CN110503639A - 处理眼底图像的方法和装置 - Google Patents
处理眼底图像的方法和装置 Download PDFInfo
- Publication number
- CN110503639A CN110503639A CN201910754948.9A CN201910754948A CN110503639A CN 110503639 A CN110503639 A CN 110503639A CN 201910754948 A CN201910754948 A CN 201910754948A CN 110503639 A CN110503639 A CN 110503639A
- Authority
- CN
- China
- Prior art keywords
- eye fundus
- effective coverage
- fundus image
- image
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000003902 lesion Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 11
- 238000000691 measurement method Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 2
- 210000001508 eye Anatomy 0.000 description 174
- 210000004204 blood vessel Anatomy 0.000 description 16
- 238000012216 screening Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000009466 transformation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 210000002189 macula lutea Anatomy 0.000 description 4
- 210000003733 optic disk Anatomy 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002311 subsequent effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种处理眼底图像的方法和装置，所述方法包括：确定所述眼底图像的有效区域；根据所述有效区域获取所述眼底图像的基本信息；以及在对所述眼底图像进行特征提取之前，基于所述基本信息对所述眼底图像进行预处理，实现了在有效区域内获取眼底图像的基本信息，为眼底图像的预处理提供了基本的参考信息，从而提高了后续对眼底图像进行特征提取时的效果。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种处理眼底图像的方法和装置。
背景技术
近年来通过计算机自动识别眼底图像进行辅助诊断的技术得到发展，通过观察和识别眼底图像能够发现患者身体的许多病症。眼底图像的拍摄，不仅受眼底相机类型的影响，同时也受到拍摄环境的影响，不同类型的眼底相机针对同一眼底拍摄出来的眼底图像的信息不尽相同；同类型眼底相机在不同环境下拍摄的眼底图像的信息不尽相同。这些信息的差异性极大的干扰后期特征的提取。因此在对眼底图像特征进行提取之前，首先需要对眼底图像进行预处理，从而达到去噪、信息归一化和增强的目的。
但是，目前现有的预处理方法对眼底影像的处理效果尚不尽人意。
发明内容
有鉴于此，本发明实施例致力于提供一种处理眼底图像的方法和装置，能够提高后续对眼底图像进行特征提取时的效果。
根据本发明实施例的第一方面，提供一种处理眼底图像的方法，包括：确定所述眼底图像的有效区域；根据所述有效区域获取所述眼底图像的基本信息；以及在对所述眼底图像进行特征提取之前，基于所述基本信息对所述眼底图像进行预处理。
在一个实施例中，所述确定所述眼底图像的有效区域，包括：确定所述眼底图像的第一灰度阈值；以及根据所述第一灰度阈值，对所述眼底图像的像素进行筛选以获得所述有效区域。
在一个实施例中，所述根据所述第一灰度阈值，对所述眼底图像的像素进行筛选以获得所述有效区域包括：根据所述第一灰度阈值，对所述眼底图像的像素进行筛选，得到初始有效区域；计算所述眼底图像的灰度平均值和标准差；根据所述灰度平均值和标准差，确定所述眼底图像的第二灰度值阈值；以及根据所述第二灰度值阈值，对所述初始有效区域进行进一步筛选，得到所述有效区域。
在一个实施例中，所述基本信息包括所述有效区域的有效半径和有效面积，所述根据所述有效区域获取所述眼底图像的基本信息，包括：确定所述有效区域的最小外接圆；计算所述最小外接圆的半径所占的像素数，以所述像素数作为所述有效半径的尺寸；以及根据所述有效半径计算所述有效面积。
在一个实施例中，所述基本信息包括平均灰度，用于在后续图像处理过程中作为计算对比度的基础参数值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：将所述眼底图像的有效区域转换为灰度图像，以所述灰度图像的灰度平均值作为所述有效区域的平均灰度。
在一个实施例中，所述基本信息包括平均色调，用于在后续图像处理过程中作为计算对比度的基础参数值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：将所述眼底图像由RGB颜色空间转换为HIS颜色空间；以及在所述HIS颜色空间中计算所述有效区域的H波段的灰度平均值，以所述H波段的灰度平均值作为所述有效区域的平均色调。
在一个实施例中，所述基本信息包括噪声，用于在后续图像去噪过程中决定是否需要进行去噪处理、选择何种去噪方法以及在后续图像处理过程中作为计算对比度的基础参数值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：提取所述有效区域的边缘特征以形成边缘特征图像；基于所述边缘特征图像的灰度阈值提取所述有效区域内的噪声区域；计算所述噪声区域的面积，并根据所述噪声区域的面积的大小判断所述有效区域内是否存在噪声；以及当判断所述有效区域内存在噪声时，利用均匀性度量方法评估所述噪声区域内的噪声尺寸。
在一个实施例中，所述基本信息包括清晰度，用于在后续图像处理过程中作为评估所述眼底图像质量的参数，所述根据所述有效区域获取所述眼底图像的基本信息，包括：提取所述有效区域的线特征；确定所述线特征的识别度；以及根据所述线特征的识别度来评估所述有效区域的清晰度。
在一个实施例中，所述基本信息包括最大病变尺寸，用于在后续图像处理过程中作为评估所述眼底图像病变的阈值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：提取所述有效区域的最大亮色区域或最大暗色区域；以及计算所述有效区域的最大亮色区域或最大暗色区域所占的像素数，以所述像素数作为所述最大病变尺寸。
在一个实施例中，所述基本信息包括所述有效区域的尺寸信息、灰度信息、色调信息、噪声信息、清晰度信息以及病变尺寸信息中的至少一种。
在一个实施例中，所述有效区域的尺寸信息包括有效面积和/或有效半径，所述灰度信息包括所述有效区域的平均灰度，所述色调信息包括所述有效区域的平均色调，所述噪声信息包括所述有效区域的噪声，所述清晰度信息包括所述有效区域的清晰度，所述病变尺寸信息包括所述有效区域的最大病变尺寸。
根据本发明实施例的第二方面，提供一种处理眼底图像的装置，包括：有效区域确定模块，配置为确定所述眼底图像的有效区域；基本信息获取模块，配置为根据所述有效区域获取所述眼底图像的基本信息；以及预处理模块，配置为在对所述眼底图像进行特征提取之前，基于所述基本信息对所述眼底图像进行预处理。
根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上所述的处理眼底图像的方法。
根据本发明实施例的第四方面，提供一种处理眼底图像的装置，包括计算机可读存储介质和处理器，所述计算机可读存储介质上存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现如上所述的处理眼底图像的方法。
本发明的实施例所提供的一种处理眼底图像的方法，通过确定所述眼底图像的有效区域；根据所述有效区域获取所述眼底图像的基本信息；以及在对所述眼底图像进行特征提取之前，基于所述基本信息对所述眼底图像进行预处理，实现了在有效区域内获取眼底图像的基本信息，为眼底图像的预处理提供了基本的参考信息，从而提高了后续对眼底图像进行特征提取时的效果。
附图说明
图1所示为本发明一个实施例提供的处理眼底图像的方法的流程示意图。
图2所示为本发明一个实施例提供的处理眼底图像的装置的框图。
图3所示为本发明另一个实施例提供的处理眼底图像的装置的框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本文中，术语“第一”、“第二”和其它类似词语并不意在暗示任何顺序、数量和重要性，而是仅仅用于对不同的元件进行区分。在本文中，术语“一”、“一个”和其它类似词语并不意在表示只存在一个所述事物，而是表示有关描述仅仅针对所述事物中的一个，所述事物可能具有一个或多个。在本文中，术语“包含”、“包括”和其它类似词语意在表示逻辑上的相互关系，而不能视作表示空间结构上的关系。例如，“A包括B”意在表示在逻辑上B属于A，而不表示在空间上B位于A的内部。另外，术语“包含”、“包括”和其它类似词语的含义应视为开放性的，而非封闭性的。例如，“A包括B”意在表示B属于A，但是B不一定构成A的全部，A还可能包括C、D、E等其它元素。
在本文中，术语“实施例”、“本实施例”、“一实施例”、“一个实施例”并不表示有关描述仅仅适用于一个特定的实施例，而是表示这些描述还可能适用于另外一个或多个实施例中。本领域技术人员应理解，在本文中，任何针对某一个实施例所做的描述都可以与另外一个或多个实施例中的有关描述进行替代、组合、或者以其它方式结合，所述替代、组合、或者以其它方式结合所产生的新实施例是本领域技术人员能够容易想到的，属于本发明的保护范围。
当前针对眼底图像基本信息的计算获取并无一套成熟的标准，更无成熟的计算方法，因此以往在对图像进行预处理之前少有考虑图像本身的基本信息或者对图像基本信息考虑较少，同时以往对哪些基本信息对后续图像预处理有用，需要获取，以及如何获取等问题均没有得到解决，从而使眼底图像在预处理的过程中缺少基本的参考信息，导致后期的眼底特征的提取过程较困难且提取效果不尽人意。
眼底图像是指通过通用或专用的拍摄设备拍摄眼球底部所得到的图像，其显示的内容通常包括视网膜、血管、视盘、黄斑等生理结构。眼底图像可以是模拟图像，也可以是数字图像。在本发明各实施例中，眼底图像优选为数字图像。
图1所示为本发明一个实施例提供的处理眼底图像的方法的流程示意图。如图1，该方法包括：
S101：确定所述眼底图像的有效区域。
应当理解，眼底图像的有效区域是指除了背景区域以外的感兴趣区域，感兴趣区域包括血管、视盘、黄斑等生理结构。因为在对每一个人的眼底进行拍摄时，其眼底图像的有效区域不一定相同，因此就要针对每个人的眼底图像分别进行有效区域的筛选。同时，首先确定出眼底图像的有效区域还能够使后续对眼底图像的基本信息的获取变得更加的方便快捷。
S102：根据所述有效区域获取所述眼底图像的基本信息。
具体地，首先需要经过步骤S101来确定出眼底图像的有效区域，在有效区域内对眼底图像进行相关的计算和评估，从而获取眼底图像的基本信息以用于在后续的图像预处理的过程中作为基本的参考信息。需要说明的是，眼底图像的基本信息可以有很多，在获取各个基本信息时，本发明实施例并不限制各个基本信息获取的先后顺序。
S103：在对所述眼底图像进行特征提取之前，基于所述基本信息对所述眼底图像进行预处理。
综上所述，在对眼底图像进行特征提取之前，首先对眼底图像进行预处理，而对眼底图像进行预处理的最基本的步骤就是获取眼底图像的基本信息。在有效区域内获取到眼底图像的基本信息为眼底图像的预处理提供了基本的参考信息，从而提高了后续对眼底图像进行特征提取时的效果。
在本发明的另一个实施例中，所述确定所述眼底图像的有效区域，包括：确定所述眼底图像的第一灰度阈值；以及根据所述第一灰度阈值，对所述眼底图像的像素进行筛选以获得所述有效区域。
应当理解，经过拍摄获得的眼底图像为彩色图像，该彩色图像包括R、G、B三个波段，当彩色图像经过HIS空间变换后，可以获得H、I和S三个波段，当彩色图像经过LAB颜色空间转换后，可以获得L、A和B三个波段，当然也还可以经过其他空间变换得到其他颜色空间的波段。选取眼底图像中的以上所述的任意一个波段的一个灰度数值作为第一灰度阈值，灰度数值在0至255范围内变动，而该第一灰度阈值可以是通过统计分析获得的经验值，也可以是通过算法计算得到的，本发明实施例对第一灰度阈值的具体所取的值不作限定。需要说明的是，本发明实施例并不限制任意一个波段具体为何种波段，任意一个波段可以为一种波段(即R波段、G波段、B波段、H波段、I波段、S波段、L波段、A波段、B波段等波段中的任意一个)，也可以为几个波段的结合(即R波段、G波段、B波段、H波段、I波段、S波段、L波段、A波段、B波段的任意组合)。
因为该眼底图像的感兴趣区域和背景区域的灰度值是不相同的，从肉眼来看，感兴趣区域的亮度比较亮(呈亮色)，背景区域的亮度比较暗(呈暗色)，所以该第一灰度阈值的设定主要就是为了划分眼底图像的感兴趣区域和背景区域。需要说明的是，当确定了第一灰度阈值时，本发明实施例并不限制该眼底图像筛选过程的具体实施方式，对眼底图像的灰度值小于该第一灰度阈值的像素进行去除，对眼底图像的灰度值大于该第一灰度阈值的像素进行保留，那么保留下来的像素就是所要获得的有效区域，也可以为，对眼底图像的灰度值大于该第一灰度阈值的像素进行去除，对眼底图像的灰度值小于该第一灰度阈值的像素进行保留，那么保留下来的像素就是所要获得的有效区域。
在本发明的另一个实施例中，所述根据所述第一灰度阈值，对所述眼底图像的像素进行筛选以获得所述有效区域包括：根据所述第一灰度阈值，对所述眼底图像的像素进行筛选，得到初始有效区域；计算所述眼底图像的灰度平均值和标准差；根据所述灰度平均值和标准差，确定所述眼底图像的第二灰度值阈值；以及根据所述第二灰度值阈值，对所述初始有效区域进行进一步筛选，得到所述有效区域。
应当理解，根据所述第一灰度阈值对所述眼底图像的像素进行筛选所获得的有效区域并不一定是最终所要获得的眼底图像的有效区域，这有可能仅仅只是一个初步筛选的过程，即大致确定了该眼底图像的有效区域的范围(这里称为初始有效区域)。还需要再对该初始有效区域进行进一步筛选，以获得最终所要获得的有效区域。
具体地，根据所述第一灰度阈值对所述眼底图像的像素进行筛选以获得初始有效区域，然后，计算眼底图像的初始有效区域的任意一个波段的灰度平均值(任意一个波段在上一个实施例中已经描述，在此不再赘述)，再根据灰度平均值计算标准差，该灰度平均值和标准差是作为求解第二灰度阈值的重要参数，当根据灰度平均值和标准差求解出第二灰度阈值后，对所述初始有效区域进行进一步筛选，得到最终所要获得的眼底图像的有效区域。需要说明的是，当求解出第二灰度阈值后，本发明实施例并不限制该对初始有效区域进行进一步筛选过程的具体实施方式，可以为对初始有效区域范围内的灰度值大于该第二灰度阈值的像素进行去除，对初始有效区域范围内的灰度值小于该第一灰度阈值的像素进行保留，那么保留下来的像素就是最终所要获得的有效区域，也可以为，对初始有效区域范围内的灰度值小于该第二灰度阈值的像素进行去除，对初始有效区域范围内的灰度值大于该第一灰度阈值的像素进行保留，那么保留下来的像素就是最终所要获得的有效区域。
在本发明的另一个实施例中，确定所述眼底图像的所述有效区域的面积阈值，当经过根据所述第一灰度阈值，对所述眼底图像的像素进行筛选后所获得的所述初始有效区域的面积大于所述面积阈值时，还需要对所述初始有效区域进行上面所述的进一步筛选过程；也可以为，确定所述眼底图像的所述有效区域的面积阈值，当经过对所述眼底图像的像素进行筛选后所获得的所述初始有效区域的面积小于所述面积阈值时，还需要对所述初始有效区域进行上面所述的进一步筛选过程。
应当理解，经过上述初步筛选过程后的初始有效区域的面积可能比最终所要获得的有效区域的面积大，也可能比最终所要获得的有效区域的面积小，所以为了获得最终所要获得的有效区域就要对经过初步筛选的初始有效区域进行进一步的筛选。需要说明的是，该面积阈值的确定可以是经过统计分析获得的经验值，也可以是通过算法计算得到的面积值。
还应当理解，还可以通过观察所述初始有效区域是否连续来判断是否进行上面所述的进一步筛选过程，当所述初始有效区域不连续时，便可以进行进一步筛选过程以获得最终的有效区域。眼底图像的初始有效区域内可能存在拍摄的时间以及患者的个人信息，当初始有效区域内存在拍摄的时间以及患者的个人信息就代表整个初始有效区域是不连续的，需要进行上面所述的进一步筛选过程。
在本发明的另一个实施例中，所述基本信息包括所述有效区域的有效半径和有效面积，所述根据所述有效区域获取所述眼底图像的基本信息，包括：确定所述有效区域的最小外接圆；计算所述最小外接圆的半径所占的像素数，以所述像素数作为所述有效半径的尺寸；以及根据所述有效半径计算所述有效面积。
应当理解，所述基本信息包括所述有效区域的有效半径和有效面积，该有效半径和有效面积用于表征所述有效区域的信息。需要说明的是，可以通过确定最小外接圆的方法来确定所述有效半径，通过计算所述最小外接圆的半径所占的像素数可以获得所述有效半径的尺寸，但是本发明实施例并不限制该有效半径的确定方法，也可以先通过算法计算出有效区域的有效面积(例如，利用像素数计算有效面积)，再根据有效面积计算得出有效半径，其他可以确定有效半径的方法亦适用于本申请。
需要说明的是，本发明实施例并不限制确定的是所述有效区域的最小外接圆，也可以获取有效区域的最小外接矩形、最小外接椭圆、最大外接圆、最大外接矩形、最大外接椭圆等等，本发明对此并不做限制。
在本发明的另一个实施例中，所述基本信息包括平均灰度，用于在后续图像处理过程中作为计算对比度的基础参数值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：将所述眼底图像的有效区域转换为灰度图像，以所述灰度图像的灰度平均值作为所述有效区域的平均灰度。
应当理解，经过拍摄获得的眼底图像为彩色图像，在将彩色影像转换为灰度图像后，该彩色图像的R、G、B三个波段转换成灰度图像的一个波段，所以在确定所述眼底图像的有效区域的平均灰度之前可以先将眼底图像的有效区域的彩色图像转换为灰度图像，以该灰度图像的唯一一个波段的灰度平均值作为所述有效区域的平均灰度。
还应当理解，平均灰度用于在后续图像处理过程中作为计算对比度的基础参数值，同时，平均灰度还可以为后续的图像补偿和后续的图像增强提供基础参数，用以评估图像补偿的大小或图像增强的程度。
在本发明的另一个实施例中，所述基本信息包括平均色调，用于在后续图像处理过程中作为计算对比度的基础参数值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：将所述眼底图像由RGB颜色空间转换为HIS颜色空间；以及在所述HIS颜色空间中计算所述有效区域的H波段的灰度平均值，以所述H波段的灰度平均值作为所述有效区域的平均色调。
应当理解，HIS(Hue-Intensity-Saturation)是在彩色空间中用色调、亮度和饱和度来表示的色彩模式。把RGB颜色空间和HIS颜色空间之间的关系模型及所进行的相互变换的处理过程称为HIS变换。HIS变换也称为彩色变换或蒙塞尔变换。在眼底图像处理中通常应用的有两种色彩坐标系或者彩色空间：一是由RGB三原色构成的彩色空间(RGB坐标系或者RGB颜色空间)；另外一种是由色调(hue)、饱和度(saturation)以及亮度(intensity)三个变量构成的彩色空间(HIS坐标系或者HIS颜色空间)。也就是说一种颜色可以用RGB颜色空间内的R、G和B来描述，也可以用HIS颜色空间的I、H和S来描述，前者是从物理学角度出发描述颜色，后者则是从人眼的主观感觉出发描述颜色。HIS变换就是RGB颜色空间与HIS颜色空间之间的变换。因此，色调就是指眼底图像的HIS颜色空间中的H波段上的灰度值，那么有效区域的平均色调就可以通过对H波段上的有效区域内的所有灰度值做平均运算，做平均运算所得到的灰度平均值即为有效区域的平均色调。
还应当理解，平均色调用于在后续图像处理过程中作为计算对比度的基础参数值，同时，平均灰度还可以为后续的图像补偿和后续的图像增强提供基础参数，用以评估图像补偿的大小或图像增强的程度。
需要说明的是，平均灰度和平均色调二者的组合也可以用于在后续图像处理过程中作为计算对比度的基础参数值，同时，平均灰度和平均色调二者的组合还可以为后续的图像补偿和后续的图像增强提供基础参数，用以评估图像补偿的大小或图像增强的程度。
在本发明的另一个实施例中，所述基本信息包括噪声，用于在后续图像去噪过程中决定是否需要进行去噪处理、选择何种去噪方法、以及在后续图像处理过程中作为计算对比度的基础参数值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：提取所述有效区域的边缘特征以形成边缘特征图像；基于所述边缘特征图像的灰度阈值提取所述有效区域内的噪声区域；计算所提述噪声区域的面积，并根据所述噪声区域的面积的大小判断所述有效区域内是否存在噪声；以及当判断所述有效区域内存在噪声时，利用均匀性度量方法评估所述噪声区域内的噪声尺寸。
应当理解，边缘是眼底图像中特性(如像素灰度、纹理等)分布的不连续处，是图像周围特性有阶跃变化或屋脊状变化的那些像素集合。图像边缘的另一个定义是指其周围像素灰度变化不连续的那些像素的集合。通过边缘特征来评估噪声能够很好的对一些随机噪声和加性噪声进行评估，因此根据所述噪声区域的面积的大小可以判断出所述有效区域内是否存在随机噪声和加性噪声。由于边缘特征的对比度和噪声点的对比度均比有效区域内的无噪声的像素点的对比度高，所以将边缘特征来评估噪声可以很容易地将噪声点评估出来。
具体地，首先提取有效区域内的多个边缘特征，由多个边缘特征构成边缘特征图像，通过相关算法或统计分析获取该边缘特征图像的灰度阈值，根据边缘特征图像的灰度阈值来评估有效区域内的噪声点，可以对大于该边缘特征图像的灰度阈值的像素点判定为有效区域的噪声点，也可以对小于该边缘特征图像的灰度阈值的像素点判定为有效区域的噪声点，本发明实施例对此并不做限定。当确定出有效区域内的噪声点后，由所有噪声点构成有效区域的噪声区域，并对该噪声区域进行面积的计算，即利用噪声区域的像素数计算噪声区域的面积。判断该噪声区域的面积的大小是否构成该有效区域的噪声，可以设定一个噪声面积阈值，当噪声区域的面积大于该噪声面积阈值时，可以确定该噪声区域构成该有效区域的噪声，当噪声区域的面积小于该噪声面积阈值时，可以确定该噪声区域不足以构成有效区域的噪声，可以忽略不计该噪声区域。当对噪声面积的大小足以构成有效区域的噪声区域后，利用均匀性度量方法来评估所述噪声区域内的噪声尺寸。
应当理解，可以选取边缘特征图像中的任意一个波段的一个灰度数值作为边缘特征图像的灰度阈值，其中任意一个波段可以为一种波段(即R波段、G波段、B波段、H波段、I波段、S波段、L波段、A波段、B波段等波段中的任意一个)，也可以为几种波段的结合(即R波段、G波段、B波段、H波段、I波段、S波段、L波段、A波段、B波段的任意组合)。由于噪声区域是由很多个噪声点构成的，所以利用均匀性度量算法是对噪声区域内的各个噪声点的尺寸进行平均计算，最后获得该有效区域的平均噪声尺寸，在这里统称为噪声尺寸，但是需要说明的是，本发明实施例对如何计算噪声尺寸的方法并不做具体限定，其他可以计算出噪声大小的方法亦适用于本申请。
