一种视网膜图像的智能分割方法及装置

本发明涉及图像分割，尤其涉及一种视网膜图像的智能分割方法及装置。

背景技术：

1、当眼睛中的视网膜发生病变时，通过观察拍摄的视网膜图像中关键组织结构的状态能检测出眼科疾病，例如，医生通过视网膜图像中毛细血管的形状、分叉等结构特征，能够诊断出糖尿病视网膜病变、青光眼、高血压等疾病，因此对视网膜图像进行有效分割，以此分析关键组织结构的形态属性对眼科疾病的临床诊断具有重要的应用价值。

2、为眼科患者拍摄视网膜图像时，往往通过点光源提供光照，并通过影像设备中的相机传感器进行拍摄获取，但是这种拍摄方式容易导致视网膜图像光照亮度不均匀、关键组织结构与无关组织背景对比度较小，加大关键组织结构被检测出发生病变的难度。另外，视网膜图像的组织结构错综复杂，往往通过人工方式进行图像分割，但由于人工分割存在不确定性，容易导致花费时间过久、分割不精确。

3、如何构建合适的智能分割方式，从而提高对视网膜图像的分割准确度是急需解决的技术问题。

技术实现思路

1、本发明提供一种视网膜图像的智能分割方法及装置，其主要目的在于构建图像分割特征，从而提高对视网膜图像的分割准确度。

2、为实现上述目的，本发明提供的一种视网膜图像的智能分割方法，包括：

3、接收视网膜图像的智能分割指令，根据所述智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型；

4、获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像；

5、构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像；

6、提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取；

7、设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，提取后对所述视网膜图像执行划分，完成基于视网膜图像的智能分割。

8、可选地，所述获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，包括：

9、确定图像降噪模型，其中，图像降噪模型包括像素划分仪与图像取色器；

10、利用所述像素划分仪将视网膜图像执行划分，得到i×j个视网膜像素；

11、利用所述图像取色器获取每个视网膜像素的rgb通道数值，其中，rgb通道数值由红色通道值、绿色通道值及蓝色通道值组成；

12、将所述rgb通道数值转换为灰色度数值，根据所述灰色度数值得到视网膜图像的灰色阶级图；

13、获取灰色阶级图的图像数据集，利用预设数据均衡化算法对所述图像数据集执行数据处理得到降噪数据集，并根据所述降噪数据集绘制已降噪图像。

14、可选地，所述将所述rgb通道数值转换为灰色度数值，根据所述灰色度数值得到视网膜图像的灰色阶级图，包括：

15、根据所述rgb通道数值，利用下式计算得到灰色度数值：

16、gray＝0.299r+0.587g+0.114b

17、其中，gray表示灰色度数值，r表示红色通道值，g表示绿色通道值，b表示蓝色通道值；

18、根据所述灰色度数值，通过matlab软件工具将所述灰色度数值执行数据可视化，得到视网膜图像的灰色阶级图。

19、可选地，所述利用预设数据均衡化算法对所述图像数据集执行数据处理得到降噪数据集，包括：

20、确定所述图像数据集，其中，图像数据集由i×j个图像数据值组成；

21、设定所述图像数据集的图像临界值，并判断每个所述图像数据值与图像临界值的大小关系；

22、根据所述大小关系，对每个图像数据值执行预设数据均衡化算法的数据处理，当成功处理后组合得到降噪数据集。

23、可选地，所述根据所述大小关系，对每个图像数据值执行预设数据均衡化算法的数据处理，当成功处理后组合得到降噪数据集，包括：

24、将所述图像临界值标记为将所有大于图像临界值的图像数据值依次标记为p1、p2、...、pa，其中，a表示大于图像临界值的图像数据值的个数，并依次计算与其中，

25、将所有不大于图像临界值的图像数据值依次标记为q1、q2、...、qb，其中，b表示不大于图像临界值的图像数据值的个数，且a+b＝i×j；

26、将所有大于图像临界值的图像数据值都依次转换为将所有不大于图像临界值的图像数据值依次转换为得到算法处理后的i×j个重新数据值，并将所述重新数据值集合得到降噪数据集。

27、可选地，所述构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像，包括：

28、确定已降噪图像，并对所述降噪数据集的每个重新数据值执行归一化处理，得到待校数据值：

29、根据输出影像设备参数获取设备伽马值，其中输出影像设备参数表示医院影像科为患者进行影像检查的影像机器设备参数；

30、将所述设备伽马值的倒数作为指数对应值，对所述待校数据值进行指数运算，得到指数运算值；

31、对所述指数运算值执行反归一化处理得到校正后数值，并将所述校正后数值执行数据可视化，完成已降噪图像到高质量图像的转换。

32、可选地，所述对所述降噪数据集的每个重新数据值执行归一化处理，得到待校数据值，包括：

33、利用下式计算得到待校数据值：

34、

35、其中，表示待校数据值，ω表示重新数据值。

36、可选地，所述提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取，包括：

37、确定高质量图像，其中，高质量图像由i′×j′个高质量像素组成；

38、测定所述高质量像素的像素灰度值，根据所述像素灰度值计算得到所有高质量像素的平均灰度值与高质量图像每一列像素的列均灰度值；

39、比较所述平均灰度值与列均灰度值的大小关系，并对所述列均灰度值执行筛选；

40、将不小于平均灰度值的列均灰度值所属的高质量像素划分为图像建议区域，完成提取高质量图像的图像建议区域。

41、可选地，所述设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，包括：

42、确定图像建议区域的区域像素点，并利用特征提取模型计算得到每个所述区域像素点的梯度大小值和梯度方向值，其中，特征提取模型包含一阶偏导的有限差分算法；

43、对所述区域像素点划分得到靠边像素点与居中像素点，其中，靠边像素点表示该区域像素点的邻域像素点少于8个，居中像素点表示该区域像素点的邻域像素点等于8个；

44、根据每个所述居中像素点的梯度方向值，确定每个所述居中像素点各沿正、负梯度方向最相邻的两个像素点；

45、对每个所述居中像素点与两个像素点的梯度大小值进行依次比较，若该居中像素点的梯度大小值不小于两个像素点的梯度大小值中的最小值，则将该居中像素点标记为最终边缘点，否则，标记为背景像素点；

46、设定特征边缘阈值，其中，特征边缘阈值由特征边缘高值与特征边缘低值组成；

47、将所述梯度大小值在特征边缘高值与特征边缘低值之间的靠边像素点标记为最终边缘点，将所述梯度大小值不小于特征边缘高值的靠边像素点标记为强边像素点，将所述梯度大小值不大于特征边缘低值的靠边像素点标记为弱边像素点；

48、判断所述弱边像素点的所有邻域像素点中是否存在强边像素点，将所有邻域像素点中存在强边像素点的弱边像素点标记为最终边缘点，否则，标记为背景像素点；

49、将所有标记的最终边缘点与强边像素点选定为分割边缘点，并根据所述分割边缘点，通过特征提取模型对图像建议区域进行特征精细提取。

50、为实现上述目的，本发明还提供一种视网膜图像的智能分割装置，包括：

51、分割指令接收模块，用于接收视网膜图像的智能分割指令，根据所述智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型；

52、视网膜图像处理模块，用于获取视网膜图像，利用所述图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，构建图像校正模型，并根据所述图像校正模型对已降噪图像进行校正处理，得到高质量图像；

53、特征粗略提取模块，用于提取所述高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取；

54、图像精细分割模块，用于设定特征边缘阈值，并根据所述特征边缘阈值，利用所述特征提取模型对图像建议区域进行特征精细提取，提取后对所述视网膜图像执行划分，完成基于视网膜图像的智能分割。

55、为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

56、存储器，存储至少一个指令；及

57、处理器，执行所述存储器中存储的指令以实现上述所述的视网膜图像的智能分割方法。

58、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的视网膜图像的智能分割方法。

59、本发明先接收视网膜图像的智能分割指令，根据智能分割指令启动图像分割系统，其中，图像分割系统内嵌有图像降噪模型、图像校正模型及特征提取模型，进一步地，获取视网膜图像，利用图像降噪模型对视网膜图像执行降噪处理，得到已降噪图像，相比原始的视网膜图像，已降噪图像的噪声度大幅降低，关键组织结构与无关组织背景的对比度得到有效提高，更清楚地表现出视网膜中纹理细节、组织边缘等信息，有助于后续的图像分割，进一步地，构建图像校正模型，并根据图像校正模型对已降噪图像进行校正处理，得到高质量图像，可见本发明实施例的图像处理是基于人类视觉特性进行补偿，使人类对处理后图像的视觉感知更加明显，进一步地，提取高质量图像的图像建议区域，其中，图像建议区域是对高质量图像的特征粗略提取，设定特征边缘阈值，并根据特征边缘阈值，利用特征提取模型对图像建议区域进行特征精细提取，可见本发明实施例通过设定图像分割特征进行两次筛选，得出真正的图像边缘点，不仅抑制无关背景的出现，同时提高了图像分割的准确度，进一步地，提取后对视网膜图像执行划分，完成基于视网膜图像的智能分割，因此本发明提出的视网膜图像的智能分割方法、电子设备及计算机可读存储介质，其目的是构建图像分割特征，从而提高对视网膜图像的分割准确度。