CN106096491B - 一种眼底彩色照相图像中微动脉瘤自动化识别方法 - Google Patents

一种眼底彩色照相图像中微动脉瘤自动化识别方法 Download PDF

Info

Publication number
CN106096491B
CN106096491B CN201610081358.0A CN201610081358A CN106096491B CN 106096491 B CN106096491 B CN 106096491B CN 201610081358 A CN201610081358 A CN 201610081358A CN 106096491 B CN106096491 B CN 106096491B
Authority
CN
China
Prior art keywords
window
microaneurysm
image
microaneurysms
area
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
Application number
CN201610081358.0A
Other languages
English (en)
Other versions
CN106096491A (zh
Inventor
许迅
杨杰
余奇
刘梦雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Datu Medical Science & Technology Co ltd
Shanghai First Peoples Hospital
Original Assignee
Shanghai Datu Medical Science & Technology Co ltd
Shanghai First Peoples Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Datu Medical Science & Technology Co ltd, Shanghai First Peoples Hospital filed Critical Shanghai Datu Medical Science & Technology Co ltd
Priority to CN201610081358.0A priority Critical patent/CN106096491B/zh
Publication of CN106096491A publication Critical patent/CN106096491A/zh
Application granted granted Critical
Publication of CN106096491B publication Critical patent/CN106096491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration by non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Abstract

本发明公开了一种眼底彩色图像中的微动脉瘤的自动识别方法，该方法首先对绿通道的图像进行预处理和阴影校正，然后利用滑动窗口的局部信息确定自适应阈值对图像进行二值化，通过基于连通性限制的双窗口滤波器得到决策图，并对决策图进行区域生长，其结果即为精确识别的微动脉瘤。整个方法能实现微动脉瘤的精细识别和分割，可以有效地避免漏识和误判，并且不需采用特征提取和分类器分类的过程，有效提高了识别效率。

Description

一种眼底彩色照相图像中微动脉瘤自动化识别方法
技术领域
本发明属于图像处理领域，具体涉及的是一种基于连通性限制的眼底图像中微动脉瘤自动化识别方法。
背景技术
微动脉瘤是位于毛细血管壁的囊状膨胀，它通常是圆形的、离散的、小面积的暗红色病灶点。因为微动脉瘤的直径约为10-100μm，因此肉眼难以发现，医生工作量较大，效率低下。并且因其面积极小，和血管近似性较高，和背景对比度较低，传统的自动化识别方法也很难有效识别。
目前提出的微动脉瘤识别方法多是基于微动脉瘤的形态、颜色等信息，通过形态学和匹配滤波等方式挑选出候选的微动脉瘤点，然后进一步提取微动脉瘤的相关特征对分类器或其他学习方法进行训练，将候选的微动脉瘤点进行精确分类，去除假阳性点，获得真正的微动脉瘤点。但在实际操作中，由于非均匀光照、成像质量以及患者实际情况的差异，在去除假阳性点的过程中血管上的断点等会引入较大干扰，微动脉瘤直径太小难以判断，血管与微动脉瘤亮度相似等也会是很大的干扰因素，并且微动脉瘤特征提取和分类过程比较耗时，效率低下。基于这些因素，类似算法在排查时会有较大疑似区域，排查较为复杂。因此目前微动脉瘤的自动识别还存在漏判和误判的问题。
发明内容
本发明要解决的技术问题是针对眼底彩色图像中微动脉瘤面积小、颜色近似血管等不易识别的特性，提出一种微动脉瘤的自动化识别方法，能达到对微动脉瘤的精确定位和分割；并且针对微动脉瘤识别效率低下的问题，该方法在不需使用特征提取和分类器分类的情况下，达到高效精确识别。
本发明是通过以下技术方案来实现的，首先对眼底图像进行预处理以增强图像，然后使用单像素滑动窗口技术，并结合自适应阈值分割、基于连通性限制的滤波等得到决策图。当滑动窗口覆盖微动脉瘤时，决策图的对应位置被设置为1，反之被设置为0。将决策图进行区域生长，结果作为微动脉瘤。
本发明提供一种眼底彩色图像中微动脉瘤的自动识别方法，其中该方法首先对得到的彩色眼底图像进行预处理，以改善图像质量，增强微动脉瘤的特征，便于进行分割；然后根据滑动窗口的局部信息确定该窗口的自适应阈值，对窗口内像素进行二值化和区域生长；最后再利用限制连通性的双窗口滤波器，以排除近似微动脉瘤特征的不连续血管和其他噪点，精确分类出真正的微动脉瘤点。其有益效果是不通过特征提取和分类器就可以精确识别微动脉瘤，极大提高了工作效率。
在一些实施方式中，其中对于眼底图像的预处理，此方法在中值滤波和图像增强后加入了阴影校正技术，其有益效果是移除背景中的缓慢梯度变化，减少不均匀光照对图像识别的影响。
在一些实施方式中，其中设Ti为滑动窗口Wi的局部阈值，利用局部阈值将满足微动脉瘤形态特征的像素点筛选出来。如图2，局部阈值的自适应选取需考虑两部分：一是根据微动脉瘤为暗点的特征，阈值的选取将参考窗口中央像素和背景的灰度值，二是通过引入固定阈值T0消除灰度变化较小的噪点。
Figure GDA0001127203380000021
Figure GDA0001127203380000022
Ii表示第i个窗口对应的中央灰度值，
Figure GDA0001127203380000023
表示背景对应的灰度值，Fj表示二值化后的图像。其有益效果是根据每个滑动窗口的实际情况自适应选取合适的阈值，在将微动脉瘤等灰度值低于背景的像素点选出来的基础上，有效避免了引入噪点。
在一些实施方式中，其中采用限制连通性的双窗口滤波器来提取微动脉瘤。如图3，双窗口滤波器被设计成外大内小的双矩形窗，内窗口被设计用来保证微动脉瘤的最小尺寸，外窗口被用来限制微动脉瘤的区域。其连通性限制条件如下：
条件(1)：连通性区域应该填满内窗口
条件(2)：连通性区域应该被限制在外窗口内
对自适应阈值二值化后的图像进行区域生长，结果图像利用连通性限制的双窗口滤波器进行处理。其有益效果是未能填满内窗口的小目标点(如较小的噪点)将被移除，类似血管和渗出液等较大面积或者延伸连通域的区域因触及了外窗口的边缘也将被排除。只有同时满足两个连通性条件的区域才被成功的识别。
在一些实施方式中，其中为了获得微动脉瘤的真实大小，该方法逐渐缩小内外窗口的间距，即扩大内窗口，缩小外窗口以使下式达到最小值：
Figure GDA0001127203380000031
Figure GDA0001127203380000032
Figure GDA0001127203380000033
和
Figure GDA0001127203380000034
分别表示膨胀和腐蚀后的窗口半径。区间[rin,rout]提供了位置为pi的微动脉瘤的估计位置。其有益效果是通过重新测量微动脉瘤的大小，可以获得微动脉瘤的真实值，有利于精确识别与定位。,
附图说明
图1为本发明实施例中微动脉瘤自动化识别的示意图。
图2为本发明实施例中自适应阈值分割示意图。
图3为本发明实施例中基于连通性限制滤波器示意图。
具体实施方式
图1为本发明实施例中微动脉瘤自动化识别的示意图。如图1所示，首先选取其RGB三通道中的绿色通道图像，因绿通道图像中红色病变与其他组织具有最高的对比度。运用中值滤波技术消除图像噪声，并利用自适应直方图均衡技术对图像的对比度进行增强。直方图均衡后非均匀光照造成的阴影区域会被增强，为了有效去除阴影的影响，采用了阴影校正技术以移除背景中的缓慢梯度变化。该阴影校正在实际处理中是将中值滤波处理后的图像中减去原图像，从而获得阴影校正后的图像，完成预处理全部过程。
图2为本发明实施例中自适应阈值分割示意图。微动脉瘤在颜色信息上呈现为比周围眼底其他区域要暗的红色，微动脉瘤面积较小，分布较广的特点促使该方法使用滑动窗口以获取局部信息。该方法根据局部信息确定合适的阈值，像素灰度值低于阈值的微动脉瘤可以被选取出来。如图2所示，每个滑动窗口Wi的局部阈值Ti应该被自适应的选取为：
Figure GDA0001127203380000041
Figure GDA0001127203380000042
Ii和Pi分别代表第i个窗口的中央灰度值和位置坐标，
Figure GDA0001127203380000043
表示背景的灰度值，Fj表示滑动窗口Wi中所有像素被二值化后的值。因外窗口的尺寸选取通常略大于微动脉瘤面积，所以可以将其窗口边缘像素灰度值近似为背景灰度值。
利用局部信息来自适应选取窗口Wi的阈值Ti的具体方式是通过比较窗口Wi中不同途径获得的两种阈值，选取二者中更适合分类的阈值，作为该窗口的自适应阈值Ti。通过途径一获得的阈值是窗口中央像素和背景的灰度值差值的一半，表示为
Figure GDA0001127203380000044
这种方式可以将微动脉瘤等灰度值低于背景的像素选取出来，但是为了避免引入灰度与背景差值较小的噪声，增加了阈值获取的途径二，即引入预先设定的值较小的固定阈值T0来避免引入噪声点。当窗口位于噪声点处，中央像素灰度值略低于背景像素，阈值Ti应设Ii+T0，结合连通性限制，即可排除噪声点；当窗口位于微动脉瘤、出血等像素灰度值低于背景的位置时，阈值Ti应设为
Figure GDA0001127203380000045
结合连通性限制，可识别出微动脉瘤而不引入血管、出血等像素。在每一个窗口Wi中，根据自适应的局部阈值将窗口中的像素进行二值化，然后选取窗口Wi的中心作为种子点并运行区域生长算法。在二值化后，仅关注那些值为正的区域，然后在其上以滑动窗口的中心为种子使用flood fill算法。
因为微动脉瘤在形态上表现为孤立的小圆点，虽然二值化步骤有效利用了微动脉瘤灰度值低于背景的颜色信息，但是通过加入微动脉瘤的形态信息，可以将微动脉瘤限制在特别设计的窗口内，从而准确筛选。图3为本发明实施例中基于连通性限制滤波器示意图。如图3所示，一个限制连通性的双窗口滤波器可以很好的解决这个问题。内窗口被设计用来保证微动脉瘤的最小尺寸，外窗口被用来限制微动脉瘤的区域。将这些连通性需求标准化为如下规则：
条件(1)连通性区域应该塞满内窗口；
条件(2)连通性区域应该被限制在外窗口内。
未能填满内窗口的小目标点(如较小的噪点)将被移除，类似血管和渗出液等较大面积或者延伸连通域的区域也将被排除，因为未满足条件(2)，触及了外窗口的边缘。只有同时满足两个连通性条件的区域才被成功的识别。
为了确定候选病变的真正形状和大小，它的大小将被重新识别。我们必须逐渐缩小内外窗口的间距，即扩大内窗口，缩小外窗口以使下式达到最小值：
Figure GDA0001127203380000051
Figure GDA0001127203380000052
Figure GDA0001127203380000053
和
Figure GDA0001127203380000054
分别表示膨胀和腐蚀后的窗口半径。区间[rin,rout]提供了位置为pi的微动脉瘤的估计位置。
区域生长的第一步是选取一系列的种子点。然后在区域生长后的滑动窗口内对连通性进行限制。当满足连通性准则时，决策图就会被设置为“1”，否则被设置为“0”。我们将决策图中值为“1”的点作为最初的种子点，然后在种子点处以8连接开始生长。因此，结果将被认为是微动脉瘤点。
采用上述技术方案，本发明的有益效果是：可以在不引入其他病变的情况下，精确的识别出微动脉瘤，并且该方法不需要进行特征提取和分类，极大地提高了工作效率。由此，完成了一次基于连通性限制的眼底图像微动脉瘤自动化识别过程。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (5)

1.一种眼底彩色图像中的微动脉瘤的自动识别方法，其特征在于，包括如下步骤：
选取所述眼底彩色图像中RGB三通道中的绿色通道图像，对得到的彩色眼底图像进行预处理，以改善图像质量，增强微动脉瘤的特征，便于进行分割；
根据滑动窗口的局部信息确定该窗口的自适应阈值，对窗口内像素进行二值化和区域生长；
利用限制连通性的双窗口滤波器，以排除近似微动脉瘤特征的不连续血管和其他噪点，其中，通过加入微动脉瘤的形态信息，将微动脉瘤限制在特别设计的窗口内；其中，未能填满内窗口的小目标点被移除，触及了外窗口的边缘的较大面积或者延伸连通域的区域被排除，只有同时满足两个连通性条件的区域才被成功的识别；其中，所述双窗口滤波器的内窗口用于保证微动脉瘤的最小尺寸，所述双窗口滤波器的外窗口用于限制微动脉瘤的区域。
2.根据权利要求1所述的眼底彩色图像中的微动脉瘤的自动识别方法，其特征在于，还包含以下步骤：
消除所述绿色通道图像的噪声，对所述绿色通道图像的对比度进行增强，移除背景中的缓慢梯度变化，其中，通过中值滤波技术消除所述绿色通道图像的噪声，通过自适应直方图均衡技术对所述绿色通道图像的对比度进行增强，通过阴影校正技术移除背景中的缓慢梯度变化。
3.根据权利要求1所述的眼底彩色图像中的微动脉瘤的自动识别方法，其特征在于，
设Ti为滑动窗口Wi的局部阈值，利用局部阈值将满足微动脉瘤形态特征的像素点初步筛选出来，局部阈值的自适应选取包括以下步骤：
根据微动脉瘤为暗点的特征，参考窗口中央像素和背景的灰度值进行选取；以及
通过引入固定阈值T0消除灰度变化较小的噪点，如下式所示：
Figure FDA0003364549200000011
Figure FDA0003364549200000021
其中Ii表示第i个窗口对应的中央像素灰度值，
Figure FDA0003364549200000022
表示背景对应的灰度值，Fj表示二值化后的图像，“Ii”代表第i个窗口的中央灰度值，“pj代表第j个窗口的位置坐标。
4.根据权利要求1所述的眼底彩色图像中的微动脉瘤的自动识别方法，其特征在于，为了获得微动脉瘤的真实大小，逐渐缩小内外窗口的间距，即扩大内窗口，缩小外窗口以使下式达到最小值：
Figure FDA0003364549200000023
Figure FDA0003364549200000024
Figure FDA0003364549200000025
表示内窗口膨胀后的窗口半径；
Figure FDA0003364549200000026
表示外窗口腐蚀后的窗口半径，区间[rin，rout]提供了位置为pi的微动脉瘤的估计位置，condition(1)是连通性区域应该塞满内窗口，condition(2)是连通性区域应该被限制在外窗口内。
5.一种眼底彩色图像中的微动脉瘤的自动识别装置，其特征在于，包含：
第一模块，用于选取所述眼底彩色图像中RGB三通道中的绿色通道图像，对得到的彩色眼底图像进行预处理，以改善图像质量，增强微动脉瘤的特征，便于进行分割；
第二模块，用于根据滑动窗口的局部信息确定该窗口的自适应阈值，对窗口内像素进行二值化和区域生长；
第三模块，用于利用限制连通性的双窗口滤波器，以排除近似微动脉瘤特征的不连续血管和其他噪点，其中，通过加入微动脉瘤的形态信息，将微动脉瘤限制在特别设计的窗口内；其中，未能填满内窗口的小目标点被移除，触及了外窗口的边缘的较大面积或者延伸连通域的区域被排除，只有同时满足两个连通性条件的区域才被成功的识别；其中，所述双窗口滤波器的内窗口用于保证微动脉瘤的最小尺寸，所述双窗口滤波器的外窗口用于限制微动脉瘤的区域。
CN201610081358.0A 2016-02-04 2016-02-04 一种眼底彩色照相图像中微动脉瘤自动化识别方法 Active CN106096491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610081358.0A CN106096491B (zh) 2016-02-04 2016-02-04 一种眼底彩色照相图像中微动脉瘤自动化识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610081358.0A CN106096491B (zh) 2016-02-04 2016-02-04 一种眼底彩色照相图像中微动脉瘤自动化识别方法

Publications (2)

Publication Number Publication Date
CN106096491A CN106096491A (zh) 2016-11-09
CN106096491B true CN106096491B (zh) 2022-04-12

Family

ID=58702336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610081358.0A Active CN106096491B (zh) 2016-02-04 2016-02-04 一种眼底彩色照相图像中微动脉瘤自动化识别方法

Country Status (1)

Country Link
CN (1) CN106096491B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651899B (zh) * 2016-12-09 2019-07-23 东北大学 基于Adaboost的眼底图像微动脉瘤检测系统
CN106874906B (zh) * 2017-01-17 2023-02-28 腾讯科技（上海）有限公司 一种图片的二值化方法、装置及终端
GB201705876D0 (en) 2017-04-11 2017-05-24 Kheiron Medical Tech Ltd Recist
GB201705911D0 (en) 2017-04-12 2017-05-24 Kheiron Medical Tech Ltd Abstracts
US11410307B2 (en) 2018-06-14 2022-08-09 Kheiron Medical Technologies Ltd Second reader
CN110414479B (zh) * 2019-08-08 2021-11-16 燕山大学 一种饮水行为感知方法、连续和非连续动作分割识别方法
CN112308823B (zh) * 2020-10-14 2024-03-15 杭州三坛医疗科技有限公司 医学图像中感兴趣区域的定位方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8098907B2 (en) * 2005-07-01 2012-01-17 Siemens Corporation Method and system for local adaptive detection of microaneurysms in digital fundus images
CN103544686A (zh) * 2013-10-25 2014-01-29 天津工业大学 基于相位一致性的眼底图像微动脉瘤检测方法
CN105046693A (zh) * 2015-06-29 2015-11-11 嘉兴慧康智能科技有限公司 一种眼底图像微动脉瘤自动检测方法
CN105069803A (zh) * 2015-08-19 2015-11-18 西安交通大学 一种基于彩色图像的糖尿病病变体微血管瘤的分类装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8126232B2 (en) * 2008-03-05 2012-02-28 Siemens Aktiengesellschaft System and method for 3D vessel segmentation with minimal cuts

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8098907B2 (en) * 2005-07-01 2012-01-17 Siemens Corporation Method and system for local adaptive detection of microaneurysms in digital fundus images
CN103544686A (zh) * 2013-10-25 2014-01-29 天津工业大学 基于相位一致性的眼底图像微动脉瘤检测方法
CN105046693A (zh) * 2015-06-29 2015-11-11 嘉兴慧康智能科技有限公司 一种眼底图像微动脉瘤自动检测方法
CN105069803A (zh) * 2015-08-19 2015-11-18 西安交通大学 一种基于彩色图像的糖尿病病变体微血管瘤的分类装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Retinopathy Online Challenge: Automatic Detection of Microaneurysms in Digital Color Fundus Photographs;Meindert Niemeijer et al;《IEEE Transactions on Medical Imaging》;20091009;第29卷(第1期);第185-195页 *
彩色眼底图像视网膜血管分割方法研究进展;朱承璋 等;《计算机辅助设计与图形学学报》;20151130;第27卷(第11期);第2046-2057页 *

Also Published As

Publication number Publication date
CN106096491A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN106096491B (zh) 一种眼底彩色照相图像中微动脉瘤自动化识别方法
US8098907B2 (en) Method and system for local adaptive detection of microaneurysms in digital fundus images
Esmaeili et al. Automatic detection of exudates and optic disk in retinal images using curvelet transform
CN102982542B (zh) 一种基于相位一致性的眼底图像血管分割方法
Xiong et al. An approach to locate optic disc in retinal images with pathological changes
CN104794721A (zh) 一种基于多尺度斑点检测的快速视盘定位方法
CN110866932A (zh) 多通道舌体边缘检测装置、方法及存储介质
CN104484652A (zh) 一种指纹识别方法
CN102194121A (zh) 改进的最大类间方差法在舌像裂纹识别中的应用
Cheng et al. Superpixel classification based optic cup segmentation
CN110889846A (zh) 一种基于fcm的糖尿病视网膜图像视盘分割方法
CN105488799A (zh) 彩色眼底图像微动脉瘤自动检测方法
CN107239761B (zh) 基于骨架角点检测的果树拉枝效果评价方法
CN111192280B (zh) 一种基于局部特征的视盘边缘检测方法
CN106372593B (zh) 一种基于血管收敛的视盘区定位方法
Choukikar et al. Segmenting the optic disc in retinal images using thresholding
CN108205678A (zh) 一种含有亮斑干扰的铭牌文字识别处理方法
CN109447948B (zh) 一种基于病灶彩色视网膜眼底图像的视盘分割方法
Padmanaban et al. Localization of optic disc using Fuzzy C Means clustering
Choukikar et al. Segmenting the Optic Disc in retinal images using bi-histogram equalization and thresholding the connected regions
CN116071337A (zh) 一种基于超像素分割的内镜图像质量评价方法
CN110458042B (zh) 一种荧光ctc中的探针数目检测方法
CN113505811A (zh) 一种轮毂生产用机器视觉成像方法
WO2015103953A1 (zh) 不均匀光照条件下的虹膜提取方法及设备
CN110751064A (zh) 基于图像处理的眨眼次数分析方法和系统

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