CN117522802A - 视网膜图像预处理方法、装置、电子设备及存储介质 - Google Patents

视网膜图像预处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117522802A
CN117522802A CN202311465453.7A CN202311465453A CN117522802A CN 117522802 A CN117522802 A CN 117522802A CN 202311465453 A CN202311465453 A CN 202311465453A CN 117522802 A CN117522802 A CN 117522802A
Authority
CN
China
Prior art keywords
image
target
target image
gain
mean
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
Application number
CN202311465453.7A
Other languages
English (en)
Inventor
刘强
孙洋
杨强
卢思超
于延锁
安翔
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.)
Beijing Institute of Petrochemical Technology
Original Assignee
Beijing Institute of Petrochemical Technology
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 Beijing Institute of Petrochemical Technology filed Critical Beijing Institute of Petrochemical Technology
Priority to CN202311465453.7A priority Critical patent/CN117522802A/zh
Publication of CN117522802A publication Critical patent/CN117522802A/zh
Pending legal-status Critical Current

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30096—Tumor; Lesion

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)
  • Image Processing (AREA)

Abstract

本申请涉及图像处理相关技术领域，具体涉及一种视网膜图像预处理方法、装置、电子设备及存储介质。其中，方法包括：获取包括视网膜的原始图像；对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；将所述第二目标图像转换为预设大小，得到第三目标图像；将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。如此设置，有利于对病灶特征的提取。

