CN105528784A - 一种前景背景分割的方法和装置 - Google Patents
一种前景背景分割的方法和装置 Download PDFInfo
- Publication number
- CN105528784A CN105528784A CN201510874149.7A CN201510874149A CN105528784A CN 105528784 A CN105528784 A CN 105528784A CN 201510874149 A CN201510874149 A CN 201510874149A CN 105528784 A CN105528784 A CN 105528784A
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- gray
- image
- numerical value
- 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
Classifications
-
- 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
- G06T2207/10116—X-ray image
Abstract
本发明提供一种前景背景分割的方法和装置,该方法包括:获取待处理的X线图像;针对所述待处理的X线图像的每个像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值,且所有像素点在二值图像的数值构成二值图像;其中,像素点在二值图像的数值为表示前景的第一数值或者表示背景的第二数值;确定所述二值图像中的第一数值的像素点所在的区域为前景区域;获得所述二值图像中的第二数值的像素点所在的局部区域的特征信息,并利用所述特征信息确定所述局部区域为前景区域或者背景区域。通过本发明的技术方案,将待处理的X线图像的二值特征和局部区域的特征信息融入到前景背景的分割过程中,提高了前景背景分割的稳定性和成功率。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种前景背景分割的方法和装置。
背景技术
X线图像是X线束穿透被检体某一部位的不同密度和厚度组织结构后的投影数据总和,是该穿透路径上各层X线束投影相互叠加在一起的影像。在X线图像的前景背景分割过程中,需要能够准确分割出X线图像的前景区域和背景区域,从而提高X线图像的质量,对后续的图像处理有重要的指导作用。其中,前景区域是指目标区域,背景区域是指X线图像中的目标区域之外的其它区域。
目前,通常采用阈值分割方式,分割出X线图像的前景区域和背景区域。具体的,针对背景灰度值和前景灰度值的对比度好的X线图像,通过选取恰当的阈值(例如通过最大类间方差法选取阈值),并比较X线图像的灰度值与该选取的阈值,并基于二者的比较结果,分割出X线图像的前景区域和背景区域。在此阈值分割方式中,阈值的选取是否恰当是分割准确度的关键因素。
但是,对于背景灰度值和前景灰度值的对比度差的X线图像,阈值分割方式往往失效,无法准确分割出X线图像的前景区域和背景区域。实际上,X线图像的对比度差等干扰因素往往都存在。此外,阈值的选取难度也较大。
发明内容
本发明提供一种前景背景分割的方法,所述方法包括以下步骤:
获取待处理的X线图像;
针对所述待处理的X线图像的每个像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值,且所有像素点在二值图像的数值构成二值图像;其中,像素点在二值图像的数值为表示前景的第一数值或者表示背景的第二数值;
确定所述二值图像中的第一数值的像素点所在的区域为前景区域;
获得所述二值图像中的第二数值的像素点所在的局部区域的特征信息,并利用所述特征信息确定所述局部区域为前景区域或者背景区域。
所述获取待处理的X线图像的过程,具体包括:获取X线原始图像,并对所述X线原始图像进行预处理,并利用各项异性高斯滤波器对预处理后的X线原始图像进行平滑滤波,得到所述待处理的X线图像。
所述利用所述像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值的过程,具体包括:
获取所述像素点对应的N个相邻像素点的灰度值,并计算所述N个相邻像素点的灰度值中,大于所述像素点的灰度值的相邻像素点的数量T;
利用所述N个相邻像素点的灰度值、所述像素点的灰度值、所述数量T,计算所述N个相邻像素点分别对应的水平集能量函数,并利用所述N个相邻像素点分别对应的水平集能量函数获得局部二值模式函数;
利用所述局部二值模式函数确定所述像素点在二值图像的数值。
所述利用所述局部二值模式函数确定所述像素点在二值图像的数值的过程,具体包括:当所述局部二值模式函数的取值为0和/或上一个像素点对应的局部二值模式函数的取值为0时,确定所述像素点在二值图像的数值为第二数值;当所述局部二值模式函数的取值非0,且上一个像素点对应的局部二值模式函数的取值非0时,如果所述局部二值模式函数的取值小于预设阈值,确定所述像素点在二值图像的数值为第二数值,如果所述局部二值模式函数的取值不小于预设阈值,确定所述像素点在二值图像的数值为第一数值。
所述特征信息具体包括以下之一或者任意组合:灰度特征、纹理特征、位置信息;所述灰度特征具体包括以下之一或者任意组合:灰度最大值、灰度平均值、所述局部区域的灰度值方差、所述前景区域的灰度值方差;所述纹理特征具体包括以下之一或者任意组合:相关性、聚类突、能量、同质性;所述位置信息具体包括位于图像边缘位置或者位于图像中心位置。
本发明提供一种前景背景分割的装置,所述装置具体包括:
获取模块,用于获取待处理的X线图像;
处理模块,用于针对所述待处理的X线图像的每个像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值,且所有像素点在二值图像的数值构成二值图像;其中,像素点在二值图像的数值为表示前景的第一数值或者表示背景的第二数值;
确定模块,用于确定所述二值图像中的第一数值的像素点所在的区域为前景区域;获得所述二值图像中的第二数值的像素点所在的局部区域的特征信息,并利用所述特征信息确定所述局部区域为前景区域或者背景区域。
所述获取模块在获取待处理的X线图像的过程中,获取X线原始图像,并对所述X线原始图像进行预处理,并利用各项异性高斯滤波器对预处理后的X线原始图像进行平滑滤波,得到所述待处理的X线图像。
所述处理模块在利用所述像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值的过程中,获取所述像素点对应的N个相邻像素点的灰度值,计算所述N个相邻像素点的灰度值中,大于所述像素点的灰度值的相邻像素点的数量T;利用所述N个相邻像素点的灰度值、所述像素点的灰度值、所述数量T,计算所述N个相邻像素点分别对应的水平集能量函数,利用所述N个相邻像素点分别对应的水平集能量函数获得局部二值模式函数;利用所述局部二值模式函数确定所述像素点在二值图像的数值。
所述处理模块在利用所述局部二值模式函数确定所述像素点在二值图像的数值的过程中,当所述局部二值模式函数的取值为0和/或上一个像素点对应的局部二值模式函数的取值为0时,确定所述像素点在二值图像的数值为第二数值;当所述局部二值模式函数的取值非0,且上一个像素点对应的局部二值模式函数的取值非0时,如果所述局部二值模式函数的取值小于预设阈值,确定所述像素点在二值图像的数值为第二数值,如果所述局部二值模式函数的取值不小于预设阈值,确定所述像素点在二值图像的数值为第一数值。
所述特征信息具体包括以下之一或者任意组合:灰度特征、纹理特征、位置信息;所述灰度特征具体包括以下之一或者任意组合:灰度最大值、灰度平均值、所述局部区域的灰度值方差、所述前景区域的灰度值方差;所述纹理特征具体包括以下之一或者任意组合:相关性、聚类突、能量、同质性;所述位置信息具体包括位于图像边缘位置或者位于图像中心位置。
基于上述技术方案,本发明实施例中,针对待处理的X线图像的每个像素点,利用该像素点的灰度值进行二值化处理,得到该像素点在二值图像的数值(表示前景的第一数值或者表示背景的第二数值),且所有像素点在二值图像的数值构成二值图像,并确定二值图像中的第一数值的像素点所在的区域为前景区域,并获得二值图像中的第二数值的像素点所在的局部区域的特征信息,并利用该特征信息确定局部区域为前景区域或者背景区域。在上述方式中,将待处理的X线图像的二值特征和局部区域的特征信息融入到前景背景的分割过程中,提高了前景背景分割的稳定性和成功率。而且,即使X线图像存在均匀性差、对比度差、噪声大等干扰因素,也可以基于上述方式成功分割出前景区域或者背景区域。
附图说明
图1是本发明一种实施方式中的前景背景分割的方法的流程图;
图2A-图2E是本发明一种实施方式中的进行平滑滤波的示意图;
图3A-图3E是本发明一种实施方式中的灰度共生矩阵的示意图;
图4是本发明一种实施方式中的前景背景的分割结果示意图;
图5是本发明一种实施方式中的图像处理设备的硬件结构图;
图6是本发明一种实施方式中的前景背景分割的装置的结构图。
具体实施方式
针对现有技术中存在的问题,本发明实施例中提出一种前景背景分割的方法,如图1所示,该前景背景分割的方法具体可以包括以下步骤:
步骤101,获取待处理的X线图像。
本发明实施例中,获取待处理的X线图像的过程,包括但不限于如下方式:获取X线原始图像,并对该X线原始图像进行预处理,并利用各项异性高斯滤波器对预处理后的X线原始图像进行平滑滤波,以得到该待处理的X线图像。或者,获取X线原始图像,并直接将该X线原始图像作为该待处理的X线图像。
具体地,对X线原始图像进行预处理的方式可以为,对X线原始图像进行抽样处理,例如:X线原始图像包括1000个像素点,从中抽样出800个像素点,具体的抽样方式可以采用现有算法,在此不再赘述,由于抽样后的像素点数量减少,因此可以提高处理速度,增加实用性。
进一步地,还可以对预处理后的X线原始图像进行平滑滤波,以去除噪声等干扰信息,以尽可能保留X线原始图像的边缘信息,提高稳定性。为了实现这一效果,在本发明实施例中,使用平滑程度更大的各向异性高斯滤波器对预处理后的X线原始图像进行平滑滤波,得到待处理的X线图像。
例如:在对预处理后的X线原始图像进行平滑滤波时,各项异性高斯滤波器的数学表达式为
其中,在公式(1)中,x为水平方向像素值,y为垂直方向像素值,σu和σv是根据实际经验设置的参数值,θ为对(x,y)延轴旋转的角度,可以由用户进行配置。
通过将预处理后的X线原始图像的所有像素点的水平方向像素值x和垂直方向像素值y输入到各向异性高斯滤波器,由各向异性高斯滤波器对X线原始图像的所有像素点进行平滑处理,且平滑处理后的X线图像会保留更多的边缘信息。
如图2A所示,为X线原始图像,预处理后的X线原始图像经过普通滤波器的滤波处理后,得到的X线图像如图2B所示。利用公式(1),假设用户配置的σu=σv=3.0,θ=-70度,则预处理后的X线原始图像经过各项异性高斯滤波器的平滑滤波处理后,得到的X线图像如图2C所示。图2B所示的X线图像与X线原始图像的差如图2D所示,图2C所示的X线图像与X线原始图像的差如图2E所示。显然,通过比较图2D和图2E,图2E中可以看到的边缘信息更清楚,即使用各项异性高斯滤波器,会更多的保留X线原始图像的边缘信息。
步骤102,针对待处理的X线图像的每个像素点的灰度值进行二值化处理,得到该像素点在二值图像的数值,且所有像素点在二值图像的数值构成二值图像。其中,该像素点在二值图像的数值为表示前景的第一数值(例如为1)或者表示背景的第二数值(例如为0)。
本步骤中,针对待处理的X线图像的每个像素点,其处理流程相同,为了方便描述,后续均以其中一个像素点的处理为例进行说明。
本发明实施例中,利用像素点的灰度值进行二值化处理,得到该像素点在二值图像的数值的过程,具体可以包括但不限于如下步骤:
步骤1、获取该像素点对应的N个相邻像素点的灰度值,并计算该N个相邻像素点的灰度值中大于该像素点的灰度值的相邻像素点的数量T。
其中,N的取值通常为8,后续以N个相邻像素点为例进行说明。另外,针对待处理的X线图像的第一行的每个像素点、最后一行的每个像素点、第一列的每个像素点、最后一列的每个像素点,虽然这些像素点没有相邻的N个像素点,但是考虑到这些像素点是待处理的X线图像的边缘,且待处理的X线图像的边缘通常是背景,因此,可以直接将这些像素点在二值图像的数值设置为第二数值,以表示这些像素点是背景区域。
除了上述边缘像素点外,在一个可行的实施方式中,针对上述像素点之外的每个像素点来说,其周围通常会有N个相邻像素点,这N个相邻像素点均是该像素点对应的相邻像素点。获取这N个相邻像素点的灰度值以及该像素点的灰度值,并利用公式(2)得到数量T:
其中,在公式(2)中,S(x)=S(fi-fc),fi为第i个相邻像素点的灰度值,fc为该像素点的灰度值,i的取值为1-N,即fi依次为第1个相邻像素点的灰度值、第2个相邻像素点的灰度值、以此类推,第N个相邻像素点的灰度值。
