CN105809188B - 一种基于ambp改进算法的真菌性角膜炎图像识别方法 - Google Patents
一种基于ambp改进算法的真菌性角膜炎图像识别方法 Download PDFInfo
- Publication number
- CN105809188B CN105809188B CN201610107974.9A CN201610107974A CN105809188B CN 105809188 B CN105809188 B CN 105809188B CN 201610107974 A CN201610107974 A CN 201610107974A CN 105809188 B CN105809188 B CN 105809188B
- Authority
- CN
- China
- Prior art keywords
- image
- window
- mycelia
- pixel
- ambp
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于AMBP改进算法的真菌性角膜炎图像识别方法,包括以下步骤:利用RX异常探测算法对菌丝图像和正常角膜神经图像进行预处理和二值化,继而进行膨胀腐蚀处理,强化图像中菌丝和神经特性信息;对AMBP算法进行改进,将分析窗口内除中心像素外其余像素的均值计算出来,作为新的参数;分别求出分析窗口内像素的平均值和中值像素,计算二者与分析窗口内其余像素的方差,将差值大小作为新增判别条件,提取图像纹理特征;利用提取出的特征训练分类器,以该分类器识别共焦显微镜获取的图像,识别图像中的神经与菌丝。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于AMBP改进算法的真菌性角膜炎图像识别方法。
背景技术
真菌性角膜炎是一种由致病真菌引起的致盲率极高的感染性角膜疾病,近些年来,由于抗生素、免疫抑制剂以及糖皮质激素的大量使用,导致其发病率明显上升。由于缺少快速、有效的早期诊断方法,往往导致对该病的误诊以及早期治疗的延误,极易造成角膜穿孔、前房积脓、眼内炎等严重后果,因而危害极重,对本病的早期诊断和治疗显得尤为重要。
目前,真菌性角膜炎常规的检查方法有角膜刮片镜方法、角膜活检、角膜刮片培养、活体共焦显微镜检查等。其中共焦显微镜检查得到了最为广泛的应用。
共焦显微镜图像采集的过程如下:(1)用表面麻醉剂滴患眼若干次进行表面麻醉,并用开睑器开眼,将受检者下颌放于检查托架上,其前额与检查托的头带紧贴。(2)在共焦显微镜的水浸湿圆锥状物镜表面涂上眼用胶,嘱病人注视前方固定光点,将镜头轻轻前移,使物镜通过眼用胶与角膜病变处接触。(4)通过调节器调整镜头,使其前后、左右轻缓移动,这样角膜各层的扫描图像既可通过电脑显示器同步显示,选定角膜病灶处的清晰图像后,即按下记录钮,使角膜各层的扫描图像被记录下来;还可以进行录像机记录,检查结束后慢放录像,选定清晰图像进行存储。(5)对每次扫描获得的大量图像进行筛选,选出有价值的清晰图像存入计算机,计算机中的软件可对每张1μm的图像进行测量与分析,图像也可直接打印。这一共焦显微镜诊断方法主要以显微镜图像中观察到菌丝为依据。
利用共焦显微镜诊断真菌性角膜炎有着其他方法不能比拟的优势:(1)无创:活体、非接触性检查,可以对角膜病灶进行多点、反复检查,不会对组织造成任何损伤,在患者的治疗随访中有很高的应用价值,有利于随时评估当前疗效并根据检查结果及时调整治疗方案;(2)简单快捷:可在几十秒到几分钟内对角膜进行全面的检查,观察到角膜上任何细小的变化;(3)阳性率高:放大倍数较高,且观察到的真菌菌丝和孢子形态与刮片标本显微镜下观察到的图像相似;(4)利用其Z-scan方法,可对一定厚度的组织进行连续的光学切片,连续的断层成像很容易确定菌丝在角膜上的浸润深度、菌丝形态及其数量,有利于真菌菌种的鉴别,从而为临床上用药与手术治疗方式的选择提供参考;(5)检测资料能够永久保存。但共焦显微镜方法也存在一些不足之处:角膜组织的低光水平反射与眼球运动常导致信号信噪比较低,强光造成眼部不适,角膜病变浑厚常导致图片模糊不清及其检查费用昂贵等,且共焦显微镜方法仅是一种影像学诊断,主观性较强。
在正常角膜的眼底图像中,只有神经的存在,所以我们用共焦显微镜诊断真菌性角膜炎主要是以观察到菌丝为依据。真菌性角膜炎患者的眼底图像中,菌丝和角膜基质神经是共同存在的,直长的线状菌丝很容易与角膜基质神经相混淆。菌丝是在相对暗的背景下呈较亮的线状形态,多数可见菌丝的分隔,弥漫分布,相互交织,角膜上皮下的神经分布有一定规律,多呈三叉或Y形分支,其走形方向一致、有序,神经间不形成相互交错。
目前由共焦显微镜采集到的图像包含单纯的菌丝图像,正常角膜神经图像,以及真菌性角膜炎患者的眼底图像。这些大量医学图像的获取带来了两个问题:一方面,医生需要花大量的时间来阅读病人的检查影像,这是一项非常繁重的工作。而且由于长时间的判读图像,很容易造成医生的疲劳和分心,从而造成诊断正确率的下降;另一方面,有些情况下仅仅凭借着医生自身对于病灶判读的经验很难保证不会出现漏诊和误诊的情况,并且很难对影像资料进行一致的定量分析,而对医学图像的定量分析是医学影像学发展的必然要求。
在此背景下,医学图像处理与分析技术在医学影像学中的地位就显得越来越重要。所谓医学图像处理与分析就是借助计算机这一工具,根据临床特定的需要利用数学的方法对医学图像进行各种加工和处理,以便为临床提供更多的诊断信息或数据。通过对图像进行加工和处理之后,我们可以提供给医生更加清晰的图像,也可以将可以的病灶标记出来,再由医生进行判读,这就可以节省医生大量的读片时间,使得他们可以把注意力集中在可疑的病灶上,从而为正确的诊断奠定基础。
在真菌性角膜炎的实例中,如何利用单纯的菌丝图像和神经图像,分别提取菌丝和神经的特征来训练分类器,实现对真菌性角膜炎患者眼底图像中菌丝和神经的分类是一个主要的任务。在获取的图像中,由于背景的干扰十分严重,不能直接进行有效的特征提取,因此需要对图像进行预处理。在发明专利《基于RX异常探测和纹理分析的真菌性角膜炎图像识别方法》中采用了高光谱图像处理中的RX异常探测算法来对图像进行预处理,取得了很好的效果。但是在其特征提取步骤中,传统的纹理分析算法在真菌性角膜炎图像中并没有取得很多好的效果。如何针对真菌性角膜炎图像的特点,对传统的纹理分析算法进行改进,是一个值得研究的问题。
发明内容
本发明为了解决上述问题,提出了一种基于AMBP改进算法的真菌性角膜炎图像识别方法,本方法在RX异常探测算法来对拍摄的眼底图像进行预处理的基础上,使用改进的LBP和AMBP算法,优化特征提取步骤,进一步提高识别率。
为了实现上述目的,本发明采用如下技术方案:
一种基于AMBP改进算法的真菌性角膜炎图像识别方法,包括以下步骤:
(1)利用RX异常探测算法对菌丝图像和正常角膜神经图像进行预处理;
(2)对预处理后的图像进行二值化处理,通过设定连通域阈值,去除面积超过阈值范围的背景干扰;
(3)对二值化后的图像进行膨胀腐蚀处理,强化图像中菌丝和神经特性信息;
(4)对AMBP算法进行改进,将分析窗口内除中心像素外其余像素的均值计算出来,作为新的参数;分别求出分析窗口内像素的平均值和中值像素,计算二者与分析窗口内其余像素的方差,将差值大小作为新增判别条件,提取图像纹理特征;
(5)利用提取出的特征训练分类器,以该分类器识别共焦显微镜获取的图像,识别图像中的神经与菌丝。
进一步的,所述步骤(1)中具体步骤为:获取正常角膜神经图像和只包含菌丝的菌丝图像作为训练样本,使用RX异常探测算法对正常角膜神经图像进行预处理,消除部分背景信息,以提取神经特征,使用RX异常探测算法对只包含菌丝的菌丝图像进行预处理,消除部分背景信息,以提取菌丝特征。
所述步骤(2)中,具体步骤为:对连通域进行加标签处理,设定连通域的面积阈值上限或/和下限,去除面积大于或/和小于连通域的面积阈值限定的背景信息。
所述步骤(4)中,具体步骤包括:
(4-1)计算分析窗口内像素的平均值和中值像素,计算二者与分析窗口内其余像素的方差,比较这两个方差的大小,取方差值大的参数,根据该参数与设定范围确定最优窗口大小;
(4-2)在最优窗口内进行阈值的选取。
所述步骤(4-1)的具体步骤包括:
(4-1-1)初始化窗口,设定一个最大窗口的大小k,依据判别条件来选取出合适的窗口大小;
(4-1-2)计算分析窗口内除中心像素外其余像素的均值以及中值,计算二者与分析窗口内其余像素的方差,比较这两个方差的大小,取方差值大的参数来进行后续操作;-
(4-1-3)判断参数是否在设定范围内,若在设定范围内,此时的窗口大小作为最优化窗口大小,否则继续将窗口扩大化,直到窗口最大化。
所述步骤(4-1-1)中,窗口初始大小为3*3。
所述步骤(4-2)中,具体步骤包括:判断中心像素值是否在设定范围内,如果不在这个范围内,那么步骤(4-1)中所选取出的参数将被选为阈值,如果在这个范围内那么中心像素值将被选为阈值。
所述步骤(5)中,具体步骤为,用分别提取出来的神经特征和菌丝特征来训练分类器,获取未识别的共焦显微镜采集的眼底图像作为测试样本,对测试样本中的神经和菌丝进行分类。
所述步骤(5)中,在对测试样本进行处理前,需要对测试样本进行RX算法、二值化以及连通域操作的预处理。
优选的,所述步骤(4)替换为:针对菌丝和神经图像均为线性的特征,对LBP算法进行改进,以窗口中心像素点为中心,按十字型向外拓展,取窗口内中心像素点周围相邻的领域内的像素点灰度值,若周围像素点的值大于中心像素点的值,则该像素点的位置被标记为1,否则被标记为0,生成该窗口的LBP值,提取纹理特征信息。这种十字形的邻域相比于正方形邻域更加适合于线性图像的特征提取。
本发明的有益效果为:
(1)本发明中采用了高光谱中RX异常探测算法来对拍摄的眼底图像进行预处理,能有效的去除背景信息的干扰,有利于特征提取步骤的进行;
(2)无论是LBP算法或者MBP算法,它们都只是仅仅覆盖了一个固定半径范围内的小区域,阈值的选择也被限制在了这个小区域之中,因此可能会错过许多重要的信息。本发明针对线性的真菌性角膜炎图像,对LBP算法特征提取的领域进行了改进,取得了不错的效果。对AMBP算法,增加了平均值作为新的参数,并且设定了判别条件来选取中值和平均值二者中更适合的参数来进行下一步的阈值计算。这提升了AMBP算法适用图像库的范围以及识别率,在菌丝和神经的分类中都取得了更好的效果。
附图说明
图1为本发明的流程图;
图2(a)原始菌丝图像;
图2(b)图像处理imadjust函数变换后图像;
图2(c)经过RX异常探测后菌丝图像。
图3(a)原始神经图像;
图3(b)imadjust函数变换后图像;
图3(c)RX异常探测算法处理后图像;
图4(a)对经过RX异常探测菌丝图像进行二值化处理后图像;
图4(b)设定阈值,去除面积较小的连通域后菌丝图像;
图5原始LBP算法流程图;
图6MBP算法流程图;
图7本发明中对LBP算法进行改进后的特征提取领域以及流程;
图8本发明中对AMBP进行改进后的算法流程图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
如图1所示,本发明提供了一种图像识别方法,具体步骤包括:
1、对原始菌丝和神经图像使用RX异常探测算法进行预处理;
图2(a)所示为原始的菌丝图像,图2(b)所示为传统图像处理中imadjust函数变换后的图像,图2(c)所示为使用高光谱中RX异常探测算法后得出的图像。可以看出,RX异常探测算法取得了更好的效果,有效去除了更多的背景信息的干扰,有利于特征的提取。
图3(a)所示为原始的神经图像,图3(b)所示为imadjust变换后得到的图像,图3(c)所示为使用高光谱中RX异常探测算法后得到的图像。可以看出,RX异常探测算法取得了更好的效果,有效去除了更多的背景信息干扰,有利于特征的提取。
2、对RX异常探测后的图像进行二值化处理;
图4(a)所示为将RX异常探测后图像进行二值化处理后图像,可以看到仍有许多背景的干扰。
3、对二值化图像使用连通域方法处理;
设定连通域面积阈值,去除面积小的连通域,得到图4(b)所示图像。
4、对图像进行膨胀、腐蚀的处理;
5、对菌丝和神经图像分别进行纹理特征提取的过程;
局部二值模式(Local Binary Pattern)是一种灰度范围内有效的图像局部纹理描述算法,原始的LBP算子定义在3×3的窗口内,以窗口中心像素点作为阈值,将相邻的8个像素点的灰度值分别与中心像素点的灰度值进行比较,若周围像素点的值大于中心像素点的值,则该像素点的位置被标记为1,否则被标记为0。这样在3×3领域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息,算法流程如图5所示。
中值二值模式(Median Binary Pattern)是针对LBP算法对噪声敏感的缺点提出的改进方法。在MBP算法中,用中心像素点周围相邻的8个像素点灰度值的中值来代替中心像素值来作为阈值,大于中值的位置被标记为1,否则为0。在3×3领域内的8个点可产生8bit的无符号数,即得到该窗口的MBP值,并用这个值来反映该区域的纹理信息,算法流程如图6所示。
图7所示为我们针对菌丝和神经图像均为线性的特点,提出的一种新的特征提取的邻域。无论是LBP算法或者MBP算法,对于线性的特征,正方形邻域不能很有效的提取出图像的特征,相反会提取出许多冗余的信息。针对线性图像,用图7所示的邻域进行特征提取,可以提取出更加有效的特征,有利于后续的分类处理,提高识别率。
图8所示为经过我们改进后的AMBP算法的流程图,无论是LBP算法或者MBP算法,它们都只是仅仅覆盖了一个固定半径范围内的小区域,阈值的选择也被限制在了这个小区域之中,因此可能会错过许多重要的信息。然而一个大的区域由于涉及到大量的像素,所选取出的阈值也并不一定理想。由于像素值的复杂性,我们很难去确定一个最优的固定的窗口大小。为了解决这个问题,A.Hafiane提出了AMBP算法。在AMBP算法中,我们可以根据一定的标准以及不同情况的像素分布来确定特征提取窗口的大小,窗口大小是可变的具有自适应性。因此阈值灰度值的选择就变得更加的灵活和有效,实质上AMBP算法是取了LBP算法和MBP算法的优点,并把它们结合在了一起。算法的中一些参数定义如下:
其中(i,j)表示中心像素值的位置,S(i,j)表示中心像素周围进行特征提取的窗口,xc表示中心像素值的大小。S代表分析窗口大小内像素点的总个数,xm表示分析窗口内中心像素点周围的其余像素点,判决条件定义如下:
Zmin+α·d<Zmed<Zmax-α·d
α是一个控制参数,用来确定中位数的范围值。如果α=0,那么就变成了标准的自适应中值二值模式。当α≠0时,中值参数的取值范围是由中心像素值以及周围领域内的像素值共同决定的。d的大小是具有适应性的,因为它取决于中心像素的情况以及分析窗口大小。实质上,AMBP算法有两个阶段:一是最优窗口大小的确定,二是在最优窗口内进行阈值的选取计算。另外,Zmin代表分析窗口内最小的像素值,Zmax代表分析窗口内最大的像素值,Zmed代表分析窗口内的中值像素。
AMBP算法包含了两种类型的阈值。首先,我们测试分析窗口内像素的中值是否是在[Zmin+α·d,Zmax-α·d]范围内,如果中值像素大小满足这个条件,那么此时的窗口大小可以作为最优化窗口大小。接下来是阈值选取的步骤,首先判读中心像素值是否在在[Zmin+α·d,Zmax-α·d]范围内,如果不在这个范围内,那么中值像素将被选为阈值,如果在这个范围内那么中心像素值将被选为阈值。我们设定一个最大的窗口大小,从窗口大小为3开始进行实验,直到满足上述的判别条件或者是达到了设定的最大窗口大小。我们可以看出,实质上AMBP算法是LBP算法和MBP算法的融合,根据不同的像素值分布特点来选取最适合的。
然而在真菌性角膜炎的图像库上,使用AMBP提取特征进行分类时,并没有取得一个理想的实验结果。为了改进这个问题,使得AMBP算法能有一个更加广泛的适用范围以及识别率的提高,我们对AMBP算法进行了一个改进。我们将分析窗口内除中心像素外其余像素的均值计算出来,添加作为一个新的参数。我们添加了一个判决条件,分别求出分析窗口内像素的平均值和中值像素,计算二者与分析窗口内其余像素的方差,取方差值大的参数继续进行下面的步骤,改进后的算法流程图如图8所示。
具体包括以下步骤:
(1)输入灰度图像I,设定最大的窗口大小kmax;
(2)初始窗口被设定为3*3,求出窗口内像素点的中值像素值,平均值,以及最大值和最小值;
(3)分别计算中值像素值和平均值与周围像素点的方差并进行比较,取方差大的参数进行后续处理;
(4)窗口大小的确定:窗口初始大小为3*3,定义参数d,设定判决条件的上下限,如果满足该条件,那么该窗口大小就是最优大小,如果不满足,窗口大小将增大直至达到设定的最大值。
(5)在这个窗口大小内,判断中心像素值是否在阈值上下限内,如果在此范围内,那么中心像素值将被选为阈值,如果不在那么步骤(3)中获取的参数将被选为阈值。
6、对提取出的特征用来训练分类器,实现对未知类别图像的分类,优选的,利用SVM分类器来实现菌丝图像和神经图像的分类。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.一种基于AMBP改进算法的真菌性角膜炎图像识别方法,其特征是:包括以下步骤:
(1)获取正常角膜神经图像和只包含菌丝的菌丝图像作为训练样本,使用RX异常探测算法对正常角膜神经图像进行预处理,消除部分背景信息,以提取神经特征,使用RX异常探测算法对只包含菌丝的菌丝图像进行预处理,消除部分背景信息,以提取菌丝特征;
(2)对预处理后的图像进行二值化处理,通过设定连通域的面积阈值上限或/和下限,去除面积大于或/和小于连通域的面积阈值限定的背景信息;
(3)对二值化后的图像进行膨胀腐蚀处理,强化图像中菌丝和神经特性信息;
(4)对AMBP算法进行改进,将分析窗口内除中心像素外其余像素的均值计算出来,作为新的参数;分别求出分析窗口内像素的平均值和中值像素,计算二者与分析窗口内其余像素的方差,将差值大小作为新增判别条件,提取图像纹理特征;
(5)利用分别提取出来的神经特征和菌丝特征来训练分类器,获取未识别的共焦显微镜采集的眼底图像作为测试样本,对测试样本中的神经和菌丝进行分类。
2.如权利要求1所述的一种基于AMBP改进算法的真菌性角膜炎图像识别方法,其特征是:所述步骤(4)中,具体步骤包括:
(4-1)计算分析窗口内像素的平均值和中值像素,计算二者与分析窗口内其余像素的方差,比较这两个方差的大小,取方差值大的参数,根据该参数与设定范围确定最优窗口大小;
(4-2)在最优窗口内进行阈值的选取。
3.如权利要求2所述的一种基于AMBP改进算法的真菌性角膜炎图像识别方法,其特征是:所述步骤(4-1)的具体步骤包括:
(4-1-1)初始大小为3*3的窗口,设定一个最大窗口的大小k,依据判别条件来选取出合适的窗口大小。
(4-1-2)计算分析窗口内除中心像素外其余像素的均值以及中值,计算二者与分析窗口内其余像素的方差,比较这两个方差的大小,取方差值大的参数来进行后续操作;-
(4-1-3)判断参数是否在设定范围内,若在设定范围内,此时的窗口大小作为最优化窗口大小,否则继续将窗口扩大化,直到窗口最大化。
4.如权利要求3所述的一种基于AMBP改进算法的真菌性角膜炎图像识别方法,其特征是:所述步骤(4-1-1)中,窗口初始大小为3*3。
5.如权利要求2所述的一种基于AMBP改进算法的真菌性角膜炎图像识别方法,其特征是:所述步骤(4-2)中,具体步骤包括:判断中心像素值是否在设定范围内,如果不在这个范围内,那么步骤(4-1)中所选取出的参数将被选为阈值,如果在这个范围内那么中心像素值将被选为阈值。
6.如权利要求1所述的一种基于AMBP改进算法的真菌性角膜炎图像识别方法,其特征是:所述步骤(4)替换为:针对菌丝和神经图像均为线性的特征,对LBP算法进行改进,以窗口中心像素点为中心,按十字型向外拓展,取窗口内中心像素点周围相邻的领域内的像素点灰度值,若周围像素点的值大于中心像素点的值,则该像素点的位置被标记为1,否则被标记为0,生成该窗口的LBP值,提取纹理特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610107974.9A CN105809188B (zh) | 2016-02-26 | 2016-02-26 | 一种基于ambp改进算法的真菌性角膜炎图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610107974.9A CN105809188B (zh) | 2016-02-26 | 2016-02-26 | 一种基于ambp改进算法的真菌性角膜炎图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105809188A CN105809188A (zh) | 2016-07-27 |
CN105809188B true CN105809188B (zh) | 2017-08-08 |
Family
ID=56465904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610107974.9A Active CN105809188B (zh) | 2016-02-26 | 2016-02-26 | 一种基于ambp改进算法的真菌性角膜炎图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105809188B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527043A (zh) * | 2017-09-15 | 2017-12-29 | 湖南神帆科技有限公司 | 一种外窗可变的近景高光谱图像局部异常检测方法 |
CN110795965B (zh) * | 2018-08-01 | 2022-05-27 | 华中科技大学 | 一种真菌显微图像中致病相的自动识别方法及系统 |
CN110197236A (zh) * | 2018-10-17 | 2019-09-03 | 中山大学附属第三医院 | 一种基于影像组学对糖皮质激素疗效的预测和验证方法 |
CN110188767B (zh) * | 2019-05-08 | 2021-04-27 | 浙江大学 | 基于深度神经网络的角膜病图像序列化特征提取与分类方法及装置 |
CN111815617B (zh) * | 2020-07-22 | 2023-11-17 | 吉林大学 | 一种基于高光谱的眼底图像检测方法 |
CN112288697B (zh) * | 2020-10-23 | 2023-07-28 | 北京百度网讯科技有限公司 | 用于量化异常程度的方法、装置、电子设备及可读存储介质 |
CN112528947B (zh) * | 2020-12-24 | 2023-05-23 | 山东仕达思生物产业有限公司 | 一种通过增加方向维度的假菌丝检测方法、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4909378B2 (ja) * | 2009-06-02 | 2012-04-04 | キヤノン株式会社 | 画像処理装置及びその制御方法、コンピュータプログラム |
CN104850861B (zh) * | 2015-05-27 | 2016-04-13 | 山东大学 | 基于rx异常探测和纹理分析的真菌性角膜炎图像识别方法 |
CN105243669B (zh) * | 2015-10-15 | 2018-05-04 | 四川和生视界医药技术开发有限公司 | 眼底图像自动识别分区方法 |
-
2016
- 2016-02-26 CN CN201610107974.9A patent/CN105809188B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105809188A (zh) | 2016-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809188B (zh) | 一种基于ambp改进算法的真菌性角膜炎图像识别方法 | |
Sekhar et al. | Automated localisation of retinal optic disk using Hough transform | |
Ter Haar | Automatic localization of the optic disc in digital colour images of the human retina | |
Jitpakdee et al. | A survey on hemorrhage detection in diabetic retinopathy retinal images | |
Antal et al. | Improving microaneurysm detection using an optimally selected subset of candidate extractors and preprocessing methods | |
Giancardo et al. | Elliptical local vessel density: a fast and robust quality metric for retinal images | |
Agrawal et al. | A survey on automated microaneurysm detection in diabetic retinopathy retinal images | |
Charriere et al. | Automated surgical step recognition in normalized cataract surgery videos | |
Antal et al. | A multi-level ensemble-based system for detecting microaneurysms in fundus images | |
Lazar et al. | Retinal microaneurysm detection based on intensity profile analysis | |
Wisaeng et al. | Automatic detection of exudates in retinal images based on threshold moving average models | |
Gunay et al. | Automated detection of adenoviral conjunctivitis disease from facial images using machine learning | |
Niemeijer et al. | Automated localization of the optic disc and the fovea | |
Acosta-Mesa et al. | Cervical cancer detection using colposcopic images: a temporal approach | |
CN104850861B (zh) | 基于rx异常探测和纹理分析的真菌性角膜炎图像识别方法 | |
Giancardo et al. | Quality assessment of retinal fundus images using elliptical local vessel density | |
CN111292285A (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
Wankhede et al. | Optic disc detection using histogram based template matching | |
Bhardwaj et al. | Two-tier grading system for npdr severities of diabetic retinopathy in retinal fundus images | |
Kayte et al. | Automated Screening of Diabetic Retinopathy Using Image Processing | |
Krishna et al. | Retinal vessel segmentation techniques | |
Vermeer et al. | Detecting glaucomatous wedge shaped defects in polarimetric images | |
Chandra et al. | Confocal Corneal Endothelium Dystrophy’S Analysis using Particle Filter | |
El-Sisi et al. | Retracted: Iridology-Based Human Health Examination | |
CN117197145B (zh) | 一种基于深度学习的白内障病变图像识别系统 |
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 |