眼底造影图像分割算法的研究与对比

　为了减少运算量，提高算法的速度，在算法的实现中采用了二维快速傅里叶正反变换。由于低频背景和极高频噪声得到衰减，在反变换后的图像中病变的灰度值得到相对增强，明显高于周围的背景灰度值，这样可以较容易地分离病变和背景，因此，经过傅里叶正反变换病变得到增强的图像，灰度值可以作为输入特征进行提取。
　利用上述方法获得样本图像的方差、残差和灰度特征，归一化后组成输入特征向量，输入到如图1所示的神经网络分类器，利用神经网络BP训练算法进行训练。训练完毕后，输入待分类的眼底荧光图像，提取图像特征，并进行归一化处理。将归一化后的特征值输入已训练的神经网络分类器进行分类，根据分类结果就可得到眼底荧光图像中的目标区域。
3 实验结果分析与对比
　图4所示为视网膜血管图像分割结果,其中图4(d)为基于最大熵的阈值方法分割后的血管图像，图4(e)为基于神经网络分割后的血管图像。图5所示为视网膜病变区域分割结果,其中图5(d)为基于最大熵的阈值方法分割后的图像，图5(e)为基于神经网络分割后的图像。对比两种不同的分割方法可以发现,基于阈值的分割方法运算速度较快，采用神经网络方法分割后的图像噪声更小，图像更清晰。

参考文献
[1] 文峰．浅谈眼底血管造影的临床释义[J] ．中华眼底病杂志，2001，3（17）：67-68.
[2] 章毓晋.图像分割[M].北京:科学出版社,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] 王传永,孙杰，陈辉，等.基于BP神经网络的血液图像细胞色彩分割[J].光电子·激光,2005,16(12):1506-1509.
[5] 杨治明,王晓蓉，彭军，等.BP人工神经网络在图像分割中的应用[J].计算机科学,2007,34(2):234-236.
[6] 周志华,曹存根.神经网络及其应用[M] .北京:清华大学出版社,2004.