CN110288616B - 一种基于分形和rpca分割眼底图像中硬性渗出的方法 - Google Patents
一种基于分形和rpca分割眼底图像中硬性渗出的方法 Download PDFInfo
- Publication number
- CN110288616B CN110288616B CN201910588150.1A CN201910588150A CN110288616B CN 110288616 B CN110288616 B CN 110288616B CN 201910588150 A CN201910588150 A CN 201910588150A CN 110288616 B CN110288616 B CN 110288616B
- Authority
- CN
- China
- Prior art keywords
- image
- extracting
- hard exudation
- fractal
- hard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 31
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000005653 Brownian motion process Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 210000000416 exudates and transudate Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于分形和RPCA分割眼底图像中硬性渗出的方法，属于图像处理技术领域，解决现有技术中分割硬性渗出的方法，存在目标特征选择难、检测准确率不高或检测不完全或算法时间复杂度高等问题。本发明输入RGB眼底图像作为原图，提取视场模板图像、血管图像和视盘模板图像；利用提取到的血管图像，去除原图中的血管，得到去除血管后的图像；对去除血管后的图像进行RPCA稀疏重建提取稀疏分量，并用视场模板图像和视盘模板图像去除稀疏分量的干扰区域，对去除干扰区域后的图像采用动态阈值分割方法提取硬性渗出候选区域图像，以及基于硬性渗出候选区域图像进行分类。本发明用于分割眼底图像中的硬性渗出。
Description
技术领域
一种基于分形和RPCA分割眼底图像中硬性渗出的方法，用于分割眼底图像中的硬性渗出，属于图像处理技术领域。
背景技术
眼底图像中存在血管、视盘、视盘纤维等目标的干扰，其与硬性渗出具有相似的亮度、颜色或对比度，有可能被计算机误识别为硬性渗出，所以对硬性渗出的自动分割又是一项具有挑战的工作。然而近几年，国内外学者才开始重视硬性渗出的检测与分割。
基于计算机图像处理技术的硬性渗出的检测方法主要包括基于阈值分割的方法、区域生长法、基于形态学的方法和基于分类器的方法。Sanchez等人提出阈值混合模型来对图像直方图进行处理，从而动态地分割出硬性渗出，但是会存在较多的血管和视神经盘。Sinthanayothin等人提出循环区域生长法来自动检测眼底图像中的特征，然而该方法计算量较大，耗时久。Walter等人提出通过形态学方法移除视盘，再基于像素值方差来找到硬性渗出的轮廓，并用形态学重建得到硬性渗出区域。相似地，Sopharak等人提出基于形态学的硬性渗出分割方法，该方法首先采用形态学闭操作重建算子移除血管和视盘，再通过H通道和I通道计算出各像素的标准方差以及统计边缘轮廓像素来检测硬性渗出。然而，由于硬性渗出具有大小不规则且亮度不均匀等特征，基于形态学的方法很难选择出合适的参数，且分割精度不高，往往只能分割出部分硬性渗出和其他非硬性渗出目标。基于分类器的方法通过对每个像素或候选连通区域进行特征提取，并用支持向量机、随机森林、神经网络等对其进行分类，来判断是或不是渗出目标。Giancardo等人提出一种基于图像级别的分类方法，对存在渗出和无渗出的图像进行传统特征提取，如颜色、面积等，并用支持向量机对输入图片进行分类。Zhang等人提出一种新颖的预处理方法，该方法不仅可以去除血管和深色病变，还可以去除视盘和血管反光等。然后通过形态学方法提出候选区域，并对各个候选区域进行传统特征提取，如像素值、形状、纹理等，并用随机森林对其进行分类。该方法需要一种合理的候选区域提取方法以及寻找具有分辨力的特征，并且算法实时性也有待提高。因此，目前基于计算机图像处理技术的硬性渗出检测方法还存在目标特征选择难、检测准确率不高或检测不完全、算法时间复杂度高，以及分类结果不准备会为后续处理带来困难等问题。
发明内容
针对上述研究的问题，本发明的目的在于提供一种基于分形和RPCA分割眼底图像中硬性渗出的方法，解决现有技术中分割硬性渗出的方法，存在目标特征选择难、检测准确率不高或检测不完全或算法时间复杂度高等问题。
为了达到上述目的，本发明采用如下技术方案：
一种基于RPCA提取眼底图像中硬性渗出候选区域的方法，包括如下步骤：
步骤1：输入RGB眼底图像作为原图I，提取视场模板图像Imask、血管图像Ivessel和视盘模板图像Idisc；
步骤2：利用提取到的血管图像Ivessel，去除原图I中的血管，得到去除血管后的图像InoVessel；
步骤3：对去除血管后的图像InoVessel进行RPCA稀疏重建提取稀疏分量，并用视场模板图像Imask和视盘模板图像Idisc去除稀疏分量的干扰区域，对去除干扰区域后的图像采用动态阈值分割方法提取硬性渗出候选区域图像Iexudate。
进一步，所述步骤1的具体步骤为：
步骤1.1：输入RGB眼底图像作为原图I，提取其绿色通道IG，遍历绿色通道IG所有像素，将像素值小于阈值的设为0，大于阈值的设为255，得到视场模板图像Imask；
步骤1.2：基于训练好的条件随机场对原图I进行血管提取，得到血管图像Ivessel；
步骤1.3：对原图I进行视盘模板提取，得到视盘模板图像Idisc。
进一步，所述步骤2基于简单各向同性融合方法和血管图像Ivessel，去除原图I中的血管，得到去除血管后的图像InoVessel，其中，简单各向同性融合方法为simplest isotropicdiffusion model的中文含义。
进一步，所述步骤3的具体步骤为：
步骤3.1：对去除血管后的图像InoVessel进行RPCA稀疏重建，即先构建目标函数假设图像由低秩背景分量、稀疏目标分量和噪声分量组成，分别用核范数和L1范数约束低秩背景分量和稀疏目标分量，处理后利用ADMM进行求解，得到低秩分量IL和稀疏分量IS；
步骤3.2：提取步骤3.1得到的稀疏分量IS，利用视场模板图像Imask和视盘模板图像Idisc对稀疏分量IS进行掩模，去除干扰区域，得到去除干扰区域后的图像Imarked；
步骤3.3：对去除干扰区域后的图像Imarked进行动态阈值分割，即先构造阈值，其范围为去除干扰区域后的图像Imarked的最大像素值到最小像素值，间隔为step，同时设定连通域数目N；从大到小遍历阈值，对去除干扰区域后的图像Imarked进行二值化分割，直到某阈值使得分割后连通域数目大于设定的连通域数目N，最终基于该阈值进行二值化，得到最终二值化图Iexudate，即硬性渗出候选区域图，若从大到小遍历完阈值后，分割后得到的连通域数目都不大于设定的连通域数目N，则人为给定阈值threshold对去除干扰区域后的图像Imarked进行分割；分割后得到最终二值化图Iexudate，即硬性渗出候选区域图。
一种对眼底图像中的硬性渗出候选区域进行分类的方法，包括如下步骤：
S1：提取硬性渗出候选区域图Iexudate的每个连通区域的最小外接矩，提取每个最小外接矩的分形特征和LBPV特征进行级联得到特征
S2：将每个特征
输入各训练好的支持向量机，得到各分类结果。
进一步，所述步骤S1的具体步骤为：
S1.1：对硬性渗出候选区域图Iexudate进行连通性分析，得到多个连通区域，对每个连通区域提取最小外接矩Bi；
S1.2：对每个最小外接矩Bi进行分形特征提取，分形特征由Hurst数值计算，其公式为：
D＝N+1-H (1)
其中，D为分形特征，H为Hurst数值，N为硬性渗出候选区域图Iexudate所在空间的拓扑维数；
Hurst数值计算由分形布朗运动计算得到，计算方法为：首先将最小外接矩Bi按行划分，提取出信号xi，计算差分信号，由差分信号计算功率谱，对所有行的功率谱进行累加得到累加功率谱，累加功率谱取对数变换后进行最小二乘线性拟合，求解斜率，即为Hurst数值
同理，将最小外接矩Bi按列划分，计算出Hurst数值
得到Hurst数值后，再基于式(1)分别基于两个Hurst数值计算出分形特征，
即为Bi的分形特征；
S1.3：对每个最小外接矩Bi进行LBPV特征提取，并将其与分形特征级联得到特征
进一步，所述步骤S2中，得到训练好的支持向量机的具体步骤为：
S2.1：输入多张RGB眼底图像作为训练集，提取训练集中各训练样本的视场模板图像、血管图像和视盘模板图像；
S2.2：利用提取到的血管图像，去除各训练样本中的血管，得到去除血管后的图像；
S2.3：对去除血管后的图像进行RPCA稀疏重建提取稀疏分量，并用视场模板图像和视盘模板图像去除稀疏分量的干扰区域，对去除干扰区域后的图像采用动态阈值分割方法提取硬性渗出候选区域图像；
S2.4：提取硬性渗出候选区域图的每个连通区域的最小外接矩Bi，将各张训练样本中的各个最小外接矩Bi的特征
以及该最小外接矩Bi对应的标签yi保存为训练数据；
S2.5：将训练数据按正负样本1∶1进行划分成多组训练数据，将各组训练数据单独训练支持向量机，得到各训练好的支持向量机。
一种基于分形和RPCA分割眼底图像中硬性渗出的方法，按少数服从多数原则，对所有支持向量机的分类结果进行投票，得到最终的分类结果
若分类结果
为硬性渗出，则保留该最小外接矩对应的连通区域，否则，删除其对应的连通区域，最终得到硬性渗出的分割二值图；利用分割二值图对原图进行标记，得到硬性渗出标记图。
本发明同现有技术相比，其有益效果表现在：
一、本发明采用RPCA和动态阈值fenge进行渗出候选区域提取，可以准确地提取出目标区域，并且可以较少引入非目标区域。
二、本发明采用分形特征和LBPV特征来表征渗出候选区域，并用多组分类器进行集成学习，能够有效的从候选区域中分类出目标区域，可以提高候选区域的分类准确率。
三、本发明能够检测出眼底图像的硬性渗出区域，具有较高的特异性和灵敏度，且计算时间短的特点。
附图说明
图1为本发明的流程示意图；
图2为本发明中的原图灰度图；
图3为本发明中的硬性渗出的分割二值图；
图4为本发明中的硬性渗出标记图。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
一种基于RPCA提取眼底图像中硬性渗出候选区域的方法，包括如下步骤：
步骤1：输入RGB眼底图像作为原图I，采用现有技术中公开的方式提取视场模板图像Imask、血管图像Ivessel和视盘模板图像Idisc；
具体的一种处理方式为：
步骤1.1：输入RGB眼底图像作为原图I，提取其绿色通道IG，遍历绿色通道IG所有像素，将像素值小于阈值的设为0，大于阈值的设为255，得到视场模板图像Imask；
步骤1.2：基于训练好的条件随机场对原图I进行血管提取，得到血管图像Ivessel；
步骤1.3：对原图I进行视盘模板提取，得到视盘模板图像Idisc，本实施采用公开申请文件201810696497.3中所提及的方式进行提取。
步骤2：利用提取到的血管图像Ivessel，去除原图I中的血管，得到去除血管后的图像InoVessel；即基于简单各向同性融合方法和血管图像Ivessel，去除原图I中的血管，得到去除血管后的图像InoVessel，其中，简单各向同性融合方法为simplest isotropic diffusionmodel的中文含义。
步骤3：对去除血管后的图像InoVessel进行RPCA稀疏重建提取稀疏分量，并用视场模板图像Imaxk和视盘模板图像Idisc去除稀疏分量的干扰区域，对去除干扰区域后的图像采用动态阈值分割方法提取硬性渗出候选区域图像Iexudate。
具体步骤为：
步骤3.1：对去除血管后的图像InoVessel进行RPCA稀疏重建，即先构建目标函数假设图像由低秩背景分量、稀疏目标分量和噪声分量组成，分别用核范数和L1范数约束低秩背景分量和稀疏目标分量，处理后利用ADMM进行求解，得到低秩分量IL和稀疏分量IS；在本实施例中，RPCA稀疏重建中用到的正则项λ＝0.02；
步骤3.2：提取步骤3.1得到的稀疏分量IS，利用视场模板图像Imask和视盘模板图像Idisc对稀疏分量IS进行掩模，去除干扰区域，得到去除干扰区域后的图像Imarked；
步骤3.3：对去除干扰区域后的图像Imarked进行动态阈值分割，即先构造阈值，其范围为去除干扰区域后的图像Imarked的最大像素值到最小像素值，间隔为step，同时设定连通域数目N；从大到小遍历阈值，对去除干扰区域后的图像Imarked进行二值化分割，直到某阈值使得分割后连通域数目大于设定的连通域数目N，最终基于该阈值进行二值化，得到最终二值化图Iexudate，即硬性渗出候选区域图，若从大到小遍历完阈值后，分割后得到的连通域数目都不大于设定的连通域数目N，则人为给定阈值threshold对去除干扰区域后的图像Imarked进行分割；分割后得到最终二值化图Iexudate，即硬性渗出候选区域图。在本实施例中，去除干扰区域后的图像Imarked归一化到0～1，step＝0.002，N＝300，阈值为0.7时分割后连通域数目大于设定的连通域数目N＝300。
基于上述步骤，得到硬性渗出候选区域后进行分类的具体步骤为：
一种对眼底图像中的硬性渗出候选区域进行分类的方法，包括如下步骤：
S1：提取硬性渗出候选区域图Iexudate的每个连通区域的最小外接矩，提取每个最小外接矩的分形特征和LBPV特征进行级联得到特征
具体步骤为：
S1.1：对硬性渗出候选区域图Iexudate进行连通性分析，得到多个连通区域，对每个连通区域提取最小外接矩Bi；
S1.2：对每个最小外接矩Bi进行分形特征提取，分形特征由Hurst数值计算，其公式为：
D＝N+1-H (1)
其中，D为分形特征，H为Hurst数值，N为硬性渗出候选区域图Iexudate所在空间的拓扑维数；
Hurst数值计算由分形布朗运动计算得到，计算方法为：首先将最小外接矩Bi按行划分，提取出信号xi，计算差分信号，由差分信号计算功率谱，对所有行的功率谱进行累加得到累加功率谱，累加功率谱取对数变换后进行最小二乘线性拟合，求解斜率，即为Hurst数值
同理，将最小外接矩Bi按列划分，计算出Hutst数值
得到Hutst数值后，再基于式(1)分别基于两个Hurst数值计算出分形特征，
即为Bi的分形特征；
S1.3：对每个最小外接矩Bi进行LBPV特征提取，并将其与分形特征级联得到特征
本实施例中，LBPV特征由MATLAB函数计算得到，其中，MATLAB函数中的参数LBP区域半径R＝1，采样点P＝8。
S2：将每个特征
输入各训练好的支持向量机，得到各分类结果。
得到训练好的支持向量机的具体步骤为：
S2.1：输入多张RGB眼底图像作为训练集，提取训练集中各训练样本的视场模板图像、血管图像和视盘模板图像；
S2.2：利用提取到的血管图像，去除各训练样本中的血管，得到去除血管后的图像；
S2.3：对去除血管后的图像进行RPCA稀疏重建提取稀疏分量，并用视场模板图像和视盘模板图像去除稀疏分量的干扰区域，对去除干扰区域后的图像采用动态阈值分割方法提取硬性渗出候选区域图像；
S2.4：提取硬性渗出候选区域图的每个连通区域的最小外接矩Bi，将各张训练样本中的各个最小外接矩Bi的特征
以及该最小外接矩Bi对应的标签yi保存为训练数据；
S2.5：将训练数据按正负样本1∶1进行划分成多组训练数据，将各组训练数据单独训练支持向量机，得到各训练好的支持向量机。本实施例中，多组训练数据为6组，对应的支持向量机为6个。
一种基于分形和RPCA分割眼底图像中硬性渗出的方法，按少数服从多数原则，对所有支持向量机的分类结果进行投票，得到最终的分类结果
若分类结果
为硬性渗出，则保留该最小外接矩对应的连通区域，否则，删除其对应的连通区域，最终得到硬性渗出的分割二值图；利用分割二值图对原图进行标记，得到硬性渗出标记图。
以上仅是本发明众多具体应用范围中的代表性实施例，对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案，均落在本发明权利保护范围之内。
Claims (5)
1.一种基于分形和RPCA分割眼底图像中硬性渗出的方法，其特征在于，包括基于RPCA提取眼底图像中硬性渗出候选区域的方法和对眼底图像中的硬性渗出候选区域进行分类的方法；
所述基于RPCA提取眼底图像中硬性渗出候选区域的方法包括如下步骤：步骤1：输入RGB眼底图像作为原图I，提取视场模板图像Imask、血管图像Ivessel和视盘模板图像Idisc；步骤2：利用提取到的血管图像Ivessel，去除原图I中的血管，得到去除血管后的图像InoVessel；步骤3：对去除血管后的图像InoVessel进行RPCA稀疏重建提取稀疏分量，并用视场模板图像Imask和视盘模板图像Idisc去除稀疏分量的干扰区域，对去除干扰区域后的图像采用动态阈值分割方法提取硬性渗出候选区域图像Iexudate；
所述步骤3的具体步骤为：步骤3.1：对去除血管后的图像InoVessel进行RPCA稀疏重建，即先构建目标函数假设图像由低秩背景分量、稀疏目标分量和噪声分量组成，分别用核范数和L1范数约束低秩背景分量和稀疏目标分量，处理后利用ADMM进行求解，得到低秩分量IL和稀疏分量IS；步骤3.2：提取步骤3.1得到的稀疏分量IS，利用视场模板图像Imask和视盘模板图像Idisc对稀疏分量IS进行掩模，去除干扰区域，得到去除干扰区域后的图像Imarked；步骤3.3：对去除干扰区域后的图像Imarked进行动态阈值分割，即先构造阈值，其范围为去除干扰区域后的图像Imarked的最大像素值到最小像素值，间隔为step，同时设定连通域数目N；从大到小遍历阈值，对去除干扰区域后的图像Imarked进行二值化分割，直到某阈值使得分割后连通域数目大于设定的连通域数目N，最终基于该阈值进行二值化，得到最终二值化图Iexudate，即硬性渗出候选区域图，若从大到小遍历完阈值后，分割后得到的连通域数目都不大于设定的连通域数目N，则人为给定阈值threshold对去除干扰区域后的图像Imarked进行分割；分割后得到最终二值化图Iexudate，即硬性渗出候选区域图；
所述对眼底图像中的硬性渗出候选区域进行分类的方法包括如下步骤：S1：提取硬性渗出候选区域图Iexudate的每个连通区域的最小外接矩，提取每个最小外接矩的分形特征和LBPV特征进行级联得到特征S2：将每个特征输入各训练好的支持向量机，得到各分类结果；S3：按少数服从多数原则，对所有支持向量机的分类结果进行投票，得到最终的分类结果若分类结果为硬性渗出，则保留该最小外接矩对应的连通区域，否则，删除其对应的连通区域，最终得到硬性渗出的分割二值图；利用分割二值图对原图进行标记，得到硬性渗出标记图。
2.根据权利要求1所述的一种基于分形和RPCA分割眼底图像中硬性渗出的方法，其特征在于，所述步骤1的具体步骤为：步骤1 .1：输入RGB眼底图像作为原图I，提取其绿色通道IG，遍历绿色通道IG所有像素，将像素值小于阈值的设为0，大于阈值的设为255，得到视场模板图像Imask；步骤1.2：基于训练好的条件随机场对原图I进行血管提取，得到血管图像Ivessel；步骤1.3：对原图I进行视盘模板提取，得到视盘模板图像Idisc。
3.根据权利要求1所述的一种基于分形和RPCA分割眼底图像中硬性渗出的方法，其特征在于：所述步骤2基于简单各向同性融合方法和血管图像Ivessel，去除原图I中的血管，得到去除血管后的图像InoVessel，其中，简单各向同性融合方法为simplest isotropicdiffusion model的中文含义。
4.根据权利要求1所述的一种基于分形和RPCA分割眼底图像中硬性渗出的方法，其特征在于，所述步骤S1的具体步骤为：S1.1：对硬性渗出候选区域图Iexudate进行连通性分析，得到多个连通区域，对每个连通区域提取最小外接矩Bi；S1.2：对每个最小外接矩Bi进行分形特征提取，分形特征由Hurst数值计算，其公式为：D＝N+1-H(1)其中，D为分形特征，H为Hurst数值，N为硬性渗出候选区域图Iexudate所在空间的拓扑维数；Hurst数值计算由分形布朗运动计算得到，计算方法为：首先将最小外接矩Bi按行划分，提取出信号xi，计算差分信号，由差分信号计算功率谱，对所有行的功率谱进行累加得到累加功率谱，累加功率谱取对数变换后进行最小二乘线性拟合，求解斜率，即为Hurst数值同理，将最小外接矩Bi按列划分，计算出Hurst数值得到Hurst数值后，再基于式(1)分别基于两个Hurst数值计算出分形特征，即为Bi的分形特征；S1 .3：对每个最小外接矩Bi进行LBPV特征提取，并将其与分形特征级联得到特征。
5.根据权利要求1所述的一种基于分形和RPCA分割眼底图像中硬性渗出的方法，其特征在于，所述步骤S2中，得到训练好的支持向量机的具体步骤为：S2.1：输入多张RGB眼底图像作为训练集，提取训练集中各训练样本的视场模板图像、血管图像和视盘模板图像；S2.2：利用提取到的血管图像，去除各训练样本中的血管，得到去除血管后的图像；S2.3：对去除血管后的图像进行RPCA稀疏重建提取稀疏分量，并用视场模板图像和视盘模板图像去除稀疏分量的干扰区域，对去除干扰区域后的图像采用动态阈值分割方法提取硬性渗出候选区域图像；S2.4：提取硬性渗出候选区域图的每个连通区域的最小外接矩Bi，将各张训练样本中的各个最小外接矩Bi的特征以及该最小外接矩Bi对应的标签yi保存为训练数据；S2.5：将训练数据按正负样本1:1进行划分成多组训练数据，将各组训练数据单独训练支持向量机，得到各训练好的支持向量机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910588150.1A CN110288616B (zh) | 2019-07-01 | 2019-07-01 | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910588150.1A CN110288616B (zh) | 2019-07-01 | 2019-07-01 | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110288616A CN110288616A (zh) | 2019-09-27 |
| CN110288616B true CN110288616B (zh) | 2022-12-09 |
Family
ID=68021661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910588150.1A Active CN110288616B (zh) | 2019-07-01 | 2019-07-01 | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288616B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754481B (zh) * | 2020-06-23 | 2024-03-15 | 北京百度网讯科技有限公司 | 眼底图像识别方法、装置、设备以及存储介质 |
| CN111784686A (zh) * | 2020-07-20 | 2020-10-16 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种内窥镜出血区域的动态智能检测方法、***及可读存储介质 |
| CN115049850B (zh) * | 2022-07-20 | 2024-06-14 | 电子科技大学 | 一种用于肺部ct影像的纤维化区域的特征提取方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105374026A (zh) * | 2015-10-09 | 2016-03-02 | 上海海事大学 | 一种适用于海防监控的海上红外小目标的检测方法 |
| CN106919952A (zh) * | 2017-02-23 | 2017-07-04 | 西北工业大学 | 基于结构稀疏表示和内部聚类滤波的高光谱异常目标检测方法 |
| CN107945207A (zh) * | 2017-11-20 | 2018-04-20 | 北京众绘虚拟现实技术研究院有限公司 | 一种基于视频帧间低秩关联信息一致性的实时物体追踪方法 |
| CN109447073A (zh) * | 2018-11-08 | 2019-03-08 | 电子科技大学 | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 |
| CN109523524A (zh) * | 2018-11-07 | 2019-03-26 | 电子科技大学 | 一种基于集成学习的眼底图像硬性渗出检测方法 |
| CN109934178A (zh) * | 2019-03-18 | 2019-06-25 | 电子科技大学 | 一种基于Kronecker基稀疏表示的红外弱小目标检测方法 |
-
2019
- 2019-07-01 CN CN201910588150.1A patent/CN110288616B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105374026A (zh) * | 2015-10-09 | 2016-03-02 | 上海海事大学 | 一种适用于海防监控的海上红外小目标的检测方法 |
| CN106919952A (zh) * | 2017-02-23 | 2017-07-04 | 西北工业大学 | 基于结构稀疏表示和内部聚类滤波的高光谱异常目标检测方法 |
| CN107945207A (zh) * | 2017-11-20 | 2018-04-20 | 北京众绘虚拟现实技术研究院有限公司 | 一种基于视频帧间低秩关联信息一致性的实时物体追踪方法 |
| CN109523524A (zh) * | 2018-11-07 | 2019-03-26 | 电子科技大学 | 一种基于集成学习的眼底图像硬性渗出检测方法 |
| CN109447073A (zh) * | 2018-11-08 | 2019-03-08 | 电子科技大学 | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 |
| CN109934178A (zh) * | 2019-03-18 | 2019-06-25 | 电子科技大学 | 一种基于Kronecker基稀疏表示的红外弱小目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110288616A (zh) | 2019-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288616B (zh) | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 | |
| CN103530878B (zh) | 一种基于融合策略的边缘提取方法 | |
| CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
| CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
| WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
| CN110309806B (zh) | 一种基于视频图像处理的手势识别***及其方法 | |
| CN109523524B (zh) | 一种基于集成学习的眼底图像硬性渗出检测方法 | |
| CN109636824A (zh) | 一种基于图像识别技术的多目标计数方法 | |
| CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测***和方法 | |
| CN109886170B (zh) | 一种钉螺智能检测识别与统计*** | |
| Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
| Tripathy | Detection of cotton leaf disease using image processing techniques | |
| CN108776823A (zh) | 基于细胞图像识别的***病灶分析方法 | |
| CN116452506A (zh) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 | |
| CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
| CN111768455A (zh) | 一种基于图像的木材区域和主色提取方法 | |
| CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
| CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
| CN111611866B (zh) | 基于YCrCb和LAB颜色空间的火焰检测识别方法及*** | |
| Gui et al. | A fast caption detection method for low quality video images | |
| Lv et al. | Method to acquire regions of fruit, branch and leaf from image of red apple in orchard | |
| CN114758139A (zh) | 基坑积水检测方法 | |
| CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |