基于組合分類器的白內(nèi)障眼底圖像分類方法及分類裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及醫(yī)學(xué)與計(jì)算機(jī)技術(shù)領(lǐng)域，特別涉及一種基于組合分類器的白內(nèi)障眼底圖像分類方法及分類裝置。
【背景技術(shù)】
[0002]相關(guān)技術(shù)中，首先對(duì)白內(nèi)障眼底圖像進(jìn)行預(yù)處理，在預(yù)處理后的眼底圖像中提取了 40個(gè)特征，包括I個(gè)亮度特征、24個(gè)灰度共生矩陣特征和15個(gè)灰度-梯度共生矩陣特征。分類器采用的是一個(gè)兩層的BP神經(jīng)網(wǎng)絡(luò)。分類器的輸入神經(jīng)元個(gè)數(shù)是40個(gè)，隱含層神經(jīng)元個(gè)數(shù)是10，輸出層神經(jīng)元個(gè)數(shù)是4個(gè)。最后分類的正確率達(dá)到了 82.5%。
[0003]白內(nèi)障眼底圖像的分類主要包括預(yù)處理、特征提取和分類器三部分。在圖像預(yù)處理階段主要包括提取RGB彩色空間的G通道圖像、改進(jìn)的高低帽算法和三邊濾波器處理三部分。經(jīng)過預(yù)處理后的圖像變得更清晰，也濾掉了大部分的噪聲，更適合后續(xù)的特征提取。特征提取主要包含亮度特征和紋理特征提取，其中紋理特征提取包括灰度共生矩陣和灰度-梯度共生矩陣提取兩部分。由于視神經(jīng)盤是眼底圖像中最亮的部分，并且它也是將白內(nèi)障進(jìn)行分類的一個(gè)重要標(biāo)志，所以以此作為白內(nèi)障分類的一個(gè)標(biāo)準(zhǔn)。紋理特征主要包含灰度共生矩陣特征和灰度-梯度共生矩陣兩類。灰度共生矩陣表示的是圖像主要的紋理信息，但它不包含圖像的邊緣信息；而灰度-梯度共生矩陣恰恰彌補(bǔ)了灰度共生矩陣的這個(gè)缺陷。分類器采用的是一個(gè)兩層的BP(Back Propagat1n，神經(jīng)網(wǎng)絡(luò))神經(jīng)網(wǎng)絡(luò)，包含輸入層、隱含層和輸出層。這里輸入層的個(gè)數(shù)是40，輸出層的個(gè)數(shù)是4，隱含層的個(gè)數(shù)根據(jù)實(shí)驗(yàn)結(jié)果調(diào)整為10，此時(shí)的實(shí)驗(yàn)效果比較好。
[0004]然而，相關(guān)技術(shù)雖然能對(duì)白內(nèi)障眼底圖像進(jìn)行分類，但分類的正確率還不能達(dá)到滿意的要求，在特征提取和分類方法方面還待進(jìn)一步加強(qiáng)。

【發(fā)明內(nèi)容】

[0005]本申請(qǐng)是基于發(fā)明人對(duì)以下問題的認(rèn)識(shí)和發(fā)現(xiàn)作出的:
[0006]目前，每一位進(jìn)行眼科檢查的患者都要首先拍攝眼底照片，從而眼科醫(yī)生可以通過眼底照片中眼底主要部位的清晰程度初步判斷患者是否患有白內(nèi)障及所患白內(nèi)障疾病的嚴(yán)重程度。其中，當(dāng)眼底圖像中的視神經(jīng)盤、大小血管均清晰可見的屬于正常眼底；視神經(jīng)盤模糊不清的屬于重度白內(nèi)障；大小血管不可見的屬于中度白內(nèi)障；僅小血管不可見的屬于輕度白內(nèi)障。
[0007]然而，現(xiàn)在的研宄現(xiàn)狀是醫(yī)生憑經(jīng)驗(yàn)看大量眼底圖像并進(jìn)行分類，而相應(yīng)的做圖像處理的計(jì)算機(jī)研宄人員的工作更多的關(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)來做眼底圖片的自動(dòng)分級(jí)劃分工作，而此項(xiàng)工作對(duì)具體應(yīng)用和醫(yī)學(xué)研宄都有很大意義。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(duì)白內(nèi)障術(shù)后恢復(fù)情況作很好地估計(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。同時(shí)隨著人口老齡化和人們對(duì)自身健康重視程度的增加，拍攝眼底照片人數(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(jí)，這種眼底圖像數(shù)據(jù)庫(kù)會(huì)逐漸地發(fā)展成為大數(shù)據(jù)，這種自動(dòng)分級(jí)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。
[0008]本發(fā)明旨在至少在一定程度上解決上述相關(guān)技術(shù)中的技術(shù)問題之一。
[0009]為此，本發(fā)明的一個(gè)目的在于提出一種基于組合分類器的白內(nèi)障眼底圖像分類方法，該方法可以提高分類的精確度，更好地滿足對(duì)于正確率的使用要求。
[0010]本發(fā)明的另一個(gè)目的在于提出一種基于組合分類器的白內(nèi)障眼底圖像分類裝置。
[0011]為達(dá)到上述目的，本發(fā)明一方面實(shí)施例提出了一種基于組合分類器的白內(nèi)障眼底圖像分類方法，包括以下步驟:獲取白內(nèi)障眼底圖像；對(duì)所述白內(nèi)障眼底圖像進(jìn)行預(yù)處理；分別通過小波變換、輪輔方法和紋理分析從所述處理后的白內(nèi)障眼底圖像中提取N組特征，N為正整數(shù)；分別通過支持向量機(jī)和BP神經(jīng)網(wǎng)對(duì)所述N組特征進(jìn)行預(yù)測(cè)分類，以獲取M種預(yù)測(cè)分類結(jié)果，M為大于等于N的正整數(shù)；以及通過組合分類器對(duì)所述M種預(yù)測(cè)分類結(jié)果進(jìn)行投票分類，以獲取最終分類結(jié)果。
[0012]根據(jù)本發(fā)明實(shí)施例提出的基于組合分類器的白內(nèi)障眼底圖像分類方法，在對(duì)白內(nèi)障眼底圖像進(jìn)行預(yù)處理之后，通過小波變換、輪輔方法和紋理分析分別提取多組特征，其次通過支持向量機(jī)和BP神經(jīng)網(wǎng)對(duì)多組特征進(jìn)行預(yù)測(cè)分類，最后通過組合分類器進(jìn)行投票分類，以獲取最終分類結(jié)果，提高分類的精確度，更好地滿足對(duì)于正確率的使用要求。
[0013]另外，根據(jù)本發(fā)明上述實(shí)施例的基于組合分類器的白內(nèi)障眼底圖像分類方法還可以具有如下附加的技術(shù)特征:
[0014]進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，所述N可以為3，所述M可以為6。
[0015]進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，所述預(yù)處理包括:提取RGB彩色空間和G通道圖像；對(duì)所述G通道圖像進(jìn)行兩次直方圖均衡化處理；和/或通過高低帽算法和三邊濾波器處理所述G通道圖像。
[0016]進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，采用所述組合分類器的投票法選取獲得票數(shù)最多的預(yù)測(cè)分類結(jié)果作為所述最終分類結(jié)果。
[0017]進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，所述N組特征中每個(gè)特征包括亮度特征和紋理特征，其中，所述紋理特征包括灰度共生矩陣和灰度-梯度共生矩陣。
[0018]本發(fā)明另一方面實(shí)施例提出了一種基于組合分類器的白內(nèi)障眼底圖像分類裝置，包括:獲取模塊，用于獲取白內(nèi)障眼底圖像；處理模塊，用于對(duì)所述白內(nèi)障眼底圖像進(jìn)行預(yù)處理；提取模塊，用于分別通過小波變換、輪輔方法和紋理分析從所述處理后的白內(nèi)障眼底圖像中提取N組特征，N為正整數(shù)；第一分類模塊，用于分別通過小波變換、輪輔方法和紋理分析從所述處理后的白內(nèi)障眼底圖像中提取N組特征，N為正整數(shù)；以及第二分類模塊，用于通過組合分類器對(duì)所述M種預(yù)測(cè)分類結(jié)果進(jìn)行投票分類，以獲取最終分類結(jié)果。
[0019]根據(jù)本發(fā)明實(shí)施例提出的基于組合分類器的白內(nèi)障眼底圖像分類裝置，在對(duì)白內(nèi)障眼底圖像進(jìn)行預(yù)處理之后，通過小波變換、輪輔方法和紋理分析分別提取多組特征，其次通過支持向量機(jī)和BP神經(jīng)網(wǎng)對(duì)多組特征進(jìn)行預(yù)測(cè)分類，最后通過組合分類器進(jìn)行投票分類，以獲取最終分類結(jié)果，提高分類的精確度，更好地滿足對(duì)于正確率的使用要求。
[0020]另外，根據(jù)本發(fā)明上述實(shí)施例的基于組合分類器的白內(nèi)障眼底圖像分類裝置還可以具有如下附加的技術(shù)特征:
[0021 ] 進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，所述N可以為3，所述M可以為6。
[0022]進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，所述處理模塊包括:提取單元，用于提取RGB彩色空間和G通道圖像；處理單元，用于對(duì)所述G通道圖像進(jìn)行兩次直方圖均衡化處理和/或通過高低帽算法和三邊濾波器處理所述G通道圖像。
[0023]進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，所述第二分類模塊具體用于采用所述組合分類器的投票法選取獲得票數(shù)最多的預(yù)測(cè)分類結(jié)果作為所述最終分類結(jié)果。
[0024]進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，所述N組特征中每個(gè)特征包括亮度特征和紋理特征，其中，所述紋理特征包括灰度共生矩陣和灰度-梯度共生矩陣。
[0025]本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。
【附圖說明】
[0026]本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中:
[0027]圖1為根據(jù)本發(fā)明實(shí)施例的基于組合分類器的白內(nèi)障眼底圖像分類方法的流程圖；
[0028]圖2為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于組合分類器的白內(nèi)障眼底圖像分類方法的流程圖；
[0029]圖3為根據(jù)本發(fā)明一個(gè)實(shí)施例的白內(nèi)障眼底圖像示意圖；
[0030]圖4為根據(jù)本發(fā)明實(shí)施例的基于組合分類器的白內(nèi)障眼底圖像分類裝置的結(jié)構(gòu)不意圖；以及
[0031]圖5為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于組合分類器的白內(nèi)障眼底圖像分類裝置的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0032]下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。
[0033]此外，術(shù)語(yǔ)“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)