CN115205241A - 一种用于视细胞密度的计量方法及*** - Google Patents
一种用于视细胞密度的计量方法及*** Download PDFInfo
- Publication number
- CN115205241A CN115205241A CN202210792756.9A CN202210792756A CN115205241A CN 115205241 A CN115205241 A CN 115205241A CN 202210792756 A CN202210792756 A CN 202210792756A CN 115205241 A CN115205241 A CN 115205241A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- target
- segmentation
- area
- 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
Images
Classifications
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于视细胞密度的计量方法及***,涉及视细胞计量技术领域,所述方法包括:基于第一预设角度阈值得到目标区域视频;逐帧提取得到目标区域图像集;配准处理得到目标区域配准图像;构建智能处理模型并进行预处理,得到预处理目标区域配准图像;生成像素抽象图;利用超像素分割技术处理得到所述像素抽象图的分割处理结果,其中包括多个分割区域;提取分割区域并采集得到分割区域数据集;计算得到所述目标视网膜黄斑区域的视细胞密度。解决了现有技术中进行活体无创视细胞观测时,存在无法实时准确地对视细胞直径和密度进行计量的技术问题。达到了提高视细胞直径和密度计量的实时性、准确性的技术效果。
Description
技术领域
本发明涉及视细胞计量技术领域,尤其涉及一种用于视细胞密度的计量方法及***。
背景技术
随着计算机信息技术的快速发展,借助计算机技术对人体视网膜进行观测分析成为重要的眼底及视网膜等研究的途径。现有技术中常通过显微技术对解剖到的视网膜组织进行观测研究,在对活体进行无创观测时,常通过将自适应光学技术、现有眼底成像设备相结合实现对视细胞的清晰成像,示范性的如自适应光学激光共焦扫描检眼镜、光学相干断层扫描仪、自适应光学眼底相机等设备,然而由于成像视角小、拍摄难度大,无法实时准确地对视细胞直径和密度进行计量,从而导致临床实践运用困难。因此,研究活体无创观测视细胞,并得到视细胞的直径、密度等量化数据,具有重要的意义。
然而,现有技术中在进行活体无创视细胞观测时,存在视细胞拍摄难度大、成像视角小,进而无法实时准确地对视细胞直径和密度进行计量的技术问题。
发明内容
本发明的目的是提供一种用于视细胞密度的计量方法及***,用以解决现有技术中在进行活体无创视细胞观测时,存在视细胞拍摄难度大、成像视角小,进而无法实时准确地对视细胞直径和密度进行计量的技术问题。
鉴于上述问题,本发明提供了一种用于视细胞密度的计量方法及***。
第一方面,本发明提供了一种用于视细胞密度的计量方法,所述方法通过一种用于视细胞密度的计量***实现,其中,所述方法包括:基于第一预设角度阈值对目标视网膜黄斑区域进行视频采集,得到目标区域视频;对所述目标区域视频进行逐帧图像提取,得到目标区域图像集,其中,所述目标区域图像集包括多张目标区域图像;对所述多张目标区域图像进行配准处理,得到目标区域配准图像;构建智能处理模型,并利用所述智能处理模型对所述目标区域配准图像进行预处理,得到预处理目标区域配准图像;基于简单线性迭代聚类原理对所述预处理目标区域配准图像进行处理,生成所述预处理目标区域配准图像的像素抽象图;利用超像素分割技术对所述像素抽象图进行处理,得到所述像素抽象图的分割处理结果,其中,所述分割处理结果包括多个分割区域;提取所述多个分割区域的任意一个分割区域,并对所述分割区域进行数据采集,得到分割区域数据集;基于所述分割区域数据集,计算得到所述目标视网膜黄斑区域的视细胞密度。
第二方面,本发明还提供了一种用于视细胞密度的计量***,用于执行如第一方面所述的一种用于视细胞密度的计量方法,其中,所述***包括:视频采集模块,所述视频采集模块用于基于第一预设角度阈值对目标视网膜黄斑区域进行视频采集,得到目标区域视频;视频处理模块,所述视频处理模块包括:图像提取模块,所述图像提取模块用于对所述目标区域视频进行逐帧图像提取,得到目标区域图像集,其中,所述目标区域图像集包括多张目标区域图像;图像配准模块,所述图像配准模块用于对所述多张目标区域图像进行配准处理,得到目标区域配准图像;图像增强模块,所述图像增强模块用于构建智能处理模型,并利用所述智能处理模型对所述目标区域配准图像进行预处理,得到预处理目标区域配准图像;图像抽象模块,所述图像抽象模块用于基于简单线性迭代聚类原理对所述预处理目标区域配准图像进行处理,生成所述预处理目标区域配准图像的像素抽象图;图像分割模块,所述图像分割模块用于利用超像素分割技术对所述像素抽象图进行处理,得到所述像素抽象图的分割处理结果,其中,所述分割处理结果包括多个分割区域;分析计算模块,所述分析计算模块包括:数据采集模块,所述数据采集模块用于提取所述多个分割区域的任意一个分割区域,并对所述分割区域进行数据采集,得到分割区域数据集;数据计算模块,所述数据计算模块用于基于所述分割区域数据集,计算得到所述目标视网膜黄斑区域的视细胞密度。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过在第一预设角度阈值下采集目标视网膜黄斑区域的视频信息,并对采集到的视频进行逐帧提取、配准,从而得到目标区域配准图像,即需要观测和计量的视网膜区域的图像,达到了为后续处理分析视网膜提供图像基础的技术效果。然后对拍摄、处理得到的目标区域配准图像进行复原增强、降噪、提升对比度等预处理,得到预处理目标区域配准图像,实现了提高视网膜图像清晰度的技术目标。进一步的,对预处理目标区域配准图像进行像素画、超像素分割处理,并对分割后的分割区域进行计算分析,得到分割区域数据集,实现了为得到视细胞的分割图像,并为后续准确计量视细胞提供数据基础的目标。最后,基于分割区域的相关数据,计算得到目标视网膜黄斑区域的视细胞直径、密度,达到了提高视细胞直径和密度计量的实时性、准确性的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明一种用于视细胞密度的计量方法的流程示意图;
图2为本发明一种用于视细胞密度的计量方法中得到目标区域配准图像的流程示意图;
图3为本发明一种用于视细胞密度的计量方法中构建智能处理模型的流程示意图;
图4为本发明一种用于视细胞密度的计量方法中计算得到所述目标视网膜黄斑区域的所述视细胞密度的流程示意图;
图5为本发明一种用于视细胞密度的计量***的结构示意图。
附图标记说明:
视频采集模块M100,视频处理模块M200,图像提取模块M210,图像配准模块M220,图像增强模块M230,图像抽象模块M240,图像分割模块M250,分析计算模块M300,数据采集模块M310,数据计算模块M320。
具体实施方式
本发明通过提供一种用于视细胞密度的计量方法及***,解决了现有技术中在进行活体无创视细胞观测时,存在视细胞拍摄难度大、成像视角小,进而无法实时准确地对视细胞直径和密度进行计量的技术问题。达到了提高视细胞直径和密度计量的实时性、准确性的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本发明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的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,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。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
请参阅附图1,本发明提供了一种用于视细胞密度的计量方法,其中,所述方法应用于一种用于视细胞密度的计量***,所述方法具体包括如下步骤:
步骤S100:基于第一预设角度阈值对目标视网膜黄斑区域进行视频采集,得到目标区域视频;
步骤S200:对所述目标区域视频进行逐帧图像提取,得到目标区域图像集,其中,所述目标区域图像集包括多张目标区域图像;
具体而言,所述一种用于视细胞密度的计量方法应用于所述一种用于视细胞密度的计量***,可以通过临床用共焦激光扫描检眼镜SLO进行活体无创的视网膜视细胞拍摄,然后对视细胞图像进行复原、降噪和增强处理,进而利用超像素技术处理并计算得到视细胞的直径和密度,达到提高临床无创视细胞观测质量,同时提高视细胞直径、密度计量实时性、准确性的效果。
首先基于第一预设角度阈值,利用共焦激光扫描检眼镜SLO对待计量视细胞直径、密度的视网膜区域进行视频信息采集,从而得到所述目标区域视频。其中,待计量视细胞直径、密度的视网膜区域即所述目标视网膜黄斑区域。然后,对采集到的所述目标区域视频进行逐帧提取,得到所述目标区域视频中各帧图像,并组成所述目标区域图像集,也就是说,所述目标区域图像集中包括目标区域视频各帧图像,即所述多张目标区域图像。
通过对视频信息逐帧提取得到多张目标视网膜黄斑区域的图像,实现了对视细胞无创拍摄的目标,达到了为后续处理、计算视细胞直径和密度提供图像基础的技术效果。
步骤S300:对所述多张目标区域图像进行配准处理,得到目标区域配准图像;
进一步的,如附图2所示,本发明步骤S300还包括:
步骤S310:提取所述多张目标区域图像中的首帧图像,并将所述首帧图像作为配准参考图像;
步骤S320:获得剔除所述多张目标区域图像中所述首帧图像后的非首帧图像集,其中,所述非首帧图像集包括多个非首帧图像;
步骤S330:将所述多个非首帧图像作为待配准图像;
步骤S340:基于所述配准参考图像对所述待配准图像进行偏移配准,得到所述目标区域配准图像。
具体而言,在基于从目标区域视频逐帧提取到的所述多张目标区域图像得到所述目标区域配准图像前,对所述多张目标区域图像依次进行配准处理。
首先提取所述多张目标区域图像中的首帧图像,并将所述首帧图像,即目标区域视频的第一帧图像作为配准参考图像,为第二帧及之后其他帧图像的配准提供基准。然后基于所述多张目标区域图像,得到非首帧图像集。其中,所述非首帧图像集是指剔除所述多张目标区域图像中所述首帧图像后,由其他浮动图像组成的集合,且所述非首帧图像集包括多个非首帧图像,即多个浮动图像,也就是说,所述非首帧图像集包括所述目标区域视频中第二帧及第二帧之后其他所有帧的图像。进而将所述多个非首帧图像作为待配准图像,基于所述配准参考图像进行图像偏移配准。其中,在对非首帧图像集中各图像进行偏移配准时分为两步,第一步先根据相位信息计算出各个浮动图像,即各个非首帧图像与配准参考图像的偏差,对各个浮动图像,即各个非首帧图像进行粗定位,第二步在粗定位配准的基础上,利用特征点匹配原理和仿射变换进行配准。最后配准后得到所述目标区域配准图像。
通过多帧图像配准得到目标区域配准图像,实现了使非首帧图像集中各个非首帧图像的对应点与配准参考图像的对应点相互匹配一致,即实现目标视网膜黄斑区域中空间位置、解剖位置一致的技术目标,达到了提高目标视网膜黄斑区域的图像清晰度,为后续处理分析提供可靠、真实的图像基础的效果。
步骤S400:构建智能处理模型,并利用所述智能处理模型对所述目标区域配准图像进行预处理,得到预处理目标区域配准图像;
进一步的,如附图3所示,本发明步骤S400还包括:
步骤S410:基于盲解卷积算法原理构建复原处理层,其中,所述复原处理层用于对所述目标区域配准图像进行第一预处理;
步骤S420:基于中值滤波器原理构建降噪处理层,其中,所述降噪处理层用于对所述目标区域配准图像进行第二预处理;
步骤S430:基于自适应直方图增强算法原理构建增强处理层,其中,所述增强处理层用于对所述目标区域配准图像进行第三预处理;
步骤S440:根据所述复原处理层、所述降噪处理层、所述增强处理层,构建所述智能处理模型。
具体而言,在利用智能处理模型对配准得到的所述目标区域配准图像进行预处理,先对智能处理模进行构建。
首先基于盲解卷积算法原理构建复原处理层,其中,所述复原处理层用于对所述目标区域配准图像进行第一预处理。然后基于中值滤波器原理构建降噪处理层,其中,所述降噪处理层用于对所述目标区域配准图像进行第二预处理。由于复原处理层使用基于PSF估计的盲解卷积算法对目标区域配准图像进行复原增强,其中真实的PSF与原始图像均未知,导致图像得到复原的同时噪声信息也被同步放大,因此利用所述降噪处理层对经过第一预处理得到的所述目标区域配准图像进行第二预处理。示范性的如选用滤波窗口为5*5的中值滤波器滤过被误复原的噪声,使得图像中的视细胞更加清晰,血管边缘更加突出。进一步,基于自适应直方图增强算法原理构建增强处理层,其中,所述增强处理层用于对所述目标区域配准图像进行第三预处理。通过自适应直方图增强算法可以有效提高图像的对比度。最后,根据所述复原处理层、所述降噪处理层、所述增强处理层,构建得到所述智能处理模型。
通过构建智能处理模型对拍摄、处理得到的目标区域配准图像进行复原增强、降噪、提升对比度等预处理,从而得到预处理目标区域配准图像,实现了提高视网膜图像清晰度的技术目标。
步骤S500:基于简单线性迭代聚类原理对所述预处理目标区域配准图像进行处理,生成所述预处理目标区域配准图像的像素抽象图;
步骤S600:利用超像素分割技术对所述像素抽象图进行处理,得到所述像素抽象图的分割处理结果,其中,所述分割处理结果包括多个分割区域;
具体而言,在对所述预处理目标区域配准图像进行超像素分割处理前,先对所述预处理目标区域配准图像进行像素抽象处理,从而实现所述预处理目标区域配准图像的图像降维。其中,对所述预处理目标区域配准图像的进行像素抽象处理时,基于简单线性迭代聚类原理进行处理。其中,所述简单线性迭代聚类是在K-Means聚类算法的基础上扩展而来的一种简单高效的构建超像素的方法。进一步,利用超像素分割技术对所述像素抽象图进行分割处理,得到所述像素抽象图的分割处理结果。其中,所述分割处理结果包括多个分割区域。通过超像素分割,得到了多个分割区域,为计量视细胞直径提供了基础。
步骤S700:提取所述多个分割区域的任意一个分割区域,并对所述分割区域进行数据采集,得到分割区域数据集;
进一步的,本发明步骤S700还包括:
步骤S710:得到所述像素抽象图的总像素点数;
步骤S720:基于所述分割处理结果,得到分割区域数;
步骤S730:基于所述总像素点数、所述分割区域数,计算得到分割区域像素点数,其中,所述分割区域像素点数的计算公式如下:
n=N/k;
步骤S740:其中,n是指所述分割区域像素点数,N是指所述总像素点数,k是指所述分割区域数;
步骤S750:根据所述分割区域像素点数,计算得到分割区域内径,其中,所述分割区域内径的计算公式如下:
s=sqrt(n)=sqrt(N/k);
步骤S760:其中,s是指所述分割区域内径;
步骤S770:根据所述分割区域像素点数、所述分割区域内径,组成所述分割区域数据集。
进一步的,本发明还包括如下步骤:
步骤S781:基于第二预设角度阈值对目标视网膜进行图像采集,得到目标视网膜图像,并将所述目标视网膜图像作为定位图;
步骤S782:获得所述目标视网膜图像的黄斑中心,并将所述黄斑中心作为定位原点;
步骤S783:基于所述定位原点,为所述定位图构建定位直角坐标系;
步骤S784:根据所述定位直角坐标系,得到所述分割区域的质心位置,坐标记为(x,y);
步骤S785:计算所述质心位置与所述定位原点的欧氏距离;
步骤S786:利用所述欧氏距离对所述分割区域内径进行修正,得到分割区域修正内径,其中,所述分割区域修正内径的计算公式如下:
s′=a*s,
具体而言,对所述多个分割区域的任意一个分割区域进行处理分析,示范性的如依次处理所述多个分割区域中的各个分割区域,并在得到所述分割区域数据集之前,先分析计算得到所述分割区域的像素点数和内径。
首先统计得到所述像素抽象图的总像素点数,也就是未进行超像素分割处理之前,目标视网膜黄斑区域的总像素数量。然后统计得到目标视网膜黄斑区域的像素抽象图在进行超像素分割后,得到的分割区域的个数,即所述分割区域数。进而,基于所述总像素点数和所述分割区域数,计算得到分割区域像素点数。此外,依次统计各个分割区域的像素点数,并对各个分割区域的像素点数进行均值计算,得到的均值计算结果用于对所述分割区域像素点数进行校正。其中,基于所述总像素点数和所述分割区域数计算得到所述分割区域像素点数的具体计算公式如下:
n=N/k;
其中,n是指所述分割区域像素点数,N是指所述总像素点数,k是指所述分割区域数。
进一步,根据所述分割区域像素点数,计算得到分割区域内径,其中,所述分割区域内径的计算公式如下:
s=sqrt(n)=sqrt(N/k);
其中,s是指所述分割区域内径;
最后,基于所述分割区域像素点数、所述分割区域内径得到所述分割区域数据集。
进一步的,在计算得到所述分割区域的所述分割区域内径后,再次对所述分割区域内径进行处理修正,得到数据更加准确的所述分割区域修正内径。
首先,基于第二预设角度阈值对目标视网膜进行图像采集,得到目标视网膜图像,并将所述目标视网膜图像作为定位图。其中,所述第二预设角度阈值远大于所述第一预设角度阈值。示范性的如第一预设角度阈值为8°,第二预设角度阈值为60°。然后找到所述目标视网膜图像的黄斑中心,并将所述黄斑中心作为所述目标视网膜图像,即所述定位图的定位原点。示范性的如将黄斑中心的小凹位置作为定位原点。进而,基于所述定位原点为所述定位图构建定位直角坐标系,示范性的如X方向取黄斑到视盘的水平矢量方向为正,X方向正方向逆时针旋转90°为Y方向正方向。最后,根据得到所述分割区域的质心位置在所述定位直角坐标系中的准确坐标,即(x,y),并计算所述质心位置与所述定位原点,即计算所述质心位置与坐标点(x0,y0)=(0,0)的欧氏距离。进一步的,将所述欧氏距离用于对所述分割区域内径进行修正,得到分割区域修正内径。具体计算公式如下:
s′=a*s,
通过对分割区域进行处理,计算得到分割区域中像素点数和分割区域的内径数据,其中,将超像素分割结果视为规则形状后,所述分割区域内径即视细胞直径。
步骤S800:基于所述分割区域数据集,计算得到所述目标视网膜黄斑区域的视细胞密度。
进一步的,如附图4所示,本发明步骤S800还包括:
步骤S810:将所述分割区域修正内径作为所述目标视网膜黄斑区域的视细胞直径;
步骤S820:获得所述目标视网膜黄斑区域的区域尺寸,并根据所述区域尺寸计算所述目标视网膜黄斑区域的区域面积;
步骤S830:根据所述视细胞直径、所述区域面积,计算得到所述目标视网膜黄斑区域的所述视细胞密度。
具体而言,超像素分割后的分割区域为不规则形状,将其视作规则正方形后,分割区域内径即为类六边形的视细胞的直径,因此首先将所述分割区域修正内径作为所述目标视网膜黄斑区域的视细胞直径。然后测量得到所述目标视网膜黄斑区域的区域尺寸,并根据所述区域尺寸计算所述目标视网膜黄斑区域的区域面积。最后根据所述视细胞直径、所述区域面积,计算得到所述目标视网膜黄斑区域的所述视细胞密度。通过对所述目标视网膜黄斑区域进行长、宽等相关数据统计,并计算得到区域面积,进行用所述区域面积对所述视细胞直径进行除法运算,即得到单位面积内视细胞个数,即所述视细胞密度的准确量化数据,达到了基于实时目标视网膜黄斑区域的视频,快速、准确计量对应视细胞直径、密度的技术效果。
综上所述,本发明所提供的一种用于视细胞密度的计量方法具有如下技术效果:
通过在第一预设角度阈值下采集目标视网膜黄斑区域的视频信息,并对采集到的视频进行逐帧提取、配准,从而得到目标区域配准图像,即需要观测和计量的视网膜区域的图像,达到了为后续处理分析视网膜提供图像基础的技术效果。然后对拍摄、处理得到的目标区域配准图像进行复原增强、降噪、提升对比度等预处理,得到预处理目标区域配准图像,实现了提高视网膜图像清晰度的技术目标。进一步的,对预处理目标区域配准图像进行像素画、超像素分割处理,并对分割后的分割区域进行计算分析,得到分割区域数据集,实现了为得到视细胞的分割图像,并为后续准确计量视细胞提供数据基础的目标。最后,基于分割区域的相关数据,计算得到目标视网膜黄斑区域的视细胞直径、密度,达到了提高视细胞直径和密度计量的实时性、准确性的技术效果。
实施例二
基于与前述实施例中一种用于视细胞密度的计量方法,同样发明构思,本发明还提供了一种用于视细胞密度的计量***,请参阅附图5,所述***包括:
视频采集模块M100,所述视频采集模块M100用于基于第一预设角度阈值对目标视网膜黄斑区域进行视频采集,得到目标区域视频;
视频处理模块M200,所述视频处理模块M200包括:
图像提取模块M210,所述图像提取模块M210用于对所述目标区域视频进行逐帧图像提取,得到目标区域图像集,其中,所述目标区域图像集包括多张目标区域图像;
图像配准模块M220,所述图像配准模块M220用于对所述多张目标区域图像进行配准处理,得到目标区域配准图像;
图像增强模块M230,所述图像增强模块M230用于构建智能处理模型,并利用所述智能处理模型对所述目标区域配准图像进行预处理,得到预处理目标区域配准图像;
图像抽象模块M240,所述图像抽象模块M240用于基于简单线性迭代聚类原理对所述预处理目标区域配准图像进行处理,生成所述预处理目标区域配准图像的像素抽象图;
图像分割模块M250,所述图像分割模块M250用于利用超像素分割技术对所述像素抽象图进行处理,得到所述像素抽象图的分割处理结果,其中,所述分割处理结果包括多个分割区域;
分析计算模块M300,所述分析计算模块M300包括:
数据采集模块M310,所述数据采集模块M310用于提取所述多个分割区域的任意一个分割区域,并对所述分割区域进行数据采集,得到分割区域数据集;
数据计算模块M320,所述数据计算模块M320用于基于所述分割区域数据集,计算得到所述目标视网膜黄斑区域的视细胞密度。
进一步的,所述***中的所述图像配准模块M220还用于:
提取所述多张目标区域图像中的首帧图像,并将所述首帧图像作为配准参考图像;
获得剔除所述多张目标区域图像中所述首帧图像后的非首帧图像集,其中,所述非首帧图像集包括多个非首帧图像;
将所述多个非首帧图像作为待配准图像;
基于所述配准参考图像对所述待配准图像进行偏移配准,得到所述目标区域配准图像。
进一步的,所述***中的所述图像增强模块M230还用于:
基于盲解卷积算法原理构建复原处理层,其中,所述复原处理层用于对所述目标区域配准图像进行第一预处理;
基于中值滤波器原理构建降噪处理层,其中,所述降噪处理层用于对所述目标区域配准图像进行第二预处理;
基于自适应直方图增强算法原理构建增强处理层,其中,所述增强处理层用于对所述目标区域配准图像进行第三预处理;
根据所述复原处理层、所述降噪处理层、所述增强处理层,构建所述智能处理模型。
进一步的,所述***中的所述数据采集模块M310还用于:
得到所述像素抽象图的总像素点数;
基于所述分割处理结果,得到分割区域数;
基于所述总像素点数、所述分割区域数,计算得到分割区域像素点数,其中,所述分割区域像素点数的计算公式如下:
n=N/k;
其中,n是指所述分割区域像素点数,N是指所述总像素点数,k是指所述分割区域数;
根据所述分割区域像素点数,计算得到分割区域内径,其中,所述分割区域内径的计算公式如下:
s=sqrt(n)=sqrt(N/k);
其中,s是指所述分割区域内径;
根据所述分割区域像素点数、所述分割区域内径,组成所述分割区域数据集。
进一步的,所述***中的所述数据采集模块M310还用于:
基于第二预设角度阈值对目标视网膜进行图像采集,得到目标视网膜图像,并将所述目标视网膜图像作为定位图;
获得所述目标视网膜图像的黄斑中心,并将所述黄斑中心作为定位原点;
基于所述定位原点,为所述定位图构建定位直角坐标系;
根据所述定位直角坐标系,得到所述分割区域的质心位置,坐标记为(x,y);
计算所述质心位置与所述定位原点的欧氏距离;
利用所述欧氏距离对所述分割区域内径进行修正,得到分割区域修正内径,其中,所述分割区域修正内径的计算公式如下:
s′=a*s,
进一步的,所述***中的所述数据计算模块M320还用于:
将所述分割区域修正内径作为所述目标视网膜黄斑区域的视细胞直径;
获得所述目标视网膜黄斑区域的区域尺寸,并根据所述区域尺寸计算所述目标视网膜黄斑区域的区域面积;
根据所述视细胞直径、所述区域面积,计算得到所述目标视网膜黄斑区域的所述视细胞密度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种用于视细胞密度的计量方法和具体实例同样适用于本实施例的一种用于视细胞密度的计量***,通过前述对一种用于视细胞密度的计量方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种用于视细胞密度的计量***,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种用于视细胞密度的计量方法,其特征在于,包括:
基于第一预设角度阈值对目标视网膜黄斑区域进行视频采集,得到目标区域视频;
对所述目标区域视频进行逐帧图像提取,得到目标区域图像集,其中,所述目标区域图像集包括多张目标区域图像;
对所述多张目标区域图像进行配准处理,得到目标区域配准图像;
构建智能处理模型,并利用所述智能处理模型对所述目标区域配准图像进行预处理,得到预处理目标区域配准图像;
基于简单线性迭代聚类原理对所述预处理目标区域配准图像进行处理,生成所述预处理目标区域配准图像的像素抽象图;
利用超像素分割技术对所述像素抽象图进行处理,得到所述像素抽象图的分割处理结果,其中,所述分割处理结果包括多个分割区域;
提取所述多个分割区域的任意一个分割区域,并对所述分割区域进行数据采集,得到分割区域数据集;
基于所述分割区域数据集,计算得到所述目标视网膜黄斑区域的视细胞密度。
2.如权利要求1所述的方法,其特征在于,所述对所述多张目标区域图像进行配准处理,得到目标区域配准图像,包括:
提取所述多张目标区域图像中的首帧图像,并将所述首帧图像作为配准参考图像;
获得剔除所述多张目标区域图像中所述首帧图像后的非首帧图像集,其中,所述非首帧图像集包括多个非首帧图像;
将所述多个非首帧图像作为待配准图像;
基于所述配准参考图像对所述待配准图像进行偏移配准,得到所述目标区域配准图像。
3.如权利要求1所述的方法,其特征在于,所述构建智能处理模型,包括:
基于盲解卷积算法原理构建复原处理层,其中,所述复原处理层用于对所述目标区域配准图像进行第一预处理;
基于中值滤波器原理构建降噪处理层,其中,所述降噪处理层用于对所述目标区域配准图像进行第二预处理;
基于自适应直方图增强算法原理构建增强处理层,其中,所述增强处理层用于对所述目标区域配准图像进行第三预处理;
根据所述复原处理层、所述降噪处理层、所述增强处理层,构建所述智能处理模型。
4.如权利要求1所述的方法,其特征在于,所述提取所述多个分割区域的任意一个分割区域,并对所述分割区域进行数据采集,得到分割区域数据集,包括:
得到所述像素抽象图的总像素点数;
基于所述分割处理结果,得到分割区域数;
基于所述总像素点数、所述分割区域数,计算得到分割区域像素点数,其中,所述分割区域像素点数的计算公式如下:
n=N/k;
其中,n是指所述分割区域像素点数,N是指所述总像素点数,k是指所述分割区域数;
根据所述分割区域像素点数,计算得到分割区域内径,其中,所述分割区域内径的计算公式如下:
s=sqrt(n)=sqrt(N/k);
其中,s是指所述分割区域内径;
根据所述分割区域像素点数、所述分割区域内径,组成所述分割区域数据集。
5.如权利要求4所述的方法,其特征在于,还包括:
基于第二预设角度阈值对目标视网膜进行图像采集,得到目标视网膜图像,并将所述目标视网膜图像作为定位图;
获得所述目标视网膜图像的黄斑中心,并将所述黄斑中心作为定位原点;
基于所述定位原点,为所述定位图构建定位直角坐标系;
根据所述定位直角坐标系,得到所述分割区域的质心位置,坐标记为(x,y);
计算所述质心位置与所述定位原点的欧氏距离;
利用所述欧氏距离对所述分割区域内径进行修正,得到分割区域修正内径,其中,所述分割区域修正内径的计算公式如下:
s′=a*s,
6.如权利要求5所述的方法,其特征在于,还包括:
将所述分割区域修正内径作为所述目标视网膜黄斑区域的视细胞直径;
获得所述目标视网膜黄斑区域的区域尺寸,并根据所述区域尺寸计算所述目标视网膜黄斑区域的区域面积;
根据所述视细胞直径、所述区域面积,计算得到所述目标视网膜黄斑区域的所述视细胞密度。
7.一种用于视细胞密度的计量***,其特征在于,所述***应用于权利要求1-6任一所述方法的步骤,所述***包括:
视频采集模块,所述视频采集模块用于基于第一预设角度阈值对目标视网膜黄斑区域进行视频采集,得到目标区域视频;
视频处理模块,所述视频处理模块包括:
图像提取模块,所述图像提取模块用于对所述目标区域视频进行逐帧图像提取,得到目标区域图像集,其中,所述目标区域图像集包括多张目标区域图像;
图像配准模块,所述图像配准模块用于对所述多张目标区域图像进行配准处理,得到目标区域配准图像;
图像增强模块,所述图像增强模块用于构建智能处理模型,并利用所述智能处理模型对所述目标区域配准图像进行预处理,得到预处理目标区域配准图像;
图像抽象模块,所述图像抽象模块用于基于简单线性迭代聚类原理对所述预处理目标区域配准图像进行处理,生成所述预处理目标区域配准图像的像素抽象图;
图像分割模块,所述图像分割模块用于利用超像素分割技术对所述像素抽象图进行处理,得到所述像素抽象图的分割处理结果,其中,所述分割处理结果包括多个分割区域;
分析计算模块,所述分析计算模块包括:
数据采集模块,所述数据采集模块用于提取所述多个分割区域的任意一个分割区域,并对所述分割区域进行数据采集,得到分割区域数据集;
数据计算模块,所述数据计算模块用于基于所述分割区域数据集,计算得到所述目标视网膜黄斑区域的视细胞密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210792756.9A CN115205241A (zh) | 2022-07-05 | 2022-07-05 | 一种用于视细胞密度的计量方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210792756.9A CN115205241A (zh) | 2022-07-05 | 2022-07-05 | 一种用于视细胞密度的计量方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115205241A true CN115205241A (zh) | 2022-10-18 |
Family
ID=83580963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210792756.9A Pending CN115205241A (zh) | 2022-07-05 | 2022-07-05 | 一种用于视细胞密度的计量方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115205241A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087220A (zh) * | 2022-11-05 | 2023-05-09 | 北京市永康药业有限公司 | 一种制药车间的除尘分析方法及*** |
-
2022
- 2022-07-05 CN CN202210792756.9A patent/CN115205241A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087220A (zh) * | 2022-11-05 | 2023-05-09 | 北京市永康药业有限公司 | 一种制药车间的除尘分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023200B (zh) | 一种基于泊松模型的x光胸片图像肋骨抑制方法 | |
US20220157047A1 (en) | Feature Point Detection | |
JP6368709B2 (ja) | 3次元身体データを生成する方法 | |
WO2017219391A1 (zh) | 一种基于三维数据的人脸识别*** | |
US20010048757A1 (en) | Method and apparatus for matching positions of images | |
CN106372629A (zh) | 一种活体检测方法和装置 | |
Myronenko et al. | Image registration by minimization of residual complexity | |
US20210068676A1 (en) | Method and system for automatically generating and analyzing fully quantitative pixel-wise myocardial blood flow and myocardial perfusion reserve maps to detect ischemic heart disease using cardiac perfusion magnetic resonance imaging | |
CN112257641A (zh) | 一种人脸识别活体检测方法 | |
CN117237591A (zh) | 一种心脏超声影像伪影智能去除方法 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
US20010048758A1 (en) | Image position matching method and apparatus | |
Tang et al. | Retinal image registration based on robust non-rigid point matching method | |
CN115205241A (zh) | 一种用于视细胞密度的计量方法及*** | |
CN116363181A (zh) | 一种基于特征的ct图像和超声图像肝脏配准方法 | |
Yuan et al. | VE-LLI-VO: Vessel enhancement using local line integrals and variational optimization | |
Oguz et al. | Cortical correspondence using entropy-based particle systems and local features | |
US11551371B2 (en) | Analyzing symmetry in image data | |
Hsu | A hybrid approach for brain image registration with local constraints | |
CN112861588B (zh) | 一种活体检测的方法、装置 | |
WO2020140380A1 (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
CN112800966B (zh) | 一种视线的追踪方法及电子设备 | |
CN112102327A (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN112528844A (zh) | 单视角低分辨率的步态特征提取方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |