[发明专利]一种基于ELM的眼底图像视网膜血管分割方法

权利要求书

1.一种基于ELM的眼底图像视网膜血管分割方法，其特征在于，包括以下步骤：

步骤1：对训练集中已知标定结果的眼底图像中的每个像素点提取39维特征向量；

所述39维特征向量包括29维局部特征向量、1维Hessian矩阵图像特征、6维形态学特征以及3维梯度场特征；

所述29维局部特征向量包括1维灰度值特征、24维高斯尺度空间滤波特征以及4维LOG特征；

所述6维形态学特征是对眼底图像进行Bottom-Hat变换获得的6维特征；

所述3维梯度场特征包括2维梯度特征和1维散度特征；

所述2维梯度特征是通过计算每个像素梯度的模值和方向所获得的2维特征；

步骤2：从训练集中随机选取像素点，利用所选像素点的39维特征向量和像素点对应的标记分类结果训练ELM神经网络分类模型，获取ELM神经网络模型中输出权重β，确定ELM神经网络分类模型；

步骤3：将待分割的眼底图像按照步骤1的内容提取每个像素点的39维特征向量，并利用步骤2获得的ELM神经网络分类模型对每个像素点进行分类识别，完成眼底图像的分割。

2.根据权利要求1所述的方法，其特征在于，采用二维高斯滤波计算所述24维高斯尺度空间滤波特征以及4维LOG特征时所采用的尺度为

所述24维高斯尺度空间滤波特征是对眼底图像在4个不同尺度进行二维高斯滤波、二维高斯滤波的一阶偏导以及二维高斯滤波的二阶偏导处理得到。

3.根据权利要求1所述的方法，其特征在于，采用二阶高斯导数滤波获取1维Hessian矩阵图像特征时，所使用的尺度为

4.根据权利要求1-3任一项所述的方法，其特征在于，所述训练ELM神经网络分类模型的过程如下：

首先，输入训练数据；

所述输入的训练数据包括已知分类结果像素点的39维特征向量和像素点的标记分类结果；

其次，设置隐含层节点个数，利用像素点的分类预测结果作为ELM神经网络模型的输出数据，并随机初始化每个像素点的输入权重和隐含层节点的偏置；

最后，不断输入训练数据，当ELM神经网络模型的输出的像素点的分类预测结果与像素点的标记分类结果均为0时，获得ELM神经网络模型中隐含层中的输出权重β，完成ELM神经网络分类模型的训练。

5.根据权利要求4所述的方法，其特征在于，将步骤3获得的分割结果与掩膜进行与操作，得到与操作结果，对与操作结果图中去除小于20个像素点的区域，得到优化分割结果。