CN102957878A - 医学图像坏点自动检测方法及系统 - Google Patents
医学图像坏点自动检测方法及系统 Download PDFInfo
- Publication number
- CN102957878A CN102957878A CN2011102497424A CN201110249742A CN102957878A CN 102957878 A CN102957878 A CN 102957878A CN 2011102497424 A CN2011102497424 A CN 2011102497424A CN 201110249742 A CN201110249742 A CN 201110249742A CN 102957878 A CN102957878 A CN 102957878A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- bad point
- value
- medical image
- 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
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种医学图像坏点自动检测方法及系统。其中,所述方法包括步骤:将待检测医学图像坏点凸显处理为图像D(x,y);求取图像D(x,y)中各个像素点像素值的均值M,以阈值系数a乘以均值M作为检测阈值,从图像D(x,y)中分离出坏点区域;选择阈值系数a的值,确保分离出的坏点区域小于或等于图像区域K;分别从每个坏点区域中提取灰度值为最大值的像素点为坏点位置,输出坏点的位置信息。本发明将自动检测和人工视觉检测相结合,通过自动计算检测阈值和快捷的人工辅助修正检测阈值来提高自动坏点检测准确性和检测效率,具有坏点检测效率高的优点。
Description
技术领域
本发明涉及一种图像处理技术,尤其是涉及一种医学图像坏点自动检测方法及系统。
背景技术
数字化X光机的所配置的CCD或者平板探测器在拍摄图像的时候,通常会出现位置固定的异常“亮”或“暗”的像素点,这些像素点被称为坏点。坏点是指灰度值表现异常的像素点,通常表现为相对于背景的“亮点”或者“暗点”。“亮点”是指图像灰度明显大于临域平均灰度的像素,“暗点”是指图像灰度明显小于临域平均灰度的像素。
坏点的存在会在一定程度上影响医生的阅片和诊断。目前检测坏点的方法分为人工视觉检测、自动检测和上两种结合三类。其中完全依靠人工视觉检测效率较低,对于后两种检测方法,目前的技术在检测效率上和准确性上仍有可提升的空间。
目前视觉检测是坏点检测一种比较准确的方法,但对于1024*1024的图像,每次针对一行数据进行显示,共计需要进行1024次视觉检测,过多的人工检测次数,不利于提高工作效率。而门限检测坏点的方法,虽然可以自动进行,但是存在检测门限设定的问题,而检测门限是坏点检测的关键所在。
在美国专利号5 657400的专利“Automatic identification and correction of bad pixels in a large area solid state x-ray detector”,以及美国专利号5854655的专利 “Defective pixel detection circuit of a solid state image pick-up device capable of detecting defective pixels with low power consumption and high precision,and image pick-up device having such detection circuit”之中,虽然分别提出了利用检测门限进行坏点检测,但是都没有涉及如何设定检测门限。
中国专利申请号200410020792.5公开一种“医学影像坏点自动检测门限确定方法”,提出了具体的坏点检测及阈值设定方法,该发明中引用了安捷伦(Agilent Technologies)的坏点定义以及U.S.Pat.No.5,854,655中的坏点检测公式,将图像划分为多个区域,进行初步检测,然后针对每个区域根据其所提出的“迹迹相关”的方法来进行人工视觉检测,从而反复调整阈值来达到最佳的检测效果。该技术方案虽然结合了自动和人工检测两方面的优点,但具有如下缺陷:
1、自动检测坏点阈值的选择工作量较大,需要通过多张图像联合反复检测确认坏点位置,不能较好的突出医学图像中的坏点,导致自动检测坏点的检测准确率非常有限;
2、所提出的人工检测方法需要针对多帧图像反复进行,人工工作量仍然较大,且人工检测效率较低。
发明内容
本发明提出一种医学图像坏点自动检测方法及系统,将自动检测和人工视觉检测相结合,通过自动计算检测阈值和快捷的人工辅助修正检测阈值来提高自动坏点检测准确性和检测效率。
本发明采用如下技术方案实现:一种医学图像坏点自动检测方法,其包括步骤:
将待检测医学图像坏点凸显处理为图像D(x,y),其中, ,为像素点(x,y)的灰度值,和分别为求取像素点(x,y)的灰度值的平方与平方根,为以像素点(x,y)为中心的图像区域K中各个像素点对应灰度值的平均值;
求取图像D(x,y)中各个像素点像素值的均值M,以阈值系数a乘以均值M作为检测阈值,从图像D(x,y)中分离出坏点区域;
选择阈值系数a的值,确保分离出的坏点区域小于或等于图像区域K;
分别从每个坏点区域中提取灰度值为最大值的像素点为坏点位置,输出坏点的位置信息。
在一个优选实施例中,所述医学图像坏点自动检测方法还包括步骤:
采集多帧连续的医学图像;
对采集的多帧医学图像进行叠加并平均处理,得到待检测医学图像。
其中,待检测医学图像中每个像素点的像素值分别为每个像素点对应在各帧医学图像中像素值的均值。
其中,图像区域K为待检测医学图像中k x k个像素点的区域。
其中,求取均值M的步骤包括:
剔除图像D(x,y)中像素值最大和像素值最小的两个极值像素点;
对图像D(x,y)中其余像素点的像素值进行均值计算,求取图像D(x,y)的均值M。
其中,阈值系数a的初始值为1。
另外,本发明还公开一种医学图像坏点自动检测系统,其包括:
坏点凸显处理模块,用于将待检测医学图像坏点凸显处理为图像D(x,y),其中,,为像素点(x,y)的灰度值,和分别为求取像素点(x,y)的灰度值的平方与平方根,为以像素点(x,y)为中心的图像区域K中各个像素点对应灰度值的平均值;
检测阈值确定模块,用于求取图像D(x,y)中各个像素点像素值的均值M,以阈值系数a乘以均值M作为检测阈值,从图像D(x,y)中分离出坏点区域;
检测阈值调节模块,用于选择阈值系数a的值,确保分离出的坏点区域小于或等于图像区域K;
坏点分离模块,用于分别从每个坏点区域中提取灰度值为最大值的像素点为坏点位置,输出坏点的位置信息。
在一个优选实施例中,所述医学图像坏点自动检测系统还包括:
图像采集与叠加处理模块,采集多帧连续的医学图像,对采集的多帧医学图像进行叠加并平均处理,得到待检测医学图像。
与现有技术相比,本发明具有如下有益效果:
1、本发明通过能够更好的突出医学图像中坏点区域的坏点自动检测,使得后续的检测阈值选择容错性更高,并提高了坏点的检出率。
2、本发明给出了简便的视觉修正检测阈值手段,无需通过拍摄多张图像进行联合检测,只需要人工直觉判断,在保证所有被分离出来的坏点区域小于或等于K调节阈值系数a即可实现快速的检测阈值修正,从而大大提高坏点的检测效率。
附图说明
图1是本发明的流程示意图;
图2是本发明的系统结构示意图。
具体实施方式
本发明将自动检测和人工视觉检测相结合,采用更高的自动检测准确率和更快捷的人工辅助修正阈值来提高自动坏点检测准确性和检测效率。
如图1所示,在一个具体实施例中,本发明包括如下实现步骤:
步骤S1、对数字化X光机的所配置的CCD或平板探测器所输出的医学影像,在医学影像中采集多帧连续的医学图像;然后,对采集的多帧医学图像进行叠加并平均处理,得到待检测医学图像,即:对采集的每帧医学图像,逐点计算每个像素点对应在各帧医学图像中像素值的均值,以各个像素点的均值作为待检测医学图像。
比如,像素点(x,y)在连续的3幅医学图像1、医学图像2和医学图像3中的像素值分别为A1、A2和A3,则像素点(x,y)的平均值是:(A1+A2+A3)/3。
步骤S2、识别待检测医学图像中的坏点,并对坏点进行“坏点凸显”处理。
利用以下公式对待检测医学图像进行坏点凸显处理,获得图像D(x,y):
在一个优选实施例中,k=3,表示图像区域K为3x3个像素点的区域,则N=9。
步骤S3、求取图像D(x,y)中各个像素点像素值的均值M,以a*M作为检测阈值,分离出坏点区域,其中,a为阈值系数。
在一个优选实施例中,剔除图像D(x,y)中像素值最大和像素值最小的两个极值像素点,再对图像D(x,y)中其余像素点的像素值进行均值计算,求取图像D(x,y)的均值M。
其中,阈值系数a的初始值为1,后续根据人工视觉判断选择合适的检测阈值。
步骤S4、根据人工视觉进行判断,选择阈值系数a恰当的值,以保证所有被分离出来的坏点区域小于或等于K。
步骤S5、对每个被分离出的坏点区域,提取该坏点区域中灰度值为最大值的像素点为坏点位置,输出坏点的位置信息(或坐标信息)。
例如,一副医学图像某区域灰度如下分布:
200 200 200 200 200
200 200 200 200 200
200 200 198 200 200
200 200 200 200 200
200 200 200 200 200
经过中国专利申请CN200410020792.5技术方案所公开的公式变换后为:
000 000 000 000 000
000 0.005 0.005 0.005 000
000 0.005 0.005 0.005 000
000 0.005 0.005 0.005 000
000 000 000 000 000
此时无论如何选取阈值,都无法分离出原始图像中有问题的像素点,随之后续的“迹迹相关”法也无法实施。
而经过本发明所述的检测方法,将图像变换为:
000 000 000 000 000
000 0.6 0.6 0.6 000
000 0.6 001 0.6 000
000 0.6 0.6 0.6 000
000 000 000 000 000
均值M=0.232,且将中心区域的3x3区域划分出来,然后提取中心最大值1,可以正确的得到有问题的像素点位置。因此,本发明提高了坏点的检出率。
结合图2所示,本发明提出的医学图像坏点自动检测包括:用于执行步骤S1的图像采集与叠加处理模块;用于执行步骤S2的坏点凸显处理模块;用于执行步骤S3的检测阈值确定模块,其连接用于执行步骤S4的检测阈值调节模块;以及用于执行步骤S5的坏点分离模块。
综上,与现有技术相比,本发明具有如下有益技术效果:
1、本发明通过能够更好的突出医学图像中坏点区域的坏点自动检测,使得后续的检测阈值选择容错性更高,并提高了坏点的检出率;
2、本发明给出了简便的视觉修正检测阈值手段,无需通过拍摄多张图像进行联合检测,只需要人工直觉判断,在保证所有被分离出来的坏点区域小于或等于K调节阈值系数a即可实现快速的检测阈值修正,从而大大提高坏点的检测效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
2.根据权利要求1所述医学图像坏点自动检测方法,其特征在于,所述方法还包括步骤:
采集多帧连续的医学图像;
对采集的多帧医学图像进行叠加并平均处理,得到待检测医学图像。
3.根据权利要求2所述医学图像坏点自动检测方法,其特征在于,待检测医学图像中每个像素点的像素值分别为每个像素点对应在各帧医学图像中像素值的均值。
4.根据权利要求1所述医学图像坏点自动检测方法,其特征在于,图像区域K为待检测医学图像中k x k个像素点的区域。
5.根据权利要求1所述医学图像坏点自动检测方法,其特征在于,求取均值M的步骤包括:
剔除图像D(x,y)中像素值最大和像素值最小的两个极值像素点;
对图像D(x,y)中其余像素点的像素值进行均值计算,求取图像D(x,y)的均值M。
6.根据权利要求1所述医学图像坏点自动检测方法,其特征在于,阈值系数a的初始值为1。
7.一种医学图像坏点自动检测系统,其特征在于,所述系统包括:
坏点凸显处理模块,用于将待检测医学图像坏点凸显处理为图像D(x,y),其中,,为像素点(x,y)的灰度值,和分别为求取像素点(x,y)的灰度值的平方与平方根,为以像素点(x,y)为中心的图像区域K中各个像素点对应灰度值的平均值;
检测阈值确定模块,用于求取图像D(x,y)中各个像素点像素值的均值M,以阈值系数a乘以均值M作为检测阈值,从图像D(x,y)中分离出坏点区域;
检测阈值调节模块,用于选择阈值系数a的值,确保分离出的坏点区域小于或等于图像区域K;
坏点分离模块,用于分别从每个坏点区域中提取灰度值为最大值的像素点为坏点位置,输出坏点的位置信息。
8.根据权利要求7所述医学图像坏点自动检测系统,其特征在于,所述系统还包括:
图像采集与叠加处理模块,采集多帧连续的医学图像,对采集的多帧医学图像进行叠加并平均处理,得到待检测医学图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102497424A CN102957878A (zh) | 2011-08-29 | 2011-08-29 | 医学图像坏点自动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102497424A CN102957878A (zh) | 2011-08-29 | 2011-08-29 | 医学图像坏点自动检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102957878A true CN102957878A (zh) | 2013-03-06 |
Family
ID=47766048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102497424A Pending CN102957878A (zh) | 2011-08-29 | 2011-08-29 | 医学图像坏点自动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102957878A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104104945A (zh) * | 2014-07-22 | 2014-10-15 | 西北工业大学 | 星空图像坏点鲁棒检测方法 |
CN104463831A (zh) * | 2013-09-25 | 2015-03-25 | 深圳市蓝韵实业有限公司 | 一种x线平板探测器图像坏线的修补方法 |
CN104599995A (zh) * | 2015-01-14 | 2015-05-06 | 上海华岭集成电路技术股份有限公司 | 离线定位图像传感芯片连续坏点的方法 |
CN109115333A (zh) * | 2018-08-06 | 2019-01-01 | Oppo广东移动通信有限公司 | 激光投射器的检测方法及检测系统 |
CN110118990A (zh) * | 2018-02-07 | 2019-08-13 | 上海西门子医疗器械有限公司 | X光探测器坏点的在线侦测方法、装置、系统及存储介质 |
CN113532801A (zh) * | 2021-06-24 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 基于分布分位数的高/多光谱相机坏点检测方法及系统 |
CN114373196A (zh) * | 2021-12-31 | 2022-04-19 | 北京极豪科技有限公司 | 有效采集区域确定方法、程序产品、存储介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595957A (zh) * | 2004-06-22 | 2005-03-16 | 东软飞利浦医疗设备系统有限责任公司 | 医学影像坏点自动检测门限确定方法 |
-
2011
- 2011-08-29 CN CN2011102497424A patent/CN102957878A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595957A (zh) * | 2004-06-22 | 2005-03-16 | 东软飞利浦医疗设备系统有限责任公司 | 医学影像坏点自动检测门限确定方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463831A (zh) * | 2013-09-25 | 2015-03-25 | 深圳市蓝韵实业有限公司 | 一种x线平板探测器图像坏线的修补方法 |
CN104463831B (zh) * | 2013-09-25 | 2019-07-09 | 深圳市蓝韵实业有限公司 | 一种x线平板探测器图像坏线的修补方法 |
CN104104945A (zh) * | 2014-07-22 | 2014-10-15 | 西北工业大学 | 星空图像坏点鲁棒检测方法 |
CN104104945B (zh) * | 2014-07-22 | 2015-12-09 | 西北工业大学 | 星空图像坏点鲁棒检测方法 |
CN104599995A (zh) * | 2015-01-14 | 2015-05-06 | 上海华岭集成电路技术股份有限公司 | 离线定位图像传感芯片连续坏点的方法 |
CN104599995B (zh) * | 2015-01-14 | 2017-04-05 | 上海华岭集成电路技术股份有限公司 | 离线定位图像传感芯片连续坏点的方法 |
CN110118990A (zh) * | 2018-02-07 | 2019-08-13 | 上海西门子医疗器械有限公司 | X光探测器坏点的在线侦测方法、装置、系统及存储介质 |
CN109115333A (zh) * | 2018-08-06 | 2019-01-01 | Oppo广东移动通信有限公司 | 激光投射器的检测方法及检测系统 |
CN113532801A (zh) * | 2021-06-24 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 基于分布分位数的高/多光谱相机坏点检测方法及系统 |
CN114373196A (zh) * | 2021-12-31 | 2022-04-19 | 北京极豪科技有限公司 | 有效采集区域确定方法、程序产品、存储介质及电子设备 |
CN114373196B (zh) * | 2021-12-31 | 2023-09-19 | 天津极豪科技有限公司 | 有效采集区域确定方法、程序产品、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102957878A (zh) | 医学图像坏点自动检测方法及系统 | |
EP3739431B1 (en) | Method for determining point of gaze, contrast adjustment method and device, virtual reality apparatus, and storage medium | |
CN101448085B (zh) | 一种支持人脸检测的摄像处理方法和系统 | |
RU2008110044A (ru) | Способ и схема обнаружения и отслеживания в реальном времени глаз нескольких наблюдателей | |
EP2962624A1 (en) | Image processing device, image processing method and image processing program | |
CN107077621A (zh) | 用于图像中低功率对象检测的硬件内扫描窗口 | |
CN102184560B (zh) | 一种基于模板的ccd-dr图像拼接方法 | |
JP5298638B2 (ja) | 画像処理装置、撮像装置、補正係数算出方法及び画像処理プログラム | |
CN109509198B (zh) | 校正损伤的设备和方法 | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
US9330333B2 (en) | Method and apparatus for image content-based automatic brightness detection | |
EP3068122B1 (en) | Image processing apparatus and image processing method | |
CN107481225A (zh) | 一种自动寻找最优参数分割粘连细胞的方法 | |
US20150138323A1 (en) | Image processing device and method, and program | |
CN103034857B (zh) | 自动检测图像中曝光区域的方法及系统 | |
US20190167110A1 (en) | Control processing system and imaging method for subcutaneous vein developing device | |
CN101790101B (zh) | 图像饱和度调整方法与图像饱和度调整装置 | |
CN116884036A (zh) | 基于YOLOv5DA的生猪姿态检测方法、装置、设备及介质 | |
CN108876767B (zh) | 一种甘蔗蔗节特征快速识别装置 | |
JP2012048326A (ja) | 画像処理装置及びプログラム | |
Peng et al. | Weed recognition using image blur information | |
CN110930346B (zh) | 一种眼底图像微血管瘤自动检测方法及存储设备 | |
CN103955941A (zh) | 一种角膜内皮细胞分析仪及分析方法 | |
JP6350331B2 (ja) | 追尾装置、追尾方法及び追尾プログラム |
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 |
Application publication date: 20130306 |