基于興趣點和視覺字典的眼底病理學檢測

1、深圳大學研究生課程論文深圳大學研究生課程論文題目基于興趣點和視覺字典的眼底病理學檢測成績專業(yè)生物醫(yī)學工程課程名稱、代碼專業(yè)英語年級2010級姓名袁杰學號2100220114時間2011年7月10任課教師劉維湘用于通信領域，但是已有不少在圖像恢復和分類方面的嘗試。這些方法背后的原則是：選擇最能代表圖像的點組成一個大數(shù)量的興趣點(PoI)集，然后計算每個興趣點周圍的局部描述子，并存儲在索引數(shù)據(jù)結(jié)構(gòu)中。這個方法是假設興趣點比圖像中其他的點能傳

2、達更多的信息。因此，圖像即使被扭曲后興趣點仍能被穩(wěn)定的檢測到，這是興趣點法則可重復性的主要標準。定位興趣點后，每個點用它周圍區(qū)域分解的小片段表示。有文獻指出在興趣點周圍計算出的局部描述子要比描述圖像細微差別的全局描述子穩(wěn)定。但是，這樣代表的方法有優(yōu)點也有缺點。當搜索一個特定目標時，這個辨別力是非常重要的。盡管如此，當搜索復雜的分類時，概括的能力是最重要的。因此，這些解決方案往往是設計完全匹配的，它們在圖像分類時并不直接轉(zhuǎn)化好的結(jié)果。解決

3、這個問題的一種可能是視覺字典技術，它認為是高維空間描述和分割成的多個區(qū)域。通常使用非監(jiān)督學習技術（例如聚類）以便找到最具判別力的興趣點。每個興趣點的區(qū)域，將變成視覺“字典”里的“字”。字典創(chuàng)建完后，對每個圖像分析其興趣點并將一個在字典中最接近的單詞分派給它。最后，每幅圖像都由一系列視覺單詞來描述。在這個簡單的想法中，最大的挑戰(zhàn)是設計一個好的字典。字典的建立需要對描述空間進行量化，這可以使用聚類方法，或者像本文討論到的，由專家來“選擇”重

4、要的詞匯。4.2局部特征為了描述一個給定圖像的視覺內(nèi)容，我們找到了圖像的一系列興趣點及其周圍區(qū)域的特征。理想的是選擇尺度不變的興趣點，以使得其描述子在可能的圖像變換后仍然保持穩(wěn)定。要做到這一點，我們可以使用多種不同的方法。我們已經(jīng)發(fā)現(xiàn)SURF特征有最好的性能。我們也對SIFT特征做了性能評估實驗。兩種方法都能達到較高的重復性和特殊性。4.2.1尺度不變特征變換（SIFT）SIFT算法是在平移、縮放和旋轉(zhuǎn)變換下最穩(wěn)定的方法之一。SIFT算