CN112712521B - 基于全局梯度搜索的眼底视盘自动定位方法及其存储介质 - Google Patents

基于全局梯度搜索的眼底视盘自动定位方法及其存储介质 Download PDF

Info

Publication number
CN112712521B
CN112712521B CN202110064655.5A CN202110064655A CN112712521B CN 112712521 B CN112712521 B CN 112712521B CN 202110064655 A CN202110064655 A CN 202110064655A CN 112712521 B CN112712521 B CN 112712521B
Authority
CN
China
Prior art keywords
fundus
disc
region
video disc
area
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.)
Active
Application number
CN202110064655.5A
Other languages
English (en)
Other versions
CN112712521A (zh
Inventor
王雪花
许祥丛
曾亚光
韩定安
林静怡
翁祥涛
林家鸿
梁蕴珊
郭学东
王陆权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN202110064655.5A priority Critical patent/CN112712521B/zh
Publication of CN112712521A publication Critical patent/CN112712521A/zh
Application granted granted Critical
Publication of CN112712521B publication Critical patent/CN112712521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/30—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)
  • Multimedia (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于全局梯度搜索的眼底视盘自动定位方法，眼底视盘自动定位方法包括如下步骤：采集眼底图像；对眼底图像的边缘阴影区域进行裁剪；根据裁剪后的眼底图像获取视盘边缘梯度图像；将视盘边缘梯度图像分割成多个第一区域块，分别计算多块第一区域块的剃度值总和并以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域；根据视盘感兴趣区域获取视盘中心点坐标；根据视盘中心点坐标对眼底图像进行视盘区域框选，实现眼底视盘的自动定位。本发明解决传统视盘定位方法无法快速而又精准定位眼底视盘的问题，可以实现眼底视盘高校而又精准的自动定位。

Description

基于全局梯度搜索的眼底视盘自动定位方法及其存储介质
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种基于全局梯度搜索的眼底视盘自动定位方法及其存储介质。
背景技术
近年来，基于眼底图像病理结构的识别与定位技术被广泛研究与应用，这对于预防和诊断糖尿病视网膜病变、老年黄斑变性等一类常见可致盲的眼底病具有重要意义与作用。由于眼底病具有发病率高、患者基数大的特点，仅依靠眼科专家人眼诊断难以满足大量病人的需求，故而越来越多的学者关注和研究借助图像处理、计算机视觉等技术对医学影像进行自动识别与诊断的控制系统。在眼底图像处理中，视盘作为最主要的生理结构之一，对其进行精准定位是自动分析与研究眼底图像工作的重要环节。
传统的视盘定位方法包括基于眼底血管结构的视盘定位方法、基于视盘物理特性的视盘定位方法还有综合眼底血管结构及视盘物理特性的视盘定位方法。基于眼底血管结构的视盘定位方法需要严格精准的血管分割结构来构造几何模板，其具有较高的算法复杂度，眼底视盘定位速度较低。对于基于视盘物理特性的视盘定位方法，由于当眼底图像出现病变区域时，眼底图像亮度与视盘区域相似，仅通过视盘的形状、亮度等视盘物理特性进行视盘定位，很有可能将病变区域误判为视盘区域而导致视盘定位失败，眼底视盘定位精准程度较低。
发明内容
基于此，为了解决传统视盘定位方法无法快速而又精准定位眼底视盘的问题，本发明提供了一种基于全局梯度搜索的眼底视盘自动定位方法，其具体技术方案如下：
一种基于全局梯度搜索的眼底视盘自动定位方法，所述眼底视盘自动定位方法包括如下步骤：
采集眼底图像；
对所述眼底图像的边缘阴影区域进行裁剪；
根据裁剪后的所述眼底图像获取视盘边缘梯度图像；
将所述视盘边缘梯度图像分割成多个第一区域块，分别计算多块所述第一区域块的剃度值总和并以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域；
根据所述视盘感兴趣区域获取视盘中心点坐标；
根据所述视盘中心点坐标对所述眼底图像进行视盘区域框选，实现眼底视盘的自动定位。
上述基于全局梯度搜索的眼底视盘自动定位方法可对眼底视盘自动定位，无需对眼底图像血管结构进行精准分割以及构建几何模板，大大减少了工作量，提高了眼底视盘定位速度以及效率。而通过将所述视盘边缘梯度图像分割成多个第一区域块，然后分别计算多块所述第一区域块的剃度值总和并以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域，最后根据所述视盘中心点坐标对所述眼底图像进行视盘区域框选，可以实现眼底视盘的精准定位。
即是说，上述基于全局梯度搜索的眼底视盘自动定位方法解决传统视盘定位方法无法快速而又精准定位眼底视盘的问题，可以实现眼底视盘高校而又精准的自动定位。
进一步地，根据裁剪后的所述眼底图像获取视盘边缘梯度图像的具体方法包括如下步骤：
对所述眼底图像进行高斯滤波；
求取高斯滤波后的所述眼底图像的拉普拉斯二阶导数；
根据所述拉普拉斯二阶导数的零交叉获取视盘边缘梯度图像。
进一步地，将所述视盘边缘梯度图像分割成多个第一区域块，分别计算多块所述第一区域块的剃度值总和并以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域的具体方法包括如下步骤：
创建M×N尺寸区域；
根据所述M×N尺寸区域将所述视盘边缘梯度图像分割成多块尺寸大小为M×N的第一区域块；
分别计算多块所述第一区域块的梯度值总和并获取最大梯度值总和所对应的第一区域块；
以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域；
其中，M以及N均为大于零的整数。
进一步地，将所述视盘边缘梯度图像分割成多个区域块，分别计算多块所述区域块的剃度值总和并以最大梯度值总和所对应的区域块作为视盘感兴趣区域的具体方法还包括如下步骤：
当存在多个最大梯度值总和相同的第一区域块时，分别计算多个最大梯度值总和相同的所述第一区域块的坐标位置平均值；
以所述坐标位置平均值为顶点框出尺寸大小为M×N的第二区域块并以所述第二区域块作为视盘感兴趣区域。
进一步地，根据所述M×N尺寸区域将所述视盘边缘梯度图像分割成多块尺寸大小为M×N的第一区域块的具体方法为：分别沿水平与垂直方向、以预设步幅将所述视盘边缘梯度图像分割为L×L块尺寸大小为M×N的第一区域块；其中，L为大于零的整数。
进一步地，根据所述视盘感兴趣区域获取视盘中心点坐标的具体方法包括如下步骤：
对所述视盘感兴趣区域进行裁剪；
根据像素强度阈值对所述视盘感兴趣区域进行二值化处理；
对二值化处理后的所述视盘感兴趣区域进行降噪处理；
计算降噪处理后的所述视盘感兴趣区域中所有像素为1的坐标位置均值，以所述坐标位置均值为视盘中心点坐标。
进一步地，在计算降噪处理后的所述视盘感兴趣区域中所有像素为1的坐标位置均值前，先删除面积小于10的连通区域。
进一步地，所述眼底视盘自动定位方法还包括如下步骤：标记所述视盘中心点以及所述视盘中心点坐标。
进一步地，所述眼底视盘自动定位方法还包括如下步骤：对框选到的视盘区域进行裁剪并标记所述视盘中心点。
进一步地，所述眼底视盘自动定位方法还包括如下步骤：对眼底图像进行视盘区域框选并标记视盘中心点坐标。
进一步地，M以及N均为100，L为15，所述预设步幅为20。
进一步地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的基于全局梯度搜索的眼底视盘自动定位方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明一实施例中一种基于全局梯度搜索的眼底视盘自动定位方法的整体流程示意图；
图2是本发明一实施例中一种基于全局梯度搜索的眼底视盘自动定位方法的根据裁剪后的所述眼底图像获取视盘边缘梯度图像的流程示意图；
图3是本发明一实施例中一种基于全局梯度搜索的眼底视盘自动定位方法的将所述视盘边缘梯度图像分割成多个第一区域块，分别计算多块所述第一区域块的剃度值总和并以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域的流程示意图；
图4是本发明一实施例中一种基于全局梯度搜索的眼底视盘自动定位方法的根据所述视盘感兴趣区域获取视盘中心点坐标的流程示意图；
图5是本发明一实施例中一种基于全局梯度搜索的眼底视盘自动定位方法的对眼底图像的边缘阴影区域进行裁剪的效果示意图；
图6是本发明一实施例中一种基于全局梯度搜索的眼底视盘自动定位方法的对视盘感兴趣区域进行二值化处理的效果示意图；
图7是本发明一实施例中一种基于全局梯度搜索的眼底视盘自动定位方法的对眼底图像进行视盘区域框选的效果示意图；
图8是本发明一实施例中一种基于全局梯度搜索的眼底视盘自动定位方法的对框选到的视盘区域进行裁剪的效果示意图；
图9是本发明一实施例中一种基于全局梯度搜索的眼底视盘自动定位方法的对裁剪后的视盘区域进行视盘中心点标记的效果示意图；
图10是本发明一实施例中一种基于全局梯度搜索的眼底视盘自动定位方法的对眼底图像进行视盘区域框选并标记视盘中心点坐标的效果示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。
近年来，基于眼底图像病理结构的识别与定位技术被广泛研究与应用，这对于预防和诊断糖尿病视网膜病变、老年黄斑变性等一类常见可致盲的眼底病具有重要意义与作用。由于眼底病具有发病率高、患者基数大的特点，仅依靠眼科专家人眼诊断难以满足大量病人的需求，故而越来越多的学者关注和研究借助图像处理、计算机视觉等技术对医学影像进行自动识别与诊断的控制系统。在眼底图像处理中，视盘作为最主要的生理结构之一，对其进行精准定位是自动分析与研究眼底图像工作的重要环节。
传统的视盘定位方法可大致分为以下三类：(1)基于眼底血管结构的视盘定位方法，其以精准的血管分割结构构造几何模板并以此为基础，进一步利用基于眼底视盘区域中的血管结构及位置信息的算法进行视盘定位；(2)基于视盘物理特性的视盘定位方法，该方法利用视盘自身的大小、形状、颜色、亮度等物理特性设计算法进行眼底视盘定位；(3)综合眼底血管结构及视盘物理特性的视盘定位方法。基于眼底血管结构的视盘定位方法需要严格精准的血管分割结构来构造几何模板，而精准且完整的血管分割是一项比较困难的工作，且该类方法往往具有较高的算法复杂度，其定位速度较低。基于视盘物理特性的视盘定位方法复杂程度较低，但是当眼底图像出现病变区域时，由于其亮度与视盘区域相似，仅通过视盘的形状、亮度等视盘物理特性进行视盘定位，很有可能将病变区域误判为视盘区域而导致视盘定位失败，其精准程度较低。
为了解决传统视盘定位方法无法快速而又精准定位眼底视盘的问题，本发明提供一种基于全局梯度搜索的眼底视盘自动定位方法。
如图1所示，本发明一实施例中的一种基于全局梯度搜索的眼底视盘自动定位方法，所述眼底视盘自动定位方法包括如下步骤：
采集眼底图像；
对所述眼底图像的边缘阴影区域进行裁剪，如图5所示；
根据裁剪后的所述眼底图像获取视盘边缘梯度图像；
将所述视盘边缘梯度图像分割成多个第一区域块，分别计算多块所述第一区域块的剃度值总和并以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域；
根据所述视盘感兴趣区域获取视盘中心点坐标；
根据所述视盘中心点坐标对所述眼底图像进行视盘区域框选，实现眼底视盘的自动定位，如图7所示。
上述基于全局梯度搜索的眼底视盘自动定位方法可对眼底视盘自动定位，无需对眼底图像血管结构进行精准分割以及构建几何模板，大大减少了工作量，提高了眼底视盘定位速度以及效率。而通过将所述视盘边缘梯度图像分割成多个第一区域块，然后分别计算多块所述第一区域块的剃度值总和并以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域，最后根据所述视盘中心点坐标对所述眼底图像进行视盘区域框选，可以实现眼底视盘的精准定位。
即是说，上述基于全局梯度搜索的眼底视盘自动定位方法解决传统视盘定位方法无法快速而又精准定位眼底视盘的问题，可以实现眼底视盘高效而又精准的自动定位。
在其中一个实施例中，所述眼底图像通过眼底相机采集而得。
在其中一个实施例中，如图2所示，所述根据裁剪后的所述眼底图像获取视盘边缘梯度图像的具体方法包括如下步骤：
对所述眼底图像进行高斯滤波；
求取高斯滤波后的所述眼底图像的拉普拉斯二阶导数；
根据所述拉普拉斯二阶导数的零交叉获取视盘边缘梯度图像。
由于通过将高斯平滑滤波器与拉普拉斯锐化滤波器结合起来，先对眼底图像进行高斯滤波降噪，然后再对其求拉普拉斯二阶导数，最后通过检测滤波结果的零交叉获取眼底图像的视盘边缘梯度图像，故而可以获取良好的视盘边缘梯度图像。
在其中一个实施例中，基于Log边缘检测算法对裁剪后的所述眼底图像进行处理，以获取视盘边缘梯度图像。如此，可以有效避免噪声影响。
在其中一个实施例中，如图3所示，所述将所述视盘边缘梯度图像分割成多个第一区域块，分别计算多块所述第一区域块的剃度值总和并以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域的具体方法包括如下步骤：
在所述眼底相机所成眼底图像中，创建M×N尺寸区域，以便后续框选与裁剪；
根据所述M×N尺寸区域将所述视盘边缘梯度图像分割成多块大小为M×N的第一区域块；
分别计算多块所述第一区域块的梯度值总和并获取最大梯度值总和所对应的第一区域块；
以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域；
其中，M以及N均为大于零的整数。
具体而言，用尺寸大小M×N尺寸的滑动窗口对所述视盘边缘梯度图像进行遍历以将所述视盘边缘梯度图像分割成多块大小为M×N的第一区域块，并分别计算多块所述第一区域块的梯度值总和，通过比较多块第一区域块的梯度值总和大小，获取最大梯度值总和所对应的第一区域块。
在其中一个实施例中，所述眼底相机所成眼底图像的尺寸大小为512×512。
在其中一个实施例中，所述将所述视盘边缘梯度图像分割成多个区域块，分别计算多块所述区域块的剃度值总和并以最大梯度值总和所对应的区域块作为视盘感兴趣区域的具体方法还包括如下步骤：
当存在多个最大梯度值总和相同的第一区域块时，分别计算多个最大梯度值总和相同的所述第一区域块的坐标位置平均值；
以所述坐标位置平均值为顶点框出尺寸大小为M×N的第二区域块并以所述第二区域块作为视盘感兴趣区域。具体而言，所述顶点为所述第二区域块的左上角顶点。
在其中一个实施例中，根据所述M×N尺寸区域将所述视盘边缘梯度图像分割成多块大小为M×N的第一区域块的具体方法为：分别沿水平与垂直方向、以预设步幅将所述视盘边缘梯度图像分割为L×L块大小为M×N的第一区域块；其中，L为大于零的整数。
在其中一个实施例中，如图4所示，所述根据所述视盘感兴趣区域获取视盘中心点坐标的具体方法包括如下步骤：
对所述视盘感兴趣区域进行裁剪；
根据像素强度阈值对所述视盘感兴趣区域进行二值化处理，如图6所示；
对二值化处理后的所述视盘感兴趣区域进行降噪处理；
计算降噪处理后的所述视盘感兴趣区域中所有像素为1的坐标位置均值，以所述坐标位置均值为视盘中心点坐标。
具体而言，在二值化处理后的所述视盘感兴趣区域的图像中，值为1的像素点代表视盘区域，值为0的像素点代表背景。
在其中一个实施例中，在计算降噪处理后的所述视盘感兴趣区域中所有像素为1的坐标位置均值前，先删除面积小于10的连通区域。
在进行眼底视盘自动定位时，对所述视盘感兴趣区域进行二值化以及降噪处理，删除面积小于10的连通区域，可在一定程度上降低眼底实盘病变区域对眼底视盘定位的干扰。
在其中一个实施例中，所述像素强度阈值为40％。由于眼底视盘所在面积大约占所述视盘感兴趣区域面积的40％，将所述像素强度阈值设为40％，可以提高所述视盘中心点定位的精确度。
在其中一个实施例中，所述眼底视盘自动定位方法还包括如下步骤：对框选到的视盘区域进行裁剪并标记所述视盘中心点，如图8以及图9所示。
在其中一个实施例中，所述眼底视盘自动定位方法还包括如下步骤：对眼底图像进行视盘区域框选并标记视盘中心点坐标，如图10所示。
在其中一个实施例中，M以及N均为100，L为15，所述预设步幅为20。由于眼底视盘大小略小于100×100，将视盘边缘梯度图像裁剪成15×15个大小为100×100的第一区域块，所述眼底视盘自动定位方法计算量小，进一步提高了所述眼底视盘自动定位方法的速度以及准确度。
在其中一个实施例中，所述尺寸大小的单位均为像素。
在其中一个实施例中，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的基于全局梯度搜索的眼底视盘自动定位方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于全局梯度搜索的眼底视盘自动定位方法，其特征在于，所述眼底视盘自动定位方法包括如下步骤：
采集眼底图像；
对所述眼底图像的边缘阴影区域进行裁剪；
根据裁剪后的所述眼底图像获取视盘边缘梯度图像；
将所述视盘边缘梯度图像分割成多个第一区域块，分别计算多块所述第一区域块的剃度值总和并以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域；
根据所述视盘感兴趣区域获取视盘中心点坐标；
根据所述视盘中心点坐标对所述眼底图像进行视盘区域框选，实现眼底视盘的自动定位；
其中，所述根据裁剪后的所述眼底图像获取视盘边缘梯度图像的具体方法包括如下步骤：
对所述眼底图像进行高斯滤波；
求取高斯滤波后的所述眼底图像的拉普拉斯二阶导数；
根据所述拉普拉斯二阶导数的零交叉获取视盘边缘梯度图像；
所述根据所述视盘感兴趣区域获取视盘中心点坐标的具体方法包括如下步骤：
对所述视盘感兴趣区域进行裁剪；
根据像素强度阈值对所述视盘感兴趣区域进行二值化处理；
对二值化处理后的所述视盘感兴趣区域进行降噪处理；
计算降噪处理后的所述视盘感兴趣区域中所有像素为1的坐标位置均值，以所述坐标位置均值为视盘中心点坐标，其中，在二值化处理后的所述视盘感兴趣区域的图像中，值为1的像素点代表视盘区域，值为0的像素点代表背景。
2.根据权利要求1所述的一种基于全局梯度搜索的眼底视盘自动定位方法，其特征在于，将所述视盘边缘梯度图像分割成多个第一区域块，分别计算多块所述第一区域块的剃度值总和并以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域的具体方法包括如下步骤：
创建M×N尺寸区域；
根据所述M×N尺寸区域将所述视盘边缘梯度图像分割成多块尺寸大小为M×N的第一区域块；
分别计算多块所述第一区域块的梯度值总和并获取最大梯度值总和所对应的第一区域块；
以最大梯度值总和所对应的第一区域块作为视盘感兴趣区域；
其中，M以及N均为大于零的整数。
3.根据权利要求2所述的一种基于全局梯度搜索的眼底视盘自动定位方法，其特征在于，将所述视盘边缘梯度图像分割成多个区域块，分别计算多块所述区域块的剃度值总和并以最大梯度值总和所对应的区域块作为视盘感兴趣区域的具体方法还包括如下步骤：
当存在多个最大梯度值总和相同的第一区域块时，分别计算多个最大梯度值总和相同的所述第一区域块的坐标位置平均值；
以所述坐标位置平均值为顶点框出尺寸大小M×N第二区域块并以所述第二区域块作为视盘感兴趣区域。
4.根据权利要求3所述的一种基于全局梯度搜索的眼底视盘自动定位方法，其特征在于，根据所述M×N尺寸区域将所述视盘边缘梯度图像分割成多块尺寸大小为M×N的第一区域块的具体方法为：分别沿水平与垂直方向、以预设步幅将所述视盘边缘梯度图像分割为L×L块尺寸大小为M×N的第一区域块；其中，L为大于零的整数。
5.根据权利要求4所述的一种基于全局梯度搜索的眼底视盘自动定位方法，其特征在于，在计算降噪处理后的所述视盘感兴趣区域中所有像素为1的坐标位置均值前，先删除面积小于10的连通区域。
6.根据权利要求5所述的一种基于全局梯度搜索的眼底视盘自动定位方法，其特征在于，所述眼底视盘自动定位方法还包括如下步骤：对框选到的视盘区域进行裁剪并标记所述视盘中心点。
7.根据权利要求6所述的一种基于全局梯度搜索的眼底视盘自动定位方法，其特征在于，M以及N均为100，L为15，所述预设步幅为20。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述权利要求1至7中任意一项所述的基于全局梯度搜索的眼底视盘自动定位方法。
CN202110064655.5A 2021-01-18 2021-01-18 基于全局梯度搜索的眼底视盘自动定位方法及其存储介质 Active CN112712521B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110064655.5A CN112712521B (zh) 2021-01-18 2021-01-18 基于全局梯度搜索的眼底视盘自动定位方法及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110064655.5A CN112712521B (zh) 2021-01-18 2021-01-18 基于全局梯度搜索的眼底视盘自动定位方法及其存储介质

Publications (2)

Publication Number Publication Date
CN112712521A CN112712521A (zh) 2021-04-27
CN112712521B true CN112712521B (zh) 2023-12-12

Family

ID=75549271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110064655.5A Active CN112712521B (zh) 2021-01-18 2021-01-18 基于全局梯度搜索的眼底视盘自动定位方法及其存储介质

Country Status (1)

Country Link
CN (1) CN112712521B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450341A (zh) * 2021-07-16 2021-09-28 依未科技(北京)有限公司 图像处理方法及装置、计算机可读存储介质及电子设备
CN113609953A (zh) * 2021-07-30 2021-11-05 浙江一掌通数字科技有限公司 一种非接触式的掌静脉区域识别方法、系统及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003030075A1 (en) * 2001-10-03 2003-04-10 Retinalyze Danmark A/S Detection of optic nerve head in a fundus image
CN102908120A (zh) * 2012-10-09 2013-02-06 北京大恒图像视觉有限公司 眼底图像的配准方法、眼底图像中视盘神经、血管的测量方法及眼底图像的拼接方法
EP2888718A1 (en) * 2012-08-24 2015-07-01 Agency For Science, Technology And Research Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation
CN105769117A (zh) * 2016-01-11 2016-07-20 佛山科学技术学院 一种眼底光学全场微血管造影成像装置及方法
CN106372593A (zh) * 2016-08-30 2017-02-01 上海交通大学 一种基于血管收敛的视盘区定位方法
CN108629769A (zh) * 2018-05-02 2018-10-09 山东师范大学 基于最佳兄弟相似度的眼底图像视盘定位方法及系统
CN108961280A (zh) * 2018-06-29 2018-12-07 电子科技大学 一种基于slic超像素分割的眼底视盘精细分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7500751B2 (en) * 2004-03-12 2009-03-10 Yokohama Tlo Company Ltd. Ocular fundus portion analyzer and ocular fundus portion analyzing method
US7621636B2 (en) * 2007-01-10 2009-11-24 Clarity Medical Systems, Inc. Working distance and alignment sensor for a fundus camera

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003030075A1 (en) * 2001-10-03 2003-04-10 Retinalyze Danmark A/S Detection of optic nerve head in a fundus image
EP2888718A1 (en) * 2012-08-24 2015-07-01 Agency For Science, Technology And Research Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation
CN102908120A (zh) * 2012-10-09 2013-02-06 北京大恒图像视觉有限公司 眼底图像的配准方法、眼底图像中视盘神经、血管的测量方法及眼底图像的拼接方法
CN105769117A (zh) * 2016-01-11 2016-07-20 佛山科学技术学院 一种眼底光学全场微血管造影成像装置及方法
CN106372593A (zh) * 2016-08-30 2017-02-01 上海交通大学 一种基于血管收敛的视盘区定位方法
CN108629769A (zh) * 2018-05-02 2018-10-09 山东师范大学 基于最佳兄弟相似度的眼底图像视盘定位方法及系统
CN108961280A (zh) * 2018-06-29 2018-12-07 电子科技大学 一种基于slic超像素分割的眼底视盘精细分割方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Marcos Ruiz-Sánchez ; Maria E. Rodríguez-González-Herrero *
Optic Disc Pit Maculopathy after Prone Positioning Spine Surgery:;Marcos Ruiz-Sánchez;Maria E. Rodríguez-González-Herrero;Jenifer Ruiz-Sará;European journal of ophthalmology;第27卷(第5期);全文 *
基于视觉注意机制的眼底图像视盘快速定位与分割;柯鑫;江威;朱江兵;;科学技术与工程(第35期);全文 *
眼底图像处理与分析中的关键技术研究;王玉亮;中国博士学位论文全文数据库;全文 *
视网膜图像的分析与研究;曾杰;中国硕士学位论文全文数据库;全文 *
采用局部搜索的快速视盘检测方法;赵圆圆;张东波;刘茂;光电工程(第003期);全文 *

Also Published As

Publication number Publication date
CN112712521A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN110889826B (zh) 眼部oct图像病灶区域的分割方法、装置及终端设备
US7524061B2 (en) System and method for robust optic disk detection in retinal images using vessel structure and radon transform
CN108133476B (zh) 一种肺结节自动检测方法及系统
CN112712521B (zh) 基于全局梯度搜索的眼底视盘自动定位方法及其存储介质
CN108520211A (zh) 基于手指折痕的手指静脉图像特征的提取方法
JP7197708B2 (ja) 眼底画像定量分析の前置処理方法および記憶装置
CN112489060B (zh) 一种用于肺炎病灶分割的系统及方法
Almazroa et al. An automatic image processing system for glaucoma screening
Meng et al. A framework for retinal vasculature segmentation based on matched filters
Uribe-Valencia et al. Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model
Dikkala et al. A comprehensive analysis of morphological process dependent retinal blood vessel segmentation
Padmanaban et al. Localization of optic disc using Fuzzy C Means clustering
CN116250801A (zh) 基于眼部图像的血氧饱和度测量方法及系统
Athab et al. Localization of the Optic Disc in Retinal Fundus Image using Appearance Based Method andVasculature Convergence
Bania et al. Adaptive trimmed median filter for impulse noise detection and removal with an application to mammogram images
Kulkarni et al. Eye gaze–based optic disc detection system
EP3129956B1 (en) Method for the analysis of image data representing a three-dimensional volume of biological tissue
Kim et al. Segmentation of optic nerve head using warping and RANSAC
Azam et al. Optic disc segmentation from colored retinal images using vessel density
Hamann et al. At the pulse of time: Machine vision in retinal videos
Princye et al. Blood Vessel Segmentation on Retinal Fundus Image-A Review
Mahfouz et al. Ultrafast optic disc localization using projection of image features
Wirth et al. Combination of color and focus segmentation for medical images with low depth-of-field
CN113627231B (zh) 一种基于机器视觉的视网膜oct图像中液体区域自动分割方法
Saranya et al. Filtering and segmentation of a uterine fibroid with an ultrasound images

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