CN109741348A - 一种糖尿病视网膜图像分割方法 - Google Patents
一种糖尿病视网膜图像分割方法 Download PDFInfo
- Publication number
- CN109741348A CN109741348A CN201910012301.9A CN201910012301A CN109741348A CN 109741348 A CN109741348 A CN 109741348A CN 201910012301 A CN201910012301 A CN 201910012301A CN 109741348 A CN109741348 A CN 109741348A
- Authority
- CN
- China
- Prior art keywords
- image
- retina
- matrix
- subgraph
- pixel
- 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
Landscapes
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种糖尿病视网膜图像分割方法,包括以下步骤:A、图像采集器采集糖尿病视网膜图像并发送至图像预处理器;B、图像预处理器对采集的图像进行增强和滤波处理;C、对处理后的图像进行特征提取,得到特征提取后的图像;D、将特征提取后的图像进行离散小波帧分解,得到第一视网膜子图和第二视网膜子图;E、将第一视网膜子图和第二视网膜子图输入到图像分割神经网络中,并输出分割后的视网膜图像,本发明采用的分割方法分割效率高,分割准确度高,便于医生的病灶处的判断。
Description
技术领域
本发明涉及视网膜图像分割技术领域,具体为一种糖尿病视网膜图像分割方法。
背景技术
视网膜为眼球壁的内层,分为视网膜盲部和视部。盲部包括视网膜虹膜部和视网膜睫状体部,各贴附于虹膜和睫状体内面,是虹膜和睫状体的组成部分。
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像索赋予相同的编号。
现有的图像分割方法能够实现对视网膜图像的分割处理,但是其分割后效果差,难于在对实时性有较高要求的临床中广泛应用。
发明内容
本发明的目的在于提供一种糖尿病视网膜图像分割方法,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:一种糖尿病视网膜图像分割方法,包括以下步骤:
A、图像采集器采集糖尿病视网膜图像并发送至图像预处理器;
B、图像预处理器对采集的图像进行增强和滤波处理;
C、对处理后的图像进行特征提取,得到特征提取后的图像;
D、将特征提取后的图像进行离散小波帧分解,得到第一视网膜子图和第二视网膜子图;
E、将第一视网膜子图和第二视网膜子图输入到图像分割神经网络中,并输出分割后的视网膜图像。
优选的,所述步骤B中图像增强方法如下:
a、整幅图像有m×n个像素点,将该幅具有F个灰度级的视网膜图像X,变换成一个模糊矩阵为:式中:uij表示坐标为(i,j)的像素点的隶属度;隶属度函数umn满足:uij=xij/(L-1),式中:xij表示坐标为(i,j)的像素点的灰度值;
b、对图像进行增强处理:
c、增强处理后形成新的图像灰度值隶属度矩阵为:
d、对图像灰度值隶属度矩阵进行逆变换,得到经过增强后的视网膜图像X′,X′中像素灰度值矩阵为:
优选的,所述步骤C中图像特征提取方法如下:
a、对视网膜图像进行边缘检测和角点检测,将角点检测得到的角点和边缘检测得到的边缘点进行组合,得到图像区域;
b、将图像区域换到IHS色彩空间中图像的简约双四元数矩阵;
c、获取预设的多通道滤波器函数矩阵;
d、计算简约双四元数矩阵与多通道滤波器函数矩阵的简约双四元数卷积得到卷积矩阵;
e、查找卷积矩阵中邻接差值小于差值阈值的像素坐标,根据查找到的像素坐标生成视网膜图像特征。
与现有技术相比,本发明的有益效果是:
(1)本发明采用的分割方法分割效率高,分割准确度高,便于医生的病灶处的判断。
(2)本发明采用的图像增强方法能够实现对图像的高精度增强处理,使病灶区域更加明显。
(3)本发明采用的图像特征提取方法能够降低视网膜图像纹理特征提取的误检率。
附图说明
图1为本发明分割方法流程图;
图2为本发明特征提取方法流程图。
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。
实施例一:
请参阅图1-2,本发明提供如下技术方案:一种糖尿病视网膜图像分割方法,包括以下步骤:
A、图像采集器采集糖尿病视网膜图像并发送至图像预处理器;
B、图像预处理器对采集的图像进行增强和滤波处理;
C、对处理后的图像进行特征提取,得到特征提取后的图像;
D、将特征提取后的图像进行离散小波帧分解,得到第一视网膜子图和第二视网膜子图;
E、将第一视网膜子图和第二视网膜子图输入到图像分割神经网络中,并输出分割后的视网膜图像。
本发明中,步骤B中图像增强方法如下:
a、整幅图像有m×n个像素点,将该幅具有F个灰度级的视网膜图像X,变换成一个模糊矩阵为:式中:uij表示坐标为(i,j)的像素点的隶属度;隶属度函数umn满足:uij=xij/(L-1),式中:xij表示坐标为(i,j)的像素点的灰度值;
b、对图像进行增强处理:
c、增强处理后形成新的图像灰度值隶属度矩阵为:
d、对图像灰度值隶属度矩阵进行逆变换,得到经过增强后的视网膜图像X′,X′中像素灰度值矩阵为:
本发明采用的图像增强方法能够实现对图像的高精度增强处理,使病灶区域更加明显。
实施例二:
本发明提供如下技术方案:一种糖尿病视网膜图像分割方法,包括以下步骤:
A、图像采集器采集糖尿病视网膜图像并发送至图像预处理器;
B、图像预处理器对采集的图像进行增强和滤波处理;
C、对处理后的图像进行特征提取,得到特征提取后的图像;
D、将特征提取后的图像进行离散小波帧分解,得到第一视网膜子图和第二视网膜子图;
E、将第一视网膜子图和第二视网膜子图输入到图像分割神经网络中,并输出分割后的视网膜图像。
本发明中,步骤B中图像增强方法如下:
a、整幅图像有m×n个像素点,将该幅具有F个灰度级的视网膜图像X,变换成一个模糊矩阵为:式中:uij表示坐标为(i,j)的像素点的隶属度;隶属度函数umn满足:uij=xij/(L-1),式中:xij表示坐标为(i,j)的像素点的灰度值;
b、对图像进行增强处理:
c、增强处理后形成新的图像灰度值隶属度矩阵为:
d、对图像灰度值隶属度矩阵进行逆变换,得到经过增强后的视网膜图像X′,X′中像素灰度值矩阵为:
本发明采用的图像增强方法能够实现对图像的高精度增强处理,使病灶区域更加明显。
本实施例中,步骤C中图像特征提取方法如下:
a、对视网膜图像进行边缘检测和角点检测,将角点检测得到的角点和边缘检测得到的边缘点进行组合,得到图像区域;
b、将图像区域换到IHS色彩空间中图像的简约双四元数矩阵;
c、获取预设的多通道滤波器函数矩阵;
d、计算简约双四元数矩阵与多通道滤波器函数矩阵的简约双四元数卷积得到卷积矩阵;
e、查找卷积矩阵中邻接差值小于差值阈值的像素坐标,根据查找到的像素坐标生成视网膜图像特征。
本发明采用的图像特征提取方法能够降低视网膜图像纹理特征提取的误检率。
综上所述,本发明采用的分割方法分割效率高,分割准确度高,便于医生的病灶处的判断。
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 (3)
1.一种糖尿病视网膜图像分割方法,其特征在于:包括以下步骤:
A、图像采集器采集糖尿病视网膜图像并发送至图像预处理器;
B、图像预处理器对采集的图像进行增强和滤波处理;
C、对处理后的图像进行特征提取,得到特征提取后的图像;
D、将特征提取后的图像进行离散小波帧分解,得到第一视网膜子图和第二视网膜子图;
E、将第一视网膜子图和第二视网膜子图输入到图像分割神经网络中,并输出分割后的视网膜图像。
2.根据权利要求1所述的一种糖尿病视网膜图像分割方法,其特征在于:所述步骤B中图像增强方法如下:
a、整幅图像有m×n个像素点,将该幅具有F个灰度级的视网膜图像X,变换成一个模糊矩阵为:式中:uij表示坐标为(i,j)的像素点的隶属度;隶属度函数umn满足:uij=xij/(L-1),式中:xij表示坐标为(i,j)的像素点的灰度值;
b、对图像进行增强处理:
c、增强处理后形成新的图像灰度值隶属度矩阵为:
d、对图像灰度值隶属度矩阵进行逆变换,得到经过增强后的视网膜图像X′,X′中像素灰度值矩阵为:
3.根据权利要求1所述的一种糖尿病视网膜图像分割方法,其特征在于:所述步骤C中图像特征提取方法如下:
a、对视网膜图像进行边缘检测和角点检测,将角点检测得到的角点和边缘检测得到的边缘点进行组合,得到图像区域;
b、将图像区域换到IHS色彩空间中图像的简约双四元数矩阵;
c、获取预设的多通道滤波器函数矩阵;
d、计算简约双四元数矩阵与多通道滤波器函数矩阵的简约双四元数卷积得到卷积矩阵;
e、查找卷积矩阵中邻接差值小于差值阈值的像素坐标,根据查找到的像素坐标生成视网膜图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012301.9A CN109741348A (zh) | 2019-01-07 | 2019-01-07 | 一种糖尿病视网膜图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012301.9A CN109741348A (zh) | 2019-01-07 | 2019-01-07 | 一种糖尿病视网膜图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109741348A true CN109741348A (zh) | 2019-05-10 |
Family
ID=66363656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910012301.9A Pending CN109741348A (zh) | 2019-01-07 | 2019-01-07 | 一种糖尿病视网膜图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741348A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335263A (zh) * | 2019-06-28 | 2019-10-15 | 珠海博明软件有限公司 | 一种通过亮度识别提高3d高度差计算精度的测量方案 |
CN112446888A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 图像分割模型的处理方法和处理装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010031095A1 (en) * | 2000-03-28 | 2001-10-18 | Osamu Itokawa | Image processing apparatus and method, and computer readable memory |
CN101976343A (zh) * | 2010-09-03 | 2011-02-16 | 北京师范大学 | 湖泊沉积物硅藻识别技术与装置 |
CN104239883A (zh) * | 2013-12-11 | 2014-12-24 | 深圳深讯和科技有限公司 | 纹理特征提取方法及装置 |
CN104881862A (zh) * | 2015-04-03 | 2015-09-02 | 南通大学 | 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用 |
CN105205821A (zh) * | 2015-09-21 | 2015-12-30 | 江苏科技大学 | 一种焊接图像分割方法 |
CN107274390A (zh) * | 2017-06-05 | 2017-10-20 | 镇江苏仪德科技有限公司 | 一种基于小波分解的织物疵点区域特征值提取的方法 |
CN107679462A (zh) * | 2017-09-13 | 2018-02-09 | 哈尔滨工业大学深圳研究生院 | 一种基于小波的深度多特征融合分类方法 |
-
2019
- 2019-01-07 CN CN201910012301.9A patent/CN109741348A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010031095A1 (en) * | 2000-03-28 | 2001-10-18 | Osamu Itokawa | Image processing apparatus and method, and computer readable memory |
CN101976343A (zh) * | 2010-09-03 | 2011-02-16 | 北京师范大学 | 湖泊沉积物硅藻识别技术与装置 |
CN104239883A (zh) * | 2013-12-11 | 2014-12-24 | 深圳深讯和科技有限公司 | 纹理特征提取方法及装置 |
CN104881862A (zh) * | 2015-04-03 | 2015-09-02 | 南通大学 | 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用 |
CN105205821A (zh) * | 2015-09-21 | 2015-12-30 | 江苏科技大学 | 一种焊接图像分割方法 |
CN107274390A (zh) * | 2017-06-05 | 2017-10-20 | 镇江苏仪德科技有限公司 | 一种基于小波分解的织物疵点区域特征值提取的方法 |
CN107679462A (zh) * | 2017-09-13 | 2018-02-09 | 哈尔滨工业大学深圳研究生院 | 一种基于小波的深度多特征融合分类方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335263A (zh) * | 2019-06-28 | 2019-10-15 | 珠海博明软件有限公司 | 一种通过亮度识别提高3d高度差计算精度的测量方案 |
CN112446888A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 图像分割模型的处理方法和处理装置 |
WO2021042857A1 (zh) * | 2019-09-02 | 2021-03-11 | 华为技术有限公司 | 图像分割模型的处理方法和处理装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927016B (zh) | 一种基于双目视觉的实时三维双手手势识别方法及其系统 | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN107392909B (zh) | 基于神经网络与约束图搜索算法的oct图像层分割方法 | |
CN110276356A (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
CN105139027B (zh) | 胶囊头缺陷检测方法和装置 | |
CN105160346B (zh) | 一种基于纹理和分布特征的舌苔腐腻识别方法 | |
CN109785321A (zh) | 基于深度学习和Gabor滤波器的睑板腺区域提取方法 | |
CN110363719A (zh) | 一种细胞分层图像处理方法及系统 | |
CN106558031B (zh) | 一种基于成像模型的彩色眼底图的图像增强方法 | |
CN109741348A (zh) | 一种糖尿病视网膜图像分割方法 | |
CN107909588A (zh) | 基于三维全卷积神经网络的mri皮质下分区系统 | |
Chen et al. | Blood vessel enhancement via multi-dictionary and sparse coding: Application to retinal vessel enhancing | |
CN108765392A (zh) | 一种基于滑动窗口的消化道内镜病变检测和识别方法 | |
CN107154026A (zh) | 一种基于自适应亮度高程模型的消除路面阴影的方法 | |
CN105139417A (zh) | 视频监控下的多目标实时跟踪方法 | |
CN109325955B (zh) | 一种基于oct图像的视网膜分层方法 | |
CN107154044A (zh) | 一种中餐食物图像的分割方法 | |
Argade et al. | Automatic detection of diabetic retinopathy using image processing and data mining techniques | |
CN108470178A (zh) | 一种结合深度可信度评价因子的深度图显著性检测方法 | |
CN106960199A (zh) | 一种真彩色眼象图白睛区域的完整提取方法 | |
CN107392918B (zh) | 基于随机森林与复合活性曲线的oct图像层分割方法 | |
CN111340773A (zh) | 一种视网膜图像血管分割方法 | |
CN108021921A (zh) | 图像特征点提取系统及其应用 | |
CN109410191A (zh) | 基于oct图像的眼底血管定位方法及其贫血筛查方法 | |
CN108171659A (zh) | 一种基于k-svd字典的图像修复方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190510 |
|
WD01 | Invention patent application deemed withdrawn after publication |