超像素提取过渡期片状角膜溃烂区域的方法技术

本发明专利技术公开了一种超像素提取过渡期片状角膜溃烂区域的方法，包括步骤：S1.图像预处理；S2.超像素分割；S3.超像素特征提取；S4.SVM分类；S5.分割结果自动修正。在超像素分割的基础上，结合基于支持向量机(SVM)的自动分类以及基于线性回归的自动形态运算，有效地解决了过渡期片状角膜溃烂难以精准分割的问题。该方法可以在数据不断更新与增多的过程中，实现对算法模型的自我更新和完善，来达到适应更多角膜溃烂类型的目的，也为其他相关检测的算法设计提供借鉴，为多类型角膜溃烂实现溃烂区域的自动提取以及基于人工智能的辅助诊断提供有力基础。

Super pixel extraction method for lamellar cornea ulceration during Transitional Period

The invention discloses a superpixel extraction method for transitional lamellar corneal ulcer region, including steps: S1. image preprocessing; S2. superpixel segmentation; S3. superpixel feature extraction; S4. SVM classification; S5. segmentation result automatic correction. On the basis of superpixel segmentation, combined with support vector machine (SVM) based automatic classification and linear regression based automatic morphological operation, effectively solved the problem of transition lamellar corneal ulcer difficult to segmentation accurately. This method can update and perfect the algorithm model in the process of data updating and increasing constantly, so as to adapt to more types of corneal ulcers, and provide reference for other related detection algorithm design. It can also realize automatic extraction of ulceration area for multi-type corneal ulcers and based on artificial intelligence. It provides a strong foundation for auxiliary diagnosis.

【技术实现步骤摘要】
超像素提取过渡期片状角膜溃烂区域的方法
本专利技术涉及医学影像自动处理分类
，特别涉及一种基于超像素的过渡期片状角膜溃烂区域的提取方法。
技术介绍
角膜溃烂可能导致眼睛疼痛、流泪、甚至失去视力。如何建立更有效更精准更智能的角膜溃烂分析方法已经成为研究的热点。现如今，对于角膜溃烂疾病的研究，医生主要借助于角膜荧光素染色形成的颜色差别来判断健康区域和受损区域，但是人眼的判别存在误差且容易受到主观因素的影响，同时不易对受损区域进行量化。目前，存在利用Photoshop和ImageJ等图像处理软件对溃烂区域进行手动提取然后定量分析受损面积的方法。但是这一方法，大量依赖于人工的手动操作，费时且可重复性低。也有利用基于k-means聚类完成对典型片状角膜溃烂检测的方法，然而此方案只能解决溃烂情况严重的角膜图片(溃烂区域密集、颜色呈现极高的一致性)，而过渡期片状角膜溃烂是一种介于片状和点状之间的较为复杂的角膜溃烂形式，其表现形式多，溃烂区域边界不明显，溃烂区颜色不均匀且多样，手动分割难度大。
技术实现思路
为了克服现有的自动化图像处理技术无法精确提取过渡期片状角膜溃烂的局限，本专利技术提供了一种基于超像素的过渡期片状角膜溃烂区域的自动提取方法，有效地提高过渡期片状角膜溃烂提取的精确度与效率。超像素提取过渡期片状角膜溃烂区域的方法，包括以下步骤：S1.图像预处理：对输入图像构建角膜椭圆模型进行分割，提取角膜区域图像，对角膜区域图像进行滤波去噪；S2.超像素分割：基于超像素分割算法，对角膜区域图像进行超像素分块；S3.超像素特征提取：对每一个超像素块所包含的像素点求R、G、B各通道以及坐标位置(X,Y)的均值，得到构建5维特征矩阵；S4.SVM分类：利用所提取的超像素特征，对每个超像素进行基于SVM线性分类器的自动分类，得到初步分割结果；S5.分割结果自动修正：基于SVM分类的初步分割结果，进行腐蚀或膨胀操作的形态运算，获得准确分割结果。进一步，步骤S1中具体包括步骤：S1-1.使用Photoshop或者MATLAB在图像显示的角膜边缘处手动标记四个点，其坐标轴分别为(XA,YA),(XB,YB),(XC,YC),(XD,YD)，计算出椭圆模型的长轴a，短轴b，以及椭圆中心坐标(X0,Y0),计算公式如下：a＝|XC-XB|/2；b＝|YA-YD|/2；X0＝(XC+XB)/2，Y0＝(YA+YB)/2；通过椭圆模型{(X,Y)|(X-X0)2/a+(Y-Y0)2/b≤1}，在图像中对椭圆模型区域进行提取，所提取的椭圆模型区域即为角膜区域；S1-2.通过卷积滤波算法来对角膜区域图像的R、G、B通道分别进行滤波去噪。进一步，步骤S2中具体包括步骤：S2-1.初始化种子点：在角膜区域图像的像素点数量为N个，分割的超像素数量为K个，则每个超像素的大小为根据超像素的个数K在角膜区域图内均匀的分配种子点，则相邻种子点的距离S为S2-2.重新选择种子点：在种子点的3×3邻域内重新选择种子点，根据公式：G(X,Y)＝[V(X+1，Y)-V(X-1，Y)]2+[V(X,Y+1)-V(X,Y-1)]2计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的像素点上，所述(X,Y)为种子点的坐标；S2-3.分配类标签：在步骤S2-2确定的每个种子点周围的邻域内为每个像素点分配类标签，搜索范围为2S×2S；S2-4.计算种子点与邻域内每个搜索到的像素点的距离：取种子点为i，邻域内搜索到的像素点为j，距离计算方法如下：其中，lj,aj,bj分别为搜索到的像素点j在LAB颜色空间中的L分量，A分量，B分量；li,ai,bi分别为种子点i在LAB颜色空间中的L分量，A分量，B分量；xj,yj分别为像素点j的横坐标和纵坐标；xi,yi分别为种子点i的横坐标和纵坐标；dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为最大的颜色距离取m＝10；取距离度量最小值所对应的种子点作为该像素点的聚类中心；S2-5.迭代优化：不断迭代步骤S2-1至S2-4直到每个像素点聚类中心不再发生变化为止；S2-6.增强连通性：新建一张标记表，表内元素均为-1，按照从左到右，从上到下顺序将不连续的超像素以及尺寸过小的超像素重新分配给邻近的超像素，给遍历过的像素点分配相应的标签，直至遍历完毕。进一步，步骤S4中具体包括步骤：S4-1.训练数据：基于自动并配以手动校正的方法来精准分割100张过渡期片状角膜溃烂染色图片，在其分割结果的基础上，在每张样本图片上随机选择角膜溃烂区域中的1000个像素点以及角膜内非溃烂区域中的1000个像素点，分别设置训练标签为0和1，并提取各个像素点的R、G、B值及位置坐标信息，总共得到200000个训练样本点，并以R、G、B值及坐标信息X、Y的5维向量作为样本特征输入；S4-2.训练模型：选用SVM线性分类器，设置迭代次数为10000，获得预测模型；S4-3.预测：以待分割图像中的每一个超像素块作为样本输入，每个超像素块中所有像素点的R，G，B各通道亮度均值以及横、纵坐标均值作为预测样本特征输入，预测得到每个超像素块的标签并将其作为该超像素块中各个像素点的标签，得到SVM分割结果。进一步，步骤S5中具体包括步骤：S5-1.为了去除分割结果中的非溃烂区域，对分割结果进行腐蚀操作或膨胀操作，腐蚀操作其中，X是要处理的分割结果，Be是腐蚀结构元素；膨胀操作其中，Bd是膨胀结构元素，D(X)为膨胀操作后的结果；S5-2.通过多元线性回归模型来确定腐蚀、膨胀操作的个体化结构参数：对于100张图像中的每一张，使用线性回归算出每个图像的腐蚀和膨胀结构元素的半径，然后以5倍交叉验证方式验证线性回归模型的可操作性和准确性，其中输入特征值包括SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积；基于100张训练数据所得到的腐蚀操作的结构元素所对应的多元线性回归模型为：y1＝15.397-1.280×10-5x1-0.029x2+0.009x3+0.075x4+0.066x5其中，y1为腐蚀操作的结构参数；x1，x2，x3，x4，x5分别表示：SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积；相应的膨胀操作的结构元素所对应的多元线性回归模型为：y2＝33.269-7.844×105x1-0.015x2+0.016x3+0.068x4+0.408x5其中，y2为膨胀操作的结构参数；x1，x2，x3，x4，x5分别表示：SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积。本专利技术的有益效果包括：在超像素分割的基础上，结合基于支持向量机(SVM)的自动分类以及基于线性回归的自动形态运算，有效地解决了过渡期片状角膜溃烂难以精准分割的问题。本方案的算法模型基于大量实际临床图片数据训练得到。同时，本方案中的方法可以在数据不断更新与增多的过程中，实现对算法模型的自我更新和完善，来达到适应更多角膜溃烂类型的目的，也为其他相关疾病的算法设计提供借鉴，为多类型角膜溃烂实现溃烂区域的自动提取以及基于本文档来自技高网...

【技术保护点】
1.超像素提取过渡期片状角膜溃烂区域的方法，其特征在于，包括以下步骤：S1.图像预处理：对输入图像构建角膜椭圆模型进行分割，提取角膜区域图像，对角膜区域图像进行滤波去噪；S2.超像素分割：基于超像素分割算法，对角膜区域图像进行超像素分块；S3.超像素特征提取：对每一个超像素块所包含的像素点求R、G、B各通道以及坐标位置(X,Y)的均值，得到

【技术特征摘要】
1.超像素提取过渡期片状角膜溃烂区域的方法，其特征在于，包括以下步骤：S1.图像预处理：对输入图像构建角膜椭圆模型进行分割，提取角膜区域图像，对角膜区域图像进行滤波去噪；S2.超像素分割：基于超像素分割算法，对角膜区域图像进行超像素分块；S3.超像素特征提取：对每一个超像素块所包含的像素点求R、G、B各通道以及坐标位置(X,Y)的均值，得到构建5维特征矩阵；S4.SVM分类：利用所提取的超像素特征，对每个超像素进行基于SVM线性分类器的自动分类，得到初步分割结果；S5.分割结果自动修正：基于SVM分类的初步分割结果，进行腐蚀或膨胀操作的形态运算，获得准确分割结果。2.根据权利要求1所述的超像素提取过渡期片状角膜溃烂区域的方法，其特征在于，步骤S1中具体包括步骤：S1-1.使用Photoshop或者MATLAB在图像显示的角膜边缘处手动标记四个点，其坐标轴分别为(XA,YA),(XB,YB),(XC,YC),(XD,YD)，计算出椭圆模型的长轴a，短轴b，以及椭圆中心坐标(X0,Y0),计算公式如下：a＝|XC-XB|/2；b＝|YA-YD|/2；X0＝(XC+XB)/2，Y0＝(YA+YB)/2；通过椭圆模型{(X,Y)|(X-X0)2/a+(Y-Y0)2/b≤1}，在图像中对椭圆模型区域进行提取，所提取的椭圆模型区域即为角膜区域；S1-2.通过卷积滤波算法来对角膜区域图像的R、G、B通道分别进行滤波去噪。3.根据权利要求1所述的超像素提取过渡期片状角膜溃烂区域的方法，其特征在于，步骤S2中具体包括步骤：S2-1.初始化种子点：在角膜区域图像的像素点数量为N个，分割的超像素数量为K个，则每个超像素的大小为根据超像素的个数K在角膜区域图内均匀的分配种子点，则相邻种子点的距离S为S2-2.重新选择种子点：在种子点的3×3邻域内重新选择种子点，根据公式：G(X,Y)＝[V(X+1，Y)-V(X-1，Y)]2+[V(X,Y+1)-V(X,Y-1)]2计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的像素点上，所述(X,Y)为种子点的坐标；S2-3.分配类标签：在步骤S2-2确定的每个种子点周围的邻域内为每个像素点分配类标签，搜索范围为2S×2S；S2-4.计算种子点与邻域内每个搜索到的像素点的距离：取种子点为i，邻域内搜索到的像素点为j，距离计算方法如下：其中，lj,aj,bj分别为搜索到的像素点j在LAB颜色空间中的L分量，A分量，B分量；li,ai,bi分别为种子点i在LAB颜色空间中的L分量，A分量，B分量；xj,yj分别为像素点j的横坐标和纵坐标；xi,yi分别为种子点i的横坐标和纵坐标；dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为最大的颜色距离取m＝10；取距离度量最小值所对应的种子点作为该像素点的聚类中心；S2-5....

【专利技术属性】
技术研发人员：唐晓颖，邓丽洁，袁进，黄海香，
申请(专利权)人：佛山市顺德区中山大学研究院，广东顺德中山大学卡内基梅隆大学国际联合研究院，中山大学，中山大学中山眼科中心，
类型：发明
国别省市：广东,44