[发明专利]基于OCT影像的眼前房角开放程度多特征分类方法

权利要求书

1.基于OCT影像的眼前房角开放程度多特征分类方法，其特征在于该方法包括如下步骤：

步骤(1)对眼前房角OCT图像进行图像分割操作，分割出完整的眼前房角房角区域；具体是：

1-1、对眼前房角OCT图像采用7×3的中值滤波器去除前房角OCT图像中的斑点噪声，得到图像P；

1-2、对图像P做形态学灰度重建得到I_R，其计算范围为各像素点的四邻域；

1-3、对I_R进行幂次变换得到图像F，其中将输入灰度值范围为[0.06,0.9]的像素映射至输出灰度值范围[0,1]；

1-4、采用最大类间方差法对图像F进行阈值分割，得到分割后的图像I'_BW；

步骤(2)根据眼前房角结构特性，对分割后的图像做边缘检测，并根据角膜后边缘与虹膜前边缘的交点，找出房角隐窝区域作为感兴趣区域，具体是：

2-1、从图像I'_BW顶端到底部逐行扫描，检测得到第一条初始边缘，即为角膜前边缘；

2-2、从图像I'_BW底部向上至第一条边缘逐行扫描检测第三条边缘，即为虹膜前边缘；

2-3、在图像I'_BW中从第三条边缘向上至第一条边缘逐行扫描，得到第二条边缘，即为角膜后边缘

2-4、对检测到的角膜后边缘和虹膜前边缘分别进行直线拟合，并求得两条拟合直线的交点[x,y],取[x-a,y-b,w,h]的区域作为感兴趣区域G(i,j)，其中(x-a,y-b)为感兴趣区域左上角坐标，(w,h)为感兴趣区域宽度和高度；

步骤(3)在感兴趣区域中分别计算梯度值、Edgelet和CoHOG特征值，具体是：

梯度值的计算方法为：

3-1-1、采用Sobel梯度算子获得感兴趣区域G的梯度图I_g；

3-1-2、在梯度图I_g中分别计算出各像素点在{0°、45°、90°和135°}四个方向上的梯度强度，并求其均值；

Edgelet特征值的计算方法为：

采用一边长为d的方形窗口w在梯度图I_g内滑动，d为奇数，令方形窗口w内的像素坐标为(x,y)，x＝1,2,…,d，y＝1,2,…,d；

3-2-1、令方形窗口w在梯度图I_g中已检测到的角膜后边缘与虹膜前边缘位置上逐点滑动，并计算其中心点c(x,y)处的法线方向角θ_E(x,y)；将θ_E(x,y)量化为6个角度，并分别以0-5这六个数字表示，得到角β_E(x,y)；

3-2-2、根据梯度图I_g中c(x,y)点处的纵向和横向梯度值，计算出该点处的梯度方向角θ_I(x,y)；并将θ_I(x,y)量化为6个角度，并分别以0-5这六个数字表示，得到角β_I(x,y)；

3-2-3、由公式(1)可计算出感兴趣区域G中，边缘上点c(x,y)处的Edgelet特征值f

f(E,G,v)=1kΣi=1kMG(ui+v)|<nG(ui+v),niE>|---(1)]]>

其中，k为选取的边缘片段E的长度，k＝1,2,…,d；u_i为方形窗口w中的坐标值(x,y),x＝1,2,…,d，y＝1,2,…,d；M^G为I_g中像素点c(x,y)的亮度；v为方形窗口w在原图像中的坐标位移(x',y')；n^G为像素点(u_i+v)的梯度向量；为像素点c的法向量；两个向量的点积可由式(2)近似表示，即可由式(3)得到点乘结果，从而计算得到最终的Edgelet特征值f；

|<nI(ui+w),niE>|=L(βI(ui+w)-βE)---(2)]]>

L[n]=1n=045n=±1,±512n=±2,±40n=±3---(3)]]>

CoHOG特征值的计算方法为：

3-3-1、根据梯度图I_g中c(x,y)点处的纵向和横向梯度值，计算出该点处的梯度方向角θ_I(x,y)；将感兴趣区域G中各像素点的θ_I(x,y)进行量化得到α(x,y)；其中，θ_I(x,y)按每45°进行量化，得到8个角度，将其分别表示为α(x,y)，α(x,y)取值为0,1,2,…,7；

3-3-2、将感兴趣区域G分割为多个不互相重叠的边长为N×M个像素的区域；

3-3-3、在每一个子区域内计算共生矩阵C，由得到梯度方向角已量化为8个角度，那么任何两个梯度方向m和n形成一个角度对，两两组合就有64种组合；同时，计算共生矩阵时考虑位置偏移(x_d,y_d)，即一个角度对内的两个梯度方向角的位置关系；于是，在每个子区域内根据式(4)可计算共生矩阵C；

C(xd,yd,m,n)=Σp=1NΣq=1M1,ifG(p,q)=mandG(p+xd,q+yd)=n0,otherwise.---(4)]]>

其中，(p,q)为子区域内的像素坐标；(m,n)为共生矩阵C内的坐标，m和n取值分别为8个角度，即0,1,…,7；(x_d,y_d)为像素点(p,q)的偏移坐标；

3-3-4、将每个子区域的共生矩阵C串接构成感兴趣区域的CoHOG特征向量；

步骤(4)根据步骤(3)得到的三个特征值，再利用支持向量机对图像进行多级分类。