CN109934806A - 图像确定方法、装置、设备和存储介质 - Google Patents

Abstract

本发明实施例公开了一种图像确定方法、装置、设备和存储介质。所述方法包括：提取待处理图像中的第一图像区域；根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数；根据所述第二图像区域的特征参数，确定所述待处理图像中的第二图像区域。本发明实施例通过根据待处理图像中第一图像区域的特征参数间接的确定第二图像区域的特征参数，进而确定待处理图像中的第二图像区域，不同图像区域受环境因素影响的程度不同，因而识别难度不同，本方案可以通过较易识别区域间接的对较难识别区域进行识别，提高了图像确定的准确率。

Description

图像确定方法、装置、设备和存储介质

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种图像确定方法、装置、设备和存储介质。

背景技术

黄斑区位于视网膜中央，是视力最敏感的区域，负责视觉和色觉的视锥细胞就分布于该区域，因此任何累及黄斑部的病变都会引起中心视力的明显下降、视物色暗、变形等。为了准确、及时的发现黄斑区的病变，需要确定并提取黄斑区感兴趣区域。

黄斑区感兴趣区域提取目前普遍采用如下两种方案来解决：(1)使用图像处理阈值法对黄斑中心凹进行定位，然后提取黄斑区感兴趣区域。(2)通过阈值法定位视盘，然后搜索视盘周边区域，利用数学形态学和特征提取技术定位黄斑中心，最后提取黄斑区感兴趣区域。

上述两种方案使用场景有所不同，所带来的问题和不足也有所不同：方案(1)应用场景只能在眼底图像质量比较高，黄斑中心凹比较明显的条件下，应用范围比较有限。由于是对全图采用阈值法定位黄斑中心凹，因此，容易受到光照以及眼底损伤的影响。方案(2)可以有效解决方案(1)中搜索区域过大引入背景噪声的问题，可以排除掉一部分光照造成的影响，但是使用阈值法检测视盘准确率还不够高，而且对于黄斑区受损的图像，即使缩小黄斑中心凹的搜索范围，也很难定位到中心凹。

发明内容

本发明实施例提供一种图像确定方法、装置、设备和存储介质，可以解决黄斑区感兴趣区域因容易受到光照以及眼底损伤影响导致提取准确率低的问题。

第一方面，本发明实施例提供了一种图像确定方法，所述方法包括：

提取待处理图像中的第一图像区域；

根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数；

根据所述第二图像区域的特征参数，确定所述待处理图像中的第二图像区域。

第二方面，本发明实施例提供了一种图像确定装置，所述装置包括：

第一图像区域提取模块，用于提取待处理图像中的第一图像区域；

第二特征参数确定模块，用于根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数；

第二图像区域确定模块，用于根据所述第二图像区域的特征参数，确定所述待处理图像中的第二图像区域。

第三方面，本发明实施例提供了一种设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的图像确定方法。

第六方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的图像确定方法。

本发明实施例通过根据待处理图像中第一图像区域的特征参数间接的确定第二图像区域的特征参数，进而确定待处理图像中的第二图像区域，不同图像区域受环境因素影响的程度不同，因而识别难度不同，本方案可以通过较易识别区域间接的对较难识别区域进行识别，提高了图像确定的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例一提供的一种图像确定方法的流程图；

图2A是本发明实施例二提供的一种图像确定方法的流程图；

图2B为本发明实施例二提供的一种黄斑区图像区域示意图；

图3为本发明实施例三提供的一种图像确定装置的结构示意图；

图4为本发明实施例四提供的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种图像确定方法的流程图。该方法可以由本发明实施例提供的图像确定装置来执行，具体包括如下：

S101、提取待处理图像中的第一图像区域。

其中，待处理图像为一幅完整的图像，该图像包括至少两个图像区域，由于不同图像区域受环境等因素的影响不同，提取难度不同，将提取难度较容易的区域作为第一图像区域，提取难度较困难的区域作为第二图像区域。以待处理图像是眼底图像为例，待处理图像中包括视盘图像区域和黄斑区图像区域，相应地，由于视盘区域亮度大，且不易受病变影响，提取难度较小，而黄斑区易受病变影响，识别提取难度较大，可以将视盘图像区域作为第一图像区域，黄斑区图像区域作为第二图像区域。

在可选的一种具体实施方式中，提取待处理图像中的第一图像区域，包括：将所述待处理图像作为图像提取模型的输入，得到所述第一图像区域；其中所述图像提取模型是基于深度学习网络，根据样本图像和样本图像中包括的第一图像区域训练得到的。例如，预先获取大量样本图像，并获取基于专业知识在样本图像中标注的第一图像区域，对基础深度学习网络模型进行训练，得到图像提取模型。本发明实施例对基础深度学习网络模型的结构不作具体限定，例如可以是卷积神经网络模型。

S102、根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数。

第一图像区域和第二图像区域的特征参数可以分别是两个图像区域的位置参数和尺寸参数，例如中心位置、直径、半径等参数。以第一图像区域是视盘图像区域，第二图像区域是黄斑区图像区域为例，视盘图像区域的特征参数可以包括视盘中心位置、视盘水平直径、视盘竖直直径和视盘直径；黄斑区图像区域的特征参数可以包括黄斑区图像区域的中心位置和黄斑区图像区域的区域半径。

并且，可以根据大量眼底图像样本预先确定第一图像区域与第二图像区域的特征参数之间相互关系，从而根据第一图像区域的特征参数和相互关系，可以确定第二图像区域的特征参数。仍以第一图像区域是视盘图像区域，第二图像区域是黄斑区图像区域为例，可以将大量的视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径和黄斑区图像区域的中心位置进行训练，得到回归模型，当向回归模型输入视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径时，则会根据训练结果，相应的得到黄斑区图像区域的中心位置。需要说明的是，上述相互关系可以通过经验公式之类的其他方式确定。

S103、根据所述第二图像区域的特征参数，确定所述待处理图像中的第二图像区域。

具体的，根据获取到的第二图像区域的特征参数，在待处理图像中确定第二图像区域的位置。

本实施例提供的技术方案，通过根据待处理图像中第一图像区域的特征参数间接的确定第二图像区域的特征参数，进而确定待处理图像中的第二图像区域，有效避免光照以及病灶损伤对图像区域确定的影响，提高了图像确定的准确率。

实施例二

图2A是本发明实施例二提供的一种图像确定方法的流程图，图2B为本发明实施例二提供的一种黄斑区图像区域示意图。本实施例是在上述实施例一的基础上，以待处理图像是眼底图像，第一图像区域是视盘图像区域，第二图像区域是黄斑区图像区域为例，提供了一种具体实施方式。该方法可以由本发明实施例提供的图像确定装置来执行，该方法具体可以包括如下：

S201、提取待处理图像中的视盘图像区域。

可选的，将眼底图像作为图像提取模型的输入，得到视盘图像区域。其中，图像提取模型是基于深度学习网络，根据样本眼底图像和样本眼底图像中包括的视盘图像标注区域训练得到的。可选的，深度学习网络可以包括卷积神经网络。

示例性的，选取卷积神经网络模型作为图像提取模型，对于卷积神经网络模型的训练，包括：通过卷积神经网络识别出样本眼底图像中包括的视盘图像区域的特征，根据所述特征生成一个视盘图像区域预测边框，再根据样本眼底图像中已人为标出的视盘图像区域边框，计算出预测边框与人为标出边框的差异，进而得到边框回归参数。当向卷积神经网络模型输入一张眼底图像，卷积神经网络模型根据输入的眼底图像生成一个视盘图像区域预测边框，再根据训练得到的边框回归参数，得到视盘图像区域的边框回归，即得到视盘图像区域。

可选的，得到视盘图像区域之后，根据视盘区域得到视盘区域的特征参数，例如视盘水平直径d_h、视盘竖直直径d_v、视盘中心位置(x_dicc,y_dicc)和视盘直径ODD。

S202、根据视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径，确定黄斑区图像区域的中心位置。

在可选的一种具体实施方式中，基于回归模型，根据所述视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径，确定黄斑区图像区域的中心位置。其中，回归模型是根据样本眼底图像中包括的视盘图像区域的特征参数和黄斑区图像区域的特征参数训练得到的。可选的，黄斑区图像区域的特征参数可以包括黄斑区图像区域的中心位置和黄斑区图像区域的区域半径。

示例性的，根据经验确定回归模型具体为线性多项式回归模型，所述线性多项式回归模型的表达式可以包括：x_fovea＝a₀+a₁x_disc+a₂d_h+a₃d_v；y_fovea＝b₀+b₁y_disc+b₂d_h+b₃d_v，其中(x_fovea,y_fovea)为黄斑区图像区域的中心位置，(x_disc,y_disc)为视盘中心位置，d_h为视盘水平直径，d_v为视盘竖直直径，a₀、a₁、a₂、a₃和b₀、b₁、b₂、b₃为线性多项式回归模型的参数。将样本眼底图像中专业人工标注的视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径以及专业人工标注的黄斑区图像区域的中心位置作为训练样本进行模型训练，得到估计的a₀、a₁、a₂、a₃和b₀、b₁、b₂、b₃，并保存下来。当向线性多项式回归模型输入视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径时，线性多项式回归模型根据训练得到的参数，确定黄斑区图像区域的中心位置。S203、将所述视盘图像区域的区域直径，作为所述黄斑区图像区域的区域半径。

其中，视盘图像区域的区域直径为视盘直径ODD。可选的，在得到黄斑区图像区域后，针对黄斑区图像区域生成感兴趣区域的掩膜，并将所述掩膜与眼底图像相乘，即可得到黄斑区感兴趣区域。

S204、根据黄斑区图像区域的中心位置和区域半径，确定眼底图像中的黄斑区图像区域。

具体的，将视盘直径ODD作为黄斑区图像区域的区域半径，以黄斑区图像区域的中心位置为圆心作圆，得到一个圆形区域即为黄斑区图像区域。如图2B为一张眼底图像，其中虚线区域20为黄斑区图像区域，实线区域21为视盘图像区域。

本实施例提供的技术方案，通过使用卷积神经网络检测视盘，准确性更高。通过使用回归模型，确定视盘特征参数和黄斑区图像区域中心位置的对应关系，进一步根据输入的视盘特征参数得到黄斑区图像区域中心位置，可以有效避免光照以及病灶损伤对提取黄斑区感兴趣区域的影响。

实施例三

图3为本发明实施例三提供的一种图像确定装置的结构示意图，可执行本发明任一实施例所提供的图像确定方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置可以包括：

第一图像区域提取模块31，用于提取待处理图像中的第一图像区域；

第二特征参数确定模块32，用于根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数；

第二图像区域确定模块33，用于根据所述第二图像区域的特征参数，确定所述待处理图像中的第二图像区域。

在上述实施例的基础上，所述第一图像区域为视盘图像区域；所述第二图像区域为黄斑区图像区域。

在上述实施例的基础上，所述第二特征参数确定模块32具体用于：

根据所述视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径，确定黄斑区图像区域的中心位置。

在上述实施例的基础上，所述第二特征参数确定模块32具体用于：

基于回归模型，根据所述视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径，确定黄斑区图像区域的中心位置；

其中，所述回归模型是根据眼底样本图像中包括的视盘图像区域的特征参数和黄斑区图像区域的特征参数训练得到的。

在上述实施例的基础上，所述第二特征参数确定模块32，用于：

将所述视盘图像区域的区域直径，作为所述黄斑区图像区域的区域半径。

在上述实施例的基础上，所述第一图像区域提取模块31具体用于：

将所述待处理图像作为图像提取模型的输入，得到所述第一图像区域；

其中所述图像提取模型是基于深度学习网络，根据样本图像和样本图像中包括的第一图像区域训练得到的。

本发明实施例所提供的一种图像确定装置，可执行本发明任一实施例所提供的图像确定方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任一实施例所提供的图像确定方法。

实施例四

图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备400的框图。图4显示的设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，设备400以通用计算设备的形式表现。设备400的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。

总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。

设备400也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该设备400交互的设备通信，和/或与使得该设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，设备400还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与设备400的其它模块通信。应当明白，尽管图中未示出，可以结合设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图像确定方法，包括：

提取待处理图像中的第一图像区域；

根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数；

根据所述第二图像区域的特征参数，确定所述待处理图像中的第二图像区域。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种图像确定方法，该方法包括：

提取待处理图像中的第一图像区域；

根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数；

根据所述第二图像区域的特征参数，确定所述待处理图像中的第二图像区域。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的一种图像确定方法中的相关操作。本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (14)

1.一种图像确定方法，其特征在于，所述方法包括：

提取待处理图像中的第一图像区域；

根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数；

根据所述第二图像区域的特征参数，确定所述待处理图像中的第二图像区域。

2.根据权利要求1所述的方法，其特征在于，所述第一图像区域为视盘图像区域；所述第二图像区域为黄斑区图像区域。

3.根据权利要求1所述的方法，其特征在于，根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数，包括：

根据所述视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径，确定黄斑区图像区域的中心位置。

4.根据权利要求3所述的方法，其特征在于，根据所述视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径，确定黄斑区图像区域的中心位置，包括：

基于回归模型，根据所述视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径，确定黄斑区图像区域的中心位置；

其中，所述回归模型是根据眼底样本图像中包括的视盘图像区域的特征参数和黄斑区图像区域的特征参数训练得到的。

5.根据权利要求1所述的方法，其特征在于，根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数，还包括：

将所述视盘图像区域的区域直径，作为所述黄斑区图像区域的区域半径。

6.根据权利要求1所述的方法，其特征在于，提取待处理图像中的第一图像区域，包括：

将所述待处理图像作为图像提取模型的输入，得到所述第一图像区域；

其中所述图像提取模型是基于深度学习网络，根据样本图像和样本图像中包括的第一图像区域训练得到的。

7.一种图像确定装置，其特征在于，所述装置包括：

第一图像区域提取模块，用于提取待处理图像中的第一图像区域；

第二特征参数确定模块，用于根据所述第一图像区域的特征参数，确定所述待处理图像中的第二图像区域的特征参数；

第二图像区域确定模块，用于根据所述第二图像区域的特征参数，确定所述待处理图像中的第二图像区域。

8.根据权利要求7所述的装置，其特征在于，所述第一图像区域为视盘图像区域；所述第二图像区域为黄斑区图像区域。

9.根据权利要求7所述的装置，其特征在于，所述第二特征参数确定模块具体用于：

根据所述视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径，确定黄斑区图像区域的中心位置。

10.根据权利要求9所述的装置，其特征在于，所述第二特征参数确定模块具体用于：

基于回归模型，根据所述视盘图像区域的视盘中心位置、视盘水平直径和视盘竖直直径，确定黄斑区图像区域的中心位置；

其中，所述回归模型是根据眼底样本图像中包括的视盘图像区域的特征参数和黄斑区图像区域的特征参数训练得到的。

11.根据权利要求7所述的装置，其特征在于，所述第二特征参数确定模块用于：

将所述视盘图像区域的区域直径，作为所述黄斑区图像区域的区域半径。

12.根据权利要求7所述的装置，其特征在于，所述第一图像区域提取模块具体用于：

将所述待处理图像作为图像提取模型的输入，得到所述第一图像区域；

其中所述图像提取模型是基于深度学习网络，根据样本图像和样本图像中包括的第一图像区域训练得到的。

13.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的图像确定方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的图像确定方法。