[发明专利]基于区域增长法的DBSCAN密度聚类方法

说明书

本发明公开了基于区域增长法的DBSCAN密度聚类方法，本发明根据眼底图像数据集特殊的空间特点，借鉴了数字图像处理中区域增长法的相关原理对传统DBSCAN方法进行一定的改进，区域增长法首先以眼底图像中某一点为中心，不断的归并每个中心像素点8‑邻域(与该像素点相邻的8个像素点称为8‑邻域)内与该点足够相似的像素点，以此来实现区域增长的效果。相比传统DBSCAN进行眼底血管提取，计算的时间开销有了大幅度改进。

技术领域

本发明涉及利用密度聚类中的DBSCAN方法来对眼底血管进行提取，并且利用区域增长法的相关原理改进传统DBSCAN方法来实现对于图像数据集的加速计算，属于人工智能和医学图像处理领域。

背景技术

在如今社会经济飞速发展的时代，计算机以及信息技术等方面也跟着飞速发展，由此引发的多种新型技术如雨后春笋般融入到人们的日常生活之中，其中数据挖掘(DM)技术就诞生于人们的不断研究中。它出现在20世纪90年代，并在这几十年的不断探索中，出现了各种各样的数据挖掘方法，其中，聚类分析是其中比较重要的方法之一，并且越来越受到人们的关注。聚类分析又称为群分析，是一种重要的分类方法，它是根据事物自身的特征，通过已建立的统计模型对事物进行多元分析方法的一种统计方法，其目的在于将相似的事物进行归类，这些类不是事先给定的，而是需要通过聚类分析来给以确定类型。聚类分析归根结底是由分类演变而来，然而两者却有着本质的区别，比如对于分类需要通过在训练集上训练以此来提炼一些潜在的规则，而对于聚类来讲，却是在没有训练样本的情况下直接对数据进行分析，是一种无监督的形态，由此可见聚类分析有其独特的存在价值以及研究意义，其中基于密度的聚类方法是众多聚类分析方法中的一种经典算法，相较于其他算法而言，密度聚类在距离的基础上提出了数据点自身所拥有的密度属性，进而以此来聚类，同传统聚类方法相比较，更适用于空间数据下的聚类，但是由于涉及到了任意数据点的距离计算，所以DBSCAN算法的时间复杂度往往达到了O(n^2)的级别，对于大量数据计算的时间开销往往并不理想。

随着电子设备的不断更新换代，人们在日常生活中对于这些设备的依赖性越来越强，与此同时人们的平均视力水平也在逐年下降，因此而患上眼部疾病的人数正在逐年增加，据统计中国是目前盲人数目最多的国家之一，约有670万人，这样一个恐怖的数据量时刻告诫着我们要更加注重眼睛的保护，而在医学上，通过眼底图像的分析可以提前防治多种致盲疾病。眼底图像是眼科中通过眼底照相机获得的一种诊断影像,对眼底图像进行分析处理可以发现血管结构的变化,从而为糖尿病、高血压等引起的眼底病变的诊断和治疗提供辅助信息，为此对于眼底图像中的血管分割有着较为重要的现实意义。这其中就涉及到了数字图像处理中的图像分割技术，图像分割的研究多年来一直受到人们的高度重视，至今提出了各种类型的分割算法，其中聚类算法是其中重要的一种方法，图像分割技术就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤，在一般情况下图像分割的准确性直接影响着后续图像分析的准确性，由此一个好的图像分割算法变得尤为重要。尤其是对于眼底血管分割这样专业领域内的应用，对于图像处理的各种要求更是极为苛刻的，为此如何高效且精确的分割血管逐渐成为人们研究的重点。

发明内容

在眼底血管提取的应用中，由于在实际中难以得到十分精确的分割结果作为训练集的标签加以训练，例如在眼底数据库DRIVE中有两位专家的手工分割结果，以其中一个作为对照另一个分割结果的准确率只有95％左右，由此可以看出对于标签精度要求十分高的有监督类深度学习算法并不是十分适用，而对于传统的无监督类机器学习方法，不需要训练数据，更加适合应用于眼底血管提取的场景中。

在传统的无监督聚类算法中，基于密度聚类的DBSCAN方法的优点在于该方法对于噪音不敏感且可以找到任何形状的聚簇，比较适合眼底血管提取这样背景数据较为复杂的场景中，同时该方法的缺点在于时间复杂度比较高，达到了O(n^2)级别，由此带来的时间开销较大，因此本发明在传统DBSCAN方法的基础上，借鉴图像处理中区域增长法的相关原理对DBSCAN方法进行一定的改进，使得该方法的时间复杂度下降到O(n)级别，大幅度下降了计算的时间开销。