CN107038704A - 视网膜图像渗出区域分割方法、装置和计算设备 - Google Patents
视网膜图像渗出区域分割方法、装置和计算设备 Download PDFInfo
- Publication number
- CN107038704A CN107038704A CN201710308389.XA CN201710308389A CN107038704A CN 107038704 A CN107038704 A CN 107038704A CN 201710308389 A CN201710308389 A CN 201710308389A CN 107038704 A CN107038704 A CN 107038704A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- retinal images
- enhancing
- bright
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 210000001525 retina Anatomy 0.000 title abstract description 13
- 230000011218 segmentation Effects 0.000 title abstract description 10
- 230000004256 retinal image Effects 0.000 claims abstract description 140
- 238000001914 filtration Methods 0.000 claims abstract description 35
- 230000002708 enhancing effect Effects 0.000 claims description 89
- 210000003733 optic disk Anatomy 0.000 claims description 73
- 238000012545 processing Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 16
- 238000003860 storage Methods 0.000 description 13
- 238000002372 labelling Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000002207 retinal effect Effects 0.000 description 3
- 206010012689 Diabetic retinopathy Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 101000746134 Homo sapiens DNA endonuclease RBBP8 Proteins 0.000 description 1
- 101000969031 Homo sapiens Nuclear protein 1 Proteins 0.000 description 1
- 102100021133 Nuclear protein 1 Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视网膜图像渗出区域分割方法,在计算设备中执行,包括:获取待分割的视网膜图像,并对该图像进行对比度增强,得到增强图像;对增强图像进行滤波处理,以提取出视网膜图像的背景图像;将背景图像中各像素的颜色值与增强图像中对应像素的颜色值取差值,得到差值图像;根据差值图像中各像素的RGB颜色值得到包含视网膜图像中的亮区域的亮区域图像,所述亮区域包括视盘区域、渗出区域和亮噪声区域;从视网膜图像中确定视盘区域,并将该区域从亮区域图像中去除,得到去视盘图像;从增强图像中确定亮噪声区域,并将该区域从去视盘图像中去除,从而得到视网膜图像的渗出区域。本发明还公开了对应的视网膜图像渗出区域分割装置。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种视网膜图像的渗出区域分割方法。
背景技术
糖尿病视网膜病变(简称糖网)是一种广泛存在于糖尿病人中的眼科疾病,它会对患者的视力产生影响,严重的甚至会导致患者失明。定期筛查、尽早发现视网膜病变可以最大程度地减小患者视力损伤。视网膜内渗出液是糖尿病视网膜病变早期可见的标志之一,也是病变分期和诊断的重要依据。因此,有必要通过数字图像处理技术对视网膜图像上的渗出区域进行识别。
目前对渗出区域的识别方法中,基于像素点分类的方法主要是将眼底图像分割成多个图像块,通过输入训练好的卷积神经网络将图像块分类成背景、血管、渗出和出血四类。但由于神经网络的输入是图像块,对于大小形状都不确定的渗出液无法准确的检测出渗出液的边界。而基于聚类的方法中主要是通过人工设定模糊聚类数对眼底图像进行聚类,再将聚类的结果用神经网络分类成渗出液区域和非渗出液区域。但是由于大规模筛查中视网膜图像成像质量的不确定性,往往需要依据成像质量调整聚类数,从而限制了该方法在自动的大规模眼底病症筛查***中的应用。
因此,需要一种新的又精确又快速的视网膜图像渗出区域分割方法。
发明内容
为此,本发明提供一种视网膜图像渗出区域分割方法、装置和计算设备,以解决或至少缓解上面存在的问题。
根据本发明的一个方面,提供一种视网膜图像渗出区域分割方法,在计算设备中执行,该方法包括:获取待分割的视网膜图像,并对该图像进行对比度增强,得到视网膜图像的增强图像;对增强图像进行滤波处理,以提取出视网膜图像的背景图像;将背景图像中各像素的RGB颜色值与增强图像中对应像素的RGB颜色值取差值,得到差值图像;根据差值图像中各像素的RGB颜色值到亮区域图像,所述亮区域图像中标记出了视网膜图像中的亮区域,所述亮区域包括视盘区域、渗出区域和亮噪声区域;从视网膜图像中确定视盘区域,并将该区域从亮区域图像中去除,得到去视盘图像;以及从增强图像中确定亮噪声区域,并将该区域从去视盘图像中去除,从而得到视网膜图像的渗出区域。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,对视网膜图像进行对比度增强的步骤包括:将视网膜图像中各像素的RGB三通道的颜色值归一化为0~1之间的数;对于RGB中每一个颜色通道,按照以下公式确定增强图像中各像素的颜色值:I1(x,y)=α·I0(x,y)-β·I(x,y;δ)+γ;其中,I1(x,y)表示增强图像中坐标为(x,y)的像素的颜色值,I0(x,y)表示在视网膜图像中坐标为(x,y)的像素的颜色值,I(x,y;δ)表示在视网膜图像中坐标为(x,y)的像素的局部均值,其中,局部均值为经窗口大小和方差均为δ的高斯滤波所得出。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,对增强图像进行滤波处理,以提取出视网膜图像的背景图像的步骤包括:生成多个具有不同窗口大小的滤波器;对增强图像中各像素的RGB三个颜色通道,分别采用多个滤波器对各通道进行滤波处理,得到各通道的多个滤波结果;以及将各通道的多个滤波结果取平均作为该通道的颜色值,从而得到背景图像。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,根据差值图像中各像素的RGB颜色值得到亮区域图像的步骤包括:获取差值图像中各像素的RGB三通道的颜色值,并根据获取到的各通道颜色值来确定各通道的颜色阈值;以及通过对比差值图像中每个像素的RGB各通道颜色值与对应通道的颜色阈值,将该像素的各通道颜色值均标记为0或均标记为1,从而将差值图像转化为亮区域图像,其中,该亮区域图像为二值图像。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,从视网膜图像中确定视盘区域,并将该区域从所述亮区域图像中去除的步骤包括:依次对视网膜图像中的B通道进行滤波处理和霍夫变换,以确定视盘圆的圆心和半径,并根据所述圆心和半径来确定视盘圆的位置;将视盘圆作为掩膜与所述亮区域图像进行相乘,从而将视盘区域从亮区域图像中去除。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,滤波为维纳滤波,其计算公式为:
其中,为维纳滤波所提取出的图像的频域变换,G(u,v)为维纳滤波当前所处理图像的频域变换,H(u,v)为退化函数,K为固定常数。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,从增强图像中确定亮噪声区域的步骤包括:将增强图像由RGB色彩空间转到HSV色彩空间;判断增强图像中各像素的HSV值是否满足预定条件;若是,则将该像素标记为亮噪声。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,预定条件为:H值小于第一阈值、S值小于第二阈值、且V值大于第三阈值。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,从增强图像中确定亮噪声区域的步骤还包括:将所述增强图像由RGB色彩空间转到Lab色彩空间;计算Lab色彩空间图中各像素的显著性,以及所有像素的平均显著性,并将显著性大于平均显著性的像素判定为显著像素;计算各连通域中显著像素占该连通域中所有像素的比例,其中该连通域适于从亮区域图像中确定;以及若该某个连通域的所述比例不大于第四阈值,则将该连通域标记为亮噪声区域。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,显著性的计算公式为:S(x,y)=||Iμ-Iωhc(x,y)||,其中,Iμ为增强图像中各像素的L、a、b均值所构成的三维向量;Iωhc(x,y)为坐标为(x,y)的像素的高斯模糊值,高斯模糊的窗口大小为第五阈值,||*||表示求二范式。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,从增强图像中确定亮噪声区域的步骤还包括:计算增强图像中各像素在G通道的梯度幅值,以及各连通域内梯度幅值的均值;若某个连通域内梯度幅值的均值小于第六阈值,则将该连通域标记为亮噪声区域。
可选地,在根据本发明的视网膜图像渗出区域分割方法中,第一阈值和第二阈值均为0.5,第三阈值为0.7,第四阈值为0.8,第五阈值为5*5,第六阈值为5,α=β=4,γ=0.5,δ为10~20之间的任意整数。
根据本发明的一个方面,提供一种视网膜图像渗出区域分割装置,驻留于计算设备中,该装置包括:图像预处理单元,适于获取待分割的视网膜图像,并对该图像进行对比度增强,得到视网膜图像的增强图像,以及对增强图像进行滤波处理,以提取出视网膜图像的背景图像;差值图像生成单元,适于将背景图像中各像素的RGB颜色值与增强图像中对应像素的RGB颜色值取差值,得到差值图像;亮区域确定单元,适于根据差值图像中各像素的RGB颜色值得到亮区域图像,所述亮区域图像中标记出了视网膜图像中的亮区域,该亮区域包括视盘区域、渗出区域和亮噪声区域;视盘去除单元,适于从视网膜图像中确定视盘区域,并将该区域从亮区域图像中去除,得到去视盘图像;以及亮噪声去除单元,适于从增强图像中确定亮噪声区域,并将该区域从去视盘图像中去除,从而得到视网膜图像的渗出区域。
根据本发明的一个方面,提供一种计算设备,包括:至少一个处理器;和存储有程序指令的存储器,所述程序指令包括如上所述的视网膜图像渗出区域分割装置;其中,处理器被配置为适于根据所述存储器中存储的视网膜图像渗出区域分割装置执行如上所述的视网膜图像渗出区域分割方法。
根据本发明的一个方面,提供一种存储有程序指令的计算机可读存储介质,所述程序指令包括如上所述的视网膜图像渗出区域分割装置;当该计算机可读存储介质中存储的视网膜图像渗出区域分割装置被计算设备读取时,所述计算设备可以执行如上所述的视网膜图像渗出区域分割方法。
根据本发明的技术方案,首先对原始视网膜图像进行对比度增强,消除原始视网膜图像存在的光照不均等问题,增强渗出区域与背景图像之间的对比度,使后续渗出区域的分割更准确。之后,通过对增强图像进行维纳滤波,提取出了原始视网膜图像的背景图像,并通过将背景图像与增强图像取差值得到差值图像。之后,获取该差值图像的亮区域阈值,进而根据该阈值将差值图像转化为包含视网膜图像中亮区域的亮区域图像。其中,该亮区域图像为二值图像,亮区域包括原视网膜图像中的视盘区域、渗出区域和亮噪声区域。
随后,依次对视网膜图像进行维纳滤波及霍夫变换确定视盘圆的圆心和半径,并进而确定视盘圆的位置。将该视盘圆作为掩膜与二值图像叠加后即可去掉亮区域图像中的视盘区域,得到去视盘图像。最后,分别采用颜色、视觉显著性和梯度方法来来确定亮噪声区域,并将该亮噪声区域从去视盘图像中去除,得到最终的渗出区域。该方法通过对相关干扰区域的多次逐层处理,使得渗出区域的分割更加准确,避免渗出区域的误判,而且本发明也很大程度上降低了后期图像处理的复杂度,加快了计算速度。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1A示出了根据本发明一个实施例的渗出区域分割***100a的示意图;
图1B示出了根据本发明一个实施例的渗出区域分割***100b的示意图;
图2示出了根据本发明一个实施例的计算设备200的结构图;
图3示出了根据本发明一个实施例的视网膜图像渗出区域分割装置300的结构图;
图4示出了根据本发明一个实施例的视网膜图像渗出区域分割方法400的流程图;
图5A~图5I示出了根据本发明的一个视网膜图像渗出区域分割的实施例的效果图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1A示出了根据本发明一个实施例的渗出区域分割***100a的示意图。图1A所示的***100a包括视网膜图像采集设备110和计算设备200。应当指出,图1A中的***100a仅是示例性的,在具体的实践情况中,***100a中可以包括任意数量的视网膜图像采集设备110和计算设备200,本发明对***100a中所包括的视网膜图像采集设备110和计算设备200的数目不做限制。
