CN104794721B - 一种基于多尺度斑点检测的快速视盘定位方法 - Google Patents
一种基于多尺度斑点检测的快速视盘定位方法 Download PDFInfo
- Publication number
- CN104794721B CN104794721B CN201510217801.8A CN201510217801A CN104794721B CN 104794721 B CN104794721 B CN 104794721B CN 201510217801 A CN201510217801 A CN 201510217801A CN 104794721 B CN104794721 B CN 104794721B
- Authority
- CN
- China
- Prior art keywords
- mrow
- optic disk
- msup
- point
- msub
- 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.)
- Expired - Fee Related
Links
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明公开了一种基于多尺度斑点检测的快速视盘定位方法,其步骤为:(1)进行眼底图像掩膜处理;(2)进行眼底图像边界填充;(3)确定视盘候选区域;(4)排除边界候选位置;(5)决策真实视盘位置。本发明考虑到视盘表现为尺寸有差异的亮黄色圆形区域,首先基于多尺度空间理论以及LOG斑点检测技术找到若干候选视盘区域,然后再结合候选区域外观特性和局部血管特性定位真正的视盘。本发明由于可以在缩小后的眼底图像上进行视盘定位,因此能够获得实时检测效果,同时由于具有多尺度检测能力,能适应不同尺寸的图像数据集,具有方法简单、准确度高、定位速度快等优点。
Description
技术领域
本发明涉及一种视网膜眼底图像中的视盘进行自动定位的方法,特别涉及一种基于多尺度斑点检测的快速视盘定位方法。
背景技术
视盘是视网膜的主要生理结构之一,正常的视网膜眼底图像中,能观察到的主要生理结构有视盘(optic disc)、血管(vasculature)和黄斑(macula)。视盘、血管和黄斑三者呈一定的空间分布约束关系,视盘外观呈亮黄色近似圆形区域,同时视盘也是视网膜血管的汇聚区,血管由视盘向整个视网膜区域延伸,视盘定位方法是对眼底图像进行分析和诊断的前提之一,因此基于计算机视觉的视盘自动定位一直得到研究人员的关注。视盘定位算法在许多文献中已有报道,其中鲁棒性、准确率和实时性是视盘定位算法的三个主要评价指标。影响鲁棒性和准确率的主要因素有因成像环境、设备或人种的差异造成视盘外观(尺寸、形状和对比度等)的明显变化,此外还有病变对视盘区域造成的破坏和干扰。
早期视盘定位通常利用视盘的外观特性如亮度、形状信息作为定位特征,例如寻找灰度变化幅度最大的矩形区域中心作为视盘位置,或者找到1%的亮度最大的像素点作为视盘候选区域。以及利用Hough变换检测圆形结构的视盘,这些方法都充分利用了视盘的外观特性,由于这些方法不要提取血管,所以耗时短。尽管利用外观特性检测视盘的算法相对简单,在正常图像中成功率高且耗时短,但是在病变图像中,由于病变干扰和视盘外观的破坏容易出现错判。
目前,具有较好鲁棒性的视盘检测算法通常采用血管特性,由于视盘是血管进入眼部的起始区域,因此主要血管分支在该区域汇合。同时可观察到视盘区域血管基本沿垂直方向延伸,因此在该区域垂直梯度分量远大于水平梯度,而且该区域总的边缘梯度值也大于其它区域。尽管利用血管特征的定位算法在病变图像中有相对较高的检测准确率,但是需要以血管的准确提取为前提,而在低质量或病变图像中,血管检测仍是一个比较困难的问题。此外现有基于血管特性检测的视盘检测算法一般都比较复杂,而且耗时。
发明内容
为了解决现有视盘定位方法存在的上述技术问题,本发明提供一种简单、准确度高、适用于不同尺寸的视盘且定位速度快的基于多尺度斑点检测的快速视盘定位方法。
本发明解决上述技术问题的技术方案包括以下步骤:
(1)眼底图像掩膜处理;取原彩色眼底图像的灰度图像的最大值的10%作为阈值,并根据此阈值分割出前景区域的二值图像,对二值图像进行形态学腐蚀操作,得到掩膜模板,通过掩膜处理得到眼底图像的感兴趣区域,即ROI区域;
(2)眼底图像边界填充;根据掩膜处理后的感兴趣区域,对原彩色眼底图像的绿色通道分量进行眼底图像边界填充,得到非观测区域映射的眼底图像;
(3)确定视盘候选区域;将步骤(2)得到的非观测区域映射的眼底图像缩小至原尺寸的0.1倍,采用多尺度斑点检测原理检测视盘候选位置;
(4)排除边界候选位置;为了防止边界候选点的干扰,先通过ROI区域剔除部分边界候选点,将多尺度斑点检测算法检测到的每个斑点邻域与步骤(1)获取的ROI区域进行比较,如果检测到某候选斑点的特征尺度邻域没有全部包含于步骤(1)获取的ROI区域内,则认为该候选点为边界点,直接排除;
(5)决策真实视盘位置;对步骤(2)得到的非观测区域映射的眼底图像,分别计算各点的垂直和水平的边缘梯度值GV和GH,结合亮度信息得到垂直方向和水平方向总梯度响应值PV(i)和PH(j),进而得到整幅图像某一点属于真实视盘的得分OP值,通过比较剩下的候选视盘位置的OP值,OP值最大的候选视盘位置即真实视盘位置。
所述步骤(1)中的形态学腐蚀操作是采用20×20圆形结构元素对二值图像进行腐蚀运算。
所述步骤(2)具体步骤为:对每一个位于感兴趣区域外的像素点o,在感兴趣区域边界上找到一个和它距离最近的像素点b,计算这两点的距离d,并绘出两点间的直线,并向ROI区域内部延伸相同的距离长度d,找到对应的镜像点,最后用ROI区域内镜像点的像素值来替换原来o点的像素值,映射操作对应的公式如下:
I(xi,yi)=I(xoi,yoi) (4)。
所述步骤(3)具体步骤为:
①对获取的非观测区域映射的眼底图像缩小至0.1倍后进行反转操作;
②根据不同方差δ生成不同的规范化的高斯拉普拉斯算子模板,并分别对图像进行卷积运算得到拉普拉斯响应值
③检查尺度空间和图像空间中的每个点,如果该点的拉普拉斯响应值都大于或小于其它26个立体空间邻域的值,那么该点就是被检测到的图像斑点,即视盘候选位置,通过下式可以找到候选视盘点及其尺度
所述步骤②中方差δ的取值分别为1、2、3、4、5。
所述步骤(4)具体步骤为:以候选视盘点坐标为中心,以为半径做邻域圆,如果检测到某候选斑点的特征尺度邻域没有全部包含于预处理阶段获取的ROI区域内,则认为该候选点为边界点,直接排除。
所述步骤(5)具体步骤为:
①将步骤(2)得到的非观测区域映射的眼底图像,通过与模板[1,0,-1]和[1,0,-1]T进行卷积滤波分别计算垂直和水平的边缘梯度值GV和GH;
②结合亮度信息得到垂直方向和水平方向总梯度响应值如下:
C和R分别代表原彩色眼底图像的行数、列数,I(i,j)表示的是眼底图像上某一点的灰度值,即图像的亮度值;
③整幅图像某一点属于真实视盘的得分OP值由下式计算,并得到OP图;
OP(i,j)=PV(i)·PH(j) (13)
④通过步骤(1)得到的感兴趣区域估计视盘直径
DOD是视盘的直径,DROI是视盘感兴趣区域的直径;
⑤设定一个长宽均为视盘直径DOD的平均滤波器对缩小后的OP图进行滤波,得到最终进行决策的OP图;
⑥OP值越大的候选点为视盘的可能性越大,排除边界点后,在其余的候选点中选取具有最大OP值的位置作为真实视盘位置。
所述步骤④中计算视盘直径DOD时的DROI前的参数取1/6。
本发明的技术效果在于:本发明考虑到视盘表现为尺寸有差异的亮黄色圆形区域,首先基于多尺度空间理论以及LOG斑点检测技术找到若干候选视盘区域,然后再结合候选区域外观特性和局部血管特性定位真正的视盘。本发明由于可以在缩小后的眼底图像上进行视盘定位,因此能够获得实时检测效果,同时由于具有多尺度检测能力,能适应不同尺寸的图像数据集,具有方法简单、准确度高、定位速度快等优点。
附图说明
图1为本发明的视盘定位方法流程图;
图2为本发明中彩色眼底图像掩膜模板及镜像操作示意图;
图3为本发明中二维高斯函数的拉普拉斯变换图;
图4为本发明中不同尺度的高斯拉普拉斯响应映射图及斑点检测结果示意图;
图5为本发明某眼底彩色图像的灰度图像定位流程图。
具体实施方式
下面通过具体实施方式结合附图对本发明做进一步详细说明。
如图1所示,本发明的视盘定位方法,其具体流程为:
(1)、眼底图像掩膜处理。
如图2(a)所示,视网膜眼底图像通常包含暗色背景和视网膜眼底成像区域,在预处理环节需要先提取感兴趣区域ROI(Region of Interest)。ROI区域在视网膜眼底图像中近似于圆形,灰度值远强于周边暗色背景,为了排除周边暗色背景区域,选取合适的阈值即可分割出眼底图像的ROI区域。对于原彩色眼底图像在转换为灰度图像后,取图像灰度最大值的10%作为阈值tb,并根据此阈值分割前景区域的二值图像即为ROI提取结果。
tb=0.1*max(IR) (1)
为尽可能排除边界的干扰,有必要对二值图Ibin进行腐蚀操作,本发明采用20×20圆形结构元素q20元素对Ibin进行腐蚀运算,获得最终的掩膜模板Imask,参见图2(b)。
表示腐蚀运算。采用掩膜操作不难得到图像的感兴趣区域。
(2)、眼底图像边界填充。
由于图像获取过程中照明、曲面反射等影响,眼底图像普遍存在图像边界对比度强的现象,因此需要对ROI区域外的像素进行镜像填充处理。对每一个ROI区域外的像素点(xi,yi),总可以在ROI区域边界上找到一个和它距离最近的像素点,计算该点和像素点(xi,yi)的距离d,绘出连接两点的直线并向ROI区域内部延伸距离d,找到对应的镜像点(xoi,yoi),然后像素点(xi,yi)的灰度值将由ROI区域内的点(xoi,yoi)的像素值来替换,映射操作对应的公式如式(4)所示。得到的镜像操作后的图像I(xi,yi),参见图2(c)。
I(xi,yi)=I(xoi,yoi) (4)
(3)、确定视盘候选区域。
