[發明專利]基于OCT影像的眼前房角開放程度多特征分類方法

在審

• 申請號: 201410252480.0
• 申請日: 2014-06-09
• 公開（公告）號: CN104050664A
• 公開（公告）日: 2014-09-17
• 發明（設計）人: 武薇;王夢蕾;陸曉娟;范影樂
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

1.基于OCT影像的眼前房角開放程度多特征分類方法，其特征在于該方法包括如下步驟：

步驟(1)對眼前房角OCT圖像進行圖像分割操作，分割出完整的眼前房角房角區域；具體是：

1-1、對眼前房角OCT圖像采用7×3的中值濾波器去除前房角OCT圖像中的斑點噪聲，得到圖像P；

1-2、對圖像P做形態學灰度重建得到I_R，其計算范圍為各像素點的四鄰域；

1-3、對I_R進行冪次變換得到圖像F，其中將輸入灰度值范圍為[0.06,0.9]的像素映射至輸出灰度值范圍[0,1]；

1-4、采用最大類間方差法對圖像F進行閾值分割，得到分割后的圖像I'_BW；

步驟(2)根據眼前房角結構特性，對分割后的圖像做邊緣檢測，并根據角膜后邊緣與虹膜前邊緣的交點，找出房角隱窩區域作為感興趣區域，具體是：

2-1、從圖像I'_BW頂端到底部逐行掃描，檢測得到第一條初始邊緣，即為角膜前邊緣；

2-2、從圖像I'_BW底部向上至第一條邊緣逐行掃描檢測第三條邊緣，即為虹膜前邊緣；

2-3、在圖像I'_BW中從第三條邊緣向上至第一條邊緣逐行掃描，得到第二條邊緣，即為角膜后邊緣

2-4、對檢測到的角膜后邊緣和虹膜前邊緣分別進行直線擬合，并求得兩條擬合直線的交點[x,y],取[x-a,y-b,w,h]的區域作為感興趣區域G(i,j)，其中(x-a,y-b)為感興趣區域左上角坐標，(w,h)為感興趣區域寬度和高度；

步驟(3)在感興趣區域中分別計算梯度值、Edgelet和CoHOG特征值，具體是：

梯度值的計算方法為：

3-1-1、采用Sobel梯度算子獲得感興趣區域G的梯度圖I_g；

3-1-2、在梯度圖I_g中分別計算出各像素點在{0°、45°、90°和135°}四個方向上的梯度強度，并求其均值；

Edgelet特征值的計算方法為：

采用一邊長為d的方形窗口w在梯度圖I_g內滑動，d為奇數，令方形窗口w內的像素坐標為(x,y)，x＝1,2,…,d，y＝1,2,…,d；

3-2-1、令方形窗口w在梯度圖I_g中已檢測到的角膜后邊緣與虹膜前邊緣位置上逐點滑動，并計算其中心點c(x,y)處的法線方向角θ_E(x,y)；將θ_E(x,y)量化為6個角度，并分別以0-5這六個數字表示，得到角β_E(x,y)；

3-2-2、根據梯度圖I_g中c(x,y)點處的縱向和橫向梯度值，計算出該點處的梯度方向角θ_I(x,y)；并將θ_I(x,y)量化為6個角度，并分別以0-5這六個數字表示，得到角β_I(x,y)；

3-2-3、由公式(1)可計算出感興趣區域G中，邊緣上點c(x,y)處的Edgelet特征值f

f(E,G,v)=1kΣi=1kMG(ui+v)|<nG(ui+v),niE>|---(1)]]>

其中，k為選取的邊緣片段E的長度，k＝1,2,…,d；u_i為方形窗口w中的坐標值(x,y),x＝1,2,…,d，y＝1,2,…,d；M^G為I_g中像素點c(x,y)的亮度；v為方形窗口w在原圖像中的坐標位移(x',y')；n^G為像素點(u_i+v)的梯度向量；為像素點c的法向量；兩個向量的點積可由式(2)近似表示，即可由式(3)得到點乘結果，從而計算得到最終的Edgelet特征值f；

|<nI(ui+w),niE>|=L(βI(ui+w)-βE)---(2)]]>

L[n]=1n=045n=±1,±512n=±2,±40n=±3---(3)]]>

CoHOG特征值的計算方法為：

3-3-1、根據梯度圖I_g中c(x,y)點處的縱向和橫向梯度值，計算出該點處的梯度方向角θ_I(x,y)；將感興趣區域G中各像素點的θ_I(x,y)進行量化得到α(x,y)；其中，θ_I(x,y)按每45°進行量化，得到8個角度，將其分別表示為α(x,y)，α(x,y)取值為0,1,2,…,7；

3-3-2、將感興趣區域G分割為多個不互相重疊的邊長為N×M個像素的區域；

3-3-3、在每一個子區域內計算共生矩陣C，由得到梯度方向角已量化為8個角度，那么任何兩個梯度方向m和n形成一個角度對，兩兩組合就有64種組合；同時，計算共生矩陣時考慮位置偏移(x_d,y_d)，即一個角度對內的兩個梯度方向角的位置關系；于是，在每個子區域內根據式(4)可計算共生矩陣C；

C(xd,yd,m,n)=Σp=1NΣq=1M1,ifG(p,q)=mandG(p+xd,q+yd)=n0,otherwise.---(4)]]>

其中，(p,q)為子區域內的像素坐標；(m,n)為共生矩陣C內的坐標，m和n取值分別為8個角度，即0,1,…,7；(x_d,y_d)為像素點(p,q)的偏移坐標；

3-3-4、將每個子區域的共生矩陣C串接構成感興趣區域的CoHOG特征向量；

步驟(4)根據步驟(3)得到的三個特征值，再利用支持向量機對圖像進行多級分類。