基于IDA-RF眼底硬性渗出物的检测
发布时间：2021-12-11 22:29
为了准确检测眼底图像中的硬性渗出物,降低糖尿病性视网膜病变引起的失明,提出了一种基于IDA-RF的眼底硬性渗出物的检测方法。对眼底图像预处理,提取渗出物候选区域。利用k-means初始种群,与万有引力搜索算法相结合,改变步长更新公式,提出一种改进的蜻蜓算法（IDA）。IDA在寻优过程中对随机森林算法参数进行优化,并利用优化后的随机森林算法对渗出物候选区域分类,提取最终精确的硬性渗出物。该方法在公开的眼底图像数据库进行实验,与RF、DA-RF、GSA-RF相比,准确率达97.28%。实验表明,提出的方法能够准确检测硬性渗出物且鲁棒性能好。
【文章来源】：计算机工程与应用. 2019,55(19)北大核心CSCD
【文章页数】：6 页
【部分图文】：
可知，随着迭代次数的增加，由于蜻蜓算法04080120160200迭代次数
惴ㄓ隦F、DA-RF、GSA-RF三种算法对比充分说明本文算法的有效性及鲁棒性。5.1原始数据来源本文实验在Windows10操作系统，编程环境Mat-lab2014a的条件下进行。采用DiaretDB1公共数据集对算法性能测试，数据库DiaretDB1包含89幅分辨率为1500×1152像素的眼底图像，其中包含47幅病变图像及33幅棉绒斑图像。5.2图像预处理为了更便捷地对眼底图像进行一系列的预处理操作，首先将彩色眼底图像转换为灰度图像，再提取感兴趣区域（ROI）。但在提取过程中存在一些外界因素的干扰，于是将灰度图像二值化，获取感兴趣区域。如图3所示，分别为彩色图像、灰度图像及掩膜图像。5.3硬性渗出物的粗提取一般情况，视盘在眼底图像中呈现近似圆盘状的亮黄色区域且和其他区域相比具有较高的对比度，因此为了有效避免视盘区域对硬性渗出物检测造成干扰，有效地视盘定位及消除视盘至关重要。通过利用Hessian矩阵的frangi滤波提取主血管，k-means初始化种群，找出高亮区域最为密集的点即为视盘的位置，最终消除视盘，平均亮度最高的簇中所对应的区域即为渗出物候选区域，具体步骤如下所示及所对应的结果图如图4所示。（1）设置内核坐标为(x,y)及高斯函数的参数，同时将二值化眼底图像与高斯二阶偏导数相卷积，通过逐个元素相乘再求和分别得到x方向和y方向的图像。由于二阶偏导数对噪声比较敏感，因此在建立Hessian矩阵前，分别对x方向和y方向卷积后的图像进行高斯平滑，目的是为了降低噪声对Hessian矩阵的影响。再利用掩膜图像扫描高斯平滑之后的x方向和y方向图像中的每一个像素，根据x方向和y方向的二阶偏导是否大于等于0检测最终血管的位置。（2）迭代循环，目的是为了去除二值图像中的血管，如图4
于是将灰度图像二值化，获取感兴趣区域。如图3所示，分别为彩色图像、灰度图像及掩膜图像。5.3硬性渗出物的粗提取一般情况，视盘在眼底图像中呈现近似圆盘状的亮黄色区域且和其他区域相比具有较高的对比度，因此为了有效避免视盘区域对硬性渗出物检测造成干扰，有效地视盘定位及消除视盘至关重要。通过利用Hessian矩阵的frangi滤波提取主血管，k-means初始化种群，找出高亮区域最为密集的点即为视盘的位置，最终消除视盘，平均亮度最高的簇中所对应的区域即为渗出物候选区域，具体步骤如下所示及所对应的结果图如图4所示。（1）设置内核坐标为(x,y)及高斯函数的参数，同时将二值化眼底图像与高斯二阶偏导数相卷积，通过逐个元素相乘再求和分别得到x方向和y方向的图像。由于二阶偏导数对噪声比较敏感，因此在建立Hessian矩阵前，分别对x方向和y方向卷积后的图像进行高斯平滑，目的是为了降低噪声对Hessian矩阵的影响。再利用掩膜图像扫描高斯平滑之后的x方向和y方向图像中的每一个像素，根据x方向和y方向的二阶偏导是否大于等于0检测最终血管的位置。（2）迭代循环，目的是为了去除二值图像中的血管，如图4（a）所示。当血管的亮度值大于等于设置的初始亮度数值时，保留亮度区域，如图4（b）所示，针对本实验，初始值设置145，通过亮度区域来判断眼底图像是否发生病变。（3）利用Frangi滤波获取主血管的位置。当主血管区域的亮度值≥0.55时，保留高亮位置并标记，如图4（d）中的蓝色所示。最后利用k-means设置聚类中心个数为8，如图4（d）中的红色标记所示。此时高亮区域密集地默认为视盘中心，去除视盘，如图4（e）所示，同时，平均亮度最高的簇中数据所对应的像素即为渗?
【参考文献】：
期刊论文
[1]基于蜻蜓算法的甘蔗收获机刀盘振动SVM预测模型[J]. 宋俊敏,李尚平,周永权,钟家勤. 农机化研究. 2018(01)
[2]基于KPCA-LSSVM的健康档案空腹血糖水平预测研究[J]. 江燕,帅仁俊,张姝,查代奉. 计算机工程与应用. 2018(13)
[3]随机森林在滚动轴承故障诊断中的应用[J]. 张钰,陈珺,王晓峰,刘飞,周文晶,王志国. 计算机工程与应用. 2018(06)
[4]基于混沌万有引力搜索算法的SVM参数优化及应用[J]. 龚安,吕倩,胡长军,康忠健,李华昱. 计算机科学. 2015(04)
[5]糖尿病视网膜病变的防治进展[J]. 梁卫强,王丽聪. 中华临床医师杂志(电子版). 2014(09)
[6]糖尿病视网膜病变的国际临床分类分析[J]. 陈喆,张士胜,朱惠敏. 国际眼科杂志. 2011(08)
[7]糖尿病视网膜病变发病机制和治疗的研究进展[J]. 任彦新,卫玉彩. 临床荟萃. 2006(17)
本文编号：3535517
【文章来源】：计算机工程与应用. 2019,55(19)北大核心CSCD
【文章页数】：6 页
【部分图文】：
可知，随着迭代次数的增加，由于蜻蜓算法04080120160200迭代次数
惴ㄓ隦F、DA-RF、GSA-RF三种算法对比充分说明本文算法的有效性及鲁棒性。5.1原始数据来源本文实验在Windows10操作系统，编程环境Mat-lab2014a的条件下进行。采用DiaretDB1公共数据集对算法性能测试，数据库DiaretDB1包含89幅分辨率为1500×1152像素的眼底图像，其中包含47幅病变图像及33幅棉绒斑图像。5.2图像预处理为了更便捷地对眼底图像进行一系列的预处理操作，首先将彩色眼底图像转换为灰度图像，再提取感兴趣区域（ROI）。但在提取过程中存在一些外界因素的干扰，于是将灰度图像二值化，获取感兴趣区域。如图3所示，分别为彩色图像、灰度图像及掩膜图像。5.3硬性渗出物的粗提取一般情况，视盘在眼底图像中呈现近似圆盘状的亮黄色区域且和其他区域相比具有较高的对比度，因此为了有效避免视盘区域对硬性渗出物检测造成干扰，有效地视盘定位及消除视盘至关重要。通过利用Hessian矩阵的frangi滤波提取主血管，k-means初始化种群，找出高亮区域最为密集的点即为视盘的位置，最终消除视盘，平均亮度最高的簇中所对应的区域即为渗出物候选区域，具体步骤如下所示及所对应的结果图如图4所示。（1）设置内核坐标为(x,y)及高斯函数的参数，同时将二值化眼底图像与高斯二阶偏导数相卷积，通过逐个元素相乘再求和分别得到x方向和y方向的图像。由于二阶偏导数对噪声比较敏感，因此在建立Hessian矩阵前，分别对x方向和y方向卷积后的图像进行高斯平滑，目的是为了降低噪声对Hessian矩阵的影响。再利用掩膜图像扫描高斯平滑之后的x方向和y方向图像中的每一个像素，根据x方向和y方向的二阶偏导是否大于等于0检测最终血管的位置。（2）迭代循环，目的是为了去除二值图像中的血管，如图4
于是将灰度图像二值化，获取感兴趣区域。如图3所示，分别为彩色图像、灰度图像及掩膜图像。5.3硬性渗出物的粗提取一般情况，视盘在眼底图像中呈现近似圆盘状的亮黄色区域且和其他区域相比具有较高的对比度，因此为了有效避免视盘区域对硬性渗出物检测造成干扰，有效地视盘定位及消除视盘至关重要。通过利用Hessian矩阵的frangi滤波提取主血管，k-means初始化种群，找出高亮区域最为密集的点即为视盘的位置，最终消除视盘，平均亮度最高的簇中所对应的区域即为渗出物候选区域，具体步骤如下所示及所对应的结果图如图4所示。（1）设置内核坐标为(x,y)及高斯函数的参数，同时将二值化眼底图像与高斯二阶偏导数相卷积，通过逐个元素相乘再求和分别得到x方向和y方向的图像。由于二阶偏导数对噪声比较敏感，因此在建立Hessian矩阵前，分别对x方向和y方向卷积后的图像进行高斯平滑，目的是为了降低噪声对Hessian矩阵的影响。再利用掩膜图像扫描高斯平滑之后的x方向和y方向图像中的每一个像素，根据x方向和y方向的二阶偏导是否大于等于0检测最终血管的位置。（2）迭代循环，目的是为了去除二值图像中的血管，如图4（a）所示。当血管的亮度值大于等于设置的初始亮度数值时，保留亮度区域，如图4（b）所示，针对本实验，初始值设置145，通过亮度区域来判断眼底图像是否发生病变。（3）利用Frangi滤波获取主血管的位置。当主血管区域的亮度值≥0.55时，保留高亮位置并标记，如图4（d）中的蓝色所示。最后利用k-means设置聚类中心个数为8，如图4（d）中的红色标记所示。此时高亮区域密集地默认为视盘中心，去除视盘，如图4（e）所示，同时，平均亮度最高的簇中数据所对应的像素即为渗?
【参考文献】：
期刊论文
[1]基于蜻蜓算法的甘蔗收获机刀盘振动SVM预测模型[J]. 宋俊敏,李尚平,周永权,钟家勤. 农机化研究. 2018(01)
[2]基于KPCA-LSSVM的健康档案空腹血糖水平预测研究[J]. 江燕,帅仁俊,张姝,查代奉. 计算机工程与应用. 2018(13)
[3]随机森林在滚动轴承故障诊断中的应用[J]. 张钰,陈珺,王晓峰,刘飞,周文晶,王志国. 计算机工程与应用. 2018(06)
[4]基于混沌万有引力搜索算法的SVM参数优化及应用[J]. 龚安,吕倩,胡长军,康忠健,李华昱. 计算机科学. 2015(04)
[5]糖尿病视网膜病变的防治进展[J]. 梁卫强,王丽聪. 中华临床医师杂志(电子版). 2014(09)
[6]糖尿病视网膜病变的国际临床分类分析[J]. 陈喆,张士胜,朱惠敏. 国际眼科杂志. 2011(08)
[7]糖尿病视网膜病变发病机制和治疗的研究进展[J]. 任彦新,卫玉彩. 临床荟萃. 2006(17)
本文编号：3535517
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3535517.html
