為了準(zhǔn)確檢測眼底圖像中的硬性滲出物,降低糖尿病性視網(wǎng)膜病變引起的失明,提出了一種基于IDA-RF的眼底硬性滲出物的檢測方法。對眼底圖像預(yù)處理,提取滲出物候選區(qū)域。利用k-means初始種群,與萬有引力搜索算法相結(jié)合,改變步長更新公式,提出一種改進(jìn)的蜻蜓算法（IDA）。IDA在尋優(yōu)過程中對隨機(jī)森林算法參數(shù)進(jìn)行優(yōu)化,并利用優(yōu)化后的隨機(jī)森林算法對滲出物候選區(qū)域分類,提取最終精確的硬性滲出物。該方法在公開的眼底圖像數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn),與RF、DA-RF、GSA-RF相比,準(zhǔn)確率達(dá)97.28%。實(shí)驗(yàn)表明,提出的方法能夠準(zhǔn)確檢測硬性滲出物且魯棒性能好。 

【文章來源】：計算機(jī)工程與應(yīng)用. 2019,55(19)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

可知，隨著迭代次數(shù)的增加，由于蜻蜓算法04080120160200迭代次數(shù)

惴ㄓ隦F、DA-RF、GSA-RF三種算法對比充分說明本文算法的有效性及魯棒性。5.1原始數(shù)據(jù)來源本文實(shí)驗(yàn)在Windows10操作系統(tǒng)，編程環(huán)境Mat-lab2014a的條件下進(jìn)行。采用DiaretDB1公共數(shù)據(jù)集對算法性能測試，數(shù)據(jù)庫DiaretDB1包含89幅分辨率為1500×1152像素的眼底圖像，其中包含47幅病變圖像及33幅棉絨斑圖像。5.2圖像預(yù)處理為了更便捷地對眼底圖像進(jìn)行一系列的預(yù)處理操作，首先將彩色眼底圖像轉(zhuǎn)換為灰度圖像，再提取感興趣區(qū)域（ROI）。但在提取過程中存在一些外界因素的干擾，于是將灰度圖像二值化，獲取感興趣區(qū)域。如圖3所示，分別為彩色圖像、灰度圖像及掩膜圖像。5.3硬性滲出物的粗提取一般情況，視盤在眼底圖像中呈現(xiàn)近似圓盤狀的亮黃色區(qū)域且和其他區(qū)域相比具有較高的對比度，因此為了有效避免視盤區(qū)域?qū)τ残詽B出物檢測造成干擾，有效地視盤定位及消除視盤至關(guān)重要。通過利用Hessian矩陣的frangi濾波提取主血管，k-means初始化種群，找出高亮區(qū)域最為密集的點(diǎn)即為視盤的位置，最終消除視盤，平均亮度最高的簇中所對應(yīng)的區(qū)域即為滲出物候選區(qū)域，具體步驟如下所示及所對應(yīng)的結(jié)果圖如圖4所示。（1）設(shè)置內(nèi)核坐標(biāo)為(x,y)及高斯函數(shù)的參數(shù)，同時將二值化眼底圖像與高斯二階偏導(dǎo)數(shù)相卷積，通過逐個元素相乘再求和分別得到x方向和y方向的圖像。由于二階偏導(dǎo)數(shù)對噪聲比較敏感，因此在建立Hessian矩陣前，分別對x方向和y方向卷積后的圖像進(jìn)行高斯平滑，目的是為了降低噪聲對Hessian矩陣的影響。再利用掩膜圖像掃描高斯平滑之后的x方向和y方向圖像中的每一個像素，根據(jù)x方向和y方向的二階偏導(dǎo)是否大于等于0檢測最終血管的位置。（2）迭代循環(huán)，目的是為了去除二值圖像中的血管，如圖4

于是將灰度圖像二值化，獲取感興趣區(qū)域。如圖3所示，分別為彩色圖像、灰度圖像及掩膜圖像。5.3硬性滲出物的粗提取一般情況，視盤在眼底圖像中呈現(xiàn)近似圓盤狀的亮黃色區(qū)域且和其他區(qū)域相比具有較高的對比度，因此為了有效避免視盤區(qū)域?qū)τ残詽B出物檢測造成干擾，有效地視盤定位及消除視盤至關(guān)重要。通過利用Hessian矩陣的frangi濾波提取主血管，k-means初始化種群，找出高亮區(qū)域最為密集的點(diǎn)即為視盤的位置，最終消除視盤，平均亮度最高的簇中所對應(yīng)的區(qū)域即為滲出物候選區(qū)域，具體步驟如下所示及所對應(yīng)的結(jié)果圖如圖4所示。（1）設(shè)置內(nèi)核坐標(biāo)為(x,y)及高斯函數(shù)的參數(shù)，同時將二值化眼底圖像與高斯二階偏導(dǎo)數(shù)相卷積，通過逐個元素相乘再求和分別得到x方向和y方向的圖像。由于二階偏導(dǎo)數(shù)對噪聲比較敏感，因此在建立Hessian矩陣前，分別對x方向和y方向卷積后的圖像進(jìn)行高斯平滑，目的是為了降低噪聲對Hessian矩陣的影響。再利用掩膜圖像掃描高斯平滑之后的x方向和y方向圖像中的每一個像素，根據(jù)x方向和y方向的二階偏導(dǎo)是否大于等于0檢測最終血管的位置。（2）迭代循環(huán)，目的是為了去除二值圖像中的血管，如圖4（a）所示。當(dāng)血管的亮度值大于等于設(shè)置的初始亮度數(shù)值時，保留亮度區(qū)域，如圖4（b）所示，針對本實(shí)驗(yàn)，初始值設(shè)置145，通過亮度區(qū)域來判斷眼底圖像是否發(fā)生病變。（3）利用Frangi濾波獲取主血管的位置。當(dāng)主血管區(qū)域的亮度值≥0.55時，保留高亮位置并標(biāo)記，如圖4（d）中的藍(lán)色所示。最后利用k-means設(shè)置聚類中心個數(shù)為8，如圖4（d）中的紅色標(biāo)記所示。此時高亮區(qū)域密集地默認(rèn)為視盤中心，去除視盤，如圖4（e）所示，同時，平均亮度最高的簇中數(shù)據(jù)所對應(yīng)的像素即為滲?

【參考文獻(xiàn)】：
期刊論文
[1]基于蜻蜓算法的甘蔗收獲機(jī)刀盤振動SVM預(yù)測模型[J]. 宋俊敏,李尚平,周永權(quán),鐘家勤.  農(nóng)機(jī)化研究. 2018(01)
[2]基于KPCA-LSSVM的健康檔案空腹血糖水平預(yù)測研究[J]. 江燕,帥仁俊,張姝,查代奉.  計算機(jī)工程與應(yīng)用. 2018(13)
[3]隨機(jī)森林在滾動軸承故障診斷中的應(yīng)用[J]. 張鈺,陳珺,王曉峰,劉飛,周文晶,王志國.  計算機(jī)工程與應(yīng)用. 2018(06)
[4]基于混沌萬有引力搜索算法的SVM參數(shù)優(yōu)化及應(yīng)用[J]. 龔安,呂倩,胡長軍,康忠健,李華昱.  計算機(jī)科學(xué). 2015(04)
[5]糖尿病視網(wǎng)膜病變的防治進(jìn)展[J]. 梁衛(wèi)強(qiáng),王麗聰.  中華臨床醫(yī)師雜志(電子版). 2014(09)
[6]糖尿病視網(wǎng)膜病變的國際臨床分類分析[J]. 陳喆,張士勝,朱惠敏.  國際眼科雜志. 2011(08)
[7]糖尿病視網(wǎng)膜病變發(fā)病機(jī)制和治療的研究進(jìn)展[J]. 任彥新,衛(wèi)玉彩.  臨床薈萃. 2006(17)



本文編號：3535517