CN117893529A - 一种眼底智能拍摄方法 - Google Patents
一种眼底智能拍摄方法 Download PDFInfo
- Publication number
- CN117893529A CN117893529A CN202410288238.2A CN202410288238A CN117893529A CN 117893529 A CN117893529 A CN 117893529A CN 202410288238 A CN202410288238 A CN 202410288238A CN 117893529 A CN117893529 A CN 117893529A
- Authority
- CN
- China
- Prior art keywords
- image
- img
- fundus
- video disc
- video
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 19
- 238000012545 processing Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000003908 quality control method Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 210000001508 eye Anatomy 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000005259 peripheral blood Anatomy 0.000 description 3
- 239000011886 peripheral blood Substances 0.000 description 3
- 235000002911 Salvia sclarea Nutrition 0.000 description 2
- 244000182022 Salvia sclarea Species 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004220 fundus oculi Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Ophthalmology & Optometry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种眼底智能拍摄方法,包括获取相机Camera实时的视频流;对视频帧进行格式转换,传入已训练的视盘目标检测模型,保存视盘的坐标信息和置信度;判断当前视频帧图像img中的主要特征区域是否存在畸变;在img主要特征区域不存在畸变的前提下,根据图像img中识别的视盘坐标判断是否满足某拍摄视角的条件;满足条件后,判断当前眼底图像img是否存在亮度异常;判断正常后,利用视盘位置信息,对指定视盘正方形区域的清晰度进行计算,并设该img为当前视角的自动拍摄图;当前img处理完成后,进行下一视频帧的处理,解决了人工拍摄眼底图像质量不佳、视角不固定、低效率等问题,同时解决了对视频处理实时性低的问题。
Description
技术领域
本发明属于医学图像处理技术领域,具体涉及一种眼底智能拍摄方法。
背景技术
现有技术中,暂无针对眼底图像进行实时质控的定向靶位自动拍摄方法。眼底图像对于医生进行眼底疾病诊断具有很大的辅助作用,进而清晰、特定区域、实时的自动眼底拍摄技术需求日益显著。医生使用眼底相机拍摄患者眼底,一旦成像模糊、病变区域显示不全或者实时性不够造成无法及时手动捕捉,都会导致眼底图像无法被医生解读和诊断。主要原因如下:
(1)患者眼部属于敏感器官,一旦有物体接近眼球,眼睛将很难固视,特别是婴幼儿群体配合度极低;
(2)医生在操作眼底相机时点击拍摄键会导致设备的微颤,会造成眼底成像有不同程度的运动模糊;
(3)不同眼底相机的性能差异很大,广域成像比普通成像的视角更大,但依然无法准确地覆盖到指定的眼底位置,且容易造成同一只眼睛多张眼底图像区域的高度重合,还不能够完整地拼接出全眼。
现有的眼底拍摄技术无法实现实时质控和自动拍摄,需要医生手动判断眼底目标区域并快速捕捉拍摄,再利用传统方法或者深度学习方法对眼底图像进行质控,将合格的眼底图像展示给医生进行辅助诊断。现有的技术很容易导致成像模糊、眼底目标显示不全或未显示、效率低等问题。
发明内容
解决以上现象,亟需提出一种眼底智能拍摄方法,从设备上优化,滤掉人工的拍摄操作,眼底目标进入指定的靶位区域会实时质控,并且自动拍摄和保存眼底图像。
本发明所要解决的技术问题是针对现有眼底拍摄技术的不足,提供一种基于靶位判断且实时质控的智能自动拍摄技术,实现指定视角、实时质控的高效率自动拍摄。
目前,眼底图像一般由特殊的眼底相机拍摄获得,现有的拍摄设备以及拍摄技术,受限于患者眼部的自主配合度,很难精准捕捉到一张指定视角的清晰眼底图像,这种现象普遍且频繁出现。为彻底克服这一现象,本发明提供一种眼底智能拍摄方法。依据万张眼底图像,设计出适用于眼底成像的环形靶位区域,借助YOLOv8深度学习方法进行视盘定位,以视盘作为主要眼底特征用作判断视角的基准,当视盘进入特定的靶位区,进行实时质量判断,若质量合格,则自动拍摄该帧图像,展示至界面并保存至后台。医生无需自主拍摄,即可获得指定区域的清晰眼底图像。
本发明的技术方案如下:一种眼底智能拍摄方法,所述方法包括以下步骤:
步骤一:获取相机Camera实时的视频流;
步骤二:视频流的当前视频帧转换成图像img,传入已训练的视盘目标检测模型,保存图像坐标系中的视盘坐标信息和置信度;
步骤三:设计用于判断图像主要特征区域是否存在畸变,以及属于哪类视角图的环形靶位区;
步骤四:判断当前视频帧图像img中的主要特征区域是否存在畸变,在img主要特征区域(视盘及视盘周边血管)不存在畸变的前提下,判断该img属于哪种视角图;
步骤五:根据图像img中识别的视盘坐标判断是否进行拍摄;
步骤六:满足步骤五的条件后,判断当前眼底图像img是否存在亮度异常;
步骤七:图像img在步骤六中被判断为正常亮度的图像后,利用步骤二中的视盘位置信息,取出img中的指定视盘及周边的正方形区域,对该正方形区域的清晰度进行判断;
步骤八:当前img处理完成后,将继续循环步骤二到步骤七的操作,若在同一视角图的清晰度值比上一次该视角图的清晰度高,则更新当前帧为最终的自动拍摄图。
作为本发明的一种改进,步骤二视频流的当前视频帧转换成图像格式img,传入已训练的视盘目标检测模型,保存img中视盘的坐标信息和置信度(x1,y1,x2,y2,p_disc),其中x1是视盘检测框的左上角横坐标,y1是左上角纵坐标,x2是右下角横坐标,y2是右下角纵坐标,p_disc是模型认为当前目标框内的目标为视盘的概率值。
作为本发明的一种改进,步骤二中视盘目标检测模块,使用yolov8网络,用于眼底视盘的定位,其中yolov8的权重是基于自制的2000张眼底图像数据集训练,对视盘进行标注的基础上,增加了500张外部环境图的全图标注信息,利用两种标签训练出视盘检测的权重,该权重在公开的官方数据集上进行验证效果显著。
作为本发明的一种改进,步骤三包括当前视频帧的眼底图像img,长和宽分别为w、h,长和宽的最小值为m,设计环形靶位区。
作为本发明的一种改进,根据视盘出现畸变的临界位置以及视盘的实际像素大小,设置靶位区环形的外圈半径majorAxis、内圈半径minorAxis、中心点(0.5*w,0.5*h),将环形区域每45度划分为扇形区域,依次命名为b~i,最中心是以1/10的m为半径的圆形靶位区a。
作为本发明的一种改进,步骤五中如果视盘检测框的中心点落入任意一个靶位区域内,则代表当前眼底图像img满足某个特定视角。
作为本发明的一种改进,步骤六对于异常情况的判断方式包括:
获取眼底图像img的外环mask图像,将RGB图像转换格式,得到HSV通道图,提取V通道,利用mask计算圆环内亮度的均值mean;
绘制V通道图像在mask区域内的像素直方图,寻找像素直方图内的所有像素峰值点,利用所有峰值点分布再次求出新的峰值点分布,找出新的峰值点中对应像素最小的点point_min和像素最大的点point_max,计算point_min和point_max两点的像素差值pixel_difference;
若亮度均值mean小于等于阈值t1,峰值像素差pixel_difference大于阈值t2,则认为该张图像img存在局部过暗;若亮度均值mean大于阈值t1,峰值像素差pixel_difference大于阈值t2,则认为该张图像img存在局部过亮;若上述情况都不存在,则认为该张图亮度正常。
作为本发明的一种改进,步骤七中清晰度计算方法如下:分离出图像r通道和g通道,分别计算r通道和g通道图像拉普拉斯变换后的图像方差,若两通道的方差均值越大,则认为图像越清晰;反之不清晰,不能作为自动拍摄的结果图。
相对于现有技术,本发明的有益效果为:本发明提供一种眼底智能拍摄方法,依据万张眼底图像,设计出适用于眼底成像的环形靶位区域,借助YOLOv8深度学习方法进行视盘定位,以视盘作为主要眼底特征用作判断视角的基准,当视盘进入特定的靶位区,进行实时质量判断,若质量合格,则自动拍摄该帧图像,展示至界面并保存至后台;医生无需自主拍摄,即可获得指定区域的清晰眼底图像;提供一种眼底智能拍摄方法,本方法基于靶位设计和实时质控自动拍摄方法,解决的了人工拍摄眼底图像质量不佳、视角不固定、低效率等问题,同时解决了对视频处理实时性低的问题。
附图说明
图1本实施例中拍摄方法流程图;
图2为本实施例中视盘误检图;
图3为本实施例中外部数据干扰图;
图4为本实施例中视盘检测图;
图5为本实施例中环形靶位区设计图;
图6为本实施例中主要特征区域畸变图;
图7为本实施例中主要特征区域无畸变图;
图8为本实施例中V通道图;
图9为本实施例中外圈的环形mask图;
图10为本实施例中像素直方图;
图11为本实施例中视盘周边150×150像素的正方形区域;
图12为本实施例中拍摄设备界面宫格标记展示图;
图13为本实施例中符合g视角的自动拍摄清晰眼底图;
图14为本实施例中符合a视角的自动拍摄清晰眼底图;
图15为本实施例中手动拍摄对比图1;
图16为本实施例中手动拍摄对比图2。
实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
实施例:本实施例所要解决的技术问题是针对现有眼底拍摄技术的不足,提供一种基于靶位判断且实时质控的智能自动拍摄技术,实现指定视角、实时质控的高效率自动拍摄。
目前,眼底图像一般由特殊的眼底相机拍摄获得,现有的拍摄设备以及拍摄技术,受限于患者眼部的自主配合度,很难精准捕捉到一张指定视角的清晰眼底图像,这种现象普遍且频繁出现。为彻底克服这一现象,本实施例提供一种眼底智能拍摄方法。依据万张眼底图像,设计出适用于眼底成像的环形靶位区域,借助YOLOv8深度学习方法进行视盘定位,以视盘作为主要眼底特征用作判断视角的基准,当视盘进入特定的靶位区,进行实时质量判断,若质量合格,则自动拍摄该帧图像,展示至界面并保存至后台。医生无需自主拍摄,即可获得指定区域的清晰眼底图像。
本实施例基于一种眼底智能拍摄方法,包括如下步骤:
①获取相机Camera实时的视频流;
②视频流的当前视频帧转换成图像格式img,传入已训练的视盘目标检测模型,保存img中视盘的坐标信息和置信度(x1,y1,x2,y2,p_disc),其中x1是视盘检测框的左上角横坐标,y1是左上角纵坐标,x2是右下角横坐标,y2是右下角纵坐标,p_disc是模型认为当前目标框内的目标为视盘的概率值;
所述的视盘目标检测模块,使用的是最新的yolov8网络,其主要用于眼底视盘的定位,单帧的检测性能优于当前其他yolo技术,其中yolov8的权重是基于自制的2000张眼底图像数据集训练,该权重在公开的官方数据集上进行验证,单张图的检测时间仅需20ms,精度高达99%,充分验证了模型的泛化性能。
对yolov8进行视盘检测的过程中,还进行了一步改进:
常规的yolo方法进行目标检测仅对目标对象进行标注和学习,容易造成过拟合的现象,在本实施例涉及的视盘检测中常规方法易将外部环境中与视盘有相似特征的对象检测成视盘,并且在增大数据集的情况下也未能得到缓解,如图2。本实施例中在对视盘进行标注的基础上,增加了500张外部环境图的全图标注信息(图3),利用两种标签训练出视盘检测的权重,实现了准确度很高的视盘目标检测,效果如图4所示。
③设计用于判断图像主要特征区域是否存在畸变,以及属于哪类视角图的环形靶位区。
主要设计思路如下:
当前视频帧的眼底图像img,长和宽分别为w、h,长和宽的最小值为m,设计环形靶位区(图5),根据视盘出现畸变的临界位置以及视盘的实际像素大小,设置靶位区环形的外圈半径majorAxis、内圈半径minorAxis、中心点(0.5*w,0.5*h),将环形区域每45度划分为扇形区域,依次命名为b~i,最中心是以1/10的m为半径的圆形靶位区a。该靶位区的设计方式,相较于方形九宫格的设计更能符合眼球成近似圆形的特征,同时能够降低视角图的漏检率。
④判断当前视频帧图像img中的主要特征区域是否存在畸变,在img主要特征区域(视盘及视盘周边血管)不存在畸变的前提下,判断该img属于哪种视角图。
⑤根据img中识别的视盘坐标(x1,y1,x2,y2)判断,如果视盘检测框的中心点[x1+0.5*(x2-x1),xy+0.5*(y2-y1)]落入a~i中任意一个靶位区域内,则代表当前眼底图像img满足某个特定视角,可以进行拍摄;
⑥满足条件⑤后,判断当前眼底图像img是否存在局部过暗、局部曝光、漏光等亮度异常。
判断方式如下:
获取眼底图像img的外环mask图像(图9),将RGB图像转换格式,得到HSV通道图,提取V通道(图8),利用mask计算圆环内亮度的均值mean。绘制V通道图像在mask区域内的像素直方图,寻找像素直方图内的所有像素峰值点,利用所有峰值点分布再次求出新的峰值点分布(图10中的绿点分布),找出新的峰值点中对应像素最小的点point_min和像素最大的点point_max,计算point_min和point_max两点的像素差值pixel_difference。若亮度均值mean小于等于阈值t1,峰值像素差pixel_difference大于阈值t2,则认为该张图像img存在局部过暗;若亮度均值mean大于阈值t1,峰值像素差pixel_difference大于阈值t2,则认为该张图像img存在局部过亮;若上述情况都不存在,则认为该张图亮度正常。
⑦图像img在⑥中被判断为正常亮度的图像后,利用②中的视盘位置信息,取出img中以视盘中心为中心的150×150像素的正方形区域(图11),对该正方形区域的清晰度进行判断。因为在一张眼底图中视盘及周边血管的特征信息较多,所以利用视盘区域的清晰度推断整张图像的清晰度。对比利用深度学习方式进行图像的质量分类(200ms),本发明中的清晰度判别方法用时更短(10ms),准确度更高,同时解决了深度学习质量判断中需要不断增加数据集种类不断更新训练权重的问题。
清晰度计算方法如下:
分离出图像r通道和g通道,分别计算r通道和g通道图像拉普拉斯变换后的图像方差,若两通道的方差均值越大,则认为图像越清晰;反之不清晰,不能作为自动拍摄的结果图。
⑧经过⑦的筛选,已经完成了自动拍摄功能的实现,以及对自动拍摄图的结果图的质量把控。当前img处理完成后,将继续循环②到⑦的操作,若在同一视角图的清晰度值比上一次该视角图的清晰度高,则更新当前帧为最终的自动拍摄图。自动拍摄结果将在界面给出提示(图12)。
需要说明的是,以上内容仅仅说明了本发明的技术思想,不能以此限定本发明的保护范围,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰均落入本发明权利要求书的保护范围之内。
Claims (8)
1.一种眼底智能拍摄方法,其特征在于,所述方法包括以下步骤:
步骤一:获取相机Camera实时的视频流;
步骤二:视频流的当前视频帧转换成图像img,传入已训练的视盘目标检测模型,保存图像坐标系中的视盘坐标信息和置信度;
步骤三:设计用于判断图像主要特征区域是否存在畸变,以及属于哪类视角图的环形靶位区;
步骤四:判断当前视频帧图像img中的主要特征区域是否存在畸变,在img主要特征区域不存在畸变的前提下,判断该img属于哪种视角图;
步骤五:根据图像img中识别的视盘坐标判断是否进行拍摄;
步骤六:满足步骤五的条件后,判断当前眼底图像img是否存在亮度异常;
步骤七:图像img在步骤六中被判断为正常亮度的图像后,利用步骤二中的视盘位置信息,取出img中的指定视盘及周边的正方形区域,对该正方形区域的清晰度进行判断;
步骤八:当前img处理完成后,将继续循环步骤二到步骤七的操作,若在同一视角图的清晰度值比上一次该视角图的清晰度高,则更新当前帧为最终的自动拍摄图。
2.根据权利要求1所述的一种眼底智能拍摄方法,其特征在于,步骤二视频流的当前视频帧转换成图像格式img,传入已训练的视盘目标检测模型,保存img中视盘的坐标信息和置信度x1、置信度y1、置信度x2、置信度y2及置信度p_disc,其中x1是视盘检测框的左上角横坐标,y1是左上角纵坐标,x2是右下角横坐标,y2是右下角纵坐标,p_disc是模型认为当前目标框内的目标为视盘的概率值。
3.根据权利要求1所述的一种眼底智能拍摄方法,其特征在于,步骤二中视盘目标检测模块,使用yolov8网络,用于眼底视盘的定位,其中yolov8的权重是基于自制的2000张眼底图像数据集训练,对视盘进行标注的基础上,增加了500张外部环境图的全图标注信息,利用两种标签训练出视盘检测的权重。
4.根据权利要求1所述的一种眼底智能拍摄方法,其特征在于,步骤三包括当前视频帧的眼底图像img,长和宽分别为w、h,长和宽的最小值为m,设计环形靶位区。
5.根据权利要求4所述的一种眼底智能拍摄方法,其特征在于,根据视盘出现畸变的临界位置以及视盘的实际像素大小,设置靶位区环形的外圈半径majorAxis、内圈半径minorAxis、中心点0.5*w、中心点0.5*h,将环形区域每45度划分为扇形区域,依次命名为b~i,最中心是以1/10的m为半径的圆形靶位区a。
6.根据权利要求1所述的一种眼底智能拍摄方法,其特征在于,步骤五中如果视盘检测框的中心点落入任意一个靶位区域内,则代表当前眼底图像img满足某个特定视角。
7.根据权利要求1所述的一种眼底智能拍摄方法,其特征在于,步骤六对于异常情况的判断方式包括:
获取眼底图像img的外环mask图像,将RGB图像转换格式,得到HSV通道图,提取V通道,利用mask计算圆环内亮度的均值mean;
绘制V通道图像在mask区域内的像素直方图,寻找像素直方图内的所有像素峰值点,利用所有峰值点分布再次求出新的峰值点分布,找出新的峰值点中对应像素最小的点point_min和像素最大的点point_max,计算point_min和point_max两点的像素差值pixel_difference;
若亮度均值mean小于等于阈值t1,峰值像素差pixel_difference大于阈值t2,则认为该张图像img存在局部过暗;若亮度均值mean大于阈值t1,峰值像素差pixel_difference大于阈值t2,则认为该张图像img存在局部过亮;若上述情况都不存在,则认为该张图亮度正常。
8.根据权利要求1所述的一种眼底智能拍摄方法,其特征在于,步骤七中清晰度计算方法如下:分离出图像r通道和g通道,分别计算r通道和g通道图像拉普拉斯变换后的图像方差,若两通道的方差均值越大,则认为图像越清晰;反之不清晰,不能作为自动拍摄的结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410288238.2A CN117893529B (zh) | 2024-03-14 | 2024-03-14 | 一种眼底智能拍摄方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410288238.2A CN117893529B (zh) | 2024-03-14 | 2024-03-14 | 一种眼底智能拍摄方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893529A true CN117893529A (zh) | 2024-04-16 |
CN117893529B CN117893529B (zh) | 2024-07-09 |
Family
ID=90642560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410288238.2A Active CN117893529B (zh) | 2024-03-14 | 2024-03-14 | 一种眼底智能拍摄方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893529B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103096120A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 视频图像异常状态检测方法及装置 |
WO2015019586A1 (en) * | 2013-08-07 | 2015-02-12 | Sony Corporation | Image processing device and method, eye fundus image processing device, image photographing method, and eye fundus image photographing device and method |
CN107451998A (zh) * | 2017-08-08 | 2017-12-08 | 北京大恒普信医疗技术有限公司 | 一种眼底图像质量控制方法 |
CN108024707A (zh) * | 2015-07-24 | 2018-05-11 | 伟伦公司 | 自动眼底图像捕获系统 |
CN109547677A (zh) * | 2018-12-06 | 2019-03-29 | 代黎明 | 眼底图像拍摄方法和系统及设备 |
CN109544540A (zh) * | 2018-11-28 | 2019-03-29 | 东北大学 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
CN110516579A (zh) * | 2019-08-21 | 2019-11-29 | 北京至真互联网技术有限公司 | 手持眼底相机拍照方法和装置、设备及存储介质 |
CN112043236A (zh) * | 2020-10-14 | 2020-12-08 | 上海鹰瞳医疗科技有限公司 | 眼底相机及眼底图像全自动拍摄方法 |
CN112220447A (zh) * | 2020-10-14 | 2021-01-15 | 上海鹰瞳医疗科技有限公司 | 眼底相机及眼底图像拍摄方法 |
CN112291944A (zh) * | 2020-10-27 | 2021-01-29 | 惠州市特创电子科技有限公司 | 线路板及其激光开窗方法 |
CN114972148A (zh) * | 2021-02-22 | 2022-08-30 | 江西依未人工智能科技有限公司 | 一种眼底图像质量评估方法、系统及其装置 |
CN115153422A (zh) * | 2022-05-30 | 2022-10-11 | 清华大学 | 基于元成像的眼底成像方法及系统 |
CN115471552A (zh) * | 2022-09-15 | 2022-12-13 | 江苏至真健康科技有限公司 | 一种用于便携式免散瞳眼底照相机的拍摄定位方法及系统 |
CN115761341A (zh) * | 2022-11-21 | 2023-03-07 | 成都海关技术中心 | 基于图像识别的纺织废料自动分类方法及装置 |
CN117170081A (zh) * | 2023-09-04 | 2023-12-05 | 苏州国科医工科技发展(集团)有限公司 | 一种基于图像清晰度识别的自动对焦方法 |
CN117372284A (zh) * | 2023-12-04 | 2024-01-09 | 江苏富翰医疗产业发展有限公司 | 眼底图像处理方法及系统 |
-
2024
- 2024-03-14 CN CN202410288238.2A patent/CN117893529B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103096120A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 视频图像异常状态检测方法及装置 |
WO2015019586A1 (en) * | 2013-08-07 | 2015-02-12 | Sony Corporation | Image processing device and method, eye fundus image processing device, image photographing method, and eye fundus image photographing device and method |
CN108024707A (zh) * | 2015-07-24 | 2018-05-11 | 伟伦公司 | 自动眼底图像捕获系统 |
CN107451998A (zh) * | 2017-08-08 | 2017-12-08 | 北京大恒普信医疗技术有限公司 | 一种眼底图像质量控制方法 |
CN109544540A (zh) * | 2018-11-28 | 2019-03-29 | 东北大学 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
CN109547677A (zh) * | 2018-12-06 | 2019-03-29 | 代黎明 | 眼底图像拍摄方法和系统及设备 |
CN110516579A (zh) * | 2019-08-21 | 2019-11-29 | 北京至真互联网技术有限公司 | 手持眼底相机拍照方法和装置、设备及存储介质 |
CN112220447A (zh) * | 2020-10-14 | 2021-01-15 | 上海鹰瞳医疗科技有限公司 | 眼底相机及眼底图像拍摄方法 |
CN112043236A (zh) * | 2020-10-14 | 2020-12-08 | 上海鹰瞳医疗科技有限公司 | 眼底相机及眼底图像全自动拍摄方法 |
WO2022077800A1 (zh) * | 2020-10-14 | 2022-04-21 | 上海鹰瞳医疗科技有限公司 | 眼底相机及眼底图像全自动拍摄方法 |
CN112291944A (zh) * | 2020-10-27 | 2021-01-29 | 惠州市特创电子科技有限公司 | 线路板及其激光开窗方法 |
CN114972148A (zh) * | 2021-02-22 | 2022-08-30 | 江西依未人工智能科技有限公司 | 一种眼底图像质量评估方法、系统及其装置 |
CN115153422A (zh) * | 2022-05-30 | 2022-10-11 | 清华大学 | 基于元成像的眼底成像方法及系统 |
CN115471552A (zh) * | 2022-09-15 | 2022-12-13 | 江苏至真健康科技有限公司 | 一种用于便携式免散瞳眼底照相机的拍摄定位方法及系统 |
CN115761341A (zh) * | 2022-11-21 | 2023-03-07 | 成都海关技术中心 | 基于图像识别的纺织废料自动分类方法及装置 |
CN117170081A (zh) * | 2023-09-04 | 2023-12-05 | 苏州国科医工科技发展(集团)有限公司 | 一种基于图像清晰度识别的自动对焦方法 |
CN117372284A (zh) * | 2023-12-04 | 2024-01-09 | 江苏富翰医疗产业发展有限公司 | 眼底图像处理方法及系统 |
Non-Patent Citations (4)
Title |
---|
RAMACHANDRAN RAJALAKSHMI等: "Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence", 《AUTOMATED SCREENING FOR DIABETIC RETINOPATHY WITH SMARTPHONE》, vol. 32, 9 March 2018 (2018-03-09), pages 1138 - 1144, XP036822904, DOI: 10.1038/s41433-018-0064-9 * |
吴慧等: "基于置信度计算的快速眼底图像视盘定位", 《》, vol. 29, no. 6, 30 June 2017 (2017-06-30), pages 984 - 991 * |
涂勤等: "数字眼底拍摄同质化培训应用效果探讨", 《中国继续医学教育》, vol. 14, no. 16, 31 August 2022 (2022-08-31), pages 121 - 125 * |
胡景: "非均匀光照下的图像复原技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2020, 15 January 2020 (2020-01-15), pages 138 - 1246 * |
Also Published As
Publication number | Publication date |
---|---|
CN117893529B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559310B (zh) | 基于显著性检测的输变电巡检图像质量评价方法及系统 | |
CN110543867A (zh) | 一种多摄像头条件下的人群密度估测系统及方法 | |
CN112085659B (zh) | 一种基于球幕相机的全景拼接融合方法、系统及存储介质 | |
JP2007097178A (ja) | 顔検出による赤目の除去方法 | |
CN107133969A (zh) | 一种基于背景反投影的移动平台运动目标检测方法 | |
CN104537373A (zh) | 舌下络脉诊断用多光谱舌下图像特征提取方法 | |
US11842490B2 (en) | Fundus image quality evaluation method and device based on multi-source and multi-scale feature fusion | |
CN102982524B (zh) | 玉米果穗有序图像的拼接方法 | |
CN110838086B (zh) | 一种基于相关性模板匹配的室外图像拼接方法 | |
CN113160053B (zh) | 一种基于位姿信息的水下视频图像复原与拼接方法 | |
CN113411510B (zh) | 一种基于图像质量评价和红热锻件的相机自动曝光算法 | |
CN112232205B (zh) | 移动端cpu实时多功能人脸检测方法 | |
CN106530226A (zh) | 获取高分辨率高清晰工业图像的实现方法 | |
CN117893529B (zh) | 一种眼底智能拍摄方法 | |
CN113887329A (zh) | 一种头部姿态定位与检测方法及其应用和系统 | |
CN111881841B (zh) | 一种基于双目视觉的人脸检测识别方法 | |
CN117197064A (zh) | 一种无接触眼红程度自动分析方法 | |
CN116721039A (zh) | 一种应用于自动化光学缺陷检测中的图像预处理方法 | |
CN111291747A (zh) | 一种复杂场景下基于深度图的彩色小目标检测方法 | |
GB2621645A (en) | Deep learning based method for automatic geological disaster extraction from unmanned aerial vehicle image | |
CN109028234B (zh) | 一种能够对烟雾等级进行标识的油烟机 | |
CN111652805A (zh) | 一种用于眼底图像拼接的图像预处理方法 | |
CN113516007B (zh) | 多组双目相机组网的水下标志物识别与拼接方法 | |
CN114187648B (zh) | 一种红外和可见光双镜头处理虹膜瞳孔图像的装置及方法 | |
CN115984261B (zh) | 基于牙齿图像的识别跟踪方法 |
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 |