CN107038705B - 视网膜图像出血区域分割方法、装置和计算设备 - Google Patents
视网膜图像出血区域分割方法、装置和计算设备 Download PDFInfo
- Publication number
- CN107038705B CN107038705B CN201710308906.3A CN201710308906A CN107038705B CN 107038705 B CN107038705 B CN 107038705B CN 201710308906 A CN201710308906 A CN 201710308906A CN 107038705 B CN107038705 B CN 107038705B
- Authority
- CN
- China
- Prior art keywords
- image
- candidate
- bleeding
- bleeding area
- 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
Links
- 230000000740 bleeding effect Effects 0.000 title claims abstract description 228
- 230000004256 retinal image Effects 0.000 title claims abstract description 146
- 230000011218 segmentation Effects 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 102
- 210000001525 retina Anatomy 0.000 claims abstract description 59
- 230000000877 morphologic effect Effects 0.000 claims abstract description 39
- 208000032843 Hemorrhage Diseases 0.000 claims description 287
- 208000009857 Microaneurysm Diseases 0.000 claims description 41
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000010339 dilation Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 208000034158 bleeding Diseases 0.000 description 172
- 238000004891 communication Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 14
- 230000009467 reduction Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 206010002329 Aneurysm Diseases 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 206010012689 Diabetic retinopathy Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000037111 Retinal Hemorrhage Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000010746 intraretinal hemorrhage Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视网膜图像出血区域分割方法，在计算设备中执行，该方法包括：载入待分割的第一视网膜图像；将第一视网膜图像转化为灰度图像并进行对比度增强，得到第二视网膜图像；对第二视网膜图像进行形态学重建，对重建后的图像进行阈值分割，得到一个或多个候选出血区域；对第一视网膜图像进行超像素分割，得到多个超像素块；对位于同一个候选出血区域内的多个超像素块进行融合；对于每一个候选出血区域，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域。此外，本发明还公开了能够实施上述方法的视网膜图像出血区域分割装置，和包括上述装置的计算设备。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种视网膜图像的出血区域分割方法、装置和计算设备。
背景技术
糖尿病视网膜病变(简称糖网)是一种广泛存在于糖尿病人中的眼科疾病，它会对患者的视力产生影响，甚至导致失明。定期筛查、尽早发现视网膜病变可以最大程度地减小患者的视力损伤。视网膜出血病变是由视网膜内的微动脉瘤破裂而导致的视网膜内出血，其是糖网早期可见的标志之一，因此，有必要通过数字图像处理技术对视网膜图像上的出血区域进行识别。
由于出血是微动脉瘤破裂的产物，且其在临床上呈现一个逐渐扩散的趋势，故从视网膜图像上看，出血区域的颜色和形态与血管相近，形状不规则，边界不清晰，与背景的融合度较高。现有的出血区域分割方法往往不能达到良好的边界分割效果，分割准确率不高，误判区域过多。
发明内容
为此，本发明提供一种视网膜图像出血区域分割方法、装置和计算设备，以解决或至少缓解上面存在的问题。
根据本发明的一个方面，提供一种视网膜图像出血区域分割方法，在计算设备中执行，该方法包括：载入待分割的第一视网膜图像；将第一视网膜图像转化为灰度图像并进行对比度增强，得到第二视网膜图像；对第二视网膜图像进行形态学重建，对重建后的图像进行阈值分割，得到一个或多个候选出血区域；对第一视网膜图像进行超像素分割，得到多个超像素块；对位于同一个候选出血区域内的多个超像素块进行融合；对于每一个候选出血区域，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域，其中，候选出血区域的灰度值为该候选出血区域所包括的所有像素的灰度值的平均值，超像素块的灰度值为该超像素块所包括的所有像素的灰度值的平均值。
可选地，在根据本发明的视网膜图像出血区域分割方法中，在载入待分割的第一视网膜图像之前，还包括：判断第一视网膜图像的尺寸是否大于等于第一阈值，若是，则将图像的尺寸进行缩小。
可选地，在根据本发明的视网膜图像出血区域分割方法中，将第一视网膜图像转化为灰度图像的步骤包括：将第一视网膜图像的R通道和G通道进行直方图匹配。
可选地，在根据本发明的视网膜图像出血区域分割方法中，在将第一图像转化为灰度图像的步骤之后，在进行对比度增强的步骤之前，还包括步骤：去除图像中的细节干扰，细节干扰包括噪声点和微动脉瘤干扰。
可选地，在根据本发明的视网膜图像出血区域分割方法中，去除图像中的细节干扰包括按照以下步骤去除图像中的噪声点：采用模板大小为5*5的中值滤波器去除图像中的噪声点。
可选地，在根据本发明的视网膜图像出血区域分割方法中，去除图像中的细节干扰包括按照以下步骤去除图像中的微动脉瘤干扰：采用间隔角度为15°的12个线性结构元素对图像进行形态学开运算，得到12个中间图像；根据以下公式确定去除微动脉瘤干扰之后的图像中的各像素的灰度值：
g(x,y)＝min{fi(x,y)}
其中，g(x,y)表示去除微动脉瘤干扰之后的图像中坐标为(x,y)的像素的灰度值，min{}表示取最小值，fi(x,y)表示第i个中间图像中坐标为(x,y)的像素的灰度值，i为正整数且1≤i≤12。
可选地，在根据本发明的视网膜图像出血区域分割方法中，进行对比度增强，得到第二视网膜图像的步骤包括：按照以下公式进行对比度增强：
其中，H为第二视网膜图像中各像素的灰度值矩阵，G为对比度增强前的图像中各像素的灰度值矩阵，s为结构元素，ο表示形态学开运算，·表示形态学闭运算。
可选地，在根据本发明的视网膜图像出血区域分割方法中，s为半径为9-15个像素的圆形结构元素。
可选地，在根据本发明的视网膜图像出血区域分割方法中，对第二视网膜图像进行形态学重建时，采用的是膨胀形态学重建的方法，其中，掩膜图像为第二视网膜图像，标记图像为将第二视网膜图像进行形态学膨胀所得到的图像，结构元素为半径为10个像素的圆形结构元素。
可选地，在根据本发明的视网膜图像出血区域分割方法中，对重建后的图像进行阈值分割的步骤采用Otsu自适应图像分割算法。
可选地，在根据本发明的视网膜图像出血区域分割方法中，对第一视网膜图像进行超像素分割的步骤采用SLIC超像素分割算法。
可选地，在根据本发明的视网膜图像出血区域分割方法中，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域的步骤包括：确定与该候选出血区域的灰度值的差值的绝对值小于等于第二阈值的超像素块的数量；若所述数量小于等于第三阈值，则将该候选出血区域判定为出血区域。
可选地，在根据本发明的视网膜图像出血区域分割方法中，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域的步骤包括：确定与该候选出血区域的灰度值的差值的绝对值大于等于第四阈值的超像素块的数量；若所述数量大于等于第五阈值，则将该候选出血区域判定为出血区域。
可选地，在根据本发明的视网膜图像出血区域分割方法中，第二阈值和第四阈值的值为10，第三阈值和第五阈值的值为2。
根据本发明的一个方面，提供一种视网膜图像出血区域分割装置，驻留于计算设备中，该装置包括：载入模块，其被配置为适于载入待分割的第一视网膜图像；预处理模块，包括：灰度转换单元，其被配置为适于将第一视网膜图像转化为灰度图像；增强单元，其被配置为适于对所述灰度图像进行对比度增强，得到第二视网膜图像；出血区域分割模块，包括：候选出血区域确定单元，其被配置为适于对第二视网膜图像进行形态学重建，对重建后的图像进行阈值分割，得到一个或多个候选出血区域；超像素分割单元，其被配置为适于对第一视网膜图像进行超像素分割，得到多个超像素块；对位于同一个候选出血区域内的多个超像素块进行融合；出血区域确定单元，其被配置为适于对每一个候选出血区域，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域，其中，候选出血区域的灰度值为该候选出血区域所包括的所有像素的灰度值的平均值，超像素块的灰度值为该超像素块所包括的所有像素的灰度值的平均值。
根据本发明的一个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，所述程序指令包括如上所述的视网膜图像出血区域分割装置；其中，处理器被配置为适于根据所述存储器中存储的视网膜图像出血区域分割装置执行如上所述的视网膜图像出血区域分割方法。
根据本发明的一个方面，提供一种存储有程序指令的计算机可读存储介质，所述程序指令包括如上所述的视网膜图像出血区域分割装置；当该计算机可读存储介质中存储的视网膜图像出血区域分割装置被计算设备读取时，所述计算设备可以执行如上所述的视网膜图像出血区域分割方法。
根据本发明的技术方案，首先，对第一视网膜图像进行对比度增强，消除第一视网膜图像存在的光照不均等问题，增强出血区域与背景之间的对比度，使后续出血区域的分割更准确。
随后，采用形态学方法确定候选出血区域，对第一视网膜图像进行超像素分割，并对位于同一个候选出血区域内的多个超像素块进行融合，使得候选出血区域的边界更加清晰，从而保证了出血区域的分割精度。此外，通过超像素分割，用少量的超像素代替大量的像素来表达图像特征，很大程度上降低了后期图像处理的复杂度，加快了计算速度。
最后，采用一种灰度值投票算法来确定最终的出血区域，即根据候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域，该方法可以过滤掉位于血管处的伪出血区域，使得出血区域的分割更加准确，避免出血区域的误判。
此外，本发明的技术方案在载入第一视网膜图像之前先判断其尺寸大小大小，若其尺寸大于等于第一阈值则先将该图像的尺寸进行缩小再载入，从而提高了后续各图像处理步骤的计算速度。
此外，本发明的技术方案在将第一视网膜图像转为灰度图像之后，还对图像进行了降噪处理，去除了图像在成像、传输过程中因通道传输误差和外部环境干扰而产生的噪声点，和图像中存在的微动脉瘤干扰，从而使得出血区域的分割更加准确。
此外，本发明采用SLIC超像素分割算法来对第一视网膜图像进行超像素分割，用CIELab色彩空间和像素在图像中的XY位置坐标构成五维特征向量，对图像中的像素进行局部聚类。该算法能够生成紧凑、保持原轮廓的超像素，且计算速度较快，能够保证出血分割的准确性和计算效率。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1A示出了根据本发明一个实施例的出血区域分割系统100a的示意图；
图1B示出了根据本发明一个实施例的出血区域分割系统100b的示意图；
图2示出了根据本发明一个实施例的计算设备200的结构图；
图3示出了根据本发明一个实施例的视网膜图像出血区域分割装置300的结构图；
图4示出了根据本发明另一个实施例的视网膜图像出血区域分割装置300的结构图；
图5示出了根据本发明一个实施例的视网膜图像出血区域分割方法500的流程图；
图6A～图6I示出了根据本发明的一个视网膜图像出血区域分割的实施例的效果图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1A示出了根据本发明一个实施例的出血区域分割系统100a的示意图。图1A所示的系统100a包括视网膜图像采集设备110和计算设备200。应当指出，图1A中的系统100a仅是示例性的，在具体的实践情况中，系统100a中可以包括任意数量的视网膜图像采集设备110和计算设备200，本发明对系统100a中所包括的视网膜图像采集设备110和计算设备200的数目不做限制。
视网膜图像采集设备110例如可以是任意型号的眼底照相机，其适于采集视网膜图像；计算设备200可以是诸如PC、笔记本电脑、手机、平板电脑等设备，其适于执行图像处理任务。在系统100a中，视网膜图像采集设备110与计算设备200在空间上的距离比较近，二者可以以有线或无线的方式完成近距离通信，例如，视网膜图像采集设备110可以通过USB接口、RJ-45接口、BNC接口等与计算设备200建立有线连接，或通过蓝牙、WiFi、ZigBee、IEEE802.11x等协议与计算设备200建立无线连接，本发明对视网膜图像采集设备110与计算设备200之间的连接方式不做限制。计算设备200中驻留有视网膜图像出血区域分割装置300，装置300可以作为一个独立的软件安装于计算设备200中，或者作为一个网页应用驻留于计算设备200的浏览器中，或者仅仅是位于计算设备200的存储器中的一段代码，本发明对装置300在计算设备200中的存在形式不做限制。当视网膜图像采集设备110采集到视网膜图像后，将视网膜图像发送至计算设备200。计算设备200接收该视网膜图像，并由装置300对接收到的视网膜图像进行处理，分割出视网膜图像中的出血区域。
图1B示出了根据本发明一个实施例的出血区域分割系统100b的示意图。图1B所示的系统100b包括视网膜图像采集设备110、本地客户端120和计算设备200。应当指出，图1B中的系统100b仅是示例性的，在具体的实践情况中，系统100b中可以包括任意数量的视网膜图像采集设备110、本地客户端120和计算设备200，本发明对系统100b中所包括的视网膜图像采集设备110、本地客户端120和计算设备200的数目不做限制。
视网膜图像采集设备110例如可以是任意型号的眼底照相机，其适于采集视网膜图像；本地客户端120可以是诸如PC、笔记本电脑、手机、平板电脑等设备，其适于接收视网膜图像采集设备110所采集到的视网膜图像，并经由互联网将其发送至计算设备200；计算设备200可以实现为服务器，例如可以是WEB服务器、应用程序服务器等，其适于提供视网膜图像出血区域分割服务。在系统100b中，视网膜图像采集设备110与本地客户端120在空间上的距离比较近，二者可以以有线或无线的方式完成近距离通信；本地客户端120与计算设备200的距离比较远，二者可以以有线或无线的方式经由互联网完成远距离通信。当视网膜图像采集设备110采集到视网膜图像后，将视网膜图像发送至本地客户端120。随后，本地客户端120将接收到的视网膜图像发送至计算设备200，计算设备200接收该视网膜图像，并由装置300对接收到的视网膜图像进行处理，分割出视网膜图像中的出血区域，并将分割结果返回至本地客户端120。应当指出，虽然系统100b中将视网膜图像采集设备110和本地客户端120作为两个设备分别示出，但是，本领域技术人员可以意识到，在其他的实施例中，视网膜图像采集设备110和本地客户端120可以集成为一个设备，其同时具备以上所描述的设备110和本地客户端120所具备的所有功能。
图2示出了根据本发明一个实施例的计算设备200的结构图。在基本配置202中，计算设备200典型地包括系统存储器206和一个或者多个中央处理器204。存储器总线208可以用于在中央处理器204和系统存储器206之间的通信。中央处理器204是计算设备200的运算核心和控制核心，其主要功能是解释计算机指令以及处理各种软件中的数据。
取决于期望的配置，中央处理器204可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。中央处理器204可以包括诸如一级高速缓存210和二级高速缓存212之类的一个或者多个级别的高速缓存、处理器核心214和寄存器216。示例的处理器核心214可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器218可以与中央处理器204一起使用，或者在一些实现中，存储器控制器218可以是中央处理器204的一个内部部分。
取决于期望的配置，系统存储器206可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器206可以包括操作系统220、一个或者多个应用222以及程序数据224。在一些实施方式中，应用222可以布置为在操作系统上利用程序数据224进行操作。应用222在系统存储器中体现为多段程序指令，例如，应用222可以是可执行程序(.exe文件)或网页中的一段JS代码。中央处理器204可以执行这些程序指令从而实现应用222所指示的功能。在本发明中，应用222中包括视网膜图像出血区域分割装置300。视网膜图像出血区域分割装置300是一个由多行代码组成的指令集合，其能够指示中央处理器204执行图像处理的相关操作，从而实现视网膜图像的出血区域分割。
计算设备200还可以包括有助于从各种接口设备(例如，输出设备242、外设接口244和通信设备246)到基本配置102经由总线/接口控制器230的通信的接口总线240。示例的输出设备242包括图形处理单元248和音频处理单元250。它们可以被配置为有助于经由一个或者多个A/V端口252与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口244可以包括串行接口控制器254和并行接口控制器256，它们可以被配置为有助于经由一个或者多个I/O端口258和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备246可以包括网络控制器260，其可以被布置为便于经由一个或者多个通信端口264与一个或者多个其他计算设备262通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读存储介质可以包括存储介质和通信介质二者。根据一种实施例，计算机可读存储介质中存储有程序指令，程序指令中包括视网膜图像出血区域分割装置300。当计算机可读存储介质中存储的装置300被计算设备200读取时，计算设备200的中央处理器204可以执行相应的视网膜图像出血区域分割方法，以实现视网膜图像中出血区域的分割。
图3示出了根据本发明一个实施例的视网膜图像出血区域分割装置300的结构图。图3是对装置300的功能模块的划分。如图3所示，装置300包括载入模块310、预处理模块320和出血区域分割模块330，其中，预处理模块320进一步包括灰度转换单元322和增强单元324，出血区域分割模块330进一步包括候选出血区域确定单元332、超像素分割单元334和出血区域确定单元336。
载入模块310被配置为适于载入待分割的第一视网膜图像。第一视网膜图像即视网膜图像采集设备110所采集到的原始视网膜图像。一般来说，第一视网膜图像的尺寸多为1500*1500像素。根据一种实施例，载入模块310在载入第一视网膜图像之前，首先判断第一视网膜图像的尺寸是否大于等于第一阈值，若是，则将图像的尺寸进行缩小。这样虽然会损失少量的图像精度，但是能够大大提高后续各图像处理步骤的计算速度。根据一种实施例，第一阈值为1000*1000。
载入模块310载入第一视网膜图像之后，由预处理模块310对第一视网膜图像进行预处理，例如灰度转换、对比度增强等。
一般来说，第一视网膜图像为彩色图像。为了方便进行后续的处理，在载入模块310载入第一视网膜图像之后，由灰度转换单元322将第一视网膜图像转化为灰度图像。考虑到视网膜图像的颜色特性，根据一种优选的实施例，灰度转换单元322采用将第一视网膜图像的R通道和G通道进行直方图匹配的方式，将第一视网膜图像转化为灰度图。当然，该方法仅是示例性的，本领域技术人员可以意识到将彩色图像转化为灰度图像有多种方法，本发明对灰度转换单元322所采用的灰度图像转化方法不做限制。
根据一种实施例，如图4所示，预处理模块320中还包括降噪单元326(图3与图4的区别仅在于降噪单元326，其他编号相同的模块、单元的功能和处理逻辑均相同)。降噪单元326被配置为，在灰度转换单元322将第一视网膜图像转化为灰度图像之后，去除所得的灰度图像中的细节干扰，其中，细节干扰包括噪声点和微动脉瘤干扰。
噪声点是图像在数字化和传输过程中受到成像设备与外部环境干扰而产生的随机、离散、孤立的像素点。其在第一视网膜图像所对应的灰度图像上表现为灰度值过高或过低的像素点。根据一种实施例，降噪单元326采用模板大小为5*5的中值滤波器来去除图像中的噪声点。当然，该方法仅是示例性的，本领域技术人员可以意识到噪声点的去除有多种方法，本发明对降噪单元326所采用的去除噪声点的方法不做限制。
微动脉瘤常出现在糖尿病视网膜病变的早期，其在视网膜图像上呈现为红色或暗红色的圆点(对应于灰度图像，则呈现为暗色的圆点)，是出血的前期表现。微动脉瘤颜色与出血相近，面积比出血区域小，微动脉瘤会对出血区域的分割造成一定的干扰。因此，降噪单元326需要去除灰度图像中的微动脉瘤干扰。根据一种实施例，降噪单元326被配置为按照以下步骤去除图像中的微动脉瘤干扰：采用间隔角度为15°的12个线性结构元素对图像进行形态学开运算，得到12个中间图像；随后，根据以下公式确定去除微动脉瘤干扰之后的图像中的各像素的灰度值：
g(x,y)＝min{fi(x,y)} (1)
其中，g(x,y)表示去除微动脉瘤干扰之后的图像中坐标为(x,y)的像素的灰度值，min{}表示取最小值，fi(x,y)表示第i个中间图像中坐标为(x,y)的像素的灰度值，i为正整数且1≤i≤12。实际上，该方法不仅可以去除微动脉瘤干扰，还可以去除图像中存在的一些其他的细小的暗色干扰。
在上述方法中，之所以选择线性结构元素，是因为线性结构元素与出血区域的形状特征较为匹配。理论上来说，选用的线性结构元素的数量越多，线性结构元素之间的间隔角度越小，去除微动脉瘤干扰的效果越好，但是相应地其计算效率也会降低。此处选用间隔角度为15°的12个线性结构元素是降噪效果与计算性能的一个折中。另外，为了保证能够微动脉瘤干扰的去除效果，此处选用的线性结构元素的长度应当大于图像中最大的微动脉瘤的截面长度(对于微动脉瘤来说，截面长度类似于直径)。实际上，除了能够去除微动脉瘤干扰之外，上述方法还可以断开图像中的狭窄连接并消除细小毛刺，从而使出血区域的轮廓更加圆润、光滑，方便后续对出血区域进行分割。
当然，本领域技术人员可以意识到，除了间隔角度为15°的12个线性结构元素之外，也可以选用其他间隔角度、其他数目、其他长度的线性结构元素。当然，除了线性结构元素之外，也可以选用其他形状的结构元素，本发明对形态学开运算中所采用的结构元素不做限制。另外，上述去除微动脉瘤干扰的方法也仅是示例性的，本领域技术人员也可以采用其他的方法来去除微动脉瘤干扰，本发明对降噪单元326所采用的去除微动脉瘤干扰的方法不做限制。
在降噪单元326去除灰度图像中的细节干扰(即噪声点和微动脉瘤干扰)后，增强单元324对已去除细节干扰的灰度图像进行对比度增强，得到第二视网膜图像。根据一种实施例，增强单元324被配置为采用以下公式进行对比度增强，得到第二视网膜图像：
其中，H为第二视网膜图像中各像素的灰度值矩阵，G为对比度增强前的图像中各像素的灰度值矩阵，s为结构元素，ο表示形态学开运算，·表示形态学闭运算。根据一种实施例，s为半径为9-15个像素的圆形结构元素。
实际上，上述公式(2)是形态学中高帽变换和低帽变换操作的结合。首先，对降噪所得的灰度图像进行高帽变换，即
随后，将高帽变换的结果与原灰度图像进行叠加，即
得到将背景均匀化后的图；随后，对原灰度图像进行低帽变换，即(G·s)-G，并将背景均匀化后的图与低帽变换结果相减，即
从而得出式(2)，得到第二视网膜图像。通过式(2)，可以很好地解决原图中存在的非均匀光照问题，并增强出血区域与背景之间的对比度。
预处理模块320(包括灰度转换单元322、降噪单元326、增强单元324)完成对第一视网膜图像的预处理后，得到第二视网膜图像。随后，由出血区域分割模块330来实现出血区域的分割。
首先，候选出血区域确定单元332被配置为对第二视网膜图像进行形态学重建，并对重建后的图像进行阈值分割，得到一个或多个候选出血区域。根据一种实施例，在候选出血区域确定单元332对第二视网膜图像进行形态学重建时，采用的是膨胀形态学重建的方法，其中，掩膜图像(Mask)为第二视网膜图像，标记图像(Marker)为将第二视网膜图像进行形态学膨胀所得到的图像，结构元素为半径为10个像素的圆形结构元素。当然，此处的结构元素仅是示例性的，本领域技术人员也可以选用其他形状、大小的结构元素，本发明对膨胀形态学重建所采用的结构元素不做限制。
根据一种实施例，在候选出血区域确定单元332对第二视网膜图像完成膨胀形态学重建后，采用Otsu自适应图像分割算法对重建后的图像进行阈值分割。阈值分割的结果是分割出候选出血区域，候选出血区域在阈值分割后的图像上呈现为亮区域。
超像素分割单元334被配置为适于对第一视网膜图像进行超像素分割，得到多个超像素块，并对位于同一个候选出血区域内的多个超像素块进行融合。通过超像素分割，可以将第一视网膜图像中的像素划分为多个超像素块，用少量的超像素代替大量的像素来表达图像特征，很大程度上降低了后期图像处理的复杂度，加快了计算速度。此外，超像素分割和多像素块的融合使得候选出血区域的边界更加清晰，从而保证了出血区域的分割精度。
根据一种实施例，超像素分割单元334采用SLIC超像素分割算法对第一视网膜图像进行超像素分割。SLIC超像素分割算法将CIELab色彩空间的三个通道值和像素在图像中的XY位置坐标构成五维特征向量，通过计算各像素的特征向量之间的距离来对图像中的像素进行局部聚类。该算法能够生成紧凑、保持原轮廓的超像素，且计算速度较快，能够保证出血分割的准确性和计算效率。
在候选出血区域确定单元332得到候选出血区域，超像素分割单元334完成超像素的分割和融合后，由出血区域确定单元336来最终判定每一个候选出血区域是否为出血区域。出血区域确定单元336被配置为适于对每一个候选出血区域，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域，其中，候选出血区域的灰度值为该候选出血区域所包括的所有像素的灰度值的平均值，超像素块的灰度值为该超像素块所包括的所有像素的灰度值的平均值。
根据一种实施例，候选出血区域确定单元332采用以下灰度值投票算法来确定最终的出血区域：对于某一个候选出血区域，确定与该候选出血区域的灰度值的差值的绝对值小于等于第二阈值的超像素块的数量；若该数量小于等于第三阈值，则将该候选出血区域判定为出血区域。根据一种实施例，第二阈值为10，第三阈值为2。当然，上述第二阈值、第三阈值的值仅是示例性的，本领域技术人员可以根据需要将第二阈值和第三阈值设为任意合适的数值。
上述灰度值投票算法相当于判断候选出血区域与周围超像素块的灰度值是否近似，若二者的灰度值差值的绝对值小于等于10则表明灰度值近似，记一票。若某个候选出血区域的票数值小于等于2，则表明该候选出血区域的灰度值与周围的超像素块有明显区别，该候选出血区域更可能是真正的出血区域；若某个候选出血区域的票数值大于2，则表明该候选出血区域的灰度值与周围的超像素块的灰度值相差不大，该候选出血区域很可能是一个误判。
根据另一种实施例，候选出血区域确定单元332还可以采用以下灰度值投票算法来确定最终的出血区域：对于某一个候选出血区域，确定与该候选出血区域的灰度值的差值的绝对值大于等于第四阈值的超像素块的数量；若该数量大于等于第五阈值，则将该候选出血区域判定为出血区域。根据一种实施例，第四阈值为10，第五阈值为2。当然，上述第四阈值、第五阈值的值仅是示例性的，本领域技术人员可以根据需要将第四阈值和第五阈值设为任意合适的数值。
上述灰度值投票算法相当于判断候选出血区域与周围超像素块的灰度值是否有明显区别，若二者的灰度值差值的绝对值大于等于10则表明灰度值有明显区别，记一票。若某个候选出血区域的票数值大于等于2，则表明该候选出血区域的灰度值与周围的超像素块的灰度值有明显区别，该候选出血区域更可能是真正的出血区域；很可能是一个误判；若某个候选出血区域的票数值小于2，则表明该候选出血区域的灰度值与周围的超像素块灰度值相差不大，该候选出血区域很可能是一个误判。
以上列出了灰度值投票算法的两种实现方式，这两种方式虽然略有不同，但其基本思想是一致的，即通过候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值之差来判断候选出血区域与相邻的超像素块的相似性，从而确定该候选出血区域是否为真正的出血区域。
图5示出了根据本发明一个实施例的视网膜图像出血区域分割方法500的流程图。方法500适于在前述图3和图4所示的视网膜图像出血区域分割装置300中执行。如图5所示，方法500始于步骤S510。
在步骤S510中，载入待分割的第一视网膜图像。该步骤的具体过程可以参考前述对载入模块310的描述，此处不再赘述。
随后，在步骤S520中，将第一视网膜图像转化为灰度图像并进行对比度增强，得到第二视网膜图像。该步骤的具体过程可以参考前述对预处理模块320(灰度转换单元322、降噪单元326、增强单元324)的描述，此处不再赘述。
随后，在步骤S530中，对第二视网膜图像进行膨胀形态学重建，对重建后的图像进行阈值分割，得到一个或多个候选出血区域。该步骤的具体过程可以参考前述对候选出血区域确定单元332的描述，此处不再赘述。
在步骤S540中，对第一视网膜图像进行超像素分割，得到多个超像素块。该步骤的具体过程可以参考前述对超像素分割单元334的描述，此处不再赘述。应当指出，步骤S540可以和步骤S520～S530并行执行，以提高计算效率。
随后，在步骤S550中，对位于同一个候选出血区域内的多个超像素块进行融合。该步骤的具体过程可以参考前述对超像素分割单元334的描述，此处不再赘述。
随后，在步骤S560中，对于每一个候选出血区域，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域。其中，所述候选出血区域的灰度值为该候选出血区域所包括的所有像素的灰度值的平均值，所述超像素块的灰度值为该超像素块所包括的所有像素的灰度值的平均值。该步骤的具体过程可以参考前述对出血区域确定单元336的描述，此处不再赘述。
以下是本发明的一个视网膜图像出血区域分割的实施例：
1)获取第一视网膜图像，其为彩色图。
2)将该彩色图转化为灰度图像，转化后的结果如图6A所示。
3)去除图6A中的噪声点和微动脉瘤干扰，去除后的结果如图6B所示。
4)对图6B进行对比度增强，得到第二视网膜图像图6C。
5)对图6C所示的第二视网膜图像进行膨胀形态学重建，重建后的结果如图6D所示。
6)对图6D进行阈值分割以得到候选出血区域，分割后的结果如图6E所示。图6E中的亮区域即为候选出血区域。
7)对第一视网膜图像进行超像素分割，得到多个超像素块，如图6F所示。
8)对位于同一个候选出血区域中的超像素块进行融合，如图6G、图6I所示。图6G中，白色线条所围绕的区域为候选出血区域，其中包括三个超像素块，即超像素块1～3，需要将这三个超像素块进行融合。图6H中央的白色线条所围绕的区域为候选出血区域，其包括6个超像素块，即超像素块1～6，需要将这6个超像素块进行融合。实际上，图6G所示的候选出血区域的位置与血管(血管为从图6G左下方延伸到右上方的暗色条形区域)重合，为伪出血区域；图6H所示的候选出血区域为真正的出血区域。
9)采用灰度值投票算法(具体采用的是前述两种灰度值投票算法实现方式中的第一种)确定出血区域，票数值小于等于2的候选出血区域为真正的出血区域，票数值大于2的候选出血区域为伪出血区域，出血区域分割结果如图6I所示。图6I中的数字代表候选出血区域的编号。经过灰度值投票算法，可以找出位于血管上的伪出血区域(例如图6I中所示的候选出血区域1、2、13等)，并确定真正的出血区域(例如图6I中所示的候选出血区域14、27等)。
A5:A4所述的方法，其中，去除图像中的细节干扰包括按照以下步骤去除图像中的噪声点：采用模板大小为5*5的中值滤波器去除图像中的噪声点。
A6:A4或5所述的方法，其中，去除图像中的细节干扰包括按照以下步骤去除图像中的微动脉瘤干扰：采用间隔角度为15°的12个线性结构元素对图像进行形态学开运算，得到12个中间图像；根据以下公式确定去除微动脉瘤干扰之后的图像中的各像素的灰度值：
g(x,y)＝min{fi(x,y)}
其中，g(x,y)表示去除微动脉瘤干扰之后的图像中坐标为(x,y)的像素的灰度值，min{}表示取最小值，fi(x,y)表示第i个中间图像中坐标为(x,y)的像素的灰度值，i为正整数且1≤i≤12。
A7:A1-6中任一项所述的方法，其中，所述进行对比度增强，得到第二视网膜图像的步骤包括：按照以下公式进行对比度增强：
其中，H为第二视网膜图像中各像素的灰度值矩阵，G为对比度增强前的图像中各像素的灰度值矩阵，s为结构元素，ο表示形态学开运算，·表示形态学闭运算。
A8:A7所述的方法，其中，s为半径为9-15个像素的圆形结构元素。
A9:A1所述的方法，其中，对所述第二视网膜图像进行形态学重建时，采用的是膨胀形态学重建的方法，其中，掩膜图像为第二视网膜图像，标记图像为将第二视网膜图像进行形态学膨胀所得到的图像，结构元素为半径为10个像素的圆形结构元素。
A10:A1或9所述的方法，其中，所述对重建后的图像进行阈值分割的步骤采用Otsu自适应图像分割算法。
A11:A1所述的方法，其中，对所述第一视网膜图像进行超像素分割的步骤采用SLIC超像素分割算法。
A12:A1所述的方法，其中，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域的步骤包括：确定与该候选出血区域的灰度值的差值的绝对值小于等于第二阈值的超像素块的数量；若所述数量小于等于第三阈值，则将该候选出血区域判定为出血区域。
A13:A1所述的方法，其中，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域的步骤包括：确定与该候选出血区域的灰度值的差值的绝对值大于等于第四阈值的超像素块的数量；若所述数量大于等于第五阈值，则将该候选出血区域判定为出血区域。
A14:A12或13所述的方法，其中，所述第二阈值和第四阈值的值为10，第三阈值和第五阈值的值为2。
B19:B18所述的装置，其中，所述降噪单元被配置适于为按照以下步骤去除图像中的噪声点：采用模板大小为5*5的中值滤波器去除图像中的噪声点。
B20:B18或19所述的装置，其中，所述降噪单元被配置为适于按照以下步骤去除图像中的微动脉瘤干扰：采用间隔角度为15°的12个线性结构元素对图像进行形态学开运算，得到12个中间图像；根据以下公式确定去除微动脉瘤干扰之后的图像中的各像素的灰度值：
g(x,y)＝min{fi(x,y)}
其中，g(x,y)表示去除微动脉瘤干扰之后的图像中坐标为(x,y)的像素的灰度值，min{}表示取最小值，fi(x,y)表示第i个中间图像中坐标为(x,y)的像素的灰度值，i为正整数且1≤i≤12。
B21:B15-20中任一项所述的装置，其中，所述增强单元被配置为适于按照以下公式进行对比度增强，得到第二视网膜图像：
其中，H为第二视网膜图像中各像素的灰度值矩阵，G为对比度增强前的图像中各像素的灰度值矩阵，s为结构元素，о表示形态学开运算，·表示形态学闭运算。
B22:B21所述的装置，其中，s为半径为9-15个像素的圆形结构元素。
B23:B15所述的装置，其中，所述候选出血区域确定单元在对第二视网膜图像进行形态学重建时，采用的是膨胀形态学重建的方法，其中，掩膜图像为第二视网膜图像，标记图像为将第二视网膜图像进行形态学膨胀所得到的图像，结构元素为半径为10个像素的圆形结构元素。
B24:B15或23所述的装置，其中，所述候选出血区域确定单元被配置为适于采用Otsu自适应图像分割算法对重建后的图像进行阈值分割。
B25:B15所述的装置，其中，所述超像素分割单元被配置为适于采用SLIC超像素分割算法对第一视网膜图像进行超像素分割。
B26:B15所述的装置，其中，所述出血区域确定单元进一步被配置为按照以下步骤确定候选出血区域是否为出血区域：确定与该候选出血区域的灰度值的差值的绝对值小于等于第二阈值的超像素块的数量；若所述数量小于等于第三阈值，则将该候选出血区域判定为出血区域。
B27:B15所述的装置，其中，所述出血区域确定单元进一步被配置为按照以下步骤确定候选出血区域是否为出血区域：确定与该候选出血区域的灰度值的差值的绝对值大于等于第四阈值的超像素块的数量；若所述数量大于等于第五阈值，则将该候选出血区域判定为出血区域。
B28:B26或27所述的装置，其中，所述第二阈值和第四阈值的值为10，第三阈值和第五阈值的值为2。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的视网膜图像出血区域分割方法。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。
Claims (28)
1.一种视网膜图像出血区域分割方法，在计算设备中执行，该方法包括：
载入待分割的第一视网膜图像；
将所述第一视网膜图像转化为灰度图像，去除灰度图像中的细节干扰，所述细节干扰包括噪声点和微动脉瘤干扰，并进行对比度增强，得到第二视网膜图像，其中，按照以下步骤去除图像中的微动脉瘤干扰：
采用预定间隔角度的预定数量个线性结构元素对图像进行形态学开运算，得到预定数量个中间图像；
根据以下公式确定去除微动脉瘤干扰之后的图像中的各像素的灰度值：
g(x,y)＝min{fi(x,y)}
其中，g(x,y)表示去除微动脉瘤干扰之后的图像中坐标为(x,y)的像素的灰度值，min{}表示取最小值，fi(x,y)表示第i个中间图像中坐标为(x,y)的像素的灰度值，i为正整数且1≤i≤预定数量；
对所述第二视网膜图像进行形态学重建，对重建后的图像进行阈值分割，得到一个或多个候选出血区域；
对所述第一视网膜图像进行超像素分割，得到多个超像素块；
对位于同一个候选出血区域内的多个超像素块进行融合；
对于每一个候选出血区域，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域，其中，所述候选出血区域的灰度值为该候选出血区域所包括的所有像素的灰度值的平均值，所述超像素块的灰度值为该超像素块所包括的所有像素的灰度值的平均值。
2.如权利要求1所述的方法，其中，在载入待分割的第一视网膜图像之前，还包括：判断所述第一视网膜图像的尺寸是否大于等于第一阈值，若是，则将图像的尺寸进行缩小。
3.如权利要求1所述的方法，其中，将所述第一视网膜图像转化为灰度图像的步骤包括：
将所述第一视网膜图像的R通道和G通道进行直方图匹配。
4.如权利要求1所述的方法，其中，去除图像中的细节干扰包括按照以下步骤去除图像中的噪声点：
采用模板大小为5*5的中值滤波器去除图像中的噪声点。
5.如权利要求1所述的方法，其中，所述预定间隔角度为15°，所述预定数量为12。
6.如权利要求1所述的方法，其中，所述进行对比度增强，得到第二视网膜图像的步骤包括：
按照以下公式进行对比度增强：
其中，H为第二视网膜图像中各像素的灰度值矩阵，G为对比度增强前的图像中各像素的灰度值矩阵，s为结构元素，о表示形态学开运算，·表示形态学闭运算。
7.如权利要求6所述的方法，其中，s为半径为9-15个像素的圆形结构元素。
8.如权利要求1所述的方法，其中，对所述第二视网膜图像进行形态学重建时，采用的是膨胀形态学重建的方法，其中，掩膜图像为第二视网膜图像，标记图像为将第二视网膜图像进行形态学膨胀所得到的图像，结构元素为半径为10个像素的圆形结构元素。
9.如权利要求8所述的方法，其中，所述对重建后的图像进行阈值分割的步骤采用Otsu自适应图像分割算法。
10.如权利要求1所述的方法，其中，对所述第一视网膜图像进行超像素分割的步骤采用SLIC超像素分割算法。
11.如权利要求1所述的方法，其中，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域的步骤包括：
确定与该候选出血区域的灰度值的差值的绝对值小于等于第二阈值的超像素块的数量；
若所述数量小于等于第三阈值，则将该候选出血区域判定为出血区域。
12.如权利要求11所述的方法，其中，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域的步骤包括：
确定与该候选出血区域的灰度值的差值的绝对值大于等于第四阈值的超像素块的数量；
若所述数量大于等于第五阈值，则将该候选出血区域判定为出血区域。
13.如权利要求12所述的方法，其中，所述第二阈值和第四阈值的值为10，第三阈值和第五阈值的值为2。
14.一种视网膜图像出血区域分割装置，驻留于计算设备中，该装置包括：
载入模块，其被配置为适于载入待分割的第一视网膜图像；
预处理模块，包括：
灰度转换单元，其被配置为适于将所述第一视网膜图像转化为灰度图像；
降噪单元，其被配置为适于去除灰度图像中的细节干扰，其中，所述细节干扰包括噪声点和微动脉瘤干扰，其中，所述降噪单元被配置为适于按照以下步骤去除图像中的微动脉瘤干扰：
采用预定间隔角度的预定数量个线性结构元素对图像进行形态学开运算，得到预定数量个中间图像；
根据以下公式确定去除微动脉瘤干扰之后的图像中的各像素的灰度值：
g(x,y)＝min{fi(x,y)}
其中，g(x,y)表示去除微动脉瘤干扰之后的图像中坐标为(x,y)的像素的灰度值，min{}表示取最小值，fi(x,y)表示第i个中间图像中坐标为(x,y)的像素的灰度值，i为正整数且1≤i≤预定数量；
增强单元，其被配置为适于对所述灰度图像进行对比度增强，得到第二视网膜图像；
出血区域分割模块，包括：
候选出血区域确定单元，其被配置为适于对所述第二视网膜图像进行形态学重建，对重建后的图像进行阈值分割，得到一个或多个候选出血区域；
超像素分割单元，其被配置为适于对所述第一视网膜图像进行超像素分割，得到多个超像素块；对位于同一个候选出血区域内的多个超像素块进行融合；
出血区域确定单元，其被配置为适于对每一个候选出血区域，根据该候选出血区域的灰度值和每一个与该候选出血区域相邻的超像素块的灰度值来确定该候选出血区域是否为出血区域，其中，所述候选出血区域的灰度值为该候选出血区域所包括的所有像素的灰度值的平均值，所述超像素块的灰度值为该超像素块所包括的所有像素的灰度值的平均值。
15.如权利要求14所述的装置，其中，所述载入模块还被配置为适于在载入待分割的第一视网膜图像之前，判断所述第一视网膜图像的尺寸是否大于等于第一阈值，若是，则将图像的尺寸进行缩小。
16.如权利要求14所述的装置，其中，所述灰度转换单元进一步被配置为适于按照以下步骤将第一视网膜图像转化为灰度图像：
将所述第一视网膜图像的R通道和G通道进行直方图匹配。
17.如权利要求14所述的装置，其中，所述降噪单元被配置适于为按照以下步骤去除图像中的噪声点：
采用模板大小为5*5的中值滤波器去除图像中的噪声点。
18.如权利要求14所述的装置，其中，所述预定间隔角度为15°，所述预定数量为12。
19.如权利要求14所述的装置，其中，所述增强单元被配置为适于按照以下公式进行对比度增强，得到第二视网膜图像：
其中，H为第二视网膜图像中各像素的灰度值矩阵，G为对比度增强前的图像中各像素的灰度值矩阵，s为结构元素，о表示形态学开运算，·表示形态学闭运算。
20.如权利要求19所述的装置，其中，s为半径为9-15个像素的圆形结构元素。
21.如权利要求14所述的装置，其中，所述候选出血区域确定单元在对第二视网膜图像进行形态学重建时，采用的是膨胀形态学重建的方法，其中，掩膜图像为第二视网膜图像，标记图像为将第二视网膜图像进行形态学膨胀所得到的图像，结构元素为半径为10个像素的圆形结构元素。
22.如权利要求14所述的装置，其中，所述候选出血区域确定单元被配置为适于采用Otsu自适应图像分割算法对重建后的图像进行阈值分割。
23.如权利要求14所述的装置，其中，所述超像素分割单元被配置为适于采用SLIC超像素分割算法对第一视网膜图像进行超像素分割。
24.如权利要求14所述的装置，其中，所述出血区域确定单元进一步被配置为按照以下步骤确定候选出血区域是否为出血区域：
确定与该候选出血区域的灰度值的差值的绝对值小于等于第二阈值的超像素块的数量；
若所述数量小于等于第三阈值，则将该候选出血区域判定为出血区域。
25.如权利要求24所述的装置，其中，所述出血区域确定单元进一步被配置为按照以下步骤确定候选出血区域是否为出血区域：
确定与该候选出血区域的灰度值的差值的绝对值大于等于第四阈值的超像素块的数量；
若所述数量大于等于第五阈值，则将该候选出血区域判定为出血区域。
26.如权利要求25所述的装置，其中，所述第二阈值和第四阈值的值为10，第三阈值和第五阈值的值为2。
27.一种计算设备，包括：
至少一个处理器；和
存储有程序指令的存储器，所述程序指令包括如权利要求14-26中任一项所述的视网膜图像出血区域分割装置；
其中，所述处理器被配置为适于根据所述存储器中存储的视网膜图像出血区域分割装置执行如权利要求1-13中任一项所述的视网膜图像出血区域分割方法。
28.一种存储有程序指令的计算机可读存储介质，所述程序指令包括如权利要求14-26中任一项所述的视网膜图像出血区域分割装置；
当所述计算机可读存储介质中存储的视网膜图像出血区域分割装置被计算设备读取时，所述计算设备可以执行如权利要求1-13中任一项所述的视网膜图像出血区域分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710308906.3A CN107038705B (zh) | 2017-05-04 | 2017-05-04 | 视网膜图像出血区域分割方法、装置和计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710308906.3A CN107038705B (zh) | 2017-05-04 | 2017-05-04 | 视网膜图像出血区域分割方法、装置和计算设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107038705A CN107038705A (zh) | 2017-08-11 |
| CN107038705B true CN107038705B (zh) | 2020-02-14 |
Family
ID=59538204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710308906.3A Active CN107038705B (zh) | 2017-05-04 | 2017-05-04 | 视网膜图像出血区域分割方法、装置和计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107038705B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665454A (zh) * | 2018-05-11 | 2018-10-16 | 复旦大学 | 一种内镜图像智能分类及不规则病变区域检测方法 |
| CN108648193B (zh) * | 2018-06-06 | 2023-10-31 | 南方医科大学 | 生物组织影像识别的方法及其系统、计算机储存介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809723A (zh) * | 2015-04-13 | 2015-07-29 | 北京工业大学 | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 |
| 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 |
| CN105787927A (zh) * | 2016-02-06 | 2016-07-20 | 上海市第人民医院 | 视网膜眼底图像的渗出液检测方法 |
| CN106355599A (zh) * | 2016-08-30 | 2017-01-25 | 上海交通大学 | 基于非荧光眼底图像的视网膜血管自动分割方法 |
-
2017
- 2017-05-04 CN CN201710308906.3A patent/CN107038705B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809723A (zh) * | 2015-04-13 | 2015-07-29 | 北京工业大学 | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 |
| 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 |
| CN105787927A (zh) * | 2016-02-06 | 2016-07-20 | 上海市第人民医院 | 视网膜眼底图像的渗出液检测方法 |
| CN106355599A (zh) * | 2016-08-30 | 2017-01-25 | 上海交通大学 | 基于非荧光眼底图像的视网膜血管自动分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| "A Novel SAR Change Detection Based on Radon Transform and Super-pixel Segmentation";Mingzhe Zhang etc.;《2015 IEEE 5th Asia-Pacific Conference on Synthetic Aperture Radar (APSAR)》;20151029;Pages 329-333 * |
| "彩色眼底图像糖网渗出物的自动检测";吕卫等;《光电工程》;20161215;第183-192页 * |
| "结合SLIC超像素和DBSCAN聚类的眼底图像硬性渗出检测方法";凌朝东等;《华侨大学学报（自然科学版）》;20150720;第399-405页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107038705A (zh) | 2017-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7155271B2 (ja) | 画像処理システム及び画像処理方法 | |
| US10726557B2 (en) | Method and system for preparing text images for optical-character recognition | |
| CN108765343B (zh) | 图像处理的方法、装置、终端及计算机可读存储介质 | |
| US8126268B2 (en) | Edge-guided morphological closing in segmentation of video sequences | |
| WO2022001509A1 (zh) | 图像优化方法、装置、计算机存储介质以及电子设备 | |
| US8565525B2 (en) | Edge comparison in segmentation of video sequences | |
| WO2019137038A1 (zh) | 注视点确定方法、对比度调节方法及对比度调节装置、虚拟现实设备及存储介质 | |
| CN111435438A (zh) | 适于增强现实、虚拟现实和机器人的图形基准标记识别 | |
| CN107038704B (zh) | 视网膜图像渗出区域分割方法、装置和计算设备 | |
| US9262690B2 (en) | Method and device for detecting glare pixels of image | |
| WO2019174276A1 (zh) | 用于定位目标物体区域中心的图像处理方法、装置、设备和介质 | |
| WO2006087581A1 (en) | Method for facial features detection | |
| KR20200118076A (ko) | 생체 검출 방법 및 장치, 전자 기기 및 저장 매체 | |
| CN107146231B (zh) | 视网膜图像出血区域分割方法、装置和计算设备 | |
| AU2011250827B2 (en) | Image processing apparatus, image processing method, and program | |
| CN107123124B (zh) | 视网膜图像分析方法、装置和计算设备 | |
| JP5832656B2 (ja) | 画像中のテキストの検出を容易にする方法及び装置 | |
| WO2020001236A1 (zh) | 提取医学图像标注的方法及装置 | |
| CN110796600A (zh) | 一种图像超分重建方法、图像超分重建装置及电子设备 | |
| CN107038705B (zh) | 视网膜图像出血区域分割方法、装置和计算设备 | |
| CN110503704B (zh) | 三分图的构造方法、装置和电子设备 | |
| CN112396050A (zh) | 图像的处理方法、设备以及存储介质 | |
| CN107133932B (zh) | 视网膜图像预处理方法、装置和计算设备 | |
| CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
| CN113192067B (zh) | 基于图像检测的智能预测方法、装置、设备及介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220511 Address after: 519000 unit Z, room 615, 6th floor, main building, No. 10, Keji 1st Road, Gangwan Avenue, Tangjiawan Town, Xiangzhou District, Zhuhai City, Guangdong Province (centralized office area) Patentee after: Zhuhai Quanyi Technology Co.,Ltd. Address before: 272500 No. 032, juntun Township commercial street, Wenshang County, Jining City, Shandong Province Patentee before: Ji Xin |