CN108510470B - 超像素提取过渡期片状角膜溃烂区域的方法 - Google Patents
超像素提取过渡期片状角膜溃烂区域的方法 Download PDFInfo
- Publication number
- CN108510470B CN108510470B CN201810144150.8A CN201810144150A CN108510470B CN 108510470 B CN108510470 B CN 108510470B CN 201810144150 A CN201810144150 A CN 201810144150A CN 108510470 B CN108510470 B CN 108510470B
- Authority
- CN
- China
- Prior art keywords
- segmentation result
- area
- cornea
- region
- average value
- 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
- 206010064996 Ulcerative keratitis Diseases 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 238000012417 linear regression Methods 0.000 claims abstract description 17
- 230000007704 transition Effects 0.000 claims abstract description 11
- 208000025865 Ulcer Diseases 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000036269 ulceration Effects 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 210000004087 cornea Anatomy 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 16
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 230000003628 erosive effect Effects 0.000 claims description 7
- 238000005530 etching Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010186 staining Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 abstract description 19
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 201000007717 corneal ulcer Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 206010015958 Eye pain Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 208000018769 loss of vision Diseases 0.000 description 1
- 231100000864 loss of vision Toxicity 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种超像素提取过渡期片状角膜溃烂区域的方法，包括步骤：S1.图像预处理；S2.超像素分割；S3.超像素特征提取；S4.SVM分类；S5.分割结果自动修正。在超像素分割的基础上，结合基于支持向量机(SVM)的自动分类以及基于线性回归的自动形态运算，有效地解决了过渡期片状角膜溃烂难以精准分割的问题。该方法可以在数据不断更新与增多的过程中，实现对算法模型的自我更新和完善，来达到适应更多角膜溃烂类型的目的，也为其他相关检测的算法设计提供借鉴，为多类型角膜溃烂实现溃烂区域的自动提取以及基于人工智能的辅助诊断提供有力基础。
Description
技术领域
本发明涉及医学影像自动处理分类技术领域，特别涉及一种基于超像素的过渡期片状角膜溃烂区域的提取方法。
背景技术
角膜溃烂可能导致眼睛疼痛、流泪、甚至失去视力。如何建立更有效更精准更智能的角膜溃烂分析方法已经成为研究的热点。现如今，对于角膜溃烂疾病的研究，医生主要借助于角膜荧光素染色形成的颜色差别来判断健康区域和受损区域，但是人眼的判别存在误差且容易受到主观因素的影响，同时不易对受损区域进行量化。
