CN117314872A - 一种视网膜图像的智能分割方法及装置 - Google Patents
一种视网膜图像的智能分割方法及装置 Download PDFInfo
- Publication number
- CN117314872A CN117314872A CN202311318993.2A CN202311318993A CN117314872A CN 117314872 A CN117314872 A CN 117314872A CN 202311318993 A CN202311318993 A CN 202311318993A CN 117314872 A CN117314872 A CN 117314872A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- edge
- values
- pixel points
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 98
- 210000001525 retina Anatomy 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 72
- 230000009467 reduction Effects 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000003709 image segmentation Methods 0.000 claims abstract description 37
- 238000003702 image correction Methods 0.000 claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 4
- 230000004256 retinal image Effects 0.000 claims description 46
- 238000010606 normalization Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 7
- 238000013079 data visualisation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000002207 retinal effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000016776 visual perception Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000030533 eye disease Diseases 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种视网膜图像的智能分割方法及装置，包括：接收视网膜图像的智能分割指令，启动图像分割系统，其中图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型，进一步地，利用图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，并根据图像校正模型对已降噪图像进行校正处理，得到高质量图像，进一步地，提取高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取，进一步地，设定特征边缘阈值，并利用特征提取模型对图像建议区域进行特征精细提取，提取后对视网膜图像执行划分，完成基于视网膜图像的智能分割。本发明构建图像分割特征，从而提高对视网膜图像的分割准确度。
Description
技术领域
本发明涉及图像分割技术领域，尤其涉及一种视网膜图像的智能分割方法及装置。
背景技术
当眼睛中的视网膜发生病变时，通过观察拍摄的视网膜图像中关键组织结构的状态能检测出眼科疾病，例如，医生通过视网膜图像中毛细血管的形状、分叉等结构特征，能够诊断出糖尿病视网膜病变、青光眼、高血压等疾病，因此对视网膜图像进行有效分割，以此分析关键组织结构的形态属性对眼科疾病的临床诊断具有重要的应用价值。
为眼科患者拍摄视网膜图像时，往往通过点光源提供光照，并通过影像设备中的相机传感器进行拍摄获取，但是这种拍摄方式容易导致视网膜图像光照亮度不均匀、关键组织结构与无关组织背景对比度较小，加大关键组织结构被检测出发生病变的难度。另外，视网膜图像的组织结构错综复杂，往往通过人工方式进行图像分割，但由于人工分割存在不确定性，容易导致花费时间过久、分割不精确。
如何构建合适的智能分割方式，从而提高对视网膜图像的分割准确度是急需解决的技术问题。
发明内容
本发明提供一种视网膜图像的智能分割方法及装置，其主要目的在于构建图像分割特征，从而提高对视网膜图像的分割准确度。
为实现上述目的，本发明提供的一种视网膜图像的智能分割方法，包括：
接收视网膜图像的智能分割指令，根据所述智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型；
获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像；
