眼底图像的病变识别
眼底图像分析技术在疾病诊断中的应用
眼底图像分析技术在疾病诊断中的应用随着科技的发展，医学领域的准确性和效率已经得到了极大的提升。
眼底图像分析技术是一项新兴技术，已经被广泛应用于眼科疾病的诊断和治疗。
本文将从眼底图像分析技术的基础知识、应用领域、优势和未来发展等多方面展开讨论。
一、眼底图像分析技术的基础知识眼底图像分析技术是一种利用计算机视觉技术进行图像处理和分析的方法，它可以从眼底照片中提取出丰富的信息，帮助医生进行疾病诊断和治疗。
现代眼底照相技术已经非常先进，可以捕捉到高清晰度的眼底图像，在这些图像上，医生可以看到眼底血管、视网膜、黄斑和视神经等细节。
眼底图像分析技术可以帮助医生快速地诊断出某些疾病，例如青光眼、玻璃体混浊、黄斑变性、糖尿病视网膜病变等。
二、眼底图像分析技术的应用领域眼底图像分析技术已经成为了眼科疾病诊断和治疗的重要工具，下面我们来详细介绍一下其应用领域。
（一）青光眼青光眼是一种慢性疾病，易导致永久性视力损失。
使用眼底图像分析技术，可以检测出青光眼患者眼球的压力情况，帮助医生早期诊断和治疗。
（二）玻璃体混浊玻璃体混浊是一种常见的眼病，特别是老年人容易发生。
通过眼底图像分析技术，可以直观地观察玻璃体的情况，这将有助于医生制定更加精确的治疗方案。
（三）黄斑变性黄斑变性是老年人中第一位的致盲疾病，使用眼底图像分析技术可以在早期诊断该疾病，防止病情进一步加重。
此外，通过比较不同时间段的眼底图像，医生可以评估治疗的有效性。
（四）糖尿病视网膜病变糖尿病视网膜病变是一种由于糖尿病造成的眼部并发症。
通过眼底图像分析技术，可以检测视网膜血管的损伤程度，并帮助医生决定何时需要采取治疗措施。
三、眼底图像分析技术的优势与传统的眼科诊断方法相比，眼底图像分析技术拥有以下几个优势。
（一）快速、准确眼底图像分析技术可以通过电脑计算的方式来进行图像分析，不需要医生进行手动勾画或测量，因此速度更快，准确度更高。
（二）无创、非侵入性传统的眼科检查方法通常需要使用针头等工具对眼部进行刺激，会带来不适和感染等风险。
一种病变眼底图像的配准方法
Ａｂｓｒ ｃ ：Ｉ ｉ ｕｔ ｉ ｃ ｌ ｔ ｅ ｉｔｒｔ ａｈ ｌｇ ｃ ｌｒｔｎ ｌｉ ｇ ｓ ｏ ｎ ｏ ｔ ｅ ｖ ｇ ｅ ｖ ｓ ｕ ａ ｅｗｏ ｋ ｔａ ｔ ｔ ｓ ｑ ｉ ｄｆ ｕｔ ｏ ｒ ｇｓｅ ｗｏ ｐ ｔ ｏｏ ｉａ ｅｉ ａ ｍａ ｅ ｗｉｇ ｔ ｈ ａ ｕ ａ ｃ ｌｒ ｎ ｔ ｒ ｅ ｉ ｅ ｉｔｎ ｅ Ｍｏ ｅ ｖ ｒ ｅ ｅａ ｅ ｉｔａｉｎ ｍｅｈ ｄ ａ ｅ ｎ ｄ ｔｃｉｇ ｔｅ ｃｏ ｓ ｖ ｒ ，ｂ ｆｒ ａｉｎ ｆ ｈ ａｃ ｌｒ ｘｓｅ ｃ ． ｒｏ ｅ ，ｇ ｎ ｒｌｒｇ ｓｒｔｏ ｔ ｏ ｓｂ ｓ ｄ ｏ ｅｅ ｔｎ ｈ ｒｓ ｏ ｅ ｓ ｉｕ ｃ ｔｏ ｓｏ ｅｖ ｓ ｕａ ｔ ｎｅｗｏ ｋ ｈ ｖ ｅｔ ｉ ｒ ｗｂ ｃ ｓ Ｉ ｈ ｓｐ ｐ ｒ，ａｒ ｔ ａ ｍａ ｅｒ ｇｓｒ ｔ ｎ ｍｅｈ ｄ ｂ ｓ ｄｏ ｎ ａｉｎ ｅ ｔ ｒ ｓ ｔ ｒ ａ ｅ ｃ ｒａｎｄ ａ ａ ｋ ． ｎ ｔ ｉ ａ ｅ ｅｉ ｌｉ ｇ ｅ ｉｔａｉ ｔｏ ａ ｅ ｎ ｉｖ ｒａ ｔｆａｕ ｅｉ ｎ ｏ ｐ ｏ ｏｅ ｒ ｐ ｓ ｄ．Ｗ ｅｒｃ ｇ ｉｅ ｔｅ ｅ ｔａ ｔｄ ｉｖ ｒａ ｔ ｅ ｔｒ ｓｆａｕ ｅｐ ｉ ｔａ ｄ ｐ ｏ ｏ ｅ ｉ ｔｒ ｌ“ ｒ ｔｅ ｂ ｓ－ ｉ ｅ ｏ ｎ ｚ ｈ ｘｒ ｃｅ ｎ ａ ｉｎ ａｕ ｅａ ｅ ｔ ｒ ｏｎ ｎ ｒ ｐ ｓ ｄ ｂ ｌ ｅ ａ ｏ ” ｈ ｅ ｔｂｎ－ ｆ ａ
魏丽芳 潘 林 余 轮
（ 福州大学计算机图象图形研究所， 福州 ３ ００ ５ ０２）
摘
要 ： 于 具 有 病 变 的 眼 底 图像 ， 管 结 构 不 够 清 晰 ， 用 基 于 血 管 分 割 和 血 管 分 支 点 、 叉 点 等 眼 底 图 像 配 准 对 血 采 交
眼底病OCT解读 PPT
RPE受损并破坏了视网膜外屏障，渗出
