CN117893742A - 一种葡萄膜炎影像特征识别方法 - Google Patents
一种葡萄膜炎影像特征识别方法 Download PDFInfo
- Publication number
- CN117893742A CN117893742A CN202410295367.4A CN202410295367A CN117893742A CN 117893742 A CN117893742 A CN 117893742A CN 202410295367 A CN202410295367 A CN 202410295367A CN 117893742 A CN117893742 A CN 117893742A
- Authority
- CN
- China
- Prior art keywords
- target point
- gray
- target
- standard deviation
- channel
- 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 62
- 206010046851 Uveitis Diseases 0.000 title claims abstract description 55
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 70
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 15
- 230000002792 vascular Effects 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 15
- 230000002146 bilateral effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000002757 inflammatory effect Effects 0.000 description 2
- 210000001210 retinal vessel Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Landscapes
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种葡萄膜炎影像特征识别方法,包括:采集眼底彩色图像,将其中任意一个像素点,记为目标点,获取目标点属于血管的可能性,从而得到目标点的初始空间域标准差,获取目标点的灰度均匀程度,从而得到目标点的初始灰度域标准差,由此获取目标点的最优空间域标准差和最优灰度域标准差,对目标点的灰度值进行平滑滤波,得到目标点的更新灰度值,从而得到葡萄膜炎区域。本发明实施例通过自适应像素点的空间域和灰度域标准差,用以提高图像的增强效果,平滑滤除掉影响葡萄膜炎检测的血管区域,从而提高了葡萄膜炎区域检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种葡萄膜炎影像特征识别方法。
背景技术
葡萄膜炎影像特征的识别在眼科诊断和治疗中发挥着重要的作用,为医生提供了一个全面了解病变情况的工具。眼底彩色图像有助于确定炎症病变的范围和程度,为治疗计划提供重要信息,有助于医生选择最合适的治疗方法,包括药物治疗、手术干预等。一般情况下葡萄膜炎影像中包含部分眼底血管,需要对所采集的眼底图像进行纹理的平滑滤波处理,用以减小血管影响,其常用双边滤波算法进行平滑滤波处理。
现有的问题:葡萄膜炎影像中眼底正常的血管与葡萄膜炎区域可能发生部分重叠,影响葡萄膜炎区域的特征识别,传统的双边滤波算法中,当像素点的空间域和灰度域标准差的选取不合适时,可能无法准确的将采集图像中的葡萄膜炎区域与血管区域进行区分,从而减小了葡萄膜炎影像特征识别的效果。
发明内容
本发明提供一种葡萄膜炎影像特征识别方法,以解决现有的问题。
本发明的一种葡萄膜炎影像特征识别方法采用如下技术方案:
本发明一个实施例提供了一种葡萄膜炎影像特征识别方法,该方法包括以下步骤:
采集眼底彩色图像;所述眼底彩色图像中每个像素点存在对应的灰度值、灰度梯度、灰度梯度角度值以及、/>与/>通道下的亮度值和亮度梯度值;
将眼底彩色图像中任意一个像素点,记为目标点;根据目标点分别在、/>与/>通道下的亮度值、亮度梯度值、目标点的灰度梯度方向上的像素点的灰度值以及灰度梯度角度值之间的差异,得到目标点属于血管的可能性;根据目标点属于血管的可能性,得到目标点的初始空间域标准差;
在眼底彩色图像中,以目标点为中心构建目标窗口;在目标窗口内,根据像素点分别在、/>与/>通道下的亮度值、像素点属于血管的可能性以及像素点的数量,得到目标点的灰度均匀程度;根据目标点的灰度均匀程度,得到目标点的初始灰度域标准差;
根据目标点的初始空间域标准差、初始灰度域标准差、灰度均匀程度以及属于血管的可能性,分别得到目标点的最优空间域标准差和最优灰度域标准差;
根据目标点的最优空间域标准差和最优灰度域标准差,对目标点的灰度值进行平滑滤波,得到目标点的更新灰度值;根据目标点的更新灰度值,得到葡萄膜炎区域。
进一步地,所述根据目标点分别在、/>与/>通道下的亮度值、亮度梯度值、目标点的灰度梯度方向上的像素点的灰度值以及灰度梯度角度值之间的差异,得到目标点属于血管的可能性,包括的具体步骤如下:
根据目标点分别在、/>与/>通道下的亮度梯度值,得到目标点在/>三通道下的梯度差异;
在眼底彩色图像中,从目标点开始,沿着目标点的灰度梯度方向逐个像素点遍历,将遍历到的前个像素点,记为参考点;所述/>为预设的数量阈值;
根据目标点与所有参考点的灰度值和灰度梯度角度值,得到目标点的灰度连续性;
将,记为目标点在/>三通道下的灰度差异;其中/>为目标点在/>通道下的亮度值,/>为目标点在/>通道下的亮度值,/>为目标点在/>通道下的亮度值;
计算目标点在三通道下的梯度差异与灰度差异以及目标点的灰度连续性的乘积,将所述乘积的归一化值,记为目标点属于血管的可能性。
进一步地,所述根据目标点分别在、/>与/>通道下的亮度梯度值,得到目标点在三通道下的梯度差异,包括的具体步骤如下:
将目标点分别在与/>通道下的亮度梯度值的差值的绝对值,记为目标点在/>和通道下的梯度差异;
将目标点分别在与/>通道下的亮度梯度值的差值的绝对值,记为目标点在/>和/>通道下的梯度差异;
将目标点在和/>通道下的梯度差异与目标点在/>和/>通道下的梯度差异的和值,记为目标点在/>三通道下的梯度差异。
进一步地,所述根据目标点与所有参考点的灰度值和灰度梯度角度值,得到目标点的灰度连续性对应的具体计算公式为:
;
其中为目标点的灰度连续性,/>为预设的常数,/>为参考点的数量,/>为目标点的灰度梯度角度值,/>为第/>个参考点的灰度梯度角度值,/>为目标点的灰度值,/>为第/>个参考点的灰度值,/>为绝对值函数。
进一步地,所述根据目标点属于血管的可能性,得到目标点的初始空间域标准差,包括的具体步骤如下:
计算目标点属于血管的可能性、预设的空间域标准差以及预设的调整参数的乘积,将预设的空间域标准差减去所述乘积的差值,记为目标点的初始空间域标准差。
进一步地,所述在目标窗口内,根据像素点分别在、/>与/>通道下的亮度值、像素点属于血管的可能性以及像素点的数量,得到目标点的灰度均匀程度,包括的具体步骤如下:
在目标窗口内,计算所有像素点在通道下的亮度值的均值,再计算每个像素点在/>通道下的亮度值与所述均值的差值的绝对值,将所述绝对值与每个像素点属于血管的可能性的乘积,记为每个像素点的波动程度;
将目标窗口内所有像素点的波动程度的和值的倒数,记为目标窗口在通道下的亮度分布均匀程度;
根据所述目标窗口在通道下的亮度分布均匀程度的获取方式,分别得到目标窗口在/>通道下的亮度分布均匀程度以及目标窗口在/>通道下的亮度分布均匀程度;
根据目标窗口分别在、/>与/>通道下的亮度分布均匀程度以及目标窗口内的像素点数量,得到目标点的灰度均匀程度。
进一步地,所述根据目标窗口分别在、/>与/>通道下的亮度分布均匀程度以及目标窗口内的像素点数量,得到目标点的灰度均匀程度对应的具体计算公式为:
;
其中为目标点的灰度均匀程度,/>为目标窗口在/>通道下的亮度分布均匀程度,为目标窗口在/>通道下的亮度分布均匀程度,/>为目标窗口在/>通道下的亮度分布均匀程度,/>为目标窗口在/>通道下的权重,/>为目标窗口在/>通道下的权重,/>为目标窗口在/>通道下的权重,/>为目标窗口内的像素点数量,/>为绝对值函数,/>为线性归一化函数。
进一步地,所述根据目标点的灰度均匀程度,得到目标点的初始灰度域标准差,包括的具体步骤如下:
计算目标点的灰度均匀程度的倒数的归一化值,再计算所述归一化值与预设的灰度域标准差以及预设的调整参数的乘积,将预设的灰度域标准差减去所述乘积的差值,记为目标点的初始灰度域标准差。
进一步地,所述根据目标点的初始空间域标准差、初始灰度域标准差、灰度均匀程度以及属于血管的可能性,分别得到目标点的最优空间域标准差和最优灰度域标准差对应的具体计算公式为:
;
其中为目标点的最优空间域标准差,/>为目标点的最优灰度域标准差,/>为目标点的初始灰度域标准差,/>为目标点的初始空间域标准差,/>为目标点属于血管的可能性,/>为目标点的灰度均匀程度,/>为预设的倍数值,/>为线性归一化函数。
进一步地,所述根据目标点的更新灰度值,得到葡萄膜炎区域,包括的具体步骤如下:
在眼底彩色图像中,将所有像素点的更新灰度值构成的图像,记为眼底增强图像;
使用训练后的分割神经网络分割眼底增强图像中的葡萄膜炎区域。
本发明的技术方案的有益效果是:
本发明实施例中,采集眼底彩色图像,将其中任意一个像素点,记为目标点。获取目标点属于血管的可能性,从而得到目标点的初始空间域标准差,由此完成空间域标准差初步选取,提高了血管区域的滤除效果。以目标点为中心构建目标窗口,在目标窗口内,根据像素点分别在、/>与/>通道下的亮度值、像素点属于血管的可能性以及像素点的数量,得到目标点的初始灰度域标准差,由此完成灰度域标准差初步选取,提高了血管区域的滤除效果。再获取目标点的最优空间域标准差和最优灰度域标准差,对目标点的灰度值进行平滑滤波,得到目标点的更新灰度值,由此进一步选取最优的空间域和灰度域标准差,从而进一步提高血管区域的滤除效果,用以得到准确的葡萄膜炎区域。至此本发明实施例通过自适应像素点的空间域和灰度域标准差,用以提高图像的增强效果,平滑滤除掉影响葡萄膜炎检测的血管区域,从而提高了葡萄膜炎区域检测的准确性。
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,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,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他的附图。
图1为本发明一种葡萄膜炎影像特征识别方法的步骤流程图;
图2为本实施例所提供的一个眼底灰度图像示意图;
图3为本实施例所提供的一个眼底R通道图像示意图;
图4为本实施例所提供的一个眼底G通道图像示意图;
图5为本实施例所提供的一个眼底B通道图像示意图。
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葡萄膜炎影像特征识别方法,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葡萄膜炎影像特征识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种葡萄膜炎影像特征识别方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集眼底彩色图像;所述眼底彩色图像中每个像素点存在对应的灰度值、灰度梯度、灰度梯度角度值以及、/>与/>通道下的亮度值和亮度梯度值。
使用眼底相机采集眼底彩色图像,对该图像进行灰度化处理,得到眼底灰度图像,并得到眼底彩色图像中每个像素点的灰度值。其中,图像灰度化处理为公知技术,具体方法在此不做介绍。图2为本实施例所提供的一个眼底灰度图像示意图。
所需说明的是:也可以采集荧光血管造影图像进行葡萄膜炎检测,本实施例以眼底相机采集眼底彩色图像为例进行分析。
已知眼底彩色图像为RGB图像,其包含R、G、B三个通道。即眼底彩色图像中每个像素点存在R、G、B三通道下的亮度值。图3为本实施例所提供的一个眼底R通道图像示意图。图4为本实施例所提供的一个眼底G通道图像示意图。图5为本实施例所提供的一个眼底B通道图像示意图。
已知葡萄膜炎是一种炎症性眼病,其特点之一是眼球内部的血管充血和扩张,在眼底彩色图像和荧光血管造影图像上表现为眼底视网膜血管扩张、渗漏、血管闭塞等,而正常的视网膜、脉络膜血管影像有时会影响葡萄膜炎区域的特征识别。即正常视网膜血管的干扰是指在眼底图像中,由于眼球本身的血管系统,以及可能存在的血液流动和血管纹理等因素,导致图像中出现血管结构。这些血管成像可能会遮挡或干扰对其他结构的观察和分析,对眼底疾病的诊断和评估产生一定的影响。本实施例采用双边滤波对图像中的血管区域进行纹理平滑,为了对图像中的血管区域进行纹理平滑的同时保留葡萄膜炎区域,需要对滤波过程中的空间域和灰度域的标准差进行自适应。其依据像素点属于血管区域的可能性对其标准差进行调整,再依据空间域核与灰度域核的标准差比例对其进行再次调整,提高图像中血管区域纹理平滑效果,便于对葡萄膜炎的特征识别。
本实施例预设的空间域标准差为2,预设的灰度域标准差为30,预设的窗口边长为5,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
所需说明的是,空间域标准差、灰度域标准差和窗口大小为双边滤波算法的主要参数,双边滤波算法为公知技术,具体方法在此不做介绍。
在对图像中像素点进行双边滤波的过程中,平坦区域中像素点灰度差异小,此时空间域起主要调节作用,而在边缘区域像素点灰度差异较大,此时灰度域起主要调节作用。
因此,依据像素点属于血管区域的可能性对当前像素点的空间域标准差进行调整,当前像素点属于血管区域的可能性越大,为了将其平滑,则需要一个较小的空间域标准差。依据当前像素点在对应窗口内的灰度分布,来判断其是否处于图像中血管纹理边缘上,据此对其灰度域标准差进行调整,当前像素点对应窗口内灰度分布越不均匀,则当前像素点处于图像纹理边缘的可能性越大,为了将其平滑则需要一个较小的灰度域标准差。
并且滤波过程中,当前像素点的空间域标准差与灰度域标准差的比例也会影响到滤波效果,为了更好地平滑效果,需要空间域标准差与灰度域标准差的比例较大,最终再依据二者占比对其进行再次调整。
根据上述分析可知,空间域标准差依据当前像素点属于血管区域的可能性进行调整,属于血管区域的可能性越大,则需要一个较小的空间域标准差将其平滑,对初始空间域标准差的调整幅度就大。
已知血液对绿光和蓝光吸收较高,故血管在图像的G和B通道下会显得较暗,而对红光吸收较低,即在R通道下显得较亮。眼白部分由于葡萄膜炎的病变导致眼白部位充血,其只在R通道中也较亮,即血管区域在R通道中梯度值较小,并且与在G和B通道的梯度值相比差异较大。因此,依据当前像素点在R通道的梯度值与在G和B通道中的梯度值差异来识别当前像素点是否属于血管区域,差异越大,则属于血管区域的可能性越大。并且,当前像素点在其梯度垂直方向上具有灰度连续性且灰度表现较低,则当前像素点属于血管区域的可能性越大。
在眼底彩色图像中,根据像素点的灰度值,使用Sobel算子进行梯度计算,得到每个像素点的灰度梯度和灰度梯度角度值。根据像素点在通道下的亮度值,使用Sobel算子进行梯度计算,得到每个像素点在/>通道下的亮度梯度值。根据像素点在/>通道下的亮度值,使用Sobel算子进行梯度计算,得到每个像素点在/>通道下的亮度梯度值。根据像素点在/>通道下的亮度值,使用Sobel算子进行梯度计算,得到每个像素点在/>通道下的亮度梯度值。
所需说明的是:Sobel算子为公知技术,具体方法在此不做介绍,其中梯度为矢量,梯度值是梯度的模,为标量。
步骤S002:将眼底彩色图像中任意一个像素点,记为目标点;根据目标点分别在、/>与/>通道下的亮度值、亮度梯度值、目标点的灰度梯度方向上的像素点的灰度值以及灰度梯度角度值之间的差异,得到目标点属于血管的可能性;根据目标点属于血管的可能性,得到目标点的初始空间域标准差。
将眼底彩色图像中任意一个像素点,记为目标点。
由此可知目标点在三通道下的梯度差异/>的计算公式为:
;
其中为目标点在/>三通道下的梯度差异,/>为目标点在/>通道下的亮度梯度值,/>为目标点在/>通道下的亮度梯度值,/>为目标点在/>通道下的亮度梯度值,/>为绝对值函数。
所需说明的是:为目标点在/>和/>通道下的梯度差异,其值越大,说明目标点在/>和/>通道下的梯度值的差异越大,/>为目标点在/>和/>通道下的梯度差异,其值越大,说明目标点在/>和/>通道下的梯度值的差异越大,因此用表示目标点在/>三通道下的梯度差异,/>越大,目标点越可能为血管。
