用于糖尿病性眼底图像分类的核主成分谱哈希方法技术

本发明专利技术公开一种用于糖尿病性眼底图像分类的核主成分谱哈希方法。该方法首先对糖尿病性眼底图像数据进行预处理和分割操作，将处理后的眼底图像数据转化为向量形式；接着采用核主成分分析算法提取出眼底图像数据中非线性特征信息；然后将数据转化为二值码形式，利用Laplace‑Beltrami算子的特征值和特征函数值表示出眼底图像样本数据；最后利用阈值将样本特征函数值转化为二值码，并运用最近邻算法在汉明空间进行糖尿病性眼底图像的有效分类。本发明专利技术能充分提取出复杂非线性糖尿病性眼底图像数据特征，具有较高的分类准确率，且能有效降低大规模眼底图像分类时计算的复杂度。

Kernel Principal Component Spectrum Hashing Method for Classification of Diabetic Fundus Images

【技术实现步骤摘要】
用于糖尿病性眼底图像分类的核主成分谱哈希方法
：本专利技术涉及到医疗图像分类检测，具体来说涉及一种用于糖尿病性眼底图像分类的核主成分谱哈希方法。
技术介绍
：糖尿病是一种高发病率疾病，现已成为人类健康较大的威胁。尽早检测糖尿病可以有效减少治疗成本，相反晚期糖尿病的治疗是代价昂贵的。糖尿病往往会导致视网膜异常，这是一种糖尿病微血管并发症，被称为糖尿病性视网膜病变。眼底图像可用监测视网膜异常，所以眼底图像分类目前已成为糖尿病非入侵性检测的有效方法。眼底图像诊断的分类精度通过用敏感性和特异性评估，敏感性是指异常眼底被正确分类的百分比，特异性是指正常眼底被正确分类的百分比，两个值越高，诊断的结果越好。核主成分分析为了更好地处理非线性数据，引入隐性的非线性映射函数将原空间中的数据映射到高维空间，空间中的任一向量都可以由该空间中的所有样本线性表示。核主成分分析相较于主成分分析可以提取出样本中的非线性信息。谱哈希对图像特征向量的编码过程可看作是图分割问题，借助于对相似图的拉普拉斯矩阵特征值和特征向量的分析可对图分割问题提供一个松弛解。由谱聚类可知，相似图拉普拉斯矩阵的特征向量实际上就是原始特征降维后的向量，其并不是0-1的二值向量，可通过对特征向量进行阈值化产生spectralhashing的二值编码，更好地应用于图像特征分类。
技术实现思路
：本专利技术的目的是提供一种用于糖尿病性眼底图像分类的核主成分谱哈希方法。该方法首先对糖尿病性眼底图像数据进行预处理和分割操作，将处理后的眼底图像数据转化为向量形式；接着采用核主成分分析算法提取出眼底图像数据中非线性特征信息；然后将数据转化为二值码形式，利用Laplace-Beltrami算子的特征值和特征函数值表示出眼底图像样本数据；最后利用阈值将样本特征函数值转化为二值码，并运用最近邻算法在汉明空间进行糖尿病性眼底图像的有效分类。本专利技术能充分提取出复杂非线性糖尿病性眼底图像数据特征，具有较高的分类准确率，且能有效降低大规模眼底图像分类时计算的复杂度。本专利技术通过以下的技术方案实现的：一种用于糖尿病性眼底图像分类的核主成分谱哈希方法，具体步骤如下：A、首先进行糖尿病性眼底图像预处理，采用中值滤波法去除图像背景，利用图像形态学去除血管结构，提取出图像中的病变信息，利用线性元素对图像进行腐蚀操作，并对糖尿病性眼底图像中微动脉瘤候选集合的经行区域进行生长；B、选择糖尿病性眼底图像中的微血管瘤病变作为模板匹配的目标，根据微动脉瘤在图像中的灰度与形状参数，设计其函数模型来匹配目标，使眼底图像中微动脉瘤灰度服从高斯分布，其函数模板的匹配公式为：其中l为灰度最低值，h为灰度高度，e为自然底数，d为点到模板圆心的距离，r为半径，s为灰度陡峭度，(x0,y0)为微动脉瘤中心点，并将得到的特征提取图像转化为数据向量；C、将糖尿病性眼底图像数据分为训练数据和测试数据，训练数据为X＝(x1,x2,...,xn),n＝1,2,3,4...，测试数据为X'＝(x1',x2',...,xm')，通过原始数据的维度确定需要转化的二值码码长为2n,n＝1,2,3,4...，选择原始数据维度和需要转化的二值码码长中较小的值作为降维数m，从而得到核主成分数据；D、在核主成分数据每一个特征方向上根据主成分值应用公式计算q1个最小的特征值，得到N×q1个特征值，并对该特征值列表进行排序，选取前q1个最小的特征值，计算其对应的特征函数值；E、利用谱哈希方法将特征函数值的阈值设置为0，获取其相应的二值码，将每八位压缩为一个十进制紧密码,并用k最近邻kNN分类算法在汉明空间对获得的谱哈希十进制紧密码进行分类，从而进行糖尿病性眼底图像的有效分类。本专利技术的进一步改进在于：所述步骤C具体为：将糖尿病性眼底图像数据分为训练数据和测试数据，训练数据为X＝(x1,x2,...,xn),n＝1,2,3,4...，确定核主成分分析的降维数，通过原始数据的维度确定需要转化的二值码码长为2n,n＝1,2,3,4...，选择其中较小的值作为降维数m，从而得到核主成分数据，其步骤如下：a、将原来的非线性复杂数据转换至高维数据空间，通过原数据之间核函数Kij＝h(xi,xj),i,j＝1,2,...,n得到核矩阵，表示xi,xj的核函数运算，得到的值为核矩阵Kij中第i行第j列元素；b、对上述得到的核矩阵中心化运算为：其中为表示中心化的核矩阵，l为n×n的矩阵，其每个元素为1/n；c、求中心化核矩阵的特征值λg,g＝1,2,...,n和特征向量αg，有效去除特征之间的相关性，选择前m个最大特征值所对应的特征向量，得到原始数据中主要的信息，从而构造其对应的特征向量系数矩阵U＝[α1,α2,...,αm]；d、将原始训练数据和测试数据在该特征向量系数矩阵进行投影，得到训练数据的核主成分数据和测试数据的核主成分数据，其计算公式为：其中x表示训练数据或者测试数据的某一个样本，t表示数据x的第g个主成分数据。本专利技术的进一步改进在于：所述步骤D具体为：在核主成分数据每一个特征方向上根据主成分值应用公式计算q1个最小的特征值，得到N×q1个特征值，并对该特征值列表进行排序，选取前q1个最小的特征值，计算其对应的特征函数值；其步骤如下：a、对原始数据中的训练数据进行核主成分分析并得到核主成分数据，在每一个核主成分方向上计算出数据的百分位，确定其均匀分布的区间范围为[a,b]；b、在每一个主成分方向上，根据区间范围宽度(a-b)计算其对应的码长，并采用码长加一来提高码的冗余度，特征变量的方差越大，对于应该得到的码长越长；c、在每一个主成分方向上，将所有主成分方向码长进行相加，得到总码长，选择特征值较小的码位序号k1计算对应的特征函数值；d、在每一个主成分方向上，初始化主成分方向上的序号，得到初始化矩阵为：e、在每一个主成分方向上排列码值序号，并转移到矩阵上的不同位置，得到的模式矩阵为：f、将初始化矩阵减去模式矩阵，得到所需矩阵为：g、通过矩阵M计算得到每一个特征值码位对应的特征值，采用计算公式为其中参数e为自然底数，a和b分别为分布区间范围上下限，M表示得到用于计算特征值的模式矩阵，ε为相似邻域半径；该特征值是Laplace-Beltrami算子对应于特征方程的特征值，并将不同核主成分方向上的对应码位的特征值进行求和，并比较特征值大小，得到较小特征值，个数对应于码长，得到用于计算二值码对应特征函数值的特征值模式矩阵其中km用于计算对应的特征函数。本专利技术的进一步改进在于：所述步骤E具体为：利用谱哈希方法将特征函数值的阈值设置为0，获取其相应的二值码，然后将每八位压缩为一个十进制紧密码,并用k最近邻kNN分类算法在汉明空间对获得的谱哈希十进制紧密码进行分类，从而进行糖尿病性眼底图像的有效分类，其步骤如下：a、将训练数据根据得到的特征值进行模式转换，在每一个样本中根据均匀分布数据最小值的主成分数和对应于不同的码位的二值码模式在每个主成分方向上，得到特征函数值；再将不同码位上对应于不同主成分方向的值进行相乘，得到相应码位的特征函数值；计算对应的特征向量函数为：其中参数a和b分别为分布的区间范围上下限，x表示训练和测试数据的主成分；b、将数值0作为阈值，把上述特征函数值转化本文档来自技高网...

【技术保护点】
1.一种用于糖尿病性眼底图像分类的核主成分谱哈希方法，其特征在于：具体步骤如下：A、首先进行糖尿病性眼底图像预处理，采用中值滤波法去除图像背景，利用图像形态学去除血管结构，提取出图像中的病变信息，利用线性元素对图像进行腐蚀操作，并对糖尿病性眼底图像中微动脉瘤候选集合的经行区域进行生长；B、选择糖尿病性眼底图像中的微血管瘤病变作为模板匹配的目标，根据微动脉瘤在图像中的灰度与形状参数，设计其函数模型来匹配目标，使眼底图像中微动脉瘤灰度服从高斯分布，其函数模板的匹配公式为：

【技术特征摘要】
1.一种用于糖尿病性眼底图像分类的核主成分谱哈希方法，其特征在于：具体步骤如下：A、首先进行糖尿病性眼底图像预处理，采用中值滤波法去除图像背景，利用图像形态学去除血管结构，提取出图像中的病变信息，利用线性元素对图像进行腐蚀操作，并对糖尿病性眼底图像中微动脉瘤候选集合的经行区域进行生长；B、选择糖尿病性眼底图像中的微血管瘤病变作为模板匹配的目标，根据微动脉瘤在图像中的灰度与形状参数，设计其函数模型来匹配目标，使眼底图像中微动脉瘤灰度服从高斯分布，其函数模板的匹配公式为：其中l为灰度最低值，h为灰度高度，e为自然底数，d为点到模板圆心的距离，r为半径，s为灰度陡峭度，(x0,y0)为微动脉瘤中心点，并将得到的特征提取图像转化为数据向量；C、将糖尿病性眼底图像数据分为训练数据和测试数据，训练数据为X＝(x1,x2,...,xn),n＝1,2,3,4...，测试数据为X'＝(x1',x2',...,xm')，通过原始数据的维度确定需要转化的二值码码长为2n,n＝1,2,3,4...，选择原始数据维度和需要转化的二值码码长中较小的值作为降维数m，从而得到核主成分数据；D、在核主成分数据每一个特征方向上根据主成分值应用公式计算q1个最小的特征值，得到N×q1个特征值，并对该特征值列表进行排序，选取前q1个最小的特征值，计算其对应的特征函数值；E、利用谱哈希方法将特征函数值的阈值设置为0，获取其相应的二值码，将每八位压缩为一个十进制紧密码,并用k最近邻kNN分类算法在汉明空间对获得的谱哈希十进制紧密码进行分类，从而进行糖尿病性眼底图像的有效分类。2.根据权利要求1所述一种用于糖尿病性眼底图像分类的核主成分谱哈希方法，其特征在于：所述步骤C具体为：将糖尿病性眼底图像数据分为训练数据和测试数据，训练数据为X＝(x1,x2,...,xn),n＝1,2,3,4...，确定核主成分分析的降维数，通过原始数据的维度确定需要转化的二值码码长为2n,n＝1,2,3,4...，选择其中较小的值作为降维数m，从而得到核主成分数据，其步骤如下：a、将原来的非线性复杂数据转换至高维数据空间，通过原数据之间核函数Kij＝h(xi,xj),i,j＝1,2,...,n得到核矩阵，表示xi,xj的核函数运算，得到的值为核矩阵Kij中第i行第j列元素；b、对上述得到的核矩阵中心化运算为：其中为表示中心化的核矩阵，l为n×n的矩阵，其每个元素为1/n；c、求中心化核矩阵的特征值λg,g＝1,2,...,n和特征向量αg，有效去除特征之间的相关性，选择前m个最大特征值所对应的特征向量，得到原始数据中主要的信息，从而构造其对应的特征向量系数矩阵U＝[α1,α2,...,αm]；d、将原始训练数据和测试数据在该特征向量系数矩阵进行投影，得到训练数据的核主成分数据和测试数据的核主成分数据，其计算公式为：其中x表示训练数据或者测试数据的某一个样本，t表示数据x的第g个主成分数据。3.根据权利要求1所述一种用于糖尿病性眼底图像分类的核主成分谱哈希方法，其特征在于：所述步骤D具体为：在核主成分数据每一个特征方向上根据主成分值应用公式计算q1个最小的特征值，得到N×q1个特征值，并对该特征值列表进行排序，选取前q1个最小的特征值，计算其对应的特征函数值；其步骤如下：a、对原始数据中的训练数据进行核主成分分析并得到核主成分数据，在每一个核主成分方向上计算出数据的百分...

【专利技术属性】
技术研发人员：丁卫平，景炜，丁帅荣，万杰，胡彬，陈森博，任龙杰，孙颖，冯志豪，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏,32