CN109447995B - 一种眼前节图像的分割方法及其相关装置 - Google Patents
一种眼前节图像的分割方法及其相关装置 Download PDFInfo
- Publication number
- CN109447995B CN109447995B CN201710754621.2A CN201710754621A CN109447995B CN 109447995 B CN109447995 B CN 109447995B CN 201710754621 A CN201710754621 A CN 201710754621A CN 109447995 B CN109447995 B CN 109447995B
- Authority
- CN
- China
- Prior art keywords
- rectangular frame
- model
- anterior segment
- iris
- segment image
- 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
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
- G06T7/11—Region-based segmentation
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种眼前节图像的分割方法及其相关装置,预先针对裂隙型眼前节图片和弥散型眼前节图片训练对应的裂隙模型和弥散模型,在获取到眼前节图像后,根据预先训练的裂隙模型和弥散模型检测眼前节图像的图片类型;在确定出的眼前节图像所属的图片类型,将眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。由于采用预先训练的裂隙模型和弥散模型确定眼前节图像进行图片类型,能够同时处理裂隙光和弥散光拍摄的图片,对眼前节图像进行自动分割,获取其皮肤区域、虹膜区域、晶状体区域的位置,因而可以方便地实现批量眼前节图像的区域自动分割和检测。
Description
技术领域
本发明涉及移动健康技术领域,尤其涉及一种眼前节图像的分割方法及其相关装置。
背景技术
眼睛是我们认识世界、从事各项工作的重要工具。眼球是人体视觉系统中的一个重要组成部分,是一个精密的光学成像及感光系统。其中,如图1所示,眼球的形状是球形的,直径约为25毫米,包括屈光系统和感光系统两部分。屈光系统由角膜、房水、晶状体和玻璃体组成,眼前节是角膜、前房、晶状体(也称为晶体)的统称,是屈光系统的主要成分;感光系统由充满了视细胞的视网膜组成。眼睛健康与否,眼前节生物数据是一个重要指标。
裂隙灯显微镜(Slit lamp microscope),简称裂隙灯,是现在眼科医生必不可少的眼前节检查工具之一。它采用透镜将强光聚集于一狭缝(裂隙)去照射眼部。眼前部介质对可见光是透明的,因此在裂隙光的照射下,形成一光学切面,医生通过裂隙灯显微镜上的双目立体显微镜对患者的眼角膜、前房、晶状体等进行观察和检查。
通常医生在做裂隙灯检查时,会先后采集两种图片:采用弥散光照明采集到的图片称为弥散光图片,该图片可以观察角膜、虹膜的状态,也可以全面地观察晶状体表明的信息。采用裂隙灯照明采集到的图片称为裂隙光图片,该图片根据裂隙聚焦的位置可以观察晶状体前囊、后囊的情况。
目前,如图2所示,Huiqi Li等首先对采集到的图像进行二值化,根据二值化的结果估计晶状体的大致区域,再用主动形状模型(Active Shape Model,ASM)检测晶状体的精确位置。
因此,目前的眼前节图片分析方式,大部分采用人工标出晶状体区域;或者仅能单独处理裂隙光或弥散光类型的图片,因而适用的范围比较小,不利于大规模的眼前节图片自动分割获取晶状体的位置。
发明内容
有鉴于此,本发明实施例提供了一种眼前节图像的分割方法及其相关装置,用以解决现有的眼前节图像分割的方式只能实现单一类型图片处理的问题。
因此,本发明实施例提供了一种眼前节图像的分割方法,包括:
获取眼前节图像;
根据预先训练的裂隙模型和弥散模型,检测所述眼前节图像的图片类型;
根据所述眼前节图像所属的图片类型,将所述眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。
在一种可能的实现方式中,在本发明实施例提供的上述分割方法中,所述根据预先建立的裂隙模型和弥散模型,检测所述眼前节图像的图片类型,具体包括:
分别采用所述裂隙模型和所述弥散模型对所述眼前节图像进行虹膜检测,获得所述裂隙模型和所述弥散模型分别输出的检测结果;所述裂隙模型和所述弥散模型分别由多级弱分类器组成;所述检测结果包括:至少一个第一矩形框,所述第一矩形框对应的返回值,以及拒绝分类结果的弱分类器级数;
根据所述裂隙模型和所述弥散模型分别输出的检测结果,分别确定与所述裂隙模型和所述弥散模型对应的包含虹膜及以内部分的第二矩形框和所述第二矩形框对应的返回值;
根据所述裂隙模型和所述弥散模型分别对应的弱分类器级数和所述第二矩形框对应的返回值,确定所述眼前节图像的图片类型。
在一种可能的实现方式中,在本发明实施例提供的上述分割方法中,根据所述检测结果,确定包含虹膜以内部分的第二矩形框和所述第二矩形框对应的返回值,具体包括:
根据所述检测结果中所述第一矩形框对应的返回值,确定所述检测结果中的正确结果;
确定所述正确结果是否包含多个所述第一矩形框;
在确定所述正确结果包含大于1个所述第一矩形框时,确定各所述第一矩形框是否存在重叠区域;
若是,采用非极大值抑制的方式,将各所述第一矩形框合并为一个作为包含虹膜及以内部分的第二矩形框,并比较各所述第一矩形框对应的返回值,将最大的返回值作为所述第二矩形框对应的返回值;
若否,则比较各所述第一矩形框对应的返回值,将返回值最大的所述第一矩形框作为包含虹膜及以内部分的第二矩形框,将最大的返回值作为所述第二矩形框对应的返回值;
在所述正确结果包含1个所述第一矩形框时,将所述第一矩形框作为包含虹膜及以内部分的第二矩形框,将所述第一矩形框的返回值作为所述第二矩形框对应的返回值。
在一种可能的实现方式中,在本发明实施例提供的上述分割方法中,所述根据所述检测结果中所述第一矩形框对应的返回值,确定所述检测结果中的正确结果,具体包括:
确定所述检测结果中所述第一矩形框对应的返回值是否均为负数;
在确定所述检测结果中所述第一矩形框对应的返回值存在正数时,将返回值为正数的第一矩形框和所述第一矩形框对应的返回值作为正确结果;
在确定所述检测结果中所述第一矩形框对应的返回值均为负数时,确定返回值为负数的弱分类器的上一级弱分类器的检测结果,并将上一级弱分类器的检测结果中返回值为正数的第一矩形框和所述第一矩形框对应的返回值作为正确结果。
在一种可能的实现方式中,在本发明实施例提供的上述分割方法中,所述根据所述裂隙模型和所述弥散模型分别对应的弱分类器级数和所述第二矩形框对应的返回值,确定所述眼前节图像的图片类型,具体包括:
在判断所述裂隙模型对应的弱分类器级数大于所述弥散模型对应的弱分类器级数时,确定所述眼前节图像属于裂隙类型;
在判断所述裂隙模型对应的弱分类器级数小于所述弥散模型对应的弱分类器级数时,确定所述眼前节图像属于弥散类型;
在判断所述裂隙模型对应的弱分类器级数等于所述弥散模型对应的弱分类器级数时,判断所述裂隙模型对应的所述第二矩形框对应的返回值是否大于所述弥散模型对应的所述第二矩形框对应的返回值;若是,则确定所述眼前节图像属于裂隙类型;若否,则确定所述眼前节图像属于弥散类型。
在一种可能的实现方式中,在本发明实施例提供的上述分割方法中,所述根据所述眼前节图像所属的图片类型,将所述眼前节图像分割成虹膜区域、晶状体区域和皮肤区域,具体包括:
在确定所述眼前节图像属于裂隙类型时,以所述裂隙模型对应的包含虹膜及以内部分的第二矩形框确定所述眼前节图像中的虹膜位置;采用预先训练的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓;
在确定所述眼前节图像属于弥散类型时,以所述弥散模型对应的包含虹膜及以内部分的第二矩形框确定所述眼前节图像中的虹膜位置;采用霍夫变换对所述虹膜位置进行瞳孔检测,确定晶状体轮廓;
根据确定出的所述虹膜位置和所述晶状体轮廓,将所述眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。
在一种可能的实现方式中,在本发明实施例提供的上述分割方法中,所述采用预先训练的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓,具体包括:
利用预先训练的基于小波特征的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓。
在一种可能的实现方式中,在本发明实施例提供的上述分割方法中,所述基于小波特征的主动形状模型包括多个特征点、所述特征点的排列顺序、各所述特征点的初始坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间;
所述利用预先训练的基于小波特征的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓,具体包括:
将所述虹膜位置投影到指教坐标系中;
根据各所述特征点的初始坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间,对所述虹膜位置进行第一次晶状体检测,获得各所述特征点的第一目标坐标;
根据各所述特征点的第一目标坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间,对所述虹膜位置进行第二次晶状体检测,获得各所述特征点的第二目标坐标;
直到第i+1次晶状体检测获得的各特征点的第i+1目标坐标与第i此晶状体检测获得的各特征点的第i目标坐标之间的距离之和位于第一预设范围之内时,按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形;其中,i为正整数;
将所述目标多边形确定为所述晶状体轮廓。
在一种可能的实现方式中,在本发明实施例提供的上述分割方法中,所述根据各所述特征点的初始坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间,对所述虹膜位置进行第一次晶状体检测,获得各所述特征点的第一目标坐标,具体包括:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从所述第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照所述特征点的排列顺序,将各所述特征点对应的所述第二目标像素点连接,形成第一多边形;
根据所述多个特征点形成的多边形的形状变化空间,对所述第一多边形进行调整,获得各所述特征点所要调整到的位置的坐标,并确定为各所述特征点的第一目标坐标;其中,m为所述特征点的总数量。
在一种可能的实现方式中,在本发明实施例提供的上述分割方法中,所述预设区域为一所述特征点为圆心,并根据预设半径、所述特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。
在一种可能的实现方式中,在本发明实施例提供的上述分割方法中,所述按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形之后,还包括:
按照预设倍数,将所述目标多边形进行放大处理;
从放大处理后的所述目标多边形内的像素点中去除亮度位于第二预设范围之内的像素点。
另一方面,本发明实施例还提供了一种眼前节图像的分割装置,包括:
获取模块,用于获取眼前节图像;
确定模块,用于根据预先训练的裂隙模型和弥散模型,检测所述眼前节图像的图片类型;
分割模块,用于根据所述眼前节图像所属的图片类型,将所述眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。
在一种可能的实现方式中,在本发明实施例提供的上述分割装置中,所述确定模块,具体包括:
检测单元,用于分别采用所述裂隙模型和所述弥散模型对所述眼前节图像进行虹膜检测,获得所述裂隙模型和所述弥散模型分别输出的检测结果;所述裂隙模型和所述弥散模型分别由多级弱分类器组成;所述检测结果包括:至少一个第一矩形框,所述第一矩形框对应的返回值,以及拒绝分类结果的弱分类器级数;
筛选单元,用于根据所述裂隙模型和所述弥散模型分别输出的检测结果,分别确定与所述裂隙模型和所述弥散模型对应的包含虹膜及以内部分的第二矩形框和所述第二矩形框对应的返回值;
判断单元,用于根据所述裂隙模型和所述弥散模型分别对应的弱分类器级数和所述第二矩形框对应的返回值,确定所述眼前节图像的图片类型。
在一种可能的实现方式中,在本发明实施例提供的上述分割装置中,所述筛选单元,具体包括:
筛选子单元,用于根据所述检测结果中所述第一矩形框对应的返回值,确定所述检测结果中的正确结果;
第一判断子单元,用于确定所述正确结果是否包含多个所述第一矩形框;
第二判断子单元,用于在确定所述正确结果包含大于1个所述第一矩形框时,确定各所述第一矩形框是否存在重叠区域;
第一处理子单元,用于确定各所述第一矩形框存在重叠区域时,采用非极大值抑制的方式,将各所述第一矩形框合并为一个作为包含虹膜及以内部分的第二矩形框,并比较各所述第一矩形框对应的返回值,将最大的返回值作为所述第二矩形框对应的返回值;
第二处理子单元,用于确定各所述第一矩形框不存在重叠区域时,比较各所述第一矩形框对应的返回值,将返回值最大的所述第一矩形框作为包含虹膜及以内部分的第二矩形框,将最大的返回值作为所述第二矩形框对应的返回值;
第三处理子单元,用于在所述正确结果包含1个所述第一矩形框时,将所述第一矩形框作为包含虹膜及以内部分的第二矩形框,将所述第一矩形框的返回值作为所述第二矩形框对应的返回值。
在一种可能的实现方式中,在本发明实施例提供的上述分割装置中,所述筛选子单元,具体用于:
确定所述检测结果中所述第一矩形框对应的返回值是否均为负数;
在确定所述检测结果中所述第一矩形框对应的返回值存在正数时,将返回值为正数的第一矩形框和所述第一矩形框对应的返回值作为正确结果;
在确定所述检测结果中所述第一矩形框对应的返回值均为负数时,确定返回值为负数的弱分类器的上一级弱分类器的检测结果,并将上一级弱分类器的检测结果中返回值为正数的第一矩形框和所述第一矩形框对应的返回值作为正确结果。
在一种可能的实现方式中,在本发明实施例提供的上述分割装置中,所述判断单元,具体用于:
在判断所述裂隙模型对应的弱分类器级数大于所述弥散模型对应的弱分类器级数时,确定所述眼前节图像属于裂隙类型;
在判断所述裂隙模型对应的弱分类器级数小于所述弥散模型对应的弱分类器级数时,确定所述眼前节图像属于弥散类型;
在判断所述裂隙模型对应的弱分类器级数等于所述弥散模型对应的弱分类器级数时,判断所述裂隙模型对应的所述第二矩形框对应的返回值是否大于所述弥散模型对应的所述第二矩形框对应的返回值;若是,则确定所述眼前节图像属于裂隙类型;若否,则确定所述眼前节图像属于弥散类型。
在一种可能的实现方式中,在本发明实施例提供的上述分割装置中,所述分割模块,具体包括:
第一确定单元,用于在确定所述眼前节图像属于裂隙类型时,以所述裂隙模型对应的包含虹膜及以内部分的第二矩形框确定所述眼前节图像中的虹膜位置;采用预先训练的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓;
第二确定单元,用于在确定所述眼前节图像属于弥散类型时,以所述弥散模型对应的包含虹膜及以内部分的第二矩形框确定所述眼前节图像中的虹膜位置;采用霍夫变换对所述虹膜位置进行瞳孔检测,确定晶状体轮廓;
第三确定单元,用于根据确定出的所述虹膜位置和所述晶状体轮廓,将所述眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。
在一种可能的实现方式中,在本发明实施例提供的上述分割装置中,所述第一确定单元,具体包括:
晶状体检测单元,用于利用预先训练的基于小波特征的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓。
在一种可能的实现方式中,在本发明实施例提供的上述分割装置中,所述基于小波特征的主动形状模型包括多个特征点、所述特征点的排列顺序、各所述特征点的初始坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间;
所述晶状体检测单元,具体包括:
投影子单元,用于将所述虹膜位置投影到指教坐标系中;
第一检测子单元,用于根据各所述特征点的初始坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间,对所述虹膜位置进行第一次晶状体检测,获得各所述特征点的第一目标坐标;
第二检测子单元,用于根据各所述特征点的第一目标坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间,对所述虹膜位置进行第二次晶状体检测,获得各所述特征点的第二目标坐标;
边界确定子单元,用于当第i+1次晶状体检测获得的各特征点的第i+1目标坐标与第i此晶状体检测获得的各特征点的第i目标坐标之间的距离之和位于第一预设范围之内时,按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形;其中,i为正整数;
晶状体轮廓确定子单元,用于将所述目标多边形确定为所述晶状体轮廓。
在一种可能的实现方式中,在本发明实施例提供的上述分割装置中,所述第一检测子单元,具体用于:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从所述第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照所述特征点的排列顺序,将各所述特征点对应的所述第二目标像素点连接,形成第一多边形;
根据所述多个特征点形成的多边形的形状变化空间,对所述第一多边形进行调整,获得各所述特征点所要调整到的位置的坐标,并确定为各所述特征点的第一目标坐标;其中,m为所述特征点的总数量。
在一种可能的实现方式中,在本发明实施例提供的上述分割装置中,所述预设区域为一所述特征点为圆心,并根据预设半径、所述特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。
在一种可能的实现方式中,在本发明实施例提供的上述分割装置中,所述晶状体检测单元,还包括:
膨胀处理子单元,用于按照预设倍数,将所述目标多边形进行放大处理;
剔除子单元,用于从放大处理后的所述目标多边形内的像素点中去除亮度位于第二预设范围之内的像素点。
另一方面,本发明实施例还提供了一种计算设备,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行本发明实施例提供的上述方法的步骤。
另一方面,本发明实施例还提供了一种计算机可读介质,其存储有可由计算设备执行的计算机程序,当所述程序在所述计算设备上运行时,使得所述计算设备执行本发明实施例提供的上述方法的步骤。
本发明实施例的有益效果包括:
本发明实施例提供的一种眼前节图像的分割方法及其相关装置,预先针对裂隙型眼前节图片和弥散型眼前节图片训练对应的裂隙模型和弥散模型,在获取到眼前节图像后,根据预先训练的裂隙模型和弥散模型检测眼前节图像的图片类型;在确定出的眼前节图像所属的图片类型,将眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。由于采用预先训练的裂隙模型和弥散模型确定眼前节图像进行图片类型,能够同时处理裂隙光和弥散光拍摄的图片,对眼前节图像进行自动分割,获取其皮肤区域、虹膜区域、晶状体区域的位置,因而可以方便地实现批量眼前节图像的区域自动分割和检测。
附图说明
图1为现有技术中眼睛的结构示意图;
图2为现有技术中进行晶状体区域检测的方法流程示意图;
图3为本发明实施例中提供的眼前节图像的分割方法的流程图;
图4为本发明实施例中提供的眼前节图像的分割方法中检测眼前节图像的图片类型的流程图;
图5为本发明实施例中提供的眼前节图像的分割方法中确定包含虹膜以内部分的第二矩形框和第二矩形框对应的返回值的流程图;
图6为本发明实施例中提供的眼前节图像的分割方法中确定检测结果中的正确结果的流程图;
图7为本发明实施例中提供的眼前节图像的分割方法中确定眼前节图像的图片类型的具体流程图;
图8为本发明实施例中提供的眼前节图像的分割方法中将眼前节图像分割成虹膜区域、晶状体区域和皮肤区域的流程图;
图9为本发明实施例中提供的眼前节图像的分割方法中预先训练的主动形状模型所包括的多个特征点的分布位置示意图;
图10为本发明实施例中提供的眼前节图像的分割方法中采用预先训练的主动形状模型检测到的晶状体区域的结果示意图;
图11为本发明实施例中提供的眼前节图像的分割装置的结构框图;
图12为本发明实施例中提供的眼前节图像的分割装置中确定模块的具体结构框图;
图13为本发明实施例中提供的眼前节图像的分割装置中分割模块的具体结构框图。
具体实施方式
下面结合附图,对本发明实施例提供的眼前节图像的分割方法及其相关装置的具体实施方式进行详细地说明。
具体地,本发明实施例提供了一种眼前节图像的分割方法,如图3所示,包括以下步骤:
S301、获取眼前节图像;
S302、根据预先训练的裂隙模型和弥散模型,检测眼前节图像的图片类型;
S303、根据眼前节图像所属的图片类型,将眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。
具体地,在本发明实施例提供的上述分割方法中,预先针对裂隙型眼前节图片和弥散型眼前节图片训练对应的裂隙模型和弥散模型,在获取到眼前节图像后,根据预先训练的裂隙模型和弥散模型检测眼前节图像的图片类型;在确定出的眼前节图像所属的图片类型,将眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。由于采用预先训练的裂隙模型和弥散模型确定眼前节图像进行图片类型,能够同时处理裂隙光和弥散光拍摄的图片,对眼前节图像进行自动分割,获取其皮肤区域、虹膜区域、晶状体区域的位置,因而可以方便地实现批量眼前节图像的区域自动分割和检测。
在具体实施时,在本发明实施例提供的上述分割方法中,步骤S301获取到的眼前节图像一般有两种,一种是裂隙灯拍摄的眼前节图像,另一种是弥散光拍摄的眼前节图像。裂隙灯拍摄的眼前节图像除了眼前节之外,通常还包括眼皮、眼睑等皮肤区域,并且拍摄时相机镜头离皮肤比较接近,拍摄到的皮肤区域通常纹理比较丰富。
因此,在本发明实施例提供的上述分割方法中,预先针对裂隙型眼前节图片和弥散型眼前节图片分别训练对应的裂隙模型和弥散模型。具体地,裂隙模型和弥散模型可以为由多个弱分类器按照一定的权重叠加构成的强分类器模型,也称为Adaboost模型。
Adaboost模型是一种迭代算法,其核心思想是针对同一个训练集训练不同的弱分类器,然后把这些弱分类器集合起来,构成一个更强的最终分类器即强分类器。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层弱分类器进行训练,最后将每次训练得到的弱分类器最后融合起来,作为最后的决策分类器即强分类器。
开始时,在弱分类器中每个样本对应的权重是相同的,对于h1分类错误的样本,加大其对应的权重;而对于分类正确的样本,降低其权重,这样分错的样本就被突出出来,从而得到一个新的样本分布U2。在新的样本分布下,再次对弱分类器进行训练,得到弱分类器h2。依次类推,经过T次循环,得到T个弱分类器,把这T个弱分类器按一定的权重叠加(boost)起来,得到最终想要的强分类器。
基于此,在具体实施时,在本发明实施例提供的上述分割方法中,步骤S302根据预先建立的裂隙模型和弥散模型,检测眼前节图像的图片类型,如图4所示,可以具体包括以下步骤:
S401、分别采用裂隙模型和弥散模型对眼前节图像进行虹膜检测,获得裂隙模型和弥散模型分别输出的检测结果;其中,裂隙模型和弥散模型分别由多级弱分类器组成;检测结果包括:至少一个第一矩形框,第一矩形框对应的返回值,以及拒绝分类结果的弱分类器级数;即每个模型可能会输出多个第一矩形框和对应的返回值;
S402、根据裂隙模型和弥散模型分别输出的检测结果,分别确定与裂隙模型和弥散模型对应的包含虹膜及以内部分的第二矩形框和第二矩形框对应的返回值;即在步骤S401中获得的检测结果并非为最终的包含虹膜及以内部分的第二矩形框,需要通过处理确定出包含虹膜及以内部分的第二矩形框和第二矩形框对应的返回值;
S403、根据裂隙模型和弥散模型分别对应的弱分类器级数和第二矩形框对应的返回值,确定眼前节图像的图片类型。
具体地,在上述步骤401分别采用裂隙模型和弥散模型对眼前节图像进行虹膜检测,获得裂隙模型和弥散模型分别输出的检测结果时,裂隙模型和弥散模型输出的检测结果可能会包括多个第一矩形框和对应的返回值,并且返回值可能存在负值,返回值的数值越大,说明该第一矩形框的可信度越高,返回值为负值时,说明该第一矩形框不可信赖。因此,需要执行步骤S402对检测结果进行处理,确定包含虹膜及以内部分的第二矩形框和第二矩形框对应的返回值。此外,在裂隙模型和弥散模型输出的检测结果中的拒绝分类结果的弱分类器级数越高,说明眼前节图像通过的弱分类器越多,当眼前节图像通过强分类器中的最后一级弱分类器时,则拒绝分类结果的弱分类器级数为最后一级弱分类器;当眼前节图像通过强分类器中的某一级弱分类器时,输出的第一矩形框的返回值全部为负值时,则输出该级弱分类器的级数作为拒绝分类结果的弱分类器级数。
基于此,在具体实施时,在本发明实施例提供的上述分割方法中,步骤S402根据检测结果,确定包含虹膜以内部分的第二矩形框和第二矩形框对应的返回值,如图5所示,不管是裂隙模型还是弥散模型输出的检测结果,均可以具体通过以下步骤实现:
S501、根据检测结果中第一矩形框对应的返回值,确定检测结果中的正确结果;
S502、确定正确结果是否包含多个第一矩形框;在确定正确结果包含大于1个第一矩形框时,执行步骤S503;在正确结果包含1个第一矩形框时,执行步骤S506;
S503、确定各第一矩形框是否存在重叠区域,即各第一矩形框是否为一连续图形而不是多个独立的图形;若是,则执行步骤S504;若否,则执行步骤S505;
S504、采用非极大值抑制的方式,将各第一矩形框合并为一个作为包含虹膜及以内部分的第二矩形框,并比较各第一矩形框对应的返回值,将最大的返回值作为第二矩形框对应的返回值;
S505、比较各第一矩形框对应的返回值,将返回值最大的第一矩形框作为包含虹膜及以内部分的第二矩形框,将最大的返回值作为第二矩形框对应的返回值;
S506、将第一矩形框作为包含虹膜及以内部分的第二矩形框,将第一矩形框的返回值作为第二矩形框对应的返回值。
具体地,通过上述步骤S501至步骤S506后,确定出的包含虹膜以内部分的第二矩形框和第二矩形框对应的返回值为一个第二矩形框和一个非负的返回值。
在具体实施时,在本发明实施例提供的上述分割方法中,步骤S501根据检测结果中第一矩形框对应的返回值,确定检测结果中的正确结果,如图6所示,可以具体包括以下步骤:
S601、确定检测结果中第一矩形框对应的返回值是否均为负数;在确定检测结果中第一矩形框对应的返回值存在正数时,执行步骤S602;在确定检测结果中第一矩形框对应的返回值均为负数时,执行步骤S603;
S602、将返回值为正数的第一矩形框和第一矩形框对应的返回值作为正确结果;即可能存在检测结果中第一矩形框对应的返回值均为正数的情况,也可能存在第一矩形框对应的返回值部分为正数的情况;
S603、确定返回值为负数的弱分类器的上一级弱分类器的检测结果;
S604、将上一级弱分类器的检测结果中返回值为正数的第一矩形框和第一矩形框对应的返回值作为正确结果。
在具体实施时,在本发明实施例提供的上述分割方法中,步骤S403根据裂隙模型和弥散模型分别对应的弱分类器级数和第二矩形框对应的返回值,确定眼前节图像的图片类型,如图7所示,可以具体包括以下步骤:
S701、判断裂隙模型对应的弱分类器级数是否大于弥散模型对应的弱分类器级数;在判断裂隙模型对应的弱分类器级数大于弥散模型对应的弱分类器级数时,执行步骤S702;在判断裂隙模型对应的弱分类器级数不大于弥散模型对应的弱分类器级数时,执行步骤S703;
S702、确定眼前节图像属于裂隙类型;
S703、判断裂隙模型对应的弱分类器级数是否小于弥散模型对应的弱分类器级数;在判断裂隙模型对应的弱分类器级数小于弥散模型对应的弱分类器级数时,执行步骤S704;在判断裂隙模型对应的弱分类器级数等于弥散模型对应的弱分类器级数时,执行步骤S705;
S704、确定眼前节图像属于弥散类型;
S705、判断裂隙模型对应的第二矩形框对应的返回值是否大于弥散模型对应的第二矩形框对应的返回值;若是,则执行步骤S706;若否,则执行步骤S707;
S706、确定眼前节图像属于裂隙类型;
S707、确定眼前节图像属于弥散类型。
具体地,上述步骤S701至步骤S707中首先通过判断裂隙模型和弥散模型对应的弱分类器级数大小来确定图片类型,在弱分类器级数相同的情况下,根据第二矩形框对应的返回值大小来确定图片类型。
在具体实施时,在本发明实施例提供的上述分割方法中,步骤S303根据眼前节图像所属的图片类型,将眼前节图像分割成虹膜区域、晶状体区域和皮肤区域,如图8所示,具体可以通过如下方式实现:
S801、在确定眼前节图像属于裂隙类型时,以裂隙模型对应的包含虹膜及以内部分的第二矩形框确定眼前节图像中的虹膜位置;
S802、采用预先训练的主动形状模型对确定出的虹膜位置进行晶状体检测,确定晶状体轮廓;之后执行步骤S805;
S803、在确定眼前节图像属于弥散类型时,以弥散模型对应的包含虹膜及以内部分的第二矩形框确定眼前节图像中的虹膜位置;
S804、采用霍夫变换对虹膜位置进行瞳孔检测,确定晶状体轮廓;
S805、根据确定出的虹膜位置和晶状体轮廓,将眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。
其中,针对弥散类型的眼前节图像,所采用的霍夫变换的具体过程在此不作详述。
其中,针对裂隙类型的眼前节图像,所采用的主动形状模型(Active shapemodel,ASM)是通过训练图像样本获取训练图像样本的特征点分布的统计信息,并且获取特征点允许存在的变化方向,实现在目标图像上寻找对应的特征点的位置。因此,本发明实施例提供的上述分割方法中使用的主动形状模型是预先通过训练眼前节图像样本获得的。
其中,在传统的主动性状模型的训练过程中,训练样本需要手动的标记所有的特征点的位置,记录特征点的坐标,并且计算每一个特征点对应的局部灰度模型作为局部特征点调整用的特征向量。因而,利用传统的主动形状模型进行晶状体检测时,在将训练好的模型放在目标图像上,寻找每一个特征点的下一个位置的时候,采用局部灰度模型寻找在当前特征点指定方向上局部灰度模型马氏距离最小的特征点作为当前特征点即将移动到的位置,称为建议点(suggested point),找到所有的suggested points就可以获得一个搜索的建议形状(suggested shape),然后将当前的模型通过调整参数,使得当前的模型最可能相似的调整到suggest shape,重复迭代直到实现收敛。
然而,在纹理特征比较丰富的图像上,上述利用传统的主动性状模型进行晶状体检测的方法,非常容易陷入局部极小值。
而本发明实施例提供的上述分割方法中,在步骤S802采用预先训练的主动形状模型对确定出的虹膜位置进行晶状体检测,确定晶状体轮廓时,已经对眼前节图像进行虹膜位置确定,相当于去除了皮肤等区域,虹膜位置尽是包含虹膜及以内的区域,因而能够很好地应用主动形状模型。
在具体实施时,在本发明实施例提供的上述分割方法中,步骤S803采用预先训练的主动形状模型对确定出的虹膜位置进行晶状体检测,确定晶状体轮廓,具体可以利用预先训练的基于小波特征的主动形状模型对确定出的虹膜位置进行晶状体检测,确定晶状体轮廓。其中,由于Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似。它在提取目标的局部空间和频率域信息方面具有良好的特性。虽然Gabor小波本身并不能构成正交基,但在特定参数下可构成紧框架。Gabor小波对于图像的边缘敏感,能够提供良好的方向选择和尺度选择特性,而且对于光照变化不敏感,能够提供对光照变化良好的适应性。上述特点使Gabor小波被广泛应用于视觉信息理解。因此,在本发明实施例提供的上述分割方法中的步骤S803采用基于小波特征的主动性状模型,可以更加精准地提取晶状体的位置。
在具体实施时,在本发明实施例提供的上述分割方法中,基于小波特征的主动形状模型包括多个特征点、特征点的排列顺序、各特征点的初始坐标、各特征点的Gabor小波特征值的取值范围以及各特征点形成的多边形的形状变化空间。
另外,如果仅仅将晶状体区域作为主动形状模型的目标区域,由于晶状体的形状接近矩形,而在纹理信息丰富的眼前节图像上,很多区域(如虹膜反光带、皮肤反光区域等)都很接近矩形,因而在检测的时候很可能将这些错误区域当成晶状体检测出来。为此,在本发明实施例提供的上述分割方法中,将晶状体和虹膜反光带、角膜反光带当成一个整体作为目标区域进行检测。即在本发明实施例提供的上述分割方法中,所采用的主动形状模型的特征点分布在晶状体、虹膜反射带、角膜反光带所形成的区域的边界上。具体地,按照图9的位置和顺序选择21个特征点,对其提取Gabor小波特征并进行训练,即可获得一个具有21个特征点的基于小波特征的主动形状模型。
在具体实施时,在本发明实施例提供的上述分割方法中,利用预先训练的基于小波特征的主动形状模型对确定出的虹膜位置进行晶状体检测,确定晶状体轮廓,可以具体包括:
将虹膜位置投影到指教坐标系中;
根据各特征点的初始坐标、各特征点的Gabor小波特征值的取值范围以及各特征点形成的多边形的形状变化空间,对虹膜位置进行第一次晶状体检测,获得各特征点的第一目标坐标;
根据各特征点的第一目标坐标、各特征点的Gabor小波特征值的取值范围以及各特征点形成的多边形的形状变化空间,对虹膜位置进行第二次晶状体检测,获得各特征点的第二目标坐标;
直到第i+1次晶状体检测获得的各特征点的第i+1目标坐标与第i此晶状体检测获得的各特征点的第i目标坐标之间的距离之和位于第一预设范围之内时,按照特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形;其中,i为正整数;
将目标多边形确定为晶状体轮廓。
其中,上述目标特征点是在本发明实施例提供的上述所采用的基于小波特征的主动性状模型进行训练过程中确定的属于晶状体区域边界上的特征点。例如图9所示的21个特征点中,1-12特征点为目标特征点,则当根据各个特征点的初始坐标、各个特征点的Gabor小波特征值的取值范围以及各特征点形成的多边形的形状变化空间,确定了各个特征点的所要调整到的位置后,将图9中所示的1-12特征点依次连接,获得一个12边的多边形,即为获得的目标多边形,该目标多边形的轮廓即为晶状体轮廓,所包围的区域即为晶状体区域。
具体地,利用预先训练的基于小波特征的主动形状模型,对虹膜位置进行多次晶状体检测,也就是根据各个特征点的Gabor小波特征值的取值范围以及各特征点形成的多边形的形状变化空间,调整特征点在虹膜位置中的位置,直到相邻两次进行晶状体检测后确定的各个特征点所在位置的距离之和处于第一预设范围内,则停止继续进行晶状体检测。
其中,优选地,在具体实施时,在本发明实施例提供的上述分割方法中,按照特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形之后,还可以包括:按照预设倍数,将目标多边形进行放大处理;从放大处理后的目标多边形内的像素点中去除亮度位于第二预设范围之内的像素点。从而确保晶状体区域能够被全部包括最终获得的目标多边形内,具体地,最终检测获得的晶状体轮廓如图10所示的左侧类似矩形的区域。
在具体实施时,在本发明实施例提供的上述分割方法中,根据各特征点的初始坐标、各特征点的Gabor小波特征值的取值范围以及各特征点形成的多边形的形状变化空间,对虹膜位置进行第一次晶状体检测,获得各特征点的第一目标坐标,可以具体包括:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照特征点的排列顺序,将各特征点对应的第二目标像素点连接,形成第一多边形;
根据多个特征点形成的多边形的形状变化空间,对第一多边形进行调整,获得各特征点所要调整到的位置的坐标,并确定为各特征点的第一目标坐标;其中,m为特征点的总数量。
即,在每一次根据基于小波特征的主动性状模型进行晶状体检测时,按照多个特征点的排列顺序,依次寻找每一个特征点所要调整到的位置的目标坐标。其中,针对某一个特征点,在其所在的预设区域内,寻找满足Gabor小波特征值处于该特征点的Gabor小波特征值取值范围之内的像素点,当存在多个满足该条件的像素点时,从中选取距离该特征点最近的像素点作为该特征点的第二目标像素。当确定出所有特征点的第二目标像素后,按照特征点的排列顺序,将各个特征点对应的第二目标像素点连接,可形成一个多边形。此时,需要进一步根据主动性状模型的形状变化空间进行进一步调整,从而确定出所有特征点在本次进行晶状体检测后所要调整到的位置的坐标,并将其确定为各个特征点的目标坐标,从而完成一次晶状体检测过程。
因此,每一次进行晶状体检测的过程,就是根据各个特征点的Gabor小波特征值取值范围和多个特征点形成的多边形的形状变化空间,对各个特征点的初始坐标进行调整,从而获得调整后的目标坐标。其中,每一次进行晶状体检测获得的各个特征点的目标坐标,作为下一次进行晶状体检测时的初始坐标。
在具体实施时,在本发明实施例提供的上述分割方法中,预设区域为特征点为圆心,并根据预设半径、特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。具体地,旋转角度为20度。其中,由于Gabor小波具有方向性,通常在处理的时候,会从0-180度分别进行提取。而在进行晶状体检测时,每个特征点邻域Gabor特征最强的方向是确定的,因而为了提高处理速度,同时避免因为计算了所有角度而找到错误的方向,在实际处理的时候,对每个特征点,仅取其发现方向征服20度内最大的Gabor响应作为其特征值。
基于同一发明构思,本发明实施例还提供了一种眼前节图像的分割装置,由于该装置解决问题的原理与前述一种眼前节图像的分割方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
本发明实施例提供的一种眼前节图像的分割装置,如图11所示,包括:
获取模块111,用于获取眼前节图像;
确定模块112,用于根据预先训练的裂隙模型和弥散模型,检测眼前节图像的图片类型;
分割模块113,用于根据眼前节图像所属的图片类型,将眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。
在具体实施时,在本发明实施例提供的上述分割装置中,确定模块112,如图12所示,具体包括:
检测单元1121,用于分别采用裂隙模型和弥散模型对眼前节图像进行虹膜检测,获得裂隙模型和弥散模型分别输出的检测结果;裂隙模型和弥散模型分别由多级弱分类器组成;检测结果包括:至少一个第一矩形框,第一矩形框对应的返回值,以及拒绝分类结果的弱分类器级数;
筛选单元1122,用于根据裂隙模型和弥散模型分别输出的检测结果,分别确定与裂隙模型和弥散模型对应的包含虹膜及以内部分的第二矩形框和第二矩形框对应的返回值;
判断单元1123,用于根据裂隙模型和弥散模型分别对应的弱分类器级数和第二矩形框对应的返回值,确定眼前节图像的图片类型。
在具体实施时,在本发明实施例提供的上述分割装置中,筛选单元1122,如图12所示,具体包括:
筛选子单元11221,用于根据检测结果中第一矩形框对应的返回值,确定检测结果中的正确结果;
第一判断子单元11222,用于确定正确结果是否包含多个第一矩形框;
第二判断子单元11223,用于在确定正确结果包含大于1个第一矩形框时,确定各第一矩形框是否存在重叠区域;
第一处理子单元11224,用于确定各第一矩形框存在重叠区域时,采用非极大值抑制的方式,将各第一矩形框合并为一个作为包含虹膜及以内部分的第二矩形框,并比较各第一矩形框对应的返回值,将最大的返回值作为第二矩形框对应的返回值;
第二处理子单元11225,用于确定各第一矩形框不存在重叠区域时,比较各第一矩形框对应的返回值,将返回值最大的第一矩形框作为包含虹膜及以内部分的第二矩形框,将最大的返回值作为第二矩形框对应的返回值;
第三处理子单元11226,用于在正确结果包含1个第一矩形框时,将第一矩形框作为包含虹膜及以内部分的第二矩形框,将第一矩形框的返回值作为第二矩形框对应的返回值。
在具体实施时,在本发明实施例提供的上述分割装置中,筛选子单元11221,具体用于:
确定检测结果中第一矩形框对应的返回值是否均为负数;
在确定检测结果中第一矩形框对应的返回值存在正数时,将返回值为正数的第一矩形框和第一矩形框对应的返回值作为正确结果;
在确定检测结果中第一矩形框对应的返回值均为负数时,确定返回值为负数的弱分类器的上一级弱分类器的检测结果,并将上一级弱分类器的检测结果中返回值为正数的第一矩形框和第一矩形框对应的返回值作为正确结果。
在具体实施时,在本发明实施例提供的上述分割装置中,判断单元1123,具体用于:
在判断裂隙模型对应的弱分类器级数大于弥散模型对应的弱分类器级数时,确定眼前节图像属于裂隙类型;
在判断裂隙模型对应的弱分类器级数小于弥散模型对应的弱分类器级数时,确定眼前节图像属于弥散类型;
在判断裂隙模型对应的弱分类器级数等于弥散模型对应的弱分类器级数时,判断裂隙模型对应的第二矩形框对应的返回值是否大于弥散模型对应的第二矩形框对应的返回值;若是,则确定眼前节图像属于裂隙类型;若否,则确定眼前节图像属于弥散类型。
在具体实施时,在本发明实施例提供的上述分割装置中,分割模块113,如图13所示,具体包括:
第一确定单元1131,用于在确定眼前节图像属于裂隙类型时,以裂隙模型对应的包含虹膜及以内部分的第二矩形框确定眼前节图像中的虹膜位置;采用预先训练的主动形状模型对确定出的虹膜位置进行晶状体检测,确定晶状体轮廓;
第二确定单元1132,用于在确定眼前节图像属于弥散类型时,以弥散模型对应的包含虹膜及以内部分的第二矩形框确定眼前节图像中的虹膜位置;采用霍夫变换对虹膜位置进行瞳孔检测,确定晶状体轮廓;
第三确定单元1133,用于根据确定出的虹膜位置和晶状体轮廓,将眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。
在具体实施时,在本发明实施例提供的上述分割装置中,第一确定单元1131,如图13所示,具体包括:
晶状体检测单元,用于利用预先训练的基于小波特征的主动形状模型对确定出的虹膜位置进行晶状体检测,确定晶状体轮廓。
在具体实施时,在本发明实施例提供的上述分割装置中,基于小波特征的主动形状模型包括多个特征点、特征点的排列顺序、各特征点的初始坐标、各特征点的Gabor小波特征值的取值范围以及各特征点形成的多边形的形状变化空间;
晶状体检测单元,如图13所示,具体包括:
投影子单元11311,用于将虹膜位置投影到指教坐标系中;
第一检测子单元11312,用于根据各特征点的初始坐标、各特征点的Gabor小波特征值的取值范围以及各特征点形成的多边形的形状变化空间,对虹膜位置进行第一次晶状体检测,获得各特征点的第一目标坐标;
第二检测子单元11313,用于根据各特征点的第一目标坐标、各特征点的Gabor小波特征值的取值范围以及各特征点形成的多边形的形状变化空间,对虹膜位置进行第二次晶状体检测,获得各特征点的第二目标坐标;
边界确定子单元11314,用于当第i+1次晶状体检测获得的各特征点的第i+1目标坐标与第i此晶状体检测获得的各特征点的第i目标坐标之间的距离之和位于第一预设范围之内时,按照特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形;其中,i为正整数;
晶状体轮廓确定子单元11315,用于将目标多边形确定为晶状体轮廓。
在具体实施时,在本发明实施例提供的上述分割装置中,第一检测子单元11312,具体用于:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照特征点的排列顺序,将各特征点对应的第二目标像素点连接,形成第一多边形;
根据多个特征点形成的多边形的形状变化空间,对第一多边形进行调整,获得各特征点所要调整到的位置的坐标,并确定为各特征点的第一目标坐标;其中,m为特征点的总数量。
在具体实施时,在本发明实施例提供的上述分割装置中,预设区域为一特征点为圆心,并根据预设半径、特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。
在具体实施时,在本发明实施例提供的上述分割装置中,晶状体检测单元,如图12所示,还可以包括:
膨胀处理子单元11316,用于按照预设倍数,将目标多边形进行放大处理;
剔除子单元11317,用于从放大处理后的目标多边形内的像素点中去除亮度位于第二预设范围之内的像素点。
基于同一发明构思,本发明实施例还提供了一种计算设备,包括至少一个处理单元、以及至少一个存储单元,其中,存储单元存储有计算机程序,当程序被处理单元执行时,使得处理单元执行本发明实施例提供的上述方法的步骤。
基于同一发明构思,本发明实施例还提供了一种计算机可读介质,其存储有可由计算设备执行的计算机程序,当程序在计算设备上运行时,使得处理单元执行本发明实施例提供的上述方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明实施例可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
本领域技术人员可以理解附图只是一个优选实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本发明实施例提供的上述眼前节图像的分割方法及其相关装置,预先针对裂隙型眼前节图片和弥散型眼前节图片训练对应的裂隙模型和弥散模型,在获取到眼前节图像后,根据预先训练的裂隙模型和弥散模型检测眼前节图像的图片类型;在确定出的眼前节图像所属的图片类型,将眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。由于采用预先训练的裂隙模型和弥散模型确定眼前节图像进行图片类型,能够同时处理裂隙光和弥散光拍摄的图片,对眼前节图像进行自动分割,获取其皮肤区域、虹膜区域、晶状体区域的位置,因而可以方便地实现批量眼前节图像的区域自动分割和检测。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (22)
1.一种眼前节图像的分割方法,其特征在于,包括:
获取眼前节图像;
根据预先训练的裂隙模型和弥散模型,检测所述眼前节图像的图片类型;
根据所述眼前节图像所属的图片类型,将所述眼前节图像分割成虹膜区域、晶状体区域和皮肤区域;
其中,所述根据预先建立的裂隙模型和弥散模型,检测所述眼前节图像的图片类型,具体包括:
分别采用所述裂隙模型和所述弥散模型对所述眼前节图像进行虹膜检测,获得所述裂隙模型和所述弥散模型分别输出的检测结果;所述裂隙模型和所述弥散模型分别由多级弱分类器组成;所述检测结果包括:至少一个第一矩形框,所述第一矩形框对应的返回值,以及拒绝分类结果的弱分类器级数;
根据所述裂隙模型和所述弥散模型分别输出的检测结果,分别确定与所述裂隙模型和所述弥散模型对应的包含虹膜及以内部分的第二矩形框和所述第二矩形框对应的返回值;
根据所述裂隙模型和所述弥散模型分别对应的弱分类器级数和所述第二矩形框对应的返回值,确定所述眼前节图像的图片类型。
2.如权利要求1所述的分割方法,其特征在于,根据所述检测结果,确定包含虹膜以内部分的第二矩形框和所述第二矩形框对应的返回值,具体包括:
根据所述检测结果中所述第一矩形框对应的返回值,确定所述检测结果中的正确结果;
确定所述正确结果是否包含多个所述第一矩形框;
在确定所述正确结果包含大于1个所述第一矩形框时,确定各所述第一矩形框是否存在重叠区域;
若是,采用非极大值抑制的方式,将各所述第一矩形框合并为一个作为包含虹膜及以内部分的第二矩形框,并比较各所述第一矩形框对应的返回值,将最大的返回值作为所述第二矩形框对应的返回值;
若否,则比较各所述第一矩形框对应的返回值,将返回值最大的所述第一矩形框作为包含虹膜及以内部分的第二矩形框,将最大的返回值作为所述第二矩形框对应的返回值;
在所述正确结果包含1个所述第一矩形框时,将所述第一矩形框作为包含虹膜及以内部分的第二矩形框,将所述第一矩形框的返回值作为所述第二矩形框对应的返回值。
3.如权利要求2所述的分割方法,其特征在于,所述根据所述检测结果中所述第一矩形框对应的返回值,确定所述检测结果中的正确结果,具体包括:
确定所述检测结果中所述第一矩形框对应的返回值是否均为负数;
在确定所述检测结果中所述第一矩形框对应的返回值存在正数时,将返回值为正数的第一矩形框和所述第一矩形框对应的返回值作为正确结果;
在确定所述检测结果中所述第一矩形框对应的返回值均为负数时,确定返回值为负数的弱分类器的上一级弱分类器的检测结果,并将上一级弱分类器的检测结果中返回值为正数的第一矩形框和所述第一矩形框对应的返回值作为正确结果。
4.如权利要求1所述的分割方法,其特征在于,所述根据所述裂隙模型和所述弥散模型分别对应的弱分类器级数和所述第二矩形框对应的返回值,确定所述眼前节图像的图片类型,具体包括:
在判断所述裂隙模型对应的弱分类器级数大于所述弥散模型对应的弱分类器级数时,确定所述眼前节图像属于裂隙类型;
在判断所述裂隙模型对应的弱分类器级数小于所述弥散模型对应的弱分类器级数时,确定所述眼前节图像属于弥散类型;
在判断所述裂隙模型对应的弱分类器级数等于所述弥散模型对应的弱分类器级数时,判断所述裂隙模型对应的所述第二矩形框对应的返回值是否大于所述弥散模型对应的所述第二矩形框对应的返回值;若是,则确定所述眼前节图像属于裂隙类型;若否,则确定所述眼前节图像属于弥散类型。
5.如权利要求1-4任一项所述的分割方法,其特征在于,所述根据所述眼前节图像所属的图片类型,将所述眼前节图像分割成虹膜区域、晶状体区域和皮肤区域,具体包括:
在确定所述眼前节图像属于裂隙类型时,以所述裂隙模型对应的包含虹膜及以内部分的第二矩形框确定所述眼前节图像中的虹膜位置;采用预先训练的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓;
在确定所述眼前节图像属于弥散类型时,以所述弥散模型对应的包含虹膜及以内部分的第二矩形框确定所述眼前节图像中的虹膜位置;采用霍夫变换对所述虹膜位置进行瞳孔检测,确定晶状体轮廓;
根据确定出的所述虹膜位置和所述晶状体轮廓,将所述眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。
6.如权利要求5所述的分割方法,其特征在于,所述采用预先训练的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓,具体包括:
利用预先训练的基于小波特征的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓。
7.如权利要求6所述的分割方法,其特征在于,所述基于小波特征的主动形状模型包括多个特征点、所述特征点的排列顺序、各所述特征点的初始坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间;
所述利用预先训练的基于小波特征的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓,具体包括:
将所述虹膜位置投影到指教坐标系中;
根据各所述特征点的初始坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间,对所述虹膜位置进行第一次晶状体检测,获得各所述特征点的第一目标坐标;
根据各所述特征点的第一目标坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间,对所述虹膜位置进行第二次晶状体检测,获得各所述特征点的第二目标坐标;
直到第i+1次晶状体检测获得的各特征点的第i+1目标坐标与第i此晶状体检测获得的各特征点的第i目标坐标之间的距离之和位于第一预设范围之内时,按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形;其中,i为正整数;
将所述目标多边形确定为所述晶状体轮廓。
8.如权利要求7所述的分割方法,其特征在于,所述根据各所述特征点的初始坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间,对所述虹膜位置进行第一次晶状体检测,获得各所述特征点的第一目标坐标,具体包括:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从所述第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照所述特征点的排列顺序,将各所述特征点对应的所述第二目标像素点连接,形成第一多边形;
根据所述多个特征点形成的多边形的形状变化空间,对所述第一多边形进行调整,获得各所述特征点所要调整到的位置的坐标,并确定为各所述特征点的第一目标坐标;其中,m为所述特征点的总数量。
9.如权利要求8所述的分割方法,其特征在于,所述预设区域为一所述特征点为圆心,并根据预设半径、所述特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。
10.如权利要求7所述的分割方法,其特征在于,所述按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形之后,还包括:
按照预设倍数,将所述目标多边形进行放大处理;
从放大处理后的所述目标多边形内的像素点中去除亮度位于第二预设范围之内的像素点。
11.一种眼前节图像的分割装置,其特征在于,包括:
获取模块,用于获取眼前节图像;
确定模块,用于根据预先训练的裂隙模型和弥散模型,检测所述眼前节图像的图片类型;
分割模块,用于根据所述眼前节图像所属的图片类型,将所述眼前节图像分割成虹膜区域、晶状体区域和皮肤区域;
其中,所述确定模块,具体包括:
检测单元,用于分别采用所述裂隙模型和所述弥散模型对所述眼前节图像进行虹膜检测,获得所述裂隙模型和所述弥散模型分别输出的检测结果;所述裂隙模型和所述弥散模型分别由多级弱分类器组成;所述检测结果包括:至少一个第一矩形框,所述第一矩形框对应的返回值,以及拒绝分类结果的弱分类器级数;
筛选单元,用于根据所述裂隙模型和所述弥散模型分别输出的检测结果,分别确定与所述裂隙模型和所述弥散模型对应的包含虹膜及以内部分的第二矩形框和所述第二矩形框对应的返回值;
判断单元,用于根据所述裂隙模型和所述弥散模型分别对应的弱分类器级数和所述第二矩形框对应的返回值,确定所述眼前节图像的图片类型。
12.如权利要求11所述的分割装置,其特征在于,所述筛选单元,具体包括:
筛选子单元,用于根据所述检测结果中所述第一矩形框对应的返回值,确定所述检测结果中的正确结果;
第一判断子单元,用于确定所述正确结果是否包含多个所述第一矩形框;
第二判断子单元,用于在确定所述正确结果包含大于1个所述第一矩形框时,确定各所述第一矩形框是否存在重叠区域;
第一处理子单元,用于确定各所述第一矩形框存在重叠区域时,采用非极大值抑制的方式,将各所述第一矩形框合并为一个作为包含虹膜及以内部分的第二矩形框,并比较各所述第一矩形框对应的返回值,将最大的返回值作为所述第二矩形框对应的返回值;
第二处理子单元,用于确定各所述第一矩形框不存在重叠区域时,比较各所述第一矩形框对应的返回值,将返回值最大的所述第一矩形框作为包含虹膜及以内部分的第二矩形框,将最大的返回值作为所述第二矩形框对应的返回值;
第三处理子单元,用于在所述正确结果包含1个所述第一矩形框时,将所述第一矩形框作为包含虹膜及以内部分的第二矩形框,将所述第一矩形框的返回值作为所述第二矩形框对应的返回值。
13.如权利要求12所述的分割装置,其特征在于,所述筛选子单元,具体用于:
确定所述检测结果中所述第一矩形框对应的返回值是否均为负数;
在确定所述检测结果中所述第一矩形框对应的返回值存在正数时,将返回值为正数的第一矩形框和所述第一矩形框对应的返回值作为正确结果;
在确定所述检测结果中所述第一矩形框对应的返回值均为负数时,确定返回值为负数的弱分类器的上一级弱分类器的检测结果,并将上一级弱分类器的检测结果中返回值为正数的第一矩形框和所述第一矩形框对应的返回值作为正确结果。
14.如权利要求11所述的分割装置,其特征在于,所述判断单元,具体用于:
在判断所述裂隙模型对应的弱分类器级数大于所述弥散模型对应的弱分类器级数时,确定所述眼前节图像属于裂隙类型;
在判断所述裂隙模型对应的弱分类器级数小于所述弥散模型对应的弱分类器级数时,确定所述眼前节图像属于弥散类型;
在判断所述裂隙模型对应的弱分类器级数等于所述弥散模型对应的弱分类器级数时,判断所述裂隙模型对应的所述第二矩形框对应的返回值是否大于所述弥散模型对应的所述第二矩形框对应的返回值;若是,则确定所述眼前节图像属于裂隙类型;若否,则确定所述眼前节图像属于弥散类型。
15.如权利要求11-14任一项所述的分割装置,其特征在于,所述分割模块,具体包括:
第一确定单元,用于在确定所述眼前节图像属于裂隙类型时,以所述裂隙模型对应的包含虹膜及以内部分的第二矩形框确定所述眼前节图像中的虹膜位置;采用预先训练的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓;
第二确定单元,用于在确定所述眼前节图像属于弥散类型时,以所述弥散模型对应的包含虹膜及以内部分的第二矩形框确定所述眼前节图像中的虹膜位置;采用霍夫变换对所述虹膜位置进行瞳孔检测,确定晶状体轮廓;
第三确定单元,用于根据确定出的所述虹膜位置和所述晶状体轮廓,将所述眼前节图像分割成虹膜区域、晶状体区域和皮肤区域。
16.如权利要求15所述的分割装置,其特征在于,所述第一确定单元,具体包括:
晶状体检测单元,用于利用预先训练的基于小波特征的主动形状模型对确定出的所述虹膜位置进行晶状体检测,确定晶状体轮廓。
17.如权利要求16所述的分割装置,其特征在于,所述基于小波特征的主动形状模型包括多个特征点、所述特征点的排列顺序、各所述特征点的初始坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间;
所述晶状体检测单元,具体包括:
投影子单元,用于将所述虹膜位置投影到指教坐标系中;
第一检测子单元,用于根据各所述特征点的初始坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间,对所述虹膜位置进行第一次晶状体检测,获得各所述特征点的第一目标坐标;
第二检测子单元,用于根据各所述特征点的第一目标坐标、各所述特征点的Gabor小波特征值的取值范围以及各所述特征点形成的多边形的形状变化空间,对所述虹膜位置进行第二次晶状体检测,获得各所述特征点的第二目标坐标;
边界确定子单元,用于当第i+1次晶状体检测获得的各特征点的第i+1目标坐标与第i此晶状体检测获得的各特征点的第i目标坐标之间的距离之和位于第一预设范围之内时,按照所述特征点的排列顺序,将预先从多个特征点中选出的目标特征点依次连接,获得目标多边形;其中,i为正整数;
晶状体轮廓确定子单元,用于将所述目标多边形确定为所述晶状体轮廓。
18.如权利要求17所述的分割装置,其特征在于,所述第一检测子单元,具体用于:
提取第一个特征点的初始坐标所在的预设区域内的像素点的Gabor小波特征值;
从第一个特征点的预设区域内选出,Gabor小波特征值位于第一个特征点的Gabor小波特征值取值范围内的像素点,并将该像素点作为第一目标像素点;
从所述第一目标像素点中选出距离第一个特征点最近的像素点作为第二目标像素点;
直到确定出与第m个特征点对应的第二目标像素点时,按照所述特征点的排列顺序,将各所述特征点对应的所述第二目标像素点连接,形成第一多边形;
根据所述多个特征点形成的多边形的形状变化空间,对所述第一多边形进行调整,获得各所述特征点所要调整到的位置的坐标,并确定为各所述特征点的第一目标坐标;其中,m为所述特征点的总数量。
19.如权利要求18所述的分割装置,其特征在于,所述预设区域为一所述特征点为圆心,并根据预设半径、所述特征点所在位置的法线在逆时针方向和顺时针方向旋转预设角度确定的区域。
20.如权利要求17所述的分割装置,其特征在于,所述晶状体检测单元,还包括:
膨胀处理子单元,用于按照预设倍数,将所述目标多边形进行放大处理;
剔除子单元,用于从放大处理后的所述目标多边形内的像素点中去除亮度位于第二预设范围之内的像素点。
21.一种眼前节图像的分割装置,其特征在于,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行权利要求1~10任一项权利要求所述方法的步骤。
22.一种计算机可读介质,其特征在于,其存储有计算机程序,当所述程序在计算机上运行时,使得计算机执行权利要求1~10任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710754621.2A CN109447995B (zh) | 2017-08-29 | 2017-08-29 | 一种眼前节图像的分割方法及其相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710754621.2A CN109447995B (zh) | 2017-08-29 | 2017-08-29 | 一种眼前节图像的分割方法及其相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447995A CN109447995A (zh) | 2019-03-08 |
CN109447995B true CN109447995B (zh) | 2021-01-15 |
Family
ID=65529962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710754621.2A Active CN109447995B (zh) | 2017-08-29 | 2017-08-29 | 一种眼前节图像的分割方法及其相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447995B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132777B (zh) * | 2023-10-26 | 2024-03-22 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3340921A1 (de) * | 1982-11-11 | 1984-05-17 | Asahi Kogaku Kogyo K.K., Tokio/Tokyo | Linsenmesser mit einem fokussierungsanzeigesystem mit der erfassung einer teil-bild-fokussierung |
JPH08285780A (ja) * | 1995-04-19 | 1996-11-01 | Nkk Corp | 鋼管の外面疵検査方法 |
CN101584574A (zh) * | 2008-05-19 | 2009-11-25 | 复旦大学附属眼耳鼻喉科医院 | 一种晶状体图像分析方法 |
US8715345B2 (en) * | 2011-05-23 | 2014-05-06 | California Institute Of Technology | Accommodating intraocular lens |
CN105411521A (zh) * | 2015-12-07 | 2016-03-23 | 温州医科大学眼视光器械有限公司 | 一种晶状体图像检测装置 |
CN106859589A (zh) * | 2017-02-23 | 2017-06-20 | 何伟 | 一种白内障筛查用便携式数码裂隙灯 |
-
2017
- 2017-08-29 CN CN201710754621.2A patent/CN109447995B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3340921A1 (de) * | 1982-11-11 | 1984-05-17 | Asahi Kogaku Kogyo K.K., Tokio/Tokyo | Linsenmesser mit einem fokussierungsanzeigesystem mit der erfassung einer teil-bild-fokussierung |
JPH08285780A (ja) * | 1995-04-19 | 1996-11-01 | Nkk Corp | 鋼管の外面疵検査方法 |
CN101584574A (zh) * | 2008-05-19 | 2009-11-25 | 复旦大学附属眼耳鼻喉科医院 | 一种晶状体图像分析方法 |
US8715345B2 (en) * | 2011-05-23 | 2014-05-06 | California Institute Of Technology | Accommodating intraocular lens |
CN105411521A (zh) * | 2015-12-07 | 2016-03-23 | 温州医科大学眼视光器械有限公司 | 一种晶状体图像检测装置 |
CN106859589A (zh) * | 2017-02-23 | 2017-06-20 | 何伟 | 一种白内障筛查用便携式数码裂隙灯 |
Non-Patent Citations (5)
Title |
---|
An Automatic Diagnosis System of Nuclear Cataract Using Slit-lamp Images;Huiqi Li 等;《2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society》;20091113;正文第Ⅱ部分 * |
Comparative analysis of image classification methods for automatic diagnosis of ophthalmic images;Liming Wang 等;《Scientific Reports》;20170131;全文 * |
Localization and diagnosis framework for pediatric cataracts based on slit-lamp images using deep features of a convolutional neural network;Xiyang Liu 等;《PLOS one》;20170317;第12卷(第3期);正文第5页最后一段-第7页第一段 * |
光学相干断层扫描在眼前节疾病诊治中的临床应用;田润 等;《国际眼科杂志》;20051231;第5卷(第6期);全文 * |
白内障的诊断与晶状体图像计算机分析系统的研究;唐由之 等;《中国中医眼科杂志》;19980831;第8卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109447995A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105513077B (zh) | 一种用于糖尿病性视网膜病变筛查的系统 | |
CN109377474B (zh) | 一种基于改进Faster R-CNN的黄斑定位方法 | |
Li et al. | Automated feature extraction in color retinal images by a model based approach | |
Kumar et al. | Detection of Glaucoma using image processing techniques: A review | |
CN109684915B (zh) | 瞳孔跟踪图像处理方法 | |
CN108416772A (zh) | 一种基于级联卷积神经网络的斜眼检测方法 | |
CN102567734A (zh) | 基于比值的视网膜细小血管分割方法 | |
CN111160431B (zh) | 一种基于多维特征融合的圆锥角膜识别方法及装置 | |
Sigit et al. | Classification of cataract slit-lamp image based on machine learning | |
CN109447995B (zh) | 一种眼前节图像的分割方法及其相关装置 | |
Jagadale et al. | Early detection and categorization of cataract using slit-lamp images by hough circular transform | |
Aruchamy et al. | Automated glaucoma screening in retinal fundus images | |
Abdani et al. | Iris segmentation method of pterygium anterior segment photographed image | |
Jana et al. | A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image | |
Hu et al. | A large-scale database for less cooperative iris recognition | |
Septiarini et al. | Peripapillary atrophy detection in fundus images based on sectors with scan lines approach | |
Xia et al. | IR image based eye gaze estimation | |
CN115456974A (zh) | 基于人脸关键点的斜视检测系统、方法、设备及介质 | |
Gunasinghe et al. | Comparison of pretrained feature extractors for glaucoma detection | |
CN116030042A (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
WO2011108995A1 (en) | Automatic analysis of images of the anterior chamber of an eye | |
Akhade et al. | Automatic optic disc detection in digital fundus images using image processing techniques | |
Mittal et al. | Optic disk and macula detection from retinal images using generalized motion pattern | |
US10956735B1 (en) | System and method for determining a refractive error from red reflex images of eyes | |
KR102282334B1 (ko) | 시신경 유두 분류 방법 |
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 |