从公式(2)中可以看出,当fi-fc大于等于0时,则S(x)为1,当fi-fc小于0时,则S(x)为0。此外,如果所有相邻像素点的灰度值均大于该像素点的灰度值,则数量T=N;如果所有相邻像素点的灰度值均小于该像素点的灰度值,则数量T=0。
步骤2、利用N个相邻像素点的灰度值、该像素点的灰度值、数量T,计算该N个相邻像素点分别对应的水平集能量函数H(x)。
本发明实施例中,利用N个相邻像素点的灰度值、该像素点的灰度值、数量T,计算N个相邻像素点分别对应的水平集能量函数H(x)的过程,包括但不限于如下方式:利用公式(3)计算N个相邻像素点分别对应的水平集能量函数:
公式(3)。
其中,H(x)=H(fi-fc),fi为第i个相邻像素点的灰度值,fc为该像素点的灰度值,i的取值为1-N,表示第i个相邻像素点的灰度值与该像素点的灰度值之间的相似距离,相邻像素点的灰度值与该像素点的灰度值越相似,则d的取值越小。T表示相邻像素点的灰度值中大于该像素点的灰度值的相邻像素点的数量,N表示相邻像素点的数量。
步骤3、利用N个相邻像素点分别对应的水平集能量函数H(x)获得局部二值模式函数。其中,局部二值模式(LocalBinaryPattern,LBP)函数是一种用来描述图像局部特征(如灰度值)的算法,主要用于提取图像的局部特征,继而利用图像的局部特征构造二值图像。
本发明实施例中,利用N个相邻像素点分别对应的水平集能量函数H(x)获得局部二值模式函数的过程,具体可以包括但不限于如下方式:利用公式(4)获得局部二值模式函数:
其中,在公式(4)中,HLBP(T)表示局部二值模式函数,H(x)=H(fi-fc),且H(fi-fc)表示第i个相邻像素点对应的水平集能量函数H(x),T表示相邻像素点的灰度值中大于该像素点的灰度值的相邻像素点的数量,fi为第i个相邻像素点的灰度值,fc为该像素点的灰度值,i的取值为1-N,N表示相邻像素点的数量。
进一步地,在本步骤之前,在得到N个相邻像素点分别对应的水平集能量函数H(x)之后,还可以按照从小到大的顺序,对N个相邻像素点分别对应的水平集能量函数H(x)进行排序,这样,当T的取值大于等于1,且小于等于N-1时,还可以使得不同的水平集能量函数H(x)具有不同的权重。例如:一个可行的实施方式中,水平集能量函数的取值越大,则其对应的i越大,因此其对应的权重(2i-1)也就越大。其中,水平集能量函数的权重为2i-1是为了区分各水平集能量函数的相对重要程度,其是通过2的指数函数还表征,表示i的取值越大,其对应的权重越大。在对N个相邻像素点分别对应的水平集能量函数进行排序之后,第1个水平集能量函数(最小的水平集能量函数)的权重为20,第2个水平集能量函数的权重为21,以此类推,第N个水平集能量函数(最大的水平集能量函数)的权重为2N-1。
步骤4、利用该局部二值模式函数确定该像素点在二值图像的数值。
本发明实施例中,利用局部二值模式函数确定该像素点在二值图像的数值的过程,具体可以包括但不限于如下方式:
当该局部二值模式函数的取值为0和/或上一个像素点对应的局部二值模式函数的取值为0时,则确定该像素点在二值图像的数值可以为第二数值;当该局部二值模式函数的取值非0,且上一个像素点对应的局部二值模式函数的取值非0时,如果该局部二值模式函数的取值小于预设阈值,则确定该像素点在二值图像的数值为可以第二数值,如果该局部二值模式函数的取值不小于预设阈值,则可以确定该像素点在二值图像的数值为第一数值。其中,像素点的上一个像素点是指该像素点在横坐标的上一个像素点。预设阈值可以根据实际经验任意设置,如预设阈值可以为0.5。
步骤103,确定二值图像中的第一数值的像素点所在的区域为前景区域。
步骤104,获得二值图像中的第二数值的像素点所在的局部区域的特征信息,并利用该特征信息确定该局部区域为前景区域或者背景区域。
考虑到前景区域通常为连续区域,因此,前景区域的像素点的灰度值位于该像素点周围的N个像素点的灰度值之间。基于此,当像素点的局部二值模式函数的取值为0时,表示该像素点周围的N个像素点的灰度值均比该像素点的灰度值大,或者该像素点周围的N个像素点的灰度值均比该像素点的灰度值小,此时无法判断该像素点为前景区域,设置该像素点在二值图像的数值为第二数值,需要进一步通过步骤104进一步判断是前景还是背景。或者,当像素点的局部二值模式函数的取值不是0时,如果上一个像素点的局部二值模式函数的取值为0,表示该像素点与上一个像素点不连续,因此无法判断该像素点为前景区域,设置该像素点在二值图像的数值为第二数值,此时,同样需要通过步骤104进一步判断是前景还是背景。或者当像素点的局部二值模式函数的取值不是0时,如果上一个像素点的局部二值模式函数的取值也不是0,且当该像素点的局部二值模式函数的取值小于预设阈值时,同样无法判断该像素点为前景区域,因此,需要通过步骤104进一步判断是前景还是背景。
针对第二数值的像素点所在的局部区域,一个可行的实施方式中,还需要基于局部区域的特征信息进一步判断。第二数值的像素点(可以为多个)所在的局部区域可以是不规则的小区域,且第二数值的像素点所在的局部区域可以为多个局部区域。
本发明实施例中,该局部区域的特征信息具体可以包括但不限于以下之一或者任意组合:灰度特征、纹理特征、位置信息。其中,所述灰度特征具体可以包括但不限于以下之一或者任意组合:灰度最大值、灰度平均值、该局部区域的灰度值方差、该前景区域的灰度值方差等。所述纹理特征具体可以包括但不限于以下之一或者任意组合:相关性、聚类突、能量、同质性等。所述位置信息可以为位于图像边缘位置或者位于图像中心位置。
本发明实施例中,利用前述特征信息确定该局部区域为前景区域或者背景区域的过程,具体可以包括但不限于如下方式:
方式一、当特征信息包括灰度最大值时,由于实际背景区域的灰度最大值通常大于实际前景区域的灰度最大值,因此,如果局部区域的灰度最大值大于前景区域的灰度最大值,则确定该局部区域为背景区域;如果局部区域的灰度最大值不大于前景区域的灰度最大值,则确定该局部区域为前景区域。
方式二、当特征信息包括灰度平均值时,由于实际背景区域的灰度平均值通常大于实际前景区域的灰度平均值,因此,如果局部区域的灰度平均值大于前景区域的灰度平均值,则确定该局部区域为背景区域;如果局部区域的灰度平均值不大于前景区域的灰度平均值,则确定该局部区域为前景区域。
方式三、当特征信息包括局部区域的灰度值方差和前景区域的灰度值方差时,由于实际背景区域的灰度值方差通常小于实际前景区域的灰度值方差,因此,如果局部区域的灰度值方差小于前景区域的灰度值方差,则确定该局部区域为背景区域;如果局部区域的灰度值方差不小于前景区域的灰度值方差,则确定该局部区域为前景区域。
在上述的方式一、方式二和方式三中,局部区域可以是指步骤104中获得的局部区域,而前景区域可以是指步骤103中确定的前景区域。
方式四、当特征信息包括相关性时,由于当灰度值均匀相等时,相关性的值较大,且灰度值均匀相等的区域通常为背景区域,当灰度值相差很大时,相关性的值较小,且灰度值相差很大的区域通常为前景区域。因此,可以设置相关性阈值,如果局部区域的相关性大于相关性阈值,则表示灰度值均匀相等,确定该局部区域为背景区域;如果局部区域的相关性不大于相关性阈值,则表示灰度值相差很大,确定该局部区域为前景区域。
方式五、当特征信息包括聚类突时,由于当区域不平整时,聚类突的值较小,且不平整的区域通常为前景区域,当区域平整时,聚类突的值较大,且平整的区域通常为背景区域。因此,可以设置聚类突阈值,如果局部区域的聚类突大于聚类突阈值,则表示局部区域平整,确定该局部区域为背景区域;如果局部区域的聚类突不大于聚类突阈值,则表示局部区域不平整,确定该局部区域为前景区域。
方式六、当特征信息包括能量时,由于能量用于反映图像的灰度分布均匀程度,如果灰度分布均匀,则能量的值较小,且灰度分布均匀的区域通常为背景区域,如果灰度分布不均匀,则能量的值较大,且灰度分布不均匀的区域通常为前景区域。因此,可以设置能量阈值,如果局部区域的能量小于能量阈值,则表示灰度分布均匀,确定该局部区域为背景区域;如果局部区域的能量不小于能量阈值,则表示灰度分布不均匀,确定该局部区域为前景区域。
方式七、当特征信息包括同质性时,由于同质性用于衡量图像的纹理变化,如果纹理缺少变化,则同质性的值较大,且纹理缺少变化的区域通常为背景区域,如果纹理变化很多,则同质性的值较小,且纹理变化很多的区域通常为前景区域。因此,可以设置同质性阈值,如果局部区域的同质性大于同质性阈值,则表示纹理缺少变化,确定该局部区域为背景区域;如果局部区域的同质性不大于同质性阈值,则表示纹理变化很多,确定该局部区域为前景区域。
其中,上述相关性阈值、聚类突阈值、能量阈值、同质性阈值均可以根据实际经验任意设置,本发明实施例中对此不再赘述。
方式八、当特征信息包括位置信息时,由于背景靠近图像边缘位置的概率会大于前景靠近图像边缘位置的概率,因此,如果局部区域的位置信息为位于待处理的X线图像的边缘位置,则确定该局部区域为背景区域;如果局部区域的位置信息为位于待处理的X线图像的中心位置,则确定该局部区域为前景区域。
在上述方式四至方式八中,局部区域是指步骤104中获得的局部区域。
需要说明的是,上述方式一至方式八是特征信息只包括一个特征的处理情况,当特征信息包括多个特征(如灰度最大值、灰度平均值、局部区域的方差、前景区域的方差、相关性、聚类突、能量、同质性、位置信息等)时,则可以为不同的特征配置不同的权重,并对多个特征进行加权处理,并基于加权结果确定局部区域为背景区域或者前景区域。例如,为局部区域的相关性配置权重1、为局部区域的聚类突配置权重2、为局部区域的能量配置权重3、为局部区域的同质性配置权重4,这样,计算局部区域的相关性、局部区域的聚类突、局部区域的能量与局部区域的同质性之间的加权结果,并比较该加权结果与加权阈值,如果大于加权阈值,则确定该局部区域为背景区域,如果不大于加权阈值,则确定该局部区域为前景区域。对于其它多个特征的组合方式,其处理流程与此类似,在此不再重复赘述。其中,加权阈值可以根据实际经验任意设置。
上述的纹理特征(相关性、聚类突、能量、同质性)均是指基于灰度共生矩阵的纹理特征,为使本领域技术人员更加容易理解本发明,以下对纹理特征的获得方式进行详细说明。
由于纹理是由灰度分布在空间位置上反复出现而形成的,因而,在图像空间中相隔某距离的两像素之间会存在一定的灰度关系,即图像中灰度的空间相关特性,灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。
首先,在确定局部区域之后,确定局部区域对应的多个像素点的灰度值,并将这些像素点的灰度值添加到矩阵中,假设局部区域对应20个像素点,则将这20个像素点的灰度值添加到矩阵中,得到图3A所示的矩阵,图3A的数值就是这20个像素点的灰度值。在实际应用中,在将20个像素点的灰度值添加到矩阵时,图3A是4行5列的矩阵,该矩阵还可以是5行4列的矩阵、2行10列的矩阵等,本发明对此不做限制,只要矩阵中包含20个像素点的灰度值即可。
基于灰度共生矩阵的实现原理,取图3A所示的矩阵中任意一点(x,y)以及偏离它的另一点(x+a,y+b),设(x,y)和(x+a,y+b)的灰度值为(g1,g2),令点(x,y)在图3A所示的矩阵上移动,则会得到各种(g1,g2)值。对于图3A所示的整个矩阵,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2),这样的方阵称为灰度共生矩阵。(a,b)取值可以根据纹理周期的分布特性来选择,例如,可以选取(1,0)、(1,1)、(2,0)等。当a=1,b=0时,像素对是水平的,即0度扫描,在此情况下,当x=1,y=1时,则表示图3A中第一行第一列的灰度值(1),x+a=2,y+b=1,表示图3A中第二行第一列的灰度值(2),即(g1,g2)为(1,2),针对每个(x,y),均能够得到对应的(g1,g2),在利用灰度共生矩阵算法对所有的(g1,g2)进行处理后,图3A所示的矩阵对应的灰度共生矩阵可以如图3B所示。同理,当a=1,b=1时,像素对是右对角线的,即45度扫描,图3A所示的矩阵对应的灰度共生矩阵可以如图3C所示。当a=0,b=1时,像素对是垂直的,即90度扫描,图3A所示的矩阵对应的灰度共生矩阵可以如图3D所示。当a=-1,b=1时,像素对是左对角线,即135度扫描,图3A所示的矩阵对应的灰度共生矩阵可以如图3E所示。
在灰度共生矩阵的基础上,可以计算出相关性、聚类突、能量、同质性等纹理特征。具体的计算方式为:
假设使用图3B所示的灰度共生矩阵,则基于该灰度共生矩阵的每个坐标点(i,j)的数值,可以计算出该灰度共生矩阵的行均值μx和列均值μy,如公式(5)和公式(6)所示。在得到行均值μx和列均值μy之后,基于方差的相关特性,可以利用该行均值μx得到行方差σx,如公式(7)所示,并可以利用该列均值μy得到列方差σy,如公式(8)所示。基于相关性、聚类突、能量和同质性所表示的纹理特征的相关特性,可以通过行均值μx、列均值μy、行方差σx、列方差σy计算得到相关性f1,如公式(9)所示,并得到聚类突f2,如公式(10)所示,并得到能量f3,如公式(11)所示,并得到同质性f4,如公式(12)所示。
行均值: 公式(5)。
列均值: 公式(6)。
行方差: 公式(7)。
列方差: 公式(8)。
相关性: 公式(9)。
聚类突: 公式(10)。
能量: 公式(11)。
同质性: 公式(12)。
其中,在公式(5)-公式(12)中,μx表示行均值,μy表示列均值,σx表示行方差,σy表示列方差,f1表示相关性,f2表示聚类突,f3表示能量,f4表示同质性。i表示图3B所示的灰度共生矩阵的行,j表示图3B所示的灰度共生矩阵的列,如i=2,j=3时,则表示第2行第3列,其对应的数值为1。针对i的数值8表示行的总数,针对j的数值8表示列的总数。此外,p(i,j)为第i行第j列的数值对应的归一化数值,如i=2,j=3时,p(i,j)为第2行第3列的数值1的归一化数值。之所以使用归一化数值表示p(i,j)的原因是:在公式(5)-公式(12)的各公式中,通过对第i行第j列的数值进行归一化处理,得到的第i行第j列的归一化数值能够直接表示均值,继而采用各公式对其进行求和处理,得到的就是均值的求和结果,而不再需要将求和结果除以各行的数值之和或者各列的数值之和,从而简化各公式。
基于上述技术方案,本发明实施例中,针对待处理的X线图像的每个像素点,利用该像素点的灰度值进行二值化处理,得到该像素点在二值图像的数值(表示前景的第一数值或者表示背景的第二数值),且所有像素点在二值图像的数值构成二值图像,并确定二值图像中的第一数值的像素点所在的区域为前景区域,并获得二值图像中的第二数值的像素点所在的局部区域的特征信息,并利用该特征信息确定局部区域为前景区域或者背景区域。在上述方式中,将待处理的X线图像的二值特征和局部区域的特征信息融入到前景背景的分割过程中,提高了前景背景分割的稳定性和成功率。而且,即使X线图像存在均匀性差、对比度差、噪声大等干扰因素,也可以基于上述方式成功分割出前景区域或者背景区域。如图4所示,为前景背景的分割结果示意图,从图4可以看出,有效地去除了X线图像噪声的干扰,提高了算法抗对比度低的能力,提高了算法的稳定性。
基于与上述方法同样的发明构思,本发明实施例中还提供了一种前景背景分割的装置,该前景背景分割的装置应用在图像处理设备上。其中,该前景背景分割的装置可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在的图像处理设备的处理器,读取非易失性存储器中对应的计算机程序指令形成的。从硬件层面而言,如图5所示,为本发明提出的前景背景分割的装置所在的图像处理设备的一种硬件结构图,除了图5所示的处理器、非易失性存储器外,图像处理设备还可以包括其他硬件,如负责处理报文的转发芯片、网络接口、内存等;从硬件结构上来讲,该图像处理设备还可能是分布式设备,可能包括多个接口卡,以便在硬件层面进行报文处理的扩展。
如图6所示,为本发明提出的前景背景分割的装置的结构图,所述装置具体包括:
获取模块11,用于获取待处理的X线图像;
处理模块12,用于针对所述待处理的X线图像的每个像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值,且所有像素点在二值图像的数值构成二值图像;其中,像素点在二值图像的数值为表示前景的第一数值或者表示背景的第二数值;
确定模块13,用于确定所述二值图像中的第一数值的像素点所在的区域为前景区域;获得所述二值图像中的第二数值的像素点所在的局部区域的特征信息,并利用所述特征信息确定所述局部区域为前景区域或者背景区域。
进一步地,所述获取模块11,在获取待处理的X线图像的过程中,获取X线原始图像,并对所述X线原始图像进行预处理,并利用各项异性高斯滤波器对预处理后的X线原始图像进行平滑滤波,得到所述待处理的X线图像。
所述处理模块12,具体用于:
在利用像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值的过程中,获取所述像素点对应的N个相邻像素点的灰度值,计算所述N个相邻像素点的灰度值中,大于所述像素点的灰度值的相邻像素点的数量T;
利用所述N个相邻像素点的灰度值、所述像素点的灰度值、所述数量T,计算所述N个相邻像素点分别对应的水平集能量函数,利用所述N个相邻像素点分别对应的水平集能量函数获得局部二值模式函数;利用所述局部二值模式函数确定所述像素点在二值图像的数值。
所述处理模块12,还用于:
在利用所述局部二值模式函数确定所述像素点在二值图像的数值的过程中,当所述局部二值模式函数的取值为0和/或上一个像素点对应的局部二值模式函数的取值为0时,确定所述像素点在二值图像的数值为第二数值;当所述局部二值模式函数的取值非0,且上一个像素点对应的局部二值模式函数的取值非0时,如果所述局部二值模式函数的取值小于预设阈值,确定所述像素点在二值图像的数值为第二数值,如果所述局部二值模式函数的取值不小于预设阈值,确定所述像素点在二值图像的数值为第一数值。
所述特征信息具体包括以下之一或者任意组合:灰度特征、纹理特征、位置信息;所述灰度特征具体包括以下之一或者任意组合:灰度最大值、灰度平均值、所述局部区域的灰度值方差、所述前景区域的灰度值方差;所述纹理特征具体包括以下之一或者任意组合:相关性、聚类突、能量、同质性;所述位置信息具体包括位于图像边缘位置或者位于图像中心位置。
其中,本发明装置的各个模块可以集成于一体,也可以分离部署。上述模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。本领域技术人员可以理解附图只是一个优选实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可进一步拆分成多个子模块。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上公开的仅为本发明的几个具体实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种前景背景分割的方法,其特征在于,所述方法包括以下步骤:
获取待处理的X线图像;
针对所述待处理的X线图像的每个像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值,且所有像素点在二值图像的数值构成二值图像;其中,像素点在二值图像的数值为表示前景的第一数值或者表示背景的第二数值;
确定所述二值图像中的第一数值的像素点所在的区域为前景区域;
获得所述二值图像中的第二数值的像素点所在的局部区域的特征信息,并利用所述特征信息确定所述局部区域为前景区域或者背景区域。
2.根据权利要求1所述的方法,其特征在于,所述获取待处理的X线图像的过程,具体包括:
获取X线原始图像,并对所述X线原始图像进行预处理,并利用各项异性高斯滤波器对预处理后的X线原始图像进行平滑滤波,得到所述待处理的X线图像。
3.根据权利要求1所述的方法,其特征在于,所述利用所述像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值的过程,具体包括:
获取所述像素点对应的N个相邻像素点的灰度值,并计算所述N个相邻像素点的灰度值中,大于所述像素点的灰度值的相邻像素点的数量T;
利用所述N个相邻像素点的灰度值、所述像素点的灰度值、所述数量T,计算所述N个相邻像素点分别对应的水平集能量函数,并利用所述N个相邻像素点分别对应的水平集能量函数获得局部二值模式函数;
利用所述局部二值模式函数确定所述像素点在二值图像的数值。
4.根据权利要求3所述的方法,其特征在于,所述利用所述局部二值模式函数确定所述像素点在二值图像的数值的过程,具体包括:
当所述局部二值模式函数的取值为0和/或上一个像素点对应的局部二值模式函数的取值为0时,确定所述像素点在二值图像的数值为第二数值;
当所述局部二值模式函数的取值非0,且上一个像素点对应的局部二值模式函数的取值非0时,如果所述局部二值模式函数的取值小于预设阈值,确定所述像素点在二值图像的数值为第二数值,如果所述局部二值模式函数的取值不小于预设阈值,确定所述像素点在二值图像的数值为第一数值。
5.根据权利要求1所述的方法,其特征在于,
所述特征信息具体包括以下之一或者任意组合:灰度特征、纹理特征、位置信息;所述灰度特征具体包括以下之一或者任意组合:灰度最大值、灰度平均值、所述局部区域的灰度值方差、所述前景区域的灰度值方差;所述纹理特征具体包括以下之一或者任意组合:相关性、聚类突、能量、同质性;所述位置信息具体包括位于图像边缘位置或者位于图像中心位置。
6.一种前景背景分割的装置,其特征在于,所述装置具体包括:
获取模块,用于获取待处理的X线图像;
处理模块,用于针对所述待处理的X线图像的每个像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值,且所有像素点在二值图像的数值构成二值图像;其中,像素点在二值图像的数值为表示前景的第一数值或者表示背景的第二数值;
确定模块,用于确定所述二值图像中的第一数值的像素点所在的区域为前景区域;获得所述二值图像中的第二数值的像素点所在的局部区域的特征信息,并利用所述特征信息确定所述局部区域为前景区域或者背景区域。
7.根据权利要求6所述的装置,其特征在于,
所述获取模块在获取待处理的X线图像的过程中,获取X线原始图像,并对所述X线原始图像进行预处理,并利用各项异性高斯滤波器对预处理后的X线原始图像进行平滑滤波,得到所述待处理的X线图像。
8.根据权利要求6所述的装置,其特征在于,
所述处理模块在利用所述像素点的灰度值进行二值化处理,得到所述像素点在二值图像的数值的过程中,获取所述像素点对应的N个相邻像素点的灰度值,计算所述N个相邻像素点的灰度值中,大于所述像素点的灰度值的相邻像素点的数量T;利用所述N个相邻像素点的灰度值、所述像素点的灰度值、所述数量T,计算所述N个相邻像素点分别对应的水平集能量函数,利用所述N个相邻像素点分别对应的水平集能量函数获得局部二值模式函数;利用所述局部二值模式函数确定所述像素点在二值图像的数值。
9.根据权利要求8所述的装置,其特征在于,
所述处理模块在利用所述局部二值模式函数确定所述像素点在二值图像的数值的过程中,当所述局部二值模式函数的取值为0和/或上一个像素点对应的局部二值模式函数的取值为0时,确定所述像素点在二值图像的数值为第二数值;当所述局部二值模式函数的取值非0,且上一个像素点对应的局部二值模式函数的取值非0时,如果所述局部二值模式函数的取值小于预设阈值,确定所述像素点在二值图像的数值为第二数值,如果所述局部二值模式函数的取值不小于预设阈值,确定所述像素点在二值图像的数值为第一数值。
10.根据权利要求6所述的装置,其特征在于,
所述特征信息具体包括以下之一或者任意组合:灰度特征、纹理特征、位置信息;所述灰度特征具体包括以下之一或者任意组合:灰度最大值、灰度平均值、所述局部区域的灰度值方差、所述前景区域的灰度值方差;所述纹理特征具体包括以下之一或者任意组合:相关性、聚类突、能量、同质性;所述位置信息具体包括位于图像边缘位置或者位于图像中心位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510874149.7A CN105528784B (zh) | 2015-12-02 | 2015-12-02 | 一种前景背景分割的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510874149.7A CN105528784B (zh) | 2015-12-02 | 2015-12-02 | 一种前景背景分割的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105528784A true CN105528784A (zh) | 2016-04-27 |
CN105528784B CN105528784B (zh) | 2019-01-25 |
Family
ID=55770987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510874149.7A Active CN105528784B (zh) | 2015-12-02 | 2015-12-02 | 一种前景背景分割的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105528784B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596844A (zh) * | 2018-04-12 | 2018-09-28 | 中国人民解放军陆军装甲兵学院 | 用于弹炮遥控武器站的背景抑制方法 |
CN110879948A (zh) * | 2018-09-06 | 2020-03-13 | 华为技术有限公司 | 图像处理方法、装置及存储介质 |
CN112561821A (zh) * | 2020-12-17 | 2021-03-26 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于近场扫描的芯片表面电磁数据降噪方法 |
CN114820829A (zh) * | 2022-06-24 | 2022-07-29 | 数聚(山东)医疗科技有限公司 | 一种用于放射影像的智能压缩方法 |
CN115345895A (zh) * | 2022-10-19 | 2022-11-15 | 深圳市壹倍科技有限公司 | 用于视觉检测的图像分割方法、装置、计算机设备及介质 |
WO2023284313A1 (zh) * | 2021-07-16 | 2023-01-19 | 稿定(厦门)科技有限公司 | Psd图片的自动切片方法及装置 |
CN108550101B (zh) * | 2018-04-19 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置及存储介质 |
CN116612389A (zh) * | 2023-07-20 | 2023-08-18 | 青建国际集团有限公司 | 一种建筑施工进度管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0947947A2 (en) * | 1998-03-30 | 1999-10-06 | Xerox Corporation | Robust method for finding registration marker positions |
CN1979526A (zh) * | 2005-12-02 | 2007-06-13 | 佳能株式会社 | 文档图像的二值化方法和装置、及其程序和存储介质 |
CN103077517A (zh) * | 2012-12-31 | 2013-05-01 | 华中科技大学 | 一种非均匀照明条件下的空间目标分割方法 |
WO2013148485A2 (en) * | 2012-03-30 | 2013-10-03 | Clarient Diagnostic Services, Inc. | Detection of tissue regions in microscope slide images |
CN103729851A (zh) * | 2014-01-04 | 2014-04-16 | 闽江学院 | 基于显著过渡区域的图像分割方法 |
CN103903017A (zh) * | 2014-03-26 | 2014-07-02 | 浙江大学 | 一种基于自适应软直方图局部二值模式的人脸识别方法 |
CN104463161A (zh) * | 2013-09-24 | 2015-03-25 | 柯尼卡美能达美国研究所有限公司 | 使用自动图像修补的彩色文档图像分割和二值化 |
-
2015
- 2015-12-02 CN CN201510874149.7A patent/CN105528784B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0947947A2 (en) * | 1998-03-30 | 1999-10-06 | Xerox Corporation | Robust method for finding registration marker positions |
CN1979526A (zh) * | 2005-12-02 | 2007-06-13 | 佳能株式会社 | 文档图像的二值化方法和装置、及其程序和存储介质 |
WO2013148485A2 (en) * | 2012-03-30 | 2013-10-03 | Clarient Diagnostic Services, Inc. | Detection of tissue regions in microscope slide images |
CN103077517A (zh) * | 2012-12-31 | 2013-05-01 | 华中科技大学 | 一种非均匀照明条件下的空间目标分割方法 |
CN104463161A (zh) * | 2013-09-24 | 2015-03-25 | 柯尼卡美能达美国研究所有限公司 | 使用自动图像修补的彩色文档图像分割和二值化 |
CN103729851A (zh) * | 2014-01-04 | 2014-04-16 | 闽江学院 | 基于显著过渡区域的图像分割方法 |
CN103903017A (zh) * | 2014-03-26 | 2014-07-02 | 浙江大学 | 一种基于自适应软直方图局部二值模式的人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
BI BI等: "An effective edge extraction method using improved local binary pattern for blurry digital radiography images", 《NDT&E INTERNATIONAL》 * |
李响 等: "复杂场景下基于局部运动补偿的目标检测", 《仪器仪表学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596844A (zh) * | 2018-04-12 | 2018-09-28 | 中国人民解放军陆军装甲兵学院 | 用于弹炮遥控武器站的背景抑制方法 |
CN108550101B (zh) * | 2018-04-19 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置及存储介质 |
CN110879948A (zh) * | 2018-09-06 | 2020-03-13 | 华为技术有限公司 | 图像处理方法、装置及存储介质 |
CN110879948B (zh) * | 2018-09-06 | 2022-10-18 | 华为技术有限公司 | 图像处理方法、装置及存储介质 |
CN112561821A (zh) * | 2020-12-17 | 2021-03-26 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于近场扫描的芯片表面电磁数据降噪方法 |
WO2023284313A1 (zh) * | 2021-07-16 | 2023-01-19 | 稿定(厦门)科技有限公司 | Psd图片的自动切片方法及装置 |
CN114820829A (zh) * | 2022-06-24 | 2022-07-29 | 数聚(山东)医疗科技有限公司 | 一种用于放射影像的智能压缩方法 |
CN114820829B (zh) * | 2022-06-24 | 2022-09-09 | 数聚(山东)医疗科技有限公司 | 一种用于放射影像的智能压缩方法 |
CN115345895A (zh) * | 2022-10-19 | 2022-11-15 | 深圳市壹倍科技有限公司 | 用于视觉检测的图像分割方法、装置、计算机设备及介质 |
CN115345895B (zh) * | 2022-10-19 | 2023-01-06 | 深圳市壹倍科技有限公司 | 用于视觉检测的图像分割方法、装置、计算机设备及介质 |
CN116612389A (zh) * | 2023-07-20 | 2023-08-18 | 青建国际集团有限公司 | 一种建筑施工进度管理方法及系统 |
CN116612389B (zh) * | 2023-07-20 | 2023-09-19 | 青建国际集团有限公司 | 一种建筑施工进度管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105528784B (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105528784A (zh) | 一种前景背景分割的方法和装置 | |
Mundhenk et al. | Efficient saliency maps for explainable AI | |
Panjwani et al. | Markov random field models for unsupervised segmentation of textured color images | |
Li et al. | Investigation on cost assignment in spatial image steganography | |
CN108764085B (zh) | 基于生成对抗网络的人群计数方法 | |
Wang et al. | Optimized feature extraction for learning-based image steganalysis | |
Szirányi et al. | Image segmentation using Markov random field model in fully parallel cellular network architectures | |
CN104899853A (zh) | 图像区域的划分方法及装置 | |
CN110610143B (zh) | 多任务联合训练的人群计数网络方法、系统、介质及终端 | |
CN109993221B (zh) | 一种图像分类方法及装置 | |
CN106484692A (zh) | 一种三维模型检索方法 | |
CN111311702B (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
CN107704890A (zh) | 一种四元组图像的生成方法和装置 | |
Zhao et al. | Fractal dimension estimation of RGB color images using maximum color distance | |
Hu et al. | Adaptive steganalysis based on selection region and combined convolutional neural networks | |
Pessa et al. | Mapping images into ordinal networks | |
Szirányi et al. | Markov random field image segmentation using cellular neural network | |
CN104952071A (zh) | 一种基于灰度空间相关的最大类间方差图像分割算法 | |
CN111898408A (zh) | 一种快速人脸识别方法及装置 | |
CN109583584B (zh) | 可使具有全连接层的cnn接受不定形状输入的方法及系统 | |
US7551786B2 (en) | System and method for efficient non-overlapping partitioning of rectangular regions of interest in multi-channel detection | |
Haindl et al. | Colour texture segmentation using modelling approach | |
CN108510636A (zh) | 图像分割方法、图像分割装置及终端设备 | |
CN107085727A (zh) | 一种图像边界函数的确定方法及其装置 | |
Hauschild et al. | Image segmentation using a genetic algorithm and hierarchical local search |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Patentee after: DongSoft Medical System Co., Ltd. Address before: Hunnan New Century Road 110179 Shenyang city of Liaoning Province, No. 16 Patentee before: Dongruan Medical Systems Co., Ltd., Shenyang |
|
CP03 | Change of name, title or address |