[发明专利]一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法

摘要

本发明公开了一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，该方法为眼底图中的每个像素点构造一个包括局部特征、形态学特征和像素的向量场散度特征在内的36维特征向量，用以判定其是否为血管上的像素。分类计算时，以分类回归树作为弱分类器对样本集分类，然后对AdaBoost分类器进行训练得到强分类器，并由此完成各个像素点的分类判定，得到最后的分割结果。该方法对血管主干部分提取较好，对于高亮度病灶区的处理很有优势，适合进行后期处理，为主要血管的病变提供了直观结果，适用于眼底图像的计算机辅助定量分析和疾病诊断，对相关疾病的辅助诊断有明显临床意义。 1

主权项

1.一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，其特征在于，包括以下步骤：步骤1：对训练集中已知标定结果的眼底图像的每个像素点进行36维特征向量的提取；所述36维特征向量包括29维局部特征、6维形态学特征以及1维散度特征；其中，所述29维局部特征依次包括1维灰度值特征、24维高斯尺度空间滤波特征、4维Y方向二阶高斯导数特征；所述1维灰度值特征是眼底图像中每个像素点在绿色通道上的灰度值；所述24维高斯尺度空间滤波特征是对眼底图像在4个不同尺度进行二维高斯滤波、二维高斯滤波的一阶偏导以及二维高斯滤波的二阶偏导值；所述4维Y方向二阶高斯导数特征是先对眼底图像在X方向上的一维高斯滤波得到X方向一维滤波图像，再对X方向一维高斯滤波图像求解在Y方向上的二阶高斯导数得到的4个特征；其中，所述X方向上的一维高斯滤波所用的高斯标准方差为3；所述Y方向上的二维高斯滤波所用的高斯标准方差的取值依次为所述6维形态学特征是对眼底图像进行Bottom‑Hat变换获得的6维特征；所述1维散度特征是不同尺度的各个方向的向量场的散度的总和Feature：其中，(x,y)表示眼底图像中像素点坐标，σ₃为多尺度滤波器的滤波尺度，k为尺度参数，σ₃＝k×0.4；k＝1,2......,10；θ是不同尺度中向量的方向，λ为方向参数，θ＝λπ/10；λ＝1,2......10；是利用多尺度滤波器对眼底图像进行滤波处理获得的滤波图像；步骤2：采用CART树生成弱分类器，基于生成的弱分类器采用AdaBoost算法获得强分类器；利用AdaBoost算法进行T次迭代，每次迭代用训练集中每幅已知标定结果的眼底图像的每个像素点的36维特征向量作为分类依据，结合训练集的手工标记分类结果，用CART二叉树分类，选取错分率最低的特征向量所对应的阈值生成二叉树的结点，构造的二叉树作为弱分类器；第一次迭代过程中获得的弱分类器的的初始权重t＝1，m为训练样本像素点数，m取值为3倍的血管像素点数目，正负样本选取比例为1:2，正样本即血管点，负样本即背景点；每次迭代过程中所需使用的错分率后一次迭代得到的弱分类器的权重D_t+1(i)与前一次迭代弱分类器的权重D_t(i)之间的关系为：C表示权重参数，利用弱分类器对像素点进行分类得到的分类结果Ht(Zi)与该像素点的人工标记结果yi一致时，权重参数C＝0；否则，C＝1；yi的取值为1或者‑1；其中，α_t表示第t次迭代过程得到的弱分类器组合参数，y_i表示第i个样本像素点的人工标记结果，H_t表示第t次迭代过程得到的弱分类器，Q_t表示归一化因子，Z_i为第i个训练样本像素点的36维特征向量，i＝1,…,m；所述CART树的深度为2；步骤3：利用AdaBoost算法得到的T个弱分类器线性组合成一个强分类器F(U)对待测试图像进行分类，提取测试图像中的血管结构；F(U)∈{‑1,1}，U表示对待分割图像中的像素点所提取的36维特征向量；将步骤3获得的分割结果与掩膜进行与操作，得到与操作结果，对与操作结果图中去除小于20个像素点的区域，得到优化分割结果。