本發(fā)明涉及計算機視覺信息領(lǐng)域，尤其涉及一種眼底圖像病變檢測方法及裝置。

背景技術(shù)：

隨著計算機圖形處理技術(shù)的發(fā)展，對眼底圖像的分析不再僅僅依靠于眼科醫(yī)生的肉眼觀察。早在二十世紀(jì)七八十年代國外學(xué)者就已經(jīng)提出了基于眼底圖像處理與分析的自動檢測硬性滲出和出血的技術(shù)，并進(jìn)行了大量的研究。依靠計算機圖形處理技術(shù)對眼底圖像中的病灶進(jìn)行快速準(zhǔn)確的識別，可以有效解決傳統(tǒng)人工定性分析缺乏量化手段的問題，同時也節(jié)省了大量人力物力以及時間，為大規(guī)模篩查病變的實施提供了基礎(chǔ)條件。其研究成果在醫(yī)學(xué)圖像處理領(lǐng)域有著極大的現(xiàn)實意義。

目前常用的基于彩色眼底圖像來檢測滲出與出血的方法有形態(tài)學(xué)分割、閾值分割、區(qū)域生長算法、支持向量機(svm，supportvectormachine)分類器、基于馬爾科夫模型的聚類分析。其中，形態(tài)學(xué)分割主要依據(jù)病變區(qū)域與血管特有的形態(tài)學(xué)特征，通過一系列形態(tài)學(xué)操作將血管從圖像中分割出去，從而完成硬性滲出和出血區(qū)域檢測。但是，形態(tài)學(xué)操作存在精度小、容易改變面積大小以及不能定量計算的缺點。閾值分割法主要利用了眼底圖像轉(zhuǎn)變?yōu)榛叶葓D之后，出血的灰度相對較低，硬性滲出的灰度相對較高，選取適當(dāng)?shù)拈撝捣指顖D像，將出血與滲出檢測出來。但是，閾值分割法存在可適應(yīng)性小、不適合不同的圖像、需要人工調(diào)整閾值大小的缺點。區(qū)域生長算法：首先對圖像進(jìn)行采樣選取合適的種子點，然后進(jìn)行區(qū)域生長，把灰度相近的像素發(fā)展成更大的區(qū)域，把出血和滲出包括進(jìn)來。但是，區(qū)域生成算法存在計算代價大、噪聲和灰度不均可能會導(dǎo)致空洞和過分割的缺點。svm分類器和基于馬爾科夫模型的聚類分析對大量的數(shù)據(jù)進(jìn)行取樣分析，通過機器學(xué)習(xí)的方式使得計算機能夠自動識別出出血與滲出區(qū)域。但是，需要對大量樣本進(jìn)行訓(xùn)練。

舉例而言，在現(xiàn)有技術(shù)中，在眼底圖像的出血區(qū)域檢測中，先采用基于相對熵的閾值對眼底圖像進(jìn)行分割，然后通過形態(tài)學(xué)頂帽變換來提取血管，最后用支持向量機對紅斑區(qū)進(jìn)行分類。然而，在眼底圖像中，出血區(qū)域與血管相連是普遍的情況，在閾值分割的誤差基礎(chǔ)上進(jìn)行形態(tài)學(xué)頂帽變換，放大了這種誤差，圖像中正常的血管較易被誤認(rèn)為病變區(qū)域。另外，因病人的病情而異，眼底圖像中病變區(qū)域的特征很多，可分為很多種類，支持向量機是借助二次規(guī)劃來求解支持向量，對于大規(guī)模的訓(xùn)練樣本，耗費了一定的計算量，其運算速度存在較大的提升空間。另外，在現(xiàn)有技術(shù)中，在硬性滲出的自動檢測中，會運用兩次形態(tài)學(xué)膨脹操作增大滲出面積，并利用前后兩次操作的結(jié)果的差值圖像定位滲出區(qū)域邊界，再通過形態(tài)學(xué)填充獲取候選區(qū)域，最后通過滲出區(qū)域灰度特征進(jìn)行分類。然而，上述方式可能存在邊界斷裂的情況，導(dǎo)致填充操作困難，進(jìn)而遺漏一些病變區(qū)域。

總的來說，現(xiàn)有的眼底圖像處理方法主要存在以下缺陷：精度低，不能進(jìn)行精確的定量分析；需要固定的參數(shù)組合，普適性小，不能針對多種圖像進(jìn)行準(zhǔn)確的分析；需要大量數(shù)據(jù)作為訓(xùn)練樣本；某些算法計算代價過大，計算成本太高，超出一般計算機的計算能力。

可見，雖然目前有大量關(guān)于眼底圖像分析的研究成果，但是處理速度或者病變區(qū)域定位效果有待提高。

技術(shù)實現(xiàn)要素：

以下是對本文詳細(xì)描述的主題的概述，本概述并非是為了限制權(quán)利要求的保護(hù)范圍。

本發(fā)明實施例提供一種眼底圖像病變檢測方法及裝置，能夠加快眼底圖像的檢測速度，并提高病變區(qū)域定位的精確性。

本發(fā)明實施例提供一種眼底圖像病變檢測方法，包括：預(yù)處理待檢測的眼底圖像；對預(yù)處理后的眼底圖像進(jìn)行視盤定位，確定視盤區(qū)域；對預(yù)處理后的眼底圖像進(jìn)行形態(tài)學(xué)處理，獲取健康背景圖像；根據(jù)所述健康背景圖像以及所述視盤區(qū)域，在預(yù)處理后的眼底圖像中確定滲出區(qū)域。

其中，所述預(yù)處理待檢測的眼底圖像，包括：

將待檢測的眼底圖像轉(zhuǎn)化為色調(diào)-飽和度-明度(hsv)空間，對明度v分量進(jìn)行變換后，轉(zhuǎn)換為紅-綠-藍(lán)(rgb)空間，得到亮度修正圖像，其中，v分量的變換根據(jù)下式進(jìn)行：

其中，xv表示變換前的v分量，x′v表示變換后的v分量；

將所述亮度修正圖像轉(zhuǎn)化為灰度圖像，并通過限制對比度自適應(yīng)直方圖均衡(clahe)處理所述灰度圖像。

其中，所述對預(yù)處理后的眼底圖像進(jìn)行視盤定位，確定視盤區(qū)域，包括：

根據(jù)第一預(yù)設(shè)算子對預(yù)處理后的眼底圖像進(jìn)行均值濾波；

在均值濾波處理后的圖像中，確定灰度值最大的點為視盤定位點；

從所述視盤定位點開始，應(yīng)用區(qū)域生長法，確定視盤區(qū)域。

其中，所述對預(yù)處理后的眼底圖像進(jìn)行形態(tài)學(xué)處理，獲取健康背景圖像，包括：

通過形態(tài)學(xué)閉操作，在預(yù)處理后的眼底圖像中去除血管，得到待處理圖像；

根據(jù)第二預(yù)設(shè)算子計算所述待處理圖像中每個像素點的鄰域的方差，并選取方差大于第一閾值的像素點作為滲出區(qū)域的邊界候選點；

利用得到的邊界候選點，進(jìn)行形態(tài)學(xué)填充和膨脹；

進(jìn)行形態(tài)學(xué)腐蝕和重建，獲取健康背景圖像。

其中，所述根據(jù)所述健康背景圖像以及所述視盤區(qū)域，在預(yù)處理后的眼底圖像中確定滲出區(qū)域，包括：

獲取所述健康背景圖像與預(yù)處理后的眼底圖像的差值圖像，將該差值圖像中像素值大于第二閾值的像素點標(biāo)記為滲出區(qū)域；

根據(jù)所述滲出區(qū)域以及所述視盤區(qū)域的位置，在所述預(yù)處理后的眼底圖像中去除所述滲出區(qū)域與所述視盤區(qū)域的重合部分，在所述預(yù)處理后的眼底圖像中標(biāo)記最終確定的滲出區(qū)域。

可選地，所述方法還包括：

對預(yù)處理后的眼底圖像進(jìn)行閾值分割，確定包括血管和出血區(qū)域的混合區(qū)域，并通過邊緣檢測和閾值分割從所述混合區(qū)域中確定出血區(qū)域。

其中，所述通過邊緣檢測和閾值分割從所述混合區(qū)域中確定出血區(qū)域，包括：

通過kirsch算子進(jìn)行血管邊緣檢測；

通過區(qū)域生長法提取血管；

從所述混合區(qū)域中去除血管，確定出血區(qū)域。

其中，所述通過kirsch算子進(jìn)行血管邊緣檢測，包括：

根據(jù)kirsch算子的八個邊緣提取模板分別對預(yù)處理后的眼底圖像中的每個像素點進(jìn)行卷積求和；

分別對每個像素點得到的八個卷積和取絕對值，將每個絕對值與第三閾值進(jìn)行比較，當(dāng)像素點得到的八個絕對值中存在大于或等于所述第三閾值的絕對值時，將該像素點的灰度值設(shè)置為255，若像素點得到的八個絕對值均小于所述第三閾值時，將該像素點的灰度值設(shè)置為0。

其中，所述通過區(qū)域生長法提取血管，包括：

步驟s1：選取初始血管像素點，并將該初始血管像素點放入隊列，以該初始血管像素點為中心點；

步驟s2：選取該中心點周圍的像素點放入隊列，比較該中心點與其每個周圍像素點之間的差值，將與該中心點的像素值的差值大于第四閾值的周圍像素點標(biāo)記為背景像素點，將與該中心點的像素值的差值小于或等于所述第四閾值的周圍像素點標(biāo)記為血管像素點；

步驟s3：依次從所述隊列中取出像素點作為中心點，進(jìn)行步驟s2的處理，直至預(yù)處理后的眼底圖像中每一個像素點都被標(biāo)記；

步驟s4：根據(jù)標(biāo)記結(jié)果提取血管。

可選地，所述方法還包括：計算滲出區(qū)域和/或出血區(qū)域的面積。

其中，所述計算滲出區(qū)域和/或出血區(qū)域的面積，包括：

計算滲出區(qū)域的像素點數(shù)量與有效圖像區(qū)域的像素點數(shù)量的比值，確定所述滲出區(qū)域的面積；和/或，

計算出血區(qū)域的像素點數(shù)量與有效圖像區(qū)域的像素點數(shù)量的比值，確定所述出血區(qū)域的面積；

其中，所述有效圖像區(qū)域指眼底圖像中物體邊界內(nèi)的區(qū)域。

本發(fā)明實施例還提供一種眼底圖像病變檢測裝置，包括：

預(yù)處理模塊，設(shè)置為：預(yù)處理待檢測的眼底圖像；

視盤定位模塊，設(shè)置為：對預(yù)處理后的眼底圖像進(jìn)行視盤定位，確定視盤區(qū)域；

第一處理模塊，設(shè)置為：對預(yù)處理后的眼底圖像進(jìn)行形態(tài)學(xué)處理，獲取健康背景圖像，并根據(jù)所述健康背景圖像以及所述視盤區(qū)域，在預(yù)處理后的眼底圖像中確定滲出區(qū)域。

可選地，所述裝置還包括：第二處理模塊，設(shè)置為：對預(yù)處理后的眼底圖像進(jìn)行閾值分割，確定包括血管和出血區(qū)域的混合區(qū)域，并通過邊緣檢測和閾值分割從所述混合區(qū)域中確定出血區(qū)域。

可選地，所述裝置還包括：計算模塊，設(shè)置為：計算滲出區(qū)域和/或出血區(qū)域的面積。

此外，本發(fā)明實施例還提供一種計算機可讀存儲介質(zhì)，存儲有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令被執(zhí)行時實現(xiàn)上述眼底圖像病變檢測方法。

在本發(fā)明實施例中，預(yù)處理待檢測的眼底圖像；對預(yù)處理后的眼底圖像進(jìn)行視盤定位，確定視盤區(qū)域；對預(yù)處理后的眼底圖像進(jìn)行形態(tài)學(xué)處理，獲取健康背景圖像；根據(jù)所述健康背景圖像以及所述視盤區(qū)域，在預(yù)處理后的眼底圖像中確定滲出區(qū)域。相較于現(xiàn)有技術(shù)，本發(fā)明實施例提供的方法實現(xiàn)了眼底圖像病變的自動檢測，無需使用熒光劑等對病人有害的物質(zhì)就能較為準(zhǔn)確地定位病變點；提高了適用性，能夠較好地適應(yīng)不同儀器拍攝的亮度、對比度不盡相同的眼底圖像；加快了眼底圖像的檢測速度，并提高了病變區(qū)域定位的精確性。

而且，本發(fā)明實施例還能夠檢測出血區(qū)域，避免了血管對出血檢測的影響，充分利用了病變區(qū)域的形態(tài)學(xué)特征(灰度特征和梯度特征等)，加快了檢測速度，提高了檢測準(zhǔn)確性。

在閱讀并理解了附圖和詳細(xì)描述后，可以明白其他方面。

附圖說明

圖1為本發(fā)明實施例一提供的眼底圖像病變檢測方法的流程圖；

圖2為本發(fā)明實施例二提供的眼底圖像病變檢測方法的流程圖；

圖3為本發(fā)明實施例二中kirsch算子的模板的示意圖；

圖4為本發(fā)明實施例中區(qū)域生長法的流程圖；

圖5為本發(fā)明實施例提供的眼底圖像病變檢測裝置的示意圖。

具體實施方式

以下結(jié)合附圖對本發(fā)明實施例進(jìn)行詳細(xì)說明，應(yīng)當(dāng)理解，以下所說明的實施例僅用于說明和解釋本申請，并不用于限定本申請。

在附圖的流程圖示出的步驟可以在諸如一組計算機可執(zhí)行指令的計算機系統(tǒng)中執(zhí)行。并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。

圖1為本發(fā)明實施例一提供的眼底圖像病變檢測方法的流程圖。如圖1所示，本實施例提供的眼底圖像病變檢測方法包括以下步驟：

步驟101：預(yù)處理待檢測的眼底圖像。

其中，步驟101包括：

將待檢測的眼底圖像轉(zhuǎn)化為色調(diào)-飽和度-明度(hsv，hue，saturation，value)空間，對明度v分量進(jìn)行變換后，轉(zhuǎn)換為紅-綠-藍(lán)(rgb，red，green，blue)空間，得到亮度修正圖像，其中，v分量的變換根據(jù)下式進(jìn)行：

其中，xv表示變換前的v分量，x′v表示變換后的v分量；

將所述亮度修正圖像(即rgb圖像)轉(zhuǎn)化為灰度圖像，并通過限制對比度自適應(yīng)直方圖均衡(clahe，contrastlimitedadaptivehistogramequalization)處理所述灰度圖像。

其中，待檢測的眼底圖像為rgb彩色圖像。于實際應(yīng)用中，待檢測的眼底圖像例如由眼底攝像儀拍攝得到。

具體而言，眼底圖像的預(yù)處理分為以下兩步：第一步進(jìn)行亮度均衡，得到亮度修正后的rgb彩色圖像；第二步進(jìn)行對比度增強處理。在第二步中，利用clahe技術(shù)來擴展圖像的灰度分布范圍，從而改進(jìn)圖像的局部對比度以及獲得更多的圖像細(xì)節(jié)。clahe是一種采用了對比度限幅的對比度增強技術(shù)，在本實施例中，其對比度限定幅值通過將圖像均勻分布為8×8個矩形塊，計算每個塊的直方圖來插值獲取。

步驟102：對預(yù)處理后的眼底圖像進(jìn)行視盤定位，確定視盤區(qū)域。

其中，步驟102包括：

根據(jù)第一預(yù)設(shè)算子對預(yù)處理后的眼底圖像進(jìn)行均值濾波；

在均值濾波處理后的圖像中，確定灰度值最大的點為視盤定位點；

從所述視盤定位點開始，應(yīng)用區(qū)域生長法，確定視盤區(qū)域。

其中，第一預(yù)設(shè)算子例如為31×31的算子。然而，本實施例對此并不限定。于實際應(yīng)用中，第一預(yù)設(shè)算子的取值可以根據(jù)圖像大小確定，其取值范圍例如為25×25、27×27、29×29、31×31、33×33、35×35、37×37。

舉例而言，使用31×31的算子根據(jù)下式進(jìn)行均值濾波：

其中，fi表示中心像素點的周邊像素點的像素值，z表示中心像素點均值濾波后的像素值。

于此，通過均值濾波可以消除背景和病變區(qū)域可能導(dǎo)致的錯誤定位。由于視盤灰度值比背景值高，在濾波后的灰度直方圖中選取最大值作為視盤定位點。利用區(qū)域生長法，從視盤定位點開始，逐步擴張直到視盤邊界，至此，所有視盤區(qū)域被標(biāo)記出。

于此，參照圖4，描述區(qū)域生長法如下：

步驟s11：將視盤定位點(種子點)放入隊列，以該視盤定位點為中心點；

步驟s12：選取該中心點周圍的最多8個像素點放入隊列，比較該中心點與其每個周圍像素點之間的差值，將與該中心點的像素值的差值大于閾值的周圍像素點標(biāo)記為背景像素點(與中心點為不同類)，將與該中心點的像素值的差值小于或等于所述閾值的周圍像素點標(biāo)記為視盤像素點(與中心點為同一類)；

步驟s13：依次從所述隊列中取出像素點作為中心點，進(jìn)行步驟s12的處理，直至預(yù)處理后的眼底圖像中每一個像素點都被標(biāo)記；

步驟s14：根據(jù)標(biāo)記結(jié)果確定視盤區(qū)域。

于本實施例中，通過平滑濾波和區(qū)域生長法定位視盤，確定的視盤區(qū)域后續(xù)用于消除視盤對病變區(qū)域檢測的影響。

步驟103：對預(yù)處理后的眼底圖像進(jìn)行形態(tài)學(xué)處理，獲取健康背景圖像。

其中，步驟103包括：

通過形態(tài)學(xué)閉操作，在預(yù)處理后的眼底圖像中去除血管，得到待處理圖像；

根據(jù)第二預(yù)設(shè)算子計算所述待處理圖像中每個像素點的鄰域的方差，并選取方差大于第一閾值的像素點作為滲出區(qū)域的邊界候選點；

利用得到的邊界候選點，進(jìn)行形態(tài)學(xué)填充和膨脹；

進(jìn)行形態(tài)學(xué)腐蝕和重建，獲取健康背景圖像。

其中，第二預(yù)設(shè)算子例如為11×11的算子。然而，本實施例對此并不限定。于實際應(yīng)用中，第二預(yù)設(shè)算子的取值可以根據(jù)圖像大小確定，其取值范圍例如為5×5、7×7、9×9、11×11、13×13、15×15、17×17。

具體而言，通過形態(tài)學(xué)閉操作，可以消除血管對硬性滲出檢測產(chǎn)生的影響。其中，形態(tài)學(xué)閉操作的具體實現(xiàn)是本領(lǐng)域技術(shù)人員熟知的技術(shù)，故于此不再贅述。之后，通過11×11的算子對圖像中每個像素的鄰域進(jìn)行方差計算，選取方差大于第一閾值的點作為滲出區(qū)域的邊界候選點。

利用上述邊界進(jìn)行形態(tài)學(xué)填充，用公式表達(dá)為：

即，這樣的操作從k＝1開始持續(xù)進(jìn)行直到e^k＝e^k-1為止，其中，e為目標(biāo)操作圖像，b為一個四連通的結(jié)構(gòu)元素，h^c為上述邊界二值圖像的補圖，代表形態(tài)學(xué)操作中的膨脹操作。

通過填充，所有滲出區(qū)域基本被覆蓋，為確保整個滲出區(qū)域均被包含，還需要對其進(jìn)行簡單的形態(tài)學(xué)膨脹操作。

通過反復(fù)的腐蝕、重建操作，將背景灰度逐步填充到滲出區(qū)域內(nèi)，獲取無病變的健康背景圖像。

步驟104：根據(jù)所述健康背景圖像，在待檢測的眼底圖像中確定滲出區(qū)域。

其中，步驟104包括：

獲取所述健康背景圖像與預(yù)處理后的眼底圖像的差值圖像，將該差值圖像中像素值大于第二閾值的像素點標(biāo)記為滲出區(qū)域；

根據(jù)所述滲出區(qū)域以及所述視盤區(qū)域的位置，在所述預(yù)處理后的眼底圖像中去除所述滲出區(qū)域與所述視盤區(qū)域的重合部分，在所述預(yù)處理后的眼底圖像中標(biāo)記最終確定的滲出區(qū)域。

在本實施例中，首先將眼底圖像進(jìn)行預(yù)處理，包括hsv色彩空間亮度修正及基于限制對比度直方圖均衡的對比度增強，增強對不同種類眼底圖像的適應(yīng)性。然后，通過平滑濾波和區(qū)域生長法定位視盤，消除視盤對病變區(qū)域檢測的影響。之后，通過一系列形態(tài)學(xué)處理獲取健康背景圖像，其中，形態(tài)學(xué)處理包括：膨脹操作去除血管、通過梯度算子尋找邊界、形態(tài)學(xué)填充覆蓋滲出區(qū)域、迭代腐蝕操作獲取背景等。如此，避免了分類造成的時間浪費，響應(yīng)時間快且較為準(zhǔn)確。

圖2為本發(fā)明實施例二提供的眼底圖像病變檢測方法的流程圖。如圖2所示，本實施例提供的眼底圖像病變檢測方法包括步驟201～206。

其中，步驟201～204同實施例一中的步驟101～104，故于此不再贅述。下面詳細(xì)描述步驟205及步驟206。

步驟205：對預(yù)處理后的眼底圖像進(jìn)行閾值分割，確定包括血管和出血區(qū)域的混合區(qū)域，并通過邊緣檢測和閾值分割從所述混合區(qū)域中確定出血區(qū)域。

其中，在進(jìn)行出血區(qū)域檢測時，先通過大津(ostu)閾值分割確定血管及出血區(qū)域的灰度值，并對預(yù)處理后的圖像進(jìn)行閾值分割，獲取血管和出血的混合圖像。

其中，所述通過邊緣檢測和閾值分割從所述混合區(qū)域中確定出血區(qū)域，包括：

通過kirsch算子進(jìn)行血管邊緣檢測；

通過區(qū)域生長法提取血管；

從所述混合區(qū)域中去除血管，確定出血區(qū)域。

其中，所述通過kirsch算子進(jìn)行血管邊緣檢測，包括：

根據(jù)kirsch算子的八個邊緣提取模板分別對預(yù)處理后的眼底圖像中的每個像素點進(jìn)行卷積求和；

分別對每個像素點得到的八個卷積和取絕對值，將每個絕對值與第三閾值進(jìn)行比較，當(dāng)像素點得到的八個絕對值中存在大于或等于所述第三閾值的絕對值時，將該像素點的灰度值設(shè)置為255，若像素點得到的八個絕對值均小于所述第三閾值時，將該像素點的灰度值設(shè)置為0。

具體而言，通過kirsch算子對血管邊緣進(jìn)行標(biāo)記，其識別原理如下：

首先，設(shè)置八個3×3模板(如圖3所示)，八個模板分別按0、45、90、135、180、225、270和315角度以(x，y)點為中心，將3×3的區(qū)域分成兩個部分，按照這八個模板分別對圖像中的每一像素點進(jìn)行卷積求和操作。圖3中的八個模板的取值是根據(jù)r.kirsch的能檢測邊緣方向的kirsch算子。kirsch算子采用8個模板對圖像上的每一個像素點進(jìn)行卷積求導(dǎo)數(shù)，這8個模板代表8個方向，對圖像上的8個特定邊緣方向作出最大響應(yīng)，運算(與3×3像素加權(quán)之和，就是對應(yīng)位置相乘后求和)中取最大值作為圖像的邊緣輸出。

然后，對圖像中每一像素點求的八個結(jié)果求絕對值，取其中的最大值輸出并與第三閾值比較，如果其大于或等于第三閾值，則該模板的中心點所對應(yīng)的像素點的灰度值為255，否則為0。

于本實施例中，參照圖4，所述通過區(qū)域生長法提取血管，包括：

步驟s1：選取初始血管像素點(種子點)，并將該初始血管像素點放入隊列，以該初始血管像素點為中心點；其中，所述初始血管像素點例如由人工設(shè)定，然而，本實施例對此并不限定；

步驟s2：選取該中心點周圍的像素點放入隊列，比較該中心點與其每個周圍像素點之間的差值，將與該中心點的像素值的差值大于第四閾值的周圍像素點標(biāo)記為背景像素點(與中心點為不同類)，將與該中心點的像素值的差值小于或等于所述第四閾值的周圍像素點標(biāo)記為血管像素點(與中心點為同一類)；

步驟s3：依次從所述隊列中取出像素點作為中心點，進(jìn)行步驟s2的處理，直至預(yù)處理后的眼底圖像中每一個像素點都被標(biāo)記；

步驟s4：根據(jù)標(biāo)記結(jié)果提取血管。

具體而言，區(qū)域生長是一個迭代的過程，每個種子像素點都迭代生長。初始時選取一個種子點(初始血管像素點)，進(jìn)入隊列，以該種子點為中心點，選取中心點周圍最多8個像素點，入隊，檢查中心點周圍最多8個像素點，與中心點的差異大于第四閾值的像素點標(biāo)記為與中心點不同的一類，與中心點的差異小于或等于第四閾值的像素點標(biāo)記為與中心點相同的一類。之后重復(fù)從隊列中取出像素點作為中心點，重復(fù)上述檢查過程，直至處理過圖像中的每一個像素點。眼底圖像中血管的寬度一般很小，在已檢測出邊緣的血管圖像中使用區(qū)域生長法，使像素點從血管的邊界逐漸生長；多次使用區(qū)域生長法，使血管位置的所有像素點都被標(biāo)記到，因此，提取出眼底圖像中的血管。

將提取出的血管從混合區(qū)域中剔除，從而得到最后的出血區(qū)域檢測結(jié)果。對于二值圖像，其噪聲主要表現(xiàn)為目標(biāo)周圍的噪聲塊，通過形態(tài)學(xué)閉操作可以消除與結(jié)構(gòu)元素相比尺寸較小的暗細(xì)節(jié)(噪聲塊)，而保持圖像整體灰度值和大的暗區(qū)域基本不變，從而檢測出出血區(qū)域。

步驟206：計算滲出區(qū)域和/或出血區(qū)域的面積。

其中，步驟206包括：

計算滲出區(qū)域的像素點數(shù)量與有效圖像區(qū)域的像素點數(shù)量的比值，確定所述滲出區(qū)域的面積；和/或，

計算出血區(qū)域的像素點數(shù)量與有效圖像區(qū)域的像素點數(shù)量的比值，確定所述出血區(qū)域的面積；

其中，所述有效圖像區(qū)域指眼底圖像中物體邊界內(nèi)的區(qū)域。

具體而言，在步驟206，可以基于步驟204確定的滲出區(qū)域，計算滲出區(qū)域的面積；或者，可以基于步驟205確定的出血區(qū)域，計算出血區(qū)域的面積；或者，基于步驟204確定的滲出區(qū)域，計算滲出區(qū)域的面積，并且，基于步驟205確定的出血區(qū)域，計算出血區(qū)域的面積。

在本實施例中，通過閾值分割獲取血管與出血區(qū)域，通過kirsch算子進(jìn)行邊緣檢測并通過區(qū)域生長獲取血管區(qū)域，將血管從混合區(qū)域中剔除后即得到出血區(qū)域。如此，避免了灰度相近的血管在其它出血檢測算法中可能帶來的干擾，也同時加快了檢測速度。

在本實施例中，滲出檢測算法利用了圖像的梯度信息，而出血檢測算法利用了圖像的灰度信息和病變特有的與血管灰度相近的特點。兩者不約而同地都直接采用形態(tài)學(xué)手段進(jìn)行特征提取，免去了分類等復(fù)雜的方法，既提高了運算實時性，又不失準(zhǔn)確度。

需要說明的是，實施例一及實施例二中提及的各個閾值均為經(jīng)驗值，可以為根據(jù)實際實驗測試得出的最佳值。本發(fā)明實施例對此并不限定。

于本實施例中，部分閾值可以采取與圖像最大灰度的比值形式給出，普適性更強，對于大部分圖像(不同亮度、灰度等)并不需要改變閾值的大小。

圖5為本發(fā)明實施例提供的眼底圖像病變檢測裝置的示意圖。如圖5所示，本實施例提供的眼底圖像病變檢測裝置包括：

預(yù)處理模塊，設(shè)置為：預(yù)處理待檢測的眼底圖像；

視盤定位模塊，設(shè)置為：對預(yù)處理后的眼底圖像進(jìn)行視盤定位，確定視盤區(qū)域；

第一處理模塊，設(shè)置為：對預(yù)處理后的眼底圖像進(jìn)行形態(tài)學(xué)處理，獲取健康背景圖像，并根據(jù)所述健康背景圖像以及所述視盤區(qū)域，在預(yù)處理后的眼底圖像中確定滲出區(qū)域。

可選地，上述裝置還包括：第二處理模塊，設(shè)置為：對預(yù)處理后的眼底圖像進(jìn)行閾值分割，確定包括血管和出血區(qū)域的混合區(qū)域，并通過邊緣檢測和閾值分割從所述混合區(qū)域中確定出血區(qū)域。

可選地，上述裝置還包括：計算模塊，設(shè)置為：計算滲出區(qū)域和/或出血區(qū)域的面積。

此外，所述裝置的具體處理流程同上述方法所述，故于此不再贅述。

此外，本發(fā)明實施例還提供一種終端，包括：顯示器以及處理器，所述處理器設(shè)置為：預(yù)處理待檢測的眼底圖像；對預(yù)處理后的眼底圖像進(jìn)行視盤定位，確定視盤區(qū)域；對預(yù)處理后的眼底圖像進(jìn)行形態(tài)學(xué)處理，獲取健康背景圖像，并根據(jù)所述健康背景圖像以及所述視盤區(qū)域，在預(yù)處理后的眼底圖像中確定滲出區(qū)域；所述顯示器設(shè)置為：顯示待檢測的眼底圖像和/或標(biāo)識滲出區(qū)域的眼底圖像。

可選地，所述處理器還設(shè)置為：對預(yù)處理后的眼底圖像進(jìn)行閾值分割，確定包括血管和出血區(qū)域的混合區(qū)域，并通過邊緣檢測和閾值分割從所述混合區(qū)域中確定出血區(qū)域。所述顯示器還設(shè)置為：顯示標(biāo)識出血區(qū)域的眼底圖像。

可選地，所述處理器還設(shè)置為：計算滲出區(qū)域和/或出血區(qū)域的面積。

綜上所述，本實施例提供的方案實現(xiàn)了眼底圖像病變的自動檢測，無需使用熒光劑等對病人有害的物質(zhì)就能較為準(zhǔn)確地定位病變點，并計算區(qū)域面積，為醫(yī)生的臨床診斷提供便捷和量化的診斷依據(jù)；本實施例提供的方案適應(yīng)性較佳，對于不同儀器拍攝的亮度、對比度不盡相同的眼底圖像能夠做到較好地適應(yīng)，僅需調(diào)整一至兩個參數(shù)即可做到準(zhǔn)確檢測；本實施例提供的方案加快了眼底圖像的檢測速度，提高了病變區(qū)域定位的精確性。

此外，本發(fā)明實施例還提供一種計算機可讀存儲介質(zhì)，存儲有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令被執(zhí)行時實現(xiàn)上述眼底圖像病變檢測方法。

本領(lǐng)域普通技術(shù)人員可以理解上述方法中的全部或部分步驟可通過程序來指令相關(guān)硬件(例如處理器)完成，所述程序可以存儲于計算機可讀存儲介質(zhì)中，如只讀存儲器、磁盤或光盤等?？蛇x地，上述實施例的全部或部分步驟也可以使用一個或多個集成電路來實現(xiàn)。相應(yīng)地，上述實施例中的各模塊/單元可以采用硬件的形式實現(xiàn)，例如通過集成電路來實現(xiàn)其相應(yīng)功能，也可以采用軟件功能模塊的形式實現(xiàn)，例如通過處理器執(zhí)行存儲于存儲器中的程序/指令來實現(xiàn)其相應(yīng)功能。本申請不限制于任何特定形式的硬件和軟件的結(jié)合。

以上顯示和描述了本申請的基本原理和主要特征和本申請的優(yōu)點。本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本申請的原理，在不脫離本申請精神和范圍的前提下，本申請還會有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本申請范圍內(nèi)。