[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

说明书

本发明公开了一种基于集成学习的眼底图像硬性渗出检测方法，属于图像处理技术领域，首先对输入的眼底图像进行对比度增强、滤波以及形态学重建，再利用已训练好的卷积神经网络提取样本的深度特征，并对其提取传统特征，再将两者进行级联，采用主成分分析法进行降维，最后将降维后特征和标签送入已训练好的随机森林分类器进行分类，从而分割出眼底图像的硬性渗出区域，解决了现有硬性渗出检测方法存在计算量较大，检测准确率不高和检测不完全的问题。

技术领域

本发明属于计算机图像处理技术领域，涉及一种基于集成学习的眼底图像硬性渗出检测方法。

背景技术

目前，常常通过对拍摄的视网膜眼底图像进行人工观察来找出硬性渗出的位置、数目等，然而，人工找出硬性渗出的位置和统计渗出数目是一项任务量大且费时费力的工作，且在很大程度上要求眼底医生具备专业熟练的技能，这不适用于在基层偏远地区进行，因此通过计算机图像处理等技术来检测出眼底图像中的硬性渗出，提醒医生注意相关区域，辅助其进行观察，是一项具有现实意义的工作。

由于眼底图像中存在与硬性渗出具有相似亮度、颜色和对比度的血管、视盘、视盘纤维等，容易对硬性渗出的检测造成干扰，可能被计算机误识别为硬性渗出，因此对硬性渗出的自动分割是一项具有挑战的工作，近几年国内外的学者们都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检测方法主要包括基于阈值分割的方法、基于区域生长的方法、基于形态学的方法和基于分类器的方法。Sanchez等人提出的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，容易对硬性渗出的检测造成诸多干扰；Sinthanayothin等人提出循环区域生长法来自动检测，但是该方法计算量较大，耗时较长；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等人也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，但是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，且往往只能分割出部分硬性渗出和其他非渗出目标，分割精度不高，从而导致检测准确率不高；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，来判断是或不是硬性渗出目标，Giancardo等人提出一种基于图像级别的分类检测方法，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，但是该方法仍存在硬性渗出检测不完全的问题。

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计算量较大，检测准确率不高和检测不完全的问题。

发明内容

本发明的目的在于：提供了一种基于集成学习的眼底图像硬性渗出检测方法，解决了现有硬性渗出检测方法存在计算量较大，检测准确率不高和检测不完全的问题。

本发明采用的技术方案如下：

一种基于集成学习的眼底图像硬性渗出检测方法，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；