结合FCM聚类和边缘感知模型的眼底渗出物检测

doi:10.3778/j.issn.1002-8331.1904-0388

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (11): 192-199.DOI: 10.3778/j.issn.1002-8331.1904-0388

结合FCM聚类和边缘感知模型的眼底渗出物检测

刘俊涛，王素娟，林晓明，刘祚时，谭俭辉，宋丹

1.江西理工大学机电工程学院，江西赣州 341000
2.广东顺德创新设计研究院，广东顺德 528311
3.广东工业大学自动化学院，广州 510006
4.桂林理工大学信息科学与工程学院，广西桂林 541006

出版日期:2020-06-01 发布日期:2020-06-01

Exudates Detection in Fundus Image Based on Fuzzy C-Means Clustering and Edge-Aware Model

LIU Juntao, WANG Sujuan, LIN Xiaoming, LIU Zuoshi, TAN Jianhui, SONG Dan

1.College of Mechanical and Electrical Engineering, Jiangxi University of Science and Technology, Ganzhou, Jiangxi 341000, China
2.Guangdong Shunde Innovation Design Institute, Shunde, Guangdong 528311, China
3.College of Automation, Guangdong University of Technology, Guangzhou 510006, China
4.College of Information Science and Engineering , Guilin University of Technology, Guilin, Guangxi 541006, China

Online:2020-06-01 Published:2020-06-01

摘要/Abstract

摘要：

眼底图像中渗出物是构成糖尿病视网膜病变（Diabetic Retinopathy，DR）的早期症状之一，提出一种结合模糊C-均值（Fuzzy C-Means，FCM）聚类和边缘感知模型的方法实现对渗出物的检测。为保证后期检测精度和效率，对眼底图像进行增强对比度和均衡亮度等预处理操作，用FCM聚类分割出渗出物候选区域，利用基于判断邻域灰度差异的边缘感知模型对候选区域进行筛选，通过移除视盘区域，从而得到真实的渗出物区域。在公开的数据集上进行实验，算法的灵敏度为86.65%，特异性为94.79%，阳性预测值为95.14%，准确度为92.09%。结果表明，该方法能够有效实现对眼底渗出物的自动检测。

关键词: 渗出物检测, 图像预处理, 模糊C均值聚类, 边缘感知模型

Abstract:

Exudates in the fundus image is one of the early symptoms of Diabetic Retinopathy（DR）, a method for detecting exudates by combining Fuzzy C-Means（FCM） clustering and edge-aware model is proposed. In order to ensure the accuracy and efficiency of post-detection, the fundus image is firstly subjected to preprocessing such as enhanced contrast and equalized brightness, and then the exudates candidate region is segmented by FCM clustering, after that the candidate is determined by the edge-aware model based on the judgment of neighborhood grayscale difference. Finally, the real exudates area is obtained by removing the optic disc area. The approach is evaluated on the public fundus image data set, the sensitivity of the algorithm is 86.65%, the specificity is 94.79%, the positive predictive value is 95.14%, and the accuracy is 92.09%. The results show that the method can effectively realize the automatic detection of the fundus exudates.

Key words: exudates detection, image preprocessing, fuzzy C-means clustering, edge-aware model

刘俊涛，王素娟，林晓明，刘祚时，谭俭辉，宋丹. 结合FCM聚类和边缘感知模型的眼底渗出物检测[J]. 计算机工程与应用, 2020, 56(11): 192-199.

LIU Juntao, WANG Sujuan, LIN Xiaoming, LIU Zuoshi, TAN Jianhui, SONG Dan. Exudates Detection in Fundus Image Based on Fuzzy C-Means Clustering and Edge-Aware Model[J]. Computer Engineering and Applications, 2020, 56(11): 192-199.

[1]	彭小红，梁子祥，张军，陈荣发. 深度学习驱动的水下图像预处理研究进展综述[J]. 计算机工程与应用, 2021, 57(13): 43-54.
[2]	晁静静，沈文忠，宋天舒. 基于HOG和SVM的双眼虹膜图像的人眼定位算法[J]. 计算机工程与应用, 2019, 55(9): 184-189.
[3]	王文慧1，杨庚1，葛炜1，刘沛东2，钱晨3. 噪声不均条件下的模糊C均值聚类算法及应用[J]. 计算机工程与应用, 2018, 54(19): 172-178.
[4]	刘沧生，许青林. 基于密度峰值优化的模糊C均值聚类算法[J]. 计算机工程与应用, 2018, 54(14): 153-157.
[5]	黄春娥，张洪，张景胜，孙明星，叶志伟. 葡萄酒的模糊C均值聚类及其最优聚类选择[J]. 计算机工程与应用, 2016, 52(2): 175-179.
[6]	恩德，张凤磊，张昭，忽胜强. 模糊熵在车载环境下语音端点检测中的应用[J]. 计算机工程与应用, 2016, 52(10): 147-150.
[7]	黄煜，黄文艳，张婉柔，马文华. 基于面阵CCD的迈克尔逊干涉环计数方法[J]. 计算机工程与应用, 2015, 51(9): 180-184.
[8]	喻勇1，张云伟1，王静2，王大龙2，王彦钧2，包俊1. 基于计算机视觉的烟叶病害识别研究[J]. 计算机工程与应用, 2015, 51(20): 167-171.
[9]	王军玲1、2，王士同1，包芳2，周建林3. 基于空间距离的快速模糊C均值聚类算法[J]. 计算机工程与应用, 2015, 51(1): 177-183.
[10]	刘新，葛洪伟，张妨妨. 基于像素点聚类分离的滤波算法[J]. 计算机工程与应用, 2014, 50(5): 195-198.
[11]	张翡，范虹. 基于模糊C均值聚类的医学图像分割研究[J]. 计算机工程与应用, 2014, 50(4): 144-151.
[12]	杨斌，宋立新. 基于自适应区域生长的乳腺肿块分割方法[J]. 计算机工程与应用, 2014, 50(20): 171-175.
[13]	王民1，孙广1，沈利荣2，刘利1. 基于对数能量倒谱特征的端点检测算法[J]. 计算机工程与应用, 2014, 50(16): 198-201.
[14]	柳培忠1，宁欣2，李卫军2. 一种网页图像文字分割方法[J]. 计算机工程与应用, 2014, 50(10): 180-183.
[15]	李凯，艾斯卡尔·艾木都拉. 基于边缘和基线的维吾尔文图像文字定位算法[J]. 计算机工程与应用, 2014, 50(10): 203-207.

结合FCM聚类和边缘感知模型的眼底渗出物检测

Exudates Detection in Fundus Image Based on Fuzzy C-Means Clustering and Edge-Aware Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics