[发明专利]一种基于机器学习的白内障OCT图像修复方法及系统

权利要求书

1.一种基于机器学习的白内障OCT图像修复方法，其特征在于，所述方法包括以下步骤：

S100，用OCT扫描仪采集原图并判断图像质量是否符合标准；其中，当OCT干涉信号的信号强度大于预设信号强度时扫描得到的图像质量符合标准；

S200，将符合标准的图像保存为清晰样本，将白内障手术前后的OCT图像傅里叶变换到频域，之后比较两幅图像的差异，写出健康人的清晰眼底图变成白内障模糊图的频域处理算法，之后将健康人的OCT图像变换到频域进行算法处理，处理完成之后再进行傅里叶反变换生成白内障疾病模拟图作为数据集，组成成对的清晰对应模糊的训练数据集以及测试数据集；

S300，将得到的训练数据集训练改进的Pix2pix网络模型，每训练一次利用测试数据集测试一次模型，并将训练好的网络模型保存下来；

S400，利用多个白内障患者的术前术后图像组成验证数据集，将术前图像输入训练好的网络模型用于验证训练好的网络模型，得到白内障患者模糊OCT图像还原清晰的生成结果图；

S500，对比生成的结果图与术后的清晰图像的峰值信噪比得到结构相似性以及残差图；

在S200中，将白内障手术前后的OCT图像傅里叶变换到频域，之后比较两幅图像的差异，写出健康人的清晰眼底图变成白内障模糊图的频域处理算法，之后将健康人的OCT图像变换到频域进行算法处理，处理完成之后再进行傅里叶反变换生成白内障疾病模拟图作为数据集，包括以下步骤：

设图像尺寸为M×N的函数pixel(x,y)的DFT变换为：

其中，u＝0,1,2...,M-1,v＝0,1,2...,N-1；其中，j为虚数单位，M×N为图像的像素大小；u、v为频域自变量；P(u,v)指图像经过傅里叶变换后频域函数；pixel(x,y)表示图像像素值的函数，表示图像；

首先将图像从空间域根据式(1)变换到频域；

之后将图像低频部分移到频谱图的中心位置，然后令:

u∈(h_mid+n,h_mid-n),v∈(w_mid+n,w_mid-n),P(u,v)＝0

h_mid为图像1/2的高；w_mid为图像1/2的宽；P(u,v)是频域函数；

其中，n为观察频谱图后取得的经验值，u与v给出范围是指在该范围内随机生成k个随机值，k仍根据疾病的严重程度不同取经验值，完成了计算机模拟白内障图像随机滤掉部分低频，同理可得滤掉部分高频；

局部范围内打乱频谱，将频域数值换位置，达到打乱频谱的目的将(u+nn,v+nn)位置的值与(u，v)位置处的频谱值交换，即P(u,v)＝P_new(u+nn,v+nn)；

nn取随机值，nn的值根据计算机实际模拟情况决定，nn的取值范围(0,128)；

降低图像暗度；

降低图像暗度的方法为：获取图像亮度平均值，并设置图像亮度为亮度平均值的0.8倍；

将频谱高低频从中心位置移回到原位置，得到交换后的频谱值P_new(u,v)再做傅

里叶逆变换得到模拟的白内障OCT图像pixel(x,y)；

2.根据权利要求1所述的一种基于机器学习的白内障OCT图像修复方法，其特征在于，在S300中，所述Pix2pix网络模型是应用于有监督的图像到图像翻译的经典模型，由生成器和判别器两部分组成，图像到图像翻译就是基于一张输入图像得到想要的输出图像的过程，也可以看作图像与图像之间的一种映射，是指通过添加条件以及特征信息来指导图像生成，学习输入图像到输出图像之间的映射，利用损失函数，优化函数将生成的图像优化处理，从而得到指定的图像。