CN107368690B - 医学影像图片的预处理方法及装置 - Google Patents

医学影像图片的预处理方法及装置 Download PDF

Info

Publication number
CN107368690B
CN107368690B CN201710674549.2A CN201710674549A CN107368690B CN 107368690 B CN107368690 B CN 107368690B CN 201710674549 A CN201710674549 A CN 201710674549A CN 107368690 B CN107368690 B CN 107368690B
Authority
CN
China
Prior art keywords
region
medical image
pixel data
edge
image picture
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
CN201710674549.2A
Other languages
English (en)
Other versions
CN107368690A (zh
Inventor
喻龙
杨通钰
袁孟全
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.)
Guiyang Longmaster Information and Technology Co ltd
Original Assignee
Guiyang Longmaster Information and 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 Guiyang Longmaster Information and Technology Co ltd filed Critical Guiyang Longmaster Information and Technology Co ltd
Priority to CN201710674549.2A priority Critical patent/CN107368690B/zh
Publication of CN107368690A publication Critical patent/CN107368690A/zh
Application granted granted Critical
Publication of CN107368690B publication Critical patent/CN107368690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10004—Still image; Photographic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种医学影像图片的预处理方法及装置，该方法包括：对医学影像图片采用边缘检测算法，检测出医学影像图片的文字集中区域；以医学影像图片的左上角为基准，建立基于x轴的y轴上像素分布统计F(x，y)以及基于y轴的x轴上像素分布G(y，x)；对于F(x，y)及G(y，x)的像素分布信息，在文字集中区域的边缘为文字与空白时，采用设定步长n的梯度方式判断文字集中区域的边缘是否为空白区域与文字区域的交界点，在文字集中区域的边缘为表格线与空白时，通过相邻像素的分布稳定性来判断文字集中区域的边缘是否为感兴趣区域与空白区域的交界点；采用获取到的交界点构建感兴趣区域的外接矩阵并进行裁剪。

Description

医学影像图片的预处理方法及装置
技术领域
本发明涉及通信领域，具体而言，涉及一种医学影像图片的预处理方法及装置。
背景技术
随着科技迅猛发展，互联网的高度普及，大大的缩短了人与人的交互距离和时间，从而带动了互联网医院的崛起。互联网医院给我们带来了很多便利，惠及大众，特别是比较偏远落后地区，让大众可以足不出户可以问诊北上广及其它地区的著名专家、教授；不仅为大众节约了往返差旅费，更重要的是缩短了患者的就诊、医疗速度，为很多患者的及时就医带来便利。
互联网医院，意味着问诊网络化，包括检查结果、化验单等的电子化。目前主要实现方式为基于基层医院的二次问诊，即患者在基层医院做初步问诊和检查，由于基层医院配备及医生对疑难病症经验不足等原因，导致对患者的治疗效果不明显，需要求助经验更多的大城市大医生专家，进而发起基层医生与大专家互联网会诊的过程。
相关技术中，互联网医院采用就诊分析模式，即在基层级患者端将该患者的关于此次会诊的所有检查结果及化验单等图片信息上传至网络医院平台的个人的病例中，大医生在审阅各项检查结果后，对病情分析后与基层医生进行网络会诊，得出治疗方案，并进行治疗，疗程结束后会进行新的检查，得到新的化验结果图片，供双方医生进行新的分析并进一步治疗或得出治疗结果。在整个流程中，关键的一点是这种模式下提供的化验单、病历等都是基于实体基层医院的实物单据，快速电子化的操作就是拍照片上传。
随着线上获取到的医学电子图片(例如，检查材料)越来越多，通过人工来处理，就不能及时的完成材料的处理，导致用户无法在最短的时间内开始会诊。因此如何提高检查信息的录入效率成为一个迫在眉睫的问题，针对此种情况，相关技术中通过对检查材料进行文字识别来达到辅助助理医生完成对电子图片整理和信息填写的目的。
但是，针对当前医学电子图片的自动化处理中，发现人工拍摄的照片存在较大的干扰，导致在识别的过程中识别结果出现问题，因此如何提高识别区域的识别正确率成为了当前亟待解决的问题。
发明内容
本发明的主要目的在于公开了一种医学影像图片的预处理方法及装置，以至少解决相关技术中医学电子图片的自动化处理中，人工拍摄的照片存在较大的干扰，导致在识别的过程中识别结果出现问题，识别正确率低的问题。
根据本发明的一个方面，提供了一种医学影像图片的预处理方法。
根据本发明的医学影像图片的预处理方法包括：对医学影像图片采用边缘检测算法，检测出上述医学影像图片的文字集中区域；以上述医学影像图片的左上角为基准，建立基于x轴的y轴上像素分布统计F(x，y)以及基于y轴的x轴上像素分布G(y，x)；对于上述F(x，y)及上述G(y，x)的像素分布信息，在上述文字集中区域的边缘为文字与空白时，采用设定步长n的梯度方式判断上述文字集中区域的边缘是否为空白区域与文字区域的交界点，在上述文字集中区域的边缘为表格线与空白时，通过相邻像素的分布稳定性来判断上述文字集中区域的边缘是否为感兴趣区域与空白区域的交界点；采用获取到的上述交界点构建上述感兴趣区域的外接矩阵并进行裁剪。
根据本发明的另一方面，提供了一种医学影像图片的预处理装置。
根据本发明的医学影像图片的预处理装置包括：检测模块，用于对医学影像图片采用边缘检测算法，检测出上述医学影像图片的文字集中区域；建立模块，用于以上述医学影像图片的左上角为基准，建立基于x轴的y轴上像素分布统计F(x，y)以及基于y轴的x轴上像素分布G(y，x)；判断模块，用于对于上述F(x，y)及上述G(y，x)的像素分布信息，在上述文字集中区域的边缘为文字与空白时，采用设定步长n的梯度方式判断上述文字集中区域的边缘是否为空白区域与文字区域的交界点，在上述文字集中区域的边缘为表格线与空白时，通过相邻像素的分布稳定性来判断上述文字集中区域的边缘是否为感兴趣区域与空白区域的交界点；构建模块，用于采用获取到的上述交界点构建上述感兴趣区域的外接矩阵并进行裁剪。
与现有技术相比，本发明实施例至少具有以下优点：基于医学影像图片的边缘检测算法(例如，canny边缘检测算法)检测的结果，进行二次预处理，获取感兴趣区域，可以解决识别的过程中出现的问题，提升识别正确率。
附图说明
图1是根据本发明实施例的医学影像图片的预处理方法的流程图；
图2是根据本发明实施例的确定上述感兴趣区域的开始位置的方法流程图；
图3是根据本发明优选实施例的医学影像图片的预处理方法的流程图；
图4是根据本发明实施例的医学影像图片的预处理装置的结构框图；以及
图5是根据本发明优选实施例的医学影像图片的预处理装置的结构框图。
具体实施方式
下面结合说明书附图对本发明的具体实现方式做一详细描述。
图1是根据本发明实施例的医学影像图片的预处理方法的流程图。如图1所示，该医学影像图片的预处理方法包括：
步骤S101：对医学影像图片采用边缘检测算法，检测出上述医学影像图片的文字集中区域；
步骤S103：以上述医学影像图片的左上角为基准，建立基于x轴的y轴上像素分布统计F(x，y)以及基于y轴的x轴上像素分布G(y，x)；
步骤S105：对于上述F(x，y)及上述G(y，x)的像素分布信息，在上述文字集中区域的边缘为文字与空白时，采用设定步长n的梯度方式判断上述文字集中区域的边缘是否为空白区域与文字区域的交界点，在上述文字集中区域的边缘为表格线与空白时，通过相邻像素的分布稳定性来判断上述文字集中区域的边缘是否为感兴趣区域与空白区域的交界点；
步骤S107：采用获取到的上述交界点构建上述感兴趣区域的外接矩阵并进行裁剪。
通常情况下，对医学影像图片的识别过程中，需要进行canny边缘检测处理，区分出文字与非文字。canny算子求边缘点具体步骤如下：
1.用高斯滤波器平滑图像。
2.用一阶偏导有限差分计算梯度幅值和方向。
3.对梯度幅值进行非极大值抑制。
4.用双阈值算法检测和连接边缘。
结合采集的医学影像图片(例如，化验单等医院病历相关材料)的特性，由于文字区域是较为集中的，通过canny算法的边缘检测之后，可以基本区分出文字集中区域，但是因为实际的操作中会存在光线、污渍等问题导致处理之后的材料会使得其上的划分结果出现误差。
因此，基于医学影像图片的边缘检测算法(例如，canny边缘检测算法)检测的结果，进行如图1所示的二次预处理，获取感兴趣区域，可以解决识别的过程中出现的问题，大大地提升识别正确率。
优选地，对于上述F(x，y)及上述G(y，x)的像素分布信息，在上述文字集中区域的边缘为文字与空白时，采用设定步长n的梯度方式判断上述文字集中区域的边缘是否为空白区域与文字区域的交界点，在上述文字集中区域的边缘为表格线与空白时，通过相邻像素的分布稳定性来判断上述文字集中区域的边缘是否为感兴趣区域与空白区域的交界点可以进一步包括：通过对上述F(x，y)及上述G(y，x)中相邻步长n内的数据进行方差计算，根据计算结果与预定可接受值的大小判定，确定上述感兴趣区域的开始位置；对上述F(x，y)和G(y，x)在0至最大值和最大值至0的双方向上执行上述方差计算的操作，获取到对应的坐标值Xmin、Xmax，Ymin，Ymax，构建坐标(Xmin，Ymin)、(Xmin，Ymax)、(Xmax，Ymin)、以及(Xmax，Ymax)。
优选地，通过对上述F(x，y)及上述G(y，x)中相邻步长n内的数据进行方差计算，根据计算结果与预定可接受值的大小判定，确定上述感兴趣区域的开始位置可以进一步包括：从上述F(x，y)或上述G(y，x)中选取0至n的步长区间的像素数据；在0至n的区间内，判断像素数据的数据和是否为0；如果是，从上述F(x，y)或上述G(y，x)中获取下一个步长区间内的像素数据，继续判断像素数据的数据和是否为0的操作；如果否，则计算获取稳定系数s，并判断稳定系数s是否大于预定可接受值；在上述稳定系数s大于预定可接受值时，获取当前区间内的最小值作为上述感兴趣区域的开始位置。
优选地，在计算获取稳定系数s，并判断稳定系数s大于预定可接受值之后，还可以进一步包括：在上述稳定系数s不大于预定可接受值时，判断上述稳定系数S是否超过总像素数据集的1/2；在上述稳定系数s超过总像素数据集的1/2时，获取当前区间内的最小值作为上述感兴趣区域的开始位置；在上述稳定系数s未超过总像素数据集的一半时，继续获取下一个步长区间内的像素数据，继续判断像素数据的数据和是否为0的操作。
优选地，通过对上述F(x，y)及上述G(y，x)中相邻步长n内的数据进行方差计算可以进一步包括：确定上述F(x，y)或上述G(y，x)中连续数据的数值的平均数M，其中，
