CN111008988A - 睑板腺图像处理方法 - Google Patents
睑板腺图像处理方法 Download PDFInfo
- Publication number
- CN111008988A CN111008988A CN202010144756.9A CN202010144756A CN111008988A CN 111008988 A CN111008988 A CN 111008988A CN 202010144756 A CN202010144756 A CN 202010144756A CN 111008988 A CN111008988 A CN 111008988A
- Authority
- CN
- China
- Prior art keywords
- meibomian gland
- image
- gland image
- gray
- gray value
- 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.)
- Granted
Links
- 210000004175 meibomian gland Anatomy 0.000 title claims abstract description 157
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 210000003128 head Anatomy 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 206010065062 Meibomian gland dysfunction Diseases 0.000 description 4
- 208000003556 Dry Eye Syndromes Diseases 0.000 description 3
- 206010013774 Dry eye Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 208000005494 xerophthalmia Diseases 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G06T5/70—
-
- 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
Abstract
本发明公开了一种睑板腺图像处理方法,包含以下步骤:获取睑板腺图像;将睑板腺图像进行灰度化;对灰度化后的睑板腺图像进行降噪处理;计算分割阈值;根据分割阈值对降噪处理后的睑板腺图像进行二值化处理得到二值图;对二值图进行闭运算后保留最大区域并对最大区域进行填充;提取二值图中的最大区域的边界;将边界映射到降噪处理后的睑板腺图像。本发明提供的睑板腺图像处理方法首先计算出一个科学的分割阈值,通过该分割阈值对睑板腺图像进行二值化,再对二值图进行闭运算,区域选取以及区域填充等操作得到睑板腺区域,找出睑板腺区域的边界后将边界映射至睑板腺图像,快速将睑板腺图像中的睑板腺区域分割出来。
Description
技术领域
本发明涉及一种睑板腺图像处理方法。
背景技术
睑板腺埋藏于上下睑板之中,其开口位于睑缘,分泌多种脂质成分,构成泪膜的脂质层,影响泪液蒸发及泪膜的稳定性,因此,睑板腺对维持眼表健康至关重要。睑板腺形态与其功能相关,炎症、堵塞、激素水平变化、环境因素等多种原因均可以影响睑板腺的数量和形态,进而改变睑板腺油脂分泌功能,导致泪膜稳定性下降,发生睑板腺功能障碍(MGD)。MGD是蒸发过强型干眼症的主要病因,蒸发过强型干眼症约占据干眼构成的86%,是一组困扰人们视觉质量乃至生活质量的常见病。睑板腺功能障碍是蒸发过强型干眼症的主要原因,是判断是否干眼的一个重要指标。
现有方案拍摄睑板腺图像观察睑板腺的形态结构,主要缺陷在于:人工判断睑板腺区域一方面不够精确,且花费的时间较长。另一方面,从拍摄的睑板腺图像中很难观察到清晰的睑板腺结构。
发明内容
本发明提供了一种睑板腺图像处理方法,采用如下的技术方案:
一种睑板腺图像处理方法,包含以下步骤:
获取睑板腺图像;
将睑板腺图像进行灰度化;
对灰度化后的睑板腺图像进行降噪处理;
计算分割阈值;
根据分割阈值对降噪处理后的睑板腺图像进行二值化处理得到二值图;
对二值图进行闭运算后保留最大区域并对最大区域进行填充;
提取二值图中的最大区域的边界;
将边界映射到降噪处理后的睑板腺图像。
进一步地,获取睑板腺图像的具体方法为:
通过照明装置照明;
在图像采集装置的成像显示器的显示界面设置粗选框;
调整图像采集装置的采集头的位置以将睑板腺区域完全包含在粗选框内后采集图像得到睑板腺图像。
进一步地,照明装置照射红外光。
进一步地,对灰度化的睑板腺图像进行降噪处理的具体方法为;
对灰度化的睑板腺图像进行均值滤波降噪。
进一步地,计算分割阈值的具体方法为:
使用最大类间方法计算降噪处理后的睑板腺图像的灰度阈值;
统计降噪处理后的睑板腺图像的灰度值得到直方分布图;
根据下述公式计算分割阈值,
其中,Th为分割阈值,a为灰度阈值,b为255,i为灰度值,f(i)为直方分布图中灰度值为i的像素的个数。
进一步地,根据分割阈值对降噪处理后的睑板腺图像进行二值化处理得到二值图的具体方法为:
将降噪处理后的睑板腺图像中灰度值在0.9Th-1.1Th之间的区域的灰度值置为255且其他区域的灰度值置为0得到二值图。
进一步地,提取二值图中的最大区域的边界的具体方法是:
通过canny算子提取二值图中的最大区域的边界。
进一步地,在将边界映射到降噪处理后的睑板腺图像之后,睑板腺图像处理方法还包含步骤:
通过边界内的睑板腺区域的灰度值范围对全图进行灰度拉伸;
对灰度拉伸后的睑板腺图像进行图像增强。
进一步地,通过边界内的睑板腺区域的灰度值范围对全图进行灰度拉伸的具体方法为:
获取边界内的睑板腺区域的最小灰度值和最大灰度值;
将降噪处理后的睑板腺图像中的灰度值小于最小灰度值的区域的灰度值置为0;
将降噪处理后的睑板腺图像中的灰度值大于最大灰度值的区域的灰度值置为255;
将降噪处理后的睑板腺图像中的灰度值介于最小灰度值和最灰度值范围内的区域通过下述伽马变换公式进行灰度转换,
其中,s为变换后的灰度值,r为变换前的灰度值,c为变换常数,γ为伽马系数,γ的取值范围为大于等于1.2且小于等于2。
进一步地,对灰度拉伸后的睑板腺图像进行图像增强的具体方法为:
对灰度拉伸后的睑板腺图像经过高斯高通滤波器滤波,设定第一截止频率,得到第一高频图后将第一高频图叠加至灰度拉伸后的睑板腺图像得到第一增强图;
对第一增强图经过高斯高通滤波器滤波,设定第二截止频率,得到第二高频图后将第二高频图叠加至灰度拉伸后的睑板腺图像得到第二增强图;
对第二增强图经过高斯高通滤波器滤波,设定第三截止频率,得到第三高频图后将第三高频图叠加至灰度拉伸后的睑板腺图像得到最终增强图;
其中,第一截止频率小于第二截止频率,第二截止频率小于第三截止频率。
本发明的有益之处在于所提供的睑板腺图像处理方法首先计算出一个科学的分割阈值,通过该分割阈值对睑板腺图像进行二值化,再对二值图进行闭运算,区域选取以及区域填充等操作得到睑板腺区域,找出睑板腺区域的边界后将边界映射至睑板腺图像,快速将睑板腺图像中的睑板腺区域分割出来。
本发明的有益之处还在于所提供的睑板腺图像处理方法使用最大类间方法计算降噪处理后的睑板腺图像的灰度阈值,再统计出降噪处理后的睑板腺图像的灰度值得到直方分布图,最后根据计算公式计算分割阈值,经过上述步骤计算得到的分割阈值更加科学。同时,以该分割阈值为中心,将降噪处理后的睑板腺图像中灰度值在0.9Th-1.1Th之间的区域的灰度值置为255且其他区域的灰度值置为0得到二值图,对二值图进行调整最后得到较为准确的睑板腺区域。
本发明的有益之处还在于所提供的睑板腺图像处理方法根据分割出的睑板腺区域的灰度值范围对图像进行拉伸,能够避免全局灰度拉伸造成的拉伸效果不明显等问题。
附图说明
图1是本发明的睑板腺图像处理方法的示意图;
图2是本发明的图像采集装置的显示界面的示意图;
图3是本发明的灰度转换后的睑板腺图像的示意图;
图4是本发明的睑板腺图像的灰度值统计直方分布图示意图;
图5是本发明的二值图的示意图;
图6是对图5中的二值图进行闭运算区域选取以及填充后得到的二值图的示意图;
图7是对图6进行边界提取得到的边界的示意图;
图8是将边界映射至睑板腺图像的示意图;
图9是本发明的伽马变换的示意图;
图10是最终增强后的睑板腺图像的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示,本发明揭示一种睑板腺图像处理方法,用于提取睑板腺图像中的睑板腺区域,包含以下步骤:S1:获取睑板腺图像。S2:将睑板腺图像进行灰度化。S3:对灰度化后的睑板腺图像进行降噪处理。S4:计算分割阈值。S5:根据分割阈值对降噪处理后的睑板腺图像进行二值化处理得到二值图。S6:对二值图进行闭运算后保留最大区域并对最大区域进行填充。S7:提取二值图中的最大区域的边界。S8:将边界映射到降噪处理后的睑板腺图像。通过上述方法,根据计算出的分割阈值对图像进行二值化,再经过闭运算和图像填充,能够快速得到睑板腺图像中的睑板腺区域。以下具体介绍上述步骤。
对于步骤S1:获取睑板腺图像。
具体而言,首先通过照明装置照明,将图像采集装置的采集头对准被检测对象的眼部,从图像采集装置的成像显示器中观察采集头的图像采集范围,在本发明中,通过计算机软件在显示界面中设置粗选框,调整图像采集装置的采集头的位置以将睑板腺区域完全包含在粗选框内后采集图像得到睑板腺图像,在采集到图像的同时也完成了睑板腺区域的粗分割,如图2所示,显示界面中的方框为粗选框。
其中,照明装置为红外照明装置,照射红外光,获取到的睑板腺图像为红外图像。
对于步骤S2:将睑板腺图像进行灰度化。
将获取到的睑板腺图像转换为灰度图,如图3所示。
对于步骤S3:对灰度化后的睑板腺图像进行降噪处理。
通过降噪手段对灰度化后的睑板腺图像进行降噪处理。在本发明中,对灰度化后的睑板腺图像进行均值滤波,具体的,使用3*3的模板对图像进行均值滤波去除噪声。
对于步骤S4:计算分割阈值。
具体而言,首先使用最大类间方法计算降噪处理后的睑板腺图像的灰度阈值,统计降噪处理后的睑板腺图像的灰度值得到直方分布图,如图4所示,根据下述公式(1)计算分割阈值,
其中,Th为分割阈值,a为灰度阈值,b为255,i为灰度值,f(i)为直方分布图中灰度值为i的像素的个数。
对于步骤S5:根据分割阈值对降噪处理后的睑板腺图像进行二值化处理得到二值图。
具体而言,将降噪处理后的睑板腺图像中灰度值在0.9Th-1.1Th之间的区域的灰度值置为255且其他区域的灰度值置为0得到二值图。如图5所示。
对于步骤S6:对二值图进行闭运算后保留最大区域并对最大区域进行填充。
首先对二值图进行闭运算,使各区域边界更为光滑。此时,二值图中包含多个区域,计算每个区域的面积,保留面积最大的区域,再对该最大区域进行填充,如图6所示。
对于步骤S7:提取二值图中的最大区域的边界。
具体的,在本发明中,通过canny算子提取二值图中的最大区域的边界。如图7所示。
对于步骤S8:将边界映射到降噪处理后的睑板腺图像。
在本发明中,将提取出的边界映射到降噪处理后的睑板腺图像中如图8所示,边界内的区域为提取出的睑板腺区域。
作为一种优选的实施方式,在将边界映射到降噪处理后的睑板腺图像之后,睑板腺图像处理方法还包含步骤:通过边界内的睑板腺区域的灰度值范围对全图进行灰度拉伸。对灰度拉伸后的睑板腺图像进行图像增强。经过上述步骤,能够使睑板腺区域中的腺体更为明显且便于观察。
进一步地,通过边界内的睑板腺区域的灰度值范围对全图进行灰度拉伸的具体方法为:获取边界内的睑板腺区域的最小灰度值和最大灰度值。将降噪处理后的睑板腺图像中的灰度值小于最小灰度值的区域的灰度值置为0。将降噪处理后的睑板腺图像中的灰度值大于最大灰度值的区域的灰度值置为255。将降噪处理后的睑板腺图像中的灰度值介于最小灰度值和最灰度值范围内的区域通过下述伽马变换公式(2)进行灰度转换,
其中,s为变换后的灰度值,r为变换前的灰度值,c为变换常数,γ为伽马系数。
如图9所示,对于不同的γ值,伽马变换有不同的拉伸曲线,因为需要增强亮的区域且降低暗的区域,所以选择一个大于1的γ值进行变换。γ的取值范围优选为大于等于1.2且小于等于2。在本发明中,γ取值为1.5。
而对灰度拉伸后的睑板腺图像进行图像增强的具体方法为:对灰度拉伸后的睑板腺图像经过高斯高通滤波器滤波,设定第一截止频率,得到第一高频图后将第一高频图叠加至灰度拉伸后的睑板腺图像得到第一增强图。对第一增强图经过高斯高通滤波器滤波,设定第二截止频率,得到第二高频图后将第二高频图叠加至灰度拉伸后的睑板腺图像得到第二增强图。对第二增强图经过高斯高通滤波器滤波,设定第三截止频率,得到第三高频图后将第三高频图叠加至灰度拉伸后的睑板腺图像得到最终增强图,如图10所示。其中,第一截止频率小于第二截止频率,第二截止频率小于第三截止频率。在本发明中,第一截止频率为8Hz,第二截止频率为16Hz,第三截止频率为32Hz。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种睑板腺图像处理方法,其特征在于,包含以下步骤:
获取睑板腺图像;
将所述睑板腺图像进行灰度化;
对灰度化后的所述睑板腺图像进行降噪处理;
计算分割阈值;
根据所述分割阈值对降噪处理后的所述睑板腺图像进行二值化处理得到二值图;
对所述二值图进行闭运算后保留最大区域并对所述最大区域进行填充;
提取所述二值图中的所述最大区域的边界;
将所述边界映射到降噪处理后的所述睑板腺图像。
2.根据权利要求1所述的睑板腺图像处理方法,其特征在于,
所述获取睑板腺图像的具体方法为:
通过照明装置照明;
在图像采集装置的成像显示器的显示界面设置粗选框;
调整图像采集装置的采集头的位置以将睑板腺区域完全包含在所述粗选框内后采集图像得到所述睑板腺图像。
3.根据权利要求2所述的睑板腺图像处理方法,其特征在于,
所述照明装置照射红外光。
4.根据权利要求1所述的睑板腺图像处理方法,其特征在于,
所述对灰度化的所述睑板腺图像进行降噪处理的具体方法为;
对灰度化的所述睑板腺图像进行均值滤波降噪。
6.根据权利要求5所述的睑板腺图像处理方法,其特征在于,
所述根据所述分割阈值对降噪处理后的所述睑板腺图像进行二值化处理得到二值图的具体方法为:
将降噪处理后的所述睑板腺图像中灰度值在0.9Th-1.1Th之间的区域的灰度值置为255且其他区域的灰度值置为0得到所述二值图。
7.根据权利要求1所述的睑板腺图像处理方法,其特征在于,
所述提取所述二值图中的所述最大区域的边界的具体方法是:
通过canny算子提取所述二值图中的所述最大区域的边界。
8.根据权利要求1所述的睑板腺图像处理方法,其特征在于,
在所述将所述边界映射到降噪处理后的所述睑板腺图像之后,所述睑板腺图像处理方法还包含步骤:
通过所述边界内的睑板腺区域的灰度值范围对全图进行灰度拉伸;
对灰度拉伸后的所述睑板腺图像进行图像增强。
10.根据权利要求9所述的睑板腺图像处理方法,其特征在于,
所述对灰度拉伸后的所述睑板腺图像进行图像增强的具体方法为:
对灰度拉伸后的所述睑板腺图像经过高斯高通滤波器滤波,设定第一截止频率,得到第一高频图后将所述第一高频图叠加至灰度拉伸后的所述睑板腺图像得到第一增强图;
对所述第一增强图经过高斯高通滤波器滤波,设定第二截止频率,得到第二高频图后将所述第二高频图叠加至灰度拉伸后的所述睑板腺图像得到第二增强图;
对所述第二增强图经过高斯高通滤波器滤波,设定第三截止频率,得到第三高频图后将所述第三高频图叠加至灰度拉伸后的所述睑板腺图像得到最终增强图;
其中,所述第一截止频率小于第二截止频率,所述第二截止频率小于第三截止频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144756.9A CN111008988B (zh) | 2020-03-04 | 2020-03-04 | 睑板腺图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144756.9A CN111008988B (zh) | 2020-03-04 | 2020-03-04 | 睑板腺图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008988A true CN111008988A (zh) | 2020-04-14 |
CN111008988B CN111008988B (zh) | 2020-07-03 |
Family
ID=70120996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010144756.9A Active CN111008988B (zh) | 2020-03-04 | 2020-03-04 | 睑板腺图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008988B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0609922A2 (en) * | 1993-01-11 | 1994-08-10 | Koninklijke Philips Electronics N.V. | Computer detection of microcalcifications in mammograms |
CN101059870A (zh) * | 2007-05-23 | 2007-10-24 | 华中科技大学 | 一种基于属性直方图的图像分割方法 |
CN105139362A (zh) * | 2015-09-23 | 2015-12-09 | 成都融创智谷科技有限公司 | 一种基于频率域的图像增强方法 |
CN108510499A (zh) * | 2018-02-08 | 2018-09-07 | 河南师范大学 | 一种基于模糊集和Otsu的图像阈值分割方法及装置 |
CN109087310A (zh) * | 2018-07-24 | 2018-12-25 | 深圳大学 | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 |
CN109785321A (zh) * | 2019-01-30 | 2019-05-21 | 杭州又拍云科技有限公司 | 基于深度学习和Gabor滤波器的睑板腺区域提取方法 |
-
2020
- 2020-03-04 CN CN202010144756.9A patent/CN111008988B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0609922A2 (en) * | 1993-01-11 | 1994-08-10 | Koninklijke Philips Electronics N.V. | Computer detection of microcalcifications in mammograms |
CN101059870A (zh) * | 2007-05-23 | 2007-10-24 | 华中科技大学 | 一种基于属性直方图的图像分割方法 |
CN105139362A (zh) * | 2015-09-23 | 2015-12-09 | 成都融创智谷科技有限公司 | 一种基于频率域的图像增强方法 |
CN108510499A (zh) * | 2018-02-08 | 2018-09-07 | 河南师范大学 | 一种基于模糊集和Otsu的图像阈值分割方法及装置 |
CN109087310A (zh) * | 2018-07-24 | 2018-12-25 | 深圳大学 | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 |
CN109785321A (zh) * | 2019-01-30 | 2019-05-21 | 杭州又拍云科技有限公司 | 基于深度学习和Gabor滤波器的睑板腺区域提取方法 |
Non-Patent Citations (3)
Title |
---|
BROOK_ICV: "图像的灰度变换", 《HTTPS://WWW.CNBLOGS.COM/WANGGUCHANGQING/P/6983680.HTML》 * |
薛连剑: "睑板腺近红外图像处理算法的研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
谭升: "灰度图像-图像分割 阈值处理之平均阈值", 《HTTP://FACE2AI.COM/DIP-7-1-灰度图像-图像分割-阈值处理之平均阈值》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008988B (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
CN109493954B (zh) | 一种基于类别判别定位的sd-oct图像视网膜病变检测系统 | |
CN107451998A (zh) | 一种眼底图像质量控制方法 | |
CN102842136B (zh) | 一种综合血管分布和视盘外观特性的视盘投影定位方法 | |
CN109829904B (zh) | 检测屏幕上灰尘的方法、装置、电子设备、可读存储介质 | |
CN104794721B (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
El Abbadi et al. | Blood vessels extraction using mathematical morphology | |
Kayal et al. | A new dynamic thresholding based technique for detection of hard exudates in digital retinal fundus image | |
US20130251230A1 (en) | Corneal graft evaluation based on optical coherence tomography image | |
CN108186051A (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
Jaafar et al. | Detection of exudates from digital fundus images using a region-based segmentation technique | |
CN109785321A (zh) | 基于深度学习和Gabor滤波器的睑板腺区域提取方法 | |
Gopalakrishnan et al. | Optic disc segmentation using circular Hough transform and curve fitting | |
CN115063331A (zh) | 基于多尺度块lbp算子无鬼影多曝光图像融合算法 | |
CN109325923A (zh) | 一种基于数字图像算法处理的糖尿病视网膜图像增强方法 | |
CN115187852A (zh) | 一种藏医尿诊悬浮物识别方法及装置 | |
Quinn et al. | Retinal blood vessel segmentation using curvelet transform and morphological reconstruction | |
Nugroho et al. | Automated segmentation of optic disc area using mathematical morphology and active contour | |
CN111008988B (zh) | 睑板腺图像处理方法 | |
Lee et al. | Automated quantification of retinal nerve fiber layer atrophy in fundus photograph | |
Omid et al. | Optic disc detection in high-resolution retinal fundus images by region growing | |
CN111861977A (zh) | 一种基于机器视觉的眼前节断层图像的特征提取方法 | |
Kumar et al. | Automatic optic disc segmentation using maximum intensity variation | |
Nugroho et al. | Segmentation of optic disc and optic cup in colour fundus images based on morphological reconstruction |
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 |