图3中显示了几个样品的像素， 图像上标明坚实的白点。[图2.4（a）]，与子图像 周围产生[图2.4（b） - （i）]被选定为不同的血管：一个内部和多个外部的血管，但附近的其他像素足以使两个子图像包含血管。表一显示瞬时值对应于每个子图。它可在数值非常接近时检查，这样可以产生一个确定的不变大小，旋转和平移。保证了大小，旋转和平移不变性。瞬时计算上述特征数值独立的血管的宽度，方向和位置的子图像。然而，他们在描述有无血管的子图中央像素没有什么用，因为它们的值不区分这两种情况。
为了克服这个问题，矩计算乘以原有的子图像产生新的子图像 、 ，通过平等文矩阵（17 * 17）的高斯值，其平均为0和方差为 也就是说，对于每点的坐标（i,j）
与此参数的选择， 中的9x9核心价值包含代表高斯分布面积的97％，其余的值接近0（假设中央像素的 是位于中间的一个“ 宽 ”的血管上，这些9 * 9中央在 的值对应 中的血管像素）。此操作说明图。图2.4（b） - （i）及图2.4（j） - （q)。在这些新的子图像和其相关的不变矩值（表二），清楚地观察到这种乘法效应。这些敏感的血管和无血管中央像素的有描述价值，因为他们现在反映它们之间的显着性差异。和值，在与他们原有的比较，增加，如果他们描述血管像素，否则减少。
总之，下面的描述被认为是位于一个像素的特征向量的一部分（x.y）

图2.4,获得像素不变矩计算环境的例子。
表一：模块 和 关于子图像 计算矩对数(图三(b)-(i)）
    P-1a    P-1b    P-2a    P-2b    P-3a    P-3b    P-4a    P-4b
     5.16    4.73    4.87    5.02    4.36    4.23    3.96    3.92
     11.70    11.29    10.71    11.81    10.92    10.90    10.59    12.11
表二：模块 和 关于子图像 计算矩对数(图三(j)-(q)）
    P-1a    P-1b    P-2a    P-2b    P-3a    P-3b    P-4a    P-4b
     5.34    2.89    5.16    3.13    4.79    2.34    4.12    2.21
     13.57    9.16    12.85    10.11    11.19    8.31    10.82    7.71

2.4.2 分类阶段
在特征提取阶段，从眼底图像的每个像素用7文特征空间向量表示特点。
 (2.21)
现在，分类程序将每个已知代表性的像素分配到C1（血管像素）和C2（无血管像素）。为了给像素选择一个合适的分类，通过训练集数据（如下所述）在特征空间中的分布进行了分析。分析的结果显示，线性可分等级达不到在视网膜图像血管抽取所需的精度水平。因此，使用非线性分类是必要的。
本文采用一个多层前馈神经网络。处理时可以区分两种分类阶段：设计阶段，在决定该神经网络NN的配置和神经网络NN训练；应用阶段，将训练神经网络NN用于分类每个血管像素或获得血管二进制图像。
1）神经网络设计：多层前馈网络的工作，一个输入层，隐藏层和输出层组成，本文采用。输入层构成的神经元的数目等于特征向量的文数（7个神经元）。关于隐藏层，有几项拓扑与不同数量的神经细胞进行了测试。三个隐藏层，每个含15个神经元时，提供最优的神经网络NN配置。输出层包含一个单一的神经元连接，其余的单位，通过非线性逻辑S型激活功能，所以它的输出范围为0和1之间。 VC++视网膜血管自适应图像的抽取算法及其实现(5):http://www.751com.cn/jisuanji/lunwen_2157.html