CN113450341A - 图像处理方法及装置、计算机可读存储介质及电子设备 - Google Patents
图像处理方法及装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN113450341A CN113450341A CN202110808996.9A CN202110808996A CN113450341A CN 113450341 A CN113450341 A CN 113450341A CN 202110808996 A CN202110808996 A CN 202110808996A CN 113450341 A CN113450341 A CN 113450341A
- Authority
- CN
- China
- Prior art keywords
- optic disc
- image
- cup
- optic
- disc
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 67
- 230000011218 segmentation Effects 0.000 claims abstract description 124
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000003708 edge detection Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 210000004204 blood vessel Anatomy 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000000034 method Methods 0.000 description 19
- 238000007781 pre-processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000010412 Glaucoma Diseases 0.000 description 2
- 241001347978 Major minor Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000001328 optic nerve Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101100537937 Caenorhabditis elegans arc-1 gene Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06T7/0002—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
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (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)
Abstract
本申请提供了一种图像处理方法及装置、计算机可读存储介质及电子设备,涉及图像处理技术领域。该图像处理方法包括:基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息,基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息,继而基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息。本申请实施例提供的图像处理方法可以实现眼底图像视盘和视杯的识别和提取,且分割精度达到亚像素级或以上。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像处理方法及装置、计算机可读存储介质及电子设备。
背景技术
青光眼是全球三大致盲眼病之一,其不可逆性导致它的早期诊断和治疗对于提高患者的生活质量有至关重要的作用。在对青光眼进行自动筛查时,杯盘比是常用评估指标之一,采用分割方法对眼底图像中的视杯和视盘进行分割,然后计算杯盘比。但现有的视杯和视盘分割方法容易受到眼底图像的图像质量的影响,例如光照、遮挡等,导致分割精度降低,进而导致计算出的杯盘比的准确度较低。另外,现有的视盘视杯分割多是像素级精度,边界的定位尚不够精确,从而导致杯盘比计算不够精确,从而影响疾病的辅助诊断。
因此,为提高杯盘比计算的准确度,如何提高视杯和视盘的分割精度,减少疾病筛查过程中的多筛、漏筛情况成为亟待解决的问题。
发明内容
为了解决上述技术问题,提出了本申请。本申请实施例提供了一种图像处理方法及装置、计算机可读存储介质及电子设备。
第一方面,本申请一实施例提供了一种图像处理方法,包括:基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息;基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息。
结合第一方面,在第一方面的某些实现方式中,基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息,包括:基于预设边缘检测算法和视盘位置信息确定视盘位置信息对应的线特征信息,其中,线特征信息包括视盘边界信息和血管特征信息;基于线特征信息确定视盘分割图像和视盘边界信息。
结合第一方面,在第一方面的某些实现方式中,在基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息之后,还包括:基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息。
结合第一方面,在第一方面的某些实现方式中,基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息,包括:基于视盘位置信息将待处理眼底图像输入分割网络模型,得到待处理眼底图像对应的视杯分割图像和视杯边界信息,其中,分割网络模型用于基于视盘位置信息分割待处理眼底图像中的视杯,得到视杯分割图像和视杯边界信息。
结合第一方面,在第一方面的某些实现方式中,在基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息之前,还包括:对待处理眼底图像进行预处理操作,其中,预处理操作包括提取感兴趣区域、去噪处理、归一化处理和增强处理中的至少一种。
第二方面,本申请另一实施例提供了一种图像处理方法,包括:获取待处理眼底图像对应的视盘分割图像和视盘边界信息,其中,视盘分割图像和视盘边界信息基于上述任一实施例所述的图像处理方法所确定;基于视盘分割图像和/或视盘边界信息确定待处理眼底图像对应的视盘特征信息。
结合第二方面,在第二方面的某些实现方式中,视盘特征信息包括视盘长轴信息、视盘短轴信息、视盘长短轴比信息、视盘水平直径信息、视盘垂直直径信息、视盘面积信息、视盘圆度信息、视盘椭圆度信息和视盘倾斜度信息中的至少一种。
结合第二方面,在第二方面的某些实现方式中,该图像处理方法还包括:获取待处理眼底图像对应的视杯分割图像和视杯边界信息;基于视杯分割图像和/或视杯边界信息确定待处理眼底图像对应的视杯特征信息,以及基于视盘边界信息和视杯边界信息确定待处理眼底图像对应的视杯视盘关联信息。
结合第二方面,在第二方面的某些实现方式中,视杯特征信息包括视杯长轴信息、视杯短轴信息、视杯水平直径信息、视杯垂直直径信息、视杯面积信息、视杯圆度信息、视杯椭圆度信息中的至少一种;和/或,视杯视盘关联信息包括杯盘水平直径比信息、杯盘垂直直径比信息、杯盘面积比信息和上下鼻颞盘沿距离信息中的至少一种。
第三方面,本申请一实施例提供了一种图像处理装置,包括:视盘位置信息确定模块,用于基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息;视盘分割图像和视盘边界信息确定模块,用于基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息。
第四方面,本申请另一实施例提供了一种图像处理装置,包括:视盘分割图像和视盘边界信息获取模块,用于获取待处理眼底图像对应的视盘分割图像和视盘边界信息,其中,视盘分割图像和视盘边界信息基于上述任一实施例所述的图像处理方法所确定;视盘特征信息确定模块,用于基于视盘分割图像和/或视盘边界信息确定待处理眼底图像对应的视盘特征信息。
第五方面,本申请一实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序用于执行上述任一实施例所述的图像处理方法。
第六方面,本申请一实施例提供了一种电子设备,该电子设备包括:处理器;用于存储处理器可执行指令的存储器;该处理器用于执行上述任一实施例所述的图像处理方法。
本申请实施例提供的图像处理方法,通过基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息,并基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息,继而基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息的方式,实现了高精度提取眼底图像的视盘和视杯的目的,并且本申请实施例提供的图像处理方法可以实现眼底图像视盘和视杯的分割达到亚像素级或以上的精度。本申请实施例提供的图像处理方法可在小样本情况下对视盘和视杯进行高精度提取,并使得视盘和视杯的提取精度达到亚像素级甚至以上的精度。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1所示为本申请实施例所适用的一场景示意图。
图2所示为本申请实施例所适用的另一场景示意图。
图3所示为本申请一示例性实施例提供的图像处理方法的流程示意图。
图4所示为本申请一示例性实施例提供的基于预设目标检测算法确定的视盘位置信息的眼底图像。
图5所示为本申请一示例性实施例提供的基于视盘位置信息和预设边缘检测算法确定的视盘边界信息的眼底图像。
图6所示为本申请一示例性实施例提供的基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息的流程示意图。
图7所示为本申请另一示例性实施例提供的图像处理方法的流程示意图。
图8所示为本申请一示例性实施例提供的基于分割网络模型得到的视杯边界信息的眼底图像。
图9所示为本申请另一示例性实施例提供的图像处理方法的流程示意图。
图10所示为本申请一示例性实施例提供的图像处理方法的流程示意图。
图11所示为本申请另一示例性实施例提供的图像处理方法的流程示意图。
图12所示为本申请一示例性实施例提供的确定盘沿距离的眼底图像示意图。
图13所示为本申请一示例性实施例提供的图像处理装置的结构示意图。
图14所示为本申请一示例性实施例提供的图像处理装置的结构示意图。
图15所示为本申请一示例性实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1所示为本申请实施例所适用的一场景示意图。如图1所示,本申请实施例所适用的场景中包括服务器1和图像采集设备2,其中,服务器1和图像采集设备2之间存在通信连接关系。
具体而言,图像采集设备2用于采集包括待提取视盘和视杯的眼底图像,服务器1用于基于图像采集设备2采集的待提取视盘和视杯的眼底图像确定待处理眼底图像对应的视盘位置信息,继而基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息。即,该场景实现了一种图像处理方法。
由于图1所示的上述场景利用服务器1实现了图像处理方法,因此,该场景不但能够提高场景的适应能力,而且能够有效降低图像采集设备2的计算量。
需要说明的是,本申请还适用于另一场景。图2所示为本申请实施例所适用的另一场景示意图。具体地,该场景中包括图像处理设备3,其中,图像处理设备3包括图像采集模块301和计算模块302,并且,图像采集模块301和计算模块302之间存在通信连接关系。
具体而言,图像处理设备3中的图像采集模块301用于采集包括待提取视盘和视杯的眼底图像,图像处理设备3中的计算模块302用于基于图像采集模块301采集的待提取视盘和视杯的眼底图像确定待处理眼底图像对应的视盘位置信息,继而基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息。即,该场景实现了一种图像处理方法。
由于图2所示的上述场景利用图像处理设备3实现了图像处理方法,无需与服务器等相关装置进行数据传输操作,因此,图2所示的上述场景能够保证图像处理方法的实时性。
图3所示为本申请一示例性实施例提供的图像处理方法的流程示意图。具体地,本申请实施例提供的图像处理方法应用于包括待提取视盘和视杯的眼底图像。
如图3所示,本申请实施例提供的图像处理方法包括如下步骤。
步骤20,基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息。
在本申请一实施例中,步骤20中提及的目标检测算法为能够确定眼底图像中视盘位置信息的方法,应当理解,该视盘位置信息应至少包括视盘边界。
图4所示为本申请一示例性实施例提供的基于预设目标检测算法确定的视盘位置信息的眼底图像。如图4所示,眼底图像中矩形选中的区域即为基于预设目标检测算法确定的视盘位置信息。
步骤30,基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息。
在本申请一实施例中,步骤30中提及的边缘检测算法能够在该视盘位置信息所包含的区域内,确定出该区域内满足预设条件的边界信息,其中,该边界信息包括视盘边界信息。
在本申请一实施例中,边缘检测算法可以包括如下中的任意一种或者任意多种的组合:sobel算子、canny算子、mshen算子、Prewitt算子、Roberts算子。
图5所示为本申请一示例性实施例提供的基于视盘位置信息和预设边缘检测算法确定的视盘边界信息的眼底图像。在本申请图4所示实施例的基础上延伸出本申请图5所示实施例,下面着重叙述图5所示实施例与图4所示实施例的不同之处,相同之处不再赘述。
如图5所示,在眼底图像确定的视盘位置信息区域内,封闭弧线1即为基于视盘位置信息和预设边缘检测算法确定的视盘边界信息。另外,基于该封闭弧线1确定其外接矩形或外接椭圆,以方便计算得到视盘长轴信息和视盘短轴信息等。
在实际应用过程中,首先基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息,然后基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息。
本申请实施例提供的图像处理方法,通过基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息,然后基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息的方式,实现了提取待处理眼底图像的视盘的目的。由于边缘检测算法能够在亚像素级别或以上的精度确定出视盘边界信息,因此本申请实施例提供的图像处理方法可以实现眼底图像视盘的分割精度达到亚像素级或以上。此外,本申请实施例有效解决了临床应用场景中所面临的视盘和视杯分割精度低,导致确定出的杯盘比准确度低的问题,有利于提高视盘和视杯的分割精度,减少疾病筛查过程中的多筛、漏筛的情况。
图6所示为本申请一示例性实施例提供的基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息的流程示意图。在本申请图3所示实施例的基础上延伸出本申请图6所示实施例,下面着重叙述图6所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图6所示,在本申请实施例提供的图像处理方法中,基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息步骤包括如下步骤。
步骤31,基于预设边缘检测算法和视盘位置信息确定视盘位置信息对应的线特征信息,其中,线特征信息包括视盘边界信息和血管特征信息。
在本申请一实施例中,边缘检测算法确定出视盘位置信息所包含区域内的边界信息(即线特征信息),该线特征信息包括视盘边界信息和血管特征信息(如血管边界信息)。
步骤32,基于线特征信息确定视盘分割图像和视盘边界信息。
在本申请一实施例中,对该线特征信息进行删减操作,将血管特征信息删除,以确定视盘分割图像和视盘边界信息。
在实际应用过程中,首先基于预设边缘检测算法和视盘位置信息确定视盘位置信息对应的线特征信息,其中,线特征信息包括视盘边界信息和血管特征信息,然后基于线特征信息确定视盘分割图像和视盘边界信息。
