CN106846293B - 图像处理方法和装置 - Google Patents
图像处理方法和装置 Download PDFInfo
- Publication number
- CN106846293B CN106846293B CN201611158440.5A CN201611158440A CN106846293B CN 106846293 B CN106846293 B CN 106846293B CN 201611158440 A CN201611158440 A CN 201611158440A CN 106846293 B CN106846293 B CN 106846293B
- Authority
- CN
- China
- Prior art keywords
- image
- fundus
- black
- fundus image
- white
- 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
Images
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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种图像处理方法和装置。其中,该方法包括:获取不同时期对同一眼底进行拍照得到的第一眼底图像和第二眼底图像;将第一眼底图像和第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像;比较第一黑白图像和第二黑白图像的异同;在异同满足预定条件的情况下,确定眼底发生变化。本发明解决了现有技术在实现眼底图像配准时,只对眼底图像进行了配准,没有涉及到对眼底图像配准后进行匹配指标的评价和分析的技术问题。
Description
技术领域
本发明涉及计算机互联网领域,具体而言,涉及一种图像处理方法和装置。
背景技术
随着计算机技术的发展,先进的计算机图像处理技术已被用于眼底图像的处理和分析,为迅速、准确、客观的分析眼底图像提供了一个现代化的科学手段。眼底图像的配准技术在辅助眼科诊断和治疗过程中有着广泛的应用。通过配准眼底图像,医生能够更好的诊断和检测各种与眼底相关的疾病,如糖尿病、青光眼、黄斑部变形等的诊断以及近视眼的检测等。比如:对于近视眼的检测,直接的方法是医生通过对不同时期眼底图像视神经盘进行观察对比,根据视神经盘的凹凸以及视神经盘内血管的变化来判断近视,而医生在观察眼底图像的视神经盘时,由于两幅图像的大小,光照的不同就会产生误差,而对眼底图像进行配准之后,可以很好的把视神经盘部位进行匹配对齐,以便于医生对视神经盘部位变化的观察和分析。高分辨率的眼底图像主要特征是血管结构和视神经盘,而眼底图像的大部分区域是无组织特性的,眼底图像的这些特点,使得高精度眼底图像配准具有一定的困难,近年来,各种眼底图像配准技术已得到广泛研究。而对眼底图像配准后的指标评价,目前还没有相关文献进行研究。
针对现有技术在实现眼底图像配准时,只对眼底图像进行了配准,没有涉及到对眼底图像配准后进行匹配指标的评价和分析的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像处理方法和装置,以至少解决现有技术在实现眼底图像配准时,只对眼底图像进行了配准,没有涉及到对眼底图像配准后进行匹配指标的评价和分析的技术问题。
根据本发明实施例的一个方面,提供了一种图像处理方法,包括:获取不同时期对同一眼底进行拍照得到的第一眼底图像和第二眼底图像;将第一眼底图像和第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像;比较第一黑白图像和第二黑白图像的异同;在异同满足预定条件的情况下,确定眼底发生变化。
根据本发明实施例的另一方面,还提供了一种图像处理装置,包括:获取模块,用于获取不同时期对同一眼底进行拍照得到的第一眼底图像和第二眼底图像;转换模块,用于将第一眼底图像和第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像;比较模块,用于比较第一黑白图像和第二黑白图像的异同;确定模块,用于在异同满足预定条件的情况下,确定眼底发生变化。
在本发明实施例中,采用比较第一黑白图像和第二黑白图像的异同以确定眼底是否发生变化的方式,通过获取不同时期对同一眼底进行拍照得到的第一眼底图像和第二眼底图像,并将第一眼底图像和第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像,然后比较第一黑白图像和第二黑白图像的异同,并在异同满足预定条件的情况下,确定眼底发生变化,达到了对配准后的图像进行匹配指标的评价的目的,从而实现了对配准结果的评价以及辅助医生进行诊断的技术效果,进而解决了现有技术在实现眼底图像配准时,只对眼底图像进行了配准,没有涉及到对眼底图像配准后进行匹配指标的评价和分析的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例1的一种图像处理方法的流程图;
图2是根据本发明实施例1的眼底图像的结构示意图;
图3是根据本发明实施例1的正方形感兴趣图像区域的结构示意图;
图4是根据本发明实施例1的正方形感兴趣图像区域的血管图像的结构示意图;
图5是根据本发明实施例1的视神经盘血管图的结构示意图;
图6是根据本发明实施例1的一种可选的图像处理方法的流程图;
图7是根据本发明实施例2的一种图像处理装置的结构图;
图8是根据本发明实施例2的一种可选的图像处理装置的结构图;
图9是根据本发明实施例2的一种可选的图像处理装置的结构图;
图10是根据本发明实施例2的一种可选的图像处理装置的结构图;以及
图11是根据本发明实施例2的一种可选的图像处理装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种图像处理方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的图像处理方法,如图1所示,该方法包括如下步骤:
步骤S102,获取不同时期对同一眼底进行拍照得到的第一眼底图像和第二眼底图像。
具体的,第一眼底图像可以是眼底图像基图,可以是某个人多年前拍摄的一张眼底图像,第二眼底图像可以是待配准眼底图像,可以是该人现在拍摄的一张眼底图像,两张眼底图像可能不是对眼球同一方位进行的拍摄,而且相对于第一眼底图像,第二眼底图像可能因为某些外在或内在的原因发生了刚体变换、扭曲、遮挡,或者变得模糊、不清晰,或者图像的分辨率发生了变化或者图像的尺寸发生了变化等。
步骤S104,将第一眼底图像和第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像。
具体的,在得到第一眼底图像和第二眼底图像之后,需要对两个图像进行分析,为了不再涉及像素的多级值,方便分析,需要对第一眼底图像和第二眼底图像分别进行二值化处理。
步骤S106,比较第一黑白图像和第二黑白图像的异同。
具体的,通过比较第一黑白图像和第二黑白图像的异同,可以对图像的配准结果进行量化评价。
步骤S108,在异同满足预定条件的情况下,确定眼底发生变化。
具体的,预定条件可以是自定义的条件,用来评价异同的程度,最终来判断眼底是否发生变化,即在异同满足预定条件的情况下,确定眼底发生变化;在异同不满足预定条件的情况下,可以确定眼底没有发生变化。
在本发明实施例中,采用比较第一黑白图像和第二黑白图像的异同以确定眼底是否发生变化的方式,通过获取不同时期对同一眼底进行拍照得到的第一眼底图像和第二眼底图像,并将第一眼底图像和第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像,然后比较第一黑白图像和第二黑白图像的异同,并在异同满足预定条件的情况下,确定眼底发生变化,达到了对配准后的图像进行匹配指标的评价的目的,从而实现了对配准结果的评价以及辅助医生进行诊断的技术效果,进而解决了现有技术在实现眼底图像配准时,只对眼底图像进行了配准,没有涉及到对眼底图像配准后进行匹配指标的评价和分析的技术问题。
可选的,步骤S104包括如下步骤:
步骤S202,分别在第一眼底图像和第二眼底图像上选定感兴趣图像区域。
具体的,感兴趣图像区域为对配准有帮助的区域,一般来讲,只要不是仅包含少许血管的区域即可作为感兴趣图像区域,对该感兴趣图像区域的大小和形状均没有限制,在实际分析中,也可以将整个第一眼底图像或第二眼底图像作为感兴趣图像区域,优选的,为了提高配准效率,可以选择血管具有明显分布特点的区域作为感兴趣图像区域。
在一种可选的实施例中,图2表示眼底图像的结构示意图,包括视神经盘中心10、视神经盘圆形边界11和视神经盘血管12,假如神经盘中心10到视神经盘圆形边界11的距离为r,图3为正方形感兴趣图像区域的结构示意图,如图3所示,可以以视神经盘中心10为中心,选取边长为4*r的正方形作为感兴趣图像区域,得到正方形感兴趣区域13。因此,可以通过上述方式在第一眼底图像和第二眼底图像上选定感兴趣图像区域。
步骤S204,获取第一眼底图像和第二眼底图像上感兴趣图像区域中的视神经盘边界内血管图,得到第一视神经盘血管图和第二视神经盘血管图。
具体的,以上述正方形感兴趣区域13为例,图4为正方形感兴趣图像区域的血管图像的结构示意图,图4为对截取的正方形感兴趣区域13进行视神经盘血管12提取获得的图像,如图4所示,正方形感兴趣区域13中包括视神经盘血管12,图5为视神经盘血管图的结构示意图,基于视神经盘圆形边界11对图4的正方形感兴趣图像区域的血管图像进行截取,可以得到视神经盘圆形边界11内的视神经盘血管12的图像。因此,可以通过上述方式获取第一眼底图像和第二眼底图像上感兴趣图像区域中的视神经盘边界内血管图,得到第一视神经盘血管图和第二视神经盘血管图,其中,第一视神经盘血管图和第二视神经盘血管图均为灰度图。
步骤S206,对第一视神经盘血管图和第二视神经盘血管图进行二值化处理转换为第一黑白图像和第二黑白图像。
具体的,对第一视神经盘血管图和第二视神经盘血管图进行二值化处理时,首先需要提取二值化阈值,以第一视神经盘血管图为例,可以将第一视神经盘血管图中大于0的像素的像素值从大到小进行排序,并选择其中一个像素的像素值作为二值化阈值,例如,可以选择第10000个像素的像素值作为二值化的阈值,如果大于0的像素的个数不足10000个,则取0为二值化阈值。对第二视神经盘血管图提取二值化阈值的方式同上,此处不做赘述。在得到二值化阈值后,即可对第一视神经盘血管图和第二视神经盘血管图进行二值化处理。
可选的,执行步骤S202之前,包括如下步骤:
步骤S302,获取第一眼底图像和第二眼底图像的绿色通道图像。
步骤S304,对第一眼底图像和第二眼底图像的绿色通道图像进行滤波、增加对比度,得到第一处理图像和第二处理图像。
具体的,步骤S304中对第一眼底图像和第二眼底图像的绿色通道图像进行滤波时,可以采用图像处理中值滤波算法对第一眼底图像和第二眼底图像的绿色通道图像进行滤波,以去除图像中的噪声;对第一眼底图像和第二眼底图像的绿色通道图像增加对比度时,可以采用对进行滤波后的第一眼底图像和第二眼底图像进行自适应直方图均衡化的方式增加第一眼底图像和第二眼底图像的对比度。其中,自适应直方图均衡化(AHE)是用来提升图像的对比度的一种计算机图像处理技术,普通的直方图均衡算法对于整幅图像的像素使用相同的直方图变换,对于那些像素值分布比较均衡的图像来说,算法的效果很好,但是对于包括明显比图像其它区域暗或者亮的部分的图像,例如眼底图像,如果采用普通的直方图均衡算法,明显比图像其它区域暗或者亮的部分的对比度将得不到有效的增强,和普通的直方图均衡算法不同,AHE算法通过计算图像的局部直方图,然后重新分布亮度来改变图像对比度。因此,该算法更适合于改进图像的局部对比度以及获得更多的图像细节。
可选的,第一眼底图像先于第二眼底图像获取,步骤S106包括:
步骤S402,确定第一黑白图像和第二黑白图像的总配准个数n,其中,总配准个数为第一黑白图像和第二黑白图像中位置相同且像素均为1的个数。
步骤S404,确定第一黑白图像中像素为1的个数N。
步骤S406,计算像素配准率,其中,像素配准率=(n/N)*100%。
具体的,可以对第一黑白图像和第二黑白图像进行像素遍历统计,相同位置且像素均为1时将配准个数加1,遍历结束后,得到总配准个数n。
可选的,步骤S108包括:
步骤S502,确定像素配准率是否低于预设配准率。
步骤S504,在像素配准率低于预设配准率的情况下,确定眼底发生变化。
具体的,根据像素配准率,即可对配准算法进行自动指标评价,根据自动指标评价的结果,既可对视神经盘的变化进行初步的指标评价,辅助医生对视神经盘的变化进行诊断,例如对近视眼进行判断等。具体的,可以预设配准率,将像素配准率与预设配准率进行比较,在像素配准率低于预设配准率的情况下,说明视神经盘具有一定的变化,可以确定眼底发生变化,在像素配准率不低于预设配准率的情况下,说明视神经盘没有发生变化或者发生的变化比较小,也就是眼底没有发生变化或发生的变化较小。
在一种可选的实施例中,如图6所示,首先读入配准时所用的基图像和配准时所用的匹配图的变换图,其中配准时所用的基图像也就是上述的第一眼底图像,配准时所用的匹配图的变换图也就是上述的第二眼底图像,然后获取配准时所用的基图像和配准时所用的匹配图的变换图的绿色通道图像,并对配准时所用的基图像和配准时所用的匹配图的变换图的绿色通道图像进行中值滤波以及自适应直方图均衡化后,获取配准时所用的基图像和配准时所用的匹配图的变换图的视神经盘中心和圆形边界,之后根据视神经盘中心获取感兴趣图像(ROI)区域、感兴趣图像区域的血管图像以及感兴趣图像区域的血管图像的视神经盘区域,之后在获取配准时所用的基图像和配准时所用的匹配图的变换图中感兴趣图像区域的血管图像的视神经盘区域二值化阈值后对上述两图进行二值化,获取到两个图各自的二值化图像,并统计两个图的二值化图像相匹配的像素点个数,也就是上述的总配准个数,并根据总配准个数计算匹配比率,也就是上述的像素配准率。
实施例2
根据本发明实施例,提供了一种图像处理装置的产品实施例,图7是根据本发明实施例的图像处理装置,如图7所示,该装置包括获取模块101、转换模块103、比较模块105和确定模块107。
其中,获取模块101,用于获取不同时期对同一眼底进行拍照得到的第一眼底图像和第二眼底图像;转换模块103,用于将第一眼底图像和第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像;比较模块105,用于比较第一黑白图像和第二黑白图像的异同;确定模块107,用于在异同满足预定条件的情况下,确定眼底发生变化。
在本发明实施例中,采用比较第一黑白图像和第二黑白图像的异同以确定眼底是否发生变化的方式,通过获取模块101获取不同时期对同一眼底进行拍照得到的第一眼底图像和第二眼底图像,由转换模块103将第一眼底图像和第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像,然后通过比较模块105比较第一黑白图像和第二黑白图像的异同,在异同满足预定条件的情况下,确定模块107确定眼底发生变化,达到了对配准后的图像进行匹配指标的评价的目的,从而实现了对配准结果的评价以及辅助医生进行诊断的技术效果,进而解决了现有技术在实现眼底图像配准时,只对眼底图像进行了配准,没有涉及到对眼底图像配准后进行匹配指标的评价和分析的技术问题。
此处需要说明的是,上述获取模块101、转换模块103、比较模块105和确定模块107对应于实施例1中的步骤S102至步骤S108,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
可选的,如图8所示,转换模块103包括选定单元201、第一获取单元203和转换单元205,其中选定单元201,用于分别在第一眼底图像和第二眼底图像上选定感兴趣图像区域;第一获取单元203,用于获取第一眼底图像和第二眼底图像上感兴趣图像区域中的视神经盘边界内血管图,得到第一视神经盘血管图和第二视神经盘血管图;转换单元205,用于对第一视神经盘血管图和第二视神经盘血管图进行二值化处理转换为第一黑白图像和第二黑白图像。
此处需要说明的是,上述选定单元201、第一获取单元203和转换单元205对应于实施例1中的步骤S202至步骤S206,上述单元与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述单元作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
可选的,如图9所示,转换模块103还包括第二获取单元207和处理单元209,其中第二获取单元207,用于获取第一眼底图像和第二眼底图像的绿色通道图像;处理单元209,用于对第一眼底图像和第二眼底图像的绿色通道图像进行滤波、增加对比度,得到第一处理图像和第二处理图像,之后可以对第一处理图像和第二处理图像调用选定单元201进行下一步处理。
此处需要说明的是,上述第二获取单元207和处理单元209对应于实施例1中的步骤S302至步骤S304,上述单元与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述单元作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
可选的,如图10所示,第一眼底图像先于第二眼底图像获取,比较模块105包括第一确定单元301、第二确定单元303和计算单元305,其中第一确定单元301,用于确定第一黑白图像和第二黑白图像的总配准个数n,其中,总配准个数为第一黑白图像和第二黑白图像中位置相同且像素均为1的个数;第二确定单元303,用于确定第一黑白图像中像素为1的个数N;计算单元305,用于计算像素配准率,其中,像素配准率=(n/N)*100%。
此处需要说明的是,上述第一确定单元301、第二确定单元303和计算单元305对应于实施例1中的步骤S402至步骤S406,上述单元与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述单元作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
可选的,如图11所示,确定模块107包括第三确定单元401和第四确定单元403,其中,第三确定单元401,用于确定像素配准率是否低于预设配准率;第四确定单元403,用于在像素配准率低于预设配准率的情况下,确定眼底发生变化。
此处需要说明的是,上述第三确定单元401和第四确定单元403对应于实施例1中的步骤S502至步骤S504,上述单元与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述单元作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种图像处理方法,其特征在于,包括:
获取不同时期对同一眼底进行拍照得到的第一眼底图像和第二眼底图像;
将所述第一眼底图像和所述第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像;
比较所述第一黑白图像和所述第二黑白图像的异同;
在所述异同满足预定条件的情况下,确定眼底发生变化;
其中,所述第一眼底图像先于所述第二眼底图像获取,比较所述第一黑白图像和所述第二黑白图像的异同,包括:确定所述第一黑白图像和所述第二黑白图像的总配准个数n,其中,所述总配准个数为所述第一黑白图像和所述第二黑白图像中位置相同且像素均为1的个数;确定所述第一黑白图像中像素为1的个数N;计算像素配准率,其中,所述像素配准率=(n/N)*100%;
其中,在所述异同满足预定条件的情况下,确定眼底发生变化,包括:确定所述像素配准率是否低于预设配准率;在所述像素配准率低于预设配准率的情况下,确定所述眼底发生变化。
2.根据权利要求1所述的方法,其特征在于,将所述第一眼底图像和所述第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像,包括:
分别在所述第一眼底图像和所述第二眼底图像上选定感兴趣图像区域;
获取所述第一眼底图像和所述第二眼底图像上所述感兴趣图像区域中的视神经盘边界内血管图,得到第一视神经盘血管图和第二视神经盘血管图;
对所述第一视神经盘血管图和所述第二视神经盘血管图进行二值化处理转换为第一黑白图像和第二黑白图像。
3.根据权利要求2所述的方法,其特征在于,分别在所述第一眼底图像和所述第二眼底图像上选定感兴趣图像区域之前,包括:
获取所述第一眼底图像和所述第二眼底图像的绿色通道图像;
对所述第一眼底图像和所述第二眼底图像的绿色通道图像进行滤波、增加对比度,得到第一处理图像和第二处理图像。
4.一种图像处理装置,其特征在于,包括:
获取模块,用于获取不同时期对同一眼底进行拍照得到的第一眼底图像和第二眼底图像;
转换模块,用于将所述第一眼底图像和所述第二眼底图像进行二值化处理转换为第一黑白图像和第二黑白图像;
比较模块,用于比较所述第一黑白图像和所述第二黑白图像的异同;
确定模块,用于在所述异同满足预定条件的情况下,确定眼底发生变化;
其中,所述第一眼底图像先于所述第二眼底图像获取,所述比较模块包括:第一确定单元,用于确定所述第一黑白图像和所述第二黑白图像的总配准个数n,其中,所述总配准个数为所述第一黑白图像和所述第二黑白图像中位置相同且像素均为1的个数;第二确定单元,用于确定所述第一黑白图像中像素为1的个数N;计算单元,用于计算像素配准率,其中,所述像素配准率=(n/N)*100%;
其中,所述确定模块包括:第三确定单元,用于确定所述像素配准率是否低于预设配准率;第四确定单元,用于在所述像素配准率低于预设配准率的情况下,确定所述眼底发生变化。
5.根据权利要求4所述的装置,其特征在于,所述转换模块包括:
选定单元,用于分别在所述第一眼底图像和所述第二眼底图像上选定感兴趣图像区域;
第一获取单元,用于获取所述第一眼底图像和所述第二眼底图像上所述感兴趣图像区域中的视神经盘边界内血管图,得到第一视神经盘血管图和第二视神经盘血管图;
转换单元,用于对所述第一视神经盘血管图和所述第二视神经盘血管图进行二值化处理转换为第一黑白图像和第二黑白图像。
6.根据权利要求5所述的装置,其特征在于,所述转换模块还包括:
第二获取单元,用于获取所述第一眼底图像和所述第二眼底图像的绿色通道图像;
处理单元,用于对所述第一眼底图像和所述第二眼底图像的绿色通道图像进行滤波、增加对比度,得到第一处理图像和第二处理图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611158440.5A CN106846293B (zh) | 2016-12-14 | 2016-12-14 | 图像处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611158440.5A CN106846293B (zh) | 2016-12-14 | 2016-12-14 | 图像处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846293A CN106846293A (zh) | 2017-06-13 |
CN106846293B true CN106846293B (zh) | 2020-08-07 |
Family
ID=59140137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611158440.5A Active CN106846293B (zh) | 2016-12-14 | 2016-12-14 | 图像处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846293B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064504B (zh) * | 2018-08-24 | 2022-07-15 | 深圳市商汤科技有限公司 | 图像处理方法、装置和计算机存储介质 |
CN109242011A (zh) * | 2018-08-27 | 2019-01-18 | 深圳开立生物医疗科技股份有限公司 | 一种识别图像差异的方法及装置 |
CN109166117B (zh) * | 2018-08-31 | 2022-04-12 | 福州依影健康科技有限公司 | 一种眼底图像自动分析比对方法及一种存储设备 |
CN111292286B (zh) * | 2018-11-21 | 2023-07-11 | 福州依影健康科技有限公司 | 糖网眼底特征数据变化的分析方法与系统,及存储设备 |
CN109658385A (zh) * | 2018-11-23 | 2019-04-19 | 上海鹰瞳医疗科技有限公司 | 眼底图像判断方法及设备 |
CN111161332A (zh) * | 2019-12-30 | 2020-05-15 | 上海研境医疗科技有限公司 | 同源病理影像配准预处理方法、装置、设备及存储介质 |
CN114847871B (zh) * | 2022-07-06 | 2022-10-18 | 北京鹰瞳科技发展股份有限公司 | 用于分析被检者的眼底变化趋势的方法、系统和相关产品 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150558A (zh) * | 2013-02-26 | 2013-06-12 | 北京航空航天大学 | 一种基于机器视觉的显示终端操作响应匹配检测方法 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100954835B1 (ko) * | 2009-08-04 | 2010-04-30 | 주식회사 크라스아이디 | 얼굴변화 검출 시스템 및 얼굴변화 감지에 따른 지능형 시스템 |
JP5725706B2 (ja) * | 2009-12-16 | 2015-05-27 | キヤノン株式会社 | 眼科装置、画像生成方法およびプログラム。 |
CN102908120B (zh) * | 2012-10-09 | 2014-09-17 | 北京大恒图像视觉有限公司 | 眼底图像的配准方法、眼底图像中视盘神经、血管的测量方法及眼底图像的拼接方法 |
CN104881683B (zh) * | 2015-05-26 | 2018-08-28 | 清华大学 | 基于组合分类器的白内障眼底图像分类方法及分类装置 |
CN105718919B (zh) * | 2016-02-02 | 2018-05-08 | 吉林大学 | 一种眼底图像视盘定位方法及系统 |
-
2016
- 2016-12-14 CN CN201611158440.5A patent/CN106846293B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150558A (zh) * | 2013-02-26 | 2013-06-12 | 北京航空航天大学 | 一种基于机器视觉的显示终端操作响应匹配检测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN106846293A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846293B (zh) | 图像处理方法和装置 | |
Medhi et al. | An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images | |
CN104463159B (zh) | 一种定位虹膜的图像处理方法和装置 | |
Qureshi et al. | Detection of glaucoma based on cup-to-disc ratio using fundus images | |
Jaafar et al. | Automated detection of red lesions from digital colour fundus photographs | |
CN110930446B (zh) | 一种眼底图像定量分析的前置处理方法及存储设备 | |
Haloi et al. | A Gaussian scale space approach for exudates detection, classification and severity prediction | |
Odstrcilik et al. | Thickness related textural properties of retinal nerve fiber layer in color fundus images | |
Punnolil | A novel approach for diagnosis and severity grading of diabetic maculopathy | |
CN110415216B (zh) | 基于sd-oct和octa视网膜图像的cnv自动检测方法 | |
Almazroa et al. | An automatic image processing system for glaucoma screening | |
Kanimozhi et al. | RETRACTED ARTICLE: Fundus image lesion detection algorithm for diabetic retinopathy screening | |
Antal et al. | A multi-level ensemble-based system for detecting microaneurysms in fundus images | |
JP2008073280A (ja) | 眼底画像処理装置 | |
Datta et al. | A new contrast enhancement method of retinal images in diabetic screening system | |
Wisaeng et al. | Automatic detection of exudates in retinal images based on threshold moving average models | |
CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
CN112669273A (zh) | 眼底图像中玻璃膜疣自动分割方法、装置及可读存储介质 | |
CN108230306A (zh) | 眼底彩照血管及动静脉的识别方法 | |
Lazar et al. | A novel approach for the automatic detection of microaneurysms in retinal images | |
Pinão et al. | Fovea and optic disc detection in retinal images with visible lesions | |
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 | |
CN108154512A (zh) | 一种基于多重去趋势分析的视网膜图像血管分割系统 | |
Feroui et al. | New segmentation methodology for exudate detection in color fundus images | |
Zulfahmi et al. | Techniques for exudate detection for diabetic retinopathy |
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 |