CN108320283A - 一种确定图像最优配色阈值范围的方法与设备 - Google Patents

一种确定图像最优配色阈值范围的方法与设备 Download PDF

Info

Publication number
CN108320283A
CN108320283A CN201810102091.8A CN201810102091A CN108320283A CN 108320283 A CN108320283 A CN 108320283A CN 201810102091 A CN201810102091 A CN 201810102091A CN 108320283 A CN108320283 A CN 108320283A
Authority
CN
China
Prior art keywords
color matching
range
pixel value
segmentation
value range
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
Application number
CN201810102091.8A
Other languages
English (en)
Inventor
王进祥
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.)
Jingjing Information Technology (shanghai) Co Ltd
Original Assignee
Jingjing Information Technology (shanghai) 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 Jingjing Information Technology (shanghai) Co Ltd filed Critical Jingjing Information Technology (shanghai) Co Ltd
Priority to CN201810102091.8A priority Critical patent/CN108320283A/zh
Publication of CN108320283A publication Critical patent/CN108320283A/zh
Pending legal-status Critical Current

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
    • G06T7/10—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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请的目的是提供一种确定图像最优配色阈值范围的方法与设备。与现有技术相比，本申请通过确定图像的像素取值范围，并基于所述像素取值范围确定配色分割范围，然后基于所述配色分割范围确定最优配色阈值范围，通过这种方式，能够确定最优配色方案，从而能够实现对最终渲染的图片颜色做自动调整，使得对给定的配色方案，能够让颜色相对均匀的分布在渲染图片上，不会出现某种颜色过多或过少的情况。

Description

一种确定图像最优配色阈值范围的方法与设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种确定图像最优配色阈值范围的技术。
背景技术
在医学中，医生对于CT(Computed Tomography，电子计算机断层扫描)影像的观察和研究对于了解病人的病灶和病情很重要，在现有技术中，通常通过窗宽窗位技术来调整医学影像数据局部对比度，这种方式需要医生熟悉不同感兴趣区域的CT值范围，并进行手动调整，而且对于参数计算出来的非常规影像，并没有适用于窗宽窗位的经验数据，非常难以手工调整。
发明内容
本申请的目的是提供一种确定图像最优配色阈值范围的方法与设备。
根据本申请的一个方面，提供了一种确定图像最优配色阈值范围的方法，其中，所述方法包括：
确定图像的像素取值范围；
基于所述像素取值范围确定配色分割范围；
基于所述配色分割范围确定最优配色阈值范围。
进一步地，其中，所述确定图像的像素取值范围包括：
确定所述图像中的部分区域的像素取值范围。
进一步地，其中，所述基于所述像素取值范围确定配色分割范围包括：
确定配色数目；
基于所述配色数目，将所述像素取值范围分成与所述配色数目对应数目的配色分割范围。
进一步地，其中，所述基于所述配色数目，将所述像素取值范围分成与所述配色数目对应数目的配色分割范围包括：
基于所述配色数目，将所述像素取值范围等分成与所述配色数目对应的配色分割范围。
进一步地，其中，所述基于所述配色分割范围确定最优配色阈值范围包括：
确定拟合目标；
基于所述拟合目标以及所述配色分割范围，确定最优配色阈值范围。
进一步地，所述确定拟合目标包括：
计算每个所述配色分割范围内的像素个数；
计算所述像素个数在每个配色分割范围内的像素均值，将所述像素均值确定为拟合目标。
根据本申请的另一方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
根据本申请的再一方面，还提供了一种确定最优配色阈值范围的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行以实现前述方法的操作。
与现有技术相比，本申请通过确定图像的像素取值范围，并基于所述像素取值范围确定配色分割范围，然后基于所述配色分割范围确定最优配色阈值范围，通过这种方式，能够确定最优配色方案，从而能够实现对最终渲染的图片颜色做自动调整，使得对给定的配色方案，能够让颜色相对均匀的分布在渲染图片上，不会出现某种颜色过多或过少的情况。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种确定图像最优配色阈值范围的方法流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及较佳实施例，对本申请的技术方案，进行清楚和完整的描述。
图1示出根据本申请一个方面提供的一种确定图像最优配色阈值范围的方法，其中，该方法包括：
S1确定图像的像素取值范围；
S2基于所述像素取值范围确定配色分割范围；
S3基于所述配色分割范围确定最优配色阈值范围。
在该实施例中，在所述步骤S1中，设备1确定图像的像素取值范围，在此，所述设备1包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；其中，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，进一步地，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机，另外，设备1还可以包括但不限于任何一种可与用户进行人机交互的移动电子产品，所述移动电子产品可以采用任意操作系统，如android操作系统、iOS操作系统等。本领域技术人员应能理解上述用户设备1仅为举例，其他现有的或今后可能出现的用户设备如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
在该实施例中，所述图像包括CT影像，在所述步骤S1中，所述设备1会对所述图像进行计算从而确定所述图像的像素值的最大值和最小值，从而确定所述图像的像素取值范围，在此，可以根据现有的计算图像的像素值的方式进行计算，本申请中不做限定。
优选地，其中，所述步骤S1包括：确定所述图像中的部分区域的像素取值范围，在该实施例中，不仅仅可以对整张图像进行像素取值范围的计算，还可以指定图像中的部分区域，例如，当用户只对图像中的部分区域感兴趣时，可以仅仅将感兴趣的部分区域进行分析，进而实现对该部分区域的配色，从而更好的对该部分区域进行分析。
继续在该实施例中，在所述步骤S2中，设备1基于所述像素取值范围确定配色分割范围，在此，所述配色分割范围是对所述像素取值范围进行分割进而确定的，在此，对所述配色分割范围进行分割的方式可以是随机的，例如，可以将所述像素取值范围随机分割成多个配色分割范围，也可以分成预设数目的配色分割范围。
优选地，其中，所述步骤S2包括：S21(未示出)设备1确定配色数目；S22(未示出)设备1基于所述配色数目，将所述像素取值范围分成与所述配色数目对应数目的配色分割范围。
在该实施例中，设备1可以通过配色数目来对所述像素取值范围进行分割，例如，用户可以根据需要指定配色数目，则设备1可以根据配色数目将所述像素取值范围分成与所述配色数目对应数目的配色分割范围，比如，当用户指定配色的数目为N个，则可以将所述像素取值范围分成N个配色分割范围。
优选地，其中，所述步骤S22包括：设备1基于所述配色数目，将所述像素取值范围等分成与所述配色数目对应的配色分割范围。
在该实施例中，当配色数目确定后，设备1会将所述像素取值范围等分成与所述配色数目对应的配色分割范围，也即会基于所述配色数目对所述像素取值范围进行均匀分割，例如，对某张图像进行计算确定图像中像素取值范围的最大值和最小值分别为max、min，假定以max、min作为配色方案初始的最大和最小分割点，且设定配色数目为蓝、绿、黄、红4种配色，则当对所述像素取值范围进行均匀分割时，可以计算得4个颜色分割点分别为seg0＝min、seg1＝min+(max-min)/4、seg2＝min+(max-min)/2、seg3＝max-(max-min)/4、max，也即4个配色分割范围分别为[seg0，seg1]、[seg1，seg2]、[seg2，seg3]、[seg3，max]。
继续在该实施例中，在所述步骤S3中，设备1基于所述配色分割范围确定最优配色阈值范围。
优选地，其中，所述步骤S3包括：S31(未示出)设备1确定拟合目标；S32(未示出)设备1基于所述拟合目标以及所述配色分割范围，确定最优配色阈值范围。
在该实施例中，可以通过拟合的方式来确定最优配色阈值范围，在所述步骤S31中，设备1确定拟合目标，在此，所述设备1确定拟合目标的方式可以通过统计所述图像的配色分割范围内的像素个数，并基于所述像素个数来实现，例如，可以多个配色分割范围内的像素个数的中位数作为拟合目标，在此上述确定拟合目标的方式仅为举例，其他现有的或者今后可能出现的确定拟合目标的方式，如适用于本申请，也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
优选地，其中，所述步骤S31包括：S31(未示出)设备1计算每个所述配色分割范围内的像素个数；S32(未示出)设备1计算所述像素个数在每个配色分割范围内的像素均值，将所述像素均值确定为拟合目标。
在该实施例中，在所述步骤S31中，所述设备1计算每个所述配色分割范围内的像素个数，例如，设定有n个配色分割范围，segi、segi+1为某两个相邻的配色分割点，则所述设备1计算这n个配色分割范围的像素个数，记为Ni，也即Ni为落在[segi,segi+1]之间的像素个数，则Ni＝f(segi,segi+1)，f由像素值的分布所决定。
继续在该实施例中，在所述步骤S32中，设备1计算所述像素个数在每个配色分割范围内的像素均值，当计算出落在每个配色分割范围内的像素个数Ni，记N为像素总数，则Ni＝N/n，将Ni作为拟合目标，通过拟合算法进行拟合，即可确定最优的配色分割范围，在此，本申请不对所述拟合算法做限定，任何适用于本申请的拟合算法都可以应用在本申请中。在确定出最优配色阈值范围后，从而根据设定的配色与像素取值的对应关系实现对所述图像的配色，进而方便用户对所述图像进行观察研究。
与现有技术相比，本申请通过确定图像的像素取值范围，并基于所述像素取值范围确定配色分割范围，然后基于所述配色分割范围确定最优配色阈值范围，通过这种方式，能够确定最优配色方案，从而能够实现对最终渲染的图片颜色做自动调整，使得对给定的配色方案，能够让颜色相对均匀的分布在渲染图片上，不会出现某种颜色过多或过少的情况。而且，本申请的方法不止限于CT和医疗影像数据，任何数值范围超过人眼分辨率的影像数据都可以应用此方法，比如PET，热成像等等，因此，本申请的方法适用范围广泛，能够为用户提供很大的便利。
此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
本申请实施例还提供了一种确定最优配色阈值范围的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：确定图像的像素取值范围；基于所述像素取值范围确定配色分割范围；基于所述配色分割范围确定最优配色阈值范围。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (9)

1.一种确定图像最优配色阈值范围的方法，其中，所述方法包括：
确定图像的像素取值范围；
基于所述像素取值范围确定配色分割范围；
基于所述配色分割范围确定最优配色阈值范围。
2.根据权利要求1所述的方法，其中，所述确定图像的像素取值范围包括：
确定所述图像中的部分区域的像素取值范围。
3.根据权利要求1或2所述的方法，其中，所述基于所述像素取值范围确定配色分割范围包括：
确定配色数目；
基于所述配色数目，将所述像素取值范围分成与所述配色数目对应数目的配色分割范围。
4.根据权利要求3所述的方法，其中，所述基于所述配色数目，将所述像素取值范围分成与所述配色数目对应数目的配色分割范围包括：
基于所述配色数目，将所述像素取值范围等分成与所述配色数目对应的配色分割范围。
5.根据权利要求2至4中任一项所述的方法，其中，所述基于所述配色分割范围确定最优配色阈值范围包括：
确定拟合目标；
基于所述拟合目标以及所述配色分割范围，确定最优配色阈值范围。
6.根据权利要求5所述的方法，其中，所述确定拟合目标包括：
计算每个所述配色分割范围内的像素个数；
计算所述像素个数在每个配色分割范围内的像素均值，将所述像素均值确定为拟合目标。
7.根据权利要求6所述的方法，其中，所述拟合算法包括最小二乘法。
8.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至7中任一项所述的方法。
9.一种确定最优配色阈值范围的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至7中任一项所述方法的操作。
CN201810102091.8A 2018-02-01 2018-02-01 一种确定图像最优配色阈值范围的方法与设备 Pending CN108320283A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810102091.8A CN108320283A (zh) 2018-02-01 2018-02-01 一种确定图像最优配色阈值范围的方法与设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810102091.8A CN108320283A (zh) 2018-02-01 2018-02-01 一种确定图像最优配色阈值范围的方法与设备

Publications (1)

Publication Number Publication Date
CN108320283A true CN108320283A (zh) 2018-07-24

Family

ID=62888251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810102091.8A Pending CN108320283A (zh) 2018-02-01 2018-02-01 一种确定图像最优配色阈值范围的方法与设备

Country Status (1)

Country Link
CN (1) CN108320283A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523473A (zh) * 2018-10-16 2019-03-26 网易（杭州）网络有限公司 图像处理方法、装置、存储介质和电子装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1371078A (zh) * 2001-02-13 2002-09-25 国际商业机器公司 图像区域处理期间暴露像素的自动着色
CN102214303A (zh) * 2010-04-05 2011-10-12 索尼公司 信息处理设备、信息处理方法及程序
CN102254326A (zh) * 2011-07-22 2011-11-23 西安电子科技大学 利用核传递进行图像分割的方法
CN102736920A (zh) * 2012-06-11 2012-10-17 广东欧珀移动通信有限公司 一种桌面图标背景蒙板的自适应配色方法
CN103413342A (zh) * 2013-07-25 2013-11-27 南京师范大学 一种基于像素点的图像文字渐变方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1371078A (zh) * 2001-02-13 2002-09-25 国际商业机器公司 图像区域处理期间暴露像素的自动着色
CN102214303A (zh) * 2010-04-05 2011-10-12 索尼公司 信息处理设备、信息处理方法及程序
CN102254326A (zh) * 2011-07-22 2011-11-23 西安电子科技大学 利用核传递进行图像分割的方法
CN102736920A (zh) * 2012-06-11 2012-10-17 广东欧珀移动通信有限公司 一种桌面图标背景蒙板的自适应配色方法
CN103413342A (zh) * 2013-07-25 2013-11-27 南京师范大学 一种基于像素点的图像文字渐变方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐世伟 等: "一种地震属性图像配色阈值选取算法", 《计算机与数学工程》 *
赵学增，王伟杰: "《纳米尺度几何量和机械量测量技术》", 30 June 2012 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523473A (zh) * 2018-10-16 2019-03-26 网易（杭州）网络有限公司 图像处理方法、装置、存储介质和电子装置

Similar Documents

Publication Publication Date Title
CN106709930B (zh) 三维医学图像的感兴趣体积分割方法及装置
Poddar et al. Non‐parametric modified histogram equalisation for contrast enhancement
Ma et al. An L 1-based variational model for Retinex theory and its application to medical images
Sun et al. Fast single image haze removal via local atmospheric light veil estimation
Fan et al. Variants of seeded region growing
Missert et al. Synthesizing images from multiple kernels using a deep convolutional neural network
Sengupta et al. Improved skin lesions detection using color space and artificial intelligence techniques
WO2020082830A1 (zh) 处理图像的方法和装置
Nnolim Partial differential equation-based hazy image contrast enhancement
US20140198993A1 (en) Exposure enhancement method and apparatus for a defogged image
US9864871B2 (en) Masking of haptic data
Wang et al. CBCT image based segmentation method for tooth pulp cavity region extraction
Zhang et al. Global sparse gradient guided variational Retinex model for image enhancement
Zhang et al. An approach for underwater image enhancement based on color correction and dehazing
Samei et al. Automated characterization of perceptual quality of clinical chest radiographs: validation and calibration to observer preference
CN108320283A (zh) 一种确定图像最优配色阈值范围的方法与设备
Vyavahare et al. Segmentation using region growing algorithm based on CLAHE for medical images
Janardhana Rao et al. Image inpainting method with improved patch priority and patch selection
CN105139345B (zh) 一种优质非标准Gamma曲线的自动搜索方法
Chen et al. Photographic reproduction and enhancement using HVS-based modified histogram equalization
CN114283760A (zh) 一种色温曲线校正方法、系统、设备及介质
Han et al. Low-illumination road image enhancement by fusing retinex theory and histogram equalization
CN108447456B (zh) 一种影像显示校正方法及装置
Bora An ideal approach for medical color image enhancement
Ji et al. Non-Uniform-Illumination Image Enhancement Algorithm Based on Retinex Theory

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room J1839, 1st floor, 1185 Huyi Highway, Jiading District, Shanghai 201800

Applicant after: Research Territory Information Technology (Shanghai) Co., Ltd.

Address before: Room 5C2-9, 15th Building, 481 Guiping Road, Xuhui District, Shanghai, 2003

Applicant before: Jingjing information technology (Shanghai) Co., Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180724