CN110288588A - 基于灰度方差和标准差的视网膜图像血管分割方法及系统 - Google Patents
基于灰度方差和标准差的视网膜图像血管分割方法及系统 Download PDFInfo
- Publication number
- CN110288588A CN110288588A CN201910583233.1A CN201910583233A CN110288588A CN 110288588 A CN110288588 A CN 110288588A CN 201910583233 A CN201910583233 A CN 201910583233A CN 110288588 A CN110288588 A CN 110288588A
- Authority
- CN
- China
- Prior art keywords
- retinal images
- gray
- standard deviation
- retinal
- variance
- 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
- 230000004256 retinal image Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000011218 segmentation Effects 0.000 title claims abstract description 30
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 23
- 210000001210 retinal vessel Anatomy 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims description 2
- 239000012535 impurity Substances 0.000 abstract description 7
- 238000002360 preparation method Methods 0.000 description 5
- 230000002207 retinal effect Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004220 fundus oculi Anatomy 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于灰度方差和标准差的视网膜图像血管分割方法及系统,属于医学图像处理技术领域,要解决的技术问题为如何高效准确的将视网膜图像中血管和其它杂质分开、并清晰的将血管作为前景和背景展示出来。方法包括:对视网膜图像进行预处理,包括对视网膜图像进行灰度处理和掩膜处理,得到感兴趣区域图像;计算感兴趣区域图像的纹理特征,并选取基于灰度方差的处理后视网膜图像和基于标准差的处理后视网膜图像。系统包括预处理模块和纹理特征提取模块。根据纹理特征灰度方差和标准差处理过的视网膜图像,可以有效的视网膜图像中的血管和其它杂质分开。
Description
技术领域
本发明涉及医学图像处理技术领域,具体地说是一种基于灰度方差和标准差的视网膜图像血管分割方法及系统。
背景技术
视网膜图像中的眼底血管是唯一可以直接观察到的血管,其分布、结构和形态特征的变化在一定程度上反映了病理变化的程度。糖尿病、高血压、白血病灯疾病可引起典型的眼底疾病。视网膜血管图像分析是眼科疾病诊断的重要方法之一。
通过传统手动方法对视网膜图像进行血管分割虽然准确率较高,但是具有局限性,且耗时久、效率低。
如何高效准确的将视网膜图像中血管和其它杂质分开、并清晰的将血管作为前景和背景展示出来,是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足,提供一种基于灰度方差和标准差的视网膜图像血管分割方法及系统,来解决如何高效准确的将视网膜图像中血管和其它杂质分开、并清晰的将血管作为前景和背景展示出来的问题。
第一方面,本发明提供一种基于灰度方差和标准差的视网膜图像血管分割方法,包括:
对视网膜图像进行预处理,包括对视网膜图像进行灰度处理和掩膜处理,得到感兴趣区域图像;
计算感兴趣区域图像的纹理特征,并选取基于灰度方差的处理后视网膜图像和基于标准差的处理后视网膜图像。
作为优选,视网膜图像为通过数字化眼底镜获取的视网膜图像,所述视网膜图像存储于DRIVE数据库和STARE数据库。
作为优选,对视网膜图像进行灰度处理,包括如下步骤:
通过分量法或者最大值法或者平均值法或者加权平均法对视网膜图像进行灰度化处理,得到灰度化视网膜图像。
作为优选,对视网膜图像进行掩膜处理,包括如下步骤:
制备感兴趣区域掩模,感兴趣区域掩模为二维矩阵数组或者多值图像;
将感兴趣区域掩模与灰度化视网膜图像相乘,得到感兴趣区域图像。
作为优选,计算感兴趣区域的纹理特征,包括如下步骤:
通过灰度梯度共生矩阵计算感兴趣区域图像的纹理特征,选取基于灰度方差的处理后视网膜图像;
通过内置于matlab的statxture函数计算感兴趣区域图像的纹理特征,选取基于标准差的处理后视网膜图像。
作为优选,灰度方差计算公式为:
其中,g表示感兴趣区域图像中第j列第i个像素点的灰度,t(i,j)表示归一化后灰度梯度共生矩阵中第j列第i个元素,GM表示灰色均值,其计算公式为:
