[发明专利]基于特征融合的多模块无监督学习视网膜血管分割系统

权利要求书

1.一种基于特征融合的多模块无监督学习视网膜血管分割系统，其特征在于，包括：

图像去噪和增强模块，用于对彩色眼底图像去噪，增强彩色眼底图像对比度；

特征提取和融合模块，用于提取彩色眼底图像像素的不变矩特征、Hessian矩阵特征、Gabor小波特征、相位一致性特征、Candy边缘算子特征，并融合为特征向量；

多模块学习模块，用于将彩色眼底图像像素的特征向量分割为多个模块，并分别聚类；

以及，合成和结果分析模块，用于对聚类结果合成，并比对分析，输出结果。

2.根据权利要求1所述的基于特征融合的多模块无监督学习视网膜血管分割系统，其特征在于，通过所述图像去噪和增强模块提取所述彩色眼底图像的绿色通道，进行高斯滤波平滑去噪，采用底帽变换增强所述彩色眼底图像中血管和背景对比度。

3.根据权利要求1所述的基于特征融合的多模块无监督学习视网膜血管分割系统，其特征在于，通过所述特征提取和融合模块提取彩色眼底图像像素点的2个不变矩作为所述不变矩特征，用于体现血管线段具有宽度不一、角度和方向各不同的几何特征。

4.根据权利要求1所述的基于特征融合的多模块无监督学习视网膜血管分割系统，其特征在于，通过所述特征提取和融合模块选取每个像素点在预设尺度下的最大置信度作为Hessian矩阵特征，用于体现血管线状特征。

5.根据权利要求1所述的基于特征融合的多模块无监督学习视网膜血管分割系统，其特征在于，通过所述特征提取和融合模块选取每个像素在预设尺度和预设方向的响应最大值结果进行叠加作为Gabor小波特征。

6.根据权利要求1所述的基于特征融合的多模块无监督学习视网膜血管分割系统，其特征在于，通过所述特征提取和融合模块提取每个像素点的相位一致性作为相位一致性特征。

7.根据权利要求1所述的基于特征融合的多模块无监督学习视网膜血管分割系统，其特征在于，通过所述特征提取和融合模块采用预设Candy边缘算子提取血管边缘特征作为Candy边缘算子特征。

8.根据权利要求1所述的基于特征融合的多模块无监督学习视网膜血管分割系统，其特征在于，所述特征提取和融合模块将所述不变矩特征、所述Hessian矩阵特征、所述Gabor小波特征、所述相位一致性特征、所述Candy边缘算子特征及灰度值融合为18维特征向量。

9.根据权利要求1所述的基于特征融合的多模块无监督学习视网膜血管分割系统，其特征在于，通过所述多模块学习模块对彩色眼底图像进行分块学习，将特征向量分割为4个子模块，分别采用k-means聚类算法，计算每个像素特征到聚类中心的距离，取得平均值；通过更新迭代聚类中心划分血管像素和背景像素，减少时间和空间开销。

10.根据权利要求9所述的基于特征融合的多模块无监督学习视网膜血管分割系统，其特征在于，通过所述合成和结果分析模块对每个子模块聚类结果进行合成，获取视网膜血管分割结果，并与预先存储的专家手动标记的血管图像为标准进行比对分析。