CN114937024A - 图像评估方法、装置和计算机设备 - Google Patents
图像评估方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114937024A CN114937024A CN202210662570.1A CN202210662570A CN114937024A CN 114937024 A CN114937024 A CN 114937024A CN 202210662570 A CN202210662570 A CN 202210662570A CN 114937024 A CN114937024 A CN 114937024A
- Authority
- CN
- China
- Prior art keywords
- optic disc
- central point
- macular region
- included angle
- evaluated
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 55
- 208000004350 Strabismus Diseases 0.000 claims abstract description 26
- 210000005252 bulbus oculi Anatomy 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 13
- 238000012549 training Methods 0.000 description 16
- 230000011218 segmentation Effects 0.000 description 15
- 210000003733 optic disk Anatomy 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 210000001508 eye Anatomy 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 210000004204 blood vessel Anatomy 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 210000002189 macula lutea Anatomy 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 210000004087 cornea Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004807 localization Effects 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
- 238000001028 reflection method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 201000009487 Amblyopia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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)
- 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)
Abstract
本申请涉及图像处理技术领域，具体涉及一种图像评估方法、装置和计算机设备，方法包括提取待评估眼底图像中黄斑区域的中心点和视盘的中心点，检测黄斑区域的中心点与视盘的中心点的连线与水平线之间的第一夹角；和/或，检测视盘的极轴与水平线之间的第二夹角；和/或，检测视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的第三夹角，输出第一夹角、第二夹角和第三夹角中的至少一个夹角的角度信息，作为斜视评估的辅助信息。其中，第一夹角和第三夹角用于表示眼球的旋转程度，第二夹角用于表示视盘的倾斜程度，医生能够基于第一夹角、第二夹角和第三夹角中的至少一个夹角更加客观的对斜视以及斜视的程度进行评估。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及一种图像评估方法、装置和计算机设备。
背景技术
斜视是指眼外肌协调运动失常导致双眼不能同时注视同一物体，除了影响美观外，还会导致弱视、双眼单视功能异常等，因此，早期对于斜视的评估与诊断是至关重要的。
在目前的临床诊断中，眼科医生主要通过观察眼外观，并配合屈光视力检查以及一些实验测试来进行，斜视角的测量方法则有角膜映光法、同视机检查法、三棱镜配合遮盖法等，方法专业度高，不利于大人群普筛，且评估时有一定的主观性，存在评估信息不全面导致医生的诊断结果不够准确的问题。
发明内容
有鉴于此，本申请实施例致力于提供一种图像评估方法、装置和计算机设备，以解决现有技术斜视角的测量方法专业度高，不利于大人群普筛，且评估时有一定的主观性的问题。
一方面，本发明提供了一种图像评估方法，包括：
提取待评估眼底图像中视盘的中心点和黄斑区域的中心点；
检测所述视盘的中心点与所述黄斑区域的中心点的连线与水平线之间的第一夹角；和/或，检测所述视盘的极轴与水平线之间的第二夹角；和/或，检测视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的第三夹角；其中，所述第一夹角和所述第三夹角用于表示眼球的旋转程度，所述第二夹角用于表示视盘的倾斜程度；所述视盘的极轴为所述视盘的长轴或短轴；
输出所述第一夹角、所述第二夹角和所述第三夹角中的至少一个夹角的角度信息，作为斜视评估的辅助信息。
进一步地，以上所述的方法中，提取视盘的中心点，包括：
确定视盘的第一外接图形的中心点，作为待评估眼底图像中的视盘的中心点；或者，利用预先训练的视盘中心点识别模型，提取待评估眼底图像中视盘的中心点。
进一步地，以上所述的方法中，通过如下步骤确定所述视盘的第一外接图形：
从待评估眼底图像中对视盘区域进行分割以确定所述视盘的边缘；或者，从待评估眼底图像中定位所述视盘的位置，基于所述视盘所在的位置对视盘区域进行分割以确定所述视盘的边缘；
基于所述视盘的边缘生成所述视盘的第一外接图形；其中，所述第一外接图形包括外接椭圆、外接圆或外接矩形。
进一步地，以上所述的方法中，所述从待评估眼底图像中定位所述视盘的位置，包括：
利用预先训练的视盘区域定位模型，获取待评估眼底图像中所述视盘的位置。
进一步地，以上所述的方法中，所述视盘中的极轴的确定步骤包括：
若检测到所述第一外接图形为外接椭圆，则将所述外接椭圆的长轴作为所述视盘的长轴；若检测所述第一外接图形为外接矩形，则将所述外接矩形的长边作为所述视盘的长轴；
或者
若检测到所述第一外接图形为外接椭圆，则将所述外接椭圆的短轴作为所述视盘的短轴；若检测所述第一外接图形为外接矩形，则将所述外接矩形的短边作为所述视盘的短轴。
进一步地，以上所述的方法中，提取待评估眼底图像中的黄斑区域的中心点，包括：
确定待评估眼底图像中的黄斑区域的极值点，或黄斑区域的第二外接图形的中心点，或对黄斑区域进行腐蚀处理剩余的最后一个点，作为待评估眼底图像中的黄斑区域的中心点；
或者，
利用预先训练的黄斑区域中心点识别模型，提取待评估眼底图像中的黄斑区域的中心点。
进一步地，以上所述的方法中，通过如下步骤确定所述黄斑区域的第二外接图形：
从待评估眼底图像中对黄斑区域进行分割以确定所述黄斑区域的边缘；或者，从待评估眼底图像中定位所述黄斑区域的位置，基于所述黄斑区域所在的位置对黄斑区域进行分割以确定所述黄斑区域的边缘；
基于所述黄斑区域的边缘生成所述黄斑区域的第二外接图形；其中，所述第二外接图形包括外接圆、外接椭圆或外接矩形。
进一步地，以上所述的方法中，所述从待评估眼底图像中定位所述黄斑区域的位置，包括：
利用预先训练的黄斑区域定位模型，获取待评估眼底图像中的所述黄斑区域的位置。
另一方面，本发明还提供了一种图像评估装置，包括：
提取模块，用于提取待评估眼底图像中视盘的中心点和黄斑区域的中心点；
检测模块，用于检测所述视盘的中心点与所述黄斑区域的中心点的连线与水平线之间的第一夹角；和/或，检测所述视盘的极轴与水平线之间的第二夹角；和/或，检测视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的第三夹角；其中，所述第一夹角和所述第三夹角用于表示眼球的旋转程度，所述第二夹角用于表示视盘的倾斜程度；所述视盘的极轴为所述视盘的长轴或短轴；
输出模块，用于输出所述第一夹角、所述第二夹角和所述第三夹角中的至少一个夹角的角度信息，作为斜视评估的辅助信息。
另一方面，本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现以上任一项所述的图像评估方法的步骤。
根据本申请提供的图像评估方法、装置和计算机设备，方法包括，提取待评估眼底图像中的黄斑区域的中心点和视盘的中心点，检测黄斑区域的中心点与视盘的中心点的连线与水平线之间的第一夹角；和/或，检测视盘的极轴与水平线之间的第二夹角；和/或，检测视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的第三夹角，输出第一夹角、第二夹角和第三夹角中的至少一个夹角的角度信息，作为斜视评估的辅助信息。其中，第一夹角和第三夹角用于表示眼球的旋转程度，第二夹角用于表示视盘的倾斜程度，医生能够基于第一夹角、第二夹角和第三夹角中的至少一个夹角更加客观的对斜视进行诊断。
进一步的，视盘或者眼球发生的微小倾斜或者旋转医生肉眼难以分辨，通过本申请提供的方案，通过测量第一夹角和/或第二夹角和/或第三夹角，能够帮助精确的评估视盘倾斜角度和/或眼球旋转角度，为医生定量评估斜视及斜视的程度提供了依据。
附图说明
图1所示为本申请一实施例提供的图像评估方法的流程示意图。
图2所示为本申请一实施例提供的眼底图像示意图。
图3所示为本申请一实施例提供的确定第一外接图形的流程示意图。
图4所示为本申请一实施例提供的视盘分割区域示意图。
图5所示为本申请一实施例提供的视盘分割区域滤除血管后的示意图。
图6所示为本申请一实施例提供的滤除血管的视盘分割区域进行二维极坐标转换后的示意图。
图7所示为本申请一实施例提供的亚像素精度提取结果示意图。
图8所示为本申请一实施例提供的基于亚像素精度提取结果连接视盘边缘后的示意图。
图9所示为本申请一实施例提供的视盘的边缘示意图。
图10所示为本申请一实施例提供的图像评估装置的结构示意图。
图11所示为本申请一实施例提供的计算机设备的结构示意图。
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。
申请概述
斜视的早期诊断和斜视大小客观精细评估非常重要。在目前的临床诊断中，眼科医生主要通过观察眼外观，并配合屈光视力检查以及一些实验测试来进行，斜视角的测量方法则有角膜映光法、同视机检查法、三棱镜配合遮盖法等，方法专业度高，不利于大人群普筛，且评估时有一定的主观性，存在评估信息不全面导致医生的诊断结果不够准确的问题。
示例性方法
图1所示为本申请一实施例提供的图像评估方法的流程示意图。如图1所示，本实施例的图像评估方法包括如下步骤：
S101、提取待评估眼底图像中视盘的中心点和黄斑区域的中心点。
眼底是眼球后部组织的统称，包括视盘、黄斑、血管等结构，通过眼底照相机对眼底进行拍照所获取的图片就叫做眼底图像。通过眼底图像，医生能够看清眼底的组织结构，分析是否存在异常，最后根据详细的筛查与诊断给出具体的治疗方案。
本申请的实施例中，获取眼底图像后，提取眼底图像中视盘的中心点和黄斑区域的中心点。具体的，在获取到眼底图像后，可以先提取眼底图像中的视盘和黄斑区域，然后确定视盘的中心点和黄斑区域的中心点；也可以通过眼底图像直接定位并提取视盘和黄斑区域的中心点，本实施例不做限定。
S102、检测视盘的中心点与黄斑区域的中心点的连线与水平线之间的第一夹角；和/或，检测视盘的极轴与水平线之间的第二夹角；和/或，检测视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的第三夹角。
视盘指的是视网膜上视觉纤维汇集穿出眼球的部位，是视神经的始端。黄斑在眼底视神经盘的颞侧0.35cm处并稍下方，处于人眼的光学中心区，是视力轴线的投影点。正常人的眼底图像中，视盘与黄斑区域有着固定的距离，视盘的中心点与黄斑区域的中心点的连线与水平线所形成的夹角也固定在一定的范围内。当发生旋转性斜视时，眼球向内旋转或者向外旋转，导致眼底图像中视盘的中心点与黄斑区域的中心点的连线与水平线所形成的夹角改变，超出正常的范围。因此，本实施例中检测视盘的中心点与黄斑区域的中心点的连线与水平线之间的第一夹角，用于表示眼球的旋转程度。
视盘的极轴指的是视盘对应的最长轴线或者最短轴线。例如，视盘的形状类似于椭圆，可以绘制视盘的外接椭圆作为视盘对应的外接图形，选择外接椭圆的长轴或者短轴作为视盘的极轴。视盘的极轴与水平线之间的夹角能够表征当前视盘的倾斜程度。正常人的眼底图像中，视盘与水平线的夹角固定在一定的范围内，当发生斜视时，眼球旋转或者倾斜，都会导致眼底图像中视盘倾斜，视盘的极轴与水平线之间的夹角改变，超出正常的范围。因此，本实施例中检测视盘的极轴与水平线之间的第二夹角，用于表示视盘的倾斜程度。
此外，正常人的眼底图像中，视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的夹角也固定在一定的范围内。当发生斜视时，眼球旋转或者倾斜，会导致眼底图像中视盘倾斜，当发生的斜视为旋转性斜视时，眼球向内旋转或者向外旋转，眼底图像中视盘的中心点与黄斑区域的中心点的连线也会发生偏移，进而使得视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的夹角改变，超出正常的范围。因此，本实施例中检测视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的第三夹角用于表示眼球的旋转程度。
示例性的，图2所示为本申请一实施例提供的眼底图像示意图。如图2所示，选择视盘的长轴作为视盘的极轴，其中点A为视盘的中心点，视盘中的线L1为视盘的极轴；点B为黄斑区域的中心点。视盘的中心点与黄斑区域的中心点的连线L2与水平线L3之间形成第一夹角α1；视盘的极轴与水平线L3之间形成第二夹角α2；视盘的中心点与黄斑区域的中心点的连线L2与视盘的极轴之间形成第三夹角α3。
S103、输出第一夹角、第二夹角和第三夹角中的至少一个夹角的角度信息，作为斜视评估的辅助信息。
可以仅输出第一夹角、第二夹角和第三夹角中的一个夹角的角度信息，作为斜视评估的辅助信息。或者，输出第一夹角、第二夹角和第三夹角中的两个夹角的角度信息。还可以输出第一夹角、第二夹角和第三夹角的角度信息，共同作为斜视评估的辅助信息。第一夹角、第二夹角和第三夹角与正常的范围偏离越多，表示斜视程度越严重。
本申请中，第一夹角和第三夹角用于表示眼球的旋转程度，第二夹角用于表示视盘的倾斜程度，医生能够基于第一夹角、第二夹角和第三夹角中的至少一个夹角更加客观的对斜视进行诊断。视盘或者眼球发生的微小倾斜或者旋转医生肉眼难以分辨，通过本申请提供的方案，通过测量第一夹角和/或第二夹角和/或第三夹角，能够帮助精确的评估视盘倾斜角度和/或眼球旋转角度，为医生定量评估斜视及斜视的程度提供了依据。
在另外一个实施例中，通过如下步骤提取以上实施例中的视盘的中心点：
确定视盘的第一外接图形的中心点，作为待评估眼底图像中的视盘的中心点；或者，利用预先训练的视盘中心点识别模型，提取待评估眼底图像中视盘的中心点。
具体的，本实施例中至少可以通过如下两种方法提取视盘的中心点：
方法一：确定视盘的第一外接图形，视盘一般为近似椭圆形，可以确定视盘的外接椭圆、外接圆或者外接矩形作为视盘的第一外接图形，将第一外接图形的几何中心点作为待评估眼底图像中的视盘的中心点。
方法二：预先训练视盘中心点识别模型。其中，视盘中心点识别模型的训练样本为眼底图像，标签为眼底图像中视盘的中心点的位置。将训练样本输入到视盘中心点识别模型中，获取视盘中心点识别模型的识别结果，根据视盘中心点识别模型的识别结果以及标签，确定视盘中心点识别模型的损失值，以便于根据该损失值对视盘中心点识别模型的运算参数进行调整，重复以上处理，直至视盘中心点识别模型的损失值小于设定值。视盘中心点识别模型可以采用VGG系列、Inception系列、ResNet系列等，本实施例不做限定。
将待评估眼底图像输入到预先训练视盘中心点识别模型中，得到输出的待评估眼底图像中的视盘的中心点。
本申请的实施例中，通过确定视盘的第一外接图形的中心点或者利用预先训练的视盘中心点识别模型确定视盘的中心点，能够有效提高中心点的准确性。
进一步的，如图3所示，在另外一个实施例中，通过如下步骤确定以上实施例中的视盘的第一外接图形：
S301、从待评估眼底图像中对视盘区域进行分割以确定视盘的边缘；或者，从待评估眼底图像中定位视盘的位置，基于视盘所在的位置对视盘区域进行分割以确定视盘的边缘。
具体的，本实施例中至少可以通过如下两种方法确定视盘的第一外接图形：
方法一：从待评估眼底图像中对视盘区域进行分割，进而确定视盘的边缘。
方法二：为了提高视盘区域的分割精度和速度，可以先从待评估眼底图像中确定视盘所在的位置，然后基于待评估眼底图像中视盘所在的位置，从待评估眼底图像中分割视盘区域，进而确定视盘的边缘。
具体的，可以通过如下方式从待评估眼底图像中分割视盘区域，进而确定视盘的边缘：
待评估眼底图像RGB三通道中，一般G通道保存的亮度信息最完整，对比度高，利于视盘区域的分割，因此本实施例选取G通道灰度图像作为视盘区域分割的输入图像。
为了缩小计算范围，减少其他结构的干扰，若未提前从待评估眼底图像中定位视盘的位置，可以选取包含视盘一定范围内的区域作为分割区域，如图4所示；若提前从待评估眼底图像中定位视盘的位置，可以以视盘所在的位置为参考作为分割区域，相对于图4所示的分割区域，通过定位视盘区域确定的分割区域更靠近视盘的边缘，进而从待评估眼底图像中分割视盘区域时干扰更少，不仅分割视盘区域的速度更快，而且得到的视盘边缘精度更高。
需要说明的是，无论是否提前从待评估眼底图像中定位视盘的位置，从待评估眼底图像中分割视盘区域的步骤相同，区别仅在于通过定位视盘位置确定的分割区域更靠近视盘的边缘，分割视盘区域时干扰更少。因此，本实施例中仅以未提前从待评估眼底图像中定位视盘的位置为例，对从待评估眼底图像中分割视盘区域的步骤进行说明。
具体的，为减少视盘中血管边缘对视盘分割的干扰，需要采用统计排序滤波器来滤除血管，滤除血管后的图像如图5所示。需要说明的是，统计排序滤波器是一种非线性滤波器，它是基于滤波器所在图像区域内像素的排序，由排序结果决定的值代替中心像素的值。常见的分类有最大值滤波器、最小值滤波器以及中值滤波器。本实施例采用中值滤波器滤除视盘内的血管，中值滤波保边性好，如图5所示，中值滤波后的视盘边缘仍然非常清晰，易于分割。
将图5作为感兴趣区，在图5所示的基础上开始进行边缘提取。由于视盘的边缘区域接近椭圆形，如果把感兴趣区由直角坐标转为极坐标，那么视盘的边缘将变成一条水平方向的曲线，这就极大的方便了视盘的边缘的定位和提取。本实施例以感兴趣区的中心为原点，以感兴趣区内最大半径为转换半径，进行二维极坐标转换。转换后的图像如图6所示。
经极坐标转换之后，视盘的边缘由之前的近似椭圆形封闭曲线成为水平方向一条清晰可见的曲线。为了提高边缘分割的精度，本实施例采用亚像素精度提取方法，首先求取每个像素点处的灰度值的梯度，利用Canny算子、Sobel算子等求得初始的轮廓。假设灰度值梯度在沿边缘法线方向呈抛物线分布，基于这样的假设，可以利用初始轮廓点沿法线方向的邻域梯度拟合出该抛物线，则该抛物线的峰值点对应轮廓点。注意到视盘的边缘是纵向方向上变化最快的区域，因此，求取视盘的边缘的算法便成为求纵向方向上最大梯度值的位置，亚像素精度提取方法的提取结果如图7所示。
为了进一步提高视盘的边缘提取的精度，可以把图7所示的图像水平切分为32等份，在每个等份上求最大梯度，这种方法可以有效排除部分噪声的干扰和边缘的重叠。最后把每个图像切片的最大梯度的边缘连接起来，即为视盘的边缘，如图8所示。将图像从极坐标再转换到原有坐标，完成视盘边缘的分割，图9中的曲线L4即为分割的视盘的边缘。
此外，还可以通过灰度阈值分割的方法从待评估眼底图像中分割视盘：
若预先未从待评估眼底图像中定位出视盘的位置，可以使用低通滤波器将待评估眼底图像中的高频区域滤除，输出低频眼底图像，视盘区域表现为极为凸显的亮区，再用高斯函数的Laplace变换对眼底图像进行卷积操作，输出局部极值图并选取亮区作为视盘区域，利用亮区周围线特征筛选出视盘的边缘。
卷积操作对应的公式为：
F(x,y)＝Laplce[G(x,y)]*gray(x,y)
上式中，(x，y)表示图像坐标；G(x，y)表示高斯函数；F(x，y)表示卷积后的极值图；gray(x，y)表示示低通滤波后的图像；*表示卷积。
若预先从待评估眼底图像中定位出视盘的位置，通过定位的视盘位置确定的分割区域能够更靠近视盘的边缘，分割视盘时干扰更少。具体的，可以使用低通滤波器处理预先提取的视盘位置对应的图像，进而将高频区域滤除，输出视盘位置对应的低频的图像，进而再用上述高斯函数的Laplace变换进行卷积操作，输出局部极值图并选取亮区作为视盘区域，利用亮区周围线特征筛选出视盘的边缘。
还可以预先训练视盘边缘识别模型，基于预先训练视盘边缘识别模型，从待评估眼底图像中分割视盘：
具体的，若预先未从待评估眼底图像中定位出视盘的位置，那么视盘边缘识别模型的训练样本为眼底图像，标签为眼底图像中视盘的边缘。视盘边缘识别模型的具体训练过程与以上实施例中视盘中心点识别模型的识别过程相同，本领域的技术人员参照以上实施例即可，本实施例不做赘述。本实施例中，将待评估眼底图像输入到预先训练的视盘边缘识别模型中，得到输出的待评估眼底图像中的视盘的边缘。
具体的，若预先从待评估眼底图像中定位出视盘的位置，那么视盘边缘识别模型的训练样本为视盘位置对应的图像，标签为视盘位置对应的图像中视盘的边缘。视盘边缘识别模型的具体训练过程与以上实施例中视盘中心点识别模型的识别过程相同，本领域的技术人员参照以上实施例即可，本实施例不做赘述。本实施例中，将预先从待评估眼底图像中定位出视盘位置所对应的图像输入到预先训练的视盘边缘识别模型中，得到输出的待评估眼底图像中的视盘的边缘。
S302、基于视盘的边缘生成视盘的第一外接图形。
确定视盘的边缘后，可以按照视盘的边缘生成视盘的第一外接图形。由于视盘为近似的椭圆形，可以生成视盘的外接椭圆、外接圆或者外接矩形作为视盘的第一外接图形。
本申请的实施例中，通过预先训练视盘边缘识别模型或者从待评估眼底图像中分割视盘的方式确定视盘的边缘，能够有效提取精确的视盘边缘，进而进一步提高视盘中心点的准确性。
进一步的，在另外一个实施例中，通过如下步骤确定以上实施例中的视盘中的极轴：
若检测到第一外接图形为外接椭圆，则将外接椭圆的长轴作为视盘的长轴；若检测第一外接图形为外接矩形，则将外接矩形的长边作为视盘的长轴。
或者，若检测到第一外接图形为外接椭圆，则将外接椭圆的短轴作为视盘的短轴；若检测第一外接图形为外接矩形，则将外接矩形的短边作为视盘的短轴。
具体的，由于视盘为近似的椭圆形，可以生成视盘的外接椭圆或者外接矩形作为视盘的第一外接图形。
如果检测到第一外接图形为外接椭圆，那么可以将外接椭圆的长轴作为视盘的长轴；如果检测第一外接图形为外接矩形，那么可以将外接矩形的长边作为视盘的长轴。
或者，如果检测到第一外接图形为外接椭圆，那么可以将外接椭圆的短轴作为视盘的短轴；如果检测第一外接图形为外接矩形，那么可以将外接矩形的短边作为视盘的短轴。
本实施例中，根据第一外接图形的实际情况确定视盘的极轴，进而准确示出视盘的倾斜情况。
进一步的，在另外一个实施例中，通过如下步骤从待评估眼底图像中定位视盘的位置：
利用预先训练的视盘区域定位模型，获取待评估眼底图像中视盘的位置。
具体的，本申请的实施例中，预先训练有视盘区域定位模型，训练样本为眼底图像，标签为眼底图像中视盘的位置。需要说明的是，视盘区域定位模型的具体训练过程与以上实施例中视盘识别模型的识别过程相同，本领域的技术人员参照以上实施例即可，本实施例不做赘述。
此外，除了利用预先训练的视盘区域定位模型，提取待评估眼底图像中的视盘之外，还可以采用计算机视觉注意机制定位视盘。具体的，与定位视盘的位置时的步骤类似，本实施例中，使用低通滤波器将眼底图像中的高频区域滤除，输出低频眼底图像。视盘表现为极为凸显的亮区，再用高斯函数的Laplace变换对眼底图像进行卷积操作，输出局部极值图并选取亮区作为视盘预选区域，利用亮区周围线特征来筛选出视盘。
本申请的实施例中，通过预先训练的视盘识别模型或者采用计算机视觉注意机制能够有效提高视盘定位的准确性。
进一步的，在另外一个实施例中，通过如下步骤确定以上实施例中的黄斑区域的中心点：
确定待评估眼底图像中的黄斑区域的极值点，或黄斑区域的第二外接图形的中心点，或对黄斑区域进行腐蚀处理剩余的最后一个点，作为待评估眼底图像中的黄斑区域的中心点；
或者，利用预先训练的黄斑区域中心点识别模型，提取待评估眼底图像中的黄斑区域的中心点。
具体的，本实施例中至少可以通过如下四种方法提取黄斑区域的中心点：
方法一：确定待评估眼底图像中的黄斑区域的极值点，将该极值点作为待评估眼底图像中的黄斑区域的中心点。具体的，可以使用低通滤波器将眼底图像中的高频区域滤除，输出低频眼底图像，黄斑区域表现为极为凸显的暗区，将眼底图像进行反相处理，黄斑区域的表现更改为极为凸显的亮区，再用高斯函数的Laplace变换对眼底图像进行卷积操作，输出局部极值图并选取亮区的极值点作为待评估眼底图像中的黄斑区域的中心点。
卷积操作对应的公式为：
F(x,y)＝Laplce[G(x,y)]*gray(x,y)
上式中，(x，y)表示图像坐标；G(x，y)表示高斯函数；F(x，y)表示卷积后的极值图；gray(x，y)表示示低通滤波后的图像；*表示卷积。
方法二：确定黄斑区域的第二外接图形，黄斑区域一般为近似椭圆形，可以确定黄斑区域的外接椭圆、外接圆或者外接矩形作为黄斑区域的第二外接图形。将第二外接图形的几何中心点作为待评估眼底图像中的黄斑区域的中心点。
方法三：对黄斑区域进行腐蚀处理，消除腐蚀区域的边界点，使黄板区域的边界向内收缩，当收缩至剩余最后一个点时，将该点作为待评估眼底图像中的黄斑区域的中心点。
方法四：预先训练黄斑区域中心点识别模型。其中，黄斑区域中心点识别模型的训练样本为眼底图像，标签为眼底图像中黄斑区域中心点的位置。黄斑区域中心点识别模型的具体训练过程与以上实施例中视盘中心点识别模型的识别过程相同，本领域的技术人员参照以上实施例即可，本实施例不做赘述。本实施例中，将待评估眼底图像输入到预先训练的黄斑区域中心点识别模型中，得到输出的待评估眼底图像中黄斑区域的中心点。
本申请的实施例中，通过确定黄斑区域的第二外接图形的中心点、确定待评估眼底图像中的黄斑区域的极值点、对黄斑区域进行腐蚀处理剩余的最后一个点或者利用预先训练的黄斑区域中心点识别模型确定黄斑区域的中心点，能够有效提高中心点的准确性。
