论文部分内容阅读
视神经盘是眼底图像最重要的解剖结构特征之一，视神经盘的检测不仅有利于眼底图像血管、黄斑等解剖结构的自动定位，还能辅助渗出物、微血管动脉瘤等病变区域的定位工作。
针对糖尿病性视网膜病变图像中病变影响视神经盘定位的问题，本文在对当前国内外视神经盘定位和分割的研究现状及主流算法缺陷进行分析的基础上，总结出一套基于视觉显著性检测的视神经盘检测算法框架。该算法使用视觉显著性检测技术进行视神经盘候选区域的提取;之后，通过分析眼底图像的血管结构特征，确定视神经盘区域;最后，对视神经盘轮廓进行分割。在各步的实现过程中，本文进行了如下工作:
在视神经盘候选区域的提取阶段，本文提出了一种基于图论的视觉显著性检测方法。该方法对眼底图像进行多尺度降采样计算，建立基于颜色、亮度、纹理方向的三个特征金字塔模型;在每个特征金字塔中每一层构建马尔可夫矩阵并计算特征图，随后对各个特征图进行融合，得到视神经盘候选区域的显著性概率图;最后，基于ROI自动检测器得到最终的视神经盘候选区域。
在视神经盘候选区域的筛选阶段，本文主要基于形态学高帽变换进行血管分割，通过PCA方法对原图像进行降维重建，继而采用基于CLAHE的背景消除算法和Otsu阈值分割算法获得血管分割图像。之后，通过统计各个候选区域的垂直血管数量，确定视神经盘最终区域。
在视神经盘区域的精确分割阶段，本文将Hough变换与Grow-cut方法相结合，对视神经盘轮廓进行初步分割并以其为初始轮廓线，分别使用GVF模型和气球力模型对视神经盘轮廓进行进一步校准。对比实验表明，采用Grow-cut与GVF模型相结合的分割方法效果更好。本文方法的视神经盘区域提取结果准确度高，且对带有复杂病变干扰的眼底图像处理效果稳定。
针对糖尿病性视网膜病变图像中病变影响视神经盘定位的问题，本文在对当前国内外视神经盘定位和分割的研究现状及主流算法缺陷进行分析的基础上，总结出一套基于视觉显著性检测的视神经盘检测算法框架。该算法使用视觉显著性检测技术进行视神经盘候选区域的提取;之后，通过分析眼底图像的血管结构特征，确定视神经盘区域;最后，对视神经盘轮廓进行分割。在各步的实现过程中，本文进行了如下工作:
在视神经盘候选区域的提取阶段，本文提出了一种基于图论的视觉显著性检测方法。该方法对眼底图像进行多尺度降采样计算，建立基于颜色、亮度、纹理方向的三个特征金字塔模型;在每个特征金字塔中每一层构建马尔可夫矩阵并计算特征图，随后对各个特征图进行融合，得到视神经盘候选区域的显著性概率图;最后，基于ROI自动检测器得到最终的视神经盘候选区域。
在视神经盘候选区域的筛选阶段，本文主要基于形态学高帽变换进行血管分割，通过PCA方法对原图像进行降维重建，继而采用基于CLAHE的背景消除算法和Otsu阈值分割算法获得血管分割图像。之后，通过统计各个候选区域的垂直血管数量，确定视神经盘最终区域。
在视神经盘区域的精确分割阶段，本文将Hough变换与Grow-cut方法相结合，对视神经盘轮廓进行初步分割并以其为初始轮廓线，分别使用GVF模型和气球力模型对视神经盘轮廓进行进一步校准。对比实验表明，采用Grow-cut与GVF模型相结合的分割方法效果更好。本文方法的视神经盘区域提取结果准确度高，且对带有复杂病变干扰的眼底图像处理效果稳定。