CN105761254A - 基于图像特征的眼底图像配准方法 - Google Patents
基于图像特征的眼底图像配准方法 Download PDFInfo
- Publication number
- CN105761254A CN105761254A CN201610079068.2A CN201610079068A CN105761254A CN 105761254 A CN105761254 A CN 105761254A CN 201610079068 A CN201610079068 A CN 201610079068A CN 105761254 A CN105761254 A CN 105761254A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- binary map
- vector
- point set
- 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
Classifications
-
- 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
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明提供一种基于图像特征的眼底图像配准方法,包括:获取视网膜眼底图像并进行处理,形成二值图。搜索待配准图像二值图和参考图像二值图,获得所有基于二叉树的血管配准点集,三叉树的血管配准点集或二叉树和三叉树混合的血管配准点集。计算所有获得的血管配准点集所对应的向量。计算所有待配准图像二值图中血管配准点集所对应的向量和参考图像二值图中血管配准点集所对应的向量之间的相似度测度。对所有相似度测度进行排序,根据最小的相似度测度值获得待配准图像二值图和参考图像二值图的最优配准点集对。根据最优配准点集对中的节点坐标,依据仿射变换进行图像配准。
Description
技术领域
本发明涉及医学数字图像处理领域,且特别涉及一种基于图像特征的眼底图像配准方法。
背景技术
现阶段,医学眼底成像已经广泛用于记录和检查多种视网膜疾病的临床表现,而眼底图像配准也是眼底图像处理与分析中的一个基本问题,其目的是在空间上对齐两幅或多幅不同时间、不同视场或不同模态的眼底图像。同时,眼底图像配准技术在辅助眼科诊断和治疗过程中有着广泛的应用。可以说,眼底图像配准具有重要的临床应用价值,可用来对齐各种使用相同或者不同的成像手段所获得的眼底图像来检查视网膜病变,如糖尿病、青光眼、黄斑部变性等。同时,也可以分析不同时间拍摄的视网膜眼底图像,为临床眼底疾病诊断提供更为全面且互为补充的信息,可应用于手术计划的制定、治疗计划的制定、病理情况的跟踪和治疗效果的评价以及探明发病机理等方面。
2003年,Zitova等根据图像获取方式将图像配准问题中特征检测的方法分为基于区域的图像配准方法和基于特征的图像配准方法。基于区域的图像配准方法以待配准图像和参考图像中含有的相应目标区域和搜索区中的总体特征为基础,常以图像间二维窗口中像素灰度值间的某种相似性度量值为标准,通过最佳匹配来确定图像间的对应控制点,估算变换模型参数,确定图像变换、插值重采样,实现图像间的对齐。该方法是通过匹配点邻域的灰度信息进行匹配,计算量较大,速度较慢,不适合临床的实时应用。
基于特征的图像配准则以待配准图像和参考图像中提取的特征为配准基元,配准基元(点、线和区域等)可由各个特征的位置信息和特征周围信息等的特征模式组成,常通过特征提取、特征匹配和特征提纯来确定图像间的控制点对,由控制点对和选定的空间变换模型用最小二乘法等方法估算变换模型参数,待配准图像空间变换和插值后完成图像间的配准。该方法通过图像中提取的特征进行匹配,有效压缩了匹配中的数据量,计算量小,速度较快,适合临床应用。
眼底图像中视网膜血管形态结构具有唯一性,与其他生物特征相比具有更高的保密性和防伪能力,可以作为生物特征进行个人身份识别。因此,目前已提出了很多种基于视网膜血管特征的眼底图像配准方法。在这些配准方法中,LiChen(《Feature-BasedRetinalImageRegistrationUsingBifurcationStructures》,IEEEInternationalconferenceonImageProcessing,2011)和沈奔(《基于局部血管结构特征的眼底图像二级配准》,光子学报,41(10),2012)均采用了基于二叉树结构的4个相连的分叉点组成的局部血管结构点集作为配对特征,能以较少的时间找到可靠的配对特征,提高了配准的效率。但申请人在研究中发现,LiChen和沈奔在确定搜索配准点时只搜索确定的二叉树形式的配准点,而忽略了眼底图像中血管结构交叉点形式多样化,有些配准点还可能是三叉树形式,或二叉树及三叉树的混合形式,因此,在一定程度上错失了很多配准点集,从而降低了配准精度。
发明内容
本发明为了克服现有技术的不足,提供一种具有高配准精度的基于图像特征的眼底图像配准方法。
为了实现上述目的,本发明提供一种基于图像特征的眼底图像配准方法,包括:
获取视网膜眼底图像并进行处理,形成二值图;
搜索待配准图像二值图和参考图像二值图,获得所有基于二叉树的血管配准点集,三叉树的血管配准点集或二叉树和三叉树混合的血管配准点集;
计算所有获得的血管配准点集所对应的向量;
计算所有待配准图像二值图中血管配准点集所对应的向量和参考图像二值图中血管配准点集所对应的向量之间的相似度测度;
对所有相似度测度进行排序,根据最小的相似度测度值获得待配准图像二值图和参考图像二值图的最优配准点集对;
根据最优配准点集对中的节点坐标,依据仿射变换进行图像配准。
于本发明一实施例中,计算所有获得的血管配准点集所对应的向量的步骤如下:
在血管配准点集中计算每一配准点的分叉角度以及该配准点与邻近配准点之间的分支长度;
对计算所得的每一配准点的分叉角度进行归一化处理,形成归一化分叉角度;
对计算所得的配准点集的分支长度进行归一化处理,形成归一化分支长度;
根据归一化分叉角度和归一化分支长度形成血管配准点集的向量。
于本发明一实施例中,每一配准点的分叉角度采用如下方法进行计算:
将360度的角划分为32个等份,每等份为11.25度;
以每一配准点为中心构建9*9的邻域;
判断配准点的每一条分支和该配准点的邻域边界的交点处对应的位置,根据划分的角度确定每一分支的角度;
每一配准点的相邻两条分支的角度相减,得到这两条分支之间的分叉角度。
于本发明一实施例中,采用以下公式计算所有待配准图像二值图中血管配准点集所对应的向量和参考图像二值图中血管配准点集所对应的向量之间的相似度测度:
Lki’为参考图像二值图中第i个向量内第k条分支的归一化长度,Lkj’为待配准图像二值图中第j个向量内第k条分支的归一化长度,θmi’为参考图像二值图中第i个向量内第m个角度的归一化度数,θmj’为待配准图像二值图中第j个向量内第m个角度的归一化度数,α和β为加权因子。
于本发明一实施例中,
α的确定采用如下方法:对待配准图像二值图和参考图像二值图中已搜索出来的所有二叉树形式的配准点集对应的向量分别求差值和,然后按大小排序,选取最小值对应的配准点集作为测度点集对;设该测度点集对中包括待配准图像二值图的第j个向量和参考图像二值图的第i个向量,Lj为待配准图像二值图中第j个向量的所有分支长度之和,Li为参考图像二值图中第i个向量的所有分支长度之和,加权因子α即可由Lj和Li的比值确定,M为已搜索出来的各配准点集内对应的角度的总数,12≤M≤20。
于本发明一实施例中,
α的确定采用如下方法:对待配准图像二值图和参考图像二值图中已搜索出来的所有二叉树形式的配准点集对应的向量分别求差值和,然后按大小排序,选取最小值对应的配准点集作为测度点集对;设该测度点集对中包括待配准图像二值图的第j个向量和参考图像二值图的第i个向量,Lj为待配准图像二值图中第j个向量的所有分支长度之和,Li为参考图像二值图中第i个向量的所有分支长度之和,加权因子α即可由Lj和Li的比值确定。
于本发明一实施例中,α=1,β=1。
于本发明一实施例中,对获取到的视网膜眼底图像进行处理的步骤包括:
图像归一化,在获取到的视网膜眼底图像中对亮度信息归一化处理,提取出稳定的亮度信息;
图像增强及二值化,采用图像灰度增强算子对图像进行增强后进行二值处理,获得眼底背景为白色,血管为黑色的图像;
对二值处理后的图像做骨架细化处理及取反处理,获得背景为黑,血管为白的二值图。
综上所述,本发明提供的基于图像特征的眼底图像配准方法与现有技术相比,具有以下优点:
通过对获取到的视网膜眼底图像进行处理得到二值图,在待配准图像二值图和参考图像二值图中搜寻所有基于二叉树、三叉数或二叉树和三叉树相混合的血管配准点集。对于每个血管配准点集形成相应的向量,通过计算待配准图像二值图中血管配准点集所对应的向量和参考图像二值图中血管配准点集所对应的向量之间的相似度测度来获得最优的配准点集对,最后根据最优的配准点集对进行仿射变换从而实现图像配准。本发明提供的基于图像特征的眼底图像配准方法可实现视网膜眼底图像内二叉树、三叉树或二叉树和三叉树相混合的血管配准点集进行配准,在更多的配准点集中寻找最优的配准点集对,大大提高了配准精度。进一步的,不管是二叉树、三叉数或二叉树和三叉树相混合的血管配准点集均可采用相同的相似度测度公式进行计算,不仅具有很好的通用性且具有很高的计算速度。
