[發(fā)明專利]基于暗通道和亮通道的眼底圖像質(zhì)量評估方法

在審

• 申請?zhí)枺?/td>: 202011494714.4
• 申請日: 2020-12-17
• 公開（公告）號: CN112598633A
• 公開（公告）日: 2021-04-02
• 發(fā)明（設計）人: 鄒北驥;程真真;徐子雯;劉晴
• 申請（專利權(quán)）人: 中南大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06N3/04;G06N3/08
• 代理公司: 長沙永星專利商標事務所(普通合伙) 43001
• 代理人: 周詠;米中業(yè)

1.一種基于暗通道和亮通道的眼底圖像質(zhì)量評估方法，包括如下步驟：

S1.獲取眼底圖像的歷史數(shù)據(jù)，并對獲取的眼底圖像進行人工標注；

S2.構(gòu)建初步眼底圖像質(zhì)量評估模型；

S3.采用步驟S1獲取的標注后的眼底圖像歷史數(shù)據(jù)，對步驟S2構(gòu)建的初步眼底圖像質(zhì)量評估模型進行訓練，從而得到眼底圖像質(zhì)量評估模型；

S4.采用步驟S3獲取的眼底圖像質(zhì)量評估模型，對目標眼底圖像進行識別評估，從而得到最終的眼底圖像質(zhì)量實時評估結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于暗通道和亮通道的眼底圖像質(zhì)量評估方法，其特征在于步驟S2所述的構(gòu)建初步眼底圖像質(zhì)量評估模型，具體為采用如下步驟構(gòu)建模型：

采用固定高斯核和通道合并池化層的深度卷積估計暗通道和亮通道的先驗信息；

對于輸入的圖像，將每個顏色通道與固定高斯核卷積后，再進行逐個通道最小化合并運算來估計暗通道的先驗信息；將每個顏色通道與固定高斯核卷積后，再進行逐個通道最大化合并運算來估計亮通道的先驗信息；

模型主網(wǎng)絡為DenseNet-121網(wǎng)絡，共包括若干個密集塊；由先驗引導模塊獲得的先驗信息圖級聯(lián)輸入密集塊，首先經(jīng)過卷積處理，然后是全局平均池化層和完全連接層；完全連接層將模型學習到的特征映射為圖像質(zhì)量評估結(jié)果；

主網(wǎng)絡的第二層卷積的輸入通道為N；其中暗通道的先驗信息和亮通道的先驗信息占用2個通道，采用標準卷積網(wǎng)絡學習剩余的N-2個特征圖。

3.根據(jù)權(quán)利要求2所述的基于暗通道和亮通道的眼底圖像質(zhì)量評估方法，其特征在于所述的暗通道，具體為位置(x,y)處的暗像素定義為：

D(I)(x)＝min_y∈P(x)(min_c∈(r,g,b)I^c(y))

式中(x,y)表示像素的位置；P(x)為以x為中心的圖像塊；I^c為顏色通道c的強度圖。

4.根據(jù)權(quán)利要求2所述的基于暗通道和亮通道的眼底圖像質(zhì)量評估方法，其特征在于所述的亮通道，具體為位置(x,y)處的暗像素定義為：

B(I)(x)＝max_y∈P(x)(max_c∈(r,g,b)I^c(y))

式中(x,y)表示像素的位置；P(x)為以x為中心的圖像塊；I^c為顏色通道c的強度圖。

5.根據(jù)權(quán)利要求2所述的基于暗通道和亮通道的眼底圖像質(zhì)量評估方法，其特征在于所述的密集塊，具體為包括四個密集塊，每個密集塊為具有三個固定高斯核且步長為2的深度卷積層。

6.根據(jù)權(quán)利要求2～5之一所述的基于暗通道和亮通道的眼底圖像質(zhì)量評估方法，其特征在于所述的先驗引導模塊，具體為對于輸入的H×W×3圖像，將每個顏色通道與固定高斯核卷積后，再進行逐個通道最小化合并運算來估計暗通道的先驗信息圖；將每個顏色通道與固定高斯核卷積后，再進行逐個通道最大化合并運算來估計亮通道的先驗信息圖；另外對輸入圖像采用標準卷積學習其余N-2幅特征圖；最后N幅特征圖級聯(lián)操作，獲得先驗引導模塊的H/2×W/2×K輸出，作為主網(wǎng)絡密集塊的輸入。

7.根據(jù)權(quán)利要求1～5之一所述的基于暗通道和亮通道的眼底圖像質(zhì)量評估方法，其特征在于步驟S3所述的訓練，具體為將暗通道的先驗信息、亮通道的先驗信息和學習到的特征圖級聯(lián)起來作為輸出，并通過反向傳播學習模型主網(wǎng)絡中的各個參數(shù)。