noise elimination / / Proceedings of 2014 14th UK Workshop on Computational Intelligence． Bradford， 2014: 1 ［8］ Jiang D H，Hua G． Ｒesearch on image enhancement method based on adaptive immune genetic algorithm． J Comput Theor Nanosci， 2015，12( 1) : 119 ［9］ Chen L A，Zhang P M． Ｒealization of immune genetic algorithm in MATLAB． J Fuzhou Univ Nat Sci，2004，32( 5) : 554 ( 陈丽安，张培铭． 免疫遗传算法在 MATLAB 环境中的实现． 福州大学学报( 自然科学版) ，2004，32( 5) : 554) ［10］ Liu Y N，Zhang G C，An J． Noise-resistance in color image edge detection based on flexible morphology． J Lanzhou Univ Nat Sci， 2016，52( 1) : 135 ( 刘燕妮，张贵仓，安静． 基于柔性形态学的抗噪彩色图像 边缘检测． 兰 州 大 学 学 报( 自 然 科 学 版) ，2016，52 ( 1 ) : 135) ［11］ Bhima K，Jagan A． Analysis of MＲI based brain tumor identifi￾cation using segmentation technique / / Proceedings of 2016 Inter￾national Conference on Communication and Signal Processing． Melmaruvathur，2016: 2109 ［12］ Michikawa T，Suzuki H，Moriguchi M，et al． Automatic extrac￾tion of endocranial surfaces from CT images of crania． PloS One， 2017，12( 4) : e0168516 ［13］ Xu D L，Tan Ｒ Q，Ding Q，et al． Screening ocular fundus mac￾ular diseases with OCT． Clin J Chin Med，2016，8( 32) : 123 ( 徐黛丽，谭荣强，丁琼，等． 眼底黄斑部疾病筛查中 OCT 的应用． 中医临床研究，2016，8( 32) : 123) ［14］ Li Y J，Zhang J W，Wang M N． Improved BM3D denoising method． IET Image Process，2017，11( 12) : 1197 ［15］ Chiu S J，Allingham M J，Mettu P S，et al． Kernel regression based segmentation of optical coherence tomography images with diabetic macular edema． Biomed Opt Exp，2015，6( 4) : 1172 ［16］ Fu D M，Tong H J，Zheng S，et al． Ｒetinal status analysis meth￾od based on feature extraction and quantitative grading in OCT images． Biomed Eng Online，2016，15( 1) : 87 · 545 ·