本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體而言，涉及一種視網(wǎng)膜病變的眼底圖像分類方法和裝置。

背景技術(shù)：

眼部疾病患者在進(jìn)行眼科檢查之前，均需要拍攝其眼底照片，然后，眼科醫(yī)生通過人工查看和分析眼底照片中眼底的主要部位的清晰程度，并由此初步判斷患者是否患有DR(Diabetic Retinopathy，糖尿病視網(wǎng)膜病)以及所患DR的嚴(yán)重程度。

具體的，眼科醫(yī)生獲取患者的大量的眼底照片圖像并對上述大量的眼底照片圖像進(jìn)行查看，然后憑借個(gè)人經(jīng)驗(yàn)對上述眼底照片圖像進(jìn)行分析，以對上述眼底照片圖像進(jìn)行分類，最后根據(jù)上述分類情況判斷患者是否患有DR(Diabetic Retinopathy，糖尿病視網(wǎng)膜病)以及所患DR的嚴(yán)重程度。

但是，上述診斷方法中，需要人工對大量的眼底照片圖像進(jìn)行分類處理，使得醫(yī)生的工作量較大且對上述診斷方法對醫(yī)生的醫(yī)資水平要求較高。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明實(shí)施例的目的在于提供一種視網(wǎng)膜病變的眼底圖像分類方法和裝置，能夠提高對眼部檢測患者的眼底圖像進(jìn)行分類的精確度。

第一方面，本發(fā)明實(shí)施例提供了一種視網(wǎng)膜病變的眼底圖像分類方法，所述方法包括：

獲取眼部檢測患者的眼底圖像；

對所述眼底圖像進(jìn)行預(yù)處理，得到所述眼底圖像對應(yīng)的灰度眼底圖像；

提取所述灰度眼底圖像中的預(yù)設(shè)圖像特征；所述預(yù)設(shè)圖像特征至少包括以下特征中的一種或多種：小波特征和紋理特征；

根據(jù)所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型對所述預(yù)設(shè)圖像特征進(jìn)行分析處理，得到對應(yīng)的所述眼底圖像的分類結(jié)果。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第一種可能的實(shí)施方式，其中，所述對所述眼底圖像進(jìn)行預(yù)處理，得到所述眼底圖像對應(yīng)的灰度眼底圖像，包括：

提取所述眼底圖像的RGB彩色空間中的G通道圖像；

通過高低帽算法對所述G通道圖像進(jìn)行計(jì)算處理，得到目標(biāo)物體與背景對比度較高的G通道圖像，和/或，對所述G通道圖像進(jìn)行局部直方圖均衡化處理，得到目標(biāo)物體與背景對比度較高的G通道圖像；

對所述目標(biāo)物體與背景對比度較高的G通道圖像進(jìn)行分割處理，提取選定目標(biāo)物體的目標(biāo)圖像。

結(jié)合第一方面的第一種可能的實(shí)施方式，本發(fā)明實(shí)施例提供了第一方面的第二種可能的實(shí)施方式，其中，所述提取所述灰度眼底圖像中的預(yù)設(shè)圖像特征，包括：

對所述目標(biāo)圖像進(jìn)行小波變換處理，得到小波特征；

和/或，

對所述目標(biāo)圖像進(jìn)行紋理分析處理，提取所述目標(biāo)圖像中的紋理特征；所述紋理特征包括：亮度特征、灰度共生矩陣和中值游程矩陣。

結(jié)合第一方面的第二種可能的實(shí)施方式，本發(fā)明實(shí)施例提供了第一方面的第三種可能的實(shí)施方式，其中，所述根據(jù)所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型對所述預(yù)設(shè)圖像特征進(jìn)行分析處理，得到對應(yīng)的所述眼底圖像的分類結(jié)果，包括：

提取所述預(yù)設(shè)圖像特征中的所有特征向量；

獲取所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型中各個(gè)特征向量對應(yīng)的權(quán)重系數(shù)；

對所述所有特征向量及各個(gè)特征向量對應(yīng)的權(quán)重系數(shù)進(jìn)行計(jì)算，并將計(jì)算結(jié)果所在閾值范圍對應(yīng)的分類結(jié)果作為所述眼底圖像的分類結(jié)果。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第四種可能的實(shí)施方式，其中，所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型是根據(jù)如下方法生成的：

選取含有預(yù)設(shè)類型的眼底圖像作為訓(xùn)練樣本；所述預(yù)設(shè)類型包括：正常人眼底圖像、增殖型糖尿病性視網(wǎng)膜病變PDR眼底圖像和非增值型糖尿病視網(wǎng)膜病變NPDR眼底圖像；

通過支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)對所述訓(xùn)練樣本進(jìn)行訓(xùn)練計(jì)算，建立眼底圖像的糖尿病視網(wǎng)膜病變分類模型。

第二方面，本發(fā)明實(shí)施例還提供了一種視網(wǎng)膜病變的眼底圖像分類裝置，所述裝置包括：

獲取模塊，用于獲取眼部檢測患者的眼底圖像；

預(yù)處理模塊，用于對所述眼底圖像進(jìn)行預(yù)處理，得到所述眼底圖像對應(yīng)的灰度眼底圖像；

提取模塊，用于提取所述灰度眼底圖像中的預(yù)設(shè)圖像特征；所述預(yù)設(shè)圖像特征至少包括以下特征中的一種或多種：小波特征和紋理特征；

分析處理模塊，用于根據(jù)所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型對所述預(yù)設(shè)圖像特征進(jìn)行分析處理，得到對應(yīng)的所述眼底圖像的分類結(jié)果。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第一種可能的實(shí)施方式，其中，所述預(yù)處理模塊，包括：

第一提取單元，用于提取所述眼底圖像的RGB彩色空間中的G通道圖像；

高低帽算法計(jì)算單元，用于通過高低帽算法對所述G通道圖像進(jìn)行計(jì)算處理，得到目標(biāo)物體與背景對比度較高的G通道圖像；和/或，局部直方圖均衡化處理單元，用于對所述G通道圖像進(jìn)行局部直方圖均衡化處理，得到目標(biāo)物體與背景對比度較高的G通道圖像；

分割處理單元，用于對所述目標(biāo)物體與背景對比度較高的G通道圖像進(jìn)行分割處理，提取選定目標(biāo)物體的目標(biāo)圖像。

結(jié)合第二方面的第一種可能的實(shí)施方式，本發(fā)明實(shí)施例提供了第二方面的第二種可能的實(shí)施方式，其中，所述提取模塊，包括：

小波變換處理單元，用于對所述目標(biāo)圖像進(jìn)行小波變換處理，得到小波特征；

第二提取單元，用于對所述目標(biāo)圖像進(jìn)行紋理分析處理，提取所述目標(biāo)圖像中的紋理特征；所述紋理特征包括：亮度特征、灰度共生矩陣和中值游程矩陣。

結(jié)合第二方面的第二種可能的實(shí)施方式，本發(fā)明實(shí)施例提供了第二方面的第三種可能的實(shí)施方式，其中，所述分析處理模塊，包括：

第三提取單元，用于提取所述預(yù)設(shè)圖像特征中的所有特征向量；

獲取單元，用于獲取所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型中各個(gè)特征向量對應(yīng)的權(quán)重系數(shù)；

計(jì)算單元，用于對所述所有特征向量及各個(gè)特征向量對應(yīng)的權(quán)重系數(shù)進(jìn)行計(jì)算，并將計(jì)算結(jié)果所在閾值范圍對應(yīng)的分類結(jié)果作為所述眼底圖像的分類結(jié)果。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第四種可能的實(shí)施方式，其中，所述視網(wǎng)膜病變的眼底圖像分類裝置，還包括：

樣本選取模塊，用于選取含有預(yù)設(shè)類型的眼底圖像作為訓(xùn)練樣本；所述預(yù)設(shè)類型包括：正常人眼底圖像、增殖型糖尿病性視網(wǎng)膜病變PDR眼底圖像和非增值型糖尿病視網(wǎng)膜病變NPDR眼底圖像；

模型訓(xùn)練模塊，用于通過支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)對所述訓(xùn)練樣本進(jìn)行訓(xùn)練計(jì)算，建立眼底圖像的糖尿病視網(wǎng)膜病變分類模型。

本發(fā)明實(shí)施例提供的一種視網(wǎng)膜病變的眼底圖像分類方法和裝置，包括：獲取眼部檢測患者的眼底圖像；對上述眼底圖像進(jìn)行預(yù)處理，得到對應(yīng)的灰度眼底圖像；提取該灰度眼底圖像中的預(yù)設(shè)圖像特征；根據(jù)眼底圖像的糖尿病視網(wǎng)膜病變分類模型對上述預(yù)設(shè)圖像特征進(jìn)行分析處理，得到對應(yīng)的眼底圖像的分類結(jié)果，與現(xiàn)有技術(shù)中的診斷方法，需要人工對大量的眼底照片圖像進(jìn)行分類處理，使得醫(yī)生的工作量較大相比，其通過從預(yù)處理的灰度眼底圖像中提取預(yù)設(shè)圖像特征，并通過根據(jù)支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)建立的糖尿病視網(wǎng)膜病變分類模型對上述預(yù)設(shè)圖像特征進(jìn)行預(yù)測分類，以獲取最終分類結(jié)果；上述整個(gè)過程無需人工參與，減少了醫(yī)生的工作量，降低了對醫(yī)生的醫(yī)資水平的高標(biāo)準(zhǔn)要求，且提高了分類的精確度，對具體應(yīng)用和醫(yī)學(xué)研究都有很大意義。

為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說明如下。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對實(shí)施例中所需要使用的附圖作簡單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實(shí)施例，因此不應(yīng)被看作是對范圍的限定，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1示出了本發(fā)明實(shí)施例所提供的一種視網(wǎng)膜病變的眼底圖像分類方法的流程圖；

圖2示出了本發(fā)明實(shí)施例中眼底圖像的示意圖；

圖3示出了對所述眼底圖像進(jìn)行預(yù)處理，得到所述眼底圖像對應(yīng)的灰度眼底圖像的流程圖；

圖4示出了根據(jù)所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型對所述預(yù)設(shè)圖像特征進(jìn)行分析處理，得到對應(yīng)的所述眼底圖像的分類結(jié)果的流程圖；

圖5示出了本發(fā)明實(shí)施例所提供的一種視網(wǎng)膜病變的眼底圖像分類裝置的結(jié)構(gòu)示意圖；

圖6示出了本發(fā)明實(shí)施例所提供的一種視網(wǎng)膜病變的眼底圖像分類裝置中分析處理模塊的結(jié)構(gòu)示意圖；

圖7示出了本發(fā)明實(shí)施例所提供的另一種視網(wǎng)膜病變的眼底圖像分類裝置的結(jié)構(gòu)示意圖。

主要標(biāo)號(hào)說明：

10、獲取模塊；20、預(yù)處理模塊；30、提取模塊；40、分析處理模塊；50、樣本選取模塊；60、模型訓(xùn)練模塊；401、第三提取單元；402、獲取單元；403、計(jì)算單元。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。通常在此處附圖中描述和示出的本發(fā)明實(shí)施例的組件可以以各種不同的配置來布置和設(shè)計(jì)。因此，以下對在附圖中提供的本發(fā)明的實(shí)施例的詳細(xì)描述并非旨在限制要求保護(hù)的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實(shí)施例。基于本發(fā)明的實(shí)施例，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

目前，眼科醫(yī)生在眼科檢查時(shí)，均需要獲取患者的大量的眼底照片圖像并對上述大量的眼底照片圖像進(jìn)行查看，然后憑借個(gè)人經(jīng)驗(yàn)對上述眼底照片圖像進(jìn)行分析，以對上述眼底照片圖像進(jìn)行分類，最后根據(jù)上述分類情況判斷患者是否患有DR(Diabetic Retinopathy，糖尿病視網(wǎng)膜病)以及所患DR的嚴(yán)重程度。

而基于計(jì)算機(jī)的眼科檢查方法，對于每一類而相應(yīng)的做圖像處理的計(jì)算機(jī)研究人員而言，其工作重點(diǎn)在于關(guān)注于圖像本身的處理，很少有人基于專業(yè)醫(yī)生看眼底圖像的經(jīng)驗(yàn)來做眼底圖像的診斷分級劃分工作，而基于專業(yè)醫(yī)生看眼底圖像的經(jīng)驗(yàn)來做眼底圖片的診斷分級劃分工作對具體應(yīng)用和醫(yī)學(xué)研究都有很大意義。

考慮到上述診斷方法中，需要人工對大量的眼底圖像進(jìn)行分類處理，使得醫(yī)生的工作量較大且對上述診斷方法對醫(yī)生的醫(yī)資水平要求較高的問題。基于此，本發(fā)明實(shí)施例提供了一種視網(wǎng)膜病變的眼底圖像分類方法和裝置，其是基于計(jì)算機(jī)對眼部患者的眼底圖像進(jìn)行分類，一方面可以為醫(yī)生減輕工作量，提高工作效率；另一方面可以對DR恢復(fù)狀況情況做估計(jì)，患者和醫(yī)生可以提前預(yù)知術(shù)后患者視力恢復(fù)狀況。

目前，隨著人口老齡化和人們對自身健康重視程度的增加，拍攝眼底圖像人數(shù)也會(huì)相應(yīng)地增加，未來會(huì)有更多的眼底圖像需要進(jìn)行分級，這種眼底圖像數(shù)據(jù)庫會(huì)逐漸地發(fā)展成為大數(shù)據(jù)，這種自動(dòng)分級系統(tǒng)會(huì)大大減少人力資源，也會(huì)使工作效率有很大的提高。

下面通過實(shí)施例對本發(fā)明實(shí)施例提供的視網(wǎng)膜病變的眼底圖像分類方法和裝置進(jìn)行描述。

參考圖1，本發(fā)明實(shí)施例提供了一種視網(wǎng)膜病變的眼底圖像分類方法，所述方法包括：

S101、獲取眼部檢測患者的眼底圖像。

本發(fā)明實(shí)施例中，可以通過醫(yī)學(xué)眼部專用攝像機(jī)拍攝眼部檢測患者(以下簡稱患者)的眼底圖像；具體的，患者可到專業(yè)的拍攝地點(diǎn)(如醫(yī)院)，并在工作人員的安排下，拍攝對應(yīng)的眼底圖像。

對于每個(gè)眼部檢測患者，可以對患者的兩只眼睛都進(jìn)行檢查，對應(yīng)的，需要分別獲取眼部檢測患者的左眼和右眼分別對應(yīng)的眼底圖像；也可以對患者的任意一只眼睛進(jìn)行檢查，對應(yīng)的，獲取患者的待檢查的眼睛對應(yīng)的檢查的該只眼睛對應(yīng)的眼底圖像即可，參考圖2，圖2示出了本發(fā)明實(shí)施例所述的眼底圖像的示意圖。

本發(fā)明實(shí)施例中，在對眼底圖像進(jìn)行分類的過程中，待檢查的每只眼睛的眼底圖像可以為一張，也可以為多張；若為多張，則將多數(shù)得到的分類結(jié)果作為最終的分類結(jié)果。

S102、對所述眼底圖像進(jìn)行預(yù)處理，得到所述眼底圖像對應(yīng)的灰度眼底圖像。

具體的，步驟101中獲取的眼底圖像是彩色圖像，其包括三個(gè)通道，本發(fā)明實(shí)施例通過對該彩色圖形進(jìn)行預(yù)處理，進(jìn)而選擇其中的灰色圖像的部分，即選擇其中的G通道圖像，目的是為了后續(xù)較好的提取預(yù)設(shè)圖像特征。

S103、提取所述灰度眼底圖像中的預(yù)設(shè)圖像特征；所述預(yù)設(shè)圖像特征至少包括以下特征中的一種或多種：小波特征和紋理特征。

其中，上述具體的紋理特征是包括1個(gè)亮度特征、14個(gè)灰度共生矩陣特征和4個(gè)中值游程矩陣特征。

S104、根據(jù)所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型對所述預(yù)設(shè)圖像特征進(jìn)行分析處理，得到對應(yīng)的所述眼底圖像的分類結(jié)果。

本發(fā)明實(shí)施例中，上述眼底圖像的糖尿病視網(wǎng)膜病變分類模型是根據(jù)如下方法生成的：

選取含有預(yù)設(shè)類型的眼底圖像作為訓(xùn)練樣本；上述訓(xùn)練樣本的預(yù)設(shè)類型包括：正常人眼底圖像、PDR(Physician’s Desk Reference，增殖型糖尿病性視網(wǎng)膜病變)眼底圖像和NPDR(Nonproliferative Diabetic Retinopathy，非增殖型糖尿病性視網(wǎng)膜病)眼底圖像；然后，通過支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)對上述訓(xùn)練樣本進(jìn)行訓(xùn)練計(jì)算，建立眼底圖像的糖尿病視網(wǎng)膜病變分類模型。

然后，根據(jù)建立的上述眼底圖像的糖尿病視網(wǎng)膜病變分類模型對提取的預(yù)設(shè)圖像特征進(jìn)行預(yù)測分類，以獲取對應(yīng)的預(yù)測分類結(jié)果，其中，預(yù)測分類結(jié)果包括：正常、PDR和NPDR。其中，在根據(jù)糖尿病視網(wǎng)膜病變分類模型對提取的預(yù)設(shè)圖像特征進(jìn)行預(yù)測分類的過程包括：通過糖尿病視網(wǎng)膜病變分類模型中的組合分類器對三種預(yù)測分類結(jié)果進(jìn)行投票分類，將采用組合分類器的投票數(shù)最多的分類結(jié)果作為該眼底圖像最終對應(yīng)的分類結(jié)果，以確定眼底圖像的類別。

本發(fā)明實(shí)施例提供的一種視網(wǎng)膜病變的眼底圖像分類方法，與現(xiàn)有技術(shù)中的診斷方法，需要人工對大量的眼底照片圖像進(jìn)行分類處理，使得醫(yī)生的工作量較大相比，其通過從預(yù)處理的灰度眼底圖像中提取預(yù)設(shè)圖像特征，并通過根據(jù)支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)建立的糖尿病視網(wǎng)膜病變分類模型對上述預(yù)設(shè)圖像特征進(jìn)行預(yù)測分類，以獲取最終分類結(jié)果；上述整個(gè)過程無需人工參與，減少了醫(yī)生的工作量，降低了對醫(yī)生的醫(yī)資水平的高標(biāo)準(zhǔn)要求，且提高了分類的精確度，對具體應(yīng)用和醫(yī)學(xué)研究都有很大意義。

具體的，獲取的眼底圖像是彩色圖像，其包括RGB彩色空間，而該RGB彩色空間通常包括三個(gè)通道，本發(fā)明實(shí)施例中，選取其中的G通道圖像，該G通道圖像為眼底圖像的灰度眼底圖像；對應(yīng)的，參考圖3，本發(fā)明實(shí)施例中，上述步驟102中，對所述眼底圖像進(jìn)行預(yù)處理，得到所述眼底圖像對應(yīng)的灰度眼底圖像，包括：

S201、提取所述眼底圖像的RGB彩色空間中的G通道圖像；

S202、通過高低帽算法對所述G通道圖像進(jìn)行計(jì)算處理，得到目標(biāo)物體與背景對比度較高的G通道圖像，和/或，對所述G通道圖像進(jìn)行局部直方圖均衡化處理，得到目標(biāo)物體與背景對比度較高的G通道圖像；

S203、對所述目標(biāo)物體與背景對比度較高的G通道圖像進(jìn)行分割處理，提取選定目標(biāo)物體的目標(biāo)圖像。

結(jié)合步驟201～步驟203，本發(fā)明實(shí)施例中選取RGB彩色空間中的G通道圖像，目的是為了后續(xù)從G通道圖像中提取預(yù)設(shè)圖像特征并根據(jù)該預(yù)設(shè)圖像特征對獲取的眼底圖形進(jìn)行分類。

而對G通道圖像進(jìn)行局部直方圖均衡化處理，或者通過高低帽算法對所述G通道圖像進(jìn)行計(jì)算處理的目的均是為了增加G通道圖像中的背景和目標(biāo)物體的對比度，以便分割出其中的選定目標(biāo)物體，便于更好的提取該目標(biāo)物體的預(yù)設(shè)圖像特征；其中，灰度眼底圖像中的目標(biāo)物體可以有多個(gè)，如眼部血管、眼部黃斑等；上述分割選定目標(biāo)物體可以是上述任意一個(gè)或多個(gè)目標(biāo)物體，也可以是所有的目標(biāo)物體。

而本發(fā)明實(shí)施例中，可以單獨(dú)通過高低帽算法對所述G通道圖像進(jìn)行計(jì)算，也可以單獨(dú)對G通道圖像進(jìn)行局部直方圖均衡化處理；也可以，首先對G通道圖像進(jìn)行局部直方圖均衡化處理，然后在通過高低帽算法對均衡化處理結(jié)果在進(jìn)行計(jì)算處理，然后在對計(jì)算結(jié)果進(jìn)行局部直方圖均衡化處理；還可以，首先通過高低帽算法對G通道圖像進(jìn)行計(jì)算處理，然后在對計(jì)算處理結(jié)果進(jìn)行局部直方圖均衡化處理。

在根據(jù)上述任意一種方式得到目標(biāo)物體與背景對比度較高的G通道圖像后，對得到的G通道圖像進(jìn)行分割處理，提取感興趣的目標(biāo)物體的目標(biāo)圖像，如血管等。

本發(fā)明實(shí)施例中，是根據(jù)灰度眼底圖像中的預(yù)設(shè)圖像特征對該灰度眼底圖像進(jìn)行分類，以確定患者的眼部情況；對應(yīng)的，本發(fā)明實(shí)施例中，上述步驟103中，提取所述灰度眼底圖像中的預(yù)設(shè)圖像特征，包括：

對所述目標(biāo)圖像進(jìn)行小波變換處理，得到小波特征；和/或，對所述目標(biāo)圖像進(jìn)行紋理分析處理，提取所述目標(biāo)圖像中的紋理特征；所述紋理特征包括：亮度特征、灰度共生矩陣和中值游程矩陣。

本發(fā)明實(shí)施例中，通過雙樹復(fù)小波變換方法對目標(biāo)圖像進(jìn)行小波變換處理，由于不同類別的眼底圖像經(jīng)過雙樹復(fù)小波變換后的系數(shù)分布不同，因此，該雙樹復(fù)小波變換方法可以用來作為特征用于分類眼底圖像。

在本發(fā)明實(shí)施例中，對預(yù)處理后的G通道圖像進(jìn)行分析，使用兩種不同的方法提取該G通道圖像的預(yù)設(shè)圖像特征：

第一，對所述目標(biāo)圖像進(jìn)行小波變換處理，得到小波特征：

在圖像預(yù)處理階段提取RGB彩色空間中的G通道圖像，然后通過高低帽算法對所述G通道圖像進(jìn)行計(jì)算處理，得到目標(biāo)物體與背景對比度較高的G通道圖像，和/或，對G通道圖像進(jìn)行局部直方圖均衡化處理操作，對得到的目標(biāo)物體與背景對比度較高的G通道圖像進(jìn)行分割處理，提取選定目標(biāo)物體的目標(biāo)圖像，然后使用雙樹復(fù)小波變換方法對預(yù)處理后的目標(biāo)圖像進(jìn)行小波變換處理，得到小波特征。由于不同類別的眼底圖像進(jìn)過雙樹復(fù)小波變換后的系數(shù)分布不同，因此，上述雙樹復(fù)小波變換方法可以用來作為特征用于分類眼底圖像。

第二，對所述目標(biāo)圖像進(jìn)行紋理分析處理，提取所述目標(biāo)圖像中的紋理特征：

在圖像預(yù)處理階段主要包括提取RGB彩色空間中的G通道圖像以及對G通道圖像采用改進(jìn)的高低帽算法進(jìn)行處理，和/或，對G通道圖像進(jìn)行局部直方圖均衡化處理操作，得到目標(biāo)物體與背景對比度較高的G通道圖像，對得到的目標(biāo)物體與背景對比度較高的G通道圖像進(jìn)行分割處理，提取選定目標(biāo)物體的目標(biāo)圖像，利用紋理分析的方法提取上述目標(biāo)圖像中的紋理特征，該紋理特征包括19個(gè)特征，包括1個(gè)亮度特征、14個(gè)灰度共生矩陣特征和4個(gè)中值游程矩陣特征。

參考圖4，本發(fā)明實(shí)施例中，上述步驟104中，根據(jù)所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型對所述預(yù)設(shè)圖像特征進(jìn)行分析處理，得到對應(yīng)的所述眼底圖像的分類結(jié)果，包括：

S301、提取所述預(yù)設(shè)圖像特征中的所有特征向量。

S302、獲取所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型中各個(gè)特征向量對應(yīng)的權(quán)重系數(shù)。

S303、對所述所有特征向量及各個(gè)特征向量對應(yīng)的權(quán)重系數(shù)進(jìn)行計(jì)算，并將計(jì)算結(jié)果所在閾值范圍對應(yīng)的分類結(jié)果作為所述眼底圖像的分類結(jié)果。

具體的，基于上述步驟301～步驟303，首先提取預(yù)設(shè)圖像特征中對應(yīng)的所有特征向量，然后獲取眼底圖像的糖尿病視網(wǎng)膜病變分類模型中每一個(gè)特征向量對應(yīng)的權(quán)重系數(shù)，然后將上述所有的特征向量以及各個(gè)特征向量對應(yīng)的權(quán)重系數(shù)均代入到糖尿病視網(wǎng)膜病變分類模型對應(yīng)的公式中，即可計(jì)算出對應(yīng)的結(jié)果；而當(dāng)對應(yīng)的結(jié)果＝-1時(shí)，則判斷眼底圖像的分類結(jié)果是PDR；當(dāng)對應(yīng)的結(jié)果＝1，則判斷眼底圖像的分類結(jié)果是NPDR。

在本發(fā)明的實(shí)施例中提供的一種視網(wǎng)膜病變的眼底圖像分類方法中，首先對獲取的眼底圖像進(jìn)行預(yù)處理操作，對預(yù)處理后的眼底照片進(jìn)行分析，采用兩種不同的方法提取了兩組特征，對于提取到的上述兩組特征，分別使用支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)將眼底圖像分為正常、PDR和NPDR三種，最后采用組合分類器中的投票法獲得眼底圖像的最終類別，即以深度神經(jīng)網(wǎng)絡(luò)的分類選取獲得票數(shù)最多的預(yù)測分類結(jié)果作為最終的分類結(jié)果，其對具體應(yīng)用和醫(yī)學(xué)研究都有很大意義。

本發(fā)明實(shí)施提出的視網(wǎng)膜病變的眼底圖像分類方法(也可以稱為基于組合分類器的眼底圖像分類方法)，在對眼底圖像進(jìn)行預(yù)處理之后，通過小波變換和紋理分析從預(yù)處理后的眼底圖像中分別提取兩組特征，其次通過深度神經(jīng)網(wǎng)絡(luò)對這兩組特征進(jìn)行預(yù)測分類，以獲取最終分類結(jié)果，提高分類的精確度，更好的滿足對于正確率的使用要求。

本發(fā)明實(shí)施例提供的一種視網(wǎng)膜病變的眼底圖像分類方法，與現(xiàn)有技術(shù)中的診斷方法，需要人工對大量的眼底照片圖像進(jìn)行分類處理，使得醫(yī)生的工作量較大相比，其通過從預(yù)處理的灰度眼底圖像中提取預(yù)設(shè)圖像特征，并通過根據(jù)支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)建立的糖尿病視網(wǎng)膜病變分類模型對上述預(yù)設(shè)圖像特征進(jìn)行預(yù)測分類，以獲取最終分類結(jié)果；上述整個(gè)過程無需人工參與，減少了醫(yī)生的工作量，降低了對醫(yī)生的醫(yī)資水平的高標(biāo)準(zhǔn)要求，且提高了分類的精確度，對具體應(yīng)用和醫(yī)學(xué)研究都有很大意義。

本發(fā)明實(shí)施例還提供了一種視網(wǎng)膜病變的眼底圖像分類裝置，所述裝置用于執(zhí)行上述視網(wǎng)膜病變的眼底圖像分類方法，參考圖5，所述裝置包括：

獲取模塊10，用于獲取眼部檢測患者的眼底圖像；

預(yù)處理模塊20，對所述眼底圖像進(jìn)行預(yù)處理，得到所述眼底圖像對應(yīng)的灰度眼底圖像；

提取模塊30，用于提取所述灰度眼底圖像中的預(yù)設(shè)圖像特征；所述預(yù)設(shè)圖像特征至少包括以下特征中的一種或多種：小波特征和紋理特征；

分析處理模塊40，用于根據(jù)所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型對所述預(yù)設(shè)圖像特征進(jìn)行分析處理，得到對應(yīng)的所述眼底圖像的分類結(jié)果。

本發(fā)明實(shí)施例提供的一種視網(wǎng)膜病變的眼底圖像分類裝置，與現(xiàn)有技術(shù)中的診斷方法，需要人工對大量的眼底照片圖像進(jìn)行分類處理，使得醫(yī)生的工作量較大相比，其通過從預(yù)處理的灰度眼底圖像中提取預(yù)設(shè)圖像特征，并通過根據(jù)支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)建立的糖尿病視網(wǎng)膜病變分類模型對上述預(yù)設(shè)圖像特征進(jìn)行預(yù)測分類，以獲取最終分類結(jié)果；上述整個(gè)過程無需人工參與，減少了醫(yī)生的工作量，降低了對醫(yī)生的醫(yī)資水平的高標(biāo)準(zhǔn)要求，且提高了分類的精確度，對具體應(yīng)用和醫(yī)學(xué)研究都有很大意義。

具體的，獲取的眼底圖像均包括RGB彩色空間，而該RGB彩色空間通常包括三個(gè)通道，本發(fā)明實(shí)施例中，選取其中的G通道圖像，其中，G通道圖像即眼底圖像對應(yīng)的灰度眼底圖像；對應(yīng)的，本發(fā)明實(shí)施例中，預(yù)處理模塊20，包括：

第一提取單元，用于提取所述眼底圖像的RGB彩色空間中的G通道圖像；

高低帽算法計(jì)算單元，用于通過高低帽算法對所述G通道圖像進(jìn)行計(jì)算處理，得到目標(biāo)物體與背景對比度較高的G通道圖像；和/或，局部直方圖均衡化處理單元，用于對所述G通道圖像進(jìn)行局部直方圖均衡化處理，得到目標(biāo)物體與背景對比度較高的G通道圖像；

分割處理單元，用于對所述目標(biāo)物體與背景對比度較高的G通道圖像進(jìn)行分割處理，提取選定目標(biāo)物體的目標(biāo)圖像。

本發(fā)明實(shí)施例中，是根據(jù)灰度眼底圖像中的預(yù)設(shè)圖像特征對該灰度眼底圖形所對應(yīng)的病情進(jìn)行分類，以確定對應(yīng)的眼部屬于哪種疾??；對應(yīng)的，本發(fā)明實(shí)施例中，提取模塊30，包括：

小波變換處理單元，用于對所述目標(biāo)圖像進(jìn)行小波變換處理，得到小波特征；

第二提取單元，用于對所述目標(biāo)圖像進(jìn)行紋理分析處理，提取所述目標(biāo)圖像中的紋理特征；所述紋理特征包括：亮度特征、灰度共生矩陣和中值游程矩陣。

進(jìn)一步的，參考圖6，上述視網(wǎng)膜病變的眼底圖像分類裝置中，分析處理模塊40，包括：

第三提取單元401，用于提取所述多組預(yù)設(shè)圖像特征中的所有特征向量；

獲取單元402，用于獲取所述眼底圖像的糖尿病視網(wǎng)膜病變分類模型中各個(gè)特征向量對應(yīng)的權(quán)重系數(shù)；

計(jì)算單元403，用于對所述所有特征向量及各個(gè)特征向量對應(yīng)的權(quán)重系數(shù)進(jìn)行計(jì)算，并將計(jì)算結(jié)果所在閾值范圍對應(yīng)的分類結(jié)果作為所述眼底圖像的分類結(jié)果。

進(jìn)一步的，參考圖7，本發(fā)明實(shí)施例提供的視網(wǎng)膜病變的眼底圖像分類裝置，還包括：

樣本選取模塊50，用于選取含有預(yù)設(shè)類型的眼底圖像作為訓(xùn)練樣本；所述預(yù)設(shè)類型包括：正常人眼底圖像、增殖型糖尿病性視網(wǎng)膜病變PDR眼底圖像和非增值型糖尿病視網(wǎng)膜病變NPDR眼底圖像；

模型訓(xùn)練模塊60，用于通過支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)對所述訓(xùn)練樣本進(jìn)行訓(xùn)練計(jì)算，建立眼底圖像的糖尿病視網(wǎng)膜病變分類模型。

本發(fā)明實(shí)施提出的基于組合分類器的眼底圖像分類裝置，在對眼底圖像進(jìn)行預(yù)處理之后，通過小波變換和紋理分析從預(yù)處理后的眼底圖像中分別提取多組特征，其次通過深度神經(jīng)網(wǎng)絡(luò)對多組特征進(jìn)行預(yù)測分類，以獲取最終分類結(jié)果，提高分類的精確度，更好的滿足對于正確率的使用要求。

在本發(fā)明的實(shí)施例中提供的一種視網(wǎng)膜病變的眼底圖像分類裝置中，首先通過預(yù)處理模塊20對獲取的眼底圖像進(jìn)行預(yù)處理操作，然后對預(yù)處理后的眼底照片進(jìn)行分析，采用兩種不同的方法提取了兩組特征，對于提取到的上述兩組特征，分別使用支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)將眼底圖像分為PDR和NPDR兩種，最后采用組合分類器中的投票法獲得眼底圖像的最終類別，即以深度神經(jīng)網(wǎng)絡(luò)的分類選取獲得票數(shù)最多的預(yù)測分類結(jié)果作為最終的分類結(jié)果，其對具體應(yīng)用和醫(yī)學(xué)研究都有很大意義。

本發(fā)明實(shí)施提出的視網(wǎng)膜病變的眼底圖像分類裝置(也可以稱為基于組合分類器的眼底圖像分類裝置)，在對眼底圖像進(jìn)行預(yù)處理之后，通過小波變換和紋理分析從預(yù)處理后的眼底圖像中分別提取兩組特征，其次通過深度神經(jīng)網(wǎng)絡(luò)對這兩組特征進(jìn)行預(yù)測分類，以獲取最終分類結(jié)果，提高分類的精確度，更好的滿足對于正確率的使用要求。

本發(fā)明實(shí)施例所提供的視網(wǎng)膜病變的眼底圖像分類裝置可以為設(shè)備上的特定硬件或者安裝于設(shè)備上的軟件或固件等。本發(fā)明實(shí)施例所提供的裝置，其實(shí)現(xiàn)原理及產(chǎn)生的技術(shù)效果和前述方法實(shí)施例相同，為簡要描述，裝置實(shí)施例部分未提及之處，可參考前述方法實(shí)施例中相應(yīng)內(nèi)容。所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，前述描述的系統(tǒng)、裝置和單元的具體工作過程，均可以參考上述方法實(shí)施例中的對應(yīng)過程，在此不再贅述。

在本發(fā)明所提供的實(shí)施例中，應(yīng)該理解到，所揭露裝置和方法，可以通過其它的方式實(shí)現(xiàn)。以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，又例如，多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些通信接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明提供的實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。

所述功能如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、移動(dòng)硬盤、只讀存儲(chǔ)器(ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

應(yīng)注意到：相似的標(biāo)號(hào)和字母在下面的附圖中表示類似項(xiàng)，因此，一旦某一項(xiàng)在一個(gè)附圖中被定義，則在隨后的附圖中不需要對其進(jìn)行進(jìn)一步定義和解釋，此外，術(shù)語“第一”、“第二”、“第三”等僅用于區(qū)分描述，而不能理解為指示或暗示相對重要性。

最后應(yīng)說明的是：以上所述實(shí)施例，僅為本發(fā)明的具體實(shí)施方式，用以說明本發(fā)明的技術(shù)方案，而非對其限制，本發(fā)明的保護(hù)范圍并不局限于此，盡管參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，其依然可以對前述實(shí)施例所記載的技術(shù)方案進(jìn)行修改或可輕易想到變化，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改、變化或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明實(shí)施例技術(shù)方案的精神和范圍。都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。