眼底亮病灶区域识别装置

技术领域

本发明涉及眼底视网膜图像分割方法，更具体地说是指眼底亮病灶区域识别装置。

背景技术

视网膜图像上亮病变区域主要指硬性渗出、软性渗出和玻璃膜疣等病灶。它们具有比视网膜背景像素更高的亮度值。硬性渗出和软性渗出一般见于视网膜血管性疾病，例如DR（糖尿病视网膜病变，Diabetic Retinopathy）。玻璃膜疣是一种发生在脉络膜视网膜的一种变性疾病，多见于AMD（老年黄斑变性，Age-related Macular Degeneration）。DR和AMD都是常见的致盲眼病，其早期检测和诊断显得尤为重要。

视网膜的硬性渗出往往呈现不规则和复杂的形状结构，其形状和大小都没有固定的模式特征。软性渗出和玻璃膜疣都是圆形的病灶。硬性渗出和玻璃膜疣在颜色上具有相似性。此外，数字眼底相机通过视网膜表面的光反射捕捉视网膜图像。但是，许多视网膜图像会受到非均匀照明等因素的影响，使得图像表现出低对比度、亮度不均和带有噪声。这将严重影响病灶的分割与识别。因此，硬性渗出、软性渗出和玻璃膜疣的准确分割与识别仍是一项艰巨挑战，视网膜图像增强算法的研究一直以来都是该领域的一个活跃课题，一般的方法，如直方图均衡化对视网膜图像已不再适用，并不能区分不同病灶类型。

因此，有必要设计一种新的方式，实现分割视网膜图像中的硬性渗出、软性渗出和玻璃膜疣等病灶区域，可区分不同病灶类型。

发明内容

本发明的目的在于克服现有技术的缺陷，提供眼底亮病灶区域识别装置。

为实现上述目的，本发明采用以下技术方案：眼底亮病灶区域识别装置，包括：

图像获取单元，用于获取视网膜图像；

分解单元，用于对所述视网膜图像进行二层小波分解，计算所述小波分解的强度图像；

合并单元，用于对第一层和第二层的强度图像进行阈值分割以及合并，以得到合并结果；

去噪单元，用于对所述合并结果去除噪声，以得到待分类区域；

识别单元，用于将所述待分类区域进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果；

输出单元，用于输出所述识别结果。

其进一步技术方案为：所述合并单元，用于对第一层和第二层的强度图像进行Otsu阈值分割以及合并，以得到合并结果。

其进一步技术方案为：所述去噪单元，用于对所述合并结果采用数学形态学中的开运算去除噪声，以得到待分类区域。

其进一步技术方案为：所述识别单元包括提取子单元以及分类子单元；

其中，提取子单元，用于对所述待分类区域进行特征提取，以得到提取结果；分类子单元，用于将所述提取结果输入至分类模型内进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果。

其进一步技术方案为：所述分类模型是通过带有不同病灶类型的特征标签的图像作为样本集训练朴素贝叶斯分类器所得的。

其进一步技术方案为：所述提取子单元，用于提取所述待分类区域的平均饱和度、区域面积、离心率与紧致性、平均梯度幅值，以得到提取结果。

其进一步技术方案为：所述分类子单元包括第一确定模块、第二确定模块以及第三确定模块；

其中，第一确定模块，用于将所述提取结果输入至所述分类模型内，统计所述提取结果在硬性渗出、软性渗出和玻璃膜疣类别下的条件概率，以得到条件概率值；第二确定模块，用于根据所述条件概率值利用朴素贝叶斯分类器确定所述待分类区域的条件概率；第三确定模块，用于根据所述待分类区域的条件概率确定识别结果。

本发明与现有技术相比的有益效果是：本发明通过对获取的视网膜图像采用二层小波分解进行图像增强，对强度图像进行阈值分割和合并，并去除噪声，以检测亮病变区域，再对亮病变区域进行特征提取后，根据特征进行分类，有效地提取待分类区域，并根据手动设计的图像特征，对其进行分类，达到区分不同病灶类型的目的，实现分割视网膜图像中的硬性渗出、软性渗出和玻璃膜疣等病灶区域，可区分不同的病灶类型。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例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为本发明实施例提供的眼底亮病灶区域识别方法的应用场景示意图；

图2为本发明实施例提供的眼底亮病灶区域识别方法的流程示意图；

图3为本发明实施例提供的眼底亮病灶区域识别方法的子流程示意图；

图4为本发明实施例提供的眼底亮病灶区域识别方法的子流程示意图；

图5为本发明实施例提供的二层小波分解示意图；

图6为本发明实施例提供的哈尔小波二层分解后得到的细节图像的示意图；

图7为本发明实施例提供的第一层小波分解的强度图像的示意图；

图8为本发明实施例提供的第二层小波分解的强度图像的示意图；

图9为本发明实施例提供的第一层小波分割的阈值分割结果的示意图；

图10为本发明实施例提供的第二层小波分割的阈值分割结果的示意图；

图11为本发明实施例提供的第一层和第二层的逻辑或运算的示意图；

图12为本发明实施例提供的眼底亮病灶区域识别装置的示意性框图；

图13为本发明实施例提供的计算机设备的示意性框图。

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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的眼底亮病灶区域识别方法的应用场景示意图。图2为本发明实施例提供的眼底亮病灶区域识别方法的示意性流程图。该眼底亮病灶区域识别方法应用于服务器中。该服务器与相机以及终端进行数据交互，通过获取由相机拍摄的视网膜图像，采用小波分解技术进行分割，且采用设计的特征作为输入，利用朴素贝叶斯分类器进行病灶分类，实现有效地提取待分类区域，并根据手动设计的图像特征，对其进行分类，达到区分不同病灶类型的目的。

图2是本发明实施例提供的眼底亮病灶区域识别方法的流程示意图。如图2所示，该方法包括以下步骤S110至S160。

S110、获取视网膜图像。

在本实施例中，视网膜图像是指由相机拍摄眼睛视网膜所形成的图像。

S120、对所述视网膜图像进行二层小波分解，计算所述小波分解的强度图像。

在本实施例中，强度图像是指利用二层小波分解视网膜图像所形成的两层图像增强的图像。

在所有正交性小波转换中哈尔小波转换是最简单的一种转换。小波变换可以很好地检测从非病变区域到病变区域的亮度骤变。

在本实施例中，采用如图5所示的二层小波分解技术对视网膜图像进行二层小波分解。得到的分解结果如图6所示。对于每一层小波分解，计算该小波分解的强度图像，不考虑其方向。若用

S130、对第一层和第二层的强度图像进行阈值分割以及合并，以得到合并结果。

在本实施例中，对第一层和第二层的强度图像进行Otsu阈值分割以及合并，以得到合并结果。

具体地，合并主要是逻辑或运算；该步骤处理的结果如图9至图11所示。

S140、对所述合并结果去除噪声，以得到待分类区域；

在本实施例中，待分类区域是指带有亮病变区域的分割图像。

具体地，对所述合并结果采用数学形态学中的开运算去除噪声，以得到待分类区域。

优选的，采用数学形态学中的开运算去除所述合并结果中面积较小的噪声，得到亮病变区域的分割图像。

对分割图像进行连通域分析，可以得到多个待分类的区域，它们可能是硬性渗出、软性渗出或者玻璃膜疣。

S150、将所述待分类区域进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果。

在本实施例中，识别结果是指该待分类区域属于硬性渗出、软性渗出和玻璃膜疣病灶中的哪一种。

在一实施例中，请参阅图3，上述的步骤S150可包括步骤S151~S152。

S151、对所述待分类区域进行特征提取，以得到提取结果。

在本实施例中，提取结果是指平均饱和度

具体地，提取所述待分类区域的平均饱和度、区域面积、离心率与紧致性、平均梯度幅值，以得到提取结果。

平均饱和度的定义是每个待分类区域内的所有像素点的饱和度均值。饱和度可以根据颜色差异区分不同类型的病变区域，可以从HSV颜色空间的S通道提取。

区域面积的定义是每个待分类区域内的像素点总数。

离心率和紧致性共同决定病灶的形状特征，紧致性可以描述一个区域的形状特征。其计算公式为区域边界长度的平方与该区域面积的商值，在Euclidean空间坐标系中，圆是最紧致的，离心率可以定义圆的程度，例如，圆形的离心率为0，抛物线的离心率为1，离心率的定义为

边界像素的梯度幅值可以表示边界的强弱。平均梯度幅值的计算公式为

S152、将所述提取结果输入至所述分类模型内进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果。

具体地，所述分类模型是通过带有不同病灶类型的特征标签的图像作为样本集训练朴素贝叶斯分类器所得的。

在一实施例中，请参阅图4，上述的步骤S152可包括步骤S1521~S1523。

S1521、将所述提取结果输入至所述分类模型内，统计所述提取结果在硬性渗出、软性渗出和玻璃膜疣类别下的条件概率，以得到条件概率值。

在本实施例中，条件概率值是指所述提取结果在硬性渗出、软性渗出和玻璃膜疣类别下的条件概率。

具体地，统计这4个特征属性在硬性渗出、软性渗出和玻璃膜疣这三个类别下的条件概率，即

S1522、根据所述条件概率值利用朴素贝叶斯分类器确定所述待分类区域的条件概率。

具体地，计算待分类项

S1523、根据所述待分类区域的条件概率确定识别结果。

如果满足条件

综上所述，将分类特征输入朴素贝叶斯分类器，训练一个用于硬性渗出、软性渗出和玻璃膜疣的分类模型。

朴素贝叶斯分类器的分类步骤如下：

准备工作阶段：

确定特征属性。设

获取训练样本。将在获取的待分类区域构成一个待分类区域的集合

划分病灶类别。类别集合

分类器训练阶段：

计算特征属性的条件概率。统计这4个特征属性在硬性渗出、软性渗出和玻璃膜疣这三个类别下的条件概率，即

计算每个待分类项的条件概率。计算待分类项

分类器应用阶段：

如果满足条件

在视网膜病灶分割领域，对于眼底视网膜图像中的硬性渗出、软性渗出和玻璃膜疣，其在颜色、大小、形状和边界等特征上具有显著差别，手动设计的图像特征适用于这些病灶的分类。

S160、输出所述识别结果。

本实施例的方法分割视网膜图像中的硬性渗出、软性渗出和玻璃膜疣等病灶区域，用于眼科临床的疾病筛查和诊断。

上述的眼底亮病灶区域识别方法，通过对获取的视网膜图像采用二层小波分解进行图像增强，对强度图像进行阈值分割和合并，并去除噪声，以检测亮病变区域，再对亮病变区域进行特征提取后，根据特征进行分类，有效地提取待分类区域，并根据手动设计的图像特征，对其进行分类，达到区分不同病灶类型的目的，实现分割视网膜图像中的硬性渗出、软性渗出和玻璃膜疣等病灶区域，可区分不同病灶类型。

图12是本发明实施例提供的一种眼底亮病灶区域识别装置300的示意性框图。如图12所示，对应于以上眼底亮病灶区域识别方法，本发明还提供一种眼底亮病灶区域识别装置300。该眼底亮病灶区域识别装置300包括用于执行上述眼底亮病灶区域识别方法的单元，该装置可以被配置于服务器中。具体地，请参阅图12，该眼底亮病灶区域识别装置300包括图像获取单元301、分解单元302、合并单元303、去噪单元304、识别单元305以及输出单元306。

图像获取单元301，用于获取视网膜图像；分解单元302，用于对所述视网膜图像进行二层小波分解，计算所述小波分解的强度图像；合并单元303，用于对第一层和第二层的强度图像进行阈值分割以及合并，以得到合并结果；去噪单元304，用于对所述合并结果去除噪声，以得到待分类区域；识别单元305，用于将所述待分类区域进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果；输出单元306，用于输出所述识别结果。

在一实施例中，所述合并单元303，用于对第一层和第二层的强度图像进行Otsu阈值分割以及合并，以得到合并结果。

在一实施例中，所述去噪单元304，用于对所述合并结果采用数学形态学中的开运算去除噪声，以得到待分类区域。

在一实施例中，所述识别单元305包括提取子单元以及分类子单元。

提取子单元，用于对所述待分类区域进行特征提取，以得到提取结果；分类子单元，用于将所述提取结果输入至所述分类模型内进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果。

在一实施例中，所述提取子单元，用于提取所述待分类区域的平均饱和度、区域面积、离心率与紧致性、平均梯度幅值，以得到提取结果。

在一实施例中，所述分类子单元包括第一确定模块、第二确定模块以及第三确定模块。

第一确定模块，用于将所述提取结果输入至所述分类模型内，统计所述提取结果在硬性渗出、软性渗出和玻璃膜疣类别下的条件概率，以得到条件概率值；第二确定模块，用于根据所述条件概率值利用朴素贝叶斯分类器确定所述待分类区域的条件概率；第三确定模块，用于根据所述待分类区域的条件概率确定识别结果。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述眼底亮病灶区域识别装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述眼底亮病灶区域识别装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图13所示的计算机设备上运行。

请参阅图13，图13是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图13，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种眼底亮病灶区域识别方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种眼底亮病灶区域识别方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：

获取视网膜图像；对所述视网膜图像进行二层小波分解，计算所述小波分解的强度图像；对第一层和第二层的强度图像进行阈值分割以及合并，以得到合并结果；对所述合并结果去除噪声，以得到待分类区域；将所述待分类区域进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果；输出所述识别结果。

在一实施例中，处理器502在实现所述对第一层和第二层的强度图像进行阈值分割以及合并，以得到合并结果步骤时，具体实现如下步骤：

对第一层和第二层的强度图像进行Otsu阈值分割以及合并，以得到合并结果。

在一实施例中，处理器502在实现所述对所述合并结果去除噪声，以得到待分类区域步骤时，具体实现如下步骤：

对所述合并结果采用数学形态学中的开运算去除噪声，以得到待分类区域。

在一实施例中，处理器502在实现所述将所述待分类区域进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果步骤时，具体实现如下步骤：

对所述待分类区域进行特征提取，以得到提取结果；将所述提取结果输入至所述分类模型内进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果。

其中，所述分类模型是通过带有不同病灶类型的特征标签的图像作为样本集训练朴素贝叶斯分类器所得的。

在一实施例中，处理器502在实现所述对所述待分类区域进行特征提取，以得到提取结果步骤时，具体实现如下步骤：

提取所述待分类区域的平均饱和度、区域面积、离心率与紧致性、平均梯度幅值，以得到提取结果。

在一实施例中，处理器502在实现所述将所述提取结果输入至所述分类模型内进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果步骤时，具体实现如下步骤：

将所述提取结果输入至所述分类模型内，统计所述提取结果在硬性渗出、软性渗出和玻璃膜疣类别下的条件概率，以得到条件概率值；根据所述条件概率值利用朴素贝叶斯分类器确定所述待分类区域的条件概率；根据所述待分类区域的条件概率确定识别结果。

应当理解，在本申请实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：

获取视网膜图像；对所述视网膜图像进行二层小波分解，计算所述小波分解的强度图像；对第一层和第二层的强度图像进行阈值分割以及合并，以得到合并结果；对所述合并结果去除噪声，以得到待分类区域；将所述待分类区域进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果；输出所述识别结果。

在一实施例中，所述处理器在执行所述计算机程序而实现所述对第一层和第二层的强度图像进行阈值分割以及合并，以得到合并结果步骤时，具体实现如下步骤：

对第一层和第二层的强度图像进行Otsu阈值分割以及合并，以得到合并结果。

在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述合并结果去除噪声，以得到待分类区域步骤时，具体实现如下步骤：

对所述合并结果采用数学形态学中的开运算去除噪声，以得到待分类区域。

在一实施例中，所述处理器在执行所述计算机程序而实现所述将所述待分类区域进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果步骤时，具体实现如下步骤：

对所述待分类区域进行特征提取，以得到提取结果；将所述提取结果输入至所述分类模型内进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果。

其中，所述分类模型是通过带有不同病灶类型的特征标签的图像作为样本集训练朴素贝叶斯分类器所得的。

在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述待分类区域进行特征提取，以得到提取结果步骤时，具体实现如下步骤：

提取所述待分类区域的平均饱和度、区域面积、离心率与紧致性、平均梯度幅值，以得到提取结果。

在一实施例中，所述处理器在执行所述计算机程序而实现所述将所述提取结果输入至所述分类模型内进行硬性渗出、软性渗出和玻璃膜疣病灶的分类识别，以得到识别结果步骤时，具体实现如下步骤：

将所述提取结果输入至所述分类模型内，统计所述提取结果在硬性渗出、软性渗出和玻璃膜疣类别下的条件概率，以得到条件概率值；根据所述条件概率值利用朴素贝叶斯分类器确定所述待分类区域的条件概率；根据所述待分类区域的条件概率确定识别结果。

所述存储介质可以是U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，终端，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。