Description

视网膜图像预处理方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理相关技术领域，具体涉及一种视网膜图像预处理方法、装置、电子设备及存储介质。
背景技术
随着深度学习的发展，使用卷积神经网络处理医学图像获得了广泛应用。使用深度学习模型识别糖尿病视网膜病变的病灶，可以快速地将眼珠图像分为正常与异常，从而对病变程度进行诊断，而深度学习模型需要学习高质量的眼珠图像数据，这对图像预处理步骤提出了很高的要求。目前主流的在深度学习过程中对眼珠图像使用的图像预处理方法为高斯滤波，但在实际应用过程中，高斯滤波可能会导致图像变得模糊，失去细节和清晰度，这在一定程度上不利于对病灶特征的提取。
发明内容
有鉴于此，本申请的实施例致力于提供一种视网膜图像预处理方法、装置、电子设备及存储介质，以更加全面有效的进行病灶特征的提取。
本申请第一方面提供一种视网膜图像预处理方法，包括：
获取包括视网膜的原始图像；
对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；
调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；
将所述第二目标图像转换为预设大小，得到第三目标图像；
将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。
在一些实施例中，所述对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像，包括：
根据图像局部特征以自适应确定阈值策略，对所述原始图像进行裁剪得到眼珠图像。
在一些实施例中，所述根据图像局部特征以自适应确定阈值策略，对所述原始图像进行裁剪得到眼珠图像，包括：
将彩色的第一目标图像转换为灰度图像，
对灰度图像进行高斯滤波；
对滤波后的灰度图像进行分割，针对每个像素，需要计算其预设大小邻域的均值；
对于每个像素，基于所述均值后，需要计算自阈值；
计算出自适应阈值后，对每个像素进行反向二值化处理，使得眼球部分的像素值为0，背景部分的像素值为255；
基于所述二值化处理后的图像，进行分割得到第一目标图像。
在一些实施例中，所述基于所述均值后，需要计算自适应阈值，包括：
计算所述均值与预设常数的差值；其中，所述差值为自适应阈值。
在一些实施例中，调整所述目标图像中各个颜色通道的增益或偏移量，以得到第二目标图像时采用算法的公式如下：
gainR＝meanG/meanR
gainB＝meanG/meanB
Ib alanced＝(IR*gainR，IG，IB*gainB)
其中，IR、IG和IB分别表示输入图像I的红色、绿色和蓝色通道；meanR、meanG和meanB分别表示每个通道的平均值；gainR和gainB是计算出的红色和蓝色通道的增益系数；Ibalanced是经过处理后的图像。
在一些实施例中，所述将所述第二目标图像转换为预设大小，得到第三目标图像，包括：
使用双立方插值方法，将所述第二目标图像转换为预设大小，得到第三目标图像。
在一些实施例中，所述将每一个目标区域的灰度值拉伸到整个灰度级范围，包括：
使用自适应的直方图均衡化方法，将每一个目标区域的灰度值拉伸到整个灰度级范围。
本申请第二方面提供一种视网膜图像预处理装置，包括：
获取模块，用于获取包括视网膜的原始图像；
裁剪模块，用于对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；
调整模块，用于调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；
转换模块，用于将所述第二目标图像转换为预设大小，得到第三目标图像；
拉伸模块，用于将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。
本申请第三方面提供一种电子设备，包括：处理器，以及用于存储所述处理器可执行程序的存储器；
所述处理器，用于通过运行所述存储器中的程序，实现如上述的视网膜图像预处理方法。
本申请第一方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如上述的视网膜图像预处理方法。
本申请所提供的一种视网膜图像预处理方法，获取包括视网膜的原始图像；对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；将所述第二目标图像转换为预设大小，得到第三目标图像；将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。如此设置，本申请提供的方案中对视网膜图像进行了预处理，处理后的图像，特征更加的鲜明，相较于背景技术中的处理方案，可以保存更多的细节和清晰度，更加有利于对病灶特征的提取。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本申请一个实施例提供的视网膜图像预处理方法的流程示意图。
图2是本申请一个实施例提供的方法的部分流程示意图。
图3是本申请一个实施例提供的图像处理示意图。
图4是本申请一个实施例提供的图像处理示意图。
图5是本申请一个实施例提供的视网膜图像预处理装置的结构示意图。
图6是本申请一个实施例提供的电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
申请概述
随着深度学习的发展，使用卷积神经网络处理医学图像获得了广泛应用。使用深度学习模型识别糖尿病视网膜病变的病灶，可以快速地将眼底图像分为正常与异常，从而对病变程度进行诊断，而深度学习模型需要学习高质量的眼底图像数据，这对图像预处理步骤提出了很高的要求。目前主流的在深度学习过程中对眼底图像使用的图像预处理方法为高斯滤波，但在实际应用过程中，高斯滤波可能会导致图像变得模糊，失去细节和清晰度，这在一定程度上不利于对病灶特征的提取。
高斯滤波的基本思想是使用高斯核函数对图像进行卷积操作。高斯核函数是一个二维高斯分布函数，具有以下形式：
其中，x和y表示图像中像素的坐标，σ是高斯分布的标准差。高斯核函数的大小和标准差决定了滤波器的平滑程度。
高斯滤波器的操作步骤如下：1、定义一个大小为K×K的高斯核函数。2、高斯核函数与图像进行卷积操作。3、重复步骤2，直到滤波器遍历完整个图像。4、对于图像边缘的像素，需要根据需要进行边缘处理，以避免边缘像素的丢失。
高斯滤波除了会使眼底图像失去细节和清晰度外，还有参数选择困难，需要进行大量实验进行调整等问题。对于复杂且病灶细节不易区分的眼底图像，简单地使用高斯滤波与调整高斯核大小和标准差的方法并不能满足深度学习对图像数据的要求，无法学习到足够的特征来识别病灶。
为了解决上述问题，本申请提供一种方案，首先将图像分成前景和背景两部分，适应图像中的灰度变化和噪声等因素，根据图像局部特征来确定阈值对眼底图像数据进行裁剪；之后对裁剪后的眼底图像，通过调整图像中各个颜色通道的增益或偏移量，来使得图像中的灰度区域或白色区域呈现出相同的颜色；之后对眼底图像批量转换为相同尺寸大小；之后将每幅眼底图像分割成若干个小的局部区域，在每个小区域中，图像的灰度值被拉伸到整个灰度级范围内，从而增强了图像的对比度和细节，突出病灶特征；如此设置，对视网膜图像进行了预处理，处理后的图像，特征更加的鲜明，相较于背景技术中的处理方案，可以保存更多的细节和清晰度，更加有利于对病灶特征的提取。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1是本申请一个实施例提供的视网膜图像预处理方法的流程示意图。如图1所示，该方法包括如下内容。
步骤S110，获取包括视网膜的原始图像；
需要说明的是，此处获取的原始图像为预先采集的用于对确定眼底图像是否异常的模型进行训练时使用的图像；一般情况下，这种图像可以包括正常图像和异常图像。这种图像可以为患者进行检查时采集的图像。
步骤S120，对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；
需要说明的是，眼底图像在包括眼珠图像和一些非眼珠区域图像，现有的处理方案中并未对此加以区分，而是直接对原始图像进行处理。这样就引入了一些无用的特征。本申请提供的方案中对原始图像进行裁剪，仅仅保留需要关注的眼珠图像部分，即第一目标图像。如此设置，有助于在后续训练时更好的提取与是否病变相关的特征。
步骤S130，调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；
在现实生活中，不同光源的颜色温度会导致拍摄的照片出现色偏，为纠正这种色彩偏差，通过上述方式可以纠正这种色彩偏差，使得图像颜色更加真实自然，有利于在深度学习中更好的采集并学习特征。
步骤S140，将所述第二目标图像转换为预设大小，得到第三目标图像；
需要说明的是，如果用于训练的各个样本图片大小不一，则不利于特征的提取，本申请提供的方案中将图片转化为预设大小。即将每一张图片都转化成相同的大小，有助于神经网络的训练过程中对于特征的提取和训练。
步骤S150，将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。
如此设置，对视网膜图像进行了预处理，处理后的图像，特征更加的鲜明，相较于背景技术中的处理方案，可以保存更多的细节和清晰度，更加有利于对病灶特征的提取。
在一些实施例中，所述对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像，包括：根据图像局部特征以自适应确定阈值策略，对所述原始图像进行裁剪得到眼珠图像。
具体的，参照图2所述根据图像局部特征以自适应确定阈值策略，对所述原始图像进行裁剪得到眼珠图像，包括：
S201，将彩色的第一目标图像转换为灰度图像；
将彩色的眼底图像转换为灰度图像，这样做的目的是简化图像的信息，将注意力集中在亮度信息上，而非颜色信息。
S202，对灰度图像进行高斯滤波；
本申请提供的方案中，可以选择5x5的高斯核大小，并设置标准差为0，滤波的目的是减小图像中的噪声，为后续与之分割提供更干净的图像。
S203，对滤波后的灰度图像进行分割，针对每个像素，需要计算其预设大小邻域的均值；
S204，对于每个像素，基于所述均值后，需要计算自阈值；
S205，计算出自适应阈值后，对每个像素进行反向二值化处理，使得眼球部分的像素值为0，背景部分的像素值为255；
S206，基于所述二值化处理后的图像，进行分割得到第一目标图像。
具体的，对滤波后的灰度图像进行分割，针对每个像素，需要计算其邻域(局部窗口)的均值。假设局部窗口的像素灰度值为{g1，g2，...，gn}，那么邻域均值m可以表示为：
m＝(g1+g2+...+gn)/n (2)
其中，n表示邻域窗口内的像素总数。
对于每个像素，计算其邻域的均值后，需要计算自适应阈值T，具体的，所述基于所述均值后，需要计算自适应阈值，包括：计算所述均值与预设常数的差值；其中，所述差值为自适应阈值。
公式如下：
T(x，y)＝m(x，y)-C (3)
其中，T(x，y)表示像素点(x，y)的自适应阈值；m(x，y)表示像素点(x，y)邻域的均值；C表示一个常数，在一些实施例中，C的值可以为2。
计算出自适应阈值后，对每个像素进行反向二值化处理，使得眼球部分的像素值为0(黑色)，背景部分的像素值为255(白色)，分割得到需要关注的眼球部分和背景部分。
在现实生活中，不同光源的颜色温度会导致拍摄的照片出现色偏，为纠正这种色彩偏差，使图像的颜色更真实、自然、利于在深度学习中更利于网络学习特征，基于灰度世界假设，调整所述目标图像中各个颜色通道的增益或偏移量，以得到第二目标图像时采用算法的公式如下：
9ainR＝meanG/meanR
gainB＝meanG/meanB
Ibalanced＝(IR*gainR，IG，IB*gainB)
其中，IR、IG和IB分别表示输入图像I的红色、绿色和蓝色通道；meanR、meanG和meanB分别表示每个通道的平均值；gainR和gainB是计算出的红色和蓝色通道的增益系数；Ibalanced是经过处理后的图像。使用这种方法可以有效消除图像中不同光源产生的色彩偏差，获得更高质量的眼底图像。如图3所示。
在一些实施例中，所述将所述第二目标图像转换为预设大小，得到第三目标图像，包括：使用双立方插值方法，将所述第二目标图像转换为预设大小，得到第三目标图像。
具体的，将不同尺寸的图像转换为相同的尺寸，以便于后续处理和分析。不同尺寸的图像可能会导致模型性能下降，因为模型可能无法有效地学习不同尺寸的特征。而在进行图像匹配和检索时，不同尺寸的图像可能会导致匹配和检索结果不准确。同时，将所有图像统一为固定尺寸有助于模型训练速度的提高。使用双立方插值方法，基本原理是在每个方向上使用立方插值，再将这两个方向的结果合并。具体操作步骤如下：
(1)在X方向上对图像进行立方插值，获得两个新的像素值。
(2)在Y方向上对图像进行立方插值，获得两个新的像素值。
(3)将上述四个新的像素值进行加权平均，得到最终的像素值。
插值公式如下：
其中，x是距离原点的距离，a是一个调整系数，通常取-0.5或-1。此算法可以更好地保持图像的细节特征，避免像素值的突变，使得图像在放大或缩小后看起来更加平滑自然。
在一些实施例中，所述将每一个目标区域的灰度值拉伸到整个灰度级范围，包括：
使用自适应的直方图均衡化方法，将每一个目标区域的灰度值拉伸到整个灰度级范围。
具体的，对于一幅灰度图像，其亮度值的直方图可以用来表示图像中各个亮度值的像素数量。要找到一个映射函数，使得原图像的直方图变为均匀分布，即所有亮度值的像素数量相等。
首先，图像被转换到YCrCb颜色空间。YCrCb颜色空间将图像的亮度信息(Y)和色度信息(Cr和Cb)分离，这样可以只对亮度信息进行处理，不改变图像的颜色。
然后，分离出Y通道，设置裁剪上限(clipLimit)和网格大小(tileGridSize)。裁剪上限决定了直方图的最大高度，超过这个高度的部分会被裁剪并均匀地分布到其他区间。网格大小决定了进行自适应直方图均衡化的区域大小。
对Y通道计算亮度直方图：h(r)，其中r是亮度值，h(r)是该亮度值的像素数量。计算直方图的累积分布函数(Cumulative Distribution Function，CDF)：
H(r)＝∑(i＝0tor)h(i) (8)
根据CDF得到映射函数：
s＝T(r)＝(L-1)*H(r) (9)
其中L是图像的亮度级别数量(对于8位灰度图像，L＝256)，s是映射后的亮度值。对图像中的每个像素应用映射函数，得到均衡化后的Y通道。
将处理后的Y通道和原始的Cr、Cb通道合并，得到处理后的YCrCb图像。最后，将处理后的YCrCb图像转换回BGR颜色空间增强后效果，如图4所示。
综上所述，本申请提供的方案中对视网膜图像进行了预处理，处理后的图像，特征更加的鲜明，相较于背景技术中的处理方案，可以保存更多的细节和清晰度，更加有利于对病灶特征的提取。
示例性装置
本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图5所示为本申请一个实施例提供的视网膜图像预处理装置的框图。如图5所示，该装置包括：
获取模块51，用于获取包括视网膜的原始图像；
裁剪模块52，用于对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；
调整模块53，用于调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；
转换模块54，用于将所述第二目标图像转换为预设大小，得到第三目标图像；
拉伸模块55，用于将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。图6图示了根据本申请实施例的电子设备的框图。
如图6所示，电子设备600包括一个或多个处理器610和存储器620。
处理器610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，并且可以控制电子设备600中的其他组件以执行期望的功能。
存储器620可以包括一个或多个计算机程序产品，所述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。所述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。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述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610可以运行所述程序指令，以实现上文所述的本申请的各个实施例的视网膜图像预处理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如类别对应关系等各种内容。
在一个示例中，电子设备600还可以包括：输入装置630和输出装置640，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。
此外，该输入设备630还可以包括例如键盘、鼠标、接口等等。该输出装置640可以向外部输出各种信息，包括分析结果等。该输出设备640可以包括例如显示器、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6中仅示出了该电子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，电子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，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“示例性方法”部分中描述的根据本申请各种实施例的生视网膜图像预处理方法中的步骤。
所述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，所述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，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“示例性方法”部分中描述的根据本申请各种实施例的视网膜图像预处理方法中的步骤。
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。
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)

1.一种视网膜图像预处理方法，其特征在于，包括：
获取包括视网膜的原始图像；
对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；
调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；
将所述第二目标图像转换为预设大小，得到第三目标图像；
将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。
2.根据权利要求1所述的视网膜图像预处理方法，其特征在于，所述对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像，包括：
根据图像局部特征以自适应确定阈值策略，对所述原始图像进行裁剪得到眼珠图像。
3.根据权利要求1所述的视网膜图像预处理方法，其特征在于，所述根据图像局部特征以自适应确定阈值策略，对所述原始图像进行裁剪得到眼珠图像，包括：
将彩色的第一目标图像转换为灰度图像，
对灰度图像进行高斯滤波；
对滤波后的灰度图像进行分割，针对每个像素，需要计算其预设大小邻域的均值；
对于每个像素，基于所述均值后，需要计算自阈值；
计算出自适应阈值后，对每个像素进行反向二值化处理，使得眼球部分的像素值为0，背景部分的像素值为255；
基于所述二值化处理后的图像，进行分割得到第一目标图像。
4.根据权利要求3所述的视网膜图像预处理方法，其特征在于，所述基于所述均值后，需要计算自适应阈值，包括：
计算所述均值与预设常数的差值；其中，所述差值为自适应阈值。
5.根据权利要求1所述的视网膜图像预处理方法，其特征在于，调整所述目标图像中各个颜色通道的增益或偏移量，以得到第二目标图像时采用算法的公式如下：
gainR＝meanG/meanR
gainB＝meanG/meanB
Ibalanced＝(IR*gainR，IG，IB*gaiaB)
其中，IR、IG和IB分别表示输入图像I的红色、绿色和蓝色通道；meanR、meanG和meanB分别表示每个通道的平均值；gainR和gainB是计算出的红色和蓝色通道的增益系数；Ibalanced是经过处理后的图像。
6.根据权利要求1所述的视网膜图像预处理方法，其特征在于，所述将所述第二目标图像转换为预设大小，得到第三目标图像，包括：
使用双立方插值方法，将所述第二目标图像转换为预设大小，得到第三目标图像。
7.根据权利要求1所述的视网膜图像预处理方法，其特征在于，所述将每一个目标区域的灰度值拉伸到整个灰度级范围，包括：
使用自适应的直方图均衡化方法，将每一个目标区域的灰度值拉伸到整个灰度级范围。
8.一种视网膜图像预处理装置，其特征在于，包括：
获取模块，用于获取包括视网膜的原始图像；
裁剪模块，用于对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；
调整模块，用于调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；
转换模块，用于将所述第二目标图像转换为预设大小，得到第三目标图像；
拉伸模块，用于将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。
9.一种电子设备，其特征在于，包括：处理器，以及用于存储所述处理器可执行程序的存储器；
所述处理器，用于通过运行所述存储器中的程序，实现如权利要求1至7中任一项所述的视网膜图像预处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如权利要求1至7中任一项所述的视网膜图像预处理方法。
CN202311465453.7A 2023-11-06 2023-11-06 视网膜图像预处理方法、装置、电子设备及存储介质 Pending CN117522802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311465453.7A CN117522802A (zh) 2023-11-06 2023-11-06 视网膜图像预处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311465453.7A CN117522802A (zh) 2023-11-06 2023-11-06 视网膜图像预处理方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117522802A true CN117522802A (zh) 2024-02-06

Family

ID=89741089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311465453.7A Pending CN117522802A (zh) 2023-11-06 2023-11-06 视网膜图像预处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117522802A (zh)

Similar Documents

Publication Publication Date Title
CN108876743B (zh) 一种图像快速去雾方法、系统、终端及存储介质
US7953251B1 (en) Method and apparatus for detection and correction of flash-induced eye defects within digital images using preview or other reference images
CN112614060B (zh) 人脸图像头发渲染方法、装置、电子设备和介质
CN109064426B (zh) 一种用于抑制低照度图像中眩光并增强图像的方法及装置
CN101951523B (zh) 一种自适应彩色图像处理方法及系统
JP3810776B2 (ja) ディジタル画像中の赤目を検出し補正する方法
EP1807805A1 (en) Method and apparatus for red-eye detection in an acquired digital image
JP2007047965A (ja) デジタル画像の対象物検出方法および装置並びにプログラム
CN109740721A (zh) 麦穗计数方法及装置
CN111223110A (zh) 一种显微图像增强方法、装置及计算机设备
Yu et al. Adaptive inverse hyperbolic tangent algorithm for dynamic contrast adjustment in displaying scenes
Wang et al. Single Underwater Image Enhancement Based on $ L_ {P} $-Norm Decomposition
CN110473176B (zh) 图像处理方法及装置、眼底图像处理方法、电子设备
CN113450282B (zh) 美化图像的方法和系统
CN109872337B (zh) 一种基于快速均值移位的眼底图像视盘分割方法
WO2020107308A1 (zh) 一种基于Retinex的微光图像快速增强方法及其装置
CN117197064A (zh) 一种无接触眼红程度自动分析方法
CN110930358B (zh) 一种基于自适应算法的太阳能面板图像处理方法
CN112381073A (zh) 基于ai人脸检测的iq调整方法及调整模块
CN115564682A (zh) 一种光照不均图像增强方法及系统
CN117522802A (zh) 视网膜图像预处理方法、装置、电子设备及存储介质
CN115829851A (zh) 便携式眼底相机图像缺陷消除方法、系统及存储介质
Dolly et al. Various methods of enhancement in colored images: a review
KR20180064064A (ko) 퍼지 이론에 기초한 컬러 이미지의 에지 검출 방법
Wang et al. Low-light Image Enhancement Algorithm Based on Improved Multi-scale Retinex with Adaptive Brightness Compensation

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