一种基于神经网络学习的核性白内障图像处理方法技术

一种基于神经网络学习的核性白内障图像处理方法，属于计算机机器学习技术领域。为解决不同采集环境下图像规格不统一、图片质量不一致的干扰的问题。本发明专利技术在裂隙灯设备下得到核性白内障图像，对其进行动态二值化预处理；根据得到的二值化图像，在图像中定位晶状体位置；基于LOCSIII标准图，对核性图像的特征基准点进行定位；判断待检图像中与基准点颜色的相似程度，作为核性图像的特征值；将待检测图像的特征值组，以及对应的人工检测结果，训练神经网络模型，通过神经网络模型的计算，得到白内障图像的处理结果。本发明专利技术避免了不同白内障采集设备、不同采集环境下图像规格不统一、图片质量不一致的干扰，得到了较高的准确率。得到了较高的准确率。得到了较高的准确率。

【技术实现步骤摘要】
一种基于神经网络学习的核性白内障图像处理方法


[0001]本专利技术属于计算机机器学习
，具体涉及一种基于神经网络学习的核性白内障图像处理方法。

技术介绍

[0002]白内障是视力受损的主要原因，也是导致失明的严重眼疾之一。白内障筛查的主要目的是防盲工作，筛选出需要进行手术的白内障患者接受手术治疗；对于不需要手术治疗的轻度白内障患者，也可检查其眼底有无其他疾病，避免至白内障严重眼底看不清时盲目手术导致术后效果不佳。白内障检查耗时、昂贵，在低收入和中等收入国家和地区，由于健康投资较低，给白内障防盲工作的大范围普及带来了困难，导致白内障致盲率更高。构建白内障自动分类器对于降低白内障筛查的工作成本和在健康投资较低区域普及白内障筛查工作具有重要的实际意义，因此，基于医学影像的人工智能辅助白内障判断技术越来越受到研究人员的关注。
[0003]人工智能技术在辅助白内障判断中可对晶状体结构进行定位分析，在白内障分级上的判断能力达到专业医生的水平。对于白内障的治疗，其在手术方案选择、医师培训方面可提供客观参考，增加了手术安全性。同时AI技术也可实现白内障在人群中的筛查，为远程医疗奠定基础。该领域存在基于白内障的识别和分级研究，利用深度学习方法自动提取眼底白内障特征，构建白内障自动分类器，并可视化分析神经网络中间层特征的逐层变换过程。方法基于临床眼底图像，从输入数据的原始表示直接学习有用的特征，对比分析自动提取的特征与预定义特征的性能表现。白内障病症是通过核浑浊、核颜色、皮质、后囊下四种属性的分级来综合诊断和识别分类白内障病变程度，在白内障诊断领域研究当中，无论中国还是其他发达国家，从医学专业领域(从晶状体核的各个属性)来具体分析考量白内障综合识别的人工智能的相关研究还比较贫瘠。

技术实现思路

[0004]本专利技术要解决的问题是避免了不同白内障采集设备、不同采集环境下图像规格不统一、图片质量不一致的干扰，提高图像识别的准确率的一种基于神经网络学习的核性白内障图像处理方法。
[0005]为实现上述目的，本专利技术通过以下技术方案实现：
[0006]一种基于神经网络学习的核性白内障图像处理方法，包括如下步骤：
[0007]步骤1、在裂隙灯设备下得到核性白内障图像，进行多次连续的腐蚀膨胀操作得到灰度图像，然后对灰度图像进行动态二值化预处理，得到二值化之后的核性图像；
[0008]步骤2、将步骤1得到的二值化之后的核性图像，在图像中定位晶状体位置：首先通过二值化图像求轮廓的方法，得到图像中的最大轮廓，求轮廓的水平外接矩形，然后使用基于膨胀椭圆遍历的晶状体定位方法，通过遍历算法确认精确的晶状体位置，得到晶状体内切椭圆的坐标及公式，确定晶状体区域；
[0009]步骤3、根据步骤2确定的晶状体区域，基于LOCSIII标准图，对二值化之后的核性图像的特征基准点进行定位：在LOCSIII标准图中，首先确定各级图像的晶状体定位区域，在该区域内寻找像素重复颜色最多的像素点，获取其颜色RGB三元式，得到核性图像的特征基准点RGB值；
[0010]步骤4、根据步骤3获得的基准点RGB值，判断待检图像中与基准点颜色的相似程度，采用统计模糊区间比例的方式，作为核性图像的特征值，检查待检测图像相应区域内，颜色在以基准点为中心的区间之内的像素点数量，并求出其在待检测区域内的占比，作为待检测图像的核性图像特征值组；
[0011]步骤5、将步骤4得到的检测图像的核性图像特征值组以及对应的人工检测结果，按比例分成机器学习所需要的训练集和测试集，初始化神经网络模型，使用训练集来确定网络模型的结构和权重，使用测试集来核准模型的识别效果，最终，输入待检测白内障图像的图像特征值组，通过神经网络模型的计算，得到白内障图像的处理结果。
[0012]进一步的，步骤1中进行多次连续的腐蚀膨胀操作后，图像上的判定标准是灰度图像中的轮廓数量应当只有一个。
[0013]进一步的，步骤1中将进行多次腐蚀膨胀的灰度图像二值化，确定动态阈值，在灰度图像的每个点上，灰度值大于阈值的设为1，小于阈值的设为0，动态阈值的计算公式如下：
[0014]基本阈值T1为：
[0015][0016]其中图像的大小为m
×
n，X
i,j
为图像上第i行第j列的像素值；
[0017]以坐标(i,j)为中心，长为2k，宽为2k的矩形区域，是坐标(i,j)的k邻域，设X
p,q
为该邻域内的任意一点，则k邻域的偏移阈值T
k
为：
[0018][0019]其中k是大于1小于Min{m,n}的奇数，且所有越界的像素点其灰度值被设定为T1；
[0020]最终，动态阈值T为：
[0021][0022]其中k是奇数。
[0023]进一步的，步骤2中晶状体区域定位的具体步骤如下：
[0024]步骤2.1、根据二值化图像，采用OpenCV自带的轮廓提取功能，找到图像中的轮廓，遍历组成轮廓的所有像素点，获得其在水平坐标系中的位置区域，得到轮廓的水平外接矩形，所述轮廓的水平外接矩形中包含晶状体图像；
[0025]步骤2.2、在所述轮廓的水平外接矩形中，使用基于膨胀椭圆遍历的晶状体定位方法，以从小到大的顺序遍历任意位置的任意大小的椭圆，当这个椭圆内部所有像素点都是
白色的，则认为这个椭圆是合法的，在所有合法的椭圆中，找到一个最大的椭圆，则这个最大的椭圆E就是晶状体的拟合椭圆，得到这个椭圆E在水平坐标系内的坐标位置和公式，椭圆E的表达方式是用其外接矩形的左上角的坐标(x，y)、外接矩形的宽和高。
[0026]进一步的，步骤3中确定核性图像的特征基准点RGB值的具体步骤如下：在步骤2确定晶状体区域的基础上，遍历该区域内的所有像素点，获取所有像素点的三元组RGB值，统计具有不同RGB值的像素点的数量，选择各分级中像素重复颜色最多的像素点，并计算低三级和高三级白内障图片中重复颜色最多的RGB颜色的均值，得到核性图像的特征基准点RGB值。
[0027]进一步的，计算核性图像特征的基准点的RGB值的公式为：
[0028]低三级白内障图片中重复颜色最多的RGB颜色的均值为：
[0029]RGB
low
＝Avg(Max(RGB1),Max(RGB2),Max(RGB3))
[0030]高三级白内障图片中重复颜色最多的RGB颜色的均值为：
[0031]RGB
high
＝Avg(Max(RGB4),Max(RGB5),Max(RGB6))
[0032]其中Max(list)是指在list各项中选择数量最大的，Avg(list)是指求list各项的平均值，list是函数参数，根据以上公式，得到的RGB三元式，为核性图像的特征基准点，通常有两个基准点，分别为RGB
low
和RGB
high
。
[0033]进一步的，步骤4中提取图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络学习的核性白内障图像处理方法，其特征在于：包括如下步骤：步骤1、在裂隙灯设备下得到核性白内障图像，进行多次连续的腐蚀膨胀操作得到灰度图像，然后对灰度图像进行动态二值化预处理，得到二值化之后的核性图像；步骤2、将步骤1得到的二值化之后的核性图像，在图像中定位晶状体位置：首先通过二值化图像求轮廓的方法，得到图像中的最大轮廓，求轮廓的水平外接矩形，然后使用基于膨胀椭圆遍历的晶状体定位方法，通过遍历算法确认精确的晶状体位置，得到晶状体内切椭圆的坐标及公式，确定晶状体区域；步骤3、根据步骤2确定的晶状体区域，基于LOCSIII标准图，对二值化之后的核性图像的特征基准点进行定位：在LOCSIII标准图中，首先确定各级图像的晶状体定位区域，在该区域内寻找像素重复颜色最多的像素点，获取其颜色RGB三元式，得到核性图像的特征基准点RGB值；步骤4、根据步骤3获得的基准点RGB值，判断待检图像中与基准点颜色的相似程度，采用统计模糊区间比例的方式，作为核性图像的特征值，检查待检测图像相应区域内，颜色在以基准点为中心的区间之内的像素点数量，并求出其在待检测区域内的占比，作为待检测图像的核性图像特征值组；步骤5、将步骤4得到的检测图像的核性图像特征值组以及对应的人工检测结果，按比例分成机器学习所需要的训练集和测试集，初始化神经网络模型，使用训练集来确定网络模型的结构和权重，使用测试集来核准模型的识别效果，最终，输入待检测白内障图像的图像特征值组，通过神经网络模型的计算，得到白内障图像的处理结果。2.根据权利要求1所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：步骤1中进行多次连续的腐蚀膨胀操作后，图像上的判定标准是灰度图像中的轮廓数量应当只有一个。3.根据权利要求2所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：步骤1中将进行多次腐蚀膨胀的灰度图像二值化，确定动态阈值，在灰度图像的每个点上，灰度值大于阈值的设为1，小于阈值的设为0，动态阈值的计算公式如下：基本阈值T1为：其中图像的大小为m
×
n，X
i,j
为图像上第i行第j列的像素值；以坐标(i,j)为中心，长为2k，宽为2k的矩形区域，是坐标(i,j)的k邻域，设X
p,q
为该邻域内的任意一点，则k邻域的偏移阈值T
k
为：其中k是大于1小于Min{m,n}的奇数，且所有越界的像素点其灰度值被设定为T1；最终，动态阈值T为：
其中k是奇数。4.根据权利要求1所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：步骤2中晶状体区域定位的具体步骤如下：步骤2.1、根据二值化图像，采用OpenCV自带的轮廓提取功能，找到图像中的轮廓，遍历组成轮廓的所有像素点，获得其在水平坐标系中的位置区域，得到轮廓的水平外接矩形，所述轮廓的水平外接矩形中包含晶状体图像；步骤2.2、在所述轮廓的水平外接矩形中，使用基于膨胀椭圆遍历的晶状体定位方法，以从小到大的顺序遍历任意位置的任意大小的椭圆，当这个椭圆内部所有像素点都是白色的，则认为这个椭圆是合法的，在所有合法的椭圆中，找到一个最大的椭圆，则这个最大的椭圆E就是晶状体的拟合椭圆，得到这个椭圆E在水平坐标系内的坐标位置和公式，椭圆E的表达方式是用其外接矩形的左上角的坐标(x，y)、外接矩形的宽和高。5.根据权利要求1所述的一种基于神经网络学习的核性白内障图像处理方法，其特征在于：步骤3中确定核性图像的特征基准点RGB值的具体步骤如下：在步骤2确定晶状体区域的基础上，遍历该区域内的所有像素点，获取所有像素点的三元组RGB值，统计具有不同RGB值的像素点的数量，选择各...

【专利技术属性】
技术研发人员：姜德迅，刘洁，
申请(专利权)人：哈尔滨学院，
类型：发明
国别省市：