CN113012180B - 图像的成像设备确定方法、装置、设备及存储介质 - Google Patents

图像的成像设备确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113012180B
CN113012180B CN202110172563.9A CN202110172563A CN113012180B CN 113012180 B CN113012180 B CN 113012180B CN 202110172563 A CN202110172563 A CN 202110172563A CN 113012180 B CN113012180 B CN 113012180B
Authority
CN
China
Prior art keywords
fundus
contour
point
image
determining
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
CN202110172563.9A
Other languages
English (en)
Other versions
CN113012180A (zh
Inventor
杨大陆
杨叶辉
王磊
许言午
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110172563.9A priority Critical patent/CN113012180B/zh
Publication of CN113012180A publication Critical patent/CN113012180A/zh
Application granted granted Critical
Publication of CN113012180B publication Critical patent/CN113012180B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General 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 Analysis (AREA)

Abstract

本申请公开了一种图像的成像设备确定方法、装置、设备及存储介质，涉及人工智能领域，尤其涉及计算机视觉、智慧医疗和图像取证技术领域。具体实现方案为：根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征；根据所述目标轮廓特征和候选成像设备的参考轮廓特征，确定所述待分析眼底图像关联的成像设备，为眼底图像的成像设备的确定提供了一种新思路。

Description

图像的成像设备确定方法、装置、设备及存储介质
技术领域
本申请涉及图像处理技术领域，尤其涉及人工智能、计算机视觉、智慧医疗和图像取证技术领域，具体涉及一种图像的成像设备确定方法、装置、设备及存储介质。
背景技术
随着计算机视觉技术的发展，图像在很多领域都有着非常重要的应用，为了保证图像来源的可靠性，通常需要对图像的成像设备进行判断，如对成像设备的种类和型号进行判断。目前，现有技术通常是分析图像的像素颜色处理方式、图像质量(如对比度和亮度)参数或者成像的传感器部件参数，来确定一张图像的成像设备。
但是在医疗领域中，采集眼底图像的不同成像设备使用的颜色处理方式、图像质量参数以及成像传感器部件参数都非常类似，所以，采用现有技术难以区分眼底图像的成像设备。
发明内容
本申请提供了一种图像的成像设备确定方法、装置、设备及存储介质。
根据本申请的第一方面，提供了一种图像的成像设备确定方法，包括：
根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征；
根据所述目标轮廓特征和候选成像设备的参考轮廓特征，确定所述待分析眼底图像关联的成像设备。
根据本申请的第二方面，提供了一种图像的成像设备确定装置，包括：
轮廓特征确定模块，用于根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征；
成像设备确定模块，用于根据所述目标轮廓特征和候选成像设备的参考轮廓特征，确定所述待分析眼底图像关联的成像设备。
根据本申请的第三方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任一实施例所述的图像的成像设备确定方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行本申请任一实施例所述的图像的成像设备确定方法。
根据本申请的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请任一实施例所述的图像的成像设备确定方法。
本申请实施例的技术方案，解决了采用现有技术难以区分眼底图像的成像设备的问题，为眼底图像的成像设备的确定提供了一种新思路。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1A是根据本申请实施例提供的一种图像的成像设备确定方法的流程图；
图1B是根据本申请实施例提供的眼底图像的示意图；
图1C是根据本申请实施例提供的眼底轮廓上的点与眼底轮廓中心点的关系示意图；
图1D是根据本申请实施例提供的待分析眼底图像的目标轮廓特征的分布图；
图2是根据本申请实施例提供的另一种图像的成像设备确定方法的流程图；
图3A是根据本申请实施例提供的另一种图像的成像设备确定方法的流程图；
图3B-3C是根据本申请实施例提供的眼底图像的眼底轮廓示意图；
图4根据本申请实施例提供的一种图像的成像设备确定装置的结构示意图；
图5是用来实现本申请实施例的图像的成像设备确定方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1A是根据本申请实施例提供的一种图像的成像设备确定方法的流程图；图1B是根据本申请实施例提供的眼底图像的示意图；图1C是根据本申请实施例提供的眼底轮廓上的点与眼底轮廓中心点的关系示意图；图1D是根据本申请实施例提供的待分析眼底图像的目标轮廓特征的分布图。本实施例适用于为眼底图像确定其对应的成像设备的情况。该实施例可以由电子设备中配置的图像的成像设备确定装置来执行，该装置可以采用软件和/或硬件来实现。如图1A-1D所示，该方法包括：
S101，根据待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系，确定待分析眼底图像的目标轮廓特征。
其中，所谓眼底图像可以是包含眼球内后部组织，如视网膜、视乳头、黄斑和视网膜中央动静脉的图像，如图1B所示。本申请实施例的待分析眼底图像可以是需要分析成像设备的眼底图像。眼底图像的眼底轮廓可以是由眼球边缘像素点组成的圆形轮廓，如图1C中近似圆形的轮廓。
可选的，在本申请实施例中，待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系可以是待分析眼底图中位于眼底轮廓上的每个像素点与眼底轮廓中心点之间的距离关系和角度关系，具体包括：位于眼底轮廓上的点与眼底轮廓中心点之间的距离关系，以及所述位于眼底轮廓上的点与所述眼底轮廓中心点的连线与基准方向之间的角度关系。例如，如图1C所示，以眼底轮廓上的第i个像素点，即点A为例，其与眼底轮廓中心点O之间的关系包括：点A与点O之间的距离ri，以及点A与点O的连线OA与基准方向之间的角度θi。
可选的，在本申请实施例中，根据待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系，确定待分析眼底图像的目标轮廓特征时，可以是根据位于眼底轮廓上的点与所述眼底轮廓中心点之间的距离关系，确定待分析眼底图像的目标轮廓特征中的距离特征；根据位于眼底轮廓上的点与眼底轮廓中心点的连线与基准方向之间的角度关系，确定待分析眼底图像的目标轮廓特征中的角度特征。具体的，可以是针对眼底轮廓上的每个点，将该点与眼底轮廓中心点之间的距离关系作为该点的距离特征，将该点和眼底轮廓中心点的连线与基准方向之间的角度关系作为该点的角度特征。例如，对于图1C中的点A，其距离特征为ri，角度特征为θi。在确定出眼底轮廓上的每个点的距离特征和角度特征后，可以将眼底轮廓上各点的距离特征和角度特征进行组合，作为该眼底轮廓的目标轮廓特征。示例性的，图1D示出了待分析眼底图像中眼底轮廓上的每个点的角度特征和距离特征，即目标轮廓特征的分布情况，其中，X轴代表角度特征为θi，Y轴代表距离特征为ri，图1D中目标轮廓特征出现突变的部分，即距离特征较高的部分即为位于眼底轮廓凸起部分的点对应的距离特征。
S102，根据目标轮廓特征和候选成像设备的参考轮廓特征，确定待分析眼底图像关联的成像设备。
其中，本申请实施例所述的成像设备可以是能够采集图1B所示的眼底图像的成像设备，例如，可以是眼底照相机或其他种类的照相机。对于每一种类的成像设备还可以进一步分为不同的型号。候选成像设备可以是能够采集眼底图像，且已知参考轮廓特征的成像设备。本申请实施例可以是从候选成像设备中选出待分析眼底图像关联的成像设备。参考轮廓特征可以是候选成像设备采集的眼底图像的轮廓特征。可选的，本申请实施例可以预先设置多个候选成像设备，然后对各候选成像设备采集的眼底图像进行分析，来确定各候选成像设备的参考轮廓特征。具体的，本实施例确定候选成像设备采集的眼底图像的参考轮廓特征的过程与确定待分析眼底图像的目标轮廓特征的过程类似，在此不进行赘述。
可选的，本申请实施例根据目标轮廓特征和候选成像设备的参考轮廓特征，确定待分析眼底图像关联的成像设备的具体过程可以是：将目标轮廓特征，分别与每个候选成像的参考轮廓特征进行特征相似度计算，并从中找到最大特征相似度。在确定出最大特征相似度后，可以直接将该最大特征相似度对应的候选成像设备，作为该待分析眼底图像关联的成像设备。可选的，还可以先判断最大特征相似度是否大于预设相似度阈值，若是，则将该最大特征相似度对应的候选成像设备作为该待分析眼底图像关联的成像设备。
具体的，本申请实施例可以是通过下述函数表达式来确定最大特征相似度：
S＝argmax([sim(F1，F0)，sim(F2，F0)，sim(F3，F0)，...])
其中，S为最大特征相似度，argmax()为最大相似度提取函数；sim()为特征相似度计算函数；F1、F2和F3分别为型号为1、2和3的候选成像设备；F0为待分析眼底图像的目标轮廓特征。
可选的，本申请实施例计算特征相似度的方式有很多，对此不进行限定，例如，可以是按照预设的相似度算法，如余弦相似度算法、欧式距离算法和动态时间规整算法等来计算目标轮廓特征和参考轮廓特征之间的特征相似度。还可以是采用预先训练好的相似度分析模型来解析目标轮廓特征和参考轮廓特征之间的特征相似度等。
需要说明的是，本申请实施例的眼底图像的成像设备的确定方法可应用于多个领域，优选用于AI医疗领域。一般医院的档案在记录患者的眼底图像时，通常不会标注拍摄该眼底图像的成像设备的具体型号，而这个信息对于眼底病灶的自动诊断系统是非常关键的，在眼底病灶的自动诊断系统中，如果预先知道待分析的眼底图像是由何种型号成像设备拍摄，则可以针对性的对该眼底图像进行色调、对比度、白平衡等预处理操作，以及针对该成像设备的类型，对该眼底图像进行特定模式的去噪处理操作等，从而使得输入到自动诊断系统的待分析眼底图像与标准眼底图像分布更为接近，从而使得自动诊断系统的诊断结果精度更为可靠。
本申请实施例的方案，通过待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系，来确定待分析眼底图像的目标轮廓特征，进而基于目标轮廓特征与候选成像设备的参考轮廓特征，来确定待分析眼底图像关联的成像设备。本申请的方案在确定眼底图像的成像设备时，依靠的是眼底轮廓上的点与眼底轮廓中心点的关系，并不依靠眼底图像的颜色处理方式、图像质量参数以及成像传感器部件参数等，解决了现有技术难以区分眼底图像的成像设备的问题。对于眼底图像，也可以精准为其确定成像设备，为眼底图像的成像设备的确定提供了一种新思路。
可选的，在本申请实施例中，确定待分析眼底图像的目标轮廓特征时，还可以是：按照预设采样间隔，从眼底轮廓上选择预设数个的目标采样点；根据目标采样点与眼底轮廓中心点的关系，确定待分析眼底图像的目标轮廓特征。具体的，可以是在眼底轮廓上每隔预设角度Δθ，选取一个点作为目标采样点，从而实现在眼底轮廓上等间距选出预设个数(如1024)个目标采样点，然后仅根据抽样到的目标采样点与眼底轮廓中心点的关系，确定待分析眼底图像的目标轮廓特征，本申请实施例这样设置的好处是可以实现对目标轮廓特征进行特征维度的标准化处理，使得对于任何成像设备拍摄的任何分辨率的眼底图像，其对应的轮廓特征的维度都是相同的，即与目标采样点的个数相同。提高了该标准化处理后的目标轮廓特征与同样特征维度的参考轮廓特征的特征相似度计算结果的准确性，进而提高了后续确定待分析眼底图像的成像设备的准确性。
可选的，如图1B所示，受成像设备的硬件结构的影响，其采集的每张眼底图像上都存在一个凸起处，即使相同型号的成像设备采集的眼底图像上凸起处的形状相同，但是位置和大小也不一定完全相同，也就是说，即使待分析眼底图像是由型号1的成像设备采集的，但该待分析眼底图像的目标轮廓特征与型号1的成像设备对应的参考轮廓特征也并非完全一致。基于眼底图像的这一特性，采用常规的余弦相似度算法、欧式距离算法无法准确表征目标轮廓特征和参考轮廓特征之间的特征相似度，此时为了保证目标轮廓特征和参考轮廓特征相似度计算的准确性，本申请实施例优选基于动态时间规整算法，确定目标轮廓特征和候选成像设备的参考轮廓特征之间的特征相似度；并根据特征相似度，确定待分析眼底图像关联的成像设备。具体的，该动态时间规整算法的实现步骤可以是，针对每个候选成像设备的参考轮廓特征，计算目标轮廓特征与该参考轮廓特征之间的距离矩阵，寻找一条从矩阵左上角到右下角的路径，使得该路径上包含的元素数量最少。然后比较基于各参考轮廓特征确定的路径中包含的元素数量，路径中包含的元素数量越少，则说明该参考轮廓特征与目标轮廓特征的相似度越高，因此，本实施例可以是选择包含元素数量最少的路径对应的参考轮廓特征关联的成像设备作为该待分析眼底图像关联的成像设备。
图2是根据本申请实施例提供的另一种图像的成像设备确定方法的流程图，本实施例在上述实施例的基础上，进行了进一步的优化，给出了根据待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系，确定待分析眼底图像的目标轮廓特征的具体情况介绍。如图2所示，该方法包括：
S201，根据待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系，确定位于眼底轮廓上的点的角度特征和距离特征。
可选的，由于待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系包括位于眼底轮廓上的点与眼底轮廓中心点之间的距离关系，以及位于眼底轮廓上的点与眼底轮廓中心点的连线与基准方向之间的角度关系。所以本申请实施例可以针对位于眼底轮廓上的每一点，根据该点与眼底轮廓中心点之间的距离关系，确定该点的距离特征，例如，将该点与眼底轮廓中心点之间的距离作为该点的距离特征；基于该点与眼底轮廓中心点的连线与基准方向之间的角度关系，确定该点的角度特征，例如，将该点与眼底轮廓中心点的连线与基准方向之间的角度作为该点的角度特征。
S202，根据眼底轮廓的半径，对位于眼底轮廓上的点的距离特征进行标准化处理。
可选的，由于不同眼底图像对应的分辨率可能不同，且分辨率可以是用户根据需求设置的，对与成像设备本身没有必然的关系，所以为了避免不同分辨率尺寸对待分析眼底图像的目标轮廓特征的确定造成干扰，本实施例可以是在确定出眼底轮廓上的点的角度特征和距离特征后，先对确定出的角度特征和距离特征进行统一的标准化处理。另外，由于不同分辨率仅影响距离特征的确定，不影响角度特征的确定，所以本步骤可以只对位于眼底轮廓上的点的距离特征进行标准化处理。
具体的，本步骤在对位于眼底轮廓上的点的距离特征进行标准化处理时，可以是以眼底轮廓的半径为单位长度，来对位于眼底轮廓上的点的距离特征进行标准化处理，具体可以是针对位于眼底轮廓上的每一点，将S201确定的该点的距离特征值与眼底轮廓的半径进行比例运算，将距离特征值与眼底轮廓的半径的比值作为标准化处理后的距离特征。
S203，将位于眼底轮廓上的点的角度特征和处理后的距离特征作为待分析眼底图像的目标轮廓特征。
具体的，本申请实施例可以是对于眼底轮廓上的每个点，将S201确定的该点的角度特征与S202标准化处理后的距离特征作为待分析眼底图像一个维度的轮廓特征，将各维度的轮廓特征进行组合，即可得到待分析眼底图像的多维度的目标轮廓特征。
S204，根据目标轮廓特征和候选成像设备的参考轮廓特征，确定待分析眼底图像关联的成像设备。
可选的，本申请实施例还可以在执行S201之前，先按照预设采样间隔，从眼底轮廓上选择预设数个的目标采样点；然后基于选出的目标采样点，执行S201-S203的操作，即根据目标采样点与眼底轮廓中心点的关系，确定目标采样点的角度特征和距离特征；根据眼底轮廓的半径，对位于目标采样点的距离特征进行标准化处理；将目标采样点的角度特征和处理后的距离特征作为待分析眼底图像的目标轮廓特征。
本申请实施例的技术方案，通过待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系，确定出眼底轮廓上各点的角度特征和距离特征，并基于眼底轮廓的半径对距离特征进行标注化处理，将眼底轮廓上各点的角度特征和处理后的距离特征作为待分析眼底图像的目标轮廓特征，进而基于目标轮廓特征与候选成像设备的参考轮廓特征，来确定待分析眼底图像关联的成像设备。本申请实施例的方案，在确定目标轮廓特征时，对轮廓上各点的距离特征进行了标准化处理，使得不同分辨率的眼底图像的轮廓特征(如不同分辨率眼底图像对应的目标轮廓特征和参考轮廓特征)也能够以相同的标准进行相似度比较，进一步提高了特征相似度计算的准确性，为精准确定待分析眼底图像的成像设备提供了保障。
图3A是根据本申请实施例提供的另一种图像的成像设备确定方法的流程图；图3B-3C是根据本申请实施例提供的眼底图像的眼底轮廓示意图。本实施例在上述实施例的基础上，进行了进一步的优化，给出了如何构建待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系的具体情况介绍。如图3A-3C所示，该方法包括：
S301，从待分析眼底图像中提取眼底轮廓。
可选的，本申请实施例从待分析眼底图像中提取眼底轮廓的方式有很多，例如，可以是通过边缘检测算法(如canny算法)，从待分析眼底图中提取眼底轮廓，还可以通过预先训练好的轮廓提取模型对待分析眼底图像进行眼底轮廓提取。对此本实施例不进行限定。
可选的，由于边缘检测算法通常是对灰度图像进行边缘检测的，所以当待分析眼底图像为彩色图像时，本步骤可以是先将待分析彩色眼底图像转换为灰度眼底图像，然后再采用边缘检测算法来从转换后的灰度眼底图像中提取眼底轮廓。具体的，将待分析彩色眼底图像转换为灰度眼底图像时，可以是选择彩色眼底图像中红绿蓝三个通道中的任一通道的眼底图像作为转换后的灰度眼底图像，也可以是通过对红绿蓝三个通道的像素值进行分析来生成灰度图。本实施例优选使用绿色通道的眼底图像作为转换后的灰度眼底图像。具体的，本申请实施例优选采用canny算法来从转换后的灰度眼底图像中提取眼底轮廓，由于常规的canny算法在进行边缘检测时，会得到一些非轮廓的噪声边缘，例如，血管和视盘轮廓，影响眼底轮廓提取结果的准确性，为了解决该问题，本实施例可以预先设置canny算法的第一阈值和第二阈值，例如，将第一阈值设置为90-120，将第二阈值设置为190-200，从而消除大部分的非轮廓噪声边缘。
示例性的，本步骤对图1B所示的眼底图像进行眼底轮廓提取，即可得到图3B所示的眼底轮廓示意图，其中，图3B中的白色闭合曲线构成的轮廓即为提取到的眼底轮廓。
可选的，为了准确保留待分析眼底图像的眼底轮廓信息，本步骤在提取眼底轮廓时，尽可能的将成像设备采集的原始眼底图像作为待分析眼底图像，以便本步骤在原始图像中提取眼底轮廓，提高眼底轮廓提取的精准性。
S302，确定眼底轮廓的中心点位置信息。
可选的，眼底轮廓的中心点位置信息为眼底轮廓的眼底轮廓中心点的位置信息，其确定方式有很多，可以包括但不限于以下几种方式：
方式一、通过图像处理算法来确定眼底轮廓的中心点位置信息。具体的，由图3B所示的眼底轮廓可知，眼底轮廓可近似为一个圆形，所以本步骤可以是采用圆心定位算法，来确定眼底轮廓的中心点位置信息。例如，可以是采用中值法来确定圆心，具体为将眼底轮廓上各点的位置坐标进行均值处理，得到眼底轮廓的中心点位置坐标，即中心点位置信息。
方式二、通过预先训练好的中心点定位模型，来确定眼底轮廓的中心点位置信息，具体的，可以将S301提取的包含眼底轮廓的图像(即图3B)输入到预先训练好的中心点定位模型中，该中心点定位模型即可基于输入的轮廓信息，解析并输出该眼底轮廓的中心点位置信息。
方式三、从眼底轮廓上选择至少三个参考点；根据至少三个参考点的位置信息，确定眼底轮廓的中心点位置信息。具体的，该方式从眼底轮廓上选择至少三个参考点时，可以在眼底轮廓上随机选择至少三个点作为参考点。但是考虑到眼底图可视范围可能没有完整的圆形，或者碰巧取到轮廓中凸起处的点等原因，随机取轮廓中的点很可能无法确定可视范围的基础圆形轮廓。所以本方案还可以是通过对大量不同眼底相机拍摄的眼底图进行分析，确定至少三个参考点的具体选取位置，例如，如图3C所示，选择横坐标分别为H/3和2H/3的四个点(即点B、C、D和E)作为参考点，其中，H表征眼底图像的高度值。该方式在根据至少三个参考点的位置信息，确定眼底轮廓的中心点位置信息时可以是将选择的至少三个点的位置坐标带入圆方程表达式(x-xo)2+(y-yo)2＝R2。求解圆心(xo，yo)，作为眼底轮廓的中心点位置信息。若选择的参考点的数量大于三，则可以每三个点组合求出一组圆心，计算多组圆心的均值作为最终的圆心，即眼底轮廓的中心点位置信息。本申请实施例优选采用方式三来确定眼底轮廓的中心点位置信息，这样设置的好处是极大的避免了眼底图可视范围没有完整的圆形，或者受轮廓中凸起位置的影响，导致眼底轮廓的中心点位置信息确定不准确的问题。
可选的，本步骤在确定眼底轮廓的中心点位置信息的同时，还可以进一步确定该眼底轮廓的半径。具体的，可以按照上述求解眼底轮廓的中心点位置信息类似的方法，如，通过图像处理算法、预先训练好的神经网络模型，或选择至少三个参考点带入到圆方程表达式等方式来求解。可选的，还可以是在计算出眼底轮廓的中心点位置信息后，计算选择的各参考点到中心点位置的距离，并求均值得到前景轮廓的半径。
S303，根据中心点位置信息，构建待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系。
可选的，本步骤根据上述确定的眼底轮廓的中心点位置信息，构建位于眼底轮廓上的各点与眼底轮廓中心点的关系的方式可以是：针对眼底轮廓上的每一个点，若该点在眼底轮廓上对应的位置坐标为(xi，yi)，眼底轮廓的中心点位置信息为(ox，oy)，可以将该点与眼底轮廓中心点之间的距离作为该点的距离特征ri，将该点与眼底轮廓中心点的连线与基准方向之间的角度θi作为该点的角度特征。可选的，该角度θi还可以基于该点和中心点的位置坐标确定按照公式θi＝/>确定。
S304，根据待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系，确定待分析眼底图像的目标轮廓特征。
S305，根据目标轮廓特征和候选成像设备的参考轮廓特征，确定待分析眼底图像关联的成像设备。
本申请实施例的方案，对于待分析眼底图像，先从中提取眼底轮廓，然后确定眼底轮廓的中心点位置信息，构建该待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点之间的关系，进而基于该关系，确定待分析眼底图像的目标轮廓特征，并基于目标轮廓特征与候选成像设备的参考轮廓特征，来确定待分析眼底图像关联的成像设备。本申请实施例的方案从构建位于眼底轮廓上的点与眼底轮廓中心点之间的关系，到后续确定待分析眼底图像的成像设备的全过程都不受眼底图像的整体亮度、对比度、对焦、是否压缩等影响图像质量的因素的影响，更适用于确定眼底图像对应的成像设备的类型，为眼底图像的成像设备的确定提供了一种新思路。
图4是根据本申请实施例提供的一种图像的成像设备确定装置的结构示意图。本实施例适用于为眼底图像确定其对应的成像设备的情况。该装置可实现本申请任意实施例所述的图像的成像设备确定方法。该装置400具体包括如下：
轮廓特征确定模块401，用于根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征；
成像设备确定模块402，用于根据所述目标轮廓特征和候选成像设备的参考轮廓特征，确定所述待分析眼底图像关联的成像设备。
本申请实施例的技术方案，通过待分析眼底图像中位于眼底轮廓上的点与眼底轮廓中心点的关系，来确定待分析眼底图像的目标轮廓特征，进而基于目标轮廓特征与候选成像设备的参考轮廓特征，来确定待分析眼底图像关联的成像设备。本申请的方案在确定眼底图像的成像设备时，依靠的是眼底轮廓上的点与眼底轮廓中心点的关系，并不依靠眼底图像的颜色处理方式、图像质量参数以及成像传感器部件参数等，解决了现有技术难以区分眼底图像的成像设备的问题。对于眼底图像，也可以精准为其确定成像设备，为眼底图像的成像设备的确定提供了一种新思路。
进一步的，所述待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系包括：所述位于眼底轮廓上的点与所述眼底轮廓中心点之间的距离关系，以及所述位于眼底轮廓上的点与所述眼底轮廓中心点的连线与基准方向之间的角度关系。
进一步的，所述轮廓特征确定模块401具体用于：
根据所述位于眼底轮廓上的点与所述眼底轮廓中心点之间的距离关系，确定所述待分析眼底图像的目标轮廓特征中的距离特征；
根据所述位于眼底轮廓上的点与所述眼底轮廓中心点的连线与基准方向之间的角度关系，确定所述待分析眼底图像的目标轮廓特征中的角度特征。
进一步的，所述轮廓特征确定模块401具体用于：
根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述位于眼底轮廓上的点的角度特征和距离特征；
根据所述眼底轮廓的半径，对所述位于眼底轮廓上的点的距离特征进行标准化处理；
将所述位于眼底轮廓上的点的角度特征和处理后的距离特征作为所述待分析眼底图像的目标轮廓特征。
进一步的，所述装置还包括：
采样模块，用于按照预设采样间隔，从所述眼底轮廓上选择预设数个的目标采样点；
相应的，所述轮廓特征确定模块401还用于：
根据所述目标采样点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征。
进一步的，所述成像设备确定模块402具体用于：
基于动态时间规整算法，确定所述目标轮廓特征和候选成像设备的参考轮廓特征之间的特征相似度；
根据所述特征相似度，确定所述待分析眼底图像关联的成像设备。
进一步的，所述装置还包括：
轮廓提取模块，用于从所述待分析眼底图像中提取眼底轮廓；
中心点确定模块，用于确定所述眼底轮廓的中心点位置信息；
关系构建模块，用于根据所述中心点位置信息，构建所述待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系。
进一步的，所述中心点确定模块具体用于：
从所述眼底轮廓上选择至少三个参考点；
根据所述至少三个参考点的位置信息，确定所述眼底轮廓的中心点位置信息。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如图像的成像设备确定方法。例如，在一些实施例中，图像的成像设备确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的图像的成像设备确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像的成像设备确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种图像的成像设备确定方法，包括：
根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征；
根据所述目标轮廓特征和候选成像设备的参考轮廓特征，确定所述待分析眼底图像关联的成像设备；
其中，所述待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系包括：所述位于眼底轮廓上的点与所述眼底轮廓中心点之间的距离关系，以及所述位于眼底轮廓上的点与所述眼底轮廓中心点的连线与基准方向之间的角度关系；
根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征，包括：
根据所述位于眼底轮廓上的点与所述眼底轮廓中心点之间的距离关系，确定所述待分析眼底图像的目标轮廓特征中的距离特征；
根据所述位于眼底轮廓上的点与所述眼底轮廓中心点的连线与基准方向之间的角度关系，确定所述待分析眼底图像的目标轮廓特征中的角度特征；
所述根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征，包括：
根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述位于眼底轮廓上的点的角度特征和距离特征；
根据所述眼底轮廓的半径，对所述位于眼底轮廓上的点的距离特征进行标准化处理；
将所述位于眼底轮廓上的点的角度特征和处理后的距离特征作为所述待分析眼底图像的目标轮廓特征；
根据所述目标轮廓特征和候选成像设备的参考轮廓特征，确定所述待分析眼底图像关联的成像设备，包括：
基于动态时间规整算法，确定所述目标轮廓特征和候选成像设备的参考轮廓特征之间的特征相似度；
根据所述特征相似度，确定所述待分析眼底图像关联的成像设备。
2.根据权利要求1所述的方法，还包括：
按照预设采样间隔，从所述眼底轮廓上选择预设数个的目标采样点；
相应的，根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征，包括：
根据所述目标采样点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征。
3.根据权利要求1所述的方法，还包括:
从所述待分析眼底图像中提取眼底轮廓；
确定所述眼底轮廓的中心点位置信息；
根据所述中心点位置信息，构建所述待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系。
4.根据权利要求3所述的方法，其中，确定所述眼底轮廓的中心点位置信息，包括：
从所述眼底轮廓上选择至少三个参考点；
根据所述至少三个参考点的位置信息，确定所述眼底轮廓的中心点位置信息。
5.一种图像的成像设备确定装置，包括：
轮廓特征确定模块，用于根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征；
成像设备确定模块，用于根据所述目标轮廓特征和候选成像设备的参考轮廓特征，确定所述待分析眼底图像关联的成像设备；
其中，所述待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系包括：所述位于眼底轮廓上的点与所述眼底轮廓中心点之间的距离关系，以及所述位于眼底轮廓上的点与所述眼底轮廓中心点的连线与基准方向之间的角度关系;
所述轮廓特征确定模块具体用于：
根据所述位于眼底轮廓上的点与所述眼底轮廓中心点之间的距离关系，确定所述待分析眼底图像的目标轮廓特征中的距离特征；
根据所述位于眼底轮廓上的点与所述眼底轮廓中心点的连线与基准方向之间的角度关系，确定所述待分析眼底图像的目标轮廓特征中的角度特征;
所述轮廓特征确定模块具体用于：
根据待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系，确定所述位于眼底轮廓上的点的角度特征和距离特征；
根据所述眼底轮廓的半径，对所述位于眼底轮廓上的点的距离特征进行标准化处理；
将所述位于眼底轮廓上的点的角度特征和处理后的距离特征作为所述待分析眼底图像的目标轮廓特征；
所述成像设备确定模块具体用于：
基于动态时间规整算法，确定所述目标轮廓特征和候选成像设备的参考轮廓特征之间的特征相似度；
根据所述特征相似度，确定所述待分析眼底图像关联的成像设备。
6.根据权利要求5所述的装置，还包括：
采样模块，用于按照预设采样间隔，从所述眼底轮廓上选择预设数个的目标采样点；
相应的，所述轮廓特征确定模块还用于：
根据所述目标采样点与所述眼底轮廓中心点的关系，确定所述待分析眼底图像的目标轮廓特征。
7.根据权利要求5所述的装置，还包括：
轮廓提取模块，用于从所述待分析眼底图像中提取眼底轮廓；
中心点确定模块，用于确定所述眼底轮廓的中心点位置信息；
关系构建模块，用于根据所述中心点位置信息，构建所述待分析眼底图像中位于眼底轮廓上的点与所述眼底轮廓中心点的关系。
8.根据权利要求7所述的装置，其中，所述中心点确定模块具体用于：
从所述眼底轮廓上选择至少三个参考点；
根据所述至少三个参考点的位置信息，确定所述眼底轮廓的中心点位置信息。
9. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的图像的成像设备确定方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的图像的成像设备确定方法。
CN202110172563.9A 2021-02-08 2021-02-08 图像的成像设备确定方法、装置、设备及存储介质 Active CN113012180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110172563.9A CN113012180B (zh) 2021-02-08 2021-02-08 图像的成像设备确定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110172563.9A CN113012180B (zh) 2021-02-08 2021-02-08 图像的成像设备确定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113012180A CN113012180A (zh) 2021-06-22
CN113012180B true CN113012180B (zh) 2023-08-11

Family

ID=76384356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110172563.9A Active CN113012180B (zh) 2021-02-08 2021-02-08 图像的成像设备确定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113012180B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0412667A1 (en) * 1989-07-26 1991-02-13 Kowa Company Ltd. Fundus examination device
WO2008035425A1 (fr) * 2006-09-21 2008-03-27 Tak Co., Ltd. analyse d'image de fond de l'oeil et programme
EP2957219A1 (en) * 2014-06-18 2015-12-23 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and program
CN107564048A (zh) * 2017-09-25 2018-01-09 南通大学 基于分叉点特征配准方法
WO2019013779A1 (en) * 2017-07-12 2019-01-17 Mohammed Alauddin Bhuiyan AUTOMATED DETECTION AND QUANTIFICATION OF BLOOD VESSEL CHARACTERISTICS FOR RETINAL IMAGE CLASSIFICATION AND DISEASE SCREENING
CN109658393A (zh) * 2018-12-06 2019-04-19 代黎明 眼底图像拼接方法及系统
CN112102174A (zh) * 2020-09-25 2020-12-18 北京百度网讯科技有限公司 眼底图像处理方法、装置、设备以及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0412667A1 (en) * 1989-07-26 1991-02-13 Kowa Company Ltd. Fundus examination device
WO2008035425A1 (fr) * 2006-09-21 2008-03-27 Tak Co., Ltd. analyse d'image de fond de l'oeil et programme
EP2957219A1 (en) * 2014-06-18 2015-12-23 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and program
WO2019013779A1 (en) * 2017-07-12 2019-01-17 Mohammed Alauddin Bhuiyan AUTOMATED DETECTION AND QUANTIFICATION OF BLOOD VESSEL CHARACTERISTICS FOR RETINAL IMAGE CLASSIFICATION AND DISEASE SCREENING
CN107564048A (zh) * 2017-09-25 2018-01-09 南通大学 基于分叉点特征配准方法
CN109658393A (zh) * 2018-12-06 2019-04-19 代黎明 眼底图像拼接方法及系统
CN112102174A (zh) * 2020-09-25 2020-12-18 北京百度网讯科技有限公司 眼底图像处理方法、装置、设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜发纲,傅哲强,张平.用于眼检的光学相干层析成像技术研究.光学与光电技术.2004,(第02期),全文. *

Also Published As

Publication number Publication date
CN113012180A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
US8824747B2 (en) Skin-tone filtering
EP1499110A2 (en) Detecting and correcting red-eye in a digital-image
WO2019174276A1 (zh) 用于定位目标物体区域中心的图像处理方法、装置、设备和介质
CN113343826B (zh) 人脸活体检测模型的训练方法、人脸活体检测方法及装置
AU2016225841B2 (en) Predicting accuracy of object recognition in a stitched image
CN112949767B (zh) 样本图像增量、图像检测模型训练及图像检测方法
US11720745B2 (en) Detecting occlusion of digital ink
CN111368717A (zh) 视线确定方法、装置、电子设备和计算机可读存储介质
CN108601509B (zh) 图像处理装置、图像处理方法以及记录有程序的介质
US20220027661A1 (en) Method and apparatus of processing image, electronic device, and storage medium
CN117392733B (zh) 一种痤疮分级检测方法、装置、电子设备及存储介质
CN113569708A (zh) 活体识别方法、装置、电子设备以及存储介质
CN113822897A (zh) 血管分割方法、终端及计算机可读存储介质
CN115423870A (zh) 一种瞳孔中心定位方法和装置
CN113569707A (zh) 活体检测方法、装置、电子设备以及存储介质
CN113012180B (zh) 图像的成像设备确定方法、装置、设备及存储介质
CN112288697A (zh) 用于量化异常程度的方法、装置、电子设备及可读存储介质
CN116402820A (zh) 一种检测方法、装置、设备及存储介质
CN114445898B (zh) 人脸活体检测方法、装置、设备、存储介质及程序产品
CN116052288A (zh) 活体检测模型训练方法、活体检测方法、装置和电子设备
CN115205939B (zh) 人脸活体检测模型训练方法、装置、电子设备及存储介质
Chen A PCB Image Self-adaption Threshold Segmentation Method Fusing Color Information and OTSU Theory
CN115578797B (zh) 模型训练方法、图像识别方法、装置及电子设备
CN116128863B (zh) 一种医学图像处理方法、装置及设备
CN113705620B (zh) 图像显示模型的训练方法、装置、电子设备和存储介质

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