斑点通常与周围邻域有着颜色和灰度差别,眼底图像中的视盘区域具有鲜明的外观和血管分布特性,呈现为亮黄色近似圆形区域,可看作一个显著的斑点对象。同时考虑到眼底图像获取时尺寸有较大差异,视盘在图像中的尺寸也有所变化,为了适应不同尺寸的视盘检测,因此结合多尺度空间理论和适合检测图像中圆形结构的高斯拉普拉斯LoG(Laplace of Guassian)算子,提出了多尺度LOG斑点检测方法,对眼底图像中疑似视盘的显著斑点区域进行初步筛选。具体流程如下:
①对获取的非观测区域映射的眼底图像缩小0.1倍后进行反转操作;
②根据尺度空间理论,通过不同尺度的高斯核函数和图像进行卷积运算可以得到图像的高斯尺度空间表达形式
L(x,y,δ)=g(x,y,δ)*I (5)
其中,*为卷积运算符,L(x,y,δ)可以描述不同观测尺度δ下的一系列图像。为了实现具有尺度不变性的斑点检测,采用的高斯拉普拉斯算子如式(7)所示,对于二维高斯函数
它的拉普拉斯变换为:
由于高斯函数的二阶导数会随方差δ增大呈阶梯衰减,为了去除方差造成的衰减现象,可以将其做规范化处理,规范化后的高斯拉普拉斯变换为:
规范化算子在二维图像上显示为圆形对称函数,如图3(b)所示。高斯拉普拉斯算子和图像的卷积运算通常会对图像中的圆形目标产生强响应,当图像中斑点尺寸和高斯拉普拉斯算子形状趋于一致时,响应值达到最大,因此通过改变δ值,可以检测图像中不同尺寸的二维斑点。本发明中方差δ分别取值为1、2、3、4、5。
③为了检测稳定的不同尺寸的斑点,需要同时在二维空间和尺度空间寻找具有最大/最小高斯拉普拉斯响应值点作为期望检测的斑点。对于二维图像I(x,y),计算图像在不同尺度下的拉普拉斯响应值,然后,在(x,y,δ)三维空间中寻找极大值点,如果某点的拉普拉斯响应值都大于或小于其相邻尺度空间构成的立体空间的26个邻域像素点的响应值,那么该点就是被检测到的图像斑点,通过下式寻找位置空间和尺度空间的峰值,
其中,
图4(a)-(g)是某示例图的斑点检测过程示意图,其中图3(a)为原始图像的灰度图像,图4(b)-(f)是δ分别取值为1、2、3、4、5时高斯拉普拉斯响应映射图,图4(g)是斑点检测结果示意图,响应值最大的12个点及其对应的特征尺度邻域空间分别用红色“+”和绿色圆圈标示。
(4)、排除边界候选位置。
首先为了防止边界候选点的干扰,本发明先通过ROI区域剔除部分边界候选点。如果以候选点坐标为中心以检测斑点时获得的特征尺度为半径做邻域圆,则对于边界候选点来说,该特征尺度邻域圆总会有一部分落在ROI区域外,因此如果检测到某候选斑点的特征尺度邻域没有全部包含于预处理阶段获取的ROI区域内,则认为该候选点为边界点,可以直接排除。
(5)、决策真实视盘位置。
为了对其余的候选点做进一步甄别,需要充分利用候选点邻域内的外观和血管特性。正常的视网膜眼底图像中,视盘区域为亮黄色,同时由于作为主血管汇聚区,其通常含有大量暗色血管,因此整个区域具有较强的对比度,含有大量的边缘。另外,可以观察到视盘区域的血管主要沿垂直方向延伸,因而该区域垂直方向边缘占支配地位,即垂直方向总的边缘梯度强度要远大于水平方向边缘梯度强度。相反在其它区域,虽然因为血管分叉或病变边界等,也会存在一定的垂直边缘,但血管沿水平走向的较多,因此存在大量的水平边缘。根据这一特性,先分别求取各点的水平边缘梯度GH和垂直边缘梯度GV,这可以通过与模板[1,0,-1]和[1,0,-1]T进行卷积滤波得到,然后结合亮度信息得到某一行或某一列上的总的梯度响应值。具体流程如下:
①将非观测区域映射的眼底图像通过与模板[1,0,-1]和[1,0,-1]T进行卷积滤波可以分别计算垂直和水平的边缘梯度值GV和GH。
②结合亮度信息得到垂直方向和水平方向总梯度响应值如下:
C和R分别代表原彩色眼底图像的行数、列数,I(i,j)表示的是眼底图像上某一点的灰度值,即图像的亮度值。
③整幅图像某一点属于真实视盘的得分OP值由下式计算:
OP(i,j)=PV(i)·PH(j) (13)
④通过步骤(1)得到的感兴趣区域计算视盘直径
其中,DOD是视盘的直径,DROI是视盘感兴趣区域的直径,本发明中,参数选取1/6。
⑤将得到的OP图缩小至0.1倍,定义一个长宽均为视盘直径DOD的平均滤波器对缩小后的OP图进行滤波,得到最终进行决策的OP图。
⑥OP值越大的候选点为视盘的可能性越大,因此在排除边界点后,在其余的候选点中选取具有最大OP值的位置作为真实视盘位置。
图5(a)-(f)是某示例图决策视盘真实位置的过程示意图,其中图5(a)为原始图像的灰度图像,图5(b)是ROI镜像操作后的图像,图5(c)是斑点检测结果示意图,响应值最大的12个点及其对应的特征尺度邻域空间分别用红色“+”和绿色圆圈标示,5(d)为排除边界候选位置的结果图,图5(e)为OP得分图,图5(f)为决策的真实视盘位置,用绿色“+”标示。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不局限于上面所描述的内容,在本领域技术人员所具备的知识范围内,不脱离本发明构思作出的各种变化,仍落在本发明的保护范围内。
Claims (7)
1.一种基于多尺度斑点检测的快速视盘定位方法,包括以下步骤:
(1)眼底图像掩膜处理;取原彩色眼底图像的灰度图像的最大值的10%作为阈值,并根据此阈值分割出前景区域的二值图像,对二值图像进行形态学腐蚀操作,得到掩膜模板,通过掩膜处理得到眼底图像的感兴趣区域,即ROI区域;
(2)眼底图像边界填充;根据掩膜处理后的感兴趣区域,对原彩色眼底图像的绿色通道分量进行眼底图像边界填充,得到非观测区域映射的眼底图像;其具体步骤为:对每一个位于感兴趣区域外的像素点o,在感兴趣区域边界上找到一个和它距离最近的像素点b,计算这两点的距离d,并绘出两点间的直线,并向ROI区域内部延伸相同的距离长度d,找到对应的镜像点,最后用ROI区域内镜像点的像素值来替换原来o点的像素值,映射操作对应的公式如下:
I(xi,yi)=I(xoi,yoi);
(3)确定视盘候选区域;将步骤(2)得到的非观测区域映射的眼底图像缩小至原尺寸的0.1倍,采用多尺度斑点检测原理检测视盘候选位置;
(4)排除边界候选位置;为了防止边界候选点的干扰,先通过ROI区域剔除部分边界候选点,将多尺度斑点检测算法检测到的每个斑点邻域与步骤(1)获取的ROI区域进行比较,如果检测到某候选斑点的特征尺度邻域没有全部包含于步骤(1)获取的ROI区域内,则认为该候选点为边界点,直接排除;
(5)决策真实视盘位置;对步骤(2)得到的非观测区域映射的眼底图像,分别计算各点的垂直和水平的边缘梯度值GV和GH,结合亮度信息得到垂直方向和水平方向总梯度响应值PV(i)和PH(j),进而得到整幅图像某一点属于真实视盘的得分OP值,通过比较剩下的候选视盘位置的OP值,OP值最大的候选视盘位置即真实视盘位置。
2.根据权利要求1所述的基于多尺度斑点检测的快速视盘定位方法,所述步骤(1)中的形态学腐蚀操作是采用20×20圆形结构元素对二值图像进行腐蚀运算。
3.根据权利要求1所述的基于多尺度斑点检测的快速视盘定位方法,所述步骤(3)具体步骤为:
①对获取的非观测区域映射的眼底图像缩小至0.1倍后进行反转操作;
②根据不同方差δ生成不同的规范化的高斯拉普拉斯算子模板,并分别对图像进行卷积运算得到拉普拉斯响应值
<mrow>
<msubsup>
<mi>&Delta;</mi>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mi>g</mi>
<mo>=</mo>
<msup>
<mi>&delta;</mi>
<mn>2</mn>
</msup>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msup>
<mo>&part;</mo>
<mn>2</mn>
</msup>
<mi>g</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msup>
<mo>&part;</mo>
<mn>2</mn>
</msup>
<mi>g</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msup>
<mi>&pi;&delta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&delta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<mi>&delta;</mi>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>;</mo>
</mrow>
其中g是高斯函数,求的关于δ的极值,即令不难推得,对于半径为r的黑色圆形二值斑点,当尺度时,高斯拉普拉斯响应值达到最大,同理,如果斑点是白色的,那么,它的拉普拉斯响应值在时达到最小,其中,取得峰值的δ称为该目标的特征尺度;
③检查尺度空间和图像空间中的每个点,如果该点的拉普拉斯响应值都大于或小于其它26个立体空间邻域的值,那么该点就是被检测到的图像斑点,即视盘候选位置,通过下式可以找到候选视盘点及其尺度
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
<mover>
<mi>&delta;</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
<mo>=</mo>
<mi>arg</mi>
<mi> </mi>
<mi>max</mi>
<mi> </mi>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>local</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>;</mo>
<mi>&delta;</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>(</mo>
<msubsup>
<mi>&Delta;</mi>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mi>L</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&delta;</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;</mi>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&delta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Delta;</mi>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&delta;</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>I</mi>
<mo>;</mo>
</mrow>
arg max min local(x,y;δ)表示在局部图像空间和尺度空间寻找极值。
4.根据权利要求3所述的基于多尺度斑点检测的快速视盘定位方法,所述步骤②中方差δ的取值分别为1、2、3、4、5。
5.根据权利要求1所述的基于多尺度斑点检测的快速视盘定位方法,所述步骤(4)具体步骤为:以候选视盘点坐标为中心,以为半径做邻域圆,为尺度,如果检测到某候选斑点的特征尺度邻域没有全部包含于预处理阶段获取的ROI区域内,则认为该候选点为边界点,直接排除。
6.根据权利要求1所述的基于多尺度斑点检测的快速视盘定位方法,所述步骤(5)具体步骤为:
①将步骤(2)得到的非观测区域映射的眼底图像,通过与模板[1,0,-1]和[1,0,-1]T进行卷积滤波分别计算垂直和水平的边缘梯度值GV和GH;
②结合亮度信息得到垂直方向和水平方向总梯度响应值如下:
<mrow>
<msub>
<mi>P</mi>
<mi>V</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>G</mi>
<mi>V</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>G</mi>
<mi>H</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>*</mo>
<mi>I</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mi>H</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>G</mi>
<mi>V</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>G</mi>
<mi>H</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>*</mo>
<mi>I</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
C和R分别代表原彩色眼底图像的行数、列数,I(i,j)表示的是眼底图像上某一点的灰度值,即图像的亮度值;
③整幅图像某一点属于真实视盘的得分OP值由下式计算,并得到OP图;
OP(i,j)=PV(i)·PH(j)
④通过步骤(1)得到的感兴趣区域估计视盘直径
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>O</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>&ap;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>5</mn>
<mo>~</mo>
<mn>8</mn>
</mrow>
</mfrac>
<msub>
<mi>D</mi>
<mrow>
<mi>R</mi>
<mi>O</mi>
<mi>I</mi>
</mrow>
</msub>
</mrow>
DOD是视盘的直径,DROI是视盘感兴趣区域的直径;
⑤设定一个长宽均为视盘直径DOD的平均滤波器对缩小后的OP图进行滤波,得到最终进行决策的OP图;
⑥OP值越大的候选点为视盘的可能性越大,排除边界点后,在其余的候选点中选取具有最大OP值的位置作为真实视盘位置。
7.根据权利要求6所述的基于多尺度斑点检测的快速视盘定位方法,所述步骤④中计算视盘直径DOD时的DROI前的参数取1/6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510217801.8A CN104794721B (zh) | 2015-04-30 | 2015-04-30 | 一种基于多尺度斑点检测的快速视盘定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510217801.8A CN104794721B (zh) | 2015-04-30 | 2015-04-30 | 一种基于多尺度斑点检测的快速视盘定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104794721A CN104794721A (zh) | 2015-07-22 |
CN104794721B true CN104794721B (zh) | 2017-11-07 |
Family
ID=53559501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510217801.8A Expired - Fee Related CN104794721B (zh) | 2015-04-30 | 2015-04-30 | 一种基于多尺度斑点检测的快速视盘定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794721B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097362B (zh) * | 2016-06-20 | 2019-06-28 | 中国科学院深圳先进技术研究院 | 一种x光图像中人工圆形标记的自动检测和定位方法 |
CN106530316B (zh) * | 2016-10-20 | 2019-02-19 | 天津大学 | 综合眼底图像边缘信息和亮度信息的视盘分割方法 |
CN106529420B (zh) * | 2016-10-20 | 2019-07-19 | 天津大学 | 综合眼底图像边缘信息和亮度信息的视盘中心定位方法 |
CN108492285B (zh) * | 2018-03-13 | 2021-11-09 | 北京理工大学 | 一种基于灰度变化的径向线视盘萎缩弧分割方法 |
CN109523527B (zh) * | 2018-11-12 | 2020-11-27 | 北京地平线机器人技术研发有限公司 | 图像中脏污区域的检测方法、装置和电子设备 |
CN109840499B (zh) * | 2019-01-31 | 2021-03-02 | 闽江学院 | 一种快速检测印刷品打印及装订质量的方法 |
CN109632814A (zh) * | 2019-02-01 | 2019-04-16 | 东莞中科蓝海智能视觉科技有限公司 | 零件缺陷检测方法 |
CN110310235B (zh) * | 2019-05-21 | 2021-07-27 | 北京至真互联网技术有限公司 | 眼底图像处理方法、装置及设备和存储介质 |
CN110598781A (zh) * | 2019-09-05 | 2019-12-20 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111192280B (zh) * | 2019-12-24 | 2022-10-18 | 中北大学 | 一种基于局部特征的视盘边缘检测方法 |
CN112686842B (zh) * | 2020-12-21 | 2021-08-24 | 苏州炫感信息科技有限公司 | 一种光斑检测方法、装置、电子设备及可读存储介质 |
CN112927242B (zh) * | 2021-03-24 | 2022-11-22 | 上海大学 | 基于区域定位与群体智能搜索算法的快速视盘定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593351A (zh) * | 2008-05-28 | 2009-12-02 | 中国科学院自动化研究所 | 基于距离变换和刚性变换参数估计的眼底图像配准方法 |
CN102842136A (zh) * | 2012-07-19 | 2012-12-26 | 湘潭大学 | 一种综合血管分布和视盘外观特性的视盘投影定位方法 |
US8355544B2 (en) * | 2011-02-01 | 2013-01-15 | Universidade Da Coruna-Otri | Method, apparatus, and system for automatic retinal image analysis |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009131655A2 (en) * | 2008-04-23 | 2009-10-29 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Automated assessment of optic nerve head with spectral domain optical coherence tomograph |
-
2015
- 2015-04-30 CN CN201510217801.8A patent/CN104794721B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593351A (zh) * | 2008-05-28 | 2009-12-02 | 中国科学院自动化研究所 | 基于距离变换和刚性变换参数估计的眼底图像配准方法 |
US8355544B2 (en) * | 2011-02-01 | 2013-01-15 | Universidade Da Coruna-Otri | Method, apparatus, and system for automatic retinal image analysis |
CN102842136A (zh) * | 2012-07-19 | 2012-12-26 | 湘潭大学 | 一种综合血管分布和视盘外观特性的视盘投影定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104794721A (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104794721B (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
CN103942803B (zh) | 基于sar图像的水域自动检测方法 | |
Dey et al. | FCM based blood vessel segmentation method for retinal images | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
CN105787927B (zh) | 一种眼底彩色照相图像中渗出自动化识别方法 | |
CN107248161A (zh) | 一种多特征融合的有监督视网膜血管提取方法 | |
CN104463140A (zh) | 一种彩色眼底图像视盘自动定位方法 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
Pallawala et al. | Automated optic disc localization and contour detection using ellipse fitting and wavelet transform | |
CN106780465A (zh) | 基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
CN109523524A (zh) | 一种基于集成学习的眼底图像硬性渗出检测方法 | |
CN110705468A (zh) | 基于图像分析的眼动范围识别方法和系统 | |
Zhang et al. | Optic disc localization by projection with vessel distribution and appearance characteristics | |
Rodrigues et al. | Retinal vessel segmentation using parallel grayscale skeletonization algorithm and mathematical morphology | |
Mendonça et al. | Segmentation of the vascular network of the retina | |
CN108846827A (zh) | 一种基于多圆快速分割眼底视盘的方法 | |
Singh et al. | Segmentation of retinal blood vessels by using a matched filter based on second derivative of Gaussian | |
CN106778499A (zh) | 一种虹膜采集过程中快速定位人眼虹膜的方法 | |
JP2023503781A (ja) | 眼底画像認識方法及び装置並びに設備 | |
Gou et al. | A novel retinal vessel extraction method based on dynamic scales allocation | |
Choukikar et al. | Segmenting the optic disc in retinal images using thresholding | |
CN111861977A (zh) | 一种基于机器视觉的眼前节断层图像的特征提取方法 | |
CN116012594A (zh) | 眼底图像特征提取方法、装置和诊断系统 | |
Mittal et al. | Optic disk and macula detection from retinal images using generalized motion pattern |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171107 Termination date: 20200430 |