[发明专利]一种基于集成学习的眼底图像硬性渗出检测方法

摘要

本发明公开了一种基于集成学习的眼底图像硬性渗出检测方法，属于图像处理技术领域，首先对输入的眼底图像进行对比度增强、滤波以及形态学重建，再利用已训练好的卷积神经网络提取样本的深度特征，并对其提取传统特征，再将两者进行级联，采用主成分分析法进行降维，最后将降维后特征和标签送入已训练好的随机森林分类器进行分类，从而分割出眼底图像的硬性渗出区域，解决了现有硬性渗出检测方法存在计算量较大，检测准确率不高和检测不完全的问题。

主权项

1.一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，包括以下步骤：步骤1：输入眼底图像，进行对比度增强，得到增强图像；步骤2：提取增强图像的绿色通道，得到绿色通道图像，再对其进行中值滤波和开操作，得到背景估计图像；步骤3：对背景估计图像进行形态学重建得到形态学重建图像，再用步骤2的绿色通道图像减去形态学重建图像，得到归一化背景图像；步骤4：对归一化背景图像进行动态阈值分割，直到连通域数目大于设定的连通域数目，再去除面积小的连通域得到候选区域模板图；步骤5：利用候选区域模板图对步骤1的增强图像进行掩模得到候选区域样本图，将其送入卷积神经网络进行前向传播，将全连接层的向量作为深度特征，同时提取候选区域样本图中对应区域的传统特征；步骤6：将步骤5的深度特征和传统特征进行简单级联，用主成分分析法进行降维，得到各个候选区域的最终的特征向量；步骤7：将特征向量送入随机森林进行判断，对候选区域进行分类，从而得到最终的渗出标记图。