CN109101950A - 一种基于主血管拟合的视盘定位方法与存储设备 - Google Patents
一种基于主血管拟合的视盘定位方法与存储设备 Download PDFInfo
- Publication number
- CN109101950A CN109101950A CN201811014375.8A CN201811014375A CN109101950A CN 109101950 A CN109101950 A CN 109101950A CN 201811014375 A CN201811014375 A CN 201811014375A CN 109101950 A CN109101950 A CN 109101950A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- fundus image
- eye fundus
- main blood
- optic disk
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及图像分析领域,特别涉及一种基于主血管拟合的视盘定位方法与存储设备。所述一种基于主血管拟合的视盘定位方法,包括步骤:对待检查眼底图像进行预处理;对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管;对主血管进行抛物线拟合计算,根据计算结果定位视盘中心。整个方法过程复杂度低、耗时小、实用性强,且即便当病变造成视盘外观改变,或存在一些大面积的亮色病变区域干扰时,也不会影响定位结果,整个方法效率高且准确性高。
Description
技术领域
本发明涉及图像分析领域,特别涉及一种基于主血管拟合的视盘定位方法与存储设备。
背景技术
视网膜眼底图像的自动分析已经在各种和眼科相关的***性疾病如糖尿病、高血压、肾脏病和神经科疾病的辅助诊断中得到了广泛应用。在正常的彩色眼底图像中,黄斑、中央凹、视盘和血管网是眼底四个可观测到的主要特征,视盘是视网膜眼底图像上最重要的生理结构之一,它的定位对于眼底病变诊断具有很重要的意义。同时,由于视盘与黄斑区域有着固定距离,视盘中心位置信息可以作为先验知识来辅助黄斑区域的选择,视盘直径(Papillary Diameter,PD)常作为参考长度用于衡量其它特征的距离及大小,是眼底图像配准的一个标志。因此,视盘的检测一直是研究人员非常关注的问题。
由于视盘在彩色眼底图像中通常为一个黄色或白色的亮圆形区域,因此早期提出的视盘检测方法为基于视盘本身特征的方法,即采用视盘的亮度、对比度、形状等外观信息作为检测特征。但此类方法在大面积病变干扰情况下容易出错。
由于视盘是血管进入眼部的起始区域,主要血管分支汇合区域,血管结构在在病变图像视盘定位中有更稳定的性能。因此近年来,学者们更倾向于借助血管结构特征来定位视盘。一般是在提取了眼底图像中的血管和血管方向,然后利用视盘区域的血管分布特征对视盘区域进行自动检测。血管结构特征相对稳定可靠,因此这类方法的准确率较高。然而这一类方法最主要的问题在于血管提取本身就是一个非常复杂且耗时的工作。
发明内容
为此,需要提供一种基于主血管拟合的视盘定位方法,用以解决现有视盘定位技术要么准确度不高、要么复杂度高、耗时大、实用性差的问题。具体的技术方案如下所示:
一种基于主血管拟合的视盘定位方法,包括步骤:对待检查眼底图像进行预处理;对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管;对主血管进行抛物线拟合计算,根据计算结果定位视盘中心。
进一步的,所述“对待检查眼底图像进行预处理”,还包括步骤:对待检查眼底图像进行绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理。
进一步的,所述“对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管”,还包括步骤:对预处理后的眼底图像通过大津算法计算阈值,并根据以下公式将灰度值大于阈值的像素认定为血管;
并根据视盘直径为图像宽度的1/8-1/5,及主血管的宽度为视盘直径的1/4构造结构元素,利用所述结构元素对已提取的血管进行腐蚀操作,去除细小血管,得到主血管。
进一步的,所述“对主血管进行抛物线拟合计算”,还包括步骤:以眼底图像左上角为原点,水平方向为X轴,垂直方向为Y轴,建立坐标系;将所述主血管中的各个像素点映射为所述坐标系的坐标;如以下公式所示,根据最小二乘法对主血管进行抛物线拟合,确定抛物线的参数,并计算抛物线的顶点,
f(x)=ax2+bx+c
进一步的,所述“根据计算结果定位视盘中心”,还包括步骤:判断所述抛物线顶点是否落在原眼底图像中,若所述抛物线顶点落在原眼底图像中,则定义所述抛物线顶点为视盘中心;若所述抛物线顶点不落在原眼底图像中,则判定所述眼底图像不包含视盘。
为解决上述问题,还提供了一种存储设备,具体的技术方案如下所示:
一种存储设备,其中存储有指令集,所述指令集用于执行:对待检查眼底图像进行预处理;对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管;对主血管进行抛物线拟合计算,根据计算结果定位视盘中心。
进一步的,所述指令集还用于执行:所述“对待检查眼底图像进行预处理”,还包括步骤:对待检查眼底图像进行绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理。
进一步的,所述指令集还用于执行:所述“对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管”,还包括步骤:对预处理后的眼底图像通过大津算法计算阈值,并根据以下公式将灰度值大于阈值的像素认定为血管;
并根据视盘直径为图像宽度的1/8-1/5,及主血管的宽度为视盘直径的1/4构造结构元素,利用所述结构元素对已提取的血管进行腐蚀操作,去除细小血管,得到主血管。
进一步的,所述指令集还用于执行:所述“对主血管进行抛物线拟合计算”,还包括步骤:以眼底图像左上角为原点,水平方向为X轴,垂直方向为Y轴,建立坐标系;将所述主血管中的各个像素点映射为所述坐标系的坐标;如以下公式所示,根据最小二乘法对主血管进行抛物线拟合,确定抛物线的参数,并计算抛物线的顶点,
f(x)=ax2+bx+c
进一步的,所述指令集还用于执行:所述“根据计算结果定位视盘中心”,还包括步骤:判断所述抛物线顶点是否落在原眼底图像中,若所述抛物线顶点落在原眼底图像中,则定义所述抛物线顶点为视盘中心;若所述抛物线顶点不落在原眼底图像中,则判定所述眼底图像不包含视盘。
本发明的有益效果是:因眼底图像中的主血管类似抛物线,而抛物线的顶点一般均落在视盘区域,故在本发明中通过对眼底图像进行预处理,对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管,对主血管进行抛物线拟合计算,根据计算结果定位视盘中心,整个过程综合利用大津算法和形态学方法,复杂度低、耗时小、实用性强,且即便当病变造成视盘外观改变,或存在一些大面积的亮色病变区域干扰时,也不会影响定位结果,整个方法效率高且准确性高,且通过该方法能判别出不包含视盘的眼底图像。
附图说明
图1为具体实施方式所述一种基于主血管拟合的视盘定位方法的流程图;
图2为具体实施方式所述眼底图像示意图;
图3为具体实施方式所述一种存储设备的模块图。
附图标记说明:
300、存储设备。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,首先对本实施方式中的一些名词做以下解释说明:
视盘:全称视神经盘,也叫视神经***,视网膜由黄斑向鼻侧约3mm处有一直径约1.5mm,境界清楚的淡红色圆盘状结构,称为视神经盘,简称视盘。
大津算法:又称为最大类间方差法,又称:OSTU,是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法。主要是利用阈值将原图像分成前景,背景两个图象。前景:用n1,csum,m1来表示在当前阈值下的前景的点数,质量矩,平均灰度后景:用n2,sum-csum,m2来表示在当前阈值下的背景的点数,质量矩,平均灰度当取最佳阈值时,背景应该与前景差别最大,关键在于如何选择衡量差别的标准,而在otsu算法中这个衡量差别的标准就是最大类间方差,在本程序中类间方差用sb表示,最大类间方差用fmax。
形态学运算中的腐蚀操作:腐蚀是一种消除边界点,使边界向内部收缩的过程。可以用来消除小且无意义的物体。腐蚀的算法:用3x3的结构元素,扫描图像的每一个像素用结构元素与其覆盖的二值图像做“与”操作如果都为1,结果图像的该像素为1。否则为0。结果:使二值图像减小一圈。
如图2所示,眼底图像中的主血管类似抛物线,而抛物线的顶点一般均落在视盘区域。
在本实施方式中,一种基于主血管拟合的视盘定位方法可应用在一种存储设备上,在本实施方式中,一种存储设备可以是智能手机、平板电脑、台式PC、笔记本电脑、PDA等等。
在本实施方式中,一种基于主血管拟合的视盘定位方法的具体实施方式如下:
步骤S101:对待检查眼底图像进行预处理。可采用如下方式:对待检查眼底图像进行绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理。通过对眼底图像预处理,可去除眼底图像中多余的背景,有效去噪,更有利于后续眼底图像分析的进行。具体如下:任意一幅彩色眼底图像中,蓝色通道下噪声较多,有用的信息基本丢失,红色通道下两斑较为突出,而暗色的血管、微血管瘤等信息丢失较多,故在本实施方式中对待检查的彩色眼底图像进行绿色通道选择,最大程度地保留、突出眼底血管。
为去除噪声,且能较好地保留边界信息,本实施方式中对绿色通道下的眼底图像进行中值滤波,实现去噪;
为能获得更好的血管提取的效果,对已经去噪的图像进行对比度增强。为避免图像增强后出现过亮的情况,本实施方式中采用有限的对比度增强方法CLAHE。最后,进行归一化处理,使得一幅图像中所有像素点的像素值均落在0-1之间。
步骤S102:对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管。可采用如下方式:对预处理后的眼底图像通过大津算法计算阈值,并根据以下公式将灰度值大于阈值的像素认定为血管;
并根据视盘直径为图像宽度的1/8-1/5,及主血管的宽度为视盘直径的1/4构造结构元素,利用所述结构元素对已提取的血管进行腐蚀操作,去除细小血管,得到主血管。
得到主血管后,执行步骤S103:对主血管进行抛物线拟合计算,根据计算结果定位视盘中心。可采用如下方式:以眼底图像左上角为原点,水平方向为X轴,垂直方向为Y轴,建立坐标系;
将所述主血管中的各个像素点映射为所述坐标系的坐标;
如以下公式所示,根据最小二乘法对主血管进行抛物线拟合,确定抛物线的参数,并计算抛物线的顶点,
f(x)=ax2+bx+c
判断所述抛物线顶点是否落在原眼底图像中,若所述抛物线顶点落在原眼底图像中,则定义所述抛物线顶点为视盘中心;若所述抛物线顶点不落在原眼底图像中,则判定所述眼底图像不包含视盘。
因眼底图像中的主血管类似抛物线,而抛物线的顶点一般均落在视盘区域,故在本发明中通过对眼底图像进行预处理,对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管,对主血管进行抛物线拟合计算,根据计算结果定位视盘中心,整个过程综合利用大津算法和形态学方法,复杂度低、耗时小、实用性强,且即便当病变造成视盘外观改变,或存在一些大面积的亮色病变区域干扰时,也不会影响定位结果,整个方法效率高且准确性高,且通过该方法能判别出不包含视盘的眼底图像。
请参阅图3,在本实施方式中,一种存储设备300的具体实施方式如下:
一种存储设备300,其中存储有指令集,所述指令集用于执行:对待检查眼底图像进行预处理;对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管;对主血管进行抛物线拟合计算,根据计算结果定位视盘中心。
进一步的,所述指令集还用于执行:所述“对待检查眼底图像进行预处理”,还包括步骤:对待检查眼底图像进行绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理。任意一幅彩色眼底图像中,蓝色通道下噪声较多,有用的信息基本丢失,红色通道下两斑较为突出,而暗色的血管、微血管瘤等信息丢失较多,故在本实施方式中对待检查的彩色眼底图像进行绿色通道选择,最大程度地保留、突出眼底血管。
为去除噪声,且能较好地保留边界信息,本实施方式中对绿色通道下的眼底图像进行中值滤波,实现去噪;
为能获得更好的血管提取的效果,对已经去噪的图像进行对比度增强。为避免图像增强后出现过亮的情况,本实施方式中采用有限的对比度增强方法CLAHE。最后,进行归一化处理,使得一幅图像中所有像素点的像素值均落在0-1之间。
进一步的,所述指令集还用于执行:所述“对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管”,还包括步骤:对预处理后的眼底图像通过大津算法计算阈值,并根据以下公式将灰度值大于阈值的像素认定为血管;
并根据视盘直径为图像宽度的1/8-1/5,及主血管的宽度为视盘直径的1/4构造结构元素,利用所述结构元素对已提取的血管进行腐蚀操作,去除细小血管,得到主血管。
进一步的,所述指令集还用于执行:所述“对主血管进行抛物线拟合计算”,还包括步骤:以眼底图像左上角为原点,水平方向为X轴,垂直方向为Y轴,建立坐标系;将所述主血管中的各个像素点映射为所述坐标系的坐标;如以下公式所示,根据最小二乘法对主血管进行抛物线拟合,确定抛物线的参数,并计算抛物线的顶点,
f(x)=ax2+bx+c
进一步的,所述指令集还用于执行:所述“根据计算结果定位视盘中心”,还包括步骤:判断所述抛物线顶点是否落在原眼底图像中,若所述抛物线顶点落在原眼底图像中,则定义所述抛物线顶点为视盘中心;若所述抛物线顶点不落在原眼底图像中,则判定所述眼底图像不包含视盘。
因眼底图像中的主血管类似抛物线,而抛物线的顶点一般均落在视盘区域,故通过存储设备300上的指令集执行以下步骤:通过对眼底图像进行预处理,对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管,对主血管进行抛物线拟合计算,根据计算结果定位视盘中心,整个过程综合利用大津算法和形态学方法,复杂度低、耗时小、实用性强,且即便当病变造成视盘外观改变,或存在一些大面积的亮色病变区域干扰时,也不会影响定位结果,效率高且准确性高,且能判别出不包含视盘的眼底图像。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (10)
1.一种基于主血管拟合的视盘定位方法,其特征在于,包括步骤:
对待检查眼底图像进行预处理;
对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管;
对主血管进行抛物线拟合计算,根据计算结果定位视盘中心。
2.根据权利要求1所述的一种基于主血管拟合的视盘定位方法,其特征在于,
所述“对待检查眼底图像进行预处理”,还包括步骤:
对待检查眼底图像进行绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理。
3.根据权利要求1所述的一种基于主血管拟合的视盘定位方法,其特征在于,
所述“对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管”,还包括步骤:
对预处理后的眼底图像通过大津算法计算阈值,并根据以下公式将灰度值大于阈值的像素认定为血管;
并根据视盘直径为图像宽度的1/8-1/5,及主血管的宽度为视盘直径的1/4构造结构元素,利用所述结构元素对已提取的血管进行腐蚀操作,去除细小血管,得到主血管。
4.根据权利要求1所述的一种基于主血管拟合的视盘定位方法,其特征在于,
所述“对主血管进行抛物线拟合计算”,还包括步骤:
以眼底图像左上角为原点,水平方向为X轴,垂直方向为Y轴,建立坐标系;
将所述主血管中的各个像素点映射为所述坐标系的坐标;
如以下公式所示,根据最小二乘法对主血管进行抛物线拟合,确定抛物线的参数,并计算抛物线的顶点,
f(x)=ax2+bx+c
5.根据权利要求4所述的一种基于主血管拟合的视盘定位方法,其特征在于,
所述“根据计算结果定位视盘中心”,还包括步骤:
判断所述抛物线顶点是否落在原眼底图像中,若所述抛物线顶点落在原眼底图像中,则定义所述抛物线顶点为视盘中心;若所述抛物线顶点不落在原眼底图像中,则判定所述眼底图像不包含视盘。
6.一种存储设备,其中存储有指令集,其特征在于,所述指令集用于执行:
对待检查眼底图像进行预处理;
对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管;
对主血管进行抛物线拟合计算,根据计算结果定位视盘中心。
7.根据权利要求6所述的一种存储设备,其特征在于,所述指令集还用于执行:
所述“对待检查眼底图像进行预处理”,还包括步骤:
对待检查眼底图像进行绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理。
8.根据权利要求6所述的一种存储设备,其特征在于,所述指令集还用于执行:
所述“对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管”,还包括步骤:
对预处理后的眼底图像通过大津算法计算阈值,并根据以下公式将灰度值大于阈值的像素认定为血管;
并根据视盘直径为图像宽度的1/8-1/5,及主血管的宽度为视盘直径的1/4构造结构元素,利用所述结构元素对已提取的血管进行腐蚀操作,去除细小血管,得到主血管。
9.根据权利要求6所述的一种存储设备,其特征在于,所述指令集还用于执行:
所述“对主血管进行抛物线拟合计算”,还包括步骤:
以眼底图像左上角为原点,水平方向为X轴,垂直方向为Y轴,建立坐标系;
将所述主血管中的各个像素点映射为所述坐标系的坐标;
如以下公式所示,根据最小二乘法对主血管进行抛物线拟合,确定抛物线的参数,并计算抛物线的顶点,
f(x)=ax2+bx+c
10.根据权利要求9所述的一种存储设备,其特征在于,所述指令集还用于执行:
所述“根据计算结果定位视盘中心”,还包括步骤:
判断所述抛物线顶点是否落在原眼底图像中,若所述抛物线顶点落在原眼底图像中,则定义所述抛物线顶点为视盘中心;若所述抛物线顶点不落在原眼底图像中,则判定所述眼底图像不包含视盘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811014375.8A CN109101950A (zh) | 2018-08-31 | 2018-08-31 | 一种基于主血管拟合的视盘定位方法与存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811014375.8A CN109101950A (zh) | 2018-08-31 | 2018-08-31 | 一种基于主血管拟合的视盘定位方法与存储设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109101950A true CN109101950A (zh) | 2018-12-28 |
Family
ID=64864712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811014375.8A Pending CN109101950A (zh) | 2018-08-31 | 2018-08-31 | 一种基于主血管拟合的视盘定位方法与存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101950A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110519485A (zh) * | 2019-09-09 | 2019-11-29 | 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 |
CN111507932A (zh) * | 2019-01-31 | 2020-08-07 | 福州依影健康科技有限公司 | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 |
CN114387209A (zh) * | 2021-12-03 | 2022-04-22 | 依未科技(北京)有限公司 | 眼底结构特征确定的方法、装置、介质和设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842136A (zh) * | 2012-07-19 | 2012-12-26 | 湘潭大学 | 一种综合血管分布和视盘外观特性的视盘投影定位方法 |
CN104463140A (zh) * | 2014-12-23 | 2015-03-25 | 天津工业大学 | 一种彩色眼底图像视盘自动定位方法 |
US20170337689A1 (en) * | 2016-05-20 | 2017-11-23 | Yung-Hui Li | Method for validating segmentation of objects with arbitrary shapes |
-
2018
- 2018-08-31 CN CN201811014375.8A patent/CN109101950A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842136A (zh) * | 2012-07-19 | 2012-12-26 | 湘潭大学 | 一种综合血管分布和视盘外观特性的视盘投影定位方法 |
CN104463140A (zh) * | 2014-12-23 | 2015-03-25 | 天津工业大学 | 一种彩色眼底图像视盘自动定位方法 |
US20170337689A1 (en) * | 2016-05-20 | 2017-11-23 | Yung-Hui Li | Method for validating segmentation of objects with arbitrary shapes |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507932A (zh) * | 2019-01-31 | 2020-08-07 | 福州依影健康科技有限公司 | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 |
CN111507932B (zh) * | 2019-01-31 | 2023-05-09 | 福州依影健康科技有限公司 | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 |
CN110519485A (zh) * | 2019-09-09 | 2019-11-29 | 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 |
CN110519485B (zh) * | 2019-09-09 | 2021-08-31 | 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 |
CN114387209A (zh) * | 2021-12-03 | 2022-04-22 | 依未科技(北京)有限公司 | 眼底结构特征确定的方法、装置、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dufour et al. | Graph-based multi-surface segmentation of OCT data using trained hard and soft constraints | |
Sekhar et al. | Automated localisation of retinal optic disk using Hough transform | |
Can et al. | Rapid automated tracing and feature extraction from retinal fundus images using direct exploratory algorithms | |
CN109101950A (zh) | 一种基于主血管拟合的视盘定位方法与存储设备 | |
AU2021202217B2 (en) | Methods and systems for ocular imaging, diagnosis and prognosis | |
Gui et al. | Optic disc localization algorithm based on improved corner detection | |
CN109784337A (zh) | 一种黄斑区识别方法、装置及计算机可读存储介质 | |
Kipli et al. | A review on the extraction of quantitative retinal microvascular image feature | |
JP2002542863A (ja) | 基底部画像の解析 | |
JP2022550669A (ja) | 網膜血管の動静脈を判別する方法及び装置 | |
CN107564048A (zh) | 基于分叉点特征配准方法 | |
CN111507932A (zh) | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 | |
CN112233789A (zh) | 一种区域特征融合的高血压视网膜病变分类方法 | |
Khan et al. | An efficient technique for retinal vessel segmentation and denoising using modified ISODATA and CLAHE | |
Lu et al. | Automatic macula detection from retinal images by a line operator | |
Mao et al. | Deep learning with skip connection attention for choroid layer segmentation in oct images | |
CN106446805A (zh) | 一种眼底照中视杯的分割方法及*** | |
Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
Liu et al. | Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images | |
CN115908237B (zh) | 一种眼裂宽度的测量方法、装置和存储介质 | |
Hunter et al. | Tram-line filtering for retinal vessel segmentation | |
Joshi et al. | Fundus image analysis for detection of fovea: A review | |
Rodtook et al. | Optic disc localization using graph traversal algorithm along blood vessel in polar retinal image | |
Revathy | Revelation of diabetics by inadequate balanced SVM | |
Sundaresan et al. | Computer-assisted grading of diabetic macular edema on retinal color fundus images |
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 |