本申请实施例提供的图像处理方法,通过基于预设边缘检测算法和视盘位置信息确定视盘位置信息对应的线特征信息,其中,线特征信息包括视盘边界信息和血管特征信息,然后基于线特征信息确定视盘分割图像和视盘边界信息的方式,实现了基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息的目的。
图7所示为本申请另一示例性实施例提供的图像处理方法的流程示意图。在本申请图3所示实施例的基础上延伸出本申请图7所示实施例,下面着重叙述图7所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图7所示,在本申请实施例提供的图像处理方法中,在基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息步骤之后,还包括如下步骤。
步骤40,基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息。
在本申请一实施例中,基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息(步骤40)包括如下步骤。
步骤41,基于视盘位置信息将待处理眼底图像输入分割网络模型,得到待处理眼底图像对应的视杯分割图像和视杯边界信息,其中,分割网络模型用于基于视盘位置信息分割待处理眼底图像中的视杯,得到视杯分割图像和视杯边界信息。
示例性地,在视盘位置信息所包含的区域内,通过分割网络模型确定出该区域内的视杯边界信息。
图8所示为本申请一示例性实施例提供的基于分割网络模型得到的视杯边界信息的眼底图像。在本申请图5所示实施例的基础上延伸出本申请图8所示实施例,下面着重叙述图8所示实施例与图5所示实施例的不同之处,相同之处不再赘述。
如图8所示,在眼底图像确定的视盘边界信息选中的区域内,封闭弧线2即为基于视盘位置信息将待处理眼底图像输入分割网络模型确定的视杯边界信息。
在本申请一实施例中,步骤40可在步骤20之后执行,也可在步骤30之后执行,本申请对此不进行进一步限定。
在实际应用过程中,首先基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息,然后基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息;或者首先基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息,然后基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息,继而基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息或者基于视盘分割图像和视盘边界信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息。
本申请实施例提供的图像处理方法,通过基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息,然后基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息的方式,实现了提取待处理眼底图像的视杯的目的。
图9所示为本申请另一示例性实施例提供的图像处理方法的流程示意图。在本申请图3所示实施例的基础上延伸出本申请图9所示实施例,下面着重叙述图9所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图9所示,在本申请实施例提供的图像处理方法中,在基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息步骤之前,还包括如下步骤。
步骤10,对待处理眼底图像进行预处理操作,其中,预处理操作包括提取感兴趣区域、去噪处理、归一化处理和增强处理中的至少一种。
在采集待处理眼底图像时,由于拍摄设备和拍摄者的拍摄技术的不同,可能会造成待处理眼底图像的质量发生相当大幅度的变化,使得后期对待处理眼底图像的处理和识别变得困难,因此,在提取待处理眼底图像的视盘和视杯之前,可以对待处理眼底图像进行预处理操作,使其感兴趣特征能够在后续处理中更易于被提取和识别。
在本申请一实施例中,对待处理眼底图像进行预处理操作包括:去噪处理。数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响,这些噪声可能在传输中产生,也可能在量化等处理中产生,噪声是图像干扰的重要原因。因此,在待处理眼底图像中提取视盘和视杯之前,需要将待处理眼底图像中的噪声去除,避免噪声对后续提取精度造成干扰,提高提取视盘和视杯的精度。
示例性地,通过对待处理眼底图像进行滤波操作和/或卷积神经网络的方式进行去噪处理,以降低待处理眼底图像在传输过程中受到成像设备和外部环境噪声干扰的影响。
在本申请一实施例中,归一化处理主要是实现待处理眼底图像差异化曝光、颜色和亮度的统一,使不同图像的灰度值范围统一,从而提高对海量图片的泛化能力,使得技术产品化成为可能。
在本申请一实施例中,对待处理眼底图像进行预处理操作包括:增强处理。示例性地,根据待处理眼底图像的清晰度确定增强倍数,考虑到图像清晰度的不同,合理确定图像增强的强度和参数。如果倍数越大,增强的效果越好,那么在清晰度高时,倍数总体上应当小,反之应当大。根据清晰度确定增强倍数,其作用是使图像增强具有自适应的效果,对清晰的图像采用小的增强倍数,对模糊的图像采用大的增强倍数。这样一来,增强处理提高了待处理眼底图像质量的统一性,使得后续对待处理眼底图像进行提取和识别的结果具有一致性。
在实际应用过程中,首先对待处理眼底图像进行预处理操作,其中,预处理操作包括提取感兴趣区域、去噪处理、归一化处理和增强处理中的至少一种,然后基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息,并基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息,继而基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息。
本申请实施例提供的图像处理方法,通过对待处理眼底图像进行预处理操作,其中,预处理操作包括提取感兴趣区域、去噪处理、归一化处理和增强处理中的至少一种,然后基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息,并基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息,继而基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息的方式,进一步提高了待处理眼底图像的视盘和视杯的提取精度。
图10所示为本申请一示例性实施例提供的图像处理方法的流程示意图。具体地,本申请实施例提供的图像处理方法应用于包括待确定视盘特征信息和视杯特征信息的眼底图像。
如图10所示,本申请实施例提供的图像处理方法包括如下步骤。
步骤50,获取待处理眼底图像对应的视盘分割图像和视盘边界信息,其中,视盘分割图像和视盘边界信息基于上述任一实施例所述的图像处理方法所确定。
步骤60,基于视盘分割图像和/或视盘边界信息确定待处理眼底图像对应的视盘特征信息。
在本申请一实施例中,视盘特征信息包括视盘长轴信息、视盘短轴信息、视盘长短轴比信息、视盘水平直径信息、视盘垂直直径信息、视盘面积信息、视盘圆度信息、视盘椭圆度信息和视盘倾斜度信息中的至少一种。
示例性地,视盘长轴信息和视盘短轴信息为将视盘拟合为椭圆或其外接矩形得到的长轴和短轴;视盘长短轴比信息为视盘长轴信息与视盘短轴信息的比值;视盘水平直径信息为将视盘拟合为圆得到的水平方向的直径;视盘垂直直径信息为将视盘拟合为圆得到的垂直于水平方向的直径;视盘面积信息为将视盘拟合为椭圆得到的面积或者基于视盘分割图像确定的视盘区域的像素数量或者视盘区域所有像素对应的面积;视盘圆度信息为视盘面积信息与该视盘的外接圆面积的比值;视盘椭圆度信息为视盘面积信息与该视盘的外接椭圆面积的比值;视盘倾斜度信息为视盘长轴与竖直线的夹角信息。
在实际应用过程中,首先获取待处理眼底图像对应的视盘分割图像和视盘边界信息,其中,视盘分割图像和视盘边界信息基于上述任一实施例所述的图像处理方法所确定,然后基于视盘分割图像和/或视盘边界信息确定待处理眼底图像对应的视盘特征信息。
本申请实施例提供的图像处理方法,通过获取待处理眼底图像对应的视盘分割图像和视盘边界信息,其中,视盘分割图像和视盘边界信息基于上述任一实施例所述的图像处理方法所确定,然后基于视盘分割图像和/或视盘边界信息确定待处理眼底图像对应的视盘特征信息的方式,实现了确定待处理眼底图像对应的视盘特征信息的目的,为后续眼底视盘或者视神经以及相关眼底疾病分析奠定了基础。
图11所示为本申请另一示例性实施例提供的图像处理方法的流程示意图。在本申请图10所示实施例的基础上延伸出本申请图11所示实施例,下面着重叙述图11所示实施例与图10所示实施例的不同之处,相同之处不再赘述。
如图11所示,在本申请实施例提供的图像处理方法中,还包括如下步骤。
步骤70,获取待处理眼底图像对应的视杯分割图像和视杯边界信息。
步骤80,基于视杯分割图像和/或视杯边界信息确定待处理眼底图像对应的视杯特征信息,以及基于视盘边界信息和视杯边界信息确定待处理眼底图像对应的视杯视盘关联信息。
在本申请一实施例中,视杯特征信息包括视杯长轴信息、视杯短轴信息、视杯水平直径信息、视杯垂直直径信息、视杯面积信息、视杯圆度信息、视杯椭圆度信息中的至少一种,视杯视盘关联信息包括杯盘水平直径比信息、杯盘垂直直径比信息、杯盘面积比信息和上下鼻颞盘沿距离信息中的至少一种。
示例性地,视杯长轴信息和视杯短轴信息为将视杯拟合为椭圆或者其外接矩形得到的长轴和短轴;视杯水平直径信息为将视杯拟合为圆得到的水平方向的直径;视杯垂直直径信息为将视杯拟合为圆得到的垂直于水平方向的直径;视杯面积信息为将视杯拟合为椭圆得到的面积或者基于视杯分割图像确定的视杯区域的像素数量或者视杯区域所有像素对应的面积;视杯圆度信息为视杯面积信息与该视杯的外接圆面积的比值;视杯椭圆度信息为视杯面积信息与该视杯的外接椭圆面积的比值。
示例性地,杯盘水平直径比信息为视杯水平直径信息与视盘水平直径信息的比值,杯盘垂直直径比信息为视杯垂直直径信息与视盘垂直直径信息的比值,杯盘面积比信息为视杯面积信息与视盘面积信息的比值。
图12所示为本申请一示例性实施例提供的确定盘沿距离的眼底图像示意图。如图12所示,上下鼻颞盘沿距离信息为上侧、下侧、鼻侧、颞侧的盘沿宽度,该盘沿宽度即为视盘边界信息与视杯边界信息之间的距离。
在实际应用过程中,首先获取待处理眼底图像对应的视杯分割图像和视杯边界信息,然后基于视杯分割图像和/或视杯边界信息确定待处理眼底图像对应的视杯特征信息,以及基于视盘边界信息和视杯边界信息确定待处理眼底图像对应的视杯视盘关联信息。
