CN108198211A - 眼底图像的处理方法及装置、存储介质、处理器 - Google Patents
眼底图像的处理方法及装置、存储介质、处理器 Download PDFInfo
- Publication number
- CN108198211A CN108198211A CN201711163744.5A CN201711163744A CN108198211A CN 108198211 A CN108198211 A CN 108198211A CN 201711163744 A CN201711163744 A CN 201711163744A CN 108198211 A CN108198211 A CN 108198211A
- Authority
- CN
- China
- Prior art keywords
- eye fundus
- fundus image
- blood vessel
- image
- default
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 120
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 21
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000002156 mixing Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims description 15
- 230000002708 enhancing effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 230000015654 memory Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 229910052704 radon Inorganic materials 0.000 description 4
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000009416 shuttering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供了一种眼底图像的处理方法及装置、存储介质、处理器,该方法包括:对眼底图像进行去噪处理得到预设眼底图像;对预设眼底图像中的血管进行分割处理;提取分割后的预设眼底图像中的血管特征点集;将血管特征点集与预设的血管特征点集进行匹配;对匹配结果进行仿射变换得到眼底图像的血管融合图像。通过本发明,可以解决对基于血管特征的眼底图像并不能进行有效配准的问题,达到有效对眼底图像按血管特征进行配准的效果。
Description
技术领域
本发明涉及医疗领域,具体而言,涉及一种眼底图像的处理方法及装置、存储介质、处理器。
背景技术
血管结构是眼底图像中较为稳定且覆盖较广的生理结构,并且血管分叉点对于灰度和光照变化具有不变性,医生在实际诊疗过程中,可能由于经验等原因出现诊断不准确的情况,现有技术中,对基于血管特征的眼底图像并不能进行有效的配准。
针对上述中存在的问题,相关技术中尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种眼底图像的处理方法及装置、存储介质、处理器,以至少解决相关技术中对基于血管特征的眼底图像并不能进行有效配准的问题。
根据本发明的一个实施例,提供了一种眼底图像的处理方法,包括:对眼底图像进行去噪处理得到预设眼底图像;对所述预设眼底图像中的血管进行分割处理;提取分割后的所述预设眼底图像中的血管特征点集;将所述血管特征点集与预设的血管特征点集进行匹配;对匹配结果进行仿射变换得到眼底图像的血管融合图像。
可选地,对所述眼底图像进行去噪处理得到预设眼底图像包括:提取所述眼底图像中的绿色通道图像;调整所述绿色通道图像的大小,并对调整后的绿色通道图像进行背景掩膜提取;将提取背景掩膜后的绿色通道图像进行均值滤波,并对进行均值滤波后的绿色通道图像进行灰度矫正;利用预设矩阵对经过所述灰度矫正的绿色通道图像中的血管进行增强显示;对增强显示后的绿色通道图像进行直方图均衡化处理,得到所述预设眼底图像。
可选地,对所述预设眼底图像中的血管进行分割处理包括:对所述预设眼底图像中的血管进行直方图统计;根据所述直方图中的阈值对所述预设眼底图像进行初始化分割;利用掩膜图像提取方法对初始化分割后的预设眼底图像进行预设区域的提取。
可选地,提取分割后的所述预设眼底图像中的所述血管特征点集包括:对所述预设眼底图像进行图像去噪;对去噪后的预设眼底图像进行滤波处理;在经过滤波处理后的预设眼底图像中提取血管的分支点和交叉点,得到所述血管特征点集。
