CN103177252A - 一种自动识别并分割位置谱的方法及装置 - Google Patents
一种自动识别并分割位置谱的方法及装置 Download PDFInfo
- Publication number
- CN103177252A CN103177252A CN2013100672273A CN201310067227A CN103177252A CN 103177252 A CN103177252 A CN 103177252A CN 2013100672273 A CN2013100672273 A CN 2013100672273A CN 201310067227 A CN201310067227 A CN 201310067227A CN 103177252 A CN103177252 A CN 103177252A
- Authority
- CN
- China
- Prior art keywords
- point
- curve
- location
- straight line
- spectrum
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000001228 spectrum Methods 0.000 title claims abstract description 63
- 238000000638 solvent extraction Methods 0.000 title abstract 7
- 239000013078 crystal Substances 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 15
- 238000011946 reduction process Methods 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 239000003550 marker Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000003707 image sharpening Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 3
- 238000012879 PET imaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012636 positron electron tomography Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003068 molecular probe Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Measurement Of Radiation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种自动识别并分割位置谱的方法，其步骤为：获取数据；设置一个初始阈值作为最大值，扫描图谱中所有的点，若有值等于该初始阈值，标记该点为位置点；将上述阈值减1，扫描图谱中所有的点，如果在以该阈值对应的点为中心，R为半径的区域里有位置点标记，或者有边界标记，将该点标记成边界，若既没有位置点标记也没有边界标记，将该点标记成位置点；重复以上步骤，直到标记出N个位置点；用直线拟合的方法查找没有识别的位置点；横向两点间相连和纵向两点间相连，分割出位置谱。本发明能实现全自动分割，可以在硬件中实现，直接传给后端，不需要在显示器上进行人工分割，效率高，省时间，更准确，适用性广。
Description
技术领域
本发明涉及辐射探测成像技术领域，尤其涉及一种自动识别并分割位置谱的方法及装置。
背景技术
正电子发射断层成像（PositronEmissionTomography，以下均简称PET）是一种非侵入式的造影方法。它成像的基本原理是将正电子放射性核素标记于分子探针上，当放射性核素衰变产生的正电子与生物体内的负电子碰撞湮灭后，发出一对能量为511KeV，运动方向近似相反的γ光子。PET采用环绕生物体的环形位置灵敏辐射探测器将入射的γ光子转换为电信号，从而获得其能量、位置和时间信息。通过湮灭符合技术，得到湮灭事件所在响应线的位置，并通过二维或三维断层重建算法获得正电子核素在生物体中的分布，从而在体外观测生物体内的生理和生化过程。
PET成像系统中，常通过PET成像设备前端的探测器获取事件的位置信息，然后将该些位置信息上传计算机，从而在计算机的显示器上将该些位置信息以图像方式进行位置谱显示。目前位置谱上面的位置信息大多数先是由人工用手进行分割，然后，再将分割好的位置信息送给后端进行下一步处理。但是，有时候这样的位置谱有几十张之多，若是采用人工纯手工分割效率非常低，分割不准确，而且，无形中增加了整个系统的处理时间。
因此，针对上述技术问题，有必要提供一种改良结构的自动识别并分割位置谱的方法及装置，以克服上述缺陷。
发明内容
有鉴于此，本发明的目的在于提供一种能实现全自动分割的自动识别并分割位置谱的方法。
为实现上述目的，本发明提供如下技术方案：
一种自动识别并分割位置谱的方法，其步骤如下：
S1：从探测器中获取数据图谱，并对数据图谱进行预处理；
S2：对S1中预处理后的数据图谱进行分水岭图像分割，获得初步晶体位置点；
S3：用直线拟合或曲线拟合的方法查找步骤S2中没有识别的位置点；
S4：横向两点间相连，和纵向两点之间相连，分割出位置谱。
优选的，在上述自动识别并分割位置谱的方法中，所述预处理包括对步骤S1中获取的数据进行归一化处理，所述归一化处理的公式为：
y=(x-MIN)/max*(MAX-MIN)+min，
其中，y代表输出结果，x代表输入数据，MAX代表输入数据里最大的值，MIN代表输入数据里最小的值，max和min是归一化的范围。
优选的，在上述自动识别并分割位置谱的方法中，所述预处理还包括对归一化处理后的数据进行降噪处理。
优选的，在上述自动识别并分割位置谱的方法中，所述降噪处理的具体步骤为：先做一个频域高斯低通滤波处理，去除噪声，然后做一个频域高斯高通滤波处理，使图像锐化。
优选的，在上述自动识别并分割位置谱的方法中，所述步骤S2中分水岭图像分割的步骤具体为：
T21：设置一个初始阈值作为最大值，扫描图谱中所有的点，如果有值等于该初始阈值，标记该点为位置点；
T22：对于步骤T21中的阈值减1，扫描图谱中所有的点，如果在以该阈值对应的点为中心，R为半径的区域里有位置点标记，或者有边界标记，将该点标记成边界，如果既没有位置点标记也没有边界标记，将该点标记成位置点，所述R为两个晶体间的实际物理位置；
T23：重复步骤T22，直到标记出N个位置点，或者直到阈值为最小阈值，N最大为实际晶体的个数。
优选的，在上述自动识别并分割位置谱的方法中，所述步骤S3中用直线拟合的方法查找没有识别的位置点，具体步骤为：
T31：将步骤S2中找出的位置点按竖直方向从小到大排序；
T32：增加一条直线，该直线的初始位置为第一个非拟合点，并标记该点为拟合点；
T33：计算下一个点到该直线的距离，如果大于阈值，重复步骤T32；否则标记该点为已拟合点，计算所有标记为拟合点的平均值，移动直线到平均值的位置，所述阈值为两个晶体间的实际物理位置；
T34：重复步骤T33，直到所有点都拟合完；
T35：将步骤S2中找出的位置点按水平方向从小到大排序，重复步骤T32到T34；
T36：设置步骤S2中没有识别的点为水平线和竖直线的交点。
优选的，在上述自动识别并分割位置谱的方法中，所述步骤S3中用曲线拟合的方法查找没有识别的位置点，具体步骤为：
T41：取晶体实际位置点拟合成的曲线为经验曲线；
T42：增加一条横向曲线，该曲线的初始位置为第一个非拟合点，计算所有点到该曲线的纵向距离，标记在阈值内的点为拟合点；
T43：曲线往下移1，计算拟合点到该曲线的纵向距离的方差；
T44：重复步骤T43，直到方差最小；
T45：将拟合点到该曲线的距离按大小排列；
T46：去掉距离最大的点，直到点数不超过实际晶体的点数，并标记为非拟合点；
T47：重复T42，直到所有的点都拟合完；
T48：将T42中的曲线改成竖直曲线，重复T42到T44；
T49：设置步骤S2中没有识别的点为横向曲线和竖直曲线的交点。
一种自动识别并分割位置谱的装置，其包括如下模块：
数据获取模块，用于获取探测器上传的位置信息数据，并对这些位置信息进行归一化处理；
初始参数设定模块，用于设定实际晶体参数及晶体间的实际距离；
预处理模块，用于对归一化后的数据做去噪滤波处理，获取滤波后的结果；
位置点识别分割模块，用于识别出位置点并对位置点进行分割。
优选的，在上述自动识别并分割位置谱的装置中，所述数据获取模块将获取的探测器上传的位置信息数据进行归一化后存为计算机格式的图像文件，所述归一化处理用于将获取的探测器上传的位置信息数据缩小到计算机可以处理的范围。
优选的，在上述自动识别并分割位置谱的装置中，所述位置点识别分割模块包括分水岭找点、直线拟合或曲线拟合找点，所述分水岭点用于预处理后的数据初步找点，所述直线拟合或曲线拟合找点用于对分水岭找点进行直线或曲线拟合，并得出分水岭找点中未找到的点，使所有的点都识别处理，然后对点进行位置分割。
从上述技术方案可以看出，本发明实施例的自动识别并分割位置谱的方法能实现全自动分割，可以在硬件中实现，直接传给后端，不需要在显示器上进行人工分割，效率高，省时间，更准确，适用性广。
与现有技术相比，本发明的有益效果是：
（1）不需要在显示器上进行人工分割，效率高，节省了时间。
（2）直接在硬件中实现自动分割，更准确，适用性广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的有关本发明的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明自动识别并分割位置谱的方法中用分水岭的方法找位置点的流程图；
图2本发明自动识别并分割位置谱的方法中用直线拟合的方法找没有识别的位置点的流程图；
图3为本发明自动识别并分割位置谱的方法中对探测器中获取的数据做归一化后在计算机中显示的图；
图4为本发明自动识别并分割位置谱的方法中去噪滤波后的数据在计算机中显示的图；
图5为本发明自动识别并分割位置谱的方法中所有位置点通过横向直线拟合处理后的结果示意图；
图6为本发明自动识别并分割位置谱的方法中所有位置点通过横向和纵向直线拟合处理后的结果示意图，其中，横向直线和竖直直线相交的交点，作为未识别出来的位置；
图7为本发明自动识别并分割位置谱的方法中位置谱被分割后的示意图。
具体实施方式
本发明公开了一种能实现全自动分割的自动识别并分割位置谱的方法。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明公开的自动识别并分割位置谱的方法，其步骤如下：
S1：从探测器中获取数据图谱，并对数据图谱进行预处理；
S2：对S1中预处理后的数据图谱进行分水岭图像分割，获得初步晶体位置点；
S3：用直线拟合或曲线拟合的方法查找步骤S2中没有识别的位置点；
S4：横向两点间相连，和纵向两点之间相连，分割出位置谱。
最终采用上述方法分割后的位置谱效果如图7所示，图7为本发明自动识别并分割位置谱的方法中位置谱被分割后的示意图。
本发明实施例的自动识别并分割位置谱的方法能实现全自动分割，可以在硬件中实现，直接传给后端，不需要在显示器上进行人工分割，效率高，省时间，更准确，适用性广。
在上述自动识别并分割位置谱的方法中，所述预处理包括对步骤S1中获取的数据进行归一化处理，所述归一化处理的公式为：
y=(x-MIN)/max*(MAX-MIN)+min，
其中，y代表输出结果，x代表输入数据，MAX代表输入数据里最大的值，MIN代表输入数据里最小的值，max和min是归一化的范围，这里max取255，min取0。具体如图3所示，图3为本发明自动识别并分割位置谱的方法中对探测器中获取的数据做归一化后在计算机中显示的图。
上述自动识别并分割位置谱的方法中，所述预处理还包括对归一化处理后的数据进行降噪处理。具体如图4所示，图4为本发明自动识别并分割位置谱的方法中去噪滤波后的数据在计算机中显示的图。
上述自动识别并分割位置谱的方法中，所述降噪处理的具体步骤为：先做一个频域高斯低通滤波处理，去除噪声，然后做一个频域高斯高通滤波处理，使图像锐化。
当然，除了上述降噪方法外，还可以采用其他降噪方法，比如，使用“巴特沃斯滤波器”进行降噪处理，或使用“均值滤波”进行降噪处理，或使用“中值滤波”进行降噪处理等等。在此不再对降噪方法进行一一罗列，任何能达成本发明降噪目的的降噪方法均在本发明的保护范围之内。
其中，使用“巴特沃斯滤波器”进行降噪处理的步骤为：先做一个巴特沃斯低通滤波处理，去除噪声，然后做一个巴特沃斯高通滤波处理，使图像锐化。
其中，使用“均值滤波”进行降噪处理的步骤为：直接做均值滤波，以目标点为中心的周围8个点，构成一个滤波模板，用模板中所有的点的平均值来替代目标点。
其中，使用“中值滤波”进行降噪处理的步骤为：直接做中值滤波，以目标点为中心的周围8个点，构成一个滤波模板，取模板中所有的点的中间值来替代目标点。
如图1所示，上述自动识别并分割位置谱的方法中，所述步骤S2中分水岭图像分割的步骤具体为：
T21：设置一个初始阈值作为最大值，扫描图谱中所有的点，如果有值等于该初始阈值，标记该点为位置点；
T22：对于步骤T21中的阈值减1，扫描图谱中所有的点，如果在以该阈值对应的点为中心，R为半径的区域里有位置点标记，或者有边界标记，将该点标记成边界，如果既没有位置点标记也没有边界标记，将该点标记成位置点，所述R为两个晶体间的实际物理位置；
T23：重复步骤T22，直到标记出N个位置点，或者直到阈值为最小阈值，N最大为实际晶体的个数。
如图2所示，上述自动识别并分割位置谱的方法中，所述步骤S3中用直线拟合的方法查找没有识别的位置点，具体步骤为：
T31：将步骤S2中找出的位置点按竖直方向从小到大排序；
T32：增加一条直线，该直线的初始位置为第一个非拟合点，并标记该点为拟合点；
T33：计算下一个点到该直线的距离，如果大于阈值，重复步骤T32；否则标记该点为已拟合点，计算所有标记为拟合点的平均值，移动直线到平均值的位置，所述阈值为两个晶体间的实际物理位置；
T34：重复步骤T33，直到所有点都拟合完；
T35：将步骤S2中找出的位置点按水平方向从小到大排序，重复步骤T32到T34；
T36：设置步骤S2中没有识别的点为水平线和竖直线的交点。
具体效果如图5及图6所示，图5为本发明自动识别并分割位置谱的方法中所有位置点通过横向直线拟合处理后的结果示意图；图6为本发明自动识别并分割位置谱的方法中所有位置点通过横向和纵向直线拟合处理后的结果示意图，其中，横向直线和竖直直线相交的交点，作为未识别出来的位置。
上述自动识别并分割位置谱的方法中，所述步骤S3中用曲线拟合的方法查找没有识别的位置点，具体步骤为：
T41：取晶体实际位置点拟合成的曲线为经验曲线；
T42：增加一条横向曲线，该曲线的初始位置为第一个非拟合点，计算所有点到该曲线的纵向距离，标记在阈值内的点为拟合点；
T43：曲线往下移1，计算拟合点到该曲线的纵向距离的方差；
T44：重复步骤T43，直到方差最小；
T45：将拟合点到该曲线的距离按大小排列；
T46：去掉距离最大的点，直到点数不超过实际晶体的点数，并标记为非拟合点；
T47：重复T42，直到所有的点都拟合完；
T48：将T42中的曲线改成竖直曲线，重复T42到T44；
T49：设置步骤S2中没有识别的点为横向曲线和竖直曲线的交点。
本发明公开的自动识别并分割位置谱的装置，其包括如下模块：
数据获取模块，用于获取探测器上传的位置信息数据，并对这些位置信息进行归一化处理；
初始参数设定模块，用于设定实际晶体参数及晶体间的实际距离；
预处理模块，用于对归一化后的数据做去噪滤波处理，获取滤波后的结果；
位置点识别分割模块，用于识别出位置点并对位置点进行分割。
上述自动识别并分割位置谱的装置中，所述数据获取模块将获取的探测器上传的位置信息数据进行归一化后存为计算机格式的图像文件，所述归一化处理用于将获取的探测器上传的位置信息数据缩小到计算机可以处理的范围。
上述自动识别并分割位置谱的装置中，所述位置点识别分割模块包括分水岭找点、直线拟合或曲线拟合找点，所述分水岭点用于预处理后的数据初步找点，所述直线拟合或曲线拟合找点用于对分水岭找点进行直线或曲线拟合，并得出分水岭找点中未找到的点，使所有的点都识别处理，然后对点进行位置分割。
本发明的自动识别并分割位置谱的方法的原理是：采用分水岭分割边界的方法，用来查找某一范围内的最高点，再用直线拟合或曲线拟合的方法找出分水岭图像分割没有识别的位置点，从而补齐所有的位置点，达到全自动识别和分割位置。
本发明实施例的自动识别并分割位置谱的方法能实现全自动分割，可以在硬件中实现，直接传给后端，不需要在显示器上进行人工分割，效率高，省时间，更准确，适用性广。
与现有技术相比，本发明的有益效果是：
（1）不需要在显示器上进行人工分割，效率高，节省了时间。
（2）直接在硬件中实现自动分割，更准确，适用性广。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种自动识别并分割位置谱的方法，其特征在于：步骤如下：
S1：从探测器中获取数据图谱，并对数据图谱进行预处理；
S2：对S1中预处理后的数据图谱进行分水岭图像分割，获得初步晶体位置点；
S3：用直线拟合或曲线拟合的方法查找步骤S2中没有识别的位置点；
S4：横向两点间相连，和纵向两点之间相连，分割出位置谱。
2.根据权利要求1所述的自动识别并分割位置谱的方法，其特征在于：所述预处理包括对步骤S1中获取的数据进行归一化处理，所述归一化处理的公式为：
y=(x-MIN)/max*(MAX-MIN)+min，
其中，y代表输出结果，x代表输入数据，MAX代表输入数据里最大的值，MIN代表输入数据里最小的值，max和min是归一化的范围。
3.根据权利要求2所述的自动识别并分割位置谱的方法，其特征在于：所述预处理还包括对归一化处理后的数据进行降噪处理。
4.根据权利要求3所述的自动识别并分割位置谱的方法，其特征在于：所述降噪处理的具体步骤为：先做一个频域高斯低通滤波处理，去除噪声，然后做一个频域高斯高通滤波处理，使图像锐化。
5.根据权利要求1所述的自动识别并分割位置谱的方法，其特征在于：所述步骤S2中分水岭图像分割的步骤具体为：
T21：设置一个初始阈值作为最大值，扫描图谱中所有的点，如果有值等于该初始阈值，标记该点为位置点；
T22：对于步骤T21中的阈值减1，扫描图谱中所有的点，如果在以该阈值对应的点为中心，R为半径的区域里有位置点标记，或者有边界标记，将该点标记成边界，如果既没有位置点标记也没有边界标记，将该点标记成位置点，所述R为两个晶体间的实际物理位置；
T23：重复步骤T22，直到标记出N个位置点，或者直到阈值为最小阈值，N最大为实际晶体的个数。
6.根据权利要求1所述的自动识别并分割位置谱的方法，其特征在于：所述步骤S3中用直线拟合的方法查找没有识别的位置点，具体步骤为：
T31：将步骤S2中找出的位置点按竖直方向从小到大排序；
T32：增加一条直线，该直线的初始位置为第一个非拟合点，并标记该点为拟合点；
T33：计算下一个点到该直线的距离，如果大于阈值，重复步骤T32；否则标记该点为已拟合点，计算所有标记为拟合点的平均值，移动直线到平均值的位置，所述阈值为两个晶体间的实际物理位置；
T34：重复步骤T33，直到所有点都拟合完；
T35：将步骤S2中找出的位置点按水平方向从小到大排序，重复步骤T32到T34；
T36：设置步骤S2中没有识别的点为水平线和竖直线的交点。
7.根据权利要求1所述的自动识别并分割位置谱的方法，其特征在于：所述步骤S3中用曲线拟合的方法查找没有识别的位置点，具体步骤为：
T41：取晶体实际位置点拟合成的曲线为经验曲线；
T42：增加一条横向曲线，该曲线的初始位置为第一个非拟合点，计算所有点到该曲线的纵向距离，标记在阈值内的点为拟合点；
T43：曲线往下移1，计算拟合点到该曲线的纵向距离的方差；
T44：重复步骤T43，直到方差最小；
T45：将拟合点到该曲线的距离按大小排列；
T46：去掉距离最大的点，直到点数不超过实际晶体的点数，并标记为非拟合点；
T47：重复T42，直到所有的点都拟合完；
T48：将T42中的曲线改成竖直曲线，重复T42到T44；
T49：设置步骤S2中没有识别的点为横向曲线和竖直曲线的交点。
8.一种自动识别并分割位置谱的装置，其特征在于：包括如下模块：
数据获取模块，用于获取探测器上传的位置信息数据，并对这些位置信息进行归一化处理；
初始参数设定模块，用于设定实际晶体参数及晶体间的实际距离；
预处理模块，用于对归一化后的数据做去噪滤波处理，获取滤波后的结果；
位置点识别分割模块，用于识别出位置点并对位置点进行分割。
9.根据权利要求8所述的自动识别并分割位置谱的装置，其特征在于：所述数据获取模块将获取的探测器上传的位置信息数据进行归一化后存为计算机格式的图像文件，所述归一化处理用于将获取的探测器上传的位置信息数据缩小到计算机可以处理的范围。
10.根据权利要求8所述的自动识别并分割位置谱的装置，其特征在于：所述位置点识别分割模块包括分水岭找点、直线拟合或曲线拟合找点，所述分水岭点用于预处理后的数据初步找点，所述直线拟合或曲线拟合找点用于对分水岭找点进行直线或曲线拟合，并得出分水岭找点中未找到的点，使所有的点都识别处理，然后对点进行位置分割。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310067227.3A CN103177252B (zh) | 2013-03-04 | 2013-03-04 | 一种自动识别并分割位置谱的方法及装置 |
| PCT/CN2013/074545 WO2014134860A1 (zh) | 2013-03-04 | 2013-04-23 | 一种自动识别并分割位置谱的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310067227.3A CN103177252B (zh) | 2013-03-04 | 2013-03-04 | 一种自动识别并分割位置谱的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103177252A true CN103177252A (zh) | 2013-06-26 |
| CN103177252B CN103177252B (zh) | 2017-04-12 |
Family
ID=48637093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310067227.3A Active CN103177252B (zh) | 2013-03-04 | 2013-03-04 | 一种自动识别并分割位置谱的方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN103177252B (zh) |
| WO (1) | WO2014134860A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732541A (zh) * | 2015-03-27 | 2015-06-24 | 北京永新医疗设备有限公司 | Pet晶体位置查找表的获取方法和装置 |
| CN110471102A (zh) * | 2019-08-19 | 2019-11-19 | 苏州瑞派宁科技有限公司 | 一种识别位置谱的方法、装置及计算机存储介质 |
| CN110598708A (zh) * | 2019-08-08 | 2019-12-20 | 广东工业大学 | 一种街景文本目标识别检测方法 |
| CN111938684A (zh) * | 2020-07-08 | 2020-11-17 | 南昌大学 | 高速低时空复杂度的pet晶体位置谱数据分割方法 |
| CN114577191A (zh) * | 2022-05-06 | 2022-06-03 | 成都纵横通达信息工程有限公司 | 基于地理空间信息数据的测绘数据采集方法及系统 |
| CN116359974A (zh) * | 2023-04-20 | 2023-06-30 | 杭州湘亭科技有限公司 | 一种管道内铀放射性污染检测数据处理方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1452089A (zh) * | 2002-04-15 | 2003-10-29 | 通用电气公司 | Pet肿瘤图像的半自动分割算法 |
| US20070221856A1 (en) * | 2006-03-23 | 2007-09-27 | Eriksson Lars A | Photo sensor panel for high resolution PET |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI20031835A (fi) * | 2003-12-15 | 2005-06-16 | Instrumentarium Corp | Menetelmä ja järjestelmä referenssimerkin paikantamiseksi digitaalisista projektiokuvista |
| DE10361838B3 (de) * | 2003-12-30 | 2005-05-25 | RUHR-UNIVERSITäT BOCHUM | Verfahren zur Bewertung von Ähnlichkeiten realer Objekte |
| CN102129684B (zh) * | 2011-03-17 | 2012-12-12 | 南京航空航天大学 | 基于拟合轮廓的异源图像匹配方法 |
| CN102663437A (zh) * | 2012-05-03 | 2012-09-12 | 中国西安卫星测控中心 | 一种基于广义Hough变换的航天器分类识别方法 |
| CN102981179B (zh) * | 2012-11-05 | 2014-12-03 | 中国科学院高能物理研究所 | 用于闪烁探测器的位置表生成方法 |
-
2013
- 2013-03-04 CN CN201310067227.3A patent/CN103177252B/zh active Active
- 2013-04-23 WO PCT/CN2013/074545 patent/WO2014134860A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1452089A (zh) * | 2002-04-15 | 2003-10-29 | 通用电气公司 | Pet肿瘤图像的半自动分割算法 |
| US20070221856A1 (en) * | 2006-03-23 | 2007-09-27 | Eriksson Lars A | Photo sensor panel for high resolution PET |
Non-Patent Citations (4)
| Title |
|---|
| ZHIHAO HU等: "Semi-Automatic Position Calibration for a Dual-Head Small Animal PET Scanner", 《2007 IEEE NUCLEAR SCIENCE SYMPOSIUM CONFERENCE RECORD》 * |
| ZZY870317: "归一化方法", 《HTTP://WENKU.BAIDU.COM/LINK?URL=ZDXJOFUR6YEF9O0PMNPRTJLAGUSJXW-VOG0IZUILOOVZRZHAB1ETCDKDEFL0A0QXF5HFWHJKDGSGW1DT8LM8KRJKHCVDQQFUWQOPEGGXNL3》 * |
| 张雷 等: "正电子发射断层成像探测模块的位置标定", 《第十三届全国核电子学与核探测技术学术年会论文集(下册)》 * |
| 柴培 等: "正电子发射断层扫描仪Block探测器晶体位置表的建立", 《中国科学(E辑:技术科学)》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732541A (zh) * | 2015-03-27 | 2015-06-24 | 北京永新医疗设备有限公司 | Pet晶体位置查找表的获取方法和装置 |
| CN104732541B (zh) * | 2015-03-27 | 2018-07-20 | 北京永新医疗设备有限公司 | Pet晶体位置查找表的获取方法和装置 |
| CN110598708A (zh) * | 2019-08-08 | 2019-12-20 | 广东工业大学 | 一种街景文本目标识别检测方法 |
| CN110598708B (zh) * | 2019-08-08 | 2022-09-23 | 广东工业大学 | 一种街景文本目标识别检测方法 |
| CN110471102A (zh) * | 2019-08-19 | 2019-11-19 | 苏州瑞派宁科技有限公司 | 一种识别位置谱的方法、装置及计算机存储介质 |
| CN110471102B (zh) * | 2019-08-19 | 2021-06-01 | 苏州瑞派宁科技有限公司 | 一种识别位置谱的方法、装置以及计算机存储介质 |
| CN111938684A (zh) * | 2020-07-08 | 2020-11-17 | 南昌大学 | 高速低时空复杂度的pet晶体位置谱数据分割方法 |
| CN111938684B (zh) * | 2020-07-08 | 2024-01-02 | 南昌大学 | 高速低时空复杂度的pet晶体位置谱数据分割方法 |
| CN114577191A (zh) * | 2022-05-06 | 2022-06-03 | 成都纵横通达信息工程有限公司 | 基于地理空间信息数据的测绘数据采集方法及系统 |
| CN114577191B (zh) * | 2022-05-06 | 2022-07-12 | 成都纵横通达信息工程有限公司 | 基于地理空间信息数据的测绘数据采集方法及系统 |
| CN116359974A (zh) * | 2023-04-20 | 2023-06-30 | 杭州湘亭科技有限公司 | 一种管道内铀放射性污染检测数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2014134860A1 (zh) | 2014-09-12 |
| CN103177252B (zh) | 2017-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103177252A (zh) | 一种自动识别并分割位置谱的方法及装置 | |
| CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
| DE102019202252A1 (de) | Robuste simultane lokalisierung und kartierung durch entfernung dynamischer verkehrsteilnehmer | |
| DE102016105471B4 (de) | Iriserfassung durch Bildgebung mit sichtbarem Licht | |
| CN103148837B (zh) | 一种车距测量方法、装置及汽车 | |
| DE102016214875A1 (de) | Schildbasierte Ortung | |
| CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
| CN107705313B (zh) | 一种遥感图像舰船目标分割方法 | |
| CN105205785A (zh) | 一种可定位的大型车辆运行管理系统及其运行方法 | |
| EP3270364A2 (en) | Detection method and apparatus of a status of a parking lot and electronic equipment | |
| CN103413276A (zh) | 一种基于纹理分布特征的深度增强方法 | |
| DE102016105753A1 (de) | Verfahren und Vorrichtung zur Bestimmung einer Linsentönungskorrektur für eine Mehrfachkameravorrichtung mit verschiedenen Sichtfeldern | |
| CN104713526B (zh) | 输电线路上异物种类检测方法 | |
| DE102013222322A1 (de) | Verfahren und Gerät für das Bereitstellen von Augmented Reality bzw. erweiterter Realität | |
| CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
| CN104075965A (zh) | 一种基于分水岭分割的显微图像颗粒粒度测量方法 | |
| CN105300358A (zh) | 输电线路上异物种类检测平台 | |
| CN202134044U (zh) | 一种基于角点块提取与匹配的图像拼接装置 | |
| CN113129423B (zh) | 车辆三维模型的获取方法、装置、电子设备和存储介质 | |
| CN106156691A (zh) | 复杂背景图像的处理方法及其装置 | |
| DE102014207398A1 (de) | Objektassoziation zur kontaktanalogen Anzeige auf einem HMD | |
| CN115752432A (zh) | 无人机采集道路交通图中虚线车道线自动提取方法及系统 | |
| CN107292263B (zh) | 一种机动、电动车辆自动驾驶识别系统 | |
| DE202018006745U1 (de) | Festkörper-Bildgebungselement und Bildgebungsvorrichtung | |
| CN103761878A (zh) | 车牌识别系统及其识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |