眼底图像病变识别.pdfVIP

眼底图像的病变识别 1. 原理阐述 1. 1 前言 眼底病变包括了视网膜，脉络膜，视神经及玻璃体的炎症，肿瘤，各类血管的病变，各种变性 疾病及多系统疾病引起的眼部病变。不仅种类繁多，而且对视功能损害较大。目前常见而又影响视 功能的眼底疾病有糖尿病视网膜病变，老年性黄斑病变，视网膜静脉阻塞等等。 基于以上眼底图像对于疾病的诊断的意义，本文章结合了正常和病态的眼底图像各50 幅，采用 模式识别的方法先对两种图像各25 幅加以训练，并进行特征值提取，在使用剩余的图像进行分类方 法的评估，本文意在运用模式识别方法在医学领域应用。 1. 2 流程说明 本次模式识别的过程是：有已知样本情况的监督模式识别 分类器设计 （训练） 信息的获取与预处理 特征的提取与选择 分类器设计 （训练） 图1 监督模式识别的流程图 对于图像的预处理主要分成两个步骤：无效区域的填充和图像的对比度增强。 病变图像 无效区域 Retinex 预处理后 的填充 对比增强 图像 正常图像 图2 图像的预处理的流程图 对于所给的病变图像，有部分的图像边沿是无效的黑色，这对于下一步对比度增强会带来影响， 另外，在图像的特征提取上也会造成影响。如果前期部进行处理，那么，后期的分离器中则需要加 入判断结构对无效区域的识别，这无疑增加特征提取的运行时间。 因此，这里采用了一种简单的方法对向区域填充图像的R、G、B 均值。做法是先读取有效的R、 G、B 值，并存入数组，下一步将对数组中的值求平均即可得到该图像有效R、G、B 的平均值，在向 无效区域填充即可。 第1 页 共15 页 图3 无效填充前 图4 无效填充后 接下来，对图像的处理是：对比度增强。由于拍照的光线对眼底图像质量起着重要作用，因此， 对于明场和暗场下的蛋白质与血液的成像都有所不同，为了增强二者在图像中的识别度，采用的是 Retinex 图像增强的方法，设置蛋白质和血液通道，分别对R、G、B 的标准差进行设定，进而得到 预处理后的图像。然后，再对图像的蛋白质和血液筛选，形成25*2 的特征矩阵。 蛋白质通道 特 预处理后 征 图像 值 特征矩阵 提 血液通道 取 图5 特征提取和选择 图6 经过蛋白质通道前 图7 经过蛋白质通道前 第2 页 共15 页 图8 经过血液通道前 图9 经过血液通道后 然后将训练集的数据进行整合，使用三种分类器（分别是最小距离分类器、Fisher 线性分类器、 二次分类器）进行训练。 最小距离分类器