此外,在图像配准过程中,考虑到图像向量内的夹角不会因为图像的旋转,平移及尺度变化而有所变化,但节点之间的长度L却可能随着图像尺度上的变化而有所改变。为进一步提高配准精度,本发明提供的基于图像特征的眼底图像配准方法在进行相似度测度计算时引入了加权因子α。
同时,考虑到申请人提出的配准点集结构不是单一的二叉树,而是二叉树,三叉树,或二叉树和三叉树的混合结构,这样,导致各种配准点集对应的向量中角度总数都各有不同。由于我们在计算节点的夹角时,并没能精确到1°,而是以11.25°为基本单位将360°划分成了32等份,由此,可以推测到配准点集对应的夹角越多,可能造成的误差累积会越大,从而导致角度越多的向量其角度部分误差会越大,误检的可能性也变大。另一方面,考虑到配准点集的结构中角度越多,意味着结构越复杂,其配准精度也可能越高,由此,通过加权因子β来进一步调整角度对相似度测量的影响。
为让本发明的上述和其它目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合附图,作详细说明如下。
附图说明
图1所示为本发明一实施例提供的基于图像特征的眼底图像配准方法的流程图。
图2所示为图1中计算所有获得的血管配准点集所对应的向量的流程图。
图3所示为图1中对获取到的视网膜眼底图像进行处理的流程图。
图4所示为二叉树的四节点配准点集的示意图。
图5所示为三叉树的五节点配准点集的示意图。
图6至图8所示为二叉树和三叉树混合的四节点配准点集的示意图。
图9至图13所示为二叉树和三叉树混合的五节点配准点集的示意图。
图14所示为360度的角32等分的示意图。
具体实施方式
如图1所示,本实施例提供的基于图像特征的眼底图像配准方法包括:获取视网膜眼底图像并进行处理,形成二值图(步骤S1)。搜索待配准图像二值图和参考图像二值图,获得所有基于二叉树的血管配准点集,三叉树的血管配准点集或二叉树和三叉树混合的血管配准点集(步骤S2)。计算所有获得的血管配准点集所对应的向量(步骤S3)。计算所有待配准图像二值图中血管配准点集所对应的向量和参考图像二值图中血管配准点集所对应的向量之间的相似度测度(步骤S4)。对所有相似度测度进行排序,根据最小的相似度测度值获得待配准图像二值图和参考图像二值图的最优配准点集对(步骤S5)。根据最优配准点集对中的节点坐标,依据仿射变换进行图像配准(步骤S6)。以下结合图1对本实施例提供的基于图像特征的眼底图像配准方法进行详细描述。
该方法始于步骤S1,该步骤的目的在于形成一个便于参数提取以及匹配的图像。具体而言,通过眼底照相机采集视网膜眼底图像并对图像进行处理。具体的处理方法为:步骤S11、图像归一化,在获取到的视网膜眼底图像中对亮度信息归一化处理,提取出稳定的亮度信息。步骤S12、图像增强及二值化,采用图像灰度增强算子对图像进行增强后进行二值处理,获得眼底背景为白色,血管为黑色的图像。于本实施例中,采用拉普拉斯算子对图像进行增强。然而,本发明对此不作任何限定。于其它实施例中,可采用其它图像灰度增强算子对图像进行增强。步骤S13、对二值处理后的图像做骨架细化处理及取反处理,获得背景为黑,血管为白的二值图。
由于血管结构节点形式多样化,在背景为黑,血管为白的二值图中会存在图4所示的基于四节点的二叉树结构、图5所示的基于五节点的三叉树结构、图6至8所示的基于四节点的二叉树和三叉树相混合的结构和图9至图13所示基于五节点的二叉树和三叉树相混合的结构。在步骤S2中,搜寻待配准图像二值图和参考图像二值图,分别获得所有基于二叉树的血管配准点集,三叉树的血管配准点集或二叉树和三叉树混合的血管配准点集。
获得相应结构下的所有血管配准点集后,执行步骤S3,计算所有待配准图像二值图和参考图像二值图中的血管配准点集所对应的向量S。具体而言,向量S采用如下计算方式:
S31,在血管配准点集中计算每一配准点的分叉角度θm以及该配准点与邻近配准点之间的分支长度Lk。
S32,对计算所得的每一配准点的分叉角度θm进行归一化处理,形成归一化分叉角度。在二叉树结构中,如图4所示,θ1+θ2+θ3=360°,而在图5的三叉树结构中,θ1+θ2+θ3+θ4=360°。因此,所述的归一化为,将获得的分叉角度θm除以360°,形成无量纲的归一化分叉角度θm’。
同样的,步骤S33、对计算所得的配准点与邻近配准点之间的分支长度Lk进行归一化处理得到Lk’,具体而言,在图4所示的二叉树结构中,L1’=L1/(L1+L2+L3),L2’=L2/(L1+L2+L3),L3’=L3/(L1+L2+L3)。
