本發(fā)明涉及圖像處理
技術(shù)領(lǐng)域：
，尤其是涉及一種基于局部熵確定閾值的眼底圖像微動(dòng)脈瘤自動(dòng)檢測(cè)方法。
背景技術(shù)：
：當(dāng)前全世界已經(jīng)針對(duì)眼底圖像微動(dòng)脈瘤檢測(cè)展開了眾多研究，相關(guān)的算法主要包括三種：數(shù)學(xué)形態(tài)學(xué)及其中的頂帽變換技術(shù)，匹配濾波技術(shù)以及對(duì)象分割技術(shù)。Baudoin等人在1983年發(fā)表的“Automaticdetectionofmicroaneurysmsindiabeticfluoresceinangiography”中率先實(shí)現(xiàn)利用計(jì)算機(jī)自動(dòng)檢測(cè)熒光造影眼底圖像中的微動(dòng)脈瘤。這種算法使用的是熒光造影技術(shù)獲得的眼底圖像，與當(dāng)前使用的彩色眼底圖像有一定的差別，但兩者的處理技術(shù)是相通的。這種方法使用了不同方向、不同直徑和不同連通性的線性結(jié)構(gòu)元素，通過形態(tài)學(xué)頂帽變換的技術(shù)，把狹長(zhǎng)、連通的血管結(jié)構(gòu)與圓形非連通的微動(dòng)脈瘤結(jié)構(gòu)對(duì)象區(qū)分開。這一方法成為之后諸多類似算法的基礎(chǔ)。利用形態(tài)學(xué)頂帽變換技術(shù)檢測(cè)眼底圖像微動(dòng)脈瘤存在一定的局限性，結(jié)構(gòu)元素的大小成為影響最終檢測(cè)結(jié)果的因素。如果結(jié)構(gòu)元素過大，會(huì)導(dǎo)致較緊密的血管被誤判為微動(dòng)脈瘤；而為了避免誤判而將結(jié)構(gòu)元素選取得過小，則會(huì)導(dǎo)致較大的微動(dòng)脈瘤被漏判。在形態(tài)學(xué)之外，還有許多研究提出利用匹配濾波技術(shù)檢測(cè)眼底圖像的微動(dòng)脈瘤。Zhang等人在2012年發(fā)表的“SparseRepresentationClassifierformicroaneurysmdetectionandretinalbloodvesselextraction”中提出通過計(jì)算多尺度和標(biāo)準(zhǔn)差的高斯匹配濾波與局部微動(dòng)脈瘤灰度分布之間的相關(guān)度，選取出疑似微動(dòng)脈瘤候選區(qū)域，然后再提取疑似區(qū)域的形狀、顏色、直徑、灰度等相關(guān)特征，對(duì)疑似區(qū)域進(jìn)行排除，選取出真實(shí)的微動(dòng)脈瘤。眼底圖像中的暗色區(qū)域可以視作由血管、微動(dòng)脈瘤以及出血病變點(diǎn)組成。利用這種思路，通過血管分割技術(shù)去除血管像素，保留微動(dòng)脈瘤和出血病變點(diǎn)。Sinthanayothin等人在2002年發(fā)表的“Automateddetectionofdiabeticretinopathyondigitalfundusimages”中提出了遞歸區(qū)域生長(zhǎng)算法，將圖像中的血管、微動(dòng)脈瘤和出血病變點(diǎn)等暗色區(qū)域從原始圖像中提取分割出來，然后利用人工神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行分類，將血管與微動(dòng)脈瘤區(qū)分開，達(dá)到檢測(cè)微動(dòng)脈瘤的目的。目前相關(guān)文獻(xiàn)提出的方法多是基于微動(dòng)脈瘤的形狀、顏色等特點(diǎn)，通過形態(tài)學(xué)、匹配濾波等技術(shù)提取出疑似微動(dòng)脈瘤的區(qū)域。再進(jìn)一步通過微動(dòng)脈瘤的大小、對(duì)比度、形狀等相關(guān)特征對(duì)疑似區(qū)域進(jìn)行排除，去除非微動(dòng)脈瘤的出血等病變點(diǎn)，選取出真實(shí)的微動(dòng)脈瘤。根據(jù)已有的算法總結(jié)，目前的微動(dòng)脈瘤自動(dòng)檢測(cè)主要存在漏判和誤判的問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于局部熵確定閾值的眼底圖像微動(dòng)脈瘤自動(dòng)檢測(cè)方法，該方法首先對(duì)圖像進(jìn)行預(yù)處理，以實(shí)現(xiàn)眼底圖像的亮度均一化，避免由于亮度不均勻而導(dǎo)致檢測(cè)準(zhǔn)確率下降。然后利用局部熵確定閾值，對(duì)眼底圖像進(jìn)行閾值分割，分割出圖像的血管、微動(dòng)脈瘤等目標(biāo)區(qū)域。本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：一種基于局部熵確定閾值的眼底圖像微動(dòng)脈瘤自動(dòng)檢測(cè)方法，包括以下步驟：第一步、對(duì)圖像進(jìn)行預(yù)處理，以實(shí)現(xiàn)眼底圖像的亮度均一化；第二步、使用高斯匹配濾波，以增強(qiáng)圖像中的血管和微動(dòng)脈瘤像素；第三步、利用局部熵確定閾值，對(duì)眼底圖像進(jìn)行閾值分割，分割出圖像的血管、微動(dòng)脈瘤的目標(biāo)區(qū)域；第四步、分割后加入利用數(shù)學(xué)形態(tài)學(xué)提取連通分量，實(shí)現(xiàn)長(zhǎng)度篩選，在篩選出的暗色區(qū)域中去除掉長(zhǎng)度超過設(shè)定閾值且相互連通的血管結(jié)構(gòu)，即可檢測(cè)出真實(shí)的微動(dòng)脈瘤結(jié)構(gòu)；第五步、利用雙環(huán)濾波，排除圖像中的噪聲的干擾點(diǎn)，提高檢測(cè)的準(zhǔn)確率。本發(fā)明的原理是，許多微動(dòng)脈瘤檢測(cè)算法是基于微動(dòng)脈瘤的形狀、顏色等特點(diǎn)，其最主要的局限便是由于血管結(jié)構(gòu)導(dǎo)致誤判和漏判。本發(fā)明首先對(duì)圖像進(jìn)行高斯匹配濾波處理，增強(qiáng)血管和微動(dòng)脈瘤像素，然后利用局部熵確定閾值，完成圖像的分割，提取出所需的血管和微動(dòng)脈瘤對(duì)象。提取出血管和微動(dòng)脈瘤的目標(biāo)區(qū)域之后，再利用數(shù)學(xué)形態(tài)學(xué)提取二值圖像中的連通分量，實(shí)現(xiàn)長(zhǎng)度篩選，排除血管像素，保留不連通的微動(dòng)脈瘤像素，完成檢測(cè)。所述的第一步具體為：1)圖像進(jìn)行預(yù)處理的過程包括歸一化、灰度變換和直方圖均衡化；2)為了實(shí)現(xiàn)眼底圖像的照明歸一化，從綠色通道中減去估計(jì)背景的灰度值：Inorm＝IG-Ibg其中Inorm為歸一化處理之后的結(jié)果，IG為圖像的綠色通道，Ibg為估計(jì)的背景；3)采用線性灰度變換，對(duì)于線性灰度變換，r與s之間的關(guān)系用如下函數(shù)表示：s=a1+b1-a1b-a(r-a)]]>其中[a,b]為原圖像每個(gè)像素點(diǎn)灰度r的取值范圍，[a1,b1]則為線性變換后圖像每個(gè)像素點(diǎn)灰度s的取值范圍；4)直方圖均衡化的具體變換函數(shù)為：s=T(r)=(L-1)∫0rpr(ω)dω]]>其中，ω是積分假變量，T(r)是r的累積分布函數(shù)，以T(r)作變換函數(shù)，獲得灰度分布均勻的圖像。所述的Ibg的選取通過濾波得到，通過對(duì)IG進(jìn)行N×N中值濾波操作，得到需要的Ibg。所述的第二步具體為：高斯匹配濾波使用二維高斯匹配濾波來增強(qiáng)血管和微動(dòng)脈瘤像素，函數(shù)如下：f(x,y)=-exp(-x22σ2),|y|≤L2]]>其中L為片段長(zhǎng)度，在這個(gè)片段內(nèi)血管方向固定不變，視網(wǎng)膜血管的走向不固定，所以核函數(shù)需要不斷地旋轉(zhuǎn)，只有當(dāng)濾波器方向與血管走向相同才會(huì)產(chǎn)生峰值響應(yīng)；然后利用一組12個(gè)16×15像素的內(nèi)核對(duì)眼底圖像進(jìn)行卷積；在每個(gè)像素點(diǎn)上只保留最大的響應(yīng)，得到響應(yīng)圖像。所述的第三步具體為：對(duì)圖像進(jìn)行濾波處理后，設(shè)閾值為T，0≤T≤L-1，將濾波處理后的圖像L×L灰度共生矩陣分為A、B、C、D四個(gè)部分，A為左上部分，B為右上部分，C為左下部分，D為右下部分；根據(jù)局部熵定義，A部分目標(biāo)元素的整體灰度分布概率定義為：PA=Σi=0TΣj=0TPij]]>而C部分背景元素的概率則定義為：PC=Σi=T+1L-1Σj=T+1L-1Pij]]>對(duì)這兩個(gè)概率進(jìn)行歸一化，得到以下兩個(gè)關(guān)于向量(T,T)的函數(shù)：PijA=PijPA]]>PijC=PijPC]]>則A部分目標(biāo)元素的局部熵是一個(gè)關(guān)于T的函數(shù)，可由下式得出：HA(T)=-12Σi=0TΣj=0TPijAlog2PijA]]>與之類似，C部分背景元素的局部熵為：HC(T)=-12Σi=T+1L-1Σj=T+1L-1PijClog2PijC]]>則目標(biāo)元素和背景元素兩部分的總局部熵為：HT(T)＝HA(T)+HC(T)則由此得出閾值T的取值應(yīng)使HT取到最大值，此時(shí)有：T=arg[maxT=0,1,...,L-1HT(T)]]]>所述的第四步具體為：長(zhǎng)度篩選通過如下方式操作：對(duì)于每個(gè)目標(biāo)區(qū)域像素點(diǎn)，比較其周圍相鄰的八個(gè)像素點(diǎn)，相鄰的八個(gè)像素中，同樣處在目標(biāo)區(qū)域之內(nèi)的像素少于兩個(gè)，便可視為不連通的單像素小點(diǎn)，即為所需的真實(shí)微動(dòng)脈瘤點(diǎn)；或者通過數(shù)學(xué)形態(tài)學(xué)對(duì)得到的二值圖像進(jìn)行連通分量的提取，同時(shí)確定一個(gè)閾值，如果某一個(gè)連通分量中的像素個(gè)數(shù)超過這個(gè)閾值，則將這個(gè)連通分量視為長(zhǎng)度較長(zhǎng)且有大量像素相連通的血管元素，予以排除；而如果某一個(gè)連通分量中像素個(gè)數(shù)少于這個(gè)閾值時(shí)，則將這一個(gè)連通分量認(rèn)定為較小且與血管不連通的微動(dòng)脈瘤元素。所述的第五步具體為：為了進(jìn)一步排除結(jié)果圖像中其他的背景噪聲點(diǎn)，采用改進(jìn)的雙環(huán)濾波器實(shí)現(xiàn)，其中內(nèi)環(huán)半徑r為：r=S/π]]>其中S為候選區(qū)域的面積所占的像素個(gè)數(shù)，外環(huán)的半徑R為內(nèi)環(huán)半徑r的2.5倍，即：R＝2.5×r如果內(nèi)環(huán)像素的強(qiáng)度平均值和外環(huán)像素的強(qiáng)度平均值之差小于閾值Tr，則這一候選區(qū)域認(rèn)定為真實(shí)的微動(dòng)脈瘤，由于不同的眼底圖像本身存在差異，因此閾值Tr的確定采用了多級(jí)自適應(yīng)的選擇方法：Tr=2.5,std(I)≤303.7,30<std(I)≤405.0,40<std(I)≤506.2,std(I)>50]]>其中std(I)為初始圖像的灰度值方差。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：1)本發(fā)明初期做了大量圖像預(yù)處理的工作，實(shí)現(xiàn)了眼底圖像的亮度均一化，避免了由于亮度不均勻而導(dǎo)致檢測(cè)準(zhǔn)確率下降，為后面檢測(cè)的準(zhǔn)確性提供了保障；2)本發(fā)明利用局部熵確定閾值，完成圖像分割，提取出所需的微動(dòng)脈瘤像素，降低了由于血管結(jié)構(gòu)導(dǎo)致的誤判和漏判；3)本發(fā)明利用雙環(huán)濾波，排除圖像中的噪聲等干擾點(diǎn)，提高檢測(cè)的準(zhǔn)確率。附圖說明圖1是本發(fā)明方法的流程圖。圖2是原始彩色及灰度眼底圖像。圖3是匹配濾波前后眼底圖像對(duì)比，左為處理前，右為處理后。圖4是對(duì)圖像進(jìn)行分割之后產(chǎn)生的二值圖像。圖5是長(zhǎng)度篩選后確定的微動(dòng)脈瘤位置。圖6是濾波處理后的圖像L×L灰度共生矩陣分割圖。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。實(shí)施例本實(shí)施例包括以下步驟：第一步、對(duì)圖像進(jìn)行預(yù)處理，以實(shí)現(xiàn)眼底圖像的亮度均一化。所述的預(yù)處理包括歸一化、灰度變換和直方圖均衡化。為了實(shí)現(xiàn)眼底圖像的照明歸一化，可以從綠色通道中減去估計(jì)背景的灰度值：Inorm＝IG-Ibg其中Inorm為歸一化處理之后的結(jié)果，IG為圖像的綠色通道，Ibg為估計(jì)的背景。Ibg的選取可以通過濾波得到。通過對(duì)IG進(jìn)行N×N中值濾波操作，可以得到需要的Ibg?；叶茸儞Q是為了圖像增強(qiáng)，假設(shè)原圖像每個(gè)像素點(diǎn)的灰度值為r＝f(x,y)，處理之后每個(gè)像素點(diǎn)的灰度值為s＝g(x,y)，按照特定的變換關(guān)系T，則灰度增強(qiáng)操作可以表示為公式：s＝T(r)其中r和s都在圖像的灰度范圍之內(nèi)。函數(shù)T為選取得灰度變換函數(shù)，用于描述輸入灰度值與輸出灰度值s之間的關(guān)系。本發(fā)明采用的是線性灰度變換，對(duì)于線性灰度變換，r與s之間的關(guān)系可以用如下函數(shù)表示：s=a1+b1-a1b-a(r-a)]]>其中[a,b]為原圖像每個(gè)像素點(diǎn)灰度r的取值范圍，[a1,b1]則為線性變換后圖像每個(gè)像素點(diǎn)灰度s的取值范圍。線性變換能夠?qū)D像的每一個(gè)像素灰度作線性的拉伸，因此能夠有效地改善圖像曝光不足或曝光過度所導(dǎo)致的圖像缺乏灰度層次或模糊的情況。直方圖均衡化操作是通過分布函數(shù)的累積積分來修改圖像的灰度直方圖，使圖像直方圖能夠均勻分布。直方圖均衡化的操作能夠增強(qiáng)圖像。具體的變換函數(shù)如下：s=T(r)=(L-1)∫0rpr(ω)dω]]>其中，ω是積分假變量，T(r)是r的累積分布函數(shù)。以T(r)作變換函數(shù)，可以獲得灰度分布均勻的圖像。第二步、使用高斯匹配濾波，以增強(qiáng)圖像中的血管和微動(dòng)脈瘤像素。所述高斯匹配濾波使用二維高斯匹配濾波來增強(qiáng)血管和微動(dòng)脈瘤像素，函數(shù)如下：f(x,y)=-exp(-x22σ2),|y|≤L2]]>其中L為片段長(zhǎng)度，在這個(gè)片段內(nèi)血管方向固定不變。視網(wǎng)膜血管的走向不固定，所以核函數(shù)需要不斷地旋轉(zhuǎn)，只有當(dāng)濾波器方向與血管走向相同才會(huì)產(chǎn)生峰值響應(yīng)。然后利用一組12個(gè)16×15像素的內(nèi)核對(duì)眼底圖像進(jìn)行卷積。在每個(gè)像素點(diǎn)上只保留最大的響應(yīng)，得到響應(yīng)圖像。第三步、利用局部熵確定閾值，對(duì)眼底圖像進(jìn)行閾值分割，分割出圖像的血管、微動(dòng)脈瘤等目標(biāo)區(qū)域。