视网膜图像预处理方法、装置、电子设备及存储介质

本申请涉及图像处理相关，具体涉及一种视网膜图像预处理方法、装置、电子设备及存储介质。

背景技术：

1、随着深度学习的发展，使用卷积神经网络处理医学图像获得了广泛应用。使用深度学习模型识别糖尿病视网膜病变的病灶，可以快速地将眼珠图像分为正常与异常，从而对病变程度进行诊断，而深度学习模型需要学习高质量的眼珠图像数据，这对图像预处理步骤提出了很高的要求。目前主流的在深度学习过程中对眼珠图像使用的图像预处理方法为高斯滤波，但在实际应用过程中，高斯滤波可能会导致图像变得模糊，失去细节和清晰度，这在一定程度上不利于对病灶特征的提取。

技术实现思路

1、有鉴于此，本申请的实施例致力于提供一种视网膜图像预处理方法、装置、电子设备及存储介质，以更加全面有效的进行病灶特征的提取。

2、本申请第一方面提供一种视网膜图像预处理方法，包括：

3、获取包括视网膜的原始图像；

4、对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；

5、调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；

6、将所述第二目标图像转换为预设大小，得到第三目标图像；

7、将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。

8、在一些实施例中，所述对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像，包括：

9、根据图像局部特征以自适应确定阈值策略，对所述原始图像进行裁剪得到眼珠图像。

10、在一些实施例中，所述根据图像局部特征以自适应确定阈值策略，对所述原始图像进行裁剪得到眼珠图像，包括：

11、将彩色的第一目标图像转换为灰度图像，

12、对灰度图像进行高斯滤波；

13、对滤波后的灰度图像进行分割，针对每个像素，需要计算其预设大小邻域的均值；

14、对于每个像素，基于所述均值后，需要计算自阈值；

15、计算出自适应阈值后，对每个像素进行反向二值化处理，使得眼球部分的像素值为0，背景部分的像素值为255；

16、基于所述二值化处理后的图像，进行分割得到第一目标图像。

17、在一些实施例中，所述基于所述均值后，需要计算自适应阈值，包括：

18、计算所述均值与预设常数的差值；其中，所述差值为自适应阈值。

19、在一些实施例中，调整所述目标图像中各个颜色通道的增益或偏移量，以得到第二目标图像时采用算法的公式如下：

20、gainr＝meang/meanr

21、gainb＝meang/meanb

22、ib alanced＝(ir*gainr，ig，ib*gainb)

23、其中，ir、ig和ib分别表示输入图像i的红色、绿色和蓝色通道；meanr、meang和meanb分别表示每个通道的平均值；gainr和gainb是计算出的红色和蓝色通道的增益系数；ibalanced是经过处理后的图像。

24、在一些实施例中，所述将所述第二目标图像转换为预设大小，得到第三目标图像，包括：

25、使用双立方插值方法，将所述第二目标图像转换为预设大小，得到第三目标图像。

26、在一些实施例中，所述将每一个目标区域的灰度值拉伸到整个灰度级范围，包括：

27、使用自适应的直方图均衡化方法，将每一个目标区域的灰度值拉伸到整个灰度级范围。

28、本申请第二方面提供一种视网膜图像预处理装置，包括：

29、获取模块，用于获取包括视网膜的原始图像；

30、裁剪模块，用于对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；

31、调整模块，用于调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；

32、转换模块，用于将所述第二目标图像转换为预设大小，得到第三目标图像；

33、拉伸模块，用于将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。

34、本申请第三方面提供一种电子设备，包括：处理器，以及用于存储所述处理器可执行程序的存储器；

35、所述处理器，用于通过运行所述存储器中的程序，实现如上述的视网膜图像预处理方法。

36、本申请第一方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如上述的视网膜图像预处理方法。

37、本申请所提供的一种视网膜图像预处理方法，获取包括视网膜的原始图像；对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；将所述第二目标图像转换为预设大小，得到第三目标图像；将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。如此设置，本申请提供的方案中对视网膜图像进行了预处理，处理后的图像，特征更加的鲜明，相较于背景技术中的处理方案，可以保存更多的细节和清晰度，更加有利于对病灶特征的提取。

技术特征：

1.一种视网膜图像预处理方法，其特征在于，包括：

2.根据权利要求1所述的视网膜图像预处理方法，其特征在于，所述对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像，包括：

3.根据权利要求1所述的视网膜图像预处理方法，其特征在于，所述根据图像局部特征以自适应确定阈值策略，对所述原始图像进行裁剪得到眼珠图像，包括：

4.根据权利要求3所述的视网膜图像预处理方法，其特征在于，所述基于所述均值后，需要计算自适应阈值，包括：

5.根据权利要求1所述的视网膜图像预处理方法，其特征在于，调整所述目标图像中各个颜色通道的增益或偏移量，以得到第二目标图像时采用算法的公式如下：

6.根据权利要求1所述的视网膜图像预处理方法，其特征在于，所述将所述第二目标图像转换为预设大小，得到第三目标图像，包括：

7.根据权利要求1所述的视网膜图像预处理方法，其特征在于，所述将每一个目标区域的灰度值拉伸到整个灰度级范围，包括：

8.一种视网膜图像预处理装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：处理器，以及用于存储所述处理器可执行程序的存储器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如权利要求1至7中任一项所述的视网膜图像预处理方法。

技术总结
本申请涉及图像处理相关技术领域，具体涉及一种视网膜图像预处理方法、装置、电子设备及存储介质。其中，方法包括：获取包括视网膜的原始图像；对所述原始图像进行裁剪，得到仅仅包括眼珠图像的第一目标图像；调整所述目标图像中各个颜色通道的增益或偏移量，以使得第一目标图像中的灰度区域或白色区域呈现出相同的颜色，得到第二目标图像；将所述第二目标图像转换为预设大小，得到第三目标图像；将所述第三目标图像划分为预设数量个目标区域，将每一个目标区域的灰度值拉伸到整个灰度级范围内，合并拉伸后的目标区域得到第四目标图像。如此设置，有利于对病灶特征的提取。

技术研发人员：刘强,孙洋,杨强,卢思超,于延锁,安翔
受保护的技术使用者：北京石油化工学院
技术研发日：
技术公布日：2024/2/8