[发明专利]一种基于机器视觉的视网膜OCT图像中液体区域自动分割方法

权利要求书

1.一种基于机器视觉的视网膜OCT图像中液体区域自动分割方法，其特征在于，包括训练阶段和预测阶段，

所述的训练阶段包括：

二值化找出视网膜OCT区域；

块采样及建立样本数据库：将视网膜OCT区域的图像分成固定大小的区域，人工区分出含液体和不含液体区域，对含液体区域的样本，可以进行样本扩充，使得样本形态更加全面；

用积分图法求Harr特征：Haar特征值反映了图像的灰度变化情况，Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板，积分图构建算法具体为：

用s(i，j)表示行方向的累加和，初始化s(i，-1)＝0；

用n(i，j)表示一个积分图像，初始化ii(-1，j)＝0；

逐行扫描图像，递归计算每个像素(i，j)行方向的累加和s(i，j)和积分图像ii(i，j)的值：

s(i，j)＝s(i，-1)+f(i，j)；

ii(i，j)＝ii(-1，j)+s(i，j)；

扫描图像一遍，当到达图像右下角像素时，积分图像ii就构造好了；

利用Adaboost学习算法训练分类器：分开训练模型，每一轮训练一个新的模型，在每一轮的结束，错分的样本会被标定并且增加其在下一轮新的训练集中的权重，然后进行下一轮学习得到一个新的模型，基于后来的模型可以对前面模型的错误进行补偿，通过不断的迭代增加新模型来实现集成，每一次学到一个模型，确保它的分类精度大于0.5，利用Harr特征能够很好的表示图像的纹理特征，再利用Adaboost学习算法将Harr特征进行训练，生成多级弱分类器，然后级联成一个强分类器，也可以根据需要再将强分类器级联构造成更强的分类器，用于检测液体所在区域；

所述的预测阶段包括：

找到液体所在的区域：利用积分图法求得Harr特征，然后利用已经训练好的参数对图像进行分类，找到液体所在的区域；

运用kmean算法进行分割：通过迭代寻找K个聚类中心，将所有的数据分配到距离最近的聚类中心，使得每个点与其相应的聚类中心距离的平方和最小；

输出液体边界及面积。

2.根据权利要求1所述的一种基于机器视觉的视网膜OCT图像中液体区域自动分割方法，其特征在于，所述的自动分割方法中还包括对采集的图像进行去噪处理。

3.根据权利要求2所述的一种基于机器视觉的视网膜OCT图像中液体区域自动分割方法，其特征在于，所述的去噪处理采用高斯去噪：

其中(x，y)代表到所计算的中心像素点的坐标位置，σ是标准差。

4.根据权利要求1所述的一种基于机器视觉的视网膜OCT图像中液体区域自动分割方法，其特征在于，所述的二值化找出视网膜OCT区域的具体步骤为：二值化阈值＝灰度均值-α*灰度标准差，其中系数α为经验值，通过改变α值，来确定二值化阈值，根据灰度标准差、灰度最大、最小值来增加边界条件，来保证二值化阈值没有越界，或者限定α*灰度标准差的大小。