CN108230287B - 一种眼前节图像的晶体区域的检测方法及装置 - Google Patents
一种眼前节图像的晶体区域的检测方法及装置 Download PDFInfo
- Publication number
- CN108230287B CN108230287B CN201611190048.9A CN201611190048A CN108230287B CN 108230287 B CN108230287 B CN 108230287B CN 201611190048 A CN201611190048 A CN 201611190048A CN 108230287 B CN108230287 B CN 108230287B
- Authority
- CN
- China
- Prior art keywords
- image
- points
- point
- target
- characteristic
- 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
-
- 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)
- Image Analysis (AREA)
Abstract
本发明提供了一种眼前节图像的晶体区域的检测方法及装置,该方法包括:获取眼前节图像,并去除所述眼前节图像中的皮肤区域,获得第一图像;采用预先训练的眼前节图像的皮肤反光模型,去除所述第一图像中的皮肤反光区域,获得第二图像;采用预先训练的主动形状模型对所述第二图像进行晶体检测,获得晶体区域。因此,本发明的方案,通过去除眼前节图像中的皮肤区域和皮肤反光区域,从而避免利用主动形状模型对眼前节图像进行晶体检测时,陷入极小值,进而使得用于进行晶体检测的眼前节图像不再局限于只包括晶体部分。
Description
技术领域
本发明涉及移动健康技术领域,尤其涉及一种眼前节图像的晶体区域的检测方法及装置。
背景技术
眼睛是我们认识世界、从事各项工作的重要工具。眼球是人体视觉系统中的一个重要组成部分,是一个精密的光学成像及感光系统。其中,如图1所示,眼球的形状是球形的,直径约为25毫米,包括屈光系统和感光系统两部分。屈光系统由角膜、房水、晶状体和玻璃体组成,眼前节是角膜、前房、晶状体的统称,是屈光系统的主要成分;感光系统由充满了视细胞的视网膜组成。睛健康与否,眼前节生物数据是一个重要指标。
裂隙灯显微镜,简称裂隙灯,是现在眼科医生必不可少的眼前节检查工具之一。它采用透镜将强光聚集于一狭缝(裂隙)去照射眼部。眼前部介质对可见光是透明的,因此在裂隙光的照射下,形成一光学切面,医生通过裂隙灯显微镜上的双目立体显微镜对患眼角膜、前房、晶体等进行观察和检查,它主要用来检查眼前部的病变(位置、性质、大小、深度)。如加上一些附件,还可以观察前房角至眼底及周围的病变。
其中,白内障是常见的致盲性眼病,指眼球内的晶状体发生混浊、由透明变成不透明,阻碍光线进入眼内,从而影响视力。早期混浊轻微或范围较小时不影响视力,而后逐渐加重至明显影响视力甚至失明。此外,白内障引起的视力下降无法通过配戴眼镜进行矫正。
白内障,尤其是老年性白内障,是最常见的眼病之一,占致盲眼病的25%到50%。据统计,当今世界有1500万白内障致盲患者,而我国普查统计,约有400到500万白内障患者。白内障治疗最有效的方法是手术,通过手术治疗绝大多数患者能恢复视力。
另外,采用裂隙光(S350亮度3档,裂隙直径1mm,照明角度右侧30度,去掉毛玻璃片,10倍率镜)将图像焦点放在晶体前囊上,可以看清前囊或晶体混浊的位置及大小,拍摄眼前节图片中的晶体。根据晶体是否浑浊,可以判断患者是否患有白内障。
然而,目前采用裂隙灯进行白内障诊断基本依靠医生手动操作和识别,基本还没有实现自动化,因而大范围地展开全民白内障筛查还存在困难。为实现白内障自动筛查,就需要能够自动识别裂隙灯拍摄的眼前节图片,从中检测出晶体区域,并根据晶体特征判断是否有白内障。
其中,美国博士伦公司推出的Orbscan一体式眼前节分析系统,是目前国际上最先进的眼前节特征自动提取设备。它采用裂隙扫描技术与先进的Placido盘相结合的方法,可以精确地给出角膜前后表面上几千个点的高度数据,并由此获得角膜厚度和散光等参数。该系统是博士伦Zyoptix屈光手术诊疗系统的重要构成,主要应用于屈光手术的手术计划中。但是,该方法无法用于普通裂隙灯所采集的照片,且面向的是屈光手术,而非白内障自动筛查。
Huiqi Li等首先对采集到的图像进行二值化,根据二值化的结果估计晶体的大致区域,再用主动形状模型(Active Shape Model,ASM)检测晶体的精确位置,如图2所示。
其中,该方法中主动形状模型的特征点分布在晶体边缘,整体呈矩形分布。在实际应用中,特别是当图片本身纹理比较丰富的时候,该方法通常会检测到其他成近似矩形的区域上(如虹膜反光带、皮肤反光区域等)。同时,该方法使用的特征是特征点邻域的灰度均值,在实际医用图片上,由于图片纹理丰富,且晶体边缘亮度和纹理信息变化较大,因而,极容易陷入局部极小值。
因此,由上述可知,目前所能检索到的眼前节图像晶体检测技术,对图像拍摄的要求很高,需要拍摄到的图片中晶体占主要部分,不能有眼皮、眼睑等,在这样的背景下,采用主动形状模型才不会陷入局部极小值。
发明内容
为了克服现有技术中存在的上述问题,本发明的实施例提供了一种眼前节图像的晶体区域的检测方法及装置,通过去除眼前节图像中的皮肤区域和皮肤反光区域,从而避免利用主动形状模型对眼前节图像进行晶体检测时,陷入极小值,进而使得用于进行晶体检测的眼前节图像不再局限于只包括晶体部分。
为了解决上述技术问题,本发明采用如下技术方案:
依据本发明实施例的一个方面,提供了一种眼前节图像的晶体区域的检测方法,包括:
获取眼前节图像,并去除所述眼前节图像中的皮肤区域,获得第一图像;
采用预先训练的眼前节图像的皮肤反光模型,去除所述第一图像中的皮肤反光区域,获得第二图像;
采用预先训练的主动形状模型对所述第二图像进行晶体检测,获得晶体区域。
其中,上述方案中,所述去除所述眼前节图像中的皮肤区域,获得第一图像的步骤,包括:
获取所述眼前节图像的亮度均值;
根据预先存储的亮度均值与初始阈值的对应关系,确定与所述眼前节图像的亮度均值对应的第一初始阈值;
根据所述第一初始阈值,采用漫水填充算法去除所述眼前节图像中的皮肤区域,获得第一图像。
其中,上述方案中,所述根据所述第一初始阈值,采用漫水填充算法去除所述眼前节图像中的皮肤区域,获得第一图像的步骤,包括:
判断与初始种子点相邻的八个像素点的亮度是否位于所述第一初始阈值范围内,所述初始种子点为所述眼前节图像中的至少一个预设位置处的像素点;
将亮度位于所述第一初始阈值范围内的像素点填充为预设颜色,并设为第一级种子点;
当所述初始种子点均处理完毕后,分别判断与所述第一级种子点相邻的八个像素点的亮度是否位于所述第一初始阈值范围内;
将亮度位于所述第一初始阈值范围内的像素点填充为所述预设颜色,并设为第二级种子点;
直到与所有种子点相邻的八个像素点的亮度均处于所述第一初始阈值范围之外,获得去除皮肤区域后的第一图像。
在一些实施例中,所涉及的相邻像素点的个数也可以不是八个。
其中,上述方案中,所述根据所述第一初始阈值,采用漫水填充算法去除所述眼前节图像中的皮肤区域,获得第一图像的步骤,还包括:
当第n级种子点与对应的所述初始种子点之间的距离达到预设值时,根据预先存储的多个所述预设值与目标阈值的对应关系,将所述初始阈值更改为与该预设值对应的目标阈值,其中,n为整数。
其中,上述方案中,所述采用预先训练的眼前节图像的皮肤反光模型,去除所述第一图像中的皮肤反光区域,获得第二图像的步骤,包括:
将所述第一图像中的像素逐个代入到预先训练的眼前节图像的皮肤反光模型,并将位于所述皮肤反光模型内的像素点去除,获得第二图像。
其中,上述方案中,所述将所述第一图像中的像素逐个代入到预先训练的眼前节图像的皮肤反光模型,并将位于所述皮肤反光模型内的像素点去除,获得第二图像的步骤,包括:
获取所述第一图像的各个像素点的红色色度值和蓝色色度值;
根据各个像素点的红色色度值和蓝色色度值,逐个判断所述第一图像的像素点是否位于预先训练的眼前节图像的皮肤反光模型的内部;
除去位于所述反光模型内部的像素点,获得第二图像;
其中,所述皮肤反光模型包括红色色度分量和蓝色色度分量。
其中,上述方案中,所述采用预先训练的主动形状模型对所述第二图像进行晶体检测,获得晶体区域的步骤,包括:
利用预先训练的基于小波特征的主动形状模块对所述第二图像进行晶体检测,获得晶体区域。
其中,上述方案中,所述基于小波特征的主动形状模型包括多个特征点、所述特征点的排列顺序、各个特征点的初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间。
其中,上述方案中,所述利用预先训练的基于小波特征的主动形状模块对所述第二图像进行晶体检测,获得晶体区域的步骤,包括:
将所述第二图像投影到直角坐标系中;
根据各个特征点的所述初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第一次晶体检测,获得各个特征点的第一目标坐标;
根据各个特征点的所述第一目标坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第二次晶体检测,获得各个特征点的第二目标坐标;
直到第i+1次晶体检测获得的各个特征点的目标坐标,与相对应的第i次晶体检测获得的各个特征点的目标坐标之间的距离之和位于第一预设范围之内时,按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形,其中,i为正整数;
将所述目标多边形内的区域确定为所述晶体区域。
其中,上述方案中,所述根据各个特征点的所述初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第一次晶体检测,获得各个特征点的第一目标坐标的步骤,包括:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从所述第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照所述特征点的排列顺序,将各个特征点对应的所述第二目标像素点连接,形成第一多边形;
根据所述多个特征点形成的多边形的形状变化空间,对所述第一多边形进行调整,获得各个特征点所要调整到的位置的坐标,并确定为各个特征点的第一目标坐标;
其中,m为所述特征点的总数量。
其中,上述方案中,所述预设区域为以所述特征点为圆心,并根据预设半径、所述特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。
其中,上述方案中,所述按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形之后,所述方法还包括:
按照预设倍数,将所述目标多边形进行放大处理;
从放大处理后的所述目标多边形内的像素点中除去亮度位于第二预设范围之内的像素点。
依据本发明实施例的另一个方面,还提供了一种眼前节图像的晶体区域的检测装置,包括:
皮肤区域去除模块,用于获取眼前节图像,并去除所述眼前节图像中的皮肤区域,获得第一图像;
反光区域去除模块,用于采用预先训练的眼前节图像的皮肤反光模型,去除所述第一图像中的皮肤反光区域,获得第二图像;
晶体检测模块,用于采用预先训练的主动形状模型对所述第二图像进行晶体检测,获得晶体区域。
其中,上述方案中,所述皮肤区域去除模块包括:
亮度均值获取单元,用于获取所述眼前节图像的亮度均值;
初始阈值确定单元,用于根据预先存储的亮度均值与初始阈值的对应关系,确定与所述眼前节图像的亮度均值对应的第一初始阈值;
皮肤区域去除单元,用于根据所述第一初始阈值,采用漫水填充算法去除所述眼前节图像中的皮肤区域,获得第一图像。
其中,上述方案中,所述皮肤区域去除单元包括:
第一判断子单元,用于判断与初始种子点相邻的八个像素点的亮度是否位于所述第一初始阈值范围内,所述初始种子点为所述眼前节图像中的至少一个预设位置处的像素点;
第一填充子单元,用于将亮度位于所述第一初始阈值范围内的像素点填充为预设颜色,并设为第一级种子点;
第二判断子单元,用于当所述初始种子点均处理完毕后,分别判断与所述第一级种子点相邻的八个像素点的亮度是否位于所述第一初始阈值范围内;
第二填充子单元,用于将亮度位于所述第一初始阈值范围内的像素点填充为所述预设颜色,并设为第二级种子点;
结果获取子单元,用于当与所有种子点相邻的八个像素点的亮度均处于所述第一初始阈值范围之外时,获得去除皮肤区域后的第一图像。
在一些实施例中,所涉及的相邻像素点的个数也可以不是八个。
其中,上述方案中,所述皮肤区域去除单元还包括:
阈值调整子单元,用于当第n级种子点与对应的所述初始种子点之间的距离达到预设值时,根据预先存储的多个所述预设值与目标阈值的对应关系,将所述初始阈值更改为与该预设值对应的目标阈值,其中,n为整数。
其中,上述方案中,所述反光区域去除模块包括:
反光区域去除单元,用于将所述第一图像中的像素逐个代入到预先训练的眼前节图像的皮肤反光模型,并将位于所述皮肤反光模型内的像素点去除,获得第二图像。
其中,上述方案中,所述反光区域去除单元包括:
色度值获取子单元,用于获取所述第一图像的各个像素点的红色色度值和蓝色色度值;
第三判断子单元,用于根据各个像素点的红色色度值和蓝色色度值,逐个判断所述第一图像的像素点是否位于预先训练的眼前节图像的皮肤反光模型的内部;
第一剔除子单元,用于除去位于所述反光模型内部的像素点,获得第二图像;
其中,所述皮肤反光模型包括红色色度分量和蓝色色度分量。
其中,上述方案中,所述晶体检测模块包括:
晶体检测单元,用于利用预先训练的基于小波特征的主动形状模块对所述第二图像进行晶体检测,获得晶体区域。
其中,上述方案中,所述基于小波特征的主动形状模型包括多个特征点、所述特征点的排列顺序、各个特征点的初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间。
其中,上述方案中,所述晶体检测单元包括:
投影子单元,用于将所述第二图像投影到直角坐标系中;
第一检测子单元,用于根据各个特征点的所述初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第一次晶体检测,获得各个特征点的第一目标坐标;
第二检测子单元,用于根据各个特征点的所述第一目标坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第二次晶体检测,获得各个特征点的第二目标坐标;
边界确定子单元,用于当第i+1次晶体检测获得的各个特征点的目标坐标,与相对应的第i次晶体检测获得的各个特征点的目标坐标之间的距离之和位于第一预设范围之内时,按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形,其中,i为正整数;
晶体区域确定子单元,用于将所述目标多边形内的区域确定为所述晶体区域。
其中,上述方案中,所述第一检测子单元具体用于:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从所述第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照所述特征点的排列顺序,将各个特征点对应的所述第二目标像素点连接,形成第一多边形;
根据所述多个特征点形成的多边形的形状变化空间,对所述第一多边形进行调整,获得各个特征点所要调整到的位置的坐标,并确定为各个特征点的第一目标坐标;
其中,m为所述特征点的总数量。
其中,上述方案中,所述预设区域为以所述特征点为圆心,并根据预设半径、所述特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。
其中,上述方案中,所述晶体检测单元还包括:
膨胀处理子单元,用于按照预设倍数,将所述目标多边形进行放大处理;
第二剔除子单元,用于从放大处理后的所述目标多边形内的像素点中除去亮度位于第二预设范围之内的像素点。
本发明实施例的有益效果是:
本发明的实施例,通过去除眼前节图像中的皮肤区域和皮肤反光区域,进而采用预先训练的主动形状模型进行晶体检测,获得晶体区域。其中,由于本发明的实施例,在利用主动形状模型进行晶体检测之前,去除了眼前节图像中的皮肤区域和皮肤反光区域,从而有效避免了利用主动形状模型对眼前节图像进行晶体检测时,陷入极小值,进而获得晶体的详细轮廓,确保后续的白内障检测顺利进行。因此,本发明的实施例,可以直接对医院采集的眼前节图像进行处理,而不需要预先设定晶体的位置,或者要求医生拍摄仅包含晶体的图像,更符合实际应用的场景。
附图说明
图1表示眼睛结构图;
图2表示现有技术中进行晶体区域检测的方法流程示意图;
图3表示本发明第一实施例的眼前节图像的晶体区域的检测方法的流程图;
图4表示本发明第一实施例中采用漫水填充算法去除皮肤区域时初始种子点的分布位置示意图;
图5表示本发明第一实施例中采用漫水填充算法去除皮肤区域的整体流程示意图;
图6表示本发明第一实施例中预先训练的眼前节图像的皮肤反光模型的示意图;
图7表示本发明第一实施例中预先训练的主动形状模型所包括的多个特征点的分布位置示意图;
图8表示本发明第一实施例中采用预先训练的主动形状模型检测到的晶体区域的结果示意图;
图9表示本发明第二实施例的眼前节图像的晶体区域的检测装置的结构框图之一;
图10表示本发明第二实施例的眼前节图像的晶体区域的检测装置的结构框图之二。
具体实施方式
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。
第一实施例
本发明的实施例提供了一种眼前节图像的晶体区域的检测方法,如图3所示,该方法包括:
步骤301:获取眼前节图像,并去除所述眼前节图像中的皮肤区域,获得第一图像。
其中,眼前节图像为由裂隙灯拍摄的图像。另外,由于裂隙灯拍摄的眼前节图像除了眼前节之外,通常还包括眼皮、眼睑等皮肤区域,并且拍摄时相机镜头离皮肤比较接近,拍摄到的皮肤区域通常纹理比较丰富,且肤色比较接近白内障患者晶体浑浊的部分,所以为了避免皮肤区域对晶体检测造成影响,首先要去除掉皮肤区域。
在本发明的实施例中,采用漫水填充算法去除皮肤区域。所谓漫水填充算法,是给定一个联通域内的一个种子点,根据设定的阈值,以此为起点找到这个联通域的其余所有点并将其填充为指定颜色的一种算法。之所以称之为漫水填充,是因为这种算法就是模拟了涨水的过程,从一点开始,水流慢慢加大,直到漫过了全部区域。
其中,考虑到不同医生在不同环境下拍摄出的眼前节图像的整体对比度不一样,相应的,皮肤亮度的范围也不一样,即整体对比度比较高时,皮肤亮度范围比较大;整体对比度比较低的时候,皮肤亮度范围比较小,因而需要根据眼前节图像的亮度均值设定不同的初始阈值进行处理。因此,本发明的实施例采用的漫水填充算法是基于动态阈值的漫水填充算法。
因此,优选地,步骤301包括:获取所述眼前节图像的亮度均值;根据预先存储的亮度均值与初始阈值的对应关系,确定与所述眼前节图像的亮度均值对应的第一初始阈值;根据所述第一初始阈值,采用漫水填充算法去除所述眼前节图像中的皮肤区域,获得第一图像。
其中,亮度均值与初始阈值的对应关系,具体为多个亮度均值取值范围与不同初始阈值的对应关系,则在确定与获取的眼前节图像的亮度均值对应的第一初始阈值时,需要首先判断该亮度均值所属于的亮度均值取值范围,从而将该亮度均值取值范围对应的初始阈值确定为所述第一初始阈值。
进一步地,上述根据所述第一初始阈值,采用漫水填充算法去除所述眼前节图像中的皮肤区域,获得第一图像的步骤,包括:判断与初始种子点相邻的八个像素点的亮度是否位于所述第一初始阈值范围内,所述初始种子点为所述眼前节图像中的至少一个预设位置处的像素点;将亮度位于所述第一初始阈值范围内的像素点填充为预设颜色,并设为第一级种子点;当所述初始种子点均处理完毕后,分别判断与所述第一级种子点相邻的八个像素点的亮度是否位于所述第一初始阈值范围内;将亮度位于所述第一初始阈值范围内的像素点填充为所述预设颜色,并设为第二级种子点;直到与所有种子点相邻的八个像素点的亮度均处于所述第一初始阈值范围之外,获得去除皮肤区域后的第一图像。
优选地,所述预设颜色为黑色。其中,可以理解的是,所述预设颜色并不局限于黑色。
其中,由于眼前节图像的四个角部位置处均为皮肤区域,所以,可选择位于眼前节图像的四个角部位置处的像素点作为初始种子点,如图4所示,则在采用漫水填充算法去除皮肤区域时,是从眼前节图像的四角向中间进行处理。
首先,判断初始种子点八邻域(即相邻的八个像素点)的亮度是否处于第一初始阈值范围之内,若是,则将该像素点确定为第一级种子点并填充为预设颜色,直到所有初始种子点的八邻域均判断完毕为止;然后,判断第一级种子点八邻域的亮度是否处于第一初始阈值范围之内,若是,则将该像素点确定为第二级种子点并填充为预设颜色,直到所有第一级种子点的八邻域均判断完毕为止;再次,判断第三级、第四级以及后续确定的各个种子点的八邻域的亮度是否处于第一初始阈值范围之内。其中,上述确定的任意一个种子点,只要其八邻域的像素点的亮度均处于第一初始阈值范围之外,则停止寻找该种子点的下一级种子点,直到所有种子点的亮度均处于第一初始阈值范围之外,则获得去除皮肤区域后的图像。
然而,从眼前节图像的四角向中间进行处理时,由于越接近中间,被处理点是晶体的可能性越大,因而需要在处理过程中不断缩小初始阈值,以避免将晶体误认为是皮肤而处理掉。因此,上述根据所述第一初始阈值,采用漫水填充算法去除所述眼前节图像中的皮肤区域,获得第一图像的步骤,还包括:当第n级种子点与对应的所述初始种子点之间的距离达到预设值时,根据预先存储的多个所述预设值与目标阈值的对应关系,将所述初始阈值更改为与该预设值对应的目标阈值,其中,n为整数。例如,预先设定当前种子点与初始种子点的距离间隔100、150、200个像素时,将初始阈值的范围分别缩小10%,则当前种子点与初始种子点间隔100个像素时,初始阈值变为原来的90%。
