CN115937085A - 一种基于神经网络学习的核性白内障图像处理方法 - Google Patents

Abstract

一种基于神经网络学习的核性白内障图像处理方法，属于计算机机器学习技术领域。为解决不同采集环境下图像规格不统一、图片质量不一致的干扰的问题。本发明在裂隙灯设备下得到核性白内障图像，对其进行动态二值化预处理；根据得到的二值化图像，在图像中定位晶状体位置；基于LOCSIII标准图，对核性图像的特征基准点进行定位；判断待检图像中与基准点颜色的相似程度，作为核性图像的特征值；将待检测图像的特征值组，以及对应的人工检测结果，训练神经网络模型，通过神经网络模型的计算，得到白内障图像的处理结果。本发明避免了不同白内障采集设备、不同采集环境下图像规格不统一、图片质量不一致的干扰，得到了较高的准确率。

Description

一种基于神经网络学习的核性白内障图像处理方法

技术领域

本发明属于计算机机器学习技术领域，具体涉及一种基于神经网络学习的核性白内障图像处理方法。

背景技术

白内障是视力受损的主要原因，也是导致失明的严重眼疾之一。白内障筛查的主要目的是防盲工作，筛选出需要进行手术的白内障患者接受手术治疗；对于不需要手术治疗的轻度白内障患者，也可检查其眼底有无其他疾病，避免至白内障严重眼底看不清时盲目手术导致术后效果不佳。白内障检查耗时、昂贵，在低收入和中等收入国家和地区，由于健康投资较低，给白内障防盲工作的大范围普及带来了困难，导致白内障致盲率更高。构建白内障自动分类器对于降低白内障筛查的工作成本和在健康投资较低区域普及白内障筛查工作具有重要的实际意义，因此，基于医学影像的人工智能辅助白内障判断技术越来越受到研究人员的关注。

人工智能技术在辅助白内障判断中可对晶状体结构进行定位分析，在白内障分级上的判断能力达到专业医生的水平。对于白内障的治疗，其在手术方案选择、医师培训方面可提供客观参考，增加了手术安全性。同时AI技术也可实现白内障在人群中的筛查，为远程医疗奠定基础。该领域存在基于白内障的识别和分级研究，利用深度学习方法自动提取眼底白内障特征，构建白内障自动分类器，并可视化分析神经网络中间层特征的逐层变换过程。方法基于临床眼底图像，从输入数据的原始表示直接学习有用的特征，对比分析自动提取的特征与预定义特征的性能表现。白内障病症是通过核浑浊、核颜色、皮质、后囊下四种属性的分级来综合诊断和识别分类白内障病变程度，在白内障诊断领域研究当中，无论中国还是其他发达国家，从医学专业领域(从晶状体核的各个属性)来具体分析考量白内障综合识别的人工智能的相关研究还比较贫瘠。

发明内容

本发明要解决的问题是避免了不同白内障采集设备、不同采集环境下图像规格不统一、图片质量不一致的干扰，提高图像识别的准确率的一种基于神经网络学习的核性白内障图像处理方法。

为实现上述目的，本发明通过以下技术方案实现：

一种基于神经网络学习的核性白内障图像处理方法，包括如下步骤：

步骤1、在裂隙灯设备下得到核性白内障图像，进行多次连续的腐蚀膨胀操作得到灰度图像，然后对灰度图像进行动态二值化预处理，得到二值化之后的核性图像；

步骤2、将步骤1得到的二值化之后的核性图像，在图像中定位晶状体位置：首先通过二值化图像求轮廓的方法，得到图像中的最大轮廓，求轮廓的水平外接矩形，然后使用基于膨胀椭圆遍历的晶状体定位方法，通过遍历算法确认精确的晶状体位置，得到晶状体内切椭圆的坐标及公式，确定晶状体区域；

步骤3、根据步骤2确定的晶状体区域，基于LOCSIII标准图，对二值化之后的核性图像的特征基准点进行定位：在LOCSIII标准图中，首先确定各级图像的晶状体定位区域，在该区域内寻找像素重复颜色最多的像素点，获取其颜色RGB三元式，得到核性图像的特征基准点RGB值；

步骤4、根据步骤3获得的基准点RGB值，判断待检图像中与基准点颜色的相似程度，采用统计模糊区间比例的方式，作为核性图像的特征值，检查待检测图像相应区域内，颜色在以基准点为中心的区间之内的像素点数量，并求出其在待检测区域内的占比，作为待检测图像的核性图像特征值组；

步骤5、将步骤4得到的检测图像的核性图像特征值组以及对应的人工检测结果，按比例分成机器学习所需要的训练集和测试集，初始化神经网络模型，使用训练集来确定网络模型的结构和权重，使用测试集来核准模型的识别效果，最终，输入待检测白内障图像的图像特征值组，通过神经网络模型的计算，得到白内障图像的处理结果。

进一步的，步骤1中进行多次连续的腐蚀膨胀操作后，图像上的判定标准是灰度图像中的轮廓数量应当只有一个。

进一步的，步骤1中将进行多次腐蚀膨胀的灰度图像二值化，确定动态阈值，在灰度图像的每个点上，灰度值大于阈值的设为1，小于阈值的设为0，动态阈值的计算公式如下：

基本阈值T₁为：

其中图像的大小为m×n，X_i,j为图像上第i行第j列的像素值；

以坐标(i,j)为中心，长为2k，宽为2k的矩形区域，是坐标(i,j)的k邻域，设X_p,q为该邻域内的任意一点，则k邻域的偏移阈值T_k为：

其中k是大于1小于Min{m,n}的奇数，且所有越界的像素点其灰度值被设定为T₁；

最终，动态阈值T为：

其中k是奇数。

进一步的，步骤2中晶状体区域定位的具体步骤如下：

步骤2.1、根据二值化图像，采用OpenCV自带的轮廓提取功能，找到图像中的轮廓，遍历组成轮廓的所有像素点，获得其在水平坐标系中的位置区域，得到轮廓的水平外接矩形，所述轮廓的水平外接矩形中包含晶状体图像；

步骤2.2、在所述轮廓的水平外接矩形中，使用基于膨胀椭圆遍历的晶状体定位方法，以从小到大的顺序遍历任意位置的任意大小的椭圆，当这个椭圆内部所有像素点都是白色的，则认为这个椭圆是合法的，在所有合法的椭圆中，找到一个最大的椭圆，则这个最大的椭圆E就是晶状体的拟合椭圆，得到这个椭圆E在水平坐标系内的坐标位置和公式，椭圆E的表达方式是用其外接矩形的左上角的坐标(x，y)、外接矩形的宽和高。

进一步的，步骤3中确定核性图像的特征基准点RGB值的具体步骤如下：在步骤2确定晶状体区域的基础上，遍历该区域内的所有像素点，获取所有像素点的三元组RGB值，统计具有不同RGB值的像素点的数量，选择各分级中像素重复颜色最多的像素点，并计算低三级和高三级白内障图片中重复颜色最多的RGB颜色的均值，得到核性图像的特征基准点RGB值。

进一步的，计算核性图像特征的基准点的RGB值的公式为：

低三级白内障图片中重复颜色最多的RGB颜色的均值为：

RGB_low＝Avg(Max(RGB₁),Max(RGB₂),Max(RGB₃))

高三级白内障图片中重复颜色最多的RGB颜色的均值为：

RGB_high＝Avg(Max(RGB₄),Max(RGB₅),Max(RGB₆))

其中Max(list)是指在list各项中选择数量最大的，Avg(list)是指求list各项的平均值，list是函数参数，根据以上公式，得到的RGB三元式，为核性图像的特征基准点，通常有两个基准点，分别为RGB_low和RGB_high。

进一步的，步骤4中提取图像特征值的具体步骤如下：

步骤4.1、根据步骤3中得到的基准点RGB值，并依照预设给出的偏移量offset，得到用于统计的模糊区间比例，待检测图像中的某像素点X，只有同时满足以下条件，认定为与基准点同类：

X_R∈[RGB_R-offset,RGB_R+offset]

X_G∈[RGB_G-offset，RGB_G+offset]

X_B∈[RGB_B-offset，RGB_B+offset]

其中，X_R、X_G和X_B分别代表像素点X颜色值在红、绿和蓝通道上的分量；

步骤4.2、计算检测图像中晶状体区域所有像素点当中，与特征基准点同类的像素点，占像素点总数的比例，将这个比例，作为特征基准点所对应的图像特征值。

进一步的，由于在4.1步骤中offset可以有不同的取值，导致一个特征基准点，可以对应多个图像特征值，这些数值都是0～1之间的比值，作为待检测图像的核性图像特征值组。

进一步的，所述步骤5中使用神经网络模型进行白内障图像处理的具体步骤如下：

步骤5.1：一张待检测图像的特征值组，包含多个特征基准点、以及每个基准点下的多个特征值、及待检测图像对应的人工检测结果，被组合成一条数据，为了能够进行神经网络计算，进行标准化，即将这条数据中的每个数值，都转换成0～1之间的小数；

步骤5.2：将所有待检测图像的特征值组，分成训练集和测试集两部分，使用训练集来对神经网络模型进行训练，通过随机方法初始化权重矩阵l₀，输入训练集得到初步结果，根据其与人工检测结果的偏差来修改权重矩阵，循环这一步骤直到结果与人工检测结果相同，此时得到符合要求的权重矩阵l_n；

步骤5.3：利用5.2步骤得到的权重矩阵l_n，根据测试集数据进行神经网络计算，得到测试集的白内障图像的识别结果，与测试集的人工识别结果比较，验证神经网络模型的准确情况，将待检测白内障图像的图像特征值组输入到神经网络模型中，得到白内障图像的处理结果。

本发明的有益效果为：

本发明提出了一种基于神经网络学习的核性白内障图像处理方法，避免了不同白内障采集设备、不同采集环境下病症图像规格不统一、图片质量不一致的干扰，并且能够最大程度统一人工处理结果，经过测试得到了超过了90％的图像处理准确率。

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。

图1为本发明的流程示意图；

图2为本发明的具体实施方式中进行晶状体定位所采用的核性白内障图像；

图3为本发明的具体实施方式中在LOCSIII标准图中进行基准点定位的核性分级图像；

图4为本发明的具体实施方式中采用的核性白内障识别结果的准确情况混淆矩阵。

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，以下结合附图及具体实施方式，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方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施例，而不是全部的具体实施方式。通常在此处附图中描述和展示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，本发明还可以具有其他实施方式。

因此，以下对在附图中提供的本发明的具体实施方式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具体实施方式。基于本发明的具体实施方式，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。

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：

参照附图1，一种基于神经网络学习的核性白内障图像处理方法，包括如下步骤：

步骤1、在裂隙灯设备下得到核性白内障图像，进行多次连续的腐蚀膨胀操作得到灰度图像，然后对灰度图像进行动态二值化预处理，得到二值化之后的核性图像；

步骤2、将步骤1得到的二值化之后的核性图像，在图像中定位晶状体位置：首先通过二值化图像求轮廓的方法，得到图像中的最大轮廓，求轮廓的水平外接矩形，然后使用基于膨胀椭圆遍历的晶状体定位方法，通过遍历算法确认精确的晶状体位置，得到晶状体内切椭圆的坐标及公式，确定晶状体区域；

步骤3、根据步骤2确定的晶状体区域，基于LOCSIII标准图，对二值化之后的核性图像的特征基准点进行定位：在LOCSIII标准图中，首先确定各级图像的晶状体定位区域，在该区域内寻找像素重复颜色最多的像素点，获取其颜色RGB三元式，得到核性图像的特征基准点RGB值；

步骤4、根据步骤3获得的基准点RGB值，判断待检图像中与基准点颜色的相似程度，采用统计模糊区间比例的方式，作为核性图像的特征值，检查待检测图像相应区域内，颜色在以基准点为中心的区间之内的像素点数量，并求出其在待检测区域内的占比，作为待检测图像的核性图像特征值组；

步骤5、将步骤4得到的检测图像的核性图像特征值组以及对应的人工检测结果，按比例分成机器学习所需要的训练集和测试集，初始化神经网络模型，使用训练集来确定网络模型的结构和权重，使用测试集来核准模型的识别效果，最终，输入待检测白内障图像的图像特征值组，通过神经网络模型的计算，得到白内障图像的处理结果。

进一步的，步骤1中进行多次连续的腐蚀膨胀操作后，图像上的判定标准是灰度图像中的轮廓数量应当只有一个。多次连续的腐蚀膨胀的目的是去掉图像中细小部分的白色亮斑、所有的无关的区域和噪声，因此这是一个基于判断的循环操作，循环终止条件是经过若干次腐蚀膨胀后，图像的轮廓数量只有一个，如图2所示。

进一步的，步骤1中将进行多次腐蚀膨胀的灰度图像二值化，确定动态阈值，在灰度图像的每个点上，灰度值大于阈值的设为1，小于阈值的设为0，动态阈值的计算公式如下：

基本阈值T₁为：

其中图像的大小为m×n，X_i,j为图像上第i行第j列的像素值；

以坐标(i,j)为中心，长为2k，宽为2k的矩形区域，是坐标(i,j)的k邻域，设X_p,q为该邻域内的任意一点，则k邻域的偏移阈值T_k为：

其中k是大于1小于Min{m,n}的奇数，且所有越界的像素点其灰度值被设定为T₁；

最终，动态阈值T为：

其中k是奇数。

其关键是阈值的选定。为了尽可能多的保留图像上的有效信息，阈值不能过大，也不能过小，最好是动态设定的。

进一步的，步骤2中晶状体区域定位的具体步骤如下：

步骤2.1、根据二值化图像，采用OpenCV自带的轮廓提取功能，找到图像中的轮廓，遍历组成轮廓的所有像素点，获得其在水平坐标系中的位置区域，得到轮廓的水平外接矩形，所述轮廓的水平外接矩形中包含晶状体图像；

步骤2.1中水平外接矩形包含了所有的白色区域，白色区域包含晶状体但是不够精确，因此还需要对晶状体精确定位。

步骤2.2、在所述轮廓的水平外接矩形中，使用基于膨胀椭圆遍历的晶状体定位方法，以从小到大的顺序遍历任意位置的任意大小的椭圆，当这个椭圆内部所有像素点都是白色的，则认为这个椭圆是合法的，在所有合法的椭圆中，找到一个最大的椭圆，则这个最大的椭圆E就是晶状体的拟合椭圆，得到这个椭圆E在水平坐标系内的坐标位置和公式，椭圆E的表达方式是用其外接矩形的左上角的坐标(x，y)、外接矩形的宽和高。

进一步的，如附图3所示，步骤3中确定核性图像的特征基准点RGB值的具体步骤如下：在步骤2确定晶状体区域的基础上，遍历该区域内的所有像素点，获取所有像素点的三元组RGB值，统计具有不同RGB值的像素点的数量，选择各分级中像素重复颜色最多的像素点，并计算低三级和高三级白内障图片中重复颜色最多的RGB颜色的均值，得到核性图像的特征基准点RGB值。

如附图3所示，在核性图像分级1-6级图像的截取区域中，分别找到每个级别像素点RGB值(是一个三元组整型数值)中占比最多的数值。然后在1-3级中取3个级别RGB值的平均值，作为1-6级分级中低级别一侧的基准点，对应的，在4-6级中取3个级别RGB值的平均值，作为高级别一侧的基准点。

计算核性图像特征的基准点的RGB值的公式为：

低三级白内障图片中重复颜色最多的RGB颜色的均值为：

RGB_low＝Avg(Max(RGB₁),Max(RGB₂),Max(RGB₃))

高三级白内障图片中重复颜色最多的RGB颜色的均值为：

RGB_high＝Avg(Max(RGB₄)，Max(RGB₅)，Max(RGB₆))

其中Max(list)是指在各项中选择数量最大的，Avg(list)是指求各项的平均值，list是函数参数，根据以上公式，得到的RGB三元式，为核性图像的特征基准点，通常有两个基准点，分别为RGB_low和RGB_high。

根据LOCSIII标准图计算得到的核性图像特征基准点，其RGB值的可视效果效果分别为青色和黄色。

进一步的，步骤4中提取图像特征值的具体步骤如下：

步骤4.1、根据步骤3中得到的基准点RGB值，并依照预设给出的偏移量offset，得到用于统计的模糊区间比例，待检测图像中的某像素点X，只有同时满足以下条件，认定为与基准点同类：

X_R∈[RGB_R-offset，RGB_R+offset]

X_G∈[RGB_G-offset，RGB_G+offset]

X_B∈[RGB_B-offset，RGB_B+offset]

其中，X_R、X_G和X_B分别代表像素点X颜色值在红、绿和蓝通道上的分量；

步骤4.2、计算检测图像中晶状体区域所有像素点当中，与特征基准点同类的像素点，占像素点总数的比例，将这个比例，作为特征基准点所对应的图像特征值。

由于在4.1步骤中offset可以有不同的取值，导致一个特征基准点，可以对应多个图像特征值，这些数值都是0～1之间的比值，作为待检测图像的核性图像特征值组。

进一步的，所述步骤5中使用神经网络模型进行白内障图像处理的具体步骤如下：

步骤5.1：一张待检测图像的特征值组，包含多个特征基准点、以及每个基准点下的多个特征值、及待检测图像对应的人工检测结果，被组合成一条数据，为了能够进行神经网络计算，进行标准化，即将这条数据中的每个数值，都转换成0～1之间的小数；

步骤5.2：将所有待检测图像的特征值组，分成训练集和测试集两部分，使用训练集来对神经网络模型进行训练，通过随机方法初始化权重矩阵l₀，输入训练集得到初步结果，根据其与人工检测结果的偏差来修改权重矩阵，循环这一步骤直到结果与人工检测结果相同，此时得到符合要求的权重矩阵l_n；

步骤5.3：利用5.2步骤得到的权重矩阵l_n，根据测试集数据进行神经网络计算，得到测试集的白内障图像的识别结果，与测试集的人工识别结果比较，验证神经网络模型的准确情况，将待检测白内障图像的图像特征值组输入到神经网络模型中，得到白内障图像的处理结果。

通过图2和图3可以看出，在白内障图像中准确对晶状体定位，从而准确找到晶状体颜色的基本特征，能够有有利于找到各级不同病症白内障所含有的不同特征，从而更为准确的对白内障图像进行处理。

图4给出了采用的核性白内障图像处理结果的准确情况混淆矩阵，从图4能够看出，对角线左下侧的白色块的数量和白色程度，要远高于右上侧，这说明本方法基本上不会将白内障患者的眼部图像识别成正常人的图像；在此基础上，左下方白色块的数量很少，白色程度很低，说明存在将正常人眼部图像识别成白内障的情况，但是这种情况的几率也很低。

本实施方式提出了一种基于神经网络学习的核性白内障图像处理方法，避免了不同白内障采集设备、不同采集环境下病症图像规格不统一、图片质量不一致的干扰，并且能够最大程度统一人工处理结果，经过测试得到了超过90％的准确率。

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。

虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (9)

1.一种基于神经网络学习的核性白内障图像处理方法，其特征在于：包括如下步骤：

步骤1、在裂隙灯设备下得到核性白内障图像，进行多次连续的腐蚀膨胀操作得到灰度图像，然后对灰度图像进行动态二值化预处理，得到二值化之后的核性图像；

步骤2、将步骤1得到的二值化之后的核性图像，在图像中定位晶状体位置：首先通过二值化图像求轮廓的方法，得到图像中的最大轮廓，求轮廓的水平外接矩形，然后使用基于膨胀椭圆遍历的晶状体定位方法，通过遍历算法确认精确的晶状体位置，得到晶状体内切椭圆的坐标及公式，确定晶状体区域；

步骤3、根据步骤2确定的晶状体区域，基于LOCSIII标准图，对二值化之后的核性图像的特征基准点进行定位：在LOCSIII标准图中，首先确定各级图像的晶状体定位区域，在该区域内寻找像素重复颜色最多的像素点，获取其颜色RGB三元式，得到核性图像的特征基准点RGB值；

步骤4、根据步骤3获得的基准点RGB值，判断待检图像中与基准点颜色的相似程度，采用统计模糊区间比例的方式，作为核性图像的特征值，检查待检测图像相应区域内，颜色在以基准点为中心的区间之内的像素点数量，并求出其在待检测区域内的占比，作为待检测图像的核性图像特征值组；

步骤5、将步骤4得到的检测图像的核性图像特征值组以及对应的人工检测结果，按比例分成机器学习所需要的训练集和测试集，初始化神经网络模型，使用训练集来确定网络模型的结构和权重，使用测试集来核准模型的识别效果，最终，输入待检测白内障图像的图像特征值组，通过神经网络模型的计算，得到白内障图像的处理结果。

2.根据权利要求1所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：步骤1中进行多次连续的腐蚀膨胀操作后，图像上的判定标准是灰度图像中的轮廓数量应当只有一个。

3.根据权利要求2所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：步骤1中将进行多次腐蚀膨胀的灰度图像二值化，确定动态阈值，在灰度图像的每个点上，灰度值大于阈值的设为1，小于阈值的设为0，动态阈值的计算公式如下：

基本阈值T₁为：

其中图像的大小为m×n，X_i,j为图像上第i行第j列的像素值；

以坐标(i,j)为中心，长为2k，宽为2k的矩形区域，是坐标(i,j)的k邻域，设X_p,q为该邻域内的任意一点，则k邻域的偏移阈值T_k为：

其中k是大于1小于Min{m,n}的奇数，且所有越界的像素点其灰度值被设定为T₁；

最终，动态阈值T为：

其中k是奇数。

4.根据权利要求1所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：步骤2中晶状体区域定位的具体步骤如下：

步骤2.1、根据二值化图像，采用OpenCV自带的轮廓提取功能，找到图像中的轮廓，遍历组成轮廓的所有像素点，获得其在水平坐标系中的位置区域，得到轮廓的水平外接矩形，所述轮廓的水平外接矩形中包含晶状体图像；

步骤2.2、在所述轮廓的水平外接矩形中，使用基于膨胀椭圆遍历的晶状体定位方法，以从小到大的顺序遍历任意位置的任意大小的椭圆，当这个椭圆内部所有像素点都是白色的，则认为这个椭圆是合法的，在所有合法的椭圆中，找到一个最大的椭圆，则这个最大的椭圆E就是晶状体的拟合椭圆，得到这个椭圆E在水平坐标系内的坐标位置和公式，椭圆E的表达方式是用其外接矩形的左上角的坐标(x，y)、外接矩形的宽和高。

5.根据权利要求1所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：步骤3中确定核性图像的特征基准点RGB值的具体步骤如下：在步骤2确定晶状体区域的基础上，遍历该区域内的所有像素点，获取所有像素点的三元组RGB值，统计具有不同RGB值的像素点的数量，选择各分级中像素重复颜色最多的像素点，并计算低三级和高三级白内障图片中重复颜色最多的RGB颜色的均值，得到核性图像的特征基准点RGB值。

6.根据权利要求5所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：计算核性图像特征的基准点的RGB值的公式为：

低三级白内障图片中重复颜色最多的RGB颜色的均值为：

RGB_low＝Avg(Max(RGB₁)，Max(RGB₂)，Max(RGB₃))

高三级白内障图片中重复颜色最多的RGB颜色的均值为：

RGB_high＝Avg(Max(RGB₄)，Max(RGB₅)，Max(RGB₆))

其中Max(list)是指在list各项中选择数量最大的，Avg(list)是指求list各项的平均值，list是函数参数，根据以上公式，得到的RGB三元式，为核性图像的特征基准点，通常有两个基准点，分别为RGB_low和RGB_high。

7.根据权利要求1所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：步骤4中提取图像特征值的具体步骤如下：

步骤4.1、根据步骤3中得到的基准点RGB值，并依照预设给出的偏移量offset，得到用于统计的模糊区间比例，待检测图像中的某像素点X，只有同时满足以下条件，认定为与基准点同类：

X_R∈[RGB_R-offset，RGB_R+offset]

X_G∈[RGB_G-offset，RGB_G+offset]

X_B∈[RGB_B-offset，RGB_B+offset]

其中，X_R、X_G和X_B分别代表像素点X颜色值在红、绿和蓝通道上的分量；

步骤4.2、计算检测图像中晶状体区域所有像素点当中，与特征基准点同类的像素点，占像素点总数的比例，将这个比例，作为特征基准点所对应的图像特征值。

8.根据权利要求7所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：由于在4.1步骤中offset可以有不同的取值，导致一个特征基准点，可以对应多个图像特征值，这些数值都是0～1之间的比值，作为待检测图像的核性图像特征值组。

9.根据权利要求1所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：所述步骤5中使用神经网络模型进行白内障图像处理的具体步骤如下：

步骤5.1：一张待检测图像的特征值组，包含多个特征基准点、以及每个基准点下的多个特征值、及待检测图像对应的人工检测结果，被组合成一条数据，为了能够进行神经网络计算，进行标准化，即将这条数据中的每个数值，都转换成0～1之间的小数；

步骤5.2：将所有待检测图像的特征值组，分成训练集和测试集两部分，使用训练集来对神经网络模型进行训练，通过随机方法初始化权重矩阵l₀，输入训练集得到初步结果，根据其与人工检测结果的偏差来修改权重矩阵，循环这一步骤直到结果与人工检测结果相同，此时得到符合要求的权重矩阵l_n；

步骤5.3：利用5.2步骤得到的权重矩阵l_n，根据测试集数据进行神经网络计算，得到测试集的白内障图像的识别结果，与测试集的人工识别结果比较，验证神经网络模型的准确情况，将待检测白内障图像的图像特征值组输入到神经网络模型中，得到白内障图像的处理结果。

Images