[发明专利]基于多特征模型的视网膜中央凹检测方法

摘要

本发明公开了一种基于多特征模型的视网膜中央凹检测方法，所述视网膜中央凹检测方法包括以下步骤：一、全局先验特征提取，二、局部先验特征提取，三、深度特征提取，四、建立融合多特征的中央凹检测模型，通过提取中央凹的全局、局部以及深度特征信息并进行有效融合，完成对视网膜中央凹的精确检测。本发明可以有效克服眼底光照噪声、眼底病变以及异常血管分布对中央凹自动检测的影响，提高中央凹检测的精度和鲁棒性，从而为基于视网膜图像的身份识别提供更加稳健的身份特征信息。

主权项

1.一种基于多特征模型的视网膜中央凹检测方法，其特征在于所述视网膜中央凹检测方法具体实施步骤如下：一、全局先验特征提取根据全局方向模型拟合出视网膜主血管的抛物线方程和视盘中心点坐标，在此基础上，利用中央凹与视盘的先验距离确定中央凹坐标进而定义出中央凹检测的感兴趣区域R_ROI，并给出计算基于全局先验信息的中央凹位置概率分布函数，其中：感兴趣区域R_ROI的计算公式如下：式中：a₁和a₂为双抛物线的开角参数，(x_mid，y_mid)为图像视场中心点，为最优视盘位置；中央凹位置概率分布函数的计算公式如下：式中：(x，y)∈I，I为输入图像；d_min和d_max为中央凹中心到视盘中心距离的上下界；Z为归一化参数；σ为置信度尺度控制参数；γ为旋转角度参数，为视盘中心点；二、局部先验特征提取首先利用血管去除方法对图像中的血管进行去除，然后利用快速径向对称变换对血管去除图像进行变换处理，得到快速径向对称变换结果式中：为半径集合，S_n为半径为n时的径向对称响应；(x，y)为图像上任意一点；p＝(x，y)；S(x，y)作为基于局部外观特征的中央凹位置概率分布函数；三、深度特征提取采用迁移学习的方法，对VGG‑F模型进行迁移学习，学习出中央凹区域的深度特征，利用深度特征训练Softmax回归模型；在此基础上，利用Softmax回归模型对待检测图像块进行分类，并将该分类得分作为该图像块的基于深度特征的中央凹深度先验概率Pb_c：式中，f为训练出的Softmax回归模型；j代表分类为中央凹类别的索引；K为类别总数；S为滑动窗口的尺度总数；对图像上任意一点(x，y)，以该点为中心的局部窗口，记作其中H和W分别表示图像块的高度和宽度；为点(x，y)处不同尺度图像块属于中央凹类别的概率；四、建立融合多特征的中央凹检测模型融合多特征的中央凹检测模型的计算公式如下：通过求解如下优化问题，即可成功实现中央凹精确检测，即：式中，为定义局部先验概率分布的置信度，Conf_c为深度先验概率分布的置信度，(x_fovea，y_fovea)即为中央凹检测的最终结果。