眼底图像病变识别.docx
《眼底图像病变识别.docx》由会员分享，可在线阅读，更多相关《眼底图像病变识别.docx（34页珍藏版）》请在冰点文库上搜索。
眼底图像病变识别
眼底图像的病变辨别
1.原理论述
1.1序言
眼底病变包含了视网膜，脉络膜，视神经及玻璃体的炎症，肿瘤，各种血管的病变，各样变性
疾病及多系统疾病惹起的眼部病变。
不单种类众多，并且对视功能伤害较大。
当前常有而又影响视
功能的眼底疾病有糖尿病视网膜病变，老年性黄斑病变，视网膜静脉堵塞等等。
鉴于以上眼底图像关于疾病的诊疗的意义，本文章联合了正常和病态的眼底图像各50幅，采纳
模式识其他方法先对两种图像各25幅加以训练，并进行特点值提取，在使用节余的图像进行分类方
法的评估，本文意在运用模式辨别方法在医学领域应用。
1.2流程说明
本次模式识其他过程是：
有已知样本状况的监察模式辨别
分类器设计（训练）
信息的获得与预办理特点的提取与选择
分类器设计（训练）
图1监察模式识其他流程图
关于图像的预办理主要分红两个步骤：
无效地区的填补和图像的对照度加强。
病变图像
无效地区
Retinex
预办理后
的填补
对照加强
图像
正常图像
图2图像的预办理的流程图
关于所给的病变图像，有部分的图像边缘是无效的黑色，这关于下一步对照度加强会带来影响，此外，在图像的特点提取上也会造成影响。
假如先期部进行办理，那么，后期的分别器中则需要加入判断构造对无效地区的辨别，这无疑增添特点提取的运转时间。
所以，这里采纳了一种简单的方法对向地区填补图像的R、G、B均值。
做法是先读取有效的R、
G、B值，并存入数组，下一步将对数组中的值求均匀即可获得该图像有效R、G、B的均匀值，在向
无效地区填补即可。
第1页共15页
图3无效填补前图4无效填补后
接下来，对图像的办理是：
对照度加强。
因为摄影的光芒对眼底图像质量起侧重要作用，所以，
关于明场和暗场下的蛋白质与血液的成像都有所不一样，为了加强二者在图像中的辨别度，采纳的是
Retinex图像加强的方法，设置蛋白质和血液通道，分别对R、G、B的标准差进行设定，从而获得
预办理后的图像。
而后，再对图像的蛋白质和血液挑选，形成25*2的特点矩阵。
蛋白质通道
特
预办理后
征
特点矩阵
值
图像
提
血液通道
取
图5特点提取和选择
图6经过蛋白质通道前图7经过蛋白质通道前
第2页共15页
图8经过血液通道前图9经过血液通道后
而后将训练集的数据进行整合，使用三种分类器（分别是最小距离分类器、Fisher线性分类器、
二次分类器）进行训练。
最小距离分类器
特点矩阵Fisher线性分类器
二次分别器
图10分类器的训练
最后将测试图像也进行相应的预办理和特点提取，最后输入到训练好的分类器中，进行鉴别，
输出正确率、敏捷度和运转时间，从而对分类器的结果进行评估。
训练后
最小距离分类器
测试图像Fisher线性分类器
正确率、敏捷度
和运转时间
二次分别器
图11分类器的测试
第3页共15页
2.
代码实现
2.1主程序部分：
第4页共15页
2.2无效地区的填补：
第5页共15页
2．3Retinex对照度加强与特点提取：
2.3.1蛋白质通道
functionx=blood_channel（f）
fr=f（:
:
1）;fg=f（:
:
2）;fb=f（:
:
3）;%RGB
通道
mr=mat2gray（im2double（fr））;mg=mat2gray（im2double（fg））;mb=mat2gray（im2double（fb））;%
数据种类归
一化
alf1=600;%
定义标准差
n=51;%定义模板大小
n1=floor（（n+1）/2）;%
计算中心
fori=1:
n
forj=1:
n
b（i,j）=exp（-（（i-n1）^2+（j-n1）^2）/（4*alf1））/（pi*alf1）;%
高斯函数
end
end
nr1=imfilter（mr,b,'conv',
'replicate'）;ng1
=imfilter（mg,b,'conv',
'replicate'）;nb1=imfilter（mb,b,'conv',
'replicate'）;%卷积滤波
ur1=log（nr1）;ug1=log（ng1）;ub1=log（nb1）;
tr1=log（mr）;tg1=log（mg）;tb1=log（mb）;
yr1=（tr1-ur1）/3;yg1=（tg1-ug1）/3;yb1=（tb1-ub1）/3;
alf2=600;%定义标准差
第6页共15页
fori=1:
n
forj=1:
n
a（i,j）=exp（-（（i-n1）^2+（j-n1）^2）/（4*alf2））/（6*pi*alf2）;%高斯函数
end
end
nr2=imfilter（mr,a,'conv','replicate'）;ng2=imfilter（mg,a,'conv','replicate'）;nb2=imfilter（mb,a,'conv',
'replicate'）;%卷积滤波
ur2=log（nr2）;ug2=log（ng2）;ub2=log（nb2）;
tr2=log（mr）;tg2=log（mg）;tb2=log（mb）;
yr2=（tr2-ur2）/3;yg2=（tg2-ug2）/3;yb2=（tb2-ub2）/3;
alf3=100;%定义标准差
fori=1:
n
forj=1:
n
e（i,j）=exp（-（（i-n1）^2+（j-n1）^2）/（4*alf3））/（4*pi*alf3）;%高斯函数
end
end
nr3=imfilter（mr,e,'conv','replicate'）;ng3=imfilter（mg,e,'conv','replicate'）;nb3=imfilter（mb,e,'conv',
'replicate'）;%卷积滤波
ur3=log（nr3）;ug3=log（ng3）;ub3=log（nb3）;
tr3=log（mr）;tg3=log（mg）;tb3=log（mb）;
yr3=（tr3-ur3）/3;yg3=（tg3-ug3）/3;yb3=（tb3-ub3）/3;
dr=yr1+yr2+yr3;dg=yg1+yg2+yg3;db=yb1+yb2+yb3;
cr=im2uint8（dr）;cg=im2uint8（dg）;cb=im2uint8（db）;
z=cat（3,cr,cg,cb）;
%figure,imshow（z）;
pr=z（:
:
1）;pg=z（:
:
2）;pb=z（:
:
3）;%RGB通道
blo_ture=0;
bg_plus=0;
N=101;
forj=1:
N%列
fori=1:
N%行
if（pb（i,j）==0）
if（（pg（i,j）<40）&&（pr（i,j）>pg（i,j）））
blo_ture=blo_ture+1;
end
第7页共15页
end%血液特点一
if（pg（i,j）==0）
if（pb（i,j）>pr（i,j））
blo_ture=blo_ture+1;
end
end%血液特点二
if（（pr（i,j）>80）&&（pr（i,j）<100））
if（（pg（i,j）>20）&&（pg（i,j）<90））
if（（pb（i,j）>100）&&（pb（i,j）<130））
blo_ture=blo_ture+5;
end
end
end%血液特点三
if（（pr（i,j）>140）&&（pr（i,j）<150））
if（（pg（i,j）>140）&&（pg（i,j）<150））
if（（pb（i,j）>180）&&（pb（i,j）<255））
bg_plus=bg_plus+1;
end
end
end%灰色特点一
if（（pr（i,j）>140））
if（（pg（i,j）>140））
if（（pb（i,j）==0））
bg_plus=bg_plus+1;
end
end
end%黄色特点一
end
end
add_mark=floor（bg_plus*1000/（101*101））;
if（（add_mark<120）&&（add_mark>90））
x=blo_ture+add_mark;
else
x=blo_ture;
end
第8页共15页
3.3.2血液通道
functionx=protein_channel（f）
fr=f（:
:
1）;fg=f（:
:
2）;fb=f（:
:
3）;%RGB
通道
mr=mat2gray（im2double（fr））;mg=mat2gray（im2double（fg））;mb=mat2gray（im2double（fb））;%
数据种类归
一化
alf1=100;%
定义标准差
alf=a^2/2
a=54
n=51;%定义模板大小
n1=floor（（n+1）/2）;%
fori=1:
n
forj=1:
n
计算中心
b（i,j）=exp（-（（i-n1）^2+（j-n1）^2）/（4*alf1））/（pi*alf1）;%end
高斯函数
end
nr1=imfilter（mr,b,'conv',
'replicate'）;ng1=imfilter（mg,b,'conv',
'replicate'）;nb1
=imfilter（mb,b,'conv',
'replicate'）;%卷积滤波
ur1=log（nr1）;ug1=log（ng1）;ub1=log（nb1）;
tr1=log（mr）;tg1=log（mg）;tb1=log（mb）;
yr1=（tr1-ur1）/3;yg1=（tg1-ug1）/3;yb1=（tb1-ub1）/3;
alf2=100;%定义标准差
alf=a^2/2
x1=floor（（n+1）/2）;%
fori=1:
n
forj=1:
n
计算中心
a（i,j）=exp（-（（i-n1）^2+（j-n1）^2）/（4*alf2））/（6*pi*alf2）;%end
高斯函数
end
nr2=imfilter（mr,a,'conv','replicate'）;ng2=imfilter（mg,a,'conv','replicate'）;nb2=imfilter（mb,a,'conv',
'replicate'）;%卷积滤波
ur2=log（nr2）;ug2=log（ng2）;ub2=log（nb2）;
tr2=log（mr）;tg2=log（mg）;tb2=log（mb）;
yr2=（tr2-ur2）/3;yg2=（tg2-ug2）/3;yb2=（tb2-ub2）/3;
alf3=100;%定义标准差alf=a^2/2a=167
第9页共15页
l1=floor（（n+1）/2）;%
fori=1:
n
forj=1:
n
计算中心
e（i,j）=exp（-（（i-n1）^2+（j-n1）^2）/（4*alf3））/（4*pi*alf3）;%end
高斯函数
end
nr3=imfilter（mr,e,'conv','replicate'）;ng3=imfilter（mg,e,'conv','replicate'）;nb3=imfilter（mb,e,'conv',
'replicate'）;%卷积滤波
ur3=log（nr3）;ug3=log（ng3）;ub3=log（nb3）;
tr3=log（mr）;tg3=log（mg）;tb3=log（mb）;
yr3=（tr3-ur3）/3;yg3=（tg3-ug3）/3;yb3=（tb3-ub3）/3;
dr=yr1+yr2+yr3;dg=yg1+yg2+yg3;db=yb1+yb2+yb3;
cr=im2uint8（dr）;cg=im2uint8（dg）;cb=im2uint8（db）;
z=cat（3,cr,cg,cb）;
pr=z（:
:
1）;pg=z（:
:
2）;pb=z（:
:
3）;%RGB通道
pro_ture=0;
N=101;
forj=1:
N%列
fori=1:
N%行
if（（pg（i,j）>70）&&（pg（i,j）<80））
if（（pr（i,j）>10）&&（pb（i,j）>55））
pro_ture=pro_ture+1;
end
end
if（pg（i,j）>=80）
if（（pr（i,j）>45）&&（pb（i,j）>70））
pro_ture=pro_ture+1;
end
end
end
end
x=pro_ture;
第10页共15页
3.4分类器测试：
3.4.1最小距离分类器
第11页共15页
3.4.2Fisher分类器
第12页共15页
3.4.3二次分类器
第13页共15页
4.
结果说明
4.1训练参数
图12训练参数散布图
从图上能够看出关于蛋白质的病变辨别成效较好，因为表示蛋白质的数据（Y轴上的数据）的
间类失散度大，反之，关于血管破碎的状况就比较难划分，表示血液的数据（x轴上的数据）的间
类失散度小。
可是从图像上能够看出，血管的正常值基本散布在400~800之间。
4.2测试时间
先期办理数据的时间：
Elapsedtimeis5.708662seconds.
分次运转分类器时间：
第14页共15页
4.3测试结果
评论项目最小距离分类器Fisher分类器二次分类器
正确率
真阳性
假阴性
假阳性
真阴性
耗时（s）
总结
关于采纳的三种分类器而言，Fisher线性分类器达到了最好的正确率有76%，而其他二者分别
是68%和74%。
可是，关于假阴性的鉴别中Fisher的错误率也是最高的，达到了32%，而最小距离
分类器和二次分别器是都在24%。
将这两项评论要素作为分类器的评论，那么二次分类分类器应当
是得分最高的。
所以，采纳这类思想进行眼底图像的识其他时候，采纳二次分类器应当是比较好的。
实验的耗时基本在数据办理部分，尔后的分类器中耗时却近乎同样，但对与大数据而言最小距
离分类器则会占优。
在此项作业中，我按照了监察模式识其他步骤，在每一步中都为最后能获得最好的结果而做出
努力。
在这个过程中，我将讲堂上和课后所学习的模式识其他知识，运用到了此项作业中，加深了
我对各样分类器的思想和图像预办理及特点提取的方法。
在此的特点提取方法比较简单，关于血液
的溢出和基本的血管像素的分辨不高，这是造成最后正确率不高的主要原由。
经过一个学期的学习，让我知道当下模式识其他基本方法和过程，经过此次大作业，我提升了
关于医学图像识其他实践能力。
第15页共15页
升级会员 