[发明专利]一种基于分类框架的图像二值化方法

说明书

本发明属于计算机图像处理技术领域，公开了一种基于分类框架的光学相干层析扫描眼睛图像二值化方法及系统，首先对少量光学相干层析扫描眼睛样本图像进行指定单纯小区域划分并标注感兴趣区域和背景两类，然后利用Gabor模板提取每一个目标区域的特征并拼接为一个特征向量，对提取的特征进行降维并学习特征向量映射子空间；引入支持向量机学习分类器模型；对分类结果图像采用算法处理；最后得到二值化图像。本发明的优点在于解决了小样本二值化问题以及提出了基于指定N‑邻域目标区域分类框架的光学相干层析扫描眼睛图像二值化方法，可以充分利用小样本训练支持向量机分类模型，并能够学习得到图像样本的自适应的二值化阈值。

技术领域

本发明属于计算机图像处理技术领域，尤其涉及一种基于分类框架的图像二值化方法。

背景技术

二值化是光学相干层析成像(OCT)图像分析中的一项基本任务，它已广泛应用于面积的简单量化和更复杂的血管分析。近年来，大量研究集中于视网膜血管和脉络膜毛细血管八角图像的定量分析。OCT能够以微米分辨率获得活体组织的图像，已成功应用于医学诊断，如诊断性眼科和其他人体内脏。OCT是一种非侵入性成像技术。

机器学习方法在生物医学图像处理中得到了长足的发展。这些方法已广泛应用于生物医学图像重建、图像去噪和疾病分类。二值化方法可分为全局阈值和局部阈值两类。

1)基于全局阈值的方法简单有效，适用于差异较大的像素点，包括大津法(Otsu)和迭代二值化等方法；2)基于局部阈值方法可以获得样本子图像的最佳阈值，包括Niblack和k-means等方法。

全局阈值方法，如Otsu，是一种有效的二值化阈值图像的方法，但不适用于光照对比度较低以及光照不均匀的图像。当图像的对比度很低时，将很难直接区分目标和背景区域，该类方法二值化效果较差。

对于低强度、光照不均匀以及复杂场景的图像处理需要有效的二值化阈值方法。

综上所述，现有技术存在的问题如下：

1)直接将现有的方法，全局阈值二值化和局部阈值二值化方法直接应用于低对比的OCT眼睛图像中，获得的二值化效果不理想。

2)上述二值化方法不能对大量样本特征训练学习有效的参数，不能获得有效的自适应阈值。

3)现有技术没有对OCT眼睛图像采用指定区域的方法来提取特征。

解决上述算法问题的难度：

本发明需要对低对比度下的OCT眼睛图像分割出器官和背景区域，图像中存在器官区域和背景区域对比度很低的问题。

需要提取器官区域和背景区域的有效特征，以区分两个类别。

需要学习较好的模型，来判别器官区域和背景区域。

解决上述算法问题的意义：

在计算机图像处理领域，二值化技术是数字图像处理中重要的一个步骤，可以将图像中感兴趣区域分割出来。然而对于感兴趣区域和背景区域对比度很低的小样本场景，现有的二值化方法不能取得理想的效果。基于指定小区域划分的方法能够从少量样本中提取较多的特征。基于支持向量机的分类框架能够根据提取的特征来训练模型中的参数，并能够获得待测图像中各区域的自适应的阈值。

发明内容

针对现有算法存在的问题，本发明提出了一种基于分类框架的图像二值化方法，该方法可以克服图像中对比度受限的问题，并能够利用小样本学习分类模型。主成分分析方法可以学习特征向量子空间，它可以获得每个小区域的有效特征。支持向量机模型可以学习到一个有效的分类器，可以自适应地获得任意区域的阈值。

本发明是这样实现的，一种基于分类框架的图像二值化方法，包含如下步骤: