[发明专利]一种眼底图像中央凹定位方法

权利要求书

1.一种眼底图像中央凹定位方法，其特征在于，包括如下步骤：

1)由眼底图像得到视杯视盘分割结果图和血管分布图；

2)将所述视杯视盘分割结果图和所述血管分布图输入训练好的粗定位网络，得到有关于眼底图像中央凹的粗定位位置信息；

3)根据粗定位位置信息得到的位置信息对眼底图像进行感兴趣区域裁剪；

4)将裁剪得到的眼底图像经直方图匹配后输入训练好的精确定位网络，得到精确坐标位置；

5)根据精确坐标位置结合粗定位位置，进行还原得到最终坐标位置，实现眼底图像中央凹定位；

所述粗定位网络的损失函数为两个部分加权组合而成：

L_loc1＝L_r+L₁

平方损失函数L_r是实际结果和观测结果之间差距的平方和，可理解为最小二乘法：

L_r(y′,y)＝(y′-y)²

L₁为正则化的项：

其中，y表示图像的真实标注位置，Loc1(·)代表网络参数，x1代表网络输入血管图像，x2代表网络输入视杯视盘图像，y′表示图像x经Loc1(·)的输出。

2.如权利要求1所述的眼底图像中央凹定位方法，其特征在于，步骤2)中，将尺寸为H×W×1的血管分布图像和尺寸为H×W×1的视杯视盘分割图像的特征进行拼接并输入所述粗定位网络，分别经过两个sigmoid激活函数输出层，得到数值范围在0～1，最后分别乘以输入图像尺寸值得到预测的粗定位位置坐标。

3.如权利要求1所述的眼底图像中央凹定位方法，其特征在于，步骤4)中，将尺寸为H×W×3的经直方图匹配之后的眼底图像输入到所述精确定位网络，分别经过两个sigmoid激活函数输出层，得到数值范围在0～1，最后分别乘以输入图像尺寸值得到预测的X和Y坐标。

4.如权利要求3所述的眼底图像中央凹定位方法，其特征在于，所述精确定位网络的损失函数为两个部分加权组合而成：

L_Loc2＝L_r+L₁

平方损失函数L_r是实际结果和观测结果之间差距的平方和，可理解为最小二乘法：

L_r(y′,y)＝(y′-y)²

L₁为正则化的项：

其中，y表示图像的真实标注位置，Loc2(·)代表网络参数，x代表网络输入眼底图像，y′表示图像x经Loc2(·)的输出。

5.如权利要求1至3任一项所述的眼底图像中央凹定位方法，其特征在于，所述直方图匹配，对于原始图像灰度分布的概率密度函数p_r(r)和希望得到的概率密度函数p_z(z)，对两个直方图都做均衡化，变成相同的归一化的均匀直方图，以均匀直方图为媒介，再对参考图像做均衡化的逆运算；其中，均衡化处理：

均衡化处理后p_r(r)和p_z(z)具有同样的均匀密度：

z＝G^-1(u)≈G^-1(s)。

6.如权利要求1至3任一项所述的眼底图像中央凹定位方法，其特征在于，所述粗定位网络的训练包括：

由眼底图像通过阈值分割得到血管分割图，并得到视杯视盘分割图；

将得到的血管分割结果图和视杯视盘分割图的特征进行拼接；

将得到的拼接特征输入粗定位网络，然后其执行flatten操作输入到一个结点为1的全连接层，最后连接一个激活函数为sigmoid函数的输出层，最终得到数值范围在0～1；

计算损失函数，并使用优化器通过多次迭代更新分割模型参数直到其收敛到最优值。