CN111652805A - 一种用于眼底图像拼接的图像预处理方法 - Google Patents
一种用于眼底图像拼接的图像预处理方法 Download PDFInfo
- Publication number
- CN111652805A CN111652805A CN202010753058.9A CN202010753058A CN111652805A CN 111652805 A CN111652805 A CN 111652805A CN 202010753058 A CN202010753058 A CN 202010753058A CN 111652805 A CN111652805 A CN 111652805A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- fundus
- gray
- preprocessing method
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明为一种用于眼底视网膜图像拼接的图像预处理方法,所述方法包括以下步骤:S1获取若干的彩色眼底视网膜图像;S2对所获取的彩色眼底视网膜图像进行裁剪;S3针对S2裁剪后的图像数据进行筛选,筛选掉透光图像以及模糊图像;S4针对S3筛选后的图像进行图像相似度评价,将所在眼底视网膜区域相近的图像归为同一类别;S5针对S4分类完成后的图像,进行类间图像的清晰度评价,筛选出每一类中最清晰的图像,作为图像拼接的数据。本发明的有益效果在于,设计了一套完整的图像预处理方案,能有效的从大量彩色眼底视网膜图像中筛选出图像数据,进行图像拼接。从而能使得在单张图像中显示更加完整的眼底结构,提高医生诊断效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种用于眼底图像拼接的图像预处理方法。
背景技术
眼睛是人类重要的视觉器官,眼底的图像可以通过彩色眼底相机等仪器进行采集。眼底图像是医生用来筛查眼底疾病的重要手段之一,借助眼底图像可以为眼底疾病提供早期诊断或者愈后判断。常用的眼底相机主要分为传统彩色眼底照相机与便携式彩色眼底照相机。传统彩色眼底照相机获取眼底图像清晰并且稳定,但是仪器体积大、价格十分昂贵,只有少数医院才有能力配备。不仅给医生诊断带来不便,同时也需要患者承担高昂的诊疗费用。便携式彩色眼底照相机成本低、易操作,但是由于便携式眼底相机是非固定式,拍摄时不易稳定,会使得拍摄出来的图像模糊失真,难以获取质量较高的眼底图像。并且因为硬件设备的局限性以及眼球结构的特殊性,相机单次成像只能观测到眼底图像局部信息,无法观测到完整的眼底图像,大大降低了医生的诊断工作效率。本文提出了一种从大量质量参差不齐的眼底图像中,筛选出质量较高、覆盖区域较广的眼底图像,为后续的图像拼接工作提供清晰、有效的图像数据。
发明内容
本发明是以低成本方式获取的大量眼底视网膜图像中,筛选出质量较高,覆盖范围较广的眼底图像数据,用于图像拼接工作。此方法相较于传统彩色眼底相机具有成本低、易操作的优点;相较于便携式彩色眼底相机具有图像质量较高、有效减少透光以及运动模糊的优点。,此方法结合图像拼接能有效扩大眼底图像的成像范围,能将更多的眼底结构信息显示在单张图像上。总体来说,是以低成本、易操作的方式来获取眼底结构较为完整、质量较高的彩色眼底视网膜图像。
为了实现上述目的,本发明采用的技术方案如下:
一种用于眼底图像拼接的图像预处理方法,所述方法包括以下步骤:
S1获取若干的彩色眼底视网膜图像;
S2对所获取的彩色眼底视网膜图像进行裁剪;
S3针对S2裁剪图像进行筛选,筛选出透光图像以及模糊图像;
S4针对S3筛选后的图像进行图像相似度评价,按图像所在眼底视网膜区域进行分类;
S5针对S4分类后的图像,进行类间图像清晰度评价;
S6保留S5每一类中最清晰的图像数据,用于图像拼接。
优选地,所述步骤S2中,裁剪的图像数据是以原始图像中心点为中心,长宽均为为原始图像长宽的60%的矩形区域。
优选地,所述步骤S3中,所述图像的透光为图像中出现大面积透光甚至完全透光、所述图像的模糊为设备晃动以及眼动造成的运动运动模糊。
优选地,所述步骤S3中的筛选包括:
S3.1将裁剪后的图像转换为单通道灰度图像;
S3.2利用Canny算子对单通道灰度图像进行边缘检测;
S3.3统计图像边缘像素点总数,记作C;
S3.4将C与提前设定的阈值T1进行比较;若C≥T1,则保留图像;否则将该图像舍弃。
优选地,所述步骤S4中的图像相似度评价,依据图像所在眼底视网膜区域分类包括:
S4.1在图像一中选取以图像点为中心,长宽分别占图像一长宽的60%的区域作为模板T;
S4.2在图像二中进行模板匹配搜索;搜索区域大小与模板大小相同,计算搜索区域与模板T的差异值R。搜索结束后,记录最小差异值Rmin;
S4.3将最小差异值Rmin与提前设定的阈值T2进行比较;如果Rmin>T2,则说明两幅图像差异过大,不能归为同一类图像;如果Rmin≤T2,则将两幅图像归为同一类别。
优选地,所述步骤S4.2的公式如下:
其中,T表示在图像一中选取的模板区域;T(x',y')表示模板中坐标为(x',y')的像素点的灰度值;I表示图像二;I(x+x',y+y')表示图像二中坐标为(x+x',y+y')的像素点的灰度值。
优选地,所述步骤S5的类间图像清晰度评价包括:
S5.1将所述步骤S4分类后的图像转为单通道的灰度图像;
S5.2选取以图像中心点为中心,长和宽都是64个像素点的正方形区域为感兴趣区域ROI;
S5.3计算ROI区域的灰度平均值M;
S5.4计算ROI区域的灰度方差值Var;
S5.5选取同一类中灰度方差值最大的图像,作为这一类中被选取的图像。
优选地,所述步骤S5.4计算公式如下:
其中,M(X)表示感兴趣区域ROI的灰度平均值;I(x+i,y+j)表示感兴趣区域ROI内坐标为(x+i,y+j)像素点的灰度值;Ws表示ROI区域的像素点总数。
优选地,所述步骤S6中,在拼接时,选取每一分类中最清晰的图像进行拼接。
本发明的有益效果在于,在经过本发明所述的数据预处流程后,挑选出有效眼底视网膜图像,经过图像拼接,能提升单张眼底图像的成像范围,显示更多的眼底结构信息。更进一步,相较于传统彩色眼底相机,有易操作、检查成本低的优点。不仅节省了医生的诊断时间,而且降低了患者的诊疗费用;相较于便携式彩色眼底相机,本发明提高了所获取的彩色眼底相机图像质量,消除了其成像质量低,不易对焦等缺点。
附图说明
图1为本发明裁剪原始图像的示意图;
图2为本发明对图像进行边缘检测得到的结果,并进行筛选的示意图;
图3为本发明进行图像之间相似度评价,进行图像分类的示意图;
图4为经过图3分类后,进行类间图像清晰度评价对比区域的示意图;
图5为本发明最终获得的用于拼接的图像数据。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,以下实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
本发明为一种用于眼底图像拼接的图像预处理方法,所述方法包括以下步骤:
S1获取若干的彩色眼底视网膜图像;
S2对所获取的彩色眼底视网膜图像进行裁剪;
S3针对S2裁剪图像进行筛选,筛选出透光图像以及模糊图像;
S4针对S3筛选后的图像进行图像相似度评价,按图像所在眼底视网膜区域进行分类;
S5针对S4分类后的图像,进行类间图像清晰度评价;
S6保留S5每一类中最清晰的图像数据,用于图像拼接。
实施例
步骤1,获取大量的彩色眼底图像(质量参差不齐);
如图1所示,步骤2,裁剪原始图像;
需要说明的是,即使是比较清晰、需要保留的图像,图像周边难以避免会有亮度低、并且边缘透光、有杂光的情况。为了减少对后续图像拼接质量的影响,仅需保留以图像中心点为中心,长和宽为原始图像长和宽的60%的图像数据。
需要指出的是,图1中的比值关系为:中心方框的宽度/图像的宽度=中心方框的高度/图像的高度=60%,方框点的中心点与图像的中心点为同一点。
如图2所示,步骤3,进行图像筛选;
因为大量图像数据,是大面积透光甚至完全透光、以及包含相对运动造成的模糊图像。均会造成图像边缘信息很少,甚至没有。可以依据此特点可以进行数据的筛选。
进一步的,步骤3的筛选的方法为:
第一步:将裁剪后的图像转换为单通道灰度图像;
第二步:利用Canny算子对单通道灰度图像进行边缘检测;
第三步:统计图像边缘像素点总数,记作C;
第四步:将C与提前设定的阈值T1进行比较;若C≥T1,则保留图像;否则将该图像舍弃。
如图3所示,步骤4,图像相似度评价,按照图像所在眼底视网膜区域进行分类;
经过筛选后,大量模糊不清具有运动伪影、严重透光的图像被筛选掉,保留的图像数据拍摄质量较好。但图像拼接所用到的数据不仅仅要求图像质量高,并且需要不同区域的图像。所以需要进行图像相似度评价,按照图像所在眼底视网膜区域进行分类。
S4.1在图像一中选取以图像点为中心,长宽分别占图像一长宽的60%的区域作为模板T;
S4.2在图像二中进行模板匹配搜索;搜索区域大小与模板大小相同,计算搜索区域与模板T的差异值R。搜索结束后,记录最小差异值Rmin;
S4.3将最小差异值Rmin与提前设定的阈值T2进行比较;如果Rmin>T2,则说明两幅图像差异过大,不能归为同一类图像;如果Rmin≤T2,则将两幅图像归为同一类别。
如判断图像一与图像二是否在区域上相似:
第一步:在图像一中选取以图像点为中心,长宽分别占图像一长宽的60%的区域作为模板T;
第二步:在图像二中进行模板匹配搜索;搜索区域大小与模板大小相同,计算搜索区域与模板T的差异值R。搜索结束后,记录最小差异值Rmin,计算方法如下:
其中,T表示在图像一中选取的模板区域;T(x',y')表示模板中坐标为(x',y')的像素点的灰度值;I表示图像二;I(x+x',y+y')表示图像二中坐标为(x+x',y+y')的像素点的灰度值。
第三步:将最小差异值Rmin与提前设定的阈值T2进行比较;如果Rmin>T2,则说明两幅图像差异过大,不能归为同一类图像;如果Rmin≤T2,则将两幅图像归为同一类别。
如图4所示,步骤5,类间图像清晰度评价,挑选出每一类中最清晰的图像;进行图像的区域分类后,每类图像中图像都近乎相同,并且有的类别图像中会有几十幅图像,但是拼接算法仅需每类图像中选取质量最高的图像即可。
第一步:将图像转为单通道的灰度图像;
第二步:选取以图像中心点为中心,长和宽都是64个像素点的正方形区域为感兴趣区域ROI;
第三步:计算ROI区域的灰度平均值M;
第四步:计算ROI区域的灰度方差值Var,其计算公式如下:
其中,M(X)表示感兴趣区域ROI的灰度平均值;I(x+i,y+j)表示感兴趣区域ROI内坐标为(x+i,y+j)像素点的灰度值;Ws表示ROI区域的像素点总数。
第五步:选取同一类中灰度方差值最大的图像,作为最终被选取的图像。
如图5所示,步骤6,最终筛选出来了质量较高的图像(图5中所显示的属于部分图像数据,仅提供参考,不代表对本发明的最终获得待拼接图像数据的数量限制),可以用来后续的图像拼接的数据。需要进一步说明的是,在拼接时,选取每一分类中最清晰的图像进行拼接。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,给出各种相应的改变和变形,而所有的这些改变和变形,都应该包括在本发明权利要求的保护范围之内。
