一种基于血管结构相似度的视网膜图像主血管识别方法.pdf
一条****然后
亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于血管结构相似度的视网膜图像主血管识别方法.pdf
本发明涉及一种基于血管结构相似度的视网膜图像主血管识别方法,属于图像处理及目标识别技术领域。包括:1)视网膜图像血管跟踪,得到视网膜图像血管的跟踪图;2)利用视网膜图像血管的跟踪图计算视网膜图像血管的相关参数;其中,相关参数包括血管直径、血管长度、血管角度以及血管弯曲度;3)确定视网膜图像主血管识别的视网膜参考图像;4)视网膜图像血管结构相似度计算,得到血管结构相似度代价得分;5)对视网膜图像主血管进行识别,得到视网膜图像主血管的识别结果。所述方法能实现视网膜主血管的自动识别,且识别结果更加准确;具有一定
一种基于SVM的医疗图像血管识别方法.pdf
本发明公开一种基于SVM的医疗图像血管识别方法,包括:首先SVM分类器是通过专家手工分割后的样本训练出来的SVM模型对FCM自动选取的样本训练出的SVM模型进行交叉验证、优化后的结果,使分割结果更加精确;然后采用SVM分割血管,其实就是将像素点分为前景(即血管)和背景(即除血管外其他部分)两类,然后把血管部分提取出来,最后通过形态学处理以及阈值化可以达到增强血管网络、保留血管分叉以及交汇部分,最终转化为二值图像可以更直接地反映血管分布。本发明采用了FCM、SVM和形态学图像处理相结合,可使识别效果更好。
一种基于低尺度血管检测分割视网膜血管的方法.pdf
本发明属于图像识别和医学图像处理领域,涉及一种基于低尺度血管检测的视网膜血管分割方法。第一步:特征提取,本发明用到两个维度的特征矩阵,一个直接来自于彩色视网膜眼底图像的绿色通道。另一个是对用B‑COSFIRE滤波器处理后得到的响应结果。第二步,通过三倍标准差法去掉两个特征矩阵异常值,第三步,LVD模型的设计考虑到多尺度下的特征提取,以及每一层特征的融合,不仅能够从低尺度提取特征,而且保留了原尺度的细节特征。本发明的LVD模型融合了原尺度的细节特征,使得特征信息不丢失,分割结果更准确;子网络ADS‑N有较深
基于眼底图像的视网膜动静脉血管直接识别方法和系统.pdf
提供一种基于眼底图像的视网膜动静脉血管直接识别方法,包括:利用基础分割网络处理输入的眼底图像,输出64通道的特征图;利用血管约束模块处理所述64通道的特征图,输出第一结果图;所述第一结果图经过1×1的卷积即可生成包含背景、动脉、静脉、未知血管的4通道的动静脉特征图;所述4通道的动静脉特征图经过第一Sigmoid函数生成最终的视网膜动静脉血管识别图。本发明得到的动静脉血管分类结果精度更高,效率以及鲁棒性更高。
一种基于改进U-Net网络的视网膜图像血管分割方法.pdf
本发明提出了一种基于改进U‑Net网络的视网膜血管分割方法。通过对彩色眼底图像进行图像增强,提高图像中血管与背景之间的对比度,同时扩增训练数据集。以U‑Net编码器‑解码器结构为基本分割框架,设计密集卷积块和CDBR层结构代替传统卷积块,实现了多尺度特征信息的学习,提高模型的特征提取能力。同时,在模型跳跃连接处引入注意力机制,使模型重新分配权重,调整特征通道的重要程度,抑制噪声同时解决解码器端上采样过程中的血管信息丢失问题,基于以上技术构建GAB‑D2BUNet网络模型。本发明采用国际公开的视网膜眼底血管