特征提取

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$200\times 1024$变为$600\times 400$。

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)∈RPEargmax​C(x,y),x∈[41​w,43​w],y∈[h1​,h2​]}

$p_0$：指的是在RPE边界的NCO候选区域（大概的区域）
$C(x,y)$代表的是给定点的曲线
$w$：指的是图像的宽
$h_1=min(g(x_1),g(x_2)),h_2=max(g(x_1),g(x_2))$

$$p_i=\{\begin{array}{l}(x,y_i)if{\sum }_{p_j\in N(p_i)}\parallel x-x_j\parallel /n⩽k\\ {\sum }_{p_j\in N(p_i)}{x}_j/n,y_{i}else\end{array}$$

$p_i$：表示的是在投射图像的圆盘边缘对应于$p_0$列。
$y_i$：是B-scan的系列数
$N(p)$：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$n=4$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$3\times 3$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，$3\times 3$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：
$$LBP(x_c,y_c)=\sum _{p=0}^{P-1}{2}^{p}s(i_p-i_c)$$

其中$(x_c,y_c)$是中心像素，$i_c$是灰度值，$i_n$是相邻像素的灰度值，s是一个符号函数：
$$s(x)=\{\begin{array}{l}1ifx⩽0\\ 0else\end{array}$$
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$3\times 3$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$2\times 2$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：$f(x)=x^{\gamma }$即输出时输入的幂函数，指数为$\gamma$
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

$$\begin{gathered} M(x,y)=\sqrt{I_x^2+I_y^2} \\ (x,y)=ta{n}^{-1}\frac{I_y}{I_x}\in [0,360^o)or\in [0,180^o) \end{gathered}$$

其中，$I_x$和$I_y$代表水平和垂直方向上的梯度值，$M(x,y)$代表梯度的幅度值，$(x,y)$代表梯度的方向。

块搜寻