CN103679764B - 一种图像生成方法及装置 - Google Patents
一种图像生成方法及装置 Download PDFInfo
- Publication number
- CN103679764B CN103679764B CN201210320917.0A CN201210320917A CN103679764B CN 103679764 B CN103679764 B CN 103679764B CN 201210320917 A CN201210320917 A CN 201210320917A CN 103679764 B CN103679764 B CN 103679764B
- Authority
- CN
- China
- Prior art keywords
- pixel
- new
- prospect
- gray value
- border
- 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.)
- Expired - Fee Related
Links
Abstract
一种图像生成方法,该方法包括以下步骤:根据真实图像中前景的边界生成新边界,所述新边界为所述图像中前景的边界;根据所述真实图像的边界和新边界,确定图像中的前景重叠区域,背景重叠区域,原前景新背景区域以及原背景新前景区域,当所述确定图像中的像素点属于前景重叠区域或原背景新前景区域时,根据所述图像中属于前景重叠区域的像素点的灰度值,确定所述属于原背景新前景区域的像素点的灰度值;当所述确定图像中的像素点属于背景重叠区域或原前景新背景区域时,根据所述图像中属于背景重叠区域的像素点的灰度值,确定所述属于原前景新背景区域的像素点的灰度值。本发明还提供了相应的装置。
Description
技术领域
本发明涉及图像处理技术,特别涉及一种图像生成方法及装置。
背景技术
在医学影像、视频编辑、计算机视觉等方面,图像分割技术有着广泛的应用。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。例如,在医学影像领域中,图像分割技术可以用于测量人体器官、组织或者病灶的尺寸和体积,从而帮助医生进行诊断。
为了验证图像分割算法的准确性以及稳定性,需要大量的图像来对分割算法进行验证。但是,在实际应用中,很难获取用于验证图像分割算法的大量的图像。例如,在医学领域,很难在诊断过程中获得验证所需要的大量的医学图像。而且,用于验证的医学图像也需要专家的人工分割来提供目标区域的“金标准”,费时费力。因此,需要有一种计算机图像生成方法,能够自动生成任意多个包含了研究目标位置和形态信息的图像。
目前,计算机图像主要是根据人体组织结构的生长特性和医学影像设备的成像原理来生成的,比如各种数字体模和肿瘤生长模型。这些图像能够拟真地表现研究目标随时间变化的动态信息,如器官随呼吸的变化或肿瘤各个生长阶段的不同形态。但是生成拟真的图像,往往要涉及计算机图形学、数学和力学等领域的相关知识。以肿瘤的生长模型为例,不仅要对肿瘤生长的生物过程,肿瘤与周围组织之间的力学作用进行数学,在模型建立后还要对成像过程进行计算机,比如使用蒙特卡洛算法x光在肿瘤模型中的行进路线,最终生成肿瘤的CT图像。对于有的医学图像领域,如图像分割算法的验证,目标的形状和灰度信息才是研究的重点,而不是目标的生物变化过程。因此,上述的图像的产生方法不适用于对图像分割算法的验证。
发明内容
本发明实施例提供了一种图像生成方法及装置,以生成与真实图像具有一定形态差异的图像。
本发明实施例的技术方案包括一种图像生成方法,该方法包括以下步骤:根据真实图像中前景的边界生成新边界,所述新边界为所述图像中前景的边界;根据所述真实图像的边界和新边界,确定图像中的前景重叠区域,背景重叠区域,原前景新背景区域以及原背景新前景区域,所述前景重叠区域为在所述真实图像和图像中均为前景的区域,所述背景重叠区域为在所述真实图像和图像中均为背景的区域,所述原前景新背景区域为在真实图像中为前景但图像中为背景的区域,所述原背景新前景区域为在真实图像中为背景但图像中为前景的区域;当所述确定图像中的像素点属于前景重叠区域或原背景新前景区域时,根据所述图像中属于前景重叠区域的像素点的灰度值,确定所述属于原背景新前景区域的像素点的灰度值;当所述确定图像中的像素点属于背景重叠区域或原前景新背景区域时,根据所述图像中属于背景重叠区域的像素点的灰度值,确定所述属于原前景新背景区域的像素点的灰度值。
本发明还提供一种图像生成装置,该装置包括:边界生成模块和灰度值确定模块,其中,所述边界生成模块用于根据真实图像中前景的边界生成新边界,所述新边界为所述图像中前景的边界;所述灰度值确定模块用于根据所述真实图像的边界和新边界,确定图像中的前景重叠区域,背景重叠区域,原前景新背景区域以及原背景新前景区域,所述前景重叠区域为在所述真实图像和图像中均为前景的区域,所述背景重叠区域为在所述真实图像和图像中均为背景的区域,所述原前景新背景区域为在真实图像中为前景但图像中为背景的区域,所述原背景新前景区域为在真实图像中为背景但图像中为前景的区域;当所述确定图像中的像素点属于前景重叠区域或原背景新前景区域时,根据所述图像中属于前景重叠区域的像素点的灰度值,确定所述属于原背景新前景区域的像素点的灰度值;当所述确定图像中的像素点属于背景重叠区域或原前景新背景区域时,根据所述图像中属于背景重叠区域的像素点的灰度值,确定所述属于原前景新背景区域的像素点的灰度值。
本发明还提供一种图像生成装置,包括:处理器、存储器,其中,所述处理器与存储器通信连接,所述存储器中存储有机器可读指令,所述指令用于使得处理器执行上述图像生成方法的步骤。
从上述技术方案可以看出,根据本发明实施例提供的图像生成方法和装置,可以生成任意多个与真实图像具有一定程度形态差异的图像。
附图说明
图1为本发明提供的一种图像生成方法的流程图。
图2为本发明实施例中一种图像生成方法的流程图。
图3为本发明实施例中真实图像的边界的示意图。
图4为本发明实施例中产生的新边界的过程示意图。
图5为本发明实施例中真实医学图像与模拟医学图像的重叠关系示意图。
图6为本发明实施例中确定模拟医学图像中像素点的灰度值的方法示意图。
图7为本发明实施例中另一种模拟医学图像生成方法的流程图。
图8为本发明实施例中一种模拟医学图像生成装置的结构示意图。
图9为本发明实施例中另一种模拟医学图像生成装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图并举实施例,对本发明的技术方案进行详细说明。
本发明提出了一种相对简单的图像生成方法,在真实图像的基础上,生成与真实图像具有一定形态差异的图像。
图1为本发明提供的一种图像生成方法的流程图。如图1所示,该方法包括:
步骤101,根据真实图像中前景的边界生成新边界,所述新边界为所述图像中前景的边界。
步骤102,根据真实图像的边界和生成的新边界,确定图像中哪些像素点属于前景重叠区域,哪些属于背景重叠区域,哪些像素点属于原前景新背景区域,哪些像素点属于原背景新前景区域。
步骤103,分别确定图像中属于背景重叠区域,前景重叠区域,原前景新背景区域以及原背景新前景区域的灰度值,得到所述图像。
从上述方法可以看出,根据本发明提供的图像生成方法,在真实图像的基础上,可以生成与真实图像中边界的形状不同的新边界,然后根据真实图像中各个像素点的灰度值确定图像中各个像素点的灰度值。因此,可以生成任意多个与真实图像具有一定程度形态差异的图像。
本发明实施例提供的图像生成方法可以应用于各个领域中图像算法的验证。比如,生成的图像可以用于验证图像分割算法的稳定性以及准确性。在医学领域,本发明提供的图像生成方法可以生成病变组织的图像,用于验证病变组织分割算法的准确性。
在上述步骤101中关于新边界的生成,可以采用下面实施例中的方法,也可以采用其它曲线形变技术现有技术,例如采用Thomas W.Sederberg等著作的文献Free-Form Deformation of Solid Geometric Models以及Yanlin Weng等著作的文献2D Shape Deformation Using Nonlinear Least Squares Optimization等生成新的边界。本发明对采用方法生成新边界不做限定。
下面通过具体实施例并结合附图来对本发明上述技术特征、优点及其实现方式予以进一步说明。
图2为本发明实施例中一种图像生成方法的流程图。由于傅里叶描述子(Fourier Descriptor)是物体边界曲线的频域分析结果,具有最佳的形状识别性能,因此,在本实施例中用傅里叶描述子描述边界轮廓。
下面,以真实图像为颅内出血CT图像为例,对本发明提供的方法进行详细描述。如图2所示,该方法包括以下步骤:
步骤201,获取真实颅内出血CT图像中出血区域(前景)的边界。
在本步骤中,可以通过手动分割图像获取真实颅内出血CT图像(以下简称为真实图像)中前景的边界,例如,可以由影像科医生以人工干预的方式来对真实图像中病变组织的边界进行分割。
当然,在本步骤中,也可以通过准确性得到广泛认可的图像分割算法来自动获取真实图像的边界。本发明实施例对采用何种方法获得真实图像的边界不做限定。
步骤202,获取真实图像中边界的傅里叶描述子。
图3为本发明实施例中真实图像中边界的示意图。图3中的曲线代表真实图像中前景的边界。对于本发明实施例的颅内出血CT图像来说,该曲线内部即为出血区域。由于病变组织的边界通常是封闭的,因此,图3所示的边界为一个封闭边界。
下面,对获取描述真实图像的边界的傅里叶描述子的过程进行详细说明。
第一步,将真实图像的边界构建成一个一维序列。
在本发明实施例中,可以利用真实图像的边界采样点的坐标来描述该边界,从而将该边界构建成一个一维序列。
如图3所示,首先建立x-y坐标平面。然后,以边界上某个像素点(以下称为边界采样点)作为起始点,按照逆时针或者顺时针方向,在边界上每隔一定弧长间距选取一个边界采样点。具体的弧长间距可以根据边界的长度和选取的边界采样点的数量计算出来。选取的边界采样点的数量越多,生成的新边界的曲线越精细。例如,假设在边界上选取了n个边界采样点,令(xt,yt)为选取的边界上的采样点的笛卡尔坐标。如果将x-y坐标平面看成一个复平面,则该点可以看成一个复数ft=xt+iyt。整个边界可以表示为一个一维序列{ft},其中,ft=xt+iyt t=0,1,...,n-1。
另外,为了使最后生成的图像相对真实图像保持平移不变性,在本实施例中,可以偏移x-y坐标平面使得出血区域的质心(xc,yc)为新的坐标原点,其中,xc等于所有边界采样点的横坐标的平均值,yc等于所有边界采样点的纵坐标的平均值。此时,ft可以表示为ft=(xt-xc)+i(yt-yc)t=0,1,...,n-1。
第二步,对该一维序列{ft}进行离散傅里叶变换,从而获得一系列的傅里叶系数,这些系数即为描述真实图像边界的形状的傅里叶描述子。
对于第一步获得的一维序列{ft},可以根据下面的公式(1)进行离散傅里叶变换:
其中,Ck即为真实图像的边界的傅里叶描述子。这样,根据上述公式(1)就可以计算出真实图像的边界的N个傅里叶描述子。这些傅里叶描述子描述了真实图像的边界的轮廓。
步骤203,根据真实图像的边界的傅里叶描述子,确定一组新的傅里叶描述子。
由于傅里叶变换具有能量集中性,因此,少量的傅里叶描述子就可以重构出真实图像的边界。同时,随着傅里叶系数的增多,该序列的细节特征得以更好的描述。
在本步骤中,可以对真实图像的边界的傅里叶描述子进行N次有放回的随机抽样,以得到一组新的傅里叶描述子。具体的,假设步骤202计算出的一组傅里叶描述子为则每次从{Ck}中随机选取一个傅里叶描述子,由于在本步骤中采取的是有放回的随机抽样,即允许重复抽样,所以一个样本可能会多次被抽取到。这样抽取N次之后,可以得到N个傅里叶描述子,记为{C'k}即为生成的一组新的傅里叶描述子,其中,{C'k}中的每个傅里叶描述子是从{Ck}中随机抽取的。例如,可以将第一次从{Ck}中抽取的样本作为也即{C'k}中最低频的傅里叶描述子,将第二次从{Ck}中抽取的样本作为以此类推,将最后一次从{Ck}中抽取的样本作为也即{C'k}中最高频的傅里描述子。
当然,在实际应用中,也可以采用其他抽样方法来选择傅里叶描述子。但是上述有放回的抽样方法能够更好的保持真实图像边界的轮廓,不会产生较大变化。本发明对采用何种方法进行选择不做限定。
另外,由于傅里叶变换将主要能量集中在了低频系数上,傅里叶描述子的低频系数反映了真实图像的边界的整体形状,而边界的细节反映在了高频系数上。因此,在本步骤中,为了使最终产生的图像的边界更加平滑,不会产生突兀的齿状部分,在生成新的傅里叶描述子的时候,可以滤掉一部分高频的傅里叶描述子。例如,可以定义一个阈值U,其中U为整数且这样,在得到{C'k}之后,仅保留{C'k}中属于范围内的傅里叶描述子,而滤掉{C'k}中属于范围内的傅里叶描述子,即令均等于0,就可以得到序列
步骤204,根据新的傅里叶描述子,生成新边界。
在确定了新的傅里叶描述子之后,可以对这些新的傅里叶描述子进行离散傅里叶逆变换,以得到新边界上的边界采样点的坐标。
具体的,可以根据以下公式(2)对{C'k}进行离散傅里叶逆变换:
在根据公式(2)计算得到gt并对gt的实部和虚部分别进行取整操作之后,可以将gt表示为gt=xt'+iyt'或gt=(xt'-xc)+i(yt'-yc),其中,(xt',yt')即为新边界上的采样点的坐标。
在确定了新边界上各个边界采样点的坐标之后,就可以将各个边界采样点连接起来,得到图像的新边界。具体的,可以计算各个边界采样点到质心(xc,yc)的连线与x轴的夹角θ。然后按照夹角θ的大小,对各个边界采样点进行排序。将各个边界采样点按顺序连接起来,就可以得到新边界。由于新边界是根据抽样后的傅里叶描述子产生的,所以该新边界与真实图像的边界具有一定程度的形态差异。这样,可以产生出任意数量的与真实图像具有一定程度形态差异的图像。
图4为本发明实施例中产生的新边界的过程示意图。其中,图4(a)为真实医学图像;图4(b)为真实医学图像的分割结果;图4(c)为真实医学图像的边界;图4(d)至图4(g)为根据真实医学图像的边界产生的新边界。
步骤205,根据真实图像的边界和生成的新边界,确定图像中哪些像素点属于前景重叠区域,哪些属于背景重叠区域,哪些像素点属于原前景新背景区域,哪些像素点属于原背景新前景区域。
在生成了新边界后,需要确定新边界内部以及外部的灰度值。由于新边界与真实图像的边界具有一定程度上的形态差异,所以,可能存在以下情况:有的像素点在真实图像中属于前景区域,但是在图像属于为背景区域(以下简称为原前景新背景区域);有的像素点在真实图像中属于背景区域,但是在图像中属于前景区域(以下简称为原背景新前景区域);另外,还有一些像素点,其在真实图像和图像中均属于前景区域(以下简称为前景重叠区域)或者均属于背景区域(以下简称为背景重叠区域)。如图5所示,其中图5(a)为真实医学图像;图5(b)为模拟医学图像;图5(c)所示为真实医学图像和模拟医学图像的前景重叠区域;图5(d)所示为原背景新前景区域。因此,在生成了新边界之后,需要判断哪些像素点属于前景重叠区域,哪些属于背景重叠区域,哪些属于原前景新背景区域,哪些属于原背景新前景区域。
在本实施例中,可以通过以下方法判断图像中每个像素点所属于的区域。
首先,确定图像中位于新前景区域的像素点的坐标值。
具体的,在生成了新边界后,可以计算出所有位于新边界上的边界采样点的坐标值,其中,该坐标值代表该边界采样点位于图像中的第几行和第几列。由于生成的新边界一般是凸包的形状,即任意两个边界采样点的连线都肯定完整的包含于边界内部,因此,可以通过以下方法来确定所有新边界内部的像素点的坐标值:首先,将所有边界上的像素点的横坐标值按大小排列,得到边界上的最小的横坐标值为xmin,边界上最大的横坐标值为xmax。这样,由于边界上像素点的横坐标的取值范围[xmin,xmax]是已知的,因此只有满足xmin<xi<xmax的像素点(xi,yi)有可能位于边界内部。对于图像中任意一个像素点(xi,yi)(其中xmin<xi<xmax),在边界上有两个对应的边界采样点(xi,y1)和(xi,y2),则所有满足min(y1,y2)<yi<max(y1,y2)的像素点都位于新边界内部。
按此原则遍历[xmin,xmax]范围内所有的x值,就可以得到所有新边界内部也就是新前景区域的像素坐标值。
对于新边界不是凸包形状的情况,也可以根据每行的边界像素数量来确认内部的像素坐标值,具体过程在此不再赘述。
在确定了所有位于新前景区域的像素点的坐标值之后,由于真实图像中前景区域的所有像素点的坐标值也是已知的,因此,通过比较就可以知道,图像中哪些像素点属于前景重叠区域,哪些属于背景重叠区域,哪些属于原前景新背景区域,哪些属于原背景新前景区域。
步骤206,确定图像中属于背景重叠区域的像素点的灰度值。
对于图像中属于背景重叠区域的像素点,由于其在真实图像中和图像中均属于背景区域,因此可以令其灰度值与真实图像中相应位置的像素点的灰度值相同。
步骤207,确定图像中属于前景重叠区域的像素点的灰度值。
类似于步骤206,对于属于前景重叠区域的像素点,由于其在真实图像中和图像中都属于前景区域,即出血区域,因此可以令其灰度值与真实图像中相应位置的像素点的灰度值相同。
或者,为了使图像中出血区域的灰度值与真实图像相比有一定变化,也可以在真实图像的出血区域内随机选择几个像素点,利用内插方法来确定图像中该区域的灰度值。
下面对采用内插方法确定图像中属于前景重叠区域的像素点的灰度值的过程进行详细说明。在本步骤中,仍然以灰度值为灰度为例。
首先,在图像的前景重叠区域中,每一行按相同的比例随机抽取一部分像素点,设其集合为Q,令集合Q中的像素点(以下称为Q像素点)的灰度值与真实图像中相同位置的像素点的灰度值相同。而对于图像的前景重叠区域内其它像素点,其灰度值则通过离它最近的8个Q像素点的灰度值插值得到。
具体地,假设与像素点Pi距离最近的8个Q像素点为Q1至Q8,它们到Pi的欧几里得距离为d1至d8(可以根据像素点Pi和像素点Q1至Q8的坐标计算得到)。则Pi的灰度值可以根据下面的公式(3)得到:
其中,wj为权重值,且dmax=max(d1,d2,...,d8),dmin=min(d1,d2,...,d8),IQj代表像素点Qj的灰度值,IPi代表像素点Pi的灰度值。
从上面的公式(3)可以看出,像素点Pi的灰度值是根据离它最近的8个Q像素点Q1至Q8的灰度值计算得到的。按照上述内插方法得到的灰度值与真实图像具有一定差异,差异的大小主要取决于Q像素点的数量,也即保留灰度值的像素点数量越多,差异越小。
以上通过步骤206和207确定了图像中属于背景重叠区域和前景重叠区域的像素点的灰度值。需要注意的是,上述步骤206和207只是为了描述方便,没有先后顺序要求,在实际应用中,可以先执行步骤206,也可以先执行步骤207,或者可以同时执行步骤206和207。
另外,在步骤206中确定图像中属于背景重叠区域的像素点的灰度值时,也可以采用步骤207所述的内插方法。
步骤208,确定图像中属于原前景新背景区域以及原背景新前景区域的像素点的灰度值。
在本步骤中,仍然以灰度为例,首先对属于原背景新前景区域的像素点的灰度值的确定过程进行说明。
图6为本发明实施例中确定图像中属于原背景新前景区域像素点的灰度值的方法示意图。如图6所示,图中φ代表图像中前景重叠区域的像素点的集合。由于在步骤207中已经计算了该区域中像素点的灰度,因此,区域φ中像素点的灰度值是已知的,即区域φ为已知区域。图6中Ω代表图像中属于原背景新前景区域像素点的集合,即区域Ω中的像素点的灰度是未知的,也是在本步骤中需要确定的。也就是说,区域Ω为未知区域。
具体地,确定图像中属于原背景新前景区域像素点的灰度的过程可以包括以下步骤:
步骤S1,对未知区域Ω内的每个像素点P,定义一个该像素点P为中心的n×n的像素块ψP。在本步骤中,因为要使像素点P为像素块ψP的中心,因此n需要为奇数。n的值过小会造成灰度值过于局限,而n的值过大会使灰度值过度放大。在本步骤中,可以令n=5。假设像素点P的坐标为(xP,yP),其中xP和yP都是整数。则ψP是以(xP,yP)为中心,如下所示的5×5子矩阵。
步骤S2,为像素块ψP定义一个优先级Wp,寻找具有最高优先级的像素块ψPh。
具体的,可以按照下面的公式(4)定义优先级Wp:
其中,|ψP|为像素块ψP的面积,当n=5时,像素块ψP的面积为25;X为像素块ψP中的像素点,且也就是说当X属于已知区域φ时,C(X)=1;当X属于未知区域Ω时,C(X)=0。这样,根据公式(4)可以看出,像素块ψP中属于已知区域φ的像素点的个数越多,其优先权越高。
从图6中可以看出,当像素块ψP的中心P位于未知区域Ω和已知区域φ的边界上时,像素块ψP中属于已知区域φ的像素点的个数最多,优先权最高。令具有最高优先级的像素块为ψPh。通过寻找具有最高优先级的像素块ψPh,可以优先处理具有最高优先级的像素块ψPh。此外,由于优先级最高的像素块ψPh位于已知区域φ和未知区域Ω的边界处,所以位于已知区域φ和未知区域Ω的边界处的像素块ψPh将会最先处理。
步骤S3,对于优先权最高的像素块ψPh,寻找一个与像素块ψPh最匹配的最佳匹配像素块。
在本步骤中,所谓最匹配是指两个像素块的灰度值最相似,即两个像素块内的像素点的灰度值的差异最小。为了寻找该最佳匹配像素块ψO,首先需要确定一个搜索区域,在该搜索区域内寻找最佳匹配像素块。
该搜索区域可以为已知区域φ,即在整个已知区域φ内寻找最佳匹配像素块。具体的,对于已知区域φ内的每个像素点,确定以该像素点为中心的像素块ψO,其中像素块ψO的大小跟像素块ψPh相同,也为n×n。然后,确定像素块ψO与像素块ψPh之间的差异。为了确定差异,可以定义差异指数
其中,Pi,j代表像素块ψPh内的位于第i行第j列的像素点的灰度值,如果该像素点位于已知区域φ内,则该像素点的灰度值是已知的,令Pi,j为该像素点的灰度值,如果该像素点位于未知区域Ω内,则令Pi,j=0;Oi,j代表像素块ψO内位于第i行第j列的像素点的灰度值。
这样,根据上述的差异指数公式(5),可以计算出已知区域φ内每个像素块ψO与像素块ψPh之间的差异。其中,像素块ψPh的最佳匹配像素块应该是与像素块ψPh具有最小差异指数EO,P的像素块ψO。
以上以搜索区域为已知区域φ对寻找最佳匹配像素块的过程进行了描述。在上述过程中,由于需要针对已知区域φ内的所有像素块ψO分别计算与像素块ψPh的差异指数,计算量相对较大。因此,为了减少计算量,也可以由用户指定一个搜索区域,该搜索区域为已知区域φ内一个较小的范围,这样,在寻找最佳匹配像素块时,仅针对该搜索区域内的像素块进行计算,从而减少计算量。
步骤S4,根据最佳匹配像素块内的像素点的灰度值确定像素块ψPh内的像素点的灰度值。
在确定了最佳匹配像素块之后,由于最佳匹配像素块位于已知区域内,其像素点的灰度值是已知的,所以可以根据最佳匹配像素块内的像素点的灰度值确定像素块ψPh内的像素点的灰度值。具体的,对于ψPh内的已知像素点(即位于已知区域φ中的像素点),保持其灰度值不变。对于ψPh内的未知像素点(即位于未知区域Ω中的像素点),确定该像素点的灰度值与最佳匹配像素块内相同位置的像素点的灰度值相同。
这样,像素块ψPh内的所有像素点的灰度值都变成了已知的,也就是说,像素块ψPh变成了已知区域。因此,将像素块ψPh中原来属于未知区域Ω的部分添加到已知区域φ中,并且从未知区域Ω中去除。
步骤S5,重复上述步骤S1到S4,直到未知区域Ω中的所有像素点都被添加到已知区域φ中。
当未知区域Ω中的所有像素点都被添加到已知区域φ中时,图像中属于原背景新前景区域的像素点的灰度值就都已经确定了。
以上对原背景新前景区域内的像素点的灰度值的确定方法进行了描述。类似的,对于原前景新背景区域的像素点,其灰度值可以按照上述方法,根据步骤206中背景重叠区域内的像素点的灰度确定。具体过程跟上面的步骤S1至S5类似,不同的是:此时图6中的已知区域φ代表图像中背景重叠区域的像素点的集合,未知区域Ω代表原前景新背景区域的像素点的集合。具体的过程可以参考上述步骤S1至S5,在此不再赘述。
至此,通过上述步骤201至208,图像的边界和各个像素点的灰度值都已经确定了,即生成了一个与真实图像具有一定程度形态差异的图像。
在图2所示实施例中,以真实图像的边界的傅里叶描述子描述真实图像的边界的轮廓函数,对一组边界采样点的轮廓函数值进行随机抽样后重新赋值,生成图像的新边界。在实际应用中,也可以采用其他方法(例如链码、自回归模型、曲率尺度空间描述子等基于轮廓的形状分析方法)描述真实图像的边界的轮廓函数,最终生成图像的新边界。
图7为本发明实施例提供的另一种图像产生方法的流程图。与图2所示实施例不同的是,在图7所示的实施例中,以真实图像的边界采样点的极坐标描述真实图像的边界的轮廓函数。具体的,仍然以颅内出血CT图像为例,该方法包括以下步骤:
步骤701,获取真实图像的边界。该步骤与步骤201相同。
步骤702,获取真实图像的边界上的像素点的极坐标。
在本实施例中,以边界采样点的极坐标作为描述真实图像的边界的轮廓函数。
首先,与步骤202相同,需要建立x-y坐标平面。以真实图像的边界上任意一个像素点为起点,按照顺时针或者逆时针方向,在所述边界上每隔一定弧长选取一个采样点。假设(xt,yt)为真实图像上的一个边界采样点的笛卡尔坐标。然后将坐标值(xt,yt)根据下面的公式(5)转换为极坐标(rt,θt):
其中半径rt代表采样点(xt,yt)到坐标系原点的距离,极角θt代表采样点(xt,yt)与坐标系原点的连线和x轴的夹角。
同样,为了保持形状的位移不变性,也可以将坐标系的原点移到质心(xc,yc),得到新的坐标(xt',yt')。然后参照上述公式(6)计算得到采样点(xt',yt')的极坐标(rt,θt)。
在计算出每个边界采样点的极坐标(rt,θt)后,可以得到选取的边界采样点的半径集合R(r1,r2,...rn),极角集合θ(θ1,θ2,...,θn)。则集合R(r1,r2,...rn)和集合θ(θ1,θ2,...,θn)为真实图像的边界的轮廓函数值。
步骤703,根据真实图像的边界采样点的极坐标,确定一组新的极坐标。
在本步骤中,类似于步骤203,可以对半径集合R(r1,r2,...rn)进行n次有放回的抽样,生成半径集合R'(r'1,r'2,...r'n),集合R'中包含的半径的数量跟集合R相同。将集合R'与极角集合θ(θ1,θ2,...,θn)相结合,即得到了一组新的极坐标。这组新的极坐标即为描述新边界的一组轮廓函数值。
步骤704,根据新的极坐标,生成新边界。
根据步骤703产生的新的极坐标,按照公式(6)可以求解出一组新的笛卡尔坐标值,也即新的一组采样点。然后按照极角θ的大小,对这组新的采样点进行排序并顺序连接起来,就可以得到新的边界。
步骤705至708与步骤205至208相同。在此不再赘述。
另外,为了使生成的新的边界形状更加平滑,没有突兀的锯齿状现象存在,在本实施例中,在步骤704之后,可以进一步包括:
步骤704’,对新边界进行平滑。
在本实施例中,通过对傅里叶描述子的低通滤波来实现新边界的平滑。
首先,计算描述新边界的一组傅里叶描述子CN,计算过程与步骤202类似,不同的是这里计算的是新边界的傅里叶描述子,而步骤202中计算的是真实图像的边界的傅里叶描述子。
然后,保留一部分低频的傅里叶描述子,而其它的傅里叶描述子都设为0。
最后,对这组新的描述子进行傅里叶逆变换,产生平滑的边界。具体计算过程与步骤204类似,在此不再赘述。
在实际应用中,也可以采用其他平滑方法来对新边界进行平滑。本发明对具体采用何种平滑方法不做限定。
以上对本发明提供的图像产生方法进行了描述。对应上述的方法,本发明实施例进一步提出了一种图像产生装置,如图8所示。该装置包括:边界生成模块81和灰度值确定模块82,其中,
所述边界生成模块81用于根据真实图像中前景的边界生成新边界,所述新边界为所述图像中前景的边界;
所述灰度值确定模块82用于根据所述真实图像的边界和新边界,确定图像中的前景重叠区域,背景重叠区域,原前景新背景区域以及原背景新前景区域,所述前景重叠区域为在所述真实图像和图像中均为前景的区域,所述背景重叠区域为在所述真实图像和图像中均为背景的区域,所述原前景新背景区域为在真实图像中为前景但图像中为背景的区域,所述原背景新前景区域为在真实图像中为背景但图像中为前景的区域;当所述确定图像中的像素点属于前景重叠区域或原背景新前景区域时,根据所述图像中属于前景重叠区域的像素点的灰度值,确定所述属于原背景新前景区域的像素点的灰度值;当所述确定图像中的像素点属于背景重叠区域或原前景新背景区域时,根据所述图像中属于背景重叠区域的像素点的灰度值,确定所述属于原前景新背景区域的像素点的灰度值。
上述各个模块的具体功能可以参见方法实施例部分,在此不再赘述。
本发明实施例还提供了一种模拟医学图像产生装置,如图9所示。该装置包括:处理器91、存储器92,其中,处理器91与存储器92通信连接,存储器92中存储有机器可读指令,所述指令用于使得处理器91执行上述步骤。
处理器91所执行的具体的操作步骤和过程与前面方法实施例部分的描述相同,在此不再赘述。其中,存储器92可以是软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。
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,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (31)
1.一种图像生成方法,其特征在于,该方法包括以下步骤:
根据真实图像中前景的边界生成新边界,所述新边界为所述图像中前景的边界;
根据所述真实图像的边界和新边界,确定图像中的前景重叠区域,背景重叠区域,原前景新背景区域以及原背景新前景区域,所述前景重叠区域为在所述真实图像和图像中均为前景的区域,所述背景重叠区域为在所述真实图像和图像中均为背景的区域,所述原前景新背景区域为在真实图像中为前景但图像中为背景的区域,所述原背景新前景区域为在真实图像中为背景但图像中为前景的区域;
当所述确定图像中的像素点属于前景重叠区域或原背景新前景区域时,根据所述图像中属于前景重叠区域的像素点的灰度值,确定所述属于原背景新前景区域的像素点的灰度值;
当所述确定图像中的像素点属于背景重叠区域或原前景新背景区域时,根据所述图像中属于背景重叠区域的像素点的灰度值,确定所述属于原前景新背景区域的像素点的灰度值。
2.根据权利要求1所述的方法,其特征在于,当所述图像中的像素点属于前景重叠区域或背景重叠区域时,令所述像素点的灰度值与相应位置的所述真实图像中的像素点的灰度值相同。
3.根据权利要求1所述的方法,其特征在于,当所述图像中的像素点属于前景重叠区域或背景重叠区域时,令随机抽取的一部分像素点的灰度值与相应位置的所述真实图像中的像素点的灰度值相同,剩余部分所述像素点的灰度值由所述随机抽取的像素点的灰度值的插值确定。
4.根据权利要求3所述的方法,其特征在于,当所述图像中的像素点属于前景重叠区域或背景重叠区域时,还包括:
在所述重叠区域中,从每一行像素点中按相同比例选取像素点,设其集合为Q;
确定集合Q中的像素点的灰度值与真实图像中相同位置的像素点的灰度值相同;
对于所述前景重叠区域内的不属于集合Q的像素点,根据与其距离最近的m个集合Q内的像素点的灰度值,确定该像素点的灰度根据以下公式确定该像素点的灰度值:
其中,Pi为所述前景重叠区域中待确定灰度的像素点,IPi代表像素点Pi的灰度值,IQj代表集合Q中与像素点Pi距离最近的第j个像素点Qj的灰度值,Qj的权重值为其中dj为像素点Qj到像素点Pi的距离,dmax=max(d1,d2,...,dm),dmin=min(d1,d2,...,dm)。
5.根据权利要求1所述的方法,其特征在于,当所述确定图像中的像素点属于原背景新前景区域时,确定所述属于原背景新前景区域的像素点的灰度值包括:
步骤A1,对于原背景新前景区域内的每个像素点,计算以该像素点为中心的n×n的像素块ψP内属于前景重叠区域的像素点的个数,其中,n为奇数;
步骤B1,确定包含属于所述前景重叠区域的像素点个数最多的像素块ψPh,在所述前景重叠区域中确定一个与像素块ψPh内的像素点的最佳匹配像素块,
步骤C1,对于像素块ψPh内灰度值为未知的像素点,该像素点的灰度值确定为与所述最佳匹配像素块内相同位置的像素点的灰度值相同并添加到前景重叠区域中;
重复上述步骤A1-C1,直到原背景新前景区域中的所有像素点都被添加到前景重叠区域中。
6.根据权利要求1所述的方法,其特征在于,当所述确定图像中的像素点属于原前景新背景区域时,确定所述属于原前景新背景区域的像素点的灰度值包括:
步骤A2,对于原前景新背景区域内的每个像素点,计算以该像素点为中心的n×n的像素块ψP内属于背景重叠区域的像素点的个数;其中,n为奇数;
步骤B2,确定包含属于所述背景重叠区域的像素点个数最多的像素块ψPh,在所述背景重叠区域中确定一个与像素块ψPh内的像素点的最佳匹配像素块;
步骤C2,对于像素块ψPh内灰度值为未知的像素点,该像素点的灰度值确定为与所述最佳匹配像素块内相同位置的像素点的灰度值相同并添加到所述背景重叠区域中;
重复上述步骤A2-C2,直到原前景新背景区域中的所有像素点都被添加到所述背景重叠区域中。
7.根据权利要求5或6任一所述的方法,其特征在于,所述重叠区域中确定与像素块ψPh的最佳匹配像素块包括:
确定搜索区域;
对于搜索区域中的每个像素点,确定以该像素点为中心的像素块ψO,其中,所述像素块ψO的大小与像素块ψPh的大小相同;
分别计算像素块ψPh与每个像素块ψO的差异指数;
确定所述搜索区域中与像素块ψPh具有最小差异指数的像素块ψO作为最佳匹配像素块。
8.根据权利要求7所述的方法,其特征在于,所述搜索区域为重叠区域内用户指定的区域。
9.根据权利要求7所述的方法,其特征在于,所述计算像素块ψPh与每个像素块ψO的差异指数包括:
根据以下公式计算像素块ψPh与每个像素块ψO的差异指数:
其中,EO,P代表差异指数,Pi,j代表像素块ψPh内的像素点的灰度值,如果该像素点的灰度值是已知的,则Pi,j为该像素点的灰度值,如果该像素点的灰度值是未知的,则Pi,j=0,Oi,j代表像素块ψO内像素点的灰度值。
10.根据权利要求1所述的方法,其特征在于,所述新边界的确定进一步包括:根据真实图像中前景的边界,确定用于描述所述边界的轮廓函数,对一组边界采样点的轮廓函数值进行随机抽样,根据所述随机抽样值生成所述图像的新边界。
11.根据权利要求10所述的方法,其特征在于,所述新边界的确定包括:
在所述真实图像的边界上选取预定个数的像素点;
将所述真实图像的边界用复数坐标{ft}表示,其中,ft=(xt-xc)+i(yt-yc)t=0,1,...,n-1,复数坐标{ft}为一种轮廓函数,(xt,yt)为选取的边界上的像素点的笛卡尔坐标,(xc,yc)为所述真实图像的前景的质心,n为选取的像素点的个数;
对所述复数坐标{ft}进行离散傅里叶变换,得到一组傅里叶描述子,所述傅里叶描述子为轮廓函数值;
对所述傅里叶描述子进行有放回的随机抽样,将抽样得到的一组傅里叶描述子作为新的傅里叶描述子,其中所述新的傅里叶描述子的个数与真实图像的边界的傅里叶描述子的个数相同;
对新的傅里叶描述子进行傅里叶逆变换,得到新边界上的像素点的复数坐标。
12.根据权利要求11所述的方法,其特征在于,在对所述真实图像的边界的一组傅里叶描述子进行有放回的随机抽样之后,进一步包括:设定一个阈值;将抽样得到的一组新的傅里叶描述子中,频率高于所述阈值的傅里叶描述子设为0。
13.根据权利要求10所述的方法,其特征在于,所述新边界的确定包括:
在所述真实图像的边界上选取指定个数的像素点;
确定选取的像素点的极坐标(rt,θt),其中,半径rt代表像素点(xt,yt)到坐标系原点的距离,极角θt代表像素点(xt,yt)与坐标系原点的连线和x轴的夹角,所述极坐标为一种轮廓函数;
确定选取的像素点的半径集合R(r1,r2,...rn)和极角集合θ(θ1,θ2,...,θn),其中,n为选取的像素点的个数,所述半径为轮廓函数值;
对半径集合R(r1,r2,...rn)进行n次有放回的随机抽样,得到集合R'(r'1,r'2,...r'n);
根据集合R'(r'1,r'2,...r'n)与极角集合θ(θ1,θ2,...,θn)得到n个新的极坐标。
14.根据权利要求13所述的方法,其特征在于,进一步包括对新边界进行平滑操作,其包括:
计算所述新边界的一组傅里叶描述子;
保留频率低于预定阈值的傅里叶描述子,其它的傅里叶描述子设为0,得到一组新的傅里叶描述子;
对这组新的描述子进行傅里叶逆变换,得到平滑的边界。
15.根据权利要求1-6和8-14中任一项所述的方法,所述图像为医学图像。
16.一种图像生成装置,其特征在于,该装置包括:边界生成模块和灰度值确定模块,其中,
所述边界生成模块用于根据真实图像中前景的边界生成新边界,所述新边界为所述图像中前景的边界;
所述灰度值确定模块用于根据所述真实图像的边界和新边界,确定图像中的前景重叠区域,背景重叠区域,原前景新背景区域以及原背景新前景区域,所述前景重叠区域为在所述真实图像和图像中均为前景的区域,所述背景重叠区域为在所述真实图像和图像中均为背景的区域,所述原前景新背景区域为在真实图像中为前景但图像中为背景的区域,所述原背景新前景区域为在真实图像中为背景但图像中为前景的区域;当所述确定图像中的像素点属于前景重叠区域或原背景新前景区域时,根据所述图像中属于前景重叠区域的像素点的灰度值,确定所述属于原背景新前景区域的像素点的灰度值;当所述确定图像中的像素点属于背景重叠区域或原前景新背景区域时,根据所述图像中属于背景重叠区域的像素点的灰度值,确定所述属于原前景新背景区域的像素点的灰度值。
17.根据权利要求16所述的装置,其特征在于,所述灰度值确定模块进一步用于,当所述图像中的像素点属于前景重叠区域或背景重叠区域时,令所述像素点的灰度值与相应位置的所述真实图像中的像素点的灰度值相同。
18.根据权利要求16所述的装置,其特征在于,所述灰度值确定模块进一步用于,当所述图像中的像素点属于前景重叠区域或背景重叠区域时,令随机抽取的一部分像素点的灰度值与相应位置的所述真实图像中的像素点的灰度值相同,剩余部分所述像素点的灰度值由随机抽取的所述像素点的灰度值的插值确定。
19.根据权利要求18所述的装置,其特征在于,所述灰度值确定模块进一步用于,当所述图像中的像素点属于前景重叠区域或背景重叠区域时,
在所述重叠区域中,从每一行像素点中按相同比例选取像素点,设其集合为Q;
确定集合Q中的像素点的灰度值与真实图像中相同位置的像素点的灰度值相同;
对于所述前景重叠区域内的不属于集合Q的像素点,根据与其距离最近的m个集合Q内的像素点的灰度值,确定该像素点的灰度根据以下公式确定该像素点的灰度值:
其中,Pi为所述前景重叠区域中待确定灰度的像素点,IPi代表像素点Pi的灰度值,IQj代表集合Q中与像素点Pi距离最近的第j个像素点Qj的灰度值,Qj的权重值为其中dj为像素点Qj到像素点Pi的距离,dmax=max(d1,d2,...,dm),dmin=min(d1,d2,...,dm)。
20.根据权利要求16所述的装置,其特征在于,所述灰度值确定模块进一步用于,当所述确定图像中的像素点属于原背景新前景区域时,
步骤A1,对于原背景新前景区域内的每个像素点,计算以该像素点为中心的n×n的像素块ψP内属于前景重叠区域的像素点的个数;其中,n为奇数;
步骤B1,确定包含属于所述前景重叠区域的像素点个数最多的像素块ψPh,在所述前景重叠区域中确定一个与像素块ψPh内的像素点的最佳匹配像素块,
步骤C1,对于像素块ψPh内灰度值为未知的像素点,该像素点的灰度值确定为与所述最佳匹配像素块内相同位置的像素点的灰度值相同并添加到所述前景重叠区域中;
重复上述步骤A1-C1,直到原背景新前景区域中的所有像素点都被添加到所述前景重叠区域中。
21.根据权利要求16所述的装置,其特征在于,所述灰度值确定模块进一步用于,当所述确定图像中的像素点属于原前景新背景区域时,
步骤A2,对于原前景新背景区域内的每个像素点,计算以该像素点为中心的n×n的像素块ψP内属于背景重叠区域的像素点的个数;其中,n为奇数;
步骤B2,确定包含属于所述背景重叠区域的像素点个数最多的像素块ψPh,在所述背景重叠区域中确定一个与像素块ψPh内的像素点的最佳匹配像素块;
步骤C2,对于像素块ψPh内灰度值为未知的像素点,该像素点的灰度值确定为与所述最佳匹配像素块内相同位置的像素点的灰度值相同并添加到所述背景重叠区域中;
重复上述步骤A2-C2,直到原前景新背景区域中的所有像素点都被添加到所述背景重叠区域中。
22.根据权利要求20或21所述的装置,其特征在于,所述灰度值确定模块进一步用于,
确定搜索区域;
对于搜索区域中的每个像素点,确定以该像素点为中心的像素块ψO,其中,所述像素块ψO的大小与像素块ψPh的大小相同;
分别计算像素块ψPh与每个像素块ψO的差异指数;确定所述搜索区域中与像素块ψPh具有最小差异指数的像素块ψO作为最佳匹配像素块。
23.根据权利要求22所述的装置,其特征在于,所述搜索区域为重叠区域内用户指定的区域。
24.根据权利要求22所述的装置,其特征在于,所述灰度值确定模块进一步用于,根据以下公式计算像素块ψPh与每个像素块ψO的差异指数:
其中,EO,P代表差异指数,Pi,j代表像素块ψPh内的像素点的灰度值,如果该像素点的灰度值是已知的,则Pi,j为该像素点的灰度值,如果该像素点的灰度值是未知的,则Pi,j=0,Oi,j代表像素块ψO内像素点的灰度值。
25.根据权利要求16所述的装置,其特征在于,所述边界生成模块进一步用于,根据真实图像中前景的边界,确定用于描述所述边界的轮廓函数,对一组边界采样点的轮廓函数值进行随机抽样,根据所述随机抽样值生成所述图像的新边界。
26.根据权利要求25所述的装置,其特征在于,所述边界生成模块进一步用于,在所述真实图像的边界上选取预定个数的像素点;
将所述真实图像的边界用复数坐标{ft}表示,其中,ft=(xt-xc)+i(yt-yc)t=0,1,...,n-1,复数坐标{ft}为一种轮廓函数,(xt,yt)为选取的边界上的像素点的笛卡尔坐标,(xc,yc)为所述真实图像的前景的质心,n为选取的像素点的个数;
对所述复数坐标{ft}进行离散傅里叶变换,得到一组傅里叶描述子,所述傅里叶描述子为轮廓函数值;
对所述傅里叶描述子进行有放回的随机抽样,将抽样得到的一组傅里叶描述子作为新的傅里叶描述子,其中所述新的傅里叶描述子的个数与真实图像的边界的傅里叶描述子的个数相同;
对新的傅里叶描述子进行傅里叶逆变换,得到新边界上的像素点的复数坐标。
27.根据权利要求26所述的装置,其特征在于,所述边界生成模块进一步用于,在对所述真实图像的边界的一组傅里叶描述子进行有放回的随机抽样之后,进一步包括:设定一个阈值;将抽样得到的一组新的傅里叶描述子中,频率高于所述阈值的傅里叶描述子设为0。
28.根据权利要求25所述的装置,其特征在于,所述边界生成模块进一步用于,
在所述真实图像的边界上选取指定个数的像素点;
确定选取的像素点的极坐标(rt,θt),其中,半径rt代表像素点(xt,yt)到坐标系原点的距离,极角θt代表像素点(xt,yt)与坐标系原点的连线和x轴的夹角,所述极坐标为一种轮廓函数;
确定选取的像素点的半径集合R(r1,r2,...rn)和极角集合θ(θ1,θ2,...,θn),其中,n为选取的像素点的个数,所述半径为轮廓函数值;
对半径集合R(r1,r2,...rn)进行n次有放回的随机抽样,得到集合R'(r'1,r'2,...r'n);
根据集合R'(r'1,r'2,...r'n)与极角集合θ(θ1,θ2,...,θn)得到n个新的极坐标。
29.根据权利要求28所述的装置,其特征在于,所述边界生成模块进一步用于,
计算所述新边界的一组傅里叶描述子;
保留频率低于预定阈值的傅里叶描述子,其它的傅里叶描述子设为0,得到一组新的傅里叶描述子;对这组新的描述子进行傅里叶逆变换,得到平滑的边界。
30.根据权利要求16至21和23至29中任一项所述的装置,其特征在于,所述图像为医学图像。
31.一种图像生成装置,其特征在于,包括:处理器、存储器,其中,所述处理器与存储器通信连接,所述存储器中存储有机器可读指令,所述指令用于使得处理器执行权利要求1至15之一的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210320917.0A CN103679764B (zh) | 2012-08-31 | 2012-08-31 | 一种图像生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210320917.0A CN103679764B (zh) | 2012-08-31 | 2012-08-31 | 一种图像生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679764A CN103679764A (zh) | 2014-03-26 |
CN103679764B true CN103679764B (zh) | 2016-12-21 |
Family
ID=50317212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210320917.0A Expired - Fee Related CN103679764B (zh) | 2012-08-31 | 2012-08-31 | 一种图像生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679764B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548185B (zh) * | 2016-11-25 | 2019-05-24 | 三星电子(中国)研发中心 | 一种前景区域确定方法和装置 |
JP7300699B2 (ja) * | 2018-11-12 | 2023-06-30 | 株式会社イシダ | 教師データ生成方法、教師データ生成プログラム、教師データ生成装置、及び商品識別装置 |
CN110120089B (zh) * | 2019-05-15 | 2022-12-06 | 浙江凌迪数字科技有限公司 | 一种基于裁剪边界优化的无缝纹理自动生成方法 |
CN111242905B (zh) * | 2020-01-06 | 2021-03-26 | 科大讯飞(苏州)科技有限公司 | 一种x光样本图像的生成方法、生成设备和存储装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334895A (zh) * | 2008-08-07 | 2008-12-31 | 清华大学 | 一种针对动态增强乳腺磁共振影像序列的影像分割方法 |
CN101616310A (zh) * | 2009-07-17 | 2009-12-30 | 清华大学 | 可变视角及分辨率的双目视觉系统目标图像稳定化方法 |
CN102208022A (zh) * | 2010-03-31 | 2011-10-05 | 富士通株式会社 | 遮挡字符恢复装置及其方法、遮挡字符识别装置及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8577130B2 (en) * | 2009-03-16 | 2013-11-05 | Siemens Medical Solutions Usa, Inc. | Hierarchical deformable model for image segmentation |
-
2012
- 2012-08-31 CN CN201210320917.0A patent/CN103679764B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334895A (zh) * | 2008-08-07 | 2008-12-31 | 清华大学 | 一种针对动态增强乳腺磁共振影像序列的影像分割方法 |
CN101616310A (zh) * | 2009-07-17 | 2009-12-30 | 清华大学 | 可变视角及分辨率的双目视觉系统目标图像稳定化方法 |
CN102208022A (zh) * | 2010-03-31 | 2011-10-05 | 富士通株式会社 | 遮挡字符恢复装置及其方法、遮挡字符识别装置及其方法 |
Non-Patent Citations (2)
Title |
---|
Medical image segmentation algorithms using deformable models:a review;Jayadevappa D et al;《IETE Technical review》;20110531;248-255 * |
医学图像分割算法的评价方法;张石等;《中国图象图形学报》;20090930;第14卷(第9期);1872-1879 * |
Also Published As
Publication number | Publication date |
---|---|
CN103679764A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grenander et al. | Pattern theory: from representation to inference | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN103679158B (zh) | 人脸认证方法和装置 | |
CN107146201A (zh) | 一种基于改进图像融合的图像拼接方法 | |
CN102194133B (zh) | 基于数据聚类的适应性图像sift特征匹配方法 | |
CN109711401B (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN103679764B (zh) | 一种图像生成方法及装置 | |
CN112215847B (zh) | 基于对抗学习多尺度特征的重叠染色体自动分割方法 | |
CN101303764A (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
CN107133913A (zh) | 一种自动矫直的图像拼接方法 | |
Bartesaghi et al. | An energy-based three-dimensional segmentation approach for the quantitative interpretation of electron tomograms | |
CN103400393B (zh) | 一种图像匹配方法和系统 | |
CN105513014A (zh) | 一种多帧图像超分辨率重建方法及其重建系统 | |
CN105761270A (zh) | 一种基于外极线距离变换的树型滤波立体匹配方法 | |
CN105447452A (zh) | 一种基于地物空间分布特征的遥感亚像元制图方法 | |
Velmurugan et al. | Multimodality image fusion using centre-based genetic algorithm and fuzzy logic | |
CN114494199A (zh) | 一种基于深度学习的肝脏ct肿瘤分割与分类的方法 | |
CN106023268A (zh) | 一种基于两步参数子空间优化的彩色图像灰度化方法 | |
CN107392943A (zh) | 基于多尺度权重引导滤波的视差精炼算法 | |
CN104123711B (zh) | 一种三维图像中多器官的定位方法 | |
CN109583626B (zh) | 路网拓扑重建方法、介质及系统 | |
CN107564045A (zh) | 基于梯度域引导滤波的立体匹配算法 | |
CN114494893B (zh) | 基于语义重用上下文特征金字塔的遥感图像特征提取方法 | |
CN112966759B (zh) | 一种基于深度学习的眼底图像识别分类方法 | |
Han et al. | Interpolation in discrete single figure medial objects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161221 Termination date: 20210831 |
|
CF01 | Termination of patent right due to non-payment of annual fee |