CN109325923A - 一种基于数字图像算法处理的糖尿病视网膜图像增强方法 - Google Patents
一种基于数字图像算法处理的糖尿病视网膜图像增强方法 Download PDFInfo
- Publication number
- CN109325923A CN109325923A CN201811071150.6A CN201811071150A CN109325923A CN 109325923 A CN109325923 A CN 109325923A CN 201811071150 A CN201811071150 A CN 201811071150A CN 109325923 A CN109325923 A CN 109325923A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- pixel
- digital picture
- interest
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 17
- 210000001525 retina Anatomy 0.000 title claims abstract description 17
- 230000008569 process Effects 0.000 title claims description 7
- 230000004256 retinal image Effects 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 230000003902 lesion Effects 0.000 claims abstract description 10
- 230000010339 dilation Effects 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000011946 reduction process Methods 0.000 claims abstract description 8
- 208000017442 Retinal disease Diseases 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 206010038923 Retinopathy Diseases 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 9
- 241000196324 Embryophyta Species 0.000 claims description 3
- 206010018473 Glycosuria Diseases 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 230000001969 hypertrophic effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 10
- 238000011160 research Methods 0.000 abstract description 8
- 210000001210 retinal vessel Anatomy 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000033115 angiogenesis Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/11—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
- G06T7/13—Edge detection
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Processing (AREA)
Abstract
本发明公开了一种基于数字图像算法预处理的糖尿病视网膜图像增强方法，包括以下步骤：A、下载彩色眼底视网膜图像，并根据视网膜病变程度选取实验图像；B、视网膜图像降噪处理；C、对图像进行灰度变换，包括色彩平衡调整，亮度调整，对比度调整；D、采用阈值化操作去除背景；E、对图像进行边缘检测；F、形态学膨胀操作扩大感兴趣区域；本发明采用的数字图像处理方法能够提高视网膜图像病变区域的特征提取能力，为后续糖尿病视网膜分类以及视网膜血管分割的研究提供图像预处理操作。
Description
技术领域
本发明涉及视网膜图像处理技术领域，具体为一种基于数字图像算法预处理的糖尿病视网膜图像增强方法。
背景技术
糖尿病患者的彩色眼底图像的预处理过程对于研究糖尿病视网膜分类及眼部血管分割都有着重要的应用价值.在视网膜病理图像分类问题中,抽取具有代表性、有判别意义的特征是实现良好分类效果和精确眼部血管分割的关键因素；在视网膜病理图像眼部血管分割的问题中，去除不需要的图像背景及边缘检测是实现血管分割不可缺少的预处理过程；目前采集到的彩色眼底视网膜图像,主要有以下几个局限:(1)图像采集眼底的部位特殊.由于眼底位于眼睛的内部，光线较弱，因此由相机拍摄的图像明显偏暗，血管与背景图的对比度明显较底；(2)采集到的视网膜图像的质量容易受到镜头、机器设备和图像采集人员的经验等其他许多因素的影响；另外在进行糖尿病视网膜分类以及眼部血管分割的研究中，都需要对眼底视网膜图像进行预处理；并且数字图像处理算法具有精度高，不失真，还可以进行线性与非线性运算等特点；因此，有必要设计一种基于数字图像算法预处理的糖尿病视网膜图像增强方法。
发明内容
本发明的目的在于提供一种基于数字图像算法预处理的糖尿病视网膜图像增强方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于数字图像算法预处理的糖尿病视网膜图像增强方法,包括以下步骤：
A、下载彩色眼底视网膜图像，并根据视网膜病变程度选取实验图像；
B、视网膜图像降噪处理；
C、对图像进行灰度变换，包括色彩平衡调整，亮度调整，对比度调整；
D、采用阈值化操作去除背景；
E、对图像进行边缘检测；
F、形态学膨胀操作扩大感兴趣区域。
优选的，所述步骤A中选取实验图像方法如下：
a、将下载的彩色眼底视网膜图像按病变程度分为正常、轻微、中度、重度和增生性糖尿病视网膜疾病；
b、每个病变程度选取100张图像用于后续实验。
优选的，所述步骤B中降噪处理方法如下：
a、选取均值滤波方式，滤波模板核尺寸设置为5×5，去除图像噪声的同时保留边缘信息；
b、然后选择双边滤波方式，核尺寸设置为3×3，同时使用空间高斯权重和灰度相似性高斯权重，确保边界不会被模糊掉。
优选的，所述步骤E中对图像进行边缘检测方法如下：
a、使用高斯滤波器，滤波模板核尺寸设置为3×3，再一次滤除噪声，平滑图像；
b、采用一阶编导有限差分计算视网膜图像每一个像素点的梯度强度和方向；
c、对梯度幅值应用非最大值抑制，寻找像素点局部最大值，将非极大值点所对应的灰度值设为0，剔除掉大部分非边缘的像素点；
d、设置两个阈值，根据高阈值得到一个边缘图像，在端点处寻找满足低阈值的点，然后再收集新的边缘，最后检测真正的边缘和潜在的边缘；
e、抑制孤立的弱边缘完成边缘检测过程。
优选的，所述步骤F中形态学膨胀操作扩大感兴趣区域方法如下：
a、首先根据实验需要提取的特征区域，大致定位感兴趣区域周围的像素点集合；
b、然后定义一个卷积核3×3，滑动求取像素点的局部最大值；
c、通过合并内外部像素点，对感兴趣区域外轮廓的像素点重新赋值扩大感兴趣区域。
与现有技术相比，本发明的有益效果是：
（1）本发明采用的预处理视网膜图像的方法能够扩宽视网膜图像的研究范围，不仅适用于糖尿病视网膜分类研究，同样也适用于视网膜血管的分割研究；
（2）本发明采用的预处理方法实现对原始视网膜图像数据的降噪，具有降噪性能好、可用性高的特点；
（3）本发明采用的边缘检测技术进一步对视网膜图像降噪，并更多的检测出边缘信息，对糖尿病视网膜分类及视网膜血管的分割起到至关重要的作用；
（4）本发明采用的形态学膨胀操作扩大感兴趣区域，更有益于后续深度学习卷积神经网络提取图像特征。
附图说明
图1为本发明流程图。
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，所描述的实施例仅仅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做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。
请参阅图1，本发明提供一种技术方案：一种基于数字图像算法预处理的糖尿病视网膜图像增强方法,包括以下步骤：
A、下载彩色眼底视网膜图像，并根据视网膜病变程度选取实验图像；
B、视网膜图像降噪处理；
C、对图像进行灰度变换，包括色彩平衡调整，亮度调整，对比度调整；
D、采用阈值化操作去除背景；
E、对图像进行边缘检测；
F、形态学膨胀操作扩大感兴趣区域。
本发明中，步骤A中选取实验图像方法如下：
a、将下载的彩色眼底视网膜图像按病变程度分为正常、轻微、中度、重度和增生性糖尿病视网膜疾病；
b、每个病变程度选取100张图像用于后续实验。
本发明采用的实验图像数据来自Kaggle比赛中提供的数据，每一张图像都是由数个权威医师共同标注的标签，数据集可信度高，病变程度等级标签可靠，可以用于后续的实验。
本发明中，步骤B中降噪处理方法如下：
a、选取均值滤波方式，滤波模板核尺寸设置为5×5，去除图像噪声的同时保留边缘信息；
b、然后选择双边滤波方式，核尺寸设置为3×3，同时使用空间高斯权重和灰度相似性高斯权重，确保边界不会被模糊掉。
本发明采用的降噪处理能够在除去图像噪声的同时保留边缘信息，确保边缘信息不会被模糊处理，可以应用于视网膜血管分割的研究。
本发明中，步骤E中对图像进行边缘检测方法如下：
a、使用高斯滤波器，滤波模板核尺寸设置为3×3，再一次滤除噪声，平滑图像；
b、采用一阶编导有限差分计算视网膜图像每一个像素点的梯度强度和方向；
c、对梯度幅值应用非最大值抑制，寻找像素点局部最大值，将非极大值点所对应的灰度值设为0，剔除掉大部分非边缘的像素点；
d、设置两个阈值，根据高阈值得到一个边缘图像，在端点处寻找满足低阈值的点，然后再收集新的边缘，最后检测真正的边缘和潜在的边缘；
e、抑制孤立的弱边缘完成边缘检测过程。
本发明采用的对图像进行边缘检测的方法能够更好的降低误判率，并且检测位置精度高，能够定位到图像真正的边缘。
本发明中，步骤F中形态学膨胀操作扩大感兴趣区域方法如下：
a、首先根据实验需要提取的特征区域，大致定位感兴趣区域周围的像素点集合；
b、然后定义一个卷积核3×3，滑动求取像素点的局部最大值；
c、通过合并内外部像素点，对感兴趣区域外轮廓的像素点重新赋值扩大感兴趣区域。
本发明采用形态学膨胀操作扩大感兴趣区域方法扩大了图像的感兴趣区域，为后续卷积神经网络提供了更多更有用的特征信息。
此外，本发明中，对图像的灰度变换操作，采用基于Python的PIL图像处理库；(1)色彩平衡调整.将ImageEnhance里面的Color函数参数设置为0.8，使图像整体偏亮；(2)亮度调整.同样将Brightness函数的参数设置为1.2增大图像的亮度；(3)对比度调整.将Contrast函数参数设置为1.1；通过这三步操作后明显提高了图像的可读性，眼底血管更为清晰，病变区域更明显；另外采用阈值化操作，即去掉除了视网膜图像区域其他的黑色背景区域像素点。
综上所述，本发明采用的数字图像处理方法能够提高视网膜图像病变区域的特征提取能力，为后续糖尿病视网膜分类以及视网膜血管分割的研究提供图像预处理操作，而且能够使分类精度尽可能高，眼部血管分割尽可能准确。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于数字图像算法预处理的糖尿病视网膜图像增强方法,其特征在于：包括以下步骤：
A、下载彩色眼底视网膜图像，并根据视网膜病变程度选取实验图像；
B、视网膜图像降噪处理；
C、对图像进行灰度变换，包括色彩平衡调整，亮度调整，对比度调整；
D、采用阈值化操作去除背景；
E、对图像进行边缘检测；
F、形态学膨胀操作扩大感兴趣区域。
2.根据权利要求1所述的一种基于数字图像算法预处理的糖尿病视网膜图像增强方法，其特征在于：所述步骤A中选取实验图像方法如下：
a、将下载的彩色眼底视网膜图像按病变程度分为正常、轻微、中度、重度和增生性糖尿病视网膜疾病；
b、每个病变程度选取100张图像用于后续实验。
3.根据权利要求1所述的一种基于数字图像算法预处理的糖尿病视网膜图像增强方法，其特征在于：所述步骤B中降噪处理方法如下：
a、选取均值滤波方式，滤波模板核尺寸设置为5×5，去除图像噪声的同时保留边缘信息；
b、然后选择双边滤波方式，核尺寸设置为3×3，同时使用空间高斯权重和灰度相似性高斯权重，确保边界不会被模糊掉。
4.根据权利要求1所述的一种基于数字图像算法预处理的糖尿病视网膜图像增强方法，其特征在于：所述步骤E中边缘检测方法如下：
a、使用高斯滤波器，滤波模板核尺寸设置为3×3，再一次滤除噪声，平滑图像；
b、采用一阶编导有限差分计算视网膜图像每一个像素点的梯度强度和方向；
c、对梯度幅值应用非最大值抑制，寻找像素点局部最大值，将非极大值点所对应的灰度值设为0，剔除掉大部分非边缘的像素点；
d、设置两个阈值，根据高阈值得到一个边缘图像，在端点处寻找满足低阈值的点，然后再收集新的边缘，最后检测真正的边缘和潜在的边缘；
e、抑制孤立的弱边缘完成边缘检测过程。
5.根据权利要求1所述的一种基于数字图像算法预处理的糖尿病视网膜图像增强方法，其特征在于：所述步骤F中形态学膨胀操作扩大感兴趣区域方法如下：
a、首先根据实验需要提取的特征区域，大致定位感兴趣区域周围的像素点集合；
b、然后定义一个卷积核3×3，滑动求取像素点的局部最大值；
c、通过合并内外部像素点，对感兴趣区域外轮廓的像素点重新赋值扩大感兴趣区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811071150.6A CN109325923A (zh) | 2018-09-14 | 2018-09-14 | 一种基于数字图像算法处理的糖尿病视网膜图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811071150.6A CN109325923A (zh) | 2018-09-14 | 2018-09-14 | 一种基于数字图像算法处理的糖尿病视网膜图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109325923A true CN109325923A (zh) | 2019-02-12 |
Family
ID=65265409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811071150.6A Pending CN109325923A (zh) | 2018-09-14 | 2018-09-14 | 一种基于数字图像算法处理的糖尿病视网膜图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109325923A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161287A (zh) * | 2019-12-05 | 2020-05-15 | 山东科技大学 | 基于对称双向级联网络深度学习的视网膜血管分割方法 |
| CN111652805A (zh) * | 2020-03-13 | 2020-09-11 | 中山大学 | 一种用于眼底图像拼接的图像预处理方法 |
| CN111754537A (zh) * | 2020-06-15 | 2020-10-09 | 玖壹叁陆零医学科技南京有限公司 | 一种病理组织图像的处理方法、装置及存储介质 |
| CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
-
2018
- 2018-09-14 CN CN201811071150.6A patent/CN109325923A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161287A (zh) * | 2019-12-05 | 2020-05-15 | 山东科技大学 | 基于对称双向级联网络深度学习的视网膜血管分割方法 |
| CN111652805A (zh) * | 2020-03-13 | 2020-09-11 | 中山大学 | 一种用于眼底图像拼接的图像预处理方法 |
| CN111652805B (zh) * | 2020-03-13 | 2023-05-09 | 中山大学 | 一种用于眼底图像拼接的图像预处理方法 |
| CN111754537A (zh) * | 2020-06-15 | 2020-10-09 | 玖壹叁陆零医学科技南京有限公司 | 一种病理组织图像的处理方法、装置及存储介质 |
| CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
| CN117557460B (zh) * | 2024-01-12 | 2024-03-29 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109325923A (zh) | 一种基于数字图像算法处理的糖尿病视网膜图像增强方法 | |
| Sopharak et al. | Automatic detection of diabetic retinopathy exudates from non-dilated retinal images using mathematical morphology methods | |
| Zhang et al. | Detection of microaneurysms using multi-scale correlation coefficients | |
| CN105787927B (zh) | 一种眼底彩色照相图像中渗出自动化识别方法 | |
| Kayal et al. | A new dynamic thresholding based technique for detection of hard exudates in digital retinal fundus image | |
| CN107451998A (zh) | 一种眼底图像质量控制方法 | |
| Qureshi et al. | Detection of glaucoma based on cup-to-disc ratio using fundus images | |
| Ahmed et al. | High speed detection of optical disc in retinal fundus image | |
| Akshay et al. | Segmentation and classification of FMM compressed retinal images using watershed and canny segmentation and support vector machine | |
| Uribe-Valencia et al. | Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model | |
| CN117372284B (zh) | 眼底图像处理方法及系统 | |
| Wankhede et al. | Automated microaneurysms detection from retinal fundus images using pixel intensity rank transform | |
| Omid et al. | Optic disc detection in high-resolution retinal fundus images by region growing | |
| Saravanan et al. | Automated red lesion detection in diabetic retinopathy | |
| Agurto et al. | Detection of hard exudates and red lesions in the macula using a multiscale approach | |
| Shyam et al. | Blood vessel segmentation in fundus images and detection of glaucoma | |
| Yamuna et al. | Detection of abnormalities in retinal images | |
| Somasundaram et al. | Detection of exudates for the diagnosis of diabetic retinopathy | |
| Shaikha et al. | Optic Disc Detection and Segmentation in Retinal Fundus Image | |
| Sharma et al. | An automatic segmentation & detection of blood vessels and optic disc in retinal images | |
| Dharani et al. | Improved microaneurysm detection in fundus images for diagnosis of diabetic retinopathy | |
| Kabir | A rule based segmentation approaches to extract retinal blood vessels in fundus image | |
| Balasundari et al. | Diagnosing Retinal Diseases Using Image Processing Techniques | |
| Bhargav et al. | Automatic location of Optic Disc boundary in retinal images | |
| Madala et al. | Framework for Diabetic Retinopathy Classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190212 |