CN108846827A - 一种基于多圆快速分割眼底视盘的方法 - Google Patents
一种基于多圆快速分割眼底视盘的方法 Download PDFInfo
- Publication number
- CN108846827A CN108846827A CN201810375917.8A CN201810375917A CN108846827A CN 108846827 A CN108846827 A CN 108846827A CN 201810375917 A CN201810375917 A CN 201810375917A CN 108846827 A CN108846827 A CN 108846827A
- Authority
- CN
- China
- Prior art keywords
- optic disk
- circle
- region
- segmentation
- gray level
- 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.)
- Granted
Links
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/20036—Morphological image processing
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及计算机技术领域,具体涉及一种基于多圆快速分割眼底视盘的方法。一种基于多圆快速分割眼底视盘的方法步骤如下:步骤1,基于高亮度和血管特性确定视盘中心;1.1彩色视网膜图像阈值分割;1.2标记候选中心;1.3定位到视盘中心。步骤2,基于多圆最小凸包运算分割视盘;2.1形态学移除血管,形态学移除血管过程采用膨胀操作。2.2 Hough圆变换,采用canny算子双阈值分割处理膨胀视盘后的视盘区域,得到二值化的边缘图像E。2.3多圆最小凸包运算。本发明采用多圆分割视盘的方法,对视盘内部检测到的多个圆进行凸包运算,能有效提高分割的速度和精度。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于多圆快速分割眼底视盘的方法。
背景技术
氟青光眼和糖尿病视网膜病变可以通过视盘来反映情况,而视盘具有高亮度,轮廓近似椭圆,内部血管分布集中的特性。通过其中某个或者多个特征,可以精确的定位视盘的区域,然后对视盘进行分割操作。
定位方法中,主要的是基于视盘的高亮度特性。典型的是Li提出的算法,他首先提出视网膜图像内最亮的像素点的个数占了整个视网膜图像的1%,通过提取这些候选点,并对这些候选点进行聚类,选取较大的连通区域作为候选区域,然后通过PCA特征分析,对候选区域进行投影,欧式距离与平均视盘最近的候选区域则是视盘区。此类算法对正常视网膜图像的检测率很高,但是对于有病变(溢出液)和质量较差的视网膜图像,效果不太理想而且耗时。
而Park,Abdullah等人提出了基于视盘轮廓近似圆的特性来定位视盘的方法。他们对整个视网膜图像进行Hough圆变换,通过视盘半径的范围来确定视盘的大致位置。由于Hough圆变换是将二维空间的点映射到三维空间上,变换得到的圆较多,干扰项较多,为了得到准确的视盘区域,还需要同圆内像素进行对比,即需要结合视盘的亮度特性进一步筛选候选区域。计算代价主要体现在检测到的圆。
在三个特性中,根据视盘内部血管分布的特性定位视盘的方法是最健壮的方法。在视盘内,血管较为集中,除了血管相交外,最显著的一个特点就是血管的方向分布较广。Hoover等人利用了血管在视盘汇聚的特性,先提取血管,通过模糊集来计算血管段的汇聚度,取得收敛度最强的点,即作为视盘的中心点。该算法的可靠性高,检测效果好,但是需要提取血管,并且在血管分叉处容易误判,时间复杂度也高。Jaafar提出了关于视盘区域血管具有环状的特性,通过形态学方法和Hough变换得到视盘的轮廓。此方法需要的计算量很大,而且对于血管密集的地方,血管与血管之间很容易形成环,导致误判。Foracchia利用了视网膜主血管的特性,采用一种具有抛物线的方向模型定位视盘。并且此几何参数模型,包含了左右的方向特性。通过两条抛物线间的公共顶点作为视盘的中心点。此算法的鲁棒性较高,它对全局进行搜索,局部的病变和噪音,对结果没有影响。Mahfouz等人运用视盘内血管具有近似竖直的方向特性,把二维的定位问题转化为两个一维的问题,把视网膜图像投影到两个正交的轴上。水平轴代表对水平梯度的响应,竖直轴代表对亮度大小的反映。对病变的视网膜图像具有抗干扰能力,鲁棒性好,而且计算量大大降低,平均花费时间不到一秒。
