CN101479762A - 用于在包含图像值的图像中确定阈值的方法、系统和计算机程序 - Google Patents
用于在包含图像值的图像中确定阈值的方法、系统和计算机程序 Download PDFInfo
- Publication number
- CN101479762A CN101479762A CNA200780023614XA CN200780023614A CN101479762A CN 101479762 A CN101479762 A CN 101479762A CN A200780023614X A CNA200780023614X A CN A200780023614XA CN 200780023614 A CN200780023614 A CN 200780023614A CN 101479762 A CN101479762 A CN 101479762A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- threshold
- brightness
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种方法(1),用于确定包含图像值的图像中的阈值,所述方法包括步骤:分析(3)图像值,以确定边缘点及相关梯度;相对于边缘点将图像值分类(5)到多个类中;通过将来自为每一个类计算的亮度直方图的数据与所述直方图的统计分析相结合来获得(7)图像阈值。本发明还涉及一种图像分割方法、一种图像处理系统和一种计算机程序。
Description
技术领域
本发明涉及一种方法,用于在包含图像值的图像中确定阈值。
本发明还涉及一种图像分割的方法。
本发明还涉及一种图像处理系统,用于分析包含图像值的图像。
本发明还涉及一种计算机程序。
背景技术
可以由EP 1 320 069 A2了解在开始段落中提出的用于确定图像中阈值的方法。在已知的方法中使用了图像分析步骤,其中全部图像像素都用于构建图像亮度直方图,其后通过将预定百分比N的像素指定为属于所找寻的对象来确定图像中的阈值。数值N随后用于使用累积分布函数计算与该预定百分比的所选像素相对应的亮度值。
依据现有技术的已知方法的缺点是对于图像中的不均匀性,其提供了不准确的结果,这个不均匀性起因于与图像中不同区域相对应的像素值的固有的相当大的重叠。
发明内容
本发明的目的是提供一种方法,用于确定图像中的阈值,从而能够为广泛的图像类型和图像对比度实现改进的分类结果。
为此,根据本发明的方法包括步骤:
-分析图像值,以确定边缘点及相关梯度;
-相对于边缘点将图像值分类到多个类中;
-通过将来自为每一个类计算的亮度直方图的数据与所述直方图的统计分析相结合来获得图像阈值。
根据本发明的方法因此首先检测类边界,将其定义为边缘,并通过用在边界任一侧上的数据点构建两个直方图。此后,基于各自的直方图(其近似于概率分布函数)执行统计分析。随后,基于直方图及其统计分析来计算图像中的阈值,以使得所选择的图像值的错误分类的标签数量最少。根据本发明的方法具有以下优点。首先,即使在类在相当大程度上合并时,它也能够计算阈值。其次,根据本发明的方法使用了存在于图像中的空间信息。第三,没有作出与存在于图像中的类成员数量有关的假设,这对于方法的鲁棒性是至关重要的。最后,对于医学图像,象例如磁共振图像,根据本发明的方法相对于部分体积效应和亮度不均匀性(偏置场)是鲁棒的。
在方法的实施例中,分析图像值的步骤包括步骤:计算图像对比度,并对计算的图像对比度自适应地确定边缘梯度阈值。
这个实施例操作如下。首先,按等式1所定义的来计算图像或者区域中的对比度,在此和表示N维空间坐标(对于医学数据是3-D),R是一个区域,其可以是整个图像或者用掩膜定义的区域。根据等式2,计算的对比度值确定了边缘阈值Tedge,其自动地调整适合于图像内容。参数k是预定常数,例如0.1,其反映了应将什么比例的对比度值认为是对边缘检测所必需的。如果该对比度值与k相乘产生了小于1的值,等式2就将1指定为Tedge值。此后,通过将按等式3所计算的梯度大小与边缘阈值相比较来检测类的边界(如等式4所示的)。等式4中的参数Δ确定步进大小和边缘方向。当不存在部分体积效应(PVE)时,Δ的大小可以等于1。否则,应使用大于1的值,以使得PVE在所计算的像素位置上具有较小的影响。
Tedge=max(k*C,1) (2)
注意,当对输入数据,特别是图像进行滤波以便在将等式1用于该数据之前消除噪声时,可以发现在等式1中给出的方案(其使用了在对比度的最大值与最小值之间的差)的进一步的改进。改进的另一个方式是使用图像中的所有像素或体素来计算亮度值的直方图。于是,在百分数N与K=(100-N)之间的差值表示对比度。例如,可以将N设定为百分之95,而将K设定为百分之5。也可以设想对比度推导的其它组合(N=90;K=10;N=80;K=20等)。
还应注意,等式3优选地不限于图像数据中的一个方向。通过用特别是为三个正交方向计算的多个Δ,并通过随后选择具有最大值的单一Δ,进一步改进了根据本发明的方法的鲁棒性。
最后,应注意,为了消除来自图像的一个区域的数据对根据本发明的方法的总体性能的较大影响,可以限制能够从远处空间区域提供的边缘点的最大和最小数量。例如,如果将图像在空间上分为四个象限,就可以设定条件:允许每一个区域为各个直方图HL和HU提供基本上相同或相似数量的边缘像素/体素。这个技术措施确保减小了特定区域对根据本发明的阈值确定方法的总体性能的影响。
在根据本发明的进一步的实施例中,相对于边缘点将图像值分类到多个类中的步骤包括步骤:
-为每一个边缘点确定边缘方向;
-确定图像中用于定义所述边缘点和所述方向的数值对;
-用预先定义的标准将所述值分配到不同类中。
对于每一个检测到的边界点,选择在等式3中使用的两个数据点。优选的,执行在各图像值之间的量值比较,例如可以将具有较大亮度的图像值(像素或体素)分配给第一直方图,而将具有较低亮度的图像值分配给第二直方图。由于是沿着梯度方向跨越边缘选择这些图像值这一事实,在其这些图像值各自量值中总是存在差值。结果,将这些点分配给两个分开的直方图HL和HU,从而将较小亮度值分配给前者,较大的分配给后者。以此方式,我们从每一个类选择相等数量的点。在最终步骤中,计算这两个类的累积分布函数(C)。假定归一化的直方图近似于概率密度,可以按等式5来计算它们。
在根据本发明的方法的进一步的实施例中,获得图像阈值的步骤包括步骤:
-为每一个由此构成的类计算归一化的亮度直方图;
-计算对应于每一个类的相应累积分布函数;
-用所述累积分布函数确定图像阈值。
根据等式6,计算阈值T,使对靠近边界的代表样本的正确决策之和最大化。在进一步的实施例中,计算阈值T到HL和HU的峰值位置的距离。当与一个峰值相比,所计算的T值非常靠近另一个峰值位置时,可以搜索更靠近在两个峰值之间的中点的更好的位置。为了代替所计算的T值,新位置应产生接近用由等式6计算的原始T值所获得的最大差值(例如至少是其90%)的一个差值。
在根据本发明的方法的再进一步的实施例中,为统计分析的可允许输出结果选择预定特征,该方法还包括步骤:
-计算多个局部对比度边缘;
-相对于所述多个局部对比度边缘将图像值分类到多个类中,用于构成多个相应的局部亮度直方图;
-通过将来自为每一个类计算的所述多个亮度直方图的数据与所述多个亮度直方图的统计分析相结合来获得多个局部图像阈值。
这个实施例具有额外的优点,即该方法可以评估由将借助所提出的方法计算的阈值用于预定值而产生的分割误差。除了或代替总体分析,可以在局部执行以上操作。局部应用允许使用局部最优的阈值,在许多情况下它会得到比全局阈值更好的结果。局部分析还允许比较从直方图统计量提取的几个统计量,以判断图像中是否存在特定效应。例如,MR图像会因亮度不均匀性(也称为偏置场)而受损,所述亮度不均匀性由设备参数、扫描协议和患者特点产生。偏置场是不均匀的倍增场,引起不同组织的亮度值重叠。
在根据本发明的方法的再进一步的实施例中,其中在图像内定义了多个感兴趣区,为每一个感兴趣区执行图像值的分类,基于对每一个所选择的感兴趣区的各个直方图和统计量的分析,来为每一个选择的感兴趣区建立阈值。
这个技术措施基于以下观点:还可以将分类步骤应用于图像中的一个感兴趣区(ROI),并可以将从该ROI提取的统计量与另一个ROI的统计量相比较。可以在图像中定义多个ROI,可以从每一个ROI分析中提取统计量,可以将在全部ROI中的此类统计量的集合用于进一步的分析,例如偏置场评估。ROI可以是整个图像、由掩膜定义的任何形状(及此类未连通区的集合)、或者由具有少量参数的数学公式所定义的块,诸如矩形、正方形或圆形。
根据本发明的图像分割方法包括按参考前文所述的,用于确定图像中阈值的方法。根据本发明的方法对于处理磁共振图像,特别是脑部的磁共振图像,具有特别高的价值。为了分割磁共振脑部图像,必须将脑部组织分为两类:脑脊液(CSF)和白质-灰质(WM-GM)。适合的输入图像是颅骨剥离的3D脑部MR图像,其中,根据本发明,并不进行关于可利用的对比度(例如T1和T2)的假设。可以通过应用一个可公开利用的工具来进行颅骨剥离,例如S.Smith,BET2:Brain extraction tool,University of Oxfordhttp://www.fmrib.ox.ac.uk/fsl/bet2.
一旦提取了CSF,就可以执行WM和GM的分离。执行该分离的原因是:1)在许多MR对比中,在WM与GM之间的对比度常常小于在每一个WM和GM与CSF之间的对比度。在使用非最佳参数设置的MR扫描中,中WM和GM在直接聚类算法可能会终结于一个聚类,及2)异常状态可能会影响WM和GM的磁特性。这使得对WM和GM区的更精细的分析变得必要。例如,大量的铁聚集改变了基底神经节的T2特性,并导致在这些区域中产生较差的亮度。
根据本发明的分割方法使用了如参考前文所述的阈值确定方法,来标记WM和GM。在使用了该阈值确定方法后,与将两个区域标记为WM和GM有关的决定可以使用与它们的预期相对亮度值有关的知识。例如,如果使用了利用T1加权的图像,就将具有较高亮度值的区域指定为WM。为此还可以使用WM和GM组织的相对位置,例如GM具有围绕CSF的外围区域。
优选的,对于具有基本上被降低的对比度的图像,根据本发明的分割方法通过使用局部计算的直方图来计算局部适应性阈值。
根据本发明的图像处理系统包括具有处理器的计算机,其被布置为用于:
-通过分析图像内像素值中的梯度来确定对比度边缘点;
-相对于对比度边缘点对图像像素进行分类,从而计算各自的亮度直方图;
-计算对应于每一个所述直方图的相应概率群分布函数(probabilitymass function);
-用所述概率群分布函数确定图像阈值。
根据本发明的图像处理系统为图像处理提供了准确且鲁棒性的工具,并可以适当地进行合并,特别是在医院信息系统中用于图像分析。会进一步参考图3来论述图像处理系统。在权利要求6、7中阐明了图像处理系统更多的有利实施例。
参考以下所述的实施例来阐明本发明的这些及其它方面,从而变得显而易见。
附图说明
图1以示意性方式呈现了根据本发明的阈值确定方法的实施例。
图2以示意性方式呈现了累积分布函数的操作步骤的实施例。
图3以示意性方式呈现了偏置场对各个直方图峰值造成的效果。
图4以示意性方式呈现了根据本发明的图像处理系统的实施例。
图5以示意性方式呈现了根据本发明的计算机程序的流程图的实施例。
具体实施方式
图1以示意性方式呈现了根据本发明的阈值确定方法的实施例。将根据本发明的方法1布置为在步骤3,在考虑确定边缘点及其相关梯度的情况下分析图像的图像值(像素或体素)。这可以通过在步骤3a根据例如以上给出的等式1计算图像对比度来有利地执行。随后,在步骤3b,可以使用适合的边缘检测器来确定边缘点,之后是在步骤5a确定边缘方向。随后,选择位于边缘不同侧的适合的像素对或体素对5b。在根据本发明的方法的步骤5,对由此选择的体素对或像素对进行分类,优选地借助于使用预先定义的分类顺序。例如,可以使用分类器5c,从而根据像素或体素各自的绝对值大小将像素或体素分为两类。根据本发明的方法前进到步骤7,其中,通过将来自为每一个类所计算的亮度直方图的数据与这些直方图的统计分析相结合来获得图像阈值。优选的,在步骤7a中,通过分析像素或体素的两个类的项目来建立各自的直方图。然后,在步骤7b,通过使靠近边缘的代表性样本的正确决策之和最大化来计算阈值,例如根据上述的等式6采用累积分布函数7d。
相对于从现有技术获知的方法,根据本发明的方法是优秀的,特别是因为其能够将具有非常紧密中心的分类分开,其使用了空间和特征空间信息,并能够处理软性分类成员资格,即不具有二进制成员资格值的特征值。最后,根据本发明的方法在其运行速度上是出众的。
注意,由于根据本发明的方法具有统计基础这一事实,本发明的方法并不限于一种应用。尽管用此方法相关于空间图像信息计算了在分类之间的边界,但是对于非图像数据,其可以以许多方式来定义。对于非图像数据,可以以针对应用的特定方式,或者通过使用差值来检测类到类所转换。一旦确定了它们,就可以类似地填充直方图。对与图像相关数据的优选应用包括以下任何一项:对红外图像的处理,因为这类数据中的对比度随环境温度变化;医学图像的处理,在医学图像中,对比度的显著变化来自于特定成像协议;具有低对比度的普通视频数据;显示出图像对比度中差别的使用造影剂的分子成像。
还要注意,根据本发明的方法通常可以在图像中的任何感兴趣区(ROI)开始,可以将其称为总体分析。在特定情况下,除了或代替总体分析,可以在局部上执行以上操作。局部应用允许使用局部最优的阈值,这在许多情况下会产生比全局阈值更好的结果。局部分析还允许比较从直方图统计中提取的几个统计量,以判断图像中是否存在特定效应。例如,MR图像会因亮度不均匀性(也称为偏置场)而受损,亮度不均匀性由设备参数、扫描协议和患者特点产生。偏置场是不均匀的倍增场,并引起不同组织的亮度值具有更多重叠。
最后,可以在步骤7c计算偏置场。可以在图像内设定多个感兴趣区ROI_1,ROI_2,并针对两个ROI独立地执行根据本发明的分析(见步骤3、5;3’、5’)。然后,可以在步骤7将从ROI_1和ROI_2提取的统计量相互进行比较,为进一步的分析提供数据输入,例如偏置场评估。尽管在该示范性实施例中定义了两个感兴趣区,但可以定义任意多个感兴趣区。参考图3解释根据本发明的方法的这个特点。
图2以示意性方式呈现了累积分布函数的操作步骤的实施例20。为图示说明的目的,选择了人脑部的磁共振(MR)图像。图像11表示原始MRT1图像,而图像12表示所选择的满足梯度约束和其他要素的体素。白色体素是用于白质的候选,而黑色体素是用于灰质的候选。如在前文中所述的,根据本发明的方法计算相应的直方图13。直方图13a表示白质直方图,而直方图13b表示灰质直方图。在14中给出相应的累积分布函数(CDF),而由14a给出了白质CDF,由14b了给出灰质CDF。通过使用如上所述的等式6计算相应的亮度值14c,作为所寻求的阈值。在15中给出了采用阈值14c的图像分割的结果。
图3呈现了偏置场对各个直方图峰值造成的效果的示意性说明17。由此,将尺寸为24×24(宽-长)的正方形块作用于图像,在水平或垂直方向上该块的位置按照每次8个体素的方式进行移动。对于每一个块,确定边缘产生的体素,根据各个体素计算直方图。在直方图中,峰值位置理想地对应于组织亮度。当提供偏置场时,这个峰值应该被加宽。顶上一行17a表示用于三个数据集的白质峰值位置分布,而底下一行17b显示用于相同数据集的灰质峰值位置分布。最左边的图属于没有偏置场影响的数据集;因此是单独的大峰值。中间栏对应于具有10%偏置场的数据集,而最右边的栏具有30%偏置场。随着偏置场影响增大,直方图峰值变得越来越不明显,并且宽度变得更大。可以存在许多度量来评价这个加宽效应,其中一个是峰值高度相对于总体素的比值。根据这个值,可以接受全局阈值,要求局部分析,或者运行偏置场校正算法。
图4以示意性方式呈现了根据本发明的图像处理系统的实施例。该系统包括计算机20,具有输入22,用于以任何适合的方式接收对象适合的源图像数据22a,特别是患者的诊断图像。例如,计算机20可以涉及源图像数据的采集。在该情况中,可以以模拟形式采集图像数据,并用适合的A/D转换器转换为数字形式,用于进一步的处理。还可以以数字形式接收图像数据,例如通过数字形式的直接采集,或在已经由远程计算机/医疗器械采集之后再经由计算机网络接收。计算机20的核心由处理器24构成,其被布置为分析图像值,以确定边缘点及相关梯度。为此,处理器24优选地运行适合的计算机程序25。计算机20包括存储单元28,其被布置为存储在处理器运行期间由处理器访问的任何合适的例程。计算机20还包括工作存储器26,通常基于RAM。存储单元28可以用于当不处理图像数据时对其进行存储(或者存储其一部分),并用于存储对图像数据的操作及任何其它适用的补充信息,如预定的特征23。工作存储器26通常保存正进行处理的(部分)图像数据,以及用于适合的图像处理模块的指令,所述图像处理模块用于处理部分图像数据。
处理器24进一步被布置为相对于边缘点将图像值分类到多个类中。优选的,使用适合的分类器27,特别是软件形式的。处理器24再进一步被布置为通过将来自为每一个类计算的亮度直方图的数据与所述直方图的统计分析相结合来获得图像阈值。优选地,使用适合的软件27a来实现这个特征,当由处理器启动时,其产生所寻求的结果。优选地,计算机20包括输出29,其被适当地布置为提供阈值确定的结果和/或采用所述阈值的图像分割的结果。有利地,输出29被布置为将适合的数据写入计算机可读文件中。
图5以示意性方式呈现了根据本发明的计算机程序的流程图的实施例。根据本发明的计算机程序30包括指令,该指令用于使处理器遵照指令33,在考虑了确定边缘点及其相关梯度的情况下,分析图像的图像值(像素或体素)。这可以有利地通过根据指令33a计算图像对比度来执行,例如使用以上给出的等式1。随后,遵照指令33b,可以使用适合的边缘检测器来确定边缘点,之后是按指令35a确定边缘方向。随后,选择位于边缘不同侧的适合的像素对或体素对。按照根据本发明的计算机程序的指令35,对由此选择的体素对或像素对进行分类,优选的是通过用预定的分类顺序。例如,可以使用分类指令35c,从而根据像素或体素的绝对值大小来将像素或体素分为两类。根据本发明的计算机程序30前进到指令37,其中通过将来自为每一个类计算的亮度直方图的数据与这些直方图的统计分析相结合来获得图像阈值。优选地,通过按照指令37a分析这两类像素或体素的项来建立各自的直方图。随后,根据指令37b,通过使靠近边缘的代表样本的正确决策之和最大化,来计算阈值,例如根据上述的等式6。
最后,可以根据指令37c计算偏置场。可以在图像中设定多个感兴趣区ROI_1、ROI_2(未示出),并且针对两个ROI独立地执行根据本发明的分析。然后,按照指令37,可以将从ROI_1和ROI_2提取的统计量进行相互比较,为进一步分析提供数据输入,例如偏置场评估。
尽管在附图和前述说明中详细显示并描述了本发明,但这种显示和描述应认为是说明性或示范性的,不是限制性的;本发明不限于所公开的实施例。
Claims (13)
1、一种方法(1),用于确定包含图像值的图像中的阈值,所述方法包括步骤:
-分析(3)所述图像值,以确定边缘点及相关的梯度;
-相对于所述边缘点将图像值分类(5)到多个类中;
-通过将来自为每一个类计算的亮度直方图的数据与所述直方图的统计分析相结合来获得(7)图像阈值。
2、根据权利要求1所述的方法,其中,所述分析(3)图像值的步骤包括步骤:计算图像对比度(3a),并针对所计算的图像对比度自适应地确定所述边缘的梯度阈值。
3、根据权利要求1所述的方法,其中,所述相对于所述边缘点将图像值分类(5)到多个类中的步骤包括步骤:
-为每一个边缘点确定边缘方向(5a);
-确定所述图像中定义了所述边缘点和所述方向的数值对(5b);
-用预先定义的标准将所述值分配到不同类中(5c)。
4、根据权利要求3所述的方法,其中,所述获得图像阈值(7)的步骤包括步骤:
-为每一个由此构成的类计算归一化亮度直方图(7a);
-计算对应于每一个类的各自的累积分布函数(7b);
-用所述累积分布函数来确定所述图像阈值(7c)。
5、根据权利要求4所述的方法,其中,基于所述累积分布函数,使用最优化函数来计算所述图像阈值。
6、根据权利要求1所述的方法,其中,为所述统计分析的可允许结果选择预定特征,所述方法还包括步骤:
-计算多个局部对比度边缘;
-相对于所述多个局部对比度边缘将图像值分类到多个类中,用于构成多个各自的局部亮度直方图;
-通过将来自为每一个类计算的所述多个亮度直方图的数据与所述多个亮度直方图的统计分析相结合来获得多个局部图像阈值。
7、根据权利要求6所述的方法,其中,在所述图像内定义多个感兴趣区(ROI_1、ROI_2),为每一个感兴趣区执行图像值分类,并基于对于每一个所选择的感兴趣区的各自的直方图和统计量的分析来建立阈值。
8、根据权利要求7所述的方法,其中,使用为所述多个感兴趣区获得的所述统计量来确定用以描述所述图像的特征(7c)。
9、一种图像分割方法,包括根据前述权利要求1-8中任意一项的用于确定所述图像中的阈值的方法。
10、一种图像处理系统,用于分析包括图像值的图像(22a),所述系统包括具有处理器(24)的计算机(20),所述处理器被布置为用于:
-分析(25)所述图像值来确定边缘点及相关梯度;
-相对于所述边缘点将图像值分类(27)到多个类中;
-通过将来自每一个类的亮度直方图的数据与所述直方图的统计分析相结合来获得(27a)图像阈值。
11、根据权利要求10所述的系统,其中,所述统计分析包括:为每一个亮度直方图计算累积分布函数,所述处理器进一步被布置为基于所述累积分布函数,使用最优化函数来计算所述图像阈值。
12、根据前述权利要求10或11中任意一项所述的系统,其中,所述计算机被进一步布置为存储用于所述统计分析的可允许结果的预定特征(23),所述处理器进一步被布置为:
-计算多个局部对比度边缘;
-相对于所述多个局部对比度边缘将图像值分类到多个类中,用于构成多个各自的局部亮度直方图;
-通过将来自为每一个类计算的所述多个亮度直方图的数据与所述多个亮度直方图的统计分析相结合来获得多个局部图像阈值。
13、一种计算机程序(30),包括指令,用于使处理器执行根据前述权利要求1-9中任意一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP06115949.7 | 2006-06-23 | ||
EP06115949 | 2006-06-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101479762A true CN101479762A (zh) | 2009-07-08 |
Family
ID=38833840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA200780023614XA Pending CN101479762A (zh) | 2006-06-23 | 2007-06-19 | 用于在包含图像值的图像中确定阈值的方法、系统和计算机程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20090279778A1 (zh) |
EP (1) | EP2036039A2 (zh) |
JP (1) | JP2009541838A (zh) |
CN (1) | CN101479762A (zh) |
WO (1) | WO2007148284A2 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103026379A (zh) * | 2011-06-14 | 2013-04-03 | 株式会社东芝 | 推算图像噪音水平的方法 |
CN103826536A (zh) * | 2011-09-26 | 2014-05-28 | 大日本印刷株式会社 | 医用图像处理装置、医用图像处理方法、程序 |
CN104166109A (zh) * | 2013-05-17 | 2014-11-26 | 上海联影医疗科技有限公司 | 磁共振成像方法和装置 |
CN104580883A (zh) * | 2013-10-09 | 2015-04-29 | 卡西欧计算机株式会社 | 图像处理装置、图像处理方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1990768A1 (en) * | 2007-05-11 | 2008-11-12 | INSERM (Institut National de la Santé et de la Recherche Médicale) | Method for analysing an image of the brain of a subject, computer program product for analysing such image and apparatus for implementing the method |
WO2009050618A2 (en) * | 2007-10-15 | 2009-04-23 | Koninklijke Philips Electronics N.V. | Visualization of temporal data |
US8126858B1 (en) | 2008-01-23 | 2012-02-28 | A9.Com, Inc. | System and method for delivering content to a communication device in a content delivery system |
US8391600B2 (en) * | 2009-01-21 | 2013-03-05 | Analogic Corporation | Histogram-based compound object separation |
US8463036B1 (en) | 2010-09-30 | 2013-06-11 | A9.Com, Inc. | Shape-based search of a collection of content |
US8990199B1 (en) | 2010-09-30 | 2015-03-24 | Amazon Technologies, Inc. | Content search with category-aware visual similarity |
US8422782B1 (en) | 2010-09-30 | 2013-04-16 | A9.Com, Inc. | Contour detection and image classification |
US20150331930A1 (en) * | 2014-05-16 | 2015-11-19 | Here Global B.V. | Method and apparatus for classification of media based on metadata |
US10074207B2 (en) * | 2014-05-19 | 2018-09-11 | Koninklijke Philips N.V. | Visualization of tissue of interest in contrast-enhanced image data |
EP3341889A1 (en) | 2015-08-24 | 2018-07-04 | Koninklijke Philips N.V. | Server-client architecture in digital pathology |
CN113781482B (zh) * | 2021-11-11 | 2022-02-15 | 山东精良海纬机械有限公司 | 一种复杂环境下机械零件裂纹缺陷检测方法及系统 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4903145A (en) * | 1986-08-06 | 1990-02-20 | Canon Kabushiki Kaisha | Image quality control apparatus capable of density-correcting plural areas of different types |
US6058209A (en) * | 1991-09-27 | 2000-05-02 | E. I. Du Pont De Nemours And Company | Method for resolving redundant identifications of an object |
US5617484A (en) * | 1992-09-25 | 1997-04-01 | Olympus Optical Co., Ltd. | Image binarizing apparatus |
US5604822A (en) * | 1993-11-12 | 1997-02-18 | Martin Marietta Corporation | Methods and apparatus for centroid based object segmentation in object recognition-type image processing system |
JP3046493B2 (ja) * | 1994-05-09 | 2000-05-29 | シャープ株式会社 | 画像処理装置 |
JP3335830B2 (ja) * | 1995-12-28 | 2002-10-21 | シャープ株式会社 | 画像処理装置 |
US5901245A (en) * | 1997-01-23 | 1999-05-04 | Eastman Kodak Company | Method and system for detection and characterization of open space in digital images |
US6404919B1 (en) * | 1997-08-14 | 2002-06-11 | Minolta Co., Ltd. | Image processor for encoding image data |
US6018590A (en) * | 1997-10-07 | 2000-01-25 | Eastman Kodak Company | Technique for finding the histogram region of interest based on landmark detection for improved tonescale reproduction of digital radiographic images |
US6094508A (en) * | 1997-12-08 | 2000-07-25 | Intel Corporation | Perceptual thresholding for gradient-based local edge detection |
US6198844B1 (en) * | 1998-01-28 | 2001-03-06 | Konica Corporation | Image processing apparatus |
JP3776340B2 (ja) * | 2000-09-27 | 2006-05-17 | エムヴイテック・ソフトウェア・ゲーエムベーハー | 対象物認識システム及び方法 |
US7116800B2 (en) * | 2001-05-30 | 2006-10-03 | Eaton Corporation | Image segmentation system and method |
US7190832B2 (en) * | 2001-07-17 | 2007-03-13 | Amnis Corporation | Computational methods for the segmentation of images of objects from background in a flow imaging instrument |
JP3972751B2 (ja) * | 2001-08-27 | 2007-09-05 | コニカミノルタビジネステクノロジーズ株式会社 | 画像処理装置 |
US7447374B1 (en) * | 2003-01-06 | 2008-11-04 | Apple Inc. | Method and apparatus for an intuitive digital image processing system that enhances digital images |
US7809197B2 (en) * | 2004-12-09 | 2010-10-05 | Eastman Kodak Company | Method for automatically determining the acceptability of a digital image |
US7657098B2 (en) * | 2005-05-02 | 2010-02-02 | Samsung Electronics Co., Ltd. | Method and apparatus for reducing mosquito noise in decoded video sequence |
-
2007
- 2007-06-19 CN CNA200780023614XA patent/CN101479762A/zh active Pending
- 2007-06-19 US US12/305,431 patent/US20090279778A1/en not_active Abandoned
- 2007-06-19 JP JP2009516043A patent/JP2009541838A/ja active Pending
- 2007-06-19 EP EP07789726A patent/EP2036039A2/en not_active Withdrawn
- 2007-06-19 WO PCT/IB2007/052346 patent/WO2007148284A2/en active Application Filing
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103026379A (zh) * | 2011-06-14 | 2013-04-03 | 株式会社东芝 | 推算图像噪音水平的方法 |
CN103026379B (zh) * | 2011-06-14 | 2016-08-31 | 东芝医疗系统株式会社 | 推算图像噪音水平的方法 |
CN103826536A (zh) * | 2011-09-26 | 2014-05-28 | 大日本印刷株式会社 | 医用图像处理装置、医用图像处理方法、程序 |
CN104166109A (zh) * | 2013-05-17 | 2014-11-26 | 上海联影医疗科技有限公司 | 磁共振成像方法和装置 |
CN104166109B (zh) * | 2013-05-17 | 2018-08-03 | 上海联影医疗科技有限公司 | 磁共振成像方法和装置 |
CN104580883A (zh) * | 2013-10-09 | 2015-04-29 | 卡西欧计算机株式会社 | 图像处理装置、图像处理方法 |
US9679386B2 (en) | 2013-10-09 | 2017-06-13 | Casio Computer Co., Ltd. | Image processing device capable of segmenting an image into plural areas |
CN104580883B (zh) * | 2013-10-09 | 2018-05-29 | 卡西欧计算机株式会社 | 图像处理装置、图像处理方法以及记录介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2007148284A2 (en) | 2007-12-27 |
EP2036039A2 (en) | 2009-03-18 |
JP2009541838A (ja) | 2009-11-26 |
WO2007148284A3 (en) | 2008-07-03 |
US20090279778A1 (en) | 2009-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101479762A (zh) | 用于在包含图像值的图像中确定阈值的方法、系统和计算机程序 | |
Gao et al. | Classification of CT brain images based on deep learning networks | |
CN101203747B (zh) | 用于数字x光影像软拷贝解读的智能化定性与定量分析的方法和系统 | |
Preetha et al. | Image segmentation using seeded region growing | |
CN103098090B (zh) | 多参数三维磁共振图像脑肿瘤分割方法 | |
Liu et al. | Discrepancy measures for selecting optimal combination of parameter values in object-based image analysis | |
CN110678903B (zh) | 用于3d图像中异位骨化的分析的系统和方法 | |
Banerjee et al. | Automated 3D segmentation of brain tumor using visual saliency | |
JP4660546B2 (ja) | デジタル化画像中の対象の特徴描写方法およびコンピュータ読取り可能なプログラム記憶装置 | |
CN104346615B (zh) | 版式文档中复合图的提取装置和提取方法 | |
CN104619257A (zh) | 用于医学图像中的肺结节的自动化检测的系统和方法 | |
CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
CN102089783B (zh) | 用于体积数据集的多模式显像的方法和设备 | |
Wuest et al. | Region based segmentation of QuickBird multispectral imagery through band ratios and fuzzy comparison | |
CN102663757A (zh) | 基于核传递的半自动图像分割方法 | |
CN104281856B (zh) | 用于脑部医学图像分类的图像预处理方法和系统 | |
Basavaprasad et al. | A comparative study on classification of image segmentation methods with a focus on graph based techniques | |
CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
Tyagi et al. | Performance comparison and analysis of medical image segmentation techniques | |
Bora et al. | A new efficient color image segmentation approach based on combination of histogram equalization with watershed algorithm | |
Li et al. | Optimized automatic seeded region growing algorithm with application to ROI extraction | |
CN115546466A (zh) | 一种基于多尺度显著特征融合的弱监督图像目标定位方法 | |
Ramana | Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN) | |
CN110288577A (zh) | 一种3d实现多器官病灶整合的控制方法及控制装置 | |
CN107787506A (zh) | 选择用于显示医学图像的传递函数 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090708 |