本申请实施例提供的图像处理方法,通过获取待处理眼底图像对应的视杯分割图像和视杯边界信息,然后基于视杯分割图像和/或视杯边界信息确定待处理眼底图像对应的视杯特征信息,以及基于视盘边界信息和视杯边界信息确定待处理眼底图像对应的视杯视盘关联信息的方式,实现了确定待处理眼底图像对应的视杯特征信息和视杯视盘关联信息的目的,进一步为后续眼底视盘或者视神经以及相关眼底疾病分析奠定了基础。
图13所示为本申请一示例性实施例提供的图像处理装置的结构示意图。如图13所示,本申请实施例提供的图像处理装置包括:
视盘位置信息确定模块200,用于基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息;
视盘分割图像和视盘边界信息确定模块300,用于基于视盘位置信息和预设边缘检测算法确定待处理眼底图像对应的视盘分割图像和视盘边界信息。
在本申请一实施例中,视盘分割图像和视盘边界信息确定模块300,还用于基于预设边缘检测算法和视盘位置信息确定视盘位置信息对应的线特征信息,其中,线特征信息包括视盘边界信息和血管特征信息,并基于线特征信息确定视盘分割图像和视盘边界信息。
在本申请一实施例中,该图像处理装置还包括:
视杯分割图像和视杯边界信息确定模块400,用于基于视盘位置信息确定待处理眼底图像对应的视杯分割图像和视杯边界信息。
在本申请一实施例中,视杯分割图像和视杯边界信息确定模块400,还用于基于视盘位置信息将待处理眼底图像输入分割网络模型,得到待处理眼底图像对应的视杯分割图像和视杯边界信息,其中,分割网络模型用于基于视盘位置信息分割待处理眼底图像中的视杯,得到视杯分割图像和视杯边界信息。
预处理操作模块100,用于对待处理眼底图像进行预处理操作,其中,预处理操作包括提取感兴趣区域、去噪处理、归一化处理和增强处理中的至少一种。
图14所示为本申请一示例性实施例提供的图像处理装置的结构示意图。如图14所示,本申请实施例提供的图像处理装置包括:
视盘分割图像和视盘边界信息获取模块500,用于获取待处理眼底图像对应的视盘分割图像和视盘边界信息,其中,视盘分割图像和视盘边界信息基于上述任一实施例所述的图像处理方法所确定;
视盘特征信息确定模块600,用于基于视盘分割图像和/或视盘边界信息确定待处理眼底图像对应的视盘特征信息。
在本申请一实施例中,该图像处理装置还包括:
视杯分割图像和视杯边界信息获取模块700,用于获取待处理眼底图像对应的视杯分割图像和视杯边界信息。
视杯特征信息和视杯视盘关联信息确定模块800,用于基于视杯分割图像和/或视杯边界信息确定待处理眼底图像对应的视杯特征信息,以及基于视盘边界信息和视杯边界信息确定待处理眼底图像对应的视杯视盘关联信息。
应当理解,图13和图14提供的图像处理装置中的视盘位置信息确定模块200、视盘分割图像和视盘边界信息确定模块300、视盘分割图像和视盘边界信息获取模块500以及视盘特征信息确定模块600的操作和功能可以参考上述图3至图12提供的图像处理方法,为了避免重复,在此不再赘述。
下面,参考图15来描述根据本申请实施例的电子设备。图15所示为本申请一示例性实施例提供的电子设备的结构示意图。
如图15所示,电子设备40包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备40中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器401可以运行所述程序指令,以实现上文所述的本申请的各个实施例的图像处理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如包括待提取视盘和视杯的眼底图像等各种内容。
在一个示例中,电子设备40还可以包括:输入装置403和输出装置404,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置403可以包括例如键盘、鼠标等等。
该输出装置404可以向外部输出各种信息,包括视盘分割图像和视盘边界信息、视杯分割图像和视杯边界信息以及确定的视盘特征信息、视杯特征信息和视杯视盘关联信息等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图15中仅示出了该电子设备40中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备40还可以包括任何其他适当的组件。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的图像处理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的图像处理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息;
基于所述视盘位置信息和预设边缘检测算法确定所述待处理眼底图像对应的视盘分割图像和视盘边界信息。
2.根据权利要求1所述的图像处理方法,其特征在于,所述基于所述视盘位置信息和预设边缘检测算法确定所述待处理眼底图像对应的视盘分割图像和视盘边界信息,包括:
基于所述预设边缘检测算法和所述视盘位置信息确定所述视盘位置信息对应的线特征信息,其中,所述线特征信息包括所述视盘边界信息和血管特征信息;
基于所述线特征信息确定所述视盘分割图像和所述视盘边界信息。
3.根据权利要求1或2所述的图像处理方法,其特征在于,在所述基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息之后,还包括:
基于所述视盘位置信息确定所述待处理眼底图像对应的视杯分割图像和视杯边界信息。
4.根据权利要求3所述的图像处理方法,其特征在于,所述基于所述视盘位置信息确定所述待处理眼底图像对应的视杯分割图像和视杯边界信息,包括:
基于所述视盘位置信息将所述待处理眼底图像输入分割网络模型,得到所述待处理眼底图像对应的所述视杯分割图像和所述视杯边界信息,其中,所述分割网络模型用于基于所述视盘位置信息分割所述待处理眼底图像中的视杯,得到所述视杯分割图像和所述视杯边界信息。
5.一种图像处理方法,其特征在于,包括:
获取待处理眼底图像对应的视盘分割图像和视盘边界信息,其中,所述视盘分割图像和所述视盘边界信息基于上述权利要求1至4中的任一项所述的图像处理方法所确定;
基于所述视盘分割图像和/或所述视盘边界信息确定所述待处理眼底图像对应的视盘特征信息。
6.根据权利要求5所述的图像处理方法,其特征在于,还包括:
获取所述待处理眼底图像对应的视杯分割图像和视杯边界信息;
基于所述视杯分割图像和/或所述视杯边界信息确定所述待处理眼底图像对应的视杯特征信息,以及基于所述视盘边界信息和所述视杯边界信息确定所述待处理眼底图像对应的视杯视盘关联信息。
7.一种图像处理装置,其特征在于,包括:
视盘位置信息确定模块,用于基于预设目标检测算法确定待处理眼底图像对应的视盘位置信息;
视盘分割图像和视盘边界信息确定模块,用于基于所述视盘位置信息和预设边缘检测算法确定所述待处理眼底图像对应的视盘分割图像和视盘边界信息。
8.一种图像处理装置,其特征在于,包括:
视盘分割图像和视盘边界信息获取模块,用于获取待处理眼底图像对应的视盘分割图像和视盘边界信息,其中,所述视盘分割图像和所述视盘边界信息基于上述权利要求1至4中的任一项所述的图像处理方法所确定;
视盘特征信息确定模块,用于基于所述视盘分割图像和/或所述视盘边界信息确定所述待处理眼底图像对应的视盘特征信息。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1至4中的任一项所述的图像处理方法或上述权利要求5或6所述的图像处理方法。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行上述权利要求1至4中的任一项所述的图像处理方法或上述权利要求5或6所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110808996.9A CN113450341A (zh) | 2021-07-16 | 2021-07-16 | 图像处理方法及装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110808996.9A CN113450341A (zh) | 2021-07-16 | 2021-07-16 | 图像处理方法及装置、计算机可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113450341A true CN113450341A (zh) | 2021-09-28 |
Family
ID=77816678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110808996.9A Pending CN113450341A (zh) | 2021-07-16 | 2021-07-16 | 图像处理方法及装置、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450341A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937024A (zh) * | 2022-06-13 | 2022-08-23 | 依未科技(北京)有限公司 | 图像评估方法、装置和计算机设备 |
CN115908405A (zh) * | 2023-01-05 | 2023-04-04 | 依未科技(北京)有限公司 | 确定眼底特征的方法、装置和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480644A (zh) * | 2017-08-21 | 2017-12-15 | 吉林大学 | 眼底图像中视盘的定位与分割方法、装置和存储介质 |
CN108520522A (zh) * | 2017-12-31 | 2018-09-11 | 南京航空航天大学 | 基于深度全卷积神经网络的视网膜眼底图像分割方法 |
CN109829877A (zh) * | 2018-09-20 | 2019-05-31 | 中南大学 | 一种视网膜眼底图像杯盘比自动评估方法 |
CN110298850A (zh) * | 2019-07-02 | 2019-10-01 | 北京百度网讯科技有限公司 | 眼底图像的分割方法和装置 |
CN111862187A (zh) * | 2020-09-21 | 2020-10-30 | 平安科技(深圳)有限公司 | 基于神经网络的杯盘比确定方法、装置、设备及存储介质 |
CN112712521A (zh) * | 2021-01-18 | 2021-04-27 | 佛山科学技术学院 | 一种基于全局梯度搜索的眼底视盘自动定位方法 |
-
2021
- 2021-07-16 CN CN202110808996.9A patent/CN113450341A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480644A (zh) * | 2017-08-21 | 2017-12-15 | 吉林大学 | 眼底图像中视盘的定位与分割方法、装置和存储介质 |
CN108520522A (zh) * | 2017-12-31 | 2018-09-11 | 南京航空航天大学 | 基于深度全卷积神经网络的视网膜眼底图像分割方法 |
CN109829877A (zh) * | 2018-09-20 | 2019-05-31 | 中南大学 | 一种视网膜眼底图像杯盘比自动评估方法 |
CN110298850A (zh) * | 2019-07-02 | 2019-10-01 | 北京百度网讯科技有限公司 | 眼底图像的分割方法和装置 |
CN111862187A (zh) * | 2020-09-21 | 2020-10-30 | 平安科技(深圳)有限公司 | 基于神经网络的杯盘比确定方法、装置、设备及存储介质 |
CN112712521A (zh) * | 2021-01-18 | 2021-04-27 | 佛山科学技术学院 | 一种基于全局梯度搜索的眼底视盘自动定位方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937024A (zh) * | 2022-06-13 | 2022-08-23 | 依未科技(北京)有限公司 | 图像评估方法、装置和计算机设备 |
CN115908405A (zh) * | 2023-01-05 | 2023-04-04 | 依未科技(北京)有限公司 | 确定眼底特征的方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451998B (zh) | 一种眼底图像质量控制方法 | |
EP2188779B1 (en) | Extraction method of tongue region using graph-based approach and geometric properties | |
EP2082355B1 (en) | Method and apparatus for identifying facial regions | |
US20140314288A1 (en) | Method and apparatus to detect lesions of diabetic retinopathy in fundus images | |
CN113450341A (zh) | 图像处理方法及装置、计算机可读存储介质及电子设备 | |
Kayal et al. | A new dynamic thresholding based technique for detection of hard exudates in digital retinal fundus image | |
JP7197708B2 (ja) | 眼底画像定量分析の前置処理方法および記憶装置 | |
Rasta et al. | Detection of retinal capillary nonperfusion in fundus fluorescein angiogram of diabetic retinopathy | |
CN107038704B (zh) | 视网膜图像渗出区域分割方法、装置和计算设备 | |
US11694331B2 (en) | Capture and storage of magnified images | |
CN112927228A (zh) | 图像评估方法和装置、模型训练方法和装置 | |
CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
Raj et al. | A novel approach for fundus image enhancement | |
CN114998369A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN112288697B (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 | |
KR20220107022A (ko) | 안저 영상 식별 방법 및 장치와 기기 | |
CN111951214B (zh) | 图像中可读区域的分割方法、装置、电子设备及存储介质 | |
CN110874597A (zh) | 一种眼底图像血管特征提取方法、设备、系统和存储介质 | |
CN115908405B (zh) | 确定眼底特征的方法、装置和电子设备 | |
CN110675325B (zh) | 一种增强眼底图像的方法和装置 | |
CN111588345A (zh) | 眼部疾病检测方法、ar眼镜及可读存储介质 | |
US11751833B2 (en) | Training method and system for collimator border detection method | |
US20060010582A1 (en) | Chin detecting method, chin detecting system and chin detecting program for a chin of a human face | |
CN113487582A (zh) | 图像评估方法及装置、计算机可读存储介质及电子设备 | |
US20130278829A1 (en) | Method, system and computer readable medium for processing a medical video image |
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 |