一种基于分类框架的图像二值化方法技术

本发明专利技术属于计算机图像处理技术领域，公开了一种基于分类框架的光学相干层析扫描眼睛图像二值化方法及系统，首先对少量光学相干层析扫描眼睛样本图像进行指定单纯小区域划分并标注感兴趣区域和背景两类，然后利用Gabor模板提取每一个目标区域的特征并拼接为一个特征向量，对提取的特征进行降维并学习特征向量映射子空间；引入支持向量机学习分类器模型；对分类结果图像采用算法处理；最后得到二值化图像。本发明专利技术的优点在于解决了小样本二值化问题以及提出了基于指定N

【技术实现步骤摘要】
一种基于分类框架的图像二值化方法


[0001]本专利技术属于计算机图像处理
，尤其涉及一种基于分类框架的图像二值化方法。

技术介绍

[0002]二值化是光学相干层析成像(OCT)图像分析中的一项基本任务，它已广泛应用于面积的简单量化和更复杂的血管分析。近年来，大量研究集中于视网膜血管和脉络膜毛细血管八角图像的定量分析。OCT能够以微米分辨率获得活体组织的图像，已成功应用于医学诊断，如诊断性眼科和其他人体内脏。OCT是一种非侵入性成像技术。
[0003]机器学习方法在生物医学图像处理中得到了长足的发展。这些方法已广泛应用于生物医学图像重建、图像去噪和疾病分类。二值化方法可分为全局阈值和局部阈值两类。
[0004]1)基于全局阈值的方法简单有效，适用于差异较大的像素点，包括大津法(Otsu)和迭代二值化等方法；2)基于局部阈值方法可以获得样本子图像的最佳阈值，包括Niblack和k
‑
means等方法。
[0005]全局阈值方法，如Otsu，是一种有效的二值化阈值图像的方法，但不适用于光照对比度较低以及光照不均匀的图像。当图像的对比度很低时，将很难直接区分目标和背景区域，该类方法二值化效果较差。
[0006]对于低强度、光照不均匀以及复杂场景的图像处理需要有效的二值化阈值方法。
[0007]综上所述，现有技术存在的问题如下：
[0008]1)直接将现有的方法，全局阈值二值化和局部阈值二值化方法直接应用于低对比的OCT眼睛图像中，获得的二值化效果不理想。
[0009]2)上述二值化方法不能对大量样本特征训练学习有效的参数，不能获得有效的自适应阈值。
[0010]3)现有技术没有对OCT眼睛图像采用指定区域的方法来提取特征。
[0011]解决上述算法问题的难度：
[0012]本专利技术需要对低对比度下的OCT眼睛图像分割出器官和背景区域，图像中存在器官区域和背景区域对比度很低的问题。
[0013]需要提取器官区域和背景区域的有效特征，以区分两个类别。
[0014]需要学习较好的模型，来判别器官区域和背景区域。
[0015]解决上述算法问题的意义：
[0016]在计算机图像处理领域，二值化技术是数字图像处理中重要的一个步骤，可以将图像中感兴趣区域分割出来。然而对于感兴趣区域和背景区域对比度很低的小样本场景，现有的二值化方法不能取得理想的效果。基于指定小区域划分的方法能够从少量样本中提取较多的特征。基于支持向量机的分类框架能够根据提取的特征来训练模型中的参数，并能够获得待测图像中各区域的自适应的阈值。

技术实现思路

[0017]针对现有算法存在的问题，本专利技术提出了一种基于分类框架的图像二值化方法，该方法可以克服图像中对比度受限的问题，并能够利用小样本学习分类模型。主成分分析方法可以学习特征向量子空间，它可以获得每个小区域的有效特征。支持向量机模型可以学习到一个有效的分类器，可以自适应地获得任意区域的阈值。
[0018]本专利技术是这样实现的，一种基于分类框架的图像二值化方法，包含如下步骤:
[0019]步骤一：选取指定单纯小区域子图并打标签，在训练样本中，对每一幅OCT眼睛样本图像手工选取器官小区域和背景小区域，将仅包含器官的小区域(前景)和仅包含背景的小区域分别存放在两个对应的文件夹ROI和BackGround中；
[0020]步骤二：倍减区域拼接特征提取，采用N
‑
邻域目标区域和双重区域提取特征的方法，分别从两个文件夹中每个子图像采用两个阶段的方式提取Gabor特征，第一阶段采用N
‑
邻域目标区域对子图像进行划分并提取Gabor特征，第二阶段对N
‑
邻域目标区域间隔选取像素点减小一半的尺寸，如原来区域大小为N＝10*10个像素，则倍减后尺寸变为5*5，如果减半后为小数则向上取为整数，并提取特征，最后将两次提取的Gabor特征拼接为一个特征向量；
[0021]步骤三：特征降维并学习映射子空间，提取的Gabor特征维度高达3000维，为了减少维度冗余和提取有效成分，利用主成分分析PCA技术对提取的Gabor特征进行降维，并得到特征映射子空间S；
[0022]步骤四：训练支持向量机，获得给定一个训练集的最佳分离超平面，并对背景和前景进行分类；
[0023]步骤五：N
‑
邻域目标区域分类，根据N
‑
邻域目标区域的判断结果对待测样本图像区域赋值；
[0024]步骤六：2
‑
方向定长填充和形态学腐蚀算法处理，在得到初步的二值化图像后，存在ROI区域内部孔洞和不连续等问题，采用2
‑
方向定长填充和形态学腐蚀对二值化后的图像进一步处理。
[0025]优选的，所述步骤二中提取的Gabor特征像素大小为10*10；对应的Gabor提取公式如下：
[0026][0027]z＝2πi(μxcosθ+μysinθ)，
ꢀꢀꢀ
(2)
[0028]其中，σ表示Gabor模板的标准差，θ表示Gabor滤波的方向，μ表示采样频率。将提取的仅包含器官的10*10像素区域的特征标记为1，将提取的仅包含背景的10*10像素区域的特征标记为
‑
1。
[0029]优选的，所述步骤三中提取的Gabor特征维度达到3000维；所述特征映射子空间计算公式如下：
[0030]S＝F(X)，
ꢀꢀꢀ
(3)
[0031]其中，S表示训练集中的投影子空间，F(X)是计算主成分分析PCA的函数。
[0032]优选的，所述步骤四具体步骤如下：给定一个训练集D＝{(x1，y1)，(x2，y2)，...，(x
i
，y
i
)，...}，y
i
∈{
‑
1，+1}，x
i
是第i个N
‑
邻域目标区域的特征，y
i
是第i个N
‑
邻域目标区域
的标签，其关系可以表示如下：
[0033]y
i
＝W
T
x
i
+b，
ꢀꢀꢀ
(4)
[0034]其中W＝(w1；w1；
…
；w
d
)是决定了超平面方向的法向量，b是表示超平面与坐标原点之间距离的位移值；
[0035]利用训练集D找到样本和超平面之间最小的样本，并最大化支持向量样本与超平面之间的距离，得到参数W和b，与(W，b)相关的目标可以写成如下：
[0036][0037]利用公式(5)将从训练集中获得最佳分离超平面，通过公式(6)对背景和前景进行分类，
[0038][0039]如果yi＝1，则表示该N
‑
邻域目标区域被分类为ROI；否则，当前N
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分类框架的图像二值化方法，其特征在于，包括以下步骤：步骤一：选取指定单纯小区域子图，所述单纯小区域子图为只包含器官区域的子图或只包含背景区域的子图，然后指定该子图的标签，在训练样本中，对每一幅OCT眼睛样本图像手工选取器官小区域和背景小区域，将仅包含器官区域的子图即前景和仅包含背景区域的子图分别存放在两个对应的文件夹ROI和BackGround中；步骤二：倍减区域拼接特征提取，采用N
‑
邻域目标区域和双重区域提取特征的方法，分别从两个文件夹中每个子图像采用两个阶段的方式提取Gabor特征，第一阶段采用N
‑
邻域目标区域对子图像进行划分并提取Gabor特征，第二阶段对N
‑
邻域目标区域间隔选取像素点减小一半的尺寸，如果减半后为小数则向上取为整数，并提取特征，最后将两次提取的Gabor特征拼接为一个高维特征向量；步骤三：特征降维并学习映射子空间，利用主成分分析PCA技术对提取的Gabor特征进行降维，并得到特征映射子空间S；步骤四：训练支持向量机，获得给定一个训练集的最佳分离超平面，并对背景和前景进行分类；步骤五：N
‑
邻域目标区域分类，根据N
‑
邻域目标区域的判断结果对待测样本图像区域赋值；步骤六：2
‑
方向定长填充和形态学腐蚀算法处理，在得到初步的二值化图像后，存在ROI区域内部孔洞和不连续等问题，采用2
‑
方向定长填充和形态学腐蚀对二值化后的图像进一步处理。2.根据权利要求1所述的基于分类框架的图像二值化方法，其特征在于，所述步骤二中提取的Gabor特征维度达到3000维。3.根据权利要求1所述的基于分类框架的图像二值化方法，其特征在于，采用倍减区域拼接特征提取的方式，分别提取N
‑
邻域目标区域特征，特别地，N
‑
邻域目标区域表示选取的区域像素位置相邻，并且仅包含前景区域或背景区域的像素，N的取值由手工设置；对应的Gabor提取公式如下：z＝2πi(μxcosθ+μysinθ),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，σ表示Gabor模板的标准差，θ表示Gabor滤波的方向，μ表示采样频率；将提取的仅包含器官的拼接特征标记为1，将提取的仅包含背景的拼接特征标记为
‑
1。4.根据权利要求1所述的基于分类框架的图像二值化方法，其特征在于，所述步骤三中特征映射子空间计算公式如下：S＝F(X),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，S表示训练集中的投影子空间，F(X)是计算主成分分析PCA的函数。5...

【专利技术属性】
技术研发人员：马飞，程荣花，孟静，王升波，赵景秀，张元科，李颖，张雪婷，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：