目錄摘要 1Abstract 2第一章緒論 31.1課題背景與研究意義 31.2相關(guān)技術(shù)介紹 41.2.1OCT技術(shù) 41.2.2圖像分割技術(shù) 41.2.3眼底OCT圖像分層 41.3研究內(nèi)容及章節(jié)安排 5第二章相關(guān)算法介紹 62.1Canny算子 62.1.1Canny算子原理 62.1.2Canny算子改進(jìn) 72.2.相關(guān)處理 82.2.1中值濾波 82.2.2曲線擬合 82.2.3高斯濾波 92.2.4膨脹算法 10第三章OCT圖像分層算法 113.1算法流程 113.2算法分步 123.3錯誤校正及結(jié)果優(yōu)化 163.3.1錯誤校正 163.3.2結(jié)果優(yōu)化 19第四章實驗結(jié)果與分析 224.1誤差評價標(biāo)準(zhǔn) 224.2實驗結(jié)果分析 224.3總結(jié) 24參考文獻(xiàn) 25致謝 26摘要醫(yī)學(xué)成像技術(shù)的成熟發(fā)展促使越來越多的電子成像技術(shù)應(yīng)用于臨床醫(yī)學(xué)。光學(xué)相干斷層掃描技術(shù)(OCT)因其較高分辨率和不與眼部接觸的特性而被廣泛應(yīng)用。然而僅依靠醫(yī)生手工對OCT眼底圖像進(jìn)行分割，既耗時又耗力,再加上不可忽視的人為因素的影響，因此研究一個OCT視網(wǎng)膜圖像自動分層算法是非常必要的。本文首先介紹了OCT技術(shù)、圖像分割技術(shù)的發(fā)展現(xiàn)狀及眼底OCT圖像的分層，然后介紹了研究內(nèi)容及章節(jié)安排。第二章介紹Canny算子的原理及其改進(jìn)，以及相關(guān)的算法原理。在第三章本文給出了整個自動分層算法的流程圖，并在此基礎(chǔ)上對整個流程進(jìn)行分步詳細(xì)闡述，基于不同參數(shù)下的Canny算子初步分層后，再對分層過程中的出現(xiàn)的錯誤比如跳變誤差和中央凹進(jìn)行了校正，最后對各分層結(jié)果進(jìn)行優(yōu)化。本文描述的方法可以找到視網(wǎng)膜OCT圖像的7個邊界，以專家手動分割的結(jié)果為標(biāo)準(zhǔn)，誤差分析顯示，該自動分層算法的各層誤差控制在2個像素左右，算法整體檢測性能良好。關(guān)鍵詞：OCT，自動分層，Canny算子，邊緣檢測

AbstractThematuredevelopmentofmedicalimagingtechnologyhaspromptedmoreandmoreelectronicimagingtechnologytobeappliedtoclinicalmedicine.Opticalcoherencetomography(OCT)iswidelyusedbecauseofitshighresolutionandnocontactwiththeeye.However,itisverynecessarytostudyanOCTretinalimageautomaticlayeringalgorithm,whichreliesondoctors'manualsegmentationofOctfundusimage,whichistime-consumingandconsuming,coupledwiththeinfluenceofhumanfactorswhichcan’tbeneglected.ThispaperintroducesthedevelopmentofOCT,imagesegmentationandthestratificationofOCTimagefirstly,thenintroducestheresearchcontentandchapterarrangement.Thesecondchapterintroducestheprincipleandimprovementofcannyoperator,andsomerelatedalgorithmprinciples.Inthethirdchapter,wegivetheflowchartofthewholeautomaticlayeredalgorithm,onthisbasis,thewholeprocessiselaboratedstep-by-step,basedontheinitiallayeringofthecannyoperatorunderdifferentparameters,theerrorssuchasjumperrorandcentralconcaveinthelayeredprocessarecorrected,andtheresultsareoptimized.Themethodpresentedinthispapercanfind7boundariesofOCTimage,andtheresultofexpertmanualsegmentationisthestandard,theerroranalysisshowsthattheerrorcontroloftheautomaticlayeredalgorithmisaround2pixels,andthealgorithmhasgoodperformanceinoveralldetection.Keywords:OCT,automaticlayersegmentation,Cannyoperator,edgedetection.

第一章緒論1.1課題背景與研究意義眼底是眼球內(nèi)后部的組織,如圖1.1所示，眼底包括脈絡(luò)膜、視網(wǎng)膜、黃斑、眼底血管、視神經(jīng)纖維和視神經(jīng)乳頭等部分。圖1.1眼底結(jié)構(gòu)圖通過檢查眼底可以發(fā)現(xiàn)很多疾病，毛細(xì)血管瘤、出血點和滲出物為早期糖尿病的征兆；通過檢測眼底分泌物、血管病變圖像或眼底相關(guān)部位的病變，可診斷出眼底疾病，如青光眼、白內(nèi)障、老年性黃斑病變等，因此眼底被眼科醫(yī)生譽(yù)為“檢目鏡”[1]。獲得眼底圖像的方法有很多，主要包括超聲影像、紅外圖像和新興的光學(xué)相干斷層掃描圖像。傳統(tǒng)方法是依靠有經(jīng)驗的醫(yī)生觀察病人的醫(yī)學(xué)影像中的眼底特征信息發(fā)現(xiàn)病變，主要特征為視神經(jīng)盤、中央窩、黃斑區(qū)域視網(wǎng)膜內(nèi)層厚度等。但隨著人口老齡化的加劇，眼部疾病的發(fā)病率也越來越高，而眼底病病種繁多,病因復(fù)雜,使得眼底檢查這項工作既耗時又耗力,再加之不可忽視的人為因素的影響，因此，如何快速有效地處理醫(yī)學(xué)影像并檢測出眼部疾病有著重大意義，也具有非常大的市場潛力[2]。1.2相關(guān)技術(shù)介紹1.2.1OCT技術(shù)OCT全稱是光學(xué)相干斷層成像技術(shù)(OpticalCoherencetomography)。在眼科應(yīng)用治療中，由于其具有很高的分辨率，可以精確辨別內(nèi)膜性質(zhì)和支架結(jié)構(gòu)，能夠清晰地顯示病變區(qū)域，具有非接觸性檢查等優(yōu)點，所以O(shè)CT技術(shù)給我們提供了一個全新的窗口，讓我們能夠全面觀察眼底疾病，尤其是眼底黃斑疾病。經(jīng)過長時間的改進(jìn)，OCT已經(jīng)發(fā)展為一種臨床實用的檢測工具，制成了商品化儀器，并于1995年開始正式用于眼科臨床。眼科OCT應(yīng)用前景十分廣闊，未來發(fā)展包括能包括高速、三維視網(wǎng)膜成像，功能的成像及使用不同波長范圍的光源增強(qiáng)穿透力至脈絡(luò)膜成像等[3]。1.2.2圖像分割技術(shù)圖像分割是指是在預(yù)處理的基礎(chǔ)上對信息進(jìn)行組織和加工的過程，實質(zhì)就是建立在像素之間的連續(xù)性和非連續(xù)性上將像素分類。圖像分割技術(shù)作為數(shù)字圖像處理中的一個重要組成部分，不但能夠按照一定的準(zhǔn)則將所選定的區(qū)域劃分成具有一定功能的區(qū)域，也能將圖像中特定的邊緣、區(qū)域等特征提取出來。圖像分割技術(shù)應(yīng)用很廣泛，幾乎出現(xiàn)在圖像處理的各個領(lǐng)域，但是還沒有一種能夠適應(yīng)各種圖片的處理方法，所以還有待于不斷地深入研究[4]。1.2.3眼底OCT圖像分層視網(wǎng)膜位于眼球壁的內(nèi)層，是一層透明的薄膜。下圖1.2描述了正常人眼的三維OCT視網(wǎng)膜圖像分層的結(jié)果。由上而下分別為：色素上皮層，外節(jié)層、連接纖毛層，內(nèi)節(jié)層，外核層，外叢狀層，內(nèi)顆粒層，內(nèi)叢狀層，神經(jīng)節(jié)細(xì)胞層，神經(jīng)纖維層，這10個層次共形成11個邊界。視網(wǎng)膜OCT圖像各層之間灰度值不同，存在明顯的暗亮變化，由暗到亮或者由亮到暗的位置區(qū)域就是我們要尋找的邊界。本文所尋找的7個邊界，自上而下分別為surface1，surface2，surface4，surface6，surface7，surface10和surface11，為了方便行文，以下敘述將用c1、c2、c3、c4、c5、c6和c7分別對應(yīng)這7個邊界。圖1.2正常人眼的OCT視網(wǎng)膜圖像分層結(jié)果圖1.3研究內(nèi)容及章節(jié)安排本文的主要內(nèi)容是設(shè)計一個自動分層算法，在誤差較小的前提下，該算法能夠檢測視網(wǎng)膜OCT圖像中的多個邊界。主要行文安排如下：第一章首先介紹OCT技術(shù)發(fā)展，圖像分割技術(shù)現(xiàn)狀以及所要研究的OCT視網(wǎng)膜分層圖像。第二章首先介紹Canny算子原理及其改進(jìn)，再介紹分層算法中的中值濾波,高斯濾波,曲線擬合和膨脹算法。第三章先給出自動分層算法的流程圖，再詳細(xì)闡述分層算法的步驟，最后進(jìn)行錯誤校正和結(jié)果優(yōu)化。第四章先對自動分層算法尋找的邊界明確一個結(jié)果評價標(biāo)準(zhǔn)，再從兩個維度進(jìn)行誤差分析和總結(jié)。

第二章相關(guān)算法介紹2.1Canny算子因為邊緣總是出現(xiàn)在相鄰的兩個灰度值不同的區(qū)域連接處，特征表現(xiàn)為灰度值的不連續(xù)。而圖像邊緣信息主要集中在高頻段，通常說圖像銳化或檢測邊緣，實質(zhì)就是高頻濾波。Canny算子是一個優(yōu)良的邊緣檢測算子，是JohnF.Canny于1986年提出來的。Canny算子具有如下優(yōu)點：較高的信噪比；定位精度高；具有較強(qiáng)單邊響應(yīng)能力[2]。Canny算子具有較強(qiáng)的抑制噪聲的能力，可以較完整地檢測邊緣，但相比其他傳統(tǒng)的邊緣微分算子計算復(fù)雜，運算速度慢。另外，Canny算子的雙閾值是根據(jù)全局特征信息來決定的，一方面導(dǎo)致無法消除局部噪聲的干擾，另一方面又會丟失灰度值變換緩慢的邊緣。2.1.1Canny算子原理利用Canny算子進(jìn)行邊緣檢測,包括以下4個步驟：（1用高斯濾波器平滑圖像首先用二維高斯函數(shù)對圖像進(jìn)行平滑，函數(shù)如下[6]。Gx,y,σ公式(2-1)是求權(quán)重的公式，σ值是高斯函數(shù)的分布參數(shù)，它控制著平滑程度，σ值越小，平滑效果越差，但邊緣定位精度高；σ值越大，平滑效果越好，但邊緣定位精確度差，所以平滑圖像時要根據(jù)情況選擇適當(dāng)?shù)摩抑盗頶(x,y)為平滑后的圖像，用Ggx,y=G(2)用一階有限差分計算梯度幅值和方向.平滑后的數(shù)組g(x,y)的梯度可以用2×2鄰域一階有限差分近似式分別表示x、y方向的偏導(dǎo)數(shù)，即Gx≈(g[Gy≈(gx,y-在這個鄰域內(nèi)求有限差分的均值，可得到該點x方向與y方向的偏導(dǎo)數(shù)梯度。梯度幅值和梯度方向角表達(dá)式如下[7]：G=Gx2+Gy2θ=arctan?(GxGy)(3)對梯度幅值進(jìn)行非極大值抑制梯度幅值越大，對應(yīng)的圖像梯度值也就越大，但這并不足以確定邊緣。為了確定邊緣，必須保留幅值局部變化最大的點，這一過程稱為“非極大值抑制”。非極大值抑制通過比較當(dāng)前點的梯度強(qiáng)度和正負(fù)梯度方向點的梯度強(qiáng)度，如果相比同方向的其他點的梯度強(qiáng)度是最大，則保留其值，否則抑制。(4)用雙閾值算法檢測和連接邊緣Canny算法應(yīng)用雙閾值，τ1和τ2，其中τ1<τ2，可得到閾值邊緣兩個圖像T1[i,j]和T2[i,j]，由于圖像T2[i,j]是高閾值得到的，去除了大部分噪聲，但在輪廓上會有間斷，所以我們把圖像T2[i,j]的邊緣連接，當(dāng)檢測到斷點處，就在圖像T12.1.2Canny算子改進(jìn)因為視網(wǎng)膜OCT圖像分層涉及到兩種類型的邊界：由暗到亮和由亮到暗，所以我們要對Canny算子做一個改進(jìn)，以滿足不同類型的邊界區(qū)分。Canny算子中的梯度大小如公式2-1所示，因為自動分層算法中檢測的邊緣是水平方向的，所以我們只需考慮從上向下看的y方向的梯度差，現(xiàn)修改如下：邊界由暗到亮?xí)r，取y方向正梯度；M1=max?(Gy邊界由亮到暗時，取y方向負(fù)梯度的絕對值。M2=|min?(Gy,0)2.2.相關(guān)處理2.2.1中值濾波中值濾波是選用一個含有奇數(shù)個像素的滑動窗口，該窗口在圖像上掃描，把其中所含的像素點按照灰度值的大小進(jìn)行排序，用中間的灰度值來代替窗口中心點的灰度值。用數(shù)學(xué)表達(dá)為gi=Medfi-式中，Med(…),表示取序列的中值，m表示有m個像素，i表示窗口的中心位置。圖2.1可看出中值濾波有較好的平滑效果[8]。圖2.1中值濾波效果圖2.2.2曲線擬合曲線擬合（curvefitting）是指通過得到的數(shù)據(jù)來擬合一條曲線方程，并盡可能使最多的離散的點分布在所擬合的曲線方程上。效果圖可見圖2.2。圖2.2曲線擬合效果圖在MATLAB中，利用函數(shù)polyfit進(jìn)行多項式擬合。函數(shù)polyfit根據(jù)觀測數(shù)據(jù)及用戶指定的多項式階數(shù)得到光滑曲線的多項式表示，polyfit的一般調(diào)用格式為：P=polyfit(x,y,n)。其中x為自變量，y為因變量，n為多項式階數(shù)[9]。2.2.3高斯濾波高斯濾波可以消除高斯噪聲，是一種線性平滑濾波。高斯濾波所得到的每一個像素點的值，都由該像素本身和其鄰域內(nèi)的其他的像素值經(jīng)過加權(quán)平均后得到。一維零均值高斯函數(shù)為：gx=e-x22其中，高斯分布參數(shù)σ決定了高斯函數(shù)的寬度。下圖2.3可見高斯濾波的效果。圖2.3高斯濾波效果圖2.2.4膨脹算法膨脹對原圖像有擴(kuò)張的作用,可以較好地填充物體內(nèi)部的空洞以及連接間距小于結(jié)構(gòu)元素的相鄰目標(biāo)區(qū)域[10]。對X中的每一點膨脹定義為：Y=X⊕B={y:B(y)∩X≠?}（2-用B（y)對X進(jìn)行膨脹，就是把結(jié)構(gòu)元素B平移后，把B與X的交集非空的點構(gòu)成集合，過程如圖2.4所示。圖2.4膨脹運算過程第三章OCT圖像分層算法3.1算法流程視網(wǎng)膜Canny算子從亮到暗檢測,確定c7結(jié)束結(jié)果顯示誤差分析對各層進(jìn)行修正，處理跳變誤差和中心凹在c5和c7之間尋找像素最小值,確定cCanny算子從亮到暗檢測,確定c7結(jié)束結(jié)果顯示誤差分析對各層進(jìn)行修正，處理跳變誤差和中心凹在c5和c7之間尋找像素最小值,確定c6Canny算子從亮到暗檢測,確定c4、c3和c2Canny算子從暗到亮檢測，確定c1和c5讀圖像，輸入待檢測的幀數(shù)開始圖3.1分層算法流程圖由流程圖可看出，我們設(shè)計的這個自動分層算法是按照尋找邊界的難易順序決定的。先確定比較明顯的邊界位置（c1和c5），再根據(jù)邊界之間的位置關(guān)系，縮小下一個邊界所檢測的區(qū)域，就可以找到大致的邊界位置了。但是分層算法最重要的是它的普遍性，即對大部分眼底OCT圖像都適用。對一個圖像適用的參數(shù)，其他圖像就不一定適用。還有各個邊界所處的位置不同，或者所選取的幀不同，結(jié)果也會不同，因此有必要針對各個邊界的進(jìn)行算法修正。3.2算法分步（1）顯示原始圖像（以圖像4為例）首先輸入待檢測的圖像，把圖像讀成一維數(shù)組，然后再重組為三維數(shù)組，輸入所要檢測的幀數(shù)（以第36幀為例）。圖3.2OCT原始圖像（2）Canny算子由暗到亮檢測將Canny算子參數(shù)設(shè)置為低閾值=0.1，高閾值=0.5，σ=6，所檢測到的兩個邊界就是c1和c5（圖3.3），因為c1和c5是最明顯的兩條從暗到亮的邊界，所以較為容易檢測到。我們將自上而下檢測到的每列第一個白點位置標(biāo)記為c1，如此便確定了c1的位置[11]。圖3.3Canny算子找到的暗到亮邊界確定第一層位置后，就可以進(jìn)一步確定第五層的位置，首先我們要用形態(tài)學(xué)的膨脹算法將第一層消除，然后再檢測消除過c1的圖像，從上而下找的每列第一個白點就組成第五層的位置了。為了完整的將c1消除，我們找到寬度為1的第一層（圖3.4a）,將其膨脹后（圖3.4b）再取反，然后與原圖像進(jìn)行與運算，即可。(b)圖3.4像素寬度為1的第一層膨脹前后（a）膨脹前（b）膨脹后將膨脹結(jié)果與圖3.3進(jìn)行邏輯與運算得到圖3.5，找到每列的第一個白點即可確定第五層位置。圖3.5第五層位置（2）Canny算子由亮到暗檢測①將Canny算子參數(shù)設(shè)置為低閾值=0.1，高閾值=0.5，σ=2，此時閾值較大。結(jié)果如圖3.6所示。圖3.6較大閾值Canny算子找到的亮到暗邊界因為此時閾值設(shè)置較大，故只能依上而下檢測到第二層和第七層。在y方向上，從下往上第一個白點的位置即可確定為第七層位置。但是第七層下方有血管陰影，存在干擾，下圖3.7中可看到，我們利用之前找到的第五層，將搜索區(qū)域限制在第五層下方30個像素以內(nèi)，這樣很好的限制了第七層下方的干擾[12]。②將Canny算子參數(shù)設(shè)置為低閾值=0.05，高閾值=0.2，σ=3，此時閾值較小。結(jié)果如圖3.7所示。圖3.7較小閾值Canny算子找到的亮到暗邊界因為此時閾值設(shè)置較小，自上而下可檢測到第二層、第三層、第四層和第七層。上文中我們已經(jīng)找到了第七層，因此，為了避免第七層對第四層的位置的影響，我們將搜索區(qū)域限制在第一步所找的到的第五層上方，這樣的話，依據(jù)從下而上找的第一個白點即可確定第四層的位置；如此，找到第四層后，用同樣的方法將搜索區(qū)域限制在第四層以上10個像素（根據(jù)以往大量參考資料和經(jīng)驗所得）的位置，即可確定第三層位置；再如此，在第三層10個像素以上可找到第二層[13]。（3）確定第六層位置利用Canny算子很難找到合適的參數(shù)檢測到第六層，第五層和第七層之間的區(qū)域有限，因此我們可以利用像素值大小來尋找，我們將搜索區(qū)域限制在第五層下方五個像素和第七層上方兩個像素之間，此舉是為了排除第五層和第七層自身寬度和其它層的影響，結(jié)果如圖3.8a所示。但是所找到的像素值并不在一條光滑的曲線上的，我們可以利用MATLAB中的擬合函數(shù)，對上面找到的像素值進(jìn)行一個曲線擬合處理，如下圖3.8b所示，如此便確定了第六層的位置。

(b)圖3.8擬合前后的第六層（a）擬合前（b）擬合后（4）結(jié)果顯示我們已經(jīng)找出來了視網(wǎng)膜OCT圖像的七層，整體結(jié)果展示如圖3.9所示。其中涉及到的各層之間的錯誤修正及優(yōu)化，將會在3.3節(jié)講述。圖3.9OCT圖像自動分層結(jié)果3.3錯誤校正及結(jié)果優(yōu)化3.3.1錯誤校正OCT自動分層算法檢測過程中，由于圖像本身的特性，會產(chǎn)生兩種錯誤，一是跳變誤差，包括邊界缺損和中間缺損兩類，二是中心凹，所以需要修改自動算法方法。（1）處理跳變誤差跳變誤差又可分為兩類。一類是邊界缺損，主要是原圖邊界不清晰造成的，如下圖3.10所示。處理此類跳變的會選擇水平延伸的方法，我們把第6個像素的值直接賦值給前五個像素，把倒數(shù)第六個像素的值直接賦值給倒數(shù)五個像素，因為視網(wǎng)膜的層邊界幾乎是水平的，所以位置靠前或者靠后的像素點的高度差也較小。圖3.10邊界缺損下圖3.11a和3.11b體現(xiàn)了修正前和修正后的差異。(a)(b)圖3.11邊界缺損修補(bǔ)前后（a）修補(bǔ)前（b）修補(bǔ)后另一類是中間缺損，主要原因是血管的存在或邊界的不清晰。具體可見下圖2.12。一般情況下通常采用線性插值來處理此類缺損，我們在已獲取的邊界上從左往右檢測，設(shè)置檢測的寬度為2，當(dāng)檢測到前一個像素值和后一個像素值差值大于10，就將前一個點標(biāo)記為A,同理，再次檢測到差值大于10的情況，就將后一個點標(biāo)記為B。然后連接A、B兩點即可。這是因為缺少的像素點數(shù)目較少，所以兩個端點之間的高度差也較小。圖3.12中間缺損下圖3.13a和3.13b體現(xiàn)了修正前和修正后的差異。（a）（b）圖3.13中間缺損修補(bǔ)前后（a）修補(bǔ)前（b）修補(bǔ)后（2）處理中心凹尋找c2時，因為c2層次非常薄，難以檢測，常常會產(chǎn)生中央凹，其邊界不是水平的，此時若根據(jù)已知邊界延伸方向，就會發(fā)生錯誤。因為中央凹一般出現(xiàn)在30--36幀的第二層，所以我們把這部分單獨設(shè)置，在已經(jīng)檢測到的第一層邊界的最低點附近，如果檢測到第二層是斷掉的，那就把第一層該處的像素值再加一，作為第二層此處的像素值，然后再用均值濾波來處理第二層邊界，使其連接處更平滑。問題圖如圖3.14，校正結(jié)果如圖3.15a和3.15b。圖3.14中心凹（b）圖3.15中心凹修補(bǔ)前后（a）修補(bǔ)前（b）修補(bǔ)后3.3.2結(jié)果優(yōu)化如果僅僅是簡單地處理跳變誤差和中心凹，原有的自動分層算法直接檢測的曲線是不夠平滑的，例如較小的斜跳變誤差，或者有些區(qū)域凹凸不平，因此，在自動檢測完成每一層后，都會對已獲取的邊界進(jìn)行一個中值濾波的處理。對中間的分界不是不太明顯的二、三和四層也會再有一個高斯平滑處理，盡管肉眼觀察區(qū)別不是很大，但是在4.2節(jié)誤差分析中，可看出誤差有所減小[14]。下圖3.16（a）--（l）將給出在此自動分層算法下的6張不同的人眼圖像在不同幀處的分層效果圖。（a）（b）（c）（d）（e）（f）（g）（h）（i）（j）（k）（l）圖3.16六張不同眼圖不同幀數(shù)下OCT自動分層結(jié)果（a）（b）第12幀的圖1（c）（d）第18幀的圖2（e）（f）第24幀的圖3（g）（h）第30幀的圖4（i）（j）第36幀的圖5（k）（l）第48幀的圖6第四章實驗結(jié)果與分析4.1誤差評價標(biāo)準(zhǔn)本次實驗用了6幅不同人眼的視網(wǎng)膜OCT圖像，通過所設(shè)計的自動分層算法的結(jié)果與手動分割的結(jié)果進(jìn)行比較，得到誤差。因為圖像的分辨率是480×512×64，計算誤差的公式定義為：：E=1512x=1其中，ya是手動分割的數(shù)據(jù)，ym每張圖片有64幀，我們每隔6幀選取一幅圖像，計算每層的誤差，再將選取的這10幀圖像的誤差求平均值，得到每張圖像各層誤差。4.2實驗結(jié)果分析首先，我們對一張人眼視網(wǎng)膜OCT圖像不同幀時進(jìn)行誤差分析，將自動分層結(jié)果與手動分割結(jié)果相對比，誤差如下：表4.1圖4不同幀處平均誤差幀數(shù)C1C2C3C4C5C6C7Y=61.50201.15721.18851.08010.62301.36571.0234Y=121.53911.25201.53611.04100.85940.71910.7422Y=181.35941.05571.37501.84960.68551.20870.7520Y=241.14651.83201.73731.41210.72851.41440.8984Y=301.03132.95121.72070.94730.70902.16700.6230Y=361.05082.68751.71291.31451.00002.36830.6855Y=421.39262.34861.34381.57320.79691.15940.6328Y=480.72851.59860.98051.33790.54300.83430.5449Y=560.97661.43161.21091.28470.99220.97200.9102Y=600.88482.61911.87601.04440.84181.21290.9160誤差1.16121.89341.46821.28850.77791.34220.7728圖4.1一張圖不同幀平均誤差表4.1和圖4.1是計算出同一張圖的不同幀處的平均誤差，可看出平均相對誤差都比較小，但是不同幀之間誤差分布略有差異。然后，我們針對6張不同人眼的視網(wǎng)膜OCT圖像求各層的平均誤差，將自動分層結(jié)果與手動分割結(jié)果相對比，誤差如下：表4.2圖1~6不同層平均誤差C1C2C3C4C5C6C7圖11.16121.89341.46821.28850.77791.34220.7728圖21.24242.38252.02151.74990.89141.33751.0576圖31.04652.14491.54731.59650.69571.56751.4531圖41.03072.10761.56231.54840.73571.53070.9969圖51.16972.43321.77281.93290.71522.39270.9441圖61.40192.54212.03971.75571.41882.71881.4604平均1.17542.25061.73531.64530.87251.81491.1142圖4.2六張圖不同層平均誤差表4.2和圖4.2是6張不同人眼視網(wǎng)膜OCT圖像計算出的平均誤差，可看出平均相對誤差都比較小，但是有的不同層之間誤差分布略有差異。根據(jù)以上兩種不同維度的誤差分析，再分析圖4-1和4-2，不難看出，通過自動分層算法找到誤差比較大是c2和c6，因為存在中央凹，而c2本身就比較薄，很難找到合理的參數(shù)使Canny算子準(zhǔn)確找到c2，因此誤差較大，c6是通過c5和c7之間像素值最小確定的，然后再曲線擬合，與手動分割相比也存在較大誤差。4.3總結(jié)盡管OCT視網(wǎng)膜自動分層算法的研究現(xiàn)狀已經(jīng)較為廣泛，但是本次設(shè)計花了大量的時間和精力卻也只找到了11層邊界中的7層，精確度也并沒有達(dá)到理想效果，現(xiàn)總結(jié)了以下兩點原因：1．Canny算子本身是存在局限性的，對噪聲比較敏感，孤立邊緣點和偽邊緣會被檢測出來，造成干擾[15。2．后期的邊界修正需要考慮大量的情