【摘要】：為了進(jìn)行眼底疾病輔助診斷,提出一種基于多特征融合和隨機(jī)森林的視網(wǎng)膜血管分割方法.首先為彩色眼底圖中的每個(gè)像素點(diǎn)提取一個(gè)23維特征向量(包括圖像不變矩、灰度共生矩陣、LoG結(jié)合高斯二階導(dǎo)、梯度法、相位一致性和Hessian矩陣特征);然后選取一定數(shù)量的像素點(diǎn),提取其特征共同構(gòu)造一個(gè)特征矩陣作為輸入數(shù)據(jù),并采用隨機(jī)森林算法訓(xùn)練分類(lèi)器;再用訓(xùn)練好的分類(lèi)器對(duì)待分割圖像中的像素點(diǎn)進(jìn)行分類(lèi),判斷其是否為血管點(diǎn);最后在初步分割基礎(chǔ)上進(jìn)行基于連通區(qū)域補(bǔ)足血管的后處理,得到優(yōu)化后的血管分割結(jié)果.在DRIVE公共數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)的結(jié)果表明,該方法平均精確度達(dá)0.9606,平均靈敏度達(dá)0.7447,平均特異性達(dá)0.9838,比已有方法性能更優(yōu).
[Abstract]:A method of retinal vascular segmentation based on multi-feature fusion and random forest was proposed to assist the diagnosis of ocular fundus diseases. Firstly, a 23-dimensional eigenvector (including image moment invariant, grayscale co-occurrence matrix log and Gao Si second-order derivative, gradient method) is extracted for each pixel in the color fundus image. Phase consistency and Hessian matrix feature), and then select a certain number of pixels, extract the feature matrix to construct a feature matrix as input data, and use the random forest algorithm to train the classifier. Then the trained classifier is used to classify the pixel points in the segmented image to determine whether they are vascular points. Finally, on the basis of the initial segmentation, the post-processing based on the complementary vessels in the connected region is carried out, and the optimized segmentation results are obtained. The experimental results on DRIVE public database show that the average accuracy of the method is 0.9606, the average sensitivity is 0.7447, the average specificity is 0.9838, and the performance of this method is better than that of the existing methods.
【作者單位】： 中南大學(xué)文學(xué)與新聞傳播學(xué)院;移動(dòng)醫(yī)療教育部-中國(guó)移動(dòng)聯(lián)合實(shí)驗(yàn)室;中南大學(xué)信息科學(xué)與工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61573380,61562029)
【分類(lèi)號(hào)】：R770.4;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 譚利;李彬;田聯(lián)房;王立非;陳萍;;基于多特征融合跟蹤的微小肺結(jié)節(jié)識(shí)別算法[J];生物醫(yī)學(xué)工程學(xué)雜志;2011年03期

相關(guān)會(huì)議論文 前3條

1 葉鋒;蔡光東;鄭子華;亓?xí)孕?尹鵬;;基于多特征融合的藥用植物標(biāo)本識(shí)別[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

2 段其昌;季長(zhǎng)有;;基于多特征融合的快速人臉檢測(cè)[A];第十七屆全國(guó)測(cè)控計(jì)量?jī)x器儀表學(xué)術(shù)年會(huì)（MCMI'2007）論文集（上冊(cè)）[C];2007年

3 李玉峰;鄭德權(quán);趙鐵軍;;基于SVM和多特征融合的圖像分類(lèi)[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

相關(guān)博士學(xué)位論文 前5條

1 劉明華;復(fù)雜環(huán)境下基于多特征融合的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];青島科技大學(xué);2016年

2 田綱;基于多特征融合的Mean shift目標(biāo)跟蹤技術(shù)研究[D];武漢大學(xué);2011年

3 徐志剛;基于多特征融合的路面破損圖像自動(dòng)識(shí)別技術(shù)研究[D];長(zhǎng)安大學(xué);2012年

4 陳秀新;多特征融合視頻復(fù)制檢測(cè)關(guān)鍵技術(shù)研究[D];北京工業(yè)大學(xué);2013年

5 初紅霞;基于均值移動(dòng)和粒子濾波的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 張巖;基于多特征融合及二部圖匹配的3D目標(biāo)檢索技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 計(jì)明明;基于多特征融合的三維模型檢索技術(shù)[D];浙江大學(xué);2015年

3 王慶;基于多特征融合的人體動(dòng)作識(shí)別方法研究[D];上海大學(xué);2015年

4 劉婕;復(fù)雜場(chǎng)景多特征融合粒子濾波目標(biāo)跟蹤[D];重慶理工大學(xué);2015年

5 崔劍;基于多特征融合的分級(jí)行人檢測(cè)方法研究[D];電子科技大學(xué);2015年

6 王珊珊;基于極化SAR非監(jiān)督分類(lèi)的油膜厚度估算方法研究[D];大連海事大學(xué);2015年

7 肖冠;基于多特征融合的異類(lèi)傳感器中段目標(biāo)關(guān)聯(lián)算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

8 王建榮;基于多特征融合的無(wú)人機(jī)航拍圖像識(shí)別研究[D];成都理工大學(xué);2015年

9 高爽;基于多特征融合的粒子濾波跟蹤算法研究[D];西安電子科技大學(xué);2014年

10 坎啟嬌;基于多特征融合的多目標(biāo)跟蹤算法[D];河北工業(yè)大學(xué);2015年

，

本文編號(hào)：2180724