进一步的，在另外一个实施例中，通过如下步骤确定以上实施例中黄斑区域的第二外接图形：
从待评估眼底图像中对黄斑区域进行分割以确定黄斑区域的边缘；或者，从待评估眼底图像中定位黄斑区域的位置，基于黄斑区域所在的位置对黄斑区域进行分割以确定黄斑区域的边缘。
具体的，本实施例中至少可以通过如下两种方法确定黄斑区域的第二外接图形：
方法一：从待评估眼底图像中对黄斑区域进行分割，进而确定黄斑区域的边缘。
方法二：为了提高黄斑区域的分割精度和速度，可以先从待评估眼底图像中确定黄斑区域所在的位置，然后基于待评估眼底图像中黄斑区域所在的位置，从待评估眼底图像中分割黄斑区域，进而确定黄斑区域的边缘。
具体的，从待评估眼底图像中分割出黄斑区域，确定黄斑区域的边缘的过程与以上实施例中从待评估眼底图像中分割出视盘区域的过程相同，本领域的技术人员参照以上实施例即可，本实施例不做赘述。需要说明的是，本实施例按照以上实施例记载的分割视盘区域的步骤分割黄斑区域时，需要注意黄斑区域距离已经分割的视盘的位置一般为2.5PD左右，本领域的技术人员可以将已经分割的视盘位置和此距离作为分割黄斑区域的标准，按照以上实施例中分割视盘的记载分割黄斑区域。
进一步的，在另外一个实施例中，通过如下步骤从待评估眼底图像中定位黄斑区域的位置：
利用预先训练的黄斑区域定位模型，获取待评估眼底图像中的黄斑区域的位置。
具体的，本申请的实施例中，预先训练有黄斑区域定位模型，训练样本为眼底图像，标签为眼底图像中黄斑区域的位置。需要说明的是，黄斑区域定位模型的具体训练过程与以上实施例中视盘识别模型的识别过程相同，本领域的技术人员参照以上实施例即可，本实施例不做赘述。
此外，除了利用预先训练的黄斑区域识别模型，提取待评估眼底图像中的黄斑区域之外，还可以采用计算机视觉注意机制定位黄斑区域。具体的，与定位黄斑区域中的极值点作为黄斑区域中心点的步骤类似，本实施例中，使用低通滤波器将眼底图像中的高频区域滤除，输出低频眼底图像。黄斑区域表现为极为凸显的暗区，对眼底图像进行反相处理，黄斑区域的表现更改为极为凸显的亮区，再用高斯函数的Laplace变换对眼底图像进行卷积操作，输出局部极值图并选取亮区作为黄斑预选区域，利用亮区周围线特征来筛选出黄斑区域。
本申请的实施例中，通过预先训练的黄斑区域识别模型或者采用计算机视觉注意机制能够有效提高黄斑区域定位的准确性。
进一步的，在另外一个实施例中，在提取待评估眼底图像中的视盘、黄斑区域、视盘的中心点、黄斑区域的中心点、视盘的边缘和黄斑区域的边缘之前，可以先对待评估眼底图像进行预处理操作。
预处理的目的是消除眼底图像黑色背景与眼底前景交界线对结果的干扰，同时缩小范围，减少计算量。示例性的，可以采用OSTU阈值分割算法对图像先进行二值化，得到兴趣区范围，再对图像进行圆形腐蚀和形态学开运算操作，缩小兴趣区的边界，保证裁剪区域的面积比实际区域图形区域要小，消除了图像交界位置处高对比度的噪声干扰。
预处理的另一个目的是降低处理图像之间的差异性。由于眼底图像在采集过程中相机、光源、采集角度、图像曝光以及患者本身眼底天然色素的不一样而表现出非常大的差异。为了从这些差异图像中获得稳定的有效信息，对图像进行颜色、亮度以及曝光分布的归一化处理是十分必要的。采取的归一化方法是先根据图像的曝光分布对图像的亮度分布进行反补偿，使亮的减弱，同时暗的区域增强。然后选定一副质量较好的图像作为参考图像，把被处理图像的色调、饱和度和亮度信息都归一化到参考图像的参考值上，从而保证了被处理图像的稳定性。
此外，为了增强眼底图像中视盘、黄斑区域与眼底图像中其他区域的差异性，还可以对眼底图像进行增强处理，进而使得视盘和黄斑区域的特征更加清晰，便于进行后续地分割和提取。
示例性地，可以先进行去噪处理操作，得到去噪后的待评估眼底图像，然后对去噪后的待评估眼底图像进行归一化处理操作，得到归一化后的待评估眼底图像，然后对归一化后的待评估眼底图像进行增强处理操作，得到增强后的待评估眼底图像。也可以只对待评估眼底图像进行去噪处理操作，或者归一化处理操作，或者增强处理操作，即以上几种预处理操作可以根据实际需求进行选择，本申请不做具体限定。
示例性装置
与上述图像评估方法相对应的，本申请实施例还公开了一种图像评估装置，参见图10所示，该装置包括：
提取模块100，用于提取待评估眼底图像中视盘的中心点和黄斑区域的中心点；
检测模块110，用于检测视盘的中心点与黄斑区域的中心点的连线与水平线之间的第一夹角；和/或，检测视盘的极轴与水平线之间的第二夹角；和/或，检测视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的第三夹角；其中，第一夹角和第三夹角用于表示眼球的旋转程度，第二夹角用于表示视盘的倾斜程度；视盘的极轴为视盘的长轴或短轴；
输出模块120，用于输出第一夹角、第二夹角和第三夹角中的至少一个夹角的角度信息，作为斜视评估的辅助信息。
本实施例中，提取模块100提取待评估眼底图像中的黄斑区域的中心点和视盘的中心点，检测模块110检测视盘的中心点与黄斑区域的中心点的连线与水平线之间的第一夹角；和/或，检测视盘的极轴与水平线之间的第二夹角；和/或，检测视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的第三夹角。其中，第一夹角和第三夹角用于表示眼球的旋转程度，第二夹角用于表示视盘的倾斜程度，医生能够基于第一夹角、第二夹角和第三夹角中的至少一个夹角更加客观的对斜视进行诊断。
进一步的，视盘或者眼球发生的微小倾斜或者旋转医生肉眼难以分辨，通过本申请提供的方案，通过测量第一夹角和/或第二夹角和/或第三夹角，能够帮助精确的评估视盘倾斜角度和/或眼球旋转角度，为医生定量评估斜视及斜视的程度提供了依据。
在另外一个实施例中，提取模块100提取视盘的中心点时，具体用于：
确定视盘的第一外接图形的中心点，作为待评估眼底图像中的视盘的中心点；或者，利用预先训练的视盘中心点识别模型，提取待评估眼底图像中视盘的中心点。
在另外一个实施例中，提取模块100，包括：
第一提取单元，用于从待评估眼底图像中对视盘区域进行分割以确定视盘的边缘；或者，从待评估眼底图像中定位视盘的位置，基于视盘所在的位置对视盘区域进行分割以确定视盘的边缘；
第一生成单元，用于基于视盘的边缘生成视盘的第一外接图形；其中，第一外接图形包括外接椭圆、外接圆或外接矩形。
在另外一个实施例中，第一提取单元从待评估眼底图像中定位视盘的位置时，具体用于：
利用预先训练的视盘区域定位模型，获取待评估眼底图像中视盘的位置。
在另外一个实施例中，图像评估装置，还包括：
极轴提取模块，用于若检测到第一外接图形为外接椭圆，则将外接椭圆的长轴作为视盘的长轴；若检测第一外接图形为外接矩形，则将外接矩形的长边作为视盘的长轴；
或者
若检测到第一外接图形为外接椭圆，则将外接椭圆的短轴作为视盘的短轴；若检测第一外接图形为外接矩形，则将外接矩形的短边作为视盘的短轴。
在另外一个实施例中，提取模块100提取待评估眼底图像中的黄斑区域的中心点时，具体用于：
确定待评估眼底图像中的黄斑区域的极值点，或黄斑区域的第二外接图形的中心点，或对黄斑区域进行腐蚀处理剩余的最后一个点，作为待评估眼底图像中的黄斑区域的中心点；
或者，利用预先训练的黄斑区域中心点识别模型，提取待评估眼底图像中的黄斑区域的中心点。
在另外一个实施例中，提取模块100，包括：
第二提取单元，用于从待评估眼底图像中对黄斑区域进行分割以确定黄斑区域的边缘；或者，从待评估眼底图像中定位黄斑区域的位置，基于黄斑区域所在的位置对黄斑区域进行分割以确定黄斑区域的边缘；
第二生成单元，用于基于黄斑区域的边缘生成黄斑区域的第二外接图形；其中，第二外接图形包括外接圆、外接椭圆或外接矩形。
在另外一个实施例中，第二提取单元从待评估眼底图像中定位黄斑区域的位置时，具体用于：
利用预先训练的黄斑区域定位模型，获取待评估眼底图像中的黄斑区域的位置。
本实施例提供的图像评估装置，与本申请实施例所提供的图像评估方法属于同一申请构思，可执行本申请任意实施例所提供的图像评估方法，具备执行图像评估方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的图像评估方法，此处不再加以赘述。
示例性计算机设备
与上述图像评估方法相对应的，本申请实施例还公开了一种计算机设备，参见图11所示。计算机设备包括一个或多个存储器200、一个或多个处理器210以及存储在存储器200上被处理器210执行的计算机程序。
处理器210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，并且可以控制该计算机设备中的其他组件以执行期望的功能。
存储器200可以包括一个或多个计算机程序产品，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。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。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210可以运行程序指令，以实现上文的本申请的各个实施例的自动跟踪照明的方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，计算机设备还可以包括：输入装置220和输出装置230，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。
输入装置220可包括接收用户输入的数据和信息的装置，例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。
输出装置230可以向外部输出各种信息的装置，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11中仅示出了该计算机设备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，计算机设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
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，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像评估方法中的步骤。
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，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，计算机程序指令在被处理器运行时使得处理器11执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像评估方法中的步骤。
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。
应当理解，本申请实施例描述中所用到的限定词“第一”、“第二”、“第三”、“第四”、“第五”和“第六”仅用于更清楚的阐述技术方案，并不能用于限制本申请的保护范围。
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)
1.一种图像评估方法，其特征在于，包括：
提取待评估眼底图像中视盘的中心点和黄斑区域的中心点；
检测所述视盘的中心点与所述黄斑区域的中心点的连线与水平线之间的第一夹角；和/或，检测所述视盘的极轴与水平线之间的第二夹角；和/或，检测视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的第三夹角；其中，所述第一夹角和所述第三夹角用于表示眼球的旋转程度，所述第二夹角用于表示视盘的倾斜程度；所述视盘的极轴为所述视盘的长轴或短轴；
输出所述第一夹角、所述第二夹角和所述第三夹角中的至少一个夹角的角度信息，作为斜视评估的辅助信息。
2.根据权利要求1所述的方法，其特征在于，提取视盘的中心点，包括：
确定视盘的第一外接图形的中心点，作为待评估眼底图像中的视盘的中心点；或者，利用预先训练的视盘中心点识别模型，提取待评估眼底图像中视盘的中心点。
3.根据权利要求2所述的方法，其特征在于，通过如下步骤确定所述视盘的第一外接图形：
从待评估眼底图像中对视盘区域进行分割以确定所述视盘的边缘；或者，从待评估眼底图像中定位所述视盘的位置，基于所述视盘所在的位置对视盘区域进行分割以确定所述视盘的边缘；
基于所述视盘的边缘生成所述视盘的第一外接图形；其中，所述第一外接图形包括外接椭圆、外接圆或外接矩形。
4.根据权利要求3所述的方法，其特征在于，所述从待评估眼底图像中定位所述视盘的位置，包括：
利用预先训练的视盘区域定位模型，获取待评估眼底图像中所述视盘的位置。
5.根据权利要求2所述的方法，其特征在于，所述视盘中的极轴的确定步骤包括：
若检测到所述第一外接图形为外接椭圆，则将所述外接椭圆的长轴作为所述视盘的长轴；若检测所述第一外接图形为外接矩形，则将所述外接矩形的长边作为所述视盘的长轴；
或者
若检测到所述第一外接图形为外接椭圆，则将所述外接椭圆的短轴作为所述视盘的短轴；若检测所述第一外接图形为外接矩形，则将所述外接矩形的短边作为所述视盘的短轴。
6.根据权利要求1所述的方法，其特征在于，提取待评估眼底图像中的黄斑区域的中心点，包括：
确定待评估眼底图像中的黄斑区域的极值点，或黄斑区域的第二外接图形的中心点，或对黄斑区域进行腐蚀处理剩余的最后一个点，作为待评估眼底图像中的黄斑区域的中心点；
或者，
利用预先训练的黄斑区域中心点识别模型，提取待评估眼底图像中的黄斑区域的中心点。
7.根据权利要求6所述的方法，其特征在于，通过如下步骤确定所述黄斑区域的第二外接图形：
从待评估眼底图像中对黄斑区域进行分割以确定所述黄斑区域的边缘；或者，从待评估眼底图像中定位所述黄斑区域的位置，基于所述黄斑区域所在的位置对黄斑区域进行分割以确定所述黄斑区域的边缘；
基于所述黄斑区域的边缘生成所述黄斑区域的第二外接图形；其中，所述第二外接图形包括外接圆、外接椭圆或外接矩形。
8.根据权利要求7所述的方法，其特征在于，所述从待评估眼底图像中定位所述黄斑区域的位置，包括：
利用预先训练的黄斑区域定位模型，获取待评估眼底图像中的所述黄斑区域的位置。
9.一种图像评估装置，其特征在于，包括：
提取模块，用于提取待评估眼底图像中视盘的中心点和黄斑区域的中心点；
检测模块，用于检测所述视盘的中心点与所述黄斑区域的中心点的连线与水平线之间的第一夹角；和/或，检测所述视盘的极轴与水平线之间的第二夹角；和/或，检测视盘的中心点与黄斑区域的中心点的连线与视盘的极轴之间的第三夹角；其中，所述第一夹角和所述第三夹角用于表示眼球的旋转程度，所述第二夹角用于表示视盘的倾斜程度；所述视盘的极轴为所述视盘的长轴或短轴；
输出模块，用于输出所述第一夹角、所述第二夹角和所述第三夹角中的至少一个夹角的角度信息，作为斜视评估的辅助信息。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上被所述处理器执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的图像评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210662570.1A CN114937024A (zh) | 2022-06-13 | 2022-06-13 | 图像评估方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210662570.1A CN114937024A (zh) | 2022-06-13 | 2022-06-13 | 图像评估方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114937024A true CN114937024A (zh) | 2022-08-23 |
Family
ID=82867213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210662570.1A Pending CN114937024A (zh) | 2022-06-13 | 2022-06-13 | 图像评估方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114937024A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423804A (zh) * | 2022-11-02 | 2022-12-02 | 依未科技(北京)有限公司 | 影像标定方法及装置、影像处理方法 |
| CN116269198A (zh) * | 2023-05-11 | 2023-06-23 | 深圳市眼科医院(深圳市眼病防治研究所) | 基于卷积神经网络的眼球旋转角测量方法及装置 |
| CN117437231A (zh) * | 2023-12-21 | 2024-01-23 | 依未科技(北京)有限公司 | 近视眼底结构改变的定位方法及装置、图像处理方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030076477A1 (en) * | 2001-10-22 | 2003-04-24 | Canon Kabushiki Kaisha | Ophthalmic photographic apparatus |
| CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
| CN109480765A (zh) * | 2018-10-31 | 2019-03-19 | 福州大学 | 基于定向局部对比度与位置约束的眼底图像黄斑与视盘检测方法 |
| CN110739071A (zh) * | 2019-10-10 | 2020-01-31 | 北京致远慧图科技有限公司 | 一种视盘黄斑联合定位模型的确定方法、装置及存储介质 |
| CN111046717A (zh) * | 2019-10-11 | 2020-04-21 | 平安科技（深圳）有限公司 | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 |
| 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 |
| CN114549395A (zh) * | 2021-12-14 | 2022-05-27 | 依未科技(北京)有限公司 | 基于视计算的图像特征确定的方法、装置、介质和设备 |
-
2022
- 2022-06-13 CN CN202210662570.1A patent/CN114937024A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030076477A1 (en) * | 2001-10-22 | 2003-04-24 | Canon Kabushiki Kaisha | Ophthalmic photographic apparatus |
| CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
| CN109480765A (zh) * | 2018-10-31 | 2019-03-19 | 福州大学 | 基于定向局部对比度与位置约束的眼底图像黄斑与视盘检测方法 |
| CN110739071A (zh) * | 2019-10-10 | 2020-01-31 | 北京致远慧图科技有限公司 | 一种视盘黄斑联合定位模型的确定方法、装置及存储介质 |
| CN111046717A (zh) * | 2019-10-11 | 2020-04-21 | 平安科技（深圳）有限公司 | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 |
| 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 |
| CN114549395A (zh) * | 2021-12-14 | 2022-05-27 | 依未科技(北京)有限公司 | 基于视计算的图像特征确定的方法、装置、介质和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 张伟；谢芳: "旋转性斜视的诊断和治疗", 《中国眼科杂志》, vol. 56, no. 3, 11 March 2020 (2020-03-11), pages 235 - 240 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423804A (zh) * | 2022-11-02 | 2022-12-02 | 依未科技(北京)有限公司 | 影像标定方法及装置、影像处理方法 |
| WO2024093800A1 (zh) * | 2022-11-02 | 2024-05-10 | 依未科技(北京)有限公司 | 影像标定方法及装置、影像处理方法及装置、电子设备及存储介质 |
| CN116269198A (zh) * | 2023-05-11 | 2023-06-23 | 深圳市眼科医院(深圳市眼病防治研究所) | 基于卷积神经网络的眼球旋转角测量方法及装置 |
| CN116269198B (zh) * | 2023-05-11 | 2023-11-14 | 深圳市眼科医院(深圳市眼病防治研究所) | 基于卷积神经网络的眼球旋转角测量方法及装置 |
| CN117437231A (zh) * | 2023-12-21 | 2024-01-23 | 依未科技(北京)有限公司 | 近视眼底结构改变的定位方法及装置、图像处理方法 |
| CN117437231B (zh) * | 2023-12-21 | 2024-04-26 | 依未科技(北京)有限公司 | 近视眼底结构改变的定位方法及装置、图像处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400289B (zh) | 眼底图像识别方法、装置、设备和存储介质 | |
| Yin et al. | Vessel extraction from non-fluorescein fundus images using orientation-aware detector | |
| Aquino et al. | Detecting the optic disc boundary in digital fundus images using morphological, edge detection, and feature extraction techniques | |
| CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
| Tjandrasa et al. | Optic nerve head segmentation using hough transform and active contours | |
| JP7197708B2 (ja) | 眼底画像定量分析の前置処理方法および記憶装置 | |
| US20110137157A1 (en) | Image processing apparatus and image processing method | |
| Giancardo et al. | Elliptical local vessel density: a fast and robust quality metric for retinal images | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| Giachetti et al. | Multiresolution localization and segmentation of the optical disc in fundus images using inpainted background and vessel information | |
| Suero et al. | Locating the Optic Disc in Retinal Images Using Morphological Techniques. | |
| 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 | |
| Gunay et al. | Automated detection of adenoviral conjunctivitis disease from facial images using machine learning | |
| Ramlee et al. | Automated detecting arcus senilis, symptom for cholesterol presence using iris recognition algorithm | |
| Dias et al. | Evaluation of retinal image gradability by image features classification | |
| Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
| CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| CN115908405B (zh) | 确定眼底特征的方法、装置和电子设备 | |
| Niemeijer et al. | Automated localization of the optic disc and the fovea | |
| Treigys et al. | Automated optic nerve disc parameterization | |
| CN111588345A (zh) | 眼部疾病检测方法、ar眼镜及可读存储介质 | |
| CN113116292B (zh) | 基于眼部外观图像的眼位测量方法、装置、终端和设备 | |
| US10617294B1 (en) | System and method for determining the spherical power of eyes based on measured refractive error | |
| 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 | |
| Tascini et al. | Retina vascular network recognition |
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 |