专利汇可以提供基于改进PDE图像修补的眼底图像视杯自动分割方法专利检索,专利查询,专利分析的服务。并且基于改进PDE图像修补的 眼底 图像 视杯自动分割方法,该方法的实现过程如下,读取和归一化原始图像;对原始图像进行通道选择;利用形态学的原理对图像进行增强;基于图像减法的血管 位置 的 定位 ;利用改进的BSCB模型实现对血管区域的填充修复;对图像进行中值滤波去噪,并利用伽玛变换突出目标区域;以图像上最亮 像素 点集合质心为初始 种子 点,利用 水 平集 算法 初步获取视杯轮廓。本 发明 填充修复血管以后的图像在一定程度上消除了血管区域对视杯分割的影响,提高了视盘分割的准确性;利用水平集方法进行视杯的轮廓获取,实现了种子点的自动选取;减少了传统半自动方法中的人工干预。,下面是基于改进PDE图像修补的眼底图像视杯自动分割方法专利的具体信息内容。
1.基于改进PDE图像修补的眼底图像视杯自动分割方法,其特征在于:
本方法的特征在于采取以下步骤,
步骤1,读取和归一化原始图像;
步骤2,对原始图像进行通道选择;
步骤3,利用形态学的原理对图像进行增强;
步骤4,基于图像减法的血管位置的定位;
步骤5,利用改进的BSCB模型实现对定位到的血管区域进行填充修复;
步骤6,对图像进行中值滤波去噪,并利用伽玛变换突出目标区域;
步骤7,以图像上最亮像素点集合的质心为初始种子点,利用水平集算法获取视杯轮廓。
2.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法,其特征在于:步骤1,读取原始图像,将图像大小归一化到1440*960像素。
3.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法,其特征在于:步骤2,对原始图像进行通道选择,选取目标区域最为突出的绿色通道图像UG进行视杯的分割。
4.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法,其特征在于:步骤3,通过形态学的原理对图像进行增强,本方法利用图像顶帽和底帽变换对图像进行增强:
That(UG)=UG-(UGοSE)
Bhat(UG)=(UG·SE)-UG
UCE=(UG+That(UG))-Bhat(UG)
式中:符号“ο”表示图像进行开运算,符号“·”表示图像进行闭运算;SE为结构元素,取5*5的圆形结构元;That(UG)为顶帽变换后的图像,Bhat(UG)为底帽变换后的图像,UCE为对比度增强后的图像。
5.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法,其特征在于:步骤4,将步骤3中图像UCE中值滤波后图像Umed(i,j)与图像UCE(i,j)相减,根据结果中灰度信息进行血管位置的粗定位:
式中,中值滤波采用25*25的窗口,UGB(i,j)大于零的部分即为血管位置。
6.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法,其特征在于:步骤5,利用改进的BSCB模型实现对血管区域的快速填充修复;
已知初始图像u0(i,j)(步骤3中的UCE),待修复区域为D(步骤4中的血管位置区域),其边界为 N为边缘的法线方向;修复时由已知区域沿着等照度线方向(▽Ip垂直方向)向内部未知区域不断扩散至D附近的灰度信息,使 不断缩小,最后修复整个D.其迭代公式为:
n+1 n n
u (i,j)=u(i,j)+Δtuτ(i,j)
n
式中,(i,j)为像素点位置,n为迭代次数,Δt为迭代速率,uτ(i,j)为对当前图像的更新,初始图像:
0
u(i,j)=u0(i,j)
n n
L(i,j)为传递的信息, 表示信息的变化,N(i,j)为传递的方向;
n+1 n n+1 n
达到稳态时u (i,j)=u(i,j),因此u (i,j)=u(i,j)=0
n
传统BSCB模型中,L(i,j)用简单的离散拉普拉斯算子计算:
在眼底图像血管的填充修复过程中,本方法用 和 去代替上式中的
和 采用单像素点的 和 构建信息来修补图像是为了把修
补区域外围的纹理信息延伸到被修复区域,而对于眼底图像中视盘和视杯内部的血管区域来说,修复的目的是为了消除血管对分割算法的影响,并不需要考虑纹理信息;因此用3*3区域的像素的均值来表示传递的信息,可以消除噪声的影响,使血管区域像素值更均匀一致,有利于水平集算法对视杯的分割;
n
然后计算沿N方向的 选择等照度线的方向作为N的方向;
n
离散梯度向量▽u(i,j)指向等照度线的法线方向,扩散过程中为防止扩散方向相互交叉,可采用异性扩散方程:
ε ε
式中,(x,y)∈D ,D 是指对D的边界信息通过半径为ε的结构元进行形态学膨胀后ε
得到的区域;k(x,y,t)代表曲率,g (x,y)函数在修复区域边界 处为0,在区域D里面为
1;
本方法中迭代次数n取30,迭代速率Δt取0.1。
7.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法,其特征在于:步骤6,对图像进行中值滤波,并利用伽玛变换突出感兴趣区域;
为了消除改进的BSCB模型处理后图像中存在的小噪声,对图像进行中值滤波,此步骤中值滤波采用9*9的窗口进行;
伽玛变换的公式为:
j=(i+esp)γ
其中,i为变换前的灰度值,j为变换后的灰度值,esp为补偿系数,γ为伽玛系数;本方法中γ取值为5。
8.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法,其特征在于:步骤7,以图像上最亮像素点集合的质心为初始种子点,利用水平集算法获取视杯轮廓;
式中,(xi,yi)为寻找到的最亮像素点,(xc,yc)为最亮像素点集合的质心,以此质心为初始种子点,利用水平集算法对视杯的初始轮廓进行提取:
水平集演化方程:
式中:φ为水平集函数,t为时间(水平集函数φ是时间t的函数,t是水平集函
2 2
数的演化时间),▽为梯度,div表示散度;δε(φ)[-λ1(I-c1)+λ2(I-c2)]驱动零水平集曲线向真实的边缘靠近, 表示狄拉克(Dirac)函数;
分别是对水平集曲线的内部和外部灰
度平均值c1和c2的计算;
式中,υ为水平集曲线长度权重,μ为内部能量权重,λ1、λ2为收敛驱动力权重,ε为狄拉克(Dirac)函数的参数;本方法中,ε=0.02,λ1=1.0,λ2=2.0,Δt=0.1,υ=0和μ=0.01*255*255,参数I为待分割眼底图像,φ=0为零水平集曲线;
水平集演化方程的每次迭代都会使零水平集曲线向待检测边缘靠近,前后两次演化中零水平集曲线的变化在给定阈值范围内时,迭代结束,本方法所设定的阈值为99%,即当前后两次演化中零水平集曲线在99%以上重合时演化结束,此时演化边界线即为生成视杯轮廓。
9.根据权利要求1所述的基于改进PDE图像修补的眼底图像视杯自动分割方法,其特征在于:为了评价视杯自动分割区域和视杯真实区域重叠情况,引入F值(F-score)作为评价指标,其值由准确率(precision)和召回率(recall)两个指标来计算,计算方法如下:
式中,TP(True Positive)表示真阳性率,FP(False Positive)表示假阳性率,FN(False Negative)表示假阴性率;F值应在0到1之间,分割方法越精确,F值越高。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
多任务的眼底图像分类方法和设备 | 2020-05-16 | 854 |
眼底图像血管分割方法 | 2020-05-12 | 85 |
一种图像引导式眼底相机 | 2020-05-17 | 207 |
眼底图像获取方法和装置、眼底相机 | 2020-05-11 | 301 |
眼底图像处理装置以及眼底图像处理方法 | 2020-05-14 | 45 |
眼底图像绘制装置 | 2020-05-13 | 408 |
眼底图像的采集装置 | 2020-05-13 | 121 |
眼底图像血管影像分割方法及设备 | 2020-05-16 | 43 |
一种眼底图像质量评价方法 | 2020-05-17 | 741 |
眼底图像捕获 | 2020-05-11 | 59 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。