CN116309584A - 一种用于白内障区域识别的图像处理系统 - Google Patents

一种用于白内障区域识别的图像处理系统 Download PDF

Info

Publication number
CN116309584A
CN116309584A CN202310572082.6A CN202310572082A CN116309584A CN 116309584 A CN116309584 A CN 116309584A CN 202310572082 A CN202310572082 A CN 202310572082A CN 116309584 A CN116309584 A CN 116309584A
Authority
CN
China
Prior art keywords
area
pixel point
cataract
pupil
pupil area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310572082.6A
Other languages
English (en)
Other versions
CN116309584B (zh
Inventor
杨敬昌
陈庆超
张伦占
张慧春
张震
李爱华
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.)
Tai'an Guangming Aier Ophthalmology Hospital Co ltd
Original Assignee
Tai'an Guangming Aier Ophthalmology Hospital 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 Tai'an Guangming Aier Ophthalmology Hospital Co ltd filed Critical Tai'an Guangming Aier Ophthalmology Hospital Co ltd
Priority to CN202310572082.6A priority Critical patent/CN116309584B/zh
Publication of CN116309584A publication Critical patent/CN116309584A/zh
Application granted granted Critical
Publication of CN116309584B publication Critical patent/CN116309584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种用于白内障区域识别的图像处理系统，该系统包括：眼部图像获取模块、增强必要性获取模块、眼部图像增强模块、白内障区域获取模块，采集眼部图像，获取瞳孔区域，根据瞳孔区域每个像素点的灰度值获取每个像素点为白内障区域边缘像素点的概率，进而得到标记像素点，根据标记像素点的分布获取每个标记像素点的离群显著性，进一步得到每个标记像素点的关注权重，结合关注权重对所有标记像素点进行圆形拟合，得到最佳拟合圆，进而得到标记像素点的拟合程度，根据拟合程度对概率进行修正，获取瞳孔区域中每个像素点的增强必要性，进而得到增强图像，获取白内障区域。本发明增强效果好，白内障区域识别准确。

Description

一种用于白内障区域识别的图像处理系统
技术领域
本发明涉及图像处理领域，具体涉及一种用于白内障区域识别的图像处理系统。
背景技术
白内障为眼睛内部的晶状体蛋白质变性而发生混浊，导致视物模糊。在白内障早期，白内障区域与正常瞳孔区域的对比度低，导致白内障区域识别准确率低，因此需要对瞳孔区域的图像进行增强。
传统增强方法对瞳孔区域内的所有像素点都按照一致的比例进行增强，容易造成过增强的问题，导致图像噪声点增多，增强效果差，不利于白内障区域的识别。
发明内容
为了解决上述问题，本发明提供一种用于白内障区域识别的图像处理系统，所述系统包括：
眼部图像获取模块，采集眼部图像；根据眼部图像中所有像素点获取瞳孔区域；
增强必要性获取模块，为瞳孔区域中每个像素点构建窗口，根据窗口内邻域像素点获取每个像素点为白内障区域边缘像素点的概率；根据每个像素点为白内障区域边缘像素点的概率获取标记像素点，根据标记像素点的分布获取每个标记像素点的离群显著性；根据离群显著性获取每个标记像素点的关注权重；根据关注权重对所有标记像素点进行圆形拟合，得到最佳拟合圆；根据最佳拟合圆以及关注权重获取每个标记像素点的拟合程度；根据拟合程度对瞳孔区域中每个像素点为白内障区域边缘像素点的概率进行修正，根据修正结果获取瞳孔区域中每个像素点的增强必要性；
眼部图像增强模块，根据瞳孔区域中每个像素点的增强必要性以及灰度值获取增强图像；
白内障区域获取模块，对增强图像中的白内障区域进行识别。
优选的，所述根据眼部图像中所有像素点获取瞳孔区域，包括的步骤为：
获取眼部图像中每个像素点的梯度幅值；获取眼部图像中所有像素点的梯度幅值 的均值
Figure SMS_1
，获取梯度幅值大于
Figure SMS_2
的所有像素点，作为疑似瞳孔边缘像素点；对所有疑似瞳孔边 缘像素点进行连通域分析，得到所有的边缘，将边缘所围成的区域作为疑似瞳孔区域，获取 外轮廓最大的疑似瞳孔区域，当外轮廓最大的疑似瞳孔区域为单连通域时，将外轮廓最大 的疑似瞳孔区域作为瞳孔区域；当外轮廓最大的疑似瞳孔区域为多连通域时，对多连通域 进行填充，将多连通域转换为单连通域，将得到的单连通域作为瞳孔区域。
优选的，所述根据窗口内邻域像素点获取每个像素点为白内障区域边缘像素点的概率，包括的步骤为：
根据瞳孔区域每个像素点的窗口内邻域像素点获取每个像素点的灰度波动程度：
Figure SMS_3
其中，
Figure SMS_4
为瞳孔区域第
Figure SMS_8
个像素点的灰度波动程度；
Figure SMS_10
为瞳孔区域第
Figure SMS_5
个像素点的 窗口内第
Figure SMS_7
个邻域像素点的灰度值；
Figure SMS_9
为瞳孔区域第
Figure SMS_11
个像素点的灰度值；
Figure SMS_6
为窗口大 小；
对瞳孔区域所有像素点的灰度波动程度进行线性归一化，将瞳孔区域每个像素点归一化后的灰度波动程度作为每个像素点为白内障区域边缘像素点的概率。
优选的，所述根据每个像素点为白内障区域边缘像素点的概率获取标记像素点，包括的步骤为：
将瞳孔区域划分为多个分块区域，获取每个分块区域中所有像素点为白内障区域边缘像素点的概率的均值，作为每个分块区域的平均概率；将每个分块区域中为白内障区域边缘像素点的概率大于分块区域的平均概率的像素点作为标记像素点。
优选的，所述根据标记像素点的分布获取每个标记像素点的离群显著性，包括的步骤为：
Figure SMS_12
其中，
Figure SMS_13
为瞳孔区域第
Figure SMS_14
个标记像素点的离群显著性；
Figure SMS_15
为瞳孔区域第
Figure SMS_16
个标记像 素点与其最近的标记像素点之间的距离；
Figure SMS_17
为自然常数。
优选的，所述根据离群显著性获取每个标记像素点的关注权重，包括的步骤为：
Figure SMS_18
其中，
Figure SMS_19
为瞳孔区域中第
Figure SMS_20
个标记像素点的关注权重；
Figure SMS_21
为瞳孔区域第
Figure SMS_22
个标记像 素点的离群显著性；
Figure SMS_23
为自然常数。
优选的，所述根据关注权重对所有标记像素点进行圆形拟合，得到最佳拟合圆，包括的步骤为：
设所要拟合的圆的方程为：
Figure SMS_24
其中，
Figure SMS_25
为所要拟合的圆的圆心坐标，
Figure SMS_26
为所要拟合的圆的半径；
Figure SMS_27
和
Figure SMS_28
分别代 表所要拟合的圆上点的横坐标和纵坐标；
根据每个标记像素点的位置以及关注权重构建拟合效果表达式：
Figure SMS_29
其中，
Figure SMS_32
为所有标记像素点到圆心的距离与半径的差异的加权之和；
Figure SMS_34
为瞳孔区域 第
Figure SMS_36
个标记像素点的横坐标；
Figure SMS_31
为瞳孔区域第
Figure SMS_33
个标记像素点的纵坐标；
Figure SMS_35
为瞳孔区域第
Figure SMS_37
个 标记像素点的关注权重；
Figure SMS_30
为瞳孔区域中标记像素点的个数；
根据
Figure SMS_38
求解出
Figure SMS_39
以及
Figure SMS_40
，获得最佳拟合圆的方程。
优选的，所述根据最佳拟合圆以及关注权重获取每个标记像素点的拟合程度，包括的步骤为：
Figure SMS_41
其中，
Figure SMS_42
为瞳孔区域第
Figure SMS_43
个标记像素点的拟合程度；
Figure SMS_44
为瞳孔区域第
Figure SMS_45
个标记像素 点的关注权重；
Figure SMS_46
为瞳孔区域第
Figure SMS_47
个标记像素点到最佳拟合圆的距离。
优选的，所述根据拟合程度对瞳孔区域中每个像素点为白内障区域边缘像素点的概率进行修正，根据修正结果获取瞳孔区域中每个像素点的增强必要性，包括的步骤为：
对瞳孔区域每个像素点为白内障区域边缘像素点的概率进行修正，包括：当像素点为标记像素点时，将像素点的拟合程度作为像素点的修正权重，与像素点为白内障区域边缘像素点的概率相乘，得到像素点为白内障区域边缘像素点的修正概率；当像素点不为标记像素点时，将像素点为白内障区域边缘像素点的概率直接作为像素点为白内障区域边缘像素点的修正概率；
根据瞳孔区域每个像素点为白内障区域边缘像素点的修正概率获取每个像素点的增强必要性：
Figure SMS_48
其中，
Figure SMS_49
为瞳孔区域第
Figure SMS_50
个像素点的增强必要性；
Figure SMS_51
为瞳孔区域第
Figure SMS_52
个像素点为白内 障区域边缘像素点的修正概率；
Figure SMS_53
是以自然常数为底数的对数函数。
优选的，所述根据瞳孔区域中每个像素点的增强必要性以及灰度值获取增强图像，包括的步骤为：
获取瞳孔区域每个像素点的增强灰度值：
Figure SMS_54
其中，
Figure SMS_56
为瞳孔区域第
Figure SMS_59
个像素点的增强灰度值；
Figure SMS_61
为瞳孔区域第
Figure SMS_55
个像素点原本的 灰度值；
Figure SMS_58
为瞳孔区域第
Figure SMS_60
个像素点的增强必要性；
Figure SMS_62
为瞳孔区域第
Figure SMS_57
个像素点的窗口内所有 邻域像素点的灰度值的均值；
瞳孔区域所有像素点的增强灰度值构成瞳孔区域的增强图像。
本发明具有如下有益效果：本发明采集眼部图像，获取瞳孔区域，根据瞳孔区域每个像素点的灰度值获取每个像素点为白内障区域边缘像素点的概率，进而得到标记像素点，根据标记像素点的分布获取每个标记像素点的离群显著性，进一步得到每个标记像素点的关注权重，结合关注权重对所有标记像素点进行圆形拟合，得到最佳拟合圆，传统的最小二乘法对于待拟合的所有像素点的关注程度一致，所以极易受到噪声点的影响而导致最佳的拟合圆位置产生偏差，本发明通过标记像素点的关注权重调整标记像素点与圆的距离关系，对关注权重大的标记像素点更关注其到圆的距离，对关注权重小的标记像素点越不关注其到圆的距离，极大的忽略了噪声点的影响，使得拟合效果更加准确；本发明根据标记像素点的关注权重以及最佳拟合圆获取标记像素点的拟合程度，根据拟合程度对概率进行修正，获取瞳孔区域中每个像素点的增强必要性，使得越可能为白内障区域边缘的像素点的增强必要性越大，确保了白内障区域边缘的重点增强；传统增强方法对瞳孔区域内的所有像素点都按照一致的比例进行增强，容易造成过增强的问题，导致图像噪声点增多，增强效果差，不利于白内障区域的识别。本发明根据像素点的增强必要性以及灰度值获取增强图像，使得对于不同像素点的增强程度不同，对于越可能为白内障区域边缘的像素点，灰度值增加程度越大，对于越不可能为白内障区域边缘的像素点，灰度值减小程度越大，使得白内障病灶区域的边缘与其余区域的对比度增强，进一步使得获取的白内障区域更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种用于白内障区域识别的图像处理系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于白内障区域识别的图像处理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于白内障区域识别的图像处理系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于白内障区域识别的图像处理系统，该系统包括以下模块：
眼部图像获取模块S101，获取眼部图像以及瞳孔区域。
裂隙灯显微镜可用来进行眼科检查，本发明实施例采集裂隙灯显微镜下患者眼部的图像，为了便于后续处理，采集的图像仅包含瞳仁区域，不包含眼白区域，对采集到的图像进行灰度化处理，将灰度化处理得到的图像记为眼部图像。
需要说明的是，白内障病变为瞳仁之后的晶状体产生病变，瞳仁包含虹膜和瞳孔，由于虹膜的遮挡，在虹膜区域难以识别出白内障病变，在瞳孔区域上可识别出白内障病变，因此首先需要提取眼部图像的瞳孔区域，以便后续根据瞳孔区域获取白内障区域。眼部瞳孔区域与虹膜部分具有强烈的灰度差异，而梯度能反映灰度的变化速率，眼部瞳孔区域与虹膜区域之间的灰度变化速率较快，则眼部瞳孔区域与虹膜区域之间的边缘像素点的梯度很大，因此本发明实施例通过对比眼部图像中每个像素点的梯度与平均梯度的差异，筛选可能为眼部瞳孔区域与虹膜区域之间边缘的像素点，从而获取瞳孔区域。
在本发明实施中，利用Sobel算子获取眼部图像中每个像素点的梯度幅值。获取所 有像素点的梯度幅值的均值，用
Figure SMS_63
表示。获取梯度幅值大于
Figure SMS_64
的所有像素点，作为疑似瞳孔边 缘像素点。
需要说明的是，白内障区域和正常瞳孔区域的对比度不明显，获取到的疑似瞳孔边缘像素点可能包含了部分白内障区域的边缘像素点，也可能不包含白内障区域的边缘像素点。白内障区域的边缘像素点位于瞳孔内部，可根据所有疑似瞳孔边缘像素点的分布情况获取瞳孔区域。
对所有疑似瞳孔边缘像素点进行连通域分析，得到所有的边缘，将边缘所围成的区域作为疑似瞳孔区域，获取外轮廓最大的疑似瞳孔区域，当外轮廓最大的疑似瞳孔区域为单连通域时，将外轮廓最大的疑似瞳孔区域作为瞳孔区域；当外轮廓最大的疑似瞳孔区域为多连通域时，对多连通域进行填充，将多连通域转换为单连通域，将得到的单连通域作为瞳孔区域。
至此，获取了眼部图像以及眼部图像中的瞳孔区域。
增强必要性获取模块S102，获取瞳孔区域每个像素点的增强必要性。
需要说明的是，由于白内障区域和正常瞳孔区域的对比度不明显，所以需要增强两者之间的差异性以更好的识别分割。若对瞳孔区域内的所有像素点都按照一致的比例进行增强，则容易造成过增强的问题，导致图像噪声点增多，所以需要判断对每个像素点进行增强的必要性，本发明实施例以瞳孔区域每个像素点为中心像素点计算其邻域的灰度分布情况，并结合像素点的所处位置，计算对该像素点的增强必要性。白内障一般存在于瞳孔区域，且病灶区域与正常瞳孔区域之间的灰度具有一定差异性，因此本发明实施例通过检测区域内的每个像素点周围的灰度波动程度，为该像素点是否需要增强提供依据。
在本发明上实施例中，分别以瞳孔区域中每个像素点为中心构建
Figure SMS_65
大小的窗 口，在本发明实施例中，
Figure SMS_66
，在其他实施例中，实施人员可根据实际实施情况设置窗口的 大小。窗口大小即为窗口中心像素点的邻域大小，窗口内每个像素点即为窗口中心像素点 的邻域像素点。
根据瞳孔区域每个像素点的邻域像素点获取每个像素点的灰度波动程度：
Figure SMS_67
其中，
Figure SMS_69
为瞳孔区域第
Figure SMS_72
个像素点的灰度波动程度；
Figure SMS_74
为瞳孔区域第
Figure SMS_70
个像素点的 窗口内第
Figure SMS_73
个邻域像素点的灰度值；
Figure SMS_75
为瞳孔区域第
Figure SMS_76
个像素点的灰度值；
Figure SMS_68
为窗口的边长，
Figure SMS_71
为窗口大小；当像素点的灰度波动程度越大时，说明该像素点的邻域范围内像素点的 灰度值的差异较大，则该像素点越可能位于白内障区域边缘附近，该像素点为白内障区域 边缘像素点的概率越大，后续对该像素点进行增强的必要性就越大，反之越小。
对瞳孔区域所有像素点的灰度波动程度进行线性归一化，将每个像素点归一化后 的灰度波动程度作为每个像素点为白内障区域边缘像素点的概率，用
Figure SMS_77
表示，例如瞳孔区域 第
Figure SMS_78
个像素点为白内障区域边缘像素点的概率为
Figure SMS_79
。
至此，获取了瞳孔区域每个像素点为白内障区域边缘像素点的概率。
需要说明的是，在瞳孔区域每个像素点为白内障区域边缘像素点的概率的计算中，与实际白内障区域边缘像素点临近的像素点对应的概率也很大，但此些像素点的并不需要进行重点增强，其增强必要性应较小。因此需要对实际的白内障区域边缘像素点与临近的像素点进行区分。本发明实施例通过量化距离关系获取像素点之间的位置信息。
在本法实施例中，将瞳孔区域划分为
Figure SMS_80
大小的分块区域，在本发明实施例中，
Figure SMS_81
，在其他实施例中，实施人员可根据实际实施情况设置分块区域的大小。获取每个分 块区域中所有像素点为白内障区域边缘像素点的概率的均值，作为每个分块区域的平均概 率。将分块区域中为白内障区域边缘像素点的概率大于分块区域的平均概率的像素点作为 标记像素点。获取瞳孔区域中所有标记像素点。
需要说明的是，由于白内障区域近似圆形，标记像素点大概率为白内障区域边缘像素点，但在噪声的作用下，没有白内障区域边缘像素点分布的分块区域也会筛选出标记像素点，此些标记像素点的分布较为分散，而白内障区域边缘像素点分布的连续性较强，因此可获取每个标记像素点的离群显著性来一定程度上衡量像素点是否为白内障区域边缘像素点。
在本发明实施例中，获取每个标记像素点的离群显著性：
Figure SMS_82
其中，
Figure SMS_85
为瞳孔区域第
Figure SMS_87
个标记像素点的离群显著性；
Figure SMS_89
为瞳孔区域第
Figure SMS_84
个标记像 素点与其最近的标记像素点之间的距离；
Figure SMS_86
为自然常数；瞳孔区域第
Figure SMS_88
个标记像素点与其最 近的标记像素点之间的距离越大说明第
Figure SMS_90
个标记像素点的离群性越明显，则第
Figure SMS_83
个标记像素 点为噪声点的概率越大。
由于白内障区域近似圆形，因此可对所有标记像素点进行圆拟合，在拟合过程中，根据标记像素点的离群显著性构建每个标记像素点的关注权重，当标记像素点的离群显著性越大时，在圆拟合的过程中，对该标记像素点越不关注，反之则越关注。
在本发明实施中，获取每个标记像素点的关注权重：
Figure SMS_91
其中，
Figure SMS_92
为瞳孔区域中第
Figure SMS_93
个标记像素点的关注权重；
Figure SMS_94
为瞳孔区域第
Figure SMS_95
个标记像 素点的离群显著性；
Figure SMS_96
为自然常数；当标记像素点的离群显著性越大时，在圆拟合的过程中， 对该标记像素点越不关注，该标记像素点的关注权重越小；反之，当标记像素点的离群显著 性越小时，在圆拟合的过程中，对该标记像素点越关注，该标记像素点的关注权重越大。
假设所要拟合的圆的方程为：
Figure SMS_97
其中，
Figure SMS_98
为所要拟合的圆的圆心坐标，
Figure SMS_99
为所要拟合的圆的半径，
Figure SMS_100
、
Figure SMS_101
均 为未知数，
Figure SMS_102
和
Figure SMS_103
分别为所要拟合的圆上点的横坐标和纵坐标，当待拟合像素点与圆之间的 距离平方和（即所有待拟合像素点到圆心的距离与半径的差异之和）达到最小时，对应的拟 合效果最佳，但为了避免噪声点的影响，本发明实施例根据每个标记像素点的关注权重调 整距离关系，获得更准确的拟合效果表达式，具体为：
Figure SMS_104
其中，
Figure SMS_106
为所有标记像素点到圆心的距离与半径的差异的加权之和；
Figure SMS_109
为瞳孔区域 第
Figure SMS_113
个标记像素点的横坐标；
Figure SMS_107
为瞳孔区域第
Figure SMS_110
个标记像素点的纵坐标；
Figure SMS_114
为瞳孔区域第
Figure SMS_117
个 标记像素点的关注权重；
Figure SMS_105
为所要拟合的圆的半径；
Figure SMS_111
为瞳孔区域标记像素点的个数；则当
Figure SMS_115
达到最小时，对应的拟合圆的效果最好，因此本发明实施例对拟合效果表达式求偏微分，即 当
Figure SMS_118
时，对应的圆为最佳拟合圆，根据
Figure SMS_108
求解出
Figure SMS_112
以及
Figure SMS_116
，获得圆的方程，即为最佳拟合圆的方程。需要说明的是，根据拟合效果表达式求偏微分为 最小二乘法中的现有技术，在本发明实施例中不再详细赘述。
需要说明的是，传统的最小二乘法对于待拟合的所有像素点的关注程度一致，所以极易受到噪声点的影响而导致最佳的拟合圆位置产生偏差，本发明实施例通过标记像素点关注权重调整标记像素点与圆的距离关系，对关注权重大的标记像素点更关注其到圆的距离，对关注权重小的标记像素点越不关注其到圆的距离，极大的忽略了噪声点的影响，使得拟合效果更加准确。
至此，获取了了最佳拟合圆的表达式。
需要说明的是，标记像素点越临近最佳拟合圆时，该标记像素点为实际白内障区域边缘的概率越大，对其增强的必要性也就越大，为获取增强必要性，需量化标记像素点与最佳拟合圆的距离关系，获取每个标记像素点的拟合程度。
在本发明实施例中，获取瞳孔区域每个标记像素点的拟合程度：
Figure SMS_119
其中，
Figure SMS_120
为瞳孔区域第
Figure SMS_121
个标记像素点的拟合程度；
Figure SMS_122
为瞳孔区域第
Figure SMS_123
个标记像素 点的关注权重；
Figure SMS_124
为瞳孔区域第
Figure SMS_125
个标记像素点到最佳拟合圆的距离；当标记像素点到最佳 拟合圆的距离越小，且关注权重越大时，该标记像素点的拟合程度越大，该标记像素点为实 际白内障区域边缘的概率越大，对其增强的必要性也就越大；当标记像素点到最佳拟合圆 的距离越大，且关注权重越小时，该标记像素点的拟合程度越小，该标记像素点为噪声点的 概率越大，对其增强的必要性也就越小。
需要说明的是，当标记像素点的拟合程度越高则说明该标记像素点为实际白内障区域边缘的概率越大，因此需要结合标记像素点的拟合程度对每个像素点为白内障区域边缘像素点的概率进行修正，获取更加准确的概率值，以便后续根据修正概率获取更加准确的增强必要性。
在本发明实施例中，对瞳孔区域每个像素点为白内障区域边缘像素点的概率进行修正，具体为：
当像素点为标记像素点时，将像素点的拟合程度作为像素点的修正权重，与像素点为白内障区域边缘像素点的概率相乘，得到像素点为白内障区域边缘像素点的修正概率；当像素点不为标记像素点时，不对像素点为白内障区域边缘像素点的概率进行修正，即将像素点为白内障区域边缘像素点的概率直接作为像素点为白内障区域边缘像素点的修正概率。
将瞳孔区域每个像素点为白内障区域边缘像素点的修正概率用
Figure SMS_126
表示，例如瞳孔 区域第
Figure SMS_127
个像素点为白内障区域边缘像素点的修正概率为
Figure SMS_128
。根据瞳孔区域每个像素点为 白内障区域边缘像素点的修正概率获取每个像素点的增强必要性：
Figure SMS_129
其中，
Figure SMS_130
为瞳孔区域第
Figure SMS_131
个像素点的增强必要性；
Figure SMS_132
为瞳孔区域第
Figure SMS_133
个像素点为白内 障区域边缘像素点的修正概率；
Figure SMS_134
是以自然常数为底数的对数函数；当像素点为白内障 区域边缘像素点的修正概率越大时，该像素点的增强必要性越大，为正数，当像素点为白内 障区域边缘像素点的修正概率越小时，该像素点的增强必要性越小，为负数。
至此，获取了瞳孔区域每个像素点的增强必要性，为后续构造增强函数提供了依据。
眼部图像增强模块S103，对瞳孔区域进行增强，得到增强图像。
需要说明的是，在得到像素点的增强必要性后，需要根据增强必要性对瞳孔区域进行增强，增强必要性大时，像素点的像素值需要调整的值更大，反之则更小。因此本发明实施例将增强必要性作为参考系数，对瞳孔区域中像素点的灰度值进行调整，以达到增强对比度的目的。
在本发明实施例中，获取瞳孔区域每个像素点的增强灰度值：
Figure SMS_135
其中，
Figure SMS_137
为瞳孔区域第
Figure SMS_140
个像素点的增强灰度值；
Figure SMS_142
为瞳孔区域第
Figure SMS_138
个像素点原本的 灰度值；
Figure SMS_139
为瞳孔区域第
Figure SMS_141
个像素点的增强必要性；
Figure SMS_143
为瞳孔区域第
Figure SMS_136
个像素点的窗口内所有 邻域像素点的灰度值的均值；为保留瞳孔区域原有的图像特征，本发明实施例在瞳孔区域 的局部范围内的平均灰度值的基础上对局部区域内每个像素点的像素值进行调整，当像素 点的增强必要性越大时，该像素点更趋于白内障区域边缘像素点，该像素点的灰度值较大， 与其增强必要性相乘后调整的值越大，所以其增强灰度值会有明显的增加；而对应增强必 要性小的像素点，其增强必要性为负数，该像素点越不可能为白内障区域边缘像素点，将其 增强必要性与灰度值相乘后之后的结果为负数，利用局部区域内邻域像素点的灰度值的均 值加上一个负数，使得该像素点的增强灰度值会有明显的降低。使得白内障区域的边缘与 其余区域的对比度增强。
瞳孔区域所有像素点的增强灰度值构成了瞳孔区域的增强图像。
至此，实现了瞳孔区域的增强，得到增强图像。增强图像中白内障区域边缘与正常瞳孔区域的灰度差异得到了增强。
白内障区域获取模块S104，获取增强图像中的白内障区域。
对增强图像进行大津阈值分割，得到白内障区域的边缘，将白内障区域的边缘所围成的区域作为白内障区域。
至此，实现了白内障区域的识别。
综上所述，本发明的系统包括眼部图像获取模块、增强必要性获取模块、眼部图像增强模块、白内障区域获取模块，本发明采集眼部图像，获取瞳孔区域，根据瞳孔区域每个像素点的灰度值获取每个像素点为白内障区域边缘像素点的概率，进而得到标记像素点，根据标记像素点的分布获取每个标记像素点的离群显著性，进一步得到每个标记像素点的关注权重，结合关注权重对所有标记像素点进行圆形拟合，得到最佳拟合圆，传统的最小二乘法对于待拟合的所有像素点的关注程度一致，所以极易受到噪声点的影响而导致最佳的拟合圆位置产生偏差，本发明通过标记像素点的关注权重调整标记像素点与圆的距离关系，对关注权重大的标记像素点更关注其到圆的距离，对关注权重小的标记像素点越不关注其到圆的距离，极大的忽略了噪声点的影响，使得拟合效果更加准确；本发明根据标记像素点的关注权重以及最佳拟合圆获取标记像素点的拟合程度，根据拟合程度对概率进行修正，获取瞳孔区域中每个像素点的增强必要性，使得越可能为白内障区域边缘的像素点的增强必要性越大，确保了白内障区域边缘的重点增强；传统增强方法对瞳孔区域内的所有像素点都按照一致的比例进行增强，容易造成过增强的问题，导致图像噪声点增多，增强效果差，不利于白内障区域的识别。本发明根据像素点的增强必要性以及灰度值获取增强图像，使得对于不同像素点的增强程度不同，对于越可能为白内障区域边缘的像素点，灰度值增加程度越大，对于越不可能为白内障区域边缘的像素点，灰度值减小程度越大，使得白内障病灶区域的边缘与其余区域的对比度增强，进一步使得获取的白内障区域更加准确。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于白内障区域识别的图像处理系统，其特征在于，所述系统包括：
眼部图像获取模块，采集眼部图像；根据眼部图像中所有像素点获取瞳孔区域；
增强必要性获取模块，为瞳孔区域中每个像素点构建窗口，根据窗口内邻域像素点获取每个像素点为白内障区域边缘像素点的概率；根据每个像素点为白内障区域边缘像素点的概率获取标记像素点，根据标记像素点的分布获取每个标记像素点的离群显著性；根据离群显著性获取每个标记像素点的关注权重；根据关注权重对所有标记像素点进行圆形拟合，得到最佳拟合圆；根据最佳拟合圆以及关注权重获取每个标记像素点的拟合程度；根据拟合程度对瞳孔区域中每个像素点为白内障区域边缘像素点的概率进行修正，根据修正结果获取瞳孔区域中每个像素点的增强必要性；
眼部图像增强模块，根据瞳孔区域中每个像素点的增强必要性以及灰度值获取增强图像；
白内障区域获取模块，对增强图像中的白内障区域进行识别。
2.根据权利要求1所述的一种用于白内障区域识别的图像处理系统，其特征在于，所述根据眼部图像中所有像素点获取瞳孔区域，包括的步骤为：
获取眼部图像中每个像素点的梯度幅值；获取眼部图像中所有像素点的梯度幅值的均值
Figure QLYQS_1
，获取梯度幅值大于/>
Figure QLYQS_2
的所有像素点，作为疑似瞳孔边缘像素点；对所有疑似瞳孔边缘像素点进行连通域分析，得到所有的边缘，将边缘所围成的区域作为疑似瞳孔区域，获取外轮廓最大的疑似瞳孔区域，当外轮廓最大的疑似瞳孔区域为单连通域时，将外轮廓最大的疑似瞳孔区域作为瞳孔区域；当外轮廓最大的疑似瞳孔区域为多连通域时，对多连通域进行填充，将多连通域转换为单连通域，将得到的单连通域作为瞳孔区域。
3.根据权利要求1所述的一种用于白内障区域识别的图像处理系统，其特征在于，所述根据窗口内邻域像素点获取每个像素点为白内障区域边缘像素点的概率，包括的步骤为：
根据瞳孔区域每个像素点的窗口内邻域像素点获取每个像素点的灰度波动程度：
Figure QLYQS_3
其中，
Figure QLYQS_5
为瞳孔区域第/>
Figure QLYQS_8
个像素点的灰度波动程度；/>
Figure QLYQS_10
为瞳孔区域第/>
Figure QLYQS_6
个像素点的窗口内第/>
Figure QLYQS_7
个邻域像素点的灰度值；/>
Figure QLYQS_9
为瞳孔区域第/>
Figure QLYQS_11
个像素点的灰度值；/>
Figure QLYQS_4
为窗口大小；
对瞳孔区域所有像素点的灰度波动程度进行线性归一化，将瞳孔区域每个像素点归一化后的灰度波动程度作为每个像素点为白内障区域边缘像素点的概率。
4.根据权利要求1所述的一种用于白内障区域识别的图像处理系统，其特征在于，所述根据每个像素点为白内障区域边缘像素点的概率获取标记像素点，包括的步骤为：
将瞳孔区域划分为多个分块区域，获取每个分块区域中所有像素点为白内障区域边缘像素点的概率的均值，作为每个分块区域的平均概率；将每个分块区域中为白内障区域边缘像素点的概率大于分块区域的平均概率的像素点作为标记像素点。
5.根据权利要求1所述的一种用于白内障区域识别的图像处理系统，其特征在于，所述根据标记像素点的分布获取每个标记像素点的离群显著性，包括的步骤为：
Figure QLYQS_12
其中，
Figure QLYQS_13
为瞳孔区域第/>
Figure QLYQS_14
个标记像素点的离群显著性；/>
Figure QLYQS_15
为瞳孔区域第/>
Figure QLYQS_16
个标记像素点与其最近的标记像素点之间的距离；/>
Figure QLYQS_17
为自然常数。
6.根据权利要求1所述的一种用于白内障区域识别的图像处理系统，其特征在于，所述根据离群显著性获取每个标记像素点的关注权重，包括的步骤为：
Figure QLYQS_18
其中，
Figure QLYQS_19
为瞳孔区域中第/>
Figure QLYQS_20
个标记像素点的关注权重；/>
Figure QLYQS_21
为瞳孔区域第/>
Figure QLYQS_22
个标记像素点的离群显著性；/>
Figure QLYQS_23
为自然常数。
7.根据权利要求1所述的一种用于白内障区域识别的图像处理系统，其特征在于，所述根据关注权重对所有标记像素点进行圆形拟合，得到最佳拟合圆，包括的步骤为：
设所要拟合的圆的方程为：
Figure QLYQS_24
其中，
Figure QLYQS_25
为所要拟合的圆的圆心坐标，/>
Figure QLYQS_26
为所要拟合的圆的半径；/>
Figure QLYQS_27
和/>
Figure QLYQS_28
分别代表所要拟合的圆上点的横坐标和纵坐标；
根据每个标记像素点的位置以及关注权重构建拟合效果表达式：
Figure QLYQS_29
其中，
Figure QLYQS_31
为所有标记像素点到圆心的距离与半径的差异的加权之和；/>
Figure QLYQS_34
为瞳孔区域第/>
Figure QLYQS_36
个标记像素点的横坐标；/>
Figure QLYQS_32
为瞳孔区域第/>
Figure QLYQS_33
个标记像素点的纵坐标；/>
Figure QLYQS_35
为瞳孔区域第/>
Figure QLYQS_37
个标记像素点的关注权重；/>
Figure QLYQS_30
为瞳孔区域中标记像素点的个数；
根据
Figure QLYQS_38
求解出/>
Figure QLYQS_39
以及/>
Figure QLYQS_40
，获得最佳拟合圆的方程。
8.根据权利要求1所述的一种用于白内障区域识别的图像处理系统，其特征在于，所述根据最佳拟合圆以及关注权重获取每个标记像素点的拟合程度，包括的步骤为：
Figure QLYQS_41
其中，
Figure QLYQS_42
为瞳孔区域第/>
Figure QLYQS_43
个标记像素点的拟合程度；/>
Figure QLYQS_44
为瞳孔区域第/>
Figure QLYQS_45
个标记像素点的关注权重；/>
Figure QLYQS_46
为瞳孔区域第/>
Figure QLYQS_47
个标记像素点到最佳拟合圆的距离。
9.根据权利要求1所述的一种用于白内障区域识别的图像处理系统，其特征在于，所述根据拟合程度对瞳孔区域中每个像素点为白内障区域边缘像素点的概率进行修正，根据修正结果获取瞳孔区域中每个像素点的增强必要性，包括的步骤为：
对瞳孔区域每个像素点为白内障区域边缘像素点的概率进行修正，包括：当像素点为标记像素点时，将像素点的拟合程度作为像素点的修正权重，与像素点为白内障区域边缘像素点的概率相乘，得到像素点为白内障区域边缘像素点的修正概率；当像素点不为标记像素点时，将像素点为白内障区域边缘像素点的概率直接作为像素点为白内障区域边缘像素点的修正概率；
根据瞳孔区域每个像素点为白内障区域边缘像素点的修正概率获取每个像素点的增强必要性：
Figure QLYQS_48
其中，
Figure QLYQS_49
为瞳孔区域第/>
Figure QLYQS_50
个像素点的增强必要性；/>
Figure QLYQS_51
为瞳孔区域第/>
Figure QLYQS_52
个像素点为白内障区域边缘像素点的修正概率；/>
Figure QLYQS_53
是以自然常数为底数的对数函数。
10.根据权利要求1所述的一种用于白内障区域识别的图像处理系统，其特征在于，所述根据瞳孔区域中每个像素点的增强必要性以及灰度值获取增强图像，包括的步骤为：
获取瞳孔区域每个像素点的增强灰度值：
Figure QLYQS_54
其中，
Figure QLYQS_57
为瞳孔区域第/>
Figure QLYQS_59
个像素点的增强灰度值；/>
Figure QLYQS_61
为瞳孔区域第/>
Figure QLYQS_56
个像素点原本的灰度值；/>
Figure QLYQS_58
为瞳孔区域第/>
Figure QLYQS_60
个像素点的增强必要性；/>
Figure QLYQS_62
为瞳孔区域第/>
Figure QLYQS_55
个像素点的窗口内所有邻域像素点的灰度值的均值；
瞳孔区域所有像素点的增强灰度值构成瞳孔区域的增强图像。
CN202310572082.6A 2023-05-22 2023-05-22 一种用于白内障区域识别的图像处理系统 Active CN116309584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310572082.6A CN116309584B (zh) 2023-05-22 2023-05-22 一种用于白内障区域识别的图像处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310572082.6A CN116309584B (zh) 2023-05-22 2023-05-22 一种用于白内障区域识别的图像处理系统

Publications (2)

Publication Number Publication Date
CN116309584A true CN116309584A (zh) 2023-06-23
CN116309584B CN116309584B (zh) 2023-07-28

Family

ID=86815270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310572082.6A Active CN116309584B (zh) 2023-05-22 2023-05-22 一种用于白内障区域识别的图像处理系统

Country Status (1)

Country Link
CN (1) CN116309584B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563172A (zh) * 2023-07-11 2023-08-08 天津智教云科技有限公司 一种vr全球化在线教育互动优化增强方法及装置
CN116740068A (zh) * 2023-08-15 2023-09-12 贵州毅丹恒瑞医药科技有限公司 一种白内障手术用智能导航系统
CN117314801A (zh) * 2023-09-27 2023-12-29 南京邮电大学 基于人工智能的模糊图像优化增强方法
CN117314801B (zh) * 2023-09-27 2024-05-31 南京邮电大学 基于人工智能的模糊图像优化增强方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090163898A1 (en) * 2007-06-04 2009-06-25 Oraya Therapeutics, Inc. Method and device for ocular alignment and coupling of ocular structures
WO2011059409A1 (en) * 2009-11-16 2011-05-19 Jiang Liu Obtaining data for automatic glaucoma screening, and screening and diagnostic techniques and systems using the data
US20140132749A1 (en) * 2012-11-14 2014-05-15 Aoptix Technologies, Inc. Focusing method for optically capturing an iris image
US20150257639A1 (en) * 2014-03-12 2015-09-17 Eyecare S.A. System and device for preliminary diagnosis of ocular diseases
WO2019022663A1 (en) * 2017-07-28 2019-01-31 National University Of Singapore METHOD FOR MODIFYING RETINA BACKGROUND IMAGE FOR DEEP LEARNING MODEL
JP2019042172A (ja) * 2017-09-01 2019-03-22 株式会社ニデック 眼科装置、および白内障評価プログラム
WO2020155792A1 (en) * 2019-01-31 2020-08-06 Boe Technology Group Co., Ltd. Pupil positioning method and apparatus, vr/ar apparatus and computer readable medium
CN112006651A (zh) * 2020-09-10 2020-12-01 孙礼华 一种白内障手术辅助诊断系统及其方法
CN113361482A (zh) * 2021-07-07 2021-09-07 南方科技大学 核性白内障识别方法、装置、电子设备以及存储介质
US20210383548A1 (en) * 2019-02-21 2021-12-09 Case Western Reserve University Processing three-dimensional (3d) ultrasound images

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090163898A1 (en) * 2007-06-04 2009-06-25 Oraya Therapeutics, Inc. Method and device for ocular alignment and coupling of ocular structures
WO2011059409A1 (en) * 2009-11-16 2011-05-19 Jiang Liu Obtaining data for automatic glaucoma screening, and screening and diagnostic techniques and systems using the data
US20120230564A1 (en) * 2009-11-16 2012-09-13 Jiang Liu Obtaining data for automatic glaucoma screening, and screening and diagnostic techniques and systems using the data
US20140132749A1 (en) * 2012-11-14 2014-05-15 Aoptix Technologies, Inc. Focusing method for optically capturing an iris image
US20150257639A1 (en) * 2014-03-12 2015-09-17 Eyecare S.A. System and device for preliminary diagnosis of ocular diseases
WO2019022663A1 (en) * 2017-07-28 2019-01-31 National University Of Singapore METHOD FOR MODIFYING RETINA BACKGROUND IMAGE FOR DEEP LEARNING MODEL
JP2019042172A (ja) * 2017-09-01 2019-03-22 株式会社ニデック 眼科装置、および白内障評価プログラム
WO2020155792A1 (en) * 2019-01-31 2020-08-06 Boe Technology Group Co., Ltd. Pupil positioning method and apparatus, vr/ar apparatus and computer readable medium
US20210383548A1 (en) * 2019-02-21 2021-12-09 Case Western Reserve University Processing three-dimensional (3d) ultrasound images
CN112006651A (zh) * 2020-09-10 2020-12-01 孙礼华 一种白内障手术辅助诊断系统及其方法
CN113361482A (zh) * 2021-07-07 2021-09-07 南方科技大学 核性白内障识别方法、装置、电子设备以及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
康健;王晓玲;李威良;周哲海;: "基于眼底OCT图像识别青光眼病症的算法研究", 激光杂志, no. 03 *
戴培山;王博亮;鞠颖;程明;汤井田;: "裂隙灯显微图像角膜的快速、自动三维重建", 系统仿真学报, no. 05 *
李志勇;金晨晖;廖素华;: "一种数字化影像识别筛查人眼屈光不正的远程诊断技术研究", 电脑知识与技术, no. 08 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563172A (zh) * 2023-07-11 2023-08-08 天津智教云科技有限公司 一种vr全球化在线教育互动优化增强方法及装置
CN116563172B (zh) * 2023-07-11 2023-09-08 天津智教云科技有限公司 一种vr全球化在线教育互动优化增强方法及装置
CN116740068A (zh) * 2023-08-15 2023-09-12 贵州毅丹恒瑞医药科技有限公司 一种白内障手术用智能导航系统
CN116740068B (zh) * 2023-08-15 2023-10-10 贵州毅丹恒瑞医药科技有限公司 一种白内障手术用智能导航系统
CN117314801A (zh) * 2023-09-27 2023-12-29 南京邮电大学 基于人工智能的模糊图像优化增强方法
CN117314801B (zh) * 2023-09-27 2024-05-31 南京邮电大学 基于人工智能的模糊图像优化增强方法

Also Published As

Publication number Publication date
CN116309584B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN116309584B (zh) 一种用于白内障区域识别的图像处理系统
CN110889826B (zh) 眼部oct图像病灶区域的分割方法、装置及终端设备
US9684959B2 (en) Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation
CN103164692B (zh) 一种基于计算机视觉的特种车辆仪表自动识别系统及方法
CN112257704A (zh) 基于深度学习检测模型子宫颈液基细胞数字图像分类方法
SG178569A1 (en) A method and system of determining a grade of nuclear cataract
Harangi et al. Automatic detection of the optic disc using majority voting in a collection of optic disc detectors
CN111507932B (zh) 高特异性的糖尿病性视网膜病变特征检测方法及存储设备
CN108186051A (zh) 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统
CN113781455B (zh) 宫颈细胞图像异常检测方法、装置、设备及介质
CN115760858B (zh) 基于深度学习的肾脏病理切片细胞识别方法及系统
CN101866420B (zh) 一种用于光学体全息虹膜识别的图像前处理方法
CN117237591A (zh) 一种心脏超声影像伪影智能去除方法
JP7355434B2 (ja) 眼底画像認識方法及び装置並びに設備
Kumar et al. Automatic optic disc segmentation using maximum intensity variation
CN113222928B (zh) 一种尿细胞学人工智能尿路上皮癌识别系统
CN111145155A (zh) 一种睑板腺腺体的识别方法
US11717151B2 (en) Method for early diagnosis of keratoconus based on multi-modal data
CN115456974A (zh) 基于人脸关键点的斜视检测系统、方法、设备及介质
Soares et al. Exudates dynamic detection in retinal fundus images based on the noise map distribution
US10617294B1 (en) System and method for determining the spherical power of eyes based on measured refractive error
CN111932502A (zh) 一种角膜图像点云选取方法、系统、智能终端及存储介质
Guan et al. Nuclei enhancement and segmentation in color cervical smear images
CN112734701A (zh) 眼底病灶检测方法、检测装置及终端设备
Tanazri et al. Detection of pterygium disease using Hough transform and forward chaining

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