CN108986109B - 一种序列化可视人体切片图像自动分割方法 - Google Patents
一种序列化可视人体切片图像自动分割方法 Download PDFInfo
- Publication number
- CN108986109B CN108986109B CN201810673056.1A CN201810673056A CN108986109B CN 108986109 B CN108986109 B CN 108986109B CN 201810673056 A CN201810673056 A CN 201810673056A CN 108986109 B CN108986109 B CN 108986109B
- Authority
- CN
- China
- Prior art keywords
- image
- points
- segmentation
- pixel points
- row
- 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
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
- G06T7/11—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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Abstract
本发明公开了一种序列化可视人体切片图像自动分割方法,包括以下步骤:S1:选取彩色器官切片图像的序列化图像;S2:运用基于优化能量函数的最小割算法对该图像进行前景区域和背景区域进行分割处理;S3:基于腐蚀算法提取该图像中前景区域的种子点图像;S4:基于细化算法提取该图像中背景区域的骨架图像;S5:根据前景区域的种子点和背景区域的骨架分割序列化图像的第二张图像。该方法结合交互式分割和序列化自动分割两种分割方式,既能降低分割的鲁棒性受医学图像复杂程度的影响,又能大大节省分割时间,在实现人体器官的分割提取、人体组织和其病变区域的定量分析等医学工作领域上具有十分重要的现实意义。
Description
技术领域
本发明涉及图像分割技术领域,尤其涉及一种序列化可视人体切片图像自动分割方法。
背景技术
近年来,可视人体研究日益深化,使得使用可视人数据集并将其应用于实际研究的需要成为可能。在数据集的3D重绘过程中人工提取所需的组织或器官需要消耗大量的人力。传统的图像自动分割算法面对颜色十分接近的不同的人体组织也无法快速精准的将其分割开。基于光谱分析和骨架涂鸦的序列化自动分割方法可以将组织之间及其细小的颜色差异识别出来,并快速、精准、有效地将研究所需的人体组织器官从庞大的数据集中分离出来,为今后的医学研究提供可靠的数据来源。
在医学工程方面,关于人体切片可视化的研究促进了人类医学、生物科学事业的发展。图像的分割技术先后经历了人工、半自动和自动分割的发展历程。现有技术中在对图片进行分割的过程中采用将已经被提取出的感兴趣区域依次按照上下左右的顺序进行扫描腐蚀,每次腐蚀掉一层,直至剩下的点四周都不是感兴趣区域,则剩下的点即为种子点,然后把提取出的种子点作为起点,添加与当前像素同类的像素点到感兴趣区域中,让种子点向四周进行区域生长。但是在这个过程中技术人员需要反复找寻最佳标记区域,根据实施者的不同,得到的分割效果也参差不齐。第一张图片的种子点尤为重要,可能直接影响后续结果,并且图片感兴趣区域的提取干扰大,非感兴趣区域若与感兴趣区域具有相似像素也可被提取出来,因此对后续种子点的传递有一定误差。
发明内容
根据现有技术存在的问题,本发明公开了一种序列化可视人体切片图像自动分割方法,包括以下步骤:S1:采集彩色器官切片图像的序列化图像;
S2:将序列化图像的第一张图像映射为无向图,运用基于优化能量函数的最小割算法对该图像的前景区域和背景区域进行分割处理;
S3:基于腐蚀算法提取该图像中前景区域的种子点图像;
S4:基于细化算法提取该图像中背景区域的骨架图像;
S5:将第一张图像所获得的种子点图像和骨架图像分别作为第二张图像的前景辅助线和背景辅助线往复执行S2至S4完成第二张图像的分割并为第三张图像提供前景辅助线和背景辅助线,如此反复循环将前一张图像的种子点图像和骨架图像作为下一张图像的前景辅助线和背景辅助线分割完该序列化图像。
进一步的,S3中提取图像中前景区域的种子点采用如下方式:
S31:将前景区域设为感兴趣区域,设种子点为黑色、其周围多个像素点为白色;
S32:沿着从左向右的方向对图像进行扫描:首先选取图像的第一列像素点和第二列像素点依次对两列中每一行的两个像素点颜色值进行比较,如果当前行的第一列像素点为白色,第二列像素点为黑色并且该像素点不是种子点,则将此黑色像素点变为白色,其他状况则不做改动,循环该扫描过程,直到第一列和第二列所有行的像素点互相比较完毕,此时选取第三列和第四列即此时选取的分别是当前列的后第二列像素点;
S33:循环执行S32直至将开始的比较列已经到达了输入图像的最后一条像素列,则从左向右的扫描完成;同样的方式对该图像进行从上到下,从右向左,从下到上的像素点扫描,扫描过程中第二轮扫描开始的位置是上一轮开始位置的下一列;
S34:循环对图片感兴趣区域执行上述扫描过程,直至图片中再没有允许删除的种子点则种子点已经提取完毕,扫描停止。
进一步的,所述S5具体过程为:
S51:提取S3中获取的种子点图像和骨架图像作为辅助图像,将种子点图像设为白色,种子点位置记为黑色,将骨架图像设为黑色,骨架位置标记为白色;
S52:同时遍历两张辅助图像,将种子点图像中当前位置像素点为黑色的顶点加入到输入图片的源点集,将骨架图像中当前位置像素点为白色的顶点加入到输入图片的汇点集;
S53:将源点集和汇点集中的两类像素点规定为特殊类顶点,而将当前输入图像中不在这两个集合中的像素点规定为普通点,此时将输入图像中的每两个普通点相连设为第一类边,将特殊类顶点分别与普通点相连设为第二类边,并根据能量分别赋予第一类边和第二类边权值,此时得到一个带有边权值的图像T;
S54:根据最小割算法去除图T中的一些边,使图T中所有的顶点被划分为两个不相交的子集,源点集和汇点集合,此时完成了图像的分割;
S55:新建一张与输入图像大小相同的图像,遍历每一个输入图片的像素点,如果像素点被标记为源点则在新建图像中标记为黑色,反之如果是汇点则在新建图像中标记为白色,即将分割结果保存;
S56:对S55中保存的图像进行前景种子点和背景骨架的提取,重复上述步骤直到全部分割完毕。
由于采用了上述技术方案,本发明提供的一种序列化可视人体切片图像自动分割方法,该方法结合交互式分割和序列化自动分割两种分割方式,既能降低分割的鲁棒性受医学图像复杂程度的影响,又能大大节省分割时间,在实现人体器官的分割提取、人体组织和其病变区域的定量分析等医学工作领域上具有十分重要的现实意义,有助于实现医学图像的重建与可视化。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中公开的方法的流程图;
图2为本发明中具体流程图像化的示意图;
图3为本发明中在第一张序列化图像上选取种子点的示意图;
图4为本发明中将图像的顶点和边分为两类的示意图;
图5为本发明中大腿部分单张分割后的二值图像的示意图;
图6为本发明中基于腐蚀算法提取种子点的总体流程的示意图;
图7为本发明中生成种子点的纵向扫描过程的示意图;
图8为本发明中单个像素点的周围八领域的标识图;
图9为本发明中基于细化算法提取到的背景骨架的示意图;
图10为本发明中最终得到的序列化大腿图像分割结果示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
如图1所示的一种序列化可视人体切片图像自动分割方法,首先载入序列化彩色器官切片图像,在第一张图像上手动选取前景和背景种子点,运用基于能量优化函数的最小割算法分割第一张图像,存储分割后的二值图,在二值图上基于腐蚀算法提取前景种子点,基于细化算法提取背景骨架,根据前景种子点和背景骨架分割下一张图像,如图2所示。重复上述步骤直至所有图像分割完毕。具体步骤为:
S1:选取彩色器官切片图像的序列化图像。
S2:将序列化大腿切片图像映射为无向图,将该图像的每一个像素定义为一个顶点,对点和边进行分类,简单勾勒目标区域的肌肉部分和其余的背景区域,运用基于优化能量函数的最小割算法对大腿进行分割处理,提取出大腿的肌肉部分。具体采用如下方式:
S21:将大腿切片图像的每一个像素定义为一个顶点,连接两个顶点构成一条边,将图像映射为无向图G=<V,E>,其中V和E分别是顶点的集合和边的集合;
S22:以鼠标为画笔,在第一张图像上勾勒前景辅助线和背景辅助线,如图3所示,因辅助线是像素点的集合,故前景辅助线和背景辅助线分别作为前景种子点集和背景种子点集;
S23:将顶点和边分为两类。图像中的每个像素都作为普通顶点,连接每两个邻接的普通顶点,构成第一类边。除普通顶点外还有两类终端顶点:源点α和汇点β,其中源点α是前景种子点集,汇点β是背种子点集,分别连接每个普通顶点和这两个终端顶点,构成第二类边,如图4所示;
S24:将图像的能量表示为:
G(M)=σH(M)+K(M)
其中M={m1,m2,…,mn},mn是像素的标签,mn为1(该像素为前景)或者为0(该像素为背景)。H(M)为区域项,K(M)为边界项,σ是权重因子,是区域项H(M)相对于边界项K(M)的权重系数,决定它们对能量的影响大小。能量函数G(M)表示的是图像中所有边的权值之和,图像分割的目标就是优化能量函数使其值达到最小;其中能量函数G(M)中的区域项:
Hx(mx)是像素x属于标签mx的概率,可通过比较像素x的强度和种子点像素的强度直方图来获得。我们需要将概率最大的标签mx指定给像素x,通过取概率的负对数值表示第二类边的权值:
HX(mx=1)=-lnP(IX|fg);Hx(mx=0)=-lnP(IX|bg)
其中fg是前景,bg是背景,Ix是像素x的强度,P(Ix|fg)是像素x属于前景的概率,P(Ix|bg)是像素x属于背景的概率。
我们定义一个点对点函数来表示能量函数G(M)中的边界项:
其中,a和b为邻域像素,K<a,b>是为像素a和b之间不连续的一种度量,λ是相机噪点值,因此函数K(M)可表示相邻像素之间分布的噪声。如果像素a和b在强度上越接近,那么K<a,b>越大。如果a和b在强度上差别越大,那么K<a,b>就越接近于0。即,如果两邻域像素在强度上相近,说明它属于同一前景或者同一背景的可能性很大,如果它们在强度上差别很大,那说明这两个像素很有可能处于前景肌肉和背景皮脂的边缘部分,则被分割开的可能性很大。由公式可知,当两邻域像素差别越大,K<a,b>越小,即图像的能量越小;
S25:给边赋权值。“边界项”可表示每两个邻接点连接的边的权值,“区域能量项Hx(mx=1)”可表示每个普通顶点和源点α连接的边的权值,“区域能量项Hx(mx=0)”可表示每个普通顶点和汇点β连接的边的权值;
S26:运用基于优化能量函数的最小割算法。为使目标和背景被分割开,我们需要从图G=<V,E>中去除一些边,使得图G中源点α到汇点β不连通。如果去除的这些边的权值之和最小,我们就得到图像能量函数的最小值。此时能量函数的最小值对应该图像的最小割,即找到全局最优分割。最小割把图像的顶点集V划分为两个不相交的子集A和B,其中α∈A,β∈B,A∪B=V。这两个子集就对应于大腿图像的肌肉区域像素集和背景像素集,至此我们完成单张大腿图像的分割,如图5所示;
S3:基于腐蚀算法提取图像的前景种子点,种子点的提取,是经过多轮扫描提取出满足条件像素点的过程。其中,每进行一轮扫描,会提取出图向四周最外层的备选种子点,相当于删除四边形图像的四条边。每一轮都涵盖四个扫描过程:从左至右,从上至下,从右至左,从下至上(需要按照逆时针或顺时针的顺序逐步进行)。每一个方向的扫描过程中,通过两条扫描线指向某两个相邻的固定行或列,判断该行或列是否有符合条件的备选种子点,如果有则留下,无则删去。不断沿扫描方向移动扫描线,直至该方向所有边界点均被扫过。总体流程如图6所示。S3中具体采用如下方式:
S31:将像素值为黑色(记为1)的像素点记为感兴趣的目标点,颜色值为白色(记为0)的像素点记为背景点,规定像素值为黑色周围上下左右相邻像素点都为白色的像素点为种子点;
S32:扫描过程中每一轮次包含从左至右、从上至下、从右至左、从下至上四个过程,每个过程通过纵向比较方法、横向比较方法实现;
纵向比较方法:
使用纵向的比较方法,即实现两条扫描线指向的当前两列中,每一行两个像素点的比较,首先比较第一列第一行像素点和第二列第一行像素点,如前者像素点值为白色,后者像素点值为黑色,则将后者颜色置为白色,其他情况不做改动,继续下一行比较,即,比较第一列第二行像素点,和第二列第二行像素点,并重复上述步骤直至当前比较列的最后一行;
横向比较方法:
横向比较方法与纵向比较方法极为相似,区别在于,此时比较的是,扫描线指向当前两行中,每一列的两个像素点;
S33:首先对输入的大腿切片图像进行从左向右的扫描,如图7所示:
选取输入的大腿切片图像的第一列像素点和第二列像素点,依次对两列中每一行的两个像素点颜色值进行比较,如果当前行的第一列像素点为白色,第二列像素点为黑色并且该像素点不是种子点,则将此黑色像素点变为白色,其他状况则不做改动,循环该扫描过程,直到第一列和第二列所有行的像素点互相比较完毕,此时选取第三列和第四列即此时选取的分别是当前列的后第二列像素点再进行S32中提到的纵向比较,紧接着继续对当前列的两个后第二列进行比较直至开始的比较列已经到达了输入图像的最后一条像素列,则从左向右的扫描完成,以同样的方式对该图像进行从上到下,从右向左,从下到上的像素点扫描,四个方向都完成扫描后标志完成了一个轮次的扫描;
S34:循环执行上述扫描轮次,扫描过程中第二轮扫描开始的位置是上一轮开始位置的下一列,若当前轮次的四个扫描方向的过程中,只要发现种子点(体现为像素点颜色改动),继续进行下一轮扫描,否则,则表示没有新增种子点,证明已筛选出全部种子点,整个扫描过程结束;
S4:对输入的大腿切片图像进行背景的骨架提取,实际上就是对背景区域进行图像的细化,对每一个背景像素点即此时的白色像素点进行条件判断,决定是否保留,这里我们将对每一个像素点进行两轮判断,算法将循环执行直至再没有可删除的点。S4中具体采用如下方式:
S41:创建一张以大腿切片图像为模型的灰度图像如图所示,遍历图像中的每一个白色像素点,若设P1为我们要判断是否要删除的点,即是否为保留的背景骨架,则对邻域分别按照图示8顺序进行标记为P2,P3,…,P9。判断P1是否满足以下四个条件,包括
①2≤F(P1)≤6;
②G(P1)=1;
③P2×P4×P6=0;
④P4×P6×P8=0;
其中F(P1)是非零邻点的个数,G(P1)是从邻点P2为起点顺时针遍历回到P2的一圈中,像素值由0到255变化的次数。如果同时满足以上四个条件,则将此点变为黑色,即删除当前像素点。
S42:重新遍历输入图片,如果像素点满足如下四个条件则将此像素点改成黑色,即删除当前像素点;
①2≤F(P1)≤6;
②G(P1)=1;
③P2×P4×P8=0;
④P2×P6×P8=0;
以上公式中出现的字符含义均与S41中规定的相同。
S43:重复执行上述步骤,直至输入图像中再没有可以删除的点,背景骨架提取完成。
S5:在S3中获得目标区域的种子点,在S4中获得背景骨架,上一张的种子点和骨架分别作用于序列化图片的下一张的前景笔触和背景笔触,从而对序列化图片进行标记,标记完成后图片基于S2图割算法进行自动分割,分割完成后继续提取种子点和骨架,往复执行上述步骤,直至所有图片分割结束。S5中具体采用如下方式:
S51:采用S3中基于感兴趣区域提取中的大腿切片图像种子点和S4中基于非感兴趣区域提取的大腿切片图像背景骨架,创建两张与输入图像大小相同的辅助图像,种子点辅助图像中,颜色设为白色,种子点位置的颜色标记为黑色,背景骨架辅助图像中,颜色设为黑色,骨架位置的颜色标记为白色,如图9所示。
S52:同时遍历两张辅助图像(a和b),将种子点辅助图像中当前位置像素点为黑色的顶点加入到输入图片的源点集,将背景骨架辅助图像中当前位置像素点为白色的顶点加入到输入图片的汇点集。
S53:按照S2中对边的分类,将每个两个邻接点构成的边放入第一类边集合中,将普通顶点分别与源点和汇点连接构成的边放入第二类边集合中,与此同时根据S2中提到的“边界项”和“区域能量项”确定边的权值。
S54:根据最小割算法去除图中的一些边,使得图中所有的顶点被划分为两个不相交的子集,源点集和汇点集合,此时完成了图像的分割。
S55:新建一张与输入图像大小相同的图像,遍历每一个输入图片的像素点,如果像素点被标记为源点则在新建图像中标记为黑色,反之如果是汇点则在新建图像中标记为白色,即将分割结果保存。
S56:对刚才保存的图像进行前景种子点和背景骨架的提取,重复上述步骤直到全部分割完毕,如图10所示;
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种序列化可视人体切片图像自动分割方法,其特征在于:包括以下步骤:
S1:采集彩色器官切片图像的序列化图像;
S2:将序列化图像的第一张图像映射为无向图,运用基于优化能量函数的最小割算法对该图像的前景区域和背景区域进行分割处理;
S3:基于腐蚀算法提取该图像中前景区域的种子点图像;
S4:基于细化算法提取该图像中背景区域的骨架图像;
S5:将第一张图像所获得的种子点图像和骨架图像分别作为第二张图像的前景辅助线和背景辅助线往复执行S2至S4完成第二张图像的分割并为第三张图像提供前景辅助线和背景辅助线,如此反复循环将前一张图像的种子点图像和骨架图像作为下一张图像的前景辅助线和背景辅助线分割完该序列化图像。
2.根据权利要求1所述的一种序列化可视人体切片图像自动分割方法,其特征还在于:S3中提取图像中前景区域的种子点采用如下方式:
S31:将前景区域设为感兴趣区域,设种子点为黑色、其周围多个像素点为白色;
S32:沿着从左向右的方向对图像进行扫描:首先选取图像的第一列像素点和第二列像素点依次对两列中每一行的两个像素点颜色值进行比较,如果当前行的第一列像素点为白色,第二列像素点为黑色并且该像素点不是种子点,则将此黑色像素点变为白色,其他状况则不做改动,循环该扫描过程,直到第一列和第二列所有行的像素点互相比较完毕,此时选取第三列和第四列即此时选取的分别是当前列的后第二列像素点;
S33:循环执行S32直至将开始的比较列已经到达了输入图像的最后一条像素列,则从左向右的扫描完成;同样的方式对该图像进行从上到下,从右向左,从下到上的像素点扫描,扫描过程中第二轮扫描开始的位置是上一轮开始位置的下一列;
S34:循环对图片感兴趣区域执行上述扫描过程,直至图片中再没有允许删除的种子点则种子点已经提取完毕,扫描停止。
3.根据权利要求2所述的一种序列化可视人体切片图像自动分割方法,其特征还在于:所述S5具体过程为:
S51:提取S3中获取的种子点图像和S4获取的骨架图像作为辅助图像,将种子点图像设为白色,种子点位置记为黑色,将骨架图像设为黑色,骨架位置标记为白色;
S52:同时遍历两张辅助图像,将种子点图像中当前位置像素点为黑色的顶点加入到输入图片的源点集,将骨架图像中当前位置像素点为白色的顶点加入到输入图片的汇点集;
S53:将源点集和汇点集中的两类像素点规定为特殊类顶点,而将当前输入图像中不在这两个集合中的像素点规定为普通点,此时将输入图像中的每两个普通点相连设为第一类边,将特殊类顶点分别与普通点相连设为第二类边,并根据能量分别赋予第一类边和第二类边权值,此时得到一个带有边权值的图像T;
S54:根据最小割算法去除图T中的一些边,使图T中所有的顶点被划分为两个不相交的子集,源点集和汇点集合,此时完成了图像的分割;
S55:新建一张与输入图像大小相同的图像,遍历每一个输入图片的像素点,如果像素点被标记为源点则在新建图像中标记为黑色,反之如果是汇点则在新建图像中标记为白色,即将分割结果保存;
S56:对S55中保存的图像进行前景种子点和背景骨架的提取,重复上述步骤直到全部分割完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810673056.1A CN108986109B (zh) | 2018-06-27 | 2018-06-27 | 一种序列化可视人体切片图像自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810673056.1A CN108986109B (zh) | 2018-06-27 | 2018-06-27 | 一种序列化可视人体切片图像自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986109A CN108986109A (zh) | 2018-12-11 |
CN108986109B true CN108986109B (zh) | 2022-01-11 |
Family
ID=64538919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810673056.1A Active CN108986109B (zh) | 2018-06-27 | 2018-06-27 | 一种序列化可视人体切片图像自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986109B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798481B (zh) * | 2019-04-09 | 2023-10-20 | 杭州海康威视数字技术股份有限公司 | 图像序列分割方法及装置 |
CN110060246B (zh) * | 2019-04-15 | 2021-08-24 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
CN110288617B (zh) * | 2019-07-04 | 2023-02-03 | 大连理工大学 | 基于共享抠图和roi渐变的人体切片图像自动分割方法 |
CN114066922B (zh) * | 2021-11-19 | 2022-06-03 | 数坤(北京)网络科技股份有限公司 | 医学图像分割方法、装置、终端设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996206A (zh) * | 2014-02-24 | 2014-08-20 | 航天恒星科技有限公司 | 一种基于GraphCut的复杂背景遥感图像中交互式目标提取方法 |
CN105005998A (zh) * | 2015-08-05 | 2015-10-28 | 大连理工大学 | 一种基于多角度序列化图像空间特征点集的脑血管图像分割方法 |
CN105741289A (zh) * | 2016-01-29 | 2016-07-06 | 大连理工大学 | 一种面向虚拟人超大规模切片图像的序列化自动分割方法 |
CN104008547B (zh) * | 2014-05-28 | 2017-08-22 | 大连理工大学 | 一种基于骨架角点的可视化人体切片图像序列化分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7212201B1 (en) * | 1999-09-23 | 2007-05-01 | New York University | Method and apparatus for segmenting an image in order to locate a part thereof |
-
2018
- 2018-06-27 CN CN201810673056.1A patent/CN108986109B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996206A (zh) * | 2014-02-24 | 2014-08-20 | 航天恒星科技有限公司 | 一种基于GraphCut的复杂背景遥感图像中交互式目标提取方法 |
CN104008547B (zh) * | 2014-05-28 | 2017-08-22 | 大连理工大学 | 一种基于骨架角点的可视化人体切片图像序列化分割方法 |
CN105005998A (zh) * | 2015-08-05 | 2015-10-28 | 大连理工大学 | 一种基于多角度序列化图像空间特征点集的脑血管图像分割方法 |
CN105741289A (zh) * | 2016-01-29 | 2016-07-06 | 大连理工大学 | 一种面向虚拟人超大规模切片图像的序列化自动分割方法 |
Non-Patent Citations (3)
Title |
---|
Automatic segmentation of virtual human organ based on improved color similarity coefficient;LIU Bin et al;《PROCEEDINGS ON BIOMEDICAL ENGINEERING OF DUT》;20051231;第183-190页 * |
一种序列切片图像的快速自动分割方法;刘斌等;《武汉大学学报·信息科学版》;20090531;第34卷(第5期);第539-543页 * |
基于Graph+Cuts的图像分割方法研究;高林爽;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108986109A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986109B (zh) | 一种序列化可视人体切片图像自动分割方法 | |
CN107977671B (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN108830326B (zh) | 一种mri图像的自动分割方法及装置 | |
CN110503649B (zh) | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 | |
CN106709517B (zh) | 红树林识别方法及系统 | |
US20080292153A1 (en) | Generating an anatomical model using a rule-based segmentation and classification process | |
WO2015092904A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN110268420B (zh) | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
CN110268442B (zh) | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 | |
CN112330561B (zh) | 基于交互式前景提取与信息熵分水岭的医学图像分割方法 | |
Alush et al. | Automated and interactive lesion detection and segmentation in uterine cervix images | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
CN115564782A (zh) | 3d血管及气管分割方法及系统 | |
CN114155202A (zh) | 基于特征融合和迁移学习的甲状腺结节超声图像分类方法 | |
Grady et al. | An energy minimization approach to the data driven editing of presegmented images/volumes | |
CN111127404B (zh) | 一种医疗影像轮廓快速提取方法 | |
JP2014106713A (ja) | プログラム、方法、及び情報処理装置 | |
KR20220154100A (ko) | 이미지 처리에 기초한 종양의 자동화된 검출 | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
JP6132485B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
CN108985294B (zh) | 一种轮胎模具图片的定位方法、装置、设备及存储介质 | |
Chen | Superpixel segmentation based on Delaunay Triangulation | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
CN114627136B (zh) | 一种基于特征金字塔网络的舌象分割与对齐方法 |
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 |