[发明专利]一种基于分类框架的图像二值化方法

权利要求书

1.一种基于分类框架的图像二值化方法，其特征在于，包括以下步骤：

步骤一：选取指定单纯小区域子图，所述单纯小区域子图为只包含器官区域的子图或只包含背景区域的子图，然后指定该子图的标签，在训练样本中，对每一幅OCT眼睛样本图像手工选取器官小区域和背景小区域，将仅包含器官区域的子图即前景和仅包含背景区域的子图分别存放在两个对应的文件夹ROI和BackGround中；

步骤二：倍减区域拼接特征提取，采用N-邻域目标区域和双重区域提取特征的方法，分别从两个文件夹中每个子图像采用两个阶段的方式提取Gabor特征，第一阶段采用N-邻域目标区域对子图像进行划分并提取Gabor特征，第二阶段对N-邻域目标区域间隔选取像素点减小一半的尺寸，如果减半后为小数则向上取为整数，并提取特征，最后将两次提取的Gabor特征拼接为一个高维特征向量；

步骤三：特征降维并学习映射子空间，利用主成分分析PCA技术对提取的Gabor特征进行降维，并得到特征映射子空间S；

步骤四：训练支持向量机，获得给定一个训练集的最佳分离超平面，并对背景和前景进行分类；

步骤五：N-邻域目标区域分类，根据N-邻域目标区域的判断结果对待测样本图像区域赋值；

步骤六：2-方向定长填充和形态学腐蚀算法处理，在得到初步的二值化图像后，存在ROI区域内部孔洞和不连续等问题，采用2-方向定长填充和形态学腐蚀对二值化后的图像进一步处理。

2.根据权利要求1所述的基于分类框架的图像二值化方法，其特征在于，所述步骤二中提取的Gabor特征维度达到3000维。

3.根据权利要求1所述的基于分类框架的图像二值化方法，其特征在于，采用倍减区域拼接特征提取的方式，分别提取N-邻域目标区域特征，特别地，N-邻域目标区域表示选取的区域像素位置相邻，并且仅包含前景区域或背景区域的像素，N的取值由手工设置；对应的Gabor提取公式如下：

z＝2πi(μxcosθ+μysinθ), (2)

其中，σ表示Gabor模板的标准差，θ表示Gabor滤波的方向，μ表示采样频率；将提取的仅包含器官的拼接特征标记为1，将提取的仅包含背景的拼接特征标记为-1。

4.根据权利要求1所述的基于分类框架的图像二值化方法，其特征在于，所述步骤三中特征映射子空间计算公式如下：

S＝F(X), (3)

其中，S表示训练集中的投影子空间，F(X)是计算主成分分析PCA的函数。

5.根据权利要求4所述的基于分类框架的图像二值化方法，其特征在于，所述步骤四具体步骤如下：给定一个训练集D＝{(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...},y_i∈{-1,+1}，x_i是第i个N-邻域目标区域的特征，y_i是第i个N-邻域目标区域的标签，其关系可以表示如下：

y_i＝W^Tx_i+b, (4)

其中W＝(w₁；w₂；...；w_d)是决定了超平面方向的法向量，b是表示超平面与坐标原点之间距离的位移值；

利用训练集D找到样本和超平面之间最小的样本，并将支持向量样本与超平面之间的距离最大化，得到参数W和b；转化为对偶问题，与(W，b)相关的目标可以写成如下：

利用公式(5)将从训练集中获得最佳分离超平面，通过公式(6)对背景和前景进行分类，

如果yi＝1，则表示该N-邻域目标区域被分类为ROI；否则，当前N-邻域目标区域将被分类为背景。