基于HOG的眼前房角OCT图像分类.pdfVIP

《工业控制计算机}2Ol5年第 28卷第 2期 的H0G特征值 串在一起构成眼前房角隐窝区域特征向量。 阵表如 图4。 3 实验结果分析 由混淆矩阵计算得 出在把眼前房角图片分类成五等级的时 本次试 验采用 的图像为来 自 15个人 的 72幅眼前房角 候 ，分类精度为 82．4％，可见 ，再多分类方面 ，本文方法也能达到 oCT图像 ，图像格式均为JPG格式，分为眼前房角闭合、开放两 较好 的分类效果 。 种粗分类别与精确等级分类五级细分类别。实验环境为Wln_ 4 结束语 dows7系统 ，用 MATLABR2014a编程实现 。本文支持向量机 本文采用 了基于 HOG特征的眼前房角 OCT图像 中房角 分类是采用 MATLAB自带 SVM工具实现。 开放状态 的分类方法 。通过对分类结果的分析 ，表明论文所提出 本文首先对眼前房角闭合、开放两种状态即闭角型青光眼和 分类方法不仅对眼前房角OCT图像进行两分类具有较高的分 开角型青光眼分类进行实验仿真 ，分析分类效果 ，再利用支持向 类准确率 ，对于五级细分类也具有不错 的分类效果 。该方法将为 量机多分类算法 埘 眼前房角进行 5级分类 ，并且分析分类效果 。 眼前房角的开放、闭合状态的分类，以及青光眼计算机辅助诊断 3．1眼前房角两分类实验及结果分析 研究提供新 的思路 。 选用全部 72幅图像中的36幅作为训练样本，其余为测试 样本 。采用支持向量机分类 ，眼前房角 闭合、开放两类标签分别 参考文献 为 0与 1，实验得 出分类精度为 86．1％，相 比分类精度 ，混淆矩 [1]S．Resnikoff，D．Pascolini，DEtyaale，IKocur，RPararajase garam。 阵表更能详细描述分类情况 ，如图 3。 G．P．Pokharel，and S．P．Mritti，GIoba data on visuaIimpair． mentinthe year2002，BullWorld HealthOrgan． 82，844-851 分类结果 (2004) 0 1 [2]T．Jing，P．Marziliano，M Baskaran，et．a1．AutomaticAnterior 实际标签 0 8 0 ChamberAngle AssessmentforHD—OCT Images，Biomedical 1 5 23 Engineering，IEEETransactionson58，3242—3249(2011) 各类分类正确率 61．5 100％ [3]Y．W Xu，J．Liu，N．M Tan，et．al。AnteriorChamberAngle