基于KPCA與SVM的視網(wǎng)膜微動(dòng)脈瘤檢測(cè)算法的研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)字視網(wǎng)膜圖像處理與分析技術(shù)也日漸成熟。糖尿病性視網(wǎng)膜病變是一種嚴(yán)重的糖尿病并發(fā)癥，是導(dǎo)致新發(fā)失明的主要原因。目前，在糖尿病的診療過程中面臨的重大難題是如何安全高效地進(jìn)行數(shù)字視網(wǎng)膜圖像篩查，及時(shí)地識(shí)別糖尿病性視網(wǎng)膜病變以便盡早地采取相應(yīng)措施避免失明。本文主要針對(duì)糖尿病性視網(wǎng)膜病變中最早出現(xiàn)的微動(dòng)脈瘤病征進(jìn)行研究，提出了一種基于核主成分分析(KPCA)和支持向量機(jī)(SVM)的微動(dòng)脈瘤檢測(cè)算法。
　　根據(jù)微動(dòng)脈瘤

2、的檢測(cè)原理可知，視網(wǎng)膜微動(dòng)脈瘤的檢測(cè)過程主要分為三大部分:微動(dòng)脈瘤的候選集獲取、微動(dòng)脈瘤特征抽取以及微動(dòng)脈瘤特征分類。本文基于圖像預(yù)處理技術(shù)和微動(dòng)脈瘤的粗提取理論獲取了視網(wǎng)膜微動(dòng)脈瘤候選集，并深入研究了視網(wǎng)膜微動(dòng)脈瘤的特征抽取算法和特征分類算法。
　　本文首先研究了基于PCA的微動(dòng)脈瘤特征抽取算法，該算法的實(shí)質(zhì)是通過線性映射將微動(dòng)脈瘤的特征樣本從高維的特征空間變換到較低維的特征子空間的過程。然而，由于PCA算法本身的局限性，在進(jìn)行

3、變換的過程中忽略了高階特征指標(biāo)之間的相互關(guān)系，使降維后的主成分并不能很好地表達(dá)原來的高維特征指標(biāo)所攜帶的信息。為解決該不足，本文提出了基于KPCA的微動(dòng)脈瘤特征抽取算法，該算法首先通過核函數(shù)將高維特征向量映射到核空間，然后再在核空間上進(jìn)行PCA處理，以實(shí)現(xiàn)高效地特征抽取。另外，本文在主成分分析的基礎(chǔ)上借助于截?cái)嗾`差法設(shè)計(jì)相應(yīng)的分類器，實(shí)現(xiàn)了對(duì)低維微動(dòng)脈瘤候選集的分類。實(shí)驗(yàn)證明，雖然兩種算法均能達(dá)到特征抽取的目的，但是基于KPCA的特征抽

4、取算法更能有效地降低特征維數(shù)，提高微動(dòng)脈瘤的檢測(cè)真陽性率。
　　其次，本文設(shè)計(jì)使用基于SVM的特征分類算法對(duì)特征抽取后的低維微動(dòng)脈瘤候選集進(jìn)行分類。針對(duì)傳統(tǒng)算法中單純采用各個(gè)特征量區(qū)間約束策略時(shí)忽視各個(gè)特征量的約束力大小的弊端，本文采用了基于統(tǒng)計(jì)學(xué)理論基礎(chǔ)的SVM分類算法，算法中關(guān)于核函數(shù)參數(shù)與懲罰因子的確定，本文采用粒子群優(yōu)化算法選取最優(yōu)的參數(shù)值。實(shí)驗(yàn)證明，基于SVM特征分類算法能夠有效的降低微動(dòng)脈瘤的檢測(cè)假陽性率。實(shí)驗(yàn)結(jié)果顯示