《表1 本文方法与其他方法在数据集Diaretdb1中的性能测量》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于显著性检测和改进局部高斯分布拟合模型的眼底图像视盘边界自动提取》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由图4可以观察到，相较于圆霍夫变换[6]和原始的LGDF模型[11]，本文方法获得了更好的分割效果.具体针对以下几种情况:首先，对于存在弱亮度对比度的视盘边界，得到了更好的分割结果（例如图4 （a）、图4（e）和图4（f）存在的情况） ；其次，当视盘临近存在明亮有髓神经纤维时，分割会更加具有鲁棒性和准确性（例如图4 （b）、图4（c）、图4（e）和图4（f）存在的情况） ，并且对于含有较黑色血管的低对比度视盘，使用本文方法分割时不易受到血管的影响，具有较高的准确性（例如图4中全部眼底图像存在的情况）.另外，本文运用Lalonde等[5]提出的覆盖率测量方法验证所提出的视盘分割方法的有效性.参照文献[5]，根据真实边界下的视盘区域与检测到的视盘区域两者的重叠面积计算重叠率T.依据文献[13]，认为当T?75%时便获得了成功的视盘分割.基于这个准则，本文在表1中分别列出了使用不同方法获得的平均重叠率（多个视盘图像重叠率T的平均值）和准确率（当检测的视盘中心落在数据库中给出的参照视盘圆周内时，认为是成功检测），将其作为评价标准用于度量本文方法与目前其他视盘检测方法的性能.