CN117237452A - 基于多图层采样的视网膜图像血管部位识别方法及系统 - Google Patents
基于多图层采样的视网膜图像血管部位识别方法及系统 Download PDFInfo
- Publication number
- CN117237452A CN117237452A CN202311201414.6A CN202311201414A CN117237452A CN 117237452 A CN117237452 A CN 117237452A CN 202311201414 A CN202311201414 A CN 202311201414A CN 117237452 A CN117237452 A CN 117237452A
- Authority
- CN
- China
- Prior art keywords
- image
- retina
- node
- edge
- pixel
- 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
- 210000001525 retina Anatomy 0.000 title claims abstract description 233
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005070 sampling Methods 0.000 title claims abstract description 26
- 230000002792 vascular Effects 0.000 claims abstract description 70
- 230000004256 retinal image Effects 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000024121 nodulation Effects 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 10
- 238000003702 image correction Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 208000022873 Ocular disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及图像处理领域,揭露一种基于多图层采样的视网膜图像血管部位识别方法和系统,其方法,包括:对矫正视网膜图像进行边缘监测,得到边缘视网膜图像;对边缘视网膜图像进行平直化处理,得到平直视网膜图像;将平直视网膜图像节点化,得到节点视网膜图像,对节点视网膜图像进行分层处理,得到分层视网膜图像;对分层视网膜图像进行滤波处理,得到细节增强图像,定位细节增强图像的血管结构坐标,提取血管结构坐标对应的坐标血管的血管纹理特征,分析坐标血管的拓扑结构,识别坐标血管的血管类别。本发明可以提高了视网膜图像血管部位识别的准确性。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于多图层采样的视网膜图像血管部位识别方法及系统。
背景技术
视网膜图像血管部位识别是指利用计算机视觉和图像处理技术,通过分析视网膜图像来自动检测、定位和分类其中的血管结构的过程,通过血管部位识别,可以帮助眼科医生进行病变检测、疾病诊断和治疗决策。
目前视网膜图像血管部位识别方法主要是通过将采样的视网膜图像进行分层,在提取分层视网膜图像的血管特征的方式来判断血管部位,这种方法由于视网膜的各层结构形状不规则、边界模糊、对比度低,使得分层的精度不够,导致降低了视网膜图像血管部位识别准确性。
发明内容
为了解决上述问题,本发明提供了一种基于多图层采样的视网膜图像血管部位识别方法及系统,可以提高了视网膜图像血管部位识别的准确性。
第一方面,本发明提供了一种基于多图层采样的视网膜图像血管部位识别方法,所述方法包括:
采集待识别人员的视网膜图像,对所述视网膜图像进行图像校正,得到矫正视网膜图像,并对所述矫正视网膜图像进行边缘监测,以得到边缘视网膜图像;
识别所述边缘视网膜图像的特征点,并根据所述特征点对所述边缘视网膜图像进行平直化处理,以得到平直视网膜图像;
将所述平直视网膜图像节点化,得到节点视网膜图像,计算所述节点视网膜图像对应节点的节点权重,其中,所述节点权重是指不同像素节点在所述节点视网膜图像的占比程度;
标记所述节点视网膜图像的起始点和中止点,并构建所述起始点和所述中止点的节点路径,以及标记所述节点路径对应的路径节点,根据节点权重计算所述节点路径的路径权重,其中,所述节点路径的路径权重是指从所述起始点到所述中止点构成的路径在所述节点路径的重要程度;
根据所述路径权重筛选出所述节点路径的权重最低路径,根据所述权重最低路径对所述节点视网膜图像进行分层处理,以得到分层视网膜图像;
对所述分层视网膜图像进行滤波处理,得到细节增强图像,定位所述细节增强图像的血管结构坐标,提取所述血管结构坐标对应的坐标血管的血管纹理特征,根据所述血管纹理特征分析所述坐标血管的拓扑结构,根据拓扑结构识别所述坐标血管的血管类别。
第二方面,本发明提供了一种基于多图层采样的视网膜图像血管部位识别系统,所述系统包括:
图像边缘检测模块,用于采集待识别人员的视网膜图像,对所述视网膜图像进行图像校正,得到矫正视网膜图像,并对所述矫正视网膜图像进行边缘监测,以得到边缘视网膜图像;
图像平直化模块,用于识别所述边缘视网膜图像的特征点,根据所述特征点对所述边缘视网膜图像进行平直化处理,以得到平直视网膜图像;
图像分层模块,用于将所述平直视网膜图像节点化,得到节点视网膜图像,并计算所述节点视网膜图像对应节点的节点权重,标记所述节点视网膜图像的起始点和中止点,并构建所述起始点和所述中止点的节点路径,以及标记所述节点路径对应的路径节点,根据节点权重计算所述节点路径的路径权重,并根据所述路径权重筛选出所述节点路径的权重最低路径,根据所述权重最低路径对所述节点视网膜图像进行分层处理,以得到分层视网膜图像;其中,所述节点权重是指不同像素节点在所述节点视网膜图像的占比程度,所述路径权重是指从所述起始点到所述中止点构成的路径在所述节点路径的重要程度;
血管类别识别模块,用于对所述分层视网膜图像进行滤波处理,得到细节增强图像,定位所述细节增强图像的血管结构坐标,提取所述血管结构坐标对应的坐标血管的血管纹理特征,根据所述血管纹理特征分析所述坐标血管的拓扑结构,以及根据拓扑结构识别所述坐标血管的血管类别。
与现有技术相比,本方案的技术原理及有益效果在于:
本发明通过对所述视网膜图像进行图像校正,得到矫正视网膜图像可以将所述视网膜图像生成计算机容易处理的图像,提高了对所述视网膜图像的处理效率;进一步地,本发明实施例通过对所述矫正视网膜图像进行边缘监测,得到边缘视网膜图像可以增强所述矫正视网膜图像的眼底血管结构边界信息,提高视网膜图像血管部位识别的准确性;进一步地,本发明实施例通过识别所述边缘视网膜图像的特征点可以根据特征点对所述边缘视网膜图像进行平直处理,提高后期对图像的处理效率;本发明实施例通过将所述平直视网膜图像节点化,得到节点视网膜图像可以将所述平直视网膜图像像素节点化,更容易辨别图像细节,提高图像血管识别的准确性;进一步地,本发明实施例通过构建所述起始点和所述中止点的节点路径可以根据节点路径为后期进行图像分层提供数据基础;最后,本发明实施例通过对所述分层视网膜图像进行滤波处理,得到细节增强图像可以增强分层视网膜图像的图像细节,使得血管部位更加清洗,提高分层视网膜图像中血管部位识别的准确性,进一步地,本发明实施例通过根据拓扑结构,识别所述坐标血管的血管类别可以通过详细的内部结构,执行所述坐标血管类别分类,提高对所述坐标血管的血管部位识别的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,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地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的基于多图层采样的视网膜图像血管部位识别方法及系统的流程示意图;
图2为本发明一实施例提供的基于多图层采样的视网膜图像血管部位识别系统的模块示意图;
图3为本发明一实施例提供的实现基于多图层采样的视网膜图像血管部位识别方法及系统的电子设备的内部结构示意图。
具体实施方式
应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种基于多图层采样的视网膜图像血管部位识别方法及系统,所述基于多图层采样的视网膜图像血管部位识别方法及系统的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述基于多图层采样的视网膜图像血管部位识别方法及系统可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图1所示,是本发明一实施例提供的基于多图层采样的视网膜图像血管部位识别方法及系统的流程示意图。其中,图1中描述的基于多图层采样的视网膜图像血管部位识别方法包括:
S1、采集待识别人员的视网膜图像,对所述视网膜图像进行图像校正,得到矫正视网膜图像,对所述矫正视网膜图像进行边缘监测,得到边缘视网膜图像。
本发明实施例中,所述视网膜图像是指通过眼底摄影或类似技术所获取的人眼视网膜的图像。通过视网膜图像可以用来检测和诊断眼部疾病,例如青光眼、白内障和糖尿病视网膜病变等。
本发明实施例通过对所述视网膜图像进行图像校正,得到矫正视网膜图像可以将所述视网膜图像生成计算机容易处理的图像,提高了对所述视网膜图像的处理效率。其中,所述矫正视网膜图像是指对所述视网膜图像进行矫正处理后的图像。
作为本发明的一个实施例,所述对所述视网膜图像进行图像校正,得到矫正视网膜图像,可以通过根据已知的几何特征,如眼底图像中的血管结构或视盘位置,进行图像的几何校正,使之符合标准的解剖结构。
本发明实施例通过对所述矫正视网膜图像进行边缘监测,得到边缘视网膜图像可以增强所述矫正视网膜图像的眼底血管结构边界信息,提高视网膜图像血管部位识别的准确性。其中,所述边缘视网膜图像是指将所述矫正视网膜图像进行边缘细节加强后的图像。
进一步的,对所述矫正视网膜图像进行边缘监测,得到边缘视网膜图像,包括:对所述矫正视网膜图像进行去噪处理,得到去噪视网膜图像;计算所述去噪视网膜图像的像素强度梯度;根据所述像素强度梯度,对所述去噪视网膜图像的去噪图像像素进行非最大值抑制,得到所述去噪视网膜图像的局部极边缘;基于所述局部极边缘,利用预设的高阈值和低阈值,将所述去噪图像像素划分为强边缘像素和弱边缘像素;对所述强边缘像素进行第一追踪,得到第一边缘图像;对与所述强边缘像素相连接的所述弱边缘像素进行第二追踪,得到第二边缘图像;根据所述第一边缘图像和所述第二边缘图像,得到所述边缘视网膜图像。
其中,所述去噪视网膜图像是指对所述矫正视网膜图像进行平滑处理后得到的图像,所述像素强度梯度是指所述去噪视网膜图像中每个像素点的梯度幅值和方向,所述局部极边缘是指在图像中具有最大或最小梯度强度的边缘,所述强边缘像素和所述弱边缘像素是指具有较高梯度强度的像素点和具有较低梯度强度的像素点,所述第一边缘图像是指将所述强边缘像素进行追踪保留后的图像,所述第二边缘图像是指将所述弱边缘像素与所述强边缘像素进行边缘连接后的图像。
进一步地,所述计算所述去噪视网膜图像的像素强度梯度,包括:将所述去噪视网膜图像划分为三像素矩形网格;根据三像素矩形网格,利用下述公式计算所述去噪视网膜图像的水平方向梯度和垂直方向梯度:
;
;
其中,表示去噪视网膜图像的水平方向梯度,/>表示去噪视网膜图像的垂直方向梯度,/>表示三像素矩形网格;
根据水平方向梯度和垂直方向梯度,利用下述公式计算所述去噪视网膜图像的像素强度梯度:
;
其中,表示像素强度梯度,/>表示平方根计算函数,/>表示去噪视网膜图像的水平方向梯度,/>表示去噪视网膜图像的垂直方向梯度。
S2、识别所述边缘视网膜图像的特征点,根据所述特征点对所述边缘视网膜图像进行平直化处理,得到平直视网膜图像。
本发明实施例通过识别所述边缘视网膜图像的特征点可以根据特征点对所述边缘视网膜图像进行平直处理,提高后期对图像的处理效率。其中,所述特征点对是指所述边缘视网膜图像中具有明显可区分的特征的点,例如边缘点、角点等点。
作为本发明的一个实施例,所述识别所述边缘视网膜图像的特征点,包括:构建所述边缘视网膜图像的图像窗口,标记所述图像窗口对应的第一边缘视网膜图像;计算所述第一边缘视网膜图像的第一像素点灰度值;对所述图像窗口在所述边缘视网膜图像中进行移动,得到第二边缘视网膜图像;计算所述第二边缘视网膜图像的第二像素点灰度值;根据所述第一像素点灰度值和所述第二像素点灰度值,计算所述图像窗口的像素灰度变化值;当所述灰度变化值大于预设的像素灰度限值时,将所述图像窗口的中心点作为所述边缘视网膜图像的特征点。
其中,所述图像窗口是指建立的固定像素大小的窗口,所述第一边缘视网膜图像是指所述图像窗口移动前范围内的所述边缘视网膜图像,所述第二边缘视网膜图像是指所述图像窗口移动后范围内的所述边缘视网膜图像,所述第一像素点灰度值是指图像窗口移动前范围内的所述边缘视网膜图像的像素点灰度,所述第二像素点灰度值是指图像窗口移动后范围内的所述边缘视网膜图像的像素点灰度。
进一步地,所述根据所述第一像素点灰度值和所述第二像素点灰度值,计算所述图像窗口的像素灰度变化值,包括:标记所述图像窗口对应第一边缘视网膜图像的第一像素坐标和所述第二边缘视网膜图像的第二像素坐标;根据所述第一像素坐标和所述第二像素坐标,计算所述图像窗口的窗口偏移量;根据所述窗口偏移量、所述第一像素点灰度值以及所述第二像素点灰度值,利用下述公式计算所述图像窗口的像素灰度变化值:
;
其中,表示像素灰度变化值,/>表示窗口偏移量,/>表示图像窗口在x轴上的窗口偏移量,/>表示图像窗口在y轴上的窗口偏移量,/>表示窗口函数,/>表示第一像素坐标,e表示第一像素坐标的纵坐标,/>表示第一像素坐标的横坐标,表示第一像素点灰度值,/>表示第二像素点灰度值,B()表示灰度值计算函数。
本发明实施例通过根据所述特征点对所述边缘视网膜图像进行平直化处理,得到平直视网膜图像可以通过所述平直视网膜图像图像更好的提取图像的细节,提高了对平直视网膜图像内血管部位识别的准确性。其中,所述平直视网膜图像是指将所述边缘视网膜图像进行平直处理后的图像。
进一步地,所述根据所述特征点对所述边缘视网膜图像进行平直化处理,得到平直视网膜图像,包括:对所述特征点进行特征匹配,得到特征关系;根据所述特征关系,构建所述边缘视网膜图像的透视变换矩阵;利用所述透视变换矩阵将所述边缘视网膜图像进行投影,得到平直图像;对所述平直图像进行修剪,得到所述平直视网膜图像。
其中,所述特征关系是指所述特征点之间的特征属性关系,所述透视变换矩阵根据特征关系构建的可以进行投影映射的矩阵,所述平直图像是指通过所述透视变换矩阵将所述边缘视网膜图像进行投影的初始图像。
进一步地,所述对所述特征点进行特征匹配,得到特征关系,包括:以所述特征点为中心点,构建所述特征点的相关窗;计算所述相关窗的相关窗灰度值;根据所述相关窗灰度值和所述相关窗,利用下述公式计算所述特征点的相关系数:
;
其中,表示相关系数,/>表示相关窗的大小,/>表示第i个特征点,k表示第k个特征点,/>表示第i个特征点对应相关窗的相关窗灰度值,/>表示第i个特征点对应相关窗的相关窗灰度值均值,/>表示第k个特征点对应相关窗的相关窗灰度值,/>表示第k个特征点对应相关窗的相关窗灰度值均值;
根据所述相关系数,分析所述特征点的特征关系。
S3、将所述平直视网膜图像节点化,得到节点视网膜图像,计算所述节点视网膜图像对应节点的节点权重,其中,所述节点权重是指不同像素节点在所述节点视网膜图像的占比程度;
标记所述节点视网膜图像的起始点和中止点,并构建所述起始点和所述中止点的节点路径,以及标记所述节点路径对应的路径节点,根据节点权重计算所述节点路径的路径权重,其中,所述节点路径的路径权重是指从所述起始点到所述中止点构成的路径在所述节点路径的重要程度;
根据所述路径权重筛选出所述节点路径的权重最低路径,根据所述权重最低路径对所述节点视网膜图像进行分层处理,以得到分层视网膜图像。
本发明实施例通过将所述平直视网膜图像节点化,得到节点视网膜图像可以将所述平直视网膜图像像素节点化,更容易辨别图像细节,提高图像血管识别的准确性。
此外,所述将所述平直视网膜图像节点化,得到节点视网膜图像可以通过将所述平直视网膜图像像素化实现。
进一步地,本发明实施例通过计算所述节点视网膜图像对应节点的节点权重可以将每个节点都设置权重,方便后期通过权重计算所述节点视网膜图像的分离路线。其中,所述节点权重是指不同像素节点在所述节点视网膜图像的占比程度。
例如,所述计算所述节点视网膜图像对应节点的节点权重可以通过根据该节点的像素灰度值来设置,灰度值越大权重越大。
进一步地,本发明实施例通过根据所述节点权重,标记所述节点视网膜图像的起始点和中止点,可以根据所述起始点和所述中止点构建图像的路径。其中,所述起始点和所述起始点是指在所述节点视网膜图像中标记的路径起始点和路径起始点。优选的,所述标记所述节点视网膜图像的起始点和中止点可以通过GIMP软件进行标记。
进一步地,本发明实施例通过构建所述起始点和所述中止点的节点路径可以根据节点路径为后期进行图像分层提供数据基础。其中,所述节点路径是指所述从所述起始点到所述中止点的路径。
同时,所述构建所述起始点和所述中止点的节点路径,包括:确定所述起始点和所述中止点的的起始点坐标和中止点坐标,对所述起始点坐标和所述中止点坐标进行连接,得到所述节点路径。
进一步地,本发明实施例通过标记所述节点路径对应的路径节点可以明确所述节点路径所含的节点,为后期进行进行路径权值计算提供数据基础。
由此,本实施例通过根据所述节点权重,计算所述节点路径的路径权重可以根据所述路径权重筛选出所述节点视网膜图像的最佳分层路径,提高了所述节点视网膜图像分层的准确性。其中,所述路径权重是指从所述起始点到所述中止点的构成的路径在所述节点路径的重要程度。
进一步地,所述根据所述节点权重,计算所述节点路径的路径权重,包括:根据下述公式计算所述节点路径的路径权重:
;
其中,表示节点a到节点b的路径权重,/>表示节点路径对应路径节点的数量,表示节点路径对应第h个路径节点的节点权重,/>表示垂直边缘权值。
本实施例通过根据所述路径权重,筛选出所述节点路径的权重最低路径可以将所述权重最低路径作为分层路径,提高分层的精准性。其中,所述权重最低路径是指所述节点路径中权值最低的路径。优选的,所述根据所述路径权重,筛选出所述节点路径的权重最低路径通过筛选最小值的方法来定位所述权重最低路径。
由此,本实施例通过对所述节点视网膜图像进行分层处理,以将图像中的血管细节展示的更加清楚,从而提高了对视网膜图像中血管部位识别的准确性。其中,所述分层视网膜图像是指将所述节点视网膜图像进行多层分离后的多层图像。
进一步地,所述根据所述权重最低路径,对所述节点视网膜图像进行分层处理,得到分层视网膜图像可以通过图像分割技术实现。
S4、对所述分层视网膜图像进行滤波处理,得到细节增强图像,定位所述细节增强图像的血管结构坐标,提取所述血管结构坐标对应的坐标血管的血管纹理特征,根据所述血管纹理特征,分析所述坐标血管的拓扑结构,根据拓扑结构,识别所述坐标血管的血管类别。
本发明实施例通过对所述分层视网膜图像进行滤波处理,得到细节增强图像可以增强分层视网膜图像的图像细节,使得血管部位更加清洗,提高分层视网膜图像中血管部位识别的准确性。其中,所述细节增强图像是指通过滤波技术将所述分层视网膜图像丰富细节后产生的图像。例如,本实施例中,可以通过中值滤波来对所述分层视网膜图像进行滤波处理。
进一步地,本实施例通过定位所述细节增强图像的血管结构坐标可以先定位血管位置,提高后续对血管部位的识别效率。其中,所述血管结构坐标是指在所述细节增强图像中血管的位置坐标。
其中,所述定位所述细节增强图像的血管结构坐标,包括:选取所述细节增强图像的中心参照点;以所述中心参照点构建所述细节增强图像的空间坐标系;根据所述空间坐标系,定位所述细节增强图像的血管结构坐标。
其中,所述中心参照点是指选取的所述细节增强图像的参照点,所述空间坐标系根据所述中心参照点建立的坐标系。
由此,通过提取所述血管结构坐标对应的坐标血管的血管纹理特征可以通过提取所述坐标血管特征信息,从而为后期分析血管结构提供数据基础。其中,所述血管纹理特征是指所述坐标血管的内部纹理和特征。例如,本实施例中,可以通过特征函数来提取所述血管结构坐标对应的坐标血管的血管纹理特征。
进一步地,本发明实施例通过根据所述血管纹理特征,分析所述坐标血管的拓扑结构可以辨别所述坐标血管的内部结构,提高了对所述坐标血管部位识别的准确性。其中,所述拓扑结构是指所述坐标血管的内部结构。
所述根据所述血管纹理特征,分析所述坐标血管的拓扑结构,包括:根据所述血管纹理特征,标记所述坐标血管的血管关键节点;将相邻的所述血管关键节点进行连接,得到血管段;通过所述血管段,构建所述坐标血管的拓扑结构。
其中,所述血管关键节点是指所述坐标血管的关键点,例如,血管交叉点、分叉点等点,所述血管段是指将相邻所述血管关键节点进行连接后的血管线段。
并且,本实施例可以进一步根据拓扑结构识别所述坐标血管的血管类别可以通过详细的内部结构,执行所述坐标血管类别分类,提高对所述坐标血管的血管部位识别的准确性。优选的,所述坐标血管的血管类别可以通过训练的血管类别分类模型来实现。
由此可见,本实施例通过对所述视网膜图像进行图像校正,得到计算机容易处理的图像,以提高对所述视网膜图像的处理效率;进一步地,通过边缘视网膜图像增强所述矫正视网膜图像的眼底血管结构边界信息,提高视网膜图像血管部位识别的准确性;
同时,本实施例通过特征点对所述边缘视网膜图像进行平直处理,以提高后期对图像的处理效率;以及将平直视网膜图像像素节点化,使得图像中的细节更容易辨别,进一步提高图像血管识别的准确性;最后,本发明通过构建所述起始点和所述中止点的节点路径,可以为后期进行图像分层提供数据基础,并对所述分层视网膜图像进行滤波处理,以得到细节增强图像,使得血管部位更加清晰,有助于进一步提高分层视网膜图像中血管部位识别的准确性。
如图2所示,是本发明基于多图层采样的视网膜图像血管部位识别系统功能模块图。
本发明所述基于多图层采样的视网膜图像血管部位识别系统200可以安装于电子设备中。根据实现的功能,所述基于多图层采样的视网膜图像血管部位识别系统可以包括图像边缘检测模块201、图像平直化模块202、图像分层模块203以及血管类别识别模块204。
在本发明实施例中,关于各模块/单元的功能如下:
所述图像边缘检测模块201,用于采集待识别人员的视网膜图像,对所述视网膜图像进行图像校正,得到矫正视网膜图像,对所述矫正视网膜图像进行边缘监测,得到边缘视网膜图像;
所述图像平直化模块202,用于识别所述边缘视网膜图像的特征点,根据所述特征点对所述边缘视网膜图像进行平直化处理,得到平直视网膜图像;
所述图像分层模块203,用于将所述平直视网膜图像节点化,得到节点视网膜图像,并计算所述节点视网膜图像对应节点的节点权重,标记所述节点视网膜图像的起始点和中止点,并构建所述起始点和所述中止点的节点路径,以及标记所述节点路径对应的路径节点,根据节点权重计算所述节点路径的路径权重,并根据所述路径权重筛选出所述节点路径的权重最低路径,根据所述权重最低路径对所述节点视网膜图像进行分层处理,以得到分层视网膜图像;其中,所述节点权重是指不同像素节点在所述节点视网膜图像的占比程度,所述路径权重是指从所述起始点到所述中止点构成的路径在所述节点路径的重要程度;
所述血管类别识别模块204,用于对所述分层视网膜图像进行滤波处理,得到细节增强图像,定位所述细节增强图像的血管结构坐标,提取所述血管结构坐标对应的坐标血管的血管纹理特征,根据所述血管纹理特征,分析所述坐标血管的拓扑结构,根据拓扑结构,识别所述坐标血管的血管类别。
详细地,本发明实施例中所述基于多图层采样的视网膜图像血管部位识别系统200中的所述各模块在使用时采用与上述的图1所述的基于多图层采样的视网膜图像血管部位识别方法一样的技术手段,并能够产生相同的技术效果,不再赘述。
如图3所示,是本发明实现基于多图层采样的视网膜图像血管部位识别方法的电子设备的结构示意图。
所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33,还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序,如基于多图层采样的视网膜图像血管部位识别方法的程序。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
所述电子设备中的所述存储器31存储的数据库配置化连接程序是多个计算机程序的组合,在所述处理器30中运行时,可以实现上述基于多图层采样的视网膜图像血管部位识别方法。
具体地,所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元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,可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现上述基于多图层采样的视网膜图像血管部位识别方法。
以上仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于多图层采样的视网膜图像血管部位识别方法,其特征在于,所述方法包括:
采集待识别人员的视网膜图像,对所述视网膜图像进行图像校正,得到矫正视网膜图像,并对所述矫正视网膜图像进行边缘监测,以得到边缘视网膜图像;
识别所述边缘视网膜图像的特征点,并根据所述特征点对所述边缘视网膜图像进行平直化处理,以得到平直视网膜图像;
将所述平直视网膜图像节点化,得到节点视网膜图像,计算所述节点视网膜图像对应节点的节点权重,其中,所述节点权重是指不同像素节点在所述节点视网膜图像的占比程度;
标记所述节点视网膜图像的起始点和中止点,并构建所述起始点和所述中止点的节点路径,以及标记所述节点路径对应的路径节点,根据节点权重计算所述节点路径的路径权重,其中,所述节点路径的路径权重是指从所述起始点到所述中止点构成的路径在所述节点路径的重要程度;
根据所述路径权重筛选出所述节点路径的权重最低路径,根据所述权重最低路径对所述节点视网膜图像进行分层处理,以得到分层视网膜图像;
对所述分层视网膜图像进行滤波处理,得到细节增强图像,定位所述细节增强图像的血管结构坐标,提取所述血管结构坐标对应的坐标血管的血管纹理特征,根据所述血管纹理特征分析所述坐标血管的拓扑结构,根据拓扑结构识别所述坐标血管的血管类别。
2.根据权利要求1所述的方法,其特征在于,对所述矫正视网膜图像进行边缘监测,得到边缘视网膜图像,包括:
对所述矫正视网膜图像进行去噪处理,得到去噪视网膜图像;
计算所述去噪视网膜图像的像素强度梯度;
根据所述像素强度梯度对所述去噪视网膜图像的去噪图像像素进行非最大值抑制,得到所述去噪视网膜图像的局部极边缘;
利用预设的高阈值和低阈值,将所述去噪图像像素划分为强边缘像素和弱边缘像素;
对所述强边缘像素进行第一追踪处理,得到第一边缘图像;
对与所述强边缘像素相连接的所述弱边缘像素进行第二追踪处理,得到第二边缘图像;
根据所述第一边缘图像和所述第二边缘图像得到所述边缘视网膜图像。
3.根据权利要求2所述的方法,其特征在于,计算所述去噪视网膜图像的像素强度梯度,包括:
将所述去噪视网膜图像划分为三像素矩形网格;
根据三像素矩形网格,利用下述公式计算所述去噪视网膜图像的水平方向梯度和垂直方向梯度:
;
;
其中,表示去噪视网膜图像的水平方向梯度,/>表示去噪视网膜图像的垂直方向梯度,/>表示三像素矩形网格;
根据水平方向梯度和垂直方向梯度,利用下述公式计算所述去噪视网膜图像的像素强度梯度:
;
其中,表示像素强度梯度,/>表示平方根计算函数,/>表示去噪视网膜图像的水平方向梯度,/>表示去噪视网膜图像的垂直方向梯度。
4.根据权利要求1所述的方法,其特征在于,识别所述边缘视网膜图像的特征点,包括:
构建所述边缘视网膜图像的图像窗口,标记所述图像窗口对应的第一边缘视网膜图像;
计算所述第一边缘视网膜图像的第一像素点灰度值;
对所述图像窗口在所述边缘视网膜图像中进行移动,得到第二边缘视网膜图像;
计算所述第二边缘视网膜图像的第二像素点灰度值;
根据所述第一像素点灰度值和所述第二像素点灰度值,计算所述图像窗口的像素灰度变化值;
当所述灰度变化值大于预设的像素灰度限值时,将所述图像窗口的中心点作为所述边缘视网膜图像的特征点。
5.根据权利要求1所述的方法,其特征在于,根据所述第一像素点灰度值和所述第二像素点灰度值计算所述图像窗口的像素灰度变化值,包括:
标记所述图像窗口对应第一边缘视网膜图像的第一像素坐标和所述第二边缘视网膜图像的第二像素坐标;
根据所述第一像素坐标和所述第二像素坐标计算所述图像窗口的窗口偏移量;
根据所述窗口偏移量、所述第一像素点灰度值以及所述第二像素点灰度值,利用下述公式计算所述图像窗口的像素灰度变化值:
;
其中,表示像素灰度变化值,/>表示窗口偏移量,/>表示图像窗口在x轴上的窗口偏移量,/>表示图像窗口在y轴上的窗口偏移量,/>表示窗口函数,/>表示第一像素坐标,e表示第一像素坐标的纵坐标,/>表示第一像素坐标的横坐标,/>表示第一像素点灰度值,/>表示第二像素点灰度值,B()表示灰度值计算函数。
6.根据权利要求5所述的方法,其特征在于,根据所述特征点对所述边缘视网膜图像进行平直化处理,得到平直视网膜图像,包括:
对所述特征点进行特征匹配,得到特征关系;
根据所述特征关系,构建所述边缘视网膜图像的透视变换矩阵;
利用所述透视变换矩阵将所述边缘视网膜图像进行投影,得到平直图像;
对所述平直图像进行修剪,得到所述平直视网膜图像。
7.根据权利要求6所述的方法,其特征在于,对所述特征点进行特征匹配,得到特征关系,包括:
以所述特征点为中心点,构建所述特征点的相关窗;
计算所述相关窗的相关窗灰度值;
根据所述相关窗灰度值和所述相关窗,利用下述公式计算所述特征点的相关系数:
;
其中,表示相关系数,/>表示相关窗的大小,/>表示第i个特征点,k表示第k个特征点,/>表示第i个特征点对应相关窗的相关窗灰度值,/>表示第i个特征点对应相关窗的相关窗灰度值均值,/>表示第k个特征点对应相关窗的相关窗灰度值,/>表示第k个特征点对应相关窗的相关窗灰度值均值;
根据所述相关系数,分析所述特征点的特征关系。
8.根据权利要求1所述的方法,其特征在于,根据节点权重计算所述节点路径的路径权重,包括:
利用下述公式计算所述节点路径的路径权重:
;
其中,表示节点a到节点b的路径权重,/>表示节点路径对应路径节点的数量,/>表示节点路径对应第h个路径节点的节点权重,/>表示垂直边缘权值。
9.根据权利要求1-8所述的方法,其特征在于,定位所述细节增强图像的血管结构坐标,包括:
选取所述细节增强图像的中心参照点;
以所述中心参照点构建所述细节增强图像的空间坐标系;
根据所述空间坐标系定位所述细节增强图像的血管结构坐标。
10.一种基于多图层采样的视网膜图像血管部位识别系统,其特征在于,所述系统包括:
图像边缘检测模块,用于采集待识别人员的视网膜图像,对所述视网膜图像进行图像校正,得到矫正视网膜图像,并对所述矫正视网膜图像进行边缘监测,以得到边缘视网膜图像;
图像平直化模块,用于识别所述边缘视网膜图像的特征点,根据所述特征点对所述边缘视网膜图像进行平直化处理,以得到平直视网膜图像;
图像分层模块,用于将所述平直视网膜图像节点化,得到节点视网膜图像,并计算所述节点视网膜图像对应节点的节点权重,标记所述节点视网膜图像的起始点和中止点,并构建所述起始点和所述中止点的节点路径,以及标记所述节点路径对应的路径节点,根据节点权重计算所述节点路径的路径权重,并根据所述路径权重筛选出所述节点路径的权重最低路径,根据所述权重最低路径对所述节点视网膜图像进行分层处理,以得到分层视网膜图像;其中,所述节点权重是指不同像素节点在所述节点视网膜图像的占比程度,所述路径权重是指从所述起始点到所述中止点构成的路径在所述节点路径的重要程度;
血管类别识别模块,用于对所述分层视网膜图像进行滤波处理,得到细节增强图像,定位所述细节增强图像的血管结构坐标,提取所述血管结构坐标对应的坐标血管的血管纹理特征,根据所述血管纹理特征分析所述坐标血管的拓扑结构,以及根据拓扑结构识别所述坐标血管的血管类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311201414.6A CN117237452A (zh) | 2023-09-18 | 2023-09-18 | 基于多图层采样的视网膜图像血管部位识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311201414.6A CN117237452A (zh) | 2023-09-18 | 2023-09-18 | 基于多图层采样的视网膜图像血管部位识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117237452A true CN117237452A (zh) | 2023-12-15 |
Family
ID=89094319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311201414.6A Pending CN117237452A (zh) | 2023-09-18 | 2023-09-18 | 基于多图层采样的视网膜图像血管部位识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237452A (zh) |
-
2023
- 2023-09-18 CN CN202311201414.6A patent/CN117237452A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493954B (zh) | 一种基于类别判别定位的sd-oct图像视网膜病变检测系统 | |
CN110570421B (zh) | 多任务的眼底图像分类方法和设备 | |
Niemeijer et al. | Segmentation of the optic disc, macula and vascular arch in fundus photographs | |
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
WO2021082691A1 (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
KR101478598B1 (ko) | 화상처리장치, 그 제어방법 및 컴퓨터 프로그램 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN109961848B (zh) | 黄斑图像分类方法和设备 | |
CN110428421A (zh) | 黄斑图像区域分割方法和设备 | |
CN109697719B (zh) | 一种图像质量评估方法、装置及计算机可读存储介质 | |
CN110555845A (zh) | 眼底oct图像识别方法及设备 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN106846293B (zh) | 图像处理方法和装置 | |
WO2021190656A1 (zh) | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 | |
CN113658165B (zh) | 杯盘比确定方法、装置、设备及存储介质 | |
CN113436070B (zh) | 一种基于深度神经网络的眼底图像拼接方法 | |
CN113920078A (zh) | 一种针对眼底图像的血管分割方法和电子设备 | |
CN110599480A (zh) | 多源输入的眼底图像分类方法和设备 | |
CN102567734A (zh) | 基于比值的视网膜细小血管分割方法 | |
CN113066066A (zh) | 视网膜异常分析方法及设备 | |
CN106446805A (zh) | 一种眼底照中视杯的分割方法及系统 | |
CN111797900A (zh) | 一种oct-a图像的动静脉分类方法及装置 | |
CN117409002A (zh) | 一种用于创伤的视觉识别检测系统及其检测方法 | |
CN111738992A (zh) | 肺部病灶区域提取方法、装置、电子设备和存储介质 | |
CN112712521B (zh) | 基于全局梯度搜索的眼底视盘自动定位方法及其存储介质 |
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 |