[发明专利]一种基于集成学习的眼底图像硬性渗出检测方法

权利要求书

1.一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，包括以下步骤：

步骤1：输入眼底图像，进行对比度增强，得到增强图像；

步骤2：提取增强图像的绿色通道，得到绿色通道图像，再对其进行中值滤波和开操作，得到背景估计图像；

步骤3：对背景估计图像进行形态学重建得到形态学重建图像，再用步骤2的绿色通道图像减去形态学重建图像，得到归一化背景图像；

步骤4：对归一化背景图像进行动态阈值分割，直到连通域数目大于设定的连通域数目，再去除面积小的连通域得到候选区域模板图；

步骤5：利用候选区域模板图对步骤1的增强图像进行掩模得到候选区域样本图，将其送入卷积神经网络进行前向传播，将全连接层的向量作为深度特征，同时提取候选区域样本图中对应区域的传统特征；

步骤6：将步骤5的深度特征和传统特征进行简单级联，用主成分分析法进行降维，得到各个候选区域的最终的特征向量；

步骤7：将特征向量送入随机森林进行判断，对候选区域进行分类，从而得到最终的渗出标记图。

2.根据权利要求1所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤1的具体步骤为：

步骤1.1：输入彩色眼底图像，利用增强公式对眼底图像的三个通道分别进行对比度增强，所述增强公式如下：

I_i＝α·I_i+τ·Gaussian*I_i+γ

其中，I表示眼底图像，i表示眼底图像的R、G、B三个通道，Gaussian表示高斯滤波器，α、τ、γ均为常数；

步骤1.2：将增强后的三个通道合并为增强图像；

步骤1.3：同时对眼底图像进行血管分割，得到血管分割图。

3.根据权利要求1所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤2的具体步骤为：

步骤2.1：提取增强图像的绿色通道，得到绿色通道图像；

步骤2.2：采用尺寸为50～70像素的中值滤波器对绿色通道图像进行滤波得到滤波图像；

步骤2.3：采用面积为10～20像素的圆盘结构元对滤波图像进行开操作，得到背景估计图像。

4.根据权利要求1所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤3的具体步骤为：

步骤3.1：将背景估计图像作为marker，将绿色通道图像作为mask，对背景估计图像进行形态学重建，得到形态学重建图像；

步骤3.2：用步骤2的绿色通道图像减去形态学重建图像，得到归一化背景图像。

5.根据权利要求2所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤4的具体步骤为：

步骤4.1：计算归一化背景图像像素值的最大值t_max和最小值t_min；

步骤4.2：将阈值的范围设定为t_max到t_min，从高到低对步骤4.1中的归一化背景图像进行二值化，直到二值化后图像的连通域数目小于预设定的连通域数目K，则将该二值化图像记为若遍历所有范围，仍未找到符合连通域数目的二值化图像，则直接使用人为给定的阈值对归一化背景图像进行二值化，并将该二值化图像记为

步骤4.3：删除二值化图像中像素面积小于设定值px的连通域，所述设定值px的取值范围为1≤px≤10，得到候选区域模板图。