t(i)表示。
作为优选,标准差的计算公式为:
其中,g表示感兴趣区域图像中第j列第i个像素点的灰度,p(i,j)表示灰度梯度共生矩阵中第j列第i个元素,M为灰度平均值,其表达式为:
第二方面,本发明提供一种基于灰度方差和标准差的视网膜图像血管分割系统,包括:
预处理模块,所述预处理模块用于对视网膜图像进行灰度处理和掩膜处理,并输出趣区域图像;
纹理特征提取模块,所述纹理特征提取模块用于计算感兴趣区域图像的纹理特征,并选取基于灰度方差的处理后视网膜图像和基于标准差的处理后视网膜图像。
更优的,还包括:
输入模块,所述输入模块用于从DRIVE数据库和STARE数据库获取视网膜图像,并将视网膜图像输入预处理模块。
作为优选,纹理特征提取模块包括:
第一纹理特征提取子模块,所述第一纹理特征提取子模块用于通过灰度梯度共生矩阵计算感兴趣区域图像的纹理特征,并输出基于灰度方差的处理后视网膜图像;
第二纹理特征提取子模块,所述第二纹理特征提取子模块用于调用内置于matlab的statxture函数计算感兴趣区域图像的纹理特征,并输出基于标准差的处理后视网膜图像。
本发明的基于灰度方差和标准差的视网膜图像血管分割方法及系统具有以下优点:根据纹理特征灰度方差和标准差处理过的视网膜图像,可以有效的视网膜图像中的血管和其它杂质分开,清晰的将其作为前景和背景展示出来,为之后更详细的血管分割和视盘定位提供依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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的附图。
下面结合附图对本发明进一步说明。
附图1为实施例1基于灰度方差和标准差的视网膜血管分割方法的流程框图;
附图2为实施例1基于灰度方差和标准差的视网膜血管分割方法中视网膜图像;
附图3为实施例1基于灰度方差和标准差的视网膜血管分割方法中灰度化后视网膜图像;
附图4为实施例1基于灰度方差和标准差的视网膜血管分割方法中基于灰度方差的处理后视网膜图像;
附图5为实施例1基于灰度方差和标准差的视网膜血管分割方法中基于标准差的处理后视网膜图像。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互结合。
需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
本发明实施例提供基于灰度方差和标准差的视网膜图像血管分割方法及系统,用于解决如何高效准确的将视网膜图像中血管和其它杂质分开、并清晰的将血管作为前景和背景展示出来的技术问题。
实施例1:
如附图1所示,本发明的基于灰度方差和标准差的视网膜图像血管分割方法,包括如下步骤:
S100、获取视网膜图像;
S200、对视网膜图像进行预处理,包括对视网膜图像进行灰度处理和掩膜处理,得到感兴趣区域图像;
S300、计算感兴趣区域图像的纹理特征,并选取基于灰度方差的处理后视网膜图像和基于标准差的处理后视网膜图像。
其中,如附图2所示,步骤S100中视网膜图像为从DRIVE数据库和STARE数据库获取的彩色的视网膜图像,该视网膜图像是通过数字化眼底镜获取的。
获取的视网膜图像由RGB三色通道组合而成,在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。
对图像进行灰度化处理的方法包括分量法、最大值法、平均值法和加权平均法,本实施例选取最大值法对视网膜图像进行灰度化处理,得到灰度化后视网膜图像,该灰度化后视网膜图像如附图3所示。
掩膜为用选定的图像、图形或物体,对处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程,本实施例中对灰度化后视网膜图像进行掩膜处理,得到感兴趣区域图像。具体的包括如下步骤:
(1)、制备感兴趣区域掩模,该感兴趣区域掩模为二维矩阵数组;
(2)、将感兴趣区域掩模与灰度化后视网膜图像相乘,得到感兴趣区域图像,该感兴趣区域图像内图像值保持不变,而感兴趣区域外图像值均为0。
掩模是一种图像滤镜的模板,当提取道路、河流、或者房屋时,通过一个n*n的矩阵来对图像进行像素过滤,然后将我们需要的地物或者标志突出显示出来。这个n*n的矩阵就是一种掩模。
本实施例中掩模主要是为了提取感兴趣区域,缩小图像像素点个数,以使得后续计算纹理特征的速度更简洁、快速。
步骤S300中,通过灰度梯度共生矩阵计算感兴趣区域图像的纹理特征,并选取基于灰度方差的处理后视网膜图像,该基于灰度方差的处理后视网膜图像如附图4所示。灰度共生矩阵(GLCM),是一种通过研究灰度的空间相关特性来描述纹理的常用方法,由于纹理是由灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系,即图像中灰度的空间相关特性。通过灰度梯度共生矩阵得到的感兴趣区域图像的纹理特征包括小梯度优势、大梯度优势度、灰度不对称性、梯度不对称性、能量、灰度平均值、梯度平均值、灰度方差、梯度方差、相关性、灰度熵、梯度熵、熵、惯性、差分矩等。本实施例中选取基于灰度方差的处理后视网膜图像。
灰度方差即是根据感兴趣区域的灰度值计算其离散程度,以此判断感兴趣区域图像的高频部分的大小,或者可以理解为:如果图像对比度小,那方差就小;如果图像对比度很大,那方差就大。标准差是方差的开平方,标准差也是图像处理过程中的一种纹理特征。灰度方差的计算公式为:
