方法
以前的方法
圆盘边缘粗定位
预处理
1、使用双边滤波
2、将B-Scan图像从
200
×
1024
200 \times 1024
200×1024变为
600
×
400
600 \times 400
600×400。
视网膜色素上皮细胞(RPE)层分解
检测出ILM层和RPE层辅助分割
初始化的神经管开口(NCO)检测
p 0 = { ( x , y ) ∣ arg max ( x , y ) ∈ R P E C ( x , y ) , x ∈ [ 1 4 w , 3 4 w ] , y ∈ [ h 1 , h 2 ] } p_0=\{ (x,y)|\argmax_{(x,y) \in RPE} C(x,y),x \in [\frac{1}{4}w,\frac{3}{4}w],y \in[h_1,h_2]\} p0={(x,y)∣(x,y)∈RPEargmaxC(x,y),x∈[41w,43w],y∈[h1,h2]}
p
0
p_0
p0:指的是在RPE边界的NCO候选区域(大概的区域)
C
(
x
,
y
)
C(x,y)
C(x,y)代表的是给定点的曲线
w
w
w:指的是图像的宽
h
1
=
m
i
n
(
g
(
x
1
)
,
g
(
x
2
)
)
,
h
2
=
m
a
x
(
g
(
x
1
)
,
g
(
x
2
)
)
h_1=min(g(x_1),g(x_2)),h_2=max(g(x_1),g(x_2))
h1=min(g(x1),g(x2)),h2=max(g(x1),g(x2))
p i = { ( x , y i ) i f ∑ p j ∈ N ( p i ) ∥ x − x j ∥ / n ⩽ k ∑ p j ∈ N ( p i ) x j / n , y i e l s e p_i= \begin{cases} (x,y_i)~~~~if \sum_{p_j \in N(p_i)} \parallel x-x_j \parallel/n \leqslant k \\ \sum_{p_j \in N(p_i)} x_j/n,y_i~~~~else \end{cases} pi={(x,yi) if∑pj∈N(pi)∥x−xj∥/n⩽k∑pj∈N(pi)xj/n,yi else
p
i
p_i
pi:表示的是在投射图像的圆盘边缘对应于
p
0
p_0
p0列。
y
i
y_i
yi:是B-scan的系列数
N
(
p
)
N(p)
N(p):表示的是圆盘边缘点从第二个到倒数第二连续的B-scan定义一个临近和
n
=
4
n=4
n=4代表的是临近的临近大小,然而常数k设置为5。
基于支持向量机(SVM)的块搜寻
支持向量机(SVM)
样本选择
特征抽取
纹理特征
局部二值模式(Local binary pattern,LBP)
1、局部二值模式特征的描述
原始的LBP算子定义为在
3
×
3
3 \times 3
3×3的窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,该像素点的位置标记为1,否则为0。这样,
3
×
3
3\times3
3×3邻域内的8个点经比较可产生8位二进制数,即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。如下图所示:
用公式表示就是:
L
B
P
(
x
c
,
y
c
)
=
∑
p
=
0
P
−
1
2
p
s
(
i
p
−
i
c
)
LBP(x_c,y_c)=\sum_{p=0}^{P-1}2^ps(i_p-i_c)
LBP(xc,yc)=p=0∑P−12ps(ip−ic)
其中
(
x
c
,
y
c
)
(x_c,y_c)
(xc,yc)是中心像素,
i
c
i_c
ic是灰度值,
i
n
i_n
in是相邻像素的灰度值,s是一个符号函数:
s
(
x
)
=
{
1
i
f
x
⩽
0
0
e
l
s
e
s(x)= \begin{cases} 1~~~~if x \leqslant 0\\ 0~~~~else \end{cases}
s(x)={1 ifx⩽00 else
2、圆形LBP算子:
基本的LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域,这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征,并达到灰度和旋转不变性的要求,将
3
×
3
3\times3
3×3邻域扩展到任意邻域,并用圆形邻域代替了正方形邻域,改进后的LBP算子允许在半径为R的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子;
梯度直方图(Histogram of gradient,HOG)
简介
HOG特征即Histogram of oriented gradient,源于2005年一篇CVPR论文,使用HOG+SVM做行人检测,由于效果良好而被广泛应用。大体效果如下,具体使用HOG+SVM做行人检测时在讨论详细代码。
算法计算步骤概览:
1、图像预处理。伽马矫正(减少光度影响)和灰度化(也可以在RGB图上做,只不过对三通道颜色值计算,取梯度值最大的)。
2、计算图像像素点梯度值,得到梯度图(尺寸和原图同等大小)。
3、图像划分多个cell,统计cell内梯度直方向方图。
4、将
2
×
2
2 \times 2
2×2个cell联合成一个block,对每个block做块内梯度归一化。
1、图像预处理
1.1、gamma矫正和灰度化
作用
gamma矫正通常用于电视和监视器系统中重现摄像机拍摄的画面.在图像处理中也可用于调节图像的对比度,减少图像的光照不均和局部阴影。
原理
通过非线性变换,让图像从暴光强度的线性响应变得更接近人眼感受的响应,即将漂白(相机曝光)或过暗(曝光不足)的图片,进行矫正:
gamma矫正公式:
f
(
x
)
=
x
γ
f(x)=x^{\gamma}
f(x)=xγ即输出时输入的幂函数,指数为
γ
\gamma
γ
2、计算图像像素梯度图
我们需要同时计算图像的水平梯度图和垂直梯度图。
计算方法为
分割图像
因为梯度直方图是一个局部特征,因此如果你对一大幅图片直接提取特征,是得不到好的效果的。
计算每个区块的方向梯度直方图
M ( x , y ) = I x 2 + I y 2 ( x , y ) = t a n − 1 I y I x ∈ [ 0 , 36 0 o ) o r ∈ [ 0 , 18 0 o ) M(x,y)=\sqrt{I_x^2+I_y^2}\\ (x,y)=tan^{-1}\frac{I_y}{I_x} \in [0,360^o) or \in [0,180^o) M(x,y)=Ix2+Iy2(x,y)=tan−1IxIy∈[0,360o)or∈[0,180o)
其中, I x I_x Ix和 I y I_y Iy代表水平和垂直方向上的梯度值, M ( x , y ) M(x,y) M(x,y)代表梯度的幅度值, ( x , y ) (x,y) (x,y)代表梯度的方向。