基于组合分类器的白内障眼底图像分类方法及分类装置的制造方法
【技术领域】
[0001]本发明涉及医学与计算机技术领域，特别涉及一种基于组合分类器的白内障眼底图像分类方法及分类装置。
【背景技术】
[0002]相关技术中，首先对白内障眼底图像进行预处理，在预处理后的眼底图像中提取了 40个特征，包括I个亮度特征、24个灰度共生矩阵特征和15个灰度-梯度共生矩阵特征。分类器采用的是一个两层的BP神经网络。分类器的输入神经元个数是40个，隐含层神经元个数是10，输出层神经元个数是4个。最后分类的正确率达到了 82.5%。
[0003]白内障眼底图像的分类主要包括预处理、特征提取和分类器三部分。在图像预处理阶段主要包括提取RGB彩色空间的G通道图像、改进的高低帽算法和三边滤波器处理三部分。经过预处理后的图像变得更清晰，也滤掉了大部分的噪声，更适合后续的特征提取。特征提取主要包含亮度特征和纹理特征提取，其中纹理特征提取包括灰度共生矩阵和灰度-梯度共生矩阵提取两部分。由于视神经盘是眼底图像中最亮的部分，并且它也是将白内障进行分类的一个重要标志，所以以此作为白内障分类的一个标准。纹理特征主要包含灰度共生矩阵特征和灰度-梯度共生矩阵两类。灰度共生矩阵表示的是图像主要的纹理信息，但它不包含图像的边缘信息；而灰度-梯度共生矩阵恰恰弥补了灰度共生矩阵的这个缺陷。分类器采用的是一个两层的BP(Back Propagat1n，神经网络)神经网络，包含输入层、隐含层和输出层。这里输入层的个数是40，输出层的个数是4，隐含层的个数根据实验结果调整为10，此时的实验效果比较好。
[0004]然而，相关技术虽然能对白内障眼底图像进行分类，但分类的正确率还不能达到满意的要求，在特征提取和分类方法方面还待进一步加强。
【发明内容】
[0005]本申请是基于发明人对以下问题的认识和发现作出的:
[0006]目前，每一位进行眼科检查的患者都要首先拍摄眼底照片，从而眼科医生可以通过眼底照片中眼底主要部位的清晰程度初步判断患者是否患有白内障及所患白内障疾病的严重程度。其中，当眼底图像中的视神经盘、大小血管均清晰可见的属于正常眼底；视神经盘模糊不清的属于重度白内障；大小血管不可见的属于中度白内障；仅小血管不可见的属于轻度白内障。
[0007]然而，现在的研宄现状是医生凭经验看大量眼底图像并进行分类，而相应的做图像处理的计算机研宄人员的工作更多的关注于图像本身的处理，很少有人基于专业医生看眼底图像的经验来做眼底图片的自动分级划分工作，而此项工作对具体应用和医学研宄都有很大意义。一方面可以为医生减轻工作量，提高工作效率；另一方面可以对白内障术后恢复情况作很好地估计，患者和医生可以提前预知术后患者视力恢复状况。同时随着人口老龄化和人们对自身健康重视程度的增加，拍摄眼底照片人数也会相应地增加，未来会有更多的眼底图像需要进行分级，这种眼底图像数据库会逐渐地发展成为大数据，这种自动分级系统会大大减少人力资源，也会使工作效率有很大的提高。
[0008]本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。
[0009]为此，本发明的一个目的在于提出一种基于组合分类器的白内障眼底图像分类方法，该方法可以提高分类的精确度，更好地满足对于正确率的使用要求。
[0010]本发明的另一个目的在于提出一种基于组合分类器的白内障眼底图像分类装置。
[0011]为达到上述目的，本发明一方面实施例提出了一种基于组合分类器的白内障眼底图像分类方法，包括以下步骤:获取白内障眼底图像；对所述白内障眼底图像进行预处理；分别通过小波变换、轮辅方法和纹理分析从所述处理后的白内障眼底图像中提取N组特征，N为正整数；分别通过支持向量机和BP神经网对所述N组特征进行预测分类，以获取M种预测分类结果，M为大于等于N的正整数；以及通过组合分类器对所述M种预测分类结果进行投票分类，以获取最终分类结果。
[0012]根据本发明实施例提出的基于组合分类器的白内障眼底图像分类方法，在对白内障眼底图像进行预处理之后，通过小波变换、轮辅方法和纹理分析分别提取多组特征，其次通过支持向量机和BP神经网对多组特征进行预测分类，最后通过组合分类器进行投票分类，以获取最终分类结果，提高分类的精确度，更好地满足对于正确率的使用要求。
[0013]另外，根据本发明上述实施例的基于组合分类器的白内障眼底图像分类方法还可以具有如下附加的技术特征:
[0014]进一步地，在本发明的一个实施例中，所述N可以为3，所述M可以为6。
[0015]进一步地，在本发明的一个实施例中，所述预处理包括:提取RGB彩色空间和G通道图像；对所述G通道图像进行两次直方图均衡化处理；和/或通过高低帽算法和三边滤波器处理所述G通道图像。
[0016]进一步地，在本发明的一个实施例中，采用所述组合分类器的投票法选取获得票数最多的预测分类结果作为所述最终分类结果。
[0017]进一步地，在本发明的一个实施例中，所述N组特征中每个特征包括亮度特征和纹理特征，其中，所述纹理特征包括灰度共生矩阵和灰度-梯度共生矩阵。
[0018]本发明另一方面实施例提出了一种基于组合分类器的白内障眼底图像分类装置，包括:获取模块，用于获取白内障眼底图像；处理模块，用于对所述白内障眼底图像进行预处理；提取模块，用于分别通过小波变换、轮辅方法和纹理分析从所述处理后的白内障眼底图像中提取N组特征，N为正整数；第一分类模块，用于分别通过小波变换、轮辅方法和纹理分析从所述处理后的白内障眼底图像中提取N组特征，N为正整数；以及第二分类模块，用于通过组合分类器对所述M种预测分类结果进行投票分类，以获取最终分类结果。
[0019]根据本发明实施例提出的基于组合分类器的白内障眼底图像分类装置，在对白内障眼底图像进行预处理之后，通过小波变换、轮辅方法和纹理分析分别提取多组特征，其次通过支持向量机和BP神经网对多组特征进行预测分类，最后通过组合分类器进行投票分类，以获取最终分类结果，提高分类的精确度，更好地满足对于正确率的使用要求。
[0020]另外，根据本发明上述实施例的基于组合分类器的白内障眼底图像分类装置还可以具有如下附加的技术特征:
[0021 ] 进一步地，在本发明的一个实施例中，所述N可以为3，所述M可以为6。
[0022]进一步地，在本发明的一个实施例中，所述处理模块包括:提取单元，用于提取RGB彩色空间和G通道图像；处理单元，用于对所述G通道图像进行两次直方图均衡化处理和/或通过高低帽算法和三边滤波器处理所述G通道图像。
[0023]进一步地，在本发明的一个实施例中，所述第二分类模块具体用于采用所述组合分类器的投票法选取获得票数最多的预测分类结果作为所述最终分类结果。
[0024]进一步地，在本发明的一个实施例中，所述N组特征中每个特征包括亮度特征和纹理特征，其中，所述纹理特征包括灰度共生矩阵和灰度-梯度共生矩阵。
[0025]本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
【附图说明】
[0026]本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中:
[0027]图1为根据本发明实施例的基于组合分类器的白内障眼底图像分类方法的流程图；
[0028]图2为根据本发明一个实施例的基于组合分类器的白内障眼底图像分类方法的流程图；
[0029]图3为根据本发明一个实施例的白内障眼底图像示意图；
[0030]图4为根据本发明实施例的基于组合分类器的白内障眼底图像分类装置的结构不意图；以及
[0031]图5为根据本发明一个实施例的基于组合分类器的白内障眼底图像分类装置的结构示意图。
【具体实施方式】
[0032]下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0033]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对