در اين مقاله مسئله استخراج رگ‌های شبکيه چشم را از تصوير شبکيه مورد مطالعه قرار داده‌ايم. از آنجايی که کانال سبز تصوير بهترين کنتراست بين رگ و غير رگ را داراست، از اين کانال برای جداسازی رگ‌ها استفاده کرده‌ايم. پس از ارتقاء تصوير معکوس کانال سبز، آن را به صورت يک رويه توپوگرافيکی در نظر گرفته و نقاط ناودانی بيرون را از آن استخراج می‌کنيم. اين نقاط بر روی مرکز رگ‌ها قرار دارند. در حضور نويز پيش‌زمينه و توزيع غير يکنواخت روشنايی در تصوير برداری ، مراکز رگ ها بدرستی استخراج نمی شوند. نقاط استخراج شده جدا از يکديگر می باشند و تنها بخشی از خط مرکزی رگ را تشکيل می‌دهند. برای اتصال نقاط مجزا و گسترش آنها با هدف استخراج رگ‌های باريک روش جديدی پيشنهاد شده است. در اين روش بانکی از فيلتر‌های جهت‌دار طراحی نموده ايم که جهت مناسب برای رشد خط مرکزی رگ را تخمين می زند. به کمک اين روش نقاط انتهايی رشته خطوط ناودانی رشد داده می شوند تا خطوط مرکزی رگ ها بصورت رشته های پيوسته گسترش يابند.

نتايج حاصل از آزمايشات بر روی پايگاه داده DRIVE نشان دهنده برتری روش پيشنهاد شده نسبت به روش‌های موجود است. اين برتری با معيار صحت، ميزان عدم اشتراک و حساسيت سنجيده شده است.

In this paper we consider the problem of blood vessel segmentation in retinal images. After enhancing the retinal image we use green channel of images for segmentation as it provides better discrimination between vessels and background. We consider the negative of retinal green channel image as a topographical surface and extract ridge points on this surface. The points with this property are located on the centerline of vessels. In presence of noise and non-uniform illumination the extracted ridge points appear as separated points which consist parts of vessel centerline. In order to connect separated ridge points and extending them for thin vessel extraction, we introduce a bank of directional filters to determine proper direction for extending the ridge end points. The ridge end points grow to provide link between separated parts of centerline using the introduced procedure.

The result of experiment on images in the DRIVE database shows the proposed method outperforms the existing methods. Performance of the proposed method was evaluated based on accuracy, false positive and false negative criteria.