視網(wǎng)膜眼底圖像是人體所有的血管中唯一能夠以非創(chuàng)傷方式來直接觀察深層的血管。它的形態(tài)結(jié)構(gòu)變化可以直接反映白內(nèi)障、糖尿病、高血壓和動(dòng)脈硬化等病變,此外還可以作為判斷白內(nèi)障的重要依據(jù)。計(jì)算機(jī)的自動(dòng)眼底圖像處理與分析在輔助醫(yī)療診斷中有重要的價(jià)值,而且所提取的血管可以作為一種特征用于白內(nèi)障眼底圖像分類。現(xiàn)有視網(wǎng)膜血管分割算法但很容易受到模型參數(shù)的限制,調(diào)優(yōu)復(fù)雜并且與眼科專家的分割結(jié)果還存在一定的差距,有改善的空間。本文完成的主要工作如下:(1)對(duì)眼底圖像數(shù)據(jù)集進(jìn)行預(yù)處理。通過對(duì)眼底圖像進(jìn)行通道選擇來將其轉(zhuǎn)化為灰度圖像,并且使用圖像增強(qiáng)來突出血管脈絡(luò)的結(jié)構(gòu)特征來完成預(yù)處理工作。(2)使用支持向量機(jī)結(jié)合模糊C均值聚類對(duì)眼底圖像血管進(jìn)行提取,然后通過形態(tài)學(xué)處理以及閾值化等圖像處理技術(shù)來對(duì)眼底圖像血管進(jìn)行進(jìn)一步處理,以達(dá)到最終的提取到的血管的目的。(3)使用全卷積神經(jīng)網(wǎng)絡(luò)對(duì)眼底圖像血管。通過深度網(wǎng)絡(luò)來預(yù)測(cè)圖像中的像素點(diǎn),即將像素點(diǎn)分為血管背景兩類,從而實(shí)現(xiàn)眼底血管的提取。通過實(shí)驗(yàn)驗(yàn)證取得了良好效果,且此算法對(duì)于白內(nèi)障模糊圖像有較支持向量機(jī)更高的識(shí)別精度。通過實(shí)驗(yàn)驗(yàn)證,本文的兩種方法都取得了較好的效果,尤... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容與貢獻(xiàn)
    1.4 本文的組織結(jié)構(gòu)
第2章 機(jī)器學(xué)習(xí)及圖像處理相關(guān)理論與技術(shù)
    2.1 支持向量機(jī)
        2.1.1 函數(shù)間隔和幾何間隔
        2.1.2 核函數(shù)
    2.2 模糊C均值聚類
    2.3 數(shù)學(xué)形態(tài)學(xué)處理
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與原理
        2.4.2 全卷積神經(jīng)網(wǎng)絡(luò)
    2.5 本章小結(jié)
第3章 眼底數(shù)據(jù)集的預(yù)處理與模型評(píng)價(jià)指標(biāo)
    3.1 眼底圖像數(shù)據(jù)集
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 眼底圖像的數(shù)字表示
        3.2.2 通道選擇
        3.2.3 圖像增強(qiáng)
    3.3 模型性能評(píng)價(jià)標(biāo)準(zhǔn)
    3.4 本章小結(jié)
第4章 基于SVM的眼底圖像血管識(shí)別算法
    4.1 SVM初步分割血管
        4.1.1 基于FCM的訓(xùn)練樣本自動(dòng)選取算法
        4.1.2 提取特征向量
        4.1.3 算法流程
    4.2 眼底圖像的形態(tài)學(xué)操作及閾值化處理
        4.2.1 灰度取反與高帽濾波
        4.2.2 閾值化
    4.3 實(shí)驗(yàn)與結(jié)果分析
        4.3.1 實(shí)驗(yàn)環(huán)境
        4.3.2 實(shí)驗(yàn)設(shè)計(jì)
        4.3.3 實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
第5章 基于FCN的眼底圖像血管識(shí)別
    5.1 基于FCN的血管分割算法
        5.1.1 上采樣與patchwise訓(xùn)練
        5.1.2 FCN網(wǎng)絡(luò)結(jié)構(gòu)
        5.1.3 FCN網(wǎng)絡(luò)參數(shù)
    5.2 基于雙源融合FCN的血管提取
        5.2.1 算子提取邊緣信息
        5.2.2 雙源融合的FCN
    5.3 實(shí)驗(yàn)與結(jié)果分析
        5.3.1 實(shí)驗(yàn)設(shè)計(jì)與實(shí)現(xiàn)
        5.3.2 實(shí)驗(yàn)結(jié)果分析
    5.4 本章小結(jié)
結(jié)論
    本文總結(jié)
    工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度2D Gabor小波的視網(wǎng)膜血管自動(dòng)分割[J]. 王曉紅,趙于前,廖苗,鄒北驥.  自動(dòng)化學(xué)報(bào). 2015(05)
[2]一種采用Gabor小波的紋理特征提取方法[J]. 張剛,馬宗民.  中國(guó)圖象圖形學(xué)報(bào). 2010(02)
[3]圖像分割方法研究[J]. 黃長(zhǎng)專,王彪,楊忠.  計(jì)算機(jī)技術(shù)與發(fā)展. 2009(06)
[4]圖像分割綜述[J]. 趙春燕,閆長(zhǎng)青,時(shí)秀芳.  中國(guó)科技信息. 2009(01)
[5]改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)在圖像處理中的動(dòng)態(tài)行為分析[J]. 姚暢,陳后金,李居朋.  自動(dòng)化學(xué)報(bào). 2008(10)
[6]基于Gabor濾波器的圖像紋理特征提取[J]. 李鈺,孟祥萍.  長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(01)
[7]一種視網(wǎng)膜血管自適應(yīng)提取方法[J]. 潘立豐,王利生.  中國(guó)圖象圖形學(xué)報(bào). 2006(03)
[8]基于灰度-梯度共生矩陣的視網(wǎng)膜血管分割方法[J]. 朱宏擎.  上海交通大學(xué)學(xué)報(bào). 2004(09)
[9]基于視網(wǎng)膜血管模型的圖像分割與血管提取[J]. 張恒義,蔣黔麟,虞亞軍,鄭筱祥.  電子學(xué)報(bào). 1999(06)

博士論文
[1]視網(wǎng)膜血管異常及其與高血壓關(guān)系的流行病學(xué)研究[D]. 王爽.首都醫(yī)科大學(xué) 2007



本文編號(hào)：2941772