基于改进的U型网络的视网膜图像血管分割

针对目前存在的细小血管和低对比度血管分割能力不足的问题,以改进U型网络为基础,提出一种眼底血管分割方法。利用对比度限制的自适应直方图均衡化对血管增强处理,运用自适应伽马变换提升图像亮度信息并降低伪影干扰;在原始U-Net基础上,使用残差网络ResNet作为下采样层增强图像特征提取能力;使用激活函数ELU解决原始激活函数输入值为负时所产生的神经元失活问题。上述算法在DRIVE数据集上实验,平均准确率、特异性、灵敏度分别为0.9738、0.9892、0.7912。所提出的方法对血管分割的准确率以及细小血管的分割有所提升。

一种基于普通摄像头的光线自适应心率检测方法

为了在光线不均匀的情况下有效地提取出血液容积脉搏波信号,提出了一种基于普通摄像头的光线自适应心率检测方法。该方法对人脸图像序列进行自适应伽马变换,消除光照等影响;从额头区域提取出脉搏波源信号,经小波滤波处理得到血液容积脉搏波;再经傅里叶变换分析估计出心率。通过Bland-Altman分析,表明该文使用的方法与电子血压计的测量结果具有较好的一致性,且该文使用的自适应伽马变换消除了光照干扰的影响,心率的测量误差明显减小,完全能够满足日常心率监测的要求。

一种基于图像处理的提示盲道检测方法

传统盲道边界模型对提示盲道的预警作用不足,因此提出一种基于颜色信息的提示盲道检测算法。将摄像头采集到的盲道图像从RGB颜色空间转换为Lab颜色空间,对具有不同干扰颜色的盲道,结合盲道分割常用的颜色空间以及提示盲道的特征,分别提取a分量和b分量,综合利用Otsu阈值分割、形态学处理分割盲道区域,得到分割后的二值图像。通过分析二值图像中盲道区域像素点的数量与像素点中心位置的关系,实现提示盲道的检测和分类。实验结果表明,该算法能有效分割出大多数盲道图像,并实现提示盲道的准确检测和分类,将其应用在导盲设备中,利用声音或者物理振动的反馈,提醒盲人提示盲道的存在,帮助盲人寻找更好的行进方向,不仅能够极大地保证出行安全,而且还可以提供更加全面的盲道信息。

基于眼底图像的糖尿病视网膜病变分类系统设计

针对眼底图像,设计了一个糖尿病视网膜病变(Diabeticretinopathy,DR)分类系统,通过对视网膜血管图像进行定量分析来实现对DR病程的分类。采用Messidor数据集的眼底照片图像,这个数据集共包含100个研究项目,其中32张未患DR的眼底照片,24张患NPDR。根据数据集中DR患者和非DR人群的眼底图像以及眼科专家的分类结果,利用数字图像处理技术分析特征值的统计意义,判断该图像所反映的DR病程。预处理为提取特征值前的图像增强、主像素成分分析、匹配滤波以及Gabor滤波,对预处理后的图像进行直径、角度和分形维数等特征值提取。最终结果展示了直径、角度和分形维数的准确率达到了93%、96%、81.8%,提供有效的辅助诊断手段。糖尿病视网膜病变的特征值分析包括直径、角度和分形维数准确率较高。对于缺乏医疗条件的地区很有价值。