CN110473176A - 图像处理方法及装置、眼底图像处理方法、电子设备 - Google Patents
图像处理方法及装置、眼底图像处理方法、电子设备 Download PDFInfo
- Publication number
- CN110473176A CN110473176A CN201910691283.1A CN201910691283A CN110473176A CN 110473176 A CN110473176 A CN 110473176A CN 201910691283 A CN201910691283 A CN 201910691283A CN 110473176 A CN110473176 A CN 110473176A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- pixel value
- value
- passage
- 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 53
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 title claims description 59
- 230000003902 lesion Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 6
- 201000010099 disease Diseases 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 210000004204 blood vessel Anatomy 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000015654 memory Effects 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010012689 Diabetic retinopathy Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000001631 hypertensive effect Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010018833 Haematocoele Diseases 0.000 description 1
- 208000005873 Hematocele Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 201000004920 hematocele of tunica vaginalis testis Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013526 transfer learning 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本公开提供一种图像处理方法、装置以及电子设备,该方法包括:获取待处理图像;从所述待处理图像中提取第一通道图像;对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。本公开实施例提供的技术方案可以淡化待处理图像中的背景区域,并能够突出待处理图像中的目标区域。例如可以将其应用于医学领域,使用本公开提供的技术方案以处理眼底图像,有助于提高对疾病判断的准确率,进而缩短医生的诊断时间,提高工作效率。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像处理方法及装置、眼底图像处理方法、电子设备。
背景技术
眼部成像是医学辅助诊疗的重要手段,通过眼底图像中的出血点和血管可以直接或间接的判断出许多眼部疾病,例如:高血压眼底病、糖尿病视网膜病变等。
在眼底图像(例如糖尿病视网膜病变、高血压眼底病)识别过程中,首先需要通过眼底相机获取眼底图像,然后由眼科医生依靠肉眼观察来做出诊断。但是这种识别诊断方式经常会因眼底图像中的目标区域与背景区域的区分度不高,而导致识别效率低,容易误判等。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开实施例提供的图像处理方法、装置以及电子设备能够增大待处理图像中的背景区域的像素点与目标像素点的区别,以有助于更好的进行图像的识别。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的第一个方面,提出一种图像处理方法,该方法包括:获取待处理图像;从所述待处理图像中提取第一通道图像;对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
在一些实施例中,对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标区域的像素点的像素值变小,包括:确定所述第一通道图像的目标区域;获得所述目标区域内的最大像素值和最小像素值;确定所述第一通道图像中各像素点的邻域;获得各像素点邻域内的像素均值;根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,对所述第一通道图像的各像素点进行处理。
在一些实施例中,根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,对所述第一通道图像的各像素点进行处理,包括:根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,确定各像素点的目标像素值;根据各像素点的目标像素值确定处理后的图像。
在一些实施例中,根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,确定各像素点的目标像素值,包括:基于以下公式确定第i行第j列像素点的目标像素值,
其中,G(i,j)是所述第一通道图像中第i行第j列像素点的处理前的像素值,Iw(i,j)是第i行第j列像素点的处理后的像素值,uw(i,j)是第i行第j列像素点的邻域内的像素均值,min(G)是所述目标区域内的最小像素值,max(G)是所述目标区域内的最大像素值,umax、umin和r分别是第一至第三设定参数值,其中umax>umin,N>i>0,M>j>0,N和M分别代表所述第一通道的图像的行数和列数,i、j、N和M均为大于等于1的正整数。
在一些实施例中,确定所述第一通道图像中各像素点的邻域,包括:以第i行第j列像素点为中心,以L为边长构建长方形,以形成第i行第j列像素点的邻域,其中,L为大于等于1的整数,N>i>0,M>j>0,N和M分别代表所述第一通道图像的行数和列数,i、j、N和M均为大于等于1的正整数。
在一些实施例中,所述待处理图像是眼底图像,其中所述图像处理方法还包括:通过神经网络模型对处理后的第一通道图像进行处理,获得所述待处理图像的病变结果。
在一些实施例中,所述图像处理方法还包括:基于高斯滤波对所述第一通道图像进行去噪处理。
根据本公开实施例的第二个方面,提出一种眼底图像处理方法,该方法包括:获取待处理眼底图像;从所述待处理眼底图像中提取第一颜色通道图像;对所述第一颜色通道图像进行处理,使得所述第一颜色通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
根据本公开实施例的第三个方面,提出一种图像处理装置,该装置包括:图像获取模块,配置为获取待处理图像;通道提取模块,配置为从所述待处理图像中提取第一通道图像;图像处理模块,配置为对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
根据本公开实施例的第四个方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一项方法。
根据本公开实施例的第五个方面,提出一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如上述任一项所述的方法。
本公开某些实施例提供的图像处理方法、装置及电子设备,一方面在所述待处理图像中确定了第一通道图像,能够将背景区域与目标像素点初步区分开来;另一方面通过对所述第一通道图像的处理,增大了第一通道图像中的背景区域的像素点的像素值,减小了目标像素点的像素值。通过本公开实施例提供的技术方案对待处理图像进行处理,能够对图像中某些感兴趣的特征进行强调,对不感兴趣的特征进行抑制,使图像质量得到改善、信息得到丰富,提高图了图像判断和识别效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了可以应用于本公开实施例的图像处理方法、眼底图像处理方法、图像处理装置或眼底图像处理装置的示例性***架构的示意图。
图2是根据相关技术示意性的示出了一种眼底图像。
图3是根据一示例性实施例示出的一种图像处理方法的流程图。
图4是根据一示例性实施例示出的一种原始眼底图像和增强前绿色通道眼底图像的对比图。
图5是图3中步骤S3在一示例性实施例中的流程图。
图6是根据一示例性实施例示出的一种确定像素点邻域的示意图。
图7是图5中的步骤S35在一示例性实施例中的流程图。
图8是根据一示例性实施例示出的一种原始眼底图像和增强后绿色通道眼底图像的对比图。
图9是根据一示例性实施例示出的一种眼底图像处理方法的流程图。
图10是根据一示例性实施例示出的一种图像处理方法的实现过程的示意图。
图11是根据一示例性实施例示出的一种图像处理装置的框图。
图12是根据一示例性实施例示出的一种眼底图像处理装置的框图。
图13是根据一示例性实施例示出的一种应用于图像处理装置或者眼底图像处理装置的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和步骤,也不是必须按所描述的顺序执行。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本说明书中,用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等;用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”、“第二”和“第三”等仅作为标记使用,不是对其对象的数量限制。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出了可以应用于本公开实施例的图像处理方法、眼底图像处理方法、图像处理装置或眼底图像处理装置的示例性***架构的示意图。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。其中,终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理,并将处理结果反馈给终端设备。
在一些实施例中,服务器105可例如获取待处理图像;服务器105可例如从所述待处理图像中提取第一通道图像;服务器105可例如对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
在另外一些实施例中,服务器105可例如获取待处理眼底图像;服务器105可例如从所述待处理眼底图像中提取第一颜色通道图像;服务器105可例如对所述第一颜色通道图像进行处理,使得所述第一颜色通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的,服务器105可以是一个实体的服务器,还可以为多个服务器组成,根据实际需要,可以具有任意数目的终端设备、网络和服务器。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能图像识别、智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
