CN103310412B - 图像处理装置 - Google Patents
图像处理装置 Download PDFInfo
- Publication number
- CN103310412B CN103310412B CN201210540078.3A CN201210540078A CN103310412B CN 103310412 B CN103310412 B CN 103310412B CN 201210540078 A CN201210540078 A CN 201210540078A CN 103310412 B CN103310412 B CN 103310412B
- Authority
- CN
- China
- Prior art keywords
- image
- mentioned
- generation unit
- original image
- directional
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
提供一种图像处理装置,能够获取可视性高的图像。根据本发明的结构,通过两种方法来识别拍进原始图像(P0)的线状结构物。第一方法是,制作评价图像(P3),该评价图像(P3)用于评价各像素是否为原始图像上的线状结构物。第二方法是,获取拍进原始图像(P0)的线状结构物与除线状结构物以外的部分之差,生成拍进了线状结构物的差图像(P6)。本发明的特征在于,基于以这种不同的方法生成的与线状结构物有关的两个图像,保持原始图像上的浓度地从原始图像(P0)提取原始图像上的线状结构物。由此,保持浓度地从原始图像(P0)抽出线状结构物,因此能够获得可视性高的图像。
Description
技术领域
本发明涉及一种在放射线摄影中对图像实施处理使得易于识别线状的结构物的图像处理装置。
背景技术
在医疗机构中具备通过放射线获取被检体的图像的放射线摄影装置。在这种放射线摄影装置中,存在一种以拍摄插入被检体的血管中的引导线为目的而使用的装置。作为进行这种图像处理的装置,例如存在专利文献1中记载的装置。
即使通过放射线摄影装置得到被检体的透视图像,也未必将引导线清楚地拍进图像。因此,现有的放射线摄影装置实施图像处理以提高图像上的引导线的可视性。对该现有的图像处理的具体的处理进行说明。在专利文献1中记载的图像处理中,构成为通过统计处理来去除拍进图像的噪声。在这种噪声去除处理中引导线不会被去除。因而,根据现有的结构,通过去除噪声,能够获得引导线更加清楚的图像。
专利文献1:日本特开2001-111835号公报
发明内容
发明要解决的问题
然而,在现有的图像处理中存在以下问题。
即,在现有的图像处理中只能获得可视性低的图像。即,在现有的图像处理中不能进行突出引导线这样的处理。
引导线在图像上不清晰并不限于图像上的噪声的原因。还存在以下情况:由于引导线原本浅淡地拍进图像,难以看出图像上的引导线。在现有结构中无法进行突出引导线这样的图像处理。因而,即使进行现有结构的图像处理,浅淡地拍进图像的引导线也仍为原样。也就是说,在现有的图像处理中只能获得可视性低的图像。
本发明是鉴于这种情况而完成的,其目的在于提供一种能够获得可视性高的图像的图像处理装置。
用于解决问题的方案
为了解决上述问题,本发明采用如下的结构。
即,本发明所涉及的图像处理装置,对通过透视被检体而获得的原始图像进行处理,其特征在于,具备:评价图像生成单元,其基于原始图像生成评价图像,该评价图像用于评价各像素是否为原始图像上的线状结构物;方向图像生成单元,其基于原始图像生成方向图像,该方向图像示出各像素是原始图像上的线状结构物时的线的延伸方向;差图像生成单元,其基于方向图像生成差图像,该差图像是从线状结构物部分的像素值减去线状结构物以外的像素值而得到的;以及提取图像生成单元,其基于评价图像和差图像生成提取图像,该提取图像是保持原始图像上的浓度地从原始图像提取出原始图像上的线状结构物而得到的。
(作用和效果)
根据上述结构,能够进行突出拍进原始图像的线状结构物这样的图像处理。具体地说,通过两种方法来识别拍进原始图像的线状结构物。第一方法是,制作用于评价各像素是否为原始图像上的线状结构物的评价图像。由此,能够确定原始图像上的线状结构物的位置。第二方法是,获取拍进原始图像的线状结构物与线状结构物以外的部分之差,生成拍进了线状结构物的差图像。由此,获知在原始图像中以与线状结构物以外的像素相比相差何种程度的像素值拍进了线状结构物。本发明的特征在于,基于以这种不同的方法生成的与线状结构物有关的两个图像,保持原始图像上的浓度地从原始图像提取原始图像上的线状结构物。评价图像仅具有与原始图像中的线状结构物的位置有关的信息。另一方面,差图像包含伴随在原始图像的整个区域中实施定向的差处理而产生的伪像。如果利用具有这种缺点的两个图像来提取线状结构物,则能够互相弥补两种方法所具有的缺点。因而,仅保持线状结构物的浓度地从原始图像抽出所获得的提取图像,提高可视性。
另外,更为优选的是,上述图像处理装置还具备缩小单元,该缩小单元将原始图像缩小并输出到评价图像生成单元和方向图像生成单元。
(作用和效果)
上述结构示出了本发明的装置的更为具体的结构。如上所述,如果具备将原始图像缩小的缩小单元,则也能够提取原始图像中包含的粗的线状结构物。
另外,更为优选的是,在上述图像处理装置中,还具备分析单元,该分析单元使用二维海赛(ヘツセ)矩阵分析原始图像,将分析结果输出到评价图像生成单元和方向图像生成单元,评价图像生成单元和方向图像生成单元基于分析结果生成评价图像和方向图像。
(作用和效果)
上述结构示出了本发明的装置的更为具体的结构。分析单元如果使用二维海赛矩阵进行动作,则能够准确且快速地求出线状结构物的位置和线状结构物的延伸方向。
另外,本发明所涉及的图像处理装置,对通过随时间推移连拍被检体而获得的多个原始图像进行处理,其特征在于,具备:排列单元,其在时间方向上排列多个原始图像,来生成体素数据;评价图像生成单元,其基于体素数据生成评价图像,该评价图像用于评价各体素是否为体素数据上的面状结构物;方向数据生成单元,其基于体素数据生成方向数据,该方向数据表示各体素是体素数据上的面状结构物时的面的法线方向;方向图像生成单元,其基于方向数据生成方向图像,该方向图像示出各像素是原始图像上的线状结构物时的线的延伸方向;差图像生成单元,其基于方向图像生成差图像,该差图像是从线状结构物部分的像素值减去线状结构物以外的像素值而得到的;以及提取图像生成单元,其基于评价图像和差图像生成提取图像,该提取图像是提取出原始图像上的线状结构物而得到的。
(作用和效果)
关于上述结构,将本发明的结构应用于运动图像。即,对在时间方向上排列原始图像而得到的体素数据进行搜索面状结构物的图像处理。通过这样,即使原始图像中包含多个噪声成分,也能够准确地从原始图像提取线状结构物。即使在原始图像中偶然线状地排列有噪声,也不会在体素数据中显现为面状。这是由于噪声在原始图像中的出现位置是随时间变化的。因而,不会将原始图像中出现的线状的噪声群误认为线状结构物。
另外,更为优选的是,上述图像处理装置还具备缩小单元,该缩小单元将体素数据缩小并输出到评价图像生成单元和方向数据生成单元。
(作用和效果)
上述结构示出了本发明的装置的更为具体的结构。如上所述,如果具备将体素数据缩小的缩小单元,则也能够提取原始图像中包含的粗的线状结构物。
另外,更为优选的是,在上述图像处理装置中,还具备分析单元,该分析单元使用三维海赛矩阵分析体素数据,将分析结果输出到评价图像生成单元和方向数据生成单元,评价图像生成单元和方向数据生成单元基于分析结果生成评价图像和方向数据。
(作用和效果)
上述结构示出了本发明的装置的更为具体的结构。如果分析单元使用三维海赛矩阵来进行动作,则能够准确且快速地求出面状结构物的位置和面状结构物的延伸方向。
另外,更为优选的是,在上述图像处理装置中,评价图像生成单元在生成评价图像时,使用单调非线性的函数。
(作用和效果)
上述结构示出了本发明的装置的更为具体的结构。关于评价图像,通过使单调非线性的函数发挥作用,能够生成不弄乱面状结构物的评价值的大小关系地将面状结构物的位置以接近二值图像的方式进行表示的评价图像。
另外,更为优选的是,在上述图像处理装置中,差图像生成单元按照方向图像所示出的方向对原始图像实施各向异性滤波来生成差图像。
(作用和效果)
上述结构示出了本发明的装置的更为具体的结构。如果差图像生成单元利用各向异性滤波进行动作,则能够保持原始图像中的线状结构物的浓度地从原始图像提取线状结构物的形状。
另外,更为优选的是,上述图像处理装置还具备形态处理单元,该形态处理单元对提取图像实施形态处理。
(作用和效果)
上述结构示出了本发明的装置的更为具体的结构。如果对提取图像进行形态处理,则能够在提取图像中删除将噪声误认为线状结构而提取的微小的伪像,提取图像的可视性进一步提高。
另外,更为优选的是,上述图像处理装置还具备重叠图像生成单元,该重叠图像生成单元将提取图像与原始图像相叠加来生成重叠图像。
(作用和效果)
上述结构示出了本发明的装置的更为具体的结构。如果将提取图像与原始图像相叠加来生成重叠图像,则能够获知在被检体的图像中拍进线状结构物的情形,因此能够更为准确地识别线状结构物。
发明的效果
根据本发明的结构,通过两种方法来识别拍进原始图像的线状结构物。第一方法是,制作用于评价各像素是否为原始图像上的线状结构物的评价图像。第二方法是,获取拍进原始图像的线状结构物与线状结构物以外的部分之差,生成拍进了线状结构物的差图像。本发明的特征在于,基于以这种不同的方法生成的与线状结构物有关的两个图像,保持原始图像上的浓度地从原始图像提取原始图像上的线状结构物。由此能够保持浓度地从原始图像抽出线状结构物,因此能够获得可视性高的图像。
附图说明
图1是说明实施例1所涉及的图像处理装置的结构的功能框图。
图2是说明实施例1所涉及的图像处理装置的动作的示意图。
图3是说明实施例1所涉及的图像处理装置的动作的示意图。
图4是说明实施例1所涉及的图像处理装置的动作的示意图。
图5是说明实施例1所涉及的图像处理装置的动作的示意图。
图6是说明实施例1所涉及的图像处理装置的动作的示意图。
图7是说明实施例1所涉及的图像处理装置的动作的示意图。
图8是说明实施例1所涉及的图像处理装置的动作的示意图。
图9是说明实施例1所涉及的图像处理装置的动作的示意图。
图10是说明实施例1所涉及的图像处理装置的动作的示意图。
图11是说明实施例2所涉及的图像处理装置的结构的功能框图。
图12是说明实施例2所涉及的图像处理装置的动作的示意图。
图13是说明实施例2所涉及的图像处理装置的动作的示意图。
图14是说明实施例2所涉及的图像处理装置的动作的示意图。
图15是说明实施例2所涉及的图像处理装置的动作的示意图。
附图标记说明
P0:原始图像;P3:评价图像;P5:方向图像;P6:差图像;P7:提取图像;D0a:原始数据(体素数据);D5:方向数据;11:排列部(排列单元);12:缩小部(缩小单元);13:分析部(分析单元);15:评价图像生成部(评价图像生成单元):16:方向图像生成部(方向图像生成单元);16a:方向数据生成部(方向数据生成单元);17:差图像生成部(差图像生成单元);18:提取图像生成部(提取图像生成单元);19:形态处理部(形态处理单元);20:重叠图像生成部(重叠图像生成单元)。
具体实施方式
[实施例1]
下面说明本发明的实施例。实施例中的X射线相当于本发明的放射线。另外,拍进图像的引导线图像等暗线相当于本发明的线状结构物。
如图1所示,实施例1所涉及的图像处理装置1构成为当输入通过用X射线拍摄被检体而获得的图像(称为“原始图像P0”)时,输出拍进该原始图像P0的引导线图像等暗线的亮度被调整为易于识别的处理图像(重叠图像P9)。
<图像处理装置的整体结构>
如图1所示,实施例1所涉及的图像处理装置1具备:分析部13,其利用二维海赛矩阵来分析原始图像P0;评价图像生成部15,其生成评价图像P3,该评价图像P3用于评价各像素是否为原始图像P0上的线状结构物;方向图像生成部16,其基于原始图像P0生成方向图像P5,该方向图像P5示出各像素是原始图像P0上的线状结构物时的线的延伸方向;差图像生成部17,其基于方向图像P5生成差图像P6,该差图像P6是从线状结构物部分的像素值减去线状结构物以外的部分的像素值而得到的;以及提取图像生成部18,其基于评价图像P3和差图像P6生成提取图像P7,该提取图像P7是保持原始图像P0上的浓度地从原始图像P0提取原始图像P0上的线状结构物而得到的。分析部13相当于本发明的分析单元,评价图像生成部15相当于本发明的评价图像生成单元。另外,方向图像生成部16相当于本发明的方向图像生成单元,差图像生成部17相当于本发明的差图像生成单元。另外,提取图像生成部18相当于本发明的提取图像生成单元。
另外,图像处理装置1还具备:缩小部12,其将原始图像P0缩小并将缩小图像输出到评价图像生成部15和方向图像生成部16;形态处理部19,其对提取图像P7实施形态处理;以及重叠图像生成部20,其将提取图像P7与原始图像P0相叠加来生成重叠图像(处理图像P9)。另外,图像处理装置1还具备特征值图像生成部14,该特征值图像生成部14生成特征值图像P2,并将特征值图像P2输出到评价图像生成部15,该特征值图像P2是将分析部13对原始图像P0进行分析的结果、即特征值进行排列而得到的。缩小部12相当于本发明的缩小单元,形态处理部19相当于本发明的形态处理单元。另外,重叠图像生成部20相当于本发明的重叠图像生成单元。
存储部28是对各部12、13、14、15、16、17、18、19、20进行动作时的滤波、参数进行存储的存储装置。各部12、13a、14、15、16、17、18、19、20能够根据需要访问存储部28。
<图像处理装置的主要动作>
接着,说明图像处理装置1的主要动作。图像处理装置1主要通过分析部13、特征值图像生成部14、评价图像生成部15、方向图像生成部16、差图像生成部17以及提取图像生成部18各部来进行动作。因而,在对各部12、19、20的动作进行说明之前,说明这些主要部的动作。
<分析部的动作>
输入到图像处理装置1的原始图像P0被输入到缩小部12。为了便于说明,设为缩小部12不进行图像的缩小处理而将原始图像P0输出到分析部13。分析部13首先在横向和纵向上对原始图像P0进行偏微分。
说明分析部13的微分动作。原始图像P0中图像上的位置与像素值相关联。即,如果指定原始图像P0的x方向和y方向的位置,则能够获取位于此处的像素的像素值。也就是说,如图2所示,在原始图像P0中,能够掌握像素值与x方向(横向)和y方向(纵向)这两个变量相关联的双变量函数。当将像素值设为d时,d=f(x,y)这样的关系成立。
分析部13使用差分滤波器在x方向上对原始图像P0进行偏微分,在x方向上对此时获得的微分函数进一步进行偏微分。另外,分析部13在x方向上对原始图像P0进行偏微分,在y方向上对此时获得的微分函数进一步进行偏微分。同样地,分析部13在y方向上对原始图像P0进行偏微分,在y方向上对此时获得的微分函数进一步进行偏微分。分析部13通过这些操作生成二维海赛矩阵H。海赛矩阵H是如下的矩阵。
(数1)
在此,在x方向上进行偏微分之后在y方向上进行偏微分而得到的二次微分函数与在y方向上进行偏微分之后在x方向上进行偏微分而得到的二次微分函数是相同函数。因而,海赛矩阵是对称矩阵,具有两个特征值λ1、λ2和与该两个特征值相对应的特征矢量。此时,设为特征值λ1的绝对值大于特征值λ2的绝对值。分析部13基于海赛矩阵H求出特征值和特征矢量。
接着,分析部13计算出与特征值λ1相对应的特征矢量v1。特征矢量v1是具有x方向和y方向的要素的矢量。
<特征值图像生成部的动作>
分析部13将绝对值最大的特征值λ1发送到特征值图像生成部14。海赛矩阵H是将与原始图像P0的位置相应的函数进行矩阵化而得到的。因而,特征值λ1的值应与原始图像P0的位置相应地变化。特征值图像生成部14使特征值λ1与原始图像P0的位置相对应地排列,生成将特征值λ1排列成二维矩阵状而得到的特征值图像P2。
<评价图像生成部的动作>
特征值图像生成部14将特征值图像P2发送到评价图像生成部15。评价图像生成部15通过使规定的函数作用于各特征值λ1来调整特征值λ1的值。即,评价图像生成部15将特征值图像P2中的正的高值的特征值λ1全部变换为大致接近1的值。而且,评价图像生成部15将特征值图像P2中的低值的特征值λ1全部变换为大致接近0的值。另外,评价图像生成部15将特征值图像P2中的中间值的特征值λ1变换为例如0.1~0.9之间的某个值。通过这样,在特征值图像P2中,成为从-16,384至16,383之间的某个值的特征值λ1通过变换而取0到1之间的某个值。
评价图像生成部15选择单调递增的非线性的函数,来作为用于变换的函数。具体地说,使用logistic函数等。如图3所示,评价图像生成部15通过保持特征值图像P2中的正的中间值的特征值λ1的尺度,并且压缩极端的特征值λ1、负的特征值λ1的尺度,来进行数值的变换。通过这样,评价图像生成部15对特征值图像P2进行变换来生成评价图像P3。此外,负的特征值λ1全部被变换为0。
说明特征值λ1的含义。所谓特征值λ1的绝对值大是指原始图像P0中的二次偏微分值的绝对值大。另外,特征值λ1的符号直接对应于二次偏微分值的符号。二次偏微分值的绝对值的大小表示函数中的U型曲线拐成何种程度。另外,二次偏微分值的符号对应于函数中的U型曲线的凹凸。例如设为位置与像素值具有如图4所示那样的关系。图4中的箭头表示图中的大的凹陷的位置。这种位置是与周围相比像素值变得极小的部分,表示图像上的暗线。如果沿着位置对图4的曲线进行二次微分,则微分值在箭头部分取正的高值。也就是说,将特征值缩小后的变换值进行排列而得到的评价图像P3表示将原始图像P0看作位置与像素值相关联的函数时的极小的位置。评价图像P3中的值接近1的部分为在原始图像P0中拍进了暗线的部分,评价图像P3中的值接近0的部分为在原始图像P0中没有拍进暗线的平坦的部分。
相反地,在原始图像P0中拍进了明线的部分,微分值取负的小值。即,在想提取明线的情况下,评价图像生成部15选择单调递减的非线性的函数,来作为变换用的函数。也就是说,将特征值缩小后的变换值进行排列而得到的评价图像P3表示将原始图像P0看作位置与像素值相关联的函数时的极大的位置。评价图像P3中的值接近1的部分为在原始图像P0中拍进了明线的部分,评价图像P3中的值接近0的部分为在原始图像P0中没有拍进明线的平坦的部分。
<方向图像生成部的动作>
分析部13将特征矢量v1发送到方向图像生成部16。方向图像生成部16计算出特征矢量v1与x轴形成的角θ1。而且,分析部13通过将该角θ1与90°相加来计算出角θ2。海赛矩阵H是将与原始图像P0的位置相对应的函数进行矩阵化而得到的。因而,角θ2的值应与原始图像P0的位置相应地变化。方向图像生成部16使角θ2与原始图像P0的位置相对应地进行排列,生成将角θ2排列成二维矩阵状而得到的方向图像P5。
实际的方向图像P5的角θ2并不是在0°~360°之间取自由的值。即,通过离散处理将角θ2分为接近0°、18°、36°、54°、72°、90°、108°、126°、144°、162°中的某个角度的角度。因而,方向图像P5是将表示以上0°~162°的10个角度中的某个角度的值排列成二维矩阵状而得到的图像。这样,设为方向图像生成部16将角度缩减为10个角度来生成方向图像P5,由此使后面的运算处理变得简单。此外,关于角θ2的取值不取到360°而最大为162°的理由后面叙述。
说明角θ2的含义。角θ2是将特征矢量v1与x方向所形成的角旋转90°后得到的角度。考虑该特征矢量v1的方向的含义。如图5所示,考虑位于原始图像P0的暗线上的像素P。在图5中,用v1表示该像素P的特征矢量。特征矢量v1是绝对值大的特征值λ1的特征矢量。因而,特征矢量v1所表示的方向意味着与原始图像P0的像素P中的暗线的连接方向正交的方向。即,角θ2表示将与沿着暗线的方向正交的方向旋转90°时的方向与x方向形成的角。简言之,角θ2表示沿着拍进原始图像P0的暗线的方向与x方向形成的角。此处的沿着暗线的方向是指与暗线在像素P处相切的切线的延伸方向。
说明角θ2最大为162°的理由。如果将角θ2设为18°,则如图6左侧所示,x轴与暗线B形成的角是18°。同样地,如果将角θ2设为198°,则如图6右侧所示,x轴与暗线B形成的角是198°。将图6的左侧与右侧相比较可知,角θ2为18°时的暗线B的方向与角θ2为198°时的暗线B的方向一致。也就是说,即使角θ2加上180°,该角度所示的暗线B的方向也与原来的角θ2所示的方向相同。也就是说,即使将角θ2设为大于等于0°小于180°,也能够在整个方向上表现暗线B的方向。实际上,对角θ2实施了离散处理,因此所取的最大角度是162°。
<差图像生成部的动作>
方向图像P5被发送到差图像生成部17。差图像生成部17一边参照方向图像P5,一边获取拍进原始图像的线状结构物与线状结构物以外的部分之差,从而生成拍进了线状结构物的差图像。下面,说明该差图像生成部17的动作。
图7左侧表示由差图像生成部17生成的滤波。图7左侧的滤波F包括三个区域,是获取中心区域的像素值与用斜线表示的周围区域的像素值之差的差滤波F。如果对原始图像P0实施该滤波F,则能够获知关注像素的像素值与周围像素的像素值相比存在多大的差异。滤波F的大小例如是纵横为15×15像素。
差图像生成部17所使用的滤波F也是具有方向性的各向异性滤波(各向异性平滑滤波)。例如,图7左侧所示的滤波F为适于沿纵向拍进了暗线的原始图像P0的滤波。在实际的原始图像P0中暗线被弯曲地拍进。因而,当差图像生成部17对原始图像P0实施滤波时,必须与根据暗线的部分的变化而变化的暗线的延伸方向相应地切换滤波。因此,存储部28存储多个将图7左侧所示的滤波逐个旋转18°而得到的例如图7右侧那样的滤波。针对构成原始图像P0的各像素,差图像生成部17使存储在存储部28中的滤波中的某一个滤波发挥作用,来生成差图像。与暗线的延伸方向相应地准备10种用于该动作的滤波。
差图像生成部17在进行动作时,必须决定对原始图像P0的各像素实施10种滤波中的哪一种滤波。因此,差图像生成部17一边参照方向图像P5一边选择滤波。方向图像P5是表示拍进各像素的暗线的延伸方向的图像。因而,差图像生成部17针对构成原始图像P0的各像素,选择与方向图像P5所示的10种方向相应的滤波并施加该滤波,由此生成差图像P6。差图像P6是通过沿着暗线的延伸方向对原始图像P0实施平滑处理,并且将暗线的像素值减去暗线以外的部分的像素值而得到的。
图8示出了差图像生成部17对原始图像P0上的像素p进行动作的状态。差图像生成部17获取位于与像素P相同位置的方向图像P5的像素(对应像素)的像素值。方向图像P5的像素值为表示暗线的延伸方向的值。将对应像素设为表示90°的像素值。于是,差图像生成部17从存储部28读出图7左侧所说明的纵向的滤波F并使其作用于原始图像P0的像素p。此时,像素p位于滤波F的中心。差图像生成部17对构成原始图像P0的各像素进行相同的动作,生成如图9所示的差图像P6。
如图9所示,差图像P6为拍进原始图像P0的被检体图像消失、被拍进原始图像P0的暗线被抽出的状态。在图8中用剖面线表示被检体图像。在差图像P6中出现的暗线是保持了与原始图像P0的像素值有关的信息的暗线。因而,当仔细观察拍进差图像P6的暗线时,暗线的浓度存在部分差异。关于该暗线的浓度的部分差异,直接表示将暗线拍进原始图像P0时所看到的浓度的部分差异。
另外,如图9所示,在差图像P6中出现除暗线以外的细线状的噪声。这是由于对原始图像P0的整个区域实施定向的滤波而产生的伪像。必须去除该伪像。通过提取图像生成部18来去除该伪像。
<提取图像生成部的动作>
差图像P6和评价图像P3被发送到提取图像生成部18。提取图像生成部18通过将评价图像P3与差图像P6进行乘法运算处理,来生成从原始图像P0提取出暗线而得到的提取图像P7。在评价图像P3中,将原始图像P0中出现暗线的部分设为1,将没有出现暗线的部分设为0。评价图像P3是虽然包括0到1之间的像素值却表示原始图像P0中的暗线的位置的接近二值图像的图像。因而,评价图像P3不具有表示以什么样的浓度来将暗线拍进原始图像P0的信息。差图像P6是对原始图像P0实施定向滤波而得到的图像,因此保持了暗线的浓度信息。但是,差图像P6是由于实施定向滤波导致包含伪像的图像。
因此,如图10所示,如果将评价图像P3与差图像P6进行乘法运算处理,则在原始图像P0中的没有成为暗线的部分,将差图像P6的像素值乘以评价图像P3的像素值即0,从而该部分的像素值为0。通过这样,能够去除差图像P6中出现的伪像。所生成的提取图像P7是直接提取拍进原始图像P0的暗线而得到的图像。在提取图像P7中易于视觉识别暗线。
<重叠图像生成部的动作>
提取图像P7被输入到形态处理部19。为了便于说明,设为形态处理部19对图像不施加任何处理就将提取图像P7输出到重叠图像生成部20。重叠图像生成部20对提取图像P7和原始图像P0进行加权并将它们相加,来生成将二者相叠加而得到的重叠图像P9。由此,图像处理装置1的动作结束。
以上是本发明所涉及的图像处理装置1的主要动作。为了进一步提高图像的可视性,图像处理装置1具有缩小部12、形态处理部19。接着,说明它们的具体动作。
<缩小部的动作>
当对缩小部12输入原始图像P0时,缩小部12以多个等级将原始图像P0缩小,来生成缩小率不同的多个缩小图像P1。然后,缩小部12除了未缩小的原始图像P0之外还将多个缩小图像P1也发送到分析部13。于是,与缩小率相应地生成多个提取图像P7。重叠图像生成部20将这些多个提取图像P7一边进行适当放大一边叠加到原始图像P0上。
说明设置缩小部12的理由。对于原始图像P0,当使用某个尺寸的差分滤波器来生成提取图像P7时,仅提取粗细程度与差分滤波器的尺寸相同的暗线。即,如果原始图像P0中拍进了比差分滤波器的尺寸粗的暗线,则存在线太粗而不能被提取、从而无法显现在提取图像P7中的情况。因此,对使用了缩小图像P1时的效果进行说明。对于缩小图像P1,当利用与刚才的差分滤波器的尺寸相同的差分滤波器来生成提取图像P7时,还能够提取在原始图像P0的分析中无法提取的暗线。即,当使用缩小图像P1进行分析时,相对于像素的尺寸而线相对变细,因此即使是这种粗线也能够从原始图像P0中提取出。此外,对于原始图像P0,虽然利用大尺寸的差分滤波器来生成提取图像P7也能够获得相同的效果,但通过使用缩小图像P1能够大幅减少计算成本。
<形态处理部的动作>
当对形态处理部19输入提取图像P7时,形态处理部19对提取图像P7实施作为形态处理的一种的闭合运算,在提取图像P7中去除将噪声误认作线结构而提取出的微小的伪像。通过这样,在提取图像P7中更加清晰地拍进引导线。另外,在提取明线的情况下,通过进行作为形态处理的一种的开放运算能够获得相同的效果。
如上所述,根据上述结构,能够进行突出拍进原始图像P0的线状结构物那样的图像处理。具体地说,通过两种方法来识别拍进原始图像P0的线状结构物。第一方法是,制作用于评价各像素是否为原始图像P0上的线状结构物的评价图像P3。由此,确定原始图像P0上的线状结构物的位置。第二方法是,获取拍进原始图像P0的线状结构物与线状结构物以外的部分之差,生成拍进了线状结构物的差图像P6。由此,获知在原始图像P0中以与线状结构物以外的像素相比相差何种程度的像素值拍进了线状结构物。本发明的特征在于,基于以这种不同的方法生成的与线状结构物有关的图像,保持原始图像P0上的浓度地从原始图像P0提取原始图像P0上的线状结构物。评价图像P3仅具有与原始图像P0中的线状结构物的位置有关的信息。另一方面,差图像P6包括伴随在原始图像的整个区域实施定向的差处理而产生的伪像。如果利用具有这种缺点的两个图像提取线状结构物,则能够互相弥补两种方法所具有的缺点。因而,仅保持线状结构物的浓度地从原始图像P0抽出所获得的提取图像P7,可视性变高。
另外,如上所述,如果具备将原始图像P0缩小的缩小部12,则也能够提取原始图像P0中包含的粗的线状结构物。
如上所述,如果分析部13使用二维海赛矩阵进行动作,则能够准确且快速地求出线状结构物的位置和线状结构物的延伸方向。
而且,关于评价图像P3,通过使单调非线性的函数发挥作用,能够生成不弄乱线状结构物的评价值的大小关系地将线状结构物的位置以接近二值图像的方式进行表示的评价图像P3。
上述结构示出了本发明的装置的更为具体的结构。如果差图像生成部17使用各向异性滤波进行动作,则能够保持原始图像P0中的线状结构物的浓度地从原始图像P0抽出线状结构物的形状。
另外,如果对提取图像P7进行形态处理,则能够在提取图像P7中去除将噪声误认为线结构而提取的微小的伪像,提取图像P7的可视性进一步提高。
而且,如果将提取图像P7与原始图像P0相叠加来生成重叠图像P9,则能够获知在被检体的图像中拍进线状结构物的情形,因此能够更为准确地识别线状结构物。
[实施例2]
接着,说明实施例2所涉及的图像处理装置21。如图11所示,实施例2所涉及的图像处理装置21构成为当输入随时间推移连拍而得到的多个原始图像P0时,输出该原始图像P0各自所拍进的引导线图像等暗线的亮度被调整为易于识别的处理图像(重叠图像9)。
<图像处理装置的整体结构>
如图11所示,实施例2所涉及的图像处理装置21具备:排列部11,其在时间方向上排列多个原始图像P0,来生成原始数据D0;评价图像生成部15,其基于原始数据D0生成评价图像P3,该评价图像P3用于评价各体素是否为体素数据上的面状结构物;方向数据生成部16a,其基于原始数据D0生成方向数据D5,该方向数据D5表示各体素是体素数据上的面状结构物时的面的法线方向;方向图像生成部16,其基于方向数据D5生成方向图像P5,该方向图像P5示出各像素是原始图像P0上的线状结构物时的线的延伸方向;差图像生成部17,其基于方向图像P5生成差图像P6,该差图像P6是从线状结构物部分的像素值减去线状结构物以外的部分的像素值而得到的;以及提取图像生成部18,其基于评价图像P3和差图像P6生成提取图像P7,该提取图像P7是保持原始图像P0上的浓度地从原始图像P0提取原始图像P0上的线状结构物而得到的。排列部11相当于本发明的排列单元,评价图像生成部15相当于本发明的评价图像生成单元。
另外,图像处理装置21还具备:缩小部12,其将体素数据缩小并输出到评价图像生成部15和方向数据生成部16a;分析部13,其使用三维海赛矩阵分析体素数据,并将分析结果输出到评价图像生成部15和方向数据生成部16a;特征值图像生成部14,其由分析部13的分析结果生成特征值数据;形态处理部19,其对提取图像P7实施形态处理;以及重叠图像生成部20,其将提取图像P7与原始图像P0相叠加来生成重叠图像(处理图像P9)。缩小部12相当于本发明的缩小单元,分析部13相当于本发明的分析单元。
存储部28是对各部11、12、13、14、15、16a、16、17、18、19、20进行动作时的滤波、参数进行存储的存储装置。各部11、12、13、14、15、16a、16、17、18、19、20能够根据需要访问存储部28。
接着,说明图像处理装置21的主要动作。图像处理装置21主要通过排列部11、评价图像生成部15、方向数据生成部16a、方向图像生成部16、差图像生成部17以及提取图像生成部18各部进行动作。因而,下面对这些主要部的动作进行说明。
<排列部的动作>
构成被输入到图像处理装置21的动画的多个原始图像P0被输入到排列部11。排列部11如图12所示那样将原始图像P0按照输入顺序进行层叠并排列来生成三维数据。由此各原始图像P0被加工为具有针对时间上的维度的体素数据(下面称为原始数据D0)。通过排列部11使原始图像P0按照拍摄的顺序进行排列。排列部11使构成各原始图像P0的像素在时间方向上具有厚度地加工成体素。
对随时间推移而获得的各原始图像P0执行排列部11的实际的动作。即,针对作为处理对象的原始图像P0(以下称为“处理对象图像P0a”),排列部11向过去方向和未来方向排列规定个数的其它原始图像P0并生成体素数据,使得该原始图像P0处于时间维度的中心位置。因而,针对随时间推移而获得的各原始图像P0生成原始数据D0。在以后的说明中,说明对该处理对象图像P0a之一执行的动作。与处理对象图像P0a相对应的体素数据是原始数据D0a。
<分析部的动作>
原始数据D0a被输入到缩小部12。为了便于说明,设为缩小部12不进行原始数据D0a的缩小处理就将原始数据D0a输出到分析部13。分析部13首先沿横向、纵向、时间方向对原始数据D0a进行偏微分。
说明分析部13的微分动作。原始数据D0a中,数据上的位置与像素值相关联。即,如果指定原始数据D0a的x方向、y方向以及时间方向的位置就能够获得位于此处的像素的像素值。也就是说,如图12所示,在原始数据D0a中,能够掌握像素值与x方向(横向)、y方向(纵向)以及t方向(时间方向)这三个变量相关联的三变量函数。如果将像素值设为d,则d=f(x,y,t)这样的关系成立。
分析部13使用差分滤波器在x方向上对原始数据D0a进行偏微分,在x方向、y方向或者t方向上对此时获得的微分函数进一步进行偏微分。另外,分析部13在y方向上对原始图像P0进行偏微分,在y方向或者t方向上对此时获得的微分函数进一步进行偏微分。同样地,分析部13在t方向上对原始图像P0进行偏微分,在t方向上对此时获得的微分函数进一步进行偏微分。分析部13使用这些操作来生成三维海赛矩阵H。海赛矩阵H是如下所示的矩阵。
(数2)
这样的三维海赛矩阵是对称矩阵,应具有三个特征值λ1、λ2、λ3和与该三个特征值相对应的特征矢量。此时,设为特征值λ1的绝对值比特征值λ2、λ3的绝对值大。分析部13基于海赛矩阵H求出特征值λ1、λ2、λ3。将此时获得的特征值λ1、λ2、λ3中的绝对值最大的特征值设为λ1,将第二大的特征值设为λ2。
分析部13计算出与特征值λ1对应的特征矢量v1。特征矢量v1为具有x方向、y方向以及t方向的要素的矢量。
另外,上述动作是针对处理对象图像P0a的图像处理。因而,分析部13对原始数据D0a中的位于处理对象图像P0a的体素进行动作,从而完成对原始数据D0a的分析。
<特征值图像生成部的动作>
分析部13将特征值λ1、λ2发送到特征值图像生成部14。海赛矩阵H是将与处理对象图像P0a的位置相应的函数进行矩阵化而得到的。因而,特征值λ1的值应与处理对象图像P0a的位置相应地变化。特征值图像生成部14使基于特征值λ1、λ2计算出的λ1/|λ2|的值与处理对象图像P0a的位置相对应地排列,生成将λ1/|λ2|排列成二维矩阵状而得到的特征值图像P2。此时显现的λ1/|λ2|是表示原始数据D0a中的处理对象图像P0a上的体素是否构成了面状结构物的指标。
<评价图像生成部的动作>
特征值图像生成部14将特征值图像P2发送到评价图像生成部15。评价图像生成部15通过使规定的函数作用于λ1/|λ2|各值来调整λ1/|λ2|的值。该情形作为实施例1中的评价图像生成部15的动作已经进行了说明。评价图像生成部15变换特征值图像P2来生成评价图像P3。
说明评价图像P3的含义。评价图像P3中的值接近1的部分是在处理对象图像P0a中拍进了暗线的部分,值接近0的部分是在处理对象图像P0a中没有拍进暗线的部分。该点已经使用图4进行了说明。
<方向数据生成部的动作>
分析部13将特征矢量v1发送到方向数据生成部16a。海赛矩阵H是将与原始数据D0a的位置相应的函数进行矩阵化而得到的。因而,特征矢量v1应与原始数据D0a的位置相应地变化。方向数据生成部16a使特征矢量v1与原始数据D0a的位置相对应地排列,来生成特征矢量v1被排列成二维矩阵状而得到的方向数据D5。
说明特征矢量v1的含义。图13示出了在原始数据D0a中拍进处理对象图像P0a的暗线B如何表现。如图13所示,通过随时间推移而累积暗线B,能够在原始数据D0a上表现为暗面。而且,如图14所示,考虑处于原始数据D0a的处理对象图像P0a中的暗面上的体素bx。在图14中用v1表示该体素bx的特征矢量。特征矢量v1是绝对值大的特征值λ1的特征矢量。因而,特征矢量v1所示的方向表示与在原始数据D0a的体素bx处与暗面相切的平面正交的方向(法线方向)。
<方向图像生成部的动作>
方向数据D5被发送到方向图像生成部16。方向图像生成部16如图15所示那样使构成方向数据D5的各特征矢量v1投影到xy平面上并获取此时的矢量。而且,关于这些矢量,计算出与x轴形成的角θ1以及将角θ1与90°相加而得到的角θ2。特征矢量v1排列成与原始数据D0a相同结构的方向数据D5的各体素,因此角θ2也排列成与处理对象图像P0a相同结构的二维矩阵状。通过这样生成方向图像P5。
<差图像生成部、提取图像生成部、重叠图像生成部的动作>
差图像生成部17、提取图像生成部18、重叠图像生成部20的动作与实施例1的结构相同。其具体的结构已经使用图7、图8、图9、图10进行了说明。对提取图像P7和原始图像P0进行加权并将它们相加,生成将两者叠加而得到的重叠图像P9并结束图像处理装置21的动作。针对各原始图像P0生成重叠图像P9。
上面是本发明所涉及的图像处理装置21的主要动作。为了进一步提高图像的可视性,图像处理装置1具有缩小部12、形态处理部19。接着,说明它们的具体动作。
<缩小部的动作>
当对缩小部12输入原始数据D0a时,缩小部12a以多个等级缩小原始数据D0a,生成缩小率不同的多个缩小数据D1a。然后,缩小部12除了未缩小的原始数据D0a之外,还将多个缩小数据D1a发送到分析部13。于是,与缩小率相应地生成多个提取图像P7。重叠图像生成部20将这些多个提取图像P7一边进行适当放大一边叠加到原始数据D0a。通过这样,还能够从原始图像P0提取拍进原始图像P0的粗暗线。该原理与实施例1中的缩小部12的动作原理相同。关于形态处理部19的动作在实施例1中已进行说明。
如上所述,关于上述结构,将本发明的结构应用于运动图像。即,对在时间方向上排列原始图像P0而得到的原始数据D0a进行搜索面状结构物的图像处理。通过这样,即使原始图像P0中包含多个噪声成分,也能够准确地从原始图像P0提取线状结构物。例如,即使在原始图像P0中偶然线状地排列有噪声,也不会在原始数据D0a中显现为面状。这是由于噪声在原始图像P0中的出现位置是随时间变化的。因而,不会将原始图像P0中出现的线状的噪声群误认为线状结构物。
另外,如上所述,如果具备将原始数据D0a缩小的缩小部12,则也能够提取原始图像P0中包含的粗的线状结构物。
而且,分析部13只要使用三维海赛矩阵进行动作,就能够准确且快速地求出面状结构物的位置和面状结构物的法线方向。
Claims (14)
1.一种图像处理装置,对通过透视被检体而获得的原始图像进行处理,其特征在于,具备:
评价图像生成单元,其基于上述原始图像生成评价图像,该评价图像用于评价各像素是否为原始图像上的线状结构物;
方向图像生成单元,其基于上述原始图像生成方向图像,该方向图像示出各像素是原始图像上的线状结构物时的线的延伸方向;
差图像生成单元,其参照上述方向图像生成差图像,该差图像是从所述原始图像的线状结构物部分的像素值减去线状结构物以外的像素值而得到的;以及
提取图像生成单元,其基于上述评价图像和上述差图像生成提取图像,该提取图像是提取出原始图像上的线状结构物而得到的。
2.根据权利要求1所述的图像处理装置,其特征在于,
还具备缩小单元,该缩小单元将上述原始图像缩小并输出到上述评价图像生成单元和上述方向图像生成单元。
3.根据权利要求1或2所述的图像处理装置,其特征在于,
还具备分析单元,该分析单元使用二维海赛矩阵分析原始图像,将分析结果输出到上述评价图像生成单元和上述方向图像生成单元,
上述评价图像生成单元和上述方向图像生成单元基于上述分析结果生成上述评价图像和上述方向图像。
4.根据权利要求1或2所述的图像处理装置,其特征在于,
上述评价图像生成单元在生成上述评价图像时,使用单调非线性的函数。
5.根据权利要求1或2所述的图像处理装置,其特征在于,
上述差图像生成单元通过按照上述方向图像所示出的方向对上述原始图像实施各向异性滤波来生成上述差图像。
6.根据权利要求1或2所述的图像处理装置,其特征在于,
还具备形态处理单元,该形态处理单元对上述提取图像实施形态处理。
7.根据权利要求1或2所述的图像处理装置,其特征在于,
还具备重叠图像生成单元,该重叠图像生成单元将上述提取图像与上述原始图像相叠加来生成重叠图像。
8.一种图像处理装置,对通过随时间推移连拍被检体而获得的多个原始图像进行处理,其特征在于,具备:
排列单元,其在时间方向上排列多个上述原始图像,来生成体素数据;
评价图像生成单元,其基于上述体素数据生成评价图像,该评价图像用于评价各体素是否为体素数据上的面状结构物;
方向数据生成单元,其基于上述体素数据生成方向数据,该方向数据表示上述各体素是体素数据上的面状结构物时的面的法线方向;
方向图像生成单元,其基于上述方向数据生成方向图像,该方向图像示出各像素是原始图像上的线状结构物时的线的延伸方向;
差图像生成单元,其参照上述方向图像生成差图像,该差图像是从所述原始图像的线状结构物部分的像素值减去线状结构物以外的像素值而得到的;以及
提取图像生成单元,其基于上述评价图像和上述差图像生成提取图像,该提取图像是提取出原始图像上的线状结构物而得到的。
9.根据权利要求8所述的图像处理装置,其特征在于,
还具备缩小单元,该缩小单元将上述体素数据缩小并输出到上述评价图像生成单元和上述方向数据生成单元。
10.根据权利要求8或9所述的图像处理装置,其特征在于,
还具备分析单元,该分析单元使用三维海赛矩阵分析体素数据,将分析结果输出到上述评价图像生成单元和上述方向数据生成单元,
上述评价图像生成单元和上述方向数据生成单元基于上述分析结果生成上述评价图像和上述方向数据。
11.根据权利要求8或9所述的图像处理装置,其特征在于,
上述评价图像生成单元在生成上述评价图像时,使用单调非线性的函数。
12.根据权利要求8或9所述的图像处理装置,其特征在于,
上述差图像生成单元通过按照上述方向图像所示出的方向对上述原始图像实施各向异性滤波来生成上述差图像。
13.根据权利要求8或9所述的图像处理装置,其特征在于,
还具备形态处理单元,该形态处理单元对上述提取图像实施形态处理。
14.根据权利要求8或9所述的图像处理装置,其特征在于,
还具备重叠图像生成单元,该重叠图像生成单元将上述提取图像与上述原始图像相叠加来生成重叠图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012-057108 | 2012-03-14 | ||
JP2012057108A JP5849791B2 (ja) | 2012-03-14 | 2012-03-14 | 画像処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103310412A CN103310412A (zh) | 2013-09-18 |
CN103310412B true CN103310412B (zh) | 2016-03-23 |
Family
ID=49135590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210540078.3A Active CN103310412B (zh) | 2012-03-14 | 2012-12-13 | 图像处理装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9449243B2 (zh) |
JP (1) | JP5849791B2 (zh) |
CN (1) | CN103310412B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3636158A1 (en) * | 2018-10-10 | 2020-04-15 | Koninklijke Philips N.V. | Image guidance for implanted lead extraction |
JP7419721B2 (ja) * | 2018-12-20 | 2024-01-23 | セイコーエプソン株式会社 | 回路装置、電子機器及び移動体 |
AU2020244866A1 (en) * | 2019-03-27 | 2021-10-14 | Butler, William E | Reconstructing cardiac frequency phenomena in angiographic data |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101809618A (zh) * | 2007-10-01 | 2010-08-18 | 皇家飞利浦电子股份有限公司 | 对介入工具的探测和跟踪 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4112762B2 (ja) | 1999-10-05 | 2008-07-02 | 株式会社東芝 | 画像処理装置およびx線診断装置 |
WO2006103644A1 (en) * | 2005-03-31 | 2006-10-05 | Paieon Inc. | Method and apparatus for positioning a device in a tubular organ |
WO2005020148A1 (en) * | 2003-08-21 | 2005-03-03 | Philips Intellectual Property & Standards Gmbh | Device and method for combined display of angiograms and current x-ray images |
US7715528B2 (en) * | 2006-07-28 | 2010-05-11 | Shimadzu Corporation | X-ray diagnostic apparatus |
EP2358269B1 (en) * | 2007-03-08 | 2019-04-10 | Sync-RX, Ltd. | Image processing and tool actuation for medical procedures |
CN102172330B (zh) * | 2007-07-10 | 2013-03-27 | 株式会社东芝 | X射线摄影装置以及图像处理显示装置 |
US20100232672A1 (en) * | 2007-08-17 | 2010-09-16 | Koninklijke Philips Electronics N.V. | Projection-based removal of high-contrast objects |
JP2009226141A (ja) * | 2008-03-25 | 2009-10-08 | Institute Of National Colleges Of Technology Japan | 画像処理装置および画像処理方法 |
-
2012
- 2012-03-14 JP JP2012057108A patent/JP5849791B2/ja active Active
- 2012-12-13 CN CN201210540078.3A patent/CN103310412B/zh active Active
- 2012-12-18 US US13/719,032 patent/US9449243B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101809618A (zh) * | 2007-10-01 | 2010-08-18 | 皇家飞利浦电子股份有限公司 | 对介入工具的探测和跟踪 |
Non-Patent Citations (2)
Title |
---|
Guide-Wire Tracking During Endovascular Interventions;Shirley A.M.Baert et al.;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20030831;第22卷(第8期);965-972 * |
WIRES SEGMENTATION IN FLUOROSCOPIC IMAGES DURING CEREBRAL ANEURYSM ENDOVASCULAR INTERVENTION;Simon Lessard et al.;《IEEE International Symposium on Biomedical Imaging》;20081231;193-196 * |
Also Published As
Publication number | Publication date |
---|---|
JP5849791B2 (ja) | 2016-02-03 |
CN103310412A (zh) | 2013-09-18 |
US20130243280A1 (en) | 2013-09-19 |
US9449243B2 (en) | 2016-09-20 |
JP2013188361A (ja) | 2013-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242238B (zh) | 一种rgb-d图像显著性目标获取的方法 | |
CN101984464B (zh) | 一种图像中不同区域视觉显著程度的检测方法 | |
CN101877143B (zh) | 一种二维图像组的三维场景重建方法 | |
CN106127688B (zh) | 一种超分辨率图像重建方法及其系统 | |
CN102663361A (zh) | 一种面向整体特征分析的人脸图像可逆几何归一化方法 | |
US8983199B2 (en) | Apparatus and method for generating image feature data | |
CN107909560A (zh) | 一种基于SiR的多聚焦图像融合方法及系统 | |
CN104616274A (zh) | 一种基于显著性区域提取的多聚焦图像融合算法 | |
CN103310412B (zh) | 图像处理装置 | |
CN105335929A (zh) | 一种深度图超分辨方法 | |
CN105654142A (zh) | 基于自然场景统计的无参考立体图像质量评价方法 | |
CN105160352A (zh) | 一种基于维度重构的高维数据子空间聚类投影效果优化方法 | |
CN103854265A (zh) | 一种新的多聚焦图像融合技术 | |
JP5201184B2 (ja) | 画像処理装置及びプログラム | |
CN113763300A (zh) | 一种联合深度上下文与卷积条件随机场的多聚焦图像融合方法 | |
CN108470176B (zh) | 一种基于频域稀疏表示的立体图像视觉显著提取方法 | |
CN103679764A (zh) | 一种图像生成方法及装置 | |
Zhang et al. | A novel 2D-to-3D scheme by visual attention and occlusion analysis | |
CN106203480B (zh) | 基于缺损数据的非线性特征提取和分类方法 | |
CN104412296A (zh) | 图像处理装置 | |
CN107977967A (zh) | 一种面向视角合成的无参考图像质量评价方法 | |
Dhar et al. | Detecting deepfake images using deep convolutional neural network | |
Zhang et al. | Single depth image super resolution via a dual sparsity model | |
CN110288565A (zh) | 碳纤维复合芯导线的缺陷识别方法、装置及存储介质 | |
CN116777904B (zh) | 基于条带特征的不同分辨率异常染色体生成网络及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |