论文部分内容阅读
实现眼底图像中视盘的自动检测以及血管的自动分割在计算机辅助眼病诊断系统中扮演着重要的角色。本论文正是针对眼底图像中视盘的检测和血管的分割展开的。 在视盘检测方面,本论文介绍了两个算法:一是基于AdaBoost和主动几何形状模型的算法,另一是基于结构学习的算法。 基于AdaBoost和主动几何形状模型的方法是利用视盘的区域信息对视盘进行检测。该算法首先利用SLIC(Simple Linear Iterative Clustering)生成超像素,接着对超像素进行特征设计,然后利用AdaBoost算法对超像素进行分类,最后利用主动几何形状模型对分类所得的视盘区域边界进行圆拟合。该算法在DRIONS数据库上进行了验证,获得的实验结果表明了该算法的可行性与有效性。 基于结构学习的方法是利用视盘的边缘信息实现视盘的检测的。该算法首先利用结构随机森林获取视盘的边缘映射图,接着对视盘边缘映射图进行阈值处理得到二值图像,最后在二值图像上进行圆霍夫变换,即利用圆对视盘的边缘进行近似。该算法在MESSIDOR数据库、DRIONS数据库以及ONHSD数据库上进行了测试。测试的结果(面积重叠率为0.8605,S系数为0.9181,正确率为0.9777,真阳性比例为0.9183,假阳性比例为0.0102)表明了该算法的有效性,并与当前多个在视盘检测方面表现优秀的算法具有可比性。 在血管分割方面,本论文同样介绍了两个算法:一是基于通道选择和随机森林的方法,二是基于形态学操作和可控高斯滤波器的方法。 基于通道选择和随机森林的方法属于有监督的学习算法。该算法首先利用形态学操作获取候选像素点,并基于原图像产生多个图像通道,接着对这些通道进行选择,并基于所选择的图像通道利于小图像块的方法为每个候选像素进行特征设计,最后利用随机森林对候选像素进行分类。该算法在DRIVE数据库上进行了测试,测试结果表明了该算法具有较强的竞争性。 基于形态学操作和可控高斯滤波器的方法属于无监督的方法。该算法首先利用形态学操作获取一幅血管图像,接着利用可控高斯滤波器获取另一幅血管图像,最后取两幅血管图像的交集作为最终的血管图像。该算法在DRIVE和STARE数据库上进行了测试,测试的结果表明了该算法的可行性与有效性。