CN106886991A - 一种基于彩色眼底图的模糊度自动分级方法 - Google Patents

Abstract

本发明提供一种基于彩色眼底图的模糊度自动分级方法。本发明提取了多阈值血管像素点个数、增强平均值以及局部标准方差这三种特征来描述眼底模糊程度，并且基于特征的提取结果，设计了一种决策树对眼底图实现最终的分级。由于其它病变，如玻璃体混浊、渗出液等会同时存在于同一张眼底图中，这会严重影响眼底特征的提取从而影响白内障的最终诊断，产生较大的误差。因此，针对玻璃体混浊这类病变问题，本发明提出了一种消除玻璃体混浊的方法，此算法也适用于消除渗出液的影响，可应用与临床医学上非白内障病变对白内障诊断的干扰，有利于提高诊断的正确率，消除过大的误差，为大数据的筛查和远程医疗提供了可能，具有一定的商业价值和应用价值。

Description

一种基于彩色眼底图的模糊度自动分级方法

技术领域

本发明属于图像分类技术领域，尤其涉及一种基于彩色眼底图的模糊度自动分级方法。

背景技术

长期以来，裂隙灯显微镜及晶状体后照明照相检查广泛应用在白内障的筛查和诊断中，一直是白内障评估的“金标准”。“Wisconsin白内障分级系统”及“晶状体混浊分类系统”是用裂隙灯显微镜检测白内障的主要临床评价方法。上述方法虽然提供了较为准确和专业的评价体系，但其分级标准较为复杂，需要拍摄不同类型的图像，并需要与标准照片进行比对，程序繁琐，效率较低，需要大量有经验的专业人员。因此，近年来彩色眼底图开始被用来进行白内障的筛查和评估。相对于裂隙灯显微镜图像和后照图，使用眼底图进行白内障诊断和评估更为直观且便于远程会诊，除了评估白内障之外，还可以同时对青光眼、豹纹状眼底、糖尿病视网膜病变等多种眼科疾病进行联合诊断和筛查。白内障的筛查需要大量有经验的医生，而在一些经济医疗相对落后的地区，有经验的眼科医生往往是稀缺的，这对白内障的及时筛查防治和诊断是一种极大的阻碍。白内障的自动筛查系统不仅能减轻医生的工作量，还能实现远程会诊。除此之外，还能客观地量化诊断指标，为医生提供参考。

白内障由晶状体混浊而产生，而晶状体混浊则会导致获取的眼底图像产生模糊。眼底图中眼底模糊程度是诊断白内障的重要临床依据，根据眼底图像的模糊程度可将白内障分为5级：0级，无白内障，眼底结构(视盘和视网膜血管)清晰可见；1级，眼底轻微模糊，眼底结构均可见，但小血管模糊；2级，眼底清晰度不佳，主血管模糊可见，小血管不可见；3级：眼底模糊不清，仅视盘及盘周血管隐隐可见；4级，眼底结构均不可见。

对于基于眼底图的白内障自动诊断，通常采用的方法是首先进行图像特征提取，随后基于提取的特征进行图像分类。目前已有的算法研究在基于眼底图的白内障诊断中取得了初步的成果，但仍有两大问题没有解决：第一个是现有的算法并没有处理眼底图中出现的其它病变，不同种类的病变都能同时展现在获取的眼底图像中，它们会影响特征的正确提取，从而影响最终的分级结果；另一个问题是现有算法得到的分级结果与人工结果比对仍然存在较大的误差，比如存在误差大于1级的诊断，这将会严重影响临床辅助诊断的效果。

发明内容

为解决上述问题，本发明提供一种基于彩色眼底图的模糊度自动分级方法。本发明提取了多阈值血管像素点个数、增强平均值以及局部标准方差这三种特征来描述眼底模糊程度，并且基于特征的提取结果，设计了一种决策树对眼底图实现最终的分级。由于其它病变(如玻璃体混浊、渗出液等)会同时存在于同一张眼底图中，这会严重影响眼底特征的提取从而影响白内障的最终诊断，产生较大的误差。因此，针对玻璃体混浊这类病变问题，本发明提出了一种消除玻璃体混浊的方法，此算法也适用于消除渗出液的影响。

一种基于彩色眼底图的模糊度自动分级方法，包括以下步骤：

步骤1：对眼底图进行预处理，将不同批次获取的眼底图进行尺寸标准化；

步骤2：利用模板匹配的方法，将步骤1中完成尺寸标准化的眼底图进行图像增强；

步骤3：对步骤1中完成尺寸标准化的眼底图进行玻璃体混浊的检测，并将视盘区域划分为非玻璃体浑浊区域；

步骤4：如果眼底图在步骤3中检测有玻璃体浑浊，对步骤2的增强结果进行二值分割后，再消除眼底图的玻璃体浑浊区域并得到可见眼底结构分割结果，最后根据可见眼底结构分割结果对眼底图进行特征提取；

如果眼底图在步骤3中检测没有玻璃体浑浊，对步骤2的增强结果进行二值分割后得到可见眼底结构分割结果，再根据可见眼底结构分割结果对眼底图进行特征提取；

其中提取的特征包括血管像素点个数、像素点的平均增强值以及局部方差平均值；

步骤5：利用步骤4提取的特征对眼底图的模糊度进行分级。

一种基于彩色眼底图的模糊度自动分级方法，步骤1所述的预处理具体步骤为：

步骤11：提取眼底图的感兴趣区域；

步骤12：计算感兴趣区域的直径；

步骤13：根据感兴趣区域的直径，利用双三次插值法对眼底图进行尺寸标准化。

一种基于彩色眼底图的模糊度自动分级方法，步骤2所述的图像增强的具体步骤为：

步骤21：提取完成尺寸标准化的眼底图中的绿色通道；

步骤22：使用12个不同方向的二维倒高斯模板对完成尺寸标准化的眼底图绿色通道中的每个像素点分别进行卷积运算得到对应的响应值，并取12个方向中最大的响应值作为该像素点的最终增强值E_image(x,y)，其中x,y为像素点的位置。

一种基于彩色眼底图的模糊度自动分级方法，步骤3所述的对完成尺寸标准化的眼底图进行玻璃体混浊的检测，并将视盘区域划分为非玻璃体浑浊区域，具体步骤为：

步骤31：对完成尺寸标准化的眼底图的绿色通道进行中值滤波；

步骤32：使用形态学算子对中值滤波后的绿色通道进行处理，得到玻璃体浑浊边界的增强图D；其中形态学算子对中值滤波后的绿色通道进行处理的过程如下：

其中，d₁、d₂以及d₃为中间变量，表示膨胀，表示腐蚀，G为经中值滤波处理后的绿色通道，e₁、e₂、e₃分别为半径r₁，r₂和r₃的圆形结构元素，其中半径量纲为像素个数，且r₁<r₃<r₂，D表示为玻璃体浑浊边界的增强图；

步骤33：对增强图D做二值化操作，得到玻璃体浑浊边界二值分割结果D_t；计算二值分割结果D_t中分割像素的数量以及连通域数量，其中：

如果分割像素的数量大于已知的视盘周长，或者连通域数量大于5，则输入的眼底图存在玻璃体浑浊，并进入步骤34；否则输入的眼底图不存在玻璃体浑浊，并进入步骤4；

步骤34：排除存在玻璃体浑浊的眼底图中的视盘区域，具体方法如下：

步骤341：筛选出存在玻璃体浑浊的眼底图中前2％最亮的像素点，并将这些像素点按照欧氏距离进行聚类，其中：

如果两个像素点之间的欧氏距离小于已知的视盘区域直径，则聚类为一组，并计算各组聚类区域的中心，否则不聚类为一组；

步骤342：对比各组聚类区域的面积与已知的视盘面积的大小，其中：

如果聚类区域的面积大于已知视盘面积的三分之二，则该组聚类区域为视盘备选区域；否则该组聚类区域不是视盘备选区域；

步骤343：对于每个视盘备选区域，在以该视盘备选区域的中心为中心、大小为1.5×1.5倍视盘半径的窗口范围内，计算二值分割结果D_t的分割像素的总数；其中：

如果总数大于参数p，则该视盘备选区域为视盘区域，并进入步骤344；其中，参数p为血管宽度×视盘周长；否则该视盘备选区域不是视盘区域，并进入步骤4；

步骤344：将视盘区域中心的1.5×1.5倍视盘半径的区域划分为非玻璃体浑浊区域，并进入步骤4。

一种基于彩色眼底图的模糊度自动分级方法，步骤4所述的对眼底图进行特征提取，具体步骤为：

步骤41：给定四个依次递增的阈值t_i，其中i＝1,2,3,4；采用这4个阈值依次对步骤2中像素点的响应值进行二值分割，对应得到四个可见眼底结构分割结果W₁、W₂、W₃、W₄，其中针对4个阈值的每次二值分割过程具体如下：

如果步骤2中的像素点的响应值不小于阈值t_i，则该像素点为可见眼底结构，且该像素点对应的响应值V_i(x,y)为1；否则该像素点为不可见眼底结构，且该像素点对应的响应值V_i(x,y)为0；

步骤42：如果输入眼底图在步骤3中检测有玻璃体浑浊，则进入步骤43；如果输入眼底图在步骤3中检测没有玻璃体浑浊，则进入步骤48；

步骤43：对步骤32中的增强图D用三个依次递增的阈值t₅、t₆、t₇进行二值分割，得到对应的三个二值分割结果D₁、D₂、D₃；

步骤44：将存在玻璃体浑浊的眼底图分为两个环形区域A和B，其中区域A包含眼底结构，区域B不包含眼底结构，利用公式(2)分别计算这两个区域的二维倒高斯模板匹配的响应平均值，并将这两个响应平均值相加，具体如下：

其中，n₁为区域A的像素点总数，n₂为区域B的像素点总数，E₁和E₂分别为区域A和区域B的响应平均值，E为两个区域响应平均值之和；

步骤45：将存在玻璃体浑浊的眼底图分为Class1和Class2两类，其中Class1表示眼底图中眼底结构可见，Class2表示眼底图中眼底结构不可见；利用二分法计算阈值t_e，如果步骤44中响应平均值之和E大于阈值t_e，则输入眼底图为Class1；否则输入眼底图为Class2；

步骤46：去除Class1和Class2两类眼底图的玻璃体浑浊，得到四个可见眼底结构分割结果W₁'、W₂'、W₃'、W₄'，其中：

如果输入眼底图属于Class1，则有：

如果输入眼底图属于Class2，则有：

步骤47：计算经过步骤46处理后的W₁'中的连通域总数和面积小于半个视盘面积的连通域的个数，如果其个数占连通域总数的一半以上，则属于Class2的眼底图被错分为Class1的眼底图，此时利用公式(5)进行修正，否则不进行修正；

步骤48：分别统计四个可见眼底结构分割结果中的血管像素点个数v₁、v₂、v₃、v₄；其中：

如果四个可见眼底结构分割结果为步骤41中没有玻璃体浑浊的四个可见眼底结构分割结果W₁、W₂、W₃、W₄，则统计方法为：

如果四个可见眼底结构分割结果为步骤47中有玻璃体浑浊的四个可见眼底结构分割结果W₁'、W₂'、W₃'、W₄'，则统计方法为：

步骤49：利用步骤48中各个可见眼底结构分割结果所有血管像素点的总数S_i和各个可见眼底结构分割结果的像素点总数S_vi，根据公式(8)计算经步骤22中经二维倒高斯模板匹配后的眼底图像素点的平均增强值m₁、m₂、m₃、m₄；

步骤410：计算步骤21中的绿色通道在3×3范围内的局部方差平均值d。

一种基于彩色眼底图的模糊度自动分级方法，步骤5所述的对眼底图的模糊度进行自动分级，具体步骤为：

步骤51：随机选取待测试眼底图中的20％作为样本，利用血管像素点个数v₁、v₂、v₃、v₄，平均增强值m₁、m₂、m₃、m₄以及局部方差平均值d进行决策树训练；

步骤52：根据决策树训练的结果对输入眼底图的模糊度进行自动分级，其中：

如果眼底图包含视盘且视网膜血管的眼底结构清晰可见，则模糊度为0级；

如果眼底图眼底结构均可见，但小血管模糊，则模糊度为1级；

如果眼底图主血管模糊可见，但小血管不可见，则模糊度为2级；

如果眼底图仅视盘及盘周血管隐隐可见，则模糊度为3级；

如果眼底图眼底结构均不可见，则模糊度为4级。

有益效果：

1、不同种类的病变如果同时展现在获取的眼底图像中，将会影响特征的正确提取，本发明在现有方法的基础上，首先处理眼底图中出现的其它病变，消除玻璃体混浊后再进行眼底图模糊度的分级，最终得到与人工结果比对误差较少的眼底图模糊度分级结果；

2、本发明在图像增强的基础上提取了描述眼底模糊程度的三类特征：多阈值血管分割、增强平均值以及局部标准方差，并针对玻璃体浑浊的问题进行了处理；同时本发明基于特征的提取结果，设计了一种决策树对眼底图实现最终的分级。因此，本发明提出的一种基于彩色眼底图的模糊度自动分级方法，可以给临床诊断提供了一个可靠且客观的评估，可应用与临床医学上非白内障病变对白内障诊断的干扰，有利于提高诊断的正确率，消除过大的误差，为大数据的筛查和远程医疗提供了可能，具有一定的商业价值和应用价值。

3、本发明是基于彩色眼底图的图像分类方法，首先对图像进行预处理以实现尺寸的统一，有利于处理不同尺寸不同批次的眼底图像。

附图说明

图1为本发明实施例的眼底图白内障自动诊断方法流程示意图；

图2为本发明实施例的眼底图分区示意图。

具体实施方式

下面结合附图对本发明方法的实施方式做详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不限定本发明。

如图1所示，为本发明实施例的眼底图白内障自动诊断方法流程示意图；一种基于彩色眼底图的模糊度自动分级方法，包括以下步骤：

步骤1：对眼底图进行预处理，将不同批次获取的眼底图进行尺寸标准化；

步骤2：利用模板匹配的方法，将步骤1中完成尺寸标准化的眼底图进行图像增强；

步骤3：对步骤1中完成尺寸标准化的眼底图进行玻璃体混浊的检测，并将视盘区域划分为非玻璃体浑浊区域；

步骤4：如果眼底图在步骤3中检测有玻璃体浑浊，对步骤2的增强结果进行二值分割后，再消除眼底图的玻璃体浑浊区域并得到可见眼底结构分割结果，最后根据可见眼底结构分割结果对眼底图进行特征提取；

如果眼底图在步骤3中检测没有玻璃体浑浊，对步骤2的增强结果进行二值分割后得到可见眼底结构分割结果，再根据可见眼底结构分割结果对眼底图进行特征提取；

其中提取的特征包括血管像素点个数、像素点的平均增强值以及局部方差平均值；

步骤5：利用步骤4提取的特征对眼底图的模糊度进行自动分级。

一种基于彩色眼底图的模糊度自动分级方法，步骤1所述的预处理具体步骤为：

步骤11：提取眼底图的感兴趣区域；对输入眼底图的红色通道做阈值处理，主要目的是要排除背景区域，仅保留视网膜区域。为了防止错将视网膜区域内的像素分为背景像素，根据经验，这里将阈值设为10。对经过阈值处理后的结果依次进行开运算、闭运算以及腐蚀的形态学处理操作。在这些形态学处理中均使用3×3的正方形结构元素，最后获取的感兴趣区域ROI，感兴趣区域ROI均为1，其它背景区域则设为0。

步骤12：计算感兴趣区域的直径；统计步骤11中二值图的每一行中取值为1的像素点数，最大的值即为感兴趣区域ROI直径。

步骤13：根据感兴趣区域的直径，利用双三次插值法对眼底图进行尺寸标准化。每一张输入的眼底图的眼底直径都将跟给定的参照直径值进行比较，如果眼底直径不等于参照直径，则将用双三次插值法调整眼底图像大小至直径一致。根据数据集的分析与训练，我们将参照直径设定为2161个像素。最后，为了减少视网膜边界与背景的干扰，又将感兴趣区域ROI缩小50像素的范围。

一种基于彩色眼底图的模糊度自动分级方法，步骤2所述的对完成尺寸标准化的眼底图进行图像增强具体步骤为：

步骤21：提取完成尺寸标准化的眼底图中的绿色通道；

步骤22：使用12个不同方向的二维倒高斯模板对完成尺寸标准化的眼底图绿色通道中的每个像素点分别进行卷积运算得到对应的响应值，并取12个方向中最大的响应值作为该像素点的最终增强值E_image(x,y)，其中x,y为像素点的位置。其中，二维倒高斯模板表示为：

模板的大小、σ和L均由输入眼底图像的血管宽度决定，本发明所输入的眼底图像经尺寸标准化之后的主血管宽度大致在24～36像素的范围内，根据主血管宽度，模板的大小设置为60×61，σ和L分别设置为8和36。

一种基于彩色眼底图的模糊度自动分级方法，步骤3所述的对完成尺寸标准化的眼底图进行玻璃体混浊的检测，并将视盘区域划分为非玻璃体浑浊区域，具体步骤为：

步骤31：对完成尺寸标准化的眼底图的绿色通道进行中值滤波以平滑噪声，滤波器的大小设置为12×12；

步骤32：使用形态学算子对中值滤波后的绿色通道进行处理，增强玻璃体浑浊边界；其中形态学算子对中值滤波后的绿色通道进行处理的过程如下：

其中，d₁、d₂以及d₃为中间变量，表示膨胀，表示腐蚀，G为经中值滤波处理后的绿色通道，e₁、e₂、e₃分别为半径24，36和28的圆形结构元素，其中半径量纲为像素个数，D表示为玻璃体浑浊边界的增强图；

步骤33：对增强图D做二值化操作，其中阈值为8，增强图D中像素值大于8的像素点属于玻璃体浑浊边界，增强图中像素值不大于8的像素点不属于玻璃体浑浊边界，从而得到玻璃体浑浊边界二值分割结果D_t；计算二值分割结果D_t中分割像素的数量以及连通域数量，其中：

如果分割像素数量大于已知的视盘周长，或者连通域数量大于5，则该眼底图存在玻璃体浑浊，并进入步骤34；否则该眼底图不存在玻璃体浑浊，并进入步骤4；

步骤34：由于步骤32的增强过程同样会增强视盘边界，因此需要排除存在玻璃体浑浊的眼底图中的视盘区域，具体方法如下：

步骤341：筛选出存在玻璃体浑浊的眼底图中2％最亮的像素点，并将这些像素点按照欧氏距离进行聚类，其中：

如果两个像素点之间的距离小于已知的视盘区域直径，则聚类为一组，并计算各组聚类区域的中心，否则不聚类为一组；

步骤342：对比各组聚类区域的面积与已知的视盘面积的大小，其中：

如果聚类区域的面积大于已知视盘面积的三分之二，则该组聚类区域为视盘备选区域；否则该组聚类区域不是视盘备选区域；

步骤343：对于每个视盘备选区域，在以该视盘备选区域的中心为中心、大小为1.5×1.5倍视盘半径的窗口范围内，计算二值分割结果D_t的分割像素的总数；其中：

如果总数大于参数p，则该视盘备选区域为视盘区域，并进入步骤344；其中，参数p为血管宽度×视盘周长；否则该视盘备选区域不是视盘区域，并进入步骤4；

步骤344：将视盘区域中心的1.5×1.5倍视盘半径的区域划分为非玻璃体浑浊区域，并进入步骤4。

一种基于彩色眼底图的模糊度自动分级方法，步骤4所述的对眼底图进行玻璃体浑浊病变的处理和特征提取，具体步骤为：

步骤41：给定四个依次递增的阈值0.3、0.5、0.9以及1.4，依次对步骤2结果中像素点的响应值进行二值分割，分别对应得到四个可见眼底结构分割结果W₁、W₂、W₃、W₄，其中针对4个阈值的每次二值分割过程具体如下：

如果步骤2结果中的像素点的响应值不小于阈值t_i，则该像素点为可见眼底结构，且该像素点对应的响应值V_i(x,y)为1；否则该像素点为不可见眼底结构，且该像素点对应的响应值V_i(x,y)为0；如下式：

步骤42：如果输入眼底图在步骤3中检测有玻璃体浑浊，则进入步骤43；如果输入眼底图在步骤3中检测没有玻璃体浑浊，则进入步骤48；

步骤43：对步骤3中的增强图D用三个阈值t₅、t₆、t₇进行二值分割，得到对应的三个二值分割结果D₁、D₂、D₃；

步骤44：将存在玻璃体浑浊的眼底图分为两个环形区域，如图2所示，本发明实施例的眼底图分区示意图，其中区域A包含眼底结构，区域B不包含眼底结构，由于在本发明实施例中，所使用的图片均为以黄斑为中心、视场角为45°的彩色眼底图，因此区域A的圆环半径为250像素，区域B的圆环半径为400像素宽度。利用公式(2)分别计算这两个区域的二维倒高斯模板匹配的响应平均值，并将这两个响应平均值相加，具体如下：

其中，n₁为区域A的像素点总数，n₂为区域B的像素点总数，E₁和E₂分别为响应平均值，E为响应平均值的和；

步骤45：将存在玻璃体浑浊的眼底图分为Class1和Class2两类，其中Class1表示眼底图中眼底结构可见，其中眼底结构包括视盘和视网膜血管、主血管、小血管；Class2表示眼底图中眼底结构不可见、模糊不清；利用二分法计算步骤44中响应平均值的和E的阈值t_e；如果响应平均值的和E大于阈值t_e，则输入眼底图为Class1；否则输入眼底图为Class2；

步骤46：利用不同算法去除两类眼底图的玻璃体浑浊，得到四个可见眼底结构分割结果W₁'、W₂'、W₃'、W₄'，其中：

如果输入眼底图属于Class1，则有：

如果输入眼底图属于Class2，则有：

步骤47：计算经过步骤46处理后的W₁'中的连通域总数和面积小于半个视盘面积的连通域的个数，如果其个数占连通域总数的一半以上，则属于Class2的眼底图被错分为Class1的眼底图，此时利用公式(5)进行修正，否则不进行修正；

步骤48：分别统计四个可见眼底结构分割结果中的血管像素点个数v₁、v₂、v₃、v₄；其中：

如果四个可见眼底结构分割结果为步骤41中没有玻璃体浑浊的四个可见眼底结构分割结果W₁、W₂、W₃、W₄，则统计方法为：

如果四个可见眼底结构分割结果为步骤47中有玻璃体浑浊的四个可见眼底结构分割结果W₁'、W₂'、W₃'、W₄'，则统计方法为：

步骤49：根据公式(8)计算经步骤22中经二维倒高斯模板匹配后的眼底图像素点的平均增强值m₁、m₂、m₃、m₄；

其中i＝1,2,3,4，S是步骤48中可见眼底结构分割结果所有血管像素点的总数；S_vi是步骤48中可见眼底结构分割结果的像素点总数；

步骤410：计算步骤21中的绿色通道在3×3范围内的局部方差平均值d。

一种基于彩色眼底图的模糊度自动分级方法，步骤5所述的对眼底图的模糊度进行自动分级,，具体步骤为：

步骤51：随机选取1350张测试眼底图中的20％作为样本，利用血管像素点个数v₁、v₂、v₃、v₄，平均增强值m₁、m₂、m₃、m₄以及局部方差平均值d进行决策树训练；

步骤52：根据决策树训练的结果将输入眼底图的模糊度形成5个等级的分级结果，其中：

如果眼底图包含视盘且视网膜血管的眼底结构清晰可见，则模糊度为0级；

如果眼底图眼底轻微模糊，眼底结构均可见，但小血管模糊，则模糊度为1级；

如果眼底图眼底清晰度不佳，主血管模糊可见，但小血管不可见，则模糊度为2级；

如果眼底图眼底模糊不清，仅视盘及盘周血管隐隐可见，则模糊度为3级；

如果眼底图眼底结构均不可见，则模糊度为4级。

一般认为0级无白内障，由于在3级和4级的眼底图中，局部方差平均值d区别并不明显，所以不用来区分2、3、4级。

实验证明，本发明可实现彩色眼底图的模糊度自动分级，将眼底模糊度分为5级时，算法诊断与人工诊断的一致率达到了80.7％，消除了大于1级的误差；将本发明的基于彩色眼底图的模糊度自动分级方法应用于筛查白内障和非白内障时，本发明跟人工诊断的一致率高达92.1％。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种基于彩色眼底图的模糊度自动分级方法，其特征在于，包括以下步骤：

步骤1：对眼底图进行预处理，将不同批次获取的眼底图进行尺寸标准化；

步骤2：利用模板匹配的方法，将步骤1中完成尺寸标准化的眼底图进行图像增强；

步骤3：对步骤1中完成尺寸标准化的眼底图进行玻璃体混浊的检测，并将视盘区域划分为非玻璃体浑浊区域；

步骤4：如果眼底图在步骤3中检测有玻璃体浑浊，对步骤2的增强结果进行二值分割后，再消除眼底图的玻璃体浑浊区域并得到可见眼底结构分割结果，最后根据可见眼底结构分割结果对眼底图进行特征提取；

如果眼底图在步骤3中检测没有玻璃体浑浊，对步骤2的增强结果进行二值分割后得到可见眼底结构分割结果，再根据可见眼底结构分割结果对眼底图进行特征提取；

其中提取的特征包括血管像素点个数、像素点的平均增强值以及局部方差平均值；

步骤5：利用步骤4提取的特征对眼底图的模糊度进行分级。

2.如权利要求1所述的一种基于彩色眼底图的模糊度自动分级方法，其特征在于，步骤1所述的预处理具体步骤为：

步骤11：提取眼底图的感兴趣区域；

步骤12：计算感兴趣区域的直径；

步骤13：根据感兴趣区域的直径，利用双三次插值法对眼底图进行尺寸标准化。

3.如权利要求1所述的一种基于彩色眼底图的模糊度自动分级方法，其特征在于，步骤2所述的图像增强的具体步骤为：

步骤21：提取完成尺寸标准化的眼底图中的绿色通道；

步骤22：使用12个不同方向的二维倒高斯模板对完成尺寸标准化的眼底图绿色通道中的每个像素点分别进行卷积运算得到对应的响应值，并取12个方向中最大的响应值作为该像素点的最终增强值E_image(x,y)，其中x,y为像素点的位置。

4.如权利要求3所述的一种基于彩色眼底图的模糊度自动分级方法，其特征在于，步骤3所述的对完成尺寸标准化的眼底图进行玻璃体混浊的检测，并将视盘区域划分为非玻璃体浑浊区域，具体步骤为：

步骤31：对完成尺寸标准化的眼底图的绿色通道进行中值滤波；

步骤32：使用形态学算子对中值滤波后的绿色通道进行处理，得到玻璃体浑浊边界的增强图D；其中形态学算子对中值滤波后的绿色通道进行处理的过程如下：

其中，d₁、d₂以及d₃为中间变量，表示膨胀，表示腐蚀，G为经中值滤波处理后的绿色通道，e₁、e₂、e₃分别为半径r₁，r₂和r₃的圆形结构元素，其中半径量纲为像素个数，且r₁<r₃<r₂，D表示为玻璃体浑浊边界的增强图；

步骤33：对增强图D做二值化操作，得到玻璃体浑浊边界二值分割结果D_t；计算二值分割结果D_t中分割像素的数量以及连通域数量，其中：

如果分割像素的数量大于已知的视盘周长，或者连通域数量大于5，则输入的眼底图存在玻璃体浑浊，并进入步骤34；否则输入的眼底图不存在玻璃体浑浊，并进入步骤4；

步骤34：排除存在玻璃体浑浊的眼底图中的视盘区域，具体方法如下：

步骤341：筛选出存在玻璃体浑浊的眼底图中前2％最亮的像素点，并将这些像素点按照欧氏距离进行聚类，其中：

如果两个像素点之间的欧氏距离小于已知的视盘区域直径，则聚类为一组，并计算各组聚类区域的中心，否则不聚类为一组；

步骤342：对比各组聚类区域的面积与已知的视盘面积的大小，其中：

如果聚类区域的面积大于已知视盘面积的三分之二，则该组聚类区域为视盘备选区域；否则该组聚类区域不是视盘备选区域；

步骤343：对于每个视盘备选区域，在以该视盘备选区域的中心为中心、大小为1.5×1.5倍视盘半径的窗口范围内，计算二值分割结果D_t的分割像素的总数；其中：

如果总数大于参数p，则该视盘备选区域为视盘区域，并进入步骤344；其中，参数p为血管宽度×视盘周长；否则该视盘备选区域不是视盘区域，并进入步骤4；

步骤344：将视盘区域中心的1.5×1.5倍视盘半径的区域划分为非玻璃体浑浊区域，并进入步骤4。

5.如权利要求4所述的一种基于彩色眼底图的模糊度自动分级方法，其特征在于，步骤4所述的对眼底图进行特征提取，具体步骤为：

步骤41：给定四个依次递增的阈值t_i，其中i＝1,2,3,4；采用这4个阈值依次对步骤2中像素点的响应值进行二值分割，对应得到四个可见眼底结构分割结果W₁、W₂、W₃、W₄，其中针对4个阈值的每次二值分割过程具体如下：

如果步骤2中的像素点的响应值不小于阈值t_i，则该像素点为可见眼底结构，且该像素点对应的响应值V_i(x,y)为1；否则该像素点为不可见眼底结构，且该像素点对应的响应值V_i(x,y)为0；

步骤42：如果输入眼底图在步骤3中检测有玻璃体浑浊，则进入步骤43；如果输入眼底图在步骤3中检测没有玻璃体浑浊，则进入步骤48；

步骤43：对步骤32中的增强图D用三个依次递增的阈值t₅、t₆、t₇进行二值分割，得到对应的三个二值分割结果D₁、D₂、D₃；

步骤44：将存在玻璃体浑浊的眼底图分为两个环形区域A和B，其中区域A包含眼底结构，区域B不包含眼底结构，利用公式(2)分别计算这两个区域的二维倒高斯模板匹配的响应平均值，并将这两个响应平均值相加，具体如下：

$\begin{array}{c}{E}_1=\frac{1}{n_1}\underset{(x,y)\&Element;A}{\&Sigma;}E\_image(x,y)\\ E_2=\frac{1}{n_2}\underset{(x,y)\&Element;B}{\&Sigma;}E\_image(x,y)\\ E=E_1+E_2\end{array}---\left(2\right)$

其中，n₁为区域A的像素点总数，n₂为区域B的像素点总数，E₁和E₂分别为区域A和区域B的响应平均值，E为两个区域响应平均值之和；

步骤45：将存在玻璃体浑浊的眼底图分为Class1和Class2两类，其中Class1表示眼底图中眼底结构可见，Class2表示眼底图中眼底结构不可见；利用二分法计算阈值t_e，如果步骤44中响应平均值之和E大于阈值t_e，则输入眼底图为Class1；否则输入眼底图为Class2；

步骤46：去除Class1和Class2两类眼底图的玻璃体浑浊，得到四个可见眼底结构分割结果W₁'、W₂'、W₃'、W₄'，其中：

如果输入眼底图属于Class1，则有：

$\begin{array}{c}{W_1}^{\&prime;}=W_1-D_2\\ {W_2}^{\&prime;}=W_2-D_2\\ {W_3}^{\&prime;}=W_3-D_3\\ {W_4}^{\&prime;}=W_4-D_3\end{array}---\left(3\right)$

如果输入眼底图属于Class2，则有：

$\begin{array}{c}{W_1}^{\&prime;}=W_1-D_3\\ {W_2}^{\&prime;}=W_2-D_3\\ {W_3}^{\&prime;}=W_3-D_3\\ {W_4}^{\&prime;}=W_4-D_3\end{array}---\left(4\right)$

步骤47：计算经过步骤46处理后的W₁'中的连通域总数和面积小于半个视盘面积的连通域的个数，如果其个数占连通域总数的一半以上，则属于Class2的眼底图被错分为Class1的眼底图，此时利用公式(5)进行修正，否则不进行修正；

$\begin{array}{c}{W_1}^{\&prime;}=W_1-D_1\\ {W_2}^{\&prime;}=W_2-D_2\\ {W_3}^{\&prime;}=W_3-D_3\\ {W_4}^{\&prime;}=W_4-D_3\end{array}---\left(5\right)$

步骤48：分别统计四个可见眼底结构分割结果中的血管像素点个数v₁、v₂、v₃、v₄；其中：

如果四个可见眼底结构分割结果为步骤41中没有玻璃体浑浊的四个可见眼底结构分割结果W₁、W₂、W₃、W₄，则统计方法为：

$v_i=\underset{(x,y)\&Element;W_i}{\&Sigma;}{V}_i(x,y)---\left(6\right)$

如果四个可见眼底结构分割结果为步骤47中有玻璃体浑浊的四个可见眼底结构分割结果W₁'、W₂'、W₃'、W₄'，则统计方法为：

$v_i=\underset{(x,y)\&Element;{W^{\&prime;}}_i}{\&Sigma;}{V}_i(x,y)---\left(7\right)$

步骤49：利用步骤48中各个可见眼底结构分割结果所有血管像素点的总数S_i和各个可见眼底结构分割结果的像素点总数S_vi，根据公式(8)计算经步骤22中经二维倒高斯模板匹配后的眼底图像素点的平均增强值m₁、m₂、m₃、m₄；

$m_i=\frac{1}{S_{vi}}\underset{(x,y)\&Element;S_i}{\&Sigma;}E\_image(x,y)---\left(8\right)$

步骤410：计算步骤21中的绿色通道在3×3范围内的局部方差平均值d。

6.如权利要求5所述的一种基于彩色眼底图的模糊度自动分级方法，其特征在于，步骤5所述的对眼底图的模糊度进行自动分级，具体步骤为：

步骤51：随机选取待测试眼底图中的20％作为样本，利用血管像素点个数v₁、v₂、v₃、v₄，平均增强值m₁、m₂、m₃、m₄以及局部方差平均值d进行决策树训练；

步骤52：根据决策树训练的结果对输入眼底图的模糊度进行自动分级，其中：

如果眼底图包含视盘且视网膜血管的眼底结构清晰可见，则模糊度为0级；

如果眼底图眼底结构均可见，但小血管模糊，则模糊度为1级；

如果眼底图主血管模糊可见，但小血管不可见，则模糊度为2级；

如果眼底图仅视盘及盘周血管隐隐可见，则模糊度为3级；

如果眼底图眼底结构均不可见，则模糊度为4级。