CN105787928A - 基于视觉模糊度的模糊眼底图像自动检测与筛查方法 - Google Patents

Abstract

本发明公开了一种基于视觉模糊度的模糊眼底图像自动检测与筛查方法，包括如下步骤：(S1)计算可感知模糊程度；(S2)进行贝叶斯决策；(S3)构造贝叶斯分类器判定图像是否模糊。本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，能够简单有效的判别眼底图像是否模糊。

Description

基于视觉模糊度的模糊眼底图像自动检测与筛查方法

技术领域

本发明涉及医学图像处理领域，具体涉及一种基于视觉模糊度的模糊眼底图像自动检测与筛查方法。

背景技术

模糊眼底图像不利于临床眼科疾病诊断，模糊成因有两种：一种是眼底成像系统对焦不准，具体表现为眼底图像中各组织结构不清晰，尤其是血管一类的精细结构不清楚；另一种是由于拍摄时光照不均匀，造成眼底图像局部有亮斑、暗斑或伪彩。如图1所示，分别展示了正常图像(a)、由成因一造成的模糊(b)和由成因二造成的模糊(c)。

发明内容

本发明所要解决的技术问题是提供一种基于视觉模糊度的模糊眼底图像自动检测与筛查方法，能够简单有效的判别眼底图像是否模糊。

为了解决以上技术问题，本发明提供了一种基于视觉模糊度的模糊眼底图像自动检测与筛查方法，包括如下步骤：

(S1)计算可感知模糊程度；

(S2)进行贝叶斯决策；

(S3)构造贝叶斯分类器判定图像是否模糊。

优选地，本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，步骤(S1)所述的计算可感知模糊程度，进一步包括：

(S1.1)机器视觉提取眼底血管组织，具体方法为：先对绿色通道做反色处理，然后构造n_L(n_L为大于0的整数)个线状结构元素，利用图像形态学操作，对绿色通道中任意一点做形态开操作，即形态学腐蚀操作后进行形态学膨胀操作；

(S1.2)可感知血管强度计算，具体方法为：

对绿色通道的形态学开操作会产生n_L个通道图像，计算非感知血管强度：

再提取出非感知血管强度大于50的部分，组成序列S，该序列的最大值记为S_max,然后对序列做标准差分析，根据下式确定可感知基数S₀：

$S_0=\left\{\begin{array}{c}{S}_{\max }/n_L-std\left(S\right),std\left(S\right)<n_L,\\ S_{\max }/n_L,else\end{array}\right.---\left(2\right)$

确定了可感知基数S₀后，可感知血管强度即可通过下式计算：

根据公式(3)，上述可感知血管强度值S(x,y)在0-1之间。

(S1.3)可感知血管强度统计，具体方法为：

根据可感知血管强度做直方图统计，直方图的分布区间为0-1，共分为K个区间，每个区间的宽度为根据直方图中各区间的频数n(i),i＝1,2,……,K，归一化折算为频率计算p(i)在S大于一个固有阈值的总和，得到可感知模糊程度(PB)：

PB＝∑_s＞0.63p(i)(4)

根据公式(4)，所述的可感知模糊程度(PB)值越低，表明图像越模糊。

优选地，本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，步骤(S2)进行贝叶斯决策，具体方法为：

根据贝叶斯决策理论设计一种分类器，把所述的可感知模糊程度(PB)作为输入，输出二分类模式，ω₁代表没有模糊，ω₂代表有模糊；

先在临床上收集样本用眼底图像，让眼科医生先做主观评价，将它们分成非模糊组和模糊组

根据两组中的图片数量，用和表示，计算先验概率：

$P\left({\mathrm{\&omega;}}_i\right)=\frac{\left|G_{{\mathrm{\&omega;}}_i}\right|}{\mathrm{\&Sigma;}\left|G_{{\mathrm{\&omega;}}_i}\right|},i=1,2---\left(5\right)$

假设条件概率服从正态分布，再计算条件概率p(x|ω_i),i＝1,2，其中x代表可感知模糊程度(PB)。

优选地，本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，步骤(S3)构造贝叶斯分类器判定图像是否模糊，具体方法为：

运用贝叶斯公式，分别求出后验概率：

$P\left({\mathrm{\&omega;}}_i\right|PB)=\frac{p\left(PB\right|{\mathrm{\&omega;}}_i)}{{\mathrm{\&Sigma;}}_{j=1}^{2}p\left(PB\right|{\mathrm{\&omega;}}_j)P\left({\mathrm{\&omega;}}_j\right)},i=1,2---\left(6\right)$

最后的分类标准为：如果P(ω₁|PB)＞P(ω₂|PB),那么判定该图像不模糊，不需要剔除；反之，判定模糊，需要剔除。

进一步地，本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，所述的步骤(S3)之后还包括：

步骤(S4)构建自学习分类器。

进一步地，本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，步骤(S4)构建自学习分类器，进一步包括：

(S4.1)、设立后续用于训练的样本自动挑选依据，具体方法为：通过阈值法来确定自动挑选的标准，选择阈值t_rig>0.5(阈值的取值范围是0≤t_rig≤1)，自动挑选依据为：如果P(ω₁|PB)-P(ω₂|PB)＞t_rig，就将该图片作为非模糊组的训练样本，如果P(ω₂|PB)-P(ω₁|PB)＞t_rig，就将该图片作为模糊组的训练样本，不满足上述情况的图片不作为训练样本。

(S4.2)、构造无监督分类器，具体方法为：根据步骤(S4.1)的自动挑选标准，待模糊组和非模糊组的训练样本数都达到或接近10²倍数量级时，通过聚类算法构造无监督分类器，具体的构造步骤为：

(S4.2.1)、初始化：设非模糊组图像的PB值分别为模糊组图像的PB值分别为其中N各代表组中样本数量，ω₁代表非模糊组，ω₂代表模糊组；

(S4.2.2)、初始质心计算：分别计算两组质心

(S4.2.3)、距离计算：对于待检测眼底图像，在得到其PB值后，计算其与两质心的距离d_j＝||PB-μ_j||,j＝1,2；

(S4.2.4)、决策：如果d₁＜d₂，则判定待检测图像是非模糊的，否则判定为模糊的；

(S4.2.5)、迭代：根据上一步的决策将该图像归为对应的组别中，重复步骤(S4.2.2)、步骤(S4.2.3)和步骤(S4.2.4)，即实现无监督分类。

进一步地，本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，所述的步骤(S1)前还包括图像的预处理，所述的预处理包括：

(P1)利用机器视觉去冗余。

更进一步地，本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，所述的预处理在步骤(P1)之后还包括：

(P2)亮度通道处理，具体方法为：

把绿色通道当作亮度通道处理，根据下面的关系式求得亮度掩膜：

${\mathrm{Mask}}_{lum}(x,y)=\left\{\begin{array}{c}1,t_{lum}\&le;I(x,y)\&le;255-t_{lum}/4,\\ 0,else.\end{array}\right.---\left(7\right)$

其中，t_lum为步骤(P1)裁剪后图像中圆形掩膜以外的像素值的平均值。更进一步地，本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，所述的预处理在步骤(P2)之后还包括：

(P3)色彩通道处理，具体方法为：

将步骤(P1)裁剪后的图像做色彩空间变换，变换公式为：

$\left(\begin{array}{c}I\\ H\\ S\end{array}\right)=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ 0.596& -0.274& -0.322\\ 0.211& -0.523& 0.312\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(8\right)$

提取其中的色调通道(H)，根据下面的关系式求出色调掩膜：

${\mathrm{Mask}}_{hue}(x,y)=\left\{\begin{array}{c}1,H(x,y)\&GreaterEqual;t_{hue},\\ 0,else.\end{array}\right.,---\left(9\right)$

其中，t_hue为步骤(P1)裁剪后的圆形掩膜以外的H通道像素值的平均值。更进一步地，本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，所述的预处理在步骤(P3)之后还包括：

(P4)将亮度和色彩通道处理得到的亮度掩膜(Mask_lum)和色彩掩膜(Mask_hue)做逻辑与运算，得到融合后的通道掩膜(Mask_roi)，计算该掩膜中逻辑值为真的像素个数与圆形掩膜中逻辑值为真的像素个数的比例,将其定义为视觉有效信息r₁：

$r_1=\frac{{\mathrm{\&Sigma;}}_{x,y=1}^{M,N}{\mathrm{Mask}}_{roi}(x,y)}{{\mathrm{\&Sigma;}}_{x,y=1}^{M,N}Mask(x,y)}---\left(10\right)$

其中，x,y是像素索引值，M,N代表图像的行列值，Mask代表圆形掩膜。

本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，能够简单有效的判别眼底图像是否模糊。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1是正常与模糊眼底图像示意图；

图2是机器视觉裁剪图像示意图；

图3是本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法的流程图。

具体实施方式

实施例一

如图3所示，本发明的最佳实施方式包括图像预处理步骤P1-P4，和模糊判定步骤S1-S4，具体步骤如下：

第P1步：机器视觉去冗余

彩色图像分离出红色通道，对红色通道运用大津法做二值化处理，然后以图像中心点为圆心，遍历二值化图像中的非零值像素，寻找最大半径，从而得到圆形掩膜，作该圆的外切正方形，去除该外切正方形以外的图像像素，得到裁剪后的图像，示意如图2所示。

第P2步：亮度通道处理

分离出裁剪后图像的绿色通道I，因为在眼底图像中，绿色通道对比度最明显，因此把绿色通道当做亮度通道处理。先求出裁剪后图像中圆形掩膜以外的像素值的平均值，记为t_lum,根据下面的关系式求得亮度掩膜：

${\mathrm{Mask}}_{lum}(x,y)=\left\{\begin{array}{c}1,t_{lum}\&le;I(x,y)\&le;255-t_{lum}/4,\\ 0,else.\end{array}\right.---\left(1\right)$

第P3步：色彩通道处理

将裁剪后的图像做色彩空间变换，变换公式为：

$\left(\begin{array}{c}I\\ H\\ S\end{array}\right)=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ 0.596& -0.274& -0.322\\ 0.211& -0.523& 0.312\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(2\right)$

提取其中的色调通道(H)，与亮度通道处理方法类似，先求出圆形掩膜以外的H通道像素值的平均值，记为t_hue，根据下面的关系式求出色调掩膜：

${\mathrm{Mask}}_{hue}(x,y)=\left\{\begin{array}{c}1,H(x,y)\&GreaterEqual;t_{hue},\\ 0,else.\end{array}\right.---\left(3\right)$

第P4步：通道融合

将亮度和色彩通道处理得到的亮度掩膜(Mask_lum)和色彩掩膜(Mask_hue)做逻辑与运算，即只有在同一位置上的亮度掩膜像素值和色彩掩膜像素值都为真时，逻辑与运算才为真，否则为假。得到融合后的通道掩膜(Mask_noi)，计算该掩膜中逻辑值为真的像素个数与圆形掩膜中逻辑值为真的像素个数的比例,将其定义为视觉有效信息r₁：

$r_1=\frac{{\mathrm{\&Sigma;}}_{x,y=1}^{M,N}{\mathrm{Mask}}_{roi}(x,y)}{{\mathrm{\&Sigma;}}_{x,y=1}^{M,N}Mask(x,y)}---\left(4\right)$

其中，x,y是像素索引值，M,N代表图像的行列值，Mask代表圆形掩膜。

第S1步：可感知模糊程度度量

上述的通道处理和融合技术用于检测由于光照不均匀造成的模糊失真，而可感知模糊程度度量则用于检测由于对焦不准造成的模糊失真。首先，对分离出的原始绿色通道I做数学形态学处理，提取出眼底血管组织，这利用的是机器视觉；然后，计算可感知血管强度，最后综合上述运用通道融合技术产生的通道掩膜Mask_roi，析取出相应位置的血管强度并做统计直方图，根据该直方图计算可感知模糊程度。因此分成以下三步：(S1.1)、机器视觉提取眼底血管组织；(S1.2)、可感知血管强度计算；(S1.3)、可感知血管强度统计。

(S1.1)、机器视觉提取眼底血管组织

首先对绿色通道做反色处理，即：

x,y为像素索引值,索引范围是图像的大小，代表图像域，其大小为M×N。随后构造n_L个线状结构元素，每个线状元素长度为个单位像素，其中代表向上取整数操作，min代表取最小值操作。线性元素的方向从水平开始，依次递增度，单个线状结构元素用Bⁱ表示，其中i＝1,2,…,n_L。利用图像形态学操作，对绿色通道I中任意一点形态开操作定义为：

${\mathrm{\&gamma;}}_{B^i}\left(I\right)={\mathrm{\&delta;}}_{B^i}\left(E_{B^i}\right(I\left)\right)---\left(6\right)$

其中δ定义了形态学膨胀操作，具体定义为：

${\mathrm{\&delta;}}_{B^i}\left(i\right)\left(M_0\right)={\mathrm{MIN}}_{M\&Element;M_0+B^i\left(M_0\right)}\left(S\right(M\left)\right)---\left(6.1\right)$

而∈则为形态学腐蚀操作，其定义是：

${\&Element;}_{B^i}\left(i\right)\left(M_0\right)={\mathrm{MAX}}_{M\&Element;M_0+B^i\left(M_0\right)}\left(S\right(M\left)\right)---\left(6.2\right)$

MIN,MAX分别为最小和最大操作。

(S1.2)、可感知血管强度计算

上述n_L种对绿色通道I的形态学开操作会产生n_L个通道图像，记为Iⁱ,i＝1,2,…,n_L。首先计算非感知血管强度I_ves：

再计算可感知血管强度：首先提取出非感知血管强度大于50的部分，组成序列S该序列的最大值记为S_max,然后对序列做标准差(std)分析，根据下式确定可感知基数S₀：

$S_0=\left\{\begin{array}{c}{S}_{\max }/n_L-std\left(S\right),std\left(S\right)<n_L,\\ S_{\max }/n_L,else\end{array}\right.---\left(8\right)$

确定了可感知基数S₀后，可感知血管强度即可通过下式计算：

(S1.3)、可感知血管强度统计

根据通道融合掩膜Mask_roi,提取出相应位置上的可感知血管强度，并做直方图统计。由公式(9)可知，可感知血管强度值在0-1之间，相应地，直方图的分布区间为0-1，共分为K个区间，每个区间的宽度为根据直方图中各区间的频数n(i),i＝1,2,……,K，归一化折算为频率计算p(i)在S大于一个固有阈值的总和，得到可感知模糊程度(PB)，该值越低，表明图像越模糊：

PB＝∑_s＞0.63p(i)(10)

第S2步：贝叶斯决策

为了根据可感知模糊程度(PB)推断出眼底图像是否模糊，需要设计一种分类器，该分类器把PB作为输入，输出二分类模式，ω₁代表没有模糊，ω₂代表有模糊。本专利根据贝叶斯决策理论设计分类器。首先需要在临床上收集至少1000幅眼底图像，让眼科医生先做主观评价，将它们分成非模糊组和模糊组根据两组中的图片数量，用和表示，计算先验概率：

$P\left({\mathrm{\&omega;}}_i\right)=\frac{\left|G_{{\mathrm{\&omega;}}_i}\right|}{\mathrm{\&Sigma;}\left|G_{{\mathrm{\&omega;}}_i}\right|},i=1,2---\left(11\right)$

接下来计算条件概率p(x|ω_i),i＝1,2，其中x代表可感知模糊程度，即待评估图像的PB值(PB的定义见公式(10))。这里假设条件概率服从正态分布，即条件概率的表达式为：

$p\left(x\right|{\mathrm{\&omega;}}_i)=\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}{e}^{-\frac{{(x-{\mathrm{\&mu;}}_i)}^2}{2{\mathrm{\&sigma;}}^2}},i=1,2---\left(12\right)$

其中μ_i,σ_i的参数估计公式为：

${\mathrm{\&mu;}}_i={\mathrm{\&Sigma;x}}_i/\left|G_{{\mathrm{\&omega;}}_i}\right|,{\mathrm{\&sigma;}}_i=\sqrt{\mathrm{\&Sigma;}{(x_i-{\mathrm{\&mu;}}_i)}^2/\left(\right|G_{{\mathrm{\&omega;}}_i}|-1)},i\&Element;{\mathrm{G\&omega;}}_i---\left(12.1\right)$

第S3步：构造贝叶斯分类器

对于待检测的眼底图片，求出可感知模糊程度PB后，运用贝叶斯公式，分别求出后验概率：

$P\left({\mathrm{\&omega;}}_i\right|PB)=\frac{p\left(PB\right|{\mathrm{\&omega;}}_i)}{{\mathrm{\&Sigma;}}_{j=1}^{2}p\left(PB\right|{\mathrm{\&omega;}}_j)P\left({\mathrm{\&omega;}}_j\right)},i=1,2---\left(13\right)$

最后的分类标准为：如果P(ω₁|PB)＞P(ω₂|PB),那么判定该图像不模糊，不需要剔除；反之，判定模糊，需要剔除。

第S4步：构建自学习分类器

贝叶斯分类器虽然可以计算待检测图像分别属于模糊和不模糊这两类的概率，并根据概率大小判决该图像是否模糊。但构造贝叶斯分类器需要在前期准备大量的样本，还需要医生做主观评价，费时费力，因此需要对原先的贝叶斯分类器做改进，使其能够自学习。自学习要达到以下两个目标：(1)从检测过的图片中自动挑选一部分作为新的学习样本；(2)变有监督分类为无监督分类。

(S4.1)、自动挑选依据

贝叶斯分类器仅仅根据P(ω₁|PB)＞P(ω₂|PB)判定图像不模糊，这会带来一定的风险，比如如果待检测图像的两类后验概率分别为P(ω₁|PB)＝0.51,P(ω₁|PB)＝0.49时，贝叶斯分类器会默认该图像是不模糊的，但由于两类后验概率的差别很小，因此实际上该图像很可能是模糊的，或者模糊与否更有可能是模棱两可的，这样的图像如果入选为训练样本，会干扰贝叶斯分类器的判断，因为越是引入这样模棱两可的图片，越是会对以后的待测图像产生趋向于随机性的判断，这样贝叶斯分类器就失去了意义。

要使贝叶斯分类器具有鲁棒性，必须严格挑选后续用于训练的样本，这里通过阈值法来确定自动挑选的标准。该阈值反映的是挑选标准的严格性，通常选择阈值t_rig>0.5,阈值的取值范围是0≤t_rig≤1，阈值越高，表明严格性越高。选定了代表严格性的阈值以后，自动挑选依据就确定为：如果P(ω₁|PB)-P(ω₂|PB)＞t_rig，就将该图片作为非模糊组的训练样本，如果P(ω₂|PB)-P(ω₁|PB)＞t_rig，就将该图片作为模糊组的训练样本，除此两种情况以外，该图片将不作为训练样本。对比贝叶斯分类器会发现，如果把贝叶斯分类器的分类结果当作自动挑选的依据，那么该依据的严格性阈值为0，因为P(ω₁|PB)＞P(ω₂|PB)等价与P(ω₁|PB)-P(ω₂|PB)＞0。

(S4.2)、构造无监督分类器

根据上述的自动挑选标准，待模糊组和非模糊组的训练样本数都达到或接近10²数量级时，通过聚类算法构造无监督分类器。具体的构造步骤为：

(S4.2.1)、初始化：设非模糊组图像的PB值分别为模糊组图像的PB值分别为其中N各代表组中样本数量。ω₁代表非模糊组，ω₂代表模糊组。

(S4.2.2)、初始质心计算：分别计算两组的质心

(S4.2.3)、距离计算：对于待检测眼底图像，在得到其PB值后，计算其与两质心的距离d_j＝||PB-μ_j||,j＝1,2.

(S4.2.4)、决策：如果d₁＜d₂，则判定待检测图像是非模糊的，否则判定为模糊的。

(S4.2.5)、迭代：根据上一步的决策将该图像归为对应的组别中，重复步骤(S4.2.2)、(S4.2.3)、(S4.2.4)，即可实现无监督分类。

以上所述为本发明的优选实施例，并不用于限制本发明，对本领域的技术人员来说，可以有各种更改和变化。凡在本发明的精神和范围内，所做的任何修改和等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于视觉模糊度的模糊眼底图像自动检测与筛查方法，其特征在于，包括如下步骤：

(S1)计算可感知模糊程度；

(S2)进行贝叶斯决策；

(S3)构造贝叶斯分类器判定图像是否模糊。

2.如权利要求1所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，其特征在于，步骤(S1)所述的计算可感知模糊程度，进一步包括：

(S1.1)机器视觉提取眼底血管组织，具体方法为：先对绿色通道做反色处理，然后构造n_L(n_L为大于0的整数)个线状结构元素，利用图像形态学操作，对绿色通道中任意一点做形态开操作，即形态学腐蚀操作后进行形态学膨胀操作；

(S1.2)可感知血管强度计算，具体方法为：

对绿色通道的形态学开操作会产生n_L个通道图像，计算非感知血管强度：

再提取出非感知血管强度大于50的部分，组成序列S，该序列的最大值记为S_max,然后对序列做标准差分析，根据下式确定可感知基数S₀：

$S_0=\left\{\begin{array}{c}{S}_{\max }/n_L-std\left(S\right),std\left(S\right)<n_L,\\ S_{\max }/n_L,else\end{array}\right.---\left(2\right)$

确定了可感知基数S₀后，可感知血管强度即可通过下式计算：

根据公式(3)，上述可感知血管强度值S(x，y)在0-1之间。

(S1.3)可感知血管强度统计，具体方法为：

根据可感知血管强度做直方图统计，直方图的分布区间为0-1，共分为K个区间，每个区间的宽度为根据直方图中各区间的频数n(i),i＝1,2,……,K，归一化折算为频率计算p(i)在S大于一个固有阈值的总和，得到可感知模糊程度(PB)：

PB＝∑_S＞0.63p(i)(4)

根据公式(4)，所述的可感知模糊程度(PB)值越低，表明图像越模糊。

3.如权利要求1所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，其特征在于，步骤(S2)进行贝叶斯决策，具体方法为：

根据贝叶斯决策理论设计一种分类器，把所述的可感知模糊程度(PB)作为输入，输出二分类模式，ω₁代表没有模糊，ω₂代表有模糊；

先在临床上收集样本用眼底图像，让眼科医生先做主观评价，将它们分成非模糊组和模糊组

根据两组中的图片数量，用和表示，计算先验概率：

$P\left({\mathrm{\&omega;}}_i\right)=\frac{\left|G_{{\mathrm{\&omega;}}_i}\right|}{\&Sigma;\left|G_{{\mathrm{\&omega;}}_i}\right|},i=1,2---\left(5\right)$

假设条件概率服从正态分布，再计算条件概率p(x|ω_i),i＝1,2，其中x代表可感知模糊程度(PB)。

4.如权利要求1所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，其特征在于，步骤(S3)构造贝叶斯分类器判定图像是否模糊，具体方法为：

运用贝叶斯公式，分别求出后验概率：

$P\left({\mathrm{\&omega;}}_i\right|PB)=\frac{p\left(PB\right|{\mathrm{\&omega;}}_i)}{{\mathrm{\&Sigma;}}_{j=1}^{2}p\left(PB\right|{\mathrm{\&omega;}}_j)P\left({\mathrm{\&omega;}}_j\right)},i=1,2---\left(6\right)$

最后的分类标准为：如果P(ω₁|PB)＞P(ω₂|PB),那么判定该图像不模糊，不需要剔除；反之，判定模糊，需要剔除。

5.如权利要求2至4任一项所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，其特征在于，所述的步骤(S3)之后还包括：

步骤(S4)构建自学习分类器。

6.如权利要求5所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，其特征在于，步骤(S4)构建自学习分类器，进一步包括：

(S4.1)、设立后续用于训练的样本自动挑选依据，具体方法为：通过阈值法来确定自动挑选的标准，选择阈值t_rig>0.5(阈值的取值范围是0≤t_rig≤1)，自动挑选依据为：如果P(ω₁|PB)-P(ω₂|PB)＞t_rig，就将该图片作为非模糊组的训练样本，如果P(ω₂|PB)-P(ω₁|PB)＞t_rig，就将该图片作为模糊组的训练样本，不满足上述情况的图片不作为训练样本。

(S4.2)、构造无监督分类器，具体方法为：根据步骤(S4.1)的自动挑选标准，待模糊组和非模糊组的训练样本数都达到或接近10²倍数量级时，通过聚类算法构造无监督分类器，具体的构造步骤为：

(S4.2.1)、初始化：设非模糊组图像的PB值分别为模糊组图像的PB值分别为其中N各代表组中样本数量，ω₁代表非模糊组，ω₂代表模糊组；

(S4.2.2)、初始质心计算：分别计算两组质心

(S4.2.3)、距离计算：对于待检测眼底图像，在得到其PB值后，计算其与两质心的距离d_j＝||PB-μ_j||,j＝1,2；

(S4.2.4)、决策：如果d₁＜d₂，则判定待检测图像是非模糊的，否则判定为模糊的；

(S4.2.5)、迭代：根据上一步的决策将该图像归为对应的组别中，重复步骤(S4.2.2)、步骤(S4.2.3)和步骤(S4.2.4)，即实现无监督分类。

7.如权利要求2至4任一项所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，其特征在于，所述的步骤(S1)前还包括图像的预处理，所述的预处理包括：

(P1)利用机器视觉去冗余。

8.如权利要求7所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，其特征在于，所述的预处理在步骤(P1)之后还包括：

(P2)亮度通道处理，具体方法为：

把绿色通道当作亮度通道处理，根据下面的关系式求得亮度掩膜：

${\mathrm{Mask}}_{lum}(x,y)=\left\{\begin{array}{c}1,t_{lum}\&le;I(x,y)\&le;255-t_{lum}/4,\\ 0,else.\end{array}\right.---\left(7\right)$

其中，t_lum为步骤(P1)裁剪后图像中圆形掩膜以外的像素值的平均值。

9.如权利要求8所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，其特征在于，所述的预处理在步骤(P2)之后还包括：

(P3)色彩通道处理，具体方法为：

将步骤(P1)裁剪后的图像做色彩空间变换，变换公式为：

$\left(\begin{array}{c}I\\ H\\ S\end{array}\right)=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ 0.596& -0.274& -0.322\\ 0.211& -0.523& 0.312\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(8\right)$

提取其中的色调通道(H)，根据下面的关系式求出色调掩膜：

${\mathrm{Mask}}_{hue}(x,y)=\left\{\begin{array}{c}1,H(x,y)\&GreaterEqual;t_{hue},\\ 0,else.\end{array}\right.---\left(9\right)$

其中，t_hue为步骤(P1)裁剪后的圆形掩膜以外的H通道像素值的平均值。

10.如权利要求9所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法，其特征在于，所述的预处理在步骤(P3)之后还包括：

(P4)将亮度和色彩通道处理得到的亮度掩膜(Mask_lum)和色彩掩膜(Mask_hue)做逻辑与运算，得到融合后的通道掩膜(Mask_roi)，计算该掩膜中逻辑值为真的像素个数与圆形掩膜中逻辑值为真的像素个数的比例,将其定义为视觉有效信息r₁：

$r_1=\frac{{\mathrm{\&Sigma;}}_{x,y=1}^{M,N}{\mathrm{Mask}}_{roi}(x,y)}{{\mathrm{\&Sigma;}}_{x,y=1}^{M,N}Mask(x,y)}---\left(10\right)$

其中，x,y是像素索引值，M,N代表图像的行列值，Mask代表圆形掩膜。