CN109410236B - 荧光染色图像反光点识别与重定义的方法及系统 - Google Patents

荧光染色图像反光点识别与重定义的方法及系统 Download PDF

Info

Publication number
CN109410236B
CN109410236B CN201810603284.1A CN201810603284A CN109410236B CN 109410236 B CN109410236 B CN 109410236B CN 201810603284 A CN201810603284 A CN 201810603284A CN 109410236 B CN109410236 B CN 109410236B
Authority
CN
China
Prior art keywords
point
area
reflective
pixel points
points
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
Application number
CN201810603284.1A
Other languages
English (en)
Other versions
CN109410236A (zh
Inventor
唐晓颖
邓丽洁
袁进
黄海香
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Shunde Sun Yat-Sen University Research Institute
Sun Yat Sen University
Zhongshan Ophthalmic Center
Original Assignee
Foshan Shunde Sun Yat-Sen University Research Institute
Sun Yat Sen University
Zhongshan Ophthalmic Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Shunde Sun Yat-Sen University Research Institute, Sun Yat Sen University, Zhongshan Ophthalmic Center filed Critical Foshan Shunde Sun Yat-Sen University Research Institute
Priority to CN201810603284.1A priority Critical patent/CN109410236B/zh
Publication of CN109410236A publication Critical patent/CN109410236A/zh
Application granted granted Critical
Publication of CN109410236B publication Critical patent/CN109410236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06T7/90—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10064—Fluorescence 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

Abstract

本发明为荧光染色图像反光点识别与重定义的方法及系统，提供的方法及系统根据反光区域的RGB颜色特征，设置特定阈值范围识别图片中的反光点、反光区域，根据反光点周围像素点的颜色信息进行迭代填充，最后根据反光点特定范围像素点的颜色信息对其进行颜色的重新定义。该方法精准地识别出荧光染色图像的反光区域，对于溃烂区域和非溃烂区域的反光点都能很好地区分以及重新定义，解决了染色图像中反光区域影响精准分割的问题，为后续的角膜溃烂区域分割减少冗余信息与干扰因素。

Description

荧光染色图像反光点识别与重定义的方法及系统
技术领域
本发明涉及荧光染色技术领域，更具体地，涉及一种荧光染色图像反光点识别与重定义的方法及系统。
背景技术
荧光素钠是用于评估眼表完整性，特别是角膜完整性的主要临床诊断工具。在荧光素钠眼表染色的基础上，使用裂隙灯生物显微镜进行详细的病史和全面的临床检查是诊断角膜溃疡的重要步骤。通过与裂隙灯显微术的结合使用，角膜荧光染色是评估角膜浅表上皮细胞层完整性的有力工具。角膜荧光染色图像是通过适宜浓度的荧光素钠均匀分布于眼表，并在钴蓝光照射下保持背景照明强度稳定，使得溃疡区域被激发而呈现绿色，而角膜的其余部分呈现蓝色，然后使用裂隙灯显微镜和相机拍摄获取。最后，通过与计算机连接，将拍摄获取的图片保存，即得到了角膜荧光染色图像。眼表荧光染色图像为表征角膜溃疡，评估其严重程度以及监测对治疗的临床反应提供重要信息。
在染色图像获取过程中，由于光照、溃烂区域部分突起的质地特点以及荧光染剂反光的特性导致图像亮度不均匀化分布，会导致图像上出现大量的反光点。反光点一般呈现亮白色，无法获取原来的颜色信息。同时普通的背景像素也有可能与溃烂区域具有相近的亮度甚至在图像内部某个区域的角膜溃烂的亮度可能比另外区域的亮度低。所以，图片质量差是角膜溃烂区域精准分割的一大干扰因素。
现有技术在识别荧光染色图像上的反光点时，一般是通过以下方法：
(1)利用全卷积网络检测图像中的反光点；
(2)在HSV颜色空间中对图像中的反光点的颜色特征进行分析，发现反光点具有图像饱和度分量较小、亮度分量较大、从反光区域的中心位置到边缘区域亮度逐渐变低的特点，利用该特征实现了对图像中反光点的检测和分割。
但是，以上两种方案在具体实施使用的时候却存在着以下技术问题：
(1)方案(1)利用全卷积网络对图像中的反光点进行检测，该方法对训练数据的数量及其精度有较高要求，适用性不强。
(2)方案(2)通过对图像HSV颜色空间的分析，利用图像的饱和度分量变化识别图像中的反光点，该方法无法适应不同图像类型的多样性，无法保证其识别精度。
(3)以上两种方法只能对图像中的反光点进行识别检测，无法实现实现对反光点的重新定义。
发明内容
为了减少反光点对溃烂区域分割的干扰，提高分割结果的精确度，本发明提供了一种荧光染色图像反光点识别与重定义的方法，精准识别图像中的反光点、反光区域，并对反光点进行颜色的重新定义，恢复反光区域的原本颜色信息。
为实现以上发明目的，采用的技术方案是：
一种荧光染色图像反光点识别与重定义的方法，包括以下步骤：
S1.定义具体的RGB颜色空间三个通道的阈值范围作为发光点的判断阈值范围H，并以此阈值范围来识别提取荧光染色图像中角膜的反光点及对应的反光区域；
S2.以反光区域的每一个反光点为中心，在半径为m个像素点的圆形区域上随机抽取一个像素点，并把该像素点的RGB值赋值给对应的反光点，m为大于1的整数；以上过程由反光区域边缘向内部中心的方向依次进行，赋值后反光点的RGB颜色空间三个通道的值不在判断阈值范围H内；
S3.在步骤S2的基础上，以反光点为中心，在半径为n个像素点的圆形区域上随机抽取k个像素点，其中n为大于1的整数，k为大于2的整数；k个像素点中，若某个像素点的RGB值满足阈值范围：0＜R＜200，100＜G＜255，0＜B＜200，则该像素点判定反光点原来的颜色为绿色；否则判定为蓝色；统计k个像素点中分别判定反光点原来的颜色为绿色、蓝色的像素点的数量，若判定反光点原来的颜色为绿色的像素点较多，则重定义反光点的RGB值为绿色[0,255,0]，否则重定义反光点的RGB值为蓝色[0,0,255]。
优选地，所述判断阈值范围H为110＜R＜255，120＜G＜255，190＜B＜255。
优选地，所述m为30。
优选地，所述n为50，k为101。
同时，本发明还提供了一种应用以上方法的系统，其具体的方案如下：
包括反光区域识别模块、反光区域预填充模块、反光区域重定义模块，其中反光区域识别模块用于执行步骤S1，反光区域预填充模块用于执行步骤S2，反光区域重定义模块用于执行步骤S3。
与现有技术相比，本发明的有益效果是：
本发明提供的方法及系统根据反光区域的RGB颜色特征，设置特定阈值范围识别图片中的反光点、反光区域，根据反光点周围像素点的颜色信息进行迭代填充，最后根据反光点特定范围像素点的颜色信息对其进行颜色的重新定义。该方法精准地识别出荧光染色图像的反光区域，对于溃烂区域和非溃烂区域的反光点都能很好地区分以及重新定义，解决了染色图像中反光区域影响精准分割的问题，为后续的角膜溃烂区域分割减少冗余信息与干扰因素。
附图说明
图1为方法的流程示意图。
图2为系统的结构示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1所示，本发明提供的方法包括有以下步骤：
一、对荧光染色图像中的反光区域进行识别检测
定义具体的RGB颜色空间三个通道的阈值范围作为发光点的判断阈值范围H，并以此阈值范围来识别提取荧光染色图像中角膜的反光点及对应的反光区域。判断阈值范围H为110＜R＜255，120＜G＜255，190＜B＜255。
二、对识别的反光区域进行颜色的预填充
以反光区域的每一个反光点为中心，在半径为30个像素点的圆形区域上随机抽取一个像素点，并把该像素点的RGB值赋值给对应的反光点；以上过程由反光区域边缘向内部中心的方向依次进行，赋值后反光点的RGB颜色空间三个通道的值不在判断阈值范围H内。
三、根据反光点周围像素点的颜色信息，对反光点颜色进行重定义
在步骤S2的基础上，以反光点为中心，在半径为50个像素点的圆形区域上随机抽取101个像素点；101个像素点中，若某个像素点的RGB值满足阈值范围：0＜R＜200，100＜G＜255，0＜B＜200，则该像素点判定反光点原来的颜色为绿色；否则判定为蓝色；统计101个像素点中分别判定反光点原来的颜色为绿色、蓝色的像素点的数量，若判定反光点原来的颜色为绿色的像素点较多，则重定义反光点的RGB值为绿色[0,255,0]，否则重定义反光点的RGB值为蓝色[0,0,255]。
实施例2
本实施例提供了一种应用实施例1方法的系统，如图2所示，其具体的方案如下：包括反光区域识别模块、反光区域预填充模块、反光区域重定义模块。
其中反光区域识别模块用于执行以下操作：定义具体的RGB颜色空间三个通道的阈值范围作为发光点的判断阈值范围H，并以此阈值范围来识别提取荧光染色图像中角膜的反光点及对应的反光区域。判断阈值范围H为110＜R＜255，120＜G＜255，190＜B＜255。
反光区域预填充模块用于执行以下操作：以反光区域的每一个反光点为中心，在半径为30个像素点的圆形区域上随机抽取一个像素点，并把该像素点的RGB值赋值给对应的反光点；以上过程由反光区域边缘向内部中心的方向依次进行，赋值后反光点的RGB颜色空间三个通道的值不在判断阈值范围H内。
反光区域重定义模块用于执行以下操作：在步骤S2的基础上，以反光点为中心，在半径为50个像素点的圆形区域上随机抽取101个像素点；101个像素点中，若某个像素点的RGB值满足阈值范围：0＜R＜200，100＜G＜255，0＜B＜200，则该像素点判定反光点原来的颜色为绿色；否则判定为蓝色；统计101个像素点中分别判定反光点原来的颜色为绿色、蓝色的像素点的数量，若判定反光点原来的颜色为绿色的像素点较多，则重定义反光点的RGB值为绿色[0,255,0]，否则重定义反光点的RGB值为蓝色[0,0,255]。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种荧光染色图像反光点识别与重定义的方法，其特征在于：包括以下步骤：
S1.定义具体的RGB颜色空间三个通道的阈值范围作为发光点的判断阈值范围H，并以此阈值范围来识别提取荧光染色图像中角膜的反光点及对应的反光区域；
S2.以反光区域的每一个反光点为中心，在半径为m个像素点的圆形区域上随机抽取一个像素点，并把该像素点的RGB值赋值给对应的反光点，m为大于1的整数；以上过程由反光区域边缘向内部中心的方向依次进行，赋值后反光点的RGB颜色空间三个通道的值不在判断阈值范围H内；
S3.在步骤S2的基础上，以反光点为中心，在半径为n个像素点的圆形区域上随机抽取k个像素点，其中n为大于1的整数，k为大于2的整数；k个像素点中，若某个像素点的RGB值满足阈值范围：0＜R＜200，100＜G＜255，0＜B＜200，则该像素点判定反光点原来的颜色为绿色；否则判定为蓝色；统计k个像素点中分别判定反光点原来的颜色为绿色、蓝色的像素点的数量，若判定反光点原来的颜色为绿色的像素点较多，则重定义反光点的RGB值为绿色[0,255,0]，否则重定义反光点的RGB值为蓝色[0,0,255]。
2.根据权利要求1所述的荧光染色图像反光点识别与重定义的方法，其特征在于：所述判断阈值范围H为110＜R＜255，120＜G＜255，190＜B＜255。
3.根据权利要求1所述的荧光染色图像反光点识别与重定义的方法，其特征在于：所述m为30。
4.根据权利要求1所述的荧光染色图像反光点识别与重定义的方法，其特征在于：所述n为50，k为101。
5.一种根据权利要求1～4任一项所述方法的系统，其特征在于：包括反光区域识别模块、反光区域预填充模块、反光区域重定义模块，其中反光区域识别模块用于执行步骤S1，反光区域预填充模块用于执行步骤S2，反光区域重定义模块用于执行步骤S3。
CN201810603284.1A 2018-06-12 2018-06-12 荧光染色图像反光点识别与重定义的方法及系统 Active CN109410236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810603284.1A CN109410236B (zh) 2018-06-12 2018-06-12 荧光染色图像反光点识别与重定义的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810603284.1A CN109410236B (zh) 2018-06-12 2018-06-12 荧光染色图像反光点识别与重定义的方法及系统

Publications (2)

Publication Number Publication Date
CN109410236A CN109410236A (zh) 2019-03-01
CN109410236B true CN109410236B (zh) 2021-11-30

Family

ID=65463431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810603284.1A Active CN109410236B (zh) 2018-06-12 2018-06-12 荧光染色图像反光点识别与重定义的方法及系统

Country Status (1)

Country Link
CN (1) CN109410236B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113971759B (zh) * 2021-10-26 2024-04-16 中国农业大学 一种基于计算机视觉的大豆株间杂草自动识别装置及方法
CN116681707B (zh) * 2023-08-04 2023-10-20 北京同仁医学科技有限责任公司 一种角膜荧光素染色图像识别分级方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1697478A (zh) * 2004-05-13 2005-11-16 欧姆龙株式会社 图像修正装置
CN102999931A (zh) * 2011-09-15 2013-03-27 汉王科技股份有限公司 电子笔迹绘制方法及装置
CN103767658A (zh) * 2013-12-30 2014-05-07 深圳市理邦精密仪器股份有限公司 电子阴道镜图像的采集方法及装置
CN103971385A (zh) * 2014-05-27 2014-08-06 重庆大学 视频中运动物体的检测方法
CN104050687A (zh) * 2014-06-26 2014-09-17 中国矿业大学(北京) 一种浮选泡沫运动模式的分析处理方法
CN104102899A (zh) * 2014-05-23 2014-10-15 首都医科大学附属北京同仁医院 视网膜血管识别方法及装置
CN104182938A (zh) * 2014-08-18 2014-12-03 国家电网公司 一种全天空云图的太阳光斑修复方法
CN105472361A (zh) * 2015-11-19 2016-04-06 广景视睿科技（深圳）有限公司 一种投影仪图像荧光处理的方法及系统
CN105869147A (zh) * 2016-03-23 2016-08-17 浙江东方光学眼镜有限公司 一种弱视助视器杂散光识别方法
CN106447676A (zh) * 2016-10-12 2017-02-22 浙江工业大学 一种基于快速密度聚类算法的图像分割方法
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
CN107160063A (zh) * 2017-06-09 2017-09-15 青海奥越电子科技有限公司 一种双阈值自动焊接机焊盘检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017129749A (ja) * 2016-01-20 2017-07-27 株式会社ジャパンディスプレイ 表示装置、電子機器及び表示装置の制御方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1697478A (zh) * 2004-05-13 2005-11-16 欧姆龙株式会社 图像修正装置
CN102999931A (zh) * 2011-09-15 2013-03-27 汉王科技股份有限公司 电子笔迹绘制方法及装置
CN103767658A (zh) * 2013-12-30 2014-05-07 深圳市理邦精密仪器股份有限公司 电子阴道镜图像的采集方法及装置
CN104102899A (zh) * 2014-05-23 2014-10-15 首都医科大学附属北京同仁医院 视网膜血管识别方法及装置
CN103971385A (zh) * 2014-05-27 2014-08-06 重庆大学 视频中运动物体的检测方法
CN104050687A (zh) * 2014-06-26 2014-09-17 中国矿业大学(北京) 一种浮选泡沫运动模式的分析处理方法
CN104182938A (zh) * 2014-08-18 2014-12-03 国家电网公司 一种全天空云图的太阳光斑修复方法
CN105472361A (zh) * 2015-11-19 2016-04-06 广景视睿科技（深圳）有限公司 一种投影仪图像荧光处理的方法及系统
CN105869147A (zh) * 2016-03-23 2016-08-17 浙江东方光学眼镜有限公司 一种弱视助视器杂散光识别方法
CN106447676A (zh) * 2016-10-12 2017-02-22 浙江工业大学 一种基于快速密度聚类算法的图像分割方法
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
CN107160063A (zh) * 2017-06-09 2017-09-15 青海奥越电子科技有限公司 一种双阈值自动焊接机焊盘检测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
"Detecting specular highlights in dermatological images";Madooei A等;《Proceedings of IEEE International Conference on Image Processing》;20151231;第133-145页 *
"Real-time highlight removal using intensity ratio";Shen H L等;《Applied Optics》;20131231;第52卷(第19期);第4483-4493页 *
"Separating reflection components of textured surfaces using a single image";Tan R T 等;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;20051231;第27卷(第2期);第178-193页 *
"一种去除高光和阴影的桃蛀螟图像分割方法";朱晓冬等;《北京农学院学报》;20161231;第31卷(第2期);第26-29页 *
"均场退火算法在单幅灰度图像高光检测与恢复中的应用";尹芳等;《计算机辅助设计与图形学学报》;20170531;第29卷(第5期);第829-837页 *
"基于图像修复技术的猪肉眼肌图像反光区域复原";郑丽敏等;《计算机应用》;20160610;第36卷(第S1期);第161-164页 *
"无人船监视图像反光区域检测与去除方法及实验验证";时俊楠等;《海洋科学》;20180131;第42卷(第1期);第82-87页 *
"显著性检测指导的高光区域修复";姜志国等;《中国图象图形学报》;20141231;第19卷(第3期);第393-400页 *

Also Published As

Publication number Publication date
CN109410236A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN109752394B (zh) 一种显示屏缺陷高精度检测方法及系统
ES2826400T3 (es) Recolección de contraste de colonias
US8184900B2 (en) Automatic detection and correction of non-red eye flash defects
CN109523541A (zh) 一种基于视觉的金属表面细微缺陷检测方法
JP4627557B2 (ja) デジタル画像中のハイブリッドフラッシュアーチファクトを補正する方法および装置
CN106535740B (zh) 用于确定表示角膜染色量的分数的方法和系统
IES20060559A2 (en) Automatic detection and correction of non-red flash eye defects
CN107328776A (zh) 一种免疫层析试纸卡的快速检测方法
US9147104B2 (en) Systems and methods for processing low contrast images
CN109410236B (zh) 荧光染色图像反光点识别与重定义的方法及系统
CN110910372B (zh) 基于深度卷积神经网络的匀光板缺陷检测方法
CN109147005A (zh) 一种用于红外图像的自适应染色方法、系统、存储介质、终端
CN111261079A (zh) 一种亮、暗斑异常现象的检测方法
KR101608843B1 (ko) 개선된 베버의 법칙을 이용한 얼룩 결함 자동 검출 시스템 및 방법
CN116721039B (zh) 一种应用于自动化光学缺陷检测中的图像预处理方法
CN116883323A (zh) 一种基于计算机视觉的多重免疫荧光图像分析系统
CN117130186A (zh) 一种lcd显示屏瑕疵缺陷智能检测方法
Hoon et al. Using fluorescent markers to estimate synaptic connectivity in situ
JP2015194700A (ja) 合焦判定装置、合焦判定方法、及び撮像装置
KR20210095955A (ko) 세균 콜로니의 세균 성장을 모니터링하고 콜로니 생물량을 예측하기 위한 시스템 및 방법
CN110298825A (zh) 导光板黑点缺陷检测方法
CN115185113B (zh) 一种显示面板的测试方法及系统
CN117237593B (zh) 一种获取仪表数值的方法和装置
KR102664258B1 (ko) 콜로니 콘트라스트 수집
JP2005069939A (ja) 光学部材の形状認識方法、その装置及びそのプログラム

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