VC++视网膜血管自适应图像的抽取算法及其实现(4)
（2）背景的产生使用一个69*69窗口的均值滤波如图2.2(c)，但在视场边缘有强烈的色差，为解决这个问题，提取图像的平均色差，对视场外像素以平均灰度填充，然后，D为Ir与IB。
(2.2)
消除了图像中的背景强度的变化，图像强度表明在采集过程的的不同光照条件的产生的图像之间的重大变化。为了减少这种影响，均匀化图像,制作如下：
（3）以灰度中值为标准来修改像素强度实现灰度级如下的转换功能：
gInput和gOutput是输入和输出图像的灰色级别的变量，gIput-MAX的变量定义为在视盘内像素的灰度级最高值。通过此操作，像素灰度gIput-MAX是，将观察到对应于视网膜的背景8位图像灰度分为128级。因此，在不同光照条件的图像的背景像素的将围绕这个值标准化的其强度。如图2.3(b)(e)
图2.3 （a）(d)绿色通道图（b）（e）同质化图(f)（c)血管增强图
2.4.3血管增强处理
最后的预处理步骤上包括产生一个新的血管增强的图像，这证明更适合基于不变矩特征提取。血管加强估算由均匀化图像的互补图像执行
(2.5)
其中 是一个使用半径为8个像素的形态初始化操作。因此，明亮的视网膜结构被删除（即视盘，可能存在的分泌物或光反射），颜色越深初始化操作后剩余的结构被增强（即血管，黄斑中心凹，可能存在的微血管瘤或出血）。如图血管增强操作结果的样品（图2(c)(f))。
2.4 血管抽取算法
2.4.1特征提取阶段
特征提取阶段的目的是像素通过一个特征向量定性,在一些量化的测量，可以很容易地在分类阶段来决定是否这个像素属于一个真正的血管与否用像素表示形式的。在本文中，选取功能集。
•基于灰色级的特征：基于灰度级代表像素和周围平均统计值差距的特征。
•基于不变矩特征：基于不变矩的特征描述小图像区域，形成围绕代表像素的灰度值的一个窗口。
1）基于灰色级别的特点：由于血管总是比他们的周围环境较暗，在描述灰度级的环境变化的基础上的特征可以没有像素似乎是不错的选择。考虑像素（x.y)只是一个很小的区域上所描述的像素集中的同质化图像的灰度级，基于考虑到这一信息的描述，推导出一套。 基于的坐标点为中心的窗口在大小w*w方形集合。然后，这些描述可以表示为：
2）基于不变矩的特征：在视网膜图像血管被称为分段线性可近似由许多连接线段。为了检测这些准线性形状，不同样广泛，可以在任何角度面向，形状描述不变平移，旋转和尺度变化可能发挥了重要作用。在此背景下，文献[22]提出的不变矩提供一个有吸引力的解决方案，包括特征向量。在本文中，他们计算如下。
对于血管增强图像 上的每一个点（x,y) ，我们将生产子图的区域定义为 ，这个区域的大小固定为17* 17，这样，考虑到该地区的中心是中间的一个“宽”血管（8-9像素宽所在视网膜的直径约540像素），子图像包括的血管和无血管的像素的数量大致相等。对于这个子图记为 ，在2-D的矩，为了表示(P+Q)我们记为
(2.11) 是点（i，j）的灰度级。
相应的中央矩被定义为
(2.12)
其中
(2.13)
是子图像的重力中心的坐标。正常化中央矩（P + Q）被定义为 (2.14)
其中 (2.15)
一组七个不变矩大小，翻译和旋转，被称为Hu不变矩文献[23]可以从预定矩的组合。其中，我们的测试表明只有定义为
在平均精度构成的组合方面提供最佳的性能。包括其余时刻降低分类性能和增加计算需要进行分类。此外，对数的模块，而不是使用其值本身。使用对数减少了动态范围，防止模块处理复杂的数字，从造成不变矩的对数计算的消极结果。