VC++视网膜血管自适应图像的抽取算法及其实现(2)
时间:2017-01-10 17:12 来源:毕业论文 作者:毕业论文 点击:次
由于硬件限制，视网膜图像较明显地表现出以下特点：光照不均匀；血管与背景的对比度不强；图像噪声点多。这导致采用常用的图像处理方法很难抽取出满意的效果，可以通过数字图像处理技术优化。 数字图像处理提高了在极不利的条件下所拍摄的图像的质量，具体方法有：调整亮度与对比度，边缘检测，降噪，调整重点，减少运动模糊等。图像包含了大量的信息，图像处理是当输入是图像时的信息处理方式，就像是帧视频，输出不一定是图像，也有可能是比如图像的一个特征。大多数图像处理技术包括把图像视为一个二文信号，以及包括信号处理技术的应用标准。这一过程涉及图像的增强或操纵，导致产生另一个图像，冗余数据的清除和2-D像素阵列到静态不相关数据集的转化。 在本文中，提出了血管抽取的新方法。它是基于像素的分类，使用7-D像素分类矢量从预处理的视网膜图像抽取出血管，并作为神经网络的输入的特征向量。分类结果（0和1之间）阈值化分为两类，即按像素特征分为有血管和无血管的两类。最后，在血管抽取的后处理中填充像素间隙，删除虚假及孤立的血管像素。 必要的特征向量从预处理后正在审议的像素附近的视网膜图像开始计算。可以确定以下过程阶段： 1）原为灰度级的同质化和增强血管眼底图像的预处理， 2）以数值代表像素的特征提取， 3）将分类为有血管或无血管的标记像素， 4）后处理，填补检测血管中的像素差距和消除虚假、孤立的血管像素。 输入图像是从原始的RGB视网膜图像中提取绿色通道获得灰度图像，绿色通道提供了RGB中代表血管背景对比度最好的图像，而红色通道是最亮的颜色通道但是对比度低，蓝色通道所提供的动态范围差。因此，血液中含有的元素（如血管）通向的绿色通道达到更高的对比度从而最好的代表视网膜层。 1.3 本文的主要工作 本文主要把视网膜眼底彩色图像作为输入，利用由多个滤波器组成的预处理过程进行预处理，然后利用通过灰度和弯矩基于不变利用特征的方法对视网膜进行抽取，输出一张血管剪影图，最后用通过一些公式将此图与手工标记结果进行对比评估，评测该算法的实用性和有效性。 2 基于灰度和不变矩特征的视网膜抽取方法 2.1引言 图像的抽取一般划分为视网膜图像获取、预处理、算法处理、保存处理图片几个过程。图像采集主要完成视网膜原始图像的获取及保存任务，然后经过预处理阶段进行图像的去噪、平滑等操作，形成可用的视网膜图像，增强血管使邻域灰度变化明显，再对这些图像进行算法处理，然后保存处理以后的图片以进行不同的算法之间的比较。 2.2 血管抽取法 本文提出了基于神经网络的像素分类用于血管检测的新的检测方法。必要的特征向量从预处理后血管像素附近的视网膜图像开始计算。可确定以下过程阶段： 1）原为灰度级的同质化和增强血管眼底图像的预处理， 2）像素数值代表性的特征提取， 3）根据特征分类标记血管或无血管的像素， 4）后处理，填补检测血管中的像素差距和消除虚假、孤立的血管像素。 输入图像是从原始的RGB视网膜图像中提取绿色通道获得灰度图像，绿色通道提供了最好的血管背景对比度，而红色通道是显示最亮的颜色通道但具有低对比度，蓝色的提供的动态范围差。 图2.1 视网膜抽取方法的基本步骤 2.3 数字图像的预处理 眼底彩色图像往往会表现出严重的明暗变化，对比度差和噪声。为了减少这些缺陷的并使得生成图像更适合提取的像素要求的特性，在分类步骤中，预处理包括以下步骤： (责任编辑：qin) |