目前，存在利用Photoshop和ImageJ等图像处理软件对溃烂区域进行手动提取然后定量分析受损面积的方法。但是这一方法，大量依赖于人工的手动操作，费时且可重复性低。也有利用基于k-means聚类完成对典型片状角膜溃烂检测的方法，然而此方案只能解决溃烂情况严重的角膜图片(溃烂区域密集、颜色呈现极高的一致性)，而过渡期片状角膜溃烂是一种介于片状和点状之间的较为复杂的角膜溃烂形式，其表现形式多，溃烂区域边界不明显，溃烂区颜色不均匀且多样，手动分割难度大。
发明内容
为了克服现有的自动化图像处理技术无法精确提取过渡期片状角膜溃烂的局限，本发明提供了一种基于超像素的过渡期片状角膜溃烂区域的自动提取方法，有效地提高过渡期片状角膜溃烂提取的精确度与效率。
超像素提取过渡期片状角膜溃烂区域的方法，包括以下步骤：
S1.图像预处理：对输入图像构建角膜椭圆模型进行分割，提取角膜区域图像，对角膜区域图像进行滤波去噪；
S2.超像素分割：基于超像素分割算法，对角膜区域图像进行超像素分块；
S3.超像素特征提取：对每一个超像素块所包含的像素点求R、G、B各通道以及坐标位置(X,Y)的均值，得到
构建5维特征矩阵；
S4.SVM分类：利用所提取的超像素特征，对每个超像素进行基于SVM线性分类器的自动分类，得到初步分割结果；
S5.分割结果自动修正：基于SVM分类的初步分割结果，进行腐蚀或膨胀操作的形态运算，获得准确分割结果。
进一步，步骤S1中具体包括步骤：
S1-1.使用Photoshop或者MATLAB在图像显示的角膜边缘处手动标记四个点，其坐标轴分别为(XA,YA),(XB,YB),(XC,YC),(XD,YD)，计算出椭圆模型的长轴a，短轴b，以及椭圆中心坐标(X0,Y0),计算公式如下：
a＝|XC-XB|/2；
b＝|YA-YD|/2；
X0＝(XC+XB)/2，Y0＝(YA+YB)/2；
通过椭圆模型{(X,Y)|(X-X0)2/a+(Y-Y0)2/b≤1}，在图像中对椭圆模型区域进行提取，所提取的椭圆模型区域即为角膜区域；
S1-2.通过卷积滤波算法来对角膜区域图像的R、G、B通道分别进行滤波去噪。
进一步，步骤S2中具体包括步骤：
S2-1.初始化种子点：在角膜区域图像的像素点数量为N个，分割的超像素数量为K个，则每个超像素的大小为
根据超像素的个数K在角膜区域图内均匀的分配种子点，则相邻种子点的距离S为
S2-2.重新选择种子点：在种子点的3×3邻域内重新选择种子点，根据公式：
G(X,Y)＝[V(X+1，Y)-V(X-1，Y)]2+[V(X,Y+1)-V(X,Y-1)]2
计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的像素点上，所述(X,Y)为种子点的坐标；
S2-3.分配类标签：在步骤S2-2确定的每个种子点周围的邻域内为每个像素点分配类标签，搜索范围为2S×2S；
S2-4.计算种子点与邻域内每个搜索到的像素点的距离：取种子点为i，邻域内搜索到的像素点为j，距离计算方法如下：
其中，lj,aj,bj分别为搜索到的像素点j在LAB颜色空间中的L分量，A分量，B分量；li,ai,bi分别为种子点i在LAB颜色空间中的L分量，A分量，B分量；xj,yj分别为像素点j的横坐标和纵坐标；xi,yi分别为种子点i的横坐标和纵坐标；dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为
最大的颜色距离取m＝10；取距离度量最小值所对应的种子点作为该像素点的聚类中心；
S2-5.迭代优化：不断迭代步骤S2-1至S2-4直到每个像素点聚类中心不再发生变化为止；
S2-6.增强连通性：新建一张标记表，表内元素均为-1，按照从左到右，从上到下顺序将不连续的超像素以及尺寸过小的超像素重新分配给邻近的超像素，给遍历过的像素点分配相应的标签，直至遍历完毕。
进一步，步骤S4中具体包括步骤：
S4-1.训练数据：基于自动并配以手动校正的方法来精准分割100张过渡期片状角膜溃烂染色图片，在其分割结果的基础上，在每张样本图片上随机选择角膜溃烂区域中的1000个像素点以及角膜内非溃烂区域中的1000个像素点，分别设置训练标签为0和1，并提取各个像素点的R、G、B值及位置坐标信息，总共得到200000个训练样本点，并以R、G、B值及坐标信息X、Y的5维向量作为样本特征输入；
S4-2.训练模型：选用SVM线性分类器，设置迭代次数为10000，获得预测模型；
S4-3.预测：以待分割图像中的每一个超像素块作为样本输入，每个超像素块中所有像素点的R，G，B各通道亮度均值以及横、纵坐标均值作为预测样本特征输入，预测得到每个超像素块的标签并将其作为该超像素块中各个像素点的标签，得到SVM分割结果。
进一步，步骤S5中具体包括步骤：
S5-1.为了去除分割结果中的非溃烂区域，对分割结果进行腐蚀操作或膨胀操作，
腐蚀操作
其中，X是要处理的分割结果，Be是腐蚀结构元素；
膨胀操作D(X)＝{d|Bd↑E(X)}＝E(X)⊕Bd
其中，Bd是膨胀结构元素，D(X)为膨胀操作后的结果；
S5-2.通过多元线性回归模型来确定腐蚀、膨胀操作的个体化结构参数：对于100张图像中的每一张，使用线性回归算出每个图像的腐蚀和膨胀结构元素的半径，然后以5倍交叉验证方式验证线性回归模型的可操作性和准确性，其中输入特征值包括SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积；基于100张训练数据所得到的腐蚀操作的结构元素所对应的多元线性回归模型为：
y1＝15.397-1.280×10-5x1-0.029x2+0.009x3+0.075x4+0.066x5
其中，y1为腐蚀操作的结构参数；x1，x2，x3，x4，x5分别表示：SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积；
相应的膨胀操作的结构元素所对应的多元线性回归模型为：
y2＝33.269-7.844×105x1-0.015x2+0.016x3+0.068x4+0.408x5
其中，y2为膨胀操作的结构参数；x1，x2，x3，x4，x5分别表示：SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积。
本发明的有益效果包括：在超像素分割的基础上，结合基于支持向量机(SVM)的自动分类以及基于线性回归的自动形态运算，有效地解决了过渡期片状角膜溃烂难以精准分割的问题。本方案的算法模型基于大量实际临床图片数据训练得到。同时，本方案中的方法可以在数据不断更新与增多的过程中，实现对算法模型的自我更新和完善，来达到适应更多角膜溃烂类型的目的，也为其他相关疾病的算法设计提供借鉴，为多类型角膜溃烂实现溃烂区域的自动提取以及基于人工智能的自动诊断提供有力基础。
附图说明
图1是超像素提取过渡期片状角膜溃烂区域的方法的流程框图。
具体实施方式
如图1的流程框图所示，超像素提取过渡期片状角膜溃烂区域的方法，包括以下步骤：
S1.图像预处理：
S1-1.使用Photoshop或者MATLAB在图像显示的角膜边缘处手动标记四个点，其坐标轴分别为(XA,YA),(XB,YB),(XC,YC),(XD,YD)，计算出椭圆模型的长轴a，短轴b，以及椭圆中心坐标(X0,Y0),计算公式如下：
a＝|XC-XB|/2；
b＝|YA-YD|/2；
X0＝(XC+XB)/2，Y0＝(YA+YB)/2；
通过椭圆模型{(X,Y)|(X-X0)2/a+(Y-Y0)2/b≤1}，在图像中对椭圆模型区域进行提取，所提取的椭圆模型区域即为角膜区域；
S1-2.通过卷积滤波算法来对角膜区域图像的R、G、B通道分别进行滤波去噪；
S2.超像素分割：
S2-1.初始化种子点：在角膜区域图像的像素点数量为N个，分割的超像素数量为K个，则每个超像素的大小为
根据超像素的个数K在角膜区域图内均匀的分配种子点，则相邻种子点的距离S为
S2-2.重新选择种子点：在种子点的3×3邻域内重新选择种子点，根据公式：
G(X,Y)＝[V(X+1，Y)-V(X-1，Y)]2+[V(X,Y+1)-V(X,Y-1)]2
计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的像素点上，所述(X,Y)为种子点的坐标；
S2-3.分配类标签：在步骤S2-2确定的每个种子点周围的邻域内为每个像素点分配类标签，搜索范围为2S×2S；
S2-4.计算种子点与邻域内每个搜索到的像素点的距离：取种子点为i，邻域内搜索到的像素点为j，距离计算方法如下：
其中，lj,aj,bj分别为搜索到的像素点j在LAB颜色空间中的L分量，A分量，B分量；li,ai,bi分别为种子点i在LAB颜色空间中的L分量，A分量，B分量；xj,yj分别为像素点j的横坐标和纵坐标；xi,yi分别为种子点i的横坐标和纵坐标；dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为
最大的颜色距离取m＝10；取距离度量最小值所对应的种子点作为该像素点的聚类中心；
S2-5.迭代优化：不断迭代步骤S2-1至S2-4直到每个像素点聚类中心不再发生变化为止；
S2-6.增强连通性：新建一张标记表，表内元素均为-1，按照从左到右，从上到下顺序将不连续的超像素以及尺寸过小的超像素重新分配给邻近的超像素，给遍历过的像素点分配相应的标签，直至遍历完毕；
S3.超像素特征提取：对每一个超像素块所包含的像素点求R、G、B各通道以及坐标位置(X,Y)的均值，得到
构建5维特征矩阵；
S4.SVM分类：
S4-1.训练数据：基于自动并配以手动校正的方法来精准分割100张过渡期片状角膜溃烂染色图片，在其分割结果的基础上，在每张样本图片上随机选择角膜溃烂区域中的1000个像素点以及角膜内非溃烂区域中的1000个像素点，分别设置训练标签为0和1，并提取各个像素点的R、G、B值及位置坐标信息，总共得到200000个训练样本点，并以R、G、B值及坐标信息X、Y的5维向量作为样本特征输入；
S4-2.训练模型：选用SVM线性分类器，设置迭代次数为10000，获得预测模型；
S4-3.预测：以待分割图像中的每一个超像素块作为样本输入，每个超像素块中所有像素点的R，G，B各通道亮度均值以及横、纵坐标均值作为预测样本特征输入，预测得到每个超像素块的标签并将其作为该超像素块中各个像素点的标签，得到SVM分割结果；
S5.分割结果自动修正：
S5-1.为了去除分割结果中的非溃烂区域，对分割结果进行腐蚀操作或膨胀操作，
腐蚀操作
其中，X是要处理的分割结果，Be是腐蚀结构元素；
膨胀操作D(X)＝{d|Bd↑E(X)}＝E(X)⊕Bd
其中，Bd是膨胀结构元素，D(X)为膨胀操作后的结果；
S5-2.通过多元线性回归模型来确定腐蚀、膨胀操作的个体化结构参数：对于100张图像中的每一张，使用线性回归算出每个图像的腐蚀和膨胀结构元素的半径，然后以5倍交叉验证方式验证线性回归模型的可操作性和准确性，其中输入特征值包括SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积；基于100张训练数据所得到的腐蚀操作的结构元素所对应的多元线性回归模型为：
y1＝15.397-1.280×10-5x1-0.029x2+0.009x3+0.075x4+0.066x5
其中，y1为腐蚀操作的结构参数；x1，x2，x3，x4，x5分别表示：SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积；
相应的膨胀操作的结构元素所对应的多元线性回归模型为：
y2＝33.269-7.844×105x1-0.015x2+0.016x3+0.068x4+0.408x5
其中，y2为膨胀操作的结构参数；x1，x2，x3，x4，x5分别表示：SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积。
Claims (3)
1.一种超像素提取过渡期片状角膜溃烂区域的方法，其特征在于，包括以下步骤：
S1.图像预处理：对输入图像构建角膜椭圆模型进行分割，提取角膜区域图像，对角膜区域图像进行滤波去噪；
S2.超像素分割：基于超像素分割算法，对角膜区域图像进行超像素分块；
S3.超像素特征提取：对每一个超像素块所包含的像素点求R、G、B各通道以及坐标位置(X,Y)的均值，得到
构建5维特征矩阵；
S4.SVM分类：利用所提取的超像素特征，对每个超像素进行基于SVM线性分类器的自动分类，得到初步分割结果；
S5.分割结果自动修正：基于SVM分类的初步分割结果，进行腐蚀或膨胀操作的形态运算，获得准确分割结果；
其中所述步骤S4中具体包括步骤：
S4-1.训练数据：基于自动并配以手动校正的方法来精准分割100张过渡期片状角膜溃烂染色图片，在其分割结果的基础上，在每张样本图片上随机选择角膜溃烂区域中的1000个像素点以及角膜内非溃烂区域中的1000个像素点，分别设置训练标签为0和1，并提取各个像素点的R、G、B值及位置坐标信息，总共得到200000个训练样本点，并以R、G、B值及坐标信息X、Y的5维向量作为样本特征输入；
S4-2.训练模型：选用SVM线性分类器，设置迭代次数为10000，获得预测模型；
S4-3.预测：以待分割图像中的每一个超像素块作为样本输入，每个超像素块中所有像素点的R，G，B各通道亮度均值以及横、纵坐标均值作为预测样本特征输入，预测得到每个超像素块的标签并将其作为该超像素块中各个像素点的标签，得到SVM分割结果。
2.根据权利要求1所述的超像素提取过渡期片状角膜溃烂区域的方法，其特征在于，步骤S1中具体包括步骤：
S1-1.使用Photoshop或者MATLAB在图像显示的角膜边缘处手动标记四个点，其坐标轴分别为(XA,YA),(XB,YB),(XC,YC),(XD,YD)，计算出椭圆模型的长轴a，短轴b，以及椭圆中心坐标(X0,Y0),计算公式如下：
a＝|XC-XB|/2；
b＝|YA-YD|/2；
X0＝(XC+XB)/2，Y0＝(YA+YB)/2；
通过椭圆模型{(X,Y)|(X-X0)2/a+(Y-Y0)2/b≤1}，其中(X，Y)表示点坐标，在图像中对椭圆模型区域进行提取，所提取的椭圆模型区域即为角膜区域；
S1-2.通过卷积滤波算法来对角膜区域图像的R、G、B通道分别进行滤波去噪。
3.根据权利要求1或2所述的超像素提取过渡期片状角膜溃烂区域的方法，其特征在于，步骤S5中具体包括步骤：
S5-1.为了去除分割结果中的非溃烂区域，对分割结果进行腐蚀操作或膨胀操作，腐蚀操作
其中，X是要处理的分割结果，Be是腐蚀结构元素；膨胀操作
其中，Bd是膨胀结构元素，D(X)为膨胀操作后的结果；
S5-2.通过多元线性回归模型来确定腐蚀、膨胀操作的个体化结构参数：对于100张图像中的每一张，使用线性回归算出每个图像的腐蚀和膨胀结构元素的半径，然后以5倍交叉验证方式验证线性回归模型的可操作性和准确性，其中输入特征值包括SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积；基于100张训练数据所得到的腐蚀操作的结构元素所对应的多元线性回归模型为：
y1＝15.397-1.280×10-5x1-0.029x2+0.009x3+0.075x4+0.066x5，其中，y1为腐蚀操作的结构参数；x1，x2，x3，x4，x5分别表示：SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积；相应的膨胀操作的结构元素所对应的多元线性回归模型为：
y2＝33.269-7.844×105x1-0.015x2+0.016x3+0.068x4+0.408x5，其中，y2为膨胀操作的结构参数；x1，x2，x3，x4，x5分别表示：SVM所得分割结果的面积、分割结果区域的厚度平均值、厚度前5％的平均值、厚度后5％的平均值和对应角膜的面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810144150.8A CN108510470B (zh) | 2018-02-12 | 2018-02-12 | 超像素提取过渡期片状角膜溃烂区域的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810144150.8A CN108510470B (zh) | 2018-02-12 | 2018-02-12 | 超像素提取过渡期片状角膜溃烂区域的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108510470A CN108510470A (zh) | 2018-09-07 |
| CN108510470B true CN108510470B (zh) | 2020-08-04 |
Family
ID=63375133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810144150.8A Active CN108510470B (zh) | 2018-02-12 | 2018-02-12 | 超像素提取过渡期片状角膜溃烂区域的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108510470B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969629B (zh) * | 2019-10-30 | 2020-08-25 | 上海艾麒信息科技有限公司 | 基于超像素分割的交互式抠图系统、方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101411606A (zh) * | 2007-10-15 | 2009-04-22 | 倪蔚民 | 组合虹膜和皮层组织的生物测定系统 |
| CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
| CN106952271A (zh) * | 2017-03-08 | 2017-07-14 | 西北工业大学 | 一种基于超像素分割和em/mpm处理的图像分割方法 |
| CN107122597A (zh) * | 2017-04-12 | 2017-09-01 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种角膜受损智能诊断系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2014271236A1 (en) * | 2014-12-02 | 2016-06-16 | Canon Kabushiki Kaisha | Video segmentation method |
-
2018
- 2018-02-12 CN CN201810144150.8A patent/CN108510470B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101411606A (zh) * | 2007-10-15 | 2009-04-22 | 倪蔚民 | 组合虹膜和皮层组织的生物测定系统 |
| CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
| CN106952271A (zh) * | 2017-03-08 | 2017-07-14 | 西北工业大学 | 一种基于超像素分割和em/mpm处理的图像分割方法 |
| CN107122597A (zh) * | 2017-04-12 | 2017-09-01 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种角膜受损智能诊断系统 |
Non-Patent Citations (2)
| Title |
|---|
| Automatic brain tumor segmentation based on features of separated local square;Wei Chen et al.;《 2017 Chinese Automation Congress (CAC)》;20171031;6490-6492页 * |
| 基于超像素方法的腹部CT影像多目标器官分割研究;张海涛等;《中国医疗设备》;20180131;第33卷(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108510470A (zh) | 2018-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659692B (zh) | 基于强化学习和深度神经网络的病理图像自动标注方法 | |
| CN103473780B (zh) | 一种人像背景抠图的方法 | |
| Poletti et al. | A review of thresholding strategies applied to human chromosome segmentation | |
| JP4420821B2 (ja) | 組織学的アセスメント | |
| CN103942794B (zh) | 一种基于置信度的图像协同抠图方法 | |
| CN109886965B (zh) | 一种水平集和深度学习相结合的视网膜层分割方法及系统 | |
| CN106919933A (zh) | 瞳孔定位的方法及装置 | |
| US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
| CN104966286A (zh) | 一种3d视频显著性检测方法 | |
| CN110930427A (zh) | 一种基于语义轮廓信息的图像分割方法、设备和存储介质 | |
| CN111310768B (zh) | 基于鲁棒性背景先验和全局信息的显著性目标检测方法 | |
| CN106683098B (zh) | 一种重叠叶片图像的分割方法 | |
| KR20170015299A (ko) | 배경 추적을 통한 오브젝트 추적 및 분할을 위한 방법 및 장치 | |
| CN104637066B (zh) | 基于序贯细化的二值图像快速骨架提取方法 | |
| CN116580203A (zh) | 一种基于视觉注意力的无监督宫颈细胞实例分割方法 | |
| CN111641822B (zh) | 一种重定位立体图像质量评价方法 | |
| Schenk et al. | Automatic high-speed video glottis segmentation using salient regions and 3D geodesic active contours | |
| CN112669959A (zh) | 一种基于图像的白癜风病情自动评估方法 | |
| CN108510470B (zh) | 超像素提取过渡期片状角膜溃烂区域的方法 | |
| CN106372593B (zh) | 一种基于血管收敛的视盘区定位方法 | |
| CN105913434B (zh) | 一种白细胞定位和迭代分割方法 | |
| EP3018626B1 (en) | Apparatus and method for image segmentation | |
| Schenk et al. | Automatic glottis segmentation from laryngeal high-speed videos using 3D active contours | |
| Zhu et al. | Topology adaptive vessel network skeleton extraction with novel medialness measuring function | |
| Raj et al. | A structure tensor based Voronoi decomposition technique for optic cup segmentation |
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 |