Figure BDA0001373936150000071
n为步长，x1、x2、x3……xn表示上述F(x，y)或上述G(y，x)中连续数据的数值；采用上述平均数M进行方差计算，获取稳定系数s，其中，
Figure BDA0001373936150000072
以下结合图2进一步描述上述优选实施方式。
图2是根据本发明实施例的确定上述感兴趣区域的开始位置的方法流程图。如图2所示，确定上述感兴趣区域的开始位置的方法流程主要包括：
步骤S201：从上述F(x，y)或上述G(y，x)中选取0至n的步长区间的像素数据。
步骤S203：在0至n的区间内，判断像素数据的数据和是否为0。如果是，执行步骤S205，如果否，执行步骤S207。
步骤S205：从上述F(x，y)或上述G(y，x)中获取下一个步长区间内的像素数据，返回执行步骤S203。
步骤S207：通过计算获取稳定系数s。
步骤S209：判断稳定系数s是否大于预定可接受值。如果是，执行步骤S211，否则，执行步骤S213。
步骤S211：获取当前区间内的最小值作为上述感兴趣区域的开始位置(起点)。
步骤S213：判断上述稳定系数S是否超过总像素数据集的1/2。如果否，执行步骤S205，否则，执行步骤S211。
优选地，采用获取到的上述交界点构建上述感兴趣区域的外接矩阵并进行裁剪之后，还可以包括：对剪裁后的医学影像图片的空白区域在执行一次腐蚀操作后再重复执行一次或多次腐蚀操作；对腐蚀操作后的上述医学影像图片进行中值滤波操作；在执行中值滤波操作之后，将上述医学影像图片的像素数据逐个与原图的像素数据执行与运算，生成新的医学影像图片。
在优选实施过程中，可以通过自适应均值方法对图片进行阈值化处理，但是在字里行间中会存在较大的噪音，针对此种情况结合医学影像图片的特性，可以使用以下方法处理：
1、对处理之后存在较大噪音的图片进行的空白区域在执行一次腐蚀操作后再重复执行一次腐蚀操作，通过此步骤可将一行的文本连通为一个较大的区域。
其中，上述腐蚀是指把像素信息元素B平移a后得到Ba，若Ba包含于X，记下这个a点，所有满足上述条件的a点组成的集合称做X被B腐蚀(Erosion)的结果。用公式表示为：
Figure BDA0001373936150000091
通过其上的运算处理之后会使得黑色的文字区域链接成一个完成的区域，字间的噪音会单独独立出来。
2、对腐蚀操作后的医学影像图片进行滤波值较大的中值滤波，可以有效的消除掉孤立的噪音。
其中，中值滤波是指在输入图像像素作为x(n1,n2)中，以任一像素为中心设置一个确定的邻域A，A的边长为2N+1,(N＝0,1,2,…)。将邻域内各像素的强度值按大小顺序排列，取位于中间位置的这个值(中值)作为该像素点的输出值，遍历整幅图像就可完成整个滤波过程：
A＝x(i,j)；
y＝Med{x1,x2,x3,…,x2N+1}。
通过一个较大的N值来进行滤波处理可以有效地消除掉文字之间存在的噪音问题，文本本身是一个较大的个体，相对与噪音来说，利用这一规律性特征可以有效的消除掉部分文字间的噪音问题。
3、在将中值滤波处理后的医学影像图片的像素逐个与原图的像素做与运算：
对于原图的图像像素A(Xa,Ya)和中值滤波处理后的医学影像图片的图像像素B(Xb,Yb)进行与运算操作生成新的医学影像图片的图像像素C(Xc，Yc)。具体如下：
C(Xc,Yc)＝A(Xa,Ya)&B(Xb,Yb)
由此可见，在中值滤波算法的基础上，本发明对处理结果进行了部分的组合，来消除部分文件间的噪音问题。
以下结合图3进一步描述上述优选实施方式。
图3是根据本发明优选实施例的医学影像图片的预处理方法的流程图。如图3所示，该医学影像图片的预处理方法包括：
步骤S301：接收患者上传的原始医学影像图片。
步骤S303：对医学影像图片进行检测，获取边缘像素分布区域。
步骤S305：以上述医学影像图片的左上角为基准，建立基于x轴的y轴上像素分布统计F(x，y)以及基于y轴的x轴上像素分布G(y，x)。
步骤S307：区分文字集中区域的边缘情况。
步骤S309：在上述文字集中区域的边缘为表格线与空白时，通过相邻像素的分布稳定性来判断上述文字集中区域的边缘是否为感兴趣区域与空白区域的交界点。
步骤S311：在上述文字集中区域的边缘为文字与空白时，采用设定步长n的梯度方式判断上述文字集中区域的边缘是否为空白区域与文字区域的交界点。
步骤S313：采用获取到的上述交界点构建上述感兴趣区域的外接矩阵并进行裁剪。
步骤S315：通过自适应均值方法对图片进行阈值化处理。
步骤S317：在执行中值滤波操作之后，将上述医学影像图片的像素数据逐个与原图的像素数据执行与运算，生成新的医学影像图片。
步骤S319：输出生成的医学影像图片。
图4是根据本发明实施例的医学影像图片的预处理装置的结构框图。如图4所示，该医学影像图片的预处理装置包括：检测模块40，用于对医学影像图片采用边缘检测算法，检测出上述医学影像图片的文字集中区域；建立模块42，用于以上述医学影像图片的左上角为基准，建立基于x轴的y轴上像素分布统计F(x，y)以及基于y轴的x轴上像素分布G(y，x)；判断模块44，用于对于上述F(x，y)及上述G(y，x)的像素分布信息，在上述文字集中区域的边缘为文字与空白时，采用设定步长n的梯度方式判断上述文字集中区域的边缘是否为空白区域与文字区域的交界点，在上述文字集中区域的边缘为表格线与空白时，通过相邻像素的分布稳定性来判断上述文字集中区域的边缘是否为感兴趣区域与空白区域的交界点；构建模块46，用于采用获取到的上述交界点构建上述感兴趣区域的外接矩阵并进行裁剪。
基于医学影像图片的边缘检测算法(例如，canny边缘检测算法)检测的结果，采用医学影像图片的预处理装置进行如图1所示的二次预处理，获取感兴趣区域，可以解决识别的过程中出现的问题，大大地提升识别正确率。
优选地，如图5所示，上述判断模块44可以进一步包括：确定单元440，用于通过对上述F(x，y)及上述G(y，x)中相邻步长n内的数据进行方差计算，根据计算结果与预定可接受值的大小判定，确定上述感兴趣区域的开始位置；获取单元442，用于对上述F(x，y)和G(y，x)在0至最大值和最大值至0的双方向上执行上述方差计算的操作，获取到对应的坐标值Xmin、Xmax，Ymin，Ymax，构建坐标(Xmin，Ymin)、(Xmin，Ymax)、(Xmax，Ymin)、以及(Xmax，Ymax)。
优选地，上述确定单元440可以进一步包括：选取子单元4402，用于从上述F(x，y)或上述G(y，x)中选取0至n的步长区间的像素数据；第一判断子单元4404，用于在0至n的区间内，判断像素数据的数据和是否为0；第一获取子单元4406，用于在上述判断子单元输出为是时，从上述F(x，y)或上述G(y，x)中获取下一个步长区间内的像素数据，继续判断像素数据的数据和是否为0的操作；计算子单元4408，用于在上述判断子单元输出为否时，计算获取稳定系数s，并判断稳定系数s是否大于预定可接受值；第二获取子单元4410，用于在上述稳定系数s大于预定可接受值时，获取当前区间内的最小值作为上述感兴趣区域的开始位置；第二判断子单元4412，用于在上述稳定系数s不大于预定可接受值时，判断上述稳定系数S是否超过总像素数据集的1/2；第三获取子单元4414，用于在上述稳定系数s超过总像素数据集的1/2时，获取当前区间内的最小值作为上述感兴趣区域的开始位置；第四获取子单元4416，用于在上述稳定系数s未超过总像素数据集的1/2时，继续获取下一个步长区间内的像素数据，继续判断像素数据的数据和是否为0的操作。图5中未示出。
优选地，如图5所示，上述装置还可以包括：腐蚀模块48，用于对剪裁后的医学影像图片的空白区域在执行一次腐蚀操作后再重复执行一次或多次腐蚀操作；滤波模块50，用于对腐蚀操作后的上述医学影像图片进行中值滤波操作；运算模块52，用于在执行中值滤波操作之后，将上述医学影像图片的像素数据逐个与原图的像素数据执行与运算，生成新的医学影像图片。
综上所述，借助本发明提供的上述实施例，可以在医学影像图片存在光照、轻微皱褶等情况下，很好地提高文字识别过程中文字识别正确率，同时也对每个文字的区域划分有较大的帮助，为后续的识别排除部分较大的影响，从而达到提高文字识别效率的目的。
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 (9)

1.一种医学影像图片的预处理方法，其特征在于，包括：
对医学影像图片采用边缘检测算法，检测出所述医学影像图片的文字集中区域；
以所述医学影像图片的左上角为基准，建立基于x轴的y轴上像素分布统计F(x，y)以及基于y轴的x轴上像素分布G(y，x)；
对于所述F(x，y)及所述G(y，x)的像素分布信息，在所述文字集中区域的边缘为空白时，采用设定步长n来判断所述文字集中区域的边缘是否包括空白区域与感兴趣区域的交界点，在所述文字集中区域的边缘为表格线时，通过相邻像素的稳定系数s来判断所述文字集中区域的边缘是否包括感兴趣区域与空白区域的交界点；
采用获取到的所述交界点构建所述感兴趣区域的外接矩阵并进行裁剪；
其中，所述稳定系数s 通过确定所述F(x，y)或所述G(y，x)中连续数据的数值的平均数M，采用所述平均数M进行方差计算来获取：
Figure FDA0003199244260000011
其中，n为步长，x1、x2、x3……xn表示所述F(x，y)或所述G(y，x)中连续数据的数值，
Figure FDA0003199244260000012
2.根据权利要求1所述的方法，其特征在于，对于所述F(x，y)及所述G(y，x)的像素分布信息，在所述文字集中区域的边缘为文字与空白时，采用设定步长n来判断所述文字集中区域的边缘是否包括空白区域与感兴趣区域的交界点，在所述文字集中区域的边缘为表格线与空白时，通过相邻像素的稳定系数s来判断所述文字集中区域的边缘是否包括感兴趣区域与空白区域的交界点包括：
通过对所述F(x，y)及所述G(y，x)中相邻步长n内的数据进行方差计算，根据计算结果与预定可接受值的大小判定，确定所述感兴趣区域的开始位置；
对所述F(x，y)和G(y，x)在0至最大值和最大值至0的双方向上执行所述方差计算的操作，获取到对应的坐标值Xmin、Xmax，Ymin，Ymax，构建坐标(Xmin，Ymin)、(Xmin，Ymax)、(Xmax，Ymin)、以及(Xmax，Ymax)。
3.根据权利要求2所述的方法，其特征在于，通过对所述F(x，y)及所述G(y，x)中相邻步长n内的数据进行方差计算，根据计算结果与预定可接受值的大小判定，确定所述感兴趣区域的开始位置包括：
从所述F(x，y)或所述G(y，x)中选取0至n的步长区间的像素数据；
在0至n的区间内，判断像素数据的数据和是否为0；
如果是，从所述F(x，y)或所述G(y，x)中获取下一个步长区间内的像素数据，继续判断像素数据的数据和是否为0的操作；
如果否，则计算获取稳定系数s，并判断稳定系数s是否大于预定可接受值；
在所述稳定系数s大于预定可接受值时，获取当前区间内的最小值作为所述感兴趣区域的开始位置。
4.根据权利要求3所述的方法，其特征在于，在计算获取稳定系数s，并判断稳定系数s大于预定可接受值之后，还包括：
在所述稳定系数s不大于预定可接受值时，判断所述稳定系数s是否超过总像素数据集的1/2；
在所述稳定系数s超过总像素数据集的1/2时，获取当前区间内的最小值作为所述感兴趣区域的开始位置；
在所述稳定系数s未超过总像素数据集的一半时，继续获取下一个步长区间内的像素数据，继续判断像素数据的数据和是否为0的操作。
5.根据权利要求1所述的方法，其特征在于，采用获取到的所述交界点构建所述感兴趣区域的外接矩阵并进行裁剪之后，还包括：
对剪裁后的医学影像图片的空白区域在执行一次腐蚀操作后再重复执行一次或多次腐蚀操作；
对腐蚀操作后的所述医学影像图片进行中值滤波操作；
在执行中值滤波操作之后，将所述医学影像图片的像素数据逐个与原图的像素数据执行与运算，生成新的医学影像图片。
6.一种医学影像图片的预处理装置，其特征在于，包括：
检测模块，用于对医学影像图片采用边缘检测算法，检测出所述医学影像图片的文字集中区域；
建立模块，用于以所述医学影像图片的左上角为基准，建立基于x轴的y轴上像素分布统计F(x，y)以及基于y轴的x轴上像素分布G(y，x)；
判断模块，用于对于所述F(x，y)及所述G(y，x)的像素分布信息，在所述文字集中区域的边缘为空白时，采用设定步长n来判断所述文字集中区域的边缘是否包括空白区域与感兴趣区域的交界点，在所述文字集中区域的边缘为表格线时，通过相邻像素的稳定系数s来判断所述文字集中区域的边缘是否包括感兴趣区域与空白区域的交界点；
构建模块，用于采用获取到的所述交界点构建所述感兴趣区域的外接矩阵并进行裁剪；
其中，所述稳定系数s通过确定所述F(x，y)或所述G(y，x)中连续数据的数值的平均数M，采用所述平均数M进行方差计算来获取:
Figure FDA0003199244260000041
其中，n为步长，x1、x2、x3……xn表示所述F(x，y)或所述G(y，x)中连续数据的数值，
Figure FDA0003199244260000051
7.根据权利要求6所述的装置，其特征在于，所述判断模块包括：
确定单元，用于通过对所述F(x，y)及所述G(y，x)中相邻步长n内的数据进行方差计算，根据计算结果与预定可接受值的大小判定，确定所述感兴趣区域的开始位置；
获取单元，用于对所述F(x，y)和G(y，x)在0至最大值和最大值至0的双方向上执行所述方差计算的操作，获取到对应的坐标值Xmin、Xmax，Ymin，Ymax，构建坐标(Xmin，Ymin)、(Xmin，Ymax)、(Xmax，Ymin)、以及(Xmax，Ymax)。
8.根据权利要求7所述的装置，其特征在于，所述确定单元包括：
选取子单元，用于从所述F(x，y)或所述G(y，x)中选取0至n的步长区间的像素数据；
第一判断子单元，用于在0至n的区间内，判断像素数据的数据和是否为0；
第一获取子单元，用于在所述判断子单元输出为是时，从所述F(x，y)或所述G(y，x)中获取下一个步长区间内的像素数据，继续判断像素数据的数据和是否为0的操作；
计算子单元，用于在所述判断子单元输出为否时，计算获取稳定系数s，并判断稳定系数s是否大于预定可接受值；
第二获取子单元，用于在所述稳定系数s大于预定可接受值时，获取当前区间内的最小值作为所述感兴趣区域的开始位置；
第二判断子单元，用于在所述稳定系数s不大于预定可接受值时，判断所述稳定系数s是否超过总像素数据集的1/2；
第三获取子单元，用于在所述稳定系数s超过总像素数据集的1/2时，获取当前区间内的最小值作为所述感兴趣区域的开始位置；
第四获取子单元，用于在所述稳定系数s未超过总像素数据集的1/2时，继续获取下一个步长区间内的像素数据，继续判断像素数据的数据和是否为0的操作。
9.根据权利要求6至8中任一项所述的装置，其特征在于，还包括：
腐蚀模块，用于对剪裁后的医学影像图片的空白区域在执行一次腐蚀操作后再重复执行一次或多次腐蚀操作；
滤波模块，用于对腐蚀操作后的所述医学影像图片进行中值滤波操作；
运算模块，用于在执行中值滤波操作之后，将所述医学影像图片的像素数据逐个与原图的像素数据执行与运算，生成新的医学影像图片。
CN201710674549.2A 2017-08-09 2017-08-09 医学影像图片的预处理方法及装置 Active CN107368690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710674549.2A CN107368690B (zh) 2017-08-09 2017-08-09 医学影像图片的预处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710674549.2A CN107368690B (zh) 2017-08-09 2017-08-09 医学影像图片的预处理方法及装置

Publications (2)

Publication Number Publication Date
CN107368690A CN107368690A (zh) 2017-11-21
CN107368690B true CN107368690B (zh) 2022-01-18

Family

ID=60309944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710674549.2A Active CN107368690B (zh) 2017-08-09 2017-08-09 医学影像图片的预处理方法及装置

Country Status (1)

Country Link
CN (1) CN107368690B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110990602B (zh) * 2020-03-03 2020-06-05 北京搜狐新媒体信息技术有限公司 多媒体数据的推送方法、图像检测方法及对应方法的装置
TWI809488B (zh) * 2021-08-31 2023-07-21 中國醫藥大學 肝細胞癌微血管浸潤評估方法及其評估系統

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488986A (zh) * 2013-09-18 2014-01-01 西安理工大学 自适应字符切分及提取方法
CN105654072A (zh) * 2016-03-24 2016-06-08 哈尔滨工业大学 一种低分辨率医疗票据图像的文字自动提取和识别系统与方法
CN106156761A (zh) * 2016-08-10 2016-11-23 北京交通大学 面向移动终端拍摄的图像表格检测与识别方法
CN106845065A (zh) * 2016-11-21 2017-06-13 贵阳朗玛信息技术股份有限公司 医疗影像数据的处理方法及装置
CN106910195A (zh) * 2017-01-22 2017-06-30 北京奇艺世纪科技有限公司 一种网页页面布局监测方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015194864A1 (ko) * 2014-06-17 2015-12-23 (주)유진로봇 이동 로봇의 맵을 업데이트하기 위한 장치 및 그 방법
JP6635690B2 (ja) * 2015-06-23 2020-01-29 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488986A (zh) * 2013-09-18 2014-01-01 西安理工大学 自适应字符切分及提取方法
CN105654072A (zh) * 2016-03-24 2016-06-08 哈尔滨工业大学 一种低分辨率医疗票据图像的文字自动提取和识别系统与方法
CN106156761A (zh) * 2016-08-10 2016-11-23 北京交通大学 面向移动终端拍摄的图像表格检测与识别方法
CN106845065A (zh) * 2016-11-21 2017-06-13 贵阳朗玛信息技术股份有限公司 医疗影像数据的处理方法及装置
CN106910195A (zh) * 2017-01-22 2017-06-30 北京奇艺世纪科技有限公司 一种网页页面布局监测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Table Image Registration Based On Gradient Projection;Zhanlong Hao 等;《IEEE》;20130401;第1-4页 *
场景图像中文本区域定位方法的研究;李海浩 等;《计算机与数字工程》;20151231;第43卷(第5期);第896-899页 *

Also Published As

Publication number Publication date
CN107368690A (zh) 2017-11-21

Similar Documents

Publication Publication Date Title
TWI619080B (zh) 指紋重疊區域面積的計算方法及電子裝置
US20200143526A1 (en) Image processing method and device
JP5403838B2 (ja) 顔を相関させることによるデジタル画像の編成
JPH11149562A (ja) 曲線セグメントのコーナーの特性付け
CN111488921A (zh) 一种全景数字病理图像智能分析系统及方法
CN107368690B (zh) 医学影像图片的预处理方法及装置
CN111986183B (zh) 一种染色体散型图像自动分割识别系统及装置
JP6816713B2 (ja) オブジェクト検出装置、オブジェクト検出方法およびプログラム
CN106203326B (zh) 一种图像处理方法、装置及移动终端
CN110232318A (zh) 穴位识别方法、装置、电子设备及存储介质
JP2015211471A (ja) 画像処理装置及び方法
CN104182984A (zh) 动态超声影像中的血管边缘形态快速自动采集方法及系统
JP2006208339A (ja) 領域抽出装置、顕微鏡システムおよび領域抽出プログラム
CN115601299A (zh) 基于图像的肝硬化状态智能评估系统及其方法
Yahaghi et al. Enhanced defect detection in radiography images of welded objects
JP7079631B2 (ja) 画像処理方法、コンピュータプログラムおよび記録媒体
CA2915651C (en) Diagnostic apparatus for lesion, image processing method in the same apparatus, and medium storing program associated with the same method
Xu et al. Random-valued impulse noise removal using adaptive ranked-ordered impulse detector
JP2018185265A (ja) 情報処理装置、制御方法、及びプログラム
JP5432483B2 (ja) 異常陰影検出装置およびプログラム
CN114494247B (zh) 齿状线分割方法、装置、计算机设备及存储介质
JP6894339B2 (ja) ひび割れ検出装置、ひび割れ検出方法、および、コンピュータプログラム
Jiménez et al. Image quality metrics applied to digital pathology
JP7418158B2 (ja) 情報処理装置、情報処理方法及びプログラム
JP6935663B1 (ja) 口腔粘膜疾患診断支援システム，方法およびプログラム

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20171121

Assignee: GUIYANG SANJIU INTERNET MEDICAL Co.,Ltd.

Assignor: GUIYANG LONGMASTER INFORMATION & TECHNOLOGY Co.,Ltd.

Contract record no.: X2022520000002

Denomination of invention: Preprocessing method and device of medical image picture

Granted publication date: 20220118

License type: Common License

Record date: 20220301

Application publication date: 20171121

Assignee: Guiyang Longma Video Technology Co.,Ltd.

Assignor: GUIYANG LONGMASTER INFORMATION & TECHNOLOGY Co.,Ltd.

Contract record no.: X2022520000003

Denomination of invention: Preprocessing method and device of medical image picture

Granted publication date: 20220118

License type: Common License

Record date: 20220302

EE01 Entry into force of recordation of patent licensing contract