[发明专利]基于机器学习双区域轮廓演化模型的视盘和视杯分割方法

权利要求书

1.一种基于机器学习双区域轮廓演化模型的视盘和视杯分割方法，其特征在于依次按照如下步骤进行：

步骤1：对视网膜图像进行预处理

步骤1.1按照公式(1)提取视网膜图像亮度通道L，

式中，max和min分别为通道R、G和B的最大值和最小值；

步骤1.2：在亮度通道L上进行形态学处理；

步骤1.3：按照公式(2)的高斯核卷积算法对视网膜图像亮度通道L进行处理：

式中：

所述ρ是宽度参数，x和y分别是图像中像素点的水平坐标和垂直坐标，Λ(x,y)是经过形态处理的图像矩阵；n*n是高斯核函数的窗口大小；

步骤2：构造基于机器学习的边缘引导模型

步骤2.1：通过手动标记图像中视盘和视杯中的任意位置，建立参考区域；

步骤2.2：将参考区域定义为训练样本或标签，构造机器学习训练模型得到概率矩阵ω；

步骤2.3：通过概率矩阵ω得到视盘和视杯的近似区域，并按照公式(4)计算对应的概率值：

式中τ代表disc或cup；K_τ表示视盘或视杯的区域，K_total表示整幅图像的区域；i，j为所对应图像区域的索引值；

步骤2.4：根据概率值构造模糊决策向量μ如公式(5)所示：

步骤2.5：获得基于模糊决策向量θ_τ∈[0,1]的边缘引导模型如公式(6)所示：

步骤3：构造分割视盘和视杯的双区域活动轮廓能量函数

步骤3.1：根据视盘和视杯的参考区域建立视盘或视杯的初始轮廓，在初始轮廓所限定的区域内分别提取了视盘和视杯的强度、区域以及边缘三种特征；

步骤3.2:构建视盘或视杯的演化曲线如公式(7)所示：

其中是视盘或视杯的水平集函数，σ是人为设定的时间变量；

步骤3.3：根据提取的视盘或视杯的强度、区域和边缘特征，得到相应的能量函数的定义如下：

其中ξ_p是通过势函数ξ_p(κ)＝p'(κ)/κ导出；δ_ε是近似的狄拉克函数；α,β,λ是常数；

步骤4.用得到的边缘引导模型θ_τ(μ)和能量函数E_τ进行演化曲线的控制，得到双区域活动轮廓演化模型如公式(9)所示：

F_τ＝θ_τ(μ)E_τ                           (9)

通过双区域活动轮廓演化模型F_τ的推动，双区域轮廓开始演化，直至F_τ＝0时，演化停止，得到视盘和视杯区域。