視盤定位與分割的研究現(xiàn)狀文獻(xiàn)綜述1.1視盤定位方法的研究現(xiàn)狀近年來，人們提出了許多解決視盤定位與分割問題的方法。通常，視盤定位的方法主要可以分為基于視盤的高亮度特性、視盤內(nèi)的血管分布特性以及基于視盤的輪廓特性的三種定位方法。基于高亮度特性的方法主要是依賴于視盤通常是眼底圖像中最亮的橢圓位置的特征來進(jìn)行定位。其中較為典型的是Li等[1]提出利用主成分分析法對(duì)視網(wǎng)膜病變較亮的圖像進(jìn)行視盤定位，并給出視盤的邊界采用改進(jìn)的主動(dòng)形狀模型技術(shù)提取，此算法通過提出眼底圖像中最亮的像素點(diǎn)并對(duì)這些像素點(diǎn)進(jìn)行聚類運(yùn)算，聚類后選擇出較大的連通區(qū)域，將此連通區(qū)域作為實(shí)驗(yàn)的候選區(qū)域，通過PCA特征分析，分析后得到的歐式距離與平均視盤最近的候選區(qū)域便是視盤區(qū)域。Sopharak等人[2]利用增強(qiáng)視網(wǎng)膜圖像強(qiáng)度分量上的熵特征來檢測視盤，因?yàn)橐暠P通常是光滑的，所以它會(huì)在熵空間中以相對(duì)較低的強(qiáng)度出現(xiàn)。基于模型的方法主要依賴于視網(wǎng)膜圖像的血管提取，這種方法將眼底視盤的位置作為所有視網(wǎng)膜血管起源的點(diǎn)，例如Foracchia等人[3]提出了基于幾何模型的方法，這種方法的成功率為97.5%，但是對(duì)于給定圖像的視盤定位需要2min。Youssif等人[4]提出的基于血管方向匹配濾波的眼底圖像視盤檢測，成功率為98.8%，但是每幅圖像需要3.5min才能正確定位視盤。Mahfouz等[5]利用眼底圖像中的血管縱向的方向特性，把二維的求解問題轉(zhuǎn)為兩個(gè)一維的求解問題，將圖像映射在正交軸上，水平與豎直軸分別對(duì)應(yīng)水平梯度與亮度大小的反饋。這種方法大大降低了每幅圖片的定位時(shí)間，只需不到1s。基于視盤的輪廓特性的方法，是以視盤橢圓形狀的特征來進(jìn)行定位，如Tjandrasa等人[6]提出了一種利用霍夫變換與活動(dòng)輪廓操作結(jié)合的視盤定位方法，Nugroho等人[7]也提出了基于活動(dòng)輪廓與數(shù)學(xué)形態(tài)學(xué)相結(jié)合自動(dòng)定位視盤區(qū)域的方法。1.2視盤分割算法的研究現(xiàn)狀在對(duì)眼底視盤進(jìn)行定位后，才可以有意義地分割視盤，視盤分割有以下幾個(gè)方向的研究現(xiàn)狀：基于Hough變換的眼底視盤分割，主要針對(duì)視盤的輪廓進(jìn)行分割，Lu等[8]對(duì)視網(wǎng)膜圖像進(jìn)行Hough圓變換的方法來找到一個(gè)圓形區(qū)域，然后對(duì)視盤進(jìn)行分割。利用形態(tài)學(xué)算法進(jìn)行眼底視盤分割，Walter等[9]提出了分水嶺算法，但是將此方法用于眼底視盤分割，視盤的邊緣不光滑且精度不高。對(duì)視盤進(jìn)行粗分割，再選用合適的主動(dòng)輪廓模型來精確分割的方法，Yu等[10]提出了一種基于模板匹配和主動(dòng)輪廓模型的方法來提取視盤邊緣輪廓。本文采用粒子群改進(jìn)算法結(jié)合視盤高亮度特征的方法進(jìn)行視盤分割，接下來將對(duì)粒子群算法的研究現(xiàn)狀進(jìn)行介紹。1.2.3PSO算法及其優(yōu)化算法的研究現(xiàn)狀粒子群優(yōu)化（PSO，ParticalSwarmOptimization）算法最早由Kennedy和Eberhart受到鳥類群體運(yùn)動(dòng)的啟發(fā)在1995年提出的一種群體智能優(yōu)化算法，此算法中的每一個(gè)粒子都代表極值優(yōu)化問題的可能解，隨著每個(gè)粒子的個(gè)體行為以及整個(gè)群體的信息傳遞，最終實(shí)現(xiàn)問題求解。由于此算法操作簡單，收斂速度快等優(yōu)點(diǎn)，已經(jīng)成為了優(yōu)化組合、圖像處理、神經(jīng)網(wǎng)絡(luò)等眾多研究領(lǐng)域內(nèi)的一個(gè)很好的優(yōu)化工具。然而，PSO算法存在一個(gè)顯著的缺點(diǎn)，它可能存在早熟收斂，并且容易陷入局部最優(yōu)解中[11]。近年來，為了優(yōu)化粒子群算法中的缺陷，諸多學(xué)者進(jìn)行了深刻的研究改進(jìn)，Jason等[12]提出了達(dá)爾文粒子群優(yōu)化（DPSO,Darwinianparticalswarmoptimization）算法，在粒子群算法中引入了自然選擇，在該算法中，任意時(shí)間都可能存在多個(gè)測試解群，并具有控制集合的規(guī)則，因此，DPSO的多樣性種群增強(qiáng)了搜索全局優(yōu)化的能力。Pires等[13]提出了將分?jǐn)?shù)階微積分理論（FOC，fractionalordercalculus）與粒子群算法結(jié)合的分?jǐn)?shù)階粒子群優(yōu)化（FOPSO）算法，此算法可以通過改進(jìn)優(yōu)化速度導(dǎo)數(shù)的階數(shù)從而控制算法的收斂速度，減少運(yùn)算的時(shí)間，提高運(yùn)算效率。在此基礎(chǔ)之上，Micael等[14]又提出了一種將分?jǐn)?shù)階粒子群（FOPSO）算法與達(dá)爾文粒子群（DPSO）算法相結(jié)合的分?jǐn)?shù)階達(dá)爾文粒子群（FODPSO，fractionalorderDarwinianparticalswarmoptimization）算法,由于與粒子群算法（PSO），分?jǐn)?shù)階粒子群算法（FOPSO）和達(dá)爾文粒子群算法（DPSO）算法相比，分?jǐn)?shù)階達(dá)爾文粒子群算法（FODPSO）可以獲得對(duì)過去決策的記憶，并且結(jié)合了分?jǐn)?shù)階算法與達(dá)爾文算法的優(yōu)點(diǎn)，大大提高了算法的收斂速度與精度，具備更好的收斂特性，因此分?jǐn)?shù)階達(dá)爾文粒子群算法在高光譜圖像分割等許多領(lǐng)域得到了廣泛的應(yīng)用，參考文獻(xiàn)[1]Li,H.,Chutatape,O.:‘Automaticfeatureextractionincolorretinalimagesbyamodelbasedapproach’,IEEETrans.Biomed.Eng.,2004,51,(2),pp.246–254[2]Sopharak,A.,Uyyanonvara,B.,Barman,S.:‘Automaticexudatedetectionfromnon-dilateddiabeticretinopathyretinalimagesusingfuzzyC-meansclustering’,Sensors,2009,9,pp.2148–2161[3]Foracchia,M.,Grisan,E.,Ruggeri,A.:‘Detectionofopticdiskinretinalimagesbymeansofageometricalmodelofvesselstructure’,IEEETrans.Med.Imaging,2004,23,(10),pp.1189–1195[4]Youssif,A.,Ghalwash,A.Z.,Ghoneim,A.:‘Opticdiscdetectionfromnormalizeddigitalfundusimagesbymeansofavessels’directionmatchedfilter’,IEEETrans.Med.Imaging,2008,27,(1),pp.11–18[5]Mahfouz,A.E.,Fahmy,A.S.:‘Fastlocalizationoftheopticdiscusingprojectionofimagefeatures’,IEEETrans.ImageProcess.,2010,19,(12),pp.3285–3289[6]Tjandrasa,H,Wijayanti,A.,Suciati,N.:‘OpticnerveheadsegmentationusingHoughtransformandactivecontour’,Telkomnika,2012,10,(3),pp.531–536[7]Nugroho,H.A.,Listyalina,L.,Setiawan,N.A.,etal.:‘Automatedsegmentationofopticdiscareausingmathematicalmorphologyandactivecontour’.Proc.ofInt.Conf.onComputer,Control,InformaticsandItsApplications,Bandung,Indonesia,2015,pp.18–22[8]Locatingtheopticdiscinretinalimages.ParkM,JinJS,LuoS.InternationalConferenceonComputerGraphics.2006[9]Acontributionofimageprocessingtothediagnosisofdiabeticretinopathy-Detectionofexudatesincolorfundusimagesofthehumanretina.Walter,Thomas,Klein,Jean-Claude,Massin,Pascale,Erginay,Ali.IEEETransactionsonMedicalImaging.2002[10]YuHetal.Fastlocalizationandsegmentationofopticdiskinretinalimagesusingdirectionalmatchedfilteringandlevelsets.[J].IEEEtransactionsoninformationtechnologyinbiomedicine:apublicationoftheIEEEEngineeringinMedicineandBiologySociety,2012,16(4):644-57.[11]EBERHARTR,KENNEDYJ.Newoptimizerusingparticleswarmtheory[C]//6thInternationalSymposiumonMicroMachineandHumanScience.Piscataway:IEEE,1995:38-43[12]Tillett,J.,Rao,T.M.,Sahin,F.,etal.:‘Darwinianparticleswarmoptimization’.Proc.ofthe2ndIndianConf.onArtificialIntelligence.,Pune,India,2005,pp.1474–1487[13]E.J.SolteiroPiresetal.Particleswarmoptimizationwithfractional-ordervelocity[J].NonlinearDynamics,2010,61(1-2):295-301.[14]MicaelS.Couceiroetal.Introducingthefractional-orderDarwinianPSO[J].Signal,ImageandVideoProcessing,2012,6(3):343-350.[15]黃鵬,鄭淇,梁超.圖像分割方法綜述[J].武漢大學(xué)學(xué)報(bào)(理學(xué)版),2020,66(06):519-531.[16]魏晶茹.基于分?jǐn)?shù)階粒子群的Otsu圖像分割算法研究[D].寧夏大學(xué),2017.[17]史曉楠,歐陽震.圖像分割常用方法綜述[J].科技視界,2014(33):33.[18]L.VincentandP.Soille.Watershedsindigitalspaces:anefficientalgorith