眼底造影圖像分割算法的研究與對比

　為了減少運算量，提高算法的速度，在算法的實現中采用了二維快速傅里葉正反變換。由于低頻背景和極高頻噪聲得到衰減，在反變換后的圖像中病變的灰度值得到相對增強，明顯高于周圍的背景灰度值，這樣可以較容易地分離病變和背景，因此，經過傅里葉正反變換病變得到增強的圖像，灰度值可以作為輸入特征進行提取。
　利用上述方法獲得樣本圖像的方差、殘差和灰度特征，歸一化后組成輸入特征向量，輸入到如圖1所示的神經網絡分類器，利用神經網絡BP訓練算法進行訓練。訓練完畢后，輸入待分類的眼底熒光圖像，提取圖像特征，并進行歸一化處理。將歸一化后的特征值輸入已訓練的神經網絡分類器進行分類，根據分類結果就可得到眼底熒光圖像中的目標區域。
3 實驗結果分析與對比
　圖4所示為視網膜血管圖像分割結果,其中圖4(d)為基于最大熵的閾值方法分割后的血管圖像，圖4(e)為基于神經網絡分割后的血管圖像。圖5所示為視網膜病變區域分割結果,其中圖5(d)為基于最大熵的閾值方法分割后的圖像，圖5(e)為基于神經網絡分割后的圖像。對比兩種不同的分割方法可以發現,基于閾值的分割方法運算速度較快，采用神經網絡方法分割后的圖像噪聲更小，圖像更清晰。

參考文獻
[1] 文峰．淺談眼底血管造影的臨床釋義[J] ．中華眼底病雜志，2001，3（17）：67-68.
[2] 章毓晉.圖像分割[M].北京:科學出版社,2001.
[3] Gao Ning, Shao Lushou. Application of BP neural network prediction nodel on corps pests level by MATLAB [J]. Computer and Agriclture,2003,7:16-18.
[4] 王傳永,孫杰，陳輝，等.基于BP神經網絡的血液圖像細胞色彩分割[J].光電子·激光,2005,16(12):1506-1509.
[5] 楊治明,王曉蓉，彭軍，等.BP人工神經網絡在圖像分割中的應用[J].計算機科學,2007,34(2):234-236.
[6] 周志華,曹存根.神經網絡及其應用[M] .北京:清華大學出版社,2004.