對(duì)圖像進(jìn)行濾波處理后，設(shè)閾值為T，0≤T≤L-1，將濾波處理后的圖像L×L灰度共生矩陣分為A、B、C、D四個(gè)部分，如圖6所示：A部分即灰度值較低的取值，為圖像血管和微動(dòng)脈瘤等目標(biāo)元素的灰度分布；而C部分即灰度值較高的取值，為圖像中背景的灰度分布。B、D兩部分則是目標(biāo)元素與背景之間的像素點(diǎn)或元素邊界點(diǎn)的灰度分布。由局部熵確定閾值時(shí)只需要考慮這四個(gè)部分中的A、C兩個(gè)部分。根據(jù)局部熵定義，A部分目標(biāo)元素的整體灰度分布概率可定義為：PA=Σi=0TΣj=0TPij]]>而C部分背景元素的概率則定義為：PC=Σi=T+1L-1Σj=T+1L-1Pij]]>對(duì)這兩個(gè)概率進(jìn)行歸一化，得到以下兩個(gè)關(guān)于向量(T，T)的函數(shù)：PijA=PijPA]]>PijC=PijPC]]>則A部分目標(biāo)元素的局部熵是一個(gè)關(guān)于T的函數(shù)，可由下式得出：HA(T)=-12Σi=0TΣj=0TPijAlog2PijA]]>與之類似，C部分背景元素的局部熵為：HC(T)=-12Σi=T+1L-1Σj=T+1L-1PijClog2PijC]]>則目標(biāo)元素和背景元素兩部分的總局部熵為：HT(T)＝HA(T)+HC(T)則由此得出閾值T的取值應(yīng)使HT取到最大值，此時(shí)有：T=arg[maxT=0,1,...,L-1HT(T)]]]>此時(shí)得到理想的閾值T，以進(jìn)行目標(biāo)區(qū)域和背景區(qū)域的分類。第四步、分割后加入利用數(shù)學(xué)形態(tài)學(xué)提取連通分量，實(shí)現(xiàn)長(zhǎng)度篩選，在篩選出的暗色區(qū)域中去除掉長(zhǎng)度較長(zhǎng)且相互連通的血管結(jié)構(gòu)，即可檢測(cè)出真實(shí)的微動(dòng)脈瘤結(jié)構(gòu)。根據(jù)局部熵確定的閾值可以將血管以及微動(dòng)脈瘤從背景中分割出來，得到一個(gè)眼底血管分布的二值圖像。圖像中包含了血管和微動(dòng)脈瘤的全部像素，由此可以通過長(zhǎng)度篩選確定微動(dòng)脈瘤的位置。由于得到的二值圖像中包括了血管、微動(dòng)脈瘤兩種元素。根據(jù)這兩種元素之間的特征差異可以將其區(qū)分開，從而排除血管，保留需要的真實(shí)微動(dòng)脈瘤。從形狀和連通性上看，血管是狹長(zhǎng)狀相互連通的線性元素，而微動(dòng)脈瘤則是離散的小圓點(diǎn)，直徑極小，大約在一個(gè)像素左右。因此只需要對(duì)二值圖像進(jìn)行篩選，分析其像素之間的連通性，選出所有直徑滿足要求且相互不連通的元素，即可排除血管，得到所需的微動(dòng)脈瘤區(qū)域。長(zhǎng)度篩選可以以如下方式操作：對(duì)于每個(gè)目標(biāo)區(qū)域像素點(diǎn)，比較其周圍相鄰的八個(gè)像素點(diǎn)。相鄰的八個(gè)像素中，同樣處在目標(biāo)區(qū)域之內(nèi)的像素少于兩個(gè)，便可視為不連通的單像素小點(diǎn)，即為所需的真實(shí)微動(dòng)脈瘤點(diǎn)。更精確的方法則是通過數(shù)學(xué)形態(tài)學(xué)對(duì)得到的二值圖像進(jìn)行連通分量的提取，同時(shí)確定一個(gè)閾值。如果某一個(gè)連通分量中的像素個(gè)數(shù)超過這個(gè)閾值，則將這個(gè)連通分量視為長(zhǎng)度較長(zhǎng)且有大量像素相連通的血管元素，予以排除；而如果某一個(gè)連通分量中像素個(gè)數(shù)少于這個(gè)閾值時(shí)，則將這一個(gè)連通分量認(rèn)定為較小且與血管不連通的微動(dòng)脈瘤元素。第五步、利用雙環(huán)濾波，排除圖像中的噪聲等干擾點(diǎn)，提高檢測(cè)的準(zhǔn)確率。微動(dòng)脈瘤在眼底圖像中顯示為比周圍背景偏暗的一個(gè)圓形區(qū)域，因此雙環(huán)濾波器在檢測(cè)微動(dòng)脈瘤的過程中也能夠發(fā)揮作用。在圖像中取兩個(gè)同心的環(huán)狀區(qū)域。假定內(nèi)環(huán)為區(qū)域A，外環(huán)為區(qū)域C，而兩個(gè)環(huán)之間的區(qū)域?yàn)閰^(qū)域B。A環(huán)直徑應(yīng)保證其在微動(dòng)脈瘤對(duì)象內(nèi)，C應(yīng)該外圈在微動(dòng)脈瘤對(duì)象之外。在這三個(gè)區(qū)域中，區(qū)域B可能會(huì)受到微動(dòng)脈瘤邊界的影響，因此不參與濾波的操作。整個(gè)濾波器的輸出為：FA(x,y)＝T-(k(x,y)-mA(x,y))這其中，mA為A區(qū)域的像素點(diǎn)灰度平均值，而k(x,y)則是區(qū)域C的灰度直方圖中p％的灰度值的像素點(diǎn)，T為根據(jù)實(shí)驗(yàn)確定的常數(shù)。為了進(jìn)一步排除結(jié)果圖像中其他的背景噪聲點(diǎn)，可以采用改進(jìn)的雙環(huán)濾波器實(shí)現(xiàn)。其中內(nèi)環(huán)半徑r為：r=S/π]]>其中S為候選區(qū)域的面積所占的像素個(gè)數(shù)。外環(huán)的半徑R為內(nèi)環(huán)半徑r的2.5倍，即：R＝2.5×r如果內(nèi)環(huán)像素的強(qiáng)度平均值和外環(huán)像素的強(qiáng)度平均值之差小于閾值Tr，則這一候選區(qū)域可以認(rèn)定為真實(shí)的微動(dòng)脈瘤。在這里由于不同的眼底圖像本身存在差異，因此閾值Tr的確定也采用了多級(jí)自適應(yīng)的選擇方法：Tr=2.5,std(I)≤303.7,30<std(I)≤405.0,40<std(I)≤506.2,std(I)>50]]>其中std(I)為初始圖像的灰度值方差。其具體的取值是通過實(shí)驗(yàn)確定的最優(yōu)取值。實(shí)施效果依據(jù)上述步驟，對(duì)于我們收集的眼底圖像進(jìn)行分析，我們選取國(guó)際上兩個(gè)公開可用于測(cè)試和評(píng)估糖尿病視網(wǎng)膜病變?cè)\斷算法的標(biāo)準(zhǔn)視網(wǎng)膜圖像數(shù)據(jù)庫DIARETDB0和DIARETDB1的圖像進(jìn)行實(shí)驗(yàn)。所有試驗(yàn)均在PC計(jì)算機(jī)上實(shí)現(xiàn)，該P(yáng)C計(jì)算機(jī)的主要參數(shù)為：中央處理器Intel(R)Core(TM)2DuoCPUE7500@2.93GHz，內(nèi)存2GB。結(jié)果顯示，本發(fā)明對(duì)兩個(gè)數(shù)據(jù)庫(DIARETDB0和DIARETDB1)中圖片進(jìn)行微動(dòng)脈瘤檢測(cè)的準(zhǔn)確度分別為95.98％和94.57％。準(zhǔn)確度方面明顯優(yōu)于其他算法。與此同時(shí)本發(fā)明算法還有計(jì)算量小的優(yōu)點(diǎn)。相對(duì)于其他用了復(fù)雜的數(shù)學(xué)模型和數(shù)學(xué)變換的方法，我們的算法簡(jiǎn)單高效，效率高。綜合看來我們的算法是先進(jìn)的。以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到各種等效的修改或替換，這些修改或替換都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求的保護(hù)范圍為準(zhǔn)。當(dāng)前第1頁1 2 3