精准定位后,分割视盘才有意义。视盘分割的关键在于边缘的获取。有形态学的方法,Hough变换的方法以及基于活动轮廓模型的分割方法。
基于形态学的方法,除了简单的膨胀腐蚀操作获取粗糙的轮廓外,还有分水岭算法。此算法可以获取图像中不同灰度值的等高线,计算过程是一个迭代标注的过程,对微弱边缘具有良好的响应,但是图像中的噪声、物体表面细微的灰度变化,都会产生过度分割的现象。
定位和分割都可以使用Hough变换,因为视盘的轮廓近似椭圆,可以采用Hough圆或者椭圆分割轮廓,得到的轮廓较圆滑。但实际的视盘,并不是规范的椭圆,在精确度上会出现两个分化,要么特别高,要么特别低。独立的作为分割方法,精度较低,可以作为初始化轮廓,与活动轮廓模型分割方法结合提供精度。
基于活动轮廓模型视盘分割方法,是让轮廓自动的向边缘靠近。此算法利用的是在图像域上的曲线在与曲线自身相关的内力以及由图像数据定义的外力的共同作用下向物体边缘靠近。外力推动活动轮廓拉向物体边缘,而内力则保持活动轮廓的光滑和连续性。主要的分类有参数活动轮廓模型(snake模型),几何活动轮廓模型(水平集)。前者基于变分法的活动轮廓模型,它直接以曲线的参数化形式显式地表达曲线的演化。它为给定的模型构造特定的能量函数,然后利用变分法对该能量函数极小化,得到模型演化的偏微分方程,使得轮廓线在到达目标边界时因为能量函数达到最小值而自动停止。后者在轮廓曲线的几何特性的推动下向着目标的边缘移动,而与轮廓的参数特性无关,避免了参数活动轮廓必须重复参数化曲线这一难题。Osareh提出的算法就是前者的代表,通过匹配模板的方式自动初始化轮廓,并将彩色视盘转换到LAB空间下,并对血管进行移除,得到较高的分割效果。后者的代表是Kande提出的算法,同样需要在LAB空间下移除血管。该类的算法特点在于迭代地寻找能量平衡的边缘位置,所以计算复杂度比较高,每幅图像平均处理时间为十几秒甚至几分钟。
发明内容
本发明提供了一种基于多圆快速分割眼底视盘的方法,采用多圆分割视盘的方法,对视盘内部检测到的多个圆进行凸包运算,能有效提高分割的速度和精度。
本发明的技术方案:
一种基于多圆快速分割眼底视盘的方法,步骤如下:
步骤1,基于高亮度和血管特性确定视盘中心;
1.1彩色视网膜图像阈值分割
1)统计视网膜图像绿色通道归一化后的灰度直方图分布,逆序排列后,得到灰度级集合T={t1,t2,...,tn}和灰度级出现的频率集合其中,n为灰度级,第一个灰度级t1=1,最后一个灰度级tn=0。
灰度级tm的出现频率为:
其中,为灰度级tm出现的频率;为灰度级tj出现的频率。
2)求取最佳阈值ξ:
其中,p代表视盘亮区占整个图像的百分比,Pi指前i个灰度级出现频率的占比,则P1指的是第一个灰度级出现频率的占比。
3)通过最佳阈值分割图像,得到连通区域,对各个连通区域进行标记,得到候选区域集合D={D1,D2,...,Dk},其中,k代表连通区域的个数。
1.2标记候选中心
以Di表示第i个连通区域,则第i个候选中心χi为:
其中,d代表第i个连通区域Di内像素的总个数,为Di内像素内第j个像素的坐标。
1.3定位到视盘中心
1)采用中值滤波对1.2步得到的第i个候选中心χi附近的区域fχi进行边缘增强,其中,fχi是以χi为中心的正方形区域,边长为Z+1。
2)采用1×3的一维卷积模板对区域fχi进行水平边缘的检测,得到在水平方向上的梯度
1×3的一维卷积模板为:
水平方向上的梯度为:
其中,(x,y)为坐标点;
3)对水平方向上的梯度超过特定阈值γ的部分进行保留,得到
4)将在水平方向投影,即对垂直方向上的响应值累加,以最高值做为第i个候选中心χi筛选的依据,得到视盘中心χop:
其中,k代表连通区域的个数。
步骤2,基于多圆最小凸包运算分割视盘;
2.1形态学移除血管
形态学移除血管过程采用膨胀操作,将进行膨胀操作:
其中,为膨胀视盘后的视盘区域;δB为复试操作;f为区域函数;B为结构元素,采用的是半径为r的圆盘;是以视盘中心χop为中心,半径为2Z+1的正方形区域。
2.2 Hough圆变换
采用canny算子双阈值分割处理膨胀视盘后的视盘区域得到二值化的边缘图像E。
再对E进行圆检测,采用极坐标方式表达。根据圆检测得到点的数量对检测出来的所有圆进行由多到少的排序。第i个圆的函数为其中R代表第i个圆的半径;
2.3多圆最小凸包运算
排序后所得圆中,对前λ个圆的半径直接减r,得到的圆为
则多圆最小凸包运算为:
其中,为第i个调整后的圆内包含的像素集合;ψ(·)表示并集运算,K是Ω的所有凸包,S为所有凸包的交集,即多圆的最小凸包,也就得到了需要分割出来的视盘。
本发明的有益效果:对视盘内部检测到的多个圆进行凸包运算,提高了分割的速度和精度。
附图说明
图1是本发明的框架图。
图2(a)是眼底图血管分布图。
图2(b)是血管水平梯度响应表图。
图3(a)是有血管视盘膨胀图。
图3(b)是有缺口视盘膨胀图。
图4(a)是多圆最小凸包双阈值分割图。
图4(b)是多圆最小凸包选定多圆图。
图4(c)是多圆最小凸包半径调整图。
图4(d)是多圆最小凸包视盘轮廓图。
具体实施方式
下面结合技术方案和附图对本发明的具体实施例详细说明。
图1为本发明的框架图,处理的过程主要包含两大过程:精确定位视盘中心和快速分割视盘:
步骤1,基于高亮度和血管特性确定视盘中心;
1.1彩色视网膜图像阈值分割
将整个眼底视网膜图像的1%作为像素点数量的选取阈值,得到离散的高亮度区域;具体步骤如下:
1)统计视网膜图像绿色通道归一化后的灰度直方图分布,逆序排列后,得到灰度级的集合T={t1,t2,...,tn}和灰度级出现的频率集合其中,n为灰度级,第一个灰度级t1=1,最后一个灰度级tn=0。
灰度级为tm的出现频率为:
其中,为灰度级tm出现的频率;为灰度级tj出现的频率
2)求取最佳阈值ξ:
其中,p代表视盘亮区占整个图像的百分比,Pi指前i个灰度级出现频率的占比,则P1指的是第一个灰度级出现频率的占比。
3)通过最佳阈值分割图像,并对分割出的各个连通区域进行标记,得到候选区域集合D={D1,D2,...,Dk},其中,k代表连通区域的个数。
1.2标记候选中心
以Di表示第i个连通区域,则第i个候选中心χi为:
其中,d代表第i个连通区域Di内像素的总个数,为Di内像素内第j个像素的坐标。
1.3定位到视盘中心
1)采用中值滤波对1.2步得到第i个候选中心χi附近的区域fχi进行边缘增强,其中,fχi是以χi为中心的正方形区域,边长为Z+1。
2)采用1×3的一维卷积模板对fχi进行水平边缘的检测,得到在水平方向上的梯度
1×3的一维卷积模板为:
水平方向上的梯度为:
其中,(x,y)为坐标点;
3)对超过特定阈值γ的部分保留,得到
5)将在水平方向投影,即垂直方向上响应值累加,以最高值做为第i个候选中心χi筛选的依据,那么最终的视盘中心χop可以表示为:
其中,k代表连通区域的个数。
步骤2,基于多圆最小凸包运算分割视盘;
2.1形态学移除血管
形态学移除血管采用膨胀操作,膨胀操作如下:
其中,为膨胀视盘后的视盘区域,δB为复试操作,f为区域函数。B为结构元素;
进一步的,B采用的是半径为r的圆盘。
2.2 Hough圆变换
采用canny算子双阈值分割处理得到二值化的边缘图像E。
再采用以极坐标表达方式的快速Hough圆检测,对E进行圆检测。根据构成此圆点的数量,对检测出来的所有圆进行由高到低的排序。在此序列下,第i个圆的函数为其中R代表第i个圆的半径;
2.3多圆最小凸包运算
在排序出来的多个圆中,对前λ个圆的半径直接减r,得到的圆为
则多圆最小凸包运算为:
其中,为第i个调整后的圆内包含的像素集合;ψ(·)表示并集运算,K是Ω的所有凸包,S为所有凸包的交集,即多圆的最小凸包,也就得到了需要分割出来的视盘。
先对彩色视网膜图像进行绿色通道分离,通过整个眼底视网膜图像的前1%高亮度的像素区域,快速分割出视盘的候选区域。并通过局部血管梯度投影,得到视盘中心。在定位到视盘中心后,需要分割出整个视盘。先选取以视盘中心为中心,半径为101的正方形区域为初步视盘区域。并采用半径为15的圆盘,对初步视盘区域进行膨胀移除血管的操作。在经过快速Hough圆检测,得到多个排好序的圆后,对所有圆进行半径调整。在选取不同数量的圆,进行最小凸包运算后,得到的准确视盘区域与实际视盘区域的参数对比不一样。
表1
从表1中可以看出,在λ取值为4的时候,分割的效果最好。在λ=4的基础上,以DRIONS‐DB数据库作为实验对象,本发明分割出的视盘结果,会得到四个类别:TP(truepositive,真阳性),FP(false positive,假阳性),TN(true negative,真阴性)和FN(falsenegative,假阴性)。根据类别得到5个标准:JC系数,即overlap;Dice系数;精确度accuracy;灵敏度sensitivity;特异性specificity;它们的计算方式如下:
得到的结果:
表2
从表2中可以看出,在一秒左右的时间就可以对一张眼底视网膜图像进行高精度地分割,分割的各项指标均达到了较高的水平。
综上所述,本发明采用多圆凸包来分割视盘,创新性地对膨胀后的视盘边缘直接进行Hough圆检测,并对检测到的圆进行半径调整,得到实际视盘内的圆。速度快,精度高,适合辅助眼科医生进行自动化的检测作用。
Claims (1)
1.一种基于多圆快速分割眼底视盘的方法,其特征在于,步骤如下:
步骤1,基于高亮度和血管特性确定视盘中心;
1.1 彩色视网膜图像阈值分割
1)统计视网膜图像绿色通道归一化后的灰度直方图分布,逆序排列后,得到灰度级集合T={t1,t2,...,tn}和灰度级出现的频率集合其中,n为灰度级,第一个灰度级t1=1,最后一个灰度级tn=0;
灰度级tm的出现频率为:
其中,为灰度级tm出现的频率;为灰度级tj出现的频率;
2)求取最佳阈值ξ:
其中,p代表视盘亮区占整个图像的百分比,Pi指前i个灰度级出现频率的占比,则P1指的是第一个灰度级出现频率的占比;
3)通过最佳阈值分割图像,得到连通区域,对各个连通区域进行标记,得到候选区域集合D={D1,D2,...,Dk},其中,k代表连通区域的个数;
1.2 标记候选中心
以Di表示第i个连通区域,则第i个候选中心χi为:
其中,d代表第i个连通区域Di内像素的总个数,为Di内像素内第j个像素的坐标;
1.3 定位到视盘中心
1)采用中值滤波对1.2步得到的第i个候选中心χi附近的区域进行边缘增强,其中, 是以χi为中心的正方形区域,边长为Z+1;
2)采用1×3的一维卷积模板对区域进行水平边缘的检测,得到在水平方向上的梯度
1×3的一维卷积模板为:
水平方向上的梯度为:
其中,(x,y)为坐标点;
3)对水平方向上的梯度超过特定阈值γ的部分进行保留,得到
4)将在水平方向投影,即对垂直方向上的响应值累加,以最高值做为第i个候选中心χi筛选的依据,得到视盘中心χop:
其中,k代表连通区域的个数;
步骤2,基于多圆最小凸包运算分割视盘;
2.1 形态学移除血管
形态学移除血管过程采用膨胀操作,将进行膨胀操作:
其中,为膨胀视盘后的视盘区域;δB为复试操作;f为区域函数;B为结构元素,采用的是半径为r的圆盘;是以视盘中心χop为中心,半径为2Z+1的正方形区域;
2.2 Hough圆变换
采用canny算子双阈值分割处理膨胀视盘后的视盘区域得到二值化的边缘图像E;
再对E进行圆检测,采用极坐标方式表达;根据圆检测得到点的数量对检测出来的所有圆进行由多到少的排序;第i个圆的函数为其中R代表第i个圆的半径;
2.3 多圆最小凸包运算
排序后所得圆中,对前λ个圆的半径直接减r,得到的圆为
则多圆最小凸包运算为:
其中,为第i个调整后的圆内包含的像素集合;ψ(·)表示并集运算,K是Ω的所有凸包,S为所有凸包的交集,即多圆的最小凸包,也就得到了需要分割出来的视盘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810375917.8A CN108846827B (zh) | 2018-04-16 | 2018-04-16 | 一种基于多圆快速分割眼底视盘的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810375917.8A CN108846827B (zh) | 2018-04-16 | 2018-04-16 | 一种基于多圆快速分割眼底视盘的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846827A true CN108846827A (zh) | 2018-11-20 |
CN108846827B CN108846827B (zh) | 2021-10-15 |
Family
ID=64212123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810375917.8A Active CN108846827B (zh) | 2018-04-16 | 2018-04-16 | 一种基于多圆快速分割眼底视盘的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846827B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349239A (zh) * | 2019-07-05 | 2019-10-18 | 厦门大学 | 图像特征保持的圆点绘制方法 |
CN111192280A (zh) * | 2019-12-24 | 2020-05-22 | 中北大学 | 一种基于局部特征的视盘边缘检测方法 |
CN111291706A (zh) * | 2020-02-24 | 2020-06-16 | 齐鲁工业大学 | 一种视网膜图像视盘定位方法 |
CN116309549A (zh) * | 2023-05-11 | 2023-06-23 | 爱尔眼科医院集团股份有限公司 | 一种眼底区域检测方法、装置、设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157279A (zh) * | 2015-03-23 | 2016-11-23 | 上海交通大学 | 基于形态学分割的眼底图像病变检测方法 |
CN106558030A (zh) * | 2016-11-15 | 2017-04-05 | 苏州大学 | 三维大视野扫频光学相干断层成像中脉络膜的分割方法 |
CN107123124A (zh) * | 2017-05-04 | 2017-09-01 | 季鑫 | 视网膜图像分析方法、装置和计算设备 |
-
2018
- 2018-04-16 CN CN201810375917.8A patent/CN108846827B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157279A (zh) * | 2015-03-23 | 2016-11-23 | 上海交通大学 | 基于形态学分割的眼底图像病变检测方法 |
CN106558030A (zh) * | 2016-11-15 | 2017-04-05 | 苏州大学 | 三维大视野扫频光学相干断层成像中脉络膜的分割方法 |
CN107123124A (zh) * | 2017-05-04 | 2017-09-01 | 季鑫 | 视网膜图像分析方法、装置和计算设备 |
Non-Patent Citations (3)
Title |
---|
NAGARAJAN P 等: "Accurate Optic Disc Boundary in Digital Fundus Images Using Discrete Shearlet Transform and Convex Hull Border Estimator", 《 JOURNAL OF MEDICAL IMAGING AND HEALTH INFORMATICS》 * |
SOHINI ROYCHOWDHURY 等: "Optic Disc Boundary and Vessel Origin Segmentation of Fundus Images", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 * |
刘杜娟 等: "视网膜眼底图像中视盘的检测方法", 《中国医疗设备》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349239A (zh) * | 2019-07-05 | 2019-10-18 | 厦门大学 | 图像特征保持的圆点绘制方法 |
CN110349239B (zh) * | 2019-07-05 | 2020-11-10 | 厦门大学 | 图像特征保持的圆点绘制方法 |
CN111192280A (zh) * | 2019-12-24 | 2020-05-22 | 中北大学 | 一种基于局部特征的视盘边缘检测方法 |
CN111192280B (zh) * | 2019-12-24 | 2022-10-18 | 中北大学 | 一种基于局部特征的视盘边缘检测方法 |
CN111291706A (zh) * | 2020-02-24 | 2020-06-16 | 齐鲁工业大学 | 一种视网膜图像视盘定位方法 |
CN111291706B (zh) * | 2020-02-24 | 2022-11-22 | 齐鲁工业大学 | 一种视网膜图像视盘定位方法 |
CN116309549A (zh) * | 2023-05-11 | 2023-06-23 | 爱尔眼科医院集团股份有限公司 | 一种眼底区域检测方法、装置、设备及可读存储介质 |
CN116309549B (zh) * | 2023-05-11 | 2023-10-03 | 爱尔眼科医院集团股份有限公司 | 一种眼底区域检测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108846827B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zahoor et al. | Fast optic disc segmentation in retina using polar transform | |
CN108846827A (zh) | 一种基于多圆快速分割眼底视盘的方法 | |
Dey et al. | FCM based blood vessel segmentation method for retinal images | |
Fatima Bokhari et al. | Fundus image segmentation and feature extraction for the detection of glaucoma: A new approach | |
CN104794721B (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
CN108961261B (zh) | 一种基于空间连续性约束的视盘区域oct图像层次分割方法 | |
Yin et al. | Automated segmentation of optic disc and optic cup in fundus images for glaucoma diagnosis | |
CN105243669B (zh) | 眼底图像自动识别分区方法 | |
Harangi et al. | Automatic detection of the optic disc using majority voting in a collection of optic disc detectors | |
CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
Pathan et al. | Automated detection of optic disc contours in fundus images using decision tree classifier | |
Lotankar et al. | Detection of optic disc and cup from color retinal images for automated diagnosis of glaucoma | |
CN109035227A (zh) | 对ct图像进行肺部肿瘤检测与诊断的系统 | |
Zhang et al. | Optic disc localization by projection with vessel distribution and appearance characteristics | |
GeethaRamani et al. | Automatic localization and segmentation of Optic Disc in retinal fundus images through image processing techniques | |
Balakrishnan | NDC-IVM: An automatic segmentation of optic disc and cup region from medical images for glaucoma detection | |
Devasia et al. | Automatic optic disc boundary extraction from color fundus images | |
Martins | Automatic microaneurysm detection and characterization through digital color fundus images | |
Ong et al. | Automatic Glaucoma Detection from Stereo Fundus Images | |
Singh et al. | Assessment of disc damage likelihood scale (DDLS) for automated glaucoma diagnosis | |
Princye et al. | Detection of exudates and feature extraction of retinal images using fuzzy clustering method | |
Poonguzhali et al. | Review on localization of optic disc in retinal fundus images | |
Devasia et al. | Fuzzy clustering based glaucoma detection using the CDR | |
Almazroa | A novel automatic optic disc and cup image segmentation system for diagnosing glaucoma using riga dataset | |
CN110246125A (zh) | 基于abus冠状面图像的乳头位置自动检测方法 |
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 |