步骤S34、根据计算所得的归一化分叉角度θm’和归一化分支长度Lk’形成血管配准点集的向量S。在图4中S={L1’~L3’,θ1’~θ12’},图5中S={L1’~L4’,θ1’~θ20’},图6中Si={L1’~L3’,θ1’~θ13’},图7中S={L1’~L3’,θ1’~θ14’},图8中S={L1’~L3’,θ1’~θ14’},图9中S={L1’~L4’,θ1’~θ15’},图10中S={L1’~L4’,θ1’~θ16’},图11中S={L1’~L4’,θ1’~θ17’},图12中S={L1’~L4’,θ1’~θ18’},图13中S={L1’~L4’,θ1’~θ19’}。
于本实施例中,每一分叉角度采用如下方式进行计算:
首先,如图14所示,将360度的角划分为32个等份,每等份为11.25度。
其次,以每一配准点为中心构建9*9的邻域。
接着,判断配准点的每一条分支和该配准点的邻域边界的交点处对应的位置,根据划分的角度确定每一分支的角度。
最后,每一配准点的相邻两条分支的角度相减,得到这两条分支之间的分叉角度。然而,本发明对分叉角度的计算方式不作任何限定。于其它实施例中,也可采用更加精细的角度划分方式来获得分叉角度。
由此,我们对参考图像二值图和待配准图像二值图都做了一次全面的各种节点结构的配准点集搜索,记录下各种如图4~图13中所述的配准点集的向量信息。设参考图像二值图内血管配准点集所对应的向量为Si表示,待配准图像二值图内血管配准点集所对应的向量为Sj,采用下述方式对获得的所有的向量Si和Sj计算相似性测度(步骤S4)。
Lki’为参考图像二值图中第i个向量内第k条分支的归一化长度,Lkj’为待配准图像二值图中第j个向量内第k条分支的归一化长度,θmi’为参考图像二值图中第i个向量内第m个角度的归一化度数,θmj’为待配准图像二值图中第j个向量内第m个角度的归一化度数,α和β为加权因子。
由于参考图像和待配准图像之间可能存在旋转,平移,尺度变化,为具有更好的匹配精准度,于本实施例中,设置加权因子α和β来补偿图像在旋转、平移和尺度变化过程中形成的变化。其中,α为长度加权因子,β为角度加权因子。
于本实施例中,具体的确定方式如下:对待配准图像二值图和参考图像二值图中已搜索出来的所有二叉树形式的配准点集对应的向量分别求差值和,然后按大小排序。选取最小值对应的配准点集作为测度点集对;设该测度点集对中包括待配准图像二值图的第j个向量和参考图像二值图的第i个向量,Lj为待配准图像二值图中第j个向量的所有分支长度之和,Li为参考图像二值图中第i个向量的所有分支长度之和,加权因子α即可由Lj和Li的比值确定。于本实施例中,β=1-0.005×(M-12),M为已搜索出来的各配准点集内对应的角度的总数,12≤M≤20。具体而言,在图4所示的四节点的二叉树结构中,M等于12,此时β等于1;在图10所示的五节点的二叉树和三叉树的混合结构中,M等于17,此时β等于0.975;而在图13所示的五节点的二叉树和三叉树的混合结构中,M等于20,此时β等于0.96。即随着M数量的增加β在1~0.96之间变化,且M越大,β越小,β的设置对角度个数引起的误差起到一定的补偿作用,减小相似性测度的计算误差。然而,本发明对此不作任何限定。于其它实施例中,使用者可以平衡计算误差和计算速度来设置α和β的值。如最为简便的方式为设置α=1且β=1;或者,设置且β=1。
由此,我们就可以根据上面的相似度测度定义,搜索计算待配准图像二值图和参考图像二值图中的所有待配准点集对应的相似性测度Dij,然后按从小到大的顺序排序,选取最小的相似性测度Dij所对应的待配准图像的第j个配准点集和参考图像的第i个配准点集作为最佳配准点集对。而最佳配准点集对中对应的分叉节点对分别有四或五个节点组成,根据这些节点实施仿射变换即可对眼底图像做精确配准。
综上所述,通过对获取到的视网膜眼底图像进行处理得到二值图,在待配准图像二值图和参考图像的二值图中搜寻所有基于二叉树、三叉数或二叉树和三叉树相混合的血管配准点集。对于每个血管配准点集形成相应的向量,通过计算待配准图像二值图中血管配准点集所对应的向量和参考图像二值图中血管配准点集所对应的向量之间的相似度测度来获得最优的配准点集对,最后根据最优的配准点集对进行仿射变换从而实现图像配准。本发明提供的基于图像特征的眼底图像配准方法可实现视网膜眼底图像内二叉树、三叉树或二叉树和三叉树相混合的血管配准点集进行配准,在更多的配准点集中寻找最优的配准点集对,大大提高了配准精度。进一步的,不管是二叉树、三叉数或二叉树和三叉树相混合的血管配准点集均可采用相同的相似度测度公式进行计算,不仅具有很好的通用性且具有很高的计算速度。
此外,在图像配准过程中,考虑到图像向量内的夹角不会因为图像的旋转,平移及尺度变化而有所变化,但节点之间的长度L却可能随着图像尺度上的变化而有所改变。为进一步提高配准精度,本发明提供的基于图像特征的眼底图像配准方法在进行相似度测度计算时引入了加权因子α。
同时,考虑到申请人提出的配准点集结构不是单一的二叉树,而是二叉树,三叉树,或二叉树,三叉树的混合结构,这样,导致各种配准点集对应的向量中角度总数都各有不同。由于我们在计算节点的夹角时,并没能精确到1°,而是以11.25°为基本单位将360°划分成了32等份,由此,可以推测到配准点集对应的夹角越多,可能造成的误差累积会越大,从而导致角度越多的向量其角度部分误差会越大,误检的可能性也变大。另一方面,考虑到配准点集的结构中角度越多,意味着结构越复杂,其配准精度也可能越高,由此,通过加权因子β来进一步调整角度对相似度测量的影响。
虽然本发明已由较佳实施例揭露如上,然而并非用以限定本发明,任何熟知此技艺者,在不脱离本发明的精神和范围内,可作些许的更动与润饰,因此本发明的保护范围当视权利要求书所要求保护的范围为准。
Claims (8)
1.基于图像特征的眼底图像配准方法,其特征在于,包括:
获取视网膜眼底图像并进行处理,形成二值图;
搜索待配准图像二值图和参考图像二值图,获得所有基于二叉树的血管配准点集,三叉树的血管配准点集或二叉树和三叉树混合的血管配准点集;
计算所有获得的血管配准点集所对应的向量;
计算所有待配准图像二值图中血管配准点集所对应的向量和参考图像二值图中血管配准点集所对应的向量之间的相似度测度;
对所有相似度测度进行排序,根据最小的相似度测度值获得待配准图像二值图和参考图像二值图的最优配准点集对;
根据最优配准点集对中的节点坐标,依据仿射变换进行图像配准。
2.根据权利要求1所述的基于图像特征的眼底图像配准方法,其特征在于,计算所有获得的血管配准点集所对应的向量的步骤如下:
在血管配准点集中计算每一配准点的分叉角度以及该配准点与邻近配准点之间的分支长度;
对计算所得的每一配准点的分叉角度进行归一化处理,形成归一化分叉角度;
对计算所得的配准点集的分支长度进行归一化处理,形成归一化分支长度;
根据归一化分叉角度和归一化分支长度形成血管配准点集的向量。
3.根据权利要求2所述的基于图像特征的眼底图像配准方法,其特征在于,每一配准点的分叉角度采用如下方法进行计算:
将360度的角划分为32个等份,每等份为11.25度;
以每一配准点为中心构建9*9的邻域;
判断配准点的每一条分支和该配准点的邻域边界的交点处对应的位置,根据划分的角度确定每一分支的角度;
每一配准点的相邻两条分支的角度相减,得到这两条分支之间的分叉角度。
4.根据权利要求1所述的基于图像特征的眼底图像配准方法,其特征在于,采用以下公式计算所有待配准图像二值图中血管配准点集所对应的向量和参考图像二值图中血管配准点集所对应的向量之间的相似度测度:
Lki’为参考图像二值图中第i个向量内第k条分支的归一化长度,Lkj’为待配准图像二值图中第j个向量内第k条分支的归一化长度,θmi’为参考图像二值图中第i个向量内第m个角度的归一化度数,θmj’为待配准图像二值图中第j个向量内第m个角度的归一化度数,α和β为加权因子。
5.根据权利要求4所述的基于图像特征的眼底图像配准方法,其特征在于,
β=1-0.005×(M-12);
α的确定采用如下方法:对待配准图像二值图和参考图像二值图中已搜索出来的所有二叉树形式的配准点集对应的向量分别求差值和,然后按大小排序,选取最小值对应的配准点集作为测度点集对;设该测度点集对中包括待配准图像二值图的第j个向量和参考图像二值图的第i个向量,Lj为待配准图像二值图中第j个向量的所有分支长度之和,Li为参考图像二值图中第i个向量的所有分支长度之和,加权因子α即可由Lj和Li的比值确定,M为已搜索出来的各配准点集内对应的角度的总数,12≤M≤20。
6.根据权利要求4所述的基于图像特征的眼底图像配准方法,其特征在于,
α的确定采用如下方法:对待配准图像二值图和参考图像二值图中已搜索出来的所有二叉树形式的配准点集对应的向量分别求差值和,然后按大小排序,选取最小值对应的配准点集作为测度点集对;设该测度点集对中包括待配准图像二值图的第j个向量和参考图像二值图的第i个向量,Lj为待配准图像二值图中第j个向量的所有分支长度之和,Li为参考图像二值图中第i个向量的所有分支长度之和,加权因子α即可由Lj和Li的比值确定。
7.根据权利要求4所述的基于图像特征的眼底图像配准方法,其特征在于,α=1,β=1。
8.根据权利要求1所述的基于图像特征的眼底图像配准方法,其特征在于,对获取到的视网膜眼底图像进行处理的步骤包括:
图像归一化,在获取到的视网膜眼底图像中对亮度信息归一化处理,提取出稳定的亮度信息;
图像增强及二值化,采用图像灰度增强算子对图像进行增强后进行二值处理,获得眼底背景为白色,血管为黑色的图像;
对二值处理后的图像做骨架细化处理及取反处理,获得背景为黑,血管为白的二值图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610079068.2A CN105761254B (zh) | 2016-02-04 | 2016-02-04 | 基于图像特征的眼底图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610079068.2A CN105761254B (zh) | 2016-02-04 | 2016-02-04 | 基于图像特征的眼底图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105761254A true CN105761254A (zh) | 2016-07-13 |
CN105761254B CN105761254B (zh) | 2019-01-01 |
Family
ID=56330555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610079068.2A Expired - Fee Related CN105761254B (zh) | 2016-02-04 | 2016-02-04 | 基于图像特征的眼底图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105761254B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952223A (zh) * | 2017-03-17 | 2017-07-14 | 北京邮电大学 | 图像配准方法及装置 |
CN108198211A (zh) * | 2017-11-20 | 2018-06-22 | 海纳医信(北京)软件科技有限责任公司 | 眼底图像的处理方法及装置、存储介质、处理器 |
CN108294728A (zh) * | 2017-01-12 | 2018-07-20 | 财团法人工业技术研究院 | 伤口状态分析方法与系统 |
CN108876770A (zh) * | 2018-06-01 | 2018-11-23 | 山东师范大学 | 一种眼底多光谱图像联合配准方法及系统 |
CN108898626A (zh) * | 2018-06-21 | 2018-11-27 | 清华大学 | 一种冠状动脉的自动配准方法 |
CN110309778A (zh) * | 2019-07-01 | 2019-10-08 | 江苏医像信息技术有限公司 | 眼底图身份识别方法 |
CN110458870A (zh) * | 2019-07-05 | 2019-11-15 | 北京迈格威科技有限公司 | 一种图像配准、融合、遮挡检测方法、装置和电子设备 |
WO2020005053A1 (es) * | 2018-06-29 | 2020-01-02 | Centro De Retina Médica Y Quirúrgica, S.C. | Sistema portátil para la identificación de casos potenciales de edema macular diabético mediante procesamiento de imagen e inteligencia artificial |
CN110914835A (zh) * | 2017-07-28 | 2020-03-24 | 新加坡国立大学 | 修改用于深度学习模型的视网膜眼底图像的方法 |
CN112364319A (zh) * | 2020-10-12 | 2021-02-12 | 西安电子科技大学 | 一种基于二叉树混洗的生物特征模板保护方法及装置 |
CN112509020A (zh) * | 2020-12-07 | 2021-03-16 | 昆山戎影医疗科技有限公司 | 血管外部影像与腔内影像的配准方法、装置及计算设备 |
Citations (2)
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 |
CN104933715A (zh) * | 2015-06-16 | 2015-09-23 | 山东大学(威海) | 一种应用于视网膜眼底图像的配准方法 |
-
2016
- 2016-02-04 CN CN201610079068.2A patent/CN105761254B/zh not_active Expired - Fee Related
Patent Citations (2)
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 |
CN104933715A (zh) * | 2015-06-16 | 2015-09-23 | 山东大学(威海) | 一种应用于视网膜眼底图像的配准方法 |
Non-Patent Citations (2)
Title |
---|
LI CHEN ET AL.: "《Retinal Image Registration Using Bifurcation Structures》", 《2011 18TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
沈奔等: "《基于局部血管结构特征的眼底图像二级配准》", 《光子学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108294728A (zh) * | 2017-01-12 | 2018-07-20 | 财团法人工业技术研究院 | 伤口状态分析方法与系统 |
CN108294728B (zh) * | 2017-01-12 | 2021-12-07 | 财团法人工业技术研究院 | 伤口状态分析系统 |
CN106952223A (zh) * | 2017-03-17 | 2017-07-14 | 北京邮电大学 | 图像配准方法及装置 |
CN110914835B (zh) * | 2017-07-28 | 2024-04-19 | 新加坡国立大学 | 修改用于深度学习模型的视网膜眼底图像的方法 |
CN110914835A (zh) * | 2017-07-28 | 2020-03-24 | 新加坡国立大学 | 修改用于深度学习模型的视网膜眼底图像的方法 |
CN108198211A (zh) * | 2017-11-20 | 2018-06-22 | 海纳医信(北京)软件科技有限责任公司 | 眼底图像的处理方法及装置、存储介质、处理器 |
CN108876770A (zh) * | 2018-06-01 | 2018-11-23 | 山东师范大学 | 一种眼底多光谱图像联合配准方法及系统 |
CN108876770B (zh) * | 2018-06-01 | 2021-06-25 | 山东师范大学 | 一种眼底多光谱图像联合配准方法及系统 |
WO2019242227A1 (zh) * | 2018-06-21 | 2019-12-26 | 清华大学 | 一种冠状动脉的自动配准方法 |
CN108898626B (zh) * | 2018-06-21 | 2019-09-27 | 清华大学 | 一种冠状动脉的自动配准方法 |
CN108898626A (zh) * | 2018-06-21 | 2018-11-27 | 清华大学 | 一种冠状动脉的自动配准方法 |
WO2020005053A1 (es) * | 2018-06-29 | 2020-01-02 | Centro De Retina Médica Y Quirúrgica, S.C. | Sistema portátil para la identificación de casos potenciales de edema macular diabético mediante procesamiento de imagen e inteligencia artificial |
CN110309778A (zh) * | 2019-07-01 | 2019-10-08 | 江苏医像信息技术有限公司 | 眼底图身份识别方法 |
CN110458870A (zh) * | 2019-07-05 | 2019-11-15 | 北京迈格威科技有限公司 | 一种图像配准、融合、遮挡检测方法、装置和电子设备 |
CN112364319A (zh) * | 2020-10-12 | 2021-02-12 | 西安电子科技大学 | 一种基于二叉树混洗的生物特征模板保护方法及装置 |
CN112364319B (zh) * | 2020-10-12 | 2022-12-23 | 西安电子科技大学 | 一种基于二叉树混洗的生物特征模板保护方法及装置 |
CN112509020A (zh) * | 2020-12-07 | 2021-03-16 | 昆山戎影医疗科技有限公司 | 血管外部影像与腔内影像的配准方法、装置及计算设备 |
WO2022121546A1 (zh) * | 2020-12-07 | 2022-06-16 | 苏州博动戎影医疗科技有限公司 | 血管外部影像与腔内影像的配准方法、装置及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105761254B (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105761254A (zh) | 基于图像特征的眼底图像配准方法 | |
CN106228547B (zh) | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 | |
CN110652317B (zh) | 一种产前胎儿超声容积图像中标准切面的自动定位方法 | |
CN102567734B (zh) | 基于比值的视网膜细小血管分割方法 | |
Aydogan et al. | Parallel transport tractography | |
CN103902992B (zh) | 人脸识别方法 | |
CN106548491B (zh) | 一种图像配准方法、其图像融合方法及其装置 | |
CN114694236A (zh) | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 | |
CN109859101A (zh) | 农作物冠层热红外图像识别方法及系统 | |
Lang et al. | Combined registration and motion correction of longitudinal retinal OCT data | |
CN110349206B (zh) | 一种人体对称性检测的方法和相关装置 | |
CN106446805A (zh) | 一种眼底照中视杯的分割方法及系统 | |
Avisdris et al. | Biometrynet: landmark-based fetal biometry estimation from standard ultrasound planes | |
CN110378333B (zh) | 一种sd-oct图像黄斑中央凹中心定位方法 | |
Aranda et al. | A flocking based method for brain tractography | |
Pujadas et al. | Shape-based normalized cuts using spectral relaxation for biomedical segmentation | |
CN107845106A (zh) | 利用改进的nndr策略的医学图像配准方法 | |
CN107451610B (zh) | 一种提高特征匹配精度的图像检测方法 | |
CN115984203A (zh) | 一种眼球突出度测量方法、系统、终端及介质 | |
CN115690556B (zh) | 一种基于多模态影像学特征的图像识别方法及系统 | |
Niu et al. | Registration of SD-OCT en-face images with color fundus photographs based on local patch matching | |
Cohen et al. | Analysis of point based image registration errors with applications in single molecule microscopy | |
Sułot et al. | Deep learning approaches for segmenting Bruch’s membrane opening from OCT volumes | |
CN115937969A (zh) | 仰卧起坐考核中目标人物的确定方法、装置、设备及介质 | |
Feng et al. | Feasibility of a deep learning-based method for automated localization of pelvic floor landmarks using stress MR images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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 |
Granted publication date: 20190101 Termination date: 20200204 |
|
CF01 | Termination of patent right due to non-payment of annual fee |