Claims (9)
1.一种用于眼底图像拼接的图像预处理方法,其特征在于,所述方法包括以下步骤:
S1获取若干的彩色眼底视网膜图像;
S2对所获取的彩色眼底视网膜图像进行裁剪;
S3针对S2裁剪后的图像进行筛选,筛选出透光图像以及模糊图像;
S4针对S3筛选后的图像进行图像间相似度评价,按图像所在眼底视网膜区域,对图像进行分类;
S5针对S4分类后的图像,进行类间图像清晰度评价;
S6保留S5每一类中最清晰的图像数据,用于图像拼接。
2.根据权利要求1所述的用于眼底图像拼接的图像预处理方法,其特征在于,所述步骤S2中,所述裁剪的图像数据是以原始图像中心点为中心,长宽均为为原始图像长宽的60%的矩形区域。
3.根据权利要求1所述的用于眼底图像拼接的图像预处理方法,其特征在于,所述步骤S3中,所述图像的透光为图像中出现大面积透光甚至完全透光、所述图像的模糊为设备晃动以及眼动造成的运动运动模糊。
4.根据权利要求1所述的用于眼底图像拼接的图像预处理方法,其特征在于,所述步骤S3中的筛选包括:
S3.1将裁剪后的图像转换为单通道灰度图像;
S3.2利用Canny算子对单通道灰度图像进行边缘检测;
S3.3统计图像边缘像素点总数,记作C;
S3.4将C与提前设定的阈值T1进行比较;若C≥T1,则保留图像;否则将该图像舍弃。
5.根据权利要求1所述的用于眼底图像拼接的图像预处理方法,其特征在于,如进行两幅图像的相似度评价,所述步骤S4包括:
S4.1在图像一中选取以图像点为中心,长宽分别占图像一长宽的60%的区域作为模板T;
S4.2在图像二中进行模板匹配搜索;搜索区域大小与模板大小相同,计算搜索区域与模板T的差异值R。搜索结束后,记录最小差异值Rmin;
S4.3将最小差异值Rmin与提前设定的阈值T2进行比较;如果Rmin>T2,则说明两幅图像差异过大,不能归为同一类图像;如果Rmin≤T2,则将两幅图像归为同一类别。
7.根据权利要求1所述的用于眼底图像拼接的图像预处理方法,其特征在于,所述步骤S5的类间图像清晰度评价包括:
S5.1将所述步骤S4分类后的图像转为单通道的灰度图像;
S5.2选取以图像中心点为中心,长和宽都是64个像素点的正方形区域为感兴趣区域ROI;
S5.3计算ROI区域的灰度平均值M;
S5.4计算ROI区域的灰度方差值Var,
S5.5选取同一类中灰度方差值最大的图像,作为这一类中被选取的图像。
9.根据权利要求1所述的用于眼底图像拼接的图像预处理方法,其特征在于,所述步骤S6中,在拼接时,保留每一分类中最清晰的图像进行图像拼接。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020101751499 | 2020-03-13 | ||
CN202010175149 | 2020-03-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652805A true CN111652805A (zh) | 2020-09-11 |
CN111652805B CN111652805B (zh) | 2023-05-09 |
Family
ID=72348690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010753058.9A Active CN111652805B (zh) | 2020-03-13 | 2020-07-30 | 一种用于眼底图像拼接的图像预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652805B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228545A (zh) * | 2023-04-04 | 2023-06-06 | 深圳市眼科医院(深圳市眼病防治研究所) | 基于视网膜特征点的眼底彩色照相图像拼接方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016032397A1 (en) * | 2014-08-25 | 2016-03-03 | Agency For Science, Technology And Research (A*Star) | Methods and systems for assessing retinal images, and obtaining information from retinal images |
CN109325923A (zh) * | 2018-09-14 | 2019-02-12 | 哈尔滨理工大学 | 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 |
CN109544540A (zh) * | 2018-11-28 | 2019-03-29 | 东北大学 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
-
2020
- 2020-07-30 CN CN202010753058.9A patent/CN111652805B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016032397A1 (en) * | 2014-08-25 | 2016-03-03 | Agency For Science, Technology And Research (A*Star) | Methods and systems for assessing retinal images, and obtaining information from retinal images |
CN109325923A (zh) * | 2018-09-14 | 2019-02-12 | 哈尔滨理工大学 | 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 |
CN109544540A (zh) * | 2018-11-28 | 2019-03-29 | 东北大学 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228545A (zh) * | 2023-04-04 | 2023-06-06 | 深圳市眼科医院(深圳市眼病防治研究所) | 基于视网膜特征点的眼底彩色照相图像拼接方法及系统 |
CN116228545B (zh) * | 2023-04-04 | 2023-10-03 | 深圳市眼科医院(深圳市眼病防治研究所) | 基于视网膜特征点的眼底彩色照相图像拼接方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111652805B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451998B (zh) | 一种眼底图像质量控制方法 | |
US7362918B2 (en) | System and method for de-noising multiple copies of a signal | |
US8135184B2 (en) | Method and apparatus for detection and correction of multiple image defects within digital images using preview or other reference images | |
US7116820B2 (en) | Detecting and correcting red-eye in a digital image | |
CN111563889A (zh) | 基于计算机视觉的液晶屏幕Mura缺陷检测方法 | |
Kayal et al. | A new dynamic thresholding based technique for detection of hard exudates in digital retinal fundus image | |
US8351667B2 (en) | Methods of contrast enhancement for images having blood vessel structures | |
US9401009B2 (en) | Method and apparatus for enhancing quality of 3D image | |
CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN111784686A (zh) | 一种内窥镜出血区域的动态智能检测方法、系统及可读存储介质 | |
CN115775210A (zh) | 一种广域眼底相机图像融合方法、系统及存储介质 | |
CN110930446A (zh) | 一种眼底图像定量分析的前置处理方法及存储设备 | |
CN111652805B (zh) | 一种用于眼底图像拼接的图像预处理方法 | |
CN113139937A (zh) | 一种基于深度学习的消化道内窥镜视频图像识别方法 | |
US10194880B2 (en) | Body motion display device and body motion display method | |
JP4095494B2 (ja) | 眼科画像処理装置及び処理方法 | |
Zheng et al. | Near-infrared Image Enhancement Method in IRFPA Based on Steerable Pyramid. | |
CN111588345A (zh) | 眼部疾病检测方法、ar眼镜及可读存储介质 | |
CN116071337A (zh) | 一种基于超像素分割的内镜图像质量评价方法 | |
Kumar et al. | Performance evaluation of joint filtering and histogram equalization techniques for retinal fundus image enhancement | |
Poostchi et al. | Diabetic retinopathy dark lesion detection: preprocessing phase | |
KR102380560B1 (ko) | 영상 처리를 기반으로 하는 각막궤양 검출 장치 및 그 방법 | |
US6421469B1 (en) | Image data manipulation for improved image visualization and analysis | |
Mazlan et al. | Enhancement of retinal images for microaneurysms detection in diabetic retinopathy | |
CN111199526A (zh) | 一种医学图像的降噪方法及系统 |
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 |