视网膜图像采集设备110例如可以是任意型号的眼底照相机,其适于采集视网膜图像;计算设备200可以是诸如PC、笔记本电脑、手机、平板电脑等设备,其适于执行图像处理任务。在***100a中,视网膜图像采集设备110与计算设备200在空间上的距离比较近,二者可以以有线或无线的方式完成近距离通信,例如,视网膜图像采集设备110可以通过USB接口、RJ-45接口、BNC接口等与计算设备200建立有线连接,或通过蓝牙、WiFi、ZigBee、IEEE802.11x等协议与计算设备200建立无线连接,本发明对视网膜图像采集设备110与计算设备200之间的连接方式不做限制。计算设备200中驻留有视网膜图像渗出区域分割装置300,装置300可以作为一个独立的软件安装于计算设备200中,或者作为一个网页应用驻留于计算设备200的浏览器中,或者仅仅是位于计算设备200的存储器中的一段代码,本发明对装置300在计算设备200中的存在形式不做限制。当视网膜图像采集设备110采集到视网膜图像后,将视网膜图像发送至计算设备200。计算设备200接收该视网膜图像,并由装置300对接收到的视网膜图像进行处理,分割出视网膜图像中的渗出区域。
图1B示出了根据本发明一个实施例的渗出区域分割***100b的示意图。图1B所示的***100b包括视网膜图像采集设备110、本地客户端120和计算设备200。应当指出,图1B中的***100b仅是示例性的,在具体的实践情况中,***100b中可以包括任意数量的视网膜图像采集设备110、本地客户端120和计算设备200,本发明对***100b中所包括的视网膜图像采集设备110、本地客户端120和计算设备200的数目不做限制。
视网膜图像采集设备110例如可以是任意型号的眼底照相机,其适于采集视网膜图像;本地客户端120可以是诸如PC、笔记本电脑、手机、平板电脑等设备,其适于接收视网膜图像采集设备110所采集到的视网膜图像,并经由互联网将其发送至计算设备200;计算设备200可以实现为服务器,例如可以是WEB服务器、应用程序服务器等,其适于提供视网膜图像渗出区域分割服务。在***100b中,视网膜图像采集设备110与本地客户端120在空间上的距离比较近,二者可以以有线或无线的方式完成近距离通信;本地客户端120与计算设备200的距离比较远,二者可以以有线或无线的方式经由互联网完成远距离通信。当视网膜图像采集设备110采集到视网膜图像后,将视网膜图像发送至本地客户端120。随后,本地客户端120将接收到的视网膜图像发送至计算设备200,计算设备200接收该视网膜图像,并由装置300对接收到的视网膜图像进行处理,分割出视网膜图像中的渗出区域,并将分割结果返回至本地客户端120。应当指出,虽然***100b中将视网膜图像采集设备110和本地客户端120作为两个设备分别示出,但是,本领域技术人员可以意识到,在其他的实施例中,视网膜图像采集设备110和本地客户端120可以集成为一个设备,其同时具备以上所描述的设备110和本地客户端120所具备的所有功能。
图2示出了根据本发明一个实施例的计算设备200的结构图。在基本配置202中,计算设备200典型地包括***存储器206和一个或者多个中央处理器204。存储器总线208可以用于在中央处理器204和***存储器206之间的通信。中央处理器204是计算设备200的运算核心和控制核心,其主要功能是解释计算机指令以及处理各种软件中的数据。
取决于期望的配置,中央处理器204可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。中央处理器204可以包括诸如一级高速缓存210和二级高速缓存212之类的一个或者多个级别的高速缓存、处理器核心214和寄存器216。示例的处理器核心214可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器218可以与中央处理器204一起使用,或者在一些实现中,存储器控制器218可以是中央处理器204的一个内部部分。
取决于期望的配置,***存储器206可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。***存储器206可以包括操作***220、一个或者多个应用222以及程序数据224。在一些实施方式中,应用222可以布置为在操作***上利用程序数据224进行操作。应用222在***存储器中体现为多段程序指令,例如,应用222可以是可执行程序(.exe文件)或网页中的一段JS代码。中央处理器204可以执行这些程序指令从而实现应用222所指示的功能。在本发明中,应用222中包括视网膜图像渗出区域分割装置300。视网膜图像渗出区域分割装置300是一个由多行代码组成的指令集合,其能够指示中央处理器204执行图像处理的相关操作,从而实现视网膜图像的渗出区域分割。
计算设备200还可以包括有助于从各种接口设备(例如,输出设备242、外设接口244和通信设备246)到基本配置102经由总线/接口控制器230的通信的接口总线240。示例的输出设备242包括图形处理单元248和音频处理单元250。它们可以被配置为有助于经由一个或者多个A/V端口252与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口244可以包括串行接口控制器254和并行接口控制器256,它们可以被配置为有助于经由一个或者多个I/O端口258和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备246可以包括网络控制器260,其可以被布置为便于经由一个或者多个通信端口264与一个或者多个其他计算设备262通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读存储介质可以包括存储介质和通信介质二者。根据一种实施例,计算机可读存储介质中存储有程序指令,程序指令中包括视网膜图像渗出区域分割装置300。当计算机可读存储介质中存储的装置300被计算设备200读取时,计算设备200的中央处理器204可以执行相应的视网膜图像渗出区域分割方法,以实现视网膜图像中渗出区域的分割。
图3示出了根据本发明一个实施例的视网膜图像渗出区域分割装置300的结构图。如图3所示,装置300包括图像预处理单元320、差值图像生成单元340、亮区域确定单元360、视盘去除单元380和亮噪声去除单元390。
图像预处理单元320适于获取待分割的视网膜图像,并对该图像进行对比度增强,得到该视网膜图像的增强图像,以及对该增强图像进行滤波处理后得到该视网膜图像的背景图像。
其中,待分割的视网膜图像即视网膜图像采集设备110所采集到的原始视网膜图像,如图5A所示,其中左侧是具有圆形视场角的视网膜图像,该视网膜图像为完整的圆形;右侧是有不规则视场角的视网膜图像,该视网膜图像在上下半圆各缺失一部分。当然,为了方便后续对图像像素的对应处理,图像预处理单元320可以先对该视网膜图像进行裁剪,并采用图像内插方法或其他现有方法将裁剪后的图像尺寸调整为预定尺寸。图5B是对图5A中的左右两张图进行裁剪及尺寸调整后的图,后续在5C-5I中出现的左右两张图像分别是基于图5B中的这两张图为基础进行处理后得到的效果图,比如,图5C是对图5B进行对比度增强后的增强图像,图5D是对图5C进行滤波后得到的背景图像。应当理解,实际上也可以没有裁剪与尺寸调整操作(即省略图5B),而直接在图5A基础上进行各项处理(如对比度增强),其并不会影响最终渗出区域的判断结果。
根据一种实施例,图像预处理单元320可以根据以下方法对原始视网膜图像进行对比度增强:将视网膜图像中各像素的RGB三通道的颜色值归一化为0~1之间的数;对于RGB中每一个颜色通道,按照以下公式确定增强图像中各像素的颜色值:
I1(x,y)=α·I0(x,y)-β·I(x,y;δ)+γ
其中,I1(x,y)表示增强图像中坐标为(x,y)的像素的颜色值,I0(x,y)表示在视网膜图像中坐标为(x,y)的像素的颜色值,I(x,y;δ)表示在视网膜图像中坐标为(x,y)的像素的局部均值,其中,局部均值为经窗口大小和方差均为δ的高斯滤波所得出。根据一个实施例,α=β=4,γ=0.5,δ为10~20之间的任意整数。当然这些数值只是示例性说明,实际操作中可以根据需要设置为其他数值,本发明对此不作限制。另外,应当理解,增强图像中坐标为(x,y)的像素颜色值I1(x,y)可能出现小于0或大于1的情况,为了方便处理,可以将小于0的值都置为0,将大于1的值都置为1。
根据另一种实施例,图像预处理单元320可以根据以下方法对增强图像进行滤波处理:生成多个具有不同窗口大小的滤波器(如维纳滤波的滤波器);对增强图像中各像素的RGB三个颜色通道,分别采用这多个滤波器对各通道进行滤波处理,得到各通道的多个滤波结果;以及将各通道的多个滤波结果取平均作为该通道的颜色值,从而得到每个像素点的颜色值,这些像素点即构成所述背景图像。
提取图像背景的方法有多种,例如维纳滤波、中值滤波等,但考虑到维纳滤波的计算速度不受滤波器窗口大小的影响,而中值滤波的滤波器窗口越大,计算速度越慢,效率越低。因此,本发明中的滤波方法选择维纳滤波,其计算公式如下:
其中,为维纳滤波所提取出的背景图像的频域变换,G(u,v)为增强图像的频域变换,H(u,v)为退化函数,K为固定常数。H(u,v)和K可以根据需要设置为任意值,对于H(u,v)来说,在计算时,需要对u和v进行采样,以生成一个离散滤波器,滤波器窗口的大小可以根据需要设置为任意值。根据上式得出后,对进行傅里叶反变换,即可得出空间域的背景图像。
这里,可以选择50*50,100*100和500*500这三个滤波器窗口大小,并用这三种滤波器窗口分别对增强图像中各像素的RGB每一个通道进行滤波。这里,对于RGB三通道中的每个通道,都要用三种滤波器分别进行滤波,即均要用上述维纳滤波公式进行计算,然后将三个滤波器的滤波结果的平均值作为该通道的颜色值。依此方法得到每个像素点的各通道的值,即可得到最终的背景图像。
增强图像和背景图像生成后,差值图像生成单元340将背景图像中各像素的RGB颜色值与增强图像中对应像素的RGB颜色值取差值,得到差值图像。具体地,可以将背景图像中各像素的RGB颜色值减去增强图像中对应像素的RGB颜色值。
随后,亮区域确定单元360根据差值图像中各像素的RGB颜色值得到亮区域图像,该亮区域图像中标记出了原始视网膜图像中的亮区域,该亮区域包括视盘区域、渗出区域和亮噪声区域。
具体地,亮区域确定单元360适于获取差值图像中各像素的RGB三通道的颜色值,并根据获取到的各通道颜色值来确定该通道的颜色阈值;以及通过对比差值图像中每个像素的各通道颜色值与对应通道的颜色阈值,将该像素的各通道颜色值均标记为0或均标记为1,从而将所述差值图像转化为亮区域图像。
进一步地,可以将所有像素的各通道的颜色平均值作为对应通道的颜色阈值(可以认为是亮区阈值),若某个像素点的RGB三个通道的值均大于对应通道的颜色阈值,则将该像素点的RGB值均置为1;否则,将其均置为0,从而得到一副二值图(即黑白图)。当然,也可以采取另一种赋值方式:将前者的RGB值均置为0,将后者的RGB值均置为1,这时的亮区域即为二值图像中RGB值均为0的像素的集合。图5E示出了根据第一种赋值方式得到的亮区域图像,即二值图像,其中的白色区域即为亮区域(RGB值均为1),其对应于原视网膜图像中较亮的区域。
随后,视盘去除单元380从原始视网膜图像中确定视盘区域,并将该区域从亮区域图像中去除,得到去视盘图像。
具体地,视盘去除单元380适于依次对所述视网膜图像中的B通道进行滤波处理和霍夫变换,以确定视盘圆的圆心和半径,并根据圆心和半径来确定视盘圆的位置;以及将视盘圆作为掩膜与亮区域图像(即二值图像)进行相乘,从而将视盘区域从亮区域图像中去除,得到去视盘图像。
进一步地,视盘去除单元380中的滤波方式可以采用图像预处理单元320中的维纳滤波及其公式,滤波器窗口可以设置为一个较大的数。图5F示例性的示出了对裁剪后的图5B进行滤波处理后的图像,同样应当理解,裁剪及尺寸调整可以省略,而直接对原视网膜图像图5A进行滤波处理。图5G示出了从图5F中确定的视盘圆的位置,黑色虚线圆框区域内即为视盘圆;图5H示出了将视盘圆从亮区域图像中去除后得到的去视盘图像。
去视盘图像中的白色区域对应于原视网膜图像中的渗出区域和亮噪声区域,去除亮噪声区域即可得到渗出区域。因此,亮噪声去除单元390从增强图像中确定亮噪声区域,并将该区域从去视盘图像中去除,从而得到视网膜图像的渗出区域。这里,噪声通常是图像在数字化和传输过程中受到成像设备与外部环境干扰而产生的随机、离散、孤立的像素点,其在原始视网膜图像所对应的灰度图像上表现为灰度值过高或过低的像素点。
根据一个实施例,可以采用颜色的方法来确定亮噪声区域。具体地,将增强图像由RGB色彩空间转到HSV色彩空间;判断增强图像中各像素的HSV值是否满足预定条件;若是,则将该像素标记为亮噪声。其中,预定条件可以为:H值小于第一阈值、S值小于第二阈值、且V值大于第三阈值。这里,第一阈值和第二阈值可以为0.4-0.6,具体可以为0.5;第三阈值可以为0.6-0.8,具体可以为0.7。应当指出,此处在判断HSV值是否满足预定条件时,所采用的HSV值是归一化后的HSV值,即,首先将HSV值归一化为0~1之间的数,再判断归一化后的HSV值是否满足预定条件。另外,应当理解,这些数值只是示例性说明,实际操作中可以根据需要设置为其他数值,本发明对此不作限制。
根据颜色方法确定出亮噪声后,就可以在去视盘图像中将该亮噪声去除。考虑到去视盘图像是一幅黑白的二值图,且前文在暗区域图像的生成过程中将暗区域的像素的RGB值均置为1,因此这里可以采用将亮噪声的像素的RGB值均置为0的方法来去除该亮噪声。当然,应当理解,如果在前文中的亮区域图像生成过程中将亮区域的颜色值均置为0,那么这里就可以将亮噪声的颜色值均置为1。另外,还可以记录下被标记为亮噪声的像素的坐标值,然后在去视盘图像中将该坐标处的像素的RGB值均置为0。
根据另一个实施例,还可以采用显著性的方法来确定亮噪声区域。具体地,将增强图像由RGB色彩空间转到Lab色彩空间,并计算该Lab色彩空间图中各像素的显著性,以及所有像素的平均显著性。这里,将显著性大于平均显著性的像素判定为显著像素。之后,计算各连通域中显著像素占该连通域中所有像素的比例,其中连通域可以根据现有算法从亮区域图像中确定。若某个连通域计算得到的比例不大于第四阈值,则将该连通域标记为亮噪声区域。这里,若某个连通域计算得到的比例大于第四阈值,则通常可认为该连通域为渗出区域。其中,第四阈值可以为0.7-0.9,具体可以为0.8。同样地,根据显著性方法确定亮噪声后即可在去视盘图像中将亮噪声区域去除,其具体内容与颜色部分的描述相同,此处不再赘述。
这里,显著性的计算公式为:
S(x,y)=||Iμ-Iωhc(x,y)||
其中,Iμ为增强图像中各像素的L、a、b均值所构成的三维向量,即Iμ=[L均值,a均值,b均值];Iωhc(x,y)为坐标为(x,y)的像素的高斯模糊值,高斯模糊的窗口大小为第五阈值,||*||表示求二范式。其中,第五阈值可以取5*5。
根据另一个实施例,还可以采用梯度的方法来确定亮噪声区域。具体地,可以利用G通道中渗出点与背景区域的颜色对比度较高的特点,计算增强图像中各像素在G通道的梯度幅值,以及各连通域内梯度幅值的均值。若某个连通域内梯度幅值的均值小于第六阈值,则将该连通域标记为亮噪声区域;反之则可认为该连通域为渗出区域。其中,连通域可以采用现有的任意算法从亮区域图像中确定,第六阈值可以为4-6,具体可以为5。之后同样可以将标记出的亮噪声区域从去视盘图像中去除,此处不再赘述。
在实际操作中,可以选择上述三种方式中的任一种方式来确定亮噪声区域。当然,为了实现更好的亮噪声去除效果,也可以对其中两种方式确定出的亮噪声区域取合集,如采用颜色+显著性的方式;当然还可以将这三种方式确定出的亮噪声区域取合集。也就是,用颜色方法标记出一部分亮噪声,用显著性和梯度方法又各标记出一部分亮噪声区域。之后,将所有方法标记出的亮噪声区域都从血管图像中去除,得到最终的渗出区域。当采用组合的方法时,以上三种方法可以以任意顺序实施,本发明对各方法的先后顺序不做限制。在此处所采用的三种方法的组合方法中,确定亮噪声的步骤包括三步,每一步均在前一步的基础上确定亮噪声,前一步中已经判定为亮噪声的区域在后一步中不再进行重复判断,这样,既能够准确地确定亮噪声区域、避免遗漏,同时,也减少了不必要的计算,从而加快了计算速度。通过这三种方式的组合处理得到的渗出区域如图5I中的白色斑点状区域所示。
图4示出了根据本发明一个实施例的视网膜图像渗出区域分割方法400的流程图。方法400适于在前述图3所示的视网膜图像渗出区域分割装置300中执行。如图4所示,方法400始于步骤S420。
在步骤S420中,获取待分割的视网膜图像,并对该图像进行对比度增强,得到视网膜图像的增强图像;并在步骤S440中,对增强图像进行滤波处理,以提取出该视网膜图像的背景图像。该两个步骤的具体过程可以参考前述对图像预处理单元320的描述,此处不再赘述。
随后,在步骤S460中,将背景图像中各像素的RGB颜色值与增强图像中对应像素的RGB颜色值取差值,得到差值图像。该步骤的具体过程可以参考前述对差值图像生成单元340的描述,此处不再赘述。
在步骤S470中,根据差值图像中各像素的RGB颜色值得到亮区域图像,该亮区域图像中标记出了视网膜图像中的亮区域,其中亮区域包含视盘区域、渗出区域和亮噪声区域。该步骤的具体过程可以参考前述对亮区域确定单元360的描述,此处不再赘述。
随后,在步骤S480中,从视网膜图像中确定视盘区域,并将该区域从亮区域图像中去除,得到去视盘图像。该步骤的具体过程可以参考前述对视盘去除单元380的描述,此处不再赘述。
随后,在步骤S490中,从增强图像中确定亮噪声区域,并将该区域从去视盘图像中去除,从而得到视网膜图像的渗出区域。该步骤的具体过程可以参考前述对亮噪声去除单元390的描述,此处不再赘述。
以下是本发明的一个视网膜图像渗出区域分割的实施例:
1)获取原始视网膜图像,如图5A所示;
2)对原始视网膜图像进行裁剪及尺寸调整,得到图5B;
3)对图5B进行对比度增强,得到增强图像-图5C;
4)对图5C进行维纳滤波,提取出背景图像-图5D;
5)将背景图像(图5D)的RGB像素值减去增强图像(图5C)的对应像素的RGB值,得到亮区域图像,如图5E所示;
6)对图5B进行维纳滤波,得到图5F;
7)对图5F进行霍夫变换,确定视盘圆位置,如图5G中的黑色虚线圆所示;
8)以图5G的视盘圆作为掩膜,与亮区域图像-图5E进行相乘,得到去视盘图像,如图5H所示;
9)分别根据图5C的颜色、显著性和梯度,确定其中的亮噪声区域,并将该亮噪声区域从图5H中去除,得到最终的渗出区域如图5I所示。
根据本发明的技术方案,通过对视网膜图像进行对比度增强得到了增强图像,对增强图像进行滤波处理得到了背景图像;基于增强图像和背景图像得到了差值图像;从差值图像中分离出了包含视盘区域、渗出区域和亮噪声区域的亮区域;从视网膜图像中定位了视盘区域;从增强图像中定位了亮噪声区域;最后将亮噪声区域和视盘区域从亮区域图像中去除,得到最终的渗出区域。这种方法能够快速、全面的定位病变候选区域和干扰区域,并在病变候选区域除去干扰区域,从而非常精确地对渗出区域进行定位。而且,本发明还提高了传统的眼底图像的分析检测速度,大大降低了数据处理时的人力物力,能够广泛适用于大规模眼底图像的自动化应用。
另外,本发明通过对眼底图像的标准化裁剪可以减少不同眼底图像之间的差异,而眼底图像的增强处理可以减少同一张眼底图像由于光照不均引入的差异,这些都从各项细节上提高了眼底图像的处理精度,从而进一步提高了渗出区域判断结果的准确性。
A8、如A7所述的方法,其中,所述预定条件为:H值小于第一阈值、S值小于第二阈值、且V值大于第三阈值。
A9、如A1或A7所述的方法,其中,从所述增强图像中确定所述亮噪声区域的步骤还包括:将所述增强图像由RGB色彩空间转换到Lab色彩空间;计算所述Lab色彩空间中各像素的显著性,以及所有像素的平均显著性,并将显著性大于平均显著性的像素判定为显著像素;计算各连通域中显著像素占该连通域中所有像素的比例,所述连通域适于从所述亮区域图像中确定;以及若某个连通域的所述比例不大于第四阈值,则将该连通域标记为亮噪声区域。
A10、如A9所述的方法,其中,显著性的计算公式为:其中,Iμ为增强图像中各像素的L、a、b均值所构成的三维向量;Iωhc(x,y)为坐标为(x,y)的像素的高斯模糊值,高斯模糊的窗口大小为第五阈值,||*||表示求二范式。
A11、如A1-A10中任一项所述的方法,其中,从所述增强图像中确定所述亮噪声区域的步骤还包括:计算所述增强图像中各像素在G通道的梯度幅值,以及各连通域内梯度幅值的均值;若某个连通域内梯度幅值的均值小于第六阈值,则将该连通域标记为亮噪声区域。
A12、如A1-A11中任一项所述的方法,其中,所述第一阈值和第二阈值均为0.5,所述第三阈值为0.7,所述第四阈值为0.8,所述第五阈值为5*5,所述第六阈值为5,α=β=4,γ=0.5,δ为10~20之间的任意整数。
B14、如B13所述的装置,其中,所述图像预处理单元适于根据以下方法对所述视网膜图像进行对比度增强:将所述视网膜图像中各像素的RGB三通道的颜色值归一化为0~1之间的数;对于RGB中每一个颜色通道,按照以下公式确定增强图像中各像素的颜色值:I1(x,y)=α·I0(x,y)-β·I(x,y;δ)+γ,其中,I1(x,y)表示增强图像中坐标为(x,y)的像素的颜色值,I0(x,y)表示在所述视网膜图像中坐标为(x,y)的像素的颜色值,I(x,y;δ)表示在所述视网膜图像中坐标为(x,y)的像素的局部均值,其中,所述局部均值为经窗口大小和方差均为δ的高斯滤波所得出。
B15、如B13所述的装置,其中,所述图像预处理单元根据以下方法对所述增强图像进行滤波处理:生成多个具有不同窗口大小的滤波器;对所述增强图像中各像素的RGB三个颜色通道,分别采用所述多个滤波器对各通道进行滤波处理,得到各通道的多个滤波结果;以及将各通道的多个滤波结果取平均作为该通道的颜色值,从而得到所述背景图像。
B16、如B13所述的装置,其中,所述亮区域确定单元适于根据以下方法得到亮区域图像:获取所述差值图像中各像素的RGB三通道的颜色值,并根据获取到的各通道颜色值来确定各通道的颜色阈值;以及通过对比所述差值图像中每个像素的RGB各通道颜色值与对应通道的颜色阈值,将该像素的各通道颜色值均标记为0或均标记为1,从而将所述差值图像转化为亮区域图像,所述亮区域图像为二值图像。
B17、如B13所述的装置,其中,所述视盘去除单元适于根据以下方法从所述视网膜图像中确定所述视盘区域,并将该区域从所述亮区域图像中去除:依次对所述视网膜图像中的B通道进行滤波处理和霍夫变换,以确定视盘圆的圆心和半径,并根据所述圆心和半径来确定所述视盘圆的位置;将所述视盘圆作为掩膜与所述亮区域图像进行相乘,从而将所述视盘区域从所述亮区域图像中去除。
B18、如B13-B17中任一项所述的装置,其中,所述滤波为维纳滤波,其计算公式为:
其中,为维纳滤波所提取出的图像的频域变换,G(u,v)为维纳滤波当前所处理图像的频域变换,H(u,v)为退化函数,K为固定常数。
B19、如B13所述的装置,其中,所述亮噪声去除单元适于:将所述增强图像由RGB色彩空间转到HSV色彩空间;以及判断所述增强图像中各像素的HSV值是否满足预定条件,若是,则将该像素标记为亮噪声。
B20、如B19所述的装置,其中,所述预定条件为:H值小于第一阈值、S值小于第二阈值、且V值大于第三阈值。
B21、如B13或B19所述的装置,其中所述亮噪声去除单元还适于:将所述增强图像由RGB色彩空间转到Lab色彩空间;计算所述Lab色彩空间图中各像素的显著性,以及所有像素的平均显著性,并将显著性大于平均显著性的像素判定为显著像素;计算各连通域中显著像素占该连通域中所有像素的比例,所述连通域适于从所述亮区域图像中确定;以及若某个连通域的所述比例不大于第四阈值,则将该连通域标记为亮噪声区域。
B22、如B21所述的方法,其中,显著性的计算公式为:
S(x,y)=||Iμ-Iωhc(x,y)||
其中,Iμ为增强图像中各像素的L、a、b均值所构成的三维向量;Iωhc(x,y)为坐标为(x,y)的像素的高斯模糊值,高斯模糊的窗口大小为第五阈值,||*||表示求二范式。
B23、如B13-B22中任一项所述的装置,其中,所述亮噪声去除单元进一步适于:计算所述增强图像中各像素在G通道的梯度幅值,以及各连通域内梯度幅值的均值;
若某个连通域内梯度幅值的均值小于第六阈值,则将该连通域标记为亮噪声区域。
B24、如B13-B23中任一项所述的装置,其中,所述第一阈值和第二阈值均为0.5,所述第三阈值为0.7,所述第四阈值为0.8,所述第五阈值为5*5,所述第六阈值为5,α=β=4,γ=0.5,δ为10~20之间的任意整数。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的视网膜图像渗出区域分割方法。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
在此处所提供的说明书中,算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与本发明的示例一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机***的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.一种视网膜图像渗出区域分割方法,在计算设备中执行,该方法包括:
获取待分割的视网膜图像,并对该图像进行对比度增强,得到所述视网膜图像的增强图像;
对所述增强图像进行滤波处理,以提取出所述视网膜图像的背景图像;
将所述背景图像中各像素的RGB颜色值与所述增强图像中对应像素的RGB颜色值取差值,得到差值图像;
根据所述差值图像中各像素的RGB颜色值得到亮区域图像,所述亮区域图像中标记出了所述视网膜图像中的亮区域,所述亮区域包括视盘区域、渗出区域和亮噪声区域;
从所述视网膜图像中确定所述视盘区域,并将该区域从所述亮区域图像中去除,得到去视盘图像;以及
从所述增强图像中确定所述亮噪声区域,并将该区域从所述去视盘图像中去除,从而得到所述视网膜图像的渗出区域。
2.如权利要求1所述的方法,其中,所述对所述视网膜图像进行对比度增强的步骤包括:
将所述视网膜图像中各像素的RGB三通道的颜色值归一化为0~1之间的数;
对于RGB中每一个颜色通道,按照以下公式确定增强图像中各像素的颜色值:
I1(x,y)=α·I0(x,y)-β·I(x,y;δ)+γ
其中,I1(x,y)表示增强图像中坐标为(x,y)的像素的颜色值,I0(x,y)表示在所述视网膜图像中坐标为(x,y)的像素的颜色值,I(x,y;δ)表示在所述视网膜图像中坐标为(x,y)的像素的局部均值,其中,所述局部均值为经窗口大小和方差均为δ的高斯滤波所得出。
3.如权利要求1所述的方法,其中,所述对所述增强图像进行滤波处理,以提取出所述视网膜图像的背景图像的步骤包括:
生成多个具有不同窗口大小的滤波器;
对所述增强图像中各像素的RGB三个颜色通道,分别采用所述多个滤波器对各通道进行滤波处理,得到各通道的多个滤波结果;以及
将各通道的多个滤波结果取平均作为该通道的颜色值,从而得到所述背景图像。
4.如权利要求1所述的方法,其中,所述根据所述差值图像中各像素的RGB颜色值得到亮区域图像的步骤包括:
获取所述差值图像中各像素的RGB三通道的颜色值,并根据获取到的各通道颜色值来确定各通道的颜色阈值;以及
通过对比所述差值图像中每个像素的RGB各通道颜色值与对应通道的颜色阈值,将该像素的各通道颜色值均标记为0或均标记为1,从而将所述差值图像转化为亮区域图像,所述亮区域图像为二值图像。
5.如权利要求1所述的方法,其中,从所述视网膜图像中确定所述视盘区域,并将该区域从所述亮区域图像中去除的步骤包括:
依次对所述视网膜图像中的B通道进行滤波处理和霍夫变换,以确定视盘圆的圆心和半径,并根据所述圆心和半径来确定所述视盘圆的位置;
将所述视盘圆作为掩膜与所述亮区域图像进行相乘,从而将所述视盘区域从所述亮区域图像中去除。
6.如权利要求1-5中任一项所述的方法,其中,所述滤波为维纳滤波,其计算公式为:
其中,为维纳滤波所提取出的图像的频域变换,G(u,v)为维纳滤波当前所处理图像的频域变换,H(u,v)为退化函数,K为固定常数。
7.如权利要求1所述的方法,其中,从所述增强图像中确定所述亮噪声区域的步骤包括:
将所述增强图像由RGB色彩空间转到HSV色彩空间;
判断所述增强图像中各像素的HSV值是否满足预定条件;
若是,则将该像素标记为亮噪声。
8.一种视网膜图像渗出区域分割装置,驻留在计算设备中,该装置包括:
图像预处理单元,适于获取待分割的视网膜图像,并对该图像进行对比度增强,得到所述视网膜图像的增强图像,以及对所述增强图像进行滤波处理,以提取出所述视网膜图像的背景图像;
差值图像生成单元,适于将所述背景图像中各像素的RGB颜色值与所述增强图像中对应像素的RGB颜色值取差值,得到差值图像;
亮区域确定单元,适于根据所述差值图像中各像素的RGB颜色值得到亮区域图像,所述亮区域图像中标记出了所述视网膜图像中的亮区域,所述亮区域包括视盘区域、渗出区域和亮噪声区域;
视盘去除单元,适于从所述视网膜图像中确定所述视盘区域,并将该区域从所述亮区域图像中去除,得到去视盘图像;以及
亮噪声去除单元,适于从所述增强图像中确定所述亮噪声区域,并将该区域从所述去视盘图像中去除,从而得到所述视网膜图像的渗出区域。
9.一种计算设备,包括:
至少一个处理器;和
存储有程序指令的存储器;
其中,所述处理器被配置为根据所述存储器中存储的程序指令执行如权利要求1-7中任一项所述的方法。
10.一种存储有程序指令的计算机可读存储介质,所述计算机可读存储介质中的程序指令可以被计算设备读取,使得所述计算设备执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710308389.XA CN107038704B (zh) | 2017-05-04 | 2017-05-04 | 视网膜图像渗出区域分割方法、装置和计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710308389.XA CN107038704B (zh) | 2017-05-04 | 2017-05-04 | 视网膜图像渗出区域分割方法、装置和计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107038704A true CN107038704A (zh) | 2017-08-11 |
CN107038704B CN107038704B (zh) | 2020-11-06 |
Family
ID=59537787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710308389.XA Active CN107038704B (zh) | 2017-05-04 | 2017-05-04 | 视网膜图像渗出区域分割方法、装置和计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038704B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629378A (zh) * | 2018-05-10 | 2018-10-09 | 上海鹰瞳医疗科技有限公司 | 图像识别方法和设备 |
CN109816637A (zh) * | 2019-01-02 | 2019-05-28 | 电子科技大学 | 一种眼底图像中硬性渗出区域的检测方法 |
CN109993731A (zh) * | 2019-03-22 | 2019-07-09 | 依未科技(北京)有限公司 | 一种眼底病变分析方法及装置 |
CN111784703A (zh) * | 2020-06-17 | 2020-10-16 | 泰康保险集团股份有限公司 | 一种图像分割方法、装置、电子设备和存储介质 |
CN111812106A (zh) * | 2020-09-15 | 2020-10-23 | 沈阳风驰软件股份有限公司 | 一种无线耳机外观面溢胶检测方法和检测*** |
CN112016626A (zh) * | 2020-08-31 | 2020-12-01 | 南京泰明生物科技有限公司 | 基于不确定度的糖尿病视网膜病变分类*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080317721A1 (en) * | 2005-02-24 | 2008-12-25 | The Scripps Research Institute | Method for the Treatment of Retinopathy of Prematurity and Related Retinopathic Diseases |
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
CN103971369A (zh) * | 2014-05-14 | 2014-08-06 | 深圳市计量质量检测研究院 | 视网膜图像的视盘定位方法 |
CN104134217A (zh) * | 2014-07-29 | 2014-11-05 | 中国科学院自动化研究所 | 一种基于超体素图割的视频显著物体分割方法 |
CN104732499A (zh) * | 2015-04-01 | 2015-06-24 | 武汉工程大学 | 基于多尺度多方向的视网膜图像增强算法 |
CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的*** |
CN105787927A (zh) * | 2016-02-06 | 2016-07-20 | 上海市第人民医院 | 视网膜眼底图像的渗出液检测方法 |
CN106204555A (zh) * | 2016-06-30 | 2016-12-07 | 天津工业大学 | 一种结合Gbvs模型和相位一致性的视盘定位方法 |
-
2017
- 2017-05-04 CN CN201710308389.XA patent/CN107038704B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080317721A1 (en) * | 2005-02-24 | 2008-12-25 | The Scripps Research Institute | Method for the Treatment of Retinopathy of Prematurity and Related Retinopathic Diseases |
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
CN103971369A (zh) * | 2014-05-14 | 2014-08-06 | 深圳市计量质量检测研究院 | 视网膜图像的视盘定位方法 |
CN104134217A (zh) * | 2014-07-29 | 2014-11-05 | 中国科学院自动化研究所 | 一种基于超体素图割的视频显著物体分割方法 |
CN104732499A (zh) * | 2015-04-01 | 2015-06-24 | 武汉工程大学 | 基于多尺度多方向的视网膜图像增强算法 |
CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的*** |
CN105787927A (zh) * | 2016-02-06 | 2016-07-20 | 上海市第人民医院 | 视网膜眼底图像的渗出液检测方法 |
CN106204555A (zh) * | 2016-06-30 | 2016-12-07 | 天津工业大学 | 一种结合Gbvs模型和相位一致性的视盘定位方法 |
Non-Patent Citations (6)
Title |
---|
AKARA SOPHARAK等: "Automatic Exudate Detection from Non-dilated Diabetic Retinopathy Retinal Images Using Fuzzy C-means Clustering", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》 * |
THOMAS WALTER等: "A Contribution of Image Processing to the Diagnosis of Diabetic Retinopathy—Detection of Exudates in Color Fundus Images of the Human Retina", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
吕卫 等: "彩色眼底图像糖网渗出物的自动检测", 《光电工程》 * |
赖小波 等: "基于可控图像分割的快速视网膜血管提取算法", 《光电子·激光》 * |
赖小波 等: "融合重建滤波器和暗特征的渗出物检测算法", 《光电子·激光》 * |
陈向: "糖尿病视网膜病变图像的渗出物自动检测算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629378A (zh) * | 2018-05-10 | 2018-10-09 | 上海鹰瞳医疗科技有限公司 | 图像识别方法和设备 |
CN109816637A (zh) * | 2019-01-02 | 2019-05-28 | 电子科技大学 | 一种眼底图像中硬性渗出区域的检测方法 |
CN109993731A (zh) * | 2019-03-22 | 2019-07-09 | 依未科技(北京)有限公司 | 一种眼底病变分析方法及装置 |
CN111784703A (zh) * | 2020-06-17 | 2020-10-16 | 泰康保险集团股份有限公司 | 一种图像分割方法、装置、电子设备和存储介质 |
CN112016626A (zh) * | 2020-08-31 | 2020-12-01 | 南京泰明生物科技有限公司 | 基于不确定度的糖尿病视网膜病变分类*** |
CN112016626B (zh) * | 2020-08-31 | 2023-12-01 | 中科泰明(南京)科技有限公司 | 基于不确定度的糖尿病视网膜病变分类*** |
CN111812106A (zh) * | 2020-09-15 | 2020-10-23 | 沈阳风驰软件股份有限公司 | 一种无线耳机外观面溢胶检测方法和检测*** |
Also Published As
Publication number | Publication date |
---|---|
CN107038704B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038704A (zh) | 视网膜图像渗出区域分割方法、装置和计算设备 | |
CN107146231A (zh) | 视网膜图像出血区域分割方法、装置和计算设备 | |
CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
CN109816666B (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
CN107123124A (zh) | 视网膜图像分析方法、装置和计算设备 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
US11379989B2 (en) | Method and device of extracting label in medical image | |
CN110443148A (zh) | 一种动作识别方法、***和存储介质 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
Jordan et al. | A review of feature-based retinal image analysis | |
CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
CN113822897A (zh) | 血管分割方法、终端及计算机可读存储介质 | |
CN111444555A (zh) | 一种测温信息显示方法、装置及终端设备 | |
CN107133932A (zh) | 视网膜图像预处理方法、装置和计算设备 | |
CN110473176B (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
Liu et al. | A self-adaptive deep learning method for automated eye laterality detection based on color fundus photography | |
CN114565620A (zh) | 一种基于骨架先验和对比损失的眼底图像血管分割方法 | |
CN111881706B (zh) | 活体检测、图像分类和模型训练方法、装置、设备及介质 | |
CN115731214A (zh) | 一种基于人工智能的医学图像分割方法及装置 | |
Priya Henry et al. | Convolutional neural-network-based classification of retinal images with different combinations of filtering techniques | |
Dubey et al. | Recent developments on computer aided systems for diagnosis of diabetic retinopathy: a review | |
Vamsi et al. | Early Detection of Hemorrhagic Stroke Using a Lightweight Deep Learning Neural Network Model. | |
Al Shehhi et al. | An Automatic Cognitive Graph‐Based Segmentation for Detection of Blood Vessels in Retinal Images | |
Alaguselvi et al. | Quantitative analysis of fundus image enhancement in the detection of diabetic retinopathy using deep convolutional neural network | |
CN116843647A (zh) | 肺野面积确定、肺发育评估方法及装置、电子设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220509 Address after: 519000 unit Z, room 615, 6th floor, main building, No. 10, Keji 1st Road, Gangwan Avenue, Tangjiawan Town, Xiangzhou District, Zhuhai City, Guangdong Province (centralized office area) Patentee after: Zhuhai Quanyi Technology Co.,Ltd. Address before: 272500 No. 032, juntun Township commercial street, Wenshang County, Jining City, Shandong Province Patentee before: Ji Xin |