CN106683080A - 一种视网膜眼底图像预处理方法 - Google Patents
一种视网膜眼底图像预处理方法 Download PDFInfo
- Publication number
- CN106683080A CN106683080A CN201611160838.2A CN201611160838A CN106683080A CN 106683080 A CN106683080 A CN 106683080A CN 201611160838 A CN201611160838 A CN 201611160838A CN 106683080 A CN106683080 A CN 106683080A
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- max
- retinal
- blood vessel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002207 retinal effect Effects 0.000 title claims abstract description 18
- 238000007781 pre-processing Methods 0.000 title abstract 4
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 27
- 239000006002 Pepper Substances 0.000 claims abstract description 12
- 230000000295 complement effect Effects 0.000 claims abstract description 8
- 238000000265 homogenisation Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 41
- 230000002708 enhancing effect Effects 0.000 claims description 23
- 210000001525 retina Anatomy 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000006740 morphological transformation Effects 0.000 claims description 4
- 238000005530 etching Methods 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 3
- 230000004256 retinal image Effects 0.000 abstract description 26
- 238000000605 extraction Methods 0.000 abstract description 8
- 230000011218 segmentation Effects 0.000 abstract description 8
- 210000003733 optic disk Anatomy 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000009499 grossing Methods 0.000 abstract 1
- 230000004446 light reflex Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 5
- 150000003839 salts Chemical class 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004233 retinal vasculature Effects 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
-
- G06T5/70—
-
- 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
- G06T2207/30—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
本发明公开了一种视网膜眼底图像预处理方法,其特征是,包括如下步骤:1)读入原始图像:采用绿色通道读入视网膜眼底原始图像;2)移除血管中心光反射;3)去除椒盐噪声;4)平滑噪声;5)背景提取;6)得到阴影矫正图像;7)得到均匀化图像;8)求补图像;9)得到血管增强图像;10)输出增强图像。这种方法使处理后视网膜图像具有了更高的图像质量和更丰富的信息量,并实现了对视网膜图像中的血管、视盘和中央凹等有用信息进行有保留的增强、提高了视网膜图像特征提取、分割及识别的效果。
Description
技术领域
本发明涉及特征提取及图像分割技术,具体涉及一种视网膜眼底图像预处理方法。
背景技术
眼底视网膜的动脉是人体全身唯一可以看到的血管,能够直观的观察到眼底的血管,体现了全身的血管情况。然而受视网膜血管结构、成像设备、环境以及噪声的影响,视网膜图像质量一般较差,为了便于观察眼底视网膜,在使用前需要对视网膜图像进行预处理。
目前大多数的视网膜血管特征提取和分割的算法都是基于增强视网膜图像,这就要求处理好的视网膜图像要尽可能的保留原来血管纹路信息,否则最终的血管分割精度将得不到保证。视网膜图像增强的方法主要有匹配滤波器法、亮度对比度归一化、小波变换等。上述方法都是增强血管信息以使其更有利于下一步血管网络的提取,这些方法因算法简单而被广泛应用于图像增强中,但它们在实际应用中的缺陷显而易见:通过最优化算法实现二维匹配滤波器参数的选择,进而对视网膜图像进行增强,但其仅能够增强图像中的血管以及小块灰度明显的区域;使用自适应直方图均衡法对图像进行亮度归一化,大大提高血管与背景的对比度,但不能很好地抑制背景噪声,并可能将感兴趣区域弱化为背景:Contourlet小波变换通过调整系数实现对视网膜图像的全局增强,但系数的确定较为复杂,而且增强结果改变了图像中血管的宽度。
另外,视网膜的一些标志性特征如视盘、血管和中央凹等是后期分割识别的先决条件,但是视网膜图像受光照变化、低对比度和噪声的影响,使得血管检测和分割的难度加大,这就要求从视网膜图像中尽量消除这些影响,实现对视网膜图像中的血管、视盘和中央凹等有用信息进行有保留的增强,传统单一的图像增强方法已经无法满足这样的要求。
发明内容
本发明的目的是针对现有技术的不足,而提供一种视网膜眼底图像预处理方法。
这种方法使处理后视网膜图像具有更高的图像质量和更丰富的信息量,并能实现对视网膜图像中的血管、视盘和中央凹等有用信息进行有保留的增强、提高视网膜图像特征提取、分割及识别的效果。
实现本发明目的的技术方案是:
一种视网膜眼底图像预处理方法,包括如下步骤:
1)读入视网膜眼底原始图像:采用绿色通道读入视网膜眼底原始图像;
2)移除血管中心光反射:采用数学形态学图像滤波,即提取视网膜眼底原始图像的几何特征,根据几何特征,选择方形结构元素,结构元素简单而对物体的几何特征具有较好的表现力;用选定的方形结构元素对视网膜眼底原始图像进行击中与否变换,便可得到比视网膜眼底原始图像突出物体特性信息的形态学滤波图像,突出用户感兴趣的目标,方便用户提取信息,如果没有突出用户信息,则应该重新选取结构元素;
3)去除椒盐噪声:采用自适应中值滤波对形态学滤波图像去除椒盐噪声;
4)平滑噪声:采用自适应平滑滤波对自适应中值滤波图像平滑噪声;
5)背景提取:采用几何均值滤波对自适应平滑滤波图像进行背景提取;
几何均值滤波的表达式为:
其中,Sx,y指的是图像邻域,m和n为邻域的大小尺寸,G(i,j)为滤波前二维图像矩阵,G′(x,y)为滤波后二维图像矩阵;
6)得到阴影矫正图像:用自适应平滑滤波后的图像减去背景图像得到阴影矫正图像;
7)得到均匀化图像:对阴影矫正图像进行灰度级全局变换得到均匀化图像,增强过程可能使某个像素点的灰度值超出正常灰度范围,需要进行校正;
8)求补图像:对均匀化图像求补图像;
9)得到血管增强图像:对补图像采用形态学顶帽变换得到血管增强图像;
10)输出增强图像。
所述形态变换为开运算:
设A是视网膜眼底原始图像,B是结构元素图像,则集合A被结构元素B作开运算,记作AοB,其表达式为:
其中,A⊙B表示腐蚀操作,表示先腐蚀后膨胀。
所述中值滤波定义为:
g(x,y)=median{f(x-i,y-i)},(x,y)∈S
其中,g(x,y),f(x,y)为像素灰度值,S为模板窗口,自适应中值滤波在两个层次上变换,假设这两个层次分别定义为A层和B层,其具体含义如下:
A层:如果Zmin<Zmed<Zmax,则转到B层,否则增大窗口尺寸;如果窗口尺寸小于等于Xmax,则重复A层,否则输出Z(x,y);
B层:如果Zmin<Z(x,y)<Zmax,则输出Z(x,y),否则输出Zmed;
其中,Zmin为Xx,y中灰度级的最小值,
Zmed为Xx,y中灰度级的中值;
Zmax为Xx,y中灰度级的最大值;
Z(x,y)为在坐标(x,y)上的灰度值;
Xmax为Xx,y允许的最大尺寸,Zmin和Zmax为是类冲激式的噪声成分。
A层的目的是判定中值滤波器的输出Zmed是否是一个椒盐噪声,如果条件Zmin<Zmed<Zmax有效,则表示Zmed不是椒盐噪声,在该情况下转到B层检测,判断窗口Z(x,y)的中心点是否是一个脉冲,若Zmin<Z(x,y)<Zmax,则表示Z(x,y)和Zmed不是脉冲,将输出一个不变的像素灰度值Z(x,y);如果条件Zmin<Z(x,y)<Zmax不满足,则说明Z(x,y)=Zmax或Z(x,y)=Zmin,则像素值是一个突变值,进而由从A层判断Zmed不是椒盐噪声,那么将输出中值Zmed,实现过程为:
选择一个(2n+1)×(2n+1)的窗口,使其沿图像的行或列方向逐像素滑动,每次滑动后,对窗内的像素值进行排序,用排序所得中值代替窗口中心位置像素的灰度值。自适应中值滤波算法也可以通过自适应改变掩膜的尺寸来达到既消除噪声又保留图像边缘的目的。
所述自适应平滑滤波为:
假设用h(x,y)来表示自适应掩膜矩阵H中的系数,g(x,y)表示图像像素,则有:
h(x,y)=f(g(x,y))
自适应平滑滤波既可以消除图像噪声,又能保留图像细节等特征信息,模板如下:
其中,
在使用h(x,y)进行滤波时,每一次的卷积结果都需要用N(x,y)进行归一化,其中:
所述灰度级全局变换函数如下:
其中,
g=gin+128-gin_max
gin和gout分别是输入图像即阴影矫正图像和输出图像即均匀化图像的灰度级变量,gin_max是阴影矫正图像灰度级像素最大值。
所述顶帽变换定义为:
其中,IVE是新血管增强图像,是均匀化图像的补图像,γ是对作开运算操作。
这种方法与现有技术相比的优点在于:
(1)综合运用自适应中值滤波、自适应平滑滤波、形态学操作及灰度级全局变换等,使处理后视网膜图像具有更高的图像质量和更丰富的信息量,为后续视网膜特征提取和分割识别提供有用的信息;
(2)不仅仅增强血管信息以使其更有利于下一步血管网络的提取,而且实现对视网膜图像中的血管、视盘和中央凹等有用信息进行有保留的增强;
(3)同时兼顾血管中心光反射移除和背景均匀化,减弱图像光照变化、提高对比度、滤除噪声,使得血管增强效果显著提高;
这种方法使处理后视网膜图像具有了更高的图像质量和更丰富的信息量,并实现了对视网膜图像中的血管、视盘和中央凹等有用信息进行有保留的增强、提高了视网膜图像特征提取、分割及识别的效果。
附图说明
图1为实施例的方法流程示意图;
图2为实施例的视网膜图像的绿色通道图像;
图3为实施例的视网膜图像的数学形态学滤波结果图像;
图4为实施例的视网膜图像的自适应中值滤波结果图像;
图5为实施例的视网膜图像的自适应平滑滤波结果图像;
图6为实施例的视网膜图像的几何均值滤波结果图像;
图7为实施例的视网膜图像的阴影矫正结果图像;
图8为实施例的视网膜图像的灰度级全局变换结果图像;
图9为实施例的视网膜图像的血管增强结果图像。
具体实施方式
下面结合附图和实施例对本发明内容作进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,一种视网膜眼底图像预处理方法,包括如下步骤:
1)读入原始图像:采用绿色通道读入视网膜眼底原始图像,如图2所示,视网膜眼底
原始图像分解成红、绿、蓝三通道图像,采用对比度较高的绿色通道进行后续处理;
2)移除血管中心光反射:采用数学形态学图像滤波,如图3所示,即提取视网膜眼底原始图像的几何特征,根据几何特征,选择方形结构元素,结构元素简单而对物体的几何特征具有较好的表现力;用选定的结构元素对视网膜眼底原始图像进行击中与否变换,便可得到比视网膜眼底原始原始图像突出物体特性信息的形态学滤波图像,移除绿色通道视网膜眼底图像血管中心光反射,突出用户感兴趣的目标,方便用户提取信息;
3)去除椒盐噪声:如图4所示,采用自适应中值滤波对形态学滤波图像去除椒盐噪声;
4)平滑噪声:如图5所示,采用自适应平滑滤波对自适应中值滤波图像平滑噪声;
5)背景提取:如图6所示,采用几何均值滤波对自适应平滑滤波图像进行背景提取,具体如下:
模板
几何均值滤波的表达式为:
其中,Sx,y指的是图像邻域,m和n为邻域的大小尺寸,G(i,j)为滤波前二维图像矩阵,G′(x,y)为滤波后二维图像矩阵;
6)得到阴影矫正图像:用自适应平滑滤波后的图像减去背景图像得到阴影矫正图像,如图7所示。具体如下:
ID=Ins-IB
其中,ID是阴影矫正图像,Ins是自适应平滑后的图像,IB是背景图像;
7)得到均匀化图像:如图8所示,对阴影矫正图像进行灰度级全局变换得到均匀化图像,增强过程可能使某个像素点的灰度值超出正常灰度范围,需要进行校正;
8)求补图像:对均匀化图像求补图像,补图像=255-均匀化图像;
9)得到血管增强图像:如图9所示,对补图像采用形态学顶帽变换得到血管增强图像;
10)输出增强图像。
所述形态变换为开运算:
设A是视网膜眼底原始图像,B是结构元素图像,则集合A被结构元素B作开运算,记作AοB,其表达式为:
其中,A⊙B表示腐蚀操作,表示先腐蚀后膨胀。
所述中值滤波定义为:
g(x,y)=median{f(x-i,y-i)},(x,y)∈S
其中,g(x,y),f(x,y)为像素灰度值,S为模板窗口,自适应中值滤波在两个层次上变换,假设这两个层次分别定义为A层和B层,其具体含义如下:
A层:如果Zmin<Zmed<Zmax,则转到B层,否则增大窗口尺寸;如果窗口尺寸小于等于Xmax,则重复A层,否则输出Z(x,y);
B层:如果Zmin<Z(x,y)<Zmax,则输出Z(x,y),否则输出Zmed;
其中,Zmin为Xx,y中灰度级的最小值,
Zmed为Xx,y中灰度级的中值;
Zmax为Xx,y中灰度级的最大值;
Z(x,y)为在坐标(x,y)上的灰度值;
Xmax为Xx,y允许的最大尺寸,Zmin和Zmax为是类冲激式的噪声成分。
A层的目的是判定中值滤波器的输出Zmed是否是一个椒盐噪声,如果条件Zmin<Zmed<Zmax有效,则表示Zmed不是椒盐噪声,在该情况下转到B层检测,判断窗口Z(x,y)的中心点是否是一个脉冲,若Zmin<Z(x,y)<Zmax,则表示Z(x,y)和Zmed不是脉冲,将输出一个不变的像素灰度值Z(x,y);如果条件Zmin<Z(x,y)<Zmax不满足,则说明Z(x,y)=Zmax或Z(x,y)=Zmin,则像素值是一个突变值,进而由从A层判断Zmed不是椒盐噪声,那么将输出中值Zmed,实现过程为:
选择一个(2n+1)×(2n+1)的窗口,使其沿图像的行或列方向逐像素滑动,每次滑动后,对窗内的像素值进行排序,用排序所得中值代替窗口中心位置像素的灰度值。自适应中值滤波算法也可以通过自适应改变掩膜的尺寸来达到既消除噪声又保留图像边缘的目的。
所述自适应平滑滤波为:
假设用h(x,y)来表示自适应掩膜矩阵H中的系数,g(x,y)表示图像像素,则有:
h(x,y)=f(g(x,y))
自适应平滑滤波既可以消除图像噪声,又能保留图像细节等特征信息,模板如下:
其中,
在使用h(x,y)进行滤波时,每一次的卷积结果都需要用N(x,y)进行归一化,其中:
所述灰度级全局变换函数如下:
其中,
g=gin+128-gin_max
gin和gout分别是输入图像即阴影矫正图像和输出图像即均匀化图像的灰度级变量,gin_max是阴影矫正图像灰度级像素最大值。
所述顶帽变换定义为:
其中,IVE是新血管增强图像,是均匀化图像的补图像,γ是对作开运算操作。
Claims (6)
1.一种视网膜眼底图像预处理方法,其特征是,包括如下步骤:
1)读入原始图像:采用绿色通道读入视网膜眼底原始图像;
2)移除血管中心光反射:采用数学形态学图像滤波,提取视网膜眼底原始图像的几何特征,根据几何特征,选择方形结构元素对视网膜眼底原始图像进行击中与否变换,得到比视网膜眼底原始图像突出物体特性信息的形态学滤波图像;
3)去除椒盐噪声:采用自适应中值滤波对形态学变换图像去除图像椒盐噪声;
4)平滑噪声:采用自适应平滑滤波对自适应中值滤波图像平滑噪声;
5)背景提取:采用几何均值滤波对自适应平滑滤波图像进行背景提取,
几何均值滤波的表达式为:
其中,Sx,y指的是图像邻域,m和n为邻域的大小尺寸,G(i,j)为滤波前二维图像矩阵,G′(x,y)为滤波后二维图像矩阵;
6)得到阴影矫正图像:用自适应平滑滤波后的图像减去背景图像得到阴影矫正图像;
7)得到均匀化图像:对阴影矫正图像进行灰度级全局变换得到均匀化图像;
8)求补图像:对均匀化图像求补图像;
9)得到血管增强图像:对补图像采用形态学顶帽变换得到血管增强图像;
10)输出增强图像。
2.根据权利要求1所述的视网膜眼底图像预处理方法,其特征是,所述形态变换为开运算:
设A是视网膜眼底原始图像,B是结构元素图像,则集合A被结构元素B作开运算,记作A。B,其表达式为:
其中,A⊙B表示腐蚀操作,表示先腐蚀后膨胀。
3.根据权利要求1所述的视网膜眼底图像预处理方法,其特征是,所述中值滤波定义为:
g(x,y)=median{f(x-i,y-i)},(x,y)∈S
其中,g(x,y),f(x,y)为像素灰度值,S为模板窗口,自适应中值滤波在两个层次上变换,假设这两个层次分别定义为A层和B层,其具体含义如下:
A层:如果Zmin<Zmed<Zmax,则转到B层,否则增大窗口尺寸;如果窗口尺寸小于等于Xmax,则重复A层,否则输出Z(x,y);
B层:如果Zmin<Z(x,y)<Zmax,则输出Z(x,y),否则输出Zmed;
其中,Zmin为Xx,y中灰度级的最小值,
Zmed为Xx,y中灰度级的中值;
Zmax为Xx,y中灰度级的最大值;
Z(x,y)为在坐标(x,y)上的灰度值;
Xmax为Xx,y允许的最大尺寸,Zmin和Zmax为是类冲激式的噪声成分。
4.根据权利要求1所述的视网膜眼底图像预处理方法,其特征是,所述自适应平滑滤波为:
假设用h(x,y)来表示自适应掩膜矩阵H中的系数,g(x,y)表示图像像素,则有:
h(x,y)=f(g(x,y))
其中,
在使用h(x,y)进行滤波时,每一次的卷积结果都需要用N(x,y)进行归一化,其中:
5.根据权利要求1所述的视网膜眼底图像预处理方法,其特征是,所述灰度级全局变换函数如下:
其中,
g=gin+128-gin_max
gin和gout分别是输入图像即阴影矫正图像和输出图像即均匀化图像的灰度级变量,gin_max是阴影矫正图像灰度级像素最大值。
6.根据权利要求1所述的视网膜眼底图像预处理方法,其特征是,所述顶帽变换定义为:
其中,IVE是新血管增强图像,是均匀化图像的补图像,γ是对作开运算操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611160838.2A CN106683080B (zh) | 2016-12-15 | 2016-12-15 | 一种视网膜眼底图像预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611160838.2A CN106683080B (zh) | 2016-12-15 | 2016-12-15 | 一种视网膜眼底图像预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106683080A true CN106683080A (zh) | 2017-05-17 |
CN106683080B CN106683080B (zh) | 2019-09-27 |
Family
ID=58868190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611160838.2A Active CN106683080B (zh) | 2016-12-15 | 2016-12-15 | 一种视网膜眼底图像预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106683080B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316039A (zh) * | 2017-06-02 | 2017-11-03 | 东北大学 | 一种基于主成分分析法的叉形干涉图像特征提取方法 |
CN107657612A (zh) * | 2017-10-16 | 2018-02-02 | 西安交通大学 | 适用于智能便携设备的全自动视网膜血管分析方法及系统 |
CN109091108A (zh) * | 2018-06-07 | 2018-12-28 | 南京理工大学 | 基于视场子区分割的相位滤波器搜索算法 |
CN109767406A (zh) * | 2019-01-28 | 2019-05-17 | 中南林业科技大学 | 一种应用于图像处理的自适应中值滤波去噪方法 |
CN109919922A (zh) * | 2019-02-27 | 2019-06-21 | 重庆大学 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
CN109919873A (zh) * | 2019-03-07 | 2019-06-21 | 电子科技大学 | 一种基于图像分解的眼底图像增强方法 |
CN109993731A (zh) * | 2019-03-22 | 2019-07-09 | 依未科技(北京)有限公司 | 一种眼底病变分析方法及装置 |
CN111738943A (zh) * | 2020-06-12 | 2020-10-02 | 吉林大学 | 一种空域和频域相结合的医学图像增强方法 |
CN111784592A (zh) * | 2020-05-19 | 2020-10-16 | 知昇(上海)人工智能科技有限公司 | 一种基于gan的自动化设计图像生成方法 |
CN111899247A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技(深圳)有限公司 | 脉络膜血管的管腔区域识别方法、装置、设备及介质 |
CN112330547A (zh) * | 2020-10-12 | 2021-02-05 | 佛山科学技术学院 | 一种针对oct视网膜图像消除血管阴影的滤波方法 |
CN112330547B (zh) * | 2020-10-12 | 2024-04-30 | 佛山科学技术学院 | 一种针对oct视网膜图像消除血管阴影的滤波方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103458772A (zh) * | 2011-04-07 | 2013-12-18 | 香港中文大学 | 视网膜图像分析方法和装置 |
CN104809480A (zh) * | 2015-05-21 | 2015-07-29 | 中南大学 | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 |
CN105761258A (zh) * | 2016-02-06 | 2016-07-13 | 上海市第人民医院 | 视网膜眼底图像的出血检测方法 |
-
2016
- 2016-12-15 CN CN201611160838.2A patent/CN106683080B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103458772A (zh) * | 2011-04-07 | 2013-12-18 | 香港中文大学 | 视网膜图像分析方法和装置 |
CN104809480A (zh) * | 2015-05-21 | 2015-07-29 | 中南大学 | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 |
CN105761258A (zh) * | 2016-02-06 | 2016-07-13 | 上海市第人民医院 | 视网膜眼底图像的出血检测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316039B (zh) * | 2017-06-02 | 2020-07-24 | 东北大学 | 一种基于主成分分析法的叉形干涉图像特征提取方法 |
CN107316039A (zh) * | 2017-06-02 | 2017-11-03 | 东北大学 | 一种基于主成分分析法的叉形干涉图像特征提取方法 |
CN107657612A (zh) * | 2017-10-16 | 2018-02-02 | 西安交通大学 | 适用于智能便携设备的全自动视网膜血管分析方法及系统 |
CN109091108A (zh) * | 2018-06-07 | 2018-12-28 | 南京理工大学 | 基于视场子区分割的相位滤波器搜索算法 |
CN109767406A (zh) * | 2019-01-28 | 2019-05-17 | 中南林业科技大学 | 一种应用于图像处理的自适应中值滤波去噪方法 |
CN109919922A (zh) * | 2019-02-27 | 2019-06-21 | 重庆大学 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
CN109919922B (zh) * | 2019-02-27 | 2023-02-03 | 重庆大学 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
CN109919873B (zh) * | 2019-03-07 | 2020-12-29 | 电子科技大学 | 一种基于图像分解的眼底图像增强方法 |
CN109919873A (zh) * | 2019-03-07 | 2019-06-21 | 电子科技大学 | 一种基于图像分解的眼底图像增强方法 |
CN109993731A (zh) * | 2019-03-22 | 2019-07-09 | 依未科技(北京)有限公司 | 一种眼底病变分析方法及装置 |
CN111784592A (zh) * | 2020-05-19 | 2020-10-16 | 知昇(上海)人工智能科技有限公司 | 一种基于gan的自动化设计图像生成方法 |
CN111738943A (zh) * | 2020-06-12 | 2020-10-02 | 吉林大学 | 一种空域和频域相结合的医学图像增强方法 |
CN111738943B (zh) * | 2020-06-12 | 2023-12-05 | 吉林大学 | 一种空域和频域相结合的医学图像增强方法 |
CN111899247A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技(深圳)有限公司 | 脉络膜血管的管腔区域识别方法、装置、设备及介质 |
CN112330547A (zh) * | 2020-10-12 | 2021-02-05 | 佛山科学技术学院 | 一种针对oct视网膜图像消除血管阴影的滤波方法 |
CN112330547B (zh) * | 2020-10-12 | 2024-04-30 | 佛山科学技术学院 | 一种针对oct视网膜图像消除血管阴影的滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106683080B (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683080A (zh) | 一种视网膜眼底图像预处理方法 | |
CN106920227B (zh) | 基于深度学习与传统方法相结合的视网膜血管分割方法 | |
WO2021253939A1 (zh) | 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法 | |
CN112614077B (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
CN104899876B (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
Hasikin et al. | Adaptive fuzzy contrast factor enhancement technique for low contrast and nonuniform illumination images | |
CN113313657B (zh) | 一种用于低光照图像增强的非监督学习方法和系统 | |
CN106651899A (zh) | 基于Adaboost的眼底图像微动脉瘤检测系统 | |
CN109685742A (zh) | 一种暗光环境下的图像增强方法 | |
CN106651818A (zh) | 基于改进的直方图均衡化低照度图像增强算法 | |
CN110570360B (zh) | 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法 | |
CN111815562B (zh) | 一种U-Net与自适应PCNN相结合的视网膜血管分割方法 | |
CN111223110B (zh) | 一种显微图像增强方法、装置及计算机设备 | |
Chen et al. | Blood vessel enhancement via multi-dictionary and sparse coding: Application to retinal vessel enhancing | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
CN106558031A (zh) | 一种基于成像模型的彩色眼底图的图像增强方法 | |
CN114881962A (zh) | 一种基于改进U-Net网络的视网膜图像血管分割方法 | |
Antal et al. | A multi-level ensemble-based system for detecting microaneurysms in fundus images | |
CN115775210A (zh) | 一种广域眼底相机图像融合方法、系统及存储介质 | |
CN109087310A (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
CN110298792A (zh) | 低光照图像增强与去噪方法、系统及计算机设备 | |
Patil et al. | Retinal fundus image enhancement using adaptive CLAHE methods | |
WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
Singh et al. | Image enhancement by adaptive power-law transformations | |
CN117197064A (zh) | 一种无接触眼红程度自动分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |