[发明专利]基于中层块空间结构的视网膜血管分割方法

说明书

本发明公开了一种基于中层块空间结构的视网膜血管分割方法，包括构造样本集；从彩色图像样本集的结构块中提取特征表达对应的血管结构标签值；构造随机森林分类器，对结构块进行分类，使用特征集成模型中的内容线性组合表示新图像上的血管结构；输入待分析的彩色眼底图，提取特征后采用随机森林分类器检测结构块所属的血管结构类别，使用模型中的内容稀疏线性表示彩色图像中血管结构，并匹配血管标签值，通过计算单个像素点上重叠结构块标签值的概率，完成对图像的分割。本发明方法能够对视网膜血管进行快速准确分割，而且可靠性高，算法运行时间短。

技术领域

本发明属于图像处理领域，具体涉及一种基于中层块空间结构的视网膜血 管分割方法。

背景技术

随着经济水平的提高，人们对自己的身体健康状况也越来越关心。而随着 智能手机等的普及和大量使用，眼科疾病已经严重危害和影响人们的日常生活。 相关数据显示，青光眼、先天和遗传性眼病、眼底病变等分别占到了8.8％、5.1％、 8.4％的致盲比例。糖尿病视网膜病变、青光眼等眼底疾病又具有不可逆转、高 发病率等特点，对患有这些疾病的患者的生活危害性极大。

彩色眼底图是医学临床诊断眼科疾病的重要依据，对其结构的分析可以作 为判断如高血压、糖尿病、心脑血管等疾病的重要依据。同时，视网膜血管还 能为其他全身性疾病提供有效的诊断依据。比如，当视网膜微血管发生变化时， 表明身体可能存在某些循环性疾病隐患。视网膜血管作为人体内唯一能够通过 影像技术、非创伤性直接观察到的深层毛细血管，它的结构变化与糖尿病等疾 病的严重程度以及恢复情况存在紧密的联系。糖尿病视网膜病变是从人体中微 血管发生变化开始的。视网膜血管的结构是比较稳定的，即使随着人体的衰老， 也不会产生较大的变化，除了糖尿病、高血压、心脑血管等疾病或外力作用的 影响以外，它的结构变化也很少受到其它疾病的影响。

目前，对于视网膜血管分割技术的研究，大致可以分为两大类别：基于监 督学习方法的视网膜血管分割、基于非监督学习的视网膜血管分割。其中非监 督学习的视网膜血管分割又包含了血管追踪方法、匹配滤波的方法、形态学的 方法、基于模型的方法等。

在现有的视网膜血管分割方法中，非监督学习的方法普遍没有监督学习方 法分割精度高，监督学习方法的分割精度和时效性等都表现的更好。现在更常 见的是将非监督学习方法融入监督学习方法中使用，以求得更好的视网膜血管 分割效果。但是，现有的监督学习方法仍然不能满足实时分割的要求，分割时 间有较大的延迟，严重影响了视网膜血管分割技术的应用。

发明内容

本发明的目的在于提供一种可靠性高且运算时间短的基于中层块空间结构 的视网膜血管分割方法。

本发明提供的这种基于中层块空间结构的视网膜血管分割方法，包括如下 步骤：

S1.构造样本集；

S2.从样本集彩色图像中的结构块提取特征表达对应的血管结构标签值；

S3.构造随机森林分类器，采用构造的随机森林分类器对结构块进行分类， 再使用特征集成模型中的内容线性组合表示输入图像中的血管结构；

S4.输入待分析的彩色眼底图，提取特征后采用步骤S3构建的随机森林分 类器检测待分析彩色眼底图中的结构块所属的血管结构类别，并采用训练模型 中的内容稀疏线性表示彩色图像中血管结构，给出对应的血管标签值，通过重 叠结构块标签值的概率计算最终的结果，完成对图像的分割。

步骤S1所述的构造样本集，具体为采用如下步骤构造样本集：

A.以Z表示原始图像，为Num×Num的血管标签结构块，A为结构块特征 构成的模型且大小为K×Num×Num，X为稀疏表示的K维向量，N为结构块 的数量，且Z≈A*X；