CN106056166B - 一种胶囊内窥镜相似图像的自适应筛除方法 - Google Patents

一种胶囊内窥镜相似图像的自适应筛除方法 Download PDF

Info

Publication number
CN106056166B
CN106056166B CN201610503508.2A CN201610503508A CN106056166B CN 106056166 B CN106056166 B CN 106056166B CN 201610503508 A CN201610503508 A CN 201610503508A CN 106056166 B CN106056166 B CN 106056166B
Authority
CN
China
Prior art keywords
image
sequence
similarity
capsule endoscope
formula
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
CN201610503508.2A
Other languages
English (en)
Other versions
CN106056166A (zh
Inventor
王海雷
孙丙宇
李文波
吴雪莲
查文文
张颖
余超彪
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.)
ANHUI HUANGSHAN CAPSULE CO LTD
Hefei Technology Innovation Engineering Institute of CAS
Original Assignee
ANHUI HUANGSHAN CAPSULE CO LTD
Hefei Technology Innovation Engineering Institute of CAS
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 ANHUI HUANGSHAN CAPSULE CO LTD, Hefei Technology Innovation Engineering Institute of CAS filed Critical ANHUI HUANGSHAN CAPSULE CO LTD
Priority to CN201610503508.2A priority Critical patent/CN106056166B/zh
Publication of CN106056166A publication Critical patent/CN106056166A/zh
Application granted granted Critical
Publication of CN106056166B publication Critical patent/CN106056166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Abstract

本发明公开了一种胶囊内窥镜相似图像的自适应筛除方法，步骤包括：首先将所有原始图像按照时间顺序分割成若干子图像序列；并对子图像序列进行采样，计算采样序列中两张相邻图像的相似度，并筛除相似图像，最后将剩余的图像作为筛选后的图像输出。与现有技术相比，本发明的胶囊内窥镜相似图像的自适应筛除方法充分考虑了胶囊内窥镜相似图像的时间相关性和结构相关性，采用结构相似度作为胶囊内窥镜图像相似程度的度量，相比于其它方法具有更高的准确性，并有效降低了胶囊内窥镜图像的数量级，方便医生诊断分析。

Description

一种胶囊内窥镜相似图像的自适应筛除方法
技术领域
本发明涉及的是数字图像处理的技术领域，尤其涉及的是一种胶囊内窥镜相似图像的自适应筛除方法。
背景技术
目前的胶囊内窥镜产品，每秒拍摄的图像数量(fps)在2～30之间，最大时长达到8小时。取fps为16计算，每次胶囊内窥镜检查过程共拍摄16×60×60×8＝460800张图像。如果不进行任何处理，医生必须在这个将近50万张的图像集里逐张检查分析，以得出诊断结果。这一过程不仅费时费力，而且医生在视觉疲劳时可能会错过有异常的病灶图像从而漏诊。另外，随着技术的发展，胶囊内窥镜视频图像的数量将持续增大，相应地，医生的诊断工作量也会增大，因此，诊断效率和诊断正确率都会进一步降低。随着医学影像处理技术的发展，利用计算机技术和图像处理技术来辅助医学诊断变得越来越重要。
经过研究胶囊内窥镜技术的临床诊断过程发现，胶囊内窥镜图像具有一个显著特征，那就是存在大量的相似图像；另外，由于胶囊在人体内不同部位的移动速度不同，导致在不同时间段内出现的相似图像数量也不同。因此，如何结合胶囊内窥镜图像的这个特点，利用数字图像处理技术，设计出一种胶囊内窥镜相似图像的筛除方法和系统具有重要的应用价值。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种胶囊内窥镜相似图像的自适应筛除方法，以降低医生的诊断工作量，提高诊断效率和诊断正确率。
本发明是通过以下技术方案实现的：
本发明提供了一种胶囊内窥镜相似图像的自适应筛除方法，包括以下步骤：
步骤S1：将所有原始图像按照时间顺序分割成若干子图像序列；
步骤S2：取步骤S1中的一个子图像序列作为当前待处理的图像序列P：
P{P1，P2，...，PN}
式中，N为序列P中图像的数量；
步骤S3：以采样间隔T对序列P进行采样，得到采样序列PT：
式中，T1＝1；Ti+1＝Ti+T，i＝1，2，…·m-1；m＝N/T取整；
此时，P用区间表示为：
步骤S4：对PT中的两张相邻图像计算相似度
步骤S5：筛除相似图像，具体为：
步骤S501：如果不小于0.9，表明两张图像极为相似，则判定该抽样间隔中的图像序列全部相似，因此只需保留一张图像就可以；具体处理方法是在待处理图像序列P中，将位于区间中的图像全部移除，仅保留否则进行步骤S502；
步骤S502：如果不小于0.8，表明两张图像大体相似，则判定该抽样间隔中的图像序列发生缓慢变化，此时保留一半图像；具体处理方法是在待处理图像序列P中，对位于区间中的图像，每隔一张图像移除一张图像，即移除的图像序列为式中，J为T/2取整；否则进行步骤S503；
步骤S503：如果不小于0.7，表明两张图像相似度很低，则判定该抽样间隔中的图像序列发生较大变化，此时对区间中的图像，以fps为间隔，依次移除相应的图像，即移除的图像序列为式中，K为T/fps取整，否则不移除该区间任何图像，所述fps为胶囊内窥镜每秒拍摄的图像数量；
步骤S504：如果小于0.7，表明两张图像相似度极低，则判定该抽样间隔中的图像序列全部不同，此时所有图像序列都需保留，因此不做处理；
步骤S6：如果步骤S4中的相似度没有计算完，则i＝i+1，执行步骤S4；否则进行步骤S7；
步骤S7：当前待处理的图像序列筛选完成，继续下一待处理的图像序列筛选，直至所有图像序列筛选完成后，保存剩下的图像，作为筛选后的图像输出；
所述步骤4中，相似度的计算方法采用结构相似度算法，包括以下步骤：
步骤S401：比较两张相邻图像的亮度相似度：
式中，X，Y表示进行比较的两张图像；μX、μY分别表示X、Y图像的均值，均值是衡量图像整体亮度的指标；C1＝(K1L)2，K1，L为常数，一般取K1＝0.01，L＝255；
步骤S402：比较两张相邻图像的对比度相似度：
式中，σX、σY表示X、Y图像的标准差，标准差是衡量图像整体对比度的指标；C2＝(K2L)2，K2为常数，一般取K2＝0.03；
步骤S403：比较两张相邻图像的结构相似度：
式中：σXY表示图像X和Y的协方差，协方差是衡量两张图像相似性的指标；C3＝C2/2；
步骤S404：计算相似度为：
进一步地，由于胶囊内窥镜拍摄完一张图像后，其内部的数字图像处理模块会对图像命名和编号，其命名中会包含拍摄时间信息，其编号也是以时间为顺序进行的，且每张原始图像对应一个唯一的序列号，因此，所述步骤1中，也可以将原始图像直接按照序列号顺序或命名顺序分割成若干子图像序列。
进一步地，所述步骤3中，采样间隔T为fps的3～5倍。
本发明相比现有技术具有以下优点：本发明提供了一种胶囊内窥镜相似图像的自适应筛除方法，该方法用于筛除胶囊内窥镜图像中的相似图像，从而降低图像数量级，方便医生诊断分析。该方法充分考虑了胶囊内窥镜相似图像的时间相关性和结构相关性，采用结构相似度作为胶囊内窥镜图像相似程度的度量，相比于其它方法具有更高的准确性；采用抽样计算的方法，减小了计算次数，缩短了处理时间；采用分段阈值的判断方法，兼顾了筛选质量和筛选效率，易于实现和扩展。
附图说明
图1为胶囊内窥镜相似图像的自适应筛除方法的步骤流程图；
图2为结构相似度算法的步骤流程图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供的一种胶囊内窥镜相似图像的自适应筛除方法，如图1～2所示，包括以下步骤：
步骤S1：将所有原始图像按照时间顺序分割成若干子图像序列；这里的原始图像是从佩戴在受检者身上的图像接收装置读取到计算机内的，一般图像接收装置是通过SD卡的形式存储接收图像，每张原始图像对应一个唯一的序列号，所以只需将SD卡与计算机连接，就可以读取到原始图像的所有序列；胶囊内窥镜拍摄完一张图像之后，其内部的数字图像处理模块会对图像命名并传输到图像接收装置，其命名中也会包含拍摄时间信息，因此也可以通过图像的名称来进行分割；
步骤S2：取步骤S1中的一个子图像序列作为当前待处理的图像序列P：
P＝{P1，P2，…，PN}
式中，N为序列P中图像的数量；
步骤S3：以采样间隔T对序列P进行采样，得到采样序列PT：
式中，T1＝1；Ti+1＝Ti+T，i＝1，2，…·m-1；m＝N/T取整；
这时，序列P被序列PT分成m段，用区间来表示每段中的图像序列，则第i段可表示为第m段为所以，P可以这样表示：
采样间隔T的大小取决于具体的胶囊内窥镜每秒拍摄的图像数量fps，一般选择T等于3～5倍的fps；
步骤S4：对PT中的两张相邻图像计算相似度即表示与的相似度，所述相似度采用结构相似度算法的流程如图2所示，具体为；
步骤S401：比较两张相邻图像和的亮度相似度：
式中，X，Y表示进行比较的两张图像和μX、μY分别表示X、Y图像的均值，均值是衡量图像整体亮度的指标；C1＝(K1L)2，一般取K1＝0.01，L＝255；
步骤S402：比较两张相邻图像和的对比度相似度：
式中，σX、σY表示X、Y图像的标准差，标准差是衡量图像整体对比度的指标；C2＝(K2L)2，一般取K2＝0.03；
步骤S403：比较两张相邻图像和的结构相似度：
式中：σXY表示图像X和Y的协方差，协方差是衡量两张图像相似性的指标；C3＝C2/2；
步骤S404：计算两张相邻图像和的相似度为：
步骤S5：筛除相似图像，具体为：
步骤S501：如果不小于0.9，表明两张图像极为相似，则判定该抽样间隔中的图像序列全部相似，因此只需保留一张图像就可以；具体处理方法是在待处理图像序列P中，将位于区间中的图像全部移除，仅保留否则进行步骤S502；
步骤S502：如果不小于0.8，表明两张图像大体相似，则判定该抽样间隔中的图像序列发生缓慢变化，此时保留一半图像；具体处理方法是在待处理图像序列P中，对位于区间中的图像，每隔一张图像移除一张图像，即移除的图像序列为式中，J为T/2取整；否则进行步骤S503；
步骤S503：如果不小于0.7，表明两张图像相似度很低，则判定该抽样间隔中的图像序列发生较大变化，此时对区间中的图像，以fps为间隔，依次移除相应的图像，即移除的图像序列为式中，K为T/fps取整，否则不移除该区间任何图像，所述fps为胶囊内窥镜每秒拍摄的图像数量；
步骤S504：如果小于0.7，表明两张图像相似度极低，则判定该抽样间隔中的图像序列全部不同，此时所有图像序列都需保留，因此不做处理；
步骤S6：如果步骤S4中的相似度没有计算完，则i＝i+1，执行步骤S4；否则进行步骤S7；
步骤S7：当前待处理的图像序列筛选完成，保存剩下的图像；如果存在下一个待处理图像序列，则将其作为当前待处理的图像序列，重复上述S2-S7的过程，待全部图像序列筛选完成，将保存的图像作为筛选后的图像序列输出。

Claims (3)

1.一种胶囊内窥镜相似图像的自适应筛除方法，其特征在于，包括以下步骤：
步骤S1：将所有原始图像按照时间顺序分割成若干子图像序列；
步骤S2：取步骤S1中的一个子图像序列作为当前待处理的图像序列P：
P＝{P1，P2，...，PN}
式中，N为序列P中图像的数量；
步骤S3：以采样间隔T对序列P进行采样，得到采样序列PT：
式中，T1＝1；Ti+1＝Ti+T，i＝1，2，...，m-1；m＝N/T取整；
此时，P用区间表示为：
步骤S4：对PT中的两张相邻图像计算相似度
步骤S5：筛除相似图像，具体为：
步骤S501：如果不小于0.9，则在待处理图像序列P中，将位于区间中的图像全部移除，仅保留否则进行步骤S502；
步骤S502：如果不小于0.8，则在待处理图像序列P中，对位于区间中的图像，每隔一张图像移除一张图像，即移除的图像序列为式中，J为T/2取整；否则进行步骤S503；
步骤S503：如果不小于0.7，则对区间中的图像，以fps为间隔，依次移除相应的图像，即移除的图像序列为式中，K为T/fps取整，所述fps为胶囊内窥镜每秒拍摄的图像数量；否则进行步骤S504；
步骤S504：如果小于0.7，则保留所有图像序列；
步骤S6：如果步骤S4中的相似度没有计算完，则i＝i+1，执行步骤S4；否则进行步骤S7；
步骤S7：当前待处理的图像序列筛选完成，继续下一待处理的图像序列筛选，直至所有图像序列筛选完成后，保存剩下的图像，作为筛选后的图像输出；
所述步骤4中，相似度的计算方法采用结构相似度算法，包括以下步骤：
步骤S401：比较两张相邻图像的亮度相似度：
式中，X，Y表示进行比较的两张图像；μX、μY分别表示X、Y图像的均值，均值是衡量图像整体亮度的指标；C1＝(K1L)2，K1，L为常数；
步骤S402：比较两张相邻图像的对比度相似度：
式中，σX、σY表示X、Y图像的标准差，标准差是衡量图像整体对比度的指标；C2＝(K2L)2，K2为常数；
步骤S403：比较两张相邻图像的结构相似度：
式中：σXY表示图像X和Y的协方差，协方差是衡量两张图像相似性的指标；C3＝C2/2；
步骤S404：计算相似度为：
2.根据权利要求1所述的一种胶囊内窥镜相似图像的自适应筛除方法，其特征在于，所述步骤1中，将原始图像按照序列号顺序或命名顺序分割成若干子图像序列。
3.根据权利要求1所述的一种胶囊内窥镜相似图像的自适应筛除方法，其特征在于，所述步骤3中，采样间隔T为fps的3～5倍。
CN201610503508.2A 2016-06-29 2016-06-29 一种胶囊内窥镜相似图像的自适应筛除方法 Active CN106056166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610503508.2A CN106056166B (zh) 2016-06-29 2016-06-29 一种胶囊内窥镜相似图像的自适应筛除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610503508.2A CN106056166B (zh) 2016-06-29 2016-06-29 一种胶囊内窥镜相似图像的自适应筛除方法

Publications (2)

Publication Number Publication Date
CN106056166A CN106056166A (zh) 2016-10-26
CN106056166B true CN106056166B (zh) 2019-08-16

Family

ID=57200384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610503508.2A Active CN106056166B (zh) 2016-06-29 2016-06-29 一种胶囊内窥镜相似图像的自适应筛除方法

Country Status (1)

Country Link
CN (1) CN106056166B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107705852A (zh) * 2017-12-06 2018-02-16 北京华信佳音医疗科技发展有限责任公司 一种医用电子内窥镜的实时病变智能识别方法及装置
CN109598716B (zh) * 2018-12-05 2020-08-07 武汉楚精灵医疗科技有限公司 基于计算机视觉的肠镜退镜速度实时监测方法和系统
CN110505383B (zh) * 2019-08-29 2021-07-23 重庆金山医疗技术研究院有限公司 一种图像获取方法、图像获取装置及内窥镜系统
CN113052209B (zh) * 2021-03-10 2022-04-01 天津城建大学 融合胶囊相似性的单样本语义分割方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096917B (zh) * 2010-12-22 2012-08-15 南方医科大学 胶囊内窥镜冗余图像数据的自动剔除方法
CN103747270B (zh) * 2013-12-19 2017-01-11 中山大学 一种胶囊内窥镜视频图像的去冗余方法及系统
CN105469383A (zh) * 2014-12-30 2016-04-06 北京大学深圳研究生院 基于多特征融合的无线胶囊内窥镜冗余图像筛除方法

Also Published As

Publication number Publication date
CN106056166A (zh) 2016-10-26

Similar Documents

Publication Publication Date Title
Du et al. Review on the applications of deep learning in the analysis of gastrointestinal endoscopy images
JP6993371B2 (ja) ディープラーニングに基づいたコンピュータ断層撮影肺結節検出法
CN106056166B (zh) 一种胶囊内窥镜相似图像的自适应筛除方法
CN111369440B (zh) 模型训练、图像超分辨处理方法、装置、终端及存储介质
KR102237441B1 (ko) 뉴럴 네트워크를 이용하여 캡슐 내시경 영상으로부터 병변 판독 방법 및 장치
CN110288597B (zh) 基于注意力机制的无线胶囊内窥镜视频显著性检测方法
TW201941217A (zh) 用於診斷腸胃腫瘤的系統和方法
EP3028624A1 (en) Image processing device, image processing method, and program
CN112348125B (zh) 基于深度学习的胶囊内窥镜影像识别方法、设备及介质
CN103006195A (zh) 一种基于图像处理的非接触式生命体征数据监测系统和监测方法
CN108875481A (zh) 用于行人检测的方法、装置、系统及存储介质
CN111091536A (zh) 医学图像处理方法、装置、设备、介质以及内窥镜
CN113781440A (zh) 超声视频病灶检测方法及装置
KR20190087681A (ko) 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법
CN103324852A (zh) 基于特征匹配的四模态医学影像诊断系统
WO2021212715A1 (zh) 精神分裂症分类识别方法、运行控制装置及医疗设备
CN113378804A (zh) 一种自助采样的检测方法、装置、终端设备和存储介质
CN108125678B (zh) 心电信号的方向检测方法、装置及电子设备
CN114187296A (zh) 胶囊内窥镜图像病灶分割方法、服务器及系统
CN108937905B (zh) 一种基于信号拟合的非接触式心率检测方法
CN109493340A (zh) 一种胃镜下食管胃底静脉曲张辅助诊断系统及方法
CN108229281A (zh) 神经网络的生成方法和人脸检测方法、装置及电子设备
CN112634231A (zh) 一种图像分类方法、装置、终端设备和存储介质
CN115409843B (zh) 基于尺度均衡耦合卷积架构的脑神经影像特征提取方法
Peng et al. Real-time detection of ureteral orifice in urinary endoscopy videos based on deep learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant