CN105631869A - 一种管状物分割方法、装置及设备 - Google Patents
一种管状物分割方法、装置及设备 Download PDFInfo
- Publication number
- CN105631869A CN105631869A CN201510993185.5A CN201510993185A CN105631869A CN 105631869 A CN105631869 A CN 105631869A CN 201510993185 A CN201510993185 A CN 201510993185A CN 105631869 A CN105631869 A CN 105631869A
- Authority
- CN
- China
- Prior art keywords
- point
- path
- edge
- tubular object
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000011218 segmentation Effects 0.000 title claims abstract description 20
- 238000003708 edge detection Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 23
- 230000003447 ipsilateral effect Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000009499 grossing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例提供一种管状物分割方法、装置和设备,所述方法包括:获取待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域;在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息;根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点;根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。本发明实施例可以有效提高管状物分割的准确率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种管状物分割方法、装置及设备。
背景技术
在图像处理技术领域,常常涉及到对二维图像中的管状物的分割处理。例如在血管造影(英文全称为DigitalSubtractionAngiography,英文简称为DSA)图像中提取有病变部位的心血管,并对提取的心血管进行狭窄分析,有助于医生对于心血管疾病的诊断。
现有技术中,如在DSA图像中,通常有两种方式来分割管状物。一种是全自动分割,一种是交互式分割。全自动分割一般是针对全幅图像进行操作,一般用最大熵阈值法、模板匹配追踪法等。交互式分割是针对用户感兴趣的部分进行分割,通过用户在感兴趣管状物段的内腔中定义一条路径,根据路径点来寻找该段管状物的边界点。具体实现时,需要预先设定管状物的最大半径,根据路径垂线上的灰度一阶微分极值点来确定血管边缘点,然后寻找血管边缘点的最优路径。使用一阶微分极大值法需要预先设定待分割管状物的半径大小,所述待分割管状物半径的大小是否准确直接影响最终图像分割结果的准确度。
另外,在寻找边缘点的最优路径时,现有技术使用零交叉点的个数作为路径迭代的一个准则。由于零交叉点对于噪声比较敏感,由零交叉点得到的边缘图像中有很多是伪边缘,伪边缘的牵引作用有可能使得最优路径不是真正的边缘。
发明内容
本发明实施例提供了一种管状物分割方法、装置及设备,有效提高了管状物分割的准确率。
为此,本发明实施例提供如下技术方案:
第一方面,本发明实施例提供了一种管状物分割方法,所述方法包括:
获取待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域;
在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息;
根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点;
根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。
另一方面,本发明实施例还提供了一种管状物分割装置,所述装置包括:
获取单元,用于获取待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域;
边缘检测单元,用于在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息;
关键边缘点确定单元,用于根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点;
边界获得单元,用于根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。
再一方面,本发明还提供了一种管状物分割设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域;
在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息;
根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点;
根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。
本发明实施例提供的管状物分割方法、装置及设备,可以确定待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域,并在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息;根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点;根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。由于在确定管状物的关键边缘点时,使用了边缘信息结合梯度信息、灰度范围的判断方式,剔除了绝大部分伪边缘信息,有效提高了边缘检测的准确度。
此外,在寻找最优路径确定管状物边界时,结合了边缘检测结果确定能量函数,并在搜索路径时不仅考虑能量最小原则还综合考虑边缘检测信息中的边缘点个数的因素,使得在管状物的高曲率部分仍能得到准确的提取结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的管状物分割方法流程示意图;
图2为本发明实施例提供的确定管状物的关键边缘点的流程示意图;
图3为本发明一实施例提供的管状物分割装置示意图;
图4为本发明另一实施例提供的管状物分割设备的实施例硬件架构图。
具体实施方式
本发明实施例提供了一种管状物分割方法、装置及设备,有效提高了管状物分割的准确率。
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
参见图1,为本发明一实施例提供的管状物分割方法流程示意图。如图1所示,所述方法可以包括:
S101,获取待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域。
在本发明实施例具体实现时,可以提供交互界面,供用户进行交互。举例说明,用户只需在图像中用户感兴趣的管状物的内腔中画一条路径,本发明即可以根据用户输入或者确定的管状物内腔中的一条路径来获得与所述路径对应的管状物区域。所述路径的走向和要分割的管状物段的走向相同。路径上的点称为路径点,路径点的坐标信息即为路径坐标信息。获取待分割管状物的路径坐标信息即为获取用户输入或者确定的管状物内腔中的路径上的各路径点的坐标信息。
在根据所述路径坐标信息确定与所述管状物对应的局部灰度范围时,可以根据用户输入的管状物路径点坐标(x1,y1),(x2,y2),...,(xN,yN),计算其对应的最小图像灰度值gmin、最大图像灰度值gmax,由此确定管状物对应的局部灰度范围[gmin,gmax]。进一步地,本发明实施例还可以包括对管状物路径的平滑操作,之后处理的坐标点均可以是经过平滑处理的坐标点。其中,对管状物路径的平滑操作可以采取现有技术中的平滑处理方法而实现。
在根据所述路径坐标信息确定目标候选区域时,可以参照下述方式进行。后续对管状物的分割处理均是针对目标候选区域内的图像进行操作。
其中,目标候选区域的计算方法如下:
Xmin=min(x1,x2,...x,N)-L(1)
Xmax=max(x1,x2,..x.N),+L(2)
Ymin=min(y1,y2,...,yN)-W(3)
Ymax=max(y1,y2,...,yN)+W(4)
其中,Xmin、Xmax、Ymin、Ymax分别为目标候选区域的最小横坐标、最大横坐标、最小纵坐标、最大纵坐标。x1,x2,...,xN为各路径点的横坐标值,y1,y2,...,yN为各路径点的纵坐标值。L、W为预设偏移值,可以根据经验设定,L、W决定了待处理图像即目标候选区域的大小。
由于本发明实施例根据用户输入的路径点信息确定了目标候选区域,并利用参数L、W调整了目标候选区域的大小,使得要分割的物体段边缘均在该目标候选区域内,从而有效降低了计算的复杂度,并节省了时间和内存,提升了系统的处理性能。
S102,在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息。
利用Canny算子进行边缘检测的过程如下:
S102A:利用高斯滤波器平滑图象。
其中,高斯平滑操作如下:
其中,S(x,y)为平滑后的图像,I(x,y)为原始图像。σ为平滑尺度大小。
S102B:利用Sobel算子计算梯度的幅值和方向。当然,也可以采用其他算子,本发明不进行限制。
利用Sobel算子获得梯度图像的操作如下:
其中,Sx为Sobel算子x方向模板,Sy为Sobel算子y方向模板,Gx为x方向梯度,Gy是y方向梯度,G为梯度值。
然后可用以下公式计算梯度方向:
S102C:对梯度幅值进行非极大值抑制。
具体实现可以参照现有技术实现。
S102D:利用双阈值算法检测和连接边缘。
具体实现可以参照现有技术实现。
S103,根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点。
具体实现时,所述根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点包括:在所述待分割管状物的路径坐标信息中选取路径点,计算所述路径点的切线方向,在所述目标候选区域内、垂直于所述切线方向的方向上从所述路径点出发的各点中,根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点。
其中,所述在所述待分割管状物的路径坐标信息中选取路径点,计算所述路径点的切线方向,在所述目标候选区域内、垂直于所述切线方向的方向上从所述路径点出发的各点中,根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点包括:
在所述待分割管状物的路径坐标信息中选取路径点,计算所述路径点的切线方向;
在所述目标候选区域内,垂直于所述切线方向的方向上从所述路径点出发的各点中,根据所述梯度信息获得各梯度极大值点;其中,需要说明的是,从路径点处发出两条方向相反的方向,即从路径点出发向路径点两侧延伸,延伸的方向是垂直于所述切线方向的方向。
在所述各点中选取一点作为当前点,判断所述当前点是否是梯度极大值点;
若所述当前点是梯度极大值点,判断所述当前点的梯度值是否大于前一个梯度极大值点的梯度值且大于后一个梯度极大值点的梯度值;
若是,根据所述边缘信息判断所述当前点是否是检测出的边缘点;
若是,确定所述当前点为管状物的关键边缘点。
进一步的,所述方法还包括:
若根据所述边缘信息判断所述当前点不是检测出的边缘点,判断所述当前点与所述后一个梯度极大值点之间的点的灰度值是否都在所述局部灰度范围内;
若确定所述当前点与所述后一个梯度极大值点之间的点的灰度值均不在所述局部灰度范围内,确定所述当前点为管状物的关键边缘点;
若确定所述当前点与所述后一个梯度极大值点之间的点的灰度值均在所述局部灰度范围内,迭代处理下一个点,将所述下一个点作为当前点。
进一步的,所述方法还包括:
若确定当前梯度极大值点的梯度值大于前一个梯度极大值点的梯度值,且小于后一个梯度极大值点的梯度值,判断当前梯度极大值点与所述后一个梯度极大值点之间的点的灰度值是否在局部灰度范围内;
若确定当前梯度极大值点与所述后一个梯度极大值点之间的点的灰度值均不在局部灰度范围内,判断所述当前点是否是检测出的边缘点;
若当前点是检测出的边缘点,确定所述当前梯度极大值点为管状物的关键边缘点。
进一步的,所述方法还包括:
若确定当前点不是梯度极大值点,或者,当前点是梯度极大值点且所述当前点的梯度值不大于前一个梯度极大值点的梯度值,利用当前点的灰度值更新所述局部灰度范围,迭代处理下一个点,将所述下一个点作为当前点。
参见图2,为本发明实施例提供的确定管状物的关键边缘点的流程示意图。下面结合图2对上述实现方式进行详细地说明。
在本发明实施例具体实现时,可以根据Canny算子检测出的边缘信息、梯度信息以及灰度值的大小(即灰度范围)来识别管状物的关键边缘点。
其中,获得关键边缘点的具体操作如下:
假设X1=(x1,y1),X2=(x2,y2),...X,N=(xN,yN)为用户输入的路径点,gmin,gmax分别为该路径上的点对应的灰度值的最小及最大值。在所述路径的第i点处,计算路径点的切线方向v=(xi+1-xi,yi+1-yi)。在垂直于v的方向上按照以下方法寻找边缘点,之后再每隔m个点进行同样的操作,直到到路径的尾端。具体流程如图2所示。
S201,选取路径点中的第i点作为当前输入点。
S202,判断所述当前输入点是否是梯度极大值点。若是,执行S203;若否,执行S209。
S203,若确定所述当前输入点是梯度极大值点,判断当前点即当前梯度极大值点的梯度值是否大于前一个梯度极大值点的梯度值。若是,执行S204;若否,执行S209。
S204,判断所述当前梯度极大值点的梯度值是否大于后一个梯度极大值点的梯度值。若是,执行S205;若否,执行S210。
S205,根据所述边缘信息判断所述当前梯度极大值点是否是已检测出的边缘点。若是,执行S213;若否,执行S206。
S206,判断所述当前梯度极大值点与所述后一个梯度极大值点之间的点的灰度值是否都不在所述局部灰度范围内。若是,执行S213;若否,执行S207。
S207,判断所述当前梯度极大值点与所述后一个梯度极大值点之间的点的灰度值是否均在所述局部灰度范围内。若是,执行S214。若否,执行S208。
S208,若确定所述当前点与所述后一个梯度极大值点之间的点中的一个或多个点的灰度值在灰度范围内,其他点的灰度值不在灰度范围内,则确定在该路径点寻找边界出现异常,这时处理下一个路径点,即第i+1个路径点Xi+1,将Xi+1作为当前输入点,执行S202,直到处理到路径的末尾。
S209,利用当前点的灰度值更新所述局部灰度范围,即更新灰度的最大与最小值。而后,执行S214。
其中,灰度范围更新具体为:
若g<gmin,则gmin=g;若g>gmax,则gmax=g。
S210,若确定当前梯度极大值点的梯度值大于前一个梯度极大值点的梯度值,且小于后一个梯度极大值点的梯度值,判断当前梯度极大值点到后一个梯度极大值点之间的各点是否都在局部灰度范围内。若是,执行S214;若否,执行S211。
S211,若确定当前梯度极大值点到后一个梯度极大值点之间的各点并非全部在局部灰度范围内,判断当前梯度极大值点到后一个梯度极大值点之间的各点是否都不满足局部灰度范围。若是,执行S212;若否,执行S208,即确定在该路径点寻找边界出现异常,这时处理下一个路径点,即第i+1个路径点Xi+1,将Xi+1作为当前输入点,执行S202,直到处理到路径的末尾。
S212,判断所述当前点是否是检测出的边缘点。若是,执行S213;若否,执行S208,即确定在该路径点寻找边界出现异常,这时处理下一个路径点,即第i+1个路径点Xi+1,将Xi+1作为当前输入点,执行S202,直到处理到路径的末尾。
S213,确定所述当前点为管状物的关键边缘点。
S214,迭代处理下一个点。其中,下一个要处理的路径点为Xi+m。
在一种可能的实现方式中,在执行S104之前,所述方法还可以包括:对所述管状物的关键边缘点进行同侧归类处理。
较佳地,在对关键边缘点进行同侧归类处理之前还可以包括对关键边缘点的顺序进行判断的步骤,以去掉异常顺序的关键边缘点对。在管状物曲率较大的部分,会出现点对顺序的异常。具体判断方法如下:获取当前路径点对应的第一关键边缘点和第二关键边缘点;获取当前路径点之前的一个路径点的对应的第三关键边缘点和第四关键边缘点,判断第一关键边缘点、第二关键边缘点是否在在第三关键边缘点和第四关键边缘点的连线的同侧,若不在同侧则将该点对作为异常点对处理;若第一关键边缘点和第二关键边缘点均在第三关键边缘点和第四关键边缘点的同侧,则对第一关键边缘点和第二关键边缘点进行同侧归类处理。
具体的,所述对所述管状物的关键边缘点进行同侧归类处理包括:
获取当前路径点对应的第一关键边缘点和第二关键边缘点;获取当前路径点之前的一个路径点对应的第三关键边缘点和第四关键边缘点;若判断由所述第三关键边缘点和所述第一关键边缘点构成的直线,与所述第四关键边缘点和所述第二关键边缘点构成的直线不存在交点或者两个直线的交点在设定区域外,则确定所述第三关键边缘点和所述第一关键边缘点在管状物的同一侧,所述第四关键边缘点和所述第二关键边缘点在管状物的同一侧;否则,确定所述第三关键边缘点和所述第二关键边缘点在管状物的同一侧,所述第四关键边缘点和所述第一关键边缘点在管状物的同一侧。其中,设定区域为由第一关键边缘点、第二关键边缘点、第三关键边缘点、第四关键边缘点构成的或者计算得到的区域。
举例说明,当管状物是U型形状时,所以需要将得到的关键边缘点进行同侧归类,归类方法如下:
如果点XR(x,y),XL(x,y)是前一个采样中心点处(即路径点)得到的关键边缘点,且已经完成归类操作,X1(x,y),X2(x,y)是当前采样点(即路径点)得到的关键边缘点,计算由点XR(x,y),X1(x,y)构成的直线与X2(x,y),XL(x,y)构成的直线的交点,如果二者没有交点或者交点在二者构成的区域R之外,则认为XR(x,y)与X1(x,y)在管状物的同一侧,XL(x,y)与X2(x,y)在管状物的同一侧,否则则认为XR(x,y)与X2(x,y)在管状物的同一侧,XL(x,y)与X1(x,y)在管状物的同一侧。
区域R的计算方法如下:
RXmin=min(XR(x),XL(x),X1(x),X1(x))(10)
RXmax=max(XR(x),XL(x),X1(x),X1(x))(11)
RYmin=min(XR(y),XL(y),X1(y),X1(y))(12)
RYmax=max(XR(y),XL(y),X1(y),X1(y))(13)
其中,RXmin、RXmax、RYmin、RYmax分别为设定区域R的最小横坐标值、最大横坐标值、最小纵坐标值、最大纵坐标值。
在另外一种可能的实现方式中,在根据其中一个路径点确定关键边缘点后,即可以进行关键边缘点的同侧归类处理,之后再确定下一个路径点的关键边缘点,再将得到的关键边缘点进行同侧归类……以此类推,即在寻找关键边缘点的同时即对寻找到的关键边缘点进行同侧归类,直到处理完所有路径点。这样,在S104之前,即可以进行所有关键边缘点的同侧归类处理。
S104,根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。
具体实现时,S102中,具体利用Canny算子在所述目标候选区域内对所述管状物进行边缘检测,获得检测出的Canny边缘点以及梯度值、梯度方向。
所述根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界包括:根据所述Canny边缘信息、梯度信息以及零交叉点信息计算能量代价函数;根据所述能量代价函数确定两个关键边缘点之间的最优路径。其中,梯度信息包括梯度值和梯度方向。
其中,在每两个关键边缘点之间,根据能量代价函数生成两个关键边缘点之间的最优路径,该最优的路径为管状物边界。
代价函数的计算方法如下:(从点p到q的代价函数,q为p的八邻域点)
l(p,q)=wZfZ(q)+wDfD(p,q)+wGfG(q)+wcfc(q)(14)
其中,fZ(q),fD(p,q),fG(q),fc(q)分别表示零交叉点,梯度值,梯度方向及Canny算子边缘检测结果
wZ、wD、wG、wc分别为权重参数,具体数值可以根据经验或者需要设定。本发明实施例中使用的参数为:
wZ=0.215,wD=0.07,wG=0.215,wc=0.5。
其中,零交叉点fZ(q)计算方法为:
若q为p的4邻域点:
其中,x,y为p点的横坐标和纵坐标。
其中,参数σ为高斯平滑的宽度,决定了高斯平滑的程度。其中,fD(p,q),fG(q),fc(q)分别通过以下公式得到:
其中,G为梯度大小。
dp(p,q)=D'(p)·L(p,q)(17)
dq(p,q)=D'(q)·L(p,q)(18)
D'(p)=[Gy(p),-Gx(p)],为D(p)的垂直向量,D'(q)=[Gy(q),-Gx(q)]为D(q)的垂直向量。其中,Gy(p)是p点y方向的梯度,Gx(p)是p点x方向的梯度;Gy(q)是q点y方向的梯度,Gx(q)是q点x方向的梯度。
其中,边缘检测结果fc(q)表示为:
其中,B为Canny算子检测结果,即若Canny算子检测出q点为边界点的话,则fc(q)=0,若Canny算子检测结果q不是边界点的话,fc(q)=1。
现有技术的能量代价函数是由零交叉点值、梯度值和梯度方向组成,本发明中有引入了Canny检测结果,这是因为零交叉点对于噪声比较敏感,在边缘信息不太明显的地方也能检测出细微的边界,但同时其检测结果中有很多伪边缘点,而Canny算子的检测结果边缘比较清晰,但在边缘信息不太明显的地方,会有少量边缘中断的现象。将能量代价函数定义为零交叉点、梯度值、梯度方向及Canny算子检测结果,在Canny算子检测出边界的情况下,其在能量代价函数中起主导作用,在Canny算子没有检测出边界的情况下,零交叉点检测出来的结果其主导作用。这样设计的能量函数在各种情况下都可以通用。
在根据所述能量代价函数确定两个关键边缘点之间的最优路径时,判断当前路径的能量是否大于已有路径的能量:若确定当前路径的能量不大于已有路径的能量,将当前路径作为最优路径;若当前路径的能量大于已有路径的能量,根据所述Canny边缘信息判断所述当前路径包含的检测出的Canny边缘点的个数是否大于所述已有路径包含的检测出的Canny边缘点的个数;若确定当前路径包含的检测出的Canny边缘点的个数大于所述已有路径包含的检测出的Canny边缘点的个数,将当前路径作为最优路径。
举例说明,将Canny算子检测结果记为B(已检测出的边缘点集合),在最优路径的寻找过程中,如果当前路径获得的能量大于已有路径的能量,则反向跟踪当前路径和已有路径两个路径的路径点,分别统计两个路径中的路径点在B中的个数,如果当前路径中的路径点在B中的个数大于已有路径中的路径点在B中的个数,则认为新路径为最优路径。由于Canny算子检测出的边缘相对零交叉点检测出边缘更准确,伪边缘信息较少。为了避免伪边缘的吸引,使得最优路径偏离真正的路径,所以在最优路径迭代过程中没有选择使用判断零交叉点的个数,而是选择使用Canny算子的检测出的边界点个数。使用改进的路径迭代策略,使得在管状物出现高曲率的部分也能较准确的提取出其边界。
由此,可以获得两两关键边缘点之间的最优路径,最终获得管状物的边界。
进一步的,本发明实施例提供的方法还可以包括:在所述管状物的边界内选取种子点,利用二维区域生长方法获得所述管状物的内部区域。
在本发明实施例提供的方法中,可以在二维图像中,基于用户交互的情况下来分割管状物。用户只需在在其感兴趣的管状物内画一条路径,即可以利用该方法将该段管状物提取出来,有助于用户下一步的操作,如提取中心路径来进行狭窄分析。本发明具有交互简单、速度快,且避免了用户点击一点或者两点进行交互容易产生的分割错误或者时间过程等问题。此外,由于在确定管状物的关键边缘点时,使用了边缘信息结合梯度信息、灰度范围的判断方式,剔除了绝大部分伪边缘信息,有效提高了边缘检测的准确度。另外,由于在能量函数中加入了Canny边缘检测结果,同时在搜索最优路径时以路径中所含的Canny边缘检测中检测出的边缘点个数作为一个择优的原则,使得在管状物的高曲率部分仍能得到准确的提取结果。
与前述管状物分割方法的实施例相对应,本发明还提供了管状物分割装置的实施例。
参见图3为本发明一实施例提供的管状物分割装置示意图。
一种管状物分割装置300,所述装置300包括:
获取单元301,用于获取待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域;
边缘检测单元302,用于在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息;
关键边缘点确定单元303,用于根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点;
边界获得单元304,用于根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。
进一步地,所述关键边缘点确定单元具体用于:
在所述待分割管状物的路径坐标信息中选取路径点,计算所述路径点的切线方向,在所述目标候选区域内、垂直于所述切线方向的方向上的各点中,根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点。
进一步地,所述装置还包括:
同侧归类单元,用于在根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界之前,对所述管状物的关键边缘点进行异常点对删除操作以及同侧归类处理。
进一步地,所述边界获得单元包括:
计算单元,用于根据所述边缘信息、梯度信息以及零交叉点信息计算能量代价函数;
最优路径确定单元,用于根据所述能量代价函数确定两个所述关键边缘点之间的最优路径。
所述边缘检测单元具体用于:
利用Canny算子在所述目标候选区域内对所述管状物进行边缘检测,获得检测出的Canny边缘点以及梯度值、梯度方向。
进一步地,所述最优路径确定单元包括:
第一判断单元,用于判断当前路径的能量是否大于已有路径的能量;
第一选取单元,用于若确定当前路径的能量不大于已有路径的能量,将当前路径作为最优路径;
第二判断单元,用于若当前路径的能量大于已有路径的能量,根据所述边缘信息判断所述当前路径包含的检测出的Canny边缘点的个数是否大于所述已有路径包含的检测出的Canny边缘点的个数;
第二选取单元,用于若确定当前路径包含的检测出的Canny边缘点的个数大于所述已有路径包含的检测出的Canny边缘点的个数,将当前路径作为最优路径。
其中,本发明装置各单元或模块的设置可以参照图1至图2所示的方法而实现,在此不赘述。
参见图4,为本发明另一实施例提供的管状物分割设备的实施例硬件架构图。
本发明管状物分割装置的实施例可以应用在任何具有处理器(特别是图像处理器)的电子设备上,所述电子设备可以是现有的、正在研发的或将来研发的任何电子设备,包括但不限于:现有的、正在研发的或将来研发的台式计算机、膝上型计算机、移动终端(包括智能手机、非智能手机、各种平板电脑)等。装置实施例可以通过软件实现,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,是通过其所在带有处理器的电子设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本发明管状物分割设备所在带有处理器的电子设备的一种硬件结构图,除了图4所示的处理器、内存、网络接口、以及存储器之外,实施例中装置所在带有处理器的电子设备通常根据该设备的实际功能,还可以包括其他硬件,对此不再赘述。
其中,存储器中可以存储有管状物分割方法对应的逻辑指令,该存储器例如可以是非易失性存储器(non-volatilememory)。处理器可以调用执行存储器中的保存的逻辑指令,以执行上述的图像动态范围调整方法。
管状物分割方法对应的逻辑指令的功能,如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
如图4所示,本发明还提供了一种管状物分割设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域;
在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息;
根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点;
根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。
进一步地,所示处理器还被配置用于:
在所述待分割管状物的路径坐标信息中选取路径点,计算所述路径点的切线方向,在所述目标候选区域内、垂直于所述切线方向的方向上从所述路径点出发的各点中,根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点。
进一步地,所示处理器还被配置用于:
在所述待分割管状物的路径坐标信息中选取路径点,计算所述路径点的切线方向;
在所述目标候选区域内、垂直于所述切线方向的方向上从所述路径点出发的各点中,根据所述梯度信息获得各梯度极大值点;
在所述各点中选取一点作为当前点,判断所述当前点是否是梯度极大值点;
若所述当前点是梯度极大值点,判断所述当前点的梯度值是否大于前一个梯度极大值点的梯度值且大于后一个梯度极大值点的梯度值;
若是,根据所述边缘信息判断所述当前点是否是检测出的边缘点;
若是,确定所述当前点为管状物的关键边缘点。
进一步地,所示处理器还被配置用于:
若根据所述边缘信息判断所述当前点不是检测出的边缘点,判断所述当前点与所述后一个梯度极大值点之间的点的灰度值是否都不在所述局部灰度范围内;
若确定所述当前点与所述后一个梯度极大值点之间的点的灰度值均不在所述局部灰度范围内,确定所述当前点为管状物的关键边缘点;
若确定当前点与所述后一个梯度极大值点之间的点的灰度值均在所述局部灰度范围内,迭代处理下一个点,将所述下一个点作为当前点。
进一步地,所示处理器还被配置用于:
若确定当前点的梯度值大于前一个梯度极大值点的梯度值,且小于后一个梯度极大值点的梯度值,判断当前点与所述后一个梯度极大值点之间的点的灰度值是否在局部灰度范围内;
若确定当前点与所述后一个梯度极大值点之间的点的灰度值均不在局部灰度范围内,判断所述当前点是否是检测出的边缘点;
若是,确定所述当前点为管状物的关键边缘点。
进一步地,所示处理器还被配置用于:
若确定当前点不是梯度极大值点,或者,当前点是梯度极大值点且所述当前点的梯度值不大于前一个梯度极大值点的梯度值,利用当前点的灰度值更新所述局部灰度范围,迭代处理下一个点,将所述下一个点作为当前点。
进一步地,所示处理器还被配置用于:
在根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点之后,在根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界之前,对所述管状物的关键边缘点进行异常点对判断和同侧归类处理。
进一步地,所示处理器还被配置用于:
获取当前路径点对应的第一关键边缘点和第二关键边缘点;
获取当前路径点之前的一个路径点对应的第三关键边缘点和第四关键边缘点;
先进行异常点对判断,判断第一关键边缘点、第二关键边缘点是否在在第三关键边缘点和第四关键边缘点的构成的连线的同侧,若不在同侧则将该点对作为异常点对处理;若第一关键边缘点和第二关键边缘点均在第三关键边缘点和第四关键边缘点的同侧,则对第一类边缘点和第二类边缘点进行同侧归类处理;
若判断由所述第三关键边缘点和所述第一关键边缘点构成的直线,与所述第四关键边缘点和所述第二关键边缘点构成的直线不存在交点或者两个直线的交点在设定区域外,则确定所述第三关键边缘点和所述第一关键边缘点在管状物的同一侧,所述第四关键边缘点和所述第二关键边缘点在管状物的同一侧;
否则,确定所述第三关键边缘点和所述第二关键边缘点在管状物的同一侧,所述第四关键边缘点和所述第一关键边缘点在管状物的同一侧。
进一步地,所示处理器还被配置用于:
利用Canny算子在所述目标候选区域内对所述管状物进行边缘检测,获得检测出的Canny边缘点以及梯度值、梯度方向。
进一步地,所示处理器还被配置用于:
根据所述边缘信息、梯度信息以及零交叉点信息计算能量代价函数;
根据所述能量代价函数确定两个关键边缘点之间的最优路径。
进一步地,所示处理器还被配置用于:
判断当前路径的能量是否大于已有路径的能量;
若确定当前路径的能量不大于已有路径的能量,将当前路径作为最优路径;
若当前路径的能量大于已有路径的能量,根据所述Canny边缘信息判断所述当前路径包含的检测出的Canny边缘点的个数是否大于所述已有路径包含的检测出的Canny边缘点的个数;
若确定当前路径包含的检测出的Canny边缘点的个数大于所述已有路径包含的检测出的Canny边缘点的个数,将当前路径作为最优路径。
进一步地,所示处理器还被配置用于:
在所述管状物的边界内选取种子点,利用二维区域生长方法获得所述管状物的内部区域。
本领域技术人员可以理解的是,以上对方法和装置实施例进行了示例性说明,以上不视为对本发明的限制,本领域技术人员在不付出创造性劳动下获得的其他实现方式均属于本发明的保护范围。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。以上所述仅是本发明的具体实施方式,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。
Claims (19)
1.一种管状物分割方法,其特征在于,所述方法包括:
获取待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域;
在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息;
根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点;
根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。
2.根据权利要求1所述的方法,其特征在于,所述根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点包括:
在所述待分割管状物的路径坐标信息中选取路径点,计算所述路径点的切线方向,在所述目标候选区域内、垂直于所述切线方向的方向上从所述路径点出发的各点中,根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点。
3.根据权利要求2所述的方法,其特征在于,所述在所述待分割管状物的路径坐标信息中选取路径点,计算所述路径点的切线方向,在所述目标候选区域内、垂直于所述切线方向的方向上从所述路径点出发的各点中,根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点包括:
在所述待分割管状物的路径坐标信息中选取路径点,计算所述路径点的切线方向;
在所述目标候选区域内、垂直于所述切线方向的方向上从所述路径点出发的各点中,根据所述梯度信息获得各梯度极大值点;
在所述各点中选取一点作为当前点,判断所述当前点是否是梯度极大值点;
若所述当前点是梯度极大值点,判断所述当前点的梯度值是否大于前一个梯度极大值点的梯度值且大于后一个梯度极大值点的梯度值;
若是,根据所述边缘信息判断所述当前点是否是检测出的边缘点;
若是,确定所述当前点为管状物的关键边缘点。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若根据所述边缘信息判断所述当前点不是检测出的边缘点,判断所述当前点与所述后一个梯度极大值点之间的点的灰度值是否都不在所述局部灰度范围内;
若确定所述当前点与所述后一个梯度极大值点之间的点的灰度值均不在所述局部灰度范围内,确定所述当前点为管状物的关键边缘点;
若确定当前点与所述后一个梯度极大值点之间的点的灰度值均在所述局部灰度范围内,迭代处理下一个点,将所述下一个点作为当前点。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若确定当前点的梯度值大于前一个梯度极大值点的梯度值,且小于后一个梯度极大值点的梯度值,判断当前点与所述后一个梯度极大值点之间的点的灰度值是否在局部灰度范围内;
若确定当前点与所述后一个梯度极大值点之间的点的灰度值均不在局部灰度范围内,判断所述当前点是否是检测出的边缘点;
若是,确定所述当前点为管状物的关键边缘点。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若确定当前点不是梯度极大值点,或者,当前点是梯度极大值点且所述当前点的梯度值不大于前一个梯度极大值点的梯度值,利用当前点的灰度值更新所述局部灰度范围,迭代处理下一个点,将所述下一个点作为当前点。
7.根据权利要求1所述的方法,其特征在于,在根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界之前,所述方法还包括:
对所述管状物的关键边缘点进行异常顺序点对删除处理;以及,
对所述管状物的关键边缘点进行同侧归类处理。
8.根据权利要求7所述的方法,其特征在于,所述对所述管状物的关键边缘点进行同侧归类处理包括:
获取当前路径点对应的第一关键边缘点和第二关键边缘点;
获取当前路径点之前的一个路径点对应的第三关键边缘点和第四关键边缘点;
若判断由所述第三关键边缘点和所述第一关键边缘点构成的直线,与所述第四关键边缘点和所述第二关键边缘点构成的直线不存在交点或者两个直线的交点在设定区域外,则确定所述第三关键边缘点和所述第一关键边缘点在管状物的同一侧,所述第四关键边缘点和所述第二关键边缘点在管状物的同一侧;
否则,确定所述第三关键边缘点和所述第二关键边缘点在管状物的同一侧,所述第四关键边缘点和所述第一关键边缘点在管状物的同一侧。
9.根据权利要求1所述的方法,其特征在于,所述在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息具体为:
利用Canny算子在所述目标候选区域内对所述管状物进行边缘检测,获得检测出的Canny边缘点以及梯度值、梯度方向。
10.根据权利要求1或9所述的方法,其特征在于,所述根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界包括:
根据所述边缘信息、梯度信息以及零交叉点信息计算能量代价函数;
根据所述能量代价函数确定两个关键边缘点之间的最优路径。
11.根据权利要求10所述的方法,其特征在于,所述根据所述能量代价函数确定两个关键边缘点之间的最优路径包括:
判断当前路径的能量是否大于已有路径的能量;
若确定当前路径的能量不大于已有路径的能量,将当前路径作为最优路径;
若当前路径的能量大于已有路径的能量,根据所述边缘信息判断所述当前路径包含的检测出的Canny边缘点的个数是否大于所述已有路径包含的检测出的Canny边缘点的个数;
若确定当前路径包含的检测出的Canny边缘点的个数大于所述已有路径包含的检测出的Canny边缘点的个数,将当前路径作为最优路径。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述管状物的边界内选取种子点,利用二维区域生长方法获得所述管状物的内部区域。
13.一种管状物分割装置,其特征在于,所述装置包括:
获取单元,用于获取待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域;
边缘检测单元,用于在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息;
关键边缘点确定单元,用于根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点;
边界获得单元,用于根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。
14.根据权利要求13所述的装置,其特征在于,所述关键边缘点确定单元具体用于:
在所述待分割管状物的路径坐标信息中选取路径点,计算所述路径点的切线方向,在所述目标候选区域内、垂直于所述切线方向的方向上从所述路径点出发的各点中,根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点。
15.根据权利要求13所述的装置,其特征在于,所述装置还包括:
同侧归类单元,用于在根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界之前,对所述管状物的关键边缘点进行异常顺序点对删除处理和同侧归类处理。
16.根据权利要求13所述的装置,其特征在于,所述边缘检测单元具体用于:
利用Canny算子在所述目标候选区域内对所述管状物进行边缘检测,获得检测出的Canny边缘点以及梯度值、梯度方向。
17.根据权利要求13或16所述的装置,其特征在于,所述边界获得单元包括:
计算单元,用于根据所述边缘信息、梯度信息以及零交叉点信息计算能量代价函数;
最优路径确定单元,用于根据所述能量代价函数确定两个关键边缘点之间的最优路径。
18.根据权利要求17所述的装置,其特征在于,所述最优路径确定单元包括:
第一判断单元,用于判断当前路径的能量是否大于已有路径的能量;
第一选取单元,用于若确定当前路径的能量不大于已有路径的能量,将当前路径作为最优路径;
第二判断单元,用于若当前路径的能量大于已有路径的能量,根据所述边缘信息判断所述当前路径包含的检测出的Canny边缘点的个数是否大于所述已有路径包含的检测出的Canny边缘点的个数;
第二选取单元,用于若确定当前路径包含的检测出的Canny边缘点的个数大于所述已有路径包含的检测出的Canny边缘点的个数,将当前路径作为最优路径。
19.一种管状物分割设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待分割管状物的路径坐标信息,根据所述路径坐标信息确定与所述管状物对应的局部灰度范围以及目标候选区域;
在所述目标候选区域内对所述管状物进行边缘检测,获得边缘信息和梯度信息;
根据所述边缘信息、所述梯度信息以及所述局部灰度范围确定所述管状物的关键边缘点;
根据所述关键边缘点寻找所述关键边缘点之间的最优路径以确定所述管状物的边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510993185.5A CN105631869B (zh) | 2015-12-25 | 2015-12-25 | 一种管状物分割方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510993185.5A CN105631869B (zh) | 2015-12-25 | 2015-12-25 | 一种管状物分割方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105631869A true CN105631869A (zh) | 2016-06-01 |
CN105631869B CN105631869B (zh) | 2019-03-26 |
Family
ID=56046755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510993185.5A Active CN105631869B (zh) | 2015-12-25 | 2015-12-25 | 一种管状物分割方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105631869B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558908A (zh) * | 2018-11-28 | 2019-04-02 | 西安邮电大学 | 一种给定区域最优边缘的确定方法 |
CN112288764A (zh) * | 2020-03-03 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 图像分割方法、装置、设备及存储介质 |
CN115908310A (zh) * | 2022-11-16 | 2023-04-04 | 国网辽宁省电力有限公司超高压分公司 | U型金具边缘检测方法、装置及存储介质、电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826209A (zh) * | 2010-04-29 | 2010-09-08 | 电子科技大学 | 一种基于Canny模型的三维医学图像分割方法 |
CN103324934A (zh) * | 2013-06-19 | 2013-09-25 | 北京理工大学 | 基于平行结构检测与聚类的血管中心线自动提取方法 |
CN103455999A (zh) * | 2012-06-05 | 2013-12-18 | 北京工业大学 | 基于内超声图像序列的血管壁边缘自动检测方法 |
CN104867151A (zh) * | 2015-05-26 | 2015-08-26 | 沈阳市第四人民医院 | 一种基于延展性主动轮廓模型的眼底图像血管分割方法 |
-
2015
- 2015-12-25 CN CN201510993185.5A patent/CN105631869B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826209A (zh) * | 2010-04-29 | 2010-09-08 | 电子科技大学 | 一种基于Canny模型的三维医学图像分割方法 |
CN103455999A (zh) * | 2012-06-05 | 2013-12-18 | 北京工业大学 | 基于内超声图像序列的血管壁边缘自动检测方法 |
CN103324934A (zh) * | 2013-06-19 | 2013-09-25 | 北京理工大学 | 基于平行结构检测与聚类的血管中心线自动提取方法 |
CN104867151A (zh) * | 2015-05-26 | 2015-08-26 | 沈阳市第四人民医院 | 一种基于延展性主动轮廓模型的眼底图像血管分割方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558908A (zh) * | 2018-11-28 | 2019-04-02 | 西安邮电大学 | 一种给定区域最优边缘的确定方法 |
CN109558908B (zh) * | 2018-11-28 | 2023-04-25 | 西安邮电大学 | 一种给定区域最优边缘的确定方法 |
CN112288764A (zh) * | 2020-03-03 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 图像分割方法、装置、设备及存储介质 |
CN112288764B (zh) * | 2020-03-03 | 2024-09-20 | 北京沃东天骏信息技术有限公司 | 图像分割方法、装置、设备及存储介质 |
CN115908310A (zh) * | 2022-11-16 | 2023-04-04 | 国网辽宁省电力有限公司超高压分公司 | U型金具边缘检测方法、装置及存储介质、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105631869B (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852349B (zh) | 一种图像处理方法、检测方法、相关设备及存储介质 | |
WO2018153319A1 (zh) | 物体检测方法、神经网络的训练方法、装置和电子设备 | |
CN112561080B (zh) | 样本筛选方法、样本筛选装置及终端设备 | |
CN108830780B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN110298858B (zh) | 一种图像裁剪方法及装置 | |
US8396303B2 (en) | Method, apparatus and computer program product for providing pattern detection with unknown noise levels | |
Yuan et al. | Power histogram for circle detection on images | |
CN105631869B (zh) | 一种管状物分割方法、装置及设备 | |
CN105761206A (zh) | 点云拼接方法及系统 | |
CN111444807B (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
CN110708568B (zh) | 一种视频内容突变检测方法及装置 | |
CN112488999A (zh) | 一种图像中小目标检测方法、系统、存储介质及终端 | |
CN107169982A (zh) | 一种量子LoG边缘检测方法 | |
Peng et al. | Active contours driven by normalized local image fitting energy | |
JP2019512821A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN110598771A (zh) | 一种基于深度语义分割网络的视觉目标识别方法和装置 | |
Zafari et al. | Comparison of concave point detection methods for overlapping convex objects segmentation | |
CN110827301A (zh) | 用于处理图像的方法和装置 | |
CN114359548A (zh) | 一种圆查找方法、装置、电子设备及存储介质 | |
Xu et al. | Random-valued impulse noise removal using adaptive ranked-ordered impulse detector | |
CN102855483A (zh) | 处理超声图像的方法和装置以及乳腺癌诊断设备 | |
CN111898408B (zh) | 一种快速人脸识别方法及装置 | |
KR20150111459A (ko) | 전자현미경 영상의 입자 분할 방법 및 장치 | |
CN109213515B (zh) | 多平台下埋点归一方法及装置和电子设备 | |
CN111353039A (zh) | 文件类别检测方法和装置 |
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 |