眼底图像处理方法及系统与流程

本申请涉及医学图像处理，尤其涉及一种眼底图像处理方法及系统。

背景技术：

1、眼底视网膜图像是用来帮助诊断眼部疾病，视网膜是人体中唯一可通过无创方式直接观测到血管和神经的部位。通过视网膜图像，可以判断患者是否患有眼疾，乃至全身性疾病的情况。清晰的视网膜图像可以将眼底结构清晰地展示出来，医生可以通过观察视网膜、视神经、血管等部位的形态、颜色、纹理等特征，判断病变的部位、程度和性质，从而进行精准诊断和治疗。

2、眼底视网膜图像的清晰化已经涉及多种方法，例如：图像增强、滤波、去噪、超分辨率、深度学习等。图像增强可通过对比度调整、直方图均衡化等方法突显细节。滤波技术如高通滤波可增强边缘，中值滤波和小波变换用于去噪。超分辨率技术可从低分辨率图像恢复细节。深度学习利用深度神经网络进行图像增强和超分辨率恢复。除此之外，还有物理模型和自适应方法来使眼底视网膜图像的更清晰化，物理模型利用光学成像原理，自适应方法根据图像特性调整处理。还可以根据图像特点、噪声水平和应用需求，常结合多种方法以达到清晰化目标。

3、但上述方法仍存在低纹理、高噪声的问题，并且上述方法运行时间较长，无法实现实时去噪。

技术实现思路

1、本申请提供一种眼底图像处理方法及系统，以解决利用图像增强、滤波、去噪、超分辨率、深度学习等方法使眼底视网膜图像清晰化仍存在低纹理、高噪声，并且运行时间较长，无法实现实时去噪的问题。

2、本申请第一方面提供一种眼底图像处理方法，包括：

3、获取彩色眼底图像的亮部信息以及暗部信息，以得到亮部图像以及暗部图像；

4、利用所述亮部图像减去所述暗部图像，再与所述彩色眼底图像的像素相加，得到第一处理图像；

5、对所述第一处理图像执行模糊处理；

6、在所述第一处理图像中获取高频信息；

7、利用所述高频信息对模糊处理后的所述第一处理图像执行高频信息增强，以得到第二处理图像；

8、利用目标检测和图像分割网络模型对所述第二处理图像去噪，以得到清晰眼底图像，所述目标检测和图像分割网络模型是根据眼底样本图像训练获得的深度学习模型。

9、可选的，所述方法还包括：

10、对所述彩色眼底图像执行灰色变换，以获得灰度眼底图像；

11、将所述彩色眼底图像减去所述灰度眼底图像的开运算，得到亮部图像；

12、将所述灰度眼底图像的闭运算减去所述彩色眼底图像，得到暗部图像。

13、可选的，利用所述高频信息计算模糊处理后的所述第一处理图像，以得到第二处理图像，包括：

14、利用下式计算所述高频信息增强后的图像：

15、；

16、其中，为彩色眼底图像，为模糊处理后的所述第一处理图像，为大于0且小于15的整数；

17、所述高频信息增强后的图像包括低频增强区域和高频区域；

18、利用所述低频增强区域的像素值与所述高频区域的像素值对应，以得到第二处理图像。

19、可选的，在所述第一处理图像中获取高频信息，还包括：

20、利用低通滤波器对所述第一处理图像执行滤波处理，以得到低频分量图像；

21、利用所述第一处理图像减去所述低频分量图像，以得到高频分量图像；

22、将所述高频分量图像与所述第一处理图像叠加，以得到锐化图像；

23、从所述锐化图像中提取高频信息。

24、可选的，利用目标检测和图像分割网络模型对所述第二处理图像去噪，以得到清晰眼底图像，包括：

25、将所述第二处理图像输入至目标检测和图像分割网络模型中；

26、利用卷积层提取所述第二处理图像的低级特征，以得到低级特征图；

27、使所述低级特征图经过n层递归残差组运算后得到深层特征；

28、将所述深层特征经过卷积层，输出残差图；

29、将所述残差图与所述第二处理图像叠加，得到清晰眼底图像。

30、可选的，每个所述卷积层包括多个滤波器，所述滤波器用于检测所述第二处理图像中不同的低级特征；所述方法还包括：

31、在所述第二处理图像上滑动所述滤波器；

32、将滤波器与所述第二处理图像区域相乘，并求和，以得到低级特征图。

33、可选的，所述方法还包括：

34、利用多尺度残差块对所述低级特征图执行下采样，以提取不同尺度的特征信息；

35、根据不同尺度的所述特征信息，得到下采样后的特征图。

36、可选的，所述方法还包括：

37、将不同尺度的所述特征信息根据预设条件分类，以将同一类的所述特征信息融合。

38、本申请第二方面提供一种眼底图像处理系统，用于执行第一方面所述的眼底图像处理方法，所述系统包括：获取模块、计算模块、增强模块、去噪模块，其中，所述获取模块用于获取彩色眼底图像的亮部信息以及暗部信息，以得到亮部图像以及暗部图像；

39、所述获取模块还用于在所述第一处理图像中获取高频信息；

40、所述计算模块用于利用所述亮部图像减去所述暗部图像，再与所述彩色眼底图像的像素相加，得到第一处理图像；

41、所述增强模块用于对所述第一处理图像执行模糊处理；以及用于利用所述高频信息对模糊处理后的所述第一处理图像执行高频信息增强，以得到第二处理图像；

42、所述去噪模块用于利用目标检测和图像分割网络模型对所述第二处理图像去噪，以得到清晰眼底图像，所述目标检测和图像分割网络模型是根据眼底样本图像训练获得的深度学习模型。

43、由以上技术方案可知，本申请提供一种眼底图像处理方法及系统，所述方法包括：首先获取彩色眼底图像的亮部信息以及暗部信息，以得到亮部图像以及暗部图像；再利用所述亮部图像减去所述暗部图像，再与所述彩色眼底图像的像素相加，得到第一处理图像；对所述第一处理图像执行模糊处理；在所述第一处理图像中获取高频信息；然后利用所述高频信息对模糊处理后的所述第一处理图像执行高频信息增强，以得到第二处理图像；最后利用目标检测和图像分割网络模型对所述第二处理图像去噪，以得到清晰眼底图像，所述目标检测和图像分割网络模型是根据眼底样本图像训练获得的深度学习模型，以解决利用图像增强、滤波、去噪、超分辨率、深度学习等方法使眼底视网膜图像清晰化仍存在低纹理、高噪声，并且无法实时去噪的问题。

技术特征：

1.一种眼底图像处理方法，其特征在于，包括：

2.根据权利要求1所述的眼底图像处理方法，其特征在于，所述方法还包括：

3.根据权利要求1所述的眼底图像处理方法，其特征在于，利用所述高频信息计算模糊处理后的所述第一处理图像，以得到第二处理图像，包括：

4.根据权利要求1所述的眼底图像处理方法，其特征在于，在所述第一处理图像中获取高频信息，还包括：

5.根据权利要求1所述的眼底图像处理方法，其特征在于，利用目标检测和图像分割网络模型对所述第二处理图像去噪，以得到清晰眼底图像，包括：

6.根据权利要求5所述的眼底图像处理方法，其特征在于，每个所述卷积层包括多个滤波器，所述滤波器用于检测所述第二处理图像中不同的低级特征；所述方法还包括：

7.根据权利要求6所述的眼底图像处理方法，其特征在于，所述方法还包括：

8.根据权利要求7所述的眼底图像处理方法，其特征在于，所述方法还包括：

9.一种眼底图像处理系统，其特征在于，用于执行权利要求1-8任一项所述的眼底图像处理方法，所述系统包括：获取模块、计算模块、增强模块、去噪模块，其中，所述获取模块用于获取彩色眼底图像的亮部信息以及暗部信息，以得到亮部图像以及暗部图像；

技术总结
本申请涉及医学图像处理技术领域；本申请提供一种眼底图像处理方法及系统，所述方法包括：首先获取彩色眼底图像的亮部信息以及暗部信息，以得到亮部图像以及暗部图像；再利用亮部图像减去暗部图像，再与彩色眼底图像的像素相加，得到第一处理图像；对第一处理图像执行模糊处理；在第一处理图像中获取高频信息；然后利用高频信息对模糊处理后的第一处理图像执行高频信息增强，以得到第二处理图像；最后利用目标检测和图像分割网络模型对第二处理图像去噪，以得到清晰眼底图像，目标检测和图像分割网络模型是根据眼底样本图像训练获得的深度学习模型，以解决利用其他图像处理方法使眼底图像清晰化存在低纹理、高噪声，并且无法实时去噪的问题。

技术研发人员：刘春燕,赵振栋,唐旭,姜冲
受保护的技术使用者：江苏富翰医疗产业发展有限公司
技术研发日：
技术公布日：2024/1/15