CN109523524A - 一种基于集成学习的眼底图像硬性渗出检测方法 - Google Patents

Abstract

本发明公开了一种基于集成学习的眼底图像硬性渗出检测方法，属于图像处理技术领域，首先对输入的眼底图像进行对比度增强、滤波以及形态学重建，再利用已训练好的卷积神经网络提取样本的深度特征，并对其提取传统特征，再将两者进行级联，采用主成分分析法进行降维，最后将降维后特征和标签送入已训练好的随机森林分类器进行分类，从而分割出眼底图像的硬性渗出区域，解决了现有硬性渗出检测方法存在计算量较大，检测准确率不高和检测不完全的问题。

Description

一种基于集成学习的眼底图像硬性渗出检测方法

技术领域

本发明属于计算机图像处理技术领域，涉及一种基于集成学习的眼底图像硬性渗出检测方法。

背景技术

目前，常常通过对拍摄的视网膜眼底图像进行人工观察来找出硬性渗出的位置、数目等，然而，人工找出硬性渗出的位置和统计渗出数目是一项任务量大且费时费力的工作，且在很大程度上要求眼底医生具备专业熟练的技能，这不适用于在基层偏远地区进行，因此通过计算机图像处理等技术来检测出眼底图像中的硬性渗出，提醒医生注意相关区域，辅助其进行观察，是一项具有现实意义的工作。

由于眼底图像中存在与硬性渗出具有相似亮度、颜色和对比度的血管、视盘、视盘纤维等，容易对硬性渗出的检测造成干扰，可能被计算机误识别为硬性渗出，因此对硬性渗出的自动分割是一项具有挑战的工作，近几年国内外的学者们都开始重视硬性渗出的检测与分割。

基于计算机图像处理技术的硬性渗出检测方法主要包括基于阈值分割的方法、基于区域生长的方法、基于形态学的方法和基于分类器的方法。Sanchez等人提出的阈值混合模型来对图像直方图进行处理，从而动态地分割出硬性渗出，但是会存在较多的血管和视神经盘，容易对硬性渗出的检测造成诸多干扰；Sinthanayothin等人提出循环区域生长法来自动检测，但是该方法计算量较大，耗时较长；Walter等人提出通过形态学方法移除视盘，再基于像素值方差来找到硬性渗出的轮廓，并用形态学重建得到硬性渗出区域，相似地，Sopharak等人也提出基于形态学的硬性渗出分割方法，该方法首先采用形态学闭操作重建算子移除血管和视盘，再通过H通道和I通道计算出各像素的标准方差以及统计边缘轮廓像素来检测硬性渗出，但是由于硬性渗出具有大小不规则且亮度不均匀等特征，基于形态学的方法很难选择出合适的参数，且往往只能分割出部分硬性渗出和其他非渗出目标，分割精度不高，从而导致检测准确率不高；基于分类器的方法通过对每个像素或候选连通区域进行特征提取，并用支持向量机、随机森林、神经网络等对其进行分类，来判断是或不是硬性渗出目标，Giancardo等人提出一种基于图像级别的分类检测方法，对存在渗出和无渗出的图像进行传统特征提取，如颜色、面积等，并用支持向量机对输入图片进行分类，但是该方法仍存在硬性渗出检测不完全的问题。

因此，目前基于计算机图像处理技术的硬性渗出检测方法还存在计算量较大，检测准确率不高和检测不完全的问题。

发明内容

本发明的目的在于：提供了一种基于集成学习的眼底图像硬性渗出检测方法，解决了现有硬性渗出检测方法存在计算量较大，检测准确率不高和检测不完全的问题。

本发明采用的技术方案如下：

一种基于集成学习的眼底图像硬性渗出检测方法，包括以下步骤：

步骤1：输入眼底图像，进行对比度增强，得到增强图像；

步骤2：提取增强图像的绿色通道，得到绿色通道图像，再对其进行中值滤波和开操作，得到背景估计图像；

步骤3：对背景估计图像进行形态学重建得到形态学重建图像，再用步骤2的绿色通道图像减去形态学重建图像，得到归一化背景图像；

步骤4：对归一化背景图像进行动态阈值分割，直到连通域数目大于设定的连通域数目，再去除面积小的连通域得到候选区域模板图；

步骤5：利用候选区域模板图对步骤1的增强图像进行掩模得到候选区域样本图，将其送入卷积神经网络进行前向传播，将全连接层的向量作为深度特征，同时提取候选区域样本图中对应区域的传统特征；

步骤6：将步骤5的深度特征和传统特征进行简单级联，用主成分分析法进行降维，得到各个候选区域的最终的特征向量；

步骤7：将特征向量送入随机森林进行判断，对候选区域进行分类，从而得到最终的渗出标记图。

进一步地，所述步骤1的具体步骤为：

步骤1.1：输入彩色眼底图像I，利用增强公式对眼底图像I的三个通道分别进行对比度增强，所述增强公式如下：

I_i＝α·I_i+τ·Gaussian*I_i+γ

其中，I表示眼底图像，i表示眼底图像的R、G、B三个通道，Gaussian表示高斯滤波器，α、τ、γ均为常数；

步骤1.2：将增强后的三个通道合并为增强图像

步骤1.3：同时对眼底图像I进行血管分割，得到血管分割图。

进一步地，所述步骤2的具体步骤为：

步骤2.1：提取增强图像的绿色通道，得到绿色通道图像

步骤2.2：采用尺寸为50～70像素的中值滤波器对绿色通道图像进行滤波，得到滤波图像

步骤2.3：采用面积为10～20像素的圆盘结构元对滤波图像进行开操作，得到背景估计图像

进一步地，所述步骤3的具体步骤为：

步骤3.1：将背景估计图像作为marker，将绿色通道图像作为mask，对背景估计图像进行形态学重建，得到形态学重建图像

步骤3.2：用步骤2.1的绿色通道图像减去形态学重建图像得到归一化背景图像

进一步地，所述步骤4的具体步骤为：

步骤4.1：计算归一化背景图像像素值的最大值t_max和最小值t_min；

步骤4.2：将阈值threshold的范围设定为t_max到t_min，从高到低对步骤4.1中的归一化背景图像进行二值化，直到二值化后图像的连通域数目conn_num小于预设定的连通域数目K，则将该二值化图像记为若遍历所有范围，仍未找到符合连通域数目的二值化图像，则直接使用人为给定的阈值t_l对归一化背景图像进行二值化，并将该二值化图像记为

步骤4.3：删除二值化图像中像素面积小于设定值px的连通域，所述设定值px的取值范围为1≤px≤10，得到候选区域模板图mask_cand。

进一步地，所述步骤5的具体步骤为：

步骤5.1：利用步骤4.3的候选区域模板图mask_cand对步骤1.2中的增强图像进行掩模处理，得到候选区域模板图mask_cand对应的候选区域在增强图像中的区域图像，即候选区域样本图；

步骤5.2：对候选区域样本图进行连通性分析，若椭圆长轴大于预设值L，则以候选区域样本图的连通中心为中心框定出L×L的矩形框，若椭圆长轴小于预设值L，则以候选区域样本图的连通中心为中心框定出M×M的矩形框；

步骤5.3：将步骤5.2中L×L的矩形框归一化到M×M的矩形框中，得到M×M候选区域样本，在卷积神经网络的训练阶段，将M×M选区域样本和其对应的标签输入卷积神经网络进行训练，得到网络模型参数，在卷积神经网络的测试阶段，利用训练好的模型参数，对M×M候选区域样本进行前向传播，并提取全连接层的特征向量作为深度特征feature1；

步骤5.4：对步骤5.3的M×M候选区域样本进行传统特征提取，所述传统特征包括各候选区域连通域在步骤1.1的眼底图像的R、G、B三通道、步骤1.2的增强图像的三通道和步骤1.3的血管分割图中的基于像素值大小的特征，以及各候选区域连通域在步骤4.2的二值化图像中基于形状的特征，将传统特征定义为feature2。

更进一步地，所述步骤5.4中的基于像素值大小的特征包括像素平均值、像素值总和、标准差、对比度和最小值；所述基于形状的特征包括面积、周长、圆形度、离心率、紧凑度、DOG特征中非零像素个数和Sobel梯度值。

进一步地，所述步骤6的具体步骤为：

步骤6.1：将步骤5.4得到的传统特征feature2接在步骤5.3得到的深度特征feature1后面，进行简单级联，得到级联特征向量feature3；

步骤6.2：用主成分分析法对级联特征向量feature3进行降维和去除冗余特征，得到各个候选区域的最终的特征向量Feature。

进一步地，所述步骤7的具体步骤为：

步骤7.1：在随机森林的训练阶段，将特征向量Feature和标签送入随机森林进行训练，随机森林由T棵决策树构成，且决策时各节点随机选取特征向量Feature中的m个特征进行分类，得到每棵决策树对各候选区域的概率判定结果；

步骤7.2：在随机森林的测试阶段，利用步骤7.1训练好的随机森林参数，对特征向量Feature进行分类，得到每棵决策树对各候选区域的概率判定结果；

步骤7.3：根据步骤7.2的判定结果，求取平均值，并结合少数服从多数原则，得到候选区域的概率图和渗出分割二值图，从而得到最终的渗出标记图。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.一种基于集成学习的眼底图像硬性渗出检测方法，首先对输入的眼底图像进行对比度增强、滤波以及形态学重建，再利用已训练好的卷积神经网络提取样本的深度特征，并对其提取传统特征，再将两者进行级联，采用主成分分析法进行降维，最后将降维后特征和标签送入已训练好的随机森林分类器进行分类，从而分割出眼底图像的硬性渗出区域，本发明从图像处理技术层面，较大限度地检测出眼底图像中的硬性渗出区域，并能较少分割出视盘等非硬性渗出区域，具有较高的特异性和灵敏度。

2.本发明相对于传统方法来说，具有更好的分割效果，传统方法虽然能够检测出大块渗出，但容易丢失小面积的渗出，而本发明对小面积渗出和大面积渗出都可以很好地分割出来。

3.本发明中将传统特征和深度特征进行级联，可以有效地表征渗出在计算机图像层面上的特征，这样表示的特征相较于其他表示方法更具有区分性和独特性。

4.由于神经网络和随机森林的训练依赖于较多的样本，而本发明先采用提取渗出候选区域，从而对候选区域进行分类，这种先检测后分类的方法可以很好地解决渗出样本少这个问题；同时在提取深度特征时，采用浅层网络也可以很好地避免样本不足的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：

图1是一种基于集成学习的眼底图像硬性渗出检测方法的流程图

图2是本发明实施例一中步骤1.1的眼底图像；

图3是本发明实施例一中步骤1.2的增强图像；

图4是本发明实施例一中步骤3.1的形态学重建图像；

图5是本发明实施例一中步骤4.3的候选区域模板图；

图6是本发明实施例一中步骤7.3的概率图；

图7是本发明实施例一中步骤7.3的渗出分割二值图；

图8是本发明实施例一中步骤7.3的渗出标记图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

一种基于集成学习的眼底图像硬性渗出检测方法，解决了现有硬性渗出检测方法存在计算量较大，检测准确率不高和检测不完全的问题；

一种基于集成学习的眼底图像硬性渗出检测方法，如图1所示，包括以下步骤：

步骤1：输入眼底图像，进行对比度增强，得到增强图像；

步骤2：提取增强图像的绿色通道，得到绿色通道图像，再对其进行中值滤波和开操作，得到背景估计图像；

步骤3：对背景估计图像进行形态学重建得到形态学重建图像，再用步骤2的绿色通道图像减去形态学重建图像，得到归一化背景图像；

步骤4：对归一化背景图像进行动态阈值分割，直到连通域数目大于设定的连通域数目，再去除面积小的连通域得到候选区域模板图；

步骤5：利用候选区域模板图对步骤1的增强图像进行掩模得到候选区域样本图，将其送入卷积神经网络进行前向传播，将全连接层的向量作为深度特征，同时提取候选区域样本图中对应区域的传统特征；

步骤6：将步骤5的深度特征和传统特征进行简单级联，用主成分分析法进行降维，得到各个候选区域的最终的特征向量；

步骤7：将特征向量送入随机森林进行判断，对候选区域进行分类，从而得到最终的渗出标记图。

本发明首先对输入的眼底图像进行对比度增强、滤波以及形态学重建，再利用已训练好的卷积神经网络提取样本的深度特征，并对其提取传统特征，再将两者进行级联，采用主成分分析法进行降维，可以有效地表征渗出在计算机图像层面上的特征，更具有区分性和独特性，最后将降维后特征和标签送入已训练好的随机森林分类器进行分类，从而分割出眼底图像的硬性渗出区域，本发明从计算机图像处理技术层面，较大限度地检测出眼底图像中的硬性渗出区域，并能较少分割出视盘等非硬性渗出区域，具有较高的特异性和灵敏度，相较于传统方法的减少了计算量，提高了检测准确率和检测完全性。

下面结合实施例对本发明的特征和性能作进一步的详细描述。

实施例一

本发明较佳实施例提供的一种基于集成学习的眼底图像硬性渗出检测方法，包括以下步骤：

步骤1：输入眼底图像，进行对比度增强，得到增强图像；

步骤1.1：输入图像大小为2544×1696像素的彩色眼底图像I，如图2所示，利用增强公式对眼底图像I的三个通道分别进行对比度增强，所述增强公式如下：

I_i＝α·I_i+τ·Gaussian*I_i+γ

其中，I表示眼底图像，i表示眼底图像的R、G、B三个通道，Gaussian表示高斯滤波器，所述高斯滤波器的大小为输入图像宽的十分之一，即Gaussian＝169，α、τ、γ均为常数，α＝4，τ＝-4，γ＝128；

步骤1.2：将增强后的三个通道合并为增强图像如图3所示；

步骤1.3：同时对眼底图像I进行血管分割，得到血管分割图；

步骤2：提取增强图像的绿色通道，得到绿色通道图像，再对其进行中值滤波和开操作，得到背景估计图像；

步骤2.1：提取增强图像的绿色通道，得到绿色通道图像

步骤2.2：采用尺寸为50～70像素，具体大小为55像素的中值滤波器对绿色通道图像进行滤波得到滤波图像

步骤2.3：采用面积为10～20像素，具体半径为30像素的圆盘结构元对滤波图像进行开操作，得到背景估计图像

步骤3：对背景估计图像进行形态学重建得到形态学重建图像，再用步骤2的绿色通道图像减去形态学重建图像，得到归一化背景图像；

步骤3.1：将背景估计图像作为marker，将绿色通道图像作为mask，对背景估计图像进行形态学重建，得到形态学重建图像如图4所示；

步骤3.2：用步骤2.1的绿色通道图像减去形态学重建图像得到归一化背景图像

步骤4：对归一化背景图像进行动态阈值分割，直到连通域数目大于设定的连通域数目，再去除面积小的连通域得到候选区域模板图；

步骤4.1：计算归一化背景图像像素值的最大值t_max和最小值t_min；

步骤4.2：将阈值threshold的范围设定为t_max到t_min，首先将阈值threshold设定为t_u，t_u＝0.7，从高到低对步骤4.1中的归一化背景图像进行二值化，直到二值化后图像的连通域数目conn_num小于预设定的连通域数目K，K＝1500，则将该二值化图像记为若遍历所有范围，仍未找到符合连通域数目的二值化图像，则直接使用人为给定的阈值t_l对归一化背景图像进行二值化，t_l＝0.05，并将该二值化图像记为

步骤4.3：删除二值化图像中像素面积小于设定值px的连通域，所述设定值px的取值范围为1≤px≤10，具体为px＝5，得到候选区域模板图mask_cand，如图5所示；

步骤5：利用候选区域模板图对步骤1的增强图像进行掩模得到候选区域样本图，将其送入卷积神经网络进行前向传播，将全连接层的向量作为深度特征，同时提取候选区域样本图中对应区域的传统特征；

步骤5.1：利用步骤4.3的候选区域模板图mask_cand对步骤1.2中的增强图像进行掩模处理，得到候选区域模板图mask_cand对应的候选区域在增强图像中的区域图像，即候选区域样本图；

步骤5.2：对候选区域样本图进行连通性分析，若椭圆长轴大于预设值L，则以候选区域样本图的连通中心为中心框定出L×L的矩形框，若椭圆长轴小于预设值L，则以候选区域样本图的连通中心为中心框定出M×M的矩形框，M＝32像素；

步骤5.3：将步骤5.2中L×L的矩形框归一化到M×M的矩形框中，得到M×M候选区域样本，在卷积神经网络的训练阶段，将M×M选区域样本和其对应的标签输入卷积神经网络进行训练，得到网络模型参数，在卷积神经网络的测试阶段，利用训练好的模型参数，对M×M候选区域样本进行前向传播，并提取全连接层的特征向量作为深度特征feature1，

所述卷积神经网络的参数如表1所示，

表1

上述表中，dropout的参数为0.1，N＝128；

步骤5.4：对步骤5.3的M×M候选区域样本进行传统特征提取，所述传统特征包括各候选区域连通域在步骤1.1的眼底图像的R、G、B三通道、步骤1.2的增强图像的三通道和步骤1.3的血管分割图中的基于像素值大小的特征，所述基于像素值大小的特征包括像素平均值、像素值总和、标准差、对比度和最小值，以及各候选区域连通域在步骤4.2的二值化图像中基于形状的特征，所述基于形状的特征包括面积、周长、圆形度、离心率、紧凑度、DOG特征中非零像素个数和Sobel梯度值，将传统特征定义为feature2，本实施例中一共提取出71维传统特征向量；

步骤6：将步骤5的深度特征和传统特征进行简单级联，用主成分分析法进行降维，得到各个候选区域的最终的特征向量；

步骤6.1：将步骤5.4得到的传统特征feature2接在步骤5.3得到的深度特征feature1后面，进行简单级联，得到级联特征向量feature3；

步骤6.2：用主成分分析法(PCA)对级联特征向量feature3进行降维和去除冗余特征，得到各个候选区域的最终的特征向量Feature，本实施例中，PCA降维时取前80％个特征；

步骤7：将特征向量送入随机森林进行判断，对候选区域进行分类，从而得到最终的渗出标记图；

步骤7.1：在随机森林的训练阶段，将特征向量Feature和标签送入随机森林进行训练，随机森林由T棵决策树构成，T＝{100，120，...，200}，取其中结果最好的一个值，且决策时各节点随机选取特征向量Feature中的m个特征进行分类，m＝14，得到每棵决策树对各候选区域的概率判定结果；

步骤7.2：在随机森林的测试阶段，利用步骤7.1训练好的随机森林参数，对特征向量Feature进行分类，得到每棵决策树对各候选区域的概率判定结果；

步骤7.3：根据步骤7.2的判定结果，求取平均值，并结合少数服从多数原则，得到如图6所示的候选区域的概率图和如图7所示的渗出分割二值图，从而得到最终的渗出标记图，如图8所示。

本发明从计算机图像处理技术层面，较大限度地检测出眼底图像中的硬性渗出区域，并能较少分割出视盘等非硬性渗出区域，具有较高的特异性和灵敏度，相较于传统方法的减少了计算量，提高了检测准确率和检测完全性。

需要说明的是，由于说明书附图不得着色和涂改，所以本发明中部分区别明显的地方比较难以显示，若有必要，可提供彩色图片。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明的保护范围，任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，包括以下步骤：

步骤1：输入眼底图像，进行对比度增强，得到增强图像；

步骤2：提取增强图像的绿色通道，得到绿色通道图像，再对其进行中值滤波和开操作，得到背景估计图像；

步骤3：对背景估计图像进行形态学重建得到形态学重建图像，再用步骤2的绿色通道图像减去形态学重建图像，得到归一化背景图像；

步骤4：对归一化背景图像进行动态阈值分割，直到连通域数目大于设定的连通域数目，再去除面积小的连通域得到候选区域模板图；

步骤5：利用候选区域模板图对步骤1的增强图像进行掩模得到候选区域样本图，将其送入卷积神经网络进行前向传播，将全连接层的向量作为深度特征，同时提取候选区域样本图中对应区域的传统特征；

