CN116309584B - 一种用于白内障区域识别的图像处理*** - Google Patents
一种用于白内障区域识别的图像处理*** Download PDFInfo
- Publication number
- CN116309584B CN116309584B CN202310572082.6A CN202310572082A CN116309584B CN 116309584 B CN116309584 B CN 116309584B CN 202310572082 A CN202310572082 A CN 202310572082A CN 116309584 B CN116309584 B CN 116309584B
- Authority
- CN
- China
- Prior art keywords
- area
- pixel point
- cataract
- pupil
- pixel points
- 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.)
- Active
Links
- 208000002177 Cataract Diseases 0.000 title claims abstract description 130
- 210000001747 pupil Anatomy 0.000 claims abstract description 185
- 230000000694 effects Effects 0.000 claims abstract description 17
- 239000003550 marker Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 description 15
- 230000002708 enhancing effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 102000014824 Crystallins Human genes 0.000 description 1
- 108010064003 Crystallins Proteins 0.000 description 1
- 241000669618 Nothes Species 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种用于白内障区域识别的图像处理***,该***包括:眼部图像获取模块、增强必要性获取模块、眼部图像增强模块、白内障区域获取模块,采集眼部图像,获取瞳孔区域,根据瞳孔区域每个像素点的灰度值获取每个像素点为白内障区域边缘像素点的概率,进而得到标记像素点,根据标记像素点的分布获取每个标记像素点的离群显著性,进一步得到每个标记像素点的关注权重,结合关注权重对所有标记像素点进行圆形拟合,得到最佳拟合圆,进而得到标记像素点的拟合程度,根据拟合程度对概率进行修正,获取瞳孔区域中每个像素点的增强必要性,进而得到增强图像,获取白内障区域。本发明增强效果好,白内障区域识别准确。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种用于白内障区域识别的图像处理***。
背景技术
白内障为眼睛内部的晶状体蛋白质变性而发生混浊,导致视物模糊。在白内障早期,白内障区域与正常瞳孔区域的对比度低,导致白内障区域识别准确率低,因此需要对瞳孔区域的图像进行增强。
传统增强方法对瞳孔区域内的所有像素点都按照一致的比例进行增强,容易造成过增强的问题,导致图像噪声点增多,增强效果差,不利于白内障区域的识别。
发明内容
为了解决上述问题,本发明提供一种用于白内障区域识别的图像处理***,所述***包括:
眼部图像获取模块,采集眼部图像;根据眼部图像中所有像素点获取瞳孔区域;
增强必要性获取模块,为瞳孔区域中每个像素点构建窗口,根据窗口内邻域像素点获取每个像素点为白内障区域边缘像素点的概率;根据每个像素点为白内障区域边缘像素点的概率获取标记像素点,根据标记像素点的分布获取每个标记像素点的离群显著性;根据离群显著性获取每个标记像素点的关注权重;根据关注权重对所有标记像素点进行圆形拟合,得到最佳拟合圆;根据最佳拟合圆以及关注权重获取每个标记像素点的拟合程度;根据拟合程度对瞳孔区域中每个像素点为白内障区域边缘像素点的概率进行修正,根据修正结果获取瞳孔区域中每个像素点的增强必要性;
眼部图像增强模块,根据瞳孔区域中每个像素点的增强必要性以及灰度值获取增强图像;
白内障区域获取模块,对增强图像中的白内障区域进行识别。
优选的,所述根据眼部图像中所有像素点获取瞳孔区域,包括的步骤为:
获取眼部图像中每个像素点的梯度幅值;获取眼部图像中所有像素点的梯度幅值
的均值,获取梯度幅值大于的所有像素点,作为疑似瞳孔边缘像素点;对所有疑似瞳孔边
缘像素点进行连通域分析,得到所有的边缘,将边缘所围成的区域作为疑似瞳孔区域,获取
外轮廓最大的疑似瞳孔区域,当外轮廓最大的疑似瞳孔区域为单连通域时,将外轮廓最大
的疑似瞳孔区域作为瞳孔区域;当外轮廓最大的疑似瞳孔区域为多连通域时,对多连通域
进行填充,将多连通域转换为单连通域,将得到的单连通域作为瞳孔区域。
优选的,所述根据窗口内邻域像素点获取每个像素点为白内障区域边缘像素点的概率,包括的步骤为:
根据瞳孔区域每个像素点的窗口内邻域像素点获取每个像素点的灰度波动程度:
其中,为瞳孔区域第个像素点的灰度波动程度;为瞳孔区域第个像素点的
窗口内第个邻域像素点的灰度值;为瞳孔区域第个像素点的灰度值;为窗口大
小;
对瞳孔区域所有像素点的灰度波动程度进行线性归一化,将瞳孔区域每个像素点归一化后的灰度波动程度作为每个像素点为白内障区域边缘像素点的概率。
优选的,所述根据每个像素点为白内障区域边缘像素点的概率获取标记像素点,包括的步骤为:
将瞳孔区域划分为多个分块区域,获取每个分块区域中所有像素点为白内障区域边缘像素点的概率的均值,作为每个分块区域的平均概率;将每个分块区域中为白内障区域边缘像素点的概率大于分块区域的平均概率的像素点作为标记像素点。
优选的,所述根据标记像素点的分布获取每个标记像素点的离群显著性,包括的步骤为:
其中,为瞳孔区域第个标记像素点的离群显著性;为瞳孔区域第个标记像
素点与其最近的标记像素点之间的距离;为自然常数。
优选的,所述根据离群显著性获取每个标记像素点的关注权重,包括的步骤为:
其中,为瞳孔区域中第个标记像素点的关注权重;为瞳孔区域第个标记像
素点的离群显著性;为自然常数。
优选的,所述根据关注权重对所有标记像素点进行圆形拟合,得到最佳拟合圆,包括的步骤为:
设所要拟合的圆的方程为:
其中,为所要拟合的圆的圆心坐标,为所要拟合的圆的半径;和分别代
表所要拟合的圆上点的横坐标和纵坐标;
根据每个标记像素点的位置以及关注权重构建拟合效果表达式:
其中,为所有标记像素点到圆心的距离与半径的差异的加权之和;为瞳孔区域
第个标记像素点的横坐标;为瞳孔区域第个标记像素点的纵坐标;为瞳孔区域第个
标记像素点的关注权重;为瞳孔区域中标记像素点的个数;
根据求解出以及,获得最佳拟合圆的方程。
优选的,所述根据最佳拟合圆以及关注权重获取每个标记像素点的拟合程度,包括的步骤为:
其中,为瞳孔区域第个标记像素点的拟合程度;为瞳孔区域第个标记像素
点的关注权重;为瞳孔区域第个标记像素点到最佳拟合圆的距离。
优选的,所述根据拟合程度对瞳孔区域中每个像素点为白内障区域边缘像素点的概率进行修正,根据修正结果获取瞳孔区域中每个像素点的增强必要性,包括的步骤为:
对瞳孔区域每个像素点为白内障区域边缘像素点的概率进行修正,包括:当像素点为标记像素点时,将像素点的拟合程度作为像素点的修正权重,与像素点为白内障区域边缘像素点的概率相乘,得到像素点为白内障区域边缘像素点的修正概率;当像素点不为标记像素点时,将像素点为白内障区域边缘像素点的概率直接作为像素点为白内障区域边缘像素点的修正概率;
根据瞳孔区域每个像素点为白内障区域边缘像素点的修正概率获取每个像素点的增强必要性:
其中,为瞳孔区域第个像素点的增强必要性;为瞳孔区域第个像素点为白内
障区域边缘像素点的修正概率;是以自然常数为底数的对数函数。
优选的,所述根据瞳孔区域中每个像素点的增强必要性以及灰度值获取增强图像,包括的步骤为:
获取瞳孔区域每个像素点的增强灰度值:
其中,为瞳孔区域第个像素点的增强灰度值;为瞳孔区域第个像素点原本的
灰度值;为瞳孔区域第个像素点的增强必要性;为瞳孔区域第个像素点的窗口内所有
邻域像素点的灰度值的均值;
瞳孔区域所有像素点的增强灰度值构成瞳孔区域的增强图像。
本发明具有如下有益效果:本发明采集眼部图像,获取瞳孔区域,根据瞳孔区域每个像素点的灰度值获取每个像素点为白内障区域边缘像素点的概率,进而得到标记像素点,根据标记像素点的分布获取每个标记像素点的离群显著性,进一步得到每个标记像素点的关注权重,结合关注权重对所有标记像素点进行圆形拟合,得到最佳拟合圆,传统的最小二乘法对于待拟合的所有像素点的关注程度一致,所以极易受到噪声点的影响而导致最佳的拟合圆位置产生偏差,本发明通过标记像素点的关注权重调整标记像素点与圆的距离关系,对关注权重大的标记像素点更关注其到圆的距离,对关注权重小的标记像素点越不关注其到圆的距离,极大的忽略了噪声点的影响,使得拟合效果更加准确;本发明根据标记像素点的关注权重以及最佳拟合圆获取标记像素点的拟合程度,根据拟合程度对概率进行修正,获取瞳孔区域中每个像素点的增强必要性,使得越可能为白内障区域边缘的像素点的增强必要性越大,确保了白内障区域边缘的重点增强;传统增强方法对瞳孔区域内的所有像素点都按照一致的比例进行增强,容易造成过增强的问题,导致图像噪声点增多,增强效果差,不利于白内障区域的识别。本发明根据像素点的增强必要性以及灰度值获取增强图像,使得对于不同像素点的增强程度不同,对于越可能为白内障区域边缘的像素点,灰度值增加程度越大,对于越不可能为白内障区域边缘的像素点,灰度值减小程度越大,使得白内障病灶区域的边缘与其余区域的对比度增强,进一步使得获取的白内障区域更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种用于白内障区域识别的图像处理***的***框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于白内障区域识别的图像处理***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于白内障区域识别的图像处理***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于白内障区域识别的图像处理***,该***包括以下模块:
眼部图像获取模块S101,获取眼部图像以及瞳孔区域。
裂隙灯显微镜可用来进行眼科检查,本发明实施例采集裂隙灯显微镜下患者眼部的图像,为了便于后续处理,采集的图像仅包含瞳仁区域,不包含眼白区域,对采集到的图像进行灰度化处理,将灰度化处理得到的图像记为眼部图像。
需要说明的是,白内障病变为瞳仁之后的晶状体产生病变,瞳仁包含虹膜和瞳孔,由于虹膜的遮挡,在虹膜区域难以识别出白内障病变,在瞳孔区域上可识别出白内障病变,因此首先需要提取眼部图像的瞳孔区域,以便后续根据瞳孔区域获取白内障区域。眼部瞳孔区域与虹膜部分具有强烈的灰度差异,而梯度能反映灰度的变化速率,眼部瞳孔区域与虹膜区域之间的灰度变化速率较快,则眼部瞳孔区域与虹膜区域之间的边缘像素点的梯度很大,因此本发明实施例通过对比眼部图像中每个像素点的梯度与平均梯度的差异,筛选可能为眼部瞳孔区域与虹膜区域之间边缘的像素点,从而获取瞳孔区域。
在本发明实施中,利用Sobel算子获取眼部图像中每个像素点的梯度幅值。获取所
有像素点的梯度幅值的均值,用表示。获取梯度幅值大于的所有像素点,作为疑似瞳孔边
缘像素点。
需要说明的是,白内障区域和正常瞳孔区域的对比度不明显,获取到的疑似瞳孔边缘像素点可能包含了部分白内障区域的边缘像素点,也可能不包含白内障区域的边缘像素点。白内障区域的边缘像素点位于瞳孔内部,可根据所有疑似瞳孔边缘像素点的分布情况获取瞳孔区域。
对所有疑似瞳孔边缘像素点进行连通域分析,得到所有的边缘,将边缘所围成的区域作为疑似瞳孔区域,获取外轮廓最大的疑似瞳孔区域,当外轮廓最大的疑似瞳孔区域为单连通域时,将外轮廓最大的疑似瞳孔区域作为瞳孔区域;当外轮廓最大的疑似瞳孔区域为多连通域时,对多连通域进行填充,将多连通域转换为单连通域,将得到的单连通域作为瞳孔区域。
至此,获取了眼部图像以及眼部图像中的瞳孔区域。
增强必要性获取模块S102,获取瞳孔区域每个像素点的增强必要性。
需要说明的是,由于白内障区域和正常瞳孔区域的对比度不明显,所以需要增强两者之间的差异性以更好的识别分割。若对瞳孔区域内的所有像素点都按照一致的比例进行增强,则容易造成过增强的问题,导致图像噪声点增多,所以需要判断对每个像素点进行增强的必要性,本发明实施例以瞳孔区域每个像素点为中心像素点计算其邻域的灰度分布情况,并结合像素点的所处位置,计算对该像素点的增强必要性。白内障一般存在于瞳孔区域,且病灶区域与正常瞳孔区域之间的灰度具有一定差异性,因此本发明实施例通过检测区域内的每个像素点周围的灰度波动程度,为该像素点是否需要增强提供依据。
在本发明上实施例中,分别以瞳孔区域中每个像素点为中心构建大小的窗
口,在本发明实施例中,,在其他实施例中,实施人员可根据实际实施情况设置窗口的
大小。窗口大小即为窗口中心像素点的邻域大小,窗口内每个像素点即为窗口中心像素点
的邻域像素点。
根据瞳孔区域每个像素点的邻域像素点获取每个像素点的灰度波动程度:
其中,为瞳孔区域第个像素点的灰度波动程度;为瞳孔区域第个像素点的
窗口内第个邻域像素点的灰度值;为瞳孔区域第个像素点的灰度值;为窗口的边长,为窗口大小;当像素点的灰度波动程度越大时,说明该像素点的邻域范围内像素点的
灰度值的差异较大,则该像素点越可能位于白内障区域边缘附近,该像素点为白内障区域
边缘像素点的概率越大,后续对该像素点进行增强的必要性就越大,反之越小。
对瞳孔区域所有像素点的灰度波动程度进行线性归一化,将每个像素点归一化后
的灰度波动程度作为每个像素点为白内障区域边缘像素点的概率,用表示,例如瞳孔区域
第个像素点为白内障区域边缘像素点的概率为。
至此,获取了瞳孔区域每个像素点为白内障区域边缘像素点的概率。
需要说明的是,在瞳孔区域每个像素点为白内障区域边缘像素点的概率的计算中,与实际白内障区域边缘像素点临近的像素点对应的概率也很大,但此些像素点的并不需要进行重点增强,其增强必要性应较小。因此需要对实际的白内障区域边缘像素点与临近的像素点进行区分。本发明实施例通过量化距离关系获取像素点之间的位置信息。
在本法实施例中,将瞳孔区域划分为大小的分块区域,在本发明实施例中,,在其他实施例中,实施人员可根据实际实施情况设置分块区域的大小。获取每个分
块区域中所有像素点为白内障区域边缘像素点的概率的均值,作为每个分块区域的平均概
率。将分块区域中为白内障区域边缘像素点的概率大于分块区域的平均概率的像素点作为
标记像素点。获取瞳孔区域中所有标记像素点。
需要说明的是,由于白内障区域近似圆形,标记像素点大概率为白内障区域边缘像素点,但在噪声的作用下,没有白内障区域边缘像素点分布的分块区域也会筛选出标记像素点,此些标记像素点的分布较为分散,而白内障区域边缘像素点分布的连续性较强,因此可获取每个标记像素点的离群显著性来一定程度上衡量像素点是否为白内障区域边缘像素点。
在本发明实施例中,获取每个标记像素点的离群显著性:
其中,为瞳孔区域第个标记像素点的离群显著性;为瞳孔区域第个标记像
素点与其最近的标记像素点之间的距离;为自然常数;瞳孔区域第个标记像素点与其最
近的标记像素点之间的距离越大说明第个标记像素点的离群性越明显,则第个标记像素
点为噪声点的概率越大。
由于白内障区域近似圆形,因此可对所有标记像素点进行圆拟合,在拟合过程中,根据标记像素点的离群显著性构建每个标记像素点的关注权重,当标记像素点的离群显著性越大时,在圆拟合的过程中,对该标记像素点越不关注,反之则越关注。
在本发明实施中,获取每个标记像素点的关注权重:
其中,为瞳孔区域中第个标记像素点的关注权重;为瞳孔区域第个标记像
素点的离群显著性;为自然常数;当标记像素点的离群显著性越大时,在圆拟合的过程中,
对该标记像素点越不关注,该标记像素点的关注权重越小;反之,当标记像素点的离群显著
性越小时,在圆拟合的过程中,对该标记像素点越关注,该标记像素点的关注权重越大。
假设所要拟合的圆的方程为:
其中,为所要拟合的圆的圆心坐标,为所要拟合的圆的半径,、均
为未知数,和分别为所要拟合的圆上点的横坐标和纵坐标,当待拟合像素点与圆之间的
距离平方和(即所有待拟合像素点到圆心的距离与半径的差异之和)达到最小时,对应的拟
合效果最佳,但为了避免噪声点的影响,本发明实施例根据每个标记像素点的关注权重调
整距离关系,获得更准确的拟合效果表达式,具体为:
其中,为所有标记像素点到圆心的距离与半径的差异的加权之和;为瞳孔区域
第个标记像素点的横坐标;为瞳孔区域第个标记像素点的纵坐标;为瞳孔区域第个
标记像素点的关注权重;为所要拟合的圆的半径;为瞳孔区域标记像素点的个数;则当
达到最小时,对应的拟合圆的效果最好,因此本发明实施例对拟合效果表达式求偏微分,即
当时,对应的圆为最佳拟合圆,根据求解出以及,获得圆的方程,即为最佳拟合圆的方程。需要说明的是,根据拟合效果表达式求偏微分为
最小二乘法中的现有技术,在本发明实施例中不再详细赘述。
需要说明的是,传统的最小二乘法对于待拟合的所有像素点的关注程度一致,所以极易受到噪声点的影响而导致最佳的拟合圆位置产生偏差,本发明实施例通过标记像素点关注权重调整标记像素点与圆的距离关系,对关注权重大的标记像素点更关注其到圆的距离,对关注权重小的标记像素点越不关注其到圆的距离,极大的忽略了噪声点的影响,使得拟合效果更加准确。
至此,获取了了最佳拟合圆的表达式。
需要说明的是,标记像素点越临近最佳拟合圆时,该标记像素点为实际白内障区域边缘的概率越大,对其增强的必要性也就越大,为获取增强必要性,需量化标记像素点与最佳拟合圆的距离关系,获取每个标记像素点的拟合程度。
在本发明实施例中,获取瞳孔区域每个标记像素点的拟合程度:
其中,为瞳孔区域第个标记像素点的拟合程度;为瞳孔区域第个标记像素
点的关注权重;为瞳孔区域第个标记像素点到最佳拟合圆的距离;当标记像素点到最佳
拟合圆的距离越小,且关注权重越大时,该标记像素点的拟合程度越大,该标记像素点为实
际白内障区域边缘的概率越大,对其增强的必要性也就越大;当标记像素点到最佳拟合圆
的距离越大,且关注权重越小时,该标记像素点的拟合程度越小,该标记像素点为噪声点的
概率越大,对其增强的必要性也就越小。
需要说明的是,当标记像素点的拟合程度越高则说明该标记像素点为实际白内障区域边缘的概率越大,因此需要结合标记像素点的拟合程度对每个像素点为白内障区域边缘像素点的概率进行修正,获取更加准确的概率值,以便后续根据修正概率获取更加准确的增强必要性。
在本发明实施例中,对瞳孔区域每个像素点为白内障区域边缘像素点的概率进行修正,具体为:
当像素点为标记像素点时,将像素点的拟合程度作为像素点的修正权重,与像素点为白内障区域边缘像素点的概率相乘,得到像素点为白内障区域边缘像素点的修正概率;当像素点不为标记像素点时,不对像素点为白内障区域边缘像素点的概率进行修正,即将像素点为白内障区域边缘像素点的概率直接作为像素点为白内障区域边缘像素点的修正概率。
将瞳孔区域每个像素点为白内障区域边缘像素点的修正概率用表示,例如瞳孔
区域第个像素点为白内障区域边缘像素点的修正概率为。根据瞳孔区域每个像素点为
白内障区域边缘像素点的修正概率获取每个像素点的增强必要性:
其中,为瞳孔区域第个像素点的增强必要性;为瞳孔区域第个像素点为白内
障区域边缘像素点的修正概率;是以自然常数为底数的对数函数;当像素点为白内障
区域边缘像素点的修正概率越大时,该像素点的增强必要性越大,为正数,当像素点为白内
障区域边缘像素点的修正概率越小时,该像素点的增强必要性越小,为负数。
至此,获取了瞳孔区域每个像素点的增强必要性,为后续构造增强函数提供了依据。
眼部图像增强模块S103,对瞳孔区域进行增强,得到增强图像。
需要说明的是,在得到像素点的增强必要性后,需要根据增强必要性对瞳孔区域进行增强,增强必要性大时,像素点的像素值需要调整的值更大,反之则更小。因此本发明实施例将增强必要性作为参考系数,对瞳孔区域中像素点的灰度值进行调整,以达到增强对比度的目的。
在本发明实施例中,获取瞳孔区域每个像素点的增强灰度值:
其中,为瞳孔区域第个像素点的增强灰度值;为瞳孔区域第个像素点原本的
灰度值;为瞳孔区域第个像素点的增强必要性;为瞳孔区域第个像素点的窗口内所有
邻域像素点的灰度值的均值;为保留瞳孔区域原有的图像特征,本发明实施例在瞳孔区域
的局部范围内的平均灰度值的基础上对局部区域内每个像素点的像素值进行调整,当像素
点的增强必要性越大时,该像素点更趋于白内障区域边缘像素点,该像素点的灰度值较大,
与其增强必要性相乘后调整的值越大,所以其增强灰度值会有明显的增加;而对应增强必
要性小的像素点,其增强必要性为负数,该像素点越不可能为白内障区域边缘像素点,将其
增强必要性与灰度值相乘后之后的结果为负数,利用局部区域内邻域像素点的灰度值的均
值加上一个负数,使得该像素点的增强灰度值会有明显的降低。使得白内障区域的边缘与
其余区域的对比度增强。
瞳孔区域所有像素点的增强灰度值构成了瞳孔区域的增强图像。
至此,实现了瞳孔区域的增强,得到增强图像。增强图像中白内障区域边缘与正常瞳孔区域的灰度差异得到了增强。
白内障区域获取模块S104,获取增强图像中的白内障区域。
对增强图像进行大津阈值分割,得到白内障区域的边缘,将白内障区域的边缘所围成的区域作为白内障区域。
至此,实现了白内障区域的识别。
综上所述,本发明的***包括眼部图像获取模块、增强必要性获取模块、眼部图像增强模块、白内障区域获取模块,本发明采集眼部图像,获取瞳孔区域,根据瞳孔区域每个像素点的灰度值获取每个像素点为白内障区域边缘像素点的概率,进而得到标记像素点,根据标记像素点的分布获取每个标记像素点的离群显著性,进一步得到每个标记像素点的关注权重,结合关注权重对所有标记像素点进行圆形拟合,得到最佳拟合圆,传统的最小二乘法对于待拟合的所有像素点的关注程度一致,所以极易受到噪声点的影响而导致最佳的拟合圆位置产生偏差,本发明通过标记像素点的关注权重调整标记像素点与圆的距离关系,对关注权重大的标记像素点更关注其到圆的距离,对关注权重小的标记像素点越不关注其到圆的距离,极大的忽略了噪声点的影响,使得拟合效果更加准确;本发明根据标记像素点的关注权重以及最佳拟合圆获取标记像素点的拟合程度,根据拟合程度对概率进行修正,获取瞳孔区域中每个像素点的增强必要性,使得越可能为白内障区域边缘的像素点的增强必要性越大,确保了白内障区域边缘的重点增强;传统增强方法对瞳孔区域内的所有像素点都按照一致的比例进行增强,容易造成过增强的问题,导致图像噪声点增多,增强效果差,不利于白内障区域的识别。本发明根据像素点的增强必要性以及灰度值获取增强图像,使得对于不同像素点的增强程度不同,对于越可能为白内障区域边缘的像素点,灰度值增加程度越大,对于越不可能为白内障区域边缘的像素点,灰度值减小程度越大,使得白内障病灶区域的边缘与其余区域的对比度增强,进一步使得获取的白内障区域更加准确。
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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于白内障区域识别的图像处理***,其特征在于,所述***包括:
眼部图像获取模块,采集眼部图像;根据眼部图像中所有像素点获取瞳孔区域;
增强必要性获取模块,为瞳孔区域中每个像素点构建窗口,根据窗口内邻域像素点获取每个像素点为白内障区域边缘像素点的概率;根据每个像素点为白内障区域边缘像素点的概率获取标记像素点,根据标记像素点的分布获取每个标记像素点的离群显著性;根据离群显著性获取每个标记像素点的关注权重;根据关注权重对所有标记像素点进行圆形拟合,得到最佳拟合圆;根据最佳拟合圆以及关注权重获取每个标记像素点的拟合程度;根据拟合程度对瞳孔区域中每个像素点为白内障区域边缘像素点的概率进行修正,根据修正结果获取瞳孔区域中每个像素点的增强必要性;
眼部图像增强模块,根据瞳孔区域中每个像素点的增强必要性以及灰度值获取增强图像;
白内障区域获取模块,对增强图像中的白内障区域进行识别;
所述根据标记像素点的分布获取每个标记像素点的离群显著性,包括的步骤为:
其中,为瞳孔区域第/>个标记像素点的离群显著性;/>为瞳孔区域第/>个标记像素点与其最近的标记像素点之间的距离;/>为自然常数;
所述根据离群显著性获取每个标记像素点的关注权重,包括的步骤为:
其中,为瞳孔区域中第/>个标记像素点的关注权重;/>为瞳孔区域第/>个标记像素点的离群显著性;/>为自然常数。
2.根据权利要求1所述的一种用于白内障区域识别的图像处理***,其特征在于,所述根据眼部图像中所有像素点获取瞳孔区域,包括的步骤为:
获取眼部图像中每个像素点的梯度幅值;获取眼部图像中所有像素点的梯度幅值的均值,获取梯度幅值大于/>的所有像素点,作为疑似瞳孔边缘像素点;对所有疑似瞳孔边缘像素点进行连通域分析,得到所有的边缘,将边缘所围成的区域作为疑似瞳孔区域,获取外轮廓最大的疑似瞳孔区域,当外轮廓最大的疑似瞳孔区域为单连通域时,将外轮廓最大的疑似瞳孔区域作为瞳孔区域;当外轮廓最大的疑似瞳孔区域为多连通域时,对多连通域进行填充,将多连通域转换为单连通域,将得到的单连通域作为瞳孔区域。
3.根据权利要求1所述的一种用于白内障区域识别的图像处理***,其特征在于,所述根据窗口内邻域像素点获取每个像素点为白内障区域边缘像素点的概率,包括的步骤为:
根据瞳孔区域每个像素点的窗口内邻域像素点获取每个像素点的灰度波动程度:
其中,为瞳孔区域第/>个像素点的灰度波动程度;/>为瞳孔区域第/>个像素点的窗口内第/>个邻域像素点的灰度值;/>为瞳孔区域第/>个像素点的灰度值;/>为窗口大小;
对瞳孔区域所有像素点的灰度波动程度进行线性归一化,将瞳孔区域每个像素点归一化后的灰度波动程度作为每个像素点为白内障区域边缘像素点的概率。
4.根据权利要求1所述的一种用于白内障区域识别的图像处理***,其特征在于,所述根据每个像素点为白内障区域边缘像素点的概率获取标记像素点,包括的步骤为:
将瞳孔区域划分为多个分块区域,获取每个分块区域中所有像素点为白内障区域边缘像素点的概率的均值,作为每个分块区域的平均概率;将每个分块区域中为白内障区域边缘像素点的概率大于分块区域的平均概率的像素点作为标记像素点。
5.根据权利要求1所述的一种用于白内障区域识别的图像处理***,其特征在于,所述根据关注权重对所有标记像素点进行圆形拟合,得到最佳拟合圆,包括的步骤为:
设所要拟合的圆的方程为:
其中,为所要拟合的圆的圆心坐标,/>为所要拟合的圆的半径;/>和/>分别代表所要拟合的圆上点的横坐标和纵坐标;
根据每个标记像素点的位置以及关注权重构建拟合效果表达式:
其中,为所有标记像素点到圆心的距离与半径的差异的加权之和;/>为瞳孔区域第/>个标记像素点的横坐标;/>为瞳孔区域第/>个标记像素点的纵坐标;/>为瞳孔区域第/>个标记像素点的关注权重;/>为瞳孔区域中标记像素点的个数;
根据求解出/>以及/>,获得最佳拟合圆的方程。
6.根据权利要求1所述的一种用于白内障区域识别的图像处理***,其特征在于,所述根据最佳拟合圆以及关注权重获取每个标记像素点的拟合程度,包括的步骤为:
其中,为瞳孔区域第/>个标记像素点的拟合程度;/>为瞳孔区域第/>个标记像素点的关注权重;/>为瞳孔区域第/>个标记像素点到最佳拟合圆的距离。
7.根据权利要求1所述的一种用于白内障区域识别的图像处理***,其特征在于,所述根据拟合程度对瞳孔区域中每个像素点为白内障区域边缘像素点的概率进行修正,根据修正结果获取瞳孔区域中每个像素点的增强必要性,包括的步骤为:
对瞳孔区域每个像素点为白内障区域边缘像素点的概率进行修正,包括:当像素点为标记像素点时,将像素点的拟合程度作为像素点的修正权重,与像素点为白内障区域边缘像素点的概率相乘,得到像素点为白内障区域边缘像素点的修正概率;当像素点不为标记像素点时,将像素点为白内障区域边缘像素点的概率直接作为像素点为白内障区域边缘像素点的修正概率;
根据瞳孔区域每个像素点为白内障区域边缘像素点的修正概率获取每个像素点的增强必要性:
其中,为瞳孔区域第/>个像素点的增强必要性;/>为瞳孔区域第/>个像素点为白内障区域边缘像素点的修正概率;/>是以自然常数为底数的对数函数。
8.根据权利要求1所述的一种用于白内障区域识别的图像处理***,其特征在于,所述根据瞳孔区域中每个像素点的增强必要性以及灰度值获取增强图像,包括的步骤为:
获取瞳孔区域每个像素点的增强灰度值:
其中,为瞳孔区域第/>个像素点的增强灰度值;/>为瞳孔区域第/>个像素点原本的灰度值;/>为瞳孔区域第/>个像素点的增强必要性;/>为瞳孔区域第/>个像素点的窗口内所有邻域像素点的灰度值的均值;
瞳孔区域所有像素点的增强灰度值构成瞳孔区域的增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572082.6A CN116309584B (zh) | 2023-05-22 | 2023-05-22 | 一种用于白内障区域识别的图像处理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572082.6A CN116309584B (zh) | 2023-05-22 | 2023-05-22 | 一种用于白内障区域识别的图像处理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309584A CN116309584A (zh) | 2023-06-23 |
CN116309584B true CN116309584B (zh) | 2023-07-28 |
Family
ID=86815270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310572082.6A Active CN116309584B (zh) | 2023-05-22 | 2023-05-22 | 一种用于白内障区域识别的图像处理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309584B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563172B (zh) * | 2023-07-11 | 2023-09-08 | 天津智教云科技有限公司 | 一种vr全球化在线教育互动优化增强方法及装置 |
CN116740068B (zh) * | 2023-08-15 | 2023-10-10 | 贵州毅丹恒瑞医药科技有限公司 | 一种白内障手术用智能导航*** |
CN117314801B (zh) * | 2023-09-27 | 2024-05-31 | 南京邮电大学 | 基于人工智能的模糊图像优化增强方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019022663A1 (en) * | 2017-07-28 | 2019-01-31 | National University Of Singapore | METHOD FOR MODIFYING RETINA BACKGROUND IMAGE FOR DEEP LEARNING MODEL |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8363783B2 (en) * | 2007-06-04 | 2013-01-29 | Oraya Therapeutics, Inc. | Method and device for ocular alignment and coupling of ocular structures |
WO2011059409A1 (en) * | 2009-11-16 | 2011-05-19 | Jiang Liu | Obtaining data for automatic glaucoma screening, and screening and diagnostic techniques and systems using the data |
US9911036B2 (en) * | 2012-11-14 | 2018-03-06 | Tascent, Inc. | Focusing method for optically capturing an iris image |
CL2014000594A1 (es) * | 2014-03-12 | 2014-09-12 | Eyecare S A | Sistema y metodo para el diagnóstico preliminar de enfermedades oculares donde se captura una pluralidad de imágenes de los ojos de un individuo y se obtiene una imagen final corregida mediante el procesamiento de dichas imágenes por una aplicación computacional, el sistema comprende un dispositivo de captura de imagenes, un dispositivo generador de luz o flash, una pantalla para visualizar, una memoria y un procesador acoplado a la camara, al flash, pantalla y memoria. |
JP7043759B2 (ja) * | 2017-09-01 | 2022-03-30 | 株式会社ニデック | 眼科装置、および白内障評価プログラム |
CN109857254B (zh) * | 2019-01-31 | 2020-06-05 | 京东方科技集团股份有限公司 | 瞳孔定位方法和装置、vr/ar设备以及计算机可读介质 |
WO2020172359A1 (en) * | 2019-02-21 | 2020-08-27 | Case Western Reserve University | Processing three-dimensional (3d) ultrasound images |
CN112006651A (zh) * | 2020-09-10 | 2020-12-01 | 孙礼华 | 一种白内障手术辅助诊断***及其方法 |
CN113361482A (zh) * | 2021-07-07 | 2021-09-07 | 南方科技大学 | 核性白内障识别方法、装置、电子设备以及存储介质 |
-
2023
- 2023-05-22 CN CN202310572082.6A patent/CN116309584B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019022663A1 (en) * | 2017-07-28 | 2019-01-31 | National University Of Singapore | METHOD FOR MODIFYING RETINA BACKGROUND IMAGE FOR DEEP LEARNING MODEL |
Also Published As
Publication number | Publication date |
---|---|
CN116309584A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116309584B (zh) | 一种用于白内障区域识别的图像处理*** | |
CN109272492B (zh) | 一种细胞病理涂片的处理方法及*** | |
CN103093215B (zh) | 人眼定位方法及装置 | |
EP2888718B1 (en) | Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation | |
CN103164692B (zh) | 一种基于计算机视觉的特种车辆仪表自动识别***及方法 | |
CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
CN111507932B (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 | |
SG178569A1 (en) | A method and system of determining a grade of nuclear cataract | |
Harangi et al. | Automatic detection of the optic disc using majority voting in a collection of optic disc detectors | |
CN114821189B (zh) | 一种基于眼底图像的病灶图像分类与识别方法 | |
CN114693682A (zh) | 一种基于图像处理的脊椎特征识别方法 | |
WO2021139447A1 (zh) | 一种宫颈异常细胞检测装置及方法 | |
Kumar et al. | Automatic optic disc segmentation using maximum intensity variation | |
CN115272333B (zh) | 一种杯盘比数据的存储*** | |
US11717151B2 (en) | Method for early diagnosis of keratoconus based on multi-modal data | |
CN110674737A (zh) | 一种虹膜识别的增强方法 | |
CN110659683A (zh) | 图像处理方法、装置及电子设备 | |
CN113222928B (zh) | 一种尿细胞学人工智能尿路上皮癌识别*** | |
CN115456974A (zh) | 基于人脸关键点的斜视检测***、方法、设备及介质 | |
WO2022126923A1 (zh) | Asc-us诊断结果分流方法、装置、计算机设备及存储介质 | |
JP2008084109A (ja) | 目開閉判定装置及び目開閉判定方法 | |
CN113436120A (zh) | 一种图像模糊值识别方法及装置 | |
Guan et al. | Nuclei enhancement and segmentation in color cervical smear images | |
CN109447995B (zh) | 一种眼前节图像的分割方法及其相关装置 | |
Utama et al. | Pupil Center Detection Using Radial Symmetry Transform to Measure Pupil Distance in the Eye |
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 |