CN108460766B - 一种视网膜图像清晰度评估方法以及评估装置 - Google Patents

Abstract

本发明实公开一种视网膜图像清晰度评估方法和评估装置，所述方法包括：获取视网膜图像，提取视网膜图像的第一待评估信息，并基于第一待评估信息获取视网膜图像的特征信息以形成初步评估图；对第一待评估信息进行处理以获得处理结果；基于初步评估图及处理结果获得视网膜图像的图像质量评估信息；提取视网膜图像的第二待评估信息，对第二待评估信息进行处理以获得处理后图像；基于处理后图像获得视网膜图像的有效区域信息；基于图像质量评估信息及有效区域信息，获得视网膜图像的清晰度评估信息。通过获取视网膜图像的清晰度信息以对视网膜图像进行评估，避免因拍摄误差导致的额外工作量，提高了医生的工作效率，提升了用户体验。

Description

一种视网膜图像清晰度评估方法以及评估装置

技术领域

本发明涉及医疗诊断领域，具体地涉及一种视网膜图像清晰度评估方法 以及一种视网膜图像清晰度评估装置。

背景技术

由于光学医疗诊断仪器的发展和普及，对于患者病情的诊断可以通过医 疗诊断仪器首先采集患者的病情信息，医生根据该病情信息对患者的病情进 行进一步的诊断，例如在需要对患者的视网膜进行病情诊断的时候，可以首 先通过摄像机通过不同角度拍摄患者眼球的多张视网膜图片，并将拍摄的图 片拼接到一起，获取患者的视网膜完整图像。

医生在获取到患者的视网膜图像后，根据该视网膜图像对患者的病情进 行观察以及诊断，因此视网膜图像的清晰度的高低决定了医生能否准确地诊 断出患者的病情信息。

而在现有技术中，患者的视网膜图像的采集往往是在另外的一个部门进 行的，在采集完成后并不对采集的视网膜图像进行清晰度评估或检查，而直 接送达到医生办公室，医生在收到送达的视网膜图像后会进行人工的图像清 晰度辨别，若视网膜图像的清晰度不符合要求，例如由于拍摄环境的问题导 致拍摄的视网膜图像存在大量漏光的现象，或由于设备问题导致拍摄的视网 膜图像不清晰或视网膜图像存在残缺等现象，则会将该视网膜图像退回该部 门或通知该部门该视网膜图像不合格，并进一步要求重新进行拍摄，此时该 部门会通知患者重新进行拍摄工作，因此会对患者以及医生带来大量的额外 劳动付出，降低用户体验，延长了医生的诊断时间，降低了医生的工作效率， 不利于病人的病情诊断以及疾病治疗。

发明内容

为了克服现有技术中在采集视网膜图像后无法对视网膜图像进行清晰 度评估的技术问题，本发明实施例提供一种视网膜图像清晰度评估方法以及 一种视网膜图像清晰度评估装置，通过获取视网膜图像的质量评估信息以及 有效区域信息，并结合所述质量评估信息和所述有效区域信息获得视网膜图 像的清晰度信息，若发现当前采集的视网膜图像的清晰度不符合医学检验的 要求，可以立即通知患者重新进行采集操作，从而避免由于拍摄误差导致的 大量额外工作量，减少了患者的重复拍摄次数以及医生的等待时间，提高了 医生的工作效率，提升了用户体验。

为了实现上述目的，本发明实施例提供一种视网膜图像清晰度评估方 法，所述评估方法包括：获取所述视网膜图像，提取所述视网膜图像的第一 待评估信息，并基于所述第一待评估信息获取所述视网膜图像的特征信息以 形成初步评估图；对所述第一待评估信息进行处理以获得处理结果；基于所 述初步评估图以及所述处理结果获得所述视网膜图像的图像质量评估信息； 提取所述视网膜图像的第二待评估信息，对所述第二待评估信息进行处理以 获得处理后图像；基于所述处理后图像获得所述视网膜图像的有效区域信息；基于所述图像质量评估信息以及所述有效区域信息，获得所述视网膜图 像的清晰度评估信息。

优选地，所述提取所述视网膜图像的第一待评估信息，并基于所述第一 待评估信息获取所述视网膜图像的特征信息以形成初步评估图，包括：提取 所述视网膜图像的绿通道图像作为所述第一待评估信息；提取所述绿通道图 像中视网膜血管的边缘特征以形成质量评分计算的权值图作为所述初步评 估图。

优选地，所述对所述第一待评估信息进行处理以获得处理结果，包括： 将所述绿通道图像划分为不相交且同尺寸的多个图像块；计算所述多个图像 块的局部梯度矩阵以获得计算结果；对所述计算结果进行奇异值分解，从而 获得奇异值分解结果作为所述处理结果。

优选地，所述基于所述初步评估图以及所述处理结果获得所述视网膜图 像的图像质量评估信息，包括：基于所述奇异值分解结果计算出所述多个图 像块的多个局部质量评估结果；基于所述权值图以及所述多个局部质量评估 结果，获得所述视网膜图像的图像质量评估信息。

优选地，所述提取所述视网膜图像的第二待评估信息，对所述第二待评 估信息进行处理以获得处理后图像，包括：提取所述视网膜图像的蓝通道图 像作为所述第二待评估信息；对所述蓝通道图像进行高斯滤波并对所述蓝通 道图像进行图像重建以获得所述处理后图像。

优选地，所述基于所述处理后图像获得所述视网膜图像的有效区域信 息，包括：基于区域生长算法获得所述处理后图像的漏光区域；通过计算所 述漏光区域在所述视网膜图像中所占的比值，以获得所述视网膜图像的有效 区域信息。

优选地，所述通过计算所述漏光区域在所述视网膜图像中所占的比值， 以获得所述视网膜图像的有效区域信息，包括：计算所述漏光区域在所述视 网膜图像中所占的比值；获取所述视网膜图像的有效区域权值图；基于所述 漏光比值以及所述有效区域权值图获得所述视网膜图像的有效区域信息。

优选地，所述基于所述图像质量评估信息以及所述有效区域信息，获得 所述视网膜图像的清晰度评估信息，包括：将所述有效区域信息与所述图像 质量评估信息相乘，从而获得所述视网膜图像的清晰度评估信息。

相应的，本发明还提供一种视网膜图像清晰度评估装置，所述评估装置 包括：初步评估单元，用于获取所述视网膜图像，提取所述视网膜图像的第 一待评估信息，并基于所述第一待评估信息获取所述视网膜图像的特征信息 以形成初步评估图；处理单元，用于对所述第一待评估信息进行处理以获得 处理结果；质量评估单元，用于基于所述初步评估图以及所述处理结果获得 所述视网膜图像的图像质量评估信息；提取单元，用于提取所述视网膜图像 的第二待评估信息，对所述第二待评估信息进行处理以获得处理后图像；有效区域单元，用于基于所述处理后图像获得所述视网膜图像的有效区域信 息；清晰度评估单元，用于基于所述图像质量评估信息以及所述有效区域信 息，获得所述视网膜图像的清晰度评估信息。

优选地，所述初步评估单元包括：图像提取模块，用于提取所述视网膜 图像的绿通道图像作为所述第一待评估信息；特征提取模块，用于提取所述 绿通道图像中视网膜血管的边缘特征以形成质量评分计算的权值图作为所 述初步评估图。

优选地，所述处理单元包括：第一提取模块，用于提取所述视网膜图像 的绿通道图像作为所述第一待评估信息；划分模块，用于将所述绿通道图像 划分为不相交且同尺寸的多个图像块；矩阵计算模块，用于计算所述多个图 像块的局部梯度矩阵以获得计算结果；分解模块，用于对所述计算结果进行 奇异值分解，从而获得奇异值分解结果作为所述处理结果。

优选地，所述质量评估单元包括：局部质量评估模块，用于基于所述奇 异值分解结果计算出所述多个图像块的多个局部质量评估结果；整体质量评 估模块，用于基于所述权值图以及所述多个局部质量评估结果，获得所述视 网膜图像的图像质量评估信息。

优选地，所述提取单元包括：第二提取模块，用于提取所述视网膜图像 的蓝通道图像作为所述第二待评估信息；重建模块，用于对所述蓝通道图像 进行高斯滤波并对所述蓝通道图像进行图像重建以获得所述处理后图像。

优选地，所述有效区域单元包括：漏光计算模块，用于基于区域生长算 法获得所述处理后图像的漏光区域；确定模块，用于通过计算所述漏光区域 在所述视网膜图像中所占的比值，以获得所述视网膜图像的有效区域信息。

优选地，所述确定模块包括：比值计算模块，用于计算所述漏光区域在 所述视网膜图像中所占的比值；权值图获取模块，用于获取所述视网膜图像 的有效区域权值图；有效区域确定模块，用于基于所述漏光比值以及所述有 效区域权值图获得所述视网膜图像的有效区域信息。

优选地，所述基于所述图像质量评估信息以及所述有效区域信息，获得 所述视网膜图像的清晰度评估信息，包括：将所述比值与所述图像质量评估 信息相乘，从而获得所述视网膜图像的清晰度评估信息。

另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机 程序，该程序被处理器执行时实现本发明提供的方法。

通过本发明提供的技术方案，本发明至少具有如下技术效果：

通过获取视网膜图像的质量评估信息以及有效区域信息，并结合所述质 量评估信息和所述有效区域信息获得视网膜图像的清晰度信息，若发现当前 采集的视网膜图像的清晰度不符合医学检验的要求，可以立即通知患者重新 进行采集操作，从而避免由于拍摄误差导致的大量额外工作量，减少了患者 的重复拍摄次数以及医生的等待时间，提高了医生的工作效率，提升了用户 体验。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详 细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部 分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发 明实施例的限制。在附图中：

图1是本发明实施例提供的视网膜图像清晰度评估方法的具体实现流程 图；

图2是本发明实施例提供的视网膜图像清晰度评估方法中对视网膜图像 进行质量评分计算的权值图的示意图；

图3是本发明实施例提供的视网膜图像清晰度评估方法中根据漏光区域 的比值和有效区域权值图获取有效区域信息的示意图；

图4是本发明实施例提供的视网膜图像清晰度评估装置的结构示意图。

具体实施方式

为了克服现有技术中在采集视网膜图像后无法对视网膜图像进行清晰 度评估的技术问题，本发明实施例提供一种视网膜图像清晰度评估方法以及 评估装置，通过获取视网膜图像的质量评估信息以及有效区域信息，并结合 所述质量评估信息和所述有效区域信息获得视网膜图像的清晰度信息，从而 避免由于拍摄误差导致的大量额外工作量，减少了患者的重复拍摄次数以及 医生的等待时间，提高了医生的工作效率，提升了用户体验。

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解 的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用 于限制本发明实施例。

本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指 两个或两个以上，鉴于此，本发明实施例中也可以将“多个”理解为“至少 两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如， A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种 情况。另外，字符“/”，如无特殊说明，一般表示前后关联对象是一种“或” 的关系。另外，需要理解的是，在本发明实施例的描述中，“第一”、“第二” 等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也 不能理解为指示或暗示顺序。

请参见图1，本发明实施例提供一种视网膜图像清晰度评估方法，所述 评估方法包括：

S10)获取所述视网膜图像，提取所述视网膜图像的第一待评估信息， 并基于所述第一待评估信息获取所述视网膜图像的特征信息以形成初步评 估图；

S20)对所述第一待评估信息进行处理以获得处理结果；

S30)基于所述初步评估图以及所述处理结果获得所述视网膜图像的图 像质量评估信息；

S40)提取所述视网膜图像的第二待评估信息，对所述第二待评估信息 进行处理以获得处理后图像；

S50)基于所述处理后图像获得所述视网膜图像的有效区域信息；

S60)基于所述图像质量评估信息以及所述有效区域信息，获得所述视 网膜图像的清晰度评估信息。

在本发明实施例中，患者在医院的采集部门进行视网膜图像采集后，采 集部门可以首先通过本发明实施例的方法对采集的视网膜图像进行自动检 验，从而快速判断当前采集的视网膜图像的清晰度是否符合医学检验的要 求，若发现当前采集的视网膜图像的清晰度不符合医学检验的要求，可以立 即通知患者重新进行采集操作，若当前采集的视网膜图像的清晰度符合医学 检验的要求，则将该视网膜图像立即发送给医生，从而有效的避免了当医生 收到的视网膜图像不符合医学检验要求时，需要患者返回图像采集部门重新进行图像采集的繁琐，以及医生的额外等待时间，从而提高了用户体验，提 升了医生的工作效率，提高了医生诊断的精确性，避免了对患者病情诊断的 延误。

在本发明实施例中，所述提取所述视网膜图像的第一待评估信息，并基 于所述第一待评估信息获取所述视网膜图像的特征信息以形成初步评估图， 包括：提取所述视网膜图像的绿通道图像作为所述第一待评估信息；提取所 述绿通道图像中视网膜血管的边缘特征以形成质量评分计算的权值图作为 所述初步评估图。

请参见图2，在一种可能的实施方式中，在获取到采集的视网膜图像后， 首先获取该图像的绿通道图像，以获取到视网膜图像中的更精确的细节，排 除掉其他通道图像中存在的干扰因素，然后对该绿通道图像中的视网膜血管 进行边缘特征提取，例如通过Frangi算法或canny算法等相关的边缘提取算 法等算法提取视网膜血管的边缘特征，就形成了对视网膜图像进行质量评分 计算的权值图。

在本发明实施例中，所述对所述第一待评估信息进行处理以获得处理结 果，包括：提取所述视网膜图像的绿通道图像作为所述第一待评估信息；将 所述绿通道图像划分为不相交且同尺寸的多个图像块；计算所述多个图像块 的局部梯度矩阵以获得计算结果；对所述计算结果进行奇异值分解，从而获 得奇异值分解结果作为所述处理结果。

由于在获取到视网膜图像的质量评分计算权值图后，依然无法对视网膜 图像的质量进行有效的评估，因此在一种可能的实施方式中，在获取到视网 膜图像的绿通道图像后，将该绿通道图像划分为不相交且同尺寸的多个图像 块，在本发明实施例中，将该绿通道图像划分为8*8像素的多个图像块，然 后计算所述多个图像块的局部梯度矩阵以获得所述多个图像块的计算结果， 从而获得了所述多个图像块中的每个图像块的数字信息，便于后续的计算以 及分析工作，此时再对该计算结果进行奇异值分解，并将该奇异值分解结果作为对视网膜图像的处理结果。

在本发明实施例中，所述基于所述初步评估图以及所述处理结果获得所 述视网膜图像的图像质量评估信息，包括：基于所述奇异值分解结果计算出 所述多个图像块的多个局部质量评估结果；基于所述权值图以及所述多个局 部质量评估结果，获得所述视网膜图像的图像质量评估信息。

由于在图像处理技术中，通过对图像的梯度矩阵进行奇异值分解，能够 更好的分析出图像中的重要细节以及噪声等不重要细节，因此在本发明实施 例中，首先通过获取视网膜图像的绿通道图像，从而避免了红通道以及蓝通 道对图像细节的干扰，然后将图像分解为多个图像块，并对多个图像块中的 每个图像块进行单独处理，从而减小了对图像进行分析运算的单次运算量， 提高了分析效率，然后通过获取多个图像块的梯度矩阵并对该梯度矩阵进行 奇异值分解，从而将视网膜图像进行数字化并获取到图像中的重要细节以及噪音、干扰等不重要细节，此时将该奇异值的分解结果与权值图进行结合， 从而更精确地获取到了整个图像的质量评估信息。

由于对图像的质量信息进行评估仅仅是获取了视网膜图像本身的图像 质量，比如干扰是否大、噪音是否多等，而并不能对外界因素对视网膜图像 的干扰或影响进行评估，例如由于环境光源较强导致拍摄的视网膜图像存在 高曝光区域等，因此为了对视网膜图像的清晰度进行更精确的分析，还需要 对图像的有效区域进行分析。

在本发明实施例中，所述提取所述视网膜图像的第二待评估信息，对所 述第二待评估信息进行处理以获得处理后图像，包括：提取所述视网膜图像 的蓝通道图像作为所述第二待评估信息；对所述蓝通道图像进行高斯滤波并 对所述蓝通道图像进行图像重建以获得所述处理后图像。

在一种可能的实施方式中，在获取到视网膜图像的质量评估信息后，进 一步提取视网膜图像的蓝通道图像，为进一步排除环境或信号噪音对视网膜 图像造成的干扰，因此对该蓝通道图像进行高斯滤波以进一步消除噪音，然 后将滤波后的视网膜图像重建以生成处理后的图像，从而将视网膜图像中的 原始组织以及病灶细节都过滤掉，进一步排除了视网膜图像中的原始组织以 及病灶细节对有效区域分析的干扰，提高了后续分析方法的精确性。

在本发明实施例中，所述基于所述处理后图像获得所述视网膜图像的有 效区域信息，包括：基于区域生长算法获得所述处理后图像的漏光区域；通 过计算所述漏光区域在所述视网膜图像中所占的比值，以获得所述视网膜图 像的有效区域信息。

在一种可能的实施方式中，在获得处理后的图像后，通过区域生长算法 对该图像进行分析，从而获得该图像的漏光区域，即获得了采集的视网膜图 像的漏光区域，此时计算该漏光区域在所述视网膜图像中所占的比值从而确 定出当前视网膜图像中的有效区域。例如，在对处理后的图像进行分析后， 发现该处理后的图像具有两个漏光区域，分别计算两个漏光区域得到两个漏 光区域的面积分别为10mm²以及20mm²，即漏光区域的总面积为30mm²， 而视网膜图像中当前视野区域的总面积为100mm²，因此漏光区域在视网膜 图像上所占的比值为30％，即该视网膜图像的有效区域所占的比值为70％。

在本发明实施例中，通过进一步获取视网膜图像的蓝通道图像，并通过 滤波算法将视网膜图像中的非重要信息，比如原始组织、以及病灶细节等信 息进行过滤，从而保证了重建后的视网膜图像仅具有进行有效区域分析所需 要的图像信息，此时再获取视网膜图像中的有效区域信息，从而能够进一步 提高视网膜图像的清晰度分析的精确性。

进一步地，在本发明实施例中，所述通过计算所述漏光区域在所述视网 膜图像中所占的比值，以获得所述视网膜图像的有效区域信息，包括：计算 所述漏光区域在所述视网膜图像中所占的比值；获取所述视网膜图像的有效 区域权值图；基于所述漏光比值以及所述有效区域权值图获得所述视网膜图 像的有效区域信息。

在一种可能的实施方式中，设定在视网膜图像中，距离图像中心越近， 有效区域权值越大，距离图像中心越远，有效区域权值越小，在本发明实施 例中，在获取到视网膜图像后，对该视网膜图像的漏光区域进行计算，并计 算出该漏光区域在视网膜图像中所占的比例为10％，此时获取该视网膜图像 的有效区域权值图，并获得与当前漏光区域对应的有效区域权值为0.1，例 如当前漏光区域位于环绕当前视网膜图像的视野区域的最外层，此时根据有 效区域权值对当前视网膜图像的有效区域进行计算从而获得当前有效区域 信息为0.01。

请参见图3，在另一种可能的实施方式中，设定在视网膜图像中包含视 网膜血管以及病灶信息越多的视网膜区域对应的有效区域权值越大，而包含 视网膜血管以及病灶信息越少的视网膜区域对应的有效区域权值越小，在本 发明实施例中，在获取到视网膜图像后，对该视网膜图像的漏光区域进行计 算，并计算出该漏光区域在视网膜图像中所占的比例为20％，此时获取该视 网膜图像的有效区域权值图，并获得在当前漏光区域中，有5％的漏光区域 对应的有效区域权值为0.5，有7％的漏光区域对应的有效区域权值为0.3， 有8％的漏光区域对应的有效区域权值为0.1，因此计算出当前视网膜图像的 有效区域信息为0.054。

在本发明实施例中，通过获取与漏光区域对应的有效区域权值图，并根 据有效权值图中的有效权值对对应的漏光区域进行重要性分配，越重要的区 域对应的漏光影响越大，越不重要的区域对应的漏光影响越小，因此通过实 施本发明实施例，可以进一步优化在对视网膜图像的清晰度评估过程中，图 像的漏光区域对评估结构的影响，提高了评估结果的精确性，减少了不必要 的重复工作，提高了工作效率。

在本发明实施例中，所述基于所述图像质量评估信息以及所述有效区域 信息，获得所述视网膜图像的清晰度评估信息，包括：将所述有效区域信息 与所述图像质量评估信息相乘，从而获得所述视网膜图像的清晰度评估信 息。

在本发明实施例中，在获取到当前视网膜图像的图像质量评估信息(例 如：0.15)以及有效区域信息的值(例如：90％)后，将该图像质量评估信 息与该有效区域信息相乘，从而获得了当前视网膜图像的清晰度评估信息 (例如：0.135)。此时用户可以设定一个预设的清晰度阈值，例如：0.05， 当生成的清晰度评估信息大于该清晰度阈值时，表明当前采集的视网膜图像 可以直接发送给医生，当生成的清晰度评估信息小于该清晰度阈值时，表明 当前采集的视网膜图像不符合医学检验要求，需要重新进行拍摄并向采集部 门的人员进行提示，采集部门的人员可以提示用户重新拍摄。

在本发明实施例中，通过在采集到患者的视网膜图像后立即对该视网膜 图像进行清晰度评估，从而迅速判断出是否需要对该视网膜图像进行重新拍 摄操作，而不是将采集到的视网膜图像立即发送给医生，当医生发现采集的 视网膜图像不符合要求时又通知患者重新过来拍摄，从而避免了患者的重新 拍摄次数，减少了医生的等待时间，提高了医生的诊断效率以及诊断精确性， 提高了用户体验。

下面结合附图对本发明实施例所提供的视网膜图像清晰度评估装置进 行说明。

请参见图4，基于同一发明构思，本发明实施例提供一种视网膜图像清 晰度评估装置，所述评估装置包括：初步评估单元，用于获取所述视网膜图 像，提取所述视网膜图像的第一待评估信息，并基于所述第一待评估信息获 取所述视网膜图像的特征信息以形成初步评估图；处理单元，用于对所述第 一待评估信息进行处理以获得处理结果；质量评估单元，用于基于所述初步 评估图以及所述处理结果获得所述视网膜图像的图像质量评估信息；提取单 元，用于提取所述视网膜图像的第二待评估信息，对所述第二待评估信息进行处理以获得处理后图像；有效区域单元，用于基于所述处理后图像获得所 述视网膜图像的有效区域信息；清晰度评估单元，用于基于所述图像质量评 估信息以及所述有效区域信息，获得所述视网膜图像的清晰度评估信息。

在本发明实施例中，所述初步评估单元包括：图像提取模块，用于提取 所述视网膜图像的绿通道图像作为所述第一待评估信息；特征提取模块，用 于提取所述绿通道图像中视网膜血管的边缘特征以形成质量评分计算的权 值图作为所述初步评估图。

在本发明实施例中，所述处理单元包括：第一提取模块，用于提取所述 视网膜图像的绿通道图像作为所述第一待评估信息；划分模块，用于将所述 绿通道图像划分为不相交且同尺寸的多个图像块；矩阵计算模块，用于计算 所述多个图像块的局部梯度矩阵以获得计算结果；分解模块，用于对所述计 算结果进行奇异值分解，从而获得奇异值分解结果作为所述处理结果。

在本发明实施例中，所述质量评估单元包括：局部质量评估模块，用于 基于所述奇异值分解结果计算出所述多个图像块的多个局部质量评估结果； 整体质量评估模块，用于基于所述权值图以及所述多个局部质量评估结果， 获得所述视网膜图像的图像质量评估信息。

在本发明实施例中，所述提取单元包括：第二提取模块，用于提取所述 视网膜图像的蓝通道图像作为所述第二待评估信息；重建模块，用于对所述 蓝通道图像进行高斯滤波并对所述蓝通道图像进行图像重建以获得所述处 理后图像。

在本发明实施例中，所述有效区域单元包括：漏光计算模块，用于基于 区域生长算法获得所述处理后图像的漏光区域；确定模块，用于通过计算所 述漏光区域在所述视网膜图像中所占的比值，以获得所述视网膜图像的有效 区域信息。

在本发明实施例中，所述确定模块包括：比值计算模块，用于计算所述 漏光区域在所述视网膜图像中所占的比值；权值图获取模块，用于获取所述 视网膜图像的有效区域权值图；有效区域确定模块，用于基于所述漏光比值 以及所述有效区域权值图获得所述视网膜图像的有效区域信息。

在本发明实施例中，所述基于所述图像质量评估信息以及所述有效区域 信息，获得所述视网膜图像的清晰度评估信息，包括：将所述比值与所述图 像质量评估信息相乘，从而获得所述视网膜图像的清晰度评估信息。

进一步地，本发明实施例还提供一种计算机可读存储介质，其上存储有 计算机程序，该程序被处理器执行时实现本发明所述的方法。

以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明 实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范 围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均 属于本发明实施例的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特 征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必 要的重复，本发明实施例对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是 可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包 括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实 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、移动硬盘、 只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合， 只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的 内容。

Claims (13)

1.一种视网膜图像清晰度评估方法，其特征在于，所述评估方法包括：

获取所述视网膜图像，提取所述视网膜图像的第一待评估信息，并基于所述第一待评估信息获取所述视网膜图像的特征信息以形成初步评估图；

对所述第一待评估信息进行处理以获得处理结果；

基于所述初步评估图以及所述处理结果获得所述视网膜图像的图像质量评估信息；

提取所述视网膜图像的第二待评估信息，对所述第二待评估信息进行处理以获得处理后图像；

基于所述处理后图像获得所述视网膜图像的有效区域信息；

基于所述图像质量评估信息以及所述有效区域信息，获得所述视网膜图像的清晰度评估信息；

所述基于所述处理后图像获得所述视网膜图像的有效区域信息，包括：

基于区域生长算法获得所述处理后图像的漏光区域；

通过计算所述漏光区域在所述视网膜图像中所占的比值，以获得所述视网膜图像的有效区域信息；

所述基于所述图像质量评估信息以及所述有效区域信息，获得所述视网膜图像的清晰度评估信息，包括：

将所述有效区域信息与所述图像质量评估信息相乘，从而获得所述视网膜图像的清晰度评估信息。

2.根据权利要求1所述的评估方法，其特征在于，所述提取所述视网膜图像的第一待评估信息，并基于所述第一待评估信息获取所述视网膜图像的特征信息以形成初步评估图，包括：

提取所述视网膜图像的绿通道图像作为所述第一待评估信息；

提取所述绿通道图像中视网膜血管的边缘特征以形成质量评分计算的权值图作为所述初步评估图。

3.根据权利要求2所述的评估方法，其特征在于，所述对所述第一待评估信息进行处理以获得处理结果，包括：

将所述绿通道图像划分为不相交且同尺寸的多个图像块；

计算所述多个图像块的局部梯度矩阵以获得计算结果；

对所述计算结果进行奇异值分解，从而获得奇异值分解结果作为所述处理结果。

4.根据权利要求3所述的评估方法，其特征在于，所述基于所述初步评估图以及所述处理结果获得所述视网膜图像的图像质量评估信息，包括：

基于所述奇异值分解结果计算出所述多个图像块的多个局部质量评估结果；

基于所述权值图以及所述多个局部质量评估结果，获得所述视网膜图像的图像质量评估信息。

5.根据权利要求1所述的评估方法，其特征在于，所述提取所述视网膜图像的第二待评估信息，对所述第二待评估信息进行处理以获得处理后图像，包括：

提取所述视网膜图像的蓝通道图像作为所述第二待评估信息；

对所述蓝通道图像进行高斯滤波并对所述蓝通道图像进行图像重建以获得所述处理后图像。

6.根据权利要求1所述的评估方法，其特征在于，所述通过计算所述漏光区域在所述视网膜图像中所占的比值，以获得所述视网膜图像的有效区域信息，包括：

计算所述漏光区域在所述视网膜图像中所占的比值；

获取所述视网膜图像的有效区域权值图；

基于所述比值以及所述有效区域权值图获得所述视网膜图像的有效区域信息。

7.一种视网膜图像清晰度评估装置，其特征在于，所述评估装置包括：

初步评估单元，用于获取所述视网膜图像，提取所述视网膜图像的第一待评估信息，并基于所述第一待评估信息获取所述视网膜图像的特征信息以形成初步评估图；

处理单元，用于对所述第一待评估信息进行处理以获得处理结果；

质量评估单元，用于基于所述初步评估图以及所述处理结果获得所述视网膜图像的图像质量评估信息；

提取单元，用于提取所述视网膜图像的第二待评估信息，对所述第二待评估信息进行处理以获得处理后图像；

有效区域单元，用于基于所述处理后图像获得所述视网膜图像的有效区域信息；

清晰度评估单元，用于基于所述图像质量评估信息以及所述有效区域信息，获得所述视网膜图像的清晰度评估信息；

所述有效区域单元包括：

漏光计算模块，用于基于区域生长算法获得所述处理后图像的漏光区域；

确定模块，用于通过计算所述漏光区域在所述视网膜图像中所占的比值，以获得所述视网膜图像的有效区域信息；

所述基于所述图像质量评估信息以及所述有效区域信息，获得所述视网膜图像的清晰度评估信息，包括：

将所述比值与所述图像质量评估信息相乘，从而获得所述视网膜图像的清晰度评估信息。

8.根据权利要求7所述的评估装置，其特征在于，所述初步评估单元包括：

图像提取模块，用于提取所述视网膜图像的绿通道图像作为所述第一待评估信息；

特征提取模块，用于提取所述绿通道图像中视网膜血管的边缘特征以形成质量评分计算的权值图作为所述初步评估图。

9.根据权利要求8所述的评估装置，其特征在于，所述处理单元包括：

划分模块，用于将所述绿通道图像划分为不相交且同尺寸的多个图像块；

矩阵计算模块，用于计算所述多个图像块的局部梯度矩阵以获得计算结果；

分解模块，用于对所述计算结果进行奇异值分解，从而获得奇异值分解结果作为所述处理结果。

10.根据权利要求9所述的评估装置，其特征在于，所述质量评估单元包括：

局部质量评估模块，用于基于所述奇异值分解结果计算出所述多个图像块的多个局部质量评估结果；

整体质量评估模块，用于基于所述权值图以及所述多个局部质量评估结果，获得所述视网膜图像的图像质量评估信息。

11.根据权利要求7所述的评估装置，其特征在于，所述提取单元包括：

第二提取模块，用于提取所述视网膜图像的蓝通道图像作为所述第二待评估信息；

重建模块，用于对所述蓝通道图像进行高斯滤波并对所述蓝通道图像进行图像重建以获得所述处理后图像。

12.根据权利要求7所述的评估装置，其特征在于，所述确定模块包括：

比值计算模块，用于计算所述漏光区域在所述视网膜图像中所占的比值；

权值图获取模块，用于获取所述视网膜图像的有效区域权值图；

有效区域确定模块，用于基于所述漏光比值以及所述有效区域权值图获得所述视网膜图像的有效区域信息。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项权利要求所述的方法。

Images