基于分类回归树和AdaBoost的眼底图像视网膜血管分割

摘要：

提出一种能有效分割眼底图像中视网膜血管的监督学习方法,为眼底图中的每个像素点构造一个包括局部特征、形态学特征和Gabor特征在内的39维特征向量,用以判定其是否为血管上的像素.在进行分类计算时,以分类回归树作为弱分类器对样本集分类,然后对AdaBoost分类器进行训练得到强分类器,并由此完成各个像素点的分类判定.基于国际公共数据库DRIVE的实验结果表明,该方法的平均精确度达到0.9607,且敏感度和特异性均优于已有的基于监督学习的方法,适用于眼底图像的计算机辅助定量分析和疾病诊断.

关键词：眼底图像、视网膜血管分割、分类回归树、Adaboost

所属期刊栏目：26

分类号：TP399(计算技术、计算机技术)

资助基金：国家自然科学基金61173122;湖南省自然科学基金重点项目12JJ2038;高等学校博士学科点专项科研基金资助课题2013016,2120089;中央高校基本科研业务费专项资金资助2012QNZT067;湖南省自然科学基金09JJ6102

在线出版日期：2014-04-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：445-451