[发明专利]基于组合分类器的白内障眼底图像分类方法及分类装置

说明书

本发明公开了一种基于组合分类器的白内障眼底图像分类方法及分类装置，其中，方法包括以下步骤：获取白内障眼底图像；对白内障眼底图像进行预处理；分别通过小波变换、轮辅方法和纹理分析从处理后的白内障眼底图像中提取特征；分别通过支持向量机和BP神经网对特征进行预测分类，以获取预测分类结果；通过组合分类器进行投票分类，以获取最终分类结果。该方法在对图像进行预处理之后，通过小波变换、轮辅方法和纹理分析提取特征，其次通过支持向量机和BP神经网进行预测分类，从而获取分类结果，提高分类的精确度。

技术领域

本发明涉及医学与计算机技术领域，特别涉及一种基于组合分类器的白内障眼底图像分类方法及分类装置。

背景技术

相关技术中，首先对白内障眼底图像进行预处理，在预处理后的眼底图像中提取了40个特征，包括1个亮度特征、24个灰度共生矩阵特征和15个灰度-梯度共生矩阵特征。分类器采用的是一个两层的BP神经网络。分类器的输入神经元个数是40个，隐含层神经元个数是10，输出层神经元个数是4个。最后分类的正确率达到了82.5％。

白内障眼底图像的分类主要包括预处理、特征提取和分类器三部分。在图像预处理阶段主要包括提取RGB彩色空间的G通道图像、改进的高低帽算法和三边滤波器处理三部分。经过预处理后的图像变得更清晰，也滤掉了大部分的噪声，更适合后续的特征提取。特征提取主要包含亮度特征和纹理特征提取,其中纹理特征提取包括灰度共生矩阵和灰度-梯度共生矩阵提取两部分。由于视神经盘是眼底图像中最亮的部分，并且它也是将白内障进行分类的一个重要标志，所以以此作为白内障分类的一个标准。纹理特征主要包含灰度共生矩阵特征和灰度-梯度共生矩阵两类。灰度共生矩阵表示的是图像主要的纹理信息，但它不包含图像的边缘信息；而灰度-梯度共生矩阵恰恰弥补了灰度共生矩阵的这个缺陷。分类器采用的是一个两层的BP(Back Propagation，神经网络)神经网络，包含输入层、隐含层和输出层。这里输入层的个数是40，输出层的个数是4，隐含层的个数根据实验结果调整为10，此时的实验效果比较好。

然而，相关技术虽然能对白内障眼底图像进行分类，但分类的正确率还不能达到满意的要求，在特征提取和分类方法方面还待进一步加强。

发明内容

本申请是基于发明人对以下问题的认识和发现作出的：

目前，每一位进行眼科检查的患者都要首先拍摄眼底照片，从而眼科医生可以通过眼底照片中眼底主要部位的清晰程度初步判断患者是否患有白内障及所患白内障疾病的严重程度。其中，当眼底图像中的视神经盘、大小血管均清晰可见的属于正常眼底；视神经盘模糊不清的属于重度白内障；大小血管不可见的属于中度白内障；仅小血管不可见的属于轻度白内障。

然而，现在的研究现状是医生凭经验看大量眼底图像并进行分类，而相应的做图像处理的计算机研究人员的工作更多的关注于图像本身的处理，很少有人基于专业医生看眼底图像的经验来做眼底图片的自动分级划分工作，而此项工作对具体应用和医学研究都有很大意义。一方面可以为医生减轻工作量，提高工作效率；另一方面可以对白内障术后恢复情况作很好地估计，患者和医生可以提前预知术后患者视力恢复状况。同时随着人口老龄化和人们对自身健康重视程度的增加，拍摄眼底照片人数也会相应地增加，未来会有更多的眼底图像需要进行分级，这种眼底图像数据库会逐渐地发展成为大数据，这种自动分级系统会大大减少人力资源，也会使工作效率有很大的提高。

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于组合分类器的白内障眼底图像分类方法，该方法可以提高分类的精确度，更好地满足对于正确率的使用要求。

本发明的另一个目的在于提出一种基于组合分类器的白内障眼底图像分类装置。