膜下间隙。毛细血管
CSC--病程
急性期病变的神经上皮脱离 伴色素上皮脱离
慢性迁延性
色素上皮脱离与神经上皮脱离，两者有
CSC--造影
色素上皮脱离：在动脉前期或动脉早期即有荧光，勾划出脱离范 时间过程逐渐增强其亮度，持续到造影后期，但其 膜荧光消失后仍然清晰可见。
63um以上的Drusen是软性玻璃膜疣。 特别是125um以上的Drusen，被称 为有意义的大病灶。
干性AMD--玻璃膜疣
SLO
SLO中黄斑区呈色素紊乱
FFA
Retro Mode中玻璃膜疣呈小颗
干性AMD--地图状萎缩
湿性AMD--CNV
新生血管在RPE下停留：Occult CNV(隐匿型) Gass：type1 新生血管延伸至RPE上：Classic CNV（经典型） Gass：type2
早期AMD：同时存在 疣和少量中等大小的 为63-124um），或有
AMD--AREDS标准
中期AMD（AREDS分类3）：广泛存在中等大小的玻璃膜疣，至 的玻璃膜疣（直径≥125um），或有未涉及黄斑中心凹的地图
AMD--AREDS标准
晚期AMD：同一只眼具有以下一个或几个特点（在缺少其它原因的
叁
异常视网膜OCT影像
一.组织形态异常： 1.视网膜整体轮廓异常 2.视网膜内部结构异常 a.正常结构消失 b.异常结构出现
二、组织反射异常： 1.反射增强
1.视网膜厚度改变： a.视网膜厚度增加 b.视网膜厚度减少
2.玻璃体视网膜牵引 3.黄斑中心凹消失 4.视网膜表面不平整（前 5.视网膜全层隆起(脉络膜 6.视网膜全层凹陷（脉络
＊经典性CNV和隐匿性CNV是造影上的用语；type1 CNV , type2 CNV一般是
正常眼底及常见异常眼底图分析(眼底照相)
正常眼底及常见异常眼底图分析(眼底照相)正常眼底及常见异常眼底图分析(眼底照相)眼底照相作为一种非侵入性的检查方法，可以提供全面的眼底图像，方便眼科医生对眼部疾病进行准确的诊断和治疗。
本文将对正常眼底及常见异常眼底图进行分析，以帮助读者更好地理解眼底照相的应用和意义。
一、正常眼底图分析正常眼底图主要包括视神经盘、黄斑、血管系统等多个结构的清晰图像，并呈现对称一致的特征。
1. 视神经盘视神经盘是正常眼底图中的重要组成部分，它位于眼底中央，呈淡红色，形状规则。
视盘边缘清晰，盘沟浅而宽，盘沟颜色较淡。
2. 黄斑黄斑是眼底中心区域，呈明亮的凹陷状。
正常情况下，黄斑色素正常，黄斑周围无出血或渗出。
3. 血管系统眼底血管覆盖有丰富的血管网状结构。
动脉呈较细弯曲，颜色鲜艳，比静脉淡；静脉呈粗曲，颜色较深。
血管周围无渗出、出血等异常情况。
二、常见异常眼底图分析除了正常眼底图外，眼底照相还可以发现一些眼部疾病的异常表现，包括视网膜病变、视盘异常、黄斑异常等。
1. 视网膜病变视网膜病变是眼底照相中常见的异常情况，主要包括出血、渗出、色素变性等。
出血表现为弥漫性或局限性的红色斑点或斑块，影响视网膜图像的清晰度；渗出则表现为黄白色或灰白色区域，可导致视野模糊或缺失；色素变性表现为视网膜色素异常，影响视网膜图像的对比度。
2. 视盘异常视盘异常主要包括视盘水肿、缺血和变性等情况。
视盘水肿表现为视盘边缘模糊，颜色变浅；视盘缺血则表现为血管狭窄、变细或无血流；视盘变性表现为视盘区域颜色异常、形态改变等。
3. 黄斑异常黄斑异常主要包括黄斑水肿、黄斑前膜和黄斑裂孔等情况。
黄斑水肿表现为黄斑区域增厚，黄斑前膜则表现为黄斑区域有膜状物遮挡；黄斑裂孔则表现为黄斑区域出现缺损。
三、眼底照相的临床应用眼底照相作为一种准确、方便的眼科检查方法，在临床上有着广泛的应用价值。
1. 疾病诊断眼底照相可以帮助医生明确眼部疾病的类型和程度，包括视网膜病变、静脉血栓、糖尿病视网膜病变等，从而为进一步的治疗和管理提供依据。
眼底图像医学图像处理算法研究
眼底图像医学图像处理算法研究一、前言眼底图像是临床医学重要检查手段之一，可以非常直接地对眼部疾病、中晚期糖尿病、高血压病、青光眼等眼科疾病进行早期筛查和病情诊断。
虽然检查眼底图像的速度越来越快，但需要结果中包含的信息和准确性也逐渐增加。
因此出现了眼底图像医学图像处理算法，从多方面对眼底图像信息进行分析，为医生最终诊断提供可靠、准确的信息和参考。
二、眼底图像的特点1.变化性大：由于人体生理、特殊影响等因素，眼底图像的光照、颜色等等特征都难以得到标准控制。
2.高分辨率：眼底图像是一种高分辨率的图像，但它的图像数据量也非常大。
3.非线性：眼底图像处理算法涉及多种非线性特征。
三、眼底图像医学图像处理算法1.眼底图像预处理预处理是图像处理中非常重要的一个环节，这一环节的目的是为了去除图像中的噪声和提高图像的质量。
（1）图像首先要进行颜色归一化，使图像颜色尽可能的一致，为后续处理提供均衡且标准的光照条件。
（2）去噪处理：使用去噪算法，如高斯滤波器，对图像中的噪声进行滤掉之后，提高图像的清晰程度。
2.眼底图像特征提取特征提取旨在解析眼底图像中关键的结构信息，寻找图像的特征点和轮廓，并将它们精确地绘制出来。
眼底图像特征提取可以采用颜色、边缘、几何等多个方面。
（1）颜色特征提取：目前基于生物医学图像的分类与识别中，经常采用的是颜色空间HSL，它的目的是减少噪音的影响，来使图像的颜色分布类似于标准化的颜色分布。
（2）形态学特征提取：通过形态学图像分析技术进行多次膨胀和侵蚀操作，标记出眼底图像中的结节、新生血管、舟状突等症状。
3.图像分类与识别通过把不同类型的眼底图像分类而得到眼病的筛查、诊断。
眼底图像分类与识别的发展可以概括为以下几个阶段：（1）传统机器学习算法：传统机器学习算法，如支持向量机、人工神经网络和决策树等，通过训练预先设定的分类器来对图像进行分类和识别。
（2）深度学习：深度学习是指一种基于实现类似人脑神经网络的方法进行大规模模型训练的技术，并成功应用到计算机视觉领域。
眼底图像质量分析
眼底图像质量分析第一节眼底图像质量评估一、眼底图像质量评估的意义彩色眼底图像广泛用于糖尿病视网膜病变（DR）、年龄相关性黄斑变性（AMD）、青光眼等眼底疾病的筛查和诊断。
许多计算机辅助诊断（computer aided diagnosis，CAD）系统在各类眼底疾病中已获得成功应用，这些自动诊断系统的成功有赖于输入图像的质量。
目前的眼底图像数据库中存在大量低质量眼底图像，如模糊、光照不足、曝光过度。
这些低质量眼底图像不便于眼科医生和计算机辅助诊断系统进行病理分析。
临床眼底照相采集过程中，一些患者由于存在屈光介质混浊如白内障、玻璃体混浊、角膜斑翳等，在没有其他干扰的情况下无法获取清晰的视网膜图像。
已有研究表明，目前的眼底图像数据集中，因质量差而影响医学诊断的图像占比高于四分之一，基层医院上传至云平台的眼底图像中低质量图像占比近二分之一。
眼底图像质量评估（retinal image quality assessment，RIQA）是眼疾病自动检测系统中关键的一步，图像质量的好坏可以决定眼疾病检测的准确率。
动脉粥样硬化风险机构（Atherosclerotic Risk in Communities，ARIC）的研究表明，影响图像质量的重要因素可分为两类：通用图像质量参数（如聚焦和锐度）和结构图像质量参数（如血管的清晰度，视盘、黄斑等结构的可见度）。
图4-1列出了临床数据集中低质量眼底图像的实例。
这些图像是由模糊、光照不足、曝光过度、遮挡、睫毛或镜片上的灰尘伪像造成的。
低质量眼底图像使后续的眼疾病分析和诊断更加困难。
二、眼底图像质量评估的研究现状及趋势目前对于眼底图像质量评估的研究主要分为三类。
其一，基于通用图像信息的传统方法，如直方图匹配、边缘强度分布和对比度特征。
Lee等使用通过模板强度直方图与视网膜图像的强度直方图卷积计算得到的质量Q指数来衡量眼底图像的质量。
Lalonde等基于边缘强度分布特征和像素灰度值自动地对眼底图像的质量进行评估。
基于图像处理的眼底图像诊断方法
基于图像处理的眼底图像诊断方法引言眼底图像是医生进行眼科诊断的重要工具之一。
眼底图像能够提供关于视网膜、血管和其他眼部结构的详细信息，帮助医生发现和诊断患者眼部疾病。