构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像；
提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取；
设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，提取后对所述视网膜图像执行划分，完成基于视网膜图像的智能分割。
可选地，所述获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，包括：
确定图像降噪模型，其中，图像降噪模型包括像素划分仪与图像取色器；
利用所述像素划分仪将视网膜图像执行划分，得到i×j个视网膜像素；
利用所述图像取色器获取每个视网膜像素的RGB通道数值，其中，RGB通道数值由红色通道值、绿色通道值及蓝色通道值组成；
将所述RGB通道数值转换为灰色度数值，根据所述灰色度数值得到视网膜图像的灰色阶级图；
获取灰色阶级图的图像数据集，利用预设数据均衡化算法对所述图像数据集执行数据处理得到降噪数据集，并根据所述降噪数据集绘制已降噪图像。
可选地，所述将所述RGB通道数值转换为灰色度数值，根据所述灰色度数值得到视网膜图像的灰色阶级图，包括：
根据所述RGB通道数值，利用下式计算得到灰色度数值：
Gray＝0.299R+0.587G+0.114B
其中，Gray表示灰色度数值，R表示红色通道值，G表示绿色通道值，B表示蓝色通道值；
根据所述灰色度数值，通过MATLAB软件工具将所述灰色度数值执行数据可视化，得到视网膜图像的灰色阶级图。
可选地，所述利用预设数据均衡化算法对所述图像数据集执行数据处理得到降噪数据集，包括：
确定所述图像数据集，其中，图像数据集由i×j个图像数据值组成；
设定所述图像数据集的图像临界值，并判断每个所述图像数据值与图像临界值的大小关系；
根据所述大小关系，对每个图像数据值执行预设数据均衡化算法的数据处理，当成功处理后组合得到降噪数据集。
可选地，所述根据所述大小关系，对每个图像数据值执行预设数据均衡化算法的数据处理，当成功处理后组合得到降噪数据集，包括：
将所述图像临界值标记为将所有大于图像临界值的图像数据值依次标记为p1、p2、...、pa，其中，a表示大于图像临界值的图像数据值的个数，并依次计算与/>其中，/>
将所有不大于图像临界值的图像数据值依次标记为q1、q2、...、qb，其中，b表示不大于图像临界值的图像数据值的个数，且a+b＝i×j；
将所有大于图像临界值的图像数据值都依次转换为将所有不大于图像临界值的图像数据值依次转换为/>得到算法处理后的i×j个重新数据值，并将所述重新数据值集合得到降噪数据集。
可选地，所述构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像，包括：
确定已降噪图像，并对所述降噪数据集的每个重新数据值执行归一化处理，得到待校数据值：
根据输出影像设备参数获取设备伽马值，其中输出影像设备参数表示医院影像科为患者进行影像检查的影像机器设备参数；
将所述设备伽马值的倒数作为指数对应值，对所述待校数据值进行指数运算，得到指数运算值；
对所述指数运算值执行反归一化处理得到校正后数值，并将所述校正后数值执行数据可视化，完成已降噪图像到高质量图像的转换。
可选地，所述对所述降噪数据集的每个重新数据值执行归一化处理，得到待校数据值，包括：
利用下式计算得到待校数据值：
其中，表示待校数据值，ω表示重新数据值。
可选地，所述提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取，包括：
确定高质量图像，其中，高质量图像由i′×j′个高质量像素组成；
测定所述高质量像素的像素灰度值，根据所述像素灰度值计算得到所有高质量像素的平均灰度值与高质量图像每一列像素的列均灰度值；
比较所述平均灰度值与列均灰度值的大小关系，并对所述列均灰度值执行筛选；
将不小于平均灰度值的列均灰度值所属的高质量像素划分为图像建议区域，完成提取高质量图像的图像建议区域。
可选地，所述设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，包括：
确定图像建议区域的区域像素点，并利用特征提取模型计算得到每个所述区域像素点的梯度大小值和梯度方向值，其中，特征提取模型包含一阶偏导的有限差分算法；
对所述区域像素点划分得到靠边像素点与居中像素点，其中，靠边像素点表示该区域像素点的邻域像素点少于8个，居中像素点表示该区域像素点的邻域像素点等于8个；
根据每个所述居中像素点的梯度方向值，确定每个所述居中像素点各沿正、负梯度方向最相邻的两个像素点；
对每个所述居中像素点与两个像素点的梯度大小值进行依次比较，若该居中像素点的梯度大小值不小于两个像素点的梯度大小值中的最小值，则将该居中像素点标记为最终边缘点，否则，标记为背景像素点；
设定特征边缘阈值，其中，特征边缘阈值由特征边缘高值与特征边缘低值组成；
将所述梯度大小值在特征边缘高值与特征边缘低值之间的靠边像素点标记为最终边缘点，将所述梯度大小值不小于特征边缘高值的靠边像素点标记为强边像素点，将所述梯度大小值不大于特征边缘低值的靠边像素点标记为弱边像素点；
判断所述弱边像素点的所有邻域像素点中是否存在强边像素点，将所有邻域像素点中存在强边像素点的弱边像素点标记为最终边缘点，否则，标记为背景像素点；
将所有标记的最终边缘点与强边像素点选定为分割边缘点，并根据所述分割边缘点，通过特征提取模型对图像建议区域进行特征精细提取。
为实现上述目的，本发明还提供一种视网膜图像的智能分割装置，包括：
分割指令接收模块，用于接收视网膜图像的智能分割指令，根据所述智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型；
视网膜图像处理模块，用于获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像；
特征粗略提取模块，用于提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取；
图像精细分割模块，用于设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，提取后对所述视网膜图像执行划分，完成基于视网膜图像的智能分割。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的视网膜图像的智能分割方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的视网膜图像的智能分割方法。
本发明先接收视网膜图像的智能分割指令，根据智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型，进一步地，获取视网膜图像，利用图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，相比原始的视网膜图像，已降噪图像的噪声度大幅降低，关键组织结构与无关组织背景的对比度得到有效提高，更清楚地表现出视网膜中纹理细节、组织边缘等信息，有助于后续的图像分割，进一步地，构建图像校正模型，并根据图像校正模型对已降噪图像进行校正处理，得到高质量图像，可见本发明实施例的图像处理是基于人类视觉特性进行补偿，使人类对处理后图像的视觉感知更加明显，进一步地，提取高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取，设定特征边缘阈值，并根据特征边缘阈值，利用特征提取模型对图像建议区域进行特征精细提取，可见本发明实施例通过设定图像分割特征进行两次筛选，得出真正的图像边缘点，不仅抑制无关背景的出现，同时提高了图像分割的准确度，进一步地，提取后对视网膜图像执行划分，完成基于视网膜图像的智能分割，因此本发明提出的视网膜图像的智能分割方法、电子设备及计算机可读存储介质，其目的是构建图像分割特征，从而提高对视网膜图像的分割准确度。
附图说明
图1为本发明一实施例提供的视网膜图像的智能分割方法的流程示意图；
图2为本发明一实施例提供的视网膜图像的智能分割装置的功能模块图；
图3为本发明一实施例提供的实现所述视网膜图像的智能分割方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种视网膜图像的智能分割方法。所述视网膜图像的智能分割方法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申请实施例提供的该方法的电子设备中的至少一种。换言之，所述视网膜图像的智能分割方法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。
参照图1所示，为本发明一实施例提供的视网膜图像的智能分割方法的流程示意图。在本实施例中，所述视网膜图像的智能分割方法包括：
S1、接收视网膜图像的智能分割指令，根据所述智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型。
本发明实施例所述图像分割系统的作用是将视网膜图像划分出关键组织结构与无关组织背景，而关键组织结构中的微细血管结构特征是医生诊断的重要信息，如果不对图像进行分割处理，则很容易忽视微细血管结构所包含的病变特征，因此在疾病诊疗中利用图像分割系统提取需重点关注的关键组织结构至关重要。
另外，本发明实施例所述智能分割指令一般由医学影像科的管理人员等发起，示例性的，A是医学影像科的管理人员，由于医院眼科现需诊治某疑难病例的眼科患者，且该患者已拍摄视网膜图像，因此A发起智能分割指令，目的是分割出视网膜图像的关键组织结构如毛细血管，以辅助眼科医生临床诊断。
S2、获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像。
需解释的是，本发明实施例所述图像降噪模型的作用是将原始RGB色彩模式的视网膜图像转换为灰色阶级图，即将RGB三颜色通道图像转换为单通道图像，并在转换后减少单通道图像的噪声度，同时提高视网膜图像中关键组织结构与无关组织背景的对比度。
详细地，所述获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，包括：
确定图像降噪模型，其中，图像降噪模型包括像素划分仪与图像取色器；
利用所述像素划分仪将视网膜图像执行划分，得到i×j个视网膜像素；
