CN105787928A - 基于视觉模糊度的模糊眼底图像自动检测与筛查方法 - Google Patents
基于视觉模糊度的模糊眼底图像自动检测与筛查方法 Download PDFInfo
- Publication number
- CN105787928A CN105787928A CN201610084527.6A CN201610084527A CN105787928A CN 105787928 A CN105787928 A CN 105787928A CN 201610084527 A CN201610084527 A CN 201610084527A CN 105787928 A CN105787928 A CN 105787928A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- image
- mask
- fuzziness
- fundus image
- 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
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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉模糊度的模糊眼底图像自动检测与筛查方法,包括如下步骤:(S1)计算可感知模糊程度;(S2)进行贝叶斯决策;(S3)构造贝叶斯分类器判定图像是否模糊。本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,能够简单有效的判别眼底图像是否模糊。
Description
技术领域
本发明涉及医学图像处理领域,具体涉及一种基于视觉模糊度的模糊眼底图像自动检测与筛查方法。
背景技术
模糊眼底图像不利于临床眼科疾病诊断,模糊成因有两种:一种是眼底成像系统对焦不准,具体表现为眼底图像中各组织结构不清晰,尤其是血管一类的精细结构不清楚;另一种是由于拍摄时光照不均匀,造成眼底图像局部有亮斑、暗斑或伪彩。如图1所示,分别展示了正常图像(a)、由成因一造成的模糊(b)和由成因二造成的模糊(c)。
发明内容
本发明所要解决的技术问题是提供一种基于视觉模糊度的模糊眼底图像自动检测与筛查方法,能够简单有效的判别眼底图像是否模糊。
为了解决以上技术问题,本发明提供了一种基于视觉模糊度的模糊眼底图像自动检测与筛查方法,包括如下步骤:
(S1)计算可感知模糊程度;
(S2)进行贝叶斯决策;
(S3)构造贝叶斯分类器判定图像是否模糊。
优选地,本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,步骤(S1)所述的计算可感知模糊程度,进一步包括:
(S1.1)机器视觉提取眼底血管组织,具体方法为:先对绿色通道做反色处理,然后构造nL(nL为大于0的整数)个线状结构元素,利用图像形态学操作,对绿色通道中任意一点做形态开操作,即形态学腐蚀操作后进行形态学膨胀操作;
(S1.2)可感知血管强度计算,具体方法为:
对绿色通道的形态学开操作会产生nL个通道图像,计算非感知血管强度:
再提取出非感知血管强度大于50的部分,组成序列S,该序列的最大值记为Smax,然后对序列做标准差分析,根据下式确定可感知基数S0:
确定了可感知基数S0后,可感知血管强度即可通过下式计算:
根据公式(3),上述可感知血管强度值S(x,y)在0-1之间。
(S1.3)可感知血管强度统计,具体方法为:
根据可感知血管强度做直方图统计,直方图的分布区间为0-1,共分为K个区间,每个区间的宽度为根据直方图中各区间的频数n(i),i=1,2,……,K,归一化折算为频率计算p(i)在S大于一个固有阈值的总和,得到可感知模糊程度(PB):
PB=∑s>0.63p(i)(4)
根据公式(4),所述的可感知模糊程度(PB)值越低,表明图像越模糊。
优选地,本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,步骤(S2)进行贝叶斯决策,具体方法为:
根据贝叶斯决策理论设计一种分类器,把所述的可感知模糊程度(PB)作为输入,输出二分类模式,ω1代表没有模糊,ω2代表有模糊;
先在临床上收集样本用眼底图像,让眼科医生先做主观评价,将它们分成非模糊组和模糊组
根据两组中的图片数量,用和表示,计算先验概率:
假设条件概率服从正态分布,再计算条件概率p(x|ωi),i=1,2,其中x代表可感知模糊程度(PB)。
优选地,本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,步骤(S3)构造贝叶斯分类器判定图像是否模糊,具体方法为:
运用贝叶斯公式,分别求出后验概率:
最后的分类标准为:如果P(ω1|PB)>P(ω2|PB),那么判定该图像不模糊,不需要剔除;反之,判定模糊,需要剔除。
进一步地,本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,所述的步骤(S3)之后还包括:
步骤(S4)构建自学习分类器。
进一步地,本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,步骤(S4)构建自学习分类器,进一步包括:
(S4.1)、设立后续用于训练的样本自动挑选依据,具体方法为:通过阈值法来确定自动挑选的标准,选择阈值trig>0.5(阈值的取值范围是0≤trig≤1),自动挑选依据为:如果P(ω1|PB)-P(ω2|PB)>trig,就将该图片作为非模糊组的训练样本,如果P(ω2|PB)-P(ω1|PB)>trig,就将该图片作为模糊组的训练样本,不满足上述情况的图片不作为训练样本。
(S4.2)、构造无监督分类器,具体方法为:根据步骤(S4.1)的自动挑选标准,待模糊组和非模糊组的训练样本数都达到或接近102倍数量级时,通过聚类算法构造无监督分类器,具体的构造步骤为:
(S4.2.1)、初始化:设非模糊组图像的PB值分别为模糊组图像的PB值分别为其中N各代表组中样本数量,ω1代表非模糊组,ω2代表模糊组;
(S4.2.2)、初始质心计算:分别计算两组质心
(S4.2.3)、距离计算:对于待检测眼底图像,在得到其PB值后,计算其与两质心的距离dj=||PB-μj||,j=1,2;
(S4.2.4)、决策:如果d1<d2,则判定待检测图像是非模糊的,否则判定为模糊的;
(S4.2.5)、迭代:根据上一步的决策将该图像归为对应的组别中,重复步骤(S4.2.2)、步骤(S4.2.3)和步骤(S4.2.4),即实现无监督分类。
进一步地,本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,所述的步骤(S1)前还包括图像的预处理,所述的预处理包括:
(P1)利用机器视觉去冗余。
更进一步地,本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,所述的预处理在步骤(P1)之后还包括:
(P2)亮度通道处理,具体方法为:
把绿色通道当作亮度通道处理,根据下面的关系式求得亮度掩膜:
其中,tlum为步骤(P1)裁剪后图像中圆形掩膜以外的像素值的平均值。更进一步地,本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,所述的预处理在步骤(P2)之后还包括:
(P3)色彩通道处理,具体方法为:
将步骤(P1)裁剪后的图像做色彩空间变换,变换公式为:
提取其中的色调通道(H),根据下面的关系式求出色调掩膜:
其中,thue为步骤(P1)裁剪后的圆形掩膜以外的H通道像素值的平均值。更进一步地,本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,所述的预处理在步骤(P3)之后还包括:
(P4)将亮度和色彩通道处理得到的亮度掩膜(Masklum)和色彩掩膜(Maskhue)做逻辑与运算,得到融合后的通道掩膜(Maskroi),计算该掩膜中逻辑值为真的像素个数与圆形掩膜中逻辑值为真的像素个数的比例,将其定义为视觉有效信息r1:
其中,x,y是像素索引值,M,N代表图像的行列值,Mask代表圆形掩膜。
本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,能够简单有效的判别眼底图像是否模糊。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1是正常与模糊眼底图像示意图;
图2是机器视觉裁剪图像示意图;
图3是本发明的基于视觉模糊度的模糊眼底图像自动检测与筛查方法的流程图。
具体实施方式
实施例一
如图3所示,本发明的最佳实施方式包括图像预处理步骤P1-P4,和模糊判定步骤S1-S4,具体步骤如下:
第P1步:机器视觉去冗余
彩色图像分离出红色通道,对红色通道运用大津法做二值化处理,然后以图像中心点为圆心,遍历二值化图像中的非零值像素,寻找最大半径,从而得到圆形掩膜,作该圆的外切正方形,去除该外切正方形以外的图像像素,得到裁剪后的图像,示意如图2所示。
第P2步:亮度通道处理
分离出裁剪后图像的绿色通道I,因为在眼底图像中,绿色通道对比度最明显,因此把绿色通道当做亮度通道处理。先求出裁剪后图像中圆形掩膜以外的像素值的平均值,记为tlum,根据下面的关系式求得亮度掩膜:
第P3步:色彩通道处理
将裁剪后的图像做色彩空间变换,变换公式为:
提取其中的色调通道(H),与亮度通道处理方法类似,先求出圆形掩膜以外的H通道像素值的平均值,记为thue,根据下面的关系式求出色调掩膜:
第P4步:通道融合
将亮度和色彩通道处理得到的亮度掩膜(Masklum)和色彩掩膜(Maskhue)做逻辑与运算,即只有在同一位置上的亮度掩膜像素值和色彩掩膜像素值都为真时,逻辑与运算才为真,否则为假。得到融合后的通道掩膜(Masknoi),计算该掩膜中逻辑值为真的像素个数与圆形掩膜中逻辑值为真的像素个数的比例,将其定义为视觉有效信息r1:
其中,x,y是像素索引值,M,N代表图像的行列值,Mask代表圆形掩膜。
第S1步:可感知模糊程度度量
上述的通道处理和融合技术用于检测由于光照不均匀造成的模糊失真,而可感知模糊程度度量则用于检测由于对焦不准造成的模糊失真。首先,对分离出的原始绿色通道I做数学形态学处理,提取出眼底血管组织,这利用的是机器视觉;然后,计算可感知血管强度,最后综合上述运用通道融合技术产生的通道掩膜Maskroi,析取出相应位置的血管强度并做统计直方图,根据该直方图计算可感知模糊程度。因此分成以下三步:(S1.1)、机器视觉提取眼底血管组织;(S1.2)、可感知血管强度计算;(S1.3)、可感知血管强度统计。
(S1.1)、机器视觉提取眼底血管组织
首先对绿色通道做反色处理,即:
x,y为像素索引值,索引范围是图像的大小,代表图像域,其大小为M×N。随后构造nL个线状结构元素,每个线状元素长度为个单位像素,其中代表向上取整数操作,min代表取最小值操作。线性元素的方向从水平开始,依次递增度,单个线状结构元素用Bi表示,其中i=1,2,…,nL。利用图像形态学操作,对绿色通道I中任意一点形态开操作定义为:
其中δ定义了形态学膨胀操作,具体定义为:
而∈则为形态学腐蚀操作,其定义是:
MIN,MAX分别为最小和最大操作。
(S1.2)、可感知血管强度计算
上述nL种对绿色通道I的形态学开操作会产生nL个通道图像,记为Ii,i=1,2,…,nL。首先计算非感知血管强度Ives:
再计算可感知血管强度:首先提取出非感知血管强度大于50的部分,组成序列S该序列的最大值记为Smax,然后对序列做标准差(std)分析,根据下式确定可感知基数S0:
确定了可感知基数S0后,可感知血管强度即可通过下式计算:
(S1.3)、可感知血管强度统计
根据通道融合掩膜Maskroi,提取出相应位置上的可感知血管强度,并做直方图统计。由公式(9)可知,可感知血管强度值在0-1之间,相应地,直方图的分布区间为0-1,共分为K个区间,每个区间的宽度为根据直方图中各区间的频数n(i),i=1,2,……,K,归一化折算为频率计算p(i)在S大于一个固有阈值的总和,得到可感知模糊程度(PB),该值越低,表明图像越模糊:
PB=∑s>0.63p(i)(10)
第S2步:贝叶斯决策
为了根据可感知模糊程度(PB)推断出眼底图像是否模糊,需要设计一种分类器,该分类器把PB作为输入,输出二分类模式,ω1代表没有模糊,ω2代表有模糊。本专利根据贝叶斯决策理论设计分类器。首先需要在临床上收集至少1000幅眼底图像,让眼科医生先做主观评价,将它们分成非模糊组和模糊组根据两组中的图片数量,用和表示,计算先验概率:
接下来计算条件概率p(x|ωi),i=1,2,其中x代表可感知模糊程度,即待评估图像的PB值(PB的定义见公式(10))。这里假设条件概率服从正态分布,即条件概率的表达式为:
其中μi,σi的参数估计公式为:
第S3步:构造贝叶斯分类器
对于待检测的眼底图片,求出可感知模糊程度PB后,运用贝叶斯公式,分别求出后验概率:
最后的分类标准为:如果P(ω1|PB)>P(ω2|PB),那么判定该图像不模糊,不需要剔除;反之,判定模糊,需要剔除。
第S4步:构建自学习分类器
贝叶斯分类器虽然可以计算待检测图像分别属于模糊和不模糊这两类的概率,并根据概率大小判决该图像是否模糊。但构造贝叶斯分类器需要在前期准备大量的样本,还需要医生做主观评价,费时费力,因此需要对原先的贝叶斯分类器做改进,使其能够自学习。自学习要达到以下两个目标:(1)从检测过的图片中自动挑选一部分作为新的学习样本;(2)变有监督分类为无监督分类。
(S4.1)、自动挑选依据
贝叶斯分类器仅仅根据P(ω1|PB)>P(ω2|PB)判定图像不模糊,这会带来一定的风险,比如如果待检测图像的两类后验概率分别为P(ω1|PB)=0.51,P(ω1|PB)=0.49时,贝叶斯分类器会默认该图像是不模糊的,但由于两类后验概率的差别很小,因此实际上该图像很可能是模糊的,或者模糊与否更有可能是模棱两可的,这样的图像如果入选为训练样本,会干扰贝叶斯分类器的判断,因为越是引入这样模棱两可的图片,越是会对以后的待测图像产生趋向于随机性的判断,这样贝叶斯分类器就失去了意义。
要使贝叶斯分类器具有鲁棒性,必须严格挑选后续用于训练的样本,这里通过阈值法来确定自动挑选的标准。该阈值反映的是挑选标准的严格性,通常选择阈值trig>0.5,阈值的取值范围是0≤trig≤1,阈值越高,表明严格性越高。选定了代表严格性的阈值以后,自动挑选依据就确定为:如果P(ω1|PB)-P(ω2|PB)>trig,就将该图片作为非模糊组的训练样本,如果P(ω2|PB)-P(ω1|PB)>trig,就将该图片作为模糊组的训练样本,除此两种情况以外,该图片将不作为训练样本。对比贝叶斯分类器会发现,如果把贝叶斯分类器的分类结果当作自动挑选的依据,那么该依据的严格性阈值为0,因为P(ω1|PB)>P(ω2|PB)等价与P(ω1|PB)-P(ω2|PB)>0。
(S4.2)、构造无监督分类器
根据上述的自动挑选标准,待模糊组和非模糊组的训练样本数都达到或接近102数量级时,通过聚类算法构造无监督分类器。具体的构造步骤为:
(S4.2.1)、初始化:设非模糊组图像的PB值分别为模糊组图像的PB值分别为其中N各代表组中样本数量。ω1代表非模糊组,ω2代表模糊组。
(S4.2.2)、初始质心计算:分别计算两组的质心
(S4.2.3)、距离计算:对于待检测眼底图像,在得到其PB值后,计算其与两质心的距离dj=||PB-μj||,j=1,2.
