本發(fā)明屬于圖像處理領(lǐng)域，特別涉及一種基于elm的眼底圖像視網(wǎng)膜血管分割方法。

背景技術(shù)：

彩色眼底圖像是唯一可以通過非創(chuàng)傷方式直接拍攝獲取人體微血管網(wǎng)絡(luò)的圖像，醫(yī)生通過眼底圖像可以清晰地觀察位于眼底的視盤、黃斑及視網(wǎng)膜微血管網(wǎng)絡(luò)。而對眼底圖像的血管分析，它的形狀、管徑、尺度、分支角度是否有變化，以及是否有增生、滲出，是當(dāng)前診斷眼疾病以及糖尿病、高血壓等全身性心腦血管疾病的重要依據(jù)之一。隨著眼底圖像數(shù)據(jù)的急劇增長，醫(yī)生如果僅靠人工觀察和經(jīng)驗診斷不僅效率低而且主觀性強。因此，使用計算機來自動檢測和分割眼底圖像中的血管網(wǎng)絡(luò)具有重要的臨床意義。

根據(jù)眼底圖像中視網(wǎng)膜血管具備的樹狀結(jié)構(gòu)，血管寬度閾值，分支角度等特性，針對其固有特征進行血管分割。從圖像處理的角度看，可以大致分為以下五類分割算法：基于血管跟蹤的方法，基于匹配濾波的方法，基于形態(tài)學(xué)處理的方法，基于形變模型的方法和基于機器學(xué)習(xí)的方法。這些方法中，血管分割精度最高的是基于機器學(xué)習(xí)的方法。以機器學(xué)習(xí)方法為主其他方法為輔相結(jié)合，是目前最常用的血管分割方法。例如，staal等人提出了一種基于脊線的監(jiān)督的血管分割方法來自動篩查糖尿病視網(wǎng)膜病變。soares等人提出了一種用二維gabor小波和監(jiān)督分類來自動分割視網(wǎng)膜血管的方法。眼底圖中每個像素點有一個特征向量表征，該特征向量由像素點的灰度特征和各個尺度上的二維gabor小波變換響應(yīng)組成。然后用高斯混合模型分類器將圖像中的像素點分為血管點和非血管點兩類。該方法在drive和stare數(shù)據(jù)庫上實驗，平均精確度分別達到94.66％和94.80％。該方法最大的缺陷是忽視了整個圖像有用的形狀和結(jié)構(gòu)信息，而僅僅考慮了每個像素點的局部信息。后續(xù)將關(guān)注形狀特征、分類策略和血管分割結(jié)果的后處理上。ricci和perfetti提出了基于線操作和支持向量分類器的視網(wǎng)膜血管分割方法，用于眼科疾病計算機輔助診斷。lupascu等人提出了一種基于特征的adaboost分類器的自動視網(wǎng)膜血管分割方法。對于視野范圍內(nèi)的每一個像素點，構(gòu)造一個41維的特征向量，包括足夠豐富的局部，形狀和結(jié)構(gòu)信息。然后，用黃金標(biāo)準(zhǔn)血管和非血管樣本點進行訓(xùn)練，得到一個adaboost分類器。最后，用訓(xùn)練得到的分類器精確的分割了血管點。fabc這個分類器在drive數(shù)據(jù)庫上測試達到了95.97％的平均精度。然而該方法沒有包括后處理步驟來連接血管段之間的破損和解決局部的模糊情況。zhu等人在lupascu方法的基礎(chǔ)上，精減了特征向量的數(shù)目，選取了相對最有效的特征向量，并將分類回歸樹(classificationandregressiontrees，cart)與adaboost相結(jié)合，訓(xùn)練得到強分類器進行視網(wǎng)膜血管分割。marin等人提出了一種用神經(jīng)網(wǎng)絡(luò)來檢測視網(wǎng)膜血管的監(jiān)督方法。首先，預(yù)處理原始眼底圖以實現(xiàn)灰度均勻和血管增強。franklin和rajan也提出了用多層感知人工神經(jīng)網(wǎng)絡(luò)來分割視網(wǎng)膜血管。fraz等用基于bagging的監(jiān)督學(xué)習(xí)方法得到血管分類結(jié)果。單獨使用匹配濾波方法或者數(shù)學(xué)形態(tài)學(xué)方法時也都不能很好地對病變眼底圖像進行血管分割，通常與其他方法結(jié)合使用?；谘芨櫟姆指罘椒軌蚓_地測量血管的寬度和方向，但是一次只能跟蹤一根血管，且遇到血管分支點或交叉點時容易出現(xiàn)跟蹤錯誤。另外，初始種子點的選取也是血管跟蹤方法的難題之一。基于模型的分割方法是所有方法中唯一能夠很好地處理病變眼底圖像的方法，其通過建立不同的模型能夠?qū)⒀?、背景和病變區(qū)分開來，但也存在精確度問題。

由于是在醫(yī)療行業(yè)中的應(yīng)用，因此對算法實現(xiàn)提取的血管結(jié)構(gòu)的精確度、特異性以及算法實時性要求較高，對算法的時間效率有較大的需求?；趯W(xué)習(xí)的視網(wǎng)膜血管分割方法是所有方法中準(zhǔn)確率最高的方法，但是現(xiàn)有的方法對背景非常不均勻的眼底圖像尤其是帶病變的眼底圖像效果不好，并且準(zhǔn)確率不高，此外訓(xùn)練時間與分割時間過長，難以使用于實際應(yīng)用中。

技術(shù)實現(xiàn)要素：

本發(fā)明提出了一種基于elm的眼底圖像視網(wǎng)膜血管分割方法，其目的在于，通過提取眼底圖像中特定的特征，并結(jié)合elm神經(jīng)網(wǎng)絡(luò)分類模型，克服現(xiàn)有技術(shù)中眼底圖像分割準(zhǔn)確率不高且訓(xùn)練時間和分割時間較長的問題。

一種基于elm的眼底圖像視網(wǎng)膜血管分割方法，包括以下步驟：

步驟1：對訓(xùn)練集中已知標(biāo)定結(jié)果的眼底圖像中的每個像素點提取39維特征向量；

所述39維特征向量包括29維局部特征向量、1維hessian矩陣圖像特征、6維形態(tài)學(xué)特征以及3維梯度場特征；

所述29維局部特征向量包括1維灰度值特征、24維高斯尺度空間濾波特征以及4維log特征；

所述6維形態(tài)學(xué)特征是對眼底圖像進行bottom-hat變換獲得的6維特征；

所述3維梯度場特征包括2維梯度特征和1維散度特征；

所述2維梯度特征是通過計算每個像素梯度的模值和方向所獲得的2維特征；

梯度模值計算方法：

梯度方向計算方法：

其中，是像素點在x方向的導(dǎo)數(shù)，是像素點在y方向的導(dǎo)數(shù)。

步驟2：從訓(xùn)練集中隨機選取像素點，利用所選像素點的39維特征向量和像素點對應(yīng)的標(biāo)記分類結(jié)果訓(xùn)練elm神經(jīng)網(wǎng)絡(luò)分類模型，獲取elm神經(jīng)網(wǎng)絡(luò)模型中輸出權(quán)重β，確定elm神經(jīng)網(wǎng)絡(luò)分類模型；

步驟3：將待分割的眼底圖像按照步驟1的內(nèi)容提取每個像素點的39維特征向量，并利用步驟2獲得的elm神經(jīng)網(wǎng)絡(luò)分類模型對每個像素點進行分類識別，完成眼底圖像的分割。

進一步地，采用二維高斯濾波計算所述24維高斯尺度空間濾波特征以及4維log特征時所采用的尺度為

所述24維高斯尺度空間濾波特征是對眼底圖像在4個不同尺度進行二維高斯濾波、二維高斯濾波的一階偏導(dǎo)以及二維高斯濾波的二階偏導(dǎo)處理得到。

進一步地，采用二階高斯導(dǎo)數(shù)濾波獲取1維hessian矩陣圖像特征時，所使用的尺度為

1維hessian矩陣特征，通過對圖像進行二階高斯導(dǎo)數(shù)濾波獲得hession矩陣，利用hession矩陣的特征值求像素的血管置信度作為特征。

hfeature＝max(v(σ1))

其中，每個尺度的血管像素置信度計算公式為：

s是hessian矩陣的frobenius范數(shù),hessian矩陣表示為：

其中ixx(x,σ1)表示像素點x在x方向的高斯二階偏導(dǎo)數(shù)，iyy(x,σ1)表示像素點x點在y方向的高斯二階偏導(dǎo)數(shù)，ixy(x,σ1)表示像素點x點在xy方向的高斯二階偏導(dǎo)數(shù)，σ1高斯標(biāo)準(zhǔn)方差是在本方法中取值為

置信度計算公式中參數(shù)c＝1/2max(s)，即4個尺度hession矩陣frobenius范數(shù)的最大值；rb＝λ2/λ1，其中，λ1,λ2是hessian矩陣的兩個特征值,并且|λ1|≤|λ2|。

進一步地，所述訓(xùn)練elm神經(jīng)網(wǎng)絡(luò)分類模型的過程如下：

首先，輸入訓(xùn)練數(shù)據(jù)；

所述輸入的訓(xùn)練數(shù)據(jù)包括已知分類結(jié)果像素點的39維特征向量和像素點的標(biāo)記分類結(jié)果；

其次，設(shè)置隱含層節(jié)點個數(shù)，利用像素點的分類預(yù)測結(jié)果作為elm神經(jīng)網(wǎng)絡(luò)模型的輸出數(shù)據(jù)，并隨機初始化每個像素點的輸入權(quán)重和隱含層節(jié)點的偏置；

最后，不斷輸入訓(xùn)練數(shù)據(jù)，當(dāng)elm神經(jīng)網(wǎng)絡(luò)模型的輸出的像素點的分類預(yù)測結(jié)果與像素點的標(biāo)記分類結(jié)果均為0時，獲得elm神經(jīng)網(wǎng)絡(luò)模型中隱含層中的輸出權(quán)重β，完成elm神經(jīng)網(wǎng)絡(luò)分類模型的訓(xùn)練。

進一步地，將步驟3獲得的分割結(jié)果與掩膜進行與操作，得到與操作結(jié)果，對與操作結(jié)果圖中去除小于20個像素點的區(qū)域，得到優(yōu)化分割結(jié)果。

掩膜是drive數(shù)據(jù)庫提供，尺寸與分割結(jié)果圖像的大小相同；利用掩膜進一步去除分割結(jié)果中的干擾點，提升分割準(zhǔn)確度。

進一步地，所述對眼底圖像在4個不同尺度進行二維高斯濾波、二維高斯濾波的一階偏導(dǎo)以及二維高斯濾波的二階偏導(dǎo)，分別按以下公式獲得：

在4個不同尺度進行二維高斯濾波：

在4個不同尺度進行二維高斯濾波的一階偏導(dǎo)：

在4個不同尺度進行二維高斯濾波的二階偏導(dǎo)：

其中，σ是二維高斯濾波中使用的高斯標(biāo)準(zhǔn)方差，即濾波的尺度，在高斯尺度空間每次濾波都有4個尺度，σ取值分別為

進一步地，所述bottom-hat變換是指在12個不同方向上對眼底圖像進行底帽變換獲得的特征，針對每個不同大小的結(jié)構(gòu)元素在所有方向上的底帽變換結(jié)果疊加在一起，作為一個特征，共6個尺寸的結(jié)構(gòu)元素，其長度取值范圍為3個像素到23個像素，每次增加4個像素；

其中，12個不同方向角度范圍在0°-180°之間，每次以15°遞增。

有益效果

本發(fā)明提供了一種基于elm的眼底圖像視網(wǎng)膜血管分割方法，該方法為眼底圖中的每個像素點構(gòu)造一個包括hessian矩陣特征，局部特征，散度特征和形態(tài)學(xué)特征在內(nèi)的39維特征向量，用以判定每個像素是否屬于血管上的像素。并且第一次將elm算法應(yīng)用于眼底圖血管分割方面，在分類計算時，利用訓(xùn)練樣本對elm進行訓(xùn)練得到分類器，并由此完成待測試圖像上的各個像素點的分類判定，得到分割結(jié)結(jié)果經(jīng)過后期處理去掉掩膜和小于閾值(20個像素點)的區(qū)域，得到最后的分割結(jié)果。本發(fā)明所述方法第一次將elm算法應(yīng)用于眼底圖像的血管分割方面，該方法訓(xùn)練時間短，對待測眼底圖果。像分割速度較快速度較快，并且對血管主干部分提取較好，對于高亮度病灶區(qū)的處理很有優(yōu)勢，適合進行后期處理，為主要血管的病變提供了直觀結(jié)果，適用于眼底圖像的計算機輔助定量分析和疾病診斷，對相關(guān)疾病的輔助診斷有明顯臨床意義。

附圖說明

圖1是本發(fā)明的流程圖；

圖2是實施例1應(yīng)用本發(fā)明所述方法的結(jié)果圖示，其中(a)為彩色眼底圖，(b)為手動分割結(jié)果，(c)為本文分割結(jié)果；

圖3是實施例2應(yīng)用本發(fā)明所述方法的結(jié)果圖示，其中(a)為彩色眼底圖，(b)為手動分割結(jié)果，(c)為本文分割結(jié)果；

圖4是實施例3應(yīng)用本發(fā)明所述方法的結(jié)果圖示，其中(a)為彩色眼底圖，(b)為手動分割結(jié)果，(c)為本文分割結(jié)果。

具體實施方式

下面將結(jié)合附圖和實施例對本發(fā)明做進一步的說明。

如圖1所示，一種基于elm的眼底圖像視網(wǎng)膜血管分割方法，包括以下步驟：

步驟1：對訓(xùn)練集中已知標(biāo)定結(jié)果的眼底圖像中的每個像素點提取39維特征向量；

所述39維特征向量包括29維局部特征向量、1維hessian矩陣圖像特征、6維形態(tài)學(xué)特征以及3維梯度場特征；

所述29維局部特征向量包括1維灰度值特征、24維高斯尺度空間濾波特征以及4維log特征；

所述6維形態(tài)學(xué)特征是對眼底圖像進行bottom-hat變換獲得的6維特征；

所述bottom-hat變換是指在12個不同方向上對眼底圖像進行底帽變換獲得的特征，針對每個不同大小的結(jié)構(gòu)元素在所有方向上的底帽變換結(jié)果疊加在一起，作為一個特征，共6個尺寸的結(jié)構(gòu)元素，其長度取值范圍為3個像素到23個像素，每次增加4個像素；

其中，12個不同方向角度范圍在0°-180°之間，每次以15°遞增。

所述3維梯度場特征包括2維梯度特征和1維散度特征；

所述2維梯度特征是通過計算每個像素梯度的模值和方向所獲得的2維特征；

梯度模值計算方法：

梯度方向計算方法：

其中，是像素點在x方向的導(dǎo)數(shù)，是像素點在y方向的導(dǎo)數(shù)。

采用二維高斯濾波計算所述24維高斯尺度空間濾波特征以及4維log特征時所采用的尺度為

所述24維高斯尺度空間濾波特征是對眼底圖像在4個不同尺度進行二維高斯濾波、二維高斯濾波的一階偏導(dǎo)以及二維高斯濾波的二階偏導(dǎo)處理得到，分別按以下公式獲得：

在4個不同尺度進行二維高斯濾波：

在4個不同尺度進行二維高斯濾波的一階偏導(dǎo)：

在4個不同尺度進行二維高斯濾波的二階偏導(dǎo)：

其中，σ是二維高斯濾波中使用的高斯標(biāo)準(zhǔn)方差，即濾波的尺度，在高斯尺度空間每次濾波都有4個尺度，σ取值分別為

采用二階高斯導(dǎo)數(shù)濾波獲取1維hessian矩陣圖像特征時，所使用的尺度為

1維hessian矩陣特征，通過對圖像進行二階高斯導(dǎo)數(shù)濾波獲得hession矩陣，利用hession矩陣的特征值求像素的血管置信度作為特征。

hfeature＝max(v(σ1))

其中，每個尺度的血管像素置信度計算公式為：

s是hessian矩陣的frobenius范數(shù),hessian矩陣表示為：

其中ixx(x,σ1)表示像素點x在x方向的高斯二階偏導(dǎo)數(shù)，iyy(x,σ1)表示像素點x點在y方向的高斯二階偏導(dǎo)數(shù)，ixy(x,σ1)表示像素點x點在xy方向的高斯二階偏導(dǎo)數(shù)，σ1高斯標(biāo)準(zhǔn)方差是在本方法中取值為

置信度計算公式中參數(shù)c＝1/2max(s)，即4個尺度hession矩陣frobenius范數(shù)的最大值；rb＝λ2/λ1，其中，λ1,λ2是hessian矩陣的兩個特征值,并且|λ1≤|λ2|。

步驟2：從訓(xùn)練集中隨機選取像素點，利用所選像素點的39維特征向量和像素點對應(yīng)的標(biāo)記分類結(jié)果訓(xùn)練elm神經(jīng)網(wǎng)絡(luò)分類模型，獲取elm神經(jīng)網(wǎng)絡(luò)模型中輸出權(quán)重β，確定elm神經(jīng)網(wǎng)絡(luò)分類模型；

所述訓(xùn)練elm神經(jīng)網(wǎng)絡(luò)分類模型的過程如下：

首先，輸入訓(xùn)練數(shù)據(jù)；

所述輸入的訓(xùn)練數(shù)據(jù)包括已知分類結(jié)果像素點的39維特征向量和像素點的標(biāo)記分類結(jié)果；

其次，設(shè)置隱含層節(jié)點個數(shù)，利用像素點的分類預(yù)測結(jié)果作為elm神經(jīng)網(wǎng)絡(luò)模型的輸出數(shù)據(jù)，并隨機初始化每個像素點的輸入權(quán)重和隱含層節(jié)點的偏置；

最后，不斷輸入訓(xùn)練數(shù)據(jù)，當(dāng)elm神經(jīng)網(wǎng)絡(luò)模型的輸出的像素點的分類預(yù)測結(jié)果與像素點的標(biāo)記分類結(jié)果均為0時，獲得elm神經(jīng)網(wǎng)絡(luò)模型中隱含層中的輸出權(quán)重β，完成elm神經(jīng)網(wǎng)絡(luò)分類模型的訓(xùn)練。

需要給定算法所需的參數(shù)：訓(xùn)練樣本s＝(xi，ti)，i是訓(xùn)練樣本的數(shù)目，i取值為3倍的血管像素點數(shù)目，正負(fù)樣本選取比例為1:2，正樣本即血管點，負(fù)樣本即背景點，xi是每個像素得到的37維特征向量，ti是手工標(biāo)定結(jié)果，ti∈{0,1}；l隱層節(jié)點的數(shù)目,本方法設(shè)置l＝1000；f(x)是激勵函數(shù)，本方法選擇sigmoid函數(shù)作為激勵函數(shù)。

elm算法就是求解神經(jīng)網(wǎng)絡(luò)的算法，其輸出函數(shù)表示為wl為輸入權(quán)重(算法會隨機初始化輸入權(quán)重)，βl是我們期望得到的輸出權(quán)重，bl是第l個隱層單元的偏置(算法會隨機初始化偏置)，oi得到的預(yù)測結(jié)果，算法的目的是輸出誤差最小，可以表示為：

即存在βl，wl和bl，使得

可以表示為：hβ＝t；

其中h是隱層節(jié)點的輸出，β為輸出權(quán)重，t為期望輸出。

而在elm中，一旦輸入權(quán)重wl和隱層的偏置bl被隨機確定，隱層的輸出矩陣h就被唯一確定。訓(xùn)練單隱層神經(jīng)網(wǎng)絡(luò)可以轉(zhuǎn)化為求解一個線性系統(tǒng)hβ＝t，并且輸出權(quán)重β可以被確定。

步驟3：將待分割的眼底圖像按照步驟1的內(nèi)容提取每個像素點的39維特征向量，并利用步驟2獲得的elm神經(jīng)網(wǎng)絡(luò)分類模型對每個像素點進行分類識別，完成眼底圖像的分割。

將步驟3獲得的分割結(jié)果與掩膜進行與操作，得到與操作結(jié)果，對與操作結(jié)果圖中去除小于20個像素點的區(qū)域，得到優(yōu)化分割結(jié)果。

掩膜是drive數(shù)據(jù)庫提供，尺寸與分割結(jié)果圖像的大小相同；利用掩膜進一步去除分割結(jié)果中的干擾點，提升分割準(zhǔn)確度。

實施例1：

按照本文所述的方法對圖2所示的圖a進行分割處理，得到的人工標(biāo)記結(jié)果和分割結(jié)果分別如圖b和圖c所示，得到的roc曲線如圖d所示；從圖2中我們可以看到分割結(jié)果，和本文方法的roc曲線(曲線與x坐標(biāo)軸之間的面積可以評價分割算法的優(yōu)劣，面積越大越好)，從曲線與x軸之間的面積az＝0.9632，可知本文的分割方法是準(zhǔn)確可信的，而準(zhǔn)確度達到0.9621,敏感度達到0.8246和特異性達到0.9774，更好地證明了本文的分割方法是準(zhǔn)確可信的。

實施例2：

按照本文所述的方法對圖3所示的圖a進行分割處理，得到的人工標(biāo)記結(jié)果和分割結(jié)果分別如圖b和圖c所示，得到的roc曲線如圖d所示；從圖3中我們可以看到分割結(jié)果，和本文方法的roc曲線(曲線與x坐標(biāo)軸之間的面積可以評價分割算法的優(yōu)劣，面積越大越好)，從曲線與x軸之間的面積auc＝0.9613，可知本文的分割方法是準(zhǔn)確可信的，而準(zhǔn)確度達到0.9710,敏感度達到0.7578和特異性達到0.9914，更好地證明了本文的分割方法是準(zhǔn)確可信的。

實施例3：

按照本文所述的方法對圖4所示的圖a進行分割處理，得到的人工標(biāo)記結(jié)果和分割結(jié)果分別如圖b和圖c所示，得到的roc曲線如圖d所示；從圖4中我們可以看到分割結(jié)果，，和本文方法的roc曲線(曲線與x坐標(biāo)軸之間的面積可以評價分割算法的優(yōu)劣，面積越大越好)，從曲線與x軸之間的面積auc＝0.9602，可知本文的分割方法是準(zhǔn)確可信的，且準(zhǔn)確度達到0.9673,敏感度達到0.7601和特異性達到0.9851，更好地證明了本文的分割方法是準(zhǔn)確可信的。

由圖2-圖4的數(shù)據(jù)可知，準(zhǔn)確度在0.9500以上，特異性在0.9800以上，敏感度在0.7500以上，所有指標(biāo)都有很高的水平，可知本文的分割方法是準(zhǔn)確可信的。

用精確度(accuracy,acc)，敏感度(sensitivity,sn)，特異性(specificity,sp)這三個指標(biāo)來衡量分割結(jié)果的好壞。精確度就是所有劃分正確的像素點，敏感度就是正確劃分的血管點的百分比，特異性就是正確劃分的背景點的百分比。用以下四個變量來計算性能指標(biāo)，分對的血管點(truepositive，tp)，分對的背景點(truenegative，tn)，分錯的血管點(falsepositive，fp)，分錯的背景點(falsenegative，fn)。各性能指標(biāo)計算表達式為

roc曲線可以描述算法的優(yōu)劣，橫坐標(biāo)falsepositivefraction表示假陽性率縱坐標(biāo)truepositivefraction表示真陽性率

采用本文方法對drive數(shù)據(jù)庫的測試集圖片進行實驗，根據(jù)以上提到的性能測試指標(biāo)衡量，對測試集中所有20幅眼底圖進行分割，實驗數(shù)據(jù)參見表1，表1中給出了每張圖片的分割時間，精確度(acc)，敏感度(sn)，特異性(sp)從平均值可以看出本文方法的分割時間比較短，敏感度，特異性都比較高，并且對于每張圖片分割耗時較小,本方法具有優(yōu)異性能。

表2給出了本文方法與各類基于學(xué)習(xí)的眼底圖血管分割方法的性能比較，可以看出本文所提的方法所獲得的精確度較高，各項性能指標(biāo)也優(yōu)于其他方法。

表1本發(fā)明分割結(jié)果性能指標(biāo)

表2本發(fā)明與其他監(jiān)督學(xué)習(xí)方法結(jié)果比較

雖然本發(fā)明所使用的elm算法突出優(yōu)點是分類時間較短，但是會使分類結(jié)果的準(zhǔn)確度降低，因此本發(fā)明提出了相關(guān)特征以彌補準(zhǔn)確度的降低。

在局部特征方面，log算子獲得的特征可以很好地描述邊緣信息，對圖像進行高斯卷積濾波進行平滑處理，以最大程度地抑制噪聲，再采用拉普拉斯算子進行邊緣增強，提高了算子對噪聲和離散點的魯棒性。在使用log特征的同時，利用對于零交叉點較為敏感的二維高斯函數(shù)二階偏導(dǎo)數(shù)進行零交叉點的檢測。log算子結(jié)合高斯二階導(dǎo)特征對于血管連續(xù)性和細(xì)小血管的檢測均很有效；hession特征對于血管的尺寸變化很敏感，使用hession特征可以讓不同尺寸的血管都能有效的被檢測到，并且讓得到的血管與手工分割的結(jié)果更加貼和，提高分割結(jié)果的敏感度；bottom-hat變換獲得的6維特征可以提高血管區(qū)域與背景的對比度，使算法更有效的檢測血管區(qū)域的像素；梯度法特征包括3個內(nèi)容，梯度向量的模值、方向信息和梯度場散度。血管邊緣的灰度值差異較大，梯度模值較大，模值信息可以很好地描述邊緣信息，用梯度向量的方向信息可以更好地描述血管區(qū)域與背景區(qū)域的區(qū)別，同時散度特征對血管交叉點檢測比較敏感。

基于國際公共數(shù)據(jù)庫drive的實驗結(jié)果表明，該方法的平均精確度達到0.9568，且敏感度和特異性均優(yōu)于已有的基于監(jiān)督學(xué)習(xí)的方法。

以上內(nèi)容是結(jié)合具體的實施方式對本發(fā)明所做的進一步詳細(xì)說明，不能認(rèn)定本發(fā)明的具體實施只局限于這些說明。對本發(fā)明所述技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或者替換，都應(yīng)當(dāng)視為屬于本發(fā)明的保護范圍。