利用所述图像取色器获取每个视网膜像素的RGB通道数值，其中，RGB通道数值由红色通道值、绿色通道值及蓝色通道值组成；
将所述RGB通道数值转换为灰色度数值，根据所述灰色度数值得到视网膜图像的灰色阶级图；
获取灰色阶级图的图像数据集，利用预设数据均衡化算法对所述图像数据集执行数据处理得到降噪数据集，并根据所述降噪数据集绘制已降噪图像。
可理解的是，灰色度数值是指纯白色、纯黑色以及两种颜色按不同比例混合后得到的一系列从白到黑的过渡色的颜色深度，即每种颜色包含纯黑色的饱和度数值，灰色度数值越高则该颜色越偏白，灰色度数值越低则该颜色越偏黑，示例性的，纯黑色的灰色度数值为0，纯白色的灰色度数值为255。
进一步地，所述将所述RGB通道数值转换为灰色度数值，根据所述灰色度数值得到视网膜图像的灰色阶级图，包括：
根据所述RGB通道数值，利用下式计算得到灰色度数值：
Gray＝0.299R+0.587G+0.114B
其中，Gray表示灰色度数值，R表示红色通道值，G表示绿色通道值，B表示蓝色通道值；
根据所述灰色度数值，通过MATLAB软件工具将所述灰色度数值执行数据可视化，得到视网膜图像的灰色阶级图。
相比原始RGB色彩模式的视网膜图像含有三种颜色通道，其对应的灰色阶级图只有一个灰色通道，因此灰色阶级图的图像体积更小、图像结构更简单，有助于加快计算机对图像的处理速度，而且灰色阶级图能够有效降低多通道颜色对人类视觉的影响，同时更清楚地表现出视网膜中纹理细节、组织边缘等信息，有助于后续的图像分割，因此将原始RGB色彩图像转换为灰色阶级图不仅提高图像处理速度，而且增强图像信息。
进一步地，所述利用预设数据均衡化算法对所述图像数据集执行数据处理得到降噪数据集，包括：
确定所述图像数据集，其中，图像数据集由i×j个图像数据值组成；
设定所述图像数据集的图像临界值，并判断每个所述图像数据值与图像临界值的大小关系；
根据所述大小关系，对每个图像数据值执行预设数据均衡化算法的数据处理，当成功处理后组合得到降噪数据集。
进一步地，所述根据所述大小关系，对每个图像数据值执行预设数据均衡化算法的数据处理，当成功处理后组合得到降噪数据集，包括：
将所述图像临界值标记为将所有大于图像临界值的图像数据值依次标记为p1、p2、...、pa，其中，a表示大于图像临界值的图像数据值的个数，并依次计算与/>其中，/>
将所有不大于图像临界值的图像数据值依次标记为q1、q2、...、qb，其中，b表示不大于图像临界值的图像数据值的个数，且a+b＝i×j；
将所有大于图像临界值的图像数据值都依次转换为将所有不大于图像临界值的图像数据值依次转换为/>得到算法处理后的i×j个重新数据值，并将所述重新数据值集合得到降噪数据集。
可理解的是，本发明实施例执行的预设数据均衡化算法能够增强图像对比度，同时有效改善视网膜图像的灰色阶级图可能出现图像数据不连续以及图像过度增强的效果。
S3、构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像。
本发明实施例利用图像校正模型处理已降噪图像，其原因在于人类眼睛在感知光线时，眼睛对光线亮度的感知近似遵循幂函数性质，非线性函数性质，然而为患者进行影像检查时，影像设备中的相机传感器完全遵循线性关系，导致人眼感知输出图像的亮度差异性不明显，因此图像校正模型处理图像的目的在于对人类视觉特性进行补偿，使人类对处理后图像的视觉感知更明显。
详细地，所述构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像，包括：
确定已降噪图像，并对所述降噪数据集的每个重新数据值执行归一化处理，得到待校数据值：
根据输出影像设备参数获取设备伽马值，其中输出影像设备参数表示医院影像科为患者进行影像检查的影像机器设备参数；
将所述设备伽马值的倒数作为指数对应值，对所述待校数据值进行指数运算，得到指数运算值；
对所述指数运算值执行反归一化处理得到校正后数值，并将所述校正后数值执行数据可视化，完成已降噪图像到高质量图像的转换。
进一步地，所述对所述降噪数据集的每个重新数据值执行归一化处理，得到待校数据值，包括：
利用下式计算得到待校数据值：
其中，表示待校数据值，ω表示重新数据值。
示例性的，若某重新数据值为200，则对该重新数据值执行归一化处理后得到的待校数据值为0.78；若设备伽马值为2.20，设备伽马值的倒数为0.45，则对该待校数据值进行指数运算后得到的指数运算值为0.89，对该指数运算值执行反归一化处理得到校正后数值为INT(0.89×256-0.5)＝227，其中，INT表示取整运算函数。
S4、提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取。
其中，图像建议区域是根据视网膜结构中关键组织结构的灰度特征对高质量图像进行粗略提取后得到的区域图像，由于图像建议区域是对高质量图像的特征粗略提取，因此存在无关背景面积过大、边缘切割不清晰的情况，需要后续对图像建议区域进行边缘特征精细提取。
详细地，所述提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取，包括：
确定高质量图像，其中，高质量图像由i′×j′个高质量像素组成；
测定所述高质量像素的像素灰度值，根据所述像素灰度值计算得到所有高质量像素的平均灰度值与高质量图像每一列像素的列均灰度值；
比较所述平均灰度值与列均灰度值的大小关系，并对所述列均灰度值执行筛选；
将不小于平均灰度值的列均灰度值所属的高质量像素划分为图像建议区域，完成提取高质量图像的图像建议区域。
S5、设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，提取后对所述视网膜图像执行划分，完成基于视网膜图像的智能分割。
为了对图像建议区域进行特征精细提取，本发明实施例将图像建议区域的所有像素点划分为周边有其他相邻像素点包裹的居中像素点，以及周边的其他相邻像素点包裹较少的靠边像素点，由于图像建议区域存在无关背景，导致居中像素点存在真正的图像边缘点；另外在所有靠边像素点中，除了真正的图像边缘点，也可能存在边界模糊的图像边缘点，因此对居中像素点与靠边像素点采取不同的处理方式，其目的都是筛选出真正的图像边缘点。
进一步的，所述设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，包括：
确定图像建议区域的区域像素点，并利用特征提取模型计算得到每个所述区域像素点的梯度大小值和梯度方向值，其中，特征提取模型包含一阶偏导的有限差分算法；
对所述区域像素点划分得到靠边像素点与居中像素点，其中，靠边像素点表示该区域像素点的邻域像素点少于8个，居中像素点表示该区域像素点的邻域像素点等于8个；
根据每个所述居中像素点的梯度方向值，确定每个所述居中像素点各沿正、负梯度方向最相邻的两个像素点；
对每个所述居中像素点与两个像素点的梯度大小值进行依次比较，若该居中像素点的梯度大小值不小于两个像素点的梯度大小值中的最小值，则将该居中像素点标记为最终边缘点，否则，标记为背景像素点；
设定特征边缘阈值，其中，特征边缘阈值由特征边缘高值与特征边缘低值组成；
将所述梯度大小值在特征边缘高值与特征边缘低值之间(之间表示不包含特征边缘高值与特征边缘低值)的靠边像素点标记为最终边缘点，将所述梯度大小值不小于特征边缘高值的靠边像素点标记为强边像素点，将所述梯度大小值不大于特征边缘低值的靠边像素点标记为弱边像素点；
判断所述弱边像素点的所有邻域像素点中是否存在强边像素点，将所有邻域像素点中存在强边像素点的弱边像素点标记为最终边缘点，否则，标记为背景像素点；
将所有标记的最终边缘点与强边像素点选定为分割边缘点，并根据所述分割边缘点，通过特征提取模型对图像建议区域进行特征精细提取。
相比其他发明，本发明实施例在图像分割的过程中能够准确识别关键组织结构的边缘部分，并且抑制了无关背景的出现，同时提高了图像分割的准确度。
本发明实施例为解决背景技术所述问题，先接收视网膜图像的智能分割指令，根据智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型，进一步地，获取视网膜图像，利用图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，相比原始的视网膜图像，已降噪图像的噪声度大幅降低，关键组织结构与无关组织背景的对比度得到有效提高，更清楚地表现出视网膜中纹理细节、组织边缘等信息，有助于后续的图像分割，进一步地，构建图像校正模型，并根据图像校正模型对已降噪图像进行校正处理，得到高质量图像，可见本发明实施例的图像处理是基于人类视觉特性进行补偿，使人类对处理后图像的视觉感知更加明显，进一步地，提取高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取，设定特征边缘阈值，并根据特征边缘阈值，利用特征提取模型对图像建议区域进行特征精细提取，可见本发明实施例通过设定图像分割特征进行两次筛选，得出真正的图像边缘点，不仅抑制无关背景的出现，同时提高了图像分割的准确度，进一步地，提取后对视网膜图像执行划分，完成基于视网膜图像的智能分割，因此本发明可通过构建图像分割特征，从而提高对视网膜图像的分割准确度。
如图2所示，是本发明一实施例提供的视网膜图像的智能分割装置的功能模块图。
本发明所述视网膜图像的智能分割装置100可以安装于电子设备中。根据实现的功能，所述视网膜图像的智能分割装置100可以包括分割指令接收模块101、视网膜图像处理模块102、特征粗略提取模块103及图像精细分割模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述分割指令接收模块101，用于接收视网膜图像的智能分割指令，根据所述智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型；
所述视网膜图像处理模块102，用于获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像；
所述特征粗略提取模块103，用于提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取；
所述图像精细分割模块104，用于设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，提取后对所述视网膜图像执行划分，完成基于视网膜图像的智能分割。
详细地，本发明实施例中所述视网膜图像的智能分割装置100中的所述各模块在使用时采用与上述的图1中所述的所述视网膜图像的智能分割方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明一实施例提供的实现视网膜图像的智能分割方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线12，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如视网膜图像的智能分割方法的程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如视网膜图像的智能分割方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如视网膜图像的智能分割方法程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线12可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线12可以分为地址总线、数据总线、控制总线等。所述总线12被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
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1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。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的视网膜图像的智能分割方法的程序是多个指令的组合，在所述处理器10中运行时，可以实现上述视网膜图像的智能分割方法，具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3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1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，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。
本发明还提供一种计算机可读存储介质，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，可以实现上述视网膜图像的智能分割方法。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种视网膜图像的智能分割方法，其特征在于，所述方法包括：
接收视网膜图像的智能分割指令，根据所述智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型；
获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像；
构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像；
提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取；
设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，提取后对所述视网膜图像执行划分，完成基于视网膜图像的智能分割。
2.如权利要求1所述的智能分割方法，其特征在于，所述获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，包括：
确定图像降噪模型，其中，图像降噪模型包括像素划分仪与图像取色器；
利用所述像素划分仪将视网膜图像执行划分，得到i×j个视网膜像素；
利用所述图像取色器获取每个视网膜像素的RGB通道数值，其中，RGB通道数值由红色通道值、绿色通道值及蓝色通道值组成；
将所述RGB通道数值转换为灰色度数值，根据所述灰色度数值得到视网膜图像的灰色阶级图；
获取灰色阶级图的图像数据集，利用预设数据均衡化算法对所述图像数据集执行数据处理得到降噪数据集，并根据所述降噪数据集绘制已降噪图像。
3.如权利要求2所述的智能分割方法，其特征在于，所述将所述RGB通道数值转换为灰色度数值，根据所述灰色度数值得到视网膜图像的灰色阶级图，包括：
根据所述RGB通道数值，利用下式计算得到灰色度数值：
Gray＝0.299R+0.587G+0.114B
其中，Gray表示灰色度数值，R表示红色通道值，G表示绿色通道值，B表示蓝色通道值；
根据所述灰色度数值，通过MATLAB软件工具将所述灰色度数值执行数据可视化，得到视网膜图像的灰色阶级图。
4.如权利要求3所述的智能分割方法，其特征在于，所述利用预设数据均衡化算法对所述图像数据集执行数据处理得到降噪数据集，包括：
确定所述图像数据集，其中，图像数据集由i×j个图像数据值组成；
设定所述图像数据集的图像临界值，并判断每个所述图像数据值与图像临界值的大小关系；
根据所述大小关系，对每个图像数据值执行预设数据均衡化算法的数据处理，当成功处理后组合得到降噪数据集。
5.如权利要求4所述的智能分割方法，其特征在于，所述根据所述大小关系，对每个图像数据值执行预设数据均衡化算法的数据处理，当成功处理后组合得到降噪数据集，包括：
将所述图像临界值标记为将所有大于图像临界值的图像数据值依次标记为p1、p2、...、pa，其中，a表示大于图像临界值的图像数据值的个数，并依次计算与/>其中，/>
将所有不大于图像临界值的图像数据值依次标记为q1、q2、...、qb，其中，b表示不大于图像临界值的图像数据值的个数，且a+b＝i×j；
将所有大于图像临界值的图像数据值都依次转换为将所有不大于图像临界值的图像数据值依次转换为/>得到算法处理后的i×j个重新数据值，并将所述重新数据值集合得到降噪数据集。
6.如权利要求1所述的智能分割方法，其特征在于，所述构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像，包括：
确定已降噪图像，并对所述降噪数据集的每个重新数据值执行归一化处理，得到待校数据值：
根据输出影像设备参数获取设备伽马值，其中输出影像设备参数表示医院影像科为患者进行影像检查的影像机器设备参数；
将所述设备伽马值的倒数作为指数对应值，对所述待校数据值进行指数运算，得到指数运算值；
对所述指数运算值执行反归一化处理得到校正后数值，并将所述校正后数值执行数据可视化，完成已降噪图像到高质量图像的转换。
7.如权利要求6所述的智能分割方法，其特征在于，所述对所述降噪数据集的每个重新数据值执行归一化处理，得到待校数据值，包括：
利用下式计算得到待校数据值：
其中，表示待校数据值，ω表示重新数据值。
8.如权利要求7所述的智能分割方法，其特征在于，所述提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取，包括：
确定高质量图像，其中，高质量图像由i′×j′个高质量像素组成；
测定所述高质量像素的像素灰度值，根据所述像素灰度值计算得到所有高质量像素的平均灰度值与高质量图像每一列像素的列均灰度值；
比较所述平均灰度值与列均灰度值的大小关系，并对所述列均灰度值执行筛选；
将不小于平均灰度值的列均灰度值所属的高质量像素划分为图像建议区域，完成提取高质量图像的图像建议区域。
9.如权利要求8所述的智能分割方法，其特征在于，所述设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，包括：
确定图像建议区域的区域像素点，并利用特征提取模型计算得到每个所述区域像素点的梯度大小值和梯度方向值，其中，特征提取模型包含一阶偏导的有限差分算法；
对所述区域像素点划分得到靠边像素点与居中像素点，其中，靠边像素点表示该区域像素点的邻域像素点少于8个，居中像素点表示该区域像素点的邻域像素点等于8个；
根据每个所述居中像素点的梯度方向值，确定每个所述居中像素点各沿正、负梯度方向最相邻的两个像素点；
对每个所述居中像素点与两个像素点的梯度大小值进行依次比较，若该居中像素点的梯度大小值不小于两个像素点的梯度大小值中的最小值，则将该居中像素点标记为最终边缘点，否则，标记为背景像素点；
设定特征边缘阈值，其中，特征边缘阈值由特征边缘高值与特征边缘低值组成；
将所述梯度大小值在特征边缘高值与特征边缘低值之间的靠边像素点标记为最终边缘点，将所述梯度大小值不小于特征边缘高值的靠边像素点标记为强边像素点，将所述梯度大小值不大于特征边缘低值的靠边像素点标记为弱边像素点；
判断所述弱边像素点的所有邻域像素点中是否存在强边像素点，将所有邻域像素点中存在强边像素点的弱边像素点标记为最终边缘点，否则，标记为背景像素点；
将所有标记的最终边缘点与强边像素点选定为分割边缘点，并根据所述分割边缘点，通过特征提取模型对图像建议区域进行特征精细提取。
10.一种视网膜图像的智能分割装置，其特征在于，所述装置包括：
分割指令接收模块，用于接收视网膜图像的智能分割指令，根据所述智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型；
视网膜图像处理模块，用于获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像；
特征粗略提取模块，用于提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取；
图像精细分割模块，用于设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，提取后对所述视网膜图像执行划分，完成基于视网膜图像的智能分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318993.2A CN117314872A (zh) | 2023-10-12 | 2023-10-12 | 一种视网膜图像的智能分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318993.2A CN117314872A (zh) | 2023-10-12 | 2023-10-12 | 一种视网膜图像的智能分割方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117314872A true CN117314872A (zh) | 2023-12-29 |
Family
ID=89261888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311318993.2A Pending CN117314872A (zh) | 2023-10-12 | 2023-10-12 | 一种视网膜图像的智能分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117314872A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952962A (zh) * | 2024-03-25 | 2024-04-30 | 南京科进实业有限公司 | 一种骨密度检测图像处理方法及系统 |
| CN118135238A (zh) * | 2024-05-09 | 2024-06-04 | 浙江大学杭州国际科创中心 | 基于x射线衬度图像的特征提取方法、系统及装置 |
-
2023
- 2023-10-12 CN CN202311318993.2A patent/CN117314872A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952962A (zh) * | 2024-03-25 | 2024-04-30 | 南京科进实业有限公司 | 一种骨密度检测图像处理方法及系统 |
| CN118135238A (zh) * | 2024-05-09 | 2024-06-04 | 浙江大学杭州国际科创中心 | 基于x射线衬度图像的特征提取方法、系统及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110505459B (zh) | 适用于内窥镜的图像颜色校正方法、装置和存储介质 | |
| Zhou et al. | Color retinal image enhancement based on luminosity and contrast adjustment | |
| CN117314872A (zh) | 一种视网膜图像的智能分割方法及装置 | |
| JP3810776B2 (ja) | ディジタル画像中の赤目を検出し補正する方法 | |
| EP4420598A1 (en) | Method and system for measuring lesion features of hypertensive retinopathy | |
| CN112446880B (zh) | 图像处理方法、电子设备及可读存储介质 | |
| CN108272434B (zh) | 对眼底图像进行处理的方法及装置 | |
| KR20200046775A (ko) | Ct 영상 내 간암 영역 기반으로 3차원 분석을 하는 수술 보조 장치 및 방법 | |
| CN114022397B (zh) | 一种内窥镜图像去雾方法、装置、电子设备及存储介质 | |
| JP2018023602A (ja) | 眼底画像処理装置 | |
| CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| Zhang et al. | A fundus image enhancer based on illumination-guided attention and optic disc perception GAN | |
| CN116453171A (zh) | 白睛区域内血脉颜色的检测方法、装置、电子设备和介质 | |
| CN116245766A (zh) | 一种图像增强处理方法、装置、电子设备及可读存储介质 | |
| CN111325758A (zh) | 肺部图像分割方法及装置、图像分割模型的训练方法 | |
| Vonghirandecha et al. | Contrast and color balance enhancement for non-uniform illumination retinal images | |
| KR102380560B1 (ko) | 영상 처리를 기반으로 하는 각막궤양 검출 장치 및 그 방법 | |
| CN112837243B (zh) | 联合整体与局部信息的阴道镜图像高光消除的方法及装置 | |
| CN115880208A (zh) | 图像处理方法、图像处理装置及医疗设备 | |
| CN112734701A (zh) | 眼底病灶检测方法、检测装置及终端设备 | |
| CN118196218B (zh) | 一种眼底图像处理方法、装置及设备 | |
| Abel et al. | Automatic glare removal in endoscopic imaging | |
| CN117455780B (zh) | 内镜暗场图像的增强方法、装置、电子设备及存储介质 | |
| CN118096546B (zh) | 内窥镜图像的处理方法、装置及电子设备 | |
| JP7237883B2 (ja) | 情報処理装置、情報処理方法、及びコンピュータプログラム |
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 |