其中,g表示感兴趣区域图像中第j列第i个像素点的灰度,t(i,j)表示归一化后灰度梯度共生矩阵中第j列第i个元素,GM表示灰色均值,其计算公式为:
t(i)表示归一化后灰度梯度共生矩阵中同列第i个元素。
同时,本实施例中通过内置于matlab的statxture函数计算感兴趣区域图像的纹理特征,选取基于标准差的处理后视网膜图像,该基于标准差的处理后视网膜图像如附图5所示。
statxture函数所计算出的纹理特征包括平均灰度、标准差、平滑度、三阶矩、一致性、熵等。标准差的计算公式为:
其中,g表示感兴趣区域图像中第j列第i个像素点的灰度,p(i,j)表示灰度梯度共生矩阵中第j列第i个元素,M为灰度平均值,其表达式为:
t(i,j)是对p(i,j)进行归一化之后的结果,由于滑动窗口的存在,且纹理特征不同,t(i,j)与p(i,j)的计算方式不同,两者不可视为相等。
实施例2:
本发明的基于灰度方差和标准差的视网膜图像血管分割系统,包括输入模块、预提取模块和纹理特征提取模块。输入模块用于从DRIVE数据库和STARE数据库获取视网膜图像,并将视网膜图像输入预处理模块;预处理模块用于对视网膜图像进行灰度处理和掩膜处理,并输出趣区域图像;纹理特征提取模块用于计算感兴趣区域图像的纹理特征,并选取基于灰度方差的处理后视网膜图像和基于标准差的处理后视网膜图像。
存储于DRIVE数据库和STARE数据库的视网膜图像为通过数字化眼底镜获取的彩色的视网膜图像。
预处理模块包括灰度处理子模块和掩膜处理子模块。
灰度处理子模块配置有分量法、最大值法、平均值法和加权平均法,支持可选择的通过任意一种方法对视网膜图像进行灰度处处理,并生成灰度化后视网膜图像。
掩膜处理子模块配置有掩模制备单元和感兴趣区域提取单元。掩模制备单元用于制备掩模,本实施例中掩模制备单元制备的掩模为二维矩阵数组。制备的掩模输入感兴趣区域提取单元,在感兴趣区域提取单元将掩模和灰度后视网膜图像相乘,输出感兴趣区域图像,该感兴趣区内图像值保持不变,而区外图像值都为0。
对灰度后视网膜图像进行掩膜处理时,可选取掩模为多值图像,因而在具体实施时,掩模制备单元可配置为能够制备并输出多值图像的掩模。
纹理特征提取模块包括第一纹理特征提取子模块和第二纹理特征提取子模块。第一纹理特征提取子模块,所述第一纹理特征提取子模块用于通过灰度梯度共生矩阵计算感兴趣区域图像的纹理特征,并输出基于灰度方差的处理后视网膜图像;第二纹理特征提取子模块,所述第二纹理特征提取子模块用于调用内置于matlab的statxture函数计算感兴趣区域图像的纹理特征,并输出基于标准差的处理后视网膜图像。
第一纹理特征提取子模块中,灰度方差计算公式为:
其中,g表示感兴趣区域图像中第j列第i个像素点的灰度,t(i,j)表示归一化后灰度梯度共生矩阵中第j列第i个元素,GM表示灰色均值,其计算公式为:
t(i)表示。
第二纹理特征提取子模块中,标准差的计算公式为:
其中,g表示感兴趣区域图像中第j列第i个像素点的灰度,p(i,j)表示灰度梯度共生矩阵中第j列第i个元素,M为灰度平均值,其表达式为:
本发明的基于灰度方差和标准差的视网膜图像血管分割系统可执行实施例1公开的基于灰度方差和标准差的视网膜图像血管分割方法,高效准确的将视网膜图像中血管和其它杂质分开、并清晰的将血管作为前景和背景展示出来。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.基于灰度方差和标准差的视网膜图像血管分割方法,其特征在于包括:
对视网膜图像进行预处理,包括对视网膜图像进行灰度处理和掩膜处理,得到感兴趣区域图像;
计算感兴趣区域图像的纹理特征,并选取基于灰度方差的处理后视网膜图像和基于标准差的处理后视网膜图像。
2.根据权利要求1所述的基于灰度方差和标准差的视网膜血管分割方法,其特征在于视网膜图像为通过数字化眼底镜获取的视网膜图像,所述视网膜图像存储于DRIVE数据库和STARE数据库。
3.根据权利要求1或2所述的基于灰度方差和标准差的视网膜血管分割方法,其特征在于对视网膜图像进行灰度处理,包括如下步骤:
通过分量法或者最大值法或者平均值法或者加权平均法对视网膜图像进行灰度化处理,得到灰度化视网膜图像。
4.根据权利要求3所述的基于灰度方差和标准差的视网膜血管分割方法,其特征在于对视网膜图像进行掩膜处理,包括如下步骤:
制备感兴趣区域掩模,感兴趣区域掩模为二维矩阵数组或者多值图像;
将感兴趣区域掩模与灰度化视网膜图像相乘,得到感兴趣区域图像。
5.根据权利要求1或2所述的基于灰度方差和标准差的视网膜血管分割方法,其特征在于计算感兴趣区域的纹理特征,包括如下步骤:
通过灰度梯度共生矩阵计算感兴趣区域图像的纹理特征,选取基于灰度方差的处理后视网膜图像;
通过内置于matlab的statxture函数计算感兴趣区域图像的纹理特征,选取基于标准差的处理后视网膜图像。
6.根据权利要求5所述的基于灰度方差和标准差的视网膜血管分割方法,其特征在于灰度方差计算公式为:
其中,g表示感兴趣区域图像中第j列第i个像素点的灰度,t(i,j)表示归一化后灰度梯度共生矩阵中第j列第i个元素,GM表示灰色均值,其计算公式为:
t(i)表示归一化后灰度梯度共生矩阵中同列第i个元素。
7.根据权利要求5所述的基于灰度方差和标准差的视网膜血管分割方法,其特征在于标准差的计算公式为:
