針對視網膜血管圖像特征信息復雜程度高,現(xiàn)有算法存在微血管分割較低和病理信息誤分割等問題,提出一種融合Dense Net和U-Net網絡的血管分割模型。首先,通過限制對比度直方圖均衡化和filter濾波對圖像進行血管增強處理;其次,利用局部自適應gamma提升圖像亮度信息并降低偽影的干擾;再次,由多尺度形態(tài)學濾波局部增強微血管特征信息;最后,利用U型密集鏈接模塊進行分割。該算法在DRIVE數(shù)據(jù)集上實驗,其平均準確率、靈敏度和特異性分別高達96. 74%、81. 50%和98. 20%。 

【文章頁數(shù)】：5 頁

【參考文獻】：
期刊論文
[1]基于改進卷積神經網絡的視網膜血管圖像分割[J]. 吳晨玥,易本順,章云港,黃松,馮雨.  光學學報. 2018(11)
[2]改進的形態(tài)學與Otsu相結合的視網膜血管分割[J]. 汪維華,張景中,吳文淵.  計算機應用研究. 2019(07)
[3]基于PST和多尺度高斯濾波的視網膜血管的分割[J]. 蔡震震,唐鵬,胡建斌,金煒東.  計算機應用研究. 2019(06)
[4]融合形狀先驗的水平集眼底圖像血管分割[J]. 梁禮明,黃朝林,石霏,吳健,江弘九,陳新建.  計算機學報. 2018(07)
[5]多尺度top-hat變換提取細節(jié)的對比度增強算法[J]. 劉艷莉,桂志國.  計算機工程與設計. 2014(04)
[6]圖像的局部自適應Gamma校正[J]. 儲清翠,王華彬,陶亮.  計算機工程與應用. 2015(07)



本文編號：3654227