可选地,将所述血管特征点集与预设的血管特征点集进行匹配包括:在所述预设的血管特征点集中确定待匹配的支点,将所述血管特征点集中的各个支点与所述待匹配的支点进行匹配,得到初始匹配结果;在所述初始匹配结果大于预设值的情况下,消除所述初始匹配结果中的异常值,得到所述匹配结果。
根据本发明的另一个实施例,提供了一种眼底图像的处理装置,包括:去噪模块,用于对眼底图像进行去噪处理得到预设眼底图像;分割模块,用于对所述预设眼底图像中的血管进行分割处理;提取模块,用于提取分割后的所述预设眼底图像中的血管特征点集;匹配模块,用于将所述血管特征点集与预设的血管特征点集进行匹配;处理模块,用于对匹配结果进行仿射变换得到眼底图像的血管融合图像。
可选地,所述去噪模块包括:第一提取单元,用于提取所述眼底图像中的绿色通道图像;调整单元,用于调整所述绿色通道图像的大小,并对调整后的绿色通道图像进行背景掩膜提取;矫正单元,用于将提取背景掩膜后的绿色通道图像进行均值滤波,并对进行均值滤波后的绿色通道图像进行灰度矫正;显示单元,用于利用预设矩阵对经过所述灰度矫正的绿色通道图像中的血管进行增强显示;处理单元,用于对增强显示后的绿色通道图像进行直方图均衡化处理,得到所述预设眼底图像。
可选地,所述分割模块包括:统计单元,用于对所述预设眼底图像中的血管进行直方图统计;分割单元,用于根据所述直方图中的阈值对所述预设眼底图像进行初始化分割;第二提取单元,用于利用掩膜图像提取方法对初始化分割后的预设眼底图像进行预设区域的提取。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行上述任一项所述的方法。
根据本发明的又一个实施例,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述任一项所述的方法。
通过本发明,由于对眼底图像进行去噪处理得到预设眼底图像;对预设眼底图像中的血管进行分割处理;提取分割后的预设眼底图像中的血管特征点集;将血管特征点集与预设的血管特征点集进行匹配;对匹配结果进行仿射变换得到眼底图像的血管融合图像。即将眼底图像按血管特征配准。因此,可以解决对基于血管特征的眼底图像并不能进行有效配准的问题,达到有效对眼底图像按血管特征进行配准的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种眼底图像的处理方法的移动终端的硬件结构框图;
图2是根据本发明实施例的眼底图像的处理方法的流程图;
图3是本发明实施例中的流程图;
图4是根据本发明实施例的选取种子节点的示意图;
图5是根据本发明实施例的基准图像的示意图;
图6是根据本发明实施例的待配准图像的示意图;
图7是根据本发明实施例的图像匹配的示意图;
图8是根据本发明实施例的眼底图像的处理装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种眼底图像的处理方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的眼底图像的处理方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种眼底图像的处理方法,图2是根据本发明实施例的眼底图像的处理方法的流程图,如图2所示,该流程包括如下步骤:
步骤202,对眼底图像进行去噪处理得到预设眼底图像;
步骤204,对上述预设眼底图像中的血管进行分割处理;
步骤206,提取分割后的上述预设眼底图像中的血管特征点集;
步骤208,将上述血管特征点集与预设的血管特征点集进行匹配;
步骤210,对匹配结果进行仿射变换得到眼底图像的血管融合图像。
通过上述步骤,由于对眼底图像进行去噪处理得到预设眼底图像;对预设眼底图像中的血管进行分割处理;提取分割后的预设眼底图像中的血管特征点集;将血管特征点集与预设的血管特征点集进行匹配;对匹配结果进行仿射变换得到眼底图像的血管融合图像。即将眼底图像按血管特征配准。因此,可以解决对基于血管特征的眼底图像并不能进行有效配准的问题,达到有效对眼底图像按血管特征进行配准的效果。
可选地,上述步骤的执行主体可以为终端,但不限于此。
在一个可选的实施例中,对上述眼底图像进行去噪处理得到预设眼底图像包括:提取上述眼底图像中的绿色通道图像;调整上述绿色通道图像的大小,并对调整后的绿色通道图像进行背景掩膜提取;将提取背景掩膜后的绿色通道图像进行均值滤波,并对进行均值滤波后的绿色通道图像进行灰度矫正;利用预设矩阵对经过上述灰度矫正的绿色通道图像中的血管进行增强显示;对增强显示后的绿色通道图像进行直方图均衡化处理,得到上述预设眼底图像。在本实施例中,绿色通道的眼底结构清晰、目标突出、对比度最强,包含的细节信息最丰富,所以采用绿色通道图像进行后续处理。
在一个可选的实施例中,对上述预设眼底图像中的血管进行分割处理包括:对上述预设眼底图像中的血管进行直方图统计;根据上述直方图中的阈值对上述预设眼底图像进行初始化分割;利用掩膜图像提取方法对初始化分割后的预设眼底图像进行预设区域的提取。在本实施例中,预设区域是眼底图像中的信息集中的圆形区域,称为感兴趣区域(Region of Interesting,简称为ROI)。感兴趣区域提取是眼底图像预处理中的一个重要环节,有效的提取感兴趣区域不仅可以缩小目标范围,而且会减少计算量。感兴趣区域被周围较暗的背景包围着,为便于后续的处理,需要先对中间圆形区域进行提取,移除掉有干扰的背景区域。常用的方法是提取眼底图像中的掩模。
在一个可选的实施例中,提取分割后的上述预设眼底图像中的上述血管特征点集包括:对上述预设眼底图像进行图像去噪;对去噪后的预设眼底图像进行滤波处理;在经过滤波处理后的预设眼底图像中提取血管的分支点和交叉点,得到上述血管特征点集。
在一个可选的实施例中,将上述血管特征点集与预设的血管特征点集进行匹配包括:在上述预设的血管特征点集中确定待匹配的支点,将上述血管特征点集中的各个支点与上述待匹配的支点进行匹配,得到初始匹配结果;在上述初始匹配结果大于预设值的情况下,消除上述初始匹配结果中的异常值,得到上述匹配结果。在本实施例中,预设的血管特征点集是在预先设定的基准图像中确定的。
下面结合具体实施例对本发明进行详细说明:
具体实施例1:
血管结构是眼底图像中较为稳定且覆盖较广的生理结构,并且血管分叉点对于灰度和光照变化具有不变性,所以本实施例提出一种基于血管特征的眼底图像配准方法。首先,对眼底图像进行预处理,利用Hessian矩阵和形态学方法对眼底图像进行血管分割;其次,在血管分割的基础上,将血管图像分叉点和交叉点的相关信息(如:坐标、熵值、测地距离和欧氏距离、radon变换结果)作为特征点集;然后,找出满足映射条件的初始匹配点,并对初始匹配点进行提纯,确定最佳匹配点;最后,利用仿射变换对图像进行配准、融合。
图3是本发明实施例中的流程图,如图3所示,本实施例包括以下步骤:
预处理:
S301:提取绿色通道,绿色通道的眼底结构清晰、目标突出、对比度最强,包含的细节信息最丰富,所以采用绿色通道图像进行后续处理。
S302:调整图像大小,提高运算效率。
S303:提取背景掩膜,眼底图像是由前景目标和背景组成的,眼底图像的信息主要集中在图像的圆形区域内,称之为感兴趣区域。感兴趣区域提取是眼底图像预处理中的一个重要环节,有效的提取感兴趣区域不仅可以缩小目标范围,而且会减少计算量。感兴趣区域被周围较暗的背景包围着,为便于后续的处理,需要先对中间圆形区域进行提取,移除掉有干扰的背景区域。常用的方法是提取眼底图像中的掩模,包括以下步骤:
步骤1:设置阈值大小为5,然后进行阈值分割;
步骤2:对分割结果进行截边操作,图像的上下左右各截一行或一列;
步骤3:对截边后图像进行腐蚀操作,腐蚀模板为半径为10的圆形模板。
S304:均值滤波,均值滤波也称为线性滤波,其采用的主要方法为邻域平均法,基本原理是用均值代替原图像中的各个像素值,即对待处理的当前像素点(x,y),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在该点上的灰度g(x,y),即m为该模板中包含当前像素在内的像素总个数。
S305:灰度校正,包括以下步骤:
步骤1:设置调整阈值RescaleTh=200;
步骤2:假设均值滤波后图像I均中像素值小于阈值的位置为a,a处的像素值为b,待调整灰度值的图像为I原,则I原(a)=I原(a)*RescaleTh/b。
S306:血管增强,假设尺度因子范围为[a1,a2],迭代步长为S,则利用Hessian矩阵进行血管增强的具体实现步骤如下:
步骤1:输入图像I;
步骤2:初始化尺度因子σ=a1;
步骤3:对于图像I中的像素重复步骤(3)~(7);
步骤4:判断尺度因子σ是否满足结束条件σ≤a2,如果满足则跳到步骤8;
步骤5:计算像素点与高斯函数二阶偏导数的卷积,得到Hessian矩阵H,并计算其特征值λ1和λ2;
步骤6:计算像素点在尺度因子σ下的血管响应输出z(x,y,σ);
更新尺度因子σ=σ+S,跳转到步骤4进行判断;
步骤7:尺度因子迭代结束,计算像素点在不同尺度因子下的最大血管响应I(x,y),作为该像素点的最终血管响应;
步骤8:将血管响应I(x,y)乘以当前像素点尺度因子的平方,作为最终的血管增强因子输出;
步骤9:当处理完图像中的所有像素时,输出最终的血管增强图。
S307:对比度受限的直方图均衡化,由于成像设备和曝光的差异,眼底图像的亮度可能被局限在一个小的范围内,得到的图像对比度不足、视觉效果差。采用对比度受限的自适应直方图均衡化(CLAHE)对眼底图像进行增强,改善图像亮度不均的问题。
对比度受限自适应直方图均衡化增强方法兼具了对比度受限和自适应直方图均衡化两者的优点,能够克服全局直方图均衡化适应不了灰度局部分布差异的缺点,并且CLAHE采用滑动窗口对连续区域进行直方图均衡化,既考虑窗口内也考虑窗口外的直方图,通过剪裁直方图控制直方图的高度,借此来达到限制噪声过度被放大的目的。
CLAHE算法基本流程如下:
(1)分割。将输入图像分割为不重叠的大小相同的子区域,子区域越大,图像增强效果越明显,丢失的图像细节越多。
(2)统计直方图。计算每个子区域的直方图。
(3)计算截断受限值。式中Smax为最大斜率,是1到4之间的整数,决定对比度的增强幅度;α为截断系数,0≤α≤100,α=0时,β最小;α=100时,β最大,此时对比度拉伸效果最明显。
(4)重新分配像素点。对每一个子区域,用相应的片截取其直方图,并将截取下来的像素点重新分配到直方图的各个灰度级中,重复以上分配操作,直到分配完所有被截取的像素点。
(5)直方图均衡。对经过重新分配得到的结果进行均衡化处理。
(6)插值映射。将各子区域的中心像素点作为参考点,再进行双线性插值操作,最后计算输出图像上各点的灰度值。
特征匹配:
S308:血管分割,包括以下步骤:
步骤1:对对比度调整后的图像进行直方图统计;
步骤2:从直方图的尾部开始,将每个区间的频数进行累加,直到累加结果大于50000终止;
步骤3:终止位置对应的那块直方图的频率即为分割的阈值,如果此阈值小于0.1,则分割阈值设为0.15,否则不变;
步骤4:根据阈值对图像进行初始分割;
步骤5:利用掩膜图像提取初始分割图像的有效感兴趣区域,得到最终分割结果;
S309:特征点提取,包括以下步骤:
步骤1:对血管分割图像进行闭运算、细化、去除分支点和小的毛刺;
步骤2:进行面积滤波;
步骤3:提取血管分叉点和交叉点;设置(2*R+1)*(2*R+1)(R=5)的模板区域;寻找血管骨架中的分支点,得到分支点横纵坐标[X,Y];筛选分支点,以分支点坐标为中心,(2*R+1)为半径的矩形区域内,如果矩形四边像素值的和等于3或4,且等于4时的这四个点不相邻,则这些分支点即为所求的分叉点和交叉点。
步骤4:利用Hessian矩阵求得血管图像的方向矩阵,在方向矩阵中,以分支点坐标为中心,R(R=4)为半径的矩形区域内,求解每个分支点的熵,得到分支点的熵图像;
步骤5:选取一个分支点作为种子点,然后计算整个血管图像上其余分支点与种子点的测地距离,选取测地距离非Nan且长度在50~150之间的分支点作为其相邻分支点,每个分支点都会被选为种子点,找出其是否具有相邻分支点以及相邻分支点都是哪些;
示例:如图4所示,选取1为种子点,然后计算出分支点2、3、4、5、6、7、8、9、10、11、12与1之间的测地距离,然后根据条件进行筛选,得到2、3、4为满足条件的分支点。
步骤6:存储种子点与其相邻分支点的位置信息、熵值信息、相邻分支点与种子点的测地距离信息以及欧式距离信息,即上图中1与2的位置信息、熵值信息、1与2之间的测地距离以及欧式距离,1与3的位置信息、熵值信息、1与3之间的测地距离以及欧式距离,1与4的位置信息、熵值信息、1与4之间的测地距离以及欧式距离;
步骤7:对以分支点坐标为中心,R(R=4)为半径的矩形区域内的分支点进行0~170度的radon变换,将变换结果进行位置移动,横纵坐标的位移量都为-2、-1、0、1、2这5个数的任意组合,最后将每个位置移动后的变换结果存储成5*5的胞元数组。
S310:特征点匹配,包括以下步骤:
(1)初始匹配点:
假设A为基准图像,B为待配准图像,其中A的血管片段图像和B的血管整体图像如图5、图6所示。由图5、图6可知,A的分支点为a和b,B的分支点为c、d、e、f、g,且c的相邻分支点为d、e,f的相邻分支点为g,B中的c、e段称为血管段1,c、d段称为血管段2,f、g段称为血管段3,所以此步的目的即为在B中寻找出哪段与A中的a、b段满足匹配条件,具体条件如下:
条件1:熵值SumESEE<0.2
各段SumESEE的计算方式如下:
血管段1:SumESEE1=(c熵-a熵)2+(e熵-b熵)2;
血管段2:SumESEE2=(c熵-a熵)2+(d熵-b熵)2;
血管段3:SumESEE3=(f熵-a熵)2+(g熵-b熵)2;
条件2:测地距离Len与欧式距离Dist的比值DiffLengthDistRatio<0.05
各段DiffLengthDistRatio的计算方式如下:
血管段1:DiffLengthDistRatio1=|(Lence/Distce)-(Lenab/Distab)|;
血管段2:DiffLengthDistRatio2=|(Lencd/Distcd)-(Lenab/Distab)|;
血管段3:DiffLengthDistRatio3=|(Lenfg/Distfg)-(Lenab/Distab)|;
条件3:|AngleAB|<7
各段AngleAB的计算方式如下:
血管段1:
血管段2:
血管段3:
条件4:B中各段的欧式距离与A中ab段的欧氏距离的比值ZoomAB,要求0.85<ZoomAB<1.15
各段ZoomAB的计算方式如下:
血管段1:ZoomAB1=Distce/Distab;
血管段2:ZoomAB2=Distcd/Distab;
血管段3:ZoomAB3=Distfg/Distab;
条件5:B中各血管段横纵坐标和的与A中ab横纵坐标和的的差值的绝对值|TransA2B_XY|,要求|TransA2B_X|<350且|TransA2B_Y|<100
各段|TransA2B_XY|的计算方式如下:
血管段1:
血管段2:
血管段3:
将同时满足条件1、条件2、条件3、条件4、条件5的特征点选出,这里假设所有点都满足条件。
条件6:计算A、B的radon变换结果sumRSRE,要求sumRSRE<20000
各段sumRSRE的计算方式如下:
血管段1:
血管段2:
血管段3:
其中,所有分支点的radon变换结果都为m×n的矩阵,为分支点a在坐标(i,j)下的结果值,其余同理,minSumDiff为预先设定的最小差值和为1020。
将满足条件6的特征点再选出,即完成初始匹配点的选取,这里假设满足条件的特征点为c、d、e,同时将这些匹配点的位置、SumESEE、Angle、Zoom、Trans_X、Trans_Y信息存储下来,用于后续对匹配点进行提纯处理,这里只提供了一条血管段寻找匹配点的过程,A中其余血管段寻找匹配点的过程与此过程相同。
(2)最终匹配点:
如果得到的初始匹配点的个数>2,则还需对它们进行提纯处理,消除异常值特征点,假设基准图像A与待配准图像B的整体血管图像如图7所示,且由初始匹配可知,ab段与ce、cd段匹配,ps段与fg段匹配,则以消除ab段的异常特征点为例的提纯步骤如下:
步骤1:计算ab、ce与ab、cd与ps、fg的angle、Zoom、trans_X、trans_Y这些信息的差值的绝对值,即|diffAngle|、|diffZoom|、|diffTrans_X|、|diffTrans_Y|;
步骤2:如果|diffAngle|>3或|diffZoom|>0.1或|diffTrans_X|>15或|diffTrans_Y|>15,则将此段匹配度score=0,否则再进行计算;
图像配准S311-S313:
仿射变换:仿射变换组合了图像的平移、旋转和缩放,它能保持直线之间的平行性,但不能保证直线的长度是不变的。它是线性变换和平移变换的组合,用矩阵可表示为:
其中为仿射变换模型的变换矩阵,其四个参数的意义分别为:s和θ分别为尺度因子和角度,tx和ty分别为水平和垂直方向的偏移量。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种眼底图像的处理装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本发明实施例的眼底图像的处理装置的结构框图,如图8所示,该装置包括:去噪模块802、分割模块804、提取模块806、匹配模块808以及处理模块810,下面对该装置进行详细说明:
去噪模块802,用于对眼底图像进行去噪处理得到预设眼底图像;分割模块804,连接至上述中的去噪模块802,用于对上述预设眼底图像中的血管进行分割处理;提取模806,连接至上述中的分割模块804,用于提取分割后的上述预设眼底图像中的血管特征点集;匹配模块808,连接至上述中的提取模块806,用于将上述血管特征点集与预设的血管特征点集进行匹配;处理模块810,连接至上述中的匹配模块808,用于对匹配结果进行仿射变换得到眼底图像的血管融合图像。
在一个可选的实施例中,上述去噪模块802包括:第一提取单元,用于提取上述眼底图像中的绿色通道图像;调整单元,用于调整上述绿色通道图像的大小,并对调整后的绿色通道图像进行背景掩膜提取;矫正单元,用于将提取背景掩膜后的绿色通道图像进行均值滤波,并对进行均值滤波后的绿色通道图像进行灰度矫正;显示单元,用于利用预设矩阵对经过上述灰度矫正的绿色通道图像中的血管进行增强显示;处理单元,用于对增强显示后的绿色通道图像进行直方图均衡化处理,得到上述预设眼底图像。
在一个可选的实施例中,上述分割模块804包括:统计单元,用于对上述预设眼底图像中的血管进行直方图统计;分割单元,用于根据上述直方图中的阈值对上述预设眼底图像进行初始化分割;第二提取单元,用于利用掩膜图像提取方法对初始化分割后的预设眼底图像进行预设区域的提取。
在一个可选的实施例中,上述提取模块806通过以下方式提取分割后的上述预设眼底图像中的上述血管特征点集:对上述预设眼底图像进行图像去噪;对去噪后的预设眼底图像进行滤波处理;在经过滤波处理后的预设眼底图像中提取血管的分支点和交叉点,得到上述血管特征点集。
在一个可选的实施例中,上述中的匹配模块808通过以下方式将上述血管特征点集与预设的血管特征点集进行匹配:在上述预设的血管特征点集中确定待匹配的支点,将上述血管特征点集中的各个支点与上述待匹配的支点进行匹配,得到初始匹配结果;在上述初始匹配结果大于预设值的情况下,消除上述初始匹配结果中的异常值,得到上述匹配结果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质包括存储的程序,其中,上述程序运行时执行上述任一项所述的方法。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以上各步骤的程序代码。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的实施例还提供了一种处理器,该处理器用于运行程序,其中,该程序运行时执行上述任一项方法中的步骤。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种眼底图像的处理方法,其特征在于,包括:
对眼底图像进行去噪处理得到预设眼底图像;
对所述预设眼底图像中的血管进行分割处理;
提取分割后的所述预设眼底图像中的血管特征点集;
将所述血管特征点集与预设的血管特征点集进行匹配;
对匹配结果进行仿射变换得到眼底图像的血管融合图像。
2.根据权利要求1所述的方法,其特征在于,对所述眼底图像进行去噪处理得到预设眼底图像包括:
提取所述眼底图像中的绿色通道图像;
调整所述绿色通道图像的大小,并对调整后的绿色通道图像进行背景掩膜提取;
将提取背景掩膜后的绿色通道图像进行均值滤波,并对进行均值滤波后的绿色通道图像进行灰度矫正;
利用预设矩阵对经过所述灰度矫正的绿色通道图像中的血管进行增强显示;
对增强显示后的绿色通道图像进行直方图均衡化处理,得到所述预设眼底图像。
3.根据权利要求2所述的方法,其特征在于,对所述预设眼底图像中的血管进行分割处理包括:
对所述预设眼底图像中的血管进行直方图统计;
根据所述直方图中的阈值对所述预设眼底图像进行初始化分割;
利用掩膜图像提取方法对初始化分割后的预设眼底图像进行预设区域的提取。
4.根据权利要求1所述的方法,其特征在于,提取分割后的所述预设眼底图像中的所述血管特征点集包括:
对所述预设眼底图像进行图像去噪;
对去噪后的预设眼底图像进行滤波处理;
在经过滤波处理后的预设眼底图像中提取血管的分支点和交叉点,得到所述血管特征点集。
5.根据权利要求1所述的方法,其特征在于,将所述血管特征点集与预设的血管特征点集进行匹配包括:
在所述预设的血管特征点集中确定待匹配的支点,将所述血管特征点集中的各个支点与所述待匹配的支点进行匹配,得到初始匹配结果;
在所述初始匹配结果大于预设值的情况下,消除所述初始匹配结果中的异常值,得到所述匹配结果。
6.一种眼底图像的处理装置,其特征在于,包括:
去噪模块,用于对眼底图像进行去噪处理得到预设眼底图像;
分割模块,用于对所述预设眼底图像中的血管进行分割处理;
提取模块,用于提取分割后的所述预设眼底图像中的血管特征点集;
匹配模块,用于将所述血管特征点集与预设的血管特征点集进行匹配;
处理模块,用于对匹配结果进行仿射变换得到眼底图像的血管融合图像。
7.根据权利要求6所述的装置,其特征在于,所述去噪模块包括:
第一提取单元,用于提取所述眼底图像中的绿色通道图像;
调整单元,用于调整所述绿色通道图像的大小,并对调整后的绿色通道图像进行背景掩膜提取;
矫正单元,用于将提取背景掩膜后的绿色通道图像进行均值滤波,并对进行均值滤波后的绿色通道图像进行灰度矫正;
显示单元,用于利用预设矩阵对经过所述灰度矫正的绿色通道图像中的血管进行增强显示;
处理单元,用于对增强显示后的绿色通道图像进行直方图均衡化处理,得到所述预设眼底图像。
8.根据权利要求7所述的装置,其特征在于,所述分割模块包括:
统计单元,用于对所述预设眼底图像中的血管进行直方图统计;
分割单元,用于根据所述直方图中的阈值对所述预设眼底图像进行初始化分割;
第二提取单元,用于利用掩膜图像提取方法对初始化分割后的预设眼底图像进行预设区域的提取。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行权利要求1至5中任一项所述的方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711163744.5A CN108198211A (zh) | 2017-11-20 | 2017-11-20 | 眼底图像的处理方法及装置、存储介质、处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711163744.5A CN108198211A (zh) | 2017-11-20 | 2017-11-20 | 眼底图像的处理方法及装置、存储介质、处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108198211A true CN108198211A (zh) | 2018-06-22 |
Family
ID=62573167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711163744.5A Pending CN108198211A (zh) | 2017-11-20 | 2017-11-20 | 眼底图像的处理方法及装置、存储介质、处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108198211A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064453A (zh) * | 2018-07-12 | 2018-12-21 | 北京上工医信科技有限公司 | 一种用于眼底图像血管分割的神经网络模型 |
CN109549569A (zh) * | 2018-12-28 | 2019-04-02 | 珠海凯浩电子有限公司 | 一种根据地磁强弱方向清扫的扫地机器人 |
CN110033422A (zh) * | 2019-04-10 | 2019-07-19 | 北京科技大学 | 一种眼底oct图像融合方法及装置 |
CN111080560A (zh) * | 2019-12-31 | 2020-04-28 | 哈尔滨学院 | 一种图像的处理与识别方法 |
CN111861999A (zh) * | 2020-06-24 | 2020-10-30 | 北京百度网讯科技有限公司 | 动静脉交叉压迫征的检测方法、装置、电子设备及可读存储介质 |
CN112509020A (zh) * | 2020-12-07 | 2021-03-16 | 昆山戎影医疗科技有限公司 | 血管外部影像与腔内影像的配准方法、装置及计算设备 |
WO2021047408A1 (zh) * | 2019-09-09 | 2021-03-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN115409690A (zh) * | 2021-05-28 | 2022-11-29 | 南京博视医疗科技有限公司 | 一种眼底图像实时映射方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984916A (zh) * | 2010-11-17 | 2011-03-16 | 哈尔滨工程大学 | 基于数字图像处理技术的血管管径测量方法 |
US20130071004A1 (en) * | 2011-09-20 | 2013-03-21 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
CN105761254A (zh) * | 2016-02-04 | 2016-07-13 | 浙江工商大学 | 基于图像特征的眼底图像配准方法 |
-
2017
- 2017-11-20 CN CN201711163744.5A patent/CN108198211A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984916A (zh) * | 2010-11-17 | 2011-03-16 | 哈尔滨工程大学 | 基于数字图像处理技术的血管管径测量方法 |
US20130071004A1 (en) * | 2011-09-20 | 2013-03-21 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
CN105761254A (zh) * | 2016-02-04 | 2016-07-13 | 浙江工商大学 | 基于图像特征的眼底图像配准方法 |
Non-Patent Citations (1)
Title |
---|
祝婉: "多模眼底图像配准方法研究", 《中国优秀硕士学位论文全文数据库.信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064453A (zh) * | 2018-07-12 | 2018-12-21 | 北京上工医信科技有限公司 | 一种用于眼底图像血管分割的神经网络模型 |
CN109064453B (zh) * | 2018-07-12 | 2019-07-23 | 北京上工医信科技有限公司 | 一种用于眼底图像血管分割的神经网络模型 |
CN109549569A (zh) * | 2018-12-28 | 2019-04-02 | 珠海凯浩电子有限公司 | 一种根据地磁强弱方向清扫的扫地机器人 |
CN110033422A (zh) * | 2019-04-10 | 2019-07-19 | 北京科技大学 | 一种眼底oct图像融合方法及装置 |
CN110033422B (zh) * | 2019-04-10 | 2021-03-23 | 北京科技大学 | 一种眼底oct图像融合方法及装置 |
WO2021047408A1 (zh) * | 2019-09-09 | 2021-03-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111080560A (zh) * | 2019-12-31 | 2020-04-28 | 哈尔滨学院 | 一种图像的处理与识别方法 |
CN111861999A (zh) * | 2020-06-24 | 2020-10-30 | 北京百度网讯科技有限公司 | 动静脉交叉压迫征的检测方法、装置、电子设备及可读存储介质 |
CN112509020A (zh) * | 2020-12-07 | 2021-03-16 | 昆山戎影医疗科技有限公司 | 血管外部影像与腔内影像的配准方法、装置及计算设备 |
CN115409690A (zh) * | 2021-05-28 | 2022-11-29 | 南京博视医疗科技有限公司 | 一种眼底图像实时映射方法及装置 |
CN115409690B (zh) * | 2021-05-28 | 2023-09-29 | 南京博视医疗科技有限公司 | 一种眼底图像实时映射方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198211A (zh) | 眼底图像的处理方法及装置、存储介质、处理器 | |
CN108198184B (zh) | 造影图像中血管分割的方法和*** | |
Zhang et al. | Segment graph based image filtering: fast structure-preserving smoothing | |
DE102014015353B4 (de) | Dynamikkompression | |
CN108198185B (zh) | 眼底病灶图像的分割方法及、装置、存储介质、处理器 | |
JP2000011170A (ja) | 離散的ピクセル画像を強調する方法及び装置 | |
US9613405B2 (en) | Scalable massive parallelization of overlapping patch aggregation | |
CN111080654B (zh) | 图像的病变区域分割方法、装置及服务器 | |
CN109325498B (zh) | 基于窗口动态阈值改进Canny算子的叶脉提取方法 | |
CN104933679B (zh) | 一种放大图像的方法及其对应*** | |
CN104134198A (zh) | 一种对图像进行局部处理的方法 | |
CN111968057A (zh) | 图像降噪方法、装置、存储介质及电子装置 | |
CN109214996A (zh) | 一种图像处理方法及装置 | |
JP2007507810A (ja) | 高速なレティネックス型処理のための強靭な再帰エンベロープ演算子 | |
CN107516302A (zh) | 一种基于OpenCV的混合图像增强的方法 | |
CN106683063A (zh) | 一种图像去噪的方法与装置 | |
CN109635809B (zh) | 一种面向视觉退化图像的超像素分割方法 | |
US9305338B1 (en) | Image detail enhancement and edge sharpening without overshooting | |
CN115731214A (zh) | 一种基于人工智能的医学图像分割方法及装置 | |
WO2021102704A1 (zh) | 图像处理方法和装置 | |
CN110189332B (zh) | 基于权重图设计的***磁共振图像分割方法及*** | |
CN110335254B (zh) | 眼底图像区域化深度学习方法、装置和设备及存储介质 | |
Xiu et al. | Edge extraction based on memristor cell neural network with fractional order template | |
CN113450282B (zh) | 美化图像的方法和*** | |
Zhang et al. | A fundus image enhancer based on illumination-guided attention and optic disc perception GAN |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180622 |