眼底图像处理方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种眼底图像处理方法、装置、电子设备及存储介质，眼底图像处理方法包括：获取眼底图像对应的初始特征矩阵，并基于所述初始特征矩阵，得到横向和纵向的两个特征向量；所述两个特征向量分别输入至两个残差收缩模块，得到两个池化向量以及两个激活向量；其中，所述残差收缩模块包括全局平均池化层和第一激活层；基于所述两个激活向量以及所述两个池化向量，得到两个卷积通道阈值，并基于所述两个卷积通道阈值以及所述两个特征向量，得到两个新特征矩阵；基于所述两个新特征矩阵以及所述初始特征矩阵，得到除噪后的眼底图像。本发明专利技术提供的眼底图像处理方法、装置、电子设备及存储介质，可以实现去除眼底图像中的噪声的功能。功能。功能。

【技术实现步骤摘要】
眼底图像处理方法、装置、电子设备及存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种眼底图像处理方法、装置、电子设备及存储介质。

技术介绍

[0002]眼底数据在采集的时候，因为曝光程度以及使用仪器时的操作差异，还有仪器设备本身的功能，导致眼底图像在色彩，明暗程度上会有较大差异，在这种情况下，眼底图像的背景上的再出现肉眼难以分辨的RGB数值差异(噪声)，对深度学习模型来说是一个很大的挑战，所以我们要去除这些眼底图像的噪声。目前，缺乏能够去除眼底图像噪声的技术手段。

技术实现思路

[0003]本专利技术提供一种眼底图像处理方法、装置、电子设备及存储介质，用以解决现有技术中眼底图像存在难以肉眼难以分辨的噪声的缺陷，实现去除眼底图像中的噪声的功能。
[0004]本专利技术提供一种眼底图像处理方法，包括：
[0005]获取眼底图像对应的初始特征矩阵，并基于所述初始特征矩阵，得到横向和纵向的两个特征向量；
[0006]所述两个特征向量分别输入至两个残差收缩模块，得到两个池化向量以及两个激活向量；其中，所述残差收缩模块包括全局平均池化层和第一激活层；
[0007]基于所述两个激活向量以及所述两个池化向量，得到两个卷积通道阈值，并基于所述两个卷积通道阈值以及所述两个特征向量，得到两个新特征矩阵；
[0008]基于所述两个新特征矩阵以及所述初始特征矩阵，得到除噪后的眼底图像。
[0009]根据本专利技术提供的眼底图像处理方法，所述基于所述两个激活向量以及所述两个池化向量，得到两个卷积通道阈值，并基于所述两个卷积通道阈值以及所述两个特征向量，得到两个新特征矩阵，包括：
[0010]将第一激活向量进行与第一池化向量进行向量乘积运算，得到第一卷积通道阈值；
[0011]将第二激活向量进行与第二池化向量进行向量乘积运算，得到第二卷积通道阈值；
[0012]基于所述第一卷积通道阈值、所述第二卷积通道阈值，以及所述两个特征向量，得到两个新特征矩阵。
[0013]根据本专利技术提供的眼底图像处理方法，所述基于所述第一卷积通道阈值、所述第二卷积通道阈值，以及所述两个特征向量，得到两个新特征矩阵，包括：
[0014]基于所述第一卷积通道阈值，对第一特征向量进行软阈值化运算，得到第一新特征矩阵；
[0015]基于所述第二卷积通道阈值，对第二特征向量进行软阈值化运算，得到第二新特
征矩阵。
[0016]根据本专利技术提供的眼底图像处理方法，所述基于所述两个新特征矩阵以及所述初始特征矩阵，得到除噪后的眼底图像，包括：
[0017]将所述两个新特征矩阵进行汇聚，得到汇聚矩阵；
[0018]将所述初始特征矩阵，与所述汇聚矩阵进行跳跃连接，得到除噪后的眼底图像。
[0019]根据本专利技术提供的眼底图像处理方法，所述获取眼底图像对应的初始特征矩阵，并基于所述初始特征矩阵，得到横向和纵向的两个特征向量，包括：
[0020]获取眼底图像对应的初始特征矩阵，并将所述初始特征矩阵输入至第一卷积层，对所述初始特征矩阵进行正则化处理、激活处理以及卷积处理，得到第一中间特征矩阵；
[0021]将所述第一中间特征矩阵输入至第二卷积层，对所述第一中间特征矩阵进行正则化处理、激活处理以及卷积处理，得到第二中间特征矩阵；
[0022]将所述第二中间特征矩阵进行横向展开和纵向展开，得到两个特征向量。
[0023]根据本专利技术提供的眼底图像处理方法，所述残差收缩模块还包括设置在所述全局平均池化层与所述第一激活层之间的第一全连接层、正则化层、第二激活层和第二全连接层。
[0024]本专利技术还提供一种眼底图像处理装置，包括：
[0025]获取模块，用于获取眼底图像对应的初始特征矩阵，并基于所述初始特征矩阵，得到横向和纵向的两个特征向量；
[0026]第一处理模块，用于所述两个特征向量分别输入至两个残差收缩模块，得到两个池化向量以及两个激活向量；其中，所述残差收缩模块包括全局平均池化层和第一激活层；
[0027]第二处理模块，用于基于所述两个激活向量以及所述两个池化向量，得到两个卷积通道阈值，并基于所述两个卷积通道阈值以及所述两个特征向量，得到两个新特征矩阵；
[0028]第三处理模块，用于基于所述两个新特征矩阵以及所述初始特征矩阵，得到除噪后的眼底图像。
[0029]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述眼底图像处理方法的步骤。
[0030]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述眼底图像处理方法的步骤。
[0031]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述眼底图像处理方法的步骤。
[0032]本专利技术提供的眼底图像处理方法、装置、电子设备及存储介质，通过
[0033]将眼底图像对应的两个特征向量经过全局平均池化处理和激活处理后，得到池化向量和激活向量，再通过池化向量和激活向量自适应的确定对应的卷积通道阈值，也即是自动学习出一个适应当前流程且合理的卷积通道阈值，不需要人工手动定义卷积通道阈值。
[0034]由于通道人眼无法准确观测到眼底图像的噪声位置，因此手动定义的卷积通道阈值不准确，本专利技术通过自适应确定的卷积通道阈值将特征向量，恢复成新特征矩阵，最后再结合初始特征矩阵，去除眼底图像的噪声的效果更好。而且，本专利技术中将初始特征矩阵还要
展开为横向和纵向的两个特征向量，将两个特征向量分开处理除噪，最后再组合，提升了眼底图像的除噪效果。
[0035]因此，本专利技术提供的眼底图像处理方法，可以解决现有技术中眼底图像存在难以肉眼难以分辨的噪声的缺陷，实现去除眼底图像中的噪声的功能。
附图说明
[0036]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0037]图1是本专利技术提供的眼底图像处理方法的流程示意图之一；
[0038]图2是本专利技术提供的眼底图像处理方法的流程示意图之二；
[0039]图3是本专利技术提供的眼底图像处理装置的结构示意图；
[0040]图4是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0041]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种眼底图像处理方法，其特征在于，包括：获取眼底图像对应的初始特征矩阵，并基于所述初始特征矩阵，得到横向和纵向的两个特征向量；所述两个特征向量分别输入至两个残差收缩模块，得到两个池化向量以及两个激活向量；其中，所述残差收缩模块包括全局平均池化层和第一激活层；基于所述两个激活向量以及所述两个池化向量，得到两个卷积通道阈值，并基于所述两个卷积通道阈值以及所述两个特征向量，得到两个新特征矩阵；基于所述两个新特征矩阵以及所述初始特征矩阵，得到除噪后的眼底图像。2.根据权利要求1所述的眼底图像处理方法，其特征在于，所述基于所述两个激活向量以及所述两个池化向量，得到两个卷积通道阈值，并基于所述两个卷积通道阈值以及所述两个特征向量，得到两个新特征矩阵，包括：将第一激活向量进行与第一池化向量进行向量乘积运算，得到第一卷积通道阈值；将第二激活向量进行与第二池化向量进行向量乘积运算，得到第二卷积通道阈值；基于所述第一卷积通道阈值、所述第二卷积通道阈值，以及所述两个特征向量，得到两个新特征矩阵。3.根据权利要求2所述的眼底图像处理方法，其特征在于，所述基于所述第一卷积通道阈值、所述第二卷积通道阈值，以及所述两个特征向量，得到两个新特征矩阵，包括：基于所述第一卷积通道阈值，对第一特征向量进行软阈值化运算，得到第一新特征矩阵；基于所述第二卷积通道阈值，对第二特征向量进行软阈值化运算，得到第二新特征矩阵。4.根据权利要求1所述的眼底图像处理方法，其特征在于，所述基于所述两个新特征矩阵以及所述初始特征矩阵，得到除噪后的眼底图像，包括：将所述两个新特征矩阵进行汇聚，得到汇聚矩阵；将所述初始特征矩阵，与所述汇聚矩阵进行跳跃连接，得到除噪后的眼底图像。5.根据权利要求1所述的眼底图像处理方法，其特征在于，所述获取眼底图像对应的初始特征矩阵，并基于所述初始特征矩阵，得到横向和纵向的两个特...

【专利技术属性】
技术研发人员：李建强，彭浩然，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：