基于深度学习和Gabor滤波器的睑板腺区域提取方法与流程

本发明涉及图像处理技术领域，具体涉及一种基于深度学习和gabor滤波器的睑板腺区域提取方法。

背景技术：

睑板腺功能障碍(meibomianglandsdysfunction，mgd)，可引起睑缘炎，蒸发过强型干眼症等多种眼科疾病，因此，研究睑板腺形态学参数，包括睑板腺的数量、睑板腺的平均长度、腺体的弯曲程度等，对于临床诊断具有非常重要的意义。

申请公布号为cn106530294a(申请号为201610974639.9)的中国发明专利申请公开了一种对睑板腺图像进行处理以获得腺体的信息的方法，包括以下步骤：获取睑板腺图像，手动勾画出睑板腺图像中腺体的区域和睑板腺的区域；通过图像convolution-highlightdetail算子增强腺体的轮廓，区分腺体和眼睑；通过图像threshold算子调整参数值，提取出腺体；通过morphology算子进一步区分腺体，使每一条腺体都能清楚地分割，计算中央腺体的面积；手动勾画中央腺体的长度，自动计算腺体的平均长度，从而获得腺体的信息。采用该方法能够对睑板腺图片进行量化分析，准确计算缺失百分比，中央腺体均值等信息。

技术实现要素：

本发明提出了一种基于深度学习和gabor滤波器的睑板腺区域提取方法，能够精确区分每一条睑板腺体，并且可以计算出睑板腺形态学参数。

一种基于深度学习和gabor滤波器的睑板腺区域提取方法，包括以下步骤：

1)拍摄获取多幅睑板腺图像，使用标记工具，将多幅睑板腺图像标记出只包含睑板腺的区域作为训练数据集，使用深度学习中的maskr-cnn算法，训练出用于分割的数据模型；

2)将需要提取的睑板腺图像输入到步骤1)得到的用于分割的数据模型中，得到只包含睑板腺区域的图像；

3)对步骤2)得到的只包含睑板腺区域的图像使用数字图像处理方法，获取每根睑板腺的图像分割。

本发明方法能够精确区分每一条睑板腺体，并且可以给出单个以及平均的睑板腺体长度、面积、中央腺体均值等量化指标，可以计算出睑板腺形态学参数，既可以方便医生对腺体形态进行观察，又可以为临床诊断结果提供量化数据依据。

步骤1)中，拍摄的多幅睑板腺图像为原始睑板腺图像，包含有睑板腺、部分眼球以及部分眼部皮肤，使用标记工具，将多幅睑板腺图像人工标记出只包含睑板腺的区域，获得只包含睑板腺的区域的像素坐标，存储为json格式，作为训练参数输入的一部分，使用睑板腺图像和标记的像素坐标，作为mask-rcnn(即maskr-cnn)算法的训练输入，训练完成后，获得用于分割的数据模型；

所述的睑板腺图像包括上睑板图像和/或下睑板图像。使用专用相机拍摄获取睑板腺图像，包括上睑板图像和下睑板图像，使用标记工具，将多幅睑板腺图像标记出只包含睑板腺的区域作为训练数据集，使用深度学习中的mask-rcnn算法，训练出用于分割的数据模型。

步骤2)中，使用用于分割的数据模型，对实际应用场景的输入睑板腺图像，分割出睑板腺图像中只包含睑板腺区域；

步骤3)中，对只包含睑板腺区域的图像使用数字图像处理方法，获取每根睑板腺的图像分割，具体包括：

a)对只包含睑板腺区域的图像做gabor滤波，对图像做gabor滤波，因为gabor小波变换对于图像的边缘敏感，可以提供很好的方向选择和尺度选择，同时对于光照变化不敏感，可以很好的适应光照变化，因睑板腺拍摄的照片会存在或多或少的反光现象，所以需要忽略光照的影响，gabor滤波用于增强睑板腺腺体图像的边缘；

b)对gabor滤波后的图像使用高斯方法，做自适应阈值处理，通过计算每个像素周围nxn大小像素块的加权，使用高斯方法，则像素点周围的像素的权值，是根据其到中心点的距离通过高斯方程得到；

c)对高斯方法处理后的图像做双边滤波处理，由于使用高斯方法的自适应滤波，会使得处理后的睑板腺图像，出现很多点状噪声，所以，对结果图像做双边滤波处理，使得图像变的平滑，同时可以很好的保存图像的边缘细节，以便后面的进一步处理；

d)对双边滤波处理后的图像使用平均方法，做自适应阈值处理，通过计算每个像素周围nxn大小像素块的加权，使用均值方法，则像素点周围的像素的权值，是根据像素点到中心点的距离通过加权平均得到；

e)对使用平均方法处理后的图像做中值滤波处理，去掉点状噪声，使得图像变的平滑，获取每根睑板腺的图像分割。

本发明中，对只含有睑板腺区域的图像，使用gabor滤波器增强睑板腺体边缘，经过使用高斯自适应阈值处理，分离睑板腺体和背景，再经过双边滤波处理和平均自适应阈值处理以及中值滤波处理，分割出每一个睑板腺体。

与现有技术相比，本发明具有如下优点：

本发明不需要人工查看筛选睑板腺图像中的腺体数量、腺体长度等信息，只需输入睑板腺图像，由计算机自动获取相关信息。本发明方法能够精确区分每一条睑板腺体，并且可以给出单个以及平均的睑板腺体长度、面积、中央腺体均值等量化指标，可以计算出睑板腺形态学参数，既可以方便医生对腺体形态进行观察，又可以为临床诊断结果提供量化数据依据。

附图说明

图1所示为本发明中基于深度学习和gabor滤波器的睑板腺区域提取方法的流程示意图；

图2为本发明实施例中举例的使用的实际睑板腺原始图像；

图3为本发明实施例中举例的使用标记工具获取只包含睑板腺区域的标记图；

图4为本发明实施例中举例的使用深度学习算法获取只包含睑板腺区域的结果图；

图5为本发明中使用数字图像处理方法获取每根睑板腺的图像分割的流程示意图；

图6为本发明中使用高斯自适应阈值方法处理图像的结果图；

图7为本发明中使用双边滤波处理图像的结果图；

图8为本发明中使用平均自适应阈值处理图像的结果图；

图9为本发明中使用中值滤波处理图像的结果图；

图10为本发明中使用上述数字图像处理方法处理后的结果对比图。

具体实施方式

下文中将参考附图并结合实例来详细说明本发明。

本发明提供了一种睑板腺提取方法，图1是使用深度学习获取睑板腺区域的流程图，该流程包含以下步骤：

步骤1-1、使用专用相机拍摄获取睑板腺图像，包括上睑板图像和下睑板图像，该拍摄的睑板腺图像为原始睑板腺图像，包含有睑板腺、部分眼球以及部分眼部皮肤，如图2所示图像为上睑板图像，使用标记工具，人工标记只包含睑板腺体的区域，如图3所示标记效果图，获得图像区域(即只包含睑板腺体的区域)的像素坐标，存储为json格式，作为训练参数输入的一部分；

步骤1-2、使用睑板腺图像和标记的像素坐标，作为mask-rcnn(即maskr-cnn)算法的训练输入，训练完成后，获得数据模型；

步骤1-3、使用步骤1-2获得的数据模型，对任意输入所需要提取分析的睑板腺图像，输出只包含睑板腺区域的图像，如图4所示；

步骤1-4、将步骤1-3得到的只包含睑板腺区域的图像使用数字图像处理方法，获取每根睑板腺的图像分割。

如图5所示，使用数字图像处理方法处理获取每根睑板腺，具体包含以下步骤：

步骤2-1、对只包含睑板腺区域的图像做gabor滤波，因为gabor小波变换对于图像的边缘敏感，可以提供很好的方向选择和尺度选择，同时对于光照变化不敏感，可以很好的适应光照变化，因睑板腺拍摄的照片会存在或多或少的反光现象，所以需要忽略光照的影响，gabor滤波用于增强睑板腺腺体图像的边缘；

步骤2-2、使用高斯方法，做自适应阈值处理，通过计算每个像素周围nxn大小像素块的加权，使用高斯方法，则像素点周围的像素的权值，是根据其到中心点的距离通过高斯方程得到，如图6所示；

步骤2-3、由于使用高斯方法的自适应滤波，会使得处理后的睑板腺图像，出现很多点状噪声，所以，对结果图像做双边滤波处理，使得图像变的平滑，同时可以很好的保存图像的边缘细节，以便后面的进一步处理，如图7所示；

步骤2-4、使用平均方法，做自适应阈值处理，通过计算每个像素周围nxn大小像素块的加权，使用均值方法，则像素点周围的像素的权值，是根据其到中心点的距离通过加权平均得到，如图8所示；

步骤2-5、对图像做中值滤波处理，去掉点状噪声，使得图像变的平滑，获取最终分割图像，如图9所示。分割图像区分每一条睑板腺体，并且可以给出单个以及平均的睑板腺体长度、面积、中央腺体均值等量化指标，可以计算出睑板腺形态学参数，既可以方便医生对腺体形态进行观察，又可以为临床诊断结果提供量化数据依据，如图10所示。