CN108389214B - 超声图像的处理方法及装置、电子设备、存储介质 - Google Patents

超声图像的处理方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN108389214B
CN108389214B CN201810183188.6A CN201810183188A CN108389214B CN 108389214 B CN108389214 B CN 108389214B CN 201810183188 A CN201810183188 A CN 201810183188A CN 108389214 B CN108389214 B CN 108389214B
Authority
CN
China
Prior art keywords
image
edge detection
decomposition
boundary
levels
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
CN201810183188.6A
Other languages
English (en)
Other versions
CN108389214A (zh
Inventor
韩晓涛
王�琦
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.)
Qingdao Hisense Medical Equipment Co Ltd
Original Assignee
Qingdao Hisense Medical Equipment 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 Qingdao Hisense Medical Equipment Co Ltd filed Critical Qingdao Hisense Medical Equipment Co Ltd
Priority to CN201810183188.6A priority Critical patent/CN108389214B/zh
Publication of CN108389214A publication Critical patent/CN108389214A/zh
Application granted granted Critical
Publication of CN108389214B publication Critical patent/CN108389214B/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
    • G06T2207/10132—Ultrasound 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

本公开揭示了一种超声图像的处理方法及装置、电子设备、计算机可读存储介质，该方案包括：对输入的超声图像进行多尺度分解，随着分解层级的增加生成分辨率逐渐减小的中间图像；对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加；根据不同分解层级所对应中间图像的边缘检测结果，合成得到超声图像的边界图像。该技术方案通过比较相邻分解层级的边缘检测结果的差异，在差异较小时，能够及时停止尺度分解，从而可以防止过度弱化弱边界，既可以减弱噪声，又增加了弱边界的可见性，在噪声抑制程度较高的情况下提取出清晰的结节边界，边缘检测的准确性高。

Description

超声图像的处理方法及装置、电子设备、存储介质
技术领域
本公开涉及图像处理技术领域，特别涉及一种超声图像的处理方法及装置、电子设备、计算机可读存储介质。
背景技术
超声是一种主流的医学诊断工具，其具有低成本、安全性好、方便快捷等优点，对超声图像的处理主要包括噪声抑制和边缘检测。超声图像与其他图像相比(如CT图像)，其病灶区域与背景区域灰度差异较小，边界不清晰且难以辨认，不利于医生诊断。超声图像的这些特点使得很多图像边缘检测算法对超声图像效果较差：过度的噪声抑制导致图像边界不清晰，丢失有效的细节，导致提取出的边缘不连续；或较弱的噪声抑制无法抑制较强的图像噪声，使得边缘提取结果含有较多的噪点。噪声抑制和边缘提取往往不能兼顾。
在现有技术中，一些图像去噪的方法被用到超声图像处理领域，如传统的维纳滤波器、自适应的Lee滤波器、非线性的自适应中值滤波器、侧重边界保持的双边滤波器等，但以上滤波器多针对加性噪声，而斑点噪声属于乘性噪声，同态滤波能较好的处理乘性噪声，但其应用在超声领域往往需要斑点噪声的先验统计信息，同时斑点噪声的形成与声场干涉有关，并不能完全用乘性噪声模型表示。这些方法力图在压制斑点噪声的同时尽量减少模糊边界，减少边界附近的平滑效果，但并不增强边界，依旧存在较强的噪声抑制会平滑边界的现象。
一些图像边缘提取算法无法在超声图像上取的很好的效果，钙化灶等声信号无法透射的组织导致图像钙化灶后方和侧方回声呈现为极低回声，进而造成边界不连续和灰度泄露。超声成像原理决定了超声声束与组织、病灶边界不垂直时会导致边界不清晰，对比度差。这些因素导致活动轮廓模型等算法不能很好的在组织边界处收敛，传统的边界检测算子如Canny算子无法获得连续的边界，一些图割方法(如Ncut)往往收敛到钙化区域而非结节边界区域。
综上，现有的超声图像处理方法，不能在噪声抑制程度较高的情况下提取出结节边界，超声图像的边缘检测准确率低。
发明内容
为了解决相关技术中存在的不能在噪声抑制程度较高的情况下提取出结节边界，超声图像的边缘检测准确率低的问题，本公开提供了一种超声图像的处理方法。
一方面，本发明提供了一种超声图像的处理方法，所述方法包括：
对输入的超声图像进行多尺度分解，随着分解层级的增加生成分辨率逐渐减小的中间图像；
对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加；
根据不同分解层级所对应中间图像的边缘检测结果，合成得到所述超声图像的边界图像。
另一方面，本发明还提供一种超声图像的处理装置，所述装置包括：
尺度分解模块，用于对输入的超声图像进行多尺度分解，随着分解层级的增加生成分辨率逐渐减小的中间图像；
边缘检测模块，用于对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加；
边缘合成模块，用于根据不同分解层级所对应中间图像的边缘检测结果，合成得到所述超声图像的边界图像。
此外，本发明还提供了一种电子设备，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述的超声图像的处理方法。
此外，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序可由处理器执行完成上述的超声图像的处理方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本发明提供的上述技术方案，通过对超声图像进行多尺度分解，并对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止多尺度分解，将不同分解层级中间图像的边缘检测结果进行合成，得到超声图像的边界图像。该技术方案通过比较相邻分解层级的边缘检测结果的差异，在差异较小时，能够及时停止尺度分解，由于随着分解层级的增加，首先减少的是弱噪声，然后是强噪声和弱边界，强边界一直保留下来，由此在边缘检测结果的变化不大时，及时停止尺度分解，，既可以减弱噪声，又可以防止过度弱化弱边界，增加弱边界的可见性，在噪声抑制程度较高的情况下提取出清晰的结节边界，边缘检测的准确性高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是根据本公开所涉及的实施环境的示意图；
图2是根据一示例性实施例示出的一种超声设备的框图；
图3是根据一示例性实施例示出的一种超声图像的处理方法的流程图；
图4是基于高斯滤波和双边滤波进行边缘检测的效果对比图；
图5是一示例性实施例示出的图像金字塔的示意图；
图6是一示例性实施例示出的小波分解的示意图；
图7是一示例性实施例示出的对各个尺度的中间图像进行边缘检测的结果对比图；
图8是图3对应实施例中步骤330的细节流程图；
图9是一示例性实施例示出的多尺度分解后进行图像增强的流程示意图；
图10是一示例性实施例示出的图像增强后进行多尺度分解的流程示意图；
图11是根据一示例性实施例示出的一种超声图像的处理方法的详细流程图；
图12是Canny边缘检测方法和本发明提供的方案的效果对比示意图；
图13是现有边缘检测算法的流程示意图；
图14为本发明提供的技术方案与其他图像处理算法的边缘检测效果对比图；
图15是一示例性实施例示出的图像噪声的抑制过程示意图；
图16是本发明一示例性实施例示出的将图像噪声的抑制过程和边缘检测过程结合起来的流程示意图；
图17是根据一示例性实施例示出的一种超声图像的处理装置的框图；
图18是图17对应实施例中的边缘合成模块的细节框图。
具体实施方式
这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的本发明所涉及的实施环境示意图。本发明所涉及的实施环境包括超声设备110，该超声设备110可以采用本发明提供的超声图像的处理方法，对超声图像进行处理，提取边界图像。根据需要，将提取的边界图像上传服务器120进行存储。
根据需要，该实施环境还可以包括超声图像的数据来源。具体而言，在本实施环境中，超声图像可以是超声设备110自身生成的，还可以是其他设备生成后发送至超声设备110的。
根据需要，超声设备110还可以连接服务器120，超声设备110采集超声图像，并将超声图像发送至服务器120，服务器120可以采用本发明提供的超声图像的处理方法，对超声设备110发送的超声图像进行处理，提取边界图像。
应当说明的是，本发明提供的超声图像的处理方法，不限于在超声设备110或服务器120中部署相应的处理逻辑，其也可以是部署于其它机器中的处理逻辑。例如，在具备计算能力的终端设备中部署超声图像的处理逻辑等。
图2是根据一示例性实施例示出的一种超声设备110的框图。举例来说，超声设备110可以是超声诊断装置，例如A型超声波诊断仪，B型超声波诊断仪等。
参照图2，超声设备110可以包括以下一个或多个组件：处理组件202，存储器204，电源组件206，多媒体组件208，音频组件210，传感器组件214以及通信组件216。
处理组件202通常控制超声设备110的整体操作，诸如与显示，电话呼叫，数据通信，相机操作以及记录操作相关联的操作等。处理组件202可以包括一个或多个处理器218来执行指令，以完成下述的方法的全部或部分步骤。此外，处理组件202可以包括一个或多个模块，便于处理组件202和其他组件之间的交互。例如，处理组件202可以包括多媒体模块，以方便多媒体组件208和处理组件202之间的交互。
存储器204被配置为存储各种类型的数据以支持在超声设备110的操作。这些数据的示例包括用于在超声设备110上操作的任何应用程序或方法的指令。存储器204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。存储器204中还存储有一个或多个模块，该一个或多个模块被配置成由该一个或多个处理器218执行，以完成下述图3、图8-图11、图15、图16任一所示方法中的全部或者部分步骤。
电源组件206为超声设备110的各种组件提供电力。电源组件206可以包括电源管理系统，一个或多个电源，及其他与为超声设备110生成、管理和分配电力相关联的组件。
多媒体组件208包括在所述超声设备110和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(Liquid Crystal Display，简称LCD)和触摸面板。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。屏幕还可以包括有机电致发光显示器(Organic Light Emitting Display，简称OLED)。
音频组件210被配置为输出和/或输入音频信号。例如，音频组件210包括一个麦克风(Microphone，简称MIC)，当超声设备110处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器204或经由通信组件216发送。在一些实施例中，音频组件210还包括一个扬声器，用于输出音频信号。
传感器组件214包括一个或多个传感器，用于为超声设备110提供各个方面的状态评估。例如，传感器组件214可以检测到超声设备110的打开/关闭状态，组件的相对定位，传感器组件214还可以检测超声设备110或超声设备110一个组件的位置改变以及超声设备110的温度变化。在一些实施例中，该传感器组件214还可以包括磁传感器，压力传感器或温度传感器。
通信组件216被配置为便于超声设备110和其他设备之间有线或无线方式的通信。超声设备110可以接入基于通信标准的无线网络，如WiFi(WIreless-Fidelity，无线保真)。在一个示例性实施例中，通信组件216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件216还包括近场通信(NearField Communication，简称NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(Radio Frequency Identification，简称RFID)技术，红外数据协会(Infrared DataAssociation，简称IrDA)技术，超宽带(Ultra Wideband，简称UWB)技术，蓝牙技术和其他技术来实现。
在示例性实施例中，超声设备110可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器、数字信号处理设备、可编程逻辑器件、现场可编程门阵列、控制器、微控制器、微处理器或其他电子元件实现，用于执行下述方法。
图3是根据一示例性实施例示出的一种超声图像的处理方法的流程图。该超声图像的处理方法的适用范围和执行主体，例如，该方法用于图1所示实施环境的超声设备110。如图3所示，该方法可以由超声设备110执行，可以包括以下步骤。
在步骤310中，对输入的超声图像进行多尺度分解，随着分解层级的增加生成分辨率逐渐减小的中间图像；
其中，多尺度分解是指将超声图像生成分辨率逐渐减小的多张图像，在此将生成的这些分辨率逐渐变小的图像称为中间图像。随着分解层级的增加是指随着分解次数的增加，多分解一次可以认为多增加一个分解层级。
常用的多尺度/多分辨率表示方法有高斯金字塔表示、非线性尺度空间、仿射高斯尺度空间、小波理论等等。高斯金字塔是尺度空间的标准表示方法，但使用其多次模糊图像后，图像边界会发生偏移现象，同时边界会被过度模糊。
如图4所示，依次是原始超声图像401、将原始超声图像401次双边滤波后进行Canny边缘检测图402、将原始超声图像401次高斯滤波后进行Canny检测图403和与原始边界的对比图。对比图中线条405为医生标定的边界，402为经10次双边滤波后进行Canny边缘检测图，403为经10次高斯滤波后进行Canny检测图。可以看出，经多次高斯滤波后，检测出的结节边界发生了明显的偏移。
本发明可以使用双边滤波替代高斯滤波构建高斯金字塔，双边滤波具有较好的边缘保持效果，另外小波分解也是一种很好的选择，并且两者皆可以优化以加快运算速度。
如图5所示，超声金字塔是图像多尺度表达的一种，是一种以多分辨率来解释图像的有效但概念简单的结构。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图像的图像集合。其通过平滑和下采样获得。我们将一层一层的图像比喻成金字塔，层级越高，则图像越小，分辨率越低。
如图6所示，小波变换是图像多尺度表达的另一种方法，图像经过一级小波变换后，分解出第一级的纵向低频和横向低频分量、纵向高频和横向低频分量、横向高频和纵向低频分量、纵向高频和纵向低频分量，二级小波分解是将第一级的纵向低频和横向低频分量分解成第二级的纵向低频和横向低频分量、纵向高频和横向低频分量、横向高频和纵向低频分量、纵向高频和纵向低频分量，以此类推。分解次数越多分辨率越低，图像尺寸越小。
多尺度的上位级表示图像的高频分量，其代表图像的边界信息和噪声；多尺度的下位级表示图像的低频分量，其代表图像的组织信息。这类似于人在距离目标由近到远时，目标在视网膜上的形成过程，离得越远，尺度越大，图像越模糊；离得越近，尺度越小，图像越清晰。尺度空间理论是描述该过程的一种方法，高斯金字塔是早期图像多尺度的表示形式。图像金字塔化一般包括两个步骤：使用高斯核平滑图像；对平滑图像进行降采样(通常是水平，竖直方向1/2)，从而得到一系列尺寸缩小的图像。随着尺寸的缩小，高频分量降低，图像越模糊。
也就是说，通过对超声图像进行多尺度分解，随着分解次数的增加，可以得到一系列尺寸缩小分辨率逐渐降低的图像。
在步骤320中，对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加；
其中，边缘检测可以采用现有的边缘检测算法，举例来说，Canny算子、TV模型等。本发明优先选用性能较好的边缘检测方法，Canny算子是一种最优化的边缘检测算法。阈值可以是人为设定的经验值，阈值大小需保证使相邻分解层级的边缘检测结果之间的差异较小，换句话说，所选取的阈值应较小，从而使相邻分解层级的边缘检测结果之间的差异较小。
通过对同一超声图像的不同尺度(即不同分辨率)的中间图像进行边缘检测，可以发现随着图像尺度分解次数的增加，图像模糊的程度增加，弱边界和噪声越来越少的被检测出来，也就是说边缘检测的查准率持续增加，查全率持续降低；同理每次下采样前的图像更清晰，弱边界和噪声越来越多的被检测出来，也就是说边缘检测的查准率持续降低，查全率持续增加。
如图7所示，表示对各个尺度的中间图像进行边缘检测的结果，分别是原图701，对原图701进行Canny边缘检测效果图702、进行1次尺度分解+Canny边缘检测效果图703、进行2次尺度分解+Canny边缘检测效果图704、进行4次尺度分解+Canny边缘检测效果图705、进行6次尺度分解+Canny边缘检测效果图706、进行8次尺度分解+Canny边缘检测效果图707、进行10次尺度分解+Canny边缘检测效果图708。从图中可以看出，随着分解层级的增加，首先减少的是弱噪声，然后是强噪声和弱边界，强边界则会一直保留下来，不随尺度层级的增加而剧烈变化。
在此，为了获得超声图像的弱边界和强边界而不显示超声图像的噪声，同时弱边界和强边界的对比度不应太大，因此需要满足(1)尺度分解的层级数不能太大，太大会导致过度弱化弱边界；(2)需要增加弱边界和噪声的对比度，减小弱边界和强边界的对比度。
为了满足上述条件(1)，上述步骤320在相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加，从图7中可以看出，随着分解层级的增加，首先减少的是弱噪声，然后是强噪声和弱边界，强边界则会一直保留下来，本发明在边缘检测结果的差异变化不大时，及时停止尺度分解，既可以减弱噪声，又可以防止过度弱化弱边界，增加弱边界的可见性。
具体的，上述步骤320具体包括：
对每一分解层级的中间图像进行边缘检测；
计算相邻分解层级所对应中间图像边缘检测结果之间的差异；
如果差异大于等于阈值，则继续进行分解层级的增加；相反的，如果差异小于阈值连续出现预设次数，则停止分解层级的增加。
具体的，分解层级增加一层，多生成一张分辨率降低的中间图像，可以通过Cann边缘检测算法对该中间图像进行边缘检测，将该低分辨率的中间图像的边缘检测结果与下层较高分辨率的中间图像的边缘检测结果进行差异对比，如果差异较大则继续分解，如果差异不大，则停止进行多尺度分解。预设次数可以是2次或三次，在差异不大的情况连续出现两次时，停止进行多尺度分解。
换句话说的，对当前分解层级的中间图像进行边缘检测，如果与前一次分解层级的中间图像的边缘检测结果差异不大，可以认为当前分解层级的中间图像的弱边界已经没有了，如果再继续进行尺度分解，会导致过度弱化弱边界，拉大弱边界和强边界的对比度。由此，通过比较相邻分解层级的边缘检测结果的差异，在差异较小(即差异小于阈值)时，及时停止尺度分解，既可以减弱噪声，又增加了弱边界的可见性。
需要说明的是，判断两幅边缘检测结果图像的差异的方法有互相关(p)、绝对差异和(SAD)、差异平方和(SSD)、差异立方和(SCD)、差异的幂的和(SPD)等。上述方法的计算公式依次如下所示：
Figure BDA0001589497300000091
Figure BDA0001589497300000092
Figure BDA0001589497300000093
Figure BDA0001589497300000094
Figure BDA0001589497300000101
其中S1，S2是两幅相邻图像。
本文可以基于计算量和实际效果选择绝对差异和。需要说明的是，本发明并不局限于某种具体检测两幅图像差异的方法。
在步骤330中，根据不同分解层级所对应中间图像的边缘检测结果，合成得到所述超声图像的边界图像。
每一分解层级所对应中间图像的边缘检测结果可以看成是子分类器的分类结果，而将每一分解层级的边缘检测结果进行合成，可以通过分类器集成算法，如Boosting算法或Adaboost算法，将每一分解层级的边缘检测结果加权融合。
具体的，由于个体学习器准确性越高，集成效果越小，因此可以选用性能较好的边缘检测方法，如Canny算子、TV模型等，得到性能好的“子分类器”，进而得到准确性较高的边缘检测结果，即得到准确性较高的子分类器分类结果。然后通过分类器集成算法，对每一分解层级的边缘检测结果加权融合，其中，每一分解层级的权重可以通过Boosting算法或Adaboost算法提前对大量样本图像进行训练，优化每一分解层级的权重，使样本图像各层边缘检测结果所合成的边界图像与标准边界图之间的差距最小。
在其他实施例中，也可根据Bagging、投票法、加权投票法等，将不同分解层级的边缘检测结果合成得到超声的边界图像。以投票法举例来说，根据超声图像中各点在每一分解层级的中间图像被检测出是边缘的情况，通过投票法，即“少数服从多数”，在50％以上的中间图像被检测出是边缘时，确定该点是边缘点。由此，通过对超声图像中各个点进行判断，可以确定各个点是否是边缘点，最终生成由边缘点组成的边界图像。
本发明提供的上述技术方案，通过对超声图像进行多尺度分解，并对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止多尺度分解，将不同分解层级中间图像的边缘检测结果进行合成，得到超声图像的边界图像。该技术方案通过比较相邻分解层级的边缘检测结果的差异，在差异较小时，能够及时停止尺度分解，从而可以防止过度弱化弱边界，既可以减弱噪声，又增加了弱边界的可见性，在噪声抑制程度较高的情况下提取出清晰的结节边界。
在一种示例性实施例中，步骤330具体包括：
根据所述超声图像中各点在不同分解层级被检测为是边界点的边缘检测结果以及相应分解层级的权重，确定所述超声图像中各点是否是边界点，得到所述超声图像的边界图像。
其中，由于不同分解层级的边缘检测效果不同，由此相应分解层级的权重可以根据大量已知图像各层级的边缘检测效果与相应边界图，通过Adaboost算法计算处得到。
举例来说，假设各个分解层级的权重为0.1、0.3、0.4、0.2，假设超声图像中某一点在各个分解层级被检测为边界点的结果依次是1、1、1、0，其中，1代表是边界点，0代表不是边界点。将不同分解层级的边缘检测结果与相应分解层级的权重相乘后进行求和，即1×0.1+1×0.3+1×0.4+0×0.2＝0.8。
举例来说，可以通过设定阈值(如0.5)，当求和结果大于阈值时，认为该点属于边界点，经过对超声图像的各个点进行边界点的判定，确定超声图像中的边界点，得到边界图像。
在一种示例性实施例中，上述8所示，上述步骤330具体包括：
在步骤331中，根据所述超声图像中各点在不同分解层级被检测为是边界点的边缘检测结果以及相应分解层级的权重，加权得到所述超声图像中各点是边界点的程度值图；
其中，程度值图用于表征超声图像中各点是边界点的概率大小，概率越大，灰度值越大。
具体的，将超声图像中各点在不同分解层级被检测为是边界点的边缘检测结果乘以相应分解层级的权重，加权后得到超声图像中各点是边界点的概率值。进而根据超声图像中各点是边界点的概率值，生成程度值图。其中，超声图像中某点是边界点的概率值越大，该点在程度值图对应的灰度值越大。假设超声图像中某点是边界点的概率为70％，则该点在程度值图中对应的灰度值可以为70％×255。
进一步，在上述步骤331之前，本发明提供的方法还可以包括确定不同分解层级的权重的步骤。具体过程如下：
对多张样本图像进行多尺度分解；
对所述样本图像不同分解层级的尺度图像进行边缘检测，获得所述样本图像不同分解层级的边缘检测结果；
根据所述样本图像的标准边界图与所述样本图像不同分解层级的边缘检测结果，确定不同分解层级的权重。
需要说明的是，对样本图像的多尺度分解方式可以参照上述步骤310中对超声图像的多尺度分解方式，得到样本图像在不同分解层级的尺度图像。进而可以采用Canny算法对不同分解层级的尺度图像进行边缘检测，获得样本图像在不同分解层级的边缘检测结果。
具体的，根据样本图像已知的标准边界图，通过Adaboost算法对不同分解层级的边缘检测结果进行学习，调整每一分解层级的权重，使所有分解层级的边缘检测结果加权融合得到的样本边界图与该标准边界图之间的差异最小。
在步骤332中，对所述程度值图进行仿射变换，用于提升所述程度值图中各点的对比度，得到仿射图像；
其中，仿射变换是指进行映射操作，以提升程度值图中各点的对比度。在此，可以使用gamma(伽玛)值大于1的gamma变换(或幂次变换s＝c*rγ)或对数变换(s＝c*log(1+r))等变换方式。在一种示例性实施例中，可以采用了一元二次方程作为映射函数(T(r)＝a*r2+b*r+c)。其中，r表示程度值图中相应点的灰度值，通过进行仿射变换，可以增加弱边界和噪声的对比度，减小弱边界和强边界的对比度。需要说明的是，映射也可以通过映射表的方式进行，映射表是一种表示不同输入值——输出值映射关系的表格(s＝T(r))，利用映射表可以通过查地址的方式快速实现仿射变换，是仿射变换的一种快速实现方法。该方法可以增加弱边界和噪声的对比度，减小弱边界和强边界的对比度，满足上述条件(2)的要求。
作为一种优选方案，可以对超声图像进行预处理以削弱钙化灶，钙化灶的检测可使用大律法或其他现有的方式。
在步骤333中，对所述仿射图像中各点的像素值进行归一化，生成所述超声图像的边界图像。
其中，对仿射图像中各点的像素值进行归一化是指根据该仿射图像的像素最大值和最小值，重新确定各个像素点的像素值，进一步提高对比度。假设仿射图像的像素最大值为a和最小值为b，仿射图像中某点的像素值为z，则该点经过归一化后的像素值为
Figure BDA0001589497300000121
在一种示例性实施例中，对程度值图采用一元二次函数(T(r)＝a*r2+b*r+c)进行仿射变换，将变换后的仿射图像进行归一化得到边界图像g(x，y)。
Figure BDA0001589497300000131
其中，r代表程度值图像中点(x，y)的灰度值。
在一种示例性实施例中，所述对每一分解层级的中间图像进行边缘检测之前，所述方法包括：
对所述中间图像进行图像增强，以抑制图像噪声。
其中，进行图像增强的算法可以是双边滤波算法，也可以是各向异性扩散模型、TV模型、高斯滤波等其他算法。本发明优选采用双边滤波算法进行图像增强。
需要说明的是，在滤波算法中，目标点的灰度值通常由其局部区域像素的灰度值决定，在二维高斯滤波中就是对目标点所在位置的局部邻域像素的灰度值分别赋以不同的高斯权重值，并在加权平均后得到目标点的灰度值，高斯滤波中的权重值仅由像素间的空间距离决定，一般如下所述：
Figure BDA0001589497300000132
其中Gσ(x)指二维高斯核：
Figure BDA0001589497300000133
高斯滤波的权值分布与图像内容无关，这导致它对细节的保护效果并不明显，使用时会较明显地模糊边缘。
与之不同的是，双边滤波(Bilateral filter)是一种可以保边去噪的滤波器，公式如下。
双边滤波：
Figure BDA0001589497300000134
其中Wp是一个标准量：
Figure BDA0001589497300000135
从上式可以看出双边滤波的两个高斯函数分别由像素的几何距离和灰度差异决定系数，这使得距离过远和灰度值差异较大的像素点对当前点影响较小，从而达到去噪保边的目的。
如图9所示，一般是在多尺度分解后做图像增强。本方案中也可以在图像多尺度分解前做图像增强，如图10所示。其中，图像增强是指采用双边滤波算法去除图像的噪声。
如图9所示，对输入超声图像进行多尺度分解得到中间图像，对中间图像进行图像增强；然后对增强图像进行边缘检测，得到边缘图像；然后比较相邻层级的边缘图像的差异，如果差异较大，继续分解；如果差异较小，对不同层级的边缘图像进行集成，然后对集成后图像(即程度值图)进行仿射变换，输出边缘提取结果。
如图10所示，对输入图像进行图像增强后进行多尺度变换，得到中间图像，实现对中间图像的图像增强。然后对中间图像进行边缘检测，得到边缘图像；比较相邻层级的边缘图像的差异，如果差异较大，继续分解；如果差异较小，对不同层级的边缘图像进行集成，然后对集成后图像(即程度值图)进行仿射变换，输出边缘提取结果。
在一个具体实施例中，如图11所示，首先对输入的超声图像a1进行一次双边滤波得到增强后的图像b1，对增强后图像b1进行一次多尺度分解得到低分辨率图像c1(即中间图像)，然后使用Canny算子检测c1图像边缘得到边界图像d1。
然后对低分辨率图像c1进行一次双边滤波得到增强后的图像b2，对增强后图像b2进行一次多尺度分解得到低分辨率图像c2(中间图像)，然后使用Canny算子检测c2图像边缘得到边界图像d2，超声设备110所部署的差异检测模块计算两次边缘检测图像d1和d2的差异，如果差异较大则继续对低分辨率图像c2进行图像增强操作、边界提取操作和差异检测等操作，直到连续两次差异检测模块计算的差异值都较小。
当连续两次差异检测模块计算的差异值都较小时，说明当前尺度中间图像的弱边界已经没有了，超声设备110所部署的边缘检测集成模块根据超声图像上各点在d1，d2，……dn(n是最终的尺度分解次数)被检测出是边缘的情况乘以相应尺度分解层数的权重，得到各个点是图像边缘的程度值图e。
Figure BDA0001589497300000141
其中，wi表示第i个分解层级的权重，h(x，y)表示超声图像中点(x，y)在每一分解层级被检测出是边缘的情况，e(x，y)表示超声图像中点(x，y)是边缘点的概率。
其中，相应尺度分解层数的权重wi是根据大量图像各个层级的边缘检测效果与相应标准边界图用Adaboost算法计算出的。对程度值图e进行仿射变换，本实施例采用一元二次函数：
T(r)=a*r2+b*r+c
进行变换，将变换后的图像f进行归一化得到边界图像g
Figure BDA0001589497300000151
将g作为边界图像进行输出。
与现有技术相比，本发明的超声图像的处理方法具有以下优点：能够减弱噪声对边界提取的影响，增加弱边界的可见性，增加弱边界和噪声的对比度，减小弱边界和强边界的对比度，兼顾噪声抑制和边缘提取，使所提取的边界连续清晰、连续，易于辨认。
图12为Canny边缘检测方法和本发明提供的方案的对比示意图。Canny算子一种最优化边缘检测算法，在边缘检测领域得到了广泛的应用，其处理步骤如下图13所示。由于超声图像固有的斑点噪声和部分边缘缺失的原因，直接使用Canny边缘检测算子的分割结果出现噪声点错检和弱边缘丢失的现象。如图12所示，通过对原图、Canny算子对原图的边缘检测结果、采用本发明提供的方案对原图的边缘检测结果进行对比，可以看出，采用Canny算子进行边缘检测存在较多噪声点，无法获得连续的边界。而本发明的边缘检测结果，明显减弱了噪声，边界清晰，并提升了边界的连续程度。
图14为本发明提供的技术方案与其他部分图像处理算法的边缘检测效果对比图，如图14所示，采用本发明提供的技术方案进行边缘检测，边界清晰且提升了边界的连续程度。而基于Ncut(一种图像分割算法)、Multiscale Ncut(多尺度图像分割算法)以及活动轮廓模型进行边缘检测的效果较差，无法收敛到结节的边界区域。
需要强调的是，一些噪声抑制算法被应用在超声系统上以提升系统的组织对比度，但是边缘提取算法在超声系统上的应用不如噪声抑制算法多，但边缘提取算法在局部领域也有着重要的应用，例如衡量初期粥样硬化的重要指标——颈动脉血管的内中膜厚度(Intima-Media Thickness,IMT)和心脏内膜测量等，往往需要首先对这些图像进行边缘检测。现有的一些医学诊断标准如甲状腺影像报告和数据系统(Thyroid Imaging-ReportingAnd Data System,TI-RADS)、乳腺影像报告和数据系统(Breast Imaging-Reporting AndData System,BI-RADS)等需要用到结节的边界信息，针对这些标准设计的计算机辅助诊断系统需要准确检测结节边界。由此可见，本发明提供的技术方案具有较高的应用前景。
在一种示例性实施例中，对所述中间图像进行图像增强之后，所述方法还包括：
对经过图像增强的不同分解层级的中间图像进行重构，生成所述超声图像的增强图像。
需要说明的是，对超声图像进行图像处理包括噪声抑制和边缘检测。如图15所示，是一种图像噪声的抑制方案，在对输入的超声图像进行多尺度分解后，可以对中间图像进行图像增强，抑制噪声。然后将经过图像增强后的不同层级的中间图像进行图像融合，输出超声图像的增强图像。
其中，重构是指将经过图像增强后的不同分解层级的中间图像合成为一副图像。多尺度分解重构的方法可以采用现有技术实现。例如小波分解的重构方法。
进一步的，所述对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加，包括：
判断已分解层级是否满足图像增强的预设层数；
在已分解层级满足图像增强的预设层数且相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值时，停止分解层级的增加。
需要说明的是，为了让本发明提供的方案能够输出超声图像的增强图像以及超声图像的边界图像，尺度分解次数除了满足提取边界的需求，还需要满足图像增强的需求。如图16所示，需要判断多尺度分解的已分解层级是否满足图像增强的层级需要。还需要判断边缘图像是否稳定，即相邻分解层级所对应中间图像的边缘检测结果之间的差异是否小于阈值，可选的，差异连续两次小于阈值时认为是边缘图像达到稳定。当同时满足上述两个条件时，可以停止进行尺度分解。
如图16所示，将图像噪声的抑制过程和边缘检测过程结合起来、减少了图像处理过程的整体计算量。图像噪声的抑制过程和边缘检测过程共用图像多尺度分解步骤和图像增强步骤，这两步骤往往是整个图像处理模块中运算量最大的两个部分，因此本方案不会在图像噪声抑制系统上增加太多的计算量，就可以实现边缘检测的功能。
需要强调的是，现有超声系统帧率较高，实时性强，对图像算法的处理速度有着较高的要求，现有技术边缘提取算法与噪声抑制算法迥异，增加了超声系统的负担。而本发明提供的技术方案边缘检测过程和图像噪声抑制过程共用大部分计算步骤，减小了系统硬件要求，可以满足超声系统高帧率的要求。
下述为本公开装置实施例，可以用于执行本公开上述超声设备110执行的超声图像的处理方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开超声图像的处理方法实施例。
图17是根据一示例性实施例示出的一种超声图像的处理装置的框图，该超声图像的处理装置可以用于图1所示实施环境的超声设备110中，执行图3、图8-图11、图15、图16任一所示的超声图像的处理方法的全部或者部分步骤。如图17所示，该处理装置包括但不限于：尺度分解模块1710、边缘检测模块1720以及边缘合成模块1730。
尺度分解模块1710，用于对输入的超声图像进行多尺度分解，随着分解层级的增加生成分辨率逐渐减小的中间图像；
边缘检测模块1720，用于对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加；
边缘合成模块1730，用于根据不同分解层级所对应中间图像的边缘检测结果，合成得到所述超声图像的边界图像。
上述装置中各个模块的功能和作用的实现过程具体详见上述超声图像的处理方法中对应步骤的实现过程，在此不再赘述。
尺度分解模块1710比如可以是图2中的某一个物理结构处理器218。
边缘检测模块1720以及边缘合成模块1730也可以是功能模块，用于执行上述超声图像的处理方法中的对应步骤。可以理解，这些模块可以通过硬件、软件、或二者结合来实现。当以硬件方式实现时，这些模块可以实施为一个或多个硬件模块，例如一个或多个专用集成电路。当以软件方式实现时，这些模块可以实施为在一个或多个处理器上执行的一个或多个计算机程序，例如图2的处理器218所执行的存储在存储器204中的程序。
其中，如图18所示，所述边缘合成模块1730包括：
加权处理单元1731，用于根据所述超声图像中各点在不同分解层级被检测为是边界点的边缘检测结果以及相应分解层级的权重，加权得到所述超声图像中各点是边界点的程度值图；
仿射变换单元1732，用于对所述程度值图进行仿射变换，用于提升所述程度值图中各点的对比度，得到仿射图像；
归一化单元1733，用于对所述仿射图像中各点的像素值进行归一化，生成所述超声图像的边界图像。
可选的，本公开还提供一种电子设备，该电子设备可以用于图1所示实施环境的超声设备110中，执行图3、图8-图11、图15、图16任一所示的超声图像的处理方法的全部或者部分步骤。所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述示例性实施例所述的超声图像的处理方法。
该实施例中电子设备的处理器执行操作的具体方式已经在有关该超声图像的处理方法的实施例中执行了详细描述，此处将不做详细阐述说明。
在示例性实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质存储有计算机程序，所述计算机程序可由超声设备110的处理器218执行以完成上述超声图像的处理方法。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (11)

1.一种超声图像的处理方法，其特征在于，所述方法包括：
对输入的超声图像进行多尺度分解，随着分解层级的增加生成分辨率逐渐减小的中间图像；
对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加；
根据不同分解层级所对应中间图像的边缘检测结果，合成得到所述超声图像的边界图像。
2.根据权利要求1所述的方法，其特征在于，所述根据不同分解层级所对应中间图像的边缘检测结果，合成得到所述超声图像的边界图像，包括：
根据所述超声图像中各点在不同分解层级被检测为是边界点的边缘检测结果以及相应分解层级的权重，确定所述超声图像中各点是否是边界点，得到所述超声图像的边界图像。
3.根据权利要求1所述的方法，其特征在于，所述根据不同分解层级所对应中间图像的边缘检测结果，合成得到所述超声图像的边界图像，包括：
根据所述超声图像中各点在不同分解层级被检测为是边界点的边缘检测结果以及相应分解层级的权重，加权得到所述超声图像中各点是边界点的程度值图；
对所述程度值图进行仿射变换，用于提升所述程度值图中各点的对比度，得到仿射图像；
对所述仿射图像中各点的像素值进行归一化，生成所述超声图像的边界图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述超声图像中各点在不同分解层级被检测为是边界点的边缘检测结果以及相应分解层级的权重，加权得到所述超声图像中各点是边界点的程度值图之前，所述方法还包括：
对多张样本图像进行多尺度分解；
对所述样本图像不同分解层级的尺度图像进行边缘检测，获得所述样本图像不同分解层级的边缘检测结果；
根据所述样本图像的标准边界图与所述样本图像不同分解层级的边缘检测结果，确定不同分解层级的权重。
5.根据权利要求1所述的方法，其特征在于，所述对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加，包括：
对每一分解层级的中间图像进行边缘检测；
计算相邻分解层级所对应中间图像边缘检测结果之间的差异；
如果差异大于等于阈值，则继续进行分解层级的增加；相反的，如果差异小于阈值连续出现预设次数，则停止分解层级的增加。
6.根据权利要求1所述的方法，其特征在于，所述对每一分解层级的中间图像进行边缘检测之前，所述方法包括：
对所述中间图像进行图像增强，以抑制图像噪声。
7.根据权利要求6所述的方法，其特征在于，所述对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加，包括：
判断已分解层级是否满足图像增强的预设层数；
在已分解层级满足图像增强的预设层数且相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值时，停止分解层级的增加。
8.根据权利要求6所述的方法，其特征在于，所述对所述中间图像进行图像增强之后，所述方法还包括：
对经过图像增强的不同分解层级的中间图像进行重构，生成所述超声图像的增强图像。
9.一种超声图像的处理装置，其特征在于，所述装置包括：
尺度分解模块，用于对输入的超声图像进行多尺度分解，随着分解层级的增加生成分辨率逐渐减小的中间图像；
边缘检测模块，用于对每一分解层级的中间图像进行边缘检测，直到相邻分解层级所对应中间图像的边缘检测结果之间的差异小于阈值，则停止分解层级的增加；
边缘合成模块，用于根据不同分解层级所对应中间图像的边缘检测结果，合成得到所述超声图像的边界图像。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-8任意一项所述的超声图像的处理方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序可由处理器执行完成权利要求1-8任意一项所述的超声图像的处理方法。
CN201810183188.6A 2018-03-06 2018-03-06 超声图像的处理方法及装置、电子设备、存储介质 Active CN108389214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810183188.6A CN108389214B (zh) 2018-03-06 2018-03-06 超声图像的处理方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810183188.6A CN108389214B (zh) 2018-03-06 2018-03-06 超声图像的处理方法及装置、电子设备、存储介质

Publications (2)

Publication Number Publication Date
CN108389214A CN108389214A (zh) 2018-08-10
CN108389214B true CN108389214B (zh) 2022-03-01

Family

ID=63069975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810183188.6A Active CN108389214B (zh) 2018-03-06 2018-03-06 超声图像的处理方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN108389214B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276755B (zh) * 2019-06-25 2021-07-06 广东工业大学 一种肿瘤位置定位系统及相关装置
CN111462004B (zh) * 2020-03-30 2023-03-21 推想医疗科技股份有限公司 图像增强方法和装置、计算机设备、存储介质
CN113077394B (zh) * 2021-03-25 2022-09-27 青岛海信医疗设备股份有限公司 图像处理方法、电子设备和存储介质
CN113450325B (zh) * 2021-06-28 2022-09-09 什维新智医疗科技(上海)有限公司 一种甲状腺结节良恶性识别装置
CN113208710B (zh) * 2021-07-08 2021-08-31 深圳华声医疗技术股份有限公司 穿刺针显影增强方法、装置、超声设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0610604A1 (en) * 1993-02-11 1994-08-17 Agfa-Gevaert N.V. Multiple processing of radiographic images based on a pyramidal image decomposition
CN102831598A (zh) * 2012-07-04 2012-12-19 西安电子科技大学 多分辨率NMF和Treelet融合的遥感图像变化检测方法
CN103093441A (zh) * 2013-01-17 2013-05-08 西安电子科技大学 基于变换域的非局部均值和双变量模型的图像去噪方法
CN103413288A (zh) * 2013-08-27 2013-11-27 南京大学 一种lcd总体检测缺陷方法
CN105303538A (zh) * 2015-11-30 2016-02-03 华北电力大学（保定） 一种基于nsct和pca的高斯噪声方差估计方法
CN105931246A (zh) * 2016-05-05 2016-09-07 东华大学 一种基于小波变换和遗传算法的织物瑕疵检测方法
CN107578418A (zh) * 2017-09-08 2018-01-12 华中科技大学 一种融合色彩和深度信息的室内场景轮廓检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8224078B2 (en) * 2000-11-06 2012-07-17 Nant Holdings Ip, Llc Image capture and identification system and process
CN103345731A (zh) * 2013-07-22 2013-10-09 上海大学 基于McIlhagga边缘检测算子的各向异性扩散图像降噪方法
CN106504244A (zh) * 2016-11-03 2017-03-15 中国矿业大学 一种基于Retinex与小波尺度积的矿井图像边缘检测算法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0610604A1 (en) * 1993-02-11 1994-08-17 Agfa-Gevaert N.V. Multiple processing of radiographic images based on a pyramidal image decomposition
CN102831598A (zh) * 2012-07-04 2012-12-19 西安电子科技大学 多分辨率NMF和Treelet融合的遥感图像变化检测方法
CN102831598B (zh) * 2012-07-04 2014-10-01 西安电子科技大学 多分辨率NMF和Treelet融合的遥感图像变化检测方法
CN103093441A (zh) * 2013-01-17 2013-05-08 西安电子科技大学 基于变换域的非局部均值和双变量模型的图像去噪方法
CN103413288A (zh) * 2013-08-27 2013-11-27 南京大学 一种lcd总体检测缺陷方法
CN105303538A (zh) * 2015-11-30 2016-02-03 华北电力大学（保定） 一种基于nsct和pca的高斯噪声方差估计方法
CN105931246A (zh) * 2016-05-05 2016-09-07 东华大学 一种基于小波变换和遗传算法的织物瑕疵检测方法
CN107578418A (zh) * 2017-09-08 2018-01-12 华中科技大学 一种融合色彩和深度信息的室内场景轮廓检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Multiscale edge fusion for vehicle detection based on difference of Gaussian;Kenan Mua等;《Elsevier》;20160106;第4794–4798页 *
一种基于小波多尺度边缘检测的图像融合算法;夏明革等;《电子与信息学报》;20050131;第27卷(第1期);第56-59页 *
彩色视频图像卡通风格化研究与实现;王巧玉等;《华侨大学学报（自然科学版）》;20141130;第35卷(第6期);第659-664页 *
改进Bubble函数的多分辨率边缘提取方法;余瑞星等;《火力与指挥控制》;20070731;第32卷(第7期);第8-10页 *

Also Published As

Publication number Publication date
CN108389214A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
CN108389214B (zh) 超声图像的处理方法及装置、电子设备、存储介质
Coupé et al. Nonlocal means-based speckle filtering for ultrasound images
Coupé et al. Bayesian non local means-based speckle filtering
Singh et al. Feature enhancement in medical ultrasound videos using contrast-limited adaptive histogram equalization
Zhan et al. Nonlocal means method using weight refining for despeckling of ultrasound images
Santos et al. Ultrasound image despeckling using stochastic distance-based BM3D
US9245323B2 (en) Medical diagnostic device and method of improving image quality of medical diagnostic device
CN109949254B (zh) 穿刺针超声图像增强方法及装置
Bhuiyan et al. Spatially adaptive thresholding in wavelet domain for despeckling of ultrasound images
Dolui et al. A new similarity measure for non-local means filtering of MRI images
CN110853024B (zh) 医疗图像处理方法、装置、存储介质及电子设备
CN110956632B (zh) 钼靶图像中胸大肌区域自动检测方法及装置
Nadeem et al. Fuzzy logic based computational model for speckle noise removal in ultrasound images
Bhairannawar Efficient medical image enhancement technique using transform HSV space and adaptive histogram equalization
Khan et al. Experimental evaluation of filters used for removing speckle noise and enhancing ultrasound image quality
CN111260641A (zh) 一种基于人工智能的掌上超声成像系统及其方法
Osman et al. The effect of filtering algorithms for breast ultrasound lesions segmentation
Lee et al. Speckle reduction via deep content-aware image prior for precise breast tumor segmentation in an ultrasound image
Kumar et al. Restoration and enhancement of breast ultrasound images using extended complex diffusion based unsharp masking
Rajabi et al. Non-local adaptive hysteresis despeckling approach for medical ultrasound images
Bedi et al. Ultrasound speckle reduction using adaptive wavelet thresholding
Wilson et al. A survey of non-local means based filters for image denoising
CN111507912B (zh) 乳腺图像增强方法、装置及计算机可读存储介质
Girdhar et al. Region based adaptive contrast enhancement of medical ultrasound images
Dabass et al. Denoising, edge correction, and enhancement of breast cancer ultrasound images

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