CN103957771A - 图像处理装置、图像处理方法和图像处理程序 - Google Patents

图像处理装置、图像处理方法和图像处理程序 Download PDF

Info

Publication number
CN103957771A
CN103957771A CN201280057810.XA CN201280057810A CN103957771A CN 103957771 A CN103957771 A CN 103957771A CN 201280057810 A CN201280057810 A CN 201280057810A CN 103957771 A CN103957771 A CN 103957771A
Authority
CN
China
Prior art keywords
pixel
region
image processing
image
boundary
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
Application number
CN201280057810.XA
Other languages
English (en)
Other versions
CN103957771B (zh
Inventor
神田大和
北村诚
河野隆志
弘田昌士
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Olympus Corp
Original Assignee
Olympus Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Olympus Corp filed Critical Olympus Corp
Publication of CN103957771A publication Critical patent/CN103957771A/zh
Application granted granted Critical
Publication of CN103957771B publication Critical patent/CN103957771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A61B1/000094—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope extracting biological structures
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/0002—Operational features of endoscopes provided with data storages
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
    • A61B1/041—Capsule endoscopes for imaging
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B23/00—Telescopes, e.g. binoculars; Periscopes; Instruments for viewing the inside of hollow bodies; Viewfinders; Optical aiming or sighting devices
    • G02B23/24—Instruments or systems for viewing the inside of hollow bodies, e.g. fibrescopes
    • G02B23/2476—Non-optical details, e.g. housings, mountings, supports
    • G02B23/2484—Arrangements in relation to a camera or imaging device
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • 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
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10068—Endoscopic image
    • 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
    • G06T2207/20036—Morphological image processing
    • G06T2207/20041—Distance transform
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • 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
    • G06T2207/30028—Colon; Small intestine
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Abstract

提供图像处理装置、图像处理方法和图像处理程序，能够高精度地识别异常部和具有与该异常部相同种类的颜色信息的其他被摄体。图像处理装置具有：异常部候选区域检测部(110)，其根据构成对被检体的管腔内进行摄像而得到的图像的各像素的颜色信息来检测异常部的3+3候选区域；边界附近像素确定部(120)，其确定存在于候选区域的边界附近的像素即边界附近像素；特征量计算部(130)，其根据边界附近像素的像素值计算特征量；以及异常部区域识别部(140)，其根据特征量识别异常部区域。

Description

图像处理装置、图像处理方法和图像处理程序
技术领域
本发明涉及从对被检体的体内进行摄像而得到的图像中检测异常部的图像处理装置、图像处理方法和图像处理程序。
背景技术
以往，为了从通过内窥镜等医用观察装置对被检体的管腔内进行摄像而得到的管腔内图像(以下简称为图像)中检测异常部，研究了各种方法。例如，在专利文献1中公开了如下的图像处理方法：将图像内的各像素的像素值映射在基于各像素的颜色信息的特征空间中，在特征空间内进行聚类(Clustering)后，根据各集群(Cluster)的大小和重心坐标等信息确定正常粘膜集群和异常部集群，将属于异常部集群的像素检测为异常部。
现有技术文献
专利文献
专利文献1：日本特开2005-192880号公报
发明内容
发明要解决的课题
但是，在通过内窥镜进行摄像而得到的图像中，针对口疮性病变或溃疡这样的白色色调的病变部(异常部)，如食物残渣、镜面反射、接近内窥镜进行摄像而得到的粘膜面那样，有时映出具有与异常部相同种类的颜色信息的其他被摄体。因此，如以往那样，当仅根据颜色信息来检测异常部时，存在无法识别异常部和这些其他被摄体的问题。
本发明是鉴于上述情况而完成的，其目的在于，提供能够高精度地识别异常部和具有与该异常部相同种类的颜色信息的其他被摄体的图像处理装置、图像处理方法和图像处理程序。
用于解决课题的手段
为了解决上述课题并实现目的，本发明的图像处理装置的特征在于，该图像处理装置具有：异常部候选区域检测部，其根据构成对被检体的管腔内进行摄像而得到的图像的各像素的颜色信息，来检测异常部的候选区域；边界附近像素确定部，其确定存在于所述候选区域的边界附近的像素即边界附近像素；特征量计算部，其计算基于所述边界附近像素的像素值的特征量；以及异常部区域识别部，其根据所述特征量识别异常部区域。
本发明的图像处理方法的特征在于，该图像处理方法包括以下步骤：异常部候选区域检测步骤，根据构成对被检体的管腔内进行摄像而得到的图像的各像素的颜色信息，来检测异常部的候选区域；边界附近像素确定步骤，确定存在于所述候选区域的边界附近的像素即边界附近像素；特征量计算步骤，计算基于所述边界附近像素的像素值的特征量；以及异常部区域识别步骤，根据所述特征量识别异常部区域。
本发明的图像处理程序的特征在于，该图像处理程序使计算机执行以下步骤：异常部候选区域检测步骤，根据构成对被检体的管腔内进行摄像而得到的图像的各像素的颜色信息，来检测异常部的候选区域；边界附近像素确定步骤，确定存在于所述候选区域的边界附近的像素即边界附近像素；特征量计算步骤，计算基于所述边界附近像素的像素值的特征量；以及异常部区域识别步骤，根据所述特征量识别异常部区域。
发明效果
根据本发明，在根据图像的颜色信息检测出异常部候选区域后，计算基于异常部候选区域的边界附近像素的像素值的特征量，根据该特征量识别异常部区域，所以，能够高精度地识别异常部和具有与该异常部相同种类的颜色信息的其他被摄体。
附图说明
图1是示出本发明的实施方式1的图像处理装置的结构的框图。
图2是示出图1所示的图像处理装置的动作的流程图。
图3是示出作为图1所示的图像处理装置的处理对象的图像的一例的示意图。
图4是示出与图3所示的图像对应的候选区域图像的示意图。
图5是示出图1所示的边界附近像素确定部的动作的流程图。
图6是示出从图4所示的图像中检测到的边界像素的示意图。
图7是示出根据图6所示的图像计算出的距离转换图像的示意图。
图8是示出将图7所示的图像分割为距离转换区域后的区域标记图像的示意图。
图9是示出根据图7所示的图像设定的边界附近区域的示意图。
图10是示出基于图1所示的边界附近像素的像素值的特征量的计算处理的流程图。
图11是示出本发明的实施方式2的图像处理装置的结构的框图。
图12是示出图11所示的边界附近像素确定部的动作的流程图。
图13是说明实施方式2的边界附近像素的确定方法的示意图。
图14是说明实施方式2的边界附近像素的确定方法的示意图。
图15是示出实施方式2的变形例的外边有效像素确定部的结构的框图。
图16是示出实施方式2的变形例的边界附近像素确定部的动作的流程图。
图17是说明实施方式2的变形例的检查对象区域的判定方法的示意图。
图18是示出本发明的实施方式3的图像处理装置的结构的框图。
图19是示出图18所示的特征量计算部的动作的流程图。
图20是示出本发明的实施方式4的图像处理装置的结构的框图。
图21是示出图20所示的特征量计算部的动作的流程图。
图22是说明像素值变化信息的计算方法的示意图。
图23是示出与图22所示的像素群对应的像素值的平均值的曲线图。
图24是示出归一化后的像素值的平均值的曲线图。
图25是示出本发明的实施方式5的图像处理装置的结构的框图。
图26是示出图25所示的特征量计算部的动作的流程图。
图27是示出像素值的变化量信息(微分值)的曲线图。
具体实施方式
下面，参照附图对本发明的实施方式的图像处理装置、图像处理方法和图像处理程序进行说明。另外，本发明不被这些实施方式限定。并且，在各附图的记载中，对相同部分标注相同标号示出。
在以下的实施方式中，作为一例，说明从通过胶囊内窥镜等医用观察装置对被检体的管腔内进行摄像而取得的管腔内图像(以下简称为图像)中检测白色色调的病变部(以下简称为异常部)的图像处理。另外，在以下的实施方式中，作为图像处理对象的管腔内图像是在各像素位置中具有针对R(红)、G(绿)、B(蓝)的各颜色成分(波长成分)的像素级别(Pixel level)(像素值)的彩色图像。
(实施方式1)
图1是示出本发明的实施方式1的图像处理装置的结构的框图。图1所示的图像处理装置1具有对图像处理装置1整体的动作进行控制的控制部10、取得与通过胶囊内窥镜等医用观察装置进行摄像而得到的图像对应的图像数据的图像取得部20、受理从外部输入的输入信号的输入部30、进行各种显示的显示部40、储存由图像取得部20取得的图像数据和各种程序的记录部50、以及对图像数据执行规定的图像处理的运算部100。
控制部10由CPU等硬件实现，通过读入在记录部50中存储的各种程序，根据从图像取得部20输入的图像数据和从输入部30输入的操作信号等，进行针对构成图像处理装置1的各部的指示和数据的转送等，总括地控制图像处理装置1整体的动作。
根据包含医用观察装置的系统的方式适当构成图像取得部20。例如，在医用观察装置为胶囊内窥镜，并且使用移动式记录介质用于与医用观察装置之间的图像数据的交换的情况下，图像取得部20由以拆装自由的方式安装该记录媒体并读出所保存的管腔内图像的图像数据的读出装置构成。此外，在设置了预先保存由医用观察装置摄像得到的管腔内图像的图像数据的服务器的情况下，图像取得部20由与服务器连接的通信装置等构成，与服务器进行数据通信并取得管腔内图像的图像数据。或者，还可以利用从内窥镜等医用观察装置经由缆线输入图像信号的接口装置等构成图像取得部20。
输入部30例如由键盘和鼠标、触摸面板、各种开关等输入器件实现，将所受理的输入信号输出到控制部10。
显示部40由LCD或EL显示器等显示装置实现，在控制部10的控制下，显示包含管腔内图像的各种画面。
记录部50由可更新记录的闪存等ROM或RAM这样的各种IC存储器、内置或通过数据通信端子连接的硬盘、或者CD-ROM等信息记录装置及其读取装置等实现。记录部50除了记录由图像取得部20取得的管腔内图像的图像数据之外，还记录用于使图像处理装置1进行动作并使图像处理装置1执行各种功能的程序、在该程序的执行中使用的数据等。具体而言，记录部50除了记录用于使该图像处理装置1执行从管腔内图像中检测异常部的图像处理的图像处理程序51以外，还记录属于通过预先取样而取得的口疮性病变或溃疡等白色色调的病变部的像素的颜色特征量这样的信息。
运算部100由CPU等硬件实现，通过读入图像处理程序51而对与管腔内图像对应的图像数据实施图像处理，进行用于从管腔内图像中检测异常部的各种运算处理。
接着，对运算部100的详细结构进行说明。
如图1所示，运算部100具有根据管腔内图像的颜色信息检测异常部的候选区域的异常部候选区域检测部110、确定该候选区域的边界附近像素的边界附近像素确定部120、根据边界附近像素的像素值计算特征量的特征量计算部130、以及根据该特征量识别异常部区域的异常部区域识别部140。
其中，边界附近像素确定部120具有设定候选区域的边界附近区域的边界附近区域设定部121，确定边界附近区域内的像素作为边界附近像素。这里，边界附近区域是指隔着位于候选区域的边界的像素(边界像素)而在候选区域的内侧和外侧设定的规定宽度以下的区域。更详细地讲，边界附近区域设定部121包括计算表示图像内的各像素与边界像素之间的距离的距离转换图像的距离转换图像计算部121a、以及将距离转换图像分割为分别与候选区域对应的距离转换区域的距离转换图像分割部121b。
并且，特征量计算部130的特征在于，具有计算边界附近像素的边缘强度的边缘强度计算部131，并将边缘强度作为特征量。
接着，对图像处理装置1的动作进行说明。图2是示出图像处理装置1的动作的流程图。并且，图3是示出作为图像处理装置1的处理对象的图像的一例的示意图。如图3所示，在图像M1中映出在粘膜Mem的表面出现的白色色调的病变部的区域A1、浮游在粘膜Mem的画面近前侧的空间中或堆积(附着)在粘膜Mem的表面上的残渣的区域A2～A5。另外，由于区域A2～A5比粘膜Mem更向画面近前侧突出，所以，在区域A2～A5的边界的周围出现影子。
首先，在步骤S11中，图像取得部20取得被检体的管腔内图像并将其存储在记录部50中。运算部100从记录部50中依次读入处理对象的图像(例如图像M1)。
在接下来的步骤S12中，异常部候选区域检测部110根据构成图像的各像素的颜色信息检测异常部的候选区域。这里，口疮性病变和溃疡等异常部示出白色色调的特定颜色。因此，异常部候选区域检测部110从图像中检测示出白色色调的特定颜色的区域，将其作为异常部的候选区域。
具体而言，异常部候选区域检测部110使用事先记录在记录部50中的属于口疮性病变或溃疡等的多个像素的颜色特征量进行下述运算处理。
这里，颜色特征量是指R、G、B各成分的像素值、或根据这些像素值通过公知的转换而二次计算出的值。作为后者的具体例，可举出通过YCbCr转换而计算出的色差、色相、通过HSI转换而计算出的彩度、G/R和B/G这样的色比等。在记录部50中记录有根据由预先取样的像素的颜色特征量构成的特征矢量Fn＝(fn_1,fn_2,…,fn_j,…,fn_k)t(fn_j是第n个取样像素的第j个颜色特征量，k是特征量的个数。另外，右边肩膀的t表示转置矢量)并通过下式(1-1)和(1-2)给出的平均矢量μ和方差协方差矩阵Z。
【数学式1】
μ = 1 ND Σ n = 1 ND Fn · · · ( 1 - 1 )
μ = 1 ND Σ n = 1 ND ( Fn - μ ) ( Fn - μ ) t · · · ( 1 - 2 )
在式(1-1)和(1-2)中，ND是取样数据数。并且，式(1-2)的右边的(Fn-μ)t是矢量(Fn-μ)的转置矢量。
异常部候选区域检测部110生成由处理对象的图像内的各像素的颜色特征量构成的特征矢量x＝(x_1,x_2,…,x_j,…,x_k)t(x_j是该像素的第j个颜色特征量)。然后，根据该特征矢量x、事先记录在记录部50中的平均矢量μ和方差协方差矩阵Z，按照下式(1-3)，计算用于判定各像素是否是特定颜色区域的判定指标P(x)。
【数学式2】
P ( x ) = 1 ( 2 π ) k / 2 × | Z | 1 / 2 exp { ( x - μ ) t × ( - 1 2 ) Z - 1 × ( x - μ ) } · · · ( 1 - 3 )
在式(1-3)中，|Z|是矩阵Z的行列式，Z-1是矩阵Z的逆矩阵。并且，(x-μ)t是矢量(x-μ)的转置矢量。
然后，异常部候选区域检测部110将判定指标P(x)为规定阈值以上的像素检测为候选区域。然后，生成针对候选区域的像素设定值1、针对其他像素设定值0的候选区域图像。图4是示出与图3所示的图像M1对应的候选区域图像的示意图。如图4所示，在图像M2中，利用白色示出区域A1～A5。这些区域A1～A5成为异常部的候选区域。
另外，作为异常部的候选区域的检测方法，除了上述使用概率模型的检测方法以外，例如，还能够使用在将各像素的颜色特征量作为成分的特征空间内设定判别边界的方法、对病变颜色等代表性颜色特征量和各像素的颜色特征量在颜色特征空间中的距离进行阈值处理的方法(k附近法；参考：日本特许第4266920号公报、CG-ARTS协会“ディジタル画像処理”、第228页(NN法和kNN法))等、公知的各种检测方法。并且，也可以不使用像素单位的颜色特征量来检测候选区域，而是根据图像内的边缘信息等将图像分割为多个小区域后，使用小区域单位的颜色特征量检测候选区域。
在步骤S13中，边界附近像素确定部120确定存在于候选区域的边界附近的像素即边界附近像素。图5是示出边界附近像素确定部120的详细动作的流程图。
首先，在步骤S131中，边界附近像素确定部120检测候选区域的边界像素。具体而言，对包含候选区域的图像进行光栅扫描并依次设定关注像素，将关注像素为候选区域、并且其相邻像素中的任意一方不是候选区域的情况下的关注像素作为边界像素。或者，也可以在包含候选区域的图像中，进行公知的轮廓追踪(参考：CG-ARTS协会“ディジタル画像処理”、第178页(轮廓追踪))，来检测边界像素。图6是示出从图4所示的图像M2中检测到的边界像素的示意图。如图6所示，在图像M3中示出与各候选区域A1～A5对应的边界像素群B1～B5。
在接下来的步骤S132中，距离转换图像计算部121a计算表示图像内的各像素与候选区域的边界像素之间的距离的距离转换图像。能够通过进行公知的距离转换处理(参考：东京大学出版社、“画像解析ハンドブック”、第576页(距离转换和骨架提取))来实现。图7是示出根据图6所示的图像M3计算出的距离转换图像的示意图。如图7所示，图像M4中的各像素的像素值(亮度)被设定为，与边界像素群B1～B5之间的距离越远，则像素值(亮度)越高。
在步骤S133中，距离转换图像分割部121b将距离转换图像分割为与各候选区域对应的距离转换区域。这里，在图像内存在多个候选区域的情况下，通过以像素值的山脊为边界对该距离转换图像进行分割，能够分割为与各候选区域对应的距离转换区域。
例如如下进行以像素值的山脊为边界的图像分割。首先，求出各像素的像素值的梯度方向。此时，梯度方向取像素值变低的方向。接着，求出各像素沿着像素值的梯度方向移动时到达的极小值像素，对图像进行分割，使得到达相互相邻的极小值像素的像素彼此成为相同区域。在分割后，对各区域内的像素设定用于识别各区域的标记值，得到区域标记图像。另外，以像素值的山脊为边界的图像分割方法在本发明人的国际公开第2006/080239号中进行了详细公开。图8是示出将图7所示的图像M4分割为距离转换区域后的区域标记图像的示意图。如图8所示，在图像M5中示出与图4所示的各候选区域A1～A5对应的距离转换区域C1～C5。
作为对距离转换图像进行分割的其他方法，也可以使用分水岭(watershed)算法(参考：Luc Vincent and Pierre Soille.“Watersheds in digital spaces：An efficientalgorithm based on immersion simulations”,IEEE Transactions on Pattern Analysis andMachine Intelligence,Vol.13,No.6,pp.583-598,June1991)。分水岭算法是如下方法：在将图像的像素值信息作为高度的地形中充满水时，对图像进行分割，使得在不同凹处中滞留的水之间出现边界。通过对距离转换图像执行分水岭算法，也能够得到与国际公开第2006/080239号所公开的方法大致相同的图像分割结果。
在步骤S134中，边界附近区域设定部121设定各候选区域的边界附近区域。更详细地讲，边界附近区域设定部121将与各候选区域对应的距离转换区域中具有规定值以下的像素值的像素区域、即从边界像素起的距离为规定值以下的区域作为各候选区域的边界附近区域。图9是示出根据图8所示的图像M5设定的边界附近区域的示意图。如图9所示，在图像M6的各距离转换区域C1～C5中示出与边界像素群B1～B5对应的边界附近区域D1～D5。
进而，在步骤S135中，边界附近像素确定部120将边界附近区域内的像素确定为边界附近像素。然后，处理返回主程序。
在步骤S14中，特征量计算部130计算基于边界附近像素的像素值的特征量。图10是示出特征量计算部130的详细动作的流程图。
首先，在步骤S141中，边缘强度计算部131计算边界附近像素的边缘强度。这可以通过对边界附近像素的各波长成分(R、G、B)的像素值应用公知的1次微分滤波器(参考：CG-ARTS协会“ディジタル画像処理”、第114页(微分滤波器))，并计算各像素中的1次微分值来实现。此时，为了减轻噪声的影响，最好应用伴有平滑化的1次微分即索贝尔(Sobel)滤波器等。
在接下来的步骤S142中，特征量计算部130按照边界附近区域来计算边缘强度的平均值。另外，由于在步骤S141中按照波长成分计算边缘强度，所以，针对1个候选区域，得到与R、G、B波长成分对应的3个平均值。
这里，存在于粘膜表层的口疮性病变或溃疡的区域(例如图3所示的候选区域A1)与浮游或堆积在粘膜上的食物残渣(例如图3所示的候选区域A2～A5)或从粘膜进行镜面反射的区域相比，与周边粘膜面之间的像素值的变化较小。另一方面，与未发现病变等(即连续)的粘膜面即接近粘膜面相比，与周边粘膜面之间的像素值的变化较大。因此，在实施方式1中，作为用于识别像素值的变化的特征量，计算边界附近像素的边缘强度。然后，处理返回主程序。
在步骤S15中，异常部区域识别部140根据特征量识别异常部区域。在实施方式1中，与步骤S12中说明的方法同样，使用概率模型进行识别。具体而言，事先对分别属于口疮性病变或溃疡、食物残渣、镜面反射、接近粘膜等类别的多个候选区域进行取样，求出基于各候选区域的边界附近像素的像素值的特征量(即，每个波长成分的边缘强度)。然后，根据由所取样的候选区域的特征量构成的特征矢量Fn＝(fn_1,fn_2,…,fn_j,…,fn_k)t(fn_j：第n个取样候选区域的第j个特征量；k：特征量的个数(在本实施方式中k＝3)，按照每个类别求出由上式(1-1)和(1-2)给出的平均矢量μ和方差协方差矩阵Z，将其记录在记录部50中。
然后，异常部区域识别部140生成由处理对象的图像中包含的候选区域的特征量构成的特征矢量x＝(x_1,x_2,…,x_j,…,x_k)t(x_j是该候选区域的第j个特征量)，根据事先记录在记录部50中的各类别的平均矢量μ和方差协方差矩阵Z，按照上式(1-3)，按照每个类别计算用于判定各候选区域是否是各类别的区域的判定指标P(x)。然后，将针对口疮性病变或溃疡的类别的判定指标P(x)大于与其他类别对应的判定指标P(x)、并且该判定指标P(x)的值为规定阈值以上的候选区域识别为异常部区域。
另外，作为根据特征量识别异常部区域的方法，除了上述使用概率模型的方法以外，也可以使用模式识别中使用的其他的一般方法(决定树、附近法、支持矢量机等)。
然后，在最后的步骤S16中，运算部100输出步骤S15中的异常部区域的识别结果。与其对应地，控制部10将异常部区域的识别结果记录在记录部50中。此时，控制部10也可以在显示部40等中显示异常部区域的识别结果。然后，图像处理装置1中的处理结束。
如以上说明的那样，根据实施方式1，在根据管腔内图像的颜色信息检测出异常部的候选区域后，计算基于候选区域的边界附近像素的像素值的特征量，根据该特征量识别异常部区域，所以，能够高精度地识别异常部和具有与该异常部相同种类的颜色信息的其他被摄体。并且，根据实施方式1，将从候选区域的边界像素起为规定距离以下的区域设定为各候选区域的边界附近区域，将边界附近区域内的像素作为边界附近像素来计算特征量，所以，在候选区域的检测精度不充分、检测到的候选区域的边界和本来的边界产生差异的情况下，也能够补偿该差异。其结果，能够高精度地识别异常部。
(实施方式2)
接着，对本发明的实施方式2进行说明。
图11是示出实施方式2的图像处理装置的结构的框图。如图11所示，实施方式2的图像处理装置2代替图1所示的运算部100而具有运算部200。另外，图像处理装置2的除了运算部200以外的结构与图1所示的结构相同。
运算部200具有异常部候选区域检测部110、边界附近像素确定部210、特征量计算部130、异常部区域识别部140。其中，异常部候选区域检测部110、特征量计算部130、异常部区域识别部140的结构和动作与实施方式1相同。
边界附近像素确定部210具有对象边界限制部211，该对象边界限制部211将作为确定边界附近像素时的基准的边界限制为候选区域的边界整周内的一部分，该边界附近像素确定部210针对限制的一部分边界确定边界附近像素。
更详细地讲，对象边界限制部211包括在从候选区域的边界像素起向外侧的规定范围即外边区域中确定在特征量的计算中有效的区域的像素(以下称为有效像素)的外边有效像素确定部211a、以及设定与有效像素对应的边界的对应边界设定部211b。其中，外边有效像素确定部211a包括距离转换图像计算部211a-1和距离转换图像分割部211a-2，将各距离转换区域中与边界像素相距规定距离处的像素确定为与该距离转换区域对应的候选区域中的有效像素。
另一方面，对应边界设定部211b包括计算表示图像内的各像素与上述有效像素之间的距离的距离转换图像的距离转换图像计算部211b-1，将与有效像素相距规定距离以内的边界设定为与有效像素对应的边界。
接着，对图像处理装置2的动作进行说明。图像处理装置2的动作整体与实施方式1相同，在图2的步骤S13中由边界附近像素确定部210执行的、确定从管腔内图像中检测到的异常部的候选区域的边界附近像素的处理的内容与实施方式1不同。
图12是示出边界附近像素确定部210的详细动作的流程图。并且，图13和图14是说明边界附近像素的确定方法的示意图。
首先，在步骤S201中，边界附近像素确定部210检测候选区域的边界像素。另外，步骤S201中的详细处理与图5所示的步骤S131相同。
在接下来的步骤S202中，距离转换图像计算部211a-1计算表示图像内的各像素与候选区域的边界像素之间的距离的距离转换图像。另外，步骤S202中的详细处理与图5所示的步骤S132相同。
在步骤S203中，距离转换图像分割部211a-2将距离转换图像分割为与各候选区域对应的距离转换区域。另外，步骤S203中的详细处理与图5所示的步骤S133相同。
在步骤S204中，外边有效像素确定部211a将与边界像素相距规定距离的像素即外边像素确定为有效像素。这里，外边像素是指在与各候选区域对应的距离转换区域中从候选区域的边界像素朝向候选区域的外侧分开规定距离d的像素。
此时，例如如图13的图像M7所示，在候选区域A6与图像M7的端部接触的情况下，在边界像素群B6中，在图像M7的端部附近的像素群B6’中未确定有效像素。并且，例如如图14的图像M8所示，在距离转换区域C7、C8中分别包含的候选区域A7、A8彼此以规定距离d的2倍以下的间隔接近的情况下，在边界像素群B7、B8中，在以距离d的2倍以下接近的边界像素群B7’、B8’中未确定有效像素。
在步骤S205中，距离转换图像计算部211b-1计算图像内的各像素从有效像素起的距离转换图像。另外，距离转换图像的计算方法与图5所示的步骤S132相同。
在接下来的步骤S206中，对应边界设定部211b检测与有效像素相距规定距离的边界像素。
在接下来的步骤S207中，边界附近像素确定部210将步骤S206中检测到的边界像素确定为边界附近像素。由此，边界像素中的与图像的端部接触的部分的像素、以规定的距离以内相互接近的候选区域的部分的像素不会确定为边界附近区域。然后，处理返回主程序。
作为具体例，在图13所示的图像M7的情况下，根据步骤S205中计算出的从有效像素群E6起的距离转换图像，在步骤S206中检测与有效像素群E6相距规定距离d处的边界像素群B6(粗线部分)。在步骤S207中，仅该边界像素群B6被确定为边界附近像素。
并且，在图14所示的图像M8的情况下，根据步骤S205中计算出的从有效像素群E7、E8起的距离转换图像，在步骤S206中检测从有效像素群E7、E8起位于规定距离d处的边界像素群B7、B8(粗线部分)。在步骤S207中，仅这些边界像素群B7、B8被确定为边界附近像素。
如以上说明的那样，根据实施方式2，将与边界像素相距规定距离处的外边像素确定为在特征量的计算中有效的区域的像素，根据与该有效的区域的像素对应的边界计算特征量，所以，能够将与候选区域的图像端部接触的部分的像素值的变化、相互接近的候选区域间的像素值的变化除外，计算基于与周边粘膜面之间的像素值的变化的特征量。其结果，能够高精度地识别异常部。
(变形例)
接着，对实施方式2的变形例进行说明。
实施方式2的变形例的图像处理装置代替图11所示的外边有效像素确定部211a而具有图15所示的外边有效像素确定部211a’。另外，外边有效像素确定部211a’以外的图像处理装置的结构与图11所示的结构相同。
外边有效像素确定部211a’除了包括与实施方式2相同的距离转换图像计算部211a-1和距离转换图像分割部211a-2以外，还包括判定外边区域内的像素是否包含在进行异常部的检测的对象区域(以下称为检查对象区域)中的检查区域判定部211a-3，外边有效像素确定部211a’将判定为包含在检查对象区域中的外边区域内的像素确定为有效像素。
接着，对本变形例的图像处理装置的动作进行说明。图16是示出本变形例的边界附近像素确定部的动作的流程图。并且，图17是说明检查对象区域的判定方法的示意图。另外，图16所示的步骤S201～S203中的动作与实施方式2相同。
在接着步骤S203的步骤S211中，检查区域判定部211a-3判定与边界像素相距规定距离处的外边像素是否分别包含在异常部检测用的检查对象区域中。这里，在候选区域外侧的周边(外边)存在如管腔的深部(暗部)或有色残渣那样作为检查对象区域的粘膜区域以外的区域(非检查对象区域)的情况下，根据该非检查对象区域与候选区域之间的边界附近的像素来计算特征量是不适当的。这是因为，在非检查对象区域与候选区域的边界中像素值的变化非常大，所以，该边界中的像素值的变化对异常部判定中使用的特征量的平均值造成影响。
因此，检查区域判定部211a-3判定外边像素是否是检查对象区域即粘膜区域。更详细地讲，与步骤S12同样，检查区域判定部211a-3根据图像内的各像素的颜色信息确定表示粘膜区域的颜色的区域，将该区域中包含的外边像素确定为粘膜区域(检查对象区域)。
例如，如图17的图像M9所示，在粘膜的褶皱区域R1的端部处检测到候选区域A9的情况下，将与候选区域A9的边界像素群B9相距规定距离d处的外边像素群E9中的、褶皱区域R1侧的外边像素群E9-1判定为检查对象区域，将管腔的深部区域R2侧的外边像素群E9-2判定为检查对象区域以外。
在接下来的步骤S212中，外边有效像素确定部211a’将判定为包含在检查对象区域中的外边像素确定为在特征量的计算中有效的区域的像素(有效像素)。例如，在图17的情况下，外边像素群E9-1被确定为有效像素。
此后的步骤S205～S207与实施方式2相同。例如，在图17所示的图像M9的情况下，根据步骤S205中计算出的从外边像素(有效像素)群E9-1起的距离转换图像，在步骤S206中检测与外边像素群E9-1相距规定距离d处的边界像素群B9(粗线部分)。在步骤S207中，仅该边界像素群B9被确定为边界附近像素。即，与非检查区域(管腔的深部区域R2)相邻的一侧的边界像素群B9’不会被确定为边界附近像素。
如以上说明的那样，根据实施方式2的变形例，将判定为包含在检查对象区域中的外边像素确定为在特征量的计算中有效的区域的像素，根据与该有效的区域的像素对应的边界像素的像素值来计算特征量，所以，能够将候选区域的边界像素中的与非检查对象区域相邻的边界中的像素值的变化除外，计算基于与周边的粘膜面之间的像素值的变化的特征量。其结果，能够高精度地识别异常部。
(实施方式3)
接着，对本发明的实施方式3进行说明。
图18是示出实施方式3的图像处理装置的结构的框图。如图18所示，实施方式3的图像处理装置3代替图1所示的运算部100而具有运算部300。另外，图像处理装置3的除了运算部300以外的结构与图1所示的结构相同。
运算部300具有异常部候选区域检测部110、边界附近像素确定部120、特征量计算部310、异常部区域识别部140。其中，异常部候选区域检测部110、边界附近像素确定部120、异常部区域识别部140的结构和动作与实施方式1相同。
特征量计算部310具有选择根据活体内的吸收程度而确定的特定波长成分的特定波长成分选择部311、以及计算边界附近像素的像素值中的选择出的特定波长成分的边缘强度的边缘强度计算部312。
接着，对图像处理装置3的动作进行说明。图像处理装置3的动作整体与实施方式1相同，在图2的步骤S14中由特征量计算部310执行的、计算边界附近区域的像素值的特征量的处理的内容与实施方式1不同。
图19是示出特征量计算部310的详细动作的流程图。首先，在步骤S301中，特定波长成分选择部311选择在活体内的吸收少的R波长成分。这里，存在于粘膜表层的口疮性病变或溃疡的摄像距离与其周边的粘膜面的摄像距离为相同程度，与此相对，浮游或堆积在粘膜上的食物残渣的摄像距离比其周边的粘膜面的摄像距离短(近)。通过活体内的吸收少的R波长成分，能够容易地确认这种摄像距离差。因此，在步骤S301中，选择R波长成分作为特定波长成分。
在接下来的步骤S302中，边缘强度计算部312针对边界附近像素计算在步骤S301中选择出的特定波长成分的边缘强度的平均值。另外，除了边缘强度的平均值的计算对象仅为特定波长成分以外，该处理的详细情况与图10所示的步骤S141和S142相同。
在步骤S303中，特定波长成分选择部311选择活体内的吸收多的G波长成分或B波长成分。这里，伴随活体组织变化的口疮性病变或溃疡与摄像距离无关而成为与其周边的粘膜面不同的色调，与此相对，在接近胶囊内窥镜等医用观察装置进行摄像的粘膜面(接近粘膜区域)中，由于摄像距离变短，R波长成分饱和，而成为与周边的粘膜面不同的色调。通过在活体内的吸收多的G波长成分或B波长成分，能够容易地确认这样的与摄像距离对应的色调差。因此，在步骤S303中，选择G波长成分或B波长成分作为特定波长成分。
在步骤S304中，边缘强度计算部312针对边界附近像素计算在步骤S303中选择出的特定波长成分的边缘强度的平均值。另外，除了边缘强度的平均值的计算对象仅为特定波长成分以外，该处理的详细情况与图10所示的步骤S141和S142相同。
然后，处理返回主程序。此时，在图2的步骤S15中，分别使用步骤S302中计算出的边缘强度的平均值和步骤S304中计算出的边缘强度的平均值，进行异常部区域的识别。由此，根据基于R波长成分的边缘强度的平均值来识别食物残渣区域和异常部区域。并且，根据基于G波长成分或B波长成分的边缘强度的平均值来识别接近粘膜区域和异常部区域。另外，根据需要，也可以仅使用任意一方的平均值进行识别。
如以上说明的那样，根据实施方式3，选择根据活体内的吸收程度而确定的特定波长成分来计算特征量，所以，能够计算适于识别异常部和食物残渣、或异常部和接近粘膜的特征量。其结果，能够高精度地识别异常部。
另外，也可以代替图11所示的特征量计算部130而应用上述特征量计算部310。
(实施方式4)
接着，对本发明的实施方式4进行说明。
图20是示出实施方式4的图像处理装置的结构的框图。如图20所示，实施方式4的图像处理装置4代替图1所示的运算部100而具有运算部400。另外，图像处理装置4的除了运算部400以外的结构与图1所示的结构相同。
运算部400具有异常部候选区域检测部110、边界附近像素确定部120、特征量计算部410、异常部区域识别部140。其中，异常部候选区域检测部110、边界附近像素确定部120和异常部区域识别部140的结构和动作与实施方式1相同。
特征量计算部410具有像素值变化信息计算部411，该像素值变化信息计算部411计算表示候选区域的边界像素的内侧与外侧之间的像素值的变化的像素值变化信息，该特征量计算部410将该像素值变化信息作为特征量。更详细地讲，像素值变化信息计算部411包括计算表示图像内的各像素与边界像素之间的距离的距离转换图像的距离转换图像计算部411a、以及对像素值变化信息进行归一化以使得边界像素中的像素值成为相同值的归一化部411b。
接着，对图像处理装置4的动作进行说明。图像处理装置4的动作整体与实施方式1相同，在图2的步骤S14中由特征量计算部410执行的、计算边界附近区域的像素值的特征量的处理的内容与实施方式1不同。
图21是示出特征量计算部410的详细动作的流程图。并且，图22是说明像素值变化信息的计算方法的示意图。
首先，在步骤S401中，距离转换图像计算部411a计算表示图像内的各像素与边界像素之间的距离的距离转换图像。另外，步骤S401中的详细处理与图5所示的步骤S132相同。
在接下来的步骤S402中，像素值变化信息计算部411按照每个距离转换区域，针对距离转换图像中成为相同距离的像素群(即，从候选区域的边界起的距离相同的像素群)，变更该距离并依次计算该像素组的像素值的平均值，从而计算像素值变化信息。
例如，在图22所示的图像M10的情况下，针对从边界像素群B1～B5分开距离dn的各像素群H1n～H5n计算像素值的平均值。这里，n＝0、±1、±2、…，n＝0时dn＝0。并且，随着n的增加，距离dn在边界像素群B1～B5的外侧方向上增加，随着n的减少，距离dn在边界像素群B1～B5的内侧方向上增加。
图23是示出分别与像素群H1n～H5n对应的像素值的平均值f1(dn)～f5(dn)的曲线图。这里，关于各平均值f1(dn)～f5(dn)，越是位于曲线图的上方，对应的候选区域的亮度整体越高，因此，能够判断为摄像距离短。在图22所示的图像M10的情况下，可以说平均值f1(dn)特别高的候选区域A1的摄像距离较短(存在于画面的近前侧)，除此以外的候选区域A2～A5的摄像距离比较长(存在于画面的里侧)。
在步骤S403中，归一化部411b对像素值变化信息进行归一化，以使得边界像素中的像素值的平均值成为相同值。由此，对由于上述摄像距离的差而引起的平均值的大小进行校正。
图24是对图23所示的像素值的平均值f1(dn)～f5(dn)进行归一化后的曲线图。图24所示的归一化后的各平均值f1(dn)’～f5(dn)’的变化(斜率)表示与各候选区域A1～A5对应的边界像素群B1～B5附近的像素值的变化。例如，在图24中，平均值f1(dn)’的变化最小，平均值f4(dn)’、f5(dn)’的变化比较大。像素值变化信息计算部411输出这样计算出的平均值f1(dn)’～f5(dn)’作为像素值变化信息(像素值分布(profile))。
然后，处理返回主程序，在图2所示的步骤S15中，异常部区域识别部140根据步骤S14中计算出的像素值变化信息进行异常部区域的识别。更详细地讲，将像素值变化信息中的与各距离dn对应的值作为特征量，与实施方式1同样计算判定指标P(x)，通过对该判定指标P(x)进行阈值处理，识别异常部区域。例如，在图22所示的图像M10的情况下，将平均值f1(dn)的变化小的候选区域A1判定为异常部区域。
如以上说明的那样，根据实施方式4，针对边界附近像素中的从边界像素起的距离相同的像素，变更该距离并依次计算该像素的像素值的平均值，将由此得到的像素值变化信息作为特征量，所以，能够计算很难受到噪声影响、并且示出候选区域周边的粘膜面与候选区域之间的详细的像素值变化的特征量。并且，根据实施方式4，对像素值变化信息进行归一化以使得边界像素中的像素值成为相同值，所以，能够计算对基于摄像距离的像素值的大小差进行了校正后的特征量。因此，能够高精度地识别异常部。
另外，也可以代替图11所示的特征量计算部130而应用上述特征量计算部410。
(实施方式5)
接着，对本发明的实施方式5进行说明。
图25是示出实施方式5的图像处理装置的结构的框图。如图25所示，实施方式5的图像处理装置5代替图1所示的运算部100而具有运算部500。另外，图像处理装置5的除了运算部500以外的结构与图1所示的结构相同。
运算部500具有异常部候选区域检测部110、边界附近像素确定部120、特征量计算部510、异常部区域识别部520。特征量计算部510具有像素值变化信息计算部511和边缘强度计算部512，该像素值变化信息计算部511计算表示候选区域的边界像素的内侧与外侧之间的像素值的变化的像素值变化信息。其中，边缘强度计算部512包括根据像素值变化信息计算表示像素值的变化量的变化量信息的变化量信息计算部512a、以及计算变化量的最大值的最大值计算部512b。异常部区域识别部520根据由特征量计算部510作为特征量而计算出的上述最大值来识别异常部区域。另外，异常部候选区域检测部110和边界附近像素确定部120的结构和动作与实施方式1相同。
接着，对图像处理装置5的动作进行说明。图像处理装置5的动作整体与实施方式1相同，在图2的步骤S14中由特征量计算部510执行的、计算边界附近区域的像素值的特征量的处理的内容与实施方式1不同。
图26是示出特征量计算部510的动作的流程图。首先，在步骤S501中，像素值变化信息计算部511计算边界像素的内侧与外侧之间的像素值变化信息(参照图24)。另外，步骤S501中的详细处理与图21所示的步骤S401～S403相同。
在接下来的步骤S502中，变化量信息计算部512a根据像素值变化信息计算像素值的变化量信息。具体而言，变化量信息计算部512a计算在步骤S501中计算出的像素值的平均值的微分值。图27是示出与图24所示的各平均值f1(dn)’～f5(dn)’对应的微分值g1(dn)～g5(dn)的曲线图。
进而，在步骤S503中，最大值计算部512b根据与各候选区域A1～A5对应的变化量信息计算变化量的最大值。例如，在图27的情况下，根据微分值g1(dn)～g5(dn)，分别计算最大值g1(d-2)、g2(d0)、g3(d1)、g4(d1)、g5(d1)。
特征量计算部510输出这样计算出的最大值作为特征量。
然后，处理返回主程序，在图2所示的步骤S15中，异常部区域识别部520通过对步骤S14中计算出的特征量(变化量的最大值)实施阈值处理，进行异常部区域的识别。例如，在图22所示的图像M10的情况下，将最大值g1(d-2)的值较小的候选区域A1判定为异常部区域。
如以上说明的那样，根据实施方式5，根据边界像素的内侧与外侧之间的像素值变化信息来计算像素值的变化量信息，所以，能够计算示出候选区域周边的粘膜面与候选区域之间的详细像素值变化量的特征量。并且，根据实施方式5，通过计算变化量的最大值，在候选区域的检测精度不充分、检测到的候选区域的边界与本来的边界产生差异的情况下，也能够补偿该差异。其结果，能够高精度地识别异常部。
通过由个人计算机或工作站等计算机系统执行记录装置中记录的图像处理程序，能够实现以上说明的实施方式1～5和变形例的图像处理装置。并且，也可以经由局域网、广域网(LAN/WAN)或因特网等公共线路而与其他计算机系统或服务器等设备连接来使用这种计算机系统。该情况下，实施方式1～5及其变形例的图像处理装置也可以经由这些网络取得管腔内图像的图像数据，并对经由这些网络连接的各种输出设备(观测仪或打印机等)输出图像处理结果，并且在经由这些网络连接的存储装置(记录装置及其读取装置等)中存储图像处理结果。
另外，本发明不限于实施方式1～5和变形例，通过适当组合各实施方式或变形例所公开的多个结构要素，能够形成各种发明。例如，可以从各实施方式或变形例所示的全部结构要素中删除若干个结构要素而形成，也可以适当组合不同实施方式或变形例所示的结构要素而形成。
标号说明
1～5：图像处理装置；10：控制部；20：图像取得部；30：输入部；40：显示部；50：记录部；51：图像处理程序；100、200、300、400、500：运算部；110：异常部候选区域检测部；120：边界附近像素确定部；121、210：边界附近区域设定部；121a、211a-1、211b-1、411a：距离转换图像计算部；121b、211a-2：距离转换图像分割部；130、310、410、510：特征量计算部；131：边缘强度计算部；140：异常部区域识别部；211：对象边界限制部；211a、211a’：外边有效像素确定部；211a-3：检查区域判定部；211b：对应边界设定部；311：特定波长成分选择部；312、512：边缘强度计算部；411：像素值变化信息计算部；411b：归一化部；511：像素值变化信息计算部；512a：变化量信息计算部；512b：最大值计算部。
权利要求书(按照条约第19条的修改)
1.(修改后)一种图像处理装置，其特征在于，该图像处理装置具有：
异常部候选区域检测部，其根据构成对被检体的管腔内进行摄像而得到的图像的各像素的颜色信息来检测异常部的候选区域；
边界附近像素确定部，其确定存在于所述候选区域的边界附近的像素即边界附近像素；
特征量计算部，其计算基于所述边界附近像素的像素值的特征量；以及
异常部区域识别部，其根据所述特征量识别异常部区域，
所述边界附近像素确定部具有对象边界限制部，该对象边界限制部将所述边界附近像素的确定中使用的边界限制为边界整周内的一部分，
所述对象边界限制部具有：
外边有效像素确定部，其从下述外边区域中确定在所述特征量的计算中有效的区域的像素即有效像素，其中，该外边区域是从位于所述候选区域的边界的边界像素起向外侧的规定范围；以及
对应边界设定部，其设定与所述有效像素对应的边界。
2.(删除)
3.(删除)
4.(删除)
5.(删除)
6.(修改后)根据权利要求1所述的图像处理装置，其特征在于，
所述外边有效像素确定部包括：
距离转换图像计算部，其计算表示所述图像内的各像素与所述边界像素之间的距离的距离转换图像；以及
距离转换图像分割部，其将所述距离转换图像分割为与所述候选区域对应的距离转换区域，
所述外边有效像素确定部将所述距离转换区域中的位于规定的距离处的像素确定为与该距离转换区域对应的候选区域中的所述有效像素。
7.(修改后)根据权利要求1所述的图像处理装置，其特征在于，
所述外边有效像素确定部包括检查区域判定部，该检查区域判定部判定所述外边区域内的像素是否包含在进行所述异常部的检测的对象区域中，
所述外边有效像素确定部将判定为包含在所述对象区域中的所述外边区域内的像素确定为所述有效像素。
8.(修改后)根据权利要求1所述的图像处理装置，其特征在于，
所述对应边界设定部包括距离转换图像计算部，该距离转换图像计算部计算表示所述图像内的各像素与所述有效像素之间的距离的距离转换图像，
所述对应边界设定部将与所述有效像素相距规定的距离以内的边界设定为与所述有效像素对应的边界。
9.根据权利要求1所述的图像处理装置，其特征在于，
所述特征量计算部具有特定波长成分选择部，该特定波长成分选择部选择根据活体内的吸收程度而确定的特定波长成分，
所述特征量计算部计算基于所述边界附近像素中的所述特定波长成分的像素值的特征量。
10.根据权利要求9所述的图像处理装置，其特征在于，
所述特定波长成分选择部选择所述活体内的吸收少的波长成分作为特定波长成分，
所述异常部区域识别部根据基于与所述特定波长成分对应的像素值的特征量，识别所述图像中的食物残渣区域和异常部区域。
11.根据权利要求9所述的图像处理装置，其特征在于，
所述特定波长成分选择部选择所述活体内的吸收多的波长成分作为特定波长成分，
所述异常部区域识别部根据基于所述特定波长成分的像素值的特征量，识别所述图像中的接近粘膜进行摄像而得到的接近粘膜区域和异常部区域。
12.根据权利要求9所述的图像处理装置，其特征在于，
所述特定波长成分选择部选择相互不同的多个特定波长成分。
13.根据权利要求1所述的图像处理装置，其特征在于，
所述特征量计算部具有像素值变化信息计算部，该像素值变化信息计算部计算表示位于所述候选区域的边界上的边界像素的内侧与外侧之间的像素值变化的像素值变化信息，
所述特征量计算部将所述像素值变化信息作为特征量。
14.根据权利要求13所述的图像处理装置，其特征在于，
所述像素值变化信息计算部包括距离转换图像计算部，该距离转换图像计算部计算表示所述图像内的各像素与所述边界像素之间的距离的距离转换图像，
所述像素值变化信息计算部通过在变更距离的同时依次计算在所述距离转换图像中位于相同距离处的像素的像素值的平均值，来计算像素值变化信息。
15.根据权利要求13所述的图像处理装置，其特征在于，
所述像素值变化信息计算部包括归一化部，该归一化部对像素值变化信息进行归一化，以使得所述边界像素中的像素值成为相同值。
16.根据权利要求1所述的图像处理装置，其特征在于，
所述特征量计算部具有边缘强度计算部，该边缘强度计算部计算所述边界附近像素的边缘强度，
所述特征量计算部将所述边缘强度作为特征量。
17.根据权利要求16所述的图像处理装置，其特征在于，
所述特征量计算部具有像素值变化信息计算部，该像素值变化信息计算部计算表示位于所述候选区域的边界上的边界像素的内侧与外侧之间的像素值变化的像素值变化信息，
所述边缘强度计算部包括根据所述像素值变化信息来计算表示像素值的变化量的变化量信息的变化量信息计算部、以及计算所述变化量的最大值的最大值计算部，将该最大值作为边缘强度。
18.(修改后)一种图像处理方法，其特征在于，该图像处理方法包括以下步骤：
异常部候选区域检测步骤，根据构成对被检体的管腔内进行摄像而得到的图像的各像素的颜色信息检测异常部的候选区域；
边界附近像素确定步骤，确定存在于所述候选区域的边界附近的像素即边界附近像素；
特征量计算步骤，计算基于所述边界附近像素的像素值的特征量；以及
异常部区域识别步骤，根据所述特征量识别异常部区域，
所述边界附近像素确定步骤包括对象边界限制步骤，在该对象边界限制步骤中，将所述边界附近像素的确定中使用的边界限制为边界整周内的一部分，
所述对象边界限制步骤包括以下步骤：
外边有效像素确定步骤，从下述外边区域中确定所述特征量的计算中有效的区域的像素即有效像素，其中，该外边区域是从位于所述候选区域的边界的边界像素起向外侧的规定范围；以及
对应边界设定步骤，设定与所述有效像素对应的边界。
19.(修改后)一种图像处理程序，其特征在于，该图像处理程序使计算机执行以下步骤：
异常部候选区域检测步骤，根据构成对被检体的管腔内进行摄像而得到的图像的各像素的颜色信息检测异常部的候选区域；
边界附近像素确定步骤，确定存在于所述候选区域的边界附近的像素即边界附近像素；
特征量计算步骤，计算基于所述边界附近像素的像素值的特征量；以及
异常部区域识别步骤，根据所述特征量识别异常部区域，
所述边界附近像素确定步骤包括对象边界限制步骤，在该对象边界限制步骤中，将所述边界附近像素的确定中使用的边界限制为边界整周内的一部分，
所述对象边界限制步骤包括以下步骤：
外边有效像素确定步骤，从下述外边区域中确定所述特征量的计算中有效的区域的像素即有效像素，其中，该外边区域是从位于所述候选区域的边界的边界像素起向外侧的规定范围；以及
对应边界设定步骤，设定与所述有效像素对应的边界。
说明或声明(按照条约第19条的修改)
基于条约第19条(1)的说明书
在权利要求1中，追加了修改前的权利要求4、5中记载的内容。
删除了权利要求2～5。
在权利要求6～8中，变更了引用的权利要求的编号。
在权利要求18、19中，追加了与修改前的权利要求4、5的记载事项对应的内容。

Claims (19)

1.一种图像处理装置，其特征在于，该图像处理装置具有：
异常部候选区域检测部，其根据构成对被检体的管腔内进行摄像而得到的图像的各像素的颜色信息来检测异常部的候选区域；
边界附近像素确定部，其确定存在于所述候选区域的边界附近的像素即边界附近像素；
特征量计算部，其计算基于所述边界附近像素的像素值的特征量；以及
异常部区域识别部，其根据所述特征量识别异常部区域。
2.根据权利要求1所述的图像处理装置，其特征在于，
所述边界附近像素确定部具有边界附近区域设定部，该边界附近区域设定部在隔着位于所述候选区域的边界的边界像素的、该候选区域的内侧和外侧，设定规定的宽度以下的所述边界附近区域，
所述边界附近像素确定部将所述边界附近区域内的像素确定为边界附近像素。
3.根据权利要求2所述的图像处理装置，其特征在于，
所述边界附近区域设定部具有：
距离转换图像计算部，其计算表示所述图像内的各像素与所述边界像素之间的距离的距离转换图像；以及
距离转换图像分割部，其将所述距离转换图像分割为与所述候选区域对应的距离转换区域，
所述边界附近区域设定部将所述距离转换区域中的规定距离以下的区域，设定为与该距离转换区域对应的所述候选区域的边界附近区域。
4.根据权利要求1所述的图像处理装置，其特征在于，
所述边界附近像素确定部具有对象边界限制部，该对象边界限制部将所述边界附近像素的确定中使用的边界限制为边界整周内的一部分。
5.根据权利要求4所述的图像处理装置，其特征在于，
所述对象边界限制部具有：
外边有效像素确定部，其从下述外边区域中确定在所述特征量的计算中有效的区域的像素即有效像素，其中，该外边区域是从位于所述候选区域的边界的边界像素起向外侧的规定范围；以及
对应边界设定部，其设定与所述有效像素对应的边界。
6.根据权利要求5所述的图像处理装置，其特征在于，
所述外边有效像素确定部包括：
距离转换图像计算部，其计算表示所述图像内的各像素与所述边界像素之间的距离的距离转换图像；以及
距离转换图像分割部，其将所述距离转换图像分割为与所述候选区域对应的距离转换区域，
所述外边有效像素确定部将所述距离转换区域中的位于规定的距离处的像素确定为与该距离转换区域对应的候选区域中的所述有效像素。
7.根据权利要求5所述的图像处理装置，其特征在于，
所述外边有效像素确定部包括检查区域判定部，该检查区域判定部判定所述外边区域内的像素是否包含在进行所述异常部的检测的对象区域中，
所述外边有效像素确定部将判定为包含在所述对象区域中的所述外边区域内的像素确定为所述有效像素。
8.根据权利要求5所述的图像处理装置，其特征在于，
所述对应边界设定部包括距离转换图像计算部，该距离转换图像计算部计算表示所述图像内的各像素与所述有效像素之间的距离的距离转换图像，
所述对应边界设定部将与所述有效像素相距规定的距离以内的边界设定为与所述有效像素对应的边界。
9.根据权利要求1所述的图像处理装置，其特征在于，
所述特征量计算部具有特定波长成分选择部，该特定波长成分选择部选择根据活体内的吸收程度而确定的特定波长成分，
所述特征量计算部计算基于所述边界附近像素中的所述特定波长成分的像素值的特征量。
10.根据权利要求9所述的图像处理装置，其特征在于，
所述特定波长成分选择部选择所述活体内的吸收少的波长成分作为特定波长成分，
所述异常部区域识别部根据基于与所述特定波长成分对应的像素值的特征量，识别所述图像中的食物残渣区域和异常部区域。
11.根据权利要求9所述的图像处理装置，其特征在于，
所述特定波长成分选择部选择所述活体内的吸收多的波长成分作为特定波长成分，
所述异常部区域识别部根据基于所述特定波长成分的像素值的特征量，识别所述图像中的接近粘膜进行摄像而得到的接近粘膜区域和异常部区域。
12.根据权利要求9所述的图像处理装置，其特征在于，
所述特定波长成分选择部选择相互不同的多个特定波长成分。
13.根据权利要求1所述的图像处理装置，其特征在于，
所述特征量计算部具有像素值变化信息计算部，该像素值变化信息计算部计算表示位于所述候选区域的边界上的边界像素的内侧与外侧之间的像素值变化的像素值变化信息，
所述特征量计算部将所述像素值变化信息作为特征量。
14.根据权利要求13所述的图像处理装置，其特征在于，
所述像素值变化信息计算部包括距离转换图像计算部，该距离转换图像计算部计算表示所述图像内的各像素与所述边界像素之间的距离的距离转换图像，
所述像素值变化信息计算部通过在变更距离的同时依次计算在所述距离转换图像中位于相同距离处的像素的像素值的平均值，来计算像素值变化信息。
15.根据权利要求13所述的图像处理装置，其特征在于，
所述像素值变化信息计算部包括归一化部，该归一化部对像素值变化信息进行归一化，以使得所述边界像素中的像素值成为相同值。
16.根据权利要求1所述的图像处理装置，其特征在于，
所述特征量计算部具有边缘强度计算部，该边缘强度计算部计算所述边界附近像素的边缘强度，
所述特征量计算部将所述边缘强度作为特征量。
17.根据权利要求16所述的图像处理装置，其特征在于，
所述特征量计算部具有像素值变化信息计算部，该像素值变化信息计算部计算表示位于所述候选区域的边界上的边界像素的内侧与外侧之间的像素值变化的像素值变化信息，
所述边缘强度计算部包括根据所述像素值变化信息来计算表示像素值的变化量的变化量信息的变化量信息计算部、以及计算所述变化量的最大值的最大值计算部，将该最大值作为边缘强度。
18.一种图像处理方法，其特征在于，该图像处理方法包括以下步骤：
异常部候选区域检测步骤，根据构成对被检体的管腔内进行摄像而得到的图像的各像素的颜色信息来检测异常部的候选区域；
边界附近像素确定步骤，确定存在于所述候选区域的边界附近的像素即边界附近像素；
特征量计算步骤，计算基于所述边界附近像素的像素值的特征量；以及
异常部区域识别步骤，根据所述特征量识别异常部区域。
19.一种图像处理程序，其特征在于，该图像处理程序使计算机执行以下步骤：
异常部候选区域检测步骤，根据构成对被检体的管腔内进行摄像而得到的图像的各像素的颜色信息来检测异常部的候选区域；
边界附近像素确定步骤，确定存在于所述候选区域的边界附近的像素即边界附近像素；
特征量计算步骤，计算基于所述边界附近像素的像素值的特征量；以及
异常部区域识别步骤，根据所述特征量识别异常部区域。
CN201280057810.XA 2011-11-30 2012-11-21 图像处理装置和图像处理方法 Active CN103957771B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2011263091A JP5926937B2 (ja) 2011-11-30 2011-11-30 画像処理装置、画像処理方法、及び画像処理プログラム
JP2011-263091 2011-11-30
PCT/JP2012/080238 WO2013080868A1 (ja) 2011-11-30 2012-11-21 画像処理装置、画像処理方法、及び画像処理プログラム

Publications (2)

Publication Number Publication Date
CN103957771A true CN103957771A (zh) 2014-07-30
CN103957771B CN103957771B (zh) 2016-08-17

Family

ID=48535328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280057810.XA Active CN103957771B (zh) 2011-11-30 2012-11-21 图像处理装置和图像处理方法

Country Status (5)

Country Link
US (1) US9639927B2 (zh)
EP (1) EP2786694A4 (zh)
JP (1) JP5926937B2 (zh)
CN (1) CN103957771B (zh)
WO (1) WO2013080868A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106725275A (zh) * 2017-01-13 2017-05-31 上海市第五人民医院 一种用于检查直肠‑肛管黏膜病灶组织的装置
CN109091098A (zh) * 2017-10-27 2018-12-28 重庆金山医疗器械有限公司 磁控胶囊式内窥镜诊查系统
CN109782337A (zh) * 2018-12-28 2019-05-21 中国石油化工股份有限公司 一种基于地震属性图的有利储层边界自动拾取方法
CN110678901A (zh) * 2017-05-22 2020-01-10 佳能株式会社 信息处理设备、信息处理方法和程序
CN112469323A (zh) * 2019-03-20 2021-03-09 Hoya株式会社 内窥镜系统
US11922615B2 (en) 2017-05-22 2024-03-05 Canon Kabushiki Kaisha Information processing device, information processing method, and storage medium

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013085061A1 (ja) * 2011-12-08 2013-06-13 オリンパス株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
JP6265588B2 (ja) * 2012-06-12 2018-01-24 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
JP2014113481A (ja) * 2012-11-16 2014-06-26 Toshiba Corp 超音波診断装置及び画像処理方法
JP2016107003A (ja) * 2014-12-10 2016-06-20 富士フイルム株式会社 医用画像処理装置及びその作動方法
JP6552601B2 (ja) * 2015-03-20 2019-07-31 オリンパス株式会社 画像処理装置、画像処理装置の作動方法および画像処理プログラム
EP3185206B1 (en) * 2015-12-22 2018-09-26 Thomson Licensing Methods and systems for image processing of digital images
JP6629639B2 (ja) * 2016-03-07 2020-01-15 富士フイルム株式会社 内視鏡システム、プロセッサ装置、及び、内視鏡システムの作動方法
EP3957447A1 (en) * 2016-09-14 2022-02-23 iRobot Corporation Systems and methods for configurable operation of a robot based on area classification
CN107680094A (zh) * 2017-10-17 2018-02-09 南昌工程学院 一种水环境遥感数据处理方法及装置
CN115311304B (zh) * 2022-10-12 2023-04-14 江苏明锋食品有限公司 一种铁板锈蚀缺陷检测方法
CN116563283B (zh) * 2023-07-10 2023-09-08 山东联兴能源集团有限公司 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050111710A1 (en) * 2003-11-25 2005-05-26 Arthur Gritzky User interactive method and user interface for detecting a contour of an object
CN101060806A (zh) * 2004-12-10 2007-10-24 奥林巴斯株式会社 医用图像处理方法
US20110123090A1 (en) * 2008-06-30 2011-05-26 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Method and device for determining a contour and a center of an object
CN102243762A (zh) * 2010-05-11 2011-11-16 奥林巴斯株式会社 图像处理装置以及图像处理方法
EP2085019B1 (en) * 2006-10-11 2013-06-19 Olympus Corporation Image processing device, image processing method, and image processing program

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001243479A (ja) * 2000-02-28 2001-09-07 Nippon Telegr & Teleph Corp <Ntt> 画像処理方法および装置、ならびに画像処理プログラムを記録した記録媒体
US7136518B2 (en) * 2003-04-18 2006-11-14 Medispectra, Inc. Methods and apparatus for displaying diagnostic data
JP4652694B2 (ja) * 2004-01-08 2011-03-16 オリンパス株式会社 画像処理方法
JP4266920B2 (ja) 2004-12-03 2009-05-27 オリンパス株式会社 分類装置及び分類方法
JP4504417B2 (ja) 2005-01-31 2010-07-14 オリンパス株式会社 画像処理装置、顕微鏡システム、及び領域特定プログラム
WO2007119297A1 (ja) * 2006-03-16 2007-10-25 Olympus Medical Systems Corp. 医療用画像処理装置及び医療用画像処理方法
JP5106928B2 (ja) * 2007-06-14 2012-12-26 オリンパス株式会社 画像処理装置および画像処理プログラム
JP2010187756A (ja) * 2009-02-16 2010-09-02 Olympus Corp 画像処理装置、画像処理方法および画像処理プログラム
JP5396121B2 (ja) * 2009-03-26 2014-01-22 オリンパス株式会社 画像処理装置、撮像装置、画像処理プログラムおよび画像処理装置の作動方法
JP2011024628A (ja) * 2009-07-21 2011-02-10 Olympus Corp 画像処理装置、画像処理プログラムおよび画像処理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050111710A1 (en) * 2003-11-25 2005-05-26 Arthur Gritzky User interactive method and user interface for detecting a contour of an object
CN101060806A (zh) * 2004-12-10 2007-10-24 奥林巴斯株式会社 医用图像处理方法
EP2085019B1 (en) * 2006-10-11 2013-06-19 Olympus Corporation Image processing device, image processing method, and image processing program
US20110123090A1 (en) * 2008-06-30 2011-05-26 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Method and device for determining a contour and a center of an object
CN102243762A (zh) * 2010-05-11 2011-11-16 奥林巴斯株式会社 图像处理装置以及图像处理方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106725275A (zh) * 2017-01-13 2017-05-31 上海市第五人民医院 一种用于检查直肠‑肛管黏膜病灶组织的装置
CN110678901A (zh) * 2017-05-22 2020-01-10 佳能株式会社 信息处理设备、信息处理方法和程序
CN110678901B (zh) * 2017-05-22 2023-11-10 佳能株式会社 信息处理设备、信息处理方法和计算机可读存储介质
US11922615B2 (en) 2017-05-22 2024-03-05 Canon Kabushiki Kaisha Information processing device, information processing method, and storage medium
CN109091098A (zh) * 2017-10-27 2018-12-28 重庆金山医疗器械有限公司 磁控胶囊式内窥镜诊查系统
CN109782337A (zh) * 2018-12-28 2019-05-21 中国石油化工股份有限公司 一种基于地震属性图的有利储层边界自动拾取方法
CN109782337B (zh) * 2018-12-28 2021-05-28 中国石油化工股份有限公司 一种基于地震属性图的有利储层边界自动拾取方法
CN112469323A (zh) * 2019-03-20 2021-03-09 Hoya株式会社 内窥镜系统
CN112469323B (zh) * 2019-03-20 2023-08-18 Hoya株式会社 内窥镜系统

Also Published As

Publication number Publication date
EP2786694A4 (en) 2015-08-19
EP2786694A1 (en) 2014-10-08
JP5926937B2 (ja) 2016-05-25
US9639927B2 (en) 2017-05-02
WO2013080868A1 (ja) 2013-06-06
JP2013111420A (ja) 2013-06-10
CN103957771B (zh) 2016-08-17
US20140270377A1 (en) 2014-09-18

Similar Documents

Publication Publication Date Title
CN103957771A (zh) 图像处理装置、图像处理方法和图像处理程序
CN110533684B (zh) 一种染色体核型图像切割方法
US10474874B2 (en) Applying pixelwise descriptors to a target image that are generated by segmenting objects in other images
US10565479B1 (en) Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring
JP6660313B2 (ja) 画像解析を用いた核のエッジの検出
CN101794434B (zh) 图像处理装置及图像处理方法
EP2405396B1 (en) Improved 3D shape estimation from intraluminal images
EP3486835A1 (en) Image analysis method, image analysis apparatus, program, learned deep layer learning algorithm manufacturing method and learned deep layer learning algorithm
CN103198467B (zh) 图像处理装置以及图像处理方法
CN110648322A (zh) 一种子宫颈异常细胞检测方法及系统
CN111402267B (zh) 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端
US20130342694A1 (en) Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device
EP3140778B1 (en) Method and apparatus for image scoring and analysis
US20140294296A1 (en) Spatially varying log-chromaticity normals for use in an image process
CN112990214A (zh) 一种医学图像特征识别预测模型
CN113033315A (zh) 一种稀土开采高分影像识别与定位方法
CN111815613B (zh) 一种基于包膜线形态特征分析的肝硬化疾病分期识别方法
US8842907B2 (en) Method for performing a multi-clustering merge for use in an image process
US8849018B2 (en) Log-chromaticity clustering pipeline for use in an image process
Lauziere et al. Autonomous physics-based color learning under daylight
US8811732B2 (en) Weighted entropy minimization for optimizing a log-chromaticity normal for use in an image process
Wu et al. Image Segmentation for Colorectal cancer histopathological images analysis
CN115240073A (zh) 畸形河湾智能识别系统
Gao An efficient approach to automated segmentation in medical image analysis
CN115546208A (zh) 一种大田作物株高测量方法、装置及应用

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