[发明专利]一种具有快速处理图像功能的眼底拍摄系统

说明书

本发明涉及眼底照相领域，具体涉及一种具有快速处理图像功能的眼底拍摄系统。所述具有快速处理图像功能的眼底拍摄系统，其中，至少包括：成像模块，所述成像模块用以获取眼底初始图像；自动调焦模块，所述自动调焦模块用以调节成像模块的焦距；图像处理模块，所述图像处理模块用以对所述眼底图像进行处理；所述图像处理模块包括处理器，被配置为对所述眼底图像执行图像处理方法；以及图像显示模块，所述图像显示模块用以显示经图像处理模块处理后的图像。

技术领域

本发明涉及眼底照相领域，具体涉及一种具有快速处理图像功能的眼底拍摄系统。

背景技术

视网膜眼底图像是观察视网膜和诊断眼底疾病的一种重要影像手段。很多的眼底疾病，比如青光眼，年龄性黄斑退化，糖尿病性视网膜病变等都会导致不可挽回的视力损伤甚至失明。但是受限于光学镜头分辨率不足、存在电子系统噪声、图像采集环境不理想等状况，因此所采集的眼底图像数据可能存在大量噪声干扰。近年来，随着基于神经网络的深度学习算法的发展，深度学习模型在医疗影像领域，从高级识别，语义分割到低级去噪，超分辨率，去模糊，修复和恢复来自压缩图像的原始图像得到了广泛的应用。

例如，北京工业大学在专利CN104835157A 《基于改进PDE图像修补的眼底图像视杯自动分割方法》公布了一种利用形态学增强、中值滤波去噪的方法，实现了图像的去噪增强调节，但是中值滤波后图像细节损失，而且未给出在移动端适用的解决方案；电子科技大学在专利CN109919873A 《一种基于图像分解的眼底图像增强方法》中通过对颜色通道进行图像分解，获得结构层图像和噪声层图像；对结构层图像进行图像分解，获得基底层图像和细节层图像；从基底层图像中提取亮度通道进行光照矫正；最后将矫正后的基底层图像与细节层图像进行加权融合，获得去除噪声增强的眼底图像；但是由于通道分解只能有限去除噪声，且未给出在移动端适用的解决方案。

由于眼底图像的噪声的多样性以及受移动端性能的限制，基于移动端眼底图像的去噪增强依然是一个很具有挑战性的任务，基于目前的深度学习模型仍然存在时效性不高、图像模糊、以及图像处理的时间过长的问题。

发明内容

鉴于上述问题，有必要提供一种具有快速处理图像功能的眼底拍摄系统，以解决上述技术问题。

有鉴于此，本发明提供了一种具有快速处理图像功能的眼底拍摄系统，至少包括：

成像模块，所述成像模块用以获取眼底初始图像；

自动调焦模块，所述自动调焦模块用以调节成像模块的焦距；

图像处理模块，所述图像处理模块用以对所述眼底初始图像进行处理；

所述图像处理模块包括处理器，被配置为对所述眼底初始图像执行图像处理方法；以及

图像显示模块，所述图像显示模块用以显示经图像处理模块处理后的图像。

所述图像处理方法包括以下步骤：

S1:获取初始图像数据，所述初始图像数据具有第一图像分辨率；

S2:将所述初始图像数据通过第一图像处理模型进行训练，获得具有第二图像分辨率的图像数据；所述第二图像分辨率大于第一图像分辨率；

其中，所述第一图像处理模型至少包括：

特征提取层：所述特征提取层用于提取初始图像的特征信息，获得第一特征图；所述初始图像的通道数为N1；所述第一特征图的通道数为N2；N2＞N1；

像素重排层：所述像素重排层用于将提取到的特征进行像素重新排列，像素重新排列所使用的公式为：

；

PS为重新排列元素的周期性改组运算符；r为上采样的倍数；x,y为图像像素；c为通道数，为重排后的x的取值;为重排后的y的取值; 、为求余函数;c=N2；

S3:将上述具有第二图像分辨率的图像数据通过第二图像处理模型进行训练，获得处理后的图像数据；

所述第二图像处理模型为非局部均值算法。优选地，所述的处理过程还包括S4步骤：