CN107563996B - 一种新型视神经盘分割方法及系统 - Google Patents
一种新型视神经盘分割方法及系统 Download PDFInfo
- Publication number
- CN107563996B CN107563996B CN201710731610.2A CN201710731610A CN107563996B CN 107563996 B CN107563996 B CN 107563996B CN 201710731610 A CN201710731610 A CN 201710731610A CN 107563996 B CN107563996 B CN 107563996B
- Authority
- CN
- China
- Prior art keywords
- pixel
- convex closure
- super
- point
- nervi optici
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种新型视神经盘分割方法及系统,方法步骤包括:S100、利用角点检测算法检测眼底图像中视神经盘周围的兴趣点,并计算围绕兴趣点的凸包以提取视神经盘区域图像;S200、根据视神经盘区域图像像素点之间的特征相似性,对像素点进行分组,得到能够代替大量像素表达图像特征的超像素;S300、基于凸包和超像素计算先验概率分布,在凸包内外分别统计颜色直方图并计算观测似然概率;S400、根据贝叶斯定理,计算每个像素点f属于视神经盘区域的后验概率,得到后验概率分布图;S500、基于后验概率分布图,并通过标准的霍夫变换圆检测从眼底图像中分割出视神经盘。本发明采用由粗到精的分割策略,在贝叶斯模型框架下实现对眼底图像进行视神经盘的精确分割。
Description
技术领域
本发明涉及医疗图像处理技术领域,具体说是涉及一种新型视神经盘分割方法。
背景技术
视神经盘是视网膜上视觉纤维汇集穿出眼球的部位,是视神经的始端。它没有视细胞,因而没有视觉,在视野中是生理盲点。视网膜中央血管由视神经盘进入眼底。因为视神经与脑神经直接相连,当脑组织有疾病时,就会导致视神经发生改变。因此,对视神经盘结构进行精确分割,可以作为临床医师对疾病进行诊断和治疗的辅助手段,进而通过视神经盘分析结果,实现一些疾病的早期诊断和预防。其无论在理论研究还是临床实践中,均有及其重要意义。
角点是图像中重要的局部特征之一,在很大程度上描述了图像中物体的形状。角点所在的邻域通常也是图像中稳定且包含丰富信息的区域,这些区域可能具有某些特性,比如旋转不变性、尺度不变性、仿射不变性以及光照不变性。在Harris等人提出的角点检测方法中,对图像中每个点计算以该点为中心的图像块窗口在以某个方向做小幅度的平移时,图像块窗口内像素灰度值变化的平方和,并以所有方向中最小的值作为该点的角点响应值,若该值大于给定的阈值,则认为该点是角点。
由于视神经盘图像灰度分布不均匀,血管结构复杂,目标血管与图像背景对比度较低,加之图像噪声的影响,使视网膜血管分割研究面临着巨大的挑战。视网膜图像分割作为图像分割的分支,相应的研究成果已见报道。传统分割方法大概分为以下五类:(1)基于模式识别的方法:又分为监督分类和无监督分类;(2)基于匹配滤波的方法;(3)基于数学形态学的方法;(4)基于模型的方法;(5)基于追踪的方法。
现有的视神经盘分割方法大多是基于上述方法或上述方法的结合,虽然能够提取大部分视神经盘特征信息,但是由于视神经盘血管网络分支结构多,细小血管和背景对比度较低,且边界模糊,使得对视神经盘的分割非常困难,分割精度也不理想,无法满足理论研究和实际使用的需求。
发明内容
鉴于已有技术存在的不足,本发明的目的是要提供一种采用由粗到精的分割策略,并在贝叶斯模型框架下对眼底图像进行视神经盘分割的方法。
为了实现上述目的,本发明技术方案如下:
一种新型视神经盘分割方法,其特征在于,步骤包括:
S100、利用角点检测算法检测眼底图像中视神经盘周围的兴趣点,并计算围绕兴趣点的凸包以提取视神经盘区域图像;
S200、根据视神经盘区域图像像素点之间的特征相似性,对像素点进行分组,得到能够代替大量像素表达图像特征的超像素;
S300、基于凸包和超像素计算先验概率分布,在凸包内外分别统计颜色直方图并计算观测似然概率;
S400、根据贝叶斯定理,计算每个像素点f属于视神经盘区域的后验概率,得到后验概率分布图;
S500、基于后验概率分布图,并通过标准的霍夫变换圆检测从眼底图像中分割出视神经盘。
本发明另一目的是要提供一种基于上述方法的视神经盘分割系统,其特征在于,系统包括:
视神经盘区域图像提取单元,利用角点检测算法检测眼底图像中视神经盘周围的兴趣点,并计算围绕兴趣点的凸包以提取视神经盘区域图像;
超像素分割单元,根据视神经盘区域图像像素点之间的特征相似性,对像素点进行分组,得到能够代替大量像素表达图像特征的超像素;
先验概率及观测似然概率计算单元,基于凸包和超像素计算先验概率分布,在凸包内外分别统计颜色直方图并计算观测似然概率;
后验概率计算单元,根据贝叶斯定理,计算每个像素点f属于视神经盘区域的后验概率,得到后验概率分布图;
视神经盘分割单元;基于后验概率分布图,并通过标准的霍夫变换圆检测从眼底图像中分割出视神经盘。
与现有技术相比,本发明的有益效果:
本发明采用由粗到精的分割策略,在贝叶斯模型框架下对眼底图像进行视神经盘分割。首先利用角点检测算法检测眼底图像中视神经盘周围的兴趣点,计算围绕兴趣点的凸包以估计视神经盘区域的大致范围;进而根据基于凸包和超像素计算先验概率分布,在凸包内外分别统计颜色直方图计算观测似然概率;并基于贝叶斯定理计算每个像素点f属于视神经盘区域的后验概率,最后通过标准的霍夫变换圆检测对眼底图像中的视神经盘进行分割。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为Harris角点检测算子的旋转不变性示意图;
图2为本发明视神经盘分割方法流程图;
图3为本发明凸包计算示意图;
图4为本发明超像素获取流程图;
图5为本发明基于贝叶斯模型的视神经盘分割系统基本框架图;
图6为本发明实施结果对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
角点是图像中重要的局部特征之一,在很大程度上描述了图像中物体的形状。角点所在的邻域通常也是图像中稳定且包含丰富信息的区域,这些区域可能具有某些特性,比如旋转不变性、尺度不变性、仿射不变性以及光照不变性。在Harris角点检测方法中,对图像中每个点计算以该点为中心的图像块窗口在以某个方向做小幅度的平移时,图像块窗口内像素灰度值变化的平方和,并以所有方向中最小的值作为该点的角点响应值,若该值大于给定的阈值,则认为该点是角点。x,y表示图像中的坐标,I表示像素灰度值,w表示以当前点为中心的高斯加权圆形窗函数,当窗口以(u,v)的大小移动时,灰度变化值的平方和E可表示为
阶泰勒展开
方向的差分。
将公式(0-2)改写为二次型
E(u,v)=[u,v]M[u,v]T=Au2+2Cuv+Bv2 (0-3)
其中M为2×2对称变换矩阵
利用正交变换将二次型变为标准型
E(u′,v′)=[u′,v′]Λ[u′,v′]T=λ1u′2+λ2v′2 (0-5)
其中Λ=QMQT=diag(λ1,λ2),Λ的对角线元素就是M的特征值λ1和λ2。Q为正交矩阵,其列向量为正交的单位向量,因此Q仅起旋转坐标轴的作用,E具有旋转不变性。若另E(u′,v′)=1,则
如图1所示,公式(0-6)在u'v'平面上对应一个椭圆,λ1 -1/2和λ2 -1/2分别对应椭圆长、短轴长的一半,并且长、短轴的方向是分别对应λ1和λ2特征向量的方向。
当λ1和λ2两个特征值都比较小时,椭圆会变得很大,说明此时窗口内的像素点位于“平坦”区域,也就是窗口内的像素点的灰度值基本相同。当其中一个特征值远大于另一个时,椭圆会变得很扁,说明此时像素点处于边缘上。当两个特征值都比较大时,椭圆会变得很小,说明此时的像素点为真正的角点。实际检测时无需计算矩阵M的特征值λ1和λ2,由于对角化前后行列式的值和矩阵的迹保持不变,引入角点响应值s作为判断准则。若s超过设定的阈值,认为该点是角点。
s=det(M)-k·Tr(M) (0-7)
其中经验系数k的取值范围为[0.04,0.06],det(M)为矩阵M的行列式的值,Tr(M)为矩阵M的迹。实际上,矩阵M的特征值隐含在det(M)和Tr(M)中。
det(M)=λ1·λ2=AB-C2
Tr(M)=λ1+λ2=A+C (0-8)
基于图像像素灰度值变化梯度的Harris角点检测方法忽略了图像的颜色信息,而颜色信息是描述图像特征的重要参数,充分发挥颜色信息的价值能在很大程度上增强角点检测的鲁棒性。因此应当考虑在对彩色图像导数统计分析基础上,把颜色信息引入Harris角点检测。
经典的霍夫变换用来检测图像中的直线,后来霍夫变换扩展到任意形状物体的识别,多为圆和椭圆。霍夫变换圆检测的基本思想是将二值图像空间中的边缘像素点映射到参数空间,通过统计参数空间中各坐标的累计结果,确定圆心和半径。
在上述研究背景下,本发明设计了一种在贝叶斯模型框架下对眼底图像进行视神经盘分割的方法,下面结合附图以及具体实施例进一步说明本发明的技术方案:
一种新型视神经盘分割方法,如图2所示,其步骤包括:
S100、利用角点检测算法检测眼底图像中视神经盘周围的兴趣点,并计算围绕兴趣点的凸包以提取视神经盘区域图像。
基于图像像素灰度值变化梯度的Harris角点检测方法忽略了图像的颜色信息,而颜色信息是描述图像特征的重要参数,充分发挥颜色信息的价值能在很大程度上增强角点检测的鲁棒性。因此本申请中将颜色信息引入Harris角点检测,提取所述兴趣点的步骤包括:
S111、将眼底图像像素的RGB颜色分量转换到部分坐标轴与光变现象无关的颜色空间。
颜色变换种类很多种,形式和效果各不相同。本发明优选进行空间变换的主要目的是将与光照有关的RGB三个颜色分量所在的颜色空间转化到部分坐标轴与光变现象无关的颜色空间,对于不同的问题对象,选择不同的颜色空间。
S112、寻找色彩增强g变换,使得包含相同信息量的像素点具有相同的角点响应值。本申请中以水平方向梯度g变换为例,竖直方向梯度同理,寻找g变换的步骤包括:
a.统计彩色图像中颜色向量的一阶导数fx;
b.得到颜色向量的一阶导数的等概率椭球面为
其中且h为颜色空间变换,可选的,当变换坐标系为球面坐标系时,变换后的一阶导数为当变换坐标系为对色坐标系时,变换后的一阶导数为因此上式可以转化为
其中3×3的对角矩阵D=diag(α,β,γ),可以根据需要设置对角矩阵的值,但需满足α2+β2+γ2=1,得到颜色向量一阶导数的等概率表达式为
c.基于获得的颜色向量一阶导数的等概率表达式,可以推出色彩增强g变换为
g(fx)=Dh(fx)
S113、将g函数代入到经典Harris角点检测中的矩阵M中,计算角点响应值,若超过设定的阈值,则判断该点为兴趣点。
考虑到彩色图像的颜色信息,各像素点的颜色向量记为f=(R,G,B)T,则Harris角点响应s的表达式可以写成
s=Hσ(fx,fy)
其中H表示角点响应函数,σ表示高斯尺度。此时,像素点颜色向量的导数fx对角点响应值s的影响取决于向量范数||fx||(以水平方向梯度为例,竖直方向梯度同理),即向量范数相等的像素点具有相同的角点响应值。
用颜色描述子v=(f,fx,fy)T描述角点的局部邻域的颜色特征。在信息论中,概率越小的事件所包含的信息量越大。角点的颜色特殊性由其包含的信息量来衡量,若某一点的颜色描述子出现的概率为p(v),则该点颜色描述子包含的信息量为
I(v)=-log(p(v))
其中
p(v)=p(f)p(fx)p(fy)
色彩增强Harris角点检测算法的核心思想是寻找合适的g变换,使得
即包含相同信息量的像素点具有相同的角点响应值。
此时,角点响应值s的表达式可以写成
s=Hσ(g(fx),g(fy))
由于感兴趣区域一般位在图像的中心位置,需要剔除靠近图像边缘的兴趣点。有效的角点检测使得绝大部分兴趣点聚集在感兴趣区域附近,本申请计算一个包含剩余所有兴趣点的凸包,用来表示感兴趣区域,如图3所示,凸包的计算步骤包括:
S121、在xy坐标系下,找到兴趣点集合中y坐标最小的兴趣点,记为P1;
S122、将P1点作为原点,x轴正向作为极轴,找到具有最小正向角度的兴趣点,记为P2,用一条以P1为起点、P2为终点的有向线段连接两个兴趣点,构成凸包的一条边;
S123、将P2点作为原点,作为极轴,找到具有最小正向角度的兴趣点,记为P3,用一条以P2为起点、P3为终点的有向线段连接两个兴趣点,构成凸包的另一条边;
S124、循环执行步骤S123,直到找到具有最小正向角度的兴趣点为P1,用一条有向线段连接两个兴趣点,即得到一个闭合的凸包。
S200、根据视神经盘区域图像像素点之间的特征相似性,对像素点进行分组,得到能够代替大量像素表达图像特征的超像素。
如图4所示,获取所述超像素的步骤包括:
S211、将彩色视神经盘区域图像的各像素点映射为十维特征空间中的加权点;
S212、根据预设的所需输入超像素的数量K,在图像上以固定的水平和垂直间隔vx和vy均匀地采样K个种子像素,以各种子像素作为初始搜索中心,以其特征向量作为对应类的初始加权均值;
S213、将每个类的搜索范围限制为τvx×τvy,其中τ≥1,并在特征空间中计算每个像素到其搜索范围中每个类搜索中心的欧式距离,并将其分配到特征向量最接近加权均值的类;
S214、更新计算每个类的加权均值和搜索中心;
S215、迭代执行步骤S213~S214,直至每个类的加权均值收敛,此时分配给同一类的像素形成超像素;
S216、将小于预期超像素大小的四分之一的超像素,合并距其最近的超像素中。其中所述预期超像素的大小为原图像像素与设定超像素个数K的比值。
S300、基于凸包和超像素计算先验概率分布,在凸包内外分别统计颜色直方图并计算观测似然概率。
不同于将先验概率简单设为[0,1]之间的一个常数,本发明基于超像素分割以及感兴趣区域计算视神经盘的先验概率,计算步骤包括:
S311、给分割出的K个超像素依次编号为1,2,…k并计算每个超像素在CIELab颜色空间的平均颜色和空间位置,其中平均颜色记为空间位置记为其中n∈(1,2,...,k)。
Harris角点计算得到的凸包中不可避免地会包含一些背景像素。为了减小背景像素噪声的影响,采用K-均值聚类方法将凸包的内外区域分别聚类。
S312、计算凸包内的每个类到凸包外的所有类的平均颜色距离,并将具有最大平均颜色距离的类记为L;
所述平均颜色距离根据以下公式计算:
其中,EIi(i∈1,2,...,q)表示凸包内每个类在CIELab颜色空间的平均颜色,EOj(j∈1,2,...,m)表示凸包外的每个类在CIELab颜色空间的平均颜色。
S313、计算图像中所有超像素与类L内包含的超像素在颜色和空间位置上的距离,以得到每个超像素与类L内超像素的近似程度,归一化后得到每个超像素的先验概率p(k)。这样能进一步减小凸包内背景像素噪声的干扰,使得到的先验概率分布更加准确。假设类L内共有N(N<K)个超像素,第n(n∈1,2,...,N)个超像素在所有K个超像素中的编号为Ln(Ln∈1,2,...,K)。计算图像中每个超像素与类L内超像素的近似程度,归一化后得到每个超像素的先验概率p(k)。图像中每个超像素与类L内超像素的近似度为:
其中
调节参数λk使得凸包内部非类L内的超像素相对于凸包外的超像素具有更高的先验概率,利用参数调节颜色特征和空间距离特征在计算超像素相似性时发挥的相对作用。
进一步的,步骤S300中所述观测似然概率的计算步骤包括:
S321、分别统计凸包内区域I和凸包外区域O的颜色直方图,采用颜色直方图来描述凸包内外的颜色分布,令NI和NO分别表示凸包内外两个区域中像素的数量,I(f)和O(f)分别表示凸包内外两个区域中f所在区间对应的颜色直方图中的值。
S322、根据以下公式计算计算凸包内外像素的观测似然概率:
其中,p(f|OD)表示凸包内区域观测似然概率,表示凸包外区域观测似然概率,NI表示凸包内区域中像素的数量,NO表示凸包外区域中像素的数量,I(f)表示凸包内区域中f所在区间对应的颜色直方图中的值,O(f)表示凸包外区域中f所在区间对应的颜色直方图中的值。
S400、根据贝叶斯定理,计算每个像素点f属于视神经盘区域的后验概率,得到后验概率分布图。后验概率分布图中每个像素点的概率代表该像素属于视神经盘区域的概率。所述后验概率根据以下公式计算:
其中,p(OD)表示图像中的一个像素位于视神经盘区域的先验概率,p(f|OD)表示凸包内区域观测似然概率,表示凸包外区域观测似然概率。
S500、基于后验概率分布图,并通过标准的霍夫变换圆检测从眼底图像中分割出视神经盘。
本发明还提供了一项基于上述方法的视神经盘分割系统,采用了一种由粗到精的策略,在贝叶斯模型框架下对眼底图像进行视神经盘分割,基本框架如图5所示。首先进行感兴趣区域检测,利用角点检测算法检测眼底图像中视神经盘周围的兴趣点,计算围绕兴趣点的凸包用来估计大致的视神经盘区域。其次基于凸包和超像素计算先验概率分布,在凸包内外分别统计颜色直方图计算观测似然概率。然后根据贝叶斯定理,计算每个像素点f属于视神经盘区域的后验概率。系统主要包括:
视神经盘区域图像提取单元,利用角点检测算法检测眼底图像中视神经盘周围的兴趣点,并计算围绕兴趣点的凸包以提取视神经盘区域图像;
超像素分割单元,根据视神经盘区域图像像素点之间的特征相似性,对像素点进行分组,得到能够代替大量像素表达图像特征的超像素;
先验概率及观测似然概率计算单元,基于凸包和超像素计算先验概率分布,在凸包内外分别统计颜色直方图并计算观测似然概率;
后验概率计算单元,根据贝叶斯定理,计算每个像素点f属于视神经盘区域的后验概率,得到后验概率分布图;
视神经盘分割单元;基于后验概率分布图,并通过标准的霍夫变换圆检测从眼底图像中分割出视神经盘。
下面结合具体实施例对本发明做进一步说明:
本实施例中,RIM-ONE是由85张健康图像(N)、39张青光眼图像(G)以及35张疑似青光眼图像(S)组成的用于视神经评估的开放的视网膜图像数据集。对RIM-ONE数据集中的眼底图像进行基于贝叶斯模型的视神经盘分割实验,实验采用引进色彩增强技术的Harris角点检测算法以及LSC超像素分割算法。如图6所示为几种常见方法是检测结果对比示意,其中(a)列表示RIM-ONE数据集中的眼底图像:正常图像(N)、青光眼图像(G)、疑似青光眼图像(S);(b)列表示先验概率分布图;(c)列表示后验概率分布图;(d)列表示基于贝叶斯模型的视神经盘分割结果;(e)列是用于结果对照的人工标记真值图像。由图可知,无论眼底图像是否存在病变,也无论图像亮度如何,基于贝叶斯模型的视神经盘分割实验结果与人工标记真值图像非常相似。
本实施例中采用准确率(Accuracy)、敏感性(Sensitivity)、特异性(Specificity)、精确率(Precision)这四种评价指标对视神经盘分割效果进行定量评估,结果如下表所示:
表1评价指标计算公式及结果
从上表可知,本发明提出的基于贝叶斯模型的视神经盘分割方法在该数据集下的准确率约为97%,特异性约为97%,该算法对健康图像的敏感性较高,对青光眼及疑似青光眼图像的精确率较高。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种新型视神经盘分割方法,其特征在于,步骤包括:
S100、利用角点检测算法检测眼底图像中的兴趣点,剔除靠近图像边缘的兴趣点后,计算围绕剩余兴趣点的凸包以提取视神经盘区域图像,其中,提取所述兴趣点的步骤包括:
S111、将眼底图像像素的RGB颜色分量转换到部分坐标轴与光变现象无关的颜色空间;
S112、寻找g变换,使得包含相同信息量的像素点具有相同的角点响应值;
S113、将g函数代入到经典Harris角点检测中的对称变换矩阵M中,计算角点响应值,若超过设定的阈值,则判断该点为兴趣点;
S200、根据像素之间的特征相似性,对眼底图像中的像素点进行分组,得到能够代替大量像素表达图像特征的超像素;
S300、基于凸包和超像素计算先验概率分布,并在凸包内外分别统计颜色直方图计算观测似然概率;
S400、根据贝叶斯定理,计算每个像素点属于视神经盘区域的后验概率,得到后验概率分布图;
S500、基于后验概率分布图,通过标准的霍夫变换圆检测从眼底图像中分割出视神经盘。
2.根据权利要求1所述的一种新型视神经盘分割方法,其特征在于,所述步骤S100中,所述凸包的计算步骤包括:
S121、在xy坐标系下,找到兴趣点集合中y坐标最小的兴趣点,记为P1;
S122、将P1点作为原点,x轴正向作为极轴,找到具有最小正向角度的兴趣点,记为P2,用一条以P1为起点、P2为终点的有向线段连接两个兴趣点,构成凸包的一条边;
S123、将P2点作为原点,作为极轴,找到具有最小正向角度的兴趣点,记为P3,用一条以P2为起点、P3为终点的有向线段连接两个兴趣点,构成凸包的另一条边;
S124、循环执行步骤S123,直到找到具有最小正向角度的兴趣点为P1,用一条有向线段连接两个兴趣点,即得到一个闭合的凸包。
3.根据权利要求1所述的一种新型视神经盘分割方法,其特征在于,步骤S200中获取所述超像素的步骤包括:
S211、将彩色视神经盘区域图像的各像素点映射为十维特征空间中的加权点;
S212、根据预设的所需输入超像素的数量K,在图像上以固定的水平和垂直间隔vx和vy均匀地采样K个种子像素,以各种子像素作为初始搜索中心,以其特征向量作为对应类的初始加权均值;
S213、将每个类的搜索范围限制为τvx×τvy,其中τ≥1,并在十维特征空间中计算每个像素到其搜索范围中每个类搜索中心的欧式距离,并将其分配到特征向量最接近加权均值的类;
S214、更新计算每个类的加权均值和搜索中心;
S215、迭代执行步骤S213~S214,直至每个类的加权均值收敛,此时分配给同一类的像素形成超像素;
S216、将小于预期超像素大小的四分之一的超像素,合并距其最近的超像素中。
4.根据权利要求1所述的一种新型视神经盘分割方法,其特征在于,步骤S300中所述先验概率的计算步骤包括:
S311、给分割出的K个超像素依次编号为1,2,…k并计算每个超像素在CIELab颜色空间的平均颜色和空间位置,其中平均颜色记为空间位置记为其中n∈(1,2,...,k);
S312、计算凸包内的每个类到凸包外的所有类的平均颜色距离,并将具有最大平均颜色距离的类记为L;
S313、计算图像中所有超像素与类L内包含的超像素在颜色和空间位置上的距离,以得到每个超像素与类L内超像素的近似程度,归一化后得到每个超像素的先验概率p(k)。
5.根据权利要求4所述的一种新型视神经盘分割方法,其特征在于,所述平均颜色距离根据以下公式计算:
其中,EIi(i∈1,2,K,q)表示凸包内每个类在CIELab颜色空间的平均颜色,EOj(j∈1,2,K,m)表示凸包外的每个类在CIELab颜色空间的平均颜色。
6.根据权利要求4所述的一种新型视神经盘分割方法,其特征在于,步骤S300中所述观测似然概率的计算步骤包括:
S321、分别统计凸包内区域I和凸包外区域O的颜色直方图,采用颜色直方图来描述凸包内外的颜色分布;
S322、根据以下公式计算计算凸包内外像素的观测似然概率:
其中,p(f|OD)表示凸包内区域观测似然概率,表示凸包外区域观测似然概率,NI表示凸包内区域中像素的数量,NO表示凸包外区域中像素的数量,I(f)表示凸包内区域中f所在区间对应的颜色直方图中的值,O(f)表示凸包外区域中f所在区间对应的颜色直方图中的值。
7.根据权利要求1所述的一种新型视神经盘分割方法,其特征在于,步骤S400中所述后验概率根据以下公式计算:
其中,p(OD)表示图像中的一个像素位于视神经盘区域的先验概率,p(f|OD)表示凸包内区域观测似然概率,表示凸包外区域观测似然概率。
8.一种基于权利要求1-7中任意一项所述方法的视神经盘分割系统,其特征在于,系统包括:
视神经盘区域图像提取单元,利用角点检测算法检测眼底图像中视神经盘周围的兴趣点,并计算围绕兴趣点的凸包以提取视神经盘区域图像;
超像素分割单元,根据视神经盘区域图像像素点之间的特征相似性,对像素点进行分组,得到能够代替大量像素表达图像特征的超像素;
先验概率及观测似然概率计算单元,基于凸包和超像素计算先验概率分布,在凸包内外分别统计颜色直方图并计算观测似然概率;
后验概率计算单元,根据贝叶斯定理,计算每个像素点f属于视神经盘区域的后验概率,得到后验概率分布图;
视神经盘分割单元;基于后验概率分布图,并通过标准的霍夫变换圆检测从眼底图像中分割出视神经盘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710731610.2A CN107563996B (zh) | 2017-08-23 | 2017-08-23 | 一种新型视神经盘分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710731610.2A CN107563996B (zh) | 2017-08-23 | 2017-08-23 | 一种新型视神经盘分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563996A CN107563996A (zh) | 2018-01-09 |
CN107563996B true CN107563996B (zh) | 2019-12-03 |
Family
ID=60976730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710731610.2A Active CN107563996B (zh) | 2017-08-23 | 2017-08-23 | 一种新型视神经盘分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563996B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961280B (zh) * | 2018-06-29 | 2021-11-02 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
CN110211166B (zh) * | 2019-06-13 | 2021-10-12 | 北京理工大学 | 磁共振图像中视神经分割方法及装置 |
CN110763692B (zh) * | 2019-10-29 | 2022-04-12 | 复旦大学 | 带钢毛刺检测系统 |
CN113744271B (zh) * | 2021-11-08 | 2022-02-11 | 四川大学 | 基于神经网络的视神经自动分割和受压迫程度测算方法 |
CN115937085B (zh) * | 2022-06-28 | 2023-08-01 | 哈尔滨学院 | 一种基于神经网络学习的核性白内障图像处理方法 |
CN115690106B (zh) * | 2023-01-03 | 2023-03-21 | 菏泽城建新型工程材料有限公司 | 一种基于计算机视觉的深埋锚具封闭检测方法 |
CN116188810B (zh) * | 2023-04-25 | 2023-07-21 | 浙江一山智慧医疗研究有限公司 | 视神经盘特征提取方法、装置及应用 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651888A (zh) * | 2016-09-28 | 2017-05-10 | 天津工业大学 | 基于多特征融合的彩色眼底图像视杯分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007118079A2 (en) * | 2006-04-03 | 2007-10-18 | University Of Iowa Research Foundation | Methods and systems for optic nerve head segmentation |
US8256897B2 (en) * | 2009-05-14 | 2012-09-04 | Topcon Medical Systems, Inc. | Circular profile mapping and display of retinal parameters |
-
2017
- 2017-08-23 CN CN201710731610.2A patent/CN107563996B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651888A (zh) * | 2016-09-28 | 2017-05-10 | 天津工业大学 | 基于多特征融合的彩色眼底图像视杯分割方法 |
Non-Patent Citations (2)
Title |
---|
《改进凸包的贝叶斯模型显著性检测算法》;林晓 等;《计算机辅助设计与图形学学报》;20170228;第29卷(第2期);第2节 * |
《眼底图像中视盘的定位于分割方法研究》;齐嘉骏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170815(第08期);第5.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107563996A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563996B (zh) | 一种新型视神经盘分割方法及系统 | |
Yan et al. | Joint segment-level and pixel-wise losses for deep learning based retinal vessel segmentation | |
CN111047594B (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
Chen et al. | Glaucoma detection based on deep convolutional neural network | |
CN107330449A (zh) | 一种糖尿病性视网膜病变体征检测方法及装置 | |
CN108470359A (zh) | 一种糖尿病性视网膜眼底图像病变检测方法 | |
Sertkaya et al. | Diagnosis of eye retinal diseases based on convolutional neural networks using optical coherence images | |
CN109635846A (zh) | 一种多类医学图像判断方法和系统 | |
Zhu et al. | Digital image processing for ophthalmology: Detection of the optic nerve head | |
CN109461163A (zh) | 一种用于磁共振标准水模的边缘检测提取算法 | |
CN111612856A (zh) | 用于彩色眼底图像的视网膜新生血管检测方法及成像方法 | |
CN109190571A (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
Xue et al. | Optic disk detection and segmentation for retinal images using saliency model based on clustering | |
Karimi et al. | Automated medical image analysis in digital mammography | |
CN106446805B (zh) | 一种眼底照中视杯的分割方法及系统 | |
CN111028230A (zh) | 一种基于yolo-v3的眼底图像视盘及黄斑定位检测算法 | |
Miao et al. | Classification of diabetic retinopathy based on multiscale hybrid attention mechanism and residual algorithm | |
CN112669319A (zh) | 一种多视角多尺度淋巴结假阳性抑制建模方法 | |
Hamid et al. | An intelligent strabismus detection method based on convolution neural network | |
Liu et al. | Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images | |
Dey et al. | Automatic segmentation of optic disc using affine snakes in gradient vector field | |
Hassan et al. | Blood vessel segmentation approach for extracting the vasculature on retinal fundus images using particle swarm optimization | |
Galveia et al. | Computer aided diagnosis in ophthalmology: Deep learning applications | |
Li et al. | A supervised method using convolutional neural networks for retinal vessel delineation | |
CN109934298A (zh) | 一种基于聚类的形变图的渐进式图匹配方法及装置 |
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 |