CN108257127A - 一种应用于急性中毒安全预评价的系统 - Google Patents
一种应用于急性中毒安全预评价的系统 Download PDFInfo
- Publication number
- CN108257127A CN108257127A CN201810084894.5A CN201810084894A CN108257127A CN 108257127 A CN108257127 A CN 108257127A CN 201810084894 A CN201810084894 A CN 201810084894A CN 108257127 A CN108257127 A CN 108257127A
- Authority
- CN
- China
- Prior art keywords
- image
- evaluation
- acute poisoning
- pixel
- value
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于医药学评价技术领域,公开了一种应用于急性中毒安全预评价的系统,设置有图像检测模块,用于采集到急性中毒部位的数字视频传输给计算机或数字处理器,并对视频每帧进行二值化处理和边缘检测;提取模块,用于提取出急性中毒部位图像轮廓曲线;经程序自动处理后,利用统计模型评价得中毒等级,并将中毒等级测量结果数据和标注过的图片生成记录报告;诊断模块,用于根据中毒等级测量结果数据和记录报告,调用计算机数据库预存的治疗方案,输出治疗建议。本发明的原理简单,实现了图像模糊度评价的内容无关性和实时性,可以快速准确评价比较任何图像之间的模糊度。为准确治疗提供依据。
Description
技术领域
本发明属于医药学评价技术领域,尤其涉及一种应用于急性中毒安全预评价的系统。
背景技术
目前,业内常用的现有技术是这样的:
急性中毒中,获取中毒部位图像的实时信息对治疗提供帮助,现有技术多采用采血、胃镜进行判读,一定程度上不能为快速治疗争取时间;获取中毒部位图像的模糊度是图像质量的一个重要的衡量指标,图像的模糊度评价是图像质量评价领域的重要研究课题。不少已有的传统模糊度评价方法建立在待评价图像自身的结构特点上,比如边缘信息、纹理特征等,可以归纳为一种绝对的评价方法,这样带来的问题就是评价方法对内容有了依赖性,只能局限于比较相同内容图像的模糊度,后来一些可以用于评价不同内容图像模糊度的方法复杂性较高,实时性较差。人们越来越多地通过图像来获取治疗存储信息,
因此快速对获取的图像进行模糊度评价不但能够丰富智能终端图像获取系统的功能、评估设备的硬件性能,对获取高质量图像也具有重要意义。
从病患部位图像的输入到输出识别结果是一个复杂的图像处理的过程,一般由三个部分组成:病患部位图像定位、字符分割和字符识别。目前病患部位图像定位方法多种多样,总的来说可以分为两大类:基于彩色图像处理技术的病患部位图像定位算法以及基于灰度图像处理技术的病患部位图像定位算法。
基于彩色图像处理技术主要利用病患部位图像固有的颜色搭配进行定位分析:基于模糊训练和颜色边缘对分析的定位方法;利用HSV颜色模型进行分析,对输入的图像进行灰度等级分类,再结合数学形态学、字频统计方法判断病患部位图像位置轮廓。
灰度图像处理技术的定位算法所产生的时间较彩色图像处理技术的定位算法要早,此类算法的计算量较小,运算速度较快,绝大多数算法是以灰度图像二值化后的二值图像作为定位算法的基础。比如:最大类间方差方法(otsu法)、局部二值化的方法、基于纹理信息的二值化方法、Niblack二值化算法以及基于各种特征的二值化算法(小波分解、文理特征、投影聚类等)。
综上所述,现有技术存在的问题是:
传统的急性中毒安全预评价方法不能用于评价不同急性中毒内容的图像模糊度,不能为准确治疗提供合理的治疗建议。
现有的病患部位图像获取中存在检测率不高,受外界因素影响大,鲁棒性不强等诸多因素。
解决上述技术问题的难度和意义:
本发明的原理简单,实现了图像模糊度评价的内容无关性和实时性,可以快速准确评价比较任何图像之间的模糊度。为准确治疗提供依据。
发明内容
针对现有技术存在的问题,本发明提供了一种应用于急性中毒安全预评价的系统。
本发明是这样实现的,一种应用于急性中毒安全预评价的系统,所述应用于急性中毒安全预评价的系统包括:
图像检测模块,用于采集到急性中毒部位的数字视频传输给计算机或数字处理器,并对视频每帧进行二值化处理和边缘检测;
提取模块,用于提取出急性中毒部位图像轮廓曲线;经程序自动处理后,利用统计模型评价得中毒等级,并将中毒等级测量结果数据和标注过的图片生成记录报告;所述提取模块提取出急性中毒部位图像轮廓曲线中,对图像检测模块传输的图像提取颜色特征和自适应LBP算子特征;建立多特征底秩矩阵表示模型;对急性中毒部位图像准确区域校正,输出定位后的急性中毒部位图像;提取自适应LBP算子特征算法的具体步骤如下:
(1)将输入系统的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求和,再获取平均值:
(2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
(3)拟合计算自适应阈值:
所述多特征底秩矩阵表示模型:
s.t. Xi=XiAi+Ei,i=1,…,K
其中α是大于0的系数,用来度量噪声和野点带来的误差;
急性中毒部位图像准确区域获得方法包括:
根据急性中毒部位图像比例留下每个子空间的外接矩阵为不确定急性中毒部位图像区域;
设置一个跳变函数f(i,j),对不确定急性中毒部位图像区域进行精确定位,确定急性中毒部位图像的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行就有可能属于急性中毒部位图像;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一行的行数i;如果有连续的h行满足S(i≥12),则得到一个宽度为M,高度为h的矩形区域,这个区域是急性中毒部位图像车牌区域,图像中不具有此特征的区域得到排除。
诊断模块,用于根据中毒等级测量结果数据和记录报告,调用计算机数据库预存的治疗方案,输出治疗建议。
进一步,图像检测模块的边缘检测方法包括:
步骤一,图像获取,通过摄像头拍照获取待评价急性中毒部位图像;
步骤二,图像灰度化,为方便图像的边缘提取,利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘,不同的检测算子具有不同的边缘检测模板,根据具体模板计算交叉像素的差分作为当前像素值,使用模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤四,图像处理,利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像,采用3*3均值滤波器,利用滤波模板遍历图像每个像素,每次将模板中心置于当前像素,以模板内所有像素的平均值作为当前像素新值,模板如下:
步骤五,图像边缘统计信息计算,分别计算图像滤波前后各自边缘灰度信息,滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下:
其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3。
进一步,图像检测模块的边缘检测方法进一步包括:
图像模糊度指标计算,将得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标,为方便评价,取较大的为分母,较小的为分子,保持该值介于(0,1)之间。
进一步,图像检测模块的边缘检测方法进一步包括:
根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max],具体方法包括:
得出模糊度调整范围,利用模糊度评价方法评价LIVE2中的174幅高斯模糊图像,计算出它们各自的模糊度评价值,然后利用拟合工具plot(value,DMOS)建立评价值value与DMOS之间的映射关系,根据最佳视觉效果对应的DMOS范围得出对应的一个模糊评价值范围[min,max];
图像模糊度调整:评价模块计算的图像的模糊度大于max说明图像滤波前后统计量变化不大即图像过于模糊,利用高通滤波器进行滤波处理,反之,小于min说明统计量变化很大即原始图像过于清晰,利用低通滤波器进行滤波处理;
得出调整后的最终图像和该图像的模糊度评价值。
进一步,图像检测模块的边缘检测方法进一步包括:
图像模糊度调整,若图像模糊度指标小于min,若图像滤波前后变化很大,原图像过于锐化,则利用低通滤波器进行滤波调整;同理若大于max,说明图像滤波前后变化很小,原图像过于模糊,则利用高通滤波器进行滤波调整,以达到更佳视觉效果;
进一步,图像检测模块的边缘检测方法进一步包括:
得出最终图像和该图像模糊度评价指标,并显示在诊断模块的屏幕上。
进一步,所述的应用于急性中毒安全预评价的系统还包括:
用于获取图像,并计算滤波前后图像统计信息比值的模糊度评价模块和与模糊度评价模块连接,用于调整原图像模糊度得出最终图像和图像模糊度评价指标的模糊度调整模块;所述模糊度调整模块与提取模块连接。
进一步,模糊度评价模块的工作流程包括:
步骤1,图像获取,通过摄像头获取待评价图像;
步骤2,图像灰度化,为方便下面图像的边缘提取,利用数字图像处理中RGB图像R、G、B三通道像素值与灰度图像像素值转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤2,图像边缘提取,利用图像处理方法中Roberts算子边缘检测技术作用于灰度图像获取图像的边缘;
步骤4,图像处理,利用高通/低通滤波器对图像进行滤波处理以构造待评价图像的参考图像;
步骤5,图像边缘统计信息计算,分别计算图像滤波前后边缘灰度信息:边缘像素与以边缘像素为中心的某邻域内其他像素的绝对加权像素差之和,这个边缘灰度信息作为计算图像受滤波器影响大小的评测值;
步骤6,图像模糊度指标计算,如步骤5所计算,将图像滤波前后边缘灰度统计信息的比值作为模糊度指标。
进一步,滤波器处理图像不是单一方式处理整幅评价图像,而是鉴于图像的边界和中心像素由于位置的不同导致滤波器对其处理方式的不同,根据滤波器模板大小相应地忽略边界像素后再利用滤波器处理图像,然后对于边界像素采取原始像素填充的方法进行处理;
模糊度评价模块工作流程中,计算滤波器对待评价原始图像的影响值作为评价依据时,采用边缘灰度统计信息的比值作为评价指标,这个比值越大说明两者相比变化不大,图像受滤波器影响越小,待评价图像越模糊,反之比值越小,图像越清晰。
综上所述,本发明的优点及积极效果为:
本发明提供的急性中毒安全预评价系统,不同于传统的评价方法,本发明建立在待评价图像自身结构特点基础上,从相对评价的角度出发,利用滤波器构造待评价图像的参考图像,计算变化前后图像边缘统计信息的比值作为评价指标。本发明的原理简单,实现了图像模糊度评价的内容无关性和实时性,可以快速准确评价比较任何图像之间的模糊度。为准确治疗提供依据。
本发明根据急性中毒区域图像颜色和LBP特征算子,结合改进的LRR模型和形态学操作获得急性中毒区域。使急性中毒区域图像的多个特征相结合,能有效提高急性中毒区域图像检测的鲁棒性和准确性,减少误检。可以对复杂背景下的急性中毒区域图像进行纹理分析,能提供更准确的特征信息。
附图说明
图1是本发明实施例提供的应用于急性中毒安全预评价的系统示意图。
图中:1、图像检测模块;2、提取模块;3、诊断模块;4、模糊度评价模块;5、模糊度评价模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
传统的急性中毒安全预评价方法不能用于评价不同急性中毒内容的图像模糊度,不能为准确治疗提供合理的治疗建议。
如图1所示,本发明实施例提供的应用于急性中毒安全预评价的系统,包括:
图像检测模块1,用于采集到急性中毒部位的数字视频传输给计算机或数字处理器,并对视频每帧进行二值化处理和边缘检测;
提取模块2,用于提取出急性中毒部位图像轮廓曲线;经程序自动处理后,利用统计模型评价得中毒等级,并将中毒等级测量结果数据和标注过的图片生成记录报告;
所述提取模块提取出急性中毒部位图像轮廓曲线中,对图像检测模块传输的图像提取颜色特征和自适应LBP算子特征;建立多特征底秩矩阵表示模型;对急性中毒部位图像准确区域校正,输出定位后的急性中毒部位图像;
提取自适应LBP算子特征算法的具体步骤如下:
(1)将输入系统的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求和,再获取平均值:
(2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
(3)拟合计算自适应阈值:
所述多特征底秩矩阵表示模型:
s.t. Xi=XiAi+Ei,i=1,…,K
其中α是大于0的系数,用来度量噪声和野点带来的误差;
急性中毒部位图像准确区域获得方法包括:
根据急性中毒部位图像比例留下每个子空间的外接矩阵为不确定急性中毒部位图像区域;
设置一个跳变函数f(i,j),对不确定急性中毒部位图像区域进行精确定位,确定急性中毒部位图像的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行就有可能属于急性中毒部位图像;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一行的行数i;如果有连续的h行满足S(i≥12),则得到一个宽度为M,高度为h的矩形区域,这个区域是急性中毒部位图像车牌区域,图像中不具有此特征的区域得到排除。
诊断模块3,用于根据中毒等级测量结果数据和记录报告,调用计算机数据库预存的治疗方案,输出治疗建议。
图像检测模块的边缘检测方法包括:
步骤一,图像获取,通过摄像头拍照获取待评价急性中毒部位图像;
步骤二,图像灰度化,为方便图像的边缘提取,利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘,不同的检测算子具有不同的边缘检测模板,我们根据具体模板计算交叉像素的差分作为当前像素值,使用模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤四,图像处理,利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像,采用3*3均值滤波器,利用滤波模板遍历图像每个像素,每次将模板中心置于当前像素,以模板内所有像素的平均值作为当前像素新值,模板如下:
步骤五,图像边缘统计信息计算,分别计算图像滤波前后各自边缘灰度信息,滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下:
其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3。
图像检测模块的边缘检测方法进一步包括:
图像模糊度指标计算,将得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标,为方便评价,取较大的为分母,较小的为分子,保持该值介于(0,1)之间。
图像检测模块的边缘检测方法进一步包括:
根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max],具体方法包括:
得出模糊度调整范围,利用模糊度评价方法评价LIVE2中的174幅高斯模糊图像,计算出它们各自的模糊度评价值,然后利用拟合工具plot(value,DMOS)建立评价值value与DMOS之间的映射关系,根据最佳视觉效果对应的DMOS范围得出对应的一个模糊评价值范围[min,max];
图像模糊度调整:评价模块计算的图像的模糊度大于max说明图像滤波前后统计量变化不大即图像过于模糊,利用高通滤波器进行滤波处理,反之,小于min说明统计量变化很大即原始图像过于清晰,利用低通滤波器进行滤波处理;
得出调整后的最终图像和该图像的模糊度评价值。
图像检测模块的边缘检测方法进一步包括:
图像模糊度调整,若图像模糊度指标小于min,若图像滤波前后变化很大,原图像过于锐化,则利用低通滤波器进行滤波调整;同理若大于max,说明图像滤波前后变化很小,原图像过于模糊,则利用高通滤波器进行滤波调整,以达到更佳视觉效果;
图像检测模块的边缘检测方法进一步包括:
得出最终图像和该图像模糊度评价指标,并显示在诊断模块的屏幕上。
所述的应用于急性中毒安全预评价的系统还包括:
用于获取图像,并计算滤波前后图像统计信息比值的模糊度评价模块4和与模糊度评价模块5连接,用于调整原图像模糊度得出最终图像和图像模糊度评价指标的模糊度调整模块;所述模糊度调整模块与提取模块连接。
模糊度评价模块的工作流程包括:
步骤1,图像获取,通过摄像头获取待评价图像;
步骤2,图像灰度化,为方便下面图像的边缘提取,利用数字图像处理中RGB图像R、G、B三通道像素值与灰度图像像素值转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤2,图像边缘提取,利用图像处理方法中Roberts算子边缘检测技术作用于灰度图像获取图像的边缘;
步骤4,图像处理,利用高通/低通滤波器对图像进行滤波处理以构造待评价图像的参考图像;
步骤5,图像边缘统计信息计算,分别计算图像滤波前后边缘灰度信息:边缘像素与以边缘像素为中心的某邻域内其他像素的绝对加权像素差之和,这个边缘灰度信息作为计算图像受滤波器影响大小的评测值;
步骤6,图像模糊度指标计算,如步骤5所计算,将图像滤波前后边缘灰度统计信息的比值作为模糊度指标。
滤波器处理图像不是单一方式处理整幅评价图像,而是鉴于图像的边界和中心像素由于位置的不同导致滤波器对其处理方式的不同,根据滤波器模板大小相应地忽略边界像素后再利用滤波器处理图像,然后对于边界像素采取原始像素填充的方法进行处理;
模糊度评价模块工作流程中,计算滤波器对待评价原始图像的影响值作为评价依据时,采用边缘灰度统计信息的比值作为评价指标,这个比值越大说明两者相比变化不大,图像受滤波器影响越小,待评价图像越模糊,反之比值越小,图像越清晰。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种应用于急性中毒安全预评价的系统,其特征在于,所述应用于急性中毒安全预评价的系统包括:
图像检测模块,用于采集到急性中毒部位的数字视频传输给计算机或数字处理器,并对视频每帧进行二值化处理和边缘检测;
提取模块,用于提取出急性中毒部位图像轮廓曲线;经程序自动处理后,利用统计模型评价得中毒等级,并将中毒等级测量结果数据和标注过的图片生成记录报告;所述提取模块提取出急性中毒部位图像轮廓曲线中,对图像检测模块传输的图像提取颜色特征和自适应LBP算子特征;建立多特征底秩矩阵表示模型;对急性中毒部位图像准确区域校正,输出定位后的急性中毒部位图像;
诊断模块,用于根据中毒等级测量结果数据和记录报告,调用计算机数据库预存的治疗方案,输出治疗建议。
2.如权利要求1所述的应用于急性中毒安全预评价的系统,其特征在于,提取自适应LBP算子特征算法的具体步骤如下:
(1)将输入系统的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求和,再获取平均值:
(2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
(3)拟合计算自适应阈值:
所述多特征底秩矩阵表示模型:
s.t.Xi=XiAi+Ei,i=1,…,K
其中α是大于0的系数,用来度量噪声和野点带来的误差;
急性中毒部位图像准确区域获得方法包括:
根据急性中毒部位图像比例留下每个子空间的外接矩阵为不确定急性中毒部位图像区域;
设置一个跳变函数f(i,j),对不确定急性中毒部位图像区域进行精确定位,确定急性中毒部位图像的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行就有可能属于急性中毒部位图像;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一行的行数i;如果有连续的h行满足S(i≥12),则得到一个宽度为M,高度为h的矩形区域,这个区域是急性中毒部位图像车牌区域,图像中不具有此特征的区域得到排除。
3.如权利要求1所述的应用于急性中毒安全预评价的系统,其特征在于,图像检测模块的边缘检测方法包括:
步骤一,图像获取,通过摄像头拍照获取待评价急性中毒部位图像;
步骤二,图像灰度化,为方便图像的边缘提取,利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘,不同的检测算子具有不同的边缘检测模板,我们根据具体模板计算交叉像素的差分作为当前像素值,使用模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤四,图像处理,利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像,采用3*3均值滤波器,利用滤波模板遍历图像每个像素,每次将模板中心置于当前像素,以模板内所有像素的平均值作为当前像素新值,模板如下:
步骤五,图像边缘统计信息计算,分别计算图像滤波前后各自边缘灰度信息,滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下:
其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3。
4.如权利要求3所述的应用于急性中毒安全预评价的系统,其特征在于,图像检测模块的边缘检测方法进一步包括:
图像模糊度指标计算,将得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标,为方便评价,取较大的为分母,较小的为分子,保持该值介于(0,1)之间。
5.如权利要求4所述的应用于急性中毒安全预评价的系统,其特征在于,图像检测模块的边缘检测方法进一步包括:
根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max],具体方法包括:
得出模糊度调整范围,利用模糊度评价方法评价LIVE2中的174幅高斯模糊图像,计算出它们各自的模糊度评价值,然后利用拟合工具plot(value,DMOS)建立评价值value与DMOS之间的映射关系,根据最佳视觉效果对应的DMOS范围得出对应的一个模糊评价值范围[min,max];
图像模糊度调整:评价模块计算的图像的模糊度大于max说明图像滤波前后统计量变化不大即图像过于模糊,利用高通滤波器进行滤波处理,反之,小于min说明统计量变化很大即原始图像过于清晰,利用低通滤波器进行滤波处理;
得出调整后的最终图像和该图像的模糊度评价值。
6.如权利要求5所述的应用于急性中毒安全预评价的系统,其特征在于,图像检测模块的边缘检测方法进一步包括:
图像模糊度调整,若图像模糊度指标小于min,若图像滤波前后变化很大,原图像过于锐化,则利用低通滤波器进行滤波调整;同理若大于max,说明图像滤波前后变化很小,原图像过于模糊,则利用高通滤波器进行滤波调整,以达到更佳视觉效果。
7.如权利要求3所述的应用于急性中毒安全预评价的系统,其特征在于,图像检测模块的边缘检测方法进一步包括:
得出最终图像和该图像模糊度评价指标,并显示在诊断模块的屏幕上。
8.如权利要求1所述的应用于急性中毒安全预评价的系统,其特征在于,所述的应用于急性中毒安全预评价的系统还包括:
用于获取图像,并计算滤波前后图像统计信息比值的模糊度评价模块和与模糊度评价模块连接,用于调整原图像模糊度得出最终图像和图像模糊度评价指标的模糊度调整模块;所述模糊度调整模块与提取模块连接。
9.如权利要求8所述的应用于急性中毒安全预评价的系统,其特征在于,模糊度评价模块的工作流程包括:
步骤1,图像获取,通过摄像头获取待评价图像;
步骤2,图像灰度化,为方便下面图像的边缘提取,利用数字图像处理中RGB图像R、G、B三通道像素值与灰度图像像素值转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤2,图像边缘提取,利用图像处理方法中Roberts算子边缘检测技术作用于灰度图像获取图像的边缘;
步骤4,图像处理,利用高通/低通滤波器对图像进行滤波处理以构造待评价图像的参考图像;
步骤5,图像边缘统计信息计算,分别计算图像滤波前后边缘灰度信息:边缘像素与以边缘像素为中心的某邻域内其他像素的绝对加权像素差之和,这个边缘灰度信息作为计算图像受滤波器影响大小的评测值;
步骤6,图像模糊度指标计算,如步骤5所计算,将图像滤波前后边缘灰度统计信息的比值作为模糊度指标。
10.权利要求9所述的应用于急性中毒安全预评价的系统,其特征在于,滤波器处理图像不是单一方式处理整幅评价图像,而是鉴于图像的边界和中心像素由于位置的不同导致滤波器对其处理方式的不同,根据滤波器模板大小相应地忽略边界像素后再利用滤波器处理图像,然后对于边界像素采取原始像素填充的方法进行处理;
模糊度评价模块工作流程中,计算滤波器对待评价原始图像的影响值作为评价依据时,采用边缘灰度统计信息的比值作为评价指标,这个比值越大说明两者相比变化不大,图像受滤波器影响越小,待评价图像越模糊,反之比值越小,图像越清晰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810084894.5A CN108257127A (zh) | 2018-01-29 | 2018-01-29 | 一种应用于急性中毒安全预评价的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810084894.5A CN108257127A (zh) | 2018-01-29 | 2018-01-29 | 一种应用于急性中毒安全预评价的系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108257127A true CN108257127A (zh) | 2018-07-06 |
Family
ID=62743266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810084894.5A Pending CN108257127A (zh) | 2018-01-29 | 2018-01-29 | 一种应用于急性中毒安全预评价的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257127A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108712616A (zh) * | 2018-08-14 | 2018-10-26 | 浙江大丰实业股份有限公司 | 侧光吊笼侧光检测机构 |
CN109141251A (zh) * | 2018-08-17 | 2019-01-04 | 浙江大丰实业股份有限公司 | 舞台固定机构高度检测平台 |
CN109345503A (zh) * | 2018-08-06 | 2019-02-15 | 浙江大学 | 一种基于图像多特征融合的胶囊胃镜图像出血点识别方法 |
CN114533148A (zh) * | 2022-02-15 | 2022-05-27 | 佳木斯大学 | 一种消化内科用于胃癌检测的取样系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551853A (zh) * | 2008-11-14 | 2009-10-07 | 重庆大学 | 复杂静态彩色背景下的人耳检测方法 |
CN101726251A (zh) * | 2009-11-13 | 2010-06-09 | 江苏大学 | 基于支持向量机的苹果采摘机器人果实自动识别方法 |
CN102521600A (zh) * | 2011-11-03 | 2012-06-27 | 北京农业信息技术研究中心 | 基于机器视觉的南美白对虾病害识别方法及系统 |
CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
CN106994966A (zh) * | 2017-01-05 | 2017-08-01 | 宁波华盛联合制动科技有限公司 | 一种液力缓速器控制装置及方法 |
-
2018
- 2018-01-29 CN CN201810084894.5A patent/CN108257127A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551853A (zh) * | 2008-11-14 | 2009-10-07 | 重庆大学 | 复杂静态彩色背景下的人耳检测方法 |
CN101726251A (zh) * | 2009-11-13 | 2010-06-09 | 江苏大学 | 基于支持向量机的苹果采摘机器人果实自动识别方法 |
CN102521600A (zh) * | 2011-11-03 | 2012-06-27 | 北京农业信息技术研究中心 | 基于机器视觉的南美白对虾病害识别方法及系统 |
CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
CN106994966A (zh) * | 2017-01-05 | 2017-08-01 | 宁波华盛联合制动科技有限公司 | 一种液力缓速器控制装置及方法 |
Non-Patent Citations (1)
Title |
---|
杨鹏: "基于低秩纹理特征的车牌倾斜校正方法", 《浙江工贸职业技术学院学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345503A (zh) * | 2018-08-06 | 2019-02-15 | 浙江大学 | 一种基于图像多特征融合的胶囊胃镜图像出血点识别方法 |
CN108712616A (zh) * | 2018-08-14 | 2018-10-26 | 浙江大丰实业股份有限公司 | 侧光吊笼侧光检测机构 |
CN108712616B (zh) * | 2018-08-14 | 2020-06-09 | 浙江大丰实业股份有限公司 | 侧光吊笼侧光检测机构 |
CN109141251A (zh) * | 2018-08-17 | 2019-01-04 | 浙江大丰实业股份有限公司 | 舞台固定机构高度检测平台 |
CN114533148A (zh) * | 2022-02-15 | 2022-05-27 | 佳木斯大学 | 一种消化内科用于胃癌检测的取样系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN108257127A (zh) | 一种应用于急性中毒安全预评价的系统 | |
CN104200480B (zh) | 一种应用于智能终端的图像模糊度评价方法及系统 | |
CN102982542B (zh) | 一种基于相位一致性的眼底图像血管分割方法 | |
CN110097034A (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN106407917A (zh) | 基于动态尺度分配的视网膜血管提取方法及系统 | |
CN109671068B (zh) | 一种基于深度学习的腹部肌肉标注方法及装置 | |
CN106446952A (zh) | 一种乐谱图像识别方法及装置 | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
CN113240626A (zh) | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 | |
CN108537787B (zh) | 一种人脸图像的质量判定方法 | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN108550145A (zh) | 一种sar图像质量评估方法和装置 | |
CN110490826B (zh) | 一种照相机中雾滴样本图像处理方法 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN108629762B (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及系统 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
CN106408566A (zh) | 一种胎儿超声图像质量控制方法及系统 | |
CN102842120A (zh) | 基于超复数小波相位测量的图像模糊程度检测方法 | |
CN111986157B (zh) | 一种数字病理图像质量评价系统 | |
CN110929562A (zh) | 一种基于改进Hough变换的答题卡识别方法 | |
CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
CN104715459B (zh) | 血管图像增强方法 | |
CN116721391A (zh) | 一种基于计算机视觉的原料油分离效果检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |