[发明专利]一种自动裁剪眼底图像的方法、装置及其可读存储介质

说明书

本发明实施例公开了一种自动裁剪眼底图像的方法，使用霍夫变换检测视网膜边界的圆，如果因为图像质量太差霍夫变换无法正确检测到视网膜的边界，则将图像中心点设置为圆心，通过统计图像水平中线像素值分布的方式确定圆的半径，然后在原图像中以该圆心为圆心，略小于该半径值画一个内圆，内圆内的像素值保持不变，内圆外的像素值用一个常量替代，然后切割出包含该内圆的最小矩形。采用本发明，能够处理质量很差的眼底图像、屏蔽视网膜的边缘区域和图像背景，并且能够对眼底图像的质量给出评价数值，本发明不需要经过学习过程，也不需要手工调整参数，能够直接运行，运行速度极快。

技术领域

本发明涉及图像处理领域，具体涉及一种自动裁剪眼底图像的方法、装置及其可读存储介质。

背景技术

眼底图像是使用眼底照相机对眼球内壁从不同的角度进行拍摄得到的图像，眼底图像是眼科诊断中最重要的依据之一，在诊断糖尿病视网膜病变、青光眼、白内障等常见眼科疾病的过程中起到非常关键的作用，当前针对眼底图像的计算机自动诊断系统发展很快，其中一些系统诊断的准确率已经达到甚至超过人类的专家医生，例如Gwenole Quellec等人开发的眼科病理检查系统（the Messidor System or eye pathology screening），美国Google公司研制的自动诊断糖尿病视网膜病变的系统。

这些计算机自动诊断系统都是基于AI（Artificial Intelligence人工智能）的深度神经网络，眼底图像在进入深度神经网络之前都要先进行图像预处理，预处理的一个重要功能是对输入图像进行裁剪。眼底图像的分辨率很高，例如宽2600高1900像素，而深度神经网络的输入很小，例如最常用的模型AlexNet、VGG、GoogleNet输入像素是224，GoogleInception-V3、Inception-V4、ResNet-V2输入像素是299，即使是针对医疗影像定制的神经网络模型其输入一般也小于512，原因是输入数据大的话计算量太大，并且输入数据大导致参数增多更容易产生过拟合。一些视网膜病变在眼底图像上的表现特征非常细微，例如软性渗出物、出血点等，特别是一些细小出血点即使在原始图像上也只有几个像素，因此在图像像素大小一定的条件下尽可能提高图像有价值区域的分辨率非常重要。

视网膜区域的边缘和图像背景对于诊断眼科疾病没有贡献，反而会干扰深度神经网络的自动特征提取，许多眼底图像的视网膜边界有明显的光晕，边界区域包含非常丰富的图像特征，理论上图像的背景区域应该是完全的黑色RGB(0,0,0)，但是实际上背景会有噪声，这些无关特征都会对深度神经网络的自动特征提取产生干扰，因此最好能够屏蔽视网膜的边缘区域和图像背景。

现有的图像裁剪方法是使用一次霍夫变换提取出一个视网膜边界的圆，然后裁剪出包含这个圆的最小外接矩形。这种做法的缺点是如果眼底图像的质量比较差，则无法正确检测出的视网膜区域的边界，其次没有屏蔽和裁剪掉视网膜的边缘区域以及图像背景，此外该方法不能评价输入图像的质量。

发明内容

本发明实施例所要解决的技术问题在于，提供一种自动裁剪眼底图像的方法。能够处理质量很差的眼底图像，能够屏蔽视网膜的边缘区域和图像背景，并且能够给对眼底图像的质量给出一个评价数值。

为了解决上述技术问题，本发明实施例提供了一种自动裁剪眼底图像的方法，包括以下步骤：

使用霍夫变换检测视网膜边界的圆，如果因为图像质量太差霍夫变换无法正确检测到视网膜的边界，则将图像中心点设置为圆心，通过统计图像水平中线像素值分布的方式确定圆的半径，然后在原图像中以该圆心为圆心，小于该半径值画一个内圆，内圆内的像素值保持不变，内圆外的像素值用一个常量替代，然后切割出包含该内圆的最小矩形。

进一步地，还包括以下步骤：