计算机视觉技术(Computer Vision,CV)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图像处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition,光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D(3 Dimensions,三维)技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
在相关技术中,通常可以通过调节图像的亮度和对比度来强调目标图像中感兴趣的点,以便于进行图像处理、图像识别或者图像检索等。比如,可以使用公式(1)调节目标图像的亮度或者对比度。
g(x,y)=a*f(x,y)+b (1)
其中,f(x,y)代表图像中第x行、第j列的像素点进行调节之前的值,g(x,y)代表图像中第x行、第j列的像素点调节之后的值。其中,X>x>0,Y>y>0,X和Y分别代表所述目标图像的行数和列数,a和b都是预设的参数,x,y,X,Y均为大于等于1的正整数。
在一些实施例中,调整图像的亮度和对比度可以一定程度上改善图像的视觉效果,但是该方法对于那些兴趣区域与背景区域颜色相同或者相近的图像来说,增强效果不佳。
举例来说,在眼部医疗中,通常需要通过眼底相机获取眼底RGB(Red,Green,Blue,红绿蓝)图像,然后根据眼底图像中的血管或者眼底病灶(如出血点、微动脉瘤或者积血等)区域等判断眼底是否发生病变以及判断发生何种病变。对于眼底图像来说,该眼底图像的背景色彩整体偏红,而眼底病灶(如出血点)区域和血管也都是红色,如果仅仅通过调整亮度和对比度则无法有效的突出眼底病灶区域和血管,进而无法满足病变识别的需求。
图2是根据相关技术示意性的示出了一种眼底图像。
如图2所示,眼底病灶200、血管以及眼底图像的背景不仅颜色相近(实际是红色,但在本公开中并未显示)而且像素值也相近,使得眼底病灶200的特征并不明显,即使通过亮度调节或者对比度调节也无法将上述眼底病灶200、血管与眼底背景进行很好的区分。
图3是根据一示例性实施例示出的一种图像处理方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理,例如上述图1实施例中的服务器105和/或终端设备102、103,在下面的实施例中,以服务器105为执行主体为例进行举例说明,但本公开并不限定于此。
参照图3,本公开实施例提供的图像处理方法可以包括以下步骤。
在步骤S1中,获取待处理图像。
在一些实施例中,所述待处理图像可以指的是RGB图像、HSV(Hue,Saturation,Value,色度、饱和度以及纯度值)图像等。
在步骤S2中,从所述待处理图像中提取第一通道图像。
在一些实施例中,所述待处理图像可以是RGB图像等具备多个通道的图像。
在一些实施例中,所述待处理图像中的特征点的颜色和背景色很相近,在所述待处理图像中(比如说RGB图像)无法将特征点很好地区分出来。
比如说,对于通过眼底相机获取的眼底图像来说,特征点(比如血管、病灶区域等)颜色与背景色颜色相近(都为红色),通过眼底相机直接获取的眼底图像无法很好的将所述特征点与背景区分开来。
在一些实施例中,可以选择与背景色颜色对比比较明显的颜色所对应的通道图像作为所述第一通道图像。例如,对于眼底相机获取的眼底RGB图像来说,眼底图像的背景色为红色,与红色对比比较明显的就是绿色,所以可以从所述眼底RGB图像中提取绿色通道图像作为所述第一通道图像。
如图4所示,左边图像代表了通过眼底相机获取的眼底图像(将RGB图像转换为灰度图像进行显示),右边图像代表了在所述眼底图像中提取的绿色通道图像。通过图4可以发现,通过右边所示的绿色通道图像可以更加清晰的观察到眼底病灶区域400。
在一些实施例中,可以基于高斯滤波对所述第一通道图像进行去噪处理。
在一些实施例中,可以基于以下公式完成对图像的去噪处理。
IGauss(i,j)=α*G(i,j)+βGauss(i,j;σ)**G(i,j)+μ (2)
其中IGauss(i,j)代表所述第一通道图像中第i行第j列像素点去噪之后的像素值,G(i,j)代表所述第一通道图像中第i行第j列像素点去噪之前的像素值,Gauss(i,j;σ)代表所述待处理图像中第i行第j列像素点位置处,大小为σ的高斯核,α和β是放大倍数,μ是偏置参数,**表示卷积运算。
在一些实施例中,可以令σ=10,α=4,β=-4,μ=128。
在一些实施例中,可以通过上述方法对所述第一通道图像进行滤波处理,以使得所述第一通道图像更加平滑。
在步骤S3中,对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
在一些实施例中,可以对所述第一通道图像进行图像处理,以使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
上述实施例提供的图像处理方法、装置及电子设备,一方面在所述待处理图像中确定了第一通道图像,能够将背景区域与目标像素点初步区分开来;另一方面通过对所述第一通道图像的处理,增大了第一通道图像中的背景区域的像素点的像素值,减小了目标像素点的像素值。通过本公开实施例提供的技术方案对待处理图像进行处理,能够对图像中某些感兴趣的特征进行强调,对不感兴趣的特征进行抑制,使图像质量得到改善、信息得到丰富,提高图了图像判断和识别效果。
图5是图3中步骤S3在一示例性实施例中的流程图。如图5示,本公开实施例中上述步骤S3可以包括以下步骤。
在步骤S31中,确定所述第一通道图像的目标区域。
在一些实施例中,上述第一通道图像通常会包括一些非目标物体的背景。例如,对于如图2所示的眼底图像来说,该图像中不仅包括眼底图像,也包括一些背景区域(如四个角区域的黑色背景)。
在一些实施例中,可以将所述第一通道图像中的背景区域处理掉,只保留目标物体的图像。如图2所示,在该眼底图像四个角区域都是黑色背景。为了更好的对眼底图像进行处理,可以将四个角的黑色区域背景去掉,仅包留眼底边缘内部的像素,以生成所述第一通道图像的目标区域。
在步骤S32中,获得所述目标区域内的最大像素值和最小像素值。
在一些实施例中,可以在所述目标区域中确定一个最大像素值和一个最小像素值。
在步骤S33中,确定所述第一通道图像中各像素点的邻域。
在一些实施例中,所述邻域指的是像素点周围的区域。
在一些实施例中,可以以第i行第j列像素点为中心,以L为边长构建长方形,以形成第i行第j列像素点的邻域,其中,L为大于等于1的整数,N>i>0,M>j>0,N和M分别代表所述第一通道图像的行数和列数,i、j、N和M均为大于等于1的正整数。
在一些实施例中,可以取L=50构建第i行第j列像素点的邻域。
如图6所示,可以以第i行第j列的像素点为中心,以L为边长构建长方形。
在一些实施例中,可以为所述第一通道图像中的各像素点分别确定一个邻域。
在步骤S34中,获得各像素点邻域内的像素均值。
在一些实施例中,当像素点的邻域确定之后,该邻域内包括的各像素点的像素值也可以确定,根据邻域内各像素点的像素值可以确定所述邻域内的像素均值。
在步骤S35中,根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,对所述第一通道图像的各像素点进行处理。
在一些实施例中,可以根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,对所述第一通道图像的各像素点进行处理,以使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
上述实施例,不仅在所述第一通道图像中确定了目标区域,减少了图像背景对包括目标物体的目标区域的影响,还根据上述最大像素值、最小像素值以及各像素点邻域内的像素均值对所述第一通道图像进行了处理,使得所述第一通道图像中的特征点与背景色的区别更加明显。
图7是图5中的步骤S35在一示例性实施例中的流程图。如图5所示,在公开实施例中上述步骤S35可以包括以下步骤。
在步骤S351中,根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,确定各像素点的目标像素值。
在一些实施例中,可以根据所述目标区域的最大像素值、最小像素值以及各个像素点邻域内的像素均值对应的确定各像素点的目标像素值。
在一些实施例中,可以在第一通道图像中的目标区域确定最大像素值、最小像素值以及各像素点邻域内的像素均值,然后根据上述参数可以分别对应的确定各像素点的目标像素值。
在一些实施例中,可以基于以下公式确定第i行第j列像素点的目标像素值,
其中,G(i,j)是所述第一通道图像中第i行第j列像素点的处理前的像素值,Iw(i,j)是第i行第j列像素点的处理后的像素值,uw(i,j)是第i行第j列像素点的邻域内的像素均值,min(G)是所述目标区域内的最小像素值,max(G)是所述目标区域内的最大像素值,umax、umin和r分别是第一至第三设定参数值,其中umax>umin,N>i>0,M>j>0,N和M分别代表所述第一通道的图像的行数和列数,i、j、N和M均为大于等于1的正整数。
在一些实施例中,r=2,umax=1,umin=0。
在一些实施例中,可以根据上述公式分别确定所述第一通道图像中各个像素点的目标像素值。
需要说明的是,上述确定第i行第j列像素点的目标像素值的计算方式并不限于上述举例,还可以对其进行适当的变形,例如,在上述公式中将条件对调一下,即令上方公式对应于条件G(i,j)>uw(i,j),而下方公式对应于条件G(i,j)>uw(i,j)。
在一些实施例中,可以根据以上方法对眼底相机获取的眼底图像中的绿色通道图像进行处理。在该绿色通道图像中,眼底背景颜色较浅,像素值较大,而血管和病灶区域颜色较深,趋于黑色,像素值较小。
在一些实施例中,血管以及病灶区域内的像素点对应的邻域内的均值uw(i,j)一般会小于背景像素值。浅色背景对应的像素点(即该像素点大于对应邻域内均值)的值越是接近max(G)时,转换后的背景像素点的像素值会越大(对应的颜色越浅),而血管以及病灶区域内的像素点的值(血管像素点的值一般小于对应邻域均值)越是靠近min(G)时,转换后的像素点值越小(对应的颜色越深)。
在步骤S352中,根据各像素点的目标像素值确定处理后的图像。
在一些实施例中,当各个像素点的目标像素值确定之后,就可以确定处理后的图像。
通过上述实施例提供的技术方案对上述眼底图像进行处理后,可以得到如图8右图所示的处理后的绿色通道的眼底图像。
如图8所示,右图中的病灶区域800与眼底背景的比更加突出,相比于左图更加清晰,。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请实施例提供的方案涉及了机器学习等技术,具体通过如下实施例进行说明。
在一些实施例中,可以通过人工对上述处理后的第一通道的图像进行处理、判断,以获取有用信息。例如,在医疗领域,眼科医生可以根据处理后的绿色通道的眼底图像对疾病进行判断。
在另外一些实施例中,还可以通过神经网络模型对处理后的第一通道图像进行处理,获得所述待处理图像的病变结果。例如,可以训练神经网络模型对所述处理后的第一通道图像进行处理,以确定所述待处理图像的病变结果。
在一些实施例中,通过神经网络对所述第一通道图像进行处理,可以智能、高效的对所述第一通道图像进行判断,以获得所述待处理图像的病变结果,极大地节约了人力。
图9是根据一示例性实施例示出的一种眼底图像处理方法的流程图。如图9所示,上述眼底图像处理方法可以包括以下步骤。
步骤S901,获取待处理眼底图像。
在一些实施例中,可以通过眼底相机获取眼底的RGB图像,以作为所述待处理眼底图像。
步骤S902,从所述待处理眼底图像中提取第一颜色通道图像。
在一些实施例中,可以从所述待处理眼底图像中提取绿色通道图像,以作为所述第一颜色通道图像。
步骤S903,对所述第一颜色通道图像进行处理,使得所述第一颜色通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
在一些实施例中,可以基于高斯滤波对所述绿色通道图像进行去噪处理。例如,可以通过上述公式(2)完成对所述绿色通道图像的去噪处理。
通过上述方法对所述绿色通道眼底图像进行滤波处理,可以使得图像更加平滑。
在一些实施例中,可以在所述绿色通道图像中确定目标区域。即,可以将如图2所示的绿色通道图像中的四个角的黑色区域背景去掉,仅包留眼底边缘内部的像素,以生成所述绿色通道图像的目标区域。
在一些实施例中,可以在所述绿色通道图像的目标区域确定一个最大像素值和一个最小像素值。
在一些实施例中,可以根据图6所示的方法为所述绿色通道图像中的各个像素点分别确定一个邻域,并获得各像素点邻域内的像素均值。
在一些实施例中,可以用过公式(3)为所述绿色通道眼底图像中各像素点分别确定一个目标像素值。
在一些实施例中,可以根据各个像素点的目标像素值确定处理后的绿色通道图像。其中,处理后的绿色通道图像中的背景区域的像素点的像素值变大,目标像素点(血管以及病灶区域)的像素值变小。
在医学领域使用本公开提供的技术方案以处理眼底图像,有助于提高对疾病判断的准确率,进而缩短医生的诊断时间,提高工作效率。
上述实施例提供的眼底图像处理方法,在所述待处理眼底图像中确定了绿色通道图像,能够将背景区域与目标像素点(血管以及病灶区域)初步区分开来;另外通过对所述绿色通道图像的处理,增大了绿色通道图像中的背景区域的像素点的像素值,减小了目标像素点的像素值。通过本公开实施例提供的技术方案对所述待处理眼底图像进行处理,能够对图像中某些感兴趣的特征进行强调,对不感兴趣的特征进行抑制,使图像质量得到改善、信息得到丰富,提高图了图像判断和识别效果。
图10是根据一示例性实施例示出的一种图像处理方法的实现过程的示意图。
如图10所示,所述图像处理方法的实现包括以下过程。
第一客户端接收用户输入的所述待处理图像(或所述待处理眼底图像),并将所述待处理图像(或所述待处理眼底图像)向后端传输;所述后端根据上述实施例提供的图像处理方法(或眼底图像处理方法)对所述待处理图像(或所述待处理眼底图像)进行处理,以使得所述待处理图像中背景区域的像素点的像素值增大,目标像素点的像素值变下;所述后端将处理完后的待处理图像(或待处理眼底图像)发送给第二客户端,以用于显示或者进一步图像处理。
在一些实施例中,上述第一客户端可以包括但不限于电脑、手机平板等具备图像信息录入功能的硬件,上述后端和所述第二客户端可以是包括但不限于服务器、手机、膝上型便携计算机和台式计算机等具备计算功能的电子设备。
图11是根据一示例性实施例示出的一种图像处理装置的框图。参照图11,本公开实施例提供的图像处理装置1100可以包括:图像获取模块1101、通道提取模块1102和图像处理模块1103。
其中,所述图像获取模块1101可以配置为获取待处理图像;通道提取模块1102可以配置为从所述待处理图像中提取第一通道图像;图像处理模块1103可以配置为对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
在一些实施例中,所述图像处理模块1103可以包括:目标区域确定子模块、最值确定子模块、邻域确定子模块、均值确定子模块以及图像处理子模块。
其中,所述目标区域确定子模块可以配置为确定所述第一通道图像的目标区域;最值确定子模块可以配置为获得所述目标区域内的最大像素值和最小像素值;邻域确定子模块可以配置为确定所述第一通道图像中各像素点的邻域;均值确定子模块可以配置为获得各像素点邻域内的像素均值;以及图像处理子模块可以配置为根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,对所述第一通道图像的各像素点进行处理。
在一些实施例中,所述图像处理子模块可以包括:目标像素值确定单元和图像处理单元。
其中,所述目标像素值确定单元可以配置为根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,确定各像素点的目标像素值;图像处理单元可以配置为根据各像素点的目标像素值确定处理后的图像。
在一些实施例中,所述目标像素值确定单元还可以配置为:基于以下公式确定第i行第j列像素点的目标像素值,
其中,G(i,j)是所述第一通道图像中第i行第j列像素点的处理前的像素值,Iw(i,j)是第i行第j列像素点的处理后的像素值,uw(i,j)是第i行第j列像素点的邻域内的像素均值,min(G)是所述目标区域内的最小像素值,max(G)是所述目标区域内的最大像素值,umax、umin和r分别是第一至第三设定参数值,其中umax>umin,N>i>0,M>j>0,N和M分别代表所述第一通道的图像的行数和列数,i、j、N和M均为大于等于1的正整数。
在一些实施例中,所述邻域确定子模块还可以配置为:以第i行第j列像素点为中心,以L为边长构建长方形,以形成第i行第j列像素点的邻域,其中,L为大于等于1的整数,N>i>0,M>j>0,N和M分别代表所述第一通道图像的行数和列数,i、j、N和M均为大于等于1的正整数。
在一些实施例中,所述图像处理装置1100还可以包括病变判断模块,所述病变判断模块可以配置为:通过神经网络模型对处理后的第一通道图像进行处理,获得所述待处理图像的病变结果。
在一些实施例中,所述图像处理装置1100还可以包括去噪模块,所述去噪模块可以配置为:基于高斯滤波对所述第一通道图像进行去噪处理。
由于本公开的示例实施例的图像处理装置1100的各个功能模块与上述图像处理方法的示例实施例的步骤对应,因此在此不再赘述。
图12是根据一示例性实施例示出的一种眼底图像处理装置的框图。参照图12,本公开实施例提供的图像处理装置1200可以包括:眼底图像获取模块1201、第一通道提取模块1202和眼底图像处理模块1203。
其中,所述眼底图像获取模块1201可以配置为获取待处理眼底图像;所述第一通道提取模1202块可以配置为从所述待处理眼底图像中提取第一颜色通道图像;所述眼底图像处理模块1203可以配置为对所述第一颜色通道图像进行处理,使得所述第一颜色通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
由于本公开的示例实施例的图像处理装置1200的各个功能模块与上述眼底图像处理方法的示例实施例的步骤对应,因此在此不再赘述。
下面参考图13,其示出了适于用来实现本申请实施例的终端设备的计算机***1300的结构示意图。图13示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图13所示,计算机***1300包括中央处理单元(CPU)1301,其可以根据存储在只读存储器(ROM)1302中的程序或者从储存部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。在RAM 1303中,还存储有***1300操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
以下部件连接至I/O接口1305:包括键盘、鼠标等的输入部分1306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307;包括硬盘等的储存部分1308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1310上,以便于从其上读出的计算机程序根据需要被安装入储存部分1308。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1309从网络上被下载和安装,和/或从可拆卸介质1311被安装。在该计算机程序被中央处理单元(CPU)1301执行时,执行本申请的***中限定的上述功能。
需要说明的是,本申请所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块和/或子模块和/或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块和/或子模块和/或单元也可以设置在处理器中,例如,可以描述为:一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中,这些模块和/或子模块和/或单元的名称在某种情况下并不构成对该模块和/或子模块和/或单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备可实现功能包括:获取待处理图像;从所述待处理图像中提取第一通道图像;对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法,例如图3的一个或多个所示的步骤。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不限于这里已经示出的详细结构、附图方式或实现方法,相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取待处理图像;
从所述待处理图像中提取第一通道图像;
对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
2.根据权利要求1所述方法,其特征在于,对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标区域的像素点的像素值变小,包括:
确定所述第一通道图像的目标区域;
获得所述目标区域内的最大像素值和最小像素值;
确定所述第一通道图像中各像素点的邻域;
获得各像素点邻域内的像素均值;
根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,对所述第一通道图像的各像素点进行处理。
3.根据权利要求2所述方法,其特征在于,根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,对所述第一通道图像的各像素点进行处理,包括:
根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,确定各像素点的目标像素值;
根据各像素点的目标像素值确定处理后的图像。
4.根据权利要求3所述方法,其特征在于,根据所述最大像素值、所述最小像素值以及各像素点邻域内的像素均值,确定各像素点的目标像素值,包括:基于以下公式确定第i行第j列像素点的目标像素值,
其中,G(i,j)是所述第一通道图像中第i行第j列像素点的处理前的像素值,Iw(i,j)是第i行第j列像素点的处理后的像素值,uw(i,j)是第i行第j列像素点的邻域内的像素均值,min(G)是所述目标区域内的最小像素值,max(G)是所述目标区域内的最大像素值,umax、umin和r分别是第一至第三设定参数值,其中umax>umin,N>i>0,M>j>0,N和M分别代表所述第一通道的图像的行数和列数,i、j、N和M均为大于等于1的正整数。
5.根据权利要求2所述方法,其特征在于,确定所述第一通道图像中各像素点的邻域,包括:
以第i行第j列像素点为中心,以L为边长构建长方形,以形成第i行第j列像素点的邻域,其中,L为大于等于1的整数,N>i>0,M>j>0,N和M分别代表所述第一通道图像的行数和列数,i、j、N和M均为大于等于1的正整数。
6.根据权利要求1所述方法,其特征在于,所述待处理图像是眼底图像;其中,所述方法还包括:
通过神经网络模型对处理后的第一通道图像进行处理,获得所述待处理图像的病变结果。
7.根据权利要求1所述方法,其特征在于,还包括:
基于高斯滤波对所述第一通道图像进行去噪处理。
8.一种眼底图像处理方法,其特征在于,包括:
获取待处理眼底图像;
从所述待处理眼底图像中提取第一颜色通道图像;
对所述第一颜色通道图像进行处理,使得所述第一颜色通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
9.一种图像处理装置,其特征在于,包括:
图像获取模块,配置为获取待处理图像;
通道提取模块,配置为从所述待处理图像中提取第一通道图像;
图像处理模块,配置为对所述第一通道图像进行处理,使得所述第一通道图像中的背景区域的像素点的像素值增大,目标像素点的像素值变小。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910691283.1A CN110473176B (zh) | 2019-07-29 | 2019-07-29 | 图像处理方法及装置、眼底图像处理方法、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910691283.1A CN110473176B (zh) | 2019-07-29 | 2019-07-29 | 图像处理方法及装置、眼底图像处理方法、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110473176A true CN110473176A (zh) | 2019-11-19 |
CN110473176B CN110473176B (zh) | 2024-04-19 |
Family
ID=68509843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910691283.1A Active CN110473176B (zh) | 2019-07-29 | 2019-07-29 | 图像处理方法及装置、眼底图像处理方法、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473176B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738949A (zh) * | 2020-06-19 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种图像亮度的调整方法、装置、电子设备及存储介质 |
CN113744364A (zh) * | 2021-02-09 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 图像处理方法和装置 |
CN114842578A (zh) * | 2022-04-26 | 2022-08-02 | 深圳市凯迪仕智能科技有限公司 | 智能锁、拍摄控制方法及相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533511A (zh) * | 2009-04-14 | 2009-09-16 | 清华大学 | 更新背景图像的方法和装置 |
US20100195883A1 (en) * | 2007-06-28 | 2010-08-05 | Patriarche Julia W | System and method for automatically generating sample points from a series of medical images and identifying a significant region |
US20100246947A1 (en) * | 2009-03-30 | 2010-09-30 | Digital Business Processes, Inc. | Image background enhancement for color images |
US8059892B1 (en) * | 2008-10-01 | 2011-11-15 | Hewlett-Packard Development Company, L.P. | Image enhancement method and apparatus |
CN104318570A (zh) * | 2014-10-29 | 2015-01-28 | 沈阳建筑大学 | 一种基于背景的自适应迷彩伪装设计方法 |
CN106558031A (zh) * | 2016-12-02 | 2017-04-05 | 北京理工大学 | 一种基于成像模型的彩色眼底图的图像增强方法 |
CN107180421A (zh) * | 2016-03-09 | 2017-09-19 | 中兴通讯股份有限公司 | 一种眼底图像病变检测方法及装置 |
CN109377462A (zh) * | 2018-10-23 | 2019-02-22 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
-
2019
- 2019-07-29 CN CN201910691283.1A patent/CN110473176B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100195883A1 (en) * | 2007-06-28 | 2010-08-05 | Patriarche Julia W | System and method for automatically generating sample points from a series of medical images and identifying a significant region |
US8059892B1 (en) * | 2008-10-01 | 2011-11-15 | Hewlett-Packard Development Company, L.P. | Image enhancement method and apparatus |
US20100246947A1 (en) * | 2009-03-30 | 2010-09-30 | Digital Business Processes, Inc. | Image background enhancement for color images |
CN101533511A (zh) * | 2009-04-14 | 2009-09-16 | 清华大学 | 更新背景图像的方法和装置 |
CN104318570A (zh) * | 2014-10-29 | 2015-01-28 | 沈阳建筑大学 | 一种基于背景的自适应迷彩伪装设计方法 |
CN107180421A (zh) * | 2016-03-09 | 2017-09-19 | 中兴通讯股份有限公司 | 一种眼底图像病变检测方法及装置 |
CN106558031A (zh) * | 2016-12-02 | 2017-04-05 | 北京理工大学 | 一种基于成像模型的彩色眼底图的图像增强方法 |
CN109377462A (zh) * | 2018-10-23 | 2019-02-22 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
Non-Patent Citations (3)
Title |
---|
JESÚS DARÍO ROMERO; MARÍA J. LADO; ARTURO J. MÉNDEZ: "A Background Modeling and Foreground Detection Algorithm Using Scaling Coefficients Defined With a Color Model Called Lightness-Red-Green-Blue", IEEE TRANSACTIONS ON IMAGE PROCESSING, vol. 27, no. 3, XP011674892, DOI: 10.1109/TIP.2017.2776742 * |
王凯捷: "邻域滤波算法的GPU加速研究与实现", 中国优秀博士学位论文全文数据库信息科技辑 * |
王海鸥;刘慧;郭强;邓凯;张彩明;: "面向医学图像分割的超像素U-Net网络设计", 计算机辅助设计与图形学学报, no. 06 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738949A (zh) * | 2020-06-19 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种图像亮度的调整方法、装置、电子设备及存储介质 |
CN111738949B (zh) * | 2020-06-19 | 2024-04-05 | 北京百度网讯科技有限公司 | 一种图像亮度的调整方法、装置、电子设备及存储介质 |
CN113744364A (zh) * | 2021-02-09 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 图像处理方法和装置 |
CN113744364B (zh) * | 2021-02-09 | 2024-04-05 | 北京沃东天骏信息技术有限公司 | 图像处理方法和装置 |
CN114842578A (zh) * | 2022-04-26 | 2022-08-02 | 深圳市凯迪仕智能科技有限公司 | 智能锁、拍摄控制方法及相关装置 |
CN114842578B (zh) * | 2022-04-26 | 2024-04-05 | 深圳市凯迪仕智能科技股份有限公司 | 智能锁、拍摄控制方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110473176B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021036616A1 (zh) | 一种医疗图像处理方法、医疗图像识别方法及装置 | |
WO2020215985A1 (zh) | 医学影像分割方法、装置、电子设备和存储介质 | |
CN110069958B (zh) | 一种密集深度卷积神经网络的脑电信号快速识别方法 | |
Ma et al. | Contrast-based image attention analysis by using fuzzy growing | |
CN110491480A (zh) | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 | |
CN105426695B (zh) | 一种基于虹膜的健康状态检测*** | |
CN110428432A (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
CN106599800A (zh) | 一种基于深度学习的人脸微表情识别方法 | |
KR20200101540A (ko) | 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템 | |
CN110163111A (zh) | 基于人脸识别的叫号方法、装置、电子设备及存储介质 | |
CN110473176A (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
CN110490242A (zh) | 图像分类网络的训练方法、眼底图像分类方法及相关设备 | |
CN110414607A (zh) | 胶囊内窥镜图像的分类方法、装置、设备及介质 | |
CN110390674A (zh) | 图像处理方法、装置、存储介质、设备以及*** | |
CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
CN113435236A (zh) | 居家老人姿态检测方法、***、存储介质、设备及应用 | |
WO2022194152A1 (zh) | 基于图像处理模型的图像处理方法、装置、电子设备、存储介质及计算机程序产品 | |
CN110472582A (zh) | 基于眼部识别的3d人脸识别方法、装置和终端 | |
CN112257728A (zh) | 图像处理方法、装置、计算机设备以及存储介质 | |
CN108596256A (zh) | 一种基于rgb-d物体识别分类器构造方法 | |
CN112233017A (zh) | 一种基于生成对抗网络的病态人脸数据增强方法 | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
CN110517771A (zh) | 一种医学图像处理方法、医学图像识别方法及装置 | |
CN110503636A (zh) | 参数调整方法、病灶预测方法、参数调整装置及电子设备 | |
Liang et al. | Real time hand movement trajectory tracking for enhancing dementia screening in ageing deaf signers of British sign language |
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 |