本实施例预设的数量阈值,预设的常数/>,预设的调整参数,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
在眼底彩色图像中,从目标点开始,沿着目标点的灰度梯度方向逐个像素点遍历,将遍历到的前个像素点,记为参考点。
所需说明的是:当遍历到的像素点数量不满足时,将遍历到的所有像素点,记为参考点。
由此可知目标点的灰度连续性的计算公式为:
;
其中为目标点的灰度连续性,/>为预设的常数,/>为参考点的数量,/>为目标点的灰度梯度角度值,/>为第/>个参考点的灰度梯度角度值,/>为目标点的灰度值,/>为第/>个参考点的灰度值,/>为绝对值函数。
所需说明的是:公式中分母中加,是为了防止分母为0。在目标点的灰度梯度方向上,当/>越小,说明像素点的灰度梯度方向越一致,/>越小,说明像素点的灰度值越相似,因此当/>越小时,目标点的灰度梯度方向上的像素点越相似,由此用/>表示目标点的灰度连续性,/>越大,连续性越强,目标点越可能为血管。
由此可知目标点属于血管的可能性的计算公式为:
;
其中为目标点属于血管的可能性,/>为目标点的灰度连续性,/>为目标点在三通道下的梯度差异,/>为目标点在/>通道下的亮度值,/>为目标点在/>通道下的亮度值,/>为目标点在/>通道下的亮度值。/>为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:为目标点在/>三通道下的灰度差异,为血管时,其值应越大。而/>和/>越大,目标点越可能为血管。因此用/>表示目标点属于血管的可能性。
按照上述方式,得到眼底彩色图像中每个像素点属于血管的可能性。
由此可知目标点的初始空间域标准差的计算公式为:
;
其中为目标点的初始空间域标准差,/>为预设的空间域标准差,/>为目标点属于血管的可能性,/>为预设的调整参数。
所需说明的是:已知空间域标准差越小,滤波时对像素点的影响越大,因此当越大时,为了平滑血管区域,则需要较小的空间域标准差,故用/>表示目标点的初始空间域标准差,其中/>是为了保障/>处于1到2之间。
由此依据像素点属于血管区域的可能性,对当前像素点的空间域标准差进行自适应,提高所选取标准差结果的准确性。
步骤S003:在眼底彩色图像中,以目标点为中心构建目标窗口;在目标窗口内,根据像素点分别在、/>与/>通道下的亮度值、像素点属于血管的可能性以及像素点的数量,得到目标点的灰度均匀程度;根据目标点的灰度均匀程度,得到目标点的初始灰度域标准差。
在眼底彩色图像中,将以目标点为中心,大小为的窗口,记为目标窗口。其中,/>为预设的窗口边长。
当目标窗口内像素点灰度值分布不均匀时,则目标点处于图像边缘的可能性越大,为了将其平滑需要一个较小的灰度域标准差。
在分析目标窗口内的灰度分布状况时,根据眼底彩色图像在RGB三通道下的表现可知,同一像素点对应窗口在三通道下的表现有差异。因此,在分析目标窗口内的灰度分布时,需结合/>三通道下的表现进行分析。并且在各通道下,目标窗口内的灰度分布与窗口大小也有关系,窗口越大则灰度分布越均匀,所获分析结果越不可信。
目标窗口在各通道下的亮度分布均匀程度,可依据目标点在各通道下的灰度与窗口内灰度均值的差异来反应,差异越小则灰度分布越均匀。并且目标点属于血管区域的可能性越小,则其亮度分布均匀程度越可信。
由此可知,目标窗口在通道下的亮度分布均匀程度的计算公式为:
;
其中为目标窗口在/>通道下的亮度分布均匀程度,/>为目标窗口内第/>个像素点属于血管的可能性,/>为目标窗口内第/>个像素点在/>通道下的亮度值,/>为目标窗口内所有像素点在/>通道下的亮度值的均值,/>为目标窗口内的像素点数量,/>为绝对值函数。
所需说明的是:越小,说明目标窗口内的像素点在/>通道下的亮度值大小越相似,/>越小,说明目标窗口内的像素点越不可能属于血管,因此用表示目标窗口内第/>个像素点的波动程度,用表示目标窗口在/>通道下的亮度分布均匀程度,/>越大,目标窗口在/>通道下的灰度分布越均匀。
根据目标窗口在通道下的亮度分布均匀程度的获取方式,可以得到目标窗口在通道下的亮度分布均匀程度/>和目标窗口在B通道下的亮度分布均匀程度/>,其计算公式如下:
;
其中为目标窗口在/>通道下的亮度分布均匀程度,/>为目标窗口在/>通道下的亮度分布均匀程度,/>为目标窗口内第/>个像素点属于血管的可能性,/>为目标窗口内第/>个像素点在/>通道下的亮度值,/>为目标窗口内所有像素点在/>通道下的亮度值的均值,/>为目标窗口内第/>个像素点在/>通道下的亮度值,/>为目标窗口内所有像素点在/>通道下的亮度值的均值,/>为目标窗口内的像素点数量,/>为绝对值函数。
目标窗口的亮度分布均匀程度在三通道下表现各不相同,由此对三通道下的亮度分布均匀程度进行加权,来综合反映目标窗口的亮度分布均匀程度。其中,某一通道下的亮度分布均匀程度与另外两个通道下的亮度分布均匀程度差异越大,且另外两个通道下的亮度分布均匀程度之间差异越小,则该通道下目标窗口内分布血管区域的可能性越大,权重也就越大。
由此可知目标点的灰度均匀程度的计算公式为:
;
其中为目标点的灰度均匀程度,/>为目标窗口在/>通道下的亮度分布均匀程度,为目标窗口在/>通道下的亮度分布均匀程度,/>为目标窗口在/>通道下的亮度分布均匀程度,/>为目标窗口在/>通道下的权重,/>为目标窗口在/>通道下的权重,/>为目标窗口在/>通道下的权重,/>为目标窗口内的像素点数量,/>为绝对值函数,/>为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:目标窗口内的像素点数量越少,某一通道下的亮度分布均匀程度与另外两个通道下的亮度分布均匀程度差异越大,且另外两个通道下的亮度分布均匀程度之间差异越小,则该通道下目标窗口内分布血管区域的可能性越大,权重也就越大,由此得到、/>、/>。用其对/>、/>和/>进行加权求均,得到目标点的灰度均匀程度/>,/>越大,目标点的灰度均匀程度越大。
当目标点的灰度均匀程度越大,说明目标窗口的灰度均匀程度越大,且含有血管区域的可能性越小,其对应的灰度域标准差的调整幅度应越小。由此可知目标点的初始灰度域标准差的计算公式为:
;
其中为目标点的初始灰度域标准差,/>为预设的灰度域标准差,/>为目标点的灰度均匀程度,/>为预设的调整参数。/>为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:越大,对/>的调整越小,/>的取值范围为15到30之间。由此依据像素点在不同通道下的灰度分布,对像素点的灰度域标准差进行自适应,有利于血管区域的平滑。
步骤S004:根据目标点的初始空间域标准差、初始灰度域标准差、灰度均匀程度以及属于血管的可能性,分别得到目标点的最优空间域标准差和最优灰度域标准差。
上述得到目标点的初始灰度域标准差和初始空间域标准差,二者之间的比例关系也会影响到最终的平滑效果。调整空间域标准差与灰度域标准差之间的比例可以影响滤波器对图像的响应,增大这个比例可能导致更大的空间权重,提高纹理边缘保留效果。为了更好地将血管区域进行平滑,还需依据像素点属于血管区域的可能性对空间域标准差与灰度域标准差进行再次调整,空间域标准差与灰度域标准差的比例越小,则对血管区域的平滑效果越好。
本实施例预设的倍数值,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。由于/>处于1到2之间,/>的取值范围为15到30之间,因此当空间域标准差减去0.1倍的灰度域标准差结果为正,则空间域标准差与灰度域标准差的比例较大,需减小空间域标准差以减小二者比例,反之亦然。
由此可知目标点的最优空间域标准差和最优灰度域标准差/>的计算公式为:
;
其中为目标点的最优空间域标准差,/>为目标点的最优灰度域标准差,/>为目标点的初始灰度域标准差,/>为目标点的初始空间域标准差,/>为目标点属于血管的可能性,/>为目标点的灰度均匀程度,/>为预设的倍数值。/>为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:当为正时,说明空间域标准差与灰度域标准差的比例较大,需要减小空间域标准差,增大灰度域标准差,当/>为负时,说明空间域标准差与灰度域标准差的比例较小,需要增加空间域标准差,减小灰度域标准差,因此用表示目标点的最优空间域标准差,用/>表示目标点的最优灰度域标准差。
由此依据像素点的空间域和灰度域标准差的比例对其进行再次调整,提高纹理平滑效果,便于葡萄膜炎区域的特征识别。
步骤S005:根据目标点的最优空间域标准差和最优灰度域标准差,对目标点的灰度值进行平滑滤波,得到目标点的更新灰度值;根据目标点的更新灰度值,得到葡萄膜炎区域。
由此,根据目标点的最优空间域标准差和最优灰度域标准差以及预设的窗口边长,使用双边滤波算法对目标点的灰度值进行平滑滤波,得到目标点的更新灰度值。
按照上述方式,得到眼底彩色图像中每个像素点的更新灰度值。
所需说明的是:双边滤波算法为公知技术,具体方法在此不做介绍。眼底彩色图像进行双边滤波平滑处理,是在眼底彩色图像灰度化后的眼底灰度图像上进行的。
将眼底彩色图像中所有像素点的更新灰度值构成的图像,记为眼底增强图像。
由此使用眼底增强图像进行葡萄膜炎检测,可以提高检测的准确性。
本发明实施例采用分割神经网络来识别分割眼底增强图像中的葡萄膜炎区域。
分割神经网络的相关内容如下:
本实施例使用的分割神经网络为Mask R-CNN神经网络;使用的数据集为眼底增强图像数据集。其中Mask R-CNN为公知技术,具体方法在此不做介绍。Mask R-CNN的中文全称是“掩膜区域卷积神经网络”,英文全称是“Mask Region-based Convolutional NeuralNetwork”。
需要分割的像素点,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素点属于背景类的标注为0,属于葡萄膜炎区域的标注为1。
网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
通过训练后的分割神经网络得到眼底增强图像中的葡萄膜炎区域,此过程为公知技术,具体方法在此不做介绍。由此完成患者眼底的葡萄膜炎检测,便于医生对病变区域进行观察分析,制定合理治疗方案。
至此,本发明完成。
综上所述,在本发明实施例中,采集眼底彩色图像,将其中任意一个像素点,记为目标点。根据目标点分别在、/>与/>通道下的亮度值、亮度梯度值、目标点的灰度梯度方向上的像素点的灰度值以及灰度梯度角度值之间的差异,得到目标点的初始空间域标准差。以目标点为中心构建目标窗口,在目标窗口内,根据像素点分别在/>、/>与/>通道下的亮度值、像素点属于血管的可能性以及像素点的数量,得到目标点的初始灰度域标准差。由此获取目标点的最优空间域标准差和最优灰度域标准差,对目标点的灰度值进行平滑滤波,得到目标点的更新灰度值,从而得到葡萄膜炎区域。本发明实施例通过自适应像素点的空间域和灰度域标准差,用以提高图像的增强效果,平滑滤除掉影响葡萄膜炎检测的血管区域,从而提高了葡萄膜炎区域检测的准确性。
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)
1.一种葡萄膜炎影像特征识别方法,其特征在于,该方法包括以下步骤:
采集眼底彩色图像;所述眼底彩色图像中每个像素点存在对应的灰度值、灰度梯度、灰度梯度角度值以及、/>与/>通道下的亮度值和亮度梯度值;
将眼底彩色图像中任意一个像素点,记为目标点;根据目标点分别在、/>与/>通道下的亮度值、亮度梯度值、目标点的灰度梯度方向上的像素点的灰度值以及灰度梯度角度值之间的差异,得到目标点属于血管的可能性;根据目标点属于血管的可能性,得到目标点的初始空间域标准差;
在眼底彩色图像中,以目标点为中心构建目标窗口;在目标窗口内,根据像素点分别在、/>与/>通道下的亮度值、像素点属于血管的可能性以及像素点的数量,得到目标点的灰度均匀程度;根据目标点的灰度均匀程度,得到目标点的初始灰度域标准差;
根据目标点的初始空间域标准差、初始灰度域标准差、灰度均匀程度以及属于血管的可能性,分别得到目标点的最优空间域标准差和最优灰度域标准差;
根据目标点的最优空间域标准差和最优灰度域标准差,对目标点的灰度值进行平滑滤波,得到目标点的更新灰度值;根据目标点的更新灰度值,得到葡萄膜炎区域。
2.根据权利要求1所述一种葡萄膜炎影像特征识别方法,其特征在于,所述根据目标点分别在、/>与/>通道下的亮度值、亮度梯度值、目标点的灰度梯度方向上的像素点的灰度值以及灰度梯度角度值之间的差异,得到目标点属于血管的可能性,包括的具体步骤如下:
根据目标点分别在、/>与/>通道下的亮度梯度值,得到目标点在/>三通道下的梯度差异;
在眼底彩色图像中,从目标点开始,沿着目标点的灰度梯度方向逐个像素点遍历,将遍历到的前个像素点,记为参考点;所述/>为预设的数量阈值;
根据目标点与所有参考点的灰度值和灰度梯度角度值,得到目标点的灰度连续性;
将,记为目标点在/>三通道下的灰度差异;其中/>为目标点在/>通道下的亮度值,/>为目标点在/>通道下的亮度值,/>为目标点在/>通道下的亮度值;
计算目标点在三通道下的梯度差异与灰度差异以及目标点的灰度连续性的乘积,将所述乘积的归一化值,记为目标点属于血管的可能性。
3.根据权利要求2所述一种葡萄膜炎影像特征识别方法,其特征在于,所述根据目标点分别在、/>与/>通道下的亮度梯度值,得到目标点在/>三通道下的梯度差异,包括的具体步骤如下:
将目标点分别在与/>通道下的亮度梯度值的差值的绝对值,记为目标点在/>和/>通道下的梯度差异;
将目标点分别在与/>通道下的亮度梯度值的差值的绝对值,记为目标点在/>和/>通道下的梯度差异;
将目标点在和/>通道下的梯度差异与目标点在/>和/>通道下的梯度差异的和值,记为目标点在/>三通道下的梯度差异。
4.根据权利要求2所述一种葡萄膜炎影像特征识别方法,其特征在于,所述根据目标点与所有参考点的灰度值和灰度梯度角度值,得到目标点的灰度连续性对应的具体计算公式为:
;
其中为目标点的灰度连续性,/>为预设的常数,/>为参考点的数量,/>为目标点的灰度梯度角度值,/>为第/>个参考点的灰度梯度角度值,/>为目标点的灰度值,/>为第/>个参考点的灰度值,/>为绝对值函数。
5.根据权利要求1所述一种葡萄膜炎影像特征识别方法,其特征在于,所述根据目标点属于血管的可能性,得到目标点的初始空间域标准差,包括的具体步骤如下:
计算目标点属于血管的可能性、预设的空间域标准差以及预设的调整参数的乘积,将预设的空间域标准差减去所述乘积的差值,记为目标点的初始空间域标准差。
6.根据权利要求1所述一种葡萄膜炎影像特征识别方法,其特征在于,所述在目标窗口内,根据像素点分别在、/>与/>通道下的亮度值、像素点属于血管的可能性以及像素点的数量,得到目标点的灰度均匀程度,包括的具体步骤如下:
在目标窗口内,计算所有像素点在通道下的亮度值的均值,再计算每个像素点在/>通道下的亮度值与所述均值的差值的绝对值,将所述绝对值与每个像素点属于血管的可能性的乘积,记为每个像素点的波动程度;
将目标窗口内所有像素点的波动程度的和值的倒数,记为目标窗口在通道下的亮度分布均匀程度;
根据所述目标窗口在通道下的亮度分布均匀程度的获取方式,分别得到目标窗口在通道下的亮度分布均匀程度以及目标窗口在/>通道下的亮度分布均匀程度;
根据目标窗口分别在、/>与/>通道下的亮度分布均匀程度以及目标窗口内的像素点数量,得到目标点的灰度均匀程度。
7.根据权利要求6所述一种葡萄膜炎影像特征识别方法,其特征在于,所述根据目标窗口分别在、/>与/>通道下的亮度分布均匀程度以及目标窗口内的像素点数量,得到目标点的灰度均匀程度对应的具体计算公式为:
;
其中为目标点的灰度均匀程度,/>为目标窗口在/>通道下的亮度分布均匀程度,/>为目标窗口在/>通道下的亮度分布均匀程度,/>为目标窗口在/>通道下的亮度分布均匀程度,为目标窗口在/>通道下的权重,/>为目标窗口在/>通道下的权重,/>为目标窗口在/>通道下的权重,/>为目标窗口内的像素点数量,/>为绝对值函数,/>为线性归一化函数。
8.根据权利要求1所述一种葡萄膜炎影像特征识别方法,其特征在于,所述根据目标点的灰度均匀程度,得到目标点的初始灰度域标准差,包括的具体步骤如下:
计算目标点的灰度均匀程度的倒数的归一化值,再计算所述归一化值与预设的灰度域标准差以及预设的调整参数的乘积,将预设的灰度域标准差减去所述乘积的差值,记为目标点的初始灰度域标准差。
9.根据权利要求1所述一种葡萄膜炎影像特征识别方法,其特征在于,所述根据目标点的初始空间域标准差、初始灰度域标准差、灰度均匀程度以及属于血管的可能性,分别得到目标点的最优空间域标准差和最优灰度域标准差对应的具体计算公式为:
;
其中为目标点的最优空间域标准差,/>为目标点的最优灰度域标准差,/>为目标点的初始灰度域标准差,/>为目标点的初始空间域标准差,/>为目标点属于血管的可能性,/>为目标点的灰度均匀程度,/>为预设的倍数值,/>为线性归一化函数。
10.根据权利要求1所述一种葡萄膜炎影像特征识别方法,其特征在于,所述根据目标点的更新灰度值,得到葡萄膜炎区域,包括的具体步骤如下:
在眼底彩色图像中,将所有像素点的更新灰度值构成的图像,记为眼底增强图像;
使用训练后的分割神经网络分割眼底增强图像中的葡萄膜炎区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410295367.4A CN117893742B (zh) | 2024-03-15 | 2024-03-15 | 一种葡萄膜炎影像特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410295367.4A CN117893742B (zh) | 2024-03-15 | 2024-03-15 | 一种葡萄膜炎影像特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893742A true CN117893742A (zh) | 2024-04-16 |
CN117893742B CN117893742B (zh) | 2024-05-28 |
Family
ID=90652176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410295367.4A Active CN117893742B (zh) | 2024-03-15 | 2024-03-15 | 一种葡萄膜炎影像特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893742B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854284A (zh) * | 2014-02-26 | 2014-06-11 | 苏州大学 | 基于三维图搜索浆液性色素上皮层脱离的视网膜分割方法 |
CN106228566A (zh) * | 2016-08-15 | 2016-12-14 | 哈尔滨工业大学 | 基于梯度响亮分析的视网膜微动脉瘤的自动检测与识别方法 |
WO2023192922A1 (en) * | 2022-03-31 | 2023-10-05 | Regeneron Pharmaceuticals, Inc. | Systems and methods for determining vitreous haze |
CN117011192A (zh) * | 2023-09-20 | 2023-11-07 | 大理大学 | 基于中性集合与双边滤波的nsct域声呐图像去噪方法及设备 |
CN117058046A (zh) * | 2023-09-25 | 2023-11-14 | 重庆邮电大学工业互联网研究院 | 一种基于粒度分块近似计算的双边滤波图像处理方法 |
CN117422631A (zh) * | 2023-11-22 | 2024-01-19 | 哈尔滨工业大学(威海) | 基于自适应滤波分层的红外图像增强方法 |
CN117557561A (zh) * | 2024-01-11 | 2024-02-13 | 凌源日兴矿业有限公司 | 基于人工智能的井下巷道壁缝隙快速检测方法 |
-
2024
- 2024-03-15 CN CN202410295367.4A patent/CN117893742B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854284A (zh) * | 2014-02-26 | 2014-06-11 | 苏州大学 | 基于三维图搜索浆液性色素上皮层脱离的视网膜分割方法 |
CN106228566A (zh) * | 2016-08-15 | 2016-12-14 | 哈尔滨工业大学 | 基于梯度响亮分析的视网膜微动脉瘤的自动检测与识别方法 |
WO2023192922A1 (en) * | 2022-03-31 | 2023-10-05 | Regeneron Pharmaceuticals, Inc. | Systems and methods for determining vitreous haze |
CN117011192A (zh) * | 2023-09-20 | 2023-11-07 | 大理大学 | 基于中性集合与双边滤波的nsct域声呐图像去噪方法及设备 |
CN117058046A (zh) * | 2023-09-25 | 2023-11-14 | 重庆邮电大学工业互联网研究院 | 一种基于粒度分块近似计算的双边滤波图像处理方法 |
CN117422631A (zh) * | 2023-11-22 | 2024-01-19 | 哈尔滨工业大学(威海) | 基于自适应滤波分层的红外图像增强方法 |
CN117557561A (zh) * | 2024-01-11 | 2024-02-13 | 凌源日兴矿业有限公司 | 基于人工智能的井下巷道壁缝隙快速检测方法 |
Non-Patent Citations (5)
Title |
---|
孟庆顺;宁芊;雷印杰;: "一种新的基于参数估计的自适应双边滤波算法", 计算机应用研究, no. 07, 31 December 2017 (2017-12-31) * |
白晓东;舒勤;杜小燕;黄燕琴;: "改进型自适应双边滤波算法", 激光与光电子学进展, no. 04, 31 December 2020 (2020-12-31) * |
程卓越;: "一种高效的自适应双边滤波方法", 数字技术与应用, no. 10, 25 October 2019 (2019-10-25) * |
许永恩;马汉杰;冯杰;程萍;杨芷婷;: "基于改进边缘检测的视觉注意计算模型", 计算机系统应用, no. 12, 15 December 2019 (2019-12-15) * |
郭俊文;宋贵才;李兴广;: "基于自适应双边滤波的太赫兹图像去噪算法", 长春理工大学学报(自然科学版), no. 03, 15 June 2018 (2018-06-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117893742B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197493B (zh) | 眼底图像血管分割方法 | |
CN107451998B (zh) | 一种眼底图像质量控制方法 | |
Sánchez et al. | A novel automatic image processing algorithm for detection of hard exudates based on retinal image analysis | |
EP2188779B1 (en) | Extraction method of tongue region using graph-based approach and geometric properties | |
Sánchez et al. | Retinal image analysis based on mixture models to detect hard exudates | |
Medhi et al. | An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images | |
US7260248B2 (en) | Image processing using measures of similarity | |
US7474775B2 (en) | Automatic detection of red lesions in digital color fundus photographs | |
Sánchez et al. | Mixture model-based clustering and logistic regression for automatic detection of microaneurysms in retinal images | |
Dimauro et al. | Anaemia detection based on sclera and blood vessel colour estimation | |
CN107563996A (zh) | 一种新型视神经盘分割方法及系统 | |
Prentasic et al. | Weighted ensemble based automatic detection of exudates in fundus photographs | |
Sagar et al. | A novel integrated approach using dynamic thresholding and edge detection (idted) for automatic detection of exudates in digital fundus retinal images | |
CN117893742B (zh) | 一种葡萄膜炎影像特征识别方法 | |
CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
CN115131396A (zh) | 一种基于帧间差改进的医学影像中目标跟踪方法 | |
Kumar et al. | Automatic optic disc segmentation using maximum intensity variation | |
Santos-Villalobos et al. | Statistical characterization and segmentation of drusen in fundus images | |
Martins | Automatic microaneurysm detection and characterization through digital color fundus images | |
CN111291706B (zh) | 一种视网膜图像视盘定位方法 | |
EP4364090A1 (en) | Classification and improvement of quality of vascular images | |
Khatter et al. | Retinal vessel segmentation using Robinson compass mask and fuzzy c-means | |
Colomer et al. | Colour normalization of fundus images based on geometric transformations applied to their chromatic histogram | |
Palanisamy et al. | An adaptive enhancement and fovea detection technique for color fundus image analysis | |
CN110751064A (zh) | 基于图像处理的眨眼次数分析方法和系统 |
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 |