然而，由于眼底图像的复杂性和多样性，传统的手动分析方法面临诊断时间长、主观性高等问题。
因此，基于图像处理的眼底图像诊断方法应运而生。
一、图像预处理在眼底图像诊断中，预处理是非常关键的一步。
眼底图像通常存在噪声、强度不均匀和图像模糊等问题，这会影响到后续的分析和诊断。
因此，需要对图像进行预处理以提高图像质量。
1. 噪声处理噪声是眼底图像中常见的问题之一。
为了降低噪声对诊断结果的干扰，可以采用滤波器对图像进行平滑处理。
高斯滤波器是一种常用的滤波器，可以有效地降低高斯噪声。
2. 强度均衡化眼底图像中的强度不均匀问题会导致某些区域过亮或过暗，影响图像的分析和诊断。
为了解决这个问题，可以采用直方图均衡化方法，将图像的灰度级重新映射，使得图像的动态范围更加均匀。
3. 图像增强图像增强可以提高图像的对比度和细节，帮助医生更好地观察眼底图像。
常用的图像增强方法有直方图均衡化、对比度拉伸和锐化等。
二、特征提取特征提取是基于图像处理的眼底图像诊断的关键步骤。
通过提取图像中的关键特征，可以帮助医生判断眼部疾病的类型和程度。
1. 血管分割眼底图像中的血管信息对于眼科诊断非常重要。
血管分割是提取眼底图像中血管网络的过程。
常用的血管分割方法有阈值分割、基于特征的分割和基于模型的分割等。
2. 病变检测眼底图像中可能存在多种类型的病变，如出血、水肿、病变区域的脱离等。
为了准确检测这些病变，可以采用基于纹理特征、颜色特征和形态特征等的方法。
三、分类与诊断在特征提取之后，需要将眼底图像进行分类和诊断。
分类是将图像分成不同的类别，而诊断是对图像所属类别进行判定。
1. 分类模型分类模型是基于训练样本构建的模型，可以用于将新的眼底图像分类到不同的疾病类别。
常用的分类模型包括支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）等。
儿童眼底病变的症状与诊断
儿童眼底病变的症状与诊断眼底是眼睛内部的一部分，是眼科医生观察疾病和诊断许多眼部疾病的重要窗口。
儿童眼底病变可以是遗传性的，也可以是获得性的，其中一些可能是严重的眼科疾病。
及早发现和治疗眼底病变对于儿童视力的保护至关重要。
本文将介绍一些常见的儿童眼底病变的症状和诊断方法。
一、症状1. 异常凹陷或突起的眼底儿童眼底病变中最常见的症状之一就是眼底的异常凹陷或突起。
当眼底出现明显的凹陷或突起时，可能意味着视网膜脱离、视网膜血管瘤等严重疾病的存在。
家长和医生应密切关注孩子的眼底情况，及时就医。
2. 视力下降或模糊儿童眼底病变常常会导致视力下降或模糊。
孩子可能抱怨看不清楚远处的东西，或者在学校里看黑板上的内容困难。
如果此类症状持续存在，建议及时进行眼科检查，寻找潜在的眼底病变原因。
3. 异常的眼部反射一些儿童眼底病变会引起眼球内部结构的改变，进而影响到眼部反射。
例如，当出现白色瞳孔（被称为白瞳病）时，可能暗示着视网膜母细胞瘤的存在。
此外，病变可能会导致眼球晶状体的散光不正常，使得瞳孔反射在光线照射下产生不寻常的效果。
这些异常的眼部反射往往是儿童眼底病变的重要指示。
二、诊断1. 眼底检查眼底检查是诊断眼底病变的关键步骤。
医生可以通过使用特殊仪器，如间接眼镜或显微镜，观察眼底的情况。
这需要专业的医疗设备和眼科专家的经验。
在儿童眼底病变的诊断中，眼底检查是不可或缺的方法。
2. 检查共隔检查共隔是一种诊断眼底病变的非常有用的方法。
共隔是指使用专门的镜头将视网膜放大并观察。
医生可以通过此方法观察视网膜、脉络膜和玻璃体等结构，以便准确诊断儿童眼底病变。
3. 超声波检查在某些情况下，眼底检查和检查共隔可能无法提供足够的信息来确定病变的性质和范围。
此时，超声波检查可能是必要的。
超声波检查能够检测眼球内部结构的异常，并提供更详细的信息来指导治疗。
4. CT扫描和MRI检查如果眼底病变与其他身体疾病有关，医生可能会建议进行CT扫描或MRI检查。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
眼底图像的病变识别1. 原理阐述1. 1前言眼底病变包括了视网膜，脉络膜，视神经及玻璃体的炎症，肿瘤，各类血管的病变，各种变性疾病及多系统疾病引起的眼部病变。
不仅种类繁多，而且对视功能损害较大。
目前常见而又影响视功能的眼底疾病有糖尿病视网膜病变，老年性黄斑病变，视网膜静脉阻塞等等。
基于以上眼底图像对于疾病的诊断的意义，本文章结合了正常和病态的眼底图像各50幅，采用模式识别的方法先对两种图像各25幅加以训练，并进行特征值提取，在使用剩余的图像进行分类方法的评估，本文意在运用模式识别方法在医学领域应用。
1. 2流程说明本次模式识别的过程是：有已知样本情况的监督模式识别图1 监督模式识别的流程图对于图像的预处理主要分成两个步骤：无效区域的填充和图像的对比度增强。
图2 图像的预处理的流程图对于所给的病变图像，有部分的图像边沿是无效的黑色，这对于下一步对比度增强会带来影响，另外，在图像的特征提取上也会造成影响。
如果前期部进行处理，那么，后期的分离器中则需要加入判断结构对无效区域的识别，这无疑增加特征提取的运行时间。
因此，这里采用了一种简单的方法对向区域填充图像的R 、G 、B 均值。
做法是先读取有效的R 、G 、B 值，并存入数组，下一步将对数组中的值求平均即可得到该图像有效R 、G 、B 的平均值，在向无效区域填充即可。
图3 无效填充前图4 无效填充后接下来，对图像的处理是：对比度增强。
由于拍照的光线对眼底图像质量起着重要作用，因此，对于明场和暗场下的蛋白质与血液的成像都有所不同，为了增强二者在图像中的识别度，采用的是Retinex图像增强的方法，设置蛋白质和血液通道，分别对R、G、B的标准差进行设定，进而得到预处理后的图像。
然后，再对图像的蛋白质和血液筛选，形成25*2的特征矩阵。
图5 特征提取和选择图6 经过蛋白质通道前图7经过蛋白质通道前图8 经过血液通道前图9 经过血液通道后然后将训练集的数据进行整合，使用三种分类器（分别是最小距离分类器、Fisher线性分类器、二次分类器）进行训练。
图10 分类器的训练最后将测试图像也进行相应的预处理和特征提取，最后输入到训练好的分类器中，进行判别，输出正确率、灵敏度和运行时间，进而对分类器的结果进行评估。
训练后图11分类器的测试2.代码实现2. 1主程序部分：2. 2无效区域的填充：2．3 Retinex对比度增强与特征提取：2. 3. 1 蛋白质通道function x=blood_channel(f)fr=f(:, :, 1); fg=f(:, :, 2); fb=f(:, :, 3);%RGB通道mr=mat2gray(im2double(fr)); mg=mat2gray(im2double(fg)); mb=mat2gray(im2double(fb));%数据类型归一化alf1=600; %定义标准差n=51;%定义模板大小n1=floor((n+1)/2);%计算中心for i=1:nfor j=1:nb(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf1))/(pi*alf1); %高斯函数endendnr1 = imfilter(mr,b,'conv', 'replicate');ng1 = imfilter(mg,b,'conv', 'replicate');nb1 = imfilter(mb,b,'conv', 'replicate');%卷积滤波ur1=log(nr1); ug1=log(ng1); ub1=log(nb1);tr1=log(mr);tg1=log(mg);tb1=log(mb);yr1=(tr1-ur1)/3;yg1=(tg1-ug1)/3;yb1=(tb1-ub1)/3;alf2=600; %定义标准差for i=1:nfor j=1:na(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf2))/(6*pi*alf2); %高斯函数endendnr2 = imfilter(mr,a,'conv', 'replicate');ng2 = imfilter(mg,a,'conv', 'replicate');nb2 = imfilter(mb,a,'conv', 'replicate');%卷积滤波ur2=log(nr2); ug2=log(ng2); ub2=log(nb2);tr2=log(mr);tg2=log(mg);tb2=log(mb);yr2=(tr2-ur2)/3;yg2=(tg2-ug2)/3;yb2=(tb2-ub2)/3;alf3=100; %定义标准差for i=1:nfor j=1:ne(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf3))/(4*pi*alf3); %高斯函数endendnr3 = imfilter(mr,e,'conv', 'replicate');ng3 = imfilter(mg,e,'conv', 'replicate');nb3 = imfilter(mb,e,'conv', 'replicate');%卷积滤波ur3=log(nr3); ug3=log(ng3); ub3=log(nb3);tr3=log(mr);tg3=log(mg);tb3=log(mb);yr3=(tr3-ur3)/3;yg3=(tg3-ug3)/3;yb3=(tb3-ub3)/3;dr=yr1+yr2+yr3;dg=yg1+yg2+yg3;db=yb1+yb2+yb3;cr=im2uint8(dr); cg=im2uint8(dg); cb=im2uint8(db);z=cat(3, cr, cg, cb);%figure, imshow(z);pr=z(:, :, 1); pg=z(:, :, 2); pb=z(:, :, 3);%RGB通道blo_ture=0;bg_plus=0;N=101;for j=1:N %列for i=1:N %行if(pb(i,j)==0)if((pg(i,j)<40)&&(pr(i,j)>pg(i,j)))blo_ture=blo_ture+1;endend%血液特征一if(pg(i,j)==0)if(pb(i,j)>pr(i,j))blo_ture=blo_ture+1;endend%血液特征二if((pr(i,j)>80)&&(pr(i,j)<100))if((pg(i,j)>20)&&(pg(i,j)<90))if((pb(i,j)>100)&&(pb(i,j)<130))blo_ture=blo_ture+5;endendend%血液特征三if((pr(i,j)>140)&&(pr(i,j)<150))if((pg(i,j)>140)&&(pg(i,j)<150))if((pb(i,j)>180)&&(pb(i,j)<255))bg_plus=bg_plus+1;endendend%灰色特征一if((pr(i,j)>140))if((pg(i,j)>140))if((pb(i,j)==0))bg_plus=bg_plus+1;endendend%黄色特征一endendadd_mark=floor(bg_plus*1000/(101*101));if((add_mark<120)&&(add_mark>90))x=blo_ture+add_mark;elsex=blo_ture;end3. 3. 2 血液通道function x=protein_channel(f)fr=f(:, :, 1); fg=f(:, :, 2); fb=f(:, :, 3);%RGB通道mr=mat2gray(im2double(fr)); mg=mat2gray(im2double(fg)); mb=mat2gray(im2double(fb));%数据类型归一化alf1=100; %定义标准差alf=a^2/2 a=54n=51;%定义模板大小n1=floor((n+1)/2);%计算中心for i=1:nfor j=1:nb(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf1))/(pi*alf1); %高斯函数endendnr1 = imfilter(mr,b,'conv', 'replicate');ng1 = imfilter(mg,b,'conv', 'replicate');nb1 = imfilter(mb,b,'conv', 'replicate');%卷积滤波ur1=log(nr1); ug1=log(ng1); ub1=log(nb1);tr1=log(mr);tg1=log(mg);tb1=log(mb);yr1=(tr1-ur1)/3;yg1=(tg1-ug1)/3;yb1=(tb1-ub1)/3;alf2=100; %定义标准差alf=a^2/2 a=10.3325x1=floor((n+1)/2);%计算中心for i=1:nfor j=1:na(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf2))/(6*pi*alf2); %高斯函数endendnr2 = imfilter(mr,a,'conv', 'replicate');ng2 = imfilter(mg,a,'conv', 'replicate');nb2 = imfilter(mb,a,'conv', 'replicate');%卷积滤波ur2=log(nr2); ug2=log(ng2); ub2=log(nb2);tr2=log(mr);tg2=log(mg);tb2=log(mb);yr2=(tr2-ur2)/3;yg2=(tg2-ug2)/3;yb2=(tb2-ub2)/3;alf3=100; %定义标准差alf=a^2/2 a=167l1=floor((n+1)/2);%计算中心for i=1:nfor j=1:ne(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf3))/(4*pi*alf3); %高斯函数endendnr3 = imfilter(mr,e,'conv', 'replicate');ng3 = imfilter(mg,e,'conv', 'replicate');nb3 = imfilter(mb,e,'conv', 'replicate');%卷积滤波ur3=log(nr3); ug3=log(ng3); ub3=log(nb3);tr3=log(mr);tg3=log(mg);tb3=log(mb);yr3=(tr3-ur3)/3;yg3=(tg3-ug3)/3;yb3=(tb3-ub3)/3;dr=yr1+yr2+yr3;dg=yg1+yg2+yg3;db=yb1+yb2+yb3;cr=im2uint8(dr); cg=im2uint8(dg); cb=im2uint8(db);z=cat(3, cr, cg, cb);pr=z(:, :, 1); pg=z(:, :, 2); pb=z(:, :, 3);%RGB通道pro_ture=0;N=101;for j=1:N %列for i=1:N %行if((pg(i,j)>70)&&(pg(i,j)<80))if((pr(i,j)>10)&&(pb(i,j)>55))pro_ture=pro_ture+1;endendif(pg(i,j)>=80)if((pr(i,j)>45)&&(pb(i,j)>70))pro_ture=pro_ture+1;endendendendx=pro_ture;3. 4 分类器测试：3. 4. 1最小距离分类器4.结果说明4. 1训练参数图 12 训练参数分布图从图上可以看出对于蛋白质的病变识别效果较好，因为表示蛋白质的数据（Y轴上的数据）的间类离散度大，反之，对于血管破裂的情况就比较难区分，表示血液的数据（x轴上的数据）的间类离散度小。