CN103345760A - 一种医学图像对象形状模板标记点的自动生成方法 - Google Patents
一种医学图像对象形状模板标记点的自动生成方法 Download PDFInfo
- Publication number
- CN103345760A CN103345760A CN2013103228759A CN201310322875A CN103345760A CN 103345760 A CN103345760 A CN 103345760A CN 2013103228759 A CN2013103228759 A CN 2013103228759A CN 201310322875 A CN201310322875 A CN 201310322875A CN 103345760 A CN103345760 A CN 103345760A
- Authority
- CN
- China
- Prior art keywords
- medical image
- function
- grey level
- level histogram
- gaussian kernel
- 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
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医学图像对象形状模板标记点的自动生成方法,包括以下步骤:(一)计算医学图像的灰度直方图h1的高斯核回归平滑函数s1和带有空间信息的灰度直方图h2的高斯核回归平滑函数s2;(二)使用灰度直方图的高斯核回归平滑函数s1和带有空间信息的灰度直方图的高斯核回归平滑函数s2构造医学图像的一维粗糙度函数,将一维粗糙度函数的局部最小值对应的灰度值作为阈值,并进行医学图像的多阈值分割;(三)选取多阈值分割的边缘区域结果,计算边缘区域结果的二维核密度估计函数;(四)在步骤(三)的二维核密度估计函数上搜索密度函数的局部最大值对应的像素点,输出这些像素点作为医学图像对象形状模板的标记点。
Description
技术领域
本发明涉及计算机处理医学图像的方法,特别是一种医学图像对象形状模板标记点的自动生成方法,适用于医学图像目标定位,图像检索和图像标注。
背景技术
由于不同人之间或同一个人在不同时期拍摄的组织器官的形状、位置和角度存在较大的变化,很难在医学图像中定位、分割和识别已知目标对象。需要一个灵活可变的模板描述图像对象的形状结构。在医学图像目标定位、分割、匹配、检索、标注和识别等应用中,一般都采用标记点(landmarks)描述医学图像的目标对象的形状模板,标记点可以描述组织对象的边缘,内部特征或外部特征。
目前比较典型的方法是用手工标注标记点的方法,这种方法比较烦琐,效率低且容易出错。因此,开发半自动或全自动的标注标记点方法显得很重要。但目前这类方法不多,主要有基于参数化的圆形和弧线组合的形状模板法,基于封闭曲线的傅里叶算子法,图像函数的高阶偏导算子法,以及最新的半监督的最小方差法等。虽然这些自动或半自动方法对某些形状的图像对象有效,但是应用这些方法在医学图像上自动提取模板形状的标记点,还存在以下几个方面的问题:
(1)有些方法过程太复杂或结果取决于图像变换的系数,自适应性差,且计算量比较大;
(2)有些方法不适合边缘不封闭的图像;
(3)有些方法只适合形状简单的特定对象,不适合形状比较复杂的医学图像;
(4)有些方法只考虑了很小范围的局部信息导致对噪声比较敏感。
发明内容
发明目的:为了解决上述技术问题,本发明公开了一种医学图像对象形状模板标记点的自动生成方法,能够自动提取医学图像对象的标记点。
本发明的医学图像对象形状模板标记点的自动生成方法,由以下步骤组成:
(一)计算医学图像的灰度直方图h1的高斯核回归平滑函数s1和带有空间信息的灰度直方图h2的高斯核回归平滑函数s2。
(二)使用灰度直方图的高斯核回归平滑函数s1和带有空间信息的灰度直方图的高斯核回归平滑函数s2构造医学图像的一维粗糙度函数,将一维粗糙度函数的局部最小值对应的灰度值作为阈值,并进行医学图像的多阈值分割。
(三)选取多阈值分割的边缘区域结果,计算边缘区域结果的二维核密度估计函数。
(四)在步骤(三)的二维核密度估计函数上搜索密度函数的局部最大值对应的像素点,输出这些像素点作为医学图像对象形状模板的标记点。
本发明步骤(一)包括以下步骤:
(11)统计各个灰度级出现的频率,从而得到图像的灰度直方图h1。
(12)选定医学图像每个像素点周围相邻区域的周围像素点,统计周围像素点与该选定像素点的灰度差之和;如果灰度差之和大于指定的阈值,则对应的灰度直方图加1,从而得到带有空间信息的灰度直方图h2。
(13)根据各个灰度级g及对应的灰度直方图h1(g),构造点对(g,h1(g)),通过高斯核回归方法计算灰度直方图的平滑函数s1,其中1≤g≤255。
(14)根据各个灰度级g及对应的带有空间信息的灰度直方图h2(g),构造点对(g,h2(g)),通过高斯核回归方法计算带有空间信息的灰度直方图的平滑函数s2。
本发明步骤(二)包括以下步骤:
(21)使用灰度直方图的高斯核回归平滑函数s1和带有空间信息的灰度直方图的高斯核回归平滑函数s2构造医学图像的一维粗糙度函数;
(22)搜索一维粗糙度函数的所有的局部最小值对应的灰度值作为阈值,并将这些阈值按照从小到大的顺序排序为v1,v2,...,vk,其中k表示最小值的个数;
(23)按照阈值构成的灰度区间范围[1,v1),[v1,v2),…,[vk-1,vk),[vk,255]对医学图像进行多阈值分割。
步骤(三)包括以下步骤:
(31)选取多阈值分割结果中的边缘区域图像。
(32)计算边缘区域图像的二维核密度估计函数。
本发明步骤(四)包括以下步骤:
(41)选取步骤(32)中二维核密度估计函数的平均值的十分之一作为密度阈值ξ1;当边缘区域图像对应像素的密度值小于密度阈值ξ1,则边缘区域图像对应的二维核密度估计函数值置为零,否则边缘区域图像对应的二维核密度估计函数值不变。
(42)随机选取医学图像上的一点,沿着梯度方向,以一定步长,迭代搜索边缘区域图像对应的二维核密度估计函数的局部最大值,将局部最大值对应的像素点定义为对象形状的标记点,步长取值范围[1,10]。
(43)输出这些像素点作为医学图像对象形状模板的标记点。
医学图像边缘的提取本身是一个难点问题,传统的标记点自动提取方法在在实际应用中很难满足。为了减少了条件约束的强度,本发明只需提取医学图像的对象之间的边缘区域即可自动提取对象模型的标记点。粗糙集计算方法特别适合图像处理,其粗糙度函数可以描述区域内、区域外和边界区域。为此,本发明用医学图像灰度直方图和带有空间信息的灰度直方图构造粗糙度函数,用粗糙度函数分割出边界区域。
当带有空间信息的灰度直方图远远大于医学图像灰度直方图时,粗糙度的值最大(接近于1),这种情况表明该灰度级的大多数像素点多位于像素值变化很小的区域内;相反,当带有空间信息的灰度直方图接近灰度直方图时,粗糙度的值比较小,意味着该灰度级的大多数像素点位于像素值变化比较大的区域,也就是图像中某些部分的边界区域。也就是说,粗糙度函数的山峰代表了一个区域灰度级中心,山谷代表了两个区域的灰度级边界区域。因此正确地识别山峰和山谷成为这类方法的关键,但是医学图像灰度直方图和带有空间信息的灰度直方图的不光滑性导致了大量的“伪山峰”和“伪山谷”。为此,本发明方法提出用高斯核回归平滑函数对医学图像灰度直方图和带有空间信息的灰度直方图进行平滑处理,以得到光滑的粗粗度函数进行医学图像的多阈值分割,并提取边界区域。
非参数核密度估计方法以数据为基础,不需要关于数据的假设,只需要在一定最优准则的条件下,就能较好地“修匀”样本,且误差小,适应性强。非参数估计方法能保持数据对象的结构,样本的统计特性和多峰形态亦得到很好的保持。核密度估计(Kernel Density Estimation,KDE)方法,既不需要知道数据分布的先验知识,也不要对数据分布作任何附加假定,便能精确地揭示数据的分布规律。医学图像分割得到的边界区域的噪声或离群点比较多,且要提取任意形状模板的标记点,是比较困难的。为此,本发明利用非参数核密度估计方法对边界区域的像素点估计密度函数。因为噪声和离群点的密度函数比较小,所以可以通过设置阈值直接过滤。边界区域的中心点对应的密度函数值比较大,我们将其定义为目标对象模板的标记点。因此可以通过搜索密度函数的局部最大值对应的像素点,输出这些像素点作为目标对象模板的标记点。
本发明采用高斯核回归平滑的粗糙度函数分割出组织的边界区域,不需要提取精确的边缘或封闭的边缘,且边缘区域的核密度估计具有很好的噪声不敏感性,所以本发明方法对于复杂的医学图像具有很好的适应性,可以有效地解决传统的对象形状模板标记点提取方法的缺点。
综上,本发明利用医学图像的客观成像特性规律,在处理步骤中,采用了一些符合医学图像客观成像特性规律的计算机图像处理方法进行组合,相比较以往人工标记的方法,得到了更加客观化的、标准化的医学图像对象形状模板标记点,且大大地提高了效率,属于专利法的保护范围。
有益效果:本发明是一种针对复杂医学图像对象的形状模板标记点的自动生成方法,结合了核回归模型、粗糙集、密度估计模型和医学图像分割等技术,实现了对象的形状模板标记点的自动生成,对医学图像的目标定位、分割、检索、标注和识别有着很高的应用价值。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为医学图像对象的形状模板标记点的自动生成方法流程示意图。
图2a为原始医学图像。
图2b为图2a的灰度直方图。
图2c为图2a带有空间信息的灰度直方图。
图3a为基于核回归的平滑函数的灰度直方图。
图3b为基于核回归的平滑函数的带有空间信息的灰度直方图。
图4为基于图3a和图3b的粗糙度函数图。
图5a和图5b为部分图像分割结果示意图。
图6边缘图像区域的核密度函数示意图。
图7图像对象模板的标记点示意图。
具体实施方式
本发明公开了一种医学图像对象形状模板标记点的自动生成方法,包括以下步骤:
(一)计算医学图像的灰度直方图h1的高斯核回归平滑函数s1和带有空间信息的灰度直方图h2的高斯核回归平滑函数s2。
(二)使用灰度直方图的高斯核回归平滑函数s1和带有空间信息的灰度直方图的高斯核回归平滑函数s2构造医学图像的一维粗糙度函数,将一维粗糙度函数的局部最小值对应的灰度值作为阈值,并进行医学图像的多阈值分割。
(三)选取多阈值分割的边缘区域结果,计算边缘区域结果的二维核密度估计函数。
(四)在步骤(三)的二维核密度估计函数上搜索密度函数的局部最大值对应的像素点,输出这些像素点作为医学图像对象形状模板的标记点。
其中,步骤(一)包括以下步骤:
(11)统计各个灰度级出现的频率,从而得到医学图像的灰度直方图h1。
(12)选定医学图像每个像素点周围相邻区域的周围像素点,统计周围像素点与该选定像素点的灰度差之和;如果灰度差之和大于指定的阈值,则对应的灰度直方图加1,从而得到带有空间信息的灰度直方图h2。
(13)根据各个灰度级g及对应的灰度直方图h1(g),构造点对(g,h1(g)),通过高斯核回归方法计算灰度直方图的平滑函数s1,其中1≤g≤255。
(14)根据各个灰度级g及对应的带有空间信息的灰度直方图h2(g),构造点对(g,h2(g)),通过高斯核回归方法计算带有空间信息的灰度直方图的平滑函数s2。
其中,步骤(二)包括以下步骤:
(21)使用灰度直方图的高斯核回归平滑函数s1和带有空间信息的灰度直方图的高斯核回归平滑函数s2构造医学图像的一维粗糙度函数。
(22)搜索一维粗糙度函数的所有的局部最小值对应的灰度值作为阈值,并将这些阈值按照从小到大的顺序排序为v1,v2,...,vk,其中k表示最小值的个数。
(23)按照阈值构成的灰度区间范围[1,v1),[v1,v2),…,[vk-1,vk),[vk,255]对医学图像进行多阈值分割。
其中,步骤(三)包括以下步骤:
(31)选取多阈值分割结果中的边缘区域图像。
(32)计算边缘区域图像的二维核密度估计函数。
其中,步骤(四)包括以下步骤:
(41)选取步骤(32)中二维核密度估计函数的平均值的十分之一作为密度阈值ξ1;当边缘区域图像对应像素的密度值小于密度阈值ξ1,则边缘区域图像对应的二维核密度估计函数值置为零,否则边缘区域图像对应的二维核密度估计函数值不变。
(42)随机选取医学图像上的任一像素点,沿着梯度方向,以一定步长,迭代搜索边缘区域图像对应的二维核密度估计函数的局部最大值,将局部最大值对应的像素点定义为对象形状的标记点,步长取值范围[1,10]。
(43)输出这些像素点作为医学图像对象形状模板的标记点。
实施例1
如图1所示医学图像对象形状模板标记点的自动生成方法流程,本实施例详细地介绍了医学图像对象形状模板标记点的自动生成方法,包括以下四个步骤:
(一)计算医学图像灰度直方图h1和带有空间信息的灰度直方图h2的高斯核回归平滑函数s1和s2;
(二)使用灰度直方图的平滑函数s1和带有空间信息的灰度直方图的平滑函数s2构造图像的一维粗糙度函数,并搜索一维粗糙度函数的局部最小值对应的灰度值作为阈值,进行医学图像的多阈值分割;
(三)选择分割结果中的边缘区域图像,估计其二维核密度估计函数;
(四)在二维核密度估计函数上搜索密度函数的局部最大值对应的像素点,并输出这些像素点作为图像对象形状模板的标记点。
本实施例具体实施过程如下。
步骤(一):
对于大小为M×N的医学图像I,本实施例中M=512,N=512,计算其灰度直方图h1:
其中函数 I(m,n)表示医学图像I的第m行,第n列的像素灰度值,M表示总行数,N表示总列数,g表示灰度级。
计算医学图像I带有空间信息的灰度直方图h2:
其中函数I′(m,n)为:T0为阈值,T0的取值范围可以为[1,10],本实施例中T0=3。dT(m,n)表示像素点I(m,n)与相邻区域P×Q的每个像素点I(m±p,n±q)的灰度距离差之和,其定义如下:
其中P和Q分别为与像素(m,n)相邻区域的长和宽,本实施例中都取4,p,q分别表示与像素(m,n)的行和列的偏移量。
如图2a所示的原始图像,其灰度直方图如图2b所示,带有空间信息的灰度直方图如图2c所示。
计算灰度直方图h1的高斯核回归平滑函数s1:
其中r表示多项式的阶数,其范围可以取[1,10],本实例中取r=5,!表示阶乘运算;e1 T=(1,0,…,0)为(r+1)阶的行向量。
权重矩阵为对角阵:
计算带有空间信息的灰度直方图h2的核回归平滑函数s2:
如图2b所示的灰度直方图h1的高斯核回归平滑函数s1如图3a所示,如图2c所示的带有空间信息的灰度直方图h2的高斯核回归平滑函数s2如图3b所示。
步骤(二):
使用高斯核回归平滑函数s1和s2,构造医学图像的一维粗糙度函数ρ:
由图3a和图3b构造的医学图像的一维粗糙度函数如图4所示。
当上一个灰度级的粗糙度函数值和下一个灰度级的粗糙度函数值都大于当前灰度级的粗糙度函数值,且上一个灰度级的粗糙度函数值和下一个灰度级的粗糙度函数值相等时,当前灰度级为医学图像一维粗糙度函数局部最小值对应的阈值。可以通过下式识别:
V={g1|(ρ(g1-1)>ρ(g1))&&(ρ(g1)<ρ(g1+1)&&ρ(g1-1)=ρ(g1+1)) (10)
其中&&表示逻辑与运算,g1表示满足公式(10)的灰度阈值,V表示所有阈值构成的集合。对V中的k个元素按照从小到大的顺序排列为{v1,v2,…,vk}。医学图像I根据灰度区间[1,v1),[v1,v2),…,[vk-1,vk),[vk,255]进行分割,得到分割后的医学图像R1,R2,…,Rk+1。
对图4所示的粗糙度函数,计算得到的局部最小值集为{84,147,179,220,233},图2a按照区间[1,84),[84,147),[147,179),[179,220),[220,233),[233,255]进行分割,部分分割结果如图5所示。
步骤(三):
(1)从分割结果R1,R2,…,Rk+1中,人工选取边缘区域图像E如图5a所示;
步骤(四):
计算边缘区域图像E的密度阈值ξ1:
如果边缘区域图像E对应像素的密度值小于ξ1,则边缘区域图像对应的二维核密度估计函数值置为零,否则二维核密度估计函数值不变。
边缘区域图像E的所有像素x1,x2,…,均标记为未访问,从中任取一点xj(1≤j≤k1)并标记访问。通过下面的步骤搜索下一个像素点:
然后,沿着梯度方向,以步长δ1计算下一个像素点xp,本实例步长δ1取3,公式为:
如果xp为未访问,且则xp标记为访问,以xp取代xj,重复搜索下一个像素点;
从剩下的未标记过的像素点集中任意选择一个像素点,重现开始搜索,直到所有的像素点都标记为访问过。
输出集合C中的所有元素为图像对象形状模板的标记点{{(x11,x12),(x21,x22),…,(x|C|1,x|C|2)}},其中|C|表示集合C中元素的个数。
本发明提供了一种医学图像对象形状模板标记点的自动生成方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种医学图像对象形状模板标记点的自动生成方法,其特征在于,包括以下步骤:
(一)计算医学图像的灰度直方图h1的高斯核回归平滑函数s1和带有空间信息的灰度直方图h2的高斯核回归平滑函数s2;
(二)使用灰度直方图的高斯核回归平滑函数s1和带有空间信息的灰度直方图的高斯核回归平滑函数s2构造医学图像的一维粗糙度函数,将一维粗糙度函数的局部最小值对应的灰度值作为阈值,并进行医学图像的多阈值分割;
(三)选取多阈值分割的边缘区域结果,计算边缘区域结果的二维核密度估计函数;
(四)在步骤(三)的二维核密度估计函数上搜索密度函数的局部最大值对应的像素点,输出这些像素点作为医学图像对象形状模板的标记点。
2.根据权利要求1所述的一种医学图像对象形状模板标记点的自动生成方法,其特征在于,步骤(一)包括以下步骤:
(11)统计各个灰度级出现的频率,从而得到医学图像的灰度直方图h1;
(12)选定医学图像每个像素点周围相邻区域的周围像素点,统计周围像素点与该选定像素点的灰度差之和;如果灰度差之和大于指定的阈值,则对应的灰度直方图加1,从而得到带有空间信息的灰度直方图h2;
(13)根据各个灰度级g及对应的灰度直方图h1(g),构造点对(g,h1(g)),通过高斯核回归方法计算灰度直方图的平滑函数s1,其中1≤g≤255;
(14)根据各个灰度级g及对应的带有空间信息的灰度直方图h2(g),构造点对(g,h2(g)),通过高斯核回归方法计算带有空间信息的灰度直方图的平滑函数s2。
3.根据权利要求2所述的一种医学图像对象形状模板标记点的自动生成方法,其特征在于,步骤(二)包括以下步骤:
(21)使用灰度直方图的高斯核回归平滑函数s1和带有空间信息的灰度直方图的高斯核回归平滑函数s2构造医学图像的一维粗糙度函数;
(22)搜索一维粗糙度函数的所有的局部最小值对应的灰度值作为阈值,并将这些阈值按照从小到大的顺序排序为v1,v2,...,vk,其中k表示最小值的个数;
(23)按照阈值构成的灰度区间范围[1,v1),[v1,v2),…,[vk-1,vk),[vk,255]对医学图像进行多阈值分割。
4.根据权利要求3所述的一种医学图像对象形状模板标记点的自动生成方法,其特征在于,步骤(三)包括以下步骤:
(31)选取多阈值分割结果中的边缘区域图像;
(32)计算边缘区域图像的二维核密度估计函数。
5.根据权利要求4所述的一种医学图像对象形状模板标记点的自动生成方法,其特征在于,步骤(四)包括以下步骤:
(41)选取步骤(32)中二维核密度估计函数的平均值的十分之一作为密度阈值ξ1;当边缘区域图像对应像素的密度值小于密度阈值ξ1,则边缘区域图像对应的二维核密度估计函数值置为零,否则边缘区域图像对应的二维核密度估计函数值不变;
(42)随机选取医学图像上的任一像素点,沿着梯度方向,以一定步长,迭代搜索边缘区域图像对应的二维核密度估计函数的局部最大值,将局部最大值对应的像素点定义为对象形状的标记点,步长取值范围[1,10];
(43)输出这些像素点作为医学图像对象形状模板的标记点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310322875.9A CN103345760B (zh) | 2013-07-29 | 2013-07-29 | 一种医学图像对象形状模板标记点的自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310322875.9A CN103345760B (zh) | 2013-07-29 | 2013-07-29 | 一种医学图像对象形状模板标记点的自动生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103345760A true CN103345760A (zh) | 2013-10-09 |
CN103345760B CN103345760B (zh) | 2016-01-20 |
Family
ID=49280553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310322875.9A Active CN103345760B (zh) | 2013-07-29 | 2013-07-29 | 一种医学图像对象形状模板标记点的自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345760B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106352820A (zh) * | 2016-08-08 | 2017-01-25 | 中国科学院微电子研究所 | 一种线条粗糙度的测量方法及系统 |
CN107271184A (zh) * | 2017-05-23 | 2017-10-20 | 温州大学 | 一种滚动轴承故障诊断的核回归分解方法及系统 |
CN110503705A (zh) * | 2019-08-29 | 2019-11-26 | 上海鹰瞳医疗科技有限公司 | 图像标注方法和设备 |
CN110838091A (zh) * | 2019-10-25 | 2020-02-25 | 北京中电慧视科技有限公司 | 完全自适应的红外图像对比度增强方法及系统 |
CN111750781A (zh) * | 2020-08-04 | 2020-10-09 | 润江智能科技(苏州)有限公司 | 一种基于ccd的自动测试系统及其方法 |
CN112288704A (zh) * | 2020-10-26 | 2021-01-29 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于核密度函数的量化胶质瘤侵袭性的可视化方法 |
CN117475357A (zh) * | 2023-12-27 | 2024-01-30 | 北京智汇云舟科技有限公司 | 基于深度学习的监控视频图像遮挡检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211341A (zh) * | 2006-12-29 | 2008-07-02 | 上海芯盛电子科技有限公司 | 图像智能模式识别搜索方法 |
US20090257657A1 (en) * | 2008-04-09 | 2009-10-15 | Temmermans Frederik | Method and device for processing and presenting medical images |
-
2013
- 2013-07-29 CN CN201310322875.9A patent/CN103345760B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211341A (zh) * | 2006-12-29 | 2008-07-02 | 上海芯盛电子科技有限公司 | 图像智能模式识别搜索方法 |
US20090257657A1 (en) * | 2008-04-09 | 2009-10-15 | Temmermans Frederik | Method and device for processing and presenting medical images |
Non-Patent Citations (1)
Title |
---|
谢从华: "基于核密度估计聚类和关联规则的医学图像分类", 《常熟理工学院学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106352820A (zh) * | 2016-08-08 | 2017-01-25 | 中国科学院微电子研究所 | 一种线条粗糙度的测量方法及系统 |
CN106352820B (zh) * | 2016-08-08 | 2019-01-22 | 中国科学院微电子研究所 | 一种线条粗糙度的测量方法及系统 |
CN107271184A (zh) * | 2017-05-23 | 2017-10-20 | 温州大学 | 一种滚动轴承故障诊断的核回归分解方法及系统 |
CN110503705A (zh) * | 2019-08-29 | 2019-11-26 | 上海鹰瞳医疗科技有限公司 | 图像标注方法和设备 |
CN110503705B (zh) * | 2019-08-29 | 2023-10-17 | 上海鹰瞳医疗科技有限公司 | 图像标注方法和设备 |
CN110838091A (zh) * | 2019-10-25 | 2020-02-25 | 北京中电慧视科技有限公司 | 完全自适应的红外图像对比度增强方法及系统 |
CN111750781A (zh) * | 2020-08-04 | 2020-10-09 | 润江智能科技(苏州)有限公司 | 一种基于ccd的自动测试系统及其方法 |
CN112288704A (zh) * | 2020-10-26 | 2021-01-29 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于核密度函数的量化胶质瘤侵袭性的可视化方法 |
CN112288704B (zh) * | 2020-10-26 | 2021-09-28 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于核密度函数的量化胶质瘤侵袭性的可视化方法 |
CN117475357A (zh) * | 2023-12-27 | 2024-01-30 | 北京智汇云舟科技有限公司 | 基于深度学习的监控视频图像遮挡检测方法及系统 |
CN117475357B (zh) * | 2023-12-27 | 2024-03-26 | 北京智汇云舟科技有限公司 | 基于深度学习的监控视频图像遮挡检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103345760B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345760A (zh) | 一种医学图像对象形状模板标记点的自动生成方法 | |
CN103020945B (zh) | 一种多源传感器的遥感图像配准方法 | |
Miao et al. | A semi-automatic method for road centerline extraction from VHR images | |
CN102663391B (zh) | 一种图像的多特征提取与融合方法及系统 | |
CN101526944B (zh) | 图像检索比对方法 | |
Glent Buch et al. | In search of inliers: 3d correspondence by local and global voting | |
CN101847163B (zh) | 一种多特征融合的外观设计专利图像检索方法 | |
CN107368807A (zh) | 一种基于视觉词袋模型的监控视频车型分类方法 | |
CN103236064A (zh) | 一种基于法向量的点云自动配准方法 | |
CN103714541A (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
CN105160355A (zh) | 一种基于区域相关和视觉单词的遥感图像变化检测方法 | |
CN105740378A (zh) | 一种数字病理全切片图像检索方法 | |
CN104881631A (zh) | 多特征整合的宫颈细胞图像特征提取与识别方法及宫颈细胞特征识别装置 | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
Aamir et al. | A hybrid approach for object proposal generation | |
CN104050674B (zh) | 一种显著性区域检测方法及装置 | |
CN105354845B (zh) | 一种遥感影像半监督变化检测方法 | |
Yue et al. | Shape characteristics-based extraction of lunar impact craters: using DEM from the Chang'E-1 satellite as a data source | |
Jiang et al. | Mammographic mass segmentation with online learned shape and appearance priors | |
Jain et al. | Content-based image retrieval using shape and depth from an engineering database | |
Clyne et al. | Physically-based feature tracking for CFD data | |
CN103823889A (zh) | 基于l1范数全局几何一致性检验的错误匹配检测方法 | |
Gao et al. | A pulmonary nodules detection method using 3D template matching | |
Wu et al. | An optimized method based on RANSAC for fundamental matrix estimation | |
Amin et al. | A novel image retrieval technique using automatic and interactive segmentation. |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220317 Address after: 215500 5th floor, building 4, 68 Lianfeng Road, Changfu street, Changshu City, Suzhou City, Jiangsu Province Patentee after: Changshu intellectual property operation center Co.,Ltd. Address before: 215500 Changshou City South Three Ring Road No. 99, Suzhou, Jiangsu Patentee before: CHANGSHU INSTITUTE OF TECHNOLOGY |