(S4.2.4)、决策:如果d1<d2,则判定待检测图像是非模糊的,否则判定为模糊的。
(S4.2.5)、迭代:根据上一步的决策将该图像归为对应的组别中,重复步骤(S4.2.2)、(S4.2.3)、(S4.2.4),即可实现无监督分类。
以上所述为本发明的优选实施例,并不用于限制本发明,对本领域的技术人员来说,可以有各种更改和变化。凡在本发明的精神和范围内,所做的任何修改和等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于视觉模糊度的模糊眼底图像自动检测与筛查方法,其特征在于,包括如下步骤:
(S1)计算可感知模糊程度;
(S2)进行贝叶斯决策;
(S3)构造贝叶斯分类器判定图像是否模糊。
2.如权利要求1所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,其特征在于,步骤(S1)所述的计算可感知模糊程度,进一步包括:
(S1.1)机器视觉提取眼底血管组织,具体方法为:先对绿色通道做反色处理,然后构造nL(nL为大于0的整数)个线状结构元素,利用图像形态学操作,对绿色通道中任意一点做形态开操作,即形态学腐蚀操作后进行形态学膨胀操作;
(S1.2)可感知血管强度计算,具体方法为:
对绿色通道的形态学开操作会产生nL个通道图像,计算非感知血管强度:
再提取出非感知血管强度大于50的部分,组成序列S,该序列的最大值记为Smax,然后对序列做标准差分析,根据下式确定可感知基数S0:
确定了可感知基数S0后,可感知血管强度即可通过下式计算:
根据公式(3),上述可感知血管强度值S(x,y)在0-1之间。
(S1.3)可感知血管强度统计,具体方法为:
根据可感知血管强度做直方图统计,直方图的分布区间为0-1,共分为K个区间,每个区间的宽度为根据直方图中各区间的频数n(i),i=1,2,……,K,归一化折算为频率计算p(i)在S大于一个固有阈值的总和,得到可感知模糊程度(PB):
PB=∑S>0.63p(i)(4)
根据公式(4),所述的可感知模糊程度(PB)值越低,表明图像越模糊。
3.如权利要求1所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,其特征在于,步骤(S2)进行贝叶斯决策,具体方法为:
根据贝叶斯决策理论设计一种分类器,把所述的可感知模糊程度(PB)作为输入,输出二分类模式,ω1代表没有模糊,ω2代表有模糊;
先在临床上收集样本用眼底图像,让眼科医生先做主观评价,将它们分成非模糊组和模糊组
根据两组中的图片数量,用和表示,计算先验概率:
假设条件概率服从正态分布,再计算条件概率p(x|ωi),i=1,2,其中x代表可感知模糊程度(PB)。
4.如权利要求1所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,其特征在于,步骤(S3)构造贝叶斯分类器判定图像是否模糊,具体方法为:
运用贝叶斯公式,分别求出后验概率:
最后的分类标准为:如果P(ω1|PB)>P(ω2|PB),那么判定该图像不模糊,不需要剔除;反之,判定模糊,需要剔除。
5.如权利要求2至4任一项所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,其特征在于,所述的步骤(S3)之后还包括:
步骤(S4)构建自学习分类器。
6.如权利要求5所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,其特征在于,步骤(S4)构建自学习分类器,进一步包括:
(S4.1)、设立后续用于训练的样本自动挑选依据,具体方法为:通过阈值法来确定自动挑选的标准,选择阈值trig>0.5(阈值的取值范围是0≤trig≤1),自动挑选依据为:如果P(ω1|PB)-P(ω2|PB)>trig,就将该图片作为非模糊组的训练样本,如果P(ω2|PB)-P(ω1|PB)>trig,就将该图片作为模糊组的训练样本,不满足上述情况的图片不作为训练样本。
(S4.2)、构造无监督分类器,具体方法为:根据步骤(S4.1)的自动挑选标准,待模糊组和非模糊组的训练样本数都达到或接近102倍数量级时,通过聚类算法构造无监督分类器,具体的构造步骤为:
(S4.2.1)、初始化:设非模糊组图像的PB值分别为模糊组图像的PB值分别为其中N各代表组中样本数量,ω1代表非模糊组,ω2代表模糊组;
(S4.2.2)、初始质心计算:分别计算两组质心
(S4.2.3)、距离计算:对于待检测眼底图像,在得到其PB值后,计算其与两质心的距离dj=||PB-μj||,j=1,2;
(S4.2.4)、决策:如果d1<d2,则判定待检测图像是非模糊的,否则判定为模糊的;
(S4.2.5)、迭代:根据上一步的决策将该图像归为对应的组别中,重复步骤(S4.2.2)、步骤(S4.2.3)和步骤(S4.2.4),即实现无监督分类。
7.如权利要求2至4任一项所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,其特征在于,所述的步骤(S1)前还包括图像的预处理,所述的预处理包括:
(P1)利用机器视觉去冗余。
8.如权利要求7所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,其特征在于,所述的预处理在步骤(P1)之后还包括:
(P2)亮度通道处理,具体方法为:
把绿色通道当作亮度通道处理,根据下面的关系式求得亮度掩膜:
其中,tlum为步骤(P1)裁剪后图像中圆形掩膜以外的像素值的平均值。
9.如权利要求8所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,其特征在于,所述的预处理在步骤(P2)之后还包括:
(P3)色彩通道处理,具体方法为:
将步骤(P1)裁剪后的图像做色彩空间变换,变换公式为:
提取其中的色调通道(H),根据下面的关系式求出色调掩膜:
其中,thue为步骤(P1)裁剪后的圆形掩膜以外的H通道像素值的平均值。
10.如权利要求9所述的基于视觉模糊度的模糊眼底图像自动检测与筛查方法,其特征在于,所述的预处理在步骤(P3)之后还包括:
(P4)将亮度和色彩通道处理得到的亮度掩膜(Masklum)和色彩掩膜(Maskhue)做逻辑与运算,得到融合后的通道掩膜(Maskroi),计算该掩膜中逻辑值为真的像素个数与圆形掩膜中逻辑值为真的像素个数的比例,将其定义为视觉有效信息r1:
其中,x,y是像素索引值,M,N代表图像的行列值,Mask代表圆形掩膜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610084527.6A CN105787928A (zh) | 2016-02-14 | 2016-02-14 | 基于视觉模糊度的模糊眼底图像自动检测与筛查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610084527.6A CN105787928A (zh) | 2016-02-14 | 2016-02-14 | 基于视觉模糊度的模糊眼底图像自动检测与筛查方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105787928A true CN105787928A (zh) | 2016-07-20 |
Family
ID=56402715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610084527.6A Pending CN105787928A (zh) | 2016-02-14 | 2016-02-14 | 基于视觉模糊度的模糊眼底图像自动检测与筛查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787928A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191457A (zh) * | 2018-09-21 | 2019-01-11 | 中国人民解放军总医院 | 一种病理图像质量有效性识别方法 |
CN109685069A (zh) * | 2018-12-27 | 2019-04-26 | 乐山师范学院 | 图像检测方法、装置及计算机可读存储介质 |
CN110037651A (zh) * | 2018-01-15 | 2019-07-23 | 江威 | 眼底图像的质量控制方法及装置 |
CN110378327A (zh) * | 2019-07-09 | 2019-10-25 | 浙江大学 | 添加辅助性显著特征的目标检测装置及方法 |
CN111131688A (zh) * | 2018-10-31 | 2020-05-08 | Tcl集团股份有限公司 | 一种图像处理方法、装置及移动终端 |
CN113947124A (zh) * | 2020-06-30 | 2022-01-18 | 中移(成都)信息通信科技有限公司 | 眼底彩色图像分类模型训练方法及眼底彩色图像分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731418A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
US20080239238A1 (en) * | 2007-03-30 | 2008-10-02 | Kabushi Kaisha Topcon | Optical image measurement device and optical image measurement method |
-
2016
- 2016-02-14 CN CN201610084527.6A patent/CN105787928A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731418A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
US20080239238A1 (en) * | 2007-03-30 | 2008-10-02 | Kabushi Kaisha Topcon | Optical image measurement device and optical image measurement method |
Non-Patent Citations (2)
Title |
---|
WEI-WEI GAO等: "Automated Detection and Classification of Bright Lesions Associated with Diabetic Retinopathy from Color Fundus Images", 《2013 INTERNATIONAL CONFERENCE ON BIOLOGICAL,MEDICAL AND CHEMICAL ENGINEERING》 * |
汤莉平: "基于高斯Markov随机场混合模型的彩色眼底视网膜血管分割提取", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037651A (zh) * | 2018-01-15 | 2019-07-23 | 江威 | 眼底图像的质量控制方法及装置 |
CN110037651B (zh) * | 2018-01-15 | 2022-03-25 | 江威 | 眼底图像的质量控制方法及装置 |
CN109191457A (zh) * | 2018-09-21 | 2019-01-11 | 中国人民解放军总医院 | 一种病理图像质量有效性识别方法 |
CN109191457B (zh) * | 2018-09-21 | 2022-07-01 | 中国人民解放军总医院 | 一种病理图像质量有效性识别方法 |
CN111131688A (zh) * | 2018-10-31 | 2020-05-08 | Tcl集团股份有限公司 | 一种图像处理方法、装置及移动终端 |
CN111131688B (zh) * | 2018-10-31 | 2021-04-23 | Tcl科技集团股份有限公司 | 一种图像处理方法、装置及移动终端 |
CN109685069A (zh) * | 2018-12-27 | 2019-04-26 | 乐山师范学院 | 图像检测方法、装置及计算机可读存储介质 |
CN109685069B (zh) * | 2018-12-27 | 2020-03-13 | 乐山师范学院 | 图像检测方法、装置及计算机可读存储介质 |
CN110378327A (zh) * | 2019-07-09 | 2019-10-25 | 浙江大学 | 添加辅助性显著特征的目标检测装置及方法 |
CN113947124A (zh) * | 2020-06-30 | 2022-01-18 | 中移(成都)信息通信科技有限公司 | 眼底彩色图像分类模型训练方法及眼底彩色图像分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787928A (zh) | 基于视觉模糊度的模糊眼底图像自动检测与筛查方法 | |
Ravishankar et al. | Automated feature extraction for early detection of diabetic retinopathy in fundus images | |
Singh et al. | Image processing based automatic diagnosis of glaucoma using wavelet features of segmented optic disc from fundus image | |
Hashemzadeh et al. | Retinal blood vessel extraction employing effective image features and combination of supervised and unsupervised machine learning methods | |
Zong et al. | U-net based method for automatic hard exudates segmentation in fundus images using inception module and residual connection | |
AU2003207787A2 (en) | Image processing using measures of similarity | |
Qureshi et al. | Detection of glaucoma based on cup-to-disc ratio using fundus images | |
Palanivel et al. | Retinal vessel segmentation using multifractal characterization | |
Punnolil | A novel approach for diagnosis and severity grading of diabetic maculopathy | |
CN111815563B (zh) | 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法 | |
Abiyev et al. | Fuzzy neural networks for identification of breast cancer using images' shape and texture features | |
Sagar et al. | A novel integrated approach using dynamic thresholding and edge detection (idted) for automatic detection of exudates in digital fundus retinal images | |
Shelke et al. | Automated segmentation and detection of brain tumor from MRI | |
Biyani et al. | A clustering approach for exudates detection in screening of diabetic retinopathy | |
Noorfizir et al. | Hybrid Multilevel Thresholding-Otsu and Morphology Operation for Retinal Blood Vessel Segmentation. | |
Athira et al. | Automatic detection of diabetic retinopathy using R-CNN | |
Ruba et al. | Identification and segmentation of exudates using SVM classifier | |
ManojKumar et al. | Feature extraction from the fundus images for the diagnosis of diabetic retinopathy | |
Zhang et al. | Retinal spot lesion detection using adaptive multiscale morphological processing | |
CN109872307A (zh) | 一种检测生物组织图像中肿块的方法、相应设备及介质 | |
Nugraha et al. | RGB channel analysis for glaucoma detection in retinal fundus image | |
Jaffery et al. | Performance analysis of image segmentation methods for the detection of masses in mammograms | |
Zhou et al. | A novel approach for red lesions detection using superpixel multi-feature classification in color fundus images | |
Bala et al. | Extraction of retinal blood vessels and diagnosis of proliferative diabetic retinopathy using extreme learning machine | |
Pradeep et al. | Binary operation based hard exudate detection and fuzzy based classification in diabetic retinal fundus images for real time diagnosis applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160720 |
|
WD01 | Invention patent application deemed withdrawn after publication |