CN106023269B - 一种估算伤口面积的方法及装置 - Google Patents

一种估算伤口面积的方法及装置 Download PDF

Info

Publication number
CN106023269B
CN106023269B CN201610320444.2A CN201610320444A CN106023269B CN 106023269 B CN106023269 B CN 106023269B CN 201610320444 A CN201610320444 A CN 201610320444A CN 106023269 B CN106023269 B CN 106023269B
Authority
CN
China
Prior art keywords
image
wound
ruler
ratio
shooting
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.)
Active
Application number
CN201610320444.2A
Other languages
English (en)
Other versions
CN106023269A (zh
Inventor
齐心
丁廉
黄文健
温冰
郭晓蕙
张珏
方竞
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.)
Peking University
Peking University First Hospital
Original Assignee
Peking University
Peking University First Hospital
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 Peking University, Peking University First Hospital filed Critical Peking University
Priority to CN201610320444.2A priority Critical patent/CN106023269B/zh
Publication of CN106023269A publication Critical patent/CN106023269A/zh
Application granted granted Critical
Publication of CN106023269B publication Critical patent/CN106023269B/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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种估算伤口面积的方法及装置，涉及医疗设备领域，所述装置包括：图像识别模块，用于对拍摄图像进行图像识别，从所述拍摄图像中识别出二维比例尺图像；比例确定模块，用于利用所识别出的二维比例尺图像，确定图像与实际尺寸的比例；图像聚类模块，用于对所述拍摄图像按照颜色进行聚类处理，得到对应于不同类型组织成分的多类伤口图像；面积计算模块，用于利用所述图像与实际尺寸的比例和所述对应于不同类型组织成分的多类伤口图像，分别估算不同组织成分的伤口面积。本发明能够自动、快速、准确地提供整个伤口及伤口不同成分的面积信息，操作简单，计算精度高。

Description

一种估算伤口面积的方法及装置
技术领域
本发明涉及医疗设备领域，特别涉及一种估算伤口面积的方法及装置。
背景技术
临床上为了评价慢性伤口治疗过程中的愈合情况，采用伤口面积这一指标作为评估伤口的重要数据。目前的面积测量方案包括直尺测量法、方格纸测量法、拍照手动测量法和自动测量法等。
直尺测量法利用直尺测量伤口的长短径，再作乘法运算测得伤口面积。该方案需接触伤口，并且误差很大。
方格纸测量法利用透明方格纸，通过对伤口包含的方格个数进行计数，确定伤口面积。该方案需接触伤口，且误差较大。
拍照手动测量法拍摄伤口照片，利用图像软件，手动分割伤口轮廓并计算面积。该方案虽然无需接触伤口，但工作量异常庞大。
自动测量法利用边缘识别等算法，自动分割伤口并计算面积。该方案工作量小，但无法识别复杂伤口，例如成分复杂、存在杂质等伤口，并会受环境亮度等拍摄环境的影响，伤口边缘识别成功率低，稳定性差。
同时，对于复杂伤口，例如包含多种颜色的伤口和/或形状分布不规则的伤口等，已有方案都不能保证伤口面积计算的准确度和精度。例如，对于有多种颜色的伤口或者包含若干小伤口的伤口，已有的自动测量方法的边缘提取算法无法识别皮肤与伤口的分界线。而伤口的颜色信息恰恰能够反应其组成成分，例如红色代表肉芽组织，黄色代表失活组织等，能够辅助判断伤口的愈合情况，尤其在伤口愈合前期。
针对以上问题，需要一种高精度、高稳定性，并能区分伤口不同成分的伤口面积的自动测量方法。
发明内容
根据本发明实施例提供的技术方案解决的技术问题是如何准确、稳定、高效地对复杂伤口的面积进行测量。
根据本发明实施例提供的估算伤口面积的装置，包括：
图像识别模块，用于对拍摄图像进行图像识别，从所述拍摄图像中识别出二维比例尺图像；
比例确定模块，用于利用所识别出的二维比例尺图像，确定图像与实际尺寸的比例；
图像聚类模块，用于对所述拍摄图像按照颜色进行聚类处理，得到对应于不同类型组织成分的多类伤口图像；
面积计算模块，用于利用所述图像与实际尺寸的比例和所述对应于不同类型组织成分的多类伤口图像，分别估算不同组织成分的伤口面积。
优选地，所述图像识别模块对所述拍摄图像进行二值化处理，得到白色连通域，对于每个白色连通域，构建一个与其像素数量相同且与二维比例尺图形形状相同的模拟比例尺区域，计算所述模拟比例尺区域与所述白色连通域之间的相似系数，并将最大相似系数对应的白色连通域识别为二维比例尺图像。
优选地，所述比例确定模块对所述二维比例尺图像的像素数量进行计算，并根据所述二维比例尺图像的像素数量和二维比例尺图形的实际面积，确定图像与实际尺寸的比例。
优选地，所述图像聚类模块从所述拍摄图像中提取Lab色彩空间的a空间信息和b空间信息，并根据所述拍摄图像的a空间信息和b空间信息，将所述拍摄图像聚类为分别对应于不同类型组织成分的伤口图像。
优选地，所述面积计算模块对每类伤口图像的像素数量进行计算，并利用所述图像与实际尺寸的比例和所述每类伤口图像的像素数量，计算每类组织成分的伤口面积。
根据本发明实施例提供的一种估算伤口面积的方法，包括：
对拍摄图像进行图像识别，从所述拍摄图像中识别出二维比例尺图像；
利用所识别出的二维比例尺图像，确定图像与实际尺寸的比例；
对所述拍摄图像按照颜色进行聚类处理，得到对应于不同类型组织成分的多类伤口图像；
利用所述图像与实际尺寸的比例和所述对应于不同类型组织成分的多类伤口图像，分别估算不同组织成分的伤口面积。
优选地，所述对拍摄图像进行图像识别，从所述拍摄图像中识别出二维比例尺图像的步骤包括：
对所述拍摄图像进行二值化处理，得到白色连通域，并计算每个白色连通域的像素数量；
对于每个白色连通域，构建一个与其像素数量相同且与二维比例尺图形形状相同的模拟比例尺区域，并计算所述模拟比例尺区域与所述白色连通域之间的相似系数；
将所得到的相似系数进行排序，并将最大相似系数对应的白色连通域识别为二维比例尺图像。
优选地，所述利用所识别出的二维比例尺图像，确定图像与实际尺寸的比例的步骤包括：
对所述二维比例尺图像的像素数量进行计算；
根据所述二维比例尺图像的像素数量和二维比例尺图形的实际面积，确定图像与实际尺寸的比例。
优选地，所述对所述拍摄图像按照颜色进行聚类处理，得到对应于不同类型组织成分的多类伤口图像的步骤包括：
从所述拍摄图像中提取Lab色彩空间的a空间信息和b空间信息；
根据所述拍摄图像的a空间信息和b空间信息，将所述拍摄图像聚类为分别对应于不同类型组织成分的伤口图像。
优选地，所述利用所述图像与实际尺寸的比例和所述对应于不同类型组织成分的多类伤口图像，分别估算不同组织成分的伤口面积的步骤包括：
对每类伤口图像的像素数量进行计算；
利用所述图像与实际尺寸的比例和所述每类伤口图像的像素数量，计算每类组织成分的伤口面积。
根据本发明实施例提供的存储介质，其存储用于实现上述估算伤口面积的方法的程序。
本发明实施例提供的技术方案具有如下有益效果：
1、本发明实施例通过图像与实际尺寸的比例，能够准确、稳定、高效地对伤口面积进行自动测量；
2、本发明实施例按照颜色对不同类型组织成分的伤口进行聚类处理，能够准确、稳定、高效地对复杂伤口的面积进行自动测量，特别是能够对不同组织成分的伤口面积进行测量；
3、本发明实施例采用的二维方格比例尺粘贴在伤口旁，不接触伤口，提高了患者舒适度；
4、本发明实施例利用提取的Lab色彩空间的a空间信息和b空间信息进行聚类，受拍摄环境(例如环境亮度)的影响小，稳定性高。
附图说明
图1是本发明实施例提供的估算伤口面积的装置框图；
图2是本发明实施例提供的估算伤口面积的方法框图；
图3是本发明实施例提供的自动计算伤口面积的流程示意图；
图4是本发明实施例所采用的二维比例尺方格示意图；
图5是本发明实施例中自动识别二维比例尺方格的流程示意图；
图6是本发明实施例中单独提取伤口的RGB通道及Lab通道的对比结果示意图；
图7是本发明实施例中设置聚类数为2时的伤口图像聚类结果示意图；
图8是本发明实施例中设置聚类数为3时的伤口图像聚类结果示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1是本发明实施例提供的估算伤口面积的装置框图，如图1所示，装置包括：
图像识别模块，用于对拍摄图像进行图像识别，从所述拍摄图像中识别出二维比例尺图像。具体地说，首先对所述拍摄图像进行二值化处理，得到白色连通域，并计算每个白色连通域的像素数量；其次，对于每个白色连通域，构建一个与其像素数量相同且与二维比例尺图形形状相同的模拟比例尺区域；然后计算所建立的模拟比例尺区域与相应的白色连通域之间的相似系数，并将最大相似系数对应的白色连通域识别为二维比例尺图像。
比例确定模块，用于利用所识别出的二维比例尺图像，确定图像与实际尺寸的比例。具体地说，首先计算所识别出的二维比例尺图像的像素数量，然后根据二维比例尺图像的像素数量和二维比例尺图形的实际面积，确定图像与实际尺寸的比例。
图像聚类模块，用于对所述拍摄图像按照颜色进行聚类处理，得到对应于不同类型组织成分的多类伤口图像。具体地说，从所述拍摄图像中提取Lab色彩空间的a空间信息和b空间信息，并根据所述拍摄图像的a空间信息和b空间信息，将所述拍摄图像聚类为分别对应于不同类型组织成分的伤口图像。
面积计算模块，用于利用所述图像与实际尺寸的比例和所述对应于不同类型组织成分的多类伤口图像，分别估算不同组织成分的伤口面积。具体地说，对每类伤口图像的像素数量进行计算，并利用所述图像与实际尺寸的比例和所述每类伤口图像的像素数量，计算每类组织成分的伤口面积。
本实施例的估算伤口面积的装置，对伤口的原始照片(即拍摄图像)进行分析并计算，图3是本发明实施例提供的自动计算伤口面积的流程示意图，具体包括以下步骤：
步骤1、将二维比例尺贴在伤口旁(不遮挡伤口)，拍摄包含二维比例尺的伤口图像(即拍摄图像)，二维比例尺可以为任意形状图形，优选规则形状，以下以边长为1厘米的方格形状的二维比例尺为例。
其中，二维比例尺大小无限制，但为了临床使用方便，优选边长为1-2厘米的方格，以粘贴方便，如图4所示的二维比例尺方格示意图。
步骤2、将伤口图像中的比例尺识别出来，并获得图像与真实尺寸(即实际尺寸)的比例，如图3所示的自动识别二维比例尺方格的流程示意图。
步骤a1.将图像二值化，获得所有的白色连通域。
在实际应用中，得到的白色连通域的形状多为不规则形状，本实施例为便于说明以规则形状举例说明，如图中所示的三角形白色连通域、方形白色连通域、五边形白色连通域、圆形白色连通域。
本实施例采用的方格比例尺为典型的白色连通域，经过二值化后，将和伤口图像中的其他连通域被共同保留。
步骤a2.对步骤a1处理后留下的每个白色连通域，建立与其像素点个数相同的方格(即模拟比例尺区域)，并且将该方格中心与连通域的中心重叠，如图中所示的分别于各个连通域的中心向重叠的虚线方格；之后，旋转所建立的方格，如图中所示的向逆时针方向旋转，并计算在旋转360°过程中，方格与连通域的最大相似系数。
其中，连通域中心为连通域所有像素位置坐标的平均值。
相似系数计算公式为：
其中，A表示方格的像素点集合，B表示连通域的像素点集合，表示像素点个数的势函数，r为相似系数。相似系数r代表了区域A和区域B重叠部分占区域A的比例，r越大，重合越多，越相似。
步骤a3.选出相似系数最大的连通域，如图中所示的方形白色连通域，该连通域即为伤口图像上的方格比例尺，即方形的二维比例尺，识别完成。
步骤3.计算图像与实际尺寸的比例。
计算出方格所包含的像素点个数n，由于方格的真实尺寸为1cm2，故图像与真实尺寸的比例R＝1/n，即每个像素点的面积大小为R平方厘米。
步骤4.提取伤口图像在Lab色彩空间内的a和b空间的信息，以作之后步骤5的计算。
步骤5.输入聚类数N，根据步骤4获得的a和b空间的信息，利用聚类算法，将整个伤口图像分成N类，并计算每一类伤口图像的像素点个数M1，M2，……。
本实施例放弃前人采用的轮廓识别方法而采取聚类的方法，具体地说，设置不同的聚类数N，N根据伤口图像的实际情况选取，如伤口图像包含红色肉芽组织，黄色失活组织及皮肤组织三种组织时，N可选取为3，从而在已区分皮肤和伤口的基础上，进一步获得伤口中的不同颜色信息。由于伤口的颜色信息恰恰能够反应其组成成分，因此，本实施例能够获得伤口中不同组成成分的伤口面积。
其中，聚类算法可采用K均值算法(K-means Clustering)、最大期望算法(Expectation Maximization Algorithm)、K最近邻算法(k-Nearest NeighborAlgorithm)等，以K均值算法为例，将M个样本{x1,…,xM}划分到N个类{C1,…,CN}中，最小化评分函数J如下：
其中，c1,…,cN是C1,…,CN的质心，是划分到类Cj的样本。算法流程如下：
步骤b1.随机选择N个样本点作为N个初始质心c1,…,cN；
步骤b2.按距离最近原则，将所有样本划分到以质心c1,…,cN为代表的N个类中；
步骤b3.重新计算N个类的质心c1,…,cN；
步骤b4.重复步骤b2和步骤b3，直到质心c1,…,cN无改变或目标函数J(c1,…,cN)不减小。
以聚类数N＝2为例，此时可以通过执行上述算法将M个像素点{x1(a1,b1),…xi(ai,bi),…,xM(aM,bM)}划分到2个类{C1,C2}中，其中ai和bi分别为像素点xi的a空间信息和b空间信息。具体聚类步骤包括：
步骤d1.从M个像素点中随机选择2个像素点作为初始聚类中心(即初始质心)。
步骤d2.对于任意一个像素点，计算该像素点与所述2个初始聚类中心之间的距离，并将该像素点分配给距离其最近的初始聚类中心，重复该步骤，直至所有像素点分配完成，从而形成2个聚类，每个聚类包含一个作为初始聚类中心的像素点和分配到的其它像素点，计算最小化评分函数J(c1,c2)。
步骤d3.根据所形成的聚类中的现有的像素点，重新选取每个聚类的聚类中心(即质心)。
例如，可以将聚类中所有像素点的均值作为质心，也可以采用其它方式计算并确定质心。
步骤d4.重复步骤d2和步骤d3，直至所形成的2个聚类中心无改变或目标函数J(c1,c2)不减小。
步骤6.根据步骤3中获得的图像与真实尺寸的比例R(即每个像素点的面积大小为R平方厘米)，结合步骤5获得的每一类伤口的像素个数M1，M2……，自动计算输出各类伤口的真实面积，公式如下：面积S＝M*R，即分别将每一类伤口的像素个数M乘以每个像素点的面积大小R，得到每一类伤口的面积。
由此可知：
1、本实施例通过自动识别二维比例尺获得照片(即图像)与真实尺寸的比例关系，进而提取出伤口原图在a和b空间内的图像，并利用聚类算法，聚类出伤口的各成分及皮肤的图像，从而实现自动计算伤口面积；
2、本实施例放弃了前人采用的轮廓识别方法而采取聚类的方法，通过设置不同的聚类数N，可以根据伤口的颜色将伤口图像分为N类，从而在已区分皮肤和伤口的基础上，进一步获得伤口中的不同颜色信息，并计算伤口中不同成分的伤口面积；
3、本方法提取伤口图像在Lab色彩空间内的信息时，放弃L明度信息，而采用a和b空间的信息，从而提高了步骤6中处理不同光强下拍摄的伤口图像的稳定性，并且能够减去(即消除)伤口照片中的杂质信息，例如线头、纱布等图像，易于操作；
4、由于伤口为二维图形，本方法放弃了前人所采用的一维刻度尺，而是通过识别二维比例尺，使得在不同角度拍摄伤口时，二维比例尺畸变的影响能够与伤口的畸变抵消，从而大大减小测量误差，提高了测量精度。
图2是本发明实施例提供的估算伤口面积的方法框图，如图2所示，步骤包括：
步骤S101：对拍摄图像进行图像识别，从所述拍摄图像中识别出二维比例尺图像。
具体地说，对所述拍摄图像进行二值化处理，得到白色连通域，并计算每个白色连通域的像素数量；对于每个白色连通域，构建一个与其像素数量相同且与二维比例尺图形形状相同的模拟比例尺区域，并计算所述模拟比例尺区域与所述白色连通域之间的相似系数；将所得到的相似系数进行排序，并将最大相似系数对应的白色连通域识别为二维比例尺图像。
其中，所述计算所述模拟比例尺区域与所述白色连通域之间的相似系数的步骤包括：将所述白色连通域的中心与所述模拟比例尺区域的中心重叠，并旋转所述模拟比例尺区域，在旋转所述模拟比例尺区域期间，计算所述模拟比例尺区域与所述白色连通域的重叠部分的最大比例，并将所述最大比例作为所述模拟比例尺区域与所述白色连通域之间的相似系数。
其中，对于某一白色连通域，求取该白色连通域内所有像素的位置平均值作为该白色连通域的中心。
例如，在伤口旁粘贴的二维比例尺图像形状为圆形，图像识别模块通过对拍摄图像进行二值化处理，得到3个白色连通域A、B、C，并计算得到3个白色连通域A、B、C的像素数量为a、b、c。对于白色连通域A，建立一个具有a个像素的圆形的模拟比例尺区域A1，同样地，对于白色连通域B和C，分别建立相应的具有b个像素的圆形的模拟比例尺区域B1和具有c个像素的圆形的模拟比例尺区域C1。以白色连通域A为例，将白色连通域A的中心与模拟比例尺区域A1的中心重叠，并旋转所述模拟比例尺区域A1，在旋转所述模拟比例尺区域A1期间，计算所述模拟比例尺区域A1与白色连通域A的重叠部分的比例P1，并将最大比例作为模拟比例尺区域A1与白色连通域A之间的相似系数P1max,通过同样的方式能够分别得到模拟比例尺区域B1与白色连通域B之间的相似系数P2max和模拟比例尺区域C1与白色连通域C之间的相似系数P3max。假设P1max>P3max>P2max,则将P1max对应的白色连通域A确定为二维比例尺图像。
步骤S102：利用所识别出的二维比例尺图像，确定图像与实际尺寸的比例。
具体地说，计算二维比例尺图像的像素数量，并根据所述二维比例尺图像的像素数量和二维比例尺图形的实际面积，确定图像与实际尺寸的比例，得到每像素对应的实际面积。
例如，二维比例尺图像的像素数量为a,圆形二维比例尺的实际面积为1cm2，则能够确定图像上每个像素对应的实际面积为1/a。
步骤S103：对所述拍摄图像按照颜色进行聚类处理，得到对应于不同类型组织成分的多类伤口图像。
具体地说，从所述拍摄图像中提取Lab色彩空间的a空间信息和b空间信息，并根据所述拍摄图像的a空间信息和b空间信息，将所述拍摄图像聚类为分别对应于不同类型组织成分的伤口图像。也就是说，本实施例基于提取出的伤口原图在Lab色彩空间内的a跟b空间的图像进行聚类，采用聚类算法，设置聚类数量N，将伤口图像分为N类，N不小于2且为整数，N对应不同类型的组织成分。其中，聚类数量可以根据伤口情况，由医护人员确定并作为输入量。
例如，当伤口包括红色肉芽组织和黄色失活组织时，可以将聚类数量设置为3，通过聚类算法，即可分别得到正常皮肤图像、肉芽组织图像和失活组织图像。
步骤S104：利用所述图像与实际尺寸的比例和所述对应于不同类型组织成分的多类伤口图像，分别估算不同组织成分的伤口面积。
具体地说，分别计算每类伤口图像的像素数量，并利用所述图像与实际尺寸的比例和所述每类伤口图像的像素数量，计算每类组织成分的伤口面积。
例如，确定失活组织图像后，计算该失活组织图像的像素数量n，由于每个像素对应的实际面积为1/a，则能够计算该失活组织图像的面积S＝n/a。
本实施例将二维比例尺贴在伤口旁，不遮挡伤口，再拍摄伤口图像，须包含二维比例尺，进而提取出伤口原图在Lab色彩空间内的a跟b空间的图像，并采用聚类算法，设置聚类数N，将伤口图像分为N类，N不小于2且为整数，N对应不同类型的组织成分，根据比例关系，计算伤口面积。
本实施例能够克服现有伤口面积测量技术的如下不足：无法测量复杂伤口；受拍摄环境影响，稳定性差；无法提供伤口不同成分的面积。其能够对伤口面积进行自动测量，能够在保证测量精度的前提下，提高对复杂伤口识别的稳定性，区分伤口的不同成分，并能够自动测量并计算的伤口面积。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，该程序在执行时，包括步骤S101至步骤S104。其中，所述的存储介质可以为ROM/RAM、磁碟、光盘等。
下面结合附图3至图8对作进一步说明。
如图3所示，本实施例的估算伤口面积的方法，能够对包含伤口的原始图像进行分析，包括以下步骤：
步骤1.将比例尺方格贴在伤口旁(不遮挡伤口)，所采用的二维方格比例尺如图4所示，比例尺上绘有边长为1cm方格，作为自动识别比例尺。
步骤2.拍摄伤口图像(须包含比例尺)。
步骤3.将伤口图像中的比例尺识别出来，并获得图像与真实尺寸的比例，如图5所示。
步骤4.提取伤口图像在Lab色彩空间内的a和b空间的信息，以作之后的计算使用。
步骤5.输入聚类数N＝2，将整个伤口图像分成2类，并获得每一类伤口的像素个数。
步骤6.根据步骤3中获得的图像与真实尺寸的比例，结合步骤5获得的每一类伤口的像素个数，计算输出各类伤口的真实面积。
本实施例的步骤4中提取伤口图像中Lab色彩空间内的a和b空间的信息，而放弃了L明度信息，能够提高步骤5中处理不同光强下拍摄的伤口图像的稳定性，并且能够减去伤口照片中的杂质信息(如线头、纱布)。
也就是说，本发明将二维比例尺贴在伤口旁(不遮挡伤口)；拍摄伤口图像(须包含比例尺)；将伤口图像中的二维比例尺识别出来；提取伤口图像在Lab色彩空间内的a跟b空间的信息，以作之后的计算；输入聚类数N，将整个伤口图像分成N类，N对应不同类型的组织成分；根据识别二维比例尺后获得图像与真实尺寸的比例，结合每类伤口图像的像素个数，计算输出各类的真实面积。
图6是本发明实施例中单独提取伤口的RGB通道及Lab通道的对比结果示意图，如图6所示，该图以一典型伤口图像为例，分别提取RGB每个通道及Lab每个通道后的伤口图像进行分析对比，该图能够验证本实施例所采用的提取a和b通道的方案能够抵抗(消减或消除)伤口上未清理线头的干扰。图6中，第一行为伤口原图，圆圈中为未清理的黑色线头。第二行为RGB三通道结果，第三行为Lab三通道结果，从对比结果示意图中可以直观地看出，在a和b通道的图像中，线头信息已被去除。
本实施例的步骤5中，可以设置聚类数N＝2。当伤口图像包含红色肉芽组织及皮肤组织两种组织时，便能够区分出皮肤和伤口两种组织。
图7是本发明实施例中设置聚类数为2时的伤口图像聚类结果示意图，如图7所示，该图以1幅典型伤口为例，设置聚类数N＝2的计算结果。图7中，a图为伤口原图，该伤口主要由肉芽组织组成，没有其他成分。设置聚类数N＝2，即可区分皮肤及伤口两类图像，从而获得伤口图像(即b图)，并进一步计算伤口面积。
本实施例的步骤5中，可以设置聚类数N＝3。当伤口图像包含红色肉芽组织，黄色失活组织及皮肤组织三种组织时，便能够在区分皮肤和伤口的基础上，进一步获得伤口中的不同颜色信息。由于伤口的颜色信息恰恰能够反应其组成成分，因此，本方法能够获得伤口中不同成分的面积，即能够获得红色肉芽组织的面积和黄色失活组织的面积。
图8是本发明实施例中设置聚类数为3时的伤口图像聚类结果示意图，如图8所示，该图以一组典型伤口为例，设置聚类数N＝3的测量结果。图8中，a为伤口原图，该伤口中包含肉芽组织(b图，红色)及失活组织(c图，黄色)。通过设计聚类数N＝3，能够区分出皮肤以及伤口中的肉芽组织和失活组织。
在临床实际应用中，医生能够根据伤口情况输入不同的聚类数N，从而获得伤口更为全面的临床信息。
综上所述，本发明的实施例具有以下技术效果：
本发明的实施例能够自动识别二维比例尺，并聚类出伤口的各成分及皮肤的图像，无需人工操作，同时对伤口杂质及拍摄光强不敏感，大大减少测量的工作量，并能够快速且准确地提供整个伤口及伤口不同成分的面积信息，易于操作且具有较高的精度，从而对评价慢性伤口的恢复情况有重要的意义。
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (10)

1.一种估算伤口面积的装置，其特征在于，包括：
用于对伤口进行拍摄，得到含有比例尺的伤口拍摄图像的拍摄装置；
图像识别模块，用于对含有比例尺的伤口拍摄图像进行图像识别，从所述含有比例尺的伤口拍摄图像中识别出二维比例尺图像；
比例确定模块，用于利用所识别出的二维比例尺图像，确定图像与实际尺寸的比例；
图像聚类模块，用于对所述伤口拍摄图像按照颜色进行聚类处理，将所述伤口拍摄图像聚类为分别对应于不同类型组织成分的多类伤口图像；
面积计算模块，用于利用所述图像与实际尺寸的比例和所述对应于不同类型组织成分的多类伤口图像，分别估算不同组织成分的伤口面积。
2.根据权利要求1所述的装置，其特征在于，所述图像识别模块对所述拍摄图像进行二值化处理，得到白色连通域，对于每个白色连通域，构建一个与其像素数量相同且与二维比例尺图形形状相同的模拟比例尺区域，计算所述模拟比例尺区域与所述白色连通域之间的相似系数，并将最大相似系数对应的白色连通域识别为二维比例尺图像。
3.根据权利要求1或2所述的装置，其特征在于，所述比例确定模块对所述二维比例尺图像的像素数量进行计算，并根据所述二维比例尺图像的像素数量和二维比例尺图形的实际面积，确定图像与实际尺寸的比例。
4.根据权利要求1所述的装置，其特征在于，所述图像聚类模块从所述伤口拍摄图像中提取Lab色彩空间的a空间信息和b空间信息，并根据所述伤口拍摄图像的a空间信息和b空间信息，将所述伤口拍摄图像聚类为分别对应于不同类型组织成分的多类伤口图像。
5.根据权利要求1所述的装置，其特征在于，所述面积计算模块对每类伤口图像的像素数量进行计算，并利用所述图像与实际尺寸的比例和所述每类伤口图像的像素数量，计算每类组织成分的伤口面积。
6.一种估算伤口面积的方法，其特征在于，包括：
对伤口进行拍摄，得到含有比例尺的伤口拍摄图像；
对含有比例尺的伤口拍摄图像进行图像识别，从所述含有比例尺的伤口拍摄图像中识别出二维比例尺图像；
利用所识别出的二维比例尺图像，确定图像与实际尺寸的比例；
对所述伤口拍摄图像按照颜色进行聚类处理，将所述伤口拍摄图像聚类为分别对应于不同类型组织成分的多类伤口图像；
利用所述图像与实际尺寸的比例和所述对应于不同类型组织成分的多类伤口图像，分别估算不同组织成分的伤口面积。
7.根据权利要求6所述的方法，其特征在于，所述对拍摄图像进行图像识别，从所述拍摄图像中识别出二维比例尺图像的步骤包括：
对所述拍摄图像进行二值化处理，得到白色连通域，并计算每个白色连通域的像素数量；
对于每个白色连通域，构建一个与其像素数量相同且与二维比例尺图形形状相同的模拟比例尺区域，并计算所述模拟比例尺区域与所述白色连通域之间的相似系数；
将所得到的相似系数进行排序，并将最大相似系数对应的白色连通域识别为二维比例尺图像。
8.根据权利要求6或7所述的方法，其特征在于，所述利用所识别出的二维比例尺图像，确定图像与实际尺寸的比例的步骤包括：
对所述二维比例尺图像的像素数量进行计算；
根据所述二维比例尺图像的像素数量和二维比例尺图形的实际面积，确定图像与实际尺寸的比例。
9.根据权利要求6所述的方法，其特征在于，所述对所述拍摄的伤口图像按照颜色进行聚类处理，得到对应于不同类型组织成分的多类伤口图像的步骤包括：
从所述伤口拍摄图像中提取Lab色彩空间的a空间信息和b空间信息；
根据所述伤口拍摄图像的a空间信息和b空间信息，将所述伤口拍摄图像聚类为分别对应于不同类型组织成分的伤口图像。
10.根据权利要求6所述的方法，其特征在于，所述利用所述图像与实际尺寸的比例和所述对应于不同类型组织成分的多类伤口图像，分别估算不同组织成分的伤口面积的步骤包括：
对每类伤口图像的像素数量进行计算；
利用所述图像与实际尺寸的比例和所述每类伤口图像的像素数量，计算每类组织成分的伤口面积。
CN201610320444.2A 2016-05-16 2016-05-16 一种估算伤口面积的方法及装置 Active CN106023269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610320444.2A CN106023269B (zh) 2016-05-16 2016-05-16 一种估算伤口面积的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610320444.2A CN106023269B (zh) 2016-05-16 2016-05-16 一种估算伤口面积的方法及装置

Publications (2)

Publication Number Publication Date
CN106023269A CN106023269A (zh) 2016-10-12
CN106023269B true CN106023269B (zh) 2019-03-22

Family

ID=57097185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610320444.2A Active CN106023269B (zh) 2016-05-16 2016-05-16 一种估算伤口面积的方法及装置

Country Status (1)

Country Link
CN (1) CN106023269B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI617281B (zh) * 2017-01-12 2018-03-11 財團法人工業技術研究院 傷口狀態分析方法與系統
CN106691821A (zh) * 2017-01-20 2017-05-24 中国人民解放军第四军医大学 一种伤口局部给氧式红外快速愈合装置
CN109035254A (zh) * 2018-09-11 2018-12-18 中国水产科学研究院渔业机械仪器研究所 基于改进K-means聚类的运动鱼体阴影去除及图像分割方法
CN109584999A (zh) * 2018-11-27 2019-04-05 广东智源信息技术有限公司 一种基于图片识别的法医伤情鉴定创伤智能鉴别方法
CN110021011A (zh) * 2019-03-15 2019-07-16 横店集团东磁有限公司 一种检测芯片画胶面积的方法
CN111420255A (zh) * 2020-03-19 2020-07-17 德阳市人民医院 一种避免创口二次感染的妇科护理用上药装置
CN111523507A (zh) * 2020-05-07 2020-08-11 上海伽盒人工智能科技有限公司 人工智能伤口评估面积测算方法及装置
CN111938567B (zh) * 2020-07-09 2021-10-22 上海交通大学 基于深度学习的眼科参数测量方法、系统及设备
CN112053349A (zh) * 2020-09-03 2020-12-08 重庆市公安局沙坪坝区分局 一种用于法医鉴定的伤情图像处理方法
CN113303787B (zh) * 2021-03-12 2023-09-29 复旦大学附属中山医院 基于红外成像技术的压疮伤口检测计算系统
CN113995435A (zh) * 2021-10-25 2022-02-01 上海杏脉信息科技有限公司 基于超声图像的测量设备、方法、介质及电子设备
CN114627067B (zh) * 2022-03-08 2024-06-21 中南大学湘雅医院 一种基于图像处理的伤口面积测量及辅助诊疗方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2828785A1 (en) * 2011-03-24 2012-09-27 Robert Strohal Device and method for determining a skin inflammation value
CN103839283A (zh) * 2014-03-11 2014-06-04 浙江省特种设备检验研究院 一种小型不规则物体的面积周长无损测量方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2828785A1 (en) * 2011-03-24 2012-09-27 Robert Strohal Device and method for determining a skin inflammation value
CN103839283A (zh) * 2014-03-11 2014-06-04 浙江省特种设备检验研究院 一种小型不规则物体的面积周长无损测量方法

Also Published As

Publication number Publication date
CN106023269A (zh) 2016-10-12

Similar Documents

Publication Publication Date Title
CN106023269B (zh) 一种估算伤口面积的方法及装置
CN106030661B (zh) 视野独立的3d场景纹理化背景
WO2021000423A1 (zh) 一种生猪体重测量方法及装置
CN105066877B (zh) 基于智能终端镜头的树木测量方法
CN109816724A (zh) 基于机器视觉的三维特征提取方法及装置
Gonsamo et al. The computation of foliage clumping index using hemispherical photography
CN106296695A (zh) 基于显著性的自适应阈值自然目标图像分割抽取算法
CN105513086B (zh) 一种教育玩具套件及其基于形状匹配的魔方检测定位方法
CN108665472A (zh) 点云分割的方法和设备
CN107578376A (zh) 基于特征点聚类四叉划分和局部变换矩阵的图像拼接方法
CN103544492B (zh) 基于深度图像三维曲面几何特征的目标识别方法和装置
CN105139007B (zh) 人脸特征点定位方法和装置
Qu et al. Preliminary study on integrated wireless smart terminals for leaf area index measurement
CN107024187A (zh) 一种基于数码相机图像的叶面积测量方法
CN109272546A (zh) 一种鱼苗长度测量方法及系统
CN106996757A (zh) 一种基于数码相机图像的叶面积测量方法
CN111079773A (zh) 一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质
CN112465893A (zh) 一种植被叶片面积测量方法、装置、终端及存储介质
CN111879735A (zh) 一种基于图像的大米外观品质检测方法
CN115170629A (zh) 一种伤口信息获取方法、装置、设备及存储介质
CN110443802A (zh) 图像检测方法和装置、设备及存储介质
CN106886754B (zh) 一种基于三角面片的三维场景下的物体识别方法及系统
CN110610438B (zh) 一种农作物冠层叶柄夹角计算方法及系统
CN109118484A (zh) 一种基于机器视觉的获取植被覆盖度和叶面积指数的方法
CN103049754B (zh) 社交网络的图片推荐方法和装置

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