（机械电子工程专业论文）青光眼眼底图像的自动识别与分析方法研究.pdf

西南交通大学硕士研究生学位论文 第l 页 捅芰 青光眼是最常见的致盲性疾病之一，以眼压升高、视神经萎缩和视野缺损 为特征。由于青光眼的产出具有隐匿性和渐进性，特别是原发性开角型青光眼， 一旦发现视力下降而就诊时，往往已是病程晚期，视野缺损严重，不可恢复。 因此青光眼强调早期发现，及时治疗。目前青光眼的早期识别仍然是一个难题， 依然停留在依靠经验来实现的地步，且误差特别大。为了能够实现识别的自动 化，亟需开发一种可行的识别方法。 首先，介绍了目前青光眼识别的现状，指出了自动识别的必要性。接着， 以计算机图形处理作为主要技术手段，综合应用图像处理、数学形态学、神经 网络等方面的知识，研究了青光眼图像自动识别的方法。 借助青光眼图像图谱，做了如下的研究： 1 由图谱得到眼底图片5 4 幅，其中包括正常眼睛眼底图片8 幅、早期青 光眼眼底图片8 幅、严重青光眼眼底图片3 8 幅。 2 研究了图像的预处理方法，包括图像的去噪处理和图像的增强处理等。 3 对预处理后图像从颜色、形状、纹理三个方面进行特征提取，初步提取 了4 9 个特征值，然后用p c a ( 主成分分析法) 筛选出具有代表性的3 2 个特征 参数。 4 在m a t l a b 环境下，利用人工神经网络建立分类器，对眼底图片进行分 类识别。 5 以m a t l a bg u i 作为开发工具，编写“青光眼图像处理与识别系统，实 现对青光眼图像的识别。 本课题利用神经网络技术实现对青光眼图像的早期识别，具有快速性、通 用性和准确性，这对以人工识别为主的识别方法无疑是一个巨大的改进，在青 光眼早期识别上具有广大的应用前景。 关键词：青光眼；图像处理：特征提取；主成分分析法；神经网络 西南交通大学硕士研究生学位论文第1 l 页 a b s tr a c t g l a u c o m ai so n eo ft h em o s tc o m m o nd i s e a s e st h a tc a u s eb li n d n e s s ， w h i c hi sc h a r a c t e r i z e db ye l e v a t e di o p ，a t r o p h yo ft h eo p t i cn e r v ea n d d e f e c to fv i s u a lf i e l d b e c a u s eo ft h es t e a l t h n e s sa n di n c r e m e n t a l i t y o ft h eg i a u c o m a ，e s p e c i a l l yp r i m a r yo p e na n g l eg i a u c o m a ，o n c ed e t e c t i n g i m p a i r e dv i s i o na n ds e e i n gad o c t o r ，i t sal a t es t a g e ，t h ed e f e c to f v i s u a lf i e l di ss e r i o u sa n dc a n tb er e c o v e r e d i nv i e wo f t h ea b o v e ， e a r i i e rd i s c o v e r yo ft h eg l a u c o m as h o u l db ee m p h a s i z e d a tp r e s e n t ，t h e e a r l yd e t e c t i o no fg l a u c o m ai ss t i l lad i f f i c u l t y ，s t a y i n ga tt h es t a t e o fr e s o r t i n gt oe x p e r i e n c e s ，w h i c hh a sab i gd e v i a t i o n i no r d e r t o r e a l i z et h ea u t o m a t i o no fr e c o g n i t i o n ，i t sn e c e s s a r yt od e v e l o pa k i n d o ff e a s i b l er e c o g n i t i o nm e t h o d t h i sa r t i c l eh a sf i r s ti n t r o d u c e dt h ea c t u a l i t y o fg l a u c o m a r e c o g n i t i o na n dp o i n t e do u ti t sn e c e s s i t y ，t h e nt a k i n gc o m p u t e ri m a g e p r o c e s s i n ga s m a i nt e c h n i q u em e a s u r e ，- h a ss t u d i e dt h em e t h o d s o f a u t o m a t i cr e c o g n i t i o n ，i n t e g r a t e di m a g ep r o c e s s i n g ，m a t h e m a t i c a l m o r p h o l o g ya n dn e u r a ln e t w o r k t a k i n gt h em a po fg l a u c o m ai m a g e sa se x a m p l e ，a n dm a i nr e s e a r c hw o r k 1 sa st o i i o w s ： 1 1 c o l l e c t e d5 4s h e e t so fg l a u c o m ai m a g e sf r o mt h em a p ，i n c l u d i n g 8s h e e t so fe y e g r o u n di m a g e so fn o r m a le y e s ，8s h e e t so fe y e g r o u n d i m a g e so fe a r l yg l a u c o m ae y e sa n d3 8 s h e e t so fe y e + g r o u n di m a g e so f l a t e s t a g eg l a u c o m ae y e s 2 s t u d i e dt h ep r e p r o c e s s i n gm e t h o d so fi m a g e s ，i n c l u d i n gd e n o i s i n g m e t h o d se n h a n c e m e n tp r o c e s sin g 3 p r i m a r il ye x t r a c t e d4 9c h a r a c t e r is t i cv a l u e sf r o mc o l o r ，g e o m e t r y s h a p ea n dm o n o c h r o m es t a t i s t i co np r o c e s s e di m a g e s ，t h ep i c k e do u t3 2 t y p i c a lc h a r a c t e r i s t i cv a l u e sr e s o r t i n gt op c a ( p r i n c i p a lc o m p o n e n t a n a l y s i s ) 4 t o o ka d v a n t a g eo fn e u r a ln e t w o r kt os e tu pc l a s s i f i e ra n dc a r r y 西南交通大学硕士研究生学位论文第1 i i 页 o i lc l a s s i f i c a t i o na n di d e n t i f i c a t i o nt ot h ei m a g e sb a s e do nm a t l a b 5 t a k i n gt h em a t l a bg u ia sd e v e l o p m e n tt o o l ，c o m p il e d “p r o c e s s i n g a n dr e c o g n i t i o ns y s t e mo fg l a u c o m ai m a g e s ，r e a l i z e dt h ea u t o m a t i o n r e c o g n i t i o nt ot h eg l a u c o m ai m a g e s t h i sa r t i c l er e a l i z e dt h er e c o g n i t i o nt ot h ee a r l yg l a u c o m ai m a g e s ， w h i c hi sf a s t ，g e n e r a l p u r p o s ea n da c c u r a t e i ti sd o u b t l e s st h a tt h i s n e wm e t h o di sa ne n o r m o u si m p r o v e m e n ti nt h er e c o g n i t i o nm e t h o db a s e d o nm a n u a lw o r k ，s oi th a sv a s t yp o t e n t i a la p p l i c a t i o ni nt h ef i e l do f e a r l yr e c o g n i t i o no fg l a u c o m a k e yw o r d s ： g l a u c o m a ： i m a g ep r o c e s s i n g ： c h a r a c t e r i s t i ce x t r a c t i o n ： p r i n c i p a lc o m p o n e n ta n a l y s i s ：n e u r a ln e t w o r k 西南交通大学曲南父逦大罕 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和 借阅。本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。 本学位论文属于 1 保密口，在年解密后适用本授权书； 2 不保密d ，使用本授权书。 ( 请在以上方框内打“4 ”) 学位论文作者签名：彳彩磁 日期：召p f 严 指导老师签名：荮宏喝 日期：沙矿箩，2 西南交通大学学位论文创新性声明 本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所 得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体 已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均己在 文中作了明确的说明。本人完全意识到本声明的法律结果由本人承担。 本学位论文的主要创新点如下： 1 所研制的课题在国内正处于起步阶段，在选题上具有一定的创新性； 2 对青光眼眼底图像采用了高低帽图像增强处理，并在此基础上基于颜 色、形状和纹理特征提取出图像的特征向量； 3 在提取形状特征向量的过程中，采用了分水岭算法和h o u g h 变换相结合 的分割方法； 4 对初始特征采用p c a 降维处理，并且获得了较好的效果； 5 基于b p 神经网络对特征向量进行数据融合，以达到自动识别的目的； 6 以m a t l a bg u i 作为开发工具，编写“青光眼图像处理与识别系统”， 操作性更强，易于使用。 辛彘缮 3 7 2 ，烨 西南交通大学硕士研究生学位论文第l 页 第一章绪论男一早疆琴匕 1 1 青光眼图像识别研究的圈的和意义 青光眼是指眼内压闻断或持续升高的一种眼病。青光眼( g l a u c o m a ) 使得 眼内压调整功能发生障碍使眼压异常升高，因而视功能障碍，并伴有视网膜形 态学变化。因瞳孔多少带有青绿色，故有此名。持续的高眼压可以给眼球各部 分组织帮褫功能带来损害，如不及时治疗，视野可以全部丧失藤至失明。青光 眼是导致人类失明的三大致盲眼病之一，总人群发瘸率为1 ，4 5 岁以后为2 。 青光眼是眼科种疑难瘸，种类缀多，常见的分急性和慢性两类，其中女 性急性充血性青光眼较多，是一种眼内压增高且伴有角膜周围充血、瞳孔散大、 眼压升高、视力急剧减退、头痛、恶心呕吐等主要表现的眼痛。另外一种分类 方法又可以分为四类：先天性青光眼、原发性青光眼、继发性青光眼、混合型 青光眼。同时患病的人群主要有以下四类： 1 ) 家璺有亲属得青光眼的人。由于遗传因素，这类人患青光眼的几率会比 其他人高出1 0 倍左右。 2 ) 近享冤眼和远视眼患者。 3 ) 糖尿病、甲状腺疾病等内分泌疾病患者。 4 ) 工作压力大、生活无规律、容易发脾气、日常情绪波动较大的人。因为， 精神因素也是引发青光眼的一大原因。 青光眼的诊断( 尤其是早期诊断) 完全取决于全面的检查。包括瘸史、屈 光状态、眼压、眼压描记、前房角、眼底、视野检查等。目前原发性开角型青 光眼的早期诊断更多地依赖于眼底视盘及视网膜神经纤维层的检查、动态和静 态褫野捡查以及电生理辅助检查，如光栅对比敏感霞，图形褫网膜电流圈，餮 形视诱发电位和色调试验等。另外，原发性闭角型青光眼早期阶段，眼压、视 盘稻视野检查可以是正常的，这就需要临床观察及反复检查，可侧重于震边前 房深度及翦房角镜检查。 因此瞄翦青光眼的诊断基本都是依靠人工观测方式。但是，面对当今科学 技术飞速发展的形势，我们不得不承认人的视觉系统存在它的不足之处，比如 存在主观性、局限性、模糊性、缺乏持久性等f 。为了能够实现检测的智能化、 西南交通大学硕士研究生学位论文第2 页 自动化及信息化，追切要求一种能够模拟人的视觉功能而又超越它的性能的计 算机图像识别与诊断系统以识别与诊断青光眼病变。 本课题在青光眼病变自动识别方面进行了一系列的研究，经过探索性的尝 试，表明通过对青光眼图像进行图像处理和模式识别，确实能够实现准确性、 智能性等方面的要求，对青光眼的自动诊断具有一定的现实意义。 1 2 数字图像处理和模式识别方法 1 2 1 图像处理和模式识别 所谓图像，一般指客观景物通过某种系统的一种映射，例如，图片、电视 画厦以及扫描图片等都是最壹观、最常见的图像实例。而利用数字计算机以 及相关数字技术，对现实世界的真实图像施加某种运算和处理，使图像转化为 计算机可以接受的格式，即一连串的特定数字，这样形成的图像则称为数字图 像吼 数字图像处理就是利用计算机或者其他数字设备对数字图像施加某种运算 和处理，从而达到预想的目的。它是从应用中产生并发展的一门学科，六十年 代开始形成，七十年代二维图像处理和识别取得较大进展，八十年代己重点研 究三维景象，虽只有短短的三十年历史，但其研究及应用己渗透到各个领域， 大至空间技术，小至电子显微图片的处理，广至工业、农业、军事、医学、航 天等多个方面，具有适应各种测量、分析、计算的能力3 】。 由于数字图像的信息量复杂而庞大，因此。如何从这些信息中提取所需要 的信息是一项艰难而又重要的课题，也是研究数字图像处理技术的一种有力工 具。 模式识别是利用计算机对某些物理对象进行分类在错误率最小的情况下， 使识别的结果尽量与客观事物相符。将模式识别应用于数字图像处理技术中， 就是利用计算机来模拟人类的识别方法，对数字图像进行识别、分类1 4 j 。 1 2 2 图像模式识别方法简介 模式识别方法( p a t t e r nr e c o g n i t i o nm e t h o d ) 是一种借助于计算机对信息、 进行处理、判决分类的数学统计方法【5 j 。 应用模式识别方法的首要步骤是建立模式空间。所谓模式空间是指在考察 一客观现象时，影响目标的众多指标构成的多维空间，每一个指标代表一个模 西南交通大学硕士研究生学位论文第3 页 式参量。假设一个现象有几个事件( 样本) 组成，每一个事件都有p 个特征参量 ( x 。，x ”，x p ) ，则它就构成p 维模式空间，每一个事件的特征参量代表一个 模式。模式识别就是对多维空间中各个模式的分布特点进行分析，对模式空间 进行划分，识别各种模式的聚类情况，从而做出判断，帮助人们找出规律或做 出决策，指导实际工作或试验研究。 针对不同的对象和不同的目的，可以用不同的模式识别理论、方法。常用 的模式识别方法有：统计模式识别、句法模式识别、神经网络模式识别、模糊模 式识别、支持向量机等方法f 6 】。下面对这些常见的模式识别的理论和方法作以 概述。 1 统计模式识别 统计模式识别方法也称为决策论模式识别方法，它是从被研究的模式中选 择能足够代表它的若干特征( 设有d 个) ，每一个模式都由这d 个特征组成的在 d 维特征空间的一个d 维特征向量来表示，于是每一个模式就在d 维特征空间 占有一个位置。同类的模式在特征空间相距较近，而不同类的模式在特征空间 则相距较远。如果用某种方法来分隔特征空间，使得同一类模式大体上都在特 征空间的同一个区域中，对于待分类的模式，就可根据它的特征向量位于特征 空间中的哪一个区域而判定它属于哪一类模式。统计模式识别基本的技术方法 有聚类分析、判别类域界面法、统计判决等。 1 ) 聚类分析 在聚类分析中，利用待分类模式之间的“相似性进行分类，更相似的作 为一类，更不相似的作为另一类。在分类过程中不断地计算所划分的各类的中 心，下一个待分类模式以其与各类中心的距离作为分类的准则。 2 ) 判别类域界面法 判别类域界面法中，用已知类别的训练样本产生判别函数，这相当于学习 或训练。根据待分类模式代人判别函数后所得值的正负而确定其类别。判别函 数提供了相邻两类判决域的界面。最简单、最实用的判别函数是线性判别函数。 3 ) 统计判决 在统计判决中，在一些分类识别准则下严格地按照概率统计理论导出的各 种判别准则，这些判别准则要用到各类的概率密度函数、先验概率或条件概率， 即贝叶斯法则。 2 句法模式识别 西南交通大学硕士研究生学位论文第4 页 句法模式识别也称为结构模式识别。在许多情况下，对于较复杂的对象仅 用一些数值特征已不能充分的进行描述，这时可采用句法识别技术。句法识别 技术将对象分解为若干个基本单元，这些基本单元称为基元，用这些基元以及 它们的结构关系来描述对象，基元以及这些基元的结构关系可以用一个字符串 或一个图来表示：然后运用形式语言理论进行句法分析，根据其是否符合某类的 文法而决定其类别。 3 。神经网络法 人工神经网络是由大量简单的基本单元一神经元( n e u r o n ) 相互连接而成的 非线性动态系统，每个神经元结构和功能比较箍单，而由其组成的系统却可以 非常复杂，具有人脑的某些特性，在自学习、自组织、联想及容错方面具有较 强的能力，能用于联想、识别和决策。在模式识别方面与其他方法显著不同的 特征之一是训练后的神经网络对待识别模式特征提取与分类识别在该网络可以 一同完成。神经网络模型有几十种，其中b p ( 误差反传播算法) 网络模型是模 式识别应用最广泛的网络之一。它利用给定的样本，在学习过程中不断修正内 部连接权重和阈值，使实际输出与期望输出在一定误差范围内相等。 4 模糊模式识别 一 模糊模式识别方法就是根据人脑识别事物的思维过程，吸取人脑识别事物 的特点，把数学从二值逻辑转向连续值逻辑，以模糊数学为工具而建立起来的 一套识别方法。这类方法的有效性主要在于隶属函数是否良好。目前模糊识别 方法有很多，大致可以分为两种，展p 根据最大隶属度原则进行识别的直接法和 根据邻近原9 1 0 进行归类的间接法。 5 支持向量机 支持向量机是2 0 世纪9 0 年代中期在统计学理论的基础上提出的一种新的 学习算法。它应用于分类问题，可看作是感知器的推广，在线性可分的情况下， 就是建立一个超平面使得可分的两类数据到该平面的距离最小。对于非线性问 题是通过一个非线性映射把原始数据映射到另一个称之为特征空间的新数据 集上，使得新数据集在该特征空间上是线性可分的。支持向量机能够较好地解 决小样本学习问题。目前，统计学习理论和支持向量机已经成为匿际上学习领 域的研究热点。 1 3 国内外图像处理技术在模式识别上的研究进展 人类感知外晃信息，8 0 以上是通过视觉得到的，而图像实际上正是对这种 西南交通大学硕士研究生学位论文第5 页 感知能力的一种人为增强形式【7 】。随着图像数字技术的成熟，图像作为人类感 知外部世界更丰富更直接的信息载体正成为越来越重要的研究对象。人们利 用计算机、图像获取设备模拟人的视觉来采集图像并进行数字信号转换以通过 计算机实现对图像的处理与理解。计算机视觉是指由人类设计并在计算机环境 下实现的模拟或再现与人类视觉有关的某些智能行为的技术，如文字识别图 像模式识别等它的应用也几乎遍及当今所有科学领域，其在医学领域中的应 用相对来说起步较晚，但近些年来也取得了令人瞩目的成就。 1 3 。1 图像处理技术在图像识别上的应用 多年来人们在图像增强、图像分割、特征提取、特征选择、图像识别等各 个方面都取得了较好的效果，下面我们就分别对这些研究进行一些总结。 1 在图像增强方面 在医学上大部分图像都呈现亮度不均匀，而且直方图多为单峰，而提高亮 度不均匀图像对比度的有效方法是高低帽变换。因为对于单峰的直方图，很难 直接找到谷值作为阈值进行分割而高低帽变换可以利用过渡区进行阈值选取 可以解决此类问题。邹永星8 】等人利用高低帽变换为后续的图像分割提供了较 好的图像增强效果。 2 在图像分割方面 已经有许多经典的方法可供选择和组合运用，这些方法有：区域分割、点 线边缘检测、形态学分水岭分割、阈值分割等。 罗述谦| 9 j 等人采用了m a r r h ii d r e t h 算子进行边缘检测提取脑组织的边缘， 从而实现分割，效果较好；f e i x i a n gy a n t l 0 】提出了基于三分段的自适应阈值分 割方法。根据全局灰度变换获得两个阈值，然后通过一个可变的局部邻域窗内 的均值和方差来获得三分段中的各个阈值并根据这些阈值对图像进行自适应 分割。该方法有效的结合了图像全局和局部特点，一定程度上解决了全局图像 分割导致的过分割现象。d oy e o nk i “】提出了基于兴趣区的自适应阂值分割方 法。这种分割方法根据前一次窗口内分割情况自适应调整本次窗口的大小，每 次窗口内的子图像都需要进行阈值选择，可根据前面多次窗口的分割情况自适 应的选择分割闽值，该分割方法应用到了圆柱体结构、树状的血管等分割应用 当中，取得了一定的效果。他们充分利用了图像全局和局部的特点，其结果较 令人满意。但是，由于自适应阈值分割仍然是以阈值为判据对图像像素进行分 类的，因此，其对于边缘模糊、对比度低的成分分割效果较差。改进的思路一 西南交通大学硕士研究生学位论文第6 页 是结合提高对比度的图像增强方法，二是与c a n n y 边缘检测进行结合，起到互 补的作用。需要注意的是，上面的方法均没有解决散焦问题。仔细分析散焦现 象，发现散焦部分像素亮度变化缓慢，因此所对应的频率较低，反之，没有散 焦的成分像素亮度变化较快，因此所对应的频率较高，因此可以采用有效方法 进行高低频分解从而消除散焦影响。小波变换因其自适应的尺度变换，通过选 择合适的小波基可实现优良的高低频分解的能力而广受研究者的青睐，现已出 现了相应的一些利用小波变换实现高低频分解用于图像分割的研究。c l a u d i o r o s i t oj u n g t l 2 】利用小波变换去除图像噪声并增强其边缘，获得增强的梯度图 像，然后在该梯度图像上做分水岭分割。j o n g b a ek i m l l 3 】提出了另一种分割方 法，该方法大致分为四步：金字塔表示法，图像分割，区域合并以及区域映射， 首先，通过小波变换得到多分辨率图像；其次使用分水岭算法对金字塔最低分 辨率图像进行分割处理；然后使用小波三阶矩合并被过分割的部分；最后带有 标签的被分割的低分辨率图像经小波逆变换被还原回原分辨率的图像。对于交 叠粘连严重的成分的分割，分水岭算法是方法之一。j b k i m i 】利用分水岭算法 结合小波变换实现图像分割，效果较好，但速度较慢。直接对原图像进行分水 岭处理容易造成过分割现象，因此可以考虑转化成二值图像进行处理，此时仅 需要距离变换和腐蚀膨胀等形态学处理就能够很好的解决交叠粘连严重的成分 的分割。 通过上面的分析，我们发现对于较复杂图像分割来说，单用某一种方法是 很难实现满意的效果，因此可以考虑利用各种方法的优点，组合起来针对性的 解决图像存在的问题。例如，首先采用高低帽变换增强图像的对比度再利用 小波交换实现高低频分解来消除散焦影响，但需要形态学处理分割出图像中完 整的各个成分。此时获得的各个成分分割效果还不够准确，因此，对于分割出 的各个成分进行第二次分割，再实行高低帽变换增强图像对比度，然后在其所 对应的灰度图像实行边缘检测结合自适应阈值分割来完成二次分割，最后对二 次分割后的图像进行距离变换和腐蚀膨胀等形态学处理解决粘连交叠严重的成 分的分割问题。 3 特征提取和特征选择 在特征提取和特征选择方面，国内外学者也展开了相关研究。特征提取方 面，赵峰1 1 5 j 等人较为系统的研究了纹理分割及特征提取方法，提出了七种提取 特证的途径，它们分别是：l 、基于算子的特征提取，2 、基于统计的特征( 基于 西南交通大学硕士研究生学位论文第7 页 灰度共生矩阵、基于统计特征矩阵、基于灰度级行程的特征、其它统计特征) ， 3 、基于变换域的特征，4 、基于纹理图像的边缘检测获取的特征，5 、基于模型 的方法( 分形模型、随机模型) ，6 、基于结构的方法，7 、空间域频域技术( 小 波方法、6 a b o r 滤波器方法) 。这些途径提取出的特征有些是重叠的。胡小锋f l q 等人针对图像识别，系统的提出了形状特征、纹理特征和颜色特征的提取方法， 其中基于灰度共生矩阵和灰度一梯度共生矩阵提取的纹理特征全面的反映了图 像纹理的性质，是分类的有效特征。特征选择方面，h u a nl i u 1 7 深入的研究了 特征选择算法，并比较了各自的特点。根据评价函数与分类器的关系，分为过 滤( f i 】t , e r ) 模式和封装( w r a p p e r ) 模式。过滤模式中的评价函数与分类器无关， 而封装模式采用分类器的错误率作为评价函数。过滤模式具有比封装模式快的 优点。使评价函数获取最值的搜索方法有三种：穷举法、启发方法、随机方法 三种，随机方法具有效率高，执行速度快的优点。评价函数所基于的评价准则 有多种选择方法，其基本共同点是越能使类与类之间可分性增加，特征间的相 关性越小的特征集越优。对于具体的选择模式、搜索方法以及评价准则的讨论， 许多学者针对具体研究领域提出了多种方法。z e h a n gs u n 1 8 】等人利用遗传算法 进行特征选择，利用s v m 的识别率作为遗传算法的适应度函数值用于评价特征 选择的结果，以便于指导遗传算法的搜索，该方法使用了人脸和汽车两大类图 像进行实验验证，实验结果表明该方法有效。该特征选择方法是直接以最终识 别率为目标，特征子集的选择质量较好，但因s v m 学习算法复杂导致执行速度 慢，同时简单遗传算法还需改进，硐t a p p e r 模式需要每一代获得的最佳特征子 集都需要用来识别，这三点都大大增加了算法时间。毛罕平f 19 】等人展开了对农 作物识别的特征提取与特征选择的研究，提出了应用相对差值百分率直方图提 取缺素叶片的颜色特征，应用差分算子提取纹理的时域特征、应用傅里叶变换提 取纹理的频域特征、应用小波包提取纹理的时频特征等的新方法，并提出从颜色 和纹理时域、频域、时频域等多个角度集成提取缺素叶片图像的有效特征，利用 遗传算法，采用f il t e r 模式对提取的众多特征项进行优化选择，以使诊断识别 用的信息分类能力最优。实验结果表明该方法有效可行。乔立岩f 2 0 】等人提出了 基于离散微粒群( b p s 0 ) 和支持向量机( s v m ) 封装模式的特征子集选择方法，首先 随机产生若干种群( 特征子集) ，然后用b p s 0 算法对特征进行优化，并用s v m 的 1 0 阶交叉验证结果指导算法的搜索，最后选出最佳适应度的，实验结果表明了 该算法的有效性，但速度准确性仍不令人满意。1 1 一s e o ko h f 2 1 等人提出了一种 西南交通大学硕士研究生学位论文第8 页 混合遗传法用于特征选择，其大体思路是将局部搜索算法嵌入到普通遗传算法 当中，以便于在遗传算法后期利用局部搜索算法在局部区域进行精细搜索，以 克服遗传算法杂交变异的随机性而导致搜索过早收敛的缺点。该文献使用了 u c i 中的1 1 个数据集进行了测试试验效果较为令人满意。张葛祥口2 1 等人针对 评价准则进行了研究，提出了一种满意特征选择方法( s f s m ) ，将样本分类性能、 特征集维数和特征提取复杂性等多种因素综合考虑给出特征满意度和特征集 满意度定义，设计出满意度函数，导出满意特征集评价准则。详细描述了特征选 择算法，并通过雷达辐射源信号特征选择与识别的实验验证该算法的有效性。 s o nd o a n 2 3 j 提出了基于多个评价准则的评价函数来进行特征选择，结果比单个 评价准则的更准确更稳定。d o n nk o r y c i n s k j1 2 4 等人提出了引入分层思想和t a b u 算法对数据进行特征选择的方法说明了将多类成分识别的特征选择问题转化 成两类成分识别的特征选择问题的有效性。上面的研究说明了要提取的特征应 尽量能全面反映特征的性质，并同时尽量减少相应的数量。为了提高特征选择 的精确性和快速性，f il t e r 模式是适宜的选择，评价准则一般是基于可分度和 相关度来设计，可考虑基于多个评价准则来进行评价函数的设计。遗传算法是 不错的搜索方法，但需要对目前的遗传算法进行改进以研究出更快速更准确的 改进遗传算法。 4 图像识别 在图像识别方面，由于神经网络具有并行性、自学习性、受特征构成情况 影响较小等优点，所以利用神经网络设计分类器来实现识别是目前有效且常用 的研究方法。h r e s s o m f 2 5 】等人提出了双层分级s o m 神经网络来进行模式识别， 效果较好，分层分类思想需依据具体模式识别问题不同而会有不同的具体实现 方式。c h e n g - l u n gh u a n g 2 6 1 等人采用了s v m 来进行模式识别，先利用遗传算法 选择特征，将被选择好的特征用于s v m 的输入，输出为分类的类别，识别准确 率令人满意，但识别速度较慢。c ch a n t ：7 】等人利用b p 网络进行掌纹识别的研究， 速度较快，识别较准确。由于本课题研究的眼底图像识别软件能根据专业人员 的指正自我调整以便于下一次遇到相似的情况尽量能够正确识别，因此，神经 网络分类器需要在监督模式下工作。同时由于算法的速度需要较快，以便于 能满足实际需要，并且算法复杂度需要较低以使得软件设计成本低、维修成本 低，对操作人员技术要求低，因此，b p 神经网络分类器是较适宜的选择。 1 3 2 图像处理技术在青光眼图像识别上的应用 西南交通大学硕士研究生学位论文第9 页 在青光眼图像识别方面，应用不是很多，主要是因为青光眼病变的原因较 多，而且眼底有大视杯和小视杯的区别，使得处理起来有些困难。不过国外一 些学者在这方面也取得了一些成就。德国学者开发了z e i s s 青光眼早期诊断分 析仪，它具有免散瞳、输出结果快捷等特点，但是精度不是很高。q u i g l e y 2 8 】 等发现p o a g ( 原发性开角型青光眼) 在视野出现缺损和视乳头发生损害前已有 明显的轴索缺失。自h o y t ( 1 9 7 3 ) 首次报道用检眼镜发现视网膜神经纤维层 ( r e t i n a ln e r v ef i b e rl a y e r ，r n f l ) 缺损以来，检测r n f l 的技术不断发展， 目前已从定性检查发展到精确的定量分析，从间接厚度检测进展到直接厚度测 量，从而可更早期发现青光眼视网膜神经纤维损害。光学相干断层成像术 ( o p t i c a lc o h e r e n c et o m o g r a p h y ，o c t ) 能对r n f l 进行定性和定量检测1 2 9 3 0 1 ， 文献中利用这一新技术对8 3 例p o a g 患者进行r n f l 检查，并与正常人进行比较， 以探讨青光眼患者r n f l 的o c t 图像特征与正常人之间的差别，分析其与视野间 的关系。 国内有学者也对青光眼的早期识别作了一定的研究。季宝玲 3 1j 利用光学相 干断层成像术测量视网膜神经纤维层厚度，从而可以对青光眼进行早期诊断， 识别准确率达到9 7 。 综合查阅的文献资料，可以发现利焉计算机图像处理技术可以实现对很多 领域的模式识别，并且取得了卓越的成效，但是在青光眼图像模式识别上并不 多见，目前在国内的研究依然非常缓慢。因此，本文对青光眼图像的自动识别 具有一定的意义。 1 4 本文的研究内容 综合上述国内外文献，利用计算机图像处理和模式识别技术对青光眼图像 进行自动识别是完全可行的。本文以青光眼病变的三个显著过程( 正常眼睛、 早期青光眼和晚期青光眼) 为识别对象，研究了进行计算机图像处理和模式识 别的方法，并且利用m a t l a b 进行编程，取得了一定的成效。 本文的研究可以分为三个部分。 1 图像获取和预处理 本文中所使用的图像来自青光眼图谱，经e p s o n 扫描仪扫描以后，保存为 5 0 0 x 6 2 5 的b m p 图像，得到眼底图像5 4 张。 针对所得到的图像，因为其中含有较多的噪声，因此必须对图像进行前期 处理，消除或减少在图像采集过程中产生的噪声或其它干扰，提高信噪比：然盾 西南交通大学硕士研究生学位论文第1 0 页 是消除或减少图像模糊及几何失真，提高清晰度。 预处理主要包括图像增强处理和二值化处理等，以便为后续工作提供必要 的准备。 2 特征参数的提取和优化选择 特征提取和选择是模式识别中的一个关键问题。该阶段对样本的可度量性 质进行度量，特征就是可度量的函数。通过特征计算对样本的重要特征定量估 计，将需要的特征组合在一起形成特征向量，用该特征向量代表原图像的全部 知识。 本研究从下面三个方面提取和眼底图像的特征参数： 1 ) 颜色特征。在一般情况下，对于不同的眼底图像，所呈现的颜色变化会 有较大的差异，把颜色作为区分的一个主要特征进行研究。采用r g b 颜色系统 对图片的颜色特征进行了描述和提取。 2 ) 形状特征。随着青光眼症状的进一步加深，杯盘比( 视杯和视盘面积之 比) 会进一步增大，因此可以作为衡量青光眼病变三个阶段的一个特征，而且 在所有特征里面应该作为最重要的特征之一。另外，不变矩特征也是较为重要 的特征。 一 3 ) 纹理特征。不同的物体具有一定的纹理，这对于青光眼图像来说也是适 用的。眼底的血丝随着病变的严重性会呈现不同的纹理。 从以上三个方面得到了4 9 个特征参数，然后利用p c a 技术对这些特征进行 筛选，最终保留了3 2 个特征作为后面识别的知识。 3 眼底图像的模式识别 本文采用最常用的b p 神经网络对眼底图像进行模式识别，从得出的结果 可以看出，识别的成功率比较高。 西南交通大学硕士研究生学位论文第11 页 第二章高低帽变换实现眼底图像的增强处理 通过图像对眼底图片进行自动诊断，就是去理解所得到的图像，根据图像 的特征对图像进行识别。图像识别的条件是找到图像的识别特征。对于眼底图 像的识别特征，可归纳为颜色、纹理、形状三类。得到图像后，首先提取这三 类识别特征。但由于图像信号的采集和输入等过程中不可避免的原因，图像中 常有一些影响特征提取的景物，称之谓噪声，使得图像质量下降。例如，按检 测对象大小和形状的要求看，图像的边缘过于模糊；在相当满意的一副图像上 发现多了一些不知来源的黑点或白点；图像的失真、变形等。总之，输入的图 像在视觉效果和识别方便性等方面可能存在诸多问题，这类问题统称为“质量 问题。 图像增强，即将输入图像变换成容易获取所需信息的图像的各种处理的总 称。其目的是采用一些技术来改善图像的效果或将图像转化成一种更适合于人 或计算机进行分析处理的形式，主要是按后续需要来对图像实施适当的变换， 突出某些有用的信息，去除或削弱无用的信息，一如改变图像的对比度、去除噪 声或强调边缘的处理等。图像增强的方法很多，例如：灰度变换增强、直方图 变换增强、空间域滤波增强、频率域滤波增强等等。 本章首先分析了常用的图像增强方法的相关原理，然后使用常用的图像增 强方法对眼底图像进行增强处理实验，根据实验的结果分析这些方法的优缺点， 从而寻找到适用于眼底图像的增强算法。 2 1 常用图像增强方法及其相关原理的分析 当图像为视觉解释而进行处理时，其是由观察者最后判断特定方法的效 果。图像质量的视觉评价是一种高度主观的过程，因此，有必要定义一个“理 想图像”标准，通过这个标准去比较。下面简要分析一些相关的图像增强方法。 2 1 1 图像变换 计算机图像处理中，图像变换是一种为了达到某种目的( 通常是从图像中 获取某种重要信息) 而对图像使用的一种变换技巧，经过变换后的图像将更为方 便、容易地被处理和操作。从实际操作中来看，图像变换就是对原图像函数寻 找一个适合的变换核的数学问题。本质上来说，图像变换有着深刻的物理背景。 西南交通大学硕士研究生学位论文第1 2 页 例如，函数的一次傅立叶变换反映了函数在系统频谱上的频率分布。如果希望 在频谱上作某些特别的处理，从而改变函数的某种特性( 例如，图像增强) ，那 么可以再对函数作二次傅立叶变换。方法有：傅立叶变换、余弦变换、小波变 换等。 2 1 2 灰度变换 一般成像系统只具有一定的亮度范围，亮度的最大值与最小值的比被称为 对比度。由于形成图像的系统亮度有限，常出现对比度不足的问题，使人眼观 看图像时视觉效果很差。灰度变换可以改善视觉效果。这里介绍常用的三个基 本类型函数：线性的( 正比和反比) 、对数的( 对数和反对数变换) 、幂次的( n 次 幂和n 次方根变换) 。图像反转：灰度级范围为 o ，l 一1 的图像反转的表达式为： s = l - 1 - r 。用这种方式倒转图像的强度产生图像反转的对等图像。这种处理尤 其适用于增强嵌入于图像暗色区域的白色或灰色细节，特别是黑色面积占主导 地位时。对数变换：表达式为：s = cl o g ( 1 + r ) ，其中c 是一个常数，假设r 0 。 此种变换使一窄带低灰度输入图像值映射成一宽带输出值。相对的是输入灰度 的高调整值。可以利用这种变换来扩展被压缩的高值图像中的暗像素。相对的 是反对数变换的调整值。幂次变换：表现形式为：s = c r 。，其中c 和y 为正常数。 分段线性变换函数：包括有：对比拉伸、灰度切割和位图切割等。最简单的分 段线性函数之一是对比拉伸变换。低比度图像可由照明不足、成像传感器动态 范围太小，甚至在图像获取过程中透镜光圈设置错误引起。对比拉伸的思想是 提高图像处理时灰度级的动态范围。位图分割是代替提高灰度范围的亮度，而 通过对特定位来提高亮度，对整幅图像质量仍然是有贡献的。设图像中的每一 个像素都由8 比特表示，假设图像是由8 个l 比特平面组成，其范围从最低有 效位的位平面0 到最高有效位的位平面7 。在8 比特字节中，平面o 包含图像 中像素的最低位，而平面7 则包含最高位。就8 比特图像的位平面抽取而言， 说明用一个灰度阈值变换函数处理输入图像可以获得位平面7 的二值图像并不 困难。该灰度阈值变换函数：1 ) 把图像中0 和1 2 7 间的所有灰度映射到一个灰 度级( 例如0 ) ；2 ) 把图像中1 2 9 和2 5 5 间的所有灰度映射到一个灰度级( 例如 2 5 5 ) 。 2 1 3 直方图处理 灰度级为 0 ，l - 1 范围的数字图像的直方图是离散函数矗( r k ) = n 。，这里r k 西南交通大学硕士研究生学位论文第1 3 页 是第k 级灰度，n 。是图像中灰度级为r 的像素个数。经常用图像中像素的总数 ( 用1 3 表示) 来除它的每一个值得到归一化的直方图。因此，一个归一化的直方 图由p ( r k ) = 盐给出，这里k = o ，1 ，l 一1 。简单的说，p ( r k ) 给出了灰度级 刀 为r k 发生的概率估计值。因而，一个归一化的直方图其所有部分之和应等于l 。 1 直方图均衡化 考虑连续函数并且让变量r 代表待增强图像的灰度级。在前面的讨论中， 假设r 被归一化到区间 0 ，1 ，且r = o 表示黑色及r = l 表示白色。然后，考虑一 个离散公式并允许像素值在区间 0 ，l - 1 内。 2 直方图匹配( 规定化) 对于一些应用，用均匀直方图的基本增强并不是最好的方法。尤其是有时 可以指定希望处理的图像所具有的直方图形状。这种用于产生处理后有特殊直 方图的图像的方法，被称为自方图匹配或自方图规定化处理。 3 局部增强 全局方法适用于整个图像的增强，但有时对图像小区域细节的局部增强也 仍然是适用的。在这些区域中像素数在全局变换的计算中可能被忽略，因为它 们没有必要确保局部增强。解决的方法就是在图像中每一个像素的领域中，根 据灰度级分布( 或其他特性) 设计变换函数。 4 在图像增强中使用直方图统计学 令( x ，y ) 为某