还应当理解，噪声的评估用于在后续图像去噪过程中决定是否需要进行去噪处理、选择何种去噪方法、在后续图像处理过程中作为计算对比度的基础参数值以及在后续图像去噪过程中作为评估所述眼底图像噪声的阈值。具体地，当利用噪声面积阈值对有效区域的噪声区域的面积进行对比时，可以确定出该噪声区域是否构成有效区域的噪声，换句话说，可以决定是否需要进行去噪处理，当该噪声区域构成了有效区域的噪声时，便可以进行去噪处理；当噪声区域的噪声尺寸确定后，通过该噪声尺寸可以为后续图像去噪过程提供噪声阈值(即计算获得的噪声尺寸可以作为噪声阈值)，当眼底图像的某个像素点的噪声值大于该噪声阈值时，确定该像素点即为噪声点，可以对该像素点进行后续的去噪处理。当噪声不同时，计算对比度的方法不相同，对对比度进行补偿的方法和补偿数值的大小也不相同，所以当确定了噪声后，就可以确定出计算对比度的方法、对对比度进行补偿的方法以及补偿数值的大小等。
需要说明的是，本发明实施例之所以提供利用边缘特征来评估眼底图像噪声的方法，是因为本申请的发明人已经通过大量的实验验证其评估的效果较佳，但是本发明实施例并不限制评估眼底图像噪声的方法，还可以采用基于Shearlet框架的多尺度去噪算法、基于Ridgelet变换的多尺度去噪算法等，其他评估眼底图像噪声的方法亦适用于本申请。
在本发明的另一个实施例中，所述基本信息包括清晰度，用于在后续图像处理过程中作为评估所述眼底图像质量的参数，所述根据所述有效区域获取所述眼底图像的基本信息，包括：提取所述有效区域的线特征；确定所述线特征的识别度；以及根据所述线特征的识别度来评估所述有效区域的清晰度。
应当理解，所述基本信息还包括清晰度，用于在后续图像处理过程中作为评估所述眼底图像清晰度的阈值。由于眼底图像的线特征主要是血管，血管的识别度越高，则代表眼底图像越清晰。具体地，可以根据预先计算出血管的总长度来评估清晰度，那么计算获得的血管的长度越长，则代表眼底图像的清晰度越高。具体地，当我们肉眼观察到的眼底图像的清晰度很高，代表所选取的算法对于血管的提取效果比较好，通过该算法可以提取更细小的血管，因此计算出来的血管长度也较长，基于大量的数据统计分析，可以获得一个血管长度阈值，即当所提取眼底图像中的血管长度低于该血管长度阈值时，则认为图像不清晰。因此，当计算得出的眼底图像的有效区域内的血管长度大于该血管长度阈值时，确定所述眼底图像的清晰度比较高(图像质量高)，当计算得出的眼底图像的有效区域内的血管长度小于该血管长度阈值时，确定所述眼底图像的清晰度比较低(图像质量低)，那么就可以重新进行拍摄以获得清晰度高的眼底图像。
应当理解，图像的清晰度可以是指肉眼或计算机对图像细节的辨认能力的大小。用于计算机自动识别和诊断的眼底图像的清晰度可以是指计算机对眼底图像的细节(比如血管)进行读取和识别的能力或准确度。需要说明的是，选取线特征来识别清晰度的主要原因是评估结果客观，血管的结构统一在评估时有利于参考标准统一，血管是指视网膜上分布的血管，是眼底图像中普遍存在的显示内容。同时，本发明实施例之所以提供利用线特征的识别度来评估图像清晰度的方法，是因为本申请的发明人已经通过大量的实验验证其评估的效果较佳，但是本发明实施例并不限制评估图像清晰度的方法，还可以通过其它方法评估图像的清晰度。例如，可以根据除血管以外的其它图示结构(比如视盘、黄斑等)的识别度来计算清晰度，还可以根据分辨率、对比度、其它图像参数或其组合来计算出图像的清晰度。
还应当理解，图像清晰度的概念与图像的分辨率、对比度等参数存在一定的关联。在某些情况下，图像的分辨率或对比度越高，图像的清晰度可能就越高。然而，上述规律并非普遍适用。清晰度作为衡量图像质量的一种标准，独立于分辨率、对比度等其它图像质量参数。确定清晰度可以是指通过精确算法计算出图像的清晰度，可以是指通过模糊算法大致计算出图像的清晰度，还可以是指根据统计或经验数据大致估算出图像的清晰度。具体地，还可以根据血管的对比度来确定清晰度，其可以是指直接采用计算出的对比度的数值作为清晰度的数值，可以是指采用数学变换后的对比度的数值作为清晰度的数值，还可以是指将对比度作为一个参数，与预先或临时确定的其它参数一起计算得出其清晰度的数值。
在本发明的另一个实施例中，所述基本信息包括最大病变尺寸，用于在后续图像处理过程中作为评估所述眼底图像病变的阈值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：提取所述有效区域的最大亮色区域或最大暗色区域；以及计算所述有效区域的最大亮色区域或最大暗色区域所占的像素数，以所述像素数作为所述最大病变尺寸。
应当理解，所述基本信息还包括最大病变尺寸，最大病变尺寸用于在后续图像处理过程中作为评估所述眼底图像病变的阈值，同时，还可以为后续在进行病灶提取时提供一个筛选标准，也可以为后续图像特征识别和分类提供参数支撑。
还应当理解，眼底病变分为亮色病变和暗色病变，亮色病变所呈现出的效果是在有效区域内的亮度显著偏亮的区域，暗色病变所呈现出的效果是在有效区域内的亮度显著偏暗的区域。所以通过提取最大亮色区域或最大暗色区域，并计算所述有效区域的最大亮色区域或最大暗色区域所占的像素数，最后以所述像素数为最大亮色区域或者最大暗色区域的最大病变尺寸。需要说明的是，可以根据计算最大亮色区域或最大暗色区域的像素数得出最大病变尺寸，但是本发明实施例并不限制获得最大病变尺寸的方法，其他方法亦适用于本申请。
需要说明的是，通过计算获得的最大病变尺寸可以为后续评估所述眼底图像的病变尺寸提供病变阈值(即计算获得的最大病变尺寸可以作为病变阈值)，当眼底图像的某个亮度异常的区域的尺寸小于该病变阈值时，确定该区域为病变区域，当眼底图像的某个亮度异常的区域的尺寸大于该病变阈值时，确定该区域不是病变区域，那么此时就可以重新调整算法来寻找病变区域的位置或对病变区域的位置作初步的筛选。
在本发明的另一个实施例中，所述基本信息包括所述有效区域的尺寸信息、灰度信息、色调信息、噪声信息、清晰度信息以及病变尺寸信息中的至少一种。
在本发明的另一个实施例中，所述有效区域的尺寸信息包括有效面积和/或有效半径，所述灰度信息包括所述有效区域的平均灰度，所述色调信息包括所述有效区域的平均色调，所述噪声信息包括所述有效区域的噪声，所述清晰度信息包括所述有效区域的清晰度，所述病变尺寸信息包括所述有效区域的最大病变尺寸。
需要说明的是，本发明实施例并不限制有效区域的基本信息的种类和个数，其除了包括以上提到的基本信息以外，还可以包括其他的基本信息，可以为后续的眼底图像的预处理提供基本的参数信息的基本信息均包含在本申请的保护范围内。
图2所示为本发明一个实施例提供的处理眼底图像的装置的框图。如图2所示，该装置包括：有效区域确定模块210，配置为确定所述眼底图像的有效区域；基本信息获取模块220，配置为根据所述有效区域获取所述眼底图像的基本信息；预处理模块230，配置为在对所述眼底图像进行特征提取之前，基于所述基本信息对所述眼底图像进行预处理。
应当理解，有效区域确定模块210用于确定所述眼底图像的有效区域，眼底图像的有效区域是指除了背景区域以外的感兴趣区域，感兴趣区域包括血管、视盘、黄斑等生理结构。因为在对每一个人的眼底进行拍摄时，其眼底图像的有效区域不一定相同，因此就要针对每个人的眼底图像分别进行有效区域的筛选。同时，首先确定出眼底图像的有效区域还能够使后续的对眼底图像的基本信息的获取变得更加的方便快捷。
还应当理解，基本信息获取模块220用于根据所述有效区域获取所述眼底图像的基本信息，在通过有效区域确定模块210确定出眼底图像的有效区域后，通过基本信息获取模块220在有效区域内对眼底图像进行相关的计算和评估，从而获取眼底图像的基本信息以用于在后续的图像预处理的过程中作为基本的参考信息。
还应当理解，预处理模块230用于在对所述眼底图像进行特征提取之前，基于所述基本信息对所述眼底图像进行预处理，在对眼底图像进行特征提取之前，首先通过预处理模块230对眼底图像进行预处理。而对眼底图像进行预处理的最基本的步骤就是获取眼底图像的基本信息，那么在有效区域内获取到眼底图像的基本信息为眼底图像的预处理提供了基本的参考信息，从而提高了后续对眼底图像进行特征提取时的效果。
需要说明的是，眼底图像的基本信息可以有很多，在获取各个基本信息时，本发明实施例并不限制各个基本信息获取的先后顺序。
图3所示为本发明另一个实施例提供的处理眼底图像的装置的框图。参照图3，装置300包括处理组件310，其进一步包括一个或多个处理器，以及由存储器320所代表的存储器资源，用于存储可由处理组件310的执行的指令，例如应用程序。存储器320中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件310被配置为执行指令，以执行上述处理眼底图像的方法。
装置300还可以包括一个电源组件被配置为执行装置300的电源管理，一个有线或无线网络接口被配置为将装置300连接到网络，和一个输入输出(I/O)接口。装置300可以操作基于存储在存储器320的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由上述装置300的处理器执行时，使得上述装置300能够执行一种处理眼底图像的方法，包括：确定所述眼底图像的有效区域；根据所述有效区域获取所述眼底图像的基本信息；以及在对所述眼底图像进行特征提取之前，基于所述基本信息对所述眼底图像进行预处理。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序校验码的介质。
另外，还需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案所记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
需要注意的是，以上列举的仅为本发明的具体实施例，显然本发明不限于以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本发明公开的内容直接导出或联想到的所有变形，均应属于本发明的保护范围。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种处理眼底图像的方法，其特征在于，包括：
确定所述眼底图像的有效区域；
根据所述有效区域获取所述眼底图像的基本信息；以及
在对所述眼底图像进行特征提取之前，基于所述基本信息对所述眼底图像进行预处理。
2.根据权利要求1所述的方法，其特征在于，所述确定所述眼底图像的有效区域，包括：
确定所述眼底图像的第一灰度阈值；以及
根据所述第一灰度阈值，对所述眼底图像的像素进行筛选以获得所述有效区域。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一灰度阈值，对所述眼底图像的像素进行筛选以获得所述有效区域包括：
根据所述第一灰度阈值，对所述眼底图像的像素进行筛选，得到初始有效区域；
计算所述眼底图像的灰度平均值和标准差；
根据所述灰度平均值和标准差，确定所述眼底图像的第二灰度值阈值；以及
根据所述第二灰度值阈值，对所述初始有效区域进行进一步筛选，得到所述有效区域，
其中，所述基本信息包括所述有效区域的尺寸信息、灰度信息、色调信息、噪声信息、清晰度信息以及病变尺寸信息中的至少一种，所述有效区域的尺寸信息包括有效面积和/或有效半径，所述灰度信息包括所述有效区域的平均灰度，所述色调信息包括所述有效区域的平均色调，所述噪声信息包括所述有效区域的噪声，所述清晰度信息包括所述有效区域的清晰度，所述病变尺寸信息包括所述有效区域的最大病变尺寸。
4.根据权利要求1至3中的任一项所述的方法，其特征在于，所述基本信息包括所述有效区域的有效半径和有效面积，所述根据所述有效区域获取所述眼底图像的基本信息，包括：
确定所述有效区域的最小外接圆；
计算所述最小外接圆的半径所占的像素数，以所述像素数作为所述有效半径的尺寸；以及
根据所述有效半径计算所述有效面积。
5.根据权利要求1至3中的任一项所述的方法，其特征在于，所述基本信息包括平均灰度，用于在后续图像处理过程中作为计算对比度的基础参数值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：
将所述眼底图像的有效区域转换为灰度图像，以所述灰度图像的灰度平均值作为所述有效区域的平均灰度。
6.根据权利要求1至3中的任一项所述的方法，其特征在于，所述基本信息包括平均色调，用于在后续图像处理过程中作为计算对比度的基础参数值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：
将所述眼底图像由RGB颜色空间转换为HIS颜色空间；以及
在所述HIS颜色空间中计算所述有效区域的H波段的灰度平均值，以所述H波段的灰度平均值作为所述有效区域的平均色调。
7.根据权利要求1至3中的任一项所述的方法，其特征在于，所述基本信息包括噪声，用于在后续图像去噪过程中决定是否需要进行去噪处理、选择何种去噪方法以及在后续图像处理过程中作为计算对比度的基础参数值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：
提取所述有效区域的边缘特征以形成边缘特征图像；
基于所述边缘特征图像的灰度阈值提取所述有效区域内的噪声区域；
计算所述噪声区域的面积，并根据所述噪声区域的面积的大小判断所述有效区域内是否存在噪声；以及
当判断所述有效区域内存在噪声时，利用均匀性度量方法评估所述噪声区域内的噪声尺寸。
8.根据权利要求1至3中的任一项所述的方法，其特征在于，所述基本信息包括清晰度，用于在后续图像处理过程中作为评估所述眼底图像质量的参数，所述根据所述有效区域获取所述眼底图像的基本信息，包括：
提取所述有效区域的线特征；
确定所述线特征的识别度；以及
根据所述线特征的识别度来评估所述有效区域的清晰度。
9.根据权利要求1至3中的任一项所述的方法，其特征在于，所述基本信息包括最大病变尺寸，用于在后续图像处理过程中作为评估所述眼底图像病变的阈值，所述根据所述有效区域获取所述眼底图像的基本信息，包括：
提取所述有效区域的最大亮色区域或最大暗色区域；以及
计算所述有效区域的最大亮色区域或最大暗色区域所占的像素数，以所述像素数作为所述最大病变尺寸。
10.一种处理眼底图像的装置，包括计算机可读存储介质和处理器，所述计算机可读存储介质上存储有计算机可执行指令，其特征在于，所述计算机可执行指令被所述处理器执行时实现如权利要求1至9中的任意一项所述的处理眼底图像的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910754948.9A CN110503639A (zh) | 2019-08-15 | 2019-08-15 | 处理眼底图像的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910754948.9A CN110503639A (zh) | 2019-08-15 | 2019-08-15 | 处理眼底图像的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110503639A true CN110503639A (zh) | 2019-11-26 |
Family
ID=68586613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910754948.9A Pending CN110503639A (zh) | 2019-08-15 | 2019-08-15 | 处理眼底图像的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110503639A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734701A (zh) * | 2020-12-28 | 2021-04-30 | 深圳市优必选科技股份有限公司 | 眼底病灶检测方法、检测装置及终端设备 |
| CN112907548A (zh) * | 2021-02-26 | 2021-06-04 | 依未科技(北京)有限公司 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102096818A (zh) * | 2011-01-31 | 2011-06-15 | 中国林业科学研究院资源信息研究所 | 面向对象的遥感影像树冠轮廓及参数自动提取方法及*** |
| CN108272434A (zh) * | 2017-12-07 | 2018-07-13 | 江威 | 对眼底图像进行处理的方法及装置 |
| CN108629769A (zh) * | 2018-05-02 | 2018-10-09 | 山东师范大学 | 基于最佳兄弟相似度的眼底图像视盘定位方法及*** |
| WO2019077494A1 (en) * | 2017-10-16 | 2019-04-25 | King Abdullah University Of Science And Technology | SYSTEM, APPARATUS AND METHOD FOR PREDICTING EC NUMBER OF ENZYME BASED ON DEEP LEARNING SEQUENCE |
-
2019
- 2019-08-15 CN CN201910754948.9A patent/CN110503639A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102096818A (zh) * | 2011-01-31 | 2011-06-15 | 中国林业科学研究院资源信息研究所 | 面向对象的遥感影像树冠轮廓及参数自动提取方法及*** |
| WO2019077494A1 (en) * | 2017-10-16 | 2019-04-25 | King Abdullah University Of Science And Technology | SYSTEM, APPARATUS AND METHOD FOR PREDICTING EC NUMBER OF ENZYME BASED ON DEEP LEARNING SEQUENCE |
| CN108272434A (zh) * | 2017-12-07 | 2018-07-13 | 江威 | 对眼底图像进行处理的方法及装置 |
| CN108629769A (zh) * | 2018-05-02 | 2018-10-09 | 山东师范大学 | 基于最佳兄弟相似度的眼底图像视盘定位方法及*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734701A (zh) * | 2020-12-28 | 2021-04-30 | 深圳市优必选科技股份有限公司 | 眼底病灶检测方法、检测装置及终端设备 |
| CN112907548A (zh) * | 2021-02-26 | 2021-06-04 | 依未科技(北京)有限公司 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7248736B2 (en) | Enhancing images superimposed on uneven or partially obscured background | |
| CN108272434B (zh) | 对眼底图像进行处理的方法及装置 | |
| US20210133473A1 (en) | Learning apparatus and learning method | |
| JP5426475B2 (ja) | 肌の色ムラ解析装置、肌の色ムラ解析方法、及び肌の色ムラ解析プログラム | |
| US20080304736A1 (en) | Method of estimating a visual evaluation value of skin beauty | |
| Jan et al. | Retinal image analysis aimed at blood vessel tree segmentation and early detection of neural-layer deterioration | |
| CN109993731A (zh) | 一种眼底病变分析方法及装置 | |
| CN113610844A (zh) | 一种智能护肤方法、装置、设备和存储介质 | |
| CN110503639A (zh) | 处理眼底图像的方法和装置 | |
| Hussein et al. | Retinex theory for color image enhancement: A systematic review | |
| CN106446805B (zh) | 一种眼底照中视杯的分割方法及*** | |
| Kundu et al. | Visual attention guided quality assessment of tone-mapped images using scene statistics | |
| KR20200108686A (ko) | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 | |
| JP6530703B2 (ja) | 肌状態評価方法 | |
| JP2019114251A (ja) | 顔特徴分析および個人向けアドバイスの送達のための方法およびシステム | |
| CN110675325A (zh) | 一种增强眼底图像的方法和装置 | |
| JP7234086B2 (ja) | 生体情報取得装置およびプログラム | |
| Kauppi et al. | Simple and robust optic disc localisation using colour decorrelated templates | |
| JP2011118655A (ja) | 画像処理装置および画像処理方法 | |
| Redi et al. | How to apply spatial saliency into objective metrics for JPEG compressed images? | |
| Zhang et al. | Luminosity rectified blind Richardson-Lucy deconvolution for single retinal image restoration | |
| EP3048580A1 (en) | Method of extracting the optic disc of a retinal image | |
| Troglio et al. | Unsupervised change-detection in retinal images by a multiple-classifier approach | |
| Ramlan et al. | Image Enhancement Methods for Anterior Segment Photographed Images | |
| Yang et al. | Multi-Scale histogram tone mapping algorithm enables better object detection in wide dynamic range 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191126 |