图1.3 NED（箭头示）       图1.4 PED（箭头示）     图1.5 NED(右箭头示)& PED(左箭头示)                                                            
目前，分割眼底病变图像的方法主要是通过手动、半自动和自动完成。
手动分割主要是医生通过肉眼观察图像来检测并且人工手动分割病变区域，不仅需要耗费大量的时间和精力，并且不够准确，限制了疾病的大规模研究。
一般半自动的分割方法要求操作者具有一定的知识和经验，通过计算机辅助操作者完成对医学图像的分割。相对于传统的人工分割方法，这种分割方法比大大减少了人为因素的影响，加快了分割速度，提高了分割精度，但还是需要人为干预分割过程。
病变区域的自动分割不仅大大减少了医生手动分割的工作量，而且能够准确计算出病变区域的各项参数，为精确诊断中浆病变提供高效有益的帮助。
1.6  论文的组织结构
    论文主要包括三章内容。主要内容如下：
第一章简单介绍了SD-OCT图像，给出了眼部SD-OCT图像的各层结构图，归纳了目前国内外层分割的研究方法；接着详细剖析了中浆病变在SD-OCT图像上的表现特征，阐述了自动分割中浆病变的研究意义。
第二章详细说明了病变区域分割的前期工作：图像去噪及视网膜层分割。针对OCT图像噪声的特点，采用双边滤波进行去噪。采用三文图搜索的层分割算法，详细介绍了算法的原理及实现，并对分层结果进行了评估。
第三章介绍了病变区域分割算法的主体：自适应阈值及基于人类视觉模型的区域生长，分别介绍了两个算法的基本原理及实现流程。最后详细评估了分割结果，归纳了算法的优缺点。
2  视网膜图像层分割
通过观察中浆病变图像可知，需要分割的病变区域一般处于IS/OS层下方，RPE层上方，因此为了避免其它层低灰度区的干扰，提高提取的效率，我们首先必须把这两层分割出来，在这两层之间寻找病变区域；而RPE层及IS/OS层在OCT图像中的分割也是整个分割算法的重点。图2.1为中浆所在区域的示意图。红色标记处为病变区域的轮廓。
 
图2.1 中浆病变区域示意图
2.1  图像预处理
为了后期获得更好的处理效果，先对中浆SD-OCT图像中存在的散斑噪声[25]进行去噪。本文采用双边滤波算法[9]对OCT图像进行去噪，这种算法具有空域滤波和值域滤波两者的优点，在滤除噪声的同时还能够保留图像中边缘特征。下式为图像 进行双边滤波的算子：
                   （2.1）
其中， 表示 的邻域， 表示该领域中的任一点， 为 点灰度值。将 定义为距离权重因子，相应地，定义 为影响权重因子。
分析可以得到，距离越近、灰度越相似，在领域中对应像素所占权值越大，反之越小。
    实验中将3个像素作为领域半径， 取1， 取5， 取0.1。
图2.2是双边滤波后的原图与结果图的对比图。我们可以看出，图像中的大量噪声已经被双边滤波有效消除，而图像中边缘等结构信息依然被保留了下来。 基于SD-OCT图像的中浆病变区域分割(3):http://www.751com.cn/jisuanji/lunwen_41811.html