CN109389614A - 一种快速光学成像数据分割方法 - Google Patents
一种快速光学成像数据分割方法 Download PDFInfo
- Publication number
- CN109389614A CN109389614A CN201811241760.6A CN201811241760A CN109389614A CN 109389614 A CN109389614 A CN 109389614A CN 201811241760 A CN201811241760 A CN 201811241760A CN 109389614 A CN109389614 A CN 109389614A
- Authority
- CN
- China
- Prior art keywords
- image
- imaging data
- optical imaging
- bianry image
- dividing method
- 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 50
- 238000012634 optical imaging Methods 0.000 title claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 230000009977 dual effect Effects 0.000 claims description 10
- 238000005530 etching Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 13
- 238000012014 optical coherence tomography Methods 0.000 abstract description 6
- 238000011017 operating method Methods 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 210000001525 retina Anatomy 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002207 retinal effect Effects 0.000 description 3
- 206010025421 Macule Diseases 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000003733 optic disk Anatomy 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 206010012688 Diabetic retinal oedema Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000003161 choroid Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 201000011190 diabetic macular edema Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
- 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)
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种快速光学成像数据分割方法。本发明针对光学相干断层成像模式，首先利用高斯核函数平滑滤波对观察图像进行处理，并计算观察图像的梯度图像；其次，利用多阈值分割得到影像的上部和下部背景噪声区；最后，利用一次形态学开操作方法去掉部分孤立点，最终得到组织的分割结果。
Description
技术领域
本发明涉及一种快速光学成像数据分割方法，属于图像处理的技术领域。
背景技术
光学图像组织分割是许多眼科疾病及其他疾病的有效诊断依据，对于其眼底图像的增强处理在临床医学领域意义重大。光学相关层析成像(OCT)技术是一种新的光学诊断技术，具有高分辨率、非接触性等优点，在许多眼科疾病的诊断中可用于对视网膜厚度等结构改变进行定量检测。例如视网膜黄斑厚度可用于量化糖尿病黄斑水肿和年龄相关性黄斑变性等疾病；青光眼疾病的早期诊断可以视网膜的厚度测量为依据等。目前对视网膜层状结构的定量分析主要集中在特定结构及病变的模式识别算法方面，尚未有理想的算法应用于临床诊断。探索有效的眼底视网膜结构模式识别算法以自动分割视网膜层状结构，并在临床应用中实现视网膜厚度测量，对眼科疾病的诊断及设备的完善具有重要的价值。另外，一次OCT检查得到的通常是是几十甚至上百幅图像组成的图像序列，而且在图像后处理时，要处理的人体组织区域通常只占整张图像的三分之一，其他背景区域不需要处理，因此，快速准确的分割人体组织区域，对于图像后续增强处理以及测量视网膜层厚度等定量分析具有重要意义。
图像分割是按照灰度、颜色、纹理等特征对图像进行划分的过程，其中同一区域中的特征满足一定的相似性，不同区域中的特征具有明显的差异性，成功分割出的区域可以作为后续特征提取的目标对象。图像分割是一项重要的图像处理技术，常用的图像分割方法有基于阈值的图像分割方法，基于边缘的分割方法，基于区域的分割方法，基于模糊理论的分割方法等。但由于不同领域的图像呈现特征不同，各种图像分割方法都局限于特定的应用领域。但现有的光学图像分割方法运算速度较慢,阻碍了其临床使用。同时，由于噪声的存在，背景中可能仍残留某些孤立点，这些孤立点会对最终边界的确定带来影响，这些问题都会对最终组织的分割造成不利影响。
现有技术中已经出现了针对光学成像组织分割方法的相关技术。中国专利，公开号CN 105894498A提出了一种视网膜光学相干图像分割方法。首先使用高斯滤波对视网膜黄斑图像按行进行滤波,再运用多分辨率方法获取图像初始局部轮廓,最后使用水平集方法快速获取视网膜黄斑图像的中间轮廓,得到最终的图像分割结果。但是该方法忽略了由于噪声产生的孤立点对于边界确定的影响，影响组织分割的准确性。
开操作是数学形态学的一种基本运算，通过圆形结构元对图像进行膨胀操作和腐蚀操作属于现有技术，如葛平俱、苏平等于2007年发表的《基于数学形态学的混合消噪法》。
中国专利，公开号CN 106558030A提出了一种三维大视野扫频光学相干断层成像中脉络膜的分割方法。该方法首先进行图像增强处理；其次进行视盘区域检测,得到视盘区域的二维投影；然后用三维多分辨率图搜算法,基于梯度代价函数，进行脉络膜上下表面的分割；最后根据初步分割结果,计算梯度信息与区域信息相结合的代价函数,用三维图搜算法获得分割结果。但是该方法对于成像仪器要求较高，成本高；并且三维图像计算量较大，速度较慢，不适用于大规模临床应用。
中国专利，公开号CN 106485721A提出了一种从光学相干断层图像获取视网膜结构的方法。首先计算源图像的感兴趣区图像；再对感兴趣区图像进行高斯滤波；然后利用多分辨率法计算估计边界位置；最后利用滤波方法进行光滑处理。该方法需要多次计算进行估计第一层边界的分割位置和第二层边界的分割位置，处理速度较慢，不适合于临床应用。
双阈值策略属于现有技术，例如Canny边缘检测算法在1986年由John F.Canny于其论文”A Computational Approach to Edge-Detection”中首次提出，通过选取双阈值消除虚假边缘以及链接断续边缘。但是现有技术中还没有使用双阈值策略，对图像的上、下部分别处理，得到准确阈值分割边界且提高成像组织分割速度的先例。
发明内容
针对现有技术的不足，本发明提供一种快速光学成像数据分割方法。
发明概述：
本发明针对光学相干断层成像模式，首先利用高斯核函数平滑滤波对观察图像进行处理，并计算观察图像的梯度图像；其次，利用多阈值分割得到影像的上部和下部背景噪声区；最后，利用一次形态学开操作方法去掉部分孤立点，最终得到组织的分割结果。
本发明的技术方案为：
一种快速光学成像数据分割方法，包括步骤如下：
1)高斯滤波处理；使用一维高斯滤波对图像进行滤波处理；高斯滤波是一种线性平滑滤波，适用于消除高斯噪声；一维高斯滤波相比二维高斯滤波速度快，而二维高斯滤波实际可分解为两个一维高斯滤波。
2)双阈值处理；
采取双阈值TH、TL策略；将取TH阈值得到的上边界与取TL阈值得到的下边界组合成最终边界；
先对高斯滤波处理后的图像用TH做灰度值阈值得到二值图像GH；再对高斯滤波处理后的图像用TL做灰度值阈值得到二值图像GL；二值图像GH与二值图像GL相乘得到二值图像 GM；
3)对二值图像GM进行数学形态学开操作去除孤立点；
3.1)选取圆形结构元对二值图像GM进行腐蚀操作，去除孤立点；
3.2)用所述的圆形结构元对步骤3.1)处理后的图像进行膨胀操作，恢复被腐蚀掉的组织边界。开操作用于去除孤立点对确定最终边界的影响；开操作可以高效的去除二值图像背景中的孤立点，同时能够较好的保存图像中组织的边界；
根据本发明优选的，所述步骤1)中高斯滤波处理使用的径向基函数是高斯核函数，其函数形式为：
高斯核函数的函数式中，xc为核函数中心，σ为核函数的宽度参数，决定了函数的径向作用范围。
根据本发明优选的，步骤3)中，所述圆形结构元的半径为3～6像素。结构元的大小不能太小，否则无法去除较大的孤立点，但是也不能太大，否则将会丢失真实的组织边界。
本发明的有益效果为：
1.本发明所述快速光学成像数据分割方法，采用双阈值策略，使阈值分割最终得到的上下两个边界更准确，且双阈值的使用避免了通过最优化方法确定某个最优阈值，提高了算法速度；
2.本发明所述快速光学成像数据分割方法，对阈值处理后的小窗口进行一次形态学开操作，避免了迭代过程，能高效的去掉孤立点；避免孤立点的不利影响的同时保证了算法速度；
3.本发明所述快速光学成像数据分割方法，简单而有效，易于实现，适用于临床应用。
附图说明
图1为本发明所述快速光学成像数据分割方法的流程图。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明，但不限于此。
实施例1
如图1所示。
一种快速光学成像数据分割方法，包括步骤如下：
1)高斯滤波处理；使用一维高斯滤波对图像进行滤波处理；高斯滤波是一种线性平滑滤波，适用于消除高斯噪声；一维高斯滤波相比二维高斯滤波速度快，而二维高斯滤波实际可分解为两个一维高斯滤波。
高斯滤波处理使用的径向基函数是高斯核函数，其函数形式为：
高斯核函数的函数式中，xc为核函数中心，σ为核函数的宽度参数，决定了函数的径向作用范围。
2)双阈值处理；
采取双阈值TH、TL策略；将取TH阈值得到的上边界与取TL阈值得到的下边界组合成最终边界；
先对高斯滤波处理后的图像用TH做灰度值阈值得到二值图像GH；再对高斯滤波处理后的图像用TL做灰度值阈值得到二值图像GL；二值图像GH与二值图像GL相乘得到二值图像 GM；
3)对二值图像GM进行数学形态学开操作去除孤立点；
3.1)选取圆形结构元对二值图像GM进行腐蚀操作，去除孤立点；所述圆形结构元的半径为5像素。结构元的大小不能太小，否则无法去除较大的孤立点，但是也不能太大，否则将会丢失真实的组织边界。
3.2)用所述的圆形结构元对步骤3.1)处理后的图像进行膨胀操作，恢复被腐蚀掉的组织边界。开操作用于去除孤立点对确定最终边界的影响；开操作可以高效的去除二值图像背景中的孤立点，同时能够较好的保存图像中组织的边界。
Claims (3)
1.一种快速光学成像数据分割方法，其特征在于，包括步骤如下：
1)高斯滤波处理；使用一维高斯滤波对图像进行滤波处理；
2)双阈值处理；
先对高斯滤波处理后的图像用TH做灰度值阈值得到二值图像GH；再对高斯滤波处理后的图像用TL做灰度值阈值得到二值图像GL；二值图像GH与二值图像GL相乘得到二值图像GM；
3)对二值图像GM进行数学形态学开操作去除孤立点；
3.1)选取圆形结构元对二值图像GM进行腐蚀操作，去除孤立点；
3.2)用所述的圆形结构元对步骤3.1)处理后的图像进行膨胀操作，恢复被腐蚀掉的组织边界。
2.根据权利要求1所述的快速光学成像数据分割方法，其特征在于，所述步骤1)中高斯滤波处理使用的径向基函数是高斯核函数，其函数形式为：
3.根据权利要求1所述的快速光学成像数据分割方法，其特征在于，步骤3)中，所述圆形结构元的半径为3～6像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811241760.6A CN109389614A (zh) | 2018-10-24 | 2018-10-24 | 一种快速光学成像数据分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811241760.6A CN109389614A (zh) | 2018-10-24 | 2018-10-24 | 一种快速光学成像数据分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109389614A true CN109389614A (zh) | 2019-02-26 |
Family
ID=65427697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811241760.6A Pending CN109389614A (zh) | 2018-10-24 | 2018-10-24 | 一种快速光学成像数据分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109389614A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853376A (zh) * | 2010-02-10 | 2010-10-06 | 西安理工大学 | 一种乳腺微钙化点计算机辅助检测方法 |
| CN104933729A (zh) * | 2014-03-18 | 2015-09-23 | 上海联影医疗科技有限公司 | 一种颅内脑组织的提取方法和装置 |
| US20180096479A1 (en) * | 2016-10-05 | 2018-04-05 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
| CN108154519A (zh) * | 2017-12-25 | 2018-06-12 | 吉林大学 | 眼底图像中血管的分割方法、装置及存储介质 |
| CN108447072A (zh) * | 2018-02-05 | 2018-08-24 | 山东大学 | 一种晶体颗粒的图像分割方法及系统 |
-
2018
- 2018-10-24 CN CN201811241760.6A patent/CN109389614A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853376A (zh) * | 2010-02-10 | 2010-10-06 | 西安理工大学 | 一种乳腺微钙化点计算机辅助检测方法 |
| CN104933729A (zh) * | 2014-03-18 | 2015-09-23 | 上海联影医疗科技有限公司 | 一种颅内脑组织的提取方法和装置 |
| US20180096479A1 (en) * | 2016-10-05 | 2018-04-05 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
| CN108154519A (zh) * | 2017-12-25 | 2018-06-12 | 吉林大学 | 眼底图像中血管的分割方法、装置及存储介质 |
| CN108447072A (zh) * | 2018-02-05 | 2018-08-24 | 山东大学 | 一种晶体颗粒的图像分割方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 赵麒然: "基于改进参数核图割的OCT眼底图像分割方法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
| 陆玲，周书民: "开操作与闭操作", 《数字图像处理方法及程序设计》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shukla et al. | A fractional filter based efficient algorithm for retinal blood vessel segmentation | |
| Anantrasirichai et al. | Adaptive-weighted bilateral filtering and other pre-processing techniques for optical coherence tomography | |
| Al-Fahdawi et al. | A fully automated cell segmentation and morphometric parameter system for quantifying corneal endothelial cell morphology | |
| CN110415216A (zh) | 基于sd-oct和octa视网膜图像的cnv自动检测方法 | |
| Dikkala et al. | A comprehensive analysis of morphological process dependent retinal blood vessel segmentation | |
| Adnan et al. | Consideration of Canny edge detection for eye redness image processing: A review | |
| Maqsood et al. | Detection of macula and recognition of aged-related macular degeneration in retinal fundus images | |
| Akram et al. | Blood vessel enhancement and segmentation using wavelet transform | |
| Sahu et al. | Image processing based automated glaucoma detection techniques and role of de-noising: a technical survey | |
| Gopinath et al. | Domain knowledge assisted cyst segmentation in OCT retinal images | |
| Karasulu | Automatic extraction of retinal blood vessels: a software implementation | |
| Kayte et al. | Automated Screening of Diabetic Retinopathy Using Image Processing | |
| Agarwal et al. | Automatic imaging method for optic disc segmentation using morphological techniques and active contour fitting | |
| Liu et al. | Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images | |
| CN109389614A (zh) | 一种快速光学成像数据分割方法 | |
| Salahuddin et al. | Neuro-fuzzy classifier for corneal nerve images | |
| Qidwai et al. | Blind Deconvolution for retinal image enhancement | |
| Alsaih et al. | Classification of retinal cysts on sd-oct images using stacked auto-encoder | |
| Bansal et al. | An efficient automatic intensity based method for detection of macula in retinal images | |
| Akram et al. | Gabor wavelet based vessel segmentation in retinal images | |
| Liang et al. | Location of optic disk in the fundus image based on visual attention | |
| AlSaeed et al. | A novel blood vessel extraction using multiscale matched filters with local features and adaptive thresholding | |
| Fraz et al. | Computer vision algorithms applied to retinal vessel segmentation and quantification of vessel caliber | |
| Wong et al. | Lee | |
| CN104835148A (zh) | 一种视网膜囊状水肿的自动分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190226 |
|
| RJ01 | Rejection of invention patent application after publication |