CN115423804A - 影像标定方法及装置、影像处理方法 - Google Patents
影像标定方法及装置、影像处理方法 Download PDFInfo
- Publication number
- CN115423804A CN115423804A CN202211363571.2A CN202211363571A CN115423804A CN 115423804 A CN115423804 A CN 115423804A CN 202211363571 A CN202211363571 A CN 202211363571A CN 115423804 A CN115423804 A CN 115423804A
- Authority
- CN
- China
- Prior art keywords
- fundus image
- target
- optic disc
- 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.)
- Granted
Links
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本公开披露了一种影像标定方法及装置、影像处理方法,涉及影像标定技术领域。该影像标定方法包括:基于目标眼底影像,确定目标眼底影像的视盘区域;基于目标眼底影像,确定目标眼底影像的成像有效区域,其中,成像有效区域包括可见眼底结构的区域;基于成像有效区域和视盘区域,确定目标眼底影像的标定结果,其中,标定结果包括对目标眼底影像的像素单元尺寸以及眼底特征尺寸的标定结果。本公开通过成像有效区域和视盘区域,对目标眼底影像进行标定,能够实现不同相机拍摄的眼底影像进行对比,帮助实现眼底相关特征测量及研究。
Description
技术领域
本公开涉及影像标定技术领域,具体涉及一种影像标定方法及装置、影像处理方法。
背景技术
眼底影像能够了解眼底结构的形态及眼底特征的变化,已经成为临床疾病诊断治疗的重要辅助工具。随着大数据时代的发展,通过大量眼底影像,进行针对眼部疾病和治疗效果的研究越来越多。
然而,在眼底相机的生产过程中,不同生产厂家所设定的眼底相机的成像参数是不同的,而具有不同成像参数的眼底相机所拍摄的眼底影像的眼底特征的大小也不一致,因此,不同成像参数的眼底相机所拍摄的眼底影像难以进行对比,进而给相关研究带来了困扰。
发明内容
有鉴于此,本公开提供一种影像标定方法及装置、影像处理方法,以解决不同眼底相机拍摄的不同眼底影像难以对比的问题。
第一方面,本公开一实施例提供一种影像标定方法,该方法包括:基于目标眼底影像,确定目标眼底影像的视盘区域;基于目标眼底影像,确定目标眼底影像的成像有效区域,其中,成像有效区域包括可见眼底结构的区域;基于成像有效区域和视盘区域,确定目标眼底影像的标定结果,其中,标定结果包括对目标眼底影像的像素单元尺寸以及眼底特征尺寸的标定结果。
结合第一方面,在第一方面的某些实现方式中,基于成像有效区域和视盘区域,确定目标眼底影像的标定结果包括:基于成像有效区域的直径和视盘区域的直径的比值、基于成像有效区域中的黄斑中心位置与视盘区域的中心位置的距离值、基于成像有效区域面积与视盘区域面积的比值中的至少一种,确定目标眼底影像的标定结果。
结合第一方面,在第一方面的某些实现方式中,基于成像有效区域的直径和视盘区域的直径的比值、和/或基于成像有效区域中的黄斑中心位置与视盘区域的中心位置的距离值,确定目标眼底影像的标定结果之前,该方法还包括:确定视盘区域对应的视盘最小外接图形;基于视盘最小外接图形,确定视盘区域的直径。
结合第一方面,在第一方面的某些实现方式中,基于目标眼底影像,确定目标眼底影像的视盘区域,包括:利用深度学习网络模型对目标眼底影像进行处理,得到目标眼底影像的视盘区域在直角坐标系下的位置数据;对直角坐标系下的位置数据进行极坐标变换,在极坐标下,确定视盘区域的视盘边界坐标;基于视盘边界坐标,确定目标眼底影像的视盘区域;或者,基于目标眼底影像,确定目标眼底影像的视盘区域,包括:利用计算机视觉技术处理目标眼底影像,得到目标眼底影像的视盘区域;或者,基于目标眼底影像,确定目标眼底影像的视盘区域,包括:利用深度学习分割网络对目标眼底影像进行处理,获得眼底影像的视盘区域。
结合第一方面,在第一方面的某些实现方式中,基于目标眼底影像,确定目标眼底影像的成像有效区域,包括:基于目标眼底影像,确定目标眼底影像的成像有效区域边缘;基于成像有效区域边缘,利用拟合外接图形,确定目标眼底影像的成像有效区域。
结合第一方面,在第一方面的某些实现方式中,基于目标眼底影像,确定目标眼底影像的成像有效区域边缘,包括:对标眼底影像进行通道分离,得到目标眼底影像对应的灰度图像;对灰度图像进行二值化,得到二值化图像;基于二值化图像,确定目标眼底影像的成像有效区域边缘。
第二方面,本公开一实施例提供一种影像处理方法,该方法包括:利用第一方面所提及的影像标定方法,对多个待标定眼底影像数据进行标定,生成多个待标定眼底影像数据各自的标定结果;基于多个待标定眼底影像数据各自的标定结果,确定针对同一眼底特征的多个尺寸标定结果;对针对同一眼底特征的多个尺寸标定结果进行比对,获得多个尺寸标定结果的对比结果。
第三方面,本公开一实施例提供一种影像标定装置,该装置包括:第一确定模块,用于基于目标眼底影像,确定目标眼底影像的视盘区域;第二确定模块,用于基于目标眼底影像,确定目标眼底影像的成像有效区域,其中,成像有效区域包括可见眼底结构的区域;标定模块,基于成像有效区域和视盘区域,确定目标眼底影像的标定结果,其中,标定结果包括对目标眼底影像最小像素单元尺寸以及眼底特征尺寸的标定结果。
第四方面,本公开一实施例提供一种影像处理装置,该装置包括:标定模块,用于利用第一方面所提及的影像标定方法,对多个待标定眼底影像数据进行标定,生成多个待标定眼底影像数据的多个标定结果;确定模块,用于基于多个待标定眼底影像数据的多个标定结果,确定多个眼底特征的多个尺寸标定结果;对比模块,用于对多个眼底特征的多个尺寸标定结果进行比对,获得多个尺寸标定结果的对比结果。
第五方面,本公开一实施例提供一种电子设备,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,其中,处理器用于执行第一方面所提及的方法。
第六方面,本公开一实施例提供一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序用于执行第一方面提及的方法。
本公开提供的影像标定方法,通过目标眼底影像的成像有效区域和视盘区域确定眼底影像的标定结果,能够将不同的眼底影像相机得到的不同的眼底影像进行标定,并将得到的标定结果进行对比,从而解决了不同眼底相机拍摄的不同眼底影像难以对比的问题,实现眼底相关特征测量,有利于不同眼底影像对比的相关研究。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。
图1所示为本公开的一实施例提供的应用场景示意图。
图2所示为本公开的一实施例提供的影像标定方法的流程示意图。
图3所示为本公开的一实施例提供的另一影像标定方法的流程示意图。
图4所示为本公开的一实施例提供的基于目标眼底影像,确定目标眼底影像的视盘区域的流程示意图。
图5所示为本公开的一实施例提供的基于目标眼底影像,确定目标眼底影像的成像有效区域的流程示意图。
图6所示为本公开的一实施例提供的基于目标眼底影像,确定目标眼底影像的成像有效区域边缘的流程示意图。
图7所示为本公开的一实施例提供的影像处理方法的流程示意图。
图8所示为本公开的一实施例提供的影像标定装置的结构示意图。
图9所示为本公开的一实施例提供的影像处理装置的结构示意图。
图10所示为本公开的一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。
眼底影像能够了解眼底结构的形态及变化,眼底结构的精细测量,对于了解眼底特征的形态变化以及疾病的诊断治疗都非常重要,已经成为临床疾病诊断治疗的重要辅助工具。随着大数据时代的发展,通过大量眼底影像,对眼部疾病和治疗效果的研究越来越多。
然而,在相机生产的过程中,不同的眼底相机生产厂家成像参数设置也不同,不同眼底相机拍摄的眼底影像上的眼底特征的大小也往往不一致。具体而言,不同的眼底相机由于成像参数不同,导致成像分辨率不一致,从而使得在利用不同相机拍摄所形成的同一个人的眼底影像中,眼底特征大小看起来不一致,而当成像幅宽不一致时,这种不一致愈加明显,使得不同相机拍摄的眼底特征难以进行对比,进而给相关对比研究带来了困扰。尤其是,给临床多中心研究带来了巨大困扰。由此可见,如何对眼底影像进行标定,使得不同相机拍摄获得眼底影像特征测量具有对比性,是亟需解决的问题。
为了解决上述问题,本公开实施例提供一种影像标定方法,以解决不同眼底相机拍摄的不同眼底影像难以对比的问题。
下面结合图1对本公开一实施例的应用场景进行简单的介绍。
图1所示本公开一实施例的应用场景示意图。如图1所示,该场景为对眼底影像A(目标眼底影像)进行标定的场景。具体而言,对眼底影像A(目标眼底影像)进行标定的场景包括服务器110、与服务器110通信连接的用户终端120,服务器110用于执行本公开实施例提及的眼底影像标定方法。
示例性地,在实际应用中,用户利用用户终端120向服务器110发送对眼底影像A进行标定的指令,服务器110在接受到该指令后,对眼底影像A进行处理,获得眼底影像A的视盘区域和成像有效区域,然后服务器110根据眼底影像A的视盘区域和成像有效区域,确定眼底影像A的标定结果,继而向用户终端120输出A的标定结果,以便用户终端120向用户呈现该眼底影像的标定结果。
示例性地,上述提及的用户终端120包括但不限于台式电脑、笔记本电脑等计算机终端及平板电脑、手机等移动终端。
下面结合图2至图6对本公开的影像标定方法进行简单的介绍。
图2所示为本公开的一实施例提供的影像标定方法的流程示意图。示例性地,本公开实施例提供的影像标定方法由服务器或处理器执行。如图2所示,本公开实施例提供的影像标定方法具体步骤如下。
步骤S210,基于目标眼底影像,确定目标眼底影像的视盘区域。
示例性地,目标眼底影像指的是待标定的眼底影像,比如,某患者的眼底影像,某疾病研究志愿者的眼底影像,或正常人的眼底影像等。
步骤S220,基于目标眼底影像,确定目标眼底影像的成像有效区域。
示例性地,成像有效区域可以是可见眼底结构的区域,比如是在彩色眼底图像中可见眼底结构的区域。成像有效区域一般位于图像中心,且成像有效区域一般为圆形区域。
步骤S230,基于成像有效区域和视盘区域,确定目标眼底影像的标定结果。
示例性地,标定结果可以是对目标眼底影像的眼底特征尺寸的标定结果,眼底特征包括视杯、病灶等,标定结果可以是,对视杯大小的标定结果,病灶大小的标定结果等。
示例性地,基于成像有效区域直径和视盘区域直径的比值,也可以基于成像有效区域内的黄斑中心位置与视盘区域中心位置的距离值,确定目标眼底影像的标定结果。目标眼底影像的标定结果包括对目标眼底影像像素单元尺寸以及眼底特征尺寸的标定结果。
由于成像有效区域和视盘区域的直径比值均在预设范围内。本公开实施例提及的影像标定方法,能够通过成像有效区域和视盘区域,确定目标眼底影像的标定结果,对不同相机的眼底影像进行标定,标定结果均基于成像有效区域和视盘区域获得,因此,能够使得不同相机的眼底影像的标定结果具有对比性。并且,现有眼底相机的产品参数仅标注分辨率、像素等参数,无法获知每个像素的大小,本公开实施例目标眼底影像的标定结果包括对目标眼底影像像素单元尺寸以及眼底特征尺寸的标定结果,能够解决无法获得眼底相机的每个像素大小的问题。此外,根据像素单元尺寸能够获取眼底特征尺寸,例如血管直径、病灶等特征尺寸,便于定量化评估眼底特征,提高准确性,为后续眼底疾病诊断提供科学依据。
在本公开一实施例中,基于成像有效区域的直径和视盘区域的直径的比值、基于成像有效区域中的黄斑中心位置与视盘区域的中心位置的距离值、基于成像有效区域面积与视盘区域面积的比值中的至少一种,确定目标眼底影像的标定结果。
示例性地,通过成像有效区域的直径和视盘区域的直径的比值和临床成像有效区域的直径和真实测量视盘区域的直径的比值,确定目标眼底影像的标定结果;或者通过目标眼底影像成像有效区域中的黄斑中心位置与视盘区域中心位置的距离值和临床成像有效区域中的真实黄斑中心位置与真实测量的视盘区域的中心位置的距离值的比值,确定目标眼底影像的标定结果;或者基于成像有效区域面积与视盘区域面积的比值,确定目标眼底影像的标定结果;或者基于成像有效区域的直径和视盘区域的直径的比值,和,基于成像有效区域中的黄斑中心位置与视盘区域中心位置的距离值,和,基于成像有效区域面积与视盘区域面积的比值中的三种比值,任意两种比值结果的交集,确定目标眼底影像结果;或者,基于成像有效区域的直径和视盘区域的直径的比值,和,基于成像有效区域中的黄斑中心位置与视盘区域中心位置的距离值,和,基于成像有效区域面积与视盘区域面积的比值,三种比值结果的交集确定共同确定目标眼底影像的标定结果。
示例性地,根据基于成像有效区域的直径和视盘区域的直径的比值确定的标定结果,和,基于成像有效区域中的黄斑中心位置与视盘区域中心位置的距离值获得的标定结果,通过对两个标定结果进行交集处理获得最终的目标眼底影像的标定结果;或者,根据根据基于成像有效区域的直径和视盘区域的直径的比值获得的标定结果,和,基于成像有效区域中的黄斑中心位置与视盘区域中心位置的距离值确定的标定结果,通过加权求和的方式,确定最终的目标眼底影像的标定结果。
示例性地,同一眼底相机的不同拍摄角度获得的成像有效区域的成像范围不同。临床成像有效区域的成像范围与目标眼底影像的成像有效区域的成像范围一致,可以是同一拍摄角度下获得的临床成像有效区域和目标眼底影像,例如,目标眼底影像由拍摄角度为45°的眼底相机拍摄,在此情况下,获取同样拍摄角度为45°的临床成像有效区域。
示例性地,眼底影像相机的拍摄角度小于或等于60°。
示例性地,临床成像有效区域的直径是通过计算平均人群成像有效区域直径获得,真实测量视盘区域的直径可以是相关临床解刨后测量的视盘直径的数据平均值,或人工绝对定标的视盘直径的相关数据的平均值,也可以是,临床解刨后测量视盘直径的数据和人工绝对定标的视盘直径的数据总和的平均值。示例性地,提及的人群指的是普通人群,可以是非视盘病变的患者,也可是健康人群,同时,人的视盘大小虽有个别差异,但人群视盘大小相似,呈正态分布,因此能够通过取平均值确定真实视盘大小。虽然视盘大小能够通过人工绝对定标获得,但由于人工定标繁琐且需要人工有一定的专业性,人工绝对定标在临床研究中大范围使用受限,也不能根据已经拍摄的照片进行标定,人工绝对定标不能满足当前研究需求。
示例性地,成像有效区域中的黄斑中心位置与视盘中心位置的距离值,是通过计算平均人群成像有效区域中的黄斑中心位置与视盘中心位置的距离值确定;或者人工绝对标定的距离的相关数据的平均值。
本公开实施例提及的影像标定方法,通过成像有效区域的直径和视盘区域的直径,和/或基于成像有效区域中的黄斑中心位置与视盘区域中心位置的距离,基于真实测量值对眼底影像进行标定,得到统一标定的参数,使得不同相机的不同眼底影像的眼底特征标定结果能够进行对比,便于定量化评估眼底特征,提高准确性,为后续眼底疾病诊断提供科学依据。
图3所示为本公开的一实施例提供的另一影像标定方法的流程示意图。如图3所示,在基于成像有效区域的直径和视盘区域的直径的比值、和/或基于成像有效区域中的黄斑中心位置与视盘区域的中心位置的距离值、和/或基于成像有效区域面积与视盘区域面积的比值,确定目标眼底影像的标定结果之前,该影像标定方法还包括如下步骤。
步骤S310,确定视盘区域对应的视盘最小外接图形。
示例性地,确定视盘区域对应的视盘最小外接圆、最小外接椭圆和最小外接矩形等。
步骤S320,基于视盘最小外接图形,确定视盘区域的直径。
示例性地,根据最小外接圆的直径,来确定视盘区域的直径。根据最小外接椭圆的长轴,来确定视盘区域的直径。根据最小外接矩形的长轴,来确定视盘区域的直径。
本公开实施例通过最小外接图形确定视盘直径,获得的视盘直径更加准确,能够提高影像标定结果的精度。
图4所示为本公开的一实施例提供的基于目标眼底影像,确定目标眼底影像的视盘区域的流程示意图。如图4所示,本公开实施例提供的基于目标眼底影像,确定目标眼底影像的视盘区域,具体步骤如下。
步骤S410,利用深度学习网络模型对目标眼底影像进行处理,得到目标眼底影像的视盘区域在直角坐标系下的位置数据。
示例性地,利用深度学习目标检测网络,对目标眼底影像数据进行处理,获得视盘区域位置图像,根据视盘区域位置图像,得到目标影像的视盘区域在直角坐标系下的位置数据。
步骤S420,在极坐标下,基于直角坐标系下的位置数据,确定视盘区域的视盘边界坐标。
示例性地,根据目标影像的视盘区域在直角坐标系下的半径,进行二维极坐标转换。通过对直角坐标系下的位置数据进行极坐标变换,能够使得视盘区域的视盘边界成为水平方向一条清晰可见的曲线。
步骤S430,基于视盘边界坐标,确定目标眼底影像的视盘区域。
示例性地,根据上述获得水平方向的曲线,确定目标眼底影像的视盘区域。
本公开提供的实施例,通过极坐标变换,能够获得水平方向清晰可见的曲线,能够提高视盘边缘分割的精度,从而提高获得的目标眼底影像的视盘区域更加精确,从而提高影像标定结果的准确性。
在本公开提供的一实施例中,基于目标眼底影像,确定目标眼底影像的视盘区域的方法也可以利用计算机视觉技术处理目标眼底影像,得到目标眼底影像的视盘区域。示例性地,利用计算机视觉技术,基于计算机视觉注意机制,对眼底影像内容进行检测,识别视盘位置,确定目标眼底影像的视盘区域。
在本公开提供的一实施例中,基于目标眼底影像,确定目标眼底影像的视盘区域的方法也可以利用深度学习分割网络对目标眼底影像进行处理,获得眼底影像的视盘区域。示例性地,利用训练好的深度学习分割网络对目标眼底影像进行处理,对目标眼底影像视盘区域进行分割,获得眼底影像的视盘区域。
本公开提供的利用计算机视觉处理目标眼底影像,可直接获得眼底影像的视盘区域,能够更简单地获得视盘直径,降低影像标定过程的复杂程度。
图5所示为本公开的一实施例提供的基于目标眼底影像,确定目标眼底影像的成像有效区域的流程示意图。如图5所示,本公开实施例提供的基于目标眼底影像,确定目标眼底影像的成像有效区域,具体步骤如下。
步骤S510,基于目标眼底影像,确定目标眼底影像的成像有效区域边缘。
示例性地,基于目标眼底影像,基于梯度阈值或边缘检测算子(如Canny边缘检测算子),确定目标眼底影像的成像有效区域边缘。示例性地,视盘的边缘是纵向方向变化最快的区域通过梯度阈值,能够有效排除一些噪声和边缘的重叠,最后通过最大梯度边缘连接,获得视盘的边缘。
步骤S520,基于成像有效区域边缘,利用拟合外接图形,确定目标眼底影像的成像有效区域。
示例性的,目标眼底影像能够直接获得成像有效区域,并对成像有效区域进行处理,获得成像有效区域边缘,利用拟合外接图形对成像有效区域边缘处理,获得处理后的眼底成像有效区域,根据处理后的眼底影像有效区域,确定眼底影像有效区域直接。
示例性地,利用外接图形,确定目标眼底影像的成像有效区域包括,对目标眼底影像的成像有效区域霍夫(Hough)变换;具体地,对目标眼底影像的成像有效区域边缘,进行圆形Hough变换,得票最多的圆形为目标眼底影像的成像有效区域。其中,Hough变换过程类似于选举投票过程,通过三点确定候选圆,图像边缘所有点与候选圆的交点作为投票,得票最多的候选圆即为所确定的目标眼底影像的成像有效区域。
本公开提供的实施例,通过梯度阈值或Canny边缘检测算子获得目标眼底影像的成像有效区域边缘,能够使得成像有效区域边缘的更精确,从而提高标定的准确度。此外,通过Hough变换,能够在成像有效区域为非完整圆形情况下,精确地识别成像有效区域的半径,降低了影像标定对影像的要求,能够针对不同的相机的不同眼底影像进行处理,增加了影像标定的适用范围。
图6所示为本公开的一实施例提供的基于目标眼底影像,确定目标眼底影像的成像有效区域边缘的流程示意图。如图6所示,本公开实施例提供的基于目标眼底影像,确定目标眼底影像的成像有效区域边缘,具体步骤如下。
步骤S610,对目标眼底影像进行通道分离,得到目标眼底影像对应的灰度图像。
示例性地,选取红(Red)、绿(Green)、蓝(Blue)三个颜色通道,选择其中一个通道或者组合通道作为提取通道,对目标眼底影像进行通道分离。此外,也可以针对色相(Hue)、饱和度(Saturation)、亮度(Lightness)三种属性,选择其中一种属性或组合属性作为提取通道,对目标眼底影像进行通道分离。又或者,也可以选用红(Red)、绿(Green)、蓝(Blue)和色相(Hue)、饱和度(Saturation))、亮度(Lightness)之间的相互组合,作为提取通道,例如选取红(Red)和色相(Hue)组合,作为提取通道,对目标眼底影像进行通道分离。
步骤S620,对灰度图像进行二值化,得到二值化图像。
示例性地,选取通道灰度均值的1/3作为阈值,对图像进行二值化,得到二值化图像。
步骤S630,基于二值化图像,确定目标眼底影像的成像有效区域边缘。
本公开提供的实施例,通过通道分离和图像二值化,确定目标眼底影像的成像有效区域边缘。如此设置,能够使获得的目标眼底影像的成像有效区域的边缘更加精确,进而能够提高影像标定结果的准确性。
图7所示为本公开的一实施例提供的影像处理方法的流程示意图。如图7所示,本公开实施例提供的影像处理方法具体步骤如下。
步骤S710,对多个待标定眼底影像数据进行标定,生成多个待标定眼底影像数据各自的标定结果。
示例性地,基于上述任一实施例提及的影像标定方法,对多个待标定眼底影像数据进行标定,生成多个待标定眼底影像数据的多个标定结果。示例性地,多个待标定影像是针对同一人,利用不同相机、不同时间拍摄的眼底影像,或者是,针对不同人,利用不同眼底相机、不同时间拍摄的眼底影像。
步骤S720,基于多个待标定眼底影像数据各自的标定结果,确定针对同一眼底特征的多个尺寸标定结果。
示例性地,基于同一人,利用不同相机、不同时间拍摄的多个眼底影像各自的标定结果,确定多个眼底影像针对同一眼底特征的多个尺寸标定结果,例如,根据标定结果,确定不同眼底影像中病灶的不同的尺寸标定结果。
步骤S730,对针对同一眼底特征的多个尺寸标定结果进行比对,获得多个尺寸标定结果的对比结果。
示例性地,基于上述获得的多个眼底影像数据的多个眼底影像针对同一眼底特征的多个尺寸标定结果,如是不同眼底影像中病灶不同的尺寸标定结果,进行眼底特征的对比。对同一病人的多个眼底影像的病灶尺寸的大小的对比,能够确定病人病灶的发展状况,可以实现对不同相机拍摄的不同眼底影像数据进行对比,帮助完成相关研究。
本公开提供的实施例,通过上述任一实施例提及的影像标定方法对多个待标定影像数据进行标定。由于多个眼底影像的标定结果均基于真实的临床数据获得,有统一的标定标准,因此,多个眼底影像的标定结果能够进行对比。此外,本公开实施例利用多个眼底影像各自的标定结果,确定针对同一眼底特征的多个尺寸标定结果(例如血管直径、病灶,视杯等大小),对针对同一眼底特征的多个尺寸标定结果进行比对,能够确定眼底特征的形态变化,从而给对比不同眼底影像的相关研究带来帮助。
图8所示为本公开的一实施例提供的影像标定装置的结构示意图,如图8所示,本公开实施例提供的影像标定装置800包括,第一确定模块810、第二确定模块820和标定模块830。第一确定模块810,用于基于目标眼底影像,确定目标眼底影像的视盘区域;第二确定模块820,用于基于目标眼底影像,确定目标眼底影像的成像有效区域,其中,成像有效区域包括可见眼底结构的区域;标定模块830,基于成像有效区域和视盘区域,确定目标眼底影像的标定结果,其中,标定结果包括对目标眼底影像最小像素单元尺寸以及眼底特征尺寸的标定结果。
在一些实施例中,第一确定模块810还用于,确定视盘区域对应的视盘最小外接图形;基于视盘最小外接图形,确定视盘区域的直径。
在一些实施例中,第一确定模块810还用于,利用深度学习网络处理目标眼底影像,得到目标眼底影像的视盘区域在直角坐标系下的位置数据;对直角坐标系下的位置数据进行极坐标变换,确定视盘区域的视盘边界;基于视盘边界,确定目标眼底影像的视盘区域;
在一些实施例中,第一确定模块810还用于,利用计算机视觉技术处理目标眼底影像,得到所述目标眼底影像的视盘区域。
在一些实施例中,第一确定模块810还用于,利用深度学习分割网络对目标眼底影像进行处理,获得眼底影像的视盘区域。
在一些实施例中,第二确定模块820还用于,基于目标眼底影像,确定目标眼底影像的成像有效区域边缘;基于成像有效区域边缘,利用拟合外接图形,确定目标眼底影像的成像有效区域。
在一些实施例中,第二确定模块820还用于,对目标眼底影像进行通道分离,得到目标眼底影像对应的灰度图像;对灰度图像进行二值化,得到二值化图像;基于二值化图像,确定目标眼底影像的成像有效区域边缘。
在一些实施例中,标定模块830还用于,基于成像有效区域的直径和视盘区域的直径的比值,确定目标眼底影像的标定结果。
在一些实施例中,标定模块830还用于,基于成像有效区域中的黄斑中心位置与视盘区域中心位置的距离值,确定目标眼底影像的标定结果。
在一些实施例中,标定模块830还用于,基于成像有效区域面积与视盘区域面积的比值,确定目标眼底影像的标定结果。
在一些实施例中,标定模块830还用于,基于成像有效区域的直径和视盘区域的直径的比值,和,基于黄斑中心位置与视盘区域中心位置的距离值,共同确定目标眼底影像的标定结果。
示例性地,将基于成像有效区域的直径和视盘区域的直径的比值获得的标定结果,和,基于成像区域中的黄斑中心位置与视盘区域中心位置的距离值获得的标定结果,通过求交集处理,确定最终的标定结果;或者将基于成像有效区域的直径和视盘区域的直径的比值获得的标定结果,和,基于成像区域中的黄斑中心位置与视盘区域中心位置的距离值获得的标定结果,通过加权求和方式,确定最终的标定结果。
在一些实施例中,标定模块830还用于,基于成像有效区域的直径和视盘区域的直径的比值,和,基于成像有效区域中的黄斑中心位置与视盘区域中心位置的距离值,和,基于成像有效区域面积与视盘区域面积的比值中,任意两种比值结果的交集,确定目标眼底影像结果。
在一些实施例中,标定模块830还用于,基于成像有效区域的直径和视盘区域的直径的比值,和,基于成像有效区域中的黄斑中心位置与视盘区域中心位置的距离值,和,基于成像有效区域面积与视盘区域面积的比值,三种比值结果的交集确定。
图9所示为本公开的一实施例提供的影像处理装置的结构示意图。如图9所示,本公开实施例提供的影像处置装置900包括标定模块910、确定模块920和对比模块930。其中,标定模块910用于,利用上述实施例提及的影像标定方法,对多个待标定眼底影像数据进行标定,生成多个待标定眼底影像数据的多个标定结果;确定模块920,用于基于多个待标定眼底影像数据的多个标定结果,确定多个眼底特征的多个尺寸标定结果;对比模块930,用于对多个眼底特征的多个尺寸标定结果进行比对,获得多个尺寸标定结果的对比结果。
图10所示为本公开的一实施例提供的电子设备结构示意图。图10所示为本公开一实施例提供的电子设备的结构示意图。图10所示的电子设备1000(该电子设备1000具体可以是一种计算机设备)包括存储器1001、处理器1002、通信接口1003以及总线1004。其中,存储器1001、处理器1002、通信接口1003通过总线1004实现彼此之间的通信连接。
存储器1001可以是只读存储器(Read Only Memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(Random Access Memory,RAM)。存储器1001可以存储程序,当存储器1001中存储的程序被处理器1002执行时,处理器1002和通信接口1003用于执行本公开实施例的影像标定装置中的各个步骤。
处理器1002可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),图形处理器(Graphics Processing Unit,GPU)或者一个或多个集成电路,用于执行相关程序,以实现本公开实施例的影像标定装置中的各个单元所需执行的功能。
处理器1002还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本公开的影像标定方法的各个步骤可以通过处理器1002中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1002还可以是通用处理器、数字信号处理器(DigitalSignal Processing,DSP)、专用集成电路(ASIC)、现场可编程门阵列(Field ProgrammableGate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1001,处理器1002读取存储器1001中的信息,结合其硬件完成本公开实施例的影像标定装置中包括的单元所需执行的功能,或者执行本公开方法实施例的影像标定方法。
通信接口1003使用例如但不限于收发器一类的收发装置,来实现电子设备1000与其他设备或通信网络之间的通信。例如,可以通过通信接口1003获取处理待标定的影像数据。
总线1004可包括在电子设备1000各个部件(例如,存储器1001、处理器1002、通信接口1003)之间传送信息的通路。
应注意,尽管图10所示的电子设备1000仅仅示出了存储器、处理器、通信接口,但是在具体实现过程中,本领域的技术人员应当理解,电子设备1000还包括实现正常运行所必须的其他器件。同时,根据具体需要,本领域的技术人员应当理解,电子设备1000还可包括实现其他附加功能的硬件器件。此外,本领域的技术人员应当理解,电子设备1000也可仅仅包括实现本公开实施例所必须的器件,而不必包括图10中所示的全部器件。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本公开所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
此外,本公开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公开各种实施例的方法中的步骤。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而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。前述的存储介质的更具体的例子(非穷举的列表)包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质,或者上述的任意合适的组合。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种影像标定方法,其特征在于,包括:
基于目标眼底影像,确定所述目标眼底影像的视盘区域;
基于所述目标眼底影像,确定所述目标眼底影像的成像有效区域,其中,所述成像有效区域包括可见眼底结构的区域;
基于所述成像有效区域和所述视盘区域,确定所述目标眼底影像的标定结果,其中,所述标定结果包括对所述目标眼底影像像素单元尺寸以及眼底特征尺寸的标定结果。
2.根据权利要求1所述的影像标定方法,其特征在于,所述基于所述成像有效区域和所述视盘区域,确定所述目标眼底影像的标定结果,包括:
基于所述成像有效区域的直径和所述视盘区域的直径的比值、基于所述成像有效区域中的黄斑中心位置与所述视盘区域的中心位置的距离值、基于所述成像有效区域面积与所述视盘区域面积的比值中的至少一种,确定所述目标眼底影像的标定结果。
3.根据权利要求2所述的影像标定方法,其特征在于,在所述基于所述成像有效区域的直径和所述视盘区域的直径的比值、和/或基于所述成像有效区域中的黄斑中心位置与所述视盘区域的中心位置的距离值、和/或基于所述成像有效区域面积与所述视盘区域面积的比值,确定所述目标眼底影像的标定结果之前,还包括:
确定所述视盘区域对应的视盘最小外接图形;
基于所述视盘最小外接图形,确定所述视盘区域的直径。
4.根据权利要求1至3任一项所述的影像标定方法,其特征在于,所述基于所述目标眼底影像,确定所述目标眼底影像的视盘区域,包括:
利用深度学习网络模型对所述目标眼底影像进行处理,得到所述目标眼底影像的视盘区域在直角坐标系下的位置数据;
对所述直角坐标系下的位置数据进行极坐标变换,在极坐标下确定所述视盘区域的视盘边界坐标;
基于所述视盘边界坐标,确定所述目标眼底影像的视盘区域;
或者,所述基于所述目标眼底影像,确定所述目标眼底影像的视盘区域,包括:
利用计算机视觉技术处理所述目标眼底影像,得到所述目标眼底影像的视盘区域;
或者,所述基于所述目标眼底影像,确定所述目标眼底影像的视盘区域,包括:
利用深度学习分割网络对所述目标眼底影像进行处理,获得所述眼底影像的视盘区域。
5.根据权利要求1至3任一项所述的影像标定方法,其特征在于,所述基于所述目标眼底影像,确定所述目标眼底影像的成像有效区域,包括:
基于所述目标眼底影像,确定所述目标眼底影像的成像有效区域边缘;
基于所述成像有效区域边缘,利用拟合外接图形,确定所述目标眼底影像的成像有效区域。
6.根据权利要求5所述的影像标定方法,其特征在于,所述基于所述目标眼底影像,确定所述目标眼底影像的成像有效区域边缘,包括:
对所述目标眼底影像进行通道分离,得到所述目标眼底影像对应的灰度图像;
对所述灰度图像进行二值化,得到二值化图像;
基于所述二值化图像,确定所述目标眼底影像的成像有效区域边缘。
7.一种影像处理方法,其特征在于,包括:
利用权利要求1至6任一项所述的影像标定方法,对多个待标定眼底影像数据进行标定,生成所述多个待标定眼底影像数据各自的标定结果;
基于所述多个待标定眼底影像数据各自的标定结果,确定针对同一眼底特征的多个尺寸标定结果;
对所述针对同一眼底特征的多个尺寸标定结果进行比对,获得所述多个尺寸标定结果的对比结果。
8.一种影像标定装置,其特征在于,包括:
第一确定模块,用于基于目标眼底影像,确定目标眼底影像的视盘区域;
第二确定模块,用于基于所述目标眼底影像,确定所述目标眼底影像的成像有效区域,其中,所述成像有效区域包括可见眼底结构的区域;
标定模块,基于所述成像有效区域和所述视盘区域,确定所述目标眼底影像的标定结果,其中,所述标定结果包括对所述目标眼底影像最小像素单元尺寸以及眼底特征尺寸的标定结果。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器,
其中,所述处理器用于执行上述权利要求1至7任一项所述的方法。
10.一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7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211363571.2A CN115423804B (zh) | 2022-11-02 | 2022-11-02 | 影像标定方法及装置、影像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211363571.2A CN115423804B (zh) | 2022-11-02 | 2022-11-02 | 影像标定方法及装置、影像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423804A true CN115423804A (zh) | 2022-12-02 |
CN115423804B CN115423804B (zh) | 2023-03-21 |
Family
ID=84207807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211363571.2A Active CN115423804B (zh) | 2022-11-02 | 2022-11-02 | 影像标定方法及装置、影像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423804B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230404A (zh) * | 2018-03-20 | 2018-06-29 | 珊口(上海)智能科技有限公司 | 标定系统、标定方法及所适用的设备 |
CN110875092A (zh) * | 2018-08-31 | 2020-03-10 | 福州依影健康科技有限公司 | 一种基于远程眼底筛查的健康大数据服务方法和系统 |
US10911747B1 (en) * | 2019-12-02 | 2021-02-02 | Verizon Patent And Licensing Inc. | Systems and methods for utilizing modeling to automatically determine configuration parameters for cameras |
CN112927307A (zh) * | 2021-03-05 | 2021-06-08 | 深圳市商汤科技有限公司 | 一种标定方法、装置、电子设备及存储介质 |
CN112967345A (zh) * | 2021-03-09 | 2021-06-15 | 北京百度网讯科技有限公司 | 鱼眼相机的外参标定方法、装置以及系统 |
CN112991459A (zh) * | 2021-03-09 | 2021-06-18 | 北京百度网讯科技有限公司 | 一种相机标定方法、装置、设备以及存储介质 |
US20210350574A1 (en) * | 2020-05-06 | 2021-11-11 | Magic Leap, Inc. | Convolution-based camera and display calibration |
CN114742905A (zh) * | 2022-06-13 | 2022-07-12 | 魔视智能科技(武汉)有限公司 | 一种多相机参数标定方法、装置、设备及存储介质 |
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 |
-
2022
- 2022-11-02 CN CN202211363571.2A patent/CN115423804B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230404A (zh) * | 2018-03-20 | 2018-06-29 | 珊口(上海)智能科技有限公司 | 标定系统、标定方法及所适用的设备 |
CN110875092A (zh) * | 2018-08-31 | 2020-03-10 | 福州依影健康科技有限公司 | 一种基于远程眼底筛查的健康大数据服务方法和系统 |
US10911747B1 (en) * | 2019-12-02 | 2021-02-02 | Verizon Patent And Licensing Inc. | Systems and methods for utilizing modeling to automatically determine configuration parameters for cameras |
US20210350574A1 (en) * | 2020-05-06 | 2021-11-11 | Magic Leap, Inc. | Convolution-based camera and display calibration |
CN112927307A (zh) * | 2021-03-05 | 2021-06-08 | 深圳市商汤科技有限公司 | 一种标定方法、装置、电子设备及存储介质 |
CN112967345A (zh) * | 2021-03-09 | 2021-06-15 | 北京百度网讯科技有限公司 | 鱼眼相机的外参标定方法、装置以及系统 |
CN112991459A (zh) * | 2021-03-09 | 2021-06-18 | 北京百度网讯科技有限公司 | 一种相机标定方法、装置、设备以及存储介质 |
CN114742905A (zh) * | 2022-06-13 | 2022-07-12 | 魔视智能科技(武汉)有限公司 | 一种多相机参数标定方法、装置、设备及存储介质 |
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 |
Non-Patent Citations (1)
Title |
---|
张东波 等: "基于投影的视网膜眼底图像视盘检测方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN115423804B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102525381B (zh) | 图像处理装置、图像处理方法及计算机可读取的记录装置 | |
US7733404B2 (en) | Fast imaging system calibration | |
US9466004B2 (en) | Adaptive color correction for pill recognition in digital images | |
JP2020507836A (ja) | 重複撮像を予測した手術アイテムの追跡 | |
CN109640066B (zh) | 高精度稠密深度图像的生成方法和装置 | |
WO2022105276A1 (zh) | 投影区域确定方法、装置、投影设备及可读存储介质 | |
JP4729188B2 (ja) | 視線検出装置 | |
CN111680574A (zh) | 一种人脸检测方法、装置、电子设备和存储介质 | |
TWI711007B (zh) | 調整感興趣區域的方法與其運算裝置 | |
CN111368698A (zh) | 主体识别方法、装置、电子设备及介质 | |
US9865052B2 (en) | Contour-based determination of malignant tissue in a thermal image | |
CN111339884A (zh) | 图像识别方法以及相关设备、装置 | |
WO2018027527A1 (zh) | 一种光学系统成像质量的检测方法和装置 | |
EP3846126A1 (en) | Preprocessing method for performing quantitative analysis on fundus image, and storage device | |
CN115423804B (zh) | 影像标定方法及装置、影像处理方法 | |
CN114998980B (zh) | 一种虹膜检测方法、装置、电子设备及存储介质 | |
US11205064B1 (en) | Measuring quality of depth images in real time | |
CN115439875A (zh) | 姿势评估装置、方法及系统 | |
CN111489384B (zh) | 基于互视角的遮挡评估方法及装置、设备、系统和介质 | |
CN115810039A (zh) | 可携式电子装置及伤口尺寸测量方法 | |
JP2018166308A (ja) | カメラ校正装置 | |
CN111179226A (zh) | 视野图的识别方法、装置及计算机存储介质 | |
Lee et al. | Combining eye fixation and context-directed saliency for attentive object segmentation | |
CN115240276A (zh) | 一种面部朝向识别方法及装置 | |
CN111767914A (zh) | 目标物体检测装置和方法、图像处理系统及存储介质 |
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 |