基于聚類算法的眼底視網(wǎng)膜血管分割研究.pdf

1、眼底視網(wǎng)膜血管作為人體唯一能夠觀察到的較深層的血管，不僅可以反映心血管疾病對血管網(wǎng)絡(luò)的影響，而且還可以反映糖尿病型視網(wǎng)膜病變的程度，因此視網(wǎng)膜圖像中血管的檢測與提取在高血壓、糖尿病等疾病的診斷和治療評價方面具有重要意義。另外，視網(wǎng)膜血管作為一種人體生物特征，在身份鑒別等安全保密方面亦有重要的應(yīng)用前景。
　　 本文在前人研究的基礎(chǔ)上對眼底視網(wǎng)膜血管分割算法進行了研究，主要工作體現(xiàn)在以下幾個方面：
　　 (1)研究了眼底視網(wǎng)

2、膜圖像的預(yù)處理過程。通過對紅、綠、藍三個通道圖像的分析，發(fā)現(xiàn)只有綠色通道圖像血管和背景的對比度最高，故選取綠色通道圖像進行降噪處理、去除眼底圖像邊框和進行亮度調(diào)整，在此基礎(chǔ)上采用匹配濾波法進行增強。實驗結(jié)果表明，預(yù)處理后圖像血管清晰可見，對比度得到改善。
　　 (2)研究了聚類數(shù)、初始聚類中心、加強指數(shù)、核函數(shù)的選取對眼底血管圖像分割結(jié)果的影響。聚類算法中聚類參數(shù)的選取目前尚無理論指導(dǎo)，本文結(jié)合模糊C均值聚類算法的評價標準通過大

3、量實驗仿真來確定聚類參數(shù)。仿真結(jié)果表明，若聚類數(shù)選擇太小，背景和目標區(qū)域誤分割現(xiàn)象嚴重；若聚類數(shù)選擇過大，不僅會增加計算時間和算法的復(fù)雜性，而且核模糊C均值聚類的目標函數(shù)值并不會相應(yīng)地減少；當聚類數(shù)為5時分割效果最好。聚類算法的初始聚類中心用K-means算法的聚類中心代替時可以有效地減少算法的迭代次數(shù)。加權(quán)指數(shù)為2時算法的運算時間最短，在相同的迭代次數(shù)下選取高斯核作為核函數(shù)時聚類目標函數(shù)下降的相對幅度最大。
　　 (3)提出了

4、一種自適應(yīng)提取眼底視網(wǎng)膜血管區(qū)域的方案。通過對聚類分割圖像和與之相對應(yīng)隸屬度的關(guān)系分析，發(fā)現(xiàn)將隸屬度和較小的3類聚類分割圖像合并為血管區(qū)域時效果較好。仿真和實驗驗證了此方案的可行性。
　　 (4)引入遺傳算法優(yōu)化聚類算法的目標函數(shù)值。核模糊C均值聚類算法在求解目標函數(shù)時容易陷入局部最優(yōu)，收斂速度受初始值的影響比較大，本文利用遺傳算法的隨機全局多點搜索能力優(yōu)化聚類算法的目標函數(shù)值。
　　 (5)針對受噪聲干擾嚴重的眼底視網(wǎng)