由上述可知,在采用漫水填充算法去除皮肤区域时,具体过程如图5所示,即本发明的实施例所应用的漫水填充法根据不同光照条件下皮肤亮度不一样来选择不同的初始阈值,并根据种子点的位置变化实时调整初始阈值的大小,从而既能有效去除皮肤,又能避免将晶体区域当成皮肤误处理掉。
步骤302:采用预先训练的眼前节图像的皮肤反光模型,去除所述第一图像中的皮肤反光区域,获得第二图像。
由于皮肤反光的部分和皮肤的亮度差较大,用漫水填充法无法去掉,所以需要单独处理。而本发明的实施例,采用预先训练的眼前节图像的皮肤反光模型来去除第一图像中的皮肤反光区域。具体地,将所述第一图像中的像素逐个代入到预先训练的眼前节图像的皮肤反光模型,并将位于所述皮肤反光模型内的像素点去除,就可以获得去除皮肤反光区域的第二图像。
其中,YCbCr颜色空间是色彩空间的一种,其中Y是指亮度分量,Cb指蓝色色度分量,而Cr指红色色度分量。由于在不同光照条件下,RGB空间里图像RGB三个通道的数值变化很大,而YCbCr颜色空间里,由于Y分量代表亮度,因而其他两个通道的数值受光照亮度的变化很小。所以,本发明的实施例所应用的皮肤反光模型,是从眼前节数据库的图像中选取皮肤反光点,转换到YCbCr颜色空间,从而训练获得的。
如图6所示,如果一个像素点属于反光点,在该像素点的Cr、Cb值必然在该模型内部,反之,则在模型外部。因此,上述将所述第一图像中的像素逐个代入到预先训练的眼前节图像的皮肤反光模型,并将位于所述皮肤反光模型内的像素点去除,获得第二图像的步骤,包括:获取所述第一图像的各个像素点的红色色度值和蓝色色度值;根据各个像素点的红色色度值和蓝色色度值,逐个判断所述第一图像的像素点是否位于预先训练的眼前节图像的皮肤反光模型的内部;除去位于所述反光模型内部的像素点,获得第二图像;其中,所述皮肤反光模型包括红色色度分量和蓝色色度分量。
步骤303:采用预先训练的主动形状模型对所述第二图像进行晶体检测,获得晶体区域。
主动形状模型(Active shapemodel,ASM)通过训练图像样本获取训练图像样本的特征点分布的统计信息,并且获取特征点允许存在的变化方向,实现在目标图像上寻找对应的特征点的位置。因此,本发明的实施例中所应用的主动形状模型,是预先通过训练眼前节图像样本获得的。
其中,在传统主动形状模型的训练过程中,训练样本需要手动的标记所有的特征点的位置,记录特征点的坐标,并且计算每一个特征点对应的局部灰度模型作为局部特征点调整用的特征向量。因而,利用传统主动形状模型进行晶体检测时,将训练好的模型放在目标图像上,寻找每一个特征点的下一个位置的时候,采用局部灰度模型寻找在当前特征点指定方向上局部灰度模型马氏距离最小的特征点作为当前特征点即将移动到的位置,称为建议点(suggested point),找到所有的suggested points就可以获得一个搜索的建议形状(suggested shape),然后将当前的模型通过调整参数调整,使得当前的模型最可能相似的调整到suggest shape,重复迭代直到实现收敛。
然而,在纹理特征比较丰富的图像上,上述利用传统主动形状模型进行晶体检测的方法,非常容易陷入局部极小值。
但是,本发明的实施例,采用漫水填充法去除皮肤区域,并采用训练的皮肤反光模型去除皮肤反光区域,剩余的部分仅包含虹膜以内的区域,因而能够很好地应用主动形状模型。
进一步地,步骤303具体为:利用预先训练的基于小波特征的主动形状模块对所述第二图像进行晶体检测,获得晶体区域。其中,由于Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似。它在提取目标的局部空间和频率域信息方面具有良好的特性。虽然Gabor小波本身并不能构成正交基,但在特定参数下可构成紧框架。Gabor小波对于图像的边缘敏感,能够提供良好的方向选择和尺度选择特性,而且对于光照变化不敏感,能够提供对光照变化良好的适应性。上述特点使Gabor小波被广泛应用于视觉信息理解。因此,本发明的实施例,采用基于小波特征的主动形状模型,可以更加精确地提取晶体的位置。
其中,所述基于小波特征的主动形状模型包括多个特征点、所述特征点的排列顺序、各个特征点的初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间。
另外,如果仅仅将晶体区域作为主动形状模型的目标区域,由于晶体的形状接近矩形,而在纹理信息丰富的眼前节图像上,很多区域(如虹膜反光带、皮肤反光区域等)都很接近矩形,因而在检测的时候很可能将这些错误区域当成晶体检测出来。因此,本发明的实施例,将晶体和虹膜反光带、角膜反光带当成一个整体作为目标区域进行检测。即本发明的实施例所采用的主动形状模型的特征点分布在晶体、虹膜反光带、角膜反光带所形成的区域的边界上。具体地,按照如图7所示的位置和顺序选择21个特征点,对其提取Gabor小波特征并进行训练,即可获得一个具有21个特征点的基于小波特征的主动形状模型。
具体地,本发明的实施例中,利用预先训练的基于小波特征的主动形状模型对所述第二图像进行晶体检测,获得晶体区域的步骤,包括:将所述第二图像投影到直角坐标系中;根据各个特征点的所述初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第一次晶体检测,获得各个特征点的第一目标坐标;根据各个特征点的所述第一目标坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第二次晶体检测,获得各个特征点的第二目标坐标;直到第i+1次晶体检测获得的各个特征点的目标坐标,与相对应的第i次晶体检测获得的各个特征点的目标坐标之间的距离之和位于第一预设范围之内时,按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形,其中,i为正整数;将所述目标多边形内的区域确定为所述晶体区域。其中,所述目标特征点是在本发明的实施例中所采用的基于小波特征的主动形状模型进行训练过程中确定的属于晶体区域边界上的特征点。例如,图7所示的21个特征点中,1~12特征点为所述目标特征点,则当根据各个特征点的初始坐标、各个特征点的Gabor小波特征值取值范围、以及这些特征点形成的多边形的形状变化空间,确定了各个特征点的所要调整到的位置后,将图7中所示的1~12特征点依次连接,获得一个12边的多边形,这个12边的多边形,即为获得的目标多边形,该目标多边形内的区域即为晶体区域。
即利用预先训练的基于小波特征的主动形状模型,对去除皮肤区域和皮肤反光区域后的第二图像进行多次晶体检测,也就是根据各个特征点的Gabor小波特征的取值范围以及这些特征点所形成的多边形的形状变化空间,调整特征点在第二图像中的位置,直到相邻两次进行晶体检测后确定的各个特征点所在位置的距离之和处于第一预设范围之内,则停止继续进行晶体检测。即当处于第一预设范围之内时,完成晶体检测过程,其中,表示进行第i次晶体检测时,确定的第j个特征点的横坐标,表示进行第i+1次晶体检测时,确定的第j个特征点的横坐标,表示进行第i次晶体检测时,确定的第j个特征点的纵坐标,表示进行第i+1次晶体检测时,确定的第j个特征点的纵坐标。
其中,优选地,上述按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形之后,所述方法还包括:按照预设倍数,将所述目标多边形进行放大处理;从放大处理后的所述目标多边形内的像素点中除去亮度位于第二预设范围之内的像素点。从而确保晶体区域能够被全部包括最终获得的目标多边形内。具体地,最终检测获得的晶体区域如图8所示的类似矩形的区域。
进一步地,上述根据各个特征点的所述初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第一次晶体检测,获得各个特征点的第一目标坐标的步骤,包括:提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;从所述第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;直到确定出与第m个特征点对应的第二目标像素点时,按照所述特征点的排列顺序,将各个特征点对应的所述第二目标像素点连接,形成第一多边形;根据所述多个特征点形成的多边形的形状变化空间,对所述第一多边形进行调整,获得各个特征点所要调整到的位置的坐标,并确定为各个特征点的第一目标坐标;其中,m为所述特征点的总数量。
即,在每一次根据基于小波特征的主动形状模型进行晶体检测时,按照多个特征点的排列顺序,依次寻找每一个特征点所要调整到的位置的目标坐标。其中,针对某一个特征点,在其所在的预设区域内,寻找满足Gabor小波特征值处于该特征点的Gabor小波特征值取值范围之内的像素点,当存在多个满足该条件的像素点时,从中选取距离该特征点最近的像素点作为该特征点的第二目标像素。当确定出所有特征点的第二目标像素后,按照特征点的排列顺序,将各个特征点对应的第二目标像素点连接,可形成一个多边形。此时,需要进一步根据主动形状模型的形状变化空间进行进一步调整,从而确定出所有特征点在本次进行晶体检测后所要调整到的位置的坐标,并将其确定为各个特征点的目标坐标,从而完成一次晶体检测过程。
因此,每一次进行晶体检测的过程,就是根据各个特征点的Gabor小波特征值取值范围和多个特征点形成的多边形的形状变化空间,对各个特征点的初始坐标进行调整,从而获得调整后的目标坐标。其中,每一次进行晶体检测获得的各个特征点的目标坐标,作为下一次进行晶体检测时的初始坐标。
此外,所述预设区域为以所述特征点为圆心,并根据预设半径、所述特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。具体地,所述旋转角度为20度。其中,由于Gabor小波具有方向性,通常在处理的时候,会从0-180度分别进行提取。而在进行晶体检测时,每个特征点邻域Gabor特征最强的方向是确定的,因而为了提高处理速度,同时避免因为计算了所有角度而找到错误的方向,在实际处理的时候,对每个特征点,仅取其法线方向±20度内最大的Gabor响应作为其特征值。
综上所述,本发明的实施例,对相机拍摄的眼前节图像,采用基于动态阈值的漫水填充法去除皮肤区域,再用预先训练的皮肤反光模型去除皮肤反光区域,最后用基于小波特征的主动形状模型检测晶体的区域,从而获得晶体的详细轮廓,确保后续的白内障检测顺利进行。由此可知,本发明的实施例,可以降低对眼前节图像拍照的要求,允许拍摄的图片带有虹膜、睫毛和眼皮,更切合医生实际操作情况。同时本发明的实施例通过除去皮肤等无关的区域,还能够避免利用主动形状模型检测时候陷入局部极小值。另外,与采用传统的边缘提取的方法相比,本发明的实施例能够精确检测出晶体的轮廓,避免检测的晶体区域带有虹膜等其他部位的信息,从而保证了后续白内障检测算法的准确性。
第二实施例
本发明的实施例提供了一种眼前节图像的晶体区域的检测装置,如图9所示,该检测装置90包括:
皮肤区域去除模块91,用于获取眼前节图像,并去除所述眼前节图像中的皮肤区域,获得第一图像;
反光区域去除模块92,用于采用预先训练的眼前节图像的皮肤反光模型,去除所述第一图像中的皮肤反光区域,获得第二图像;
晶体检测模块93,用于采用预先训练的主动形状模型对所述第二图像进行晶体检测,获得晶体区域。
优选地,如图10所示,所述皮肤区域去除模块91包括:
亮度均值获取单元911,用于获取所述眼前节图像的亮度均值;
初始阈值确定单元912,用于根据预先存储的亮度均值与初始阈值的对应关系,确定与所述眼前节图像的亮度均值对应的第一初始阈值;
皮肤区域去除单元913,用于根据所述第一初始阈值,采用漫水填充算法去除所述眼前节图像中的皮肤区域,获得第一图像。
优选地,如图10所示,所述皮肤区域去除单元913包括:
第一判断子单元9131,用于判断与初始种子点相邻的八个像素点的亮度是否位于所述第一初始阈值范围内,所述初始种子点为所述眼前节图像中的至少一个预设位置处的像素点;
第一填充子单元9132,用于将亮度位于所述第一初始阈值范围内的像素点填充为预设颜色,并设为第一级种子点;
第二判断子单元9133,用于当所述初始种子点均处理完毕后,分别判断与所述第一级种子点相邻的八个像素点的亮度是否位于所述第一初始阈值范围内;
第二填充子单元9134,用于将亮度位于所述第一初始阈值范围内的像素点填充为所述预设颜色,并设为第二级种子点;
结果获取子单元9136,用于当与所有种子点相邻的八个像素点的亮度均处于所述第一初始阈值范围之外时,获得去除皮肤区域后的第一图像。
优选地,如图10所示,所述皮肤区域去除单元913还包括:
阈值调整子单元9135,用于当第n级种子点与对应的所述初始种子点之间的距离达到预设值时,根据预先存储的多个所述预设值与目标阈值的对应关系,将所述初始阈值更改为与该预设值对应的目标阈值,其中,n为整数。
优选地,如图10所示,所述反光区域去除模块92包括:
反光区域去除单元921,用于将所述第一图像中的像素逐个代入到预先训练的眼前节图像的皮肤反光模型,并将位于所述皮肤反光模型内的像素点去除,获得第二图像。
优选地,如图10所示,所述反光区域去除单元921包括:
色度值获取子单元9211,用于获取所述第一图像的各个像素点的红色色度值和蓝色色度值;
第三判断子单元9212,用于根据各个像素点的红色色度值和蓝色色度值,逐个判断所述第一图像的像素点是否位于预先训练的眼前节图像的皮肤反光模型的内部;
第一剔除子单元9213,用于除去位于所述反光模型内部的像素点,获得第二图像;
其中,所述皮肤反光模型包括红色色度分量和蓝色色度分量。
优选地,如图10所示,所述晶体检测模块93包括:
晶体检测单元931,用于利用预先训练的基于小波特征的主动形状模块对所述第二图像进行晶体检测,获得晶体区域。
优选地,所述基于小波特征的主动形状模型包括多个特征点、所述特征点的排列顺序、各个特征点的初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间。
优选地,如图10所示,所述晶体检测单元931包括:
投影子单元9311,用于将所述第二图像投影到直角坐标系中;
第一检测子单元9312,用于根据各个特征点的所述初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第一次晶体检测,获得各个特征点的第一目标坐标;
第二检测子单元9313,用于根据各个特征点的所述第一目标坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第二次晶体检测,获得各个特征点的第二目标坐标;
边界确定子单元9314,用于当第i+1次晶体检测获得的各个特征点的目标坐标,与相对应的第i次晶体检测获得的各个特征点的目标坐标之间的距离之和位于第一预设范围之内时,按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形,其中,i为正整数;
晶体区域确定子单元9317,用于将所述目标多边形内的区域确定为所述晶体区域。
优选地,所述第一检测子单元9312具体用于:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从所述第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照所述特征点的排列顺序,将各个特征点对应的所述第二目标像素点连接,形成第一多边形;
根据所述多个特征点形成的多边形的形状变化空间,对所述第一多边形进行调整,获得各个特征点所要调整到的位置的坐标,并确定为各个特征点的第一目标坐标;
其中,m为所述特征点的总数量。
优选地,所述预设区域为以所述特征点为圆心,并根据预设半径、所述特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。
优选地,如图10所示,所述晶体检测单元931还包括:
膨胀处理子单元9315,用于按照预设倍数,将所述目标多边形进行放大处理;
第二剔除子单元9316,用于从放大处理后的所述目标多边形内的像素点中除去亮度位于第二预设范围之内的像素点。
本发明实施例的眼前节图像的晶体区域的检测装置,通过皮肤区域去除模块91去除获取到的眼前节图像的皮肤区域,从而触发反光区域去除模块92采用预先训练的眼前节图像的皮肤反光模型,去除皮肤反光区域,进而触发晶体检测模块93采用预先训练的主动形状模型进行晶体检测,获得晶体区域。由此可知,本发明的实施例,在利用主动形状模型进行晶体检测之前,去除了眼前节图像中的皮肤区域和皮肤反光区域,从而有效避免了利用主动形状模型对眼前节图像进行晶体检测时,陷入极小值,进而获得晶体的详细轮廓,确保后续的白内障检测顺利进行。因此,本发明的实施例,可以直接对医院采集的眼前节图像进行处理,而不需要预先设定晶体的位置,或者要求医生拍摄仅包含晶体的图像,更符合实际应用的场景。
以上所述的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人员来说,在不脱离本发明所述的原理前提下还可以作出若干改进和润饰,这些改进和润饰也在本发明的保护范围内。
Claims (18)
1.一种眼前节图像的晶体区域的检测方法,其特征在于,包括:
获取眼前节图像,并去除所述眼前节图像中的皮肤区域,获得第一图像,包括:根据预先存储的亮度均值与初始阈值的对应关系,确定与所述眼前节图像的亮度均值对应的第一初始阈值,根据第一初始阈值,采用漫水填充算法去除所述眼前节图像中的皮肤区域,获得第一图像,包括:判断与初始种子点相邻的像素点的亮度是否位于第一初始阈值范围内,所述初始种子点为所述眼前节图像中的至少一个预设位置处的像素点;将亮度位于所述第一初始阈值范围内的像素点填充为预设颜色,并设为第一级种子点;当所述初始种子点均处理完毕后,分别判断与所述第一级种子点相邻的像素点的亮度是否位于所述第一初始阈值范围内;将亮度位于所述第一初始阈值范围内的像素点填充为所述预设颜色,并设为第二级种子点;直到与所有种子点相邻的像素点的亮度均处于所述第一初始阈值范围之外,获得去除皮肤区域后的第一图像;当第n级种子点与对应的所述初始种子点之间的距离达到预设值时,根据预先存储的多个所述预设值与目标阈值的对应关系,将所述初始阈值更改为与该预设值对应的目标阈值,其中,n为整数;
采用预先训练的眼前节图像的皮肤反光模型,去除所述第一图像中的皮肤反光区域,获得第二图像,所述皮肤反光模型包括红色色度分量和蓝色色度分量;
采用预先训练的主动形状模型对所述第二图像进行晶体检测,获得晶体区域。
2.根据权利要求1所述的方法,其特征在于,所述采用预先训练的眼前节图像的皮肤反光模型,去除所述第一图像中的皮肤反光区域,获得第二图像的步骤,包括:
将所述第一图像中的像素逐个代入到预先训练的眼前节图像的皮肤反光模型,并将位于所述皮肤反光模型内的像素点去除,获得第二图像。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一图像中的像素逐个代入到预先训练的眼前节图像的皮肤反光模型,并将位于所述皮肤反光模型内的像素点去除,获得第二图像的步骤,包括:
获取所述第一图像的各个像素点的红色色度值和蓝色色度值;
根据各个像素点的红色色度值和蓝色色度值,逐个判断所述第一图像的像素点是否位于预先训练的眼前节图像的皮肤反光模型的内部;
除去位于所述反光模型内部的像素点,获得第二图像;
其中,所述皮肤反光模型包括红色色度分量和蓝色色度分量。
4.根据权利要求1所述的方法,其特征在于,所述采用预先训练的主动形状模型对所述第二图像进行晶体检测,获得晶体区域的步骤,包括:
利用预先训练的基于小波特征的主动形状模块对所述第二图像进行晶体检测,获得晶体区域。
5.根据权利要求4所述的方法,其特征在于,所述基于小波特征的主动形状模型包括多个特征点、所述特征点的排列顺序、各个特征点的初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间。
6.根据权利要求5所述的方法,其特征在于,所述利用预先训练的基于小波特征的主动形状模块对所述第二图像进行晶体检测,获得晶体区域的步骤,包括:
将所述第二图像投影到直角坐标系中;
根据各个特征点的所述初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第一次晶体检测,获得各个特征点的第一目标坐标;
根据各个特征点的所述第一目标坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第二次晶体检测,获得各个特征点的第二目标坐标;
直到第i+1次晶体检测获得的各个特征点的目标坐标,与相对应的第i次晶体检测获得的各个特征点的目标坐标之间的距离之和位于第一预设范围之内时,按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形,其中,i为正整数;
将所述目标多边形内的区域确定为所述晶体区域。
7.根据权利要求6所述的方法,其特征在于,所述根据各个特征点的所述初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第一次晶体检测,获得各个特征点的第一目标坐标的步骤,包括:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从所述第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照所述特征点的排列顺序,将各个特征点对应的所述第二目标像素点连接,形成第一多边形;
根据所述多个特征点形成的多边形的形状变化空间,对所述第一多边形进行调整,获得各个特征点所要调整到的位置的坐标,并确定为各个特征点的第一目标坐标;
其中,m为所述特征点的总数量。
8.根据权利要求7所述的方法,其特征在于,所述预设区域为以所述特征点为圆心,并根据预设半径、所述特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。
9.根据权利要求6所述的方法,其特征在于,所述按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形之后,所述方法还包括:
按照预设倍数,将所述目标多边形进行放大处理;
从放大处理后的所述目标多边形内的像素点中除去亮度位于第二预设范围之内的像素点。
10.一种眼前节图像的晶体区域的检测装置,其特征在于,包括:
皮肤区域去除模块,用于获取眼前节图像,并去除所述眼前节图像中的皮肤区域,获得第一图像;
反光区域去除模块,用于采用预先训练的眼前节图像的皮肤反光模型,去除所述第一图像中的皮肤反光区域,获得第二图像,所述皮肤反光模型包括红色色度分量和蓝色色度分量;
晶体检测模块,用于采用预先训练的主动形状模型对所述第二图像进行晶体检测,获得晶体区域;
所述皮肤区域去除模块包括:初始阈值确定单元,用于根据预先存储的亮度均值与初始阈值的对应关系,确定与所述眼前节图像的亮度均值对应的第一初始阈值;皮肤区域去除单元,用于根据所述第一初始阈值,采用漫水填充算法去除所述眼前节图像中的皮肤区域,获得第一图像;
所述皮肤区域去除单元包括:
第一判断子单元,用于判断与初始种子点相邻的像素点的亮度是否位于所述第一初始阈值范围内,所述初始种子点为所述眼前节图像中的至少一个预设位置处的像素点;
第一填充子单元,用于将亮度位于所述第一初始阈值范围内的像素点填充为预设颜色,并设为第一级种子点;
第二判断子单元,用于当所述初始种子点均处理完毕后,分别判断与所述第一级种子点相邻的像素点的亮度是否位于所述第一初始阈值范围内;
第二填充子单元,用于将亮度位于所述第一初始阈值范围内的像素点填充为所述预设颜色,并设为第二级种子点;
结果获取子单元,用于当与所有种子点相邻的像素点的亮度均处于所述第一初始阈值范围之外时,获得去除皮肤区域后的第一图像;
阈值调整子单元,用于当第n级种子点与对应的所述初始种子点之间的距离达到预设值时,根据预先存储的多个所述预设值与目标阈值的对应关系,将所述初始阈值更改为与该预设值对应的目标阈值,其中,n为整数。
11.根据权利要求10所述的检测装置,其特征在于,所述反光区域去除模块包括:
反光区域去除单元,用于将所述第一图像中的像素逐个代入到预先训练的眼前节图像的皮肤反光模型,并将位于所述皮肤反光模型内的像素点去除,获得第二图像。
12.根据权利要求11所述的检测装置,其特征在于,所述反光区域去除单元包括:
色度值获取子单元,用于获取所述第一图像的各个像素点的红色色度值和蓝色色度值;
第三判断子单元,用于根据各个像素点的红色色度值和蓝色色度值,逐个判断所述第一图像的像素点是否位于预先训练的眼前节图像的皮肤反光模型的内部;
第一剔除子单元,用于除去位于所述反光模型内部的像素点,获得第二图像;
其中,所述皮肤反光模型包括红色色度分量和蓝色色度分量。
13.根据权利要求10所述的检测装置,其特征在于,所述晶体检测模块包括:
晶体检测单元,用于利用预先训练的基于小波特征的主动形状模块对所述第二图像进行晶体检测,获得晶体区域。
14.根据权利要求13所述的检测装置,其特征在于,所述基于小波特征的主动形状模型包括多个特征点、所述特征点的排列顺序、各个特征点的初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间。
15.根据权利要求14所述的检测装置,其特征在于,所述晶体检测单元包括:
投影子单元,用于将所述第二图像投影到直角坐标系中;
第一检测子单元,用于根据各个特征点的所述初始坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第一次晶体检测,获得各个特征点的第一目标坐标;
第二检测子单元,用于根据各个特征点的所述第一目标坐标、各个特征点的Gabor小波特征值的取值范围以及所述多个特征点形成的多边形的形状变化空间,对所述第一图像进行第二次晶体检测,获得各个特征点的第二目标坐标;
边界确定子单元,用于当第i+1次晶体检测获得的各个特征点的目标坐标,与相对应的第i次晶体检测获得的各个特征点的目标坐标之间的距离之和位于第一预设范围之内时,按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形,其中,i为正整数;
晶体区域确定子单元,用于将所述目标多边形内的区域确定为所述晶体区域。
16.根据权利要求15所述的检测装置,其特征在于,所述第一检测子单元具体用于:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从所述第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照所述特征点的排列顺序,将各个特征点对应的所述第二目标像素点连接,形成第一多边形;
根据所述多个特征点形成的多边形的形状变化空间,对所述第一多边形进行调整,获得各个特征点所要调整到的位置的坐标,并确定为各个特征点的第一目标坐标;
其中,m为所述特征点的总数量。
17.根据权利要求16所述的检测装置,其特征在于,所述预设区域为以所述特征点为圆心,并根据预设半径、所述特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。
18.根据权利要求15所述的检测装置,其特征在于,所述晶体检测单元还包括:
膨胀处理子单元,用于按照预设倍数,将所述目标多边形进行放大处理;
第二剔除子单元,用于从放大处理后的所述目标多边形内的像素点中除去亮度位于第二预设范围之内的像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611190048.9A CN108230287B (zh) | 2016-12-21 | 2016-12-21 | 一种眼前节图像的晶体区域的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611190048.9A CN108230287B (zh) | 2016-12-21 | 2016-12-21 | 一种眼前节图像的晶体区域的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108230287A CN108230287A (zh) | 2018-06-29 |
CN108230287B true CN108230287B (zh) | 2020-07-07 |
Family
ID=62650947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611190048.9A Active CN108230287B (zh) | 2016-12-21 | 2016-12-21 | 一种眼前节图像的晶体区域的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230287B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934813A (zh) * | 2019-03-08 | 2019-06-25 | 广州视源电子科技股份有限公司 | 目标对象的识别方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261677A (zh) * | 2007-10-18 | 2008-09-10 | 周春光 | 人脸和虹膜混合识别的新方法——特征提取层融合 |
CN102420995A (zh) * | 2006-10-13 | 2012-04-18 | 苹果公司 | 使用预定色调再现曲线来处理图像的系统和方法 |
CN104063700A (zh) * | 2014-07-04 | 2014-09-24 | 武汉工程大学 | 自然光照正面人脸图像中的眼睛中心点定位的方法 |
CN104408462A (zh) * | 2014-09-22 | 2015-03-11 | 广东工业大学 | 面部特征点快速定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101932279B (zh) * | 2008-02-15 | 2012-08-08 | 国立大学法人奈良先端科学技术大学院大学 | 白内障检查装置 |
-
2016
- 2016-12-21 CN CN201611190048.9A patent/CN108230287B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102420995A (zh) * | 2006-10-13 | 2012-04-18 | 苹果公司 | 使用预定色调再现曲线来处理图像的系统和方法 |
CN101261677A (zh) * | 2007-10-18 | 2008-09-10 | 周春光 | 人脸和虹膜混合识别的新方法——特征提取层融合 |
CN104063700A (zh) * | 2014-07-04 | 2014-09-24 | 武汉工程大学 | 自然光照正面人脸图像中的眼睛中心点定位的方法 |
CN104408462A (zh) * | 2014-09-22 | 2015-03-11 | 广东工业大学 | 面部特征点快速定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108230287A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10426332B2 (en) | System and device for preliminary diagnosis of ocular diseases | |
JP2023071644A (ja) | デジタル治療用矯正眼鏡 | |
AU2012219362B2 (en) | Photorefraction ocular screening device and methods | |
EP2525707B1 (en) | Registration method for multispectral retinal images | |
CN111616800B (zh) | 眼科手术导航系统 | |
CN105411525A (zh) | 一种眼底照片图像智能获取识别系统 | |
CN110279391B (zh) | 便携红外相机视力检测算法 | |
US20230022921A1 (en) | System and method for analyzing corneal lesion using anterior ocular segment image, and computer-readable recording medium | |
CN110916608A (zh) | 一种屈光度检测装置 | |
EP3769283A1 (en) | Pupil edge detection in digital imaging | |
Iskander et al. | Automatic pupillometry from digital images | |
CN108852280A (zh) | 一种视力筛查的图像采集与分析方法、系统及设备 | |
CN115409774A (zh) | 一种基于深度学习的眼检测方法及斜视筛查系统 | |
WO2020102734A1 (en) | Identification and control of myopic progression using distortion | |
Chakraborty et al. | A semi-automated system for optic nerve head segmentation in digital retinal images | |
CN108230287B (zh) | 一种眼前节图像的晶体区域的检测方法及装置 | |
Perez-Rovira et al. | Robust optic disc location via combination of weak detectors | |
Quellec et al. | Normalizing videos of anterior eye segment surgeries | |
EP4233689A1 (en) | Ophthalmological observation device, ophthalmological image processing device, ophthalmological image processing method, program, and recording medium | |
Joshi et al. | Fundus image analysis for detection of fovea: A review | |
TW202302028A (zh) | 眼科檢測設備以及瞳孔定位方法 | |
CN112669357A (zh) | 一种眼底图像合成方法以及眼底成像仪 | |
Minar et al. | Automatic detection of the macula in retinal fundus images using multilevel thresholding | |
Ambrósio Jr | Artificial intelligence for the early detection of ectatic corneal diseases | |
WO2019158916A1 (en) | Imaging device and method of imaging a subject's eye |
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 |