结合自适应脉冲耦合神经网络和最大类间方差准则的眼底图像血管自动检测方法

结合自适应脉冲耦合神经网络(PCNN)和最大类间方差准则,该文提出一种眼底图像血管自动检测方法。首先采用对比度受限的自适应直方图均衡化(CLAHE)和2维高斯匹配滤波对眼底图像进行预处理,以增强血管和背景的对比度;然后基于简化PCNN模型,结合最大类间方差准则对预处理后的眼底图像进行分割,针对PCNN神经元的链接强度通常为常数的不足,使用像素的拉普拉斯能量(EOL)作为对应神经元的链接强度值,使得PCNN能够根据像素特征自适应地调整神经元的链接强度;最后采用面积滤波、断点连接对分割结果进行后处理,得到最终的血管检测结果。对STARE眼底图像库的实验结果表明,该方法具有较高的鲁棒性、有效性和可靠性。

最大类间方差法在图像分割中的应用

基于阈值分割的方法,在图像分割过程中,物体像素的灰度级与背景像素的灰度级有不同,可以将物体从背景中较好的分割出来,总能用封闭而且连通的边界定义不交叠的区域。本文针对细胞图像的特点,首先对细胞图像分别利用经典的Sobel算子和Log边缘检测进行阈值分割,此分割方法是基于最大类间方差准则的分割。然后利用最大类间方差法对图像进行阈值分割。分割效果较令人满意。经实验证实运算速度较快,实现起来较为简单。