CN110110761A - 基于机器视觉的眼前节断层图像的图像特征提取方法 - Google Patents
基于机器视觉的眼前节断层图像的图像特征提取方法 Download PDFInfo
- Publication number
- CN110110761A CN110110761A CN201910313547.XA CN201910313547A CN110110761A CN 110110761 A CN110110761 A CN 110110761A CN 201910313547 A CN201910313547 A CN 201910313547A CN 110110761 A CN110110761 A CN 110110761A
- Authority
- CN
- China
- Prior art keywords
- image
- anterior ocular
- ocular segment
- anterior
- region
- 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 14
- 210000004087 cornea Anatomy 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 210000000746 body region Anatomy 0.000 claims abstract description 6
- 238000003672 processing method Methods 0.000 abstract description 2
- 210000000554 iris Anatomy 0.000 description 8
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 210000000695 crystalline len Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 210000002159 anterior chamber Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 210000004240 ciliary body Anatomy 0.000 description 1
- 210000000795 conjunctiva Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000025712 muscle attachment Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06T2207/10072—Tomographic images
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及眼科医学图像处理方法，具体涉及一种基于机器视觉的眼前节断层图像的图像特征提取方法，首先对由相机采集的眼前节断层图像进行灰度直方图统计，剔除不可能是眼前节的图像，接着根据直方图进行灰度归一化，减少环境光对成像质量的影响，然后通过K‑mean聚类算法粗略分割，可分割出角膜、虹膜、晶状体区域，再进行blob分析，根据各区域的位置关系及形状信息，筛除非眼前节图像，再在各区域的粗略边界基础上进行固定方向的精细边界跟踪，从而获得角膜、虹膜、晶状体的精确轮廓，为后续求得眼前节临床参数提供了可靠的基础数据。
Description
技术领域
本发明涉及眼科医学图像处理方法，具体涉及一种基于机器视觉的眼前节断层图像的图像特征提取方法。
背景技术
眼前节是眼球的一部分，具体包括：全部角膜、虹膜、睫状体、前房、后 房、晶状体悬韧带、房角、部分晶状体、周边玻璃体、视网膜及眼外肌附着点 部和结膜等。
近年来眼科医学影像技术发展迅速，使眼科医生对眼睛的观察更直接、更 清晰，确诊率也更高。计算机辅助诊断技术主要研究如何通过图像处理技术对 这些眼科医学影像信息进行有效的处理，辅助眼科医生的诊断甚至进行手术规 划，具有重大的社会效益和广泛的应用前景。
医学图像处理技术作为计算机辅助诊断的关键不断发展，各学科的交叉已 是必然的趋势。特别是随着眼科医疗的蓬勃发展，对眼科医学图像处理与分析 提出的要求也越来越高，所以进一步研究研究医学图像处理与分析具有十分重 要的意义。
因此，本领域的技术人员致力于开发一种眼前节断层图像特征提取方法。
发明内容
本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种基于机器视觉的眼前节断层图像的图像特征提取方法。
本发明所采取的技术方案如下：基于机器视觉的眼前节断层图像的图像特征提取方法，包括以下步骤：
（1）输入采集到的眼前节断层图像；
（2）对眼前节断层图像进行灰度直方图统计，剔除不可能是眼前节的图像；
（3）根据直方图进行灰度归一化；
（4）通过K-mean聚类算法粗略分割，分割出角膜、虹膜、晶状体区域；
（5）进行blob分析，根据各区域的位置关系及形状信息，筛除非眼前节图像；
（6）在各区域的粗略边界基础上进行固定方向的精细边界跟踪，获得角膜、虹膜、晶状体的精确轮廓。
本发明的有益效果如下：本发明首先对由相机采集的眼前节断层图像进行灰度直方图统计，剔除不可能是眼前节的图像，接着根据直方图进行灰度归一化，减少环境光对成像质量的影响，然后通过K-mean聚类算法粗略分割，可分割出角膜、虹膜、晶状体区域，再进行blob分析，根据各区域的位置关系及形状信息，筛除非眼前节图像，再在各区域的粗略边界基础上进行固定方向的精细边界跟踪，从而获得角膜、虹膜、晶状体的精确轮廓，为后续求得眼前节临床参数提供了可靠的基础数据。本发明可应用在裂隙灯成像类似原理设备所采集图像的处理上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，一种基于机器视觉的眼前节断层图像的图像特征提取方法，包括以下步骤：
（1）输入由裂隙灯成像类似原理设备所采集到的眼前节断层图像；
（2）对眼前节断层图像进行灰度直方图统计，剔除不可能是眼前节的图像，灰度直方图统计：可获得图像灰度最大、最小、平均值、均方差等参数，可以通过灰度平均值过小、过大，或灰度方差过小等相关参数，粗略筛除非眼前节的图像，减少不必要的处理；
（3）根据直方图进行灰度归一化，拍摄时的环境光的变化会引起图像上灰度值的变化，该变化可能会对后续的图像分割造成很大影响，因此需要通过灰度归一化来剔除环境光的影响，例如通过设置固定的均值、设置固定的最大最小值等方法；
（4）通过K-mean聚类算法粗略分割，分割出角膜、虹膜、晶状体区域，K-mean是最简单的一种聚类方法，就是通过迭代寻找K个聚类中心，将所有的数据分配到距离最近的聚类中心，使得每个点与其相应的聚类中心距离的平方和最小。K-mean算法虽然简单，但通常能获得较好的聚类结果，其缺点是初始聚类中心的选择可能导致不同的聚类结果，但因为我们对眼前节图像有先验知识，并且图像也进行了灰度归一化，所以可以根据先验知识设定初始聚类中心值，从而可以避免分类错误，提高分割效果及效率。可以粗略分割出角膜、虹膜、晶状体区域，粗略是由于用的是整体图像信息进行分割，所以某些灰度值临界处的边界信息不会特别准确；
（5）进行blob分析，根据各区域的位置关系及形状信息，筛除非眼前节图像，Blob分析可以获得目标区域的位置信息（例如中心、重心等）和形状信息（偏心度、圆心度、紧凑度、各阶矩等）等，由于已知眼前节的先验信息，所以可以通过位置信息和形状信息排除非眼前节图像，避免进一步冗余处理；
（6）在各区域的粗略边界基础上进行固定方向的精细边界跟踪，获得角膜、虹膜、晶状体的精确轮廓，以K-mean算法获得的每一个粗略边界点为中心，在指定的方向或某个区域内进行精细边界搜寻，可通过搜寻灰度跳变最大值，或小范围内用K-mean算法进行边界定位；
（7）最后输出眼前节各组织结构边界信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (1)
1.基于机器视觉的眼前节断层图像的图像特征提取方法，其特征在于包括以下步骤：
（1）输入采集到的眼前节断层图像；
（2）对眼前节断层图像进行灰度直方图统计，剔除不可能是眼前节的图像；
（3）根据直方图进行灰度归一化；
（4）通过K-mean聚类算法粗略分割，分割出角膜、虹膜、晶状体区域；
（5）进行blob分析，根据各区域的位置关系及形状信息，筛除非眼前节图像；
（6）在各区域的粗略边界基础上进行固定方向的精细边界跟踪，获得角膜、虹膜、晶状体的精确轮廓。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910313547.XA CN110110761A (zh) | 2019-04-18 | 2019-04-18 | 基于机器视觉的眼前节断层图像的图像特征提取方法 |
| PCT/CN2019/089776 WO2020211173A1 (zh) | 2019-04-18 | 2019-06-03 | 基于机器视觉的眼前节断层图像的图像特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910313547.XA CN110110761A (zh) | 2019-04-18 | 2019-04-18 | 基于机器视觉的眼前节断层图像的图像特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110110761A true CN110110761A (zh) | 2019-08-09 |
Family
ID=67485840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910313547.XA Pending CN110110761A (zh) | 2019-04-18 | 2019-04-18 | 基于机器视觉的眼前节断层图像的图像特征提取方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110110761A (zh) |
| WO (1) | WO2020211173A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652841A (zh) * | 2020-04-24 | 2020-09-11 | 温州医科大学附属眼视光医院 | 一种基于图像处理的角膜损伤检测方法 |
| CN111861977A (zh) * | 2020-05-27 | 2020-10-30 | 温州医科大学附属眼视光医院 | 一种基于机器视觉的眼前节断层图像的特征提取方法 |
| CN116309594A (zh) * | 2023-05-23 | 2023-06-23 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像处理方法 |
| CN116342636A (zh) * | 2023-05-23 | 2023-06-27 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像轮廓拟合方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101539991A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 用于虹膜识别的有效图像区域检测和分割方法 |
| US20130258280A1 (en) * | 2012-03-30 | 2013-10-03 | Canon Kabushiki Kaisha | Anterior ocular segment tomographic image analysis method and anterior ocular segment tomographic image analysis apparatus |
| CN105894521A (zh) * | 2016-04-25 | 2016-08-24 | 中国电子科技集团公司第二十八研究所 | 基于高斯拟合的亚像素边缘检测方法 |
| CN108471995A (zh) * | 2015-09-30 | 2018-08-31 | 上海联影医疗科技有限公司 | 确定医学图像中乳房区域的系统和方法 |
| CN108470348A (zh) * | 2018-02-13 | 2018-08-31 | 温州眼视光发展有限公司 | 裂隙灯眼前节断层图像特征提取方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6061555B2 (ja) * | 2012-08-27 | 2017-01-18 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
| CN104013384B (zh) * | 2014-06-11 | 2016-04-20 | 温州眼视光发展有限公司 | 眼前节断层图像特征提取方法 |
| CN107230211B (zh) * | 2017-05-05 | 2021-07-16 | 上海联影医疗科技股份有限公司 | 一种图像分割方法及系统 |
-
2019
- 2019-04-18 CN CN201910313547.XA patent/CN110110761A/zh active Pending
- 2019-06-03 WO PCT/CN2019/089776 patent/WO2020211173A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101539991A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 用于虹膜识别的有效图像区域检测和分割方法 |
| US20130258280A1 (en) * | 2012-03-30 | 2013-10-03 | Canon Kabushiki Kaisha | Anterior ocular segment tomographic image analysis method and anterior ocular segment tomographic image analysis apparatus |
| CN108471995A (zh) * | 2015-09-30 | 2018-08-31 | 上海联影医疗科技有限公司 | 确定医学图像中乳房区域的系统和方法 |
| CN105894521A (zh) * | 2016-04-25 | 2016-08-24 | 中国电子科技集团公司第二十八研究所 | 基于高斯拟合的亚像素边缘检测方法 |
| CN108470348A (zh) * | 2018-02-13 | 2018-08-31 | 温州眼视光发展有限公司 | 裂隙灯眼前节断层图像特征提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐效文等: "光学相干层析医学图像分割研究现状", 《中国医学物理学杂志》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652841A (zh) * | 2020-04-24 | 2020-09-11 | 温州医科大学附属眼视光医院 | 一种基于图像处理的角膜损伤检测方法 |
| CN111861977A (zh) * | 2020-05-27 | 2020-10-30 | 温州医科大学附属眼视光医院 | 一种基于机器视觉的眼前节断层图像的特征提取方法 |
| CN116309594A (zh) * | 2023-05-23 | 2023-06-23 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像处理方法 |
| CN116342636A (zh) * | 2023-05-23 | 2023-06-27 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像轮廓拟合方法 |
| CN116309594B (zh) * | 2023-05-23 | 2023-08-15 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像处理方法 |
| CN116342636B (zh) * | 2023-05-23 | 2023-12-29 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像轮廓拟合方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020211173A1 (zh) | 2020-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110110761A (zh) | 基于机器视觉的眼前节断层图像的图像特征提取方法 | |
| Mookiah et al. | Computer-aided diagnosis of diabetic retinopathy: A review | |
| Acharya et al. | Identification of cataract and post-cataract surgery optical images using artificial intelligence techniques | |
| US9299139B2 (en) | Volumetric analysis of pathologies | |
| AU2021202217A1 (en) | Methods and systems for ocular imaging, diagnosis and prognosis | |
| Almazroa et al. | An automatic image processing system for glaucoma screening | |
| Paul et al. | Octx: Ensembled deep learning model to detect retinal disorders | |
| Khandouzi et al. | Retinal vessel segmentation, a review of classic and deep methods | |
| CN107689047A (zh) | 一种自动裁剪眼底图像的方法、装置及其可读存储介质 | |
| Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
| Aruchamy et al. | Automated glaucoma screening in retinal fundus images | |
| Aloudat et al. | High intraocular pressure detection from frontal eye images: a machine learning based approach | |
| Mittal et al. | Effectual accuracy of OCT image retinal segmentation with the aid of speckle noise reduction and boundary edge detection strategy | |
| Galveia et al. | Computer aided diagnosis in ophthalmology: Deep learning applications | |
| Vijayalakshmi et al. | An improved grey wolf optimization algorithm (IGWO) for the detection of diabetic retinopathy using convnets and region based segmentation techniques | |
| Surendiran et al. | Analysis and detection of glaucoma from fundus eye image by cup to disc ratio by unsupervised machine learning | |
| CN115294152A (zh) | 视网膜oct图像自动分层方法及系统 | |
| Raman et al. | The effects of spatial resolution on an automated diabetic retinopathy screening system's performance in detecting microaneurysms for diabetic retinopathy | |
| Kumar et al. | Selection of features using particle swarm optimization for microaneurysm detection in fundus images | |
| Patankar et al. | Diagnosis of Ophthalmic Diseases in Fundus Image Using various Machine Learning Techniques | |
| Krishna et al. | Retinal vessel segmentation techniques | |
| CN114931436B (zh) | 一种白内障手术导航系统 | |
| Pathan et al. | A methodological review on computer aided diagnosis of glaucoma in fundus images | |
| Scarpa | Automatyc analysis of confocal images of the cornea | |
| Khalef et al. | Optic disc segmentation in human retina images with meta heuristic optimization |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |