基于傳統(tǒng)分割算法的眼底視盤分割定位技術概述1.1基于閾值分割的眼底視盤定位分割定位由于閾值分割算法是最簡單有效提取出高亮度區(qū)域的分割方法,因此基于眼底視盤的高亮度特性，在眾多眼底視盤的分割算法研究之中，首先能想到的方式便是利用閾值分割算法對眼底圖像進行分割。一種基于閾值分割的具體流程如下[23]：(1)輸入原圖像，選取原圖像中的紅色通道圖像；(2)對紅色通道圖像進行初次閾值分割，模糊均衡初次閾值分割結果減少噪聲影響，重復閾值分割操作，得到眼底視盤的大致分割區(qū)域；(3)設置大小為100的圓形模型，對分割出的視盤區(qū)域進行閉合運算，填充分割結果的間隙；(4)除去最大白色區(qū)域以外的所有白色區(qū)域，只保留分割出的視盤區(qū)域；(5)對視盤分割區(qū)域進行邊緣檢測與橢圓擬合，得到一個平滑的視盤曲線，完成最終的視盤定位。算法的分割結果如圖2-7所示。(a)眼底圖像(b)閾值分割結果(c)保留視盤分割結果(d)視盤定位結果圖2-7基于閾值的眼底圖像視盤分割及定位此方法基于眼底視盤高亮度的特性，能夠粗略地分割出眼底視盤的區(qū)域，并且通過一些簡單的形態(tài)學操作將小于視盤區(qū)域以外的其他檢測點進行刪除，但是此方法也存在一個很大的弊端，對于一幅帶有病變的眼底圖像而言，視盤區(qū)域就不一定是眼底圖像中最亮的區(qū)域，比如帶有硬性滲出的眼底圖像，滲出液等病變區(qū)域在眼底圖像中呈現(xiàn)的亮度和視盤的亮度幾乎相同，若利用此算法進行分割，則無法精確分割出視盤區(qū)域，容易與病變區(qū)域進行混淆，雖然此算法操作簡單，算法速度快，但是在醫(yī)學應用等精度需求高的領域，此算法并不適用。1.2基于主動輪廓模型的水平集眼底視盤分割定位由于眼底視盤除了高亮度的特征外，其另一大特征即為眼底視盤的橢圓輪廓，因此有學者進行了基于主動輪廓模型的眼底視盤分割定位研究，利用橢圓約束的主動輪廓進行視盤分割，具體流程如下[24]：(1)輸入原圖像，將原圖像進行大小變換，建立一個初始的橢圓模型，初始化為零水平集；(2)設置水平集演化過程中的梯度，演化次數(shù)等初始參數(shù)；(3)開始演化，根據(jù)內(nèi)外部約束條件對橢圓曲線進行更新，并追蹤更新的曲線輪廓，在眼底圖像中展示出來輪廓的變化過程；(4)當?shù)竭_視盤輪廓邊緣，更新結束，獲取視盤區(qū)域。算法的分割結果如圖2-8所示。(a)眼底圖像(b)灰度圖像(c)零水平級橢圓輪廓(d)視盤定位結果圖2-8基于主動輪廓模型的眼底視盤分割此方法通過追蹤每一次迭代后的更新曲線，最終可以將視盤區(qū)域進行分割，此算法不用對圖像進行對比度增強及剔除血管的預處理操作，在迭代過程中可有效地跨過血管區(qū)域定位視盤，算法的可重復性較高，但是同時此算法過分依賴初始輪廓的設定及迭代次數(shù)的設置，若參數(shù)設置不當，則很容易造成欠分割的現(xiàn)象，且此算法每一次迭代都要進行復雜地橢圓曲線計算，大大增長了算法運行的時間。本文就上述兩種算法，提出了一種基于粒子群優(yōu)化算法的眼底視盤分割方法，