[发明专利]眼底彩照进行眼底病灶识别的方法

权利要求书

1.一种眼底彩照进行眼底病灶识别的方法，其特征在于包括以下步骤：

图片质量检测，输入原始图像，进行图像特征的提取，并进行训练，对图片质量进行预测，检测出图片质量过关的眼底图像进行后续处理；

图像预处理，在所有的图像中选择一张识别效果最好的，并提取其RGB三个轨道的灰度分布，将其作为标准图；

出血渗血识别，选择以视盘为圆心一定距离内的区域作为目标区域，根据血管所在的位置，将该区域以血管壁为边界，分为血管外侧，血管边界，血管内侧三个子区域；

对这三个子区域分别提取灰度梯度变化和纹理变化两个大方面的特征；

识别时将图片输入，然后识别出目标区域的血管，然后在血管的外侧，血管壁，内侧分别提取训练所选择的特征；

用训练得到的机器学习分类器进行识别，得到结果，并将结果展示在原图片上。

2.如权利要求1所述的眼底彩照进行眼底病灶识别的方法，其特征在于所述图像特征的提取包括以下步骤：

首先使用canny算子对图像进行边缘检测，再用中值滤波进行去噪处理，之后用预处理过的图，计算边缘总像素点的个数、边缘的总周长、边缘区域的最大高度、最大宽度、奇数链的链码数目、目标面积、矩形度、伸长度，然后提取图像的七个不变矩特征；

每个图层提取5个判断清晰度的特征：灰度熵、Brenner梯度函数、方差函数、能量梯度函数、梯度函数；

利用灰度直方图提取特征；

将原本的RGB空间转换为HSV空间，计算色彩直方图。

3.如权利要求1所述的眼底彩照进行眼底病灶识别的方法，其特征在于所述对图片质量进行预测包括以下步骤：

1)给定训练数据集d＝(X,y)，其中x为提取出来的特征，y为0、1分类变量，0表示图片质量差，1表示图片质量好，固定m≤p，m为随机抽取出的特征个数，p为特征总个数，以及决策树算法中树的个数B；

2)对每个b＝1,2,…,B，做如下步骤：

a)对训练数据d通过随机从n个样本中抽取n次，构造bootstrap训练集

b)使用中的数据构造最大深度的树随机从p个变量中抽取m个进行分裂；

c)储存树与bootstrap样本的信息；

3)对任意预测点X₀，进行随机森林的拟合与预测，对每棵树都会预测出一个类别，这样由于有B棵树，所以可以预测出B个01类别，最终的预测结果，就是B个类别中，出现次数最多的类别。

4.如权利要求1所述的眼底彩照进行眼底病灶识别的方法，其特征在于还包括血管识别步骤：

图片处理，先处理去噪音，之后中值滤波、阈值去噪处理，得到大致的血管轮廓；

得到血管轮廓，预处理得到的血管轮廓，进行多次腐蚀操作，得到血管的大致分布范围，接着对得到的不连续的断裂的血管进行像素链接及对角线填充，得到连续的血管，然后对得到的粗糙的血管进行去毛刺处理，到血管轮廓；

血管识别，首先找到血管的中心线，利用中心线两侧向外的灰度梯度变化，确定血管边界，最后将识别的血管画在原图片上。

5.如权利要求1所述的眼底彩照进行眼底病灶识别的方法，其特征在于还包括视盘识别步骤：

初定位，首先将将整张图片更亮的区域用阈值分割的方法提取出来，其余较暗区域利用均值填补，修改后的图片再次进行阈值切分，通过多次迭代，将较亮区域面积一步步减小，当感兴趣区域面积事先确定的阈值后，停止迭代，再对提取出的高亮区域进行筛选，提取出该感兴趣区域的中心并截取以供下一步分析；

精确定位与平滑拟合，利用形态学处理方法先去掉噪音影响，然后对于图像进行阈值分割以得到相对不光滑的边界位置，然后对于边界位置进行椭圆拟合，最后将边界方程绘制在原图上。

6.如权利要求1所述的眼底彩照进行眼底病灶识别的方法，其特征在于还包括微血管瘤识别步骤：

首先提取出待处理图片的绿色轨道，然后对绿色轨道使用中值滤波，将滤波后的图像作为背景，再将背景的灰度减去原图的灰度，得到突出绿色轨道细节部分的图像；

使用最大互信息法，计算的公式如下：

公式中的p是每一个图像的256个灰度值的相关性矩阵；

自适应选取绿色轨道细节部分的图像的阈值进行二值化，再使用原图提取血管区域，将血管区域以及和血管连载一起的区域去除，得到所有微血管瘤的候选点图像；

将所有的候选点作为一个疑似的微血管瘤区域，并以候选点的重心为中心，进行特征提取，特征包括了小图片的红色轨道均值、标准差、最小最大值、绿色轨道的均值、标准差、最小最大值、绿色轨道映射到0-256的小图片的均值、标准差、最小最大值，连通域的面积，连通域的最小外接矩形长宽、图像的熵、图像的梯度，图像的中心以及角落的四个区域的平均灰度等信息，将这些特征全部导出，并且以标记为准将每一份样本进行标注；

将所有数据以图片划分，使用SMOTE方法对训练集的阳性样本进行扩充，最后使用Xgboost模型对训练集进行训练。