步骤6：将步骤5的深度特征和传统特征进行简单级联，用主成分分析法进行降维，得到各个候选区域的最终的特征向量；

步骤7：将特征向量送入随机森林进行判断，对候选区域进行分类，从而得到最终的渗出标记图。

2.根据权利要求1所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤1的具体步骤为：

步骤1.1：输入彩色眼底图像，利用增强公式对眼底图像的三个通道分别进行对比度增强，所述增强公式如下：

I_i＝α·I_i+τ·Gaussian*I_i+γ

其中，I表示眼底图像，i表示眼底图像的R、G、B三个通道，Gaussian表示高斯滤波器，α、τ、γ均为常数；

步骤1.2：将增强后的三个通道合并为增强图像；

步骤1.3：同时对眼底图像进行血管分割，得到血管分割图。

3.根据权利要求1所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤2的具体步骤为：

步骤2.1：提取增强图像的绿色通道，得到绿色通道图像；

步骤2.2：采用尺寸为50～70像素的中值滤波器对绿色通道图像进行滤波得到滤波图像；

步骤2.3：采用面积为10～20像素的圆盘结构元对滤波图像进行开操作，得到背景估计图像。

4.根据权利要求1所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤3的具体步骤为：

步骤3.1：将背景估计图像作为marker，将绿色通道图像作为mask，对背景估计图像进行形态学重建，得到形态学重建图像；

步骤3.2：用步骤2的绿色通道图像减去形态学重建图像，得到归一化背景图像。

5.根据权利要求1所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤4的具体步骤为：

步骤4.1：计算归一化背景图像像素值的最大值t_max和最小值t_min；

步骤4.2：将阈值的范围设定为t_max到t_min，从高到低对步骤4.1中的归一化背景图像进行二值化，直到二值化后图像的连通域数目小于预设定的连通域数目K，则将该二值化图像记为若遍历所有范围，仍未找到符合连通域数目的二值化图像，则直接使用人为给定的阈值对归一化背景图像进行二值化，并将该二值化图像记为

步骤4.3：删除二值化图像中像素面积小于设定值px的连通域，所述设定值px的取值范围为1≤px≤10，得到候选区域模板图。

6.根据权利要求1所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤5的具体步骤为：

步骤5.1：利用步骤4的候选区域模板图对步骤1中的增强图像进行掩模处理，得到候选区域模板图对应的候选区域在增强图像中的区域图像，即候选区域样本图；

步骤5.2：对候选区域样本图进行连通性分析，若椭圆长轴大于预设值L，则以候选区域样本图的连通中心为中心框定出L×L的矩形框，若椭圆长轴小于预设值L，则以候选区域样本图的连通中心为中心框定出M×M的矩形框；

步骤5.3：将步骤5.2中L×L的矩形框归一化到M×M的矩形框中，得到M×M候选区域样本，在卷积神经网络的训练阶段，将M×M选区域样本和其对应的标签输入卷积神经网络进行训练，得到网络模型参数，在卷积神经网络的测试阶段，利用训练好的模型参数，对M×M候选区域样本进行前向传播，并提取全连接层的特征向量作为深度特征feature1；

步骤5.4：对步骤5.3的M×M候选区域样本进行传统特征提取，所述传统特征包括各

候选区域连通域在步骤1.1的眼底图像的R、G、B三通道、步骤1.2的增强图像的三通道和步骤1.3的血管分割图中的基于像素值大小的特征，以及各候选区域连通域在步骤4.2的二值化图像中基于形状的特征。

7.根据权利要求6述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤5.4中的基于像素值大小的特征包括像素平均值、像素值总和、标准差、对比度和最小值；所述基于形状的特征包括面积、周长、圆形度、离心率、紧凑度、DOG特征中非零像素个数和Sobel梯度值。

8.根据权利要求1所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤6的具体步骤为：

步骤6.1：将步骤5的传统特征接在深度特征后面，进行简单级联，得到级联特征向量；

步骤6.2：用主成分分析法对级联特征向量进行降维和去除冗余特征，得到各个候选区域的最终的特征向量。

9.根据权利要求1所述的一种基于集成学习的眼底图像硬性渗出检测方法，其特征在于，所述步骤7的具体步骤为：

步骤7.1：在随机森林的训练阶段，将特征向量和标签送入随机森林进行训练，随机森林由T棵决策树构成，且决策时各节点随机选取特征向量中的m个特征进行分类，得到每棵决策树对各候选区域的概率判定结果；

步骤7.2：在随机森林的测试阶段，利用步骤7.1训练好的随机森林参数，对特征向量进行分类，得到每棵决策树对各候选区域的概率判定结果；

步骤7.3：根据步骤7.2的判定结果，求取平均值，并结合少数服从多数原则，得到候选区域的概率图和渗出分割二值图，从而得到最终的渗出标记图。