其中,g表示感兴趣区域图像中第j列第i个像素点的灰度,p(i,j)表示灰度梯度共生矩阵中第j列第i个元素M为灰度平均值,其表达式为:
8.基于灰度方差和标准差的视网膜图像血管分割系统,其特征在于包括:
预处理模块,所述预处理模块用于对视网膜图像进行灰度处理和掩膜处理,并输出趣区域图像;
纹理特征提取模块,所述纹理特征提取模块用于计算感兴趣区域图像的纹理特征,并选取基于灰度方差的处理后视网膜图像和基于标准差的处理后视网膜图像。
9.根据权利要求8所述的基于灰度方差和标准差的视网膜图像血管分割系统,其特征在于还包括:
输入模块,所述输入模块用于从DRIVE数据库和STARE数据库获取视网膜图像,并将视网膜图像输入预处理模块。
10.根据权利要求8或9所述的基于灰度方差和标准差的视网膜图像血管分割系统,其特征在于纹理特征提取模块包括:
第一纹理特征提取子模块,所述第一纹理特征提取子模块用于通过灰度梯度共生矩阵计算感兴趣区域图像的纹理特征,并输出基于灰度方差的处理后视网膜图像;
第二纹理特征提取子模块,所述第二纹理特征提取子模块用于调用内置于matlab的statxture函数计算感兴趣区域图像的纹理特征,并输出基于标准差的处理后视网膜图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583233.1A CN110288588A (zh) | 2019-07-01 | 2019-07-01 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583233.1A CN110288588A (zh) | 2019-07-01 | 2019-07-01 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288588A true CN110288588A (zh) | 2019-09-27 |
Family
ID=68021496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910583233.1A Pending CN110288588A (zh) | 2019-07-01 | 2019-07-01 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288588A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340773A (zh) * | 2020-02-24 | 2020-06-26 | 齐鲁工业大学 | 一种视网膜图像血管分割方法 |
CN112075922A (zh) * | 2020-10-14 | 2020-12-15 | 中国人民解放军空军军医大学 | 2型糖尿病眼底图像指标的测量及与糖尿病肾病相关性的分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842136A (zh) * | 2012-07-19 | 2012-12-26 | 湘潭大学 | 一种综合血管分布和视盘外观特性的视盘投影定位方法 |
CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
CN104036521A (zh) * | 2014-07-03 | 2014-09-10 | 重庆大学 | 一种新的视网膜眼底图像分割方法 |
CN104217437A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 前列腺kvct图像的病变区域分割方法 |
CN107248161A (zh) * | 2017-05-11 | 2017-10-13 | 江西理工大学 | 一种多特征融合的有监督视网膜血管提取方法 |
CN107292890A (zh) * | 2017-06-19 | 2017-10-24 | 北京理工大学 | 一种医学图像分割方法和装置 |
CN107705314A (zh) * | 2017-11-01 | 2018-02-16 | 齐鲁工业大学 | 一种基于灰度分布的多物体图像分割方法 |
CN108665431A (zh) * | 2018-05-16 | 2018-10-16 | 南京信息工程大学 | 基于k-均值聚类的分数阶图像纹理增强方法 |
US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
CN109829931A (zh) * | 2019-01-07 | 2019-05-31 | 三峡大学 | 一种基于区域增长pcnn的视网膜血管分割方法 |
-
2019
- 2019-07-01 CN CN201910583233.1A patent/CN110288588A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842136A (zh) * | 2012-07-19 | 2012-12-26 | 湘潭大学 | 一种综合血管分布和视盘外观特性的视盘投影定位方法 |
CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
CN104036521A (zh) * | 2014-07-03 | 2014-09-10 | 重庆大学 | 一种新的视网膜眼底图像分割方法 |
CN104217437A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 前列腺kvct图像的病变区域分割方法 |
CN107248161A (zh) * | 2017-05-11 | 2017-10-13 | 江西理工大学 | 一种多特征融合的有监督视网膜血管提取方法 |
CN107292890A (zh) * | 2017-06-19 | 2017-10-24 | 北京理工大学 | 一种医学图像分割方法和装置 |
US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
CN107705314A (zh) * | 2017-11-01 | 2018-02-16 | 齐鲁工业大学 | 一种基于灰度分布的多物体图像分割方法 |
CN108665431A (zh) * | 2018-05-16 | 2018-10-16 | 南京信息工程大学 | 基于k-均值聚类的分数阶图像纹理增强方法 |
CN109829931A (zh) * | 2019-01-07 | 2019-05-31 | 三峡大学 | 一种基于区域增长pcnn的视网膜血管分割方法 |
Non-Patent Citations (1)
Title |
---|
汪维华: ""视网膜图像分割算法研究"", 《中国博士学位论文全文数据库(电子期刊)信息科技辑I138-125》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340773A (zh) * | 2020-02-24 | 2020-06-26 | 齐鲁工业大学 | 一种视网膜图像血管分割方法 |
CN111340773B (zh) * | 2020-02-24 | 2022-11-22 | 齐鲁工业大学 | 一种视网膜图像血管分割方法 |
CN112075922A (zh) * | 2020-10-14 | 2020-12-15 | 中国人民解放军空军军医大学 | 2型糖尿病眼底图像指标的测量及与糖尿病肾病相关性的分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619301B (zh) | 一种基于双模态信号的情绪自动识别方法 | |
CN107292877B (zh) | 一种基于眼底图像特征的左右眼识别方法 | |
CN110276356A (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
CN104680524B (zh) | 一种叶类蔬菜病害诊断方法 | |
US7248736B2 (en) | Enhancing images superimposed on uneven or partially obscured background | |
CN109637660B (zh) | 一种基于深度卷积神经网络的舌诊分析方法及系统 | |
CN111815574A (zh) | 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法 | |
CN107180421A (zh) | 一种眼底图像病变检测方法及装置 | |
CN106558031B (zh) | 一种基于成像模型的彩色眼底图的图像增强方法 | |
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 | |
CN110288588A (zh) | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 | |
US20230368379A1 (en) | Image processing method and apparatus | |
CN109859139B (zh) | 彩色眼底图像的血管增强方法 | |
CN113256641A (zh) | 一种基于深度学习的皮肤病灶图像分割方法 | |
CN109242792B (zh) | 一种基于白色物体的白平衡校对方法 | |
CN111861937A (zh) | 一种基于msr改进的图像增强方法及系统 | |
Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
CN111340773A (zh) | 一种视网膜图像血管分割方法 | |
CN109872337A (zh) | 一种基于快速均值移位的眼底图像视盘分割方法 | |
CN112435281B (zh) | 一种基于对抗学习的多光谱眼底图像分析方法及系统 | |
CN110279402A (zh) | 一种皮下血管光学视频图像的成像方法 | |
CN111291706B (zh) | 一种视网膜图像视盘定位方法 | |
JP2021058361A (ja) | 生体情報取得装置およびプログラム | |
CN111292285A (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
CN108309229B (zh) | 一种针对眼底图像视网膜血管的层次结构划分方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |