CN106875410A - 图像轮廓自动提取方法及系统 - Google Patents

图像轮廓自动提取方法及系统 Download PDF

Info

Publication number
CN106875410A
CN106875410A CN201710071589.8A CN201710071589A CN106875410A CN 106875410 A CN106875410 A CN 106875410A CN 201710071589 A CN201710071589 A CN 201710071589A CN 106875410 A CN106875410 A CN 106875410A
Authority
CN
China
Prior art keywords
image
pixel
region
pixel value
bianry image
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
CN201710071589.8A
Other languages
English (en)
Other versions
CN106875410B (zh
Inventor
曲宝林
蔡博宁
戴相昆
徐寿平
杨涛
马娜
黄玉荣
冯林春
马林
陈子杰
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.)
SHENZHEN YINO INTELLIGENCE TECHNOLOGY Co Ltd
Original Assignee
SHENZHEN YINO INTELLIGENCE TECHNOLOGY Co Ltd
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 SHENZHEN YINO INTELLIGENCE TECHNOLOGY Co Ltd filed Critical SHENZHEN YINO INTELLIGENCE TECHNOLOGY Co Ltd
Priority to CN201710071589.8A priority Critical patent/CN106875410B/zh
Publication of CN106875410A publication Critical patent/CN106875410A/zh
Application granted granted Critical
Publication of CN106875410B publication Critical patent/CN106875410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20036Morphological image processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20112Image segmentation details
    • G06T2207/20156Automatic seed setting

Landscapes

  • Apparatus For Radiation Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种图像轮廓自动提取方法及系统,方法包括:预设一二维断层图像种子点,获取断层图像的目标图像区域;根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像;然后对所述二值图像进行第二次区域生长;对进行第二次区域生长后的二值图像进行膨胀,并提取膨胀后的所述二值图像的轮廓;计算所述轮廓的重心,将所述重心作为相邻图像层的种子点;根据所述相邻图像层的种子点获取相邻图像层的目标图像区域。本发明提供的一种图像轮廓自动提取方法及系统,能够快速并准确地对二维断层图像进行自动提取,尤其适用于医学断层图像,例如脊髓轮廓的提取。

Description

图像轮廓自动提取方法及系统
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像轮廓自动提取方法及系统。
背景技术
在CT和MR等断层扫描图像中,单个器官或目标靶区由一族轮廓线组成,所述轮廓线分布在多个二维断层图像上。为了确保精度和准确性,目前临床上大多由放疗医师或其他训练有素的医务人员手动勾画出各个二维断层图像上的轮廓线,这种手动勾画操作繁琐,极大地浪费了医务人员的时间和精力,甚至很可能因人员疲劳出现失误。
目前,也有一些自动勾画轮廓线的方法,例如基于灰度和梯度信息的方法,其中比较有代表性的是区域生长法,此类方法具有较高的勾画速度,但是对噪声敏感,且对软组织等边缘不明确的目标区域的自动勾画效果不理想。
还有一类是基于模板和配准的自动勾画方法,一般需要将勾画好的图像数据作为先验数据集,然后将待勾画的目标区域与先验数据集中最相似的模板进行配准,从而实现目标区域的自动勾画。此种方法的缺点是:前期需要准备合适的先验数据集,并且配准精度不佳、配准计算量大以及自动勾画耗时长。
发明内容
本发明所要解决的技术问题是:提供一种识别效率高且准确性好的图像轮廓自动提取方法及系统。
为了解决上述技术问题,本发明采用的技术方案为:
一种图像轮廓自动提取方法,包括:
预设一二维断层图像种子点,根据所述种子点获取所述一二维断层图像的目标图像区域;
根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像;
基于所述二值图像中像素值为255的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长;
对进行第二次区域生长后的二值图像进行膨胀,并提取膨胀后的所述二值图像的轮廓;
计算所述轮廓的重心,并将所述重心作为与所述一二维断层图像相邻的二维断层图像的种子点;
根据所述相邻的图像层的种子点获取相邻的图像层的目标图像区域;
继续执行所述根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像的步骤。
本发明提供的另一技术方案为:
一种图像轮廓自动提取系统,包括:
第一获取模块,用于预设一二维断层图像种子点,根据所述种子点获取所述一二维断层图像的目标图像区域;
第一区域生长模块,用于根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像;
第二区域生长模块,用于基于所述二值图像中像素值为255的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长;
提取模块,用于对进行第二次区域生长后的二值图像进行膨胀,然后提取膨胀后的所述二值图像的轮廓;
计算模块,用于计算所述轮廓的重心,并将所述重心作为与所述一二维断层图像相邻的二维断层图像的种子点;
第二获取模块,用于根据所述相邻的图像层的种子点获取相邻的图像层的目标图像区域
继续执行模块,用于继续执行所述根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像的步骤。
本发明的有益效果在于:对目标图像区域进行第一次区域生长转化为二值图像,方便提取图像信息,增加识别效率;对所述二值图像进行第二次区域生长,能够有效去除图像中的噪声点,对图像区域进行有效的分割;通过膨胀操作可以使得提取出的图像轮廓更加平滑;并且将提取出的轮廓的重心作为相邻图像层的种子点,可以实现对断层图像的连续自动提取。
附图说明
图1为本发明实施例一的图像轮廓自动提取方法的流程图;
图2为本发明实施例二的图像轮廓自动提取方法的流程图;
图3为本发明的图像轮廓自动提取系统的结构示意图;
图4为本发明实施例四的图像轮廓自动提取系统的结构示意图。
标号说明:
1、第一获取模块;2、第一区域生长模块;3、第二区域生长模块;
4、提取模块;5、计算模块;6、第二获取模块;7、继续执行模块;
8、放大模块;21、判断单元;22、第一重设单元;23、第二重设单元;
31、操作单元;32、第一判断单元;33、第二判断单元;
34、第三重设单元;35、减小单元;36、重新执行单元。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于:对目标图像区域先后进行第一次区域生长和第二次区域生长,既可以增加识别效率又可以有效去除图像中的噪声点。
请参照图1,一种图像轮廓自动提取方法,包括:
预设一二维断层图像种子点,根据所述种子点获取所述一二维断层图像的目标图像区域;
根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像;
基于所述二值图像中像素值为255的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长;
对进行第二次区域生长后的二值图像进行膨胀,并提取膨胀后的所述二值图像的轮廓;
计算所述轮廓的重心,并将所述重心作为与所述一二维断层图像相邻的二维断层图像的种子点;
根据所述相邻的图像层的种子点获取相邻的图像层的目标图像区域;
继续执行所述“根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像”的步骤。
从上述描述可知,本发明的有益效果在于:对目标图像区域先后进行第一次区域生长和第二次区域生长,能够有效去除图像中的噪声点,对目标图像区域进行有效的分割;本方法可连续对不同层的目标图像区域进行处理,实现对断层图像的连续自动提取。
进一步的,所述“根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像”具体为:
判断目标图像区域内一像素点的像素值是否在预设的像素阈值范围内;
若是,则将所述一像素点的像素值重设为255;
若否,则将所述一像素点的像素值重设为0。
由上述描述可知,可根据要提取图像的性质和实际需要设定像素阈值范围,将目标图像区域转化为二值图像,以增加识别效率。
进一步的,所述“基于所述二值图像中像素值为255的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长”具体包括:
以二值图像上像素值为255的像素点为圆心,以预设的半径作圆;
判断所述圆内的其余像素点的像素值是否均为255;若否,则将作为圆心的像素点的像素值重设为0。
由上述描述可知,对二值图像进行第二次区域生长能够有效去除图像中的噪声点,对图像区域进行有效的分割。
进一步的,所述“将作为圆心的像素点的像素值重设为0”之后还包括:
判断进行第二次区域生长后的二值图像中的像素点的像素值是否均为0;
若是,则减小所述预设的半径;
重新执行“以二值图像上像素值为255的像素点为圆心,以预设的半径作圆”的步骤。
由上述描述可知,可根据需要选择预设的半径,但是要以进行第二次区域生长后的像素点的像素值不都为0为前提,以保证后续进行轮廓提取时存在有效的图像轮廓。
进一步的,所述“对进行第二次区域生长后的二值图像进行膨胀”具体为:将所述圆作为结构算子,对进行第二次区域生长后的二值图像进行膨胀。
由上述描述可知,对二值图像进行膨胀操作可以使得提取出的图像轮廓更加平滑。
进一步的,所述“基于圆形目标区域对所述二值图像进行第二次区域生长”之前还包括:根据预设的放大倍数,对所述二值图像进行插值。
由上述描述可知,对图像进行插值放大方便后续进行第二次区域生长。
请参照图3,本发明涉及的另一技术方案为:
一种图像轮廓自动提取系统,包括:
第一获取模块,用于预设一二维断层图像种子点,根据所述种子点获取所述一二维断层图像的目标图像区域;
第一区域生长模块,用于根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像;
第二区域生长模块,用于基于所述二值图像中像素值为255的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长;
提取模块,用于对进行第二次区域生长后的二值图像进行膨胀,然后提取膨胀后的所述二值图像的轮廓;
计算模块,用于计算所述轮廓的重心,并将所述重心作为与所述一二维断层图像相邻的二维断层图像的种子点;
第二获取模块,用于根据所述相邻的图像层的种子点获取相邻的图像层的目标图像区域;
继续执行模块,用于继续执行所述根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像的步骤。
进一步的,所述第一区域生长模块包括:
判断单元,用于判断目标图像区域内一像素点的像素值是否在预设的像素阈值范围内;
第一重设单元,用于若是,则将所述像素点的像素值重设为255;
第二重设单元,用于若否,则将所述像素点的像素值重设为0。
进一步的,所述第二次区域生长模块包括:
操作单元,用于以二值图像上像素值为255的像素点为圆心,以预设的半径作圆;
第一判断单元,用于判断所述圆内的其余像素点的像素值是否均为255;
第三重设单元,用于若否,则将作为圆心的像素点的像素值重设为0。
进一步的,所述第二次区域生长模块还包括:
第二判断单元,用于判断进行第二次区域生长后的二值图像中像素点的像素值是否均为0;
减小单元,用于若是,则减小所述预设的半径;
重新执行单元,用于重新执行所述以二值图像上像素值为255的像素点为圆心,以预设的半径作圆的步骤。
进一步的,所述提取模块具体用于将所述圆作为结构算子,对进行第二次区域生长后的二值图像进行膨胀。
进一步的,还包括放大模块,所述放大模块用于根据预设的放大倍数对所述二值图像进行插值。
实施例一
请参照图1,本发明的实施例一为:一种图像轮廓自动提取方法,可应用于医学图像,在进行图像轮廓提取时识别效率高且准确性好。包括如下步骤:
S1、预设一二维断层图像的种子点,根据所述种子点获取所述一二维断层图像的目标图像区域。进一步的,可以以种子点为中心获取目标图像区域,所述种子点可以是二维断层图像中每一层的任意一个点,主要依据需要进行轮廓提取的区域进行选择;目标图像区域的大小可根据需要和二维断层图像的性质进行选择,目标图像区域的形状可以是规则的圆形或方形等,也可以是其他不规则的形状。
S2、根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像。所述阈值范围包括一个上限像素值和一个下限像素值,可根据目标图像区域的实际情况进行设定,可对同一目标图像区域设定同一个阈值范围,当然也可以对同一目标图像区域分区域设定不同的阈值范围。
S3、基于所述二值图像中像素值为255的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长。在对二值图像进行第二次区域生长之前,还包括:根据预设的放大倍数,对所述二值图像进行插值,若目标图像区域较小,则可以进行较大倍数的放大,若目标图像区域本身较大,则可以进行较小倍数的放大,或者不放大。进行第二次区域生长的目的是为了能够有效去除图像中的噪声点,对图像区域进行有效的分割。
S4、对进行第二次区域生长后的二值图像进行膨胀,并提取膨胀后的所述二值图像的轮廓。对二值图像进行膨胀可以进一步滤除噪声点,保留图像中的原有信息,并且提取的图像边缘比较平滑,提取的图像骨架也比较连续,断点少。
S5、计算得到所述轮廓的重心,并将所述重心作为与所述一二维断层图像相邻的二维断层图像的种子点。如果当前二维断层图像的相邻图像层也在图像处理的范围内,那么就将当前轮廓线的重心作为相邻图像层的种子点,继续执行步骤S6,如果当前图像层的相邻图像层不在图像处理的范围内,那么结束操作。
S6、根据所述相邻的二维断层图像的种子点,获取所述相邻的二维断层图像的目标图像区域。
继续执行步骤S2,直到所有的图像层都处理完为止。
本实施例通过对目标图像区域进行第一次区域生长转化为二值图像,方便提取图像信息,增加识别效率;对所述二值图像进行第二次区域生长,能够有效去除图像中的噪声点,对图像区域进行有效的分割;通过膨胀操作可以使得提取出的图像轮廓更加平滑;并且将提取出的轮廓的重心作为相邻图像层的种子点,可以实现对断层图像的连续自动提取。
实施例二
请参照图2,本发明的实施例二为上述实施例一的进一步扩展,相同之处不再赘述,区别在于,步骤S2具体包括:
判断所述目标图像区域内一像素点的像素值是否在预设的像素阈值范围内;
若是,则将所述一像素点的像素值重设为255;
若否,则将所述一像素点的像素值重设为0。
本实施例中,对目标图像区域的每一个像素点进行逐一判断,从而得到有效的目标图像区域,为进行第二次区域生长做准备。
步骤S3具体包括:
以二值图像上像素值为255的像素点为圆心,以预设的半径作圆,预设半径可根据需要进行设定;
判断所述圆内的其余像素点的像素值是否均为255;
若否,则将作为圆心的像素点的像素值重设为0;
判断进行第二次区域生长后的二值图像中的像素点的像素值是否均为0;
若是,则减小所述预设的半径;
重新执行所述以二值图像上像素值为255的像素点为圆心,以预设的半径作圆的步骤,直到所述圆的半径小于两个像素或者进行第二次区域生长后的二值图像的像素点的像素值不都为0为止,以保证后续步骤中能提取到有效的图像轮廓。
步骤S4具体包括:
将所述圆作为结构算子,对进行第二次区域生长后的二值图像进行膨胀。当然,也结构算子也可以采用其他的形式,不限于所述圆。
本实施例中的方法既可以对二值图像进行进一步的分割,使得后续提取的图像轮廓更加清晰,又可以通过调整圆的预设半径保证能够提取到有效的图像轮廓。
实施例三
请参照图2,本发明实施例三为上述实施例的一具体应用场景,具体以医学图像中的脊髓断层图像的轮廓提取为例进行说明,能快速并精确地在三维上对二维断层脊髓图像进行轮廓的自动提取。
首先选取一个种子点,根据所述种子点获取所述二维断层图像的目标图像区域,在进行脊髓轮廓提取时可以是在种子点所在的二维断层图像上裁剪一个边长为40/像素间距(即40除以像素间距)的正方形区域,当然也可以是其他形状的区域。
预设一个像素阈值范围,然后根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像。所述阈值范围包括一个上限像素值和一个下限像素值。在进行脊髓轮廓提取时上限像素值的选取方法可以是:以种子点为中心,半径为3的圆中所有像素值不大于170的像素中的最大像素值,将所述最大像素值与90进行比较,取二者中的最大值作为第一次区域生长的上限像素值。下限像素值可以设定为-300当然也可以根据具体情况选择其他的像素阈值范围。对所述目标图像区域进行第一次区域生长具体为:正方形区域内一像素点的像素值是否在预设的像素阈值范围内;若是,则将所述一像素点的像素值重设为255;若否,则将所述一像素点的像素值重设为0。本实施例中,对目标图像区域的每一个像素点进行逐一判断,得到有效的目标图像区域。
根据预设的放大倍数,对所述二值图像进行插值,放大倍数可根据目标图像区域的大小进行选择,本实施例中对目标图像区域放大三倍。
本实施例中,考虑到脊髓轮廓的特殊性,可以先判断二值图像的边缘是否存在像素值为255的像素点,若是的话,进行第二次区域生长的条件为:以二值图像中的像素值为255的其中一个像素点为圆心,(20/像素间距)个像素为半径作圆,如果该圆内的所有像素点的像素值都为255,那么生长成功,作为圆心的像素点的像素值不变;否则就将作为圆心的像素点的像素值设为0。若二值图像的边缘不存在像素值为255的像素点,那么进行第二次区域生长的条件为:将圆的初始半径给定为(30/像素间距)个像素,此时的初始给定半径比边缘存在像素值为255的情况下的初始半径大,可以有效避免圆内的像素点的像素值全为0。若进行第二次区域生长后的二值图像的像素值都为0,则将圆的半径减去一个像素,重新对原二值图像进行区域生长,以此类推,直到圆的半径小于两个像素或者进行第二次区域生长后的二值图像的像素点的像素值不都为0。若当圆的半径已经小于两个像素并且进行第二次区域生长后的二值图像的像素点的像素值仍然均为0,那么此时就结束,不进行后续的膨胀和轮廓提取的操作。
然后,对进行第二次区域生长后的二值图像进行膨胀,并提取膨胀后的所述二值图像的轮廓。在进行膨胀时,将进行第二次区域生长的圆作为结构算子对进行第二次区域生长后的二值图像进行膨胀。
本实施例中,对所述二值图像进行膨胀后,判断提取出的轮廓所在图像层的相邻图像层是否在处理的预设范围内,若是,则计算所述轮廓的重心,将所述重心作为相邻图像层的种子点;根据所述相邻图像层的种子点获取相邻图像层的目标图像区域;然后继续执行所述“根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像”的步骤。以此类推,直到将所有的预设范围内的图像层都处理完为止。
实施例四
请参照图4,本发明的实施例四与上述实施例的方法相对应,为一种图像轮廓自动提取系统,包括:第一获取模块1、第一区域生长模块2、第二区域生长模块3、提取模块4、计算模块5、第二获取模块6、继续执行模块7和放大模块8。
所述第一获取模块1用于预设一二维断层图像种子点,根据所述种子点获取所述一二维断层图像的目标图像区域。
所述第一区域生长模块2用于根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像。所述第一区域生长模块2包括:判断单元21、第一重设单元22和第二重设单元23,所述判断单元21用于判断目标图像区域内一像素点的像素值是否在预设的像素阈值范围内;所述第一重设单元22用于若是,则将所述像素点的像素值重设为255;所述第二重设单元23用于若否,则将所述像素点的像素值重设为0。
所述第二区域生长模块3用于基于所述二值图像的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长。所述第二次区域生长模块3包括操作单元31、第一判断单元32、第二判断单元33、第三重设单元34、减小单元35和重新执行单元36。所述操作单元31用于以二值图像上像素值为255的像素点为圆心,以预设的半径作圆;所述第一判断单元32用于判断所述圆内的其余像素点的像素值是否均为255,所述第三重设单元34用于若否,则将作为圆心的像素点的像素值重设为0;所述第二判断单元33用于判断进行第二次区域生长后的二值图像中像素点的像素值是否均为0;所述减小单元35用于若是,则减小所述预设的半径;所述重新执行单元36用于重新执行所述以二值图像上像素值为255的像素点为圆心,以预设的半径作圆的步骤。
所述提取模块4用于对进行第二次区域生长后的二值图像进行膨胀,然后提取膨胀后的所述二值图像的轮廓,提取模块4具体用于:将所述圆作为结构算子,对进行第二次区域生长后的二值图像进行膨胀。
所述计算模块5用于计算所述轮廓的重心,并将所述重心作为与所述一二维断层图像相邻的二维断层图像的种子点;所述第二获取模块6用于根据所述相邻的图像层的种子点获取相邻的图像层的目标图像区域;所述继续执行模块7用于继续执行所述根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像的步骤;所述放大模块8用于根据预设的放大倍数对所述二值图像进行插值。
综上所述,本发明提供的一种图像轮廓自动提取方法及系统,能够快速并准确地对二维断层图像进行自动提取,提取得到的图像轮廓边缘清晰、平滑且连续,断点少,尤其适用于医学断层图像,例如脊髓轮廓的提取。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种图像轮廓自动提取方法,其特征在于,包括:
预设一二维断层图像的种子点,根据所述种子点获取所述一二维断层图像的目标图像区域;
根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像;
基于所述二值图像中像素值为255的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长;
对进行第二次区域生长后的二值图像进行膨胀,并提取膨胀后的所述二值图像的轮廓;
计算得到所述轮廓的重心,并将所述重心作为与所述一二维断层图像相邻的二维断层图像的种子点;
根据所述相邻的二维断层图像的种子点,获取所述相邻的二维断层图像的目标图像区域;
继续执行所述根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像的步骤。
2.根据权利要求1所述的图像轮廓自动提取方法,其特征在于,所述“根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长”具体为:
判断所述目标图像区域内一像素点的像素值是否在预设的像素阈值范围内;
若是,则将所述一像素点的像素值重设为255;
若否,则将所述一像素点的像素值重设为0。
3.根据权利要求2所述的图像轮廓自动提取方法,其特征在于,所述“根据所述二值图像的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长”具体包括:
以二值图像上像素值为255的像素点为圆心,以预设的半径作圆;
判断所述圆内的其余像素点的像素值是否均为255;
若否,则将作为圆心的像素点的像素值重设为0。
4.根据权利要求3所述的图像轮廓自动提取方法,其特征在于,所述“将作为圆心的像素点的像素值重设为0”之后还包括:
判断进行第二次区域生长后的二值图像中的像素点的像素值是否均为0;
若是,则减小所述预设的半径;
重新执行所述以二值图像上像素值为255的像素点为圆心,以预设的半径作圆的步骤。
5.根据权利要求4所述的图像轮廓自动提取方法,其特征在于,所述“对进行第二次区域生长后的二值图像进行膨胀”具体为:将所述圆作为结构算子,对进行第二次区域生长后的二值图像进行膨胀。
6.根据权利要求1-5任意一项所述的图像轮廓自动提取方法,其特征在于,所述“基于所述二值图像中像素值为255的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长”之前还包括:根据预设的放大倍数,对所述二值图像进行插值。
7.一种图像轮廓自动提取系统,其特征在于,包括:
第一获取模块,用于预设一二维断层图像的种子点,根据所述种子点获取所述一二维断层图像的目标图像区域;
第一区域生长模块,用于根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像;
第二区域生长模块,用于基于所述二值图像中像素值为255的像素点预设一圆形目标区域,根据所述圆形目标区域对所述二值图像进行第二次区域生长;
提取模块,用于对进行第二次区域生长后的二值图像进行膨胀,然后提取膨胀后的所述二值图像的轮廓;
计算模块,用于计算所述轮廓的重心,并将所述重心作为与所述一二维断层图像相邻的二维断层图像的种子点;
第二获取模块,用于根据所述相邻的图像层的种子点获取相邻的图像层的目标图像区域;
继续执行模块,用于继续执行所述根据预设的像素阈值范围对所述目标图像区域进行第一次区域生长,得到二值图像的步骤。
8.根据权利要求7所述的图像轮廓自动提取系统,其特征在于,所述第一区域生长模块包括:
判断单元,用于判断目标图像区域内一像素点的像素值是否在预设的像素阈值范围内;
第一重设单元,用于若是,则将所述像素点的像素值重设为255;
第二重设单元,用于若否,则将所述像素点的像素值重设为0。
9.根据权利要求8所述的图像轮廓自动提取系统,其特征在于,所述第二次区域生长模块包括:
操作单元,用于以二值图像上像素值为255的像素点为圆心,以预设的半径作圆;
第一判断单元,用于判断所述圆内的其余像素点的像素值是否均为255;
第三重设单元,用于若否,则将作为圆心的像素点的像素值重设为0。
10.根据权利要求9所述的图像轮廓自动提取系统,其特征在于,所述第二次区域生长模块还包括:
第二判断单元,用于判断进行第二次区域生长后的二值图像中像素点的像素值是否均为0;
减小单元,用于若是,则减小所述预设的半径;
重新执行单元,用于重新执行所述以二值图像上像素值为255的像素点为圆心,以预设的半径作圆的步骤。
CN201710071589.8A 2017-02-09 2017-02-09 图像轮廓自动提取方法及系统 Active CN106875410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710071589.8A CN106875410B (zh) 2017-02-09 2017-02-09 图像轮廓自动提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710071589.8A CN106875410B (zh) 2017-02-09 2017-02-09 图像轮廓自动提取方法及系统

Publications (2)

Publication Number Publication Date
CN106875410A true CN106875410A (zh) 2017-06-20
CN106875410B CN106875410B (zh) 2020-07-03

Family

ID=59166454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710071589.8A Active CN106875410B (zh) 2017-02-09 2017-02-09 图像轮廓自动提取方法及系统

Country Status (1)

Country Link
CN (1) CN106875410B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070553A (zh) * 2018-01-24 2019-07-30 南京机器人研究院有限公司 一种机器人视觉图像的匹配方法
CN110427845A (zh) * 2019-07-19 2019-11-08 东莞弓叶互联科技有限公司 物品像素中心确定方法、装置、设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0749097A1 (fr) * 1995-06-16 1996-12-18 Alcatel Méthode d'extraction de contours par une approche mixte contour actif et amorce/guidage
CN1912927A (zh) * 2006-08-25 2007-02-14 西安理工大学 肺部ct图像病灶半自动分割方法
CN101576997A (zh) * 2009-06-19 2009-11-11 西安电子科技大学 基于二次三维区域生长的腹部器官分割方法
CN104517315A (zh) * 2014-12-26 2015-04-15 彭勇 基于交互式区域生长法的双侧输尿管重建方法与系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0749097A1 (fr) * 1995-06-16 1996-12-18 Alcatel Méthode d'extraction de contours par une approche mixte contour actif et amorce/guidage
CN1912927A (zh) * 2006-08-25 2007-02-14 西安理工大学 肺部ct图像病灶半自动分割方法
CN101576997A (zh) * 2009-06-19 2009-11-11 西安电子科技大学 基于二次三维区域生长的腹部器官分割方法
CN104517315A (zh) * 2014-12-26 2015-04-15 彭勇 基于交互式区域生长法的双侧输尿管重建方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵童: ""乳腺肿瘤超声图像分割方法的研究"", 《万方学位论文》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070553A (zh) * 2018-01-24 2019-07-30 南京机器人研究院有限公司 一种机器人视觉图像的匹配方法
CN110427845A (zh) * 2019-07-19 2019-11-08 东莞弓叶互联科技有限公司 物品像素中心确定方法、装置、设备及可读存储介质
CN110427845B (zh) * 2019-07-19 2022-12-16 广东弓叶科技有限公司 物品像素中心确定方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN106875410B (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
WO2020001217A1 (zh) 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法
JP6539303B2 (ja) 3d医用画像中の対象物を分割するための3d対象物の変換
CN105741310B (zh) 一种心脏左心室图像分割系统及方法
CN103927717B (zh) 基于改进型双边滤波的深度图像恢复方法
US20160117797A1 (en) Image Processing Apparatus and Image Processing Method
CN106327507B (zh) 一种基于背景和前景信息的彩色图像显著性检测方法
KR101718868B1 (ko) 자동 의료영상 분할에 의한 3차원 악안면 모델 형성 방법, 이를 수행하는 자동 영상 분할과 모델 형성 서버 및 이를 저장하는 기록매체
Zhang et al. A marker-based watershed method for X-ray image segmentation
CN111105427B (zh) 一种基于连通区域分析的肺部图像分割方法及系统
EP1869634B1 (en) A method, a system and a computer program for segmenting a structure in a dataset
CN107481225B (zh) 一种自动寻找最优参数分割粘连细胞的方法
CN105389821B (zh) 一种基于云模型和图割相结合的医学图像分割方法
CN106127750B (zh) 一种ct影像体表提取方法及系统
JP5105997B2 (ja) 医用画像処理装置、医用画像診断装置、及びプログラム
CN108280833B (zh) 一种植物根系分叉特征的骨架提取方法
CN106875410A (zh) 图像轮廓自动提取方法及系统
CN106846314B (zh) 一种基于术后角膜oct影像数据的图像分割方法
CN111724389A (zh) 髋关节ct图像分割方法、装置、存储介质和计算机设备
CN102663387A (zh) 基于牙科全景图的皮质骨宽度自动计算方法
CN109886973B (zh) 一种血管提取方法、装置及计算机可读存储介质
Rad et al. Level set and morphological operation techniques in application of dental image segmentation
CN108520524A (zh) 一种基于边缘聚类的图像迭代过度分割方法
CN104103039B (zh) 一种图像噪声估计方法
Kim et al. Automatic lung segmentation in CT images using anisotropic diffusion and morphology operation
CN111199548B (zh) 一种用于对肺ct图像中结节进行分割的系统及方法

Legal Events

Date Code Title Description
PB01 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