图3中显示了几个样品的像素, 图像上标明坚实的白点。[图2.4(a)],与子图像 周围产生[图2.4(b) - (i)]被选定为不同的血管:一个内部和多个外部的血管,但附近的其他像素足以使两个子图像包含血管。表一显示瞬时值对应于每个子图。它可在数值非常接近时检查,这样可以产生一个确定的不变大小,旋转和平移。保证了大小,旋转和平移不变性。瞬时计算上述特征数值独立的血管的宽度,方向和位置的子图像。然而,他们在描述有无血管的子图中央像素没有什么用,因为它们的值不区分这两种情况。
为了克服这个问题,矩计算乘以原有的子图像产生新的子图像 、 ,通过平等文矩阵(17 * 17)的高斯值,其平均为0和方差为 也就是说,对于每点的坐标(i,j)
与此参数的选择, 中的9x9核心价值包含代表高斯分布面积的97%,其余的值接近0(假设中央像素的 是位于中间的一个“ 宽 ”的血管上,这些9 * 9中央在 的值对应 中的血管像素)。此操作说明图。图2.4(b) - (i)及图2.4(j) - (q)。在这些新的子图像和其相关的不变矩值(表二),清楚地观察到这种乘法效应。这些敏感的血管和无血管中央像素的有描述价值,因为他们现在反映它们之间的显着性差异。和值,在与他们原有的比较,增加,如果他们描述血管像素,否则减少。
总之,下面的描述被认为是位于一个像素的特征向量的一部分(x.y)

图2.4,获得像素不变矩计算环境的例子。
表一:模块 和 关于子图像 计算矩对数(图三(b)-(i))
    P-1a    P-1b    P-2a    P-2b    P-3a    P-3b    P-4a    P-4b
     5.16    4.73    4.87    5.02    4.36    4.23    3.96    3.92
     11.70    11.29    10.71    11.81    10.92    10.90    10.59    12.11
表二:模块 和 关于子图像 计算矩对数(图三(j)-(q))
    P-1a    P-1b    P-2a    P-2b    P-3a    P-3b    P-4a    P-4b
     5.34    2.89    5.16    3.13    4.79    2.34    4.12    2.21
     13.57    9.16    12.85    10.11    11.19    8.31    10.82    7.71

2.4.2 分类阶段
在特征提取阶段,从眼底图像的每个像素用7文特征空间向量表示特点。
 (2.21)
现在,分类程序将每个已知代表性的像素分配到C1(血管像素)和C2(无血管像素)。为了给像素选择一个合适的分类,通过训练集数据(如下所述)在特征空间中的分布进行了分析。分析的结果显示,线性可分等级达不到在视网膜图像血管抽取所需的精度水平。因此,使用非线性分类是必要的。
本文采用一个多层前馈神经网络。处理时可以区分两种分类阶段:设计阶段,在决定该神经网络NN的配置和神经网络NN训练;应用阶段,将训练神经网络NN用于分类每个血管像素或获得血管二进制图像。
1)神经网络设计:多层前馈网络的工作,一个输入层,隐藏层和输出层组成,本文采用。输入层构成的神经元的数目等于特征向量的文数(7个神经元)。关于隐藏层,有几项拓扑与不同数量的神经细胞进行了测试。三个隐藏层,每个含15个神经元时,提供最优的神经网络NN配置。输出层包含一个单一的神经元连接,其余的单位,通过非线性逻辑S型激活功能,所以它的输出范围为0和1之间。
上一篇:Simulink四轮驱动小车的数学建模及仿真
下一篇:基于ASP.NET的客户关系管理系统的设计与实现

vc++几种排序算法演示软件实现

VC++在线学习平台的设计

VC++BlackList的主机防火墙设计+源代码

VC++五子棋游戏的设计

VC++基于GPU高光谱图像目标检测方法

基于VC++五子连珠游戏的设计

基于VC++俄罗斯方块游戏的设计

中国学术生态细节考察《...

志愿者活动的调查问卷表

C#学校科研管理系统的设计

国内外图像分割技术研究现状

10万元能开儿童乐园吗,我...

神经外科重症监护病房患...

医院财务风险因素分析及管理措施【2367字】

AT89C52单片机的超声波测距...

承德市事业单位档案管理...

公寓空调设计任务书