[发明专利]用于糖尿病性眼底图像分类的核主成分谱哈希方法

权利要求书

1.一种用于糖尿病性眼底图像分类的核主成分谱哈希方法，其特征在于：具体步骤如下：

A、首先进行糖尿病性眼底图像预处理，采用中值滤波法去除图像背景，利用图像形态学去除血管结构，提取出图像中的病变信息，利用线性元素对图像进行腐蚀操作，并对糖尿病性眼底图像中微动脉瘤候选集合的经行区域进行生长；

B、选择糖尿病性眼底图像中的微血管瘤病变作为模板匹配的目标，根据微动脉瘤在图像中的灰度与形状参数，设计其函数模型来匹配目标，使眼底图像中微动脉瘤灰度服从高斯分布，其函数模板的匹配公式为：

其中l为灰度最低值，h为灰度高度，e为自然底数，d为点到模板圆心的距离，r为半径，s为灰度陡峭度，(x₀,y₀)为微动脉瘤中心点，并将得到的特征提取图像转化为数据向量；

C、将糖尿病性眼底图像数据分为训练数据和测试数据，训练数据为X＝(x₁,x₂,...,x_n),n＝1,2,3,4...，测试数据为X'＝(x₁',x₂',...,x_m')，通过原始数据的维度确定需要转化的二值码码长为2ⁿ,n＝1,2,3,4...，选择原始数据维度和需要转化的二值码码长中较小的值作为降维数m，从而得到核主成分数据，其步骤如下：

a、将原来的非线性复杂数据转换至高维数据空间，通过原数据之间核函数K_ij＝h(x_i,x_j),i,j＝1,2,...,n得到核矩阵，h(x_i,x_j)表示x_i,x_j的核函数运算，得到的值为核矩阵K_ij中第i行第j列元素；

b、对上述得到的核矩阵中心化运算为：

其中为表示中心化的核矩阵，l为n×n的矩阵，其每个元素为1/n；

c、求中心化核矩阵的特征值λ_g,g＝1,2,...,n和特征向量α_g，有效去除特征之间的相关性，选择前m个最大特征值所对应的特征向量，得到原始数据中主要的信息，从而构造其对应的特征向量系数矩阵U＝[α₁,α₂,...,α_m]；

d、将原始训练数据和测试数据在该特征向量系数矩阵进行投影，得到训练数据的核主成分数据和测试数据的核主成分数据，其计算公式为：

h(x,x₁),h(x,x₂),...,h(x,x_n)表示x和x_i,i＝1,2,…n之间的核函数运算,其中x表示训练数据或者测试数据的某一个样本，t表示数据x的第g个主成分数据；

D、在核主成分数据每一个特征方向上根据主成分值应用公式计算q₁个最小的特征值，得到N×q₁个特征值，并对该特征值列表进行排序，选取前q₁个最小的特征值，计算其对应的特征函数值，其步骤如下：

a、对原始数据中的训练数据进行核主成分分析并得到核主成分数据，在每一个核主成分方向上计算出数据的百分位，确定其均匀分布的区间范围为[a,b]；

b、在每一个主成分方向上，根据区间范围宽度(a-b)计算其对应的码长，并采用码长加一来提高码的冗余度，特征变量的方差越大，对于应该得到的码长越长；

c、在每一个主成分方向上，将所有主成分方向码长进行相加，得到总码长，选择特征值较小的码位序号k₁计算对应的特征函数值；

d、在每一个主成分方向上，初始化主成分方向上的序号，得到初始化矩阵为：

e、在每一个主成分方向上排列码值序号，并转移到矩阵上的不同位置，得到的模式矩阵为：

f、将初始化矩阵减去模式矩阵，得到所需矩阵为：

g、通过矩阵M计算得到每一个特征值码位对应的特征值，采用计算公式为：

其中参数e为自然底数，a和b分别为分布区间范围上下限，M表示得到用于计算特征值的模式矩阵，ε为相似邻域半径；

该特征值是Laplace-Beltrami算子对应于特征方程的特征值，并将不同核主成分方向上的对应码位的特征值进行求和，并比较特征值大小，得到较小特征值，个数对应于码长，得到用于计算二值码对应特征函数值的特征值模式矩阵其中k_m用于计算对应的特征函数；

E、利用谱哈希方法将特征函数值的阈值设置为0，获取其相应的二值码，将每八位压缩为一个十进制紧密码,并用k最近邻KNN分类算法在汉明空间对获得的谱哈希十进制紧密码进行分类，从而进行糖尿病性眼底图像的有效分类。

2.根据权利要求1所述一种用于糖尿病性眼底图像分类的核主成分谱哈希方法，其特征在于：所述步骤E具体为：利用谱哈希方法将特征函数值的阈值设置为0，获取其相应的二值码，然后将每八位压缩为一个十进制紧密码,并用k最近邻KNN分类算法在汉明空间对获得的谱哈希十进制紧密码进行分类，从而进行糖尿病性眼底图像的有效分类，其步骤如下：

a、将训练数据根据得到的特征值进行模式转换，在每一个样本中根据均匀分布数据最小值的主成分数和对应于不同的码位的二值码模式在每个主成分方向上，得到特征函数值；再将不同码位上对应于不同主成分方向的值进行相乘，得到相应码位的特征函数值；计算对应的特征向量函数为：

其中参数a和b分别为分布的区间范围上下限，x表示训练和测试数据的主成分；

b、将数值0作为阈值，把上述特征函数值转化为0-1二值码，sin函数值域范围为[-1,1]，对应于数据选择0作为阈值；

c、将测试数据通过上述方法得到对应的0-1二值码；

d、将得到的二值码的每八位压缩为一个十进制紧密码：首先得到二值码的样本量，求得每个样本总的二值码位数值；然后根据紧密码的位数得到紧密码的长度；最后对于每个紧密码通过对应的二值，计算得到对应的码位；

e、根据得到的紧密码计算对应样本的汉明距离矩阵：先定义一个lookup table查找表，此表是一个循环变化的码表；接着采用异或运算方式计算糖尿病性眼底图像训练数据和糖尿病性眼底图像测试数据之间的值；然后通过上述得到的异或值在对应lookup table中找到对应的码字；最后得到其中一个样本的对应汉明距离；

f、糖尿病性眼底图像训练数据集表示为:

T＝{(x₁,y₁),(x₂,y₂),...,(x_N,y_N)}，

其中为糖尿病性眼底图像训练数据集，y_i∈y＝{-1,1}为糖尿病性眼底图像的类别，c_j表示样本的类别，在糖尿病性眼底图像分类中只有两个类别c_j＝{-1,1}，表示没有病变和有病变，N为对应的训练数据样本量，糖尿病性眼底图像特征向量x，此处为汉明空间的样本，I(y_i＝c_j)表示判断括号里面的式子是否成立；根据给定的距离度量，在训练集T中找出与x最邻近的k个点，涵盖这k个点的x的邻域记作N_k(x)；

g、利用K最近邻(KNN)分类算法在汉明空间对获得的谱哈希十进制紧密码进行分类，有效进行糖尿病性眼底图像的分类。