CN109035271A - 图像分割方法和装置、分析仪器和存储介质 - Google Patents
图像分割方法和装置、分析仪器和存储介质 Download PDFInfo
- Publication number
- CN109035271A CN109035271A CN201810796494.7A CN201810796494A CN109035271A CN 109035271 A CN109035271 A CN 109035271A CN 201810796494 A CN201810796494 A CN 201810796494A CN 109035271 A CN109035271 A CN 109035271A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- amplitude characteristic
- gradient amplitude
- split
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/11—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种图像分割方法和装置、分析仪器和存储介质。该图像分割方法包括:计算待分割图像的梯度幅度特征图;根据梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值;利用分割阈值对梯度幅度特征图进行二值分割,得到待分割原图像的二值分割图;将二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域。采用本发明实施例中的技术方案,能够实现对不清晰轮廓的有形成分区域分割。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像分割方法和装置、分析仪器和存储介质。
背景技术
随着图像处理技术在医疗领域的应用扩展,越来越多的医疗设备需要基于图像处理技术实现其功能。以尿沉渣分析仪为例,其工作原理为:由照相机将尿液样本拍摄成图像序列,然后利用图像处理技术实现对各图像中有形成分的分割和识别,在提高设备检测效率同时,也有助于减少医生的工作量。
现有技术中的图像分割方法主要包括:先通过边缘检测显示有形成分区域的轮廓,再执行对轮廓的分割处理。但是,尿沉渣有形成分较多,包括:红细胞、白细胞、结晶、精子、透明管型、病理管型等,由于这些有形成分之间的灰度像素差异和形态差异较大,使得有形成分区域轮廓的清晰度差异较大,而对不清晰轮廓的有形成分区域分割存在较大困难。
发明内容
本发明实施例提供了一种图像分割方法和装置、分析仪器和存储介质,能够实现对不清晰轮廓的有形成分区域分割。
第一方面,本发明实施例提供一种图像分割方法,该图像分割方法包括:
计算待分割图像的梯度幅度特征图;
根据梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值;
利用分割阈值对梯度幅度特征图进行二值分割,得到待分割原图像的二值分割图;
将二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域。
在第一方面的一种可能的实施方式中,根据梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值,包括:对梯度幅度特征图进行平滑滤波处理;根据平滑滤波后的梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值。
在第一方面的一种可能的实施方式中,根据平滑滤波后的梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值,包括:计算平滑滤波后的梯度幅度特征图中所有像素点的梯度幅度特征值的和值;将和值与梯度幅度特征图的像素点总数目的比值作为与待分割图像对应的分割阈值。
在第一方面的一种可能的实施方式中,计算待分割图像的梯度幅度特征图,包括:采用边缘检测算子提取待分割图像的梯度幅度特征值;基于待分割图像中所有像素点的梯度幅度特征值,得到待分割图像的梯度幅度特征图。
在第一方面的一种可能的实施方式中,将二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域,包括:对二值分割图进行形态学处理;将形态学处理后的二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域。
在第一方面的一种可能的实施方式中,将二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域,包括:对二值分割图进行形态学处理;对形态学处理后的二值分割图进行边缘连接处理;将边缘连接处理后的二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域。
在第一方面的一种可能的实施方式中,形态学处理包括膨胀处理和/或腐蚀处理。
在第一方面的一种可能的实施方式中,在将二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域之后,该图像分割方法还包括:对有形成分分割区域进行孔洞填充处理,将孔洞填充处理后的有形成分分割区域作为与待分割图像对应的完整目标分割区域。
第二方面,本发明实施例提供一种图像分割装置,该图像分割装置包括:
梯度幅度特征图计算模块,用于计算待分割图像的梯度幅度特征图;
分割阈值计算模块,用于根据梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值;
第一分割模块,用于利用分割阈值对梯度幅度特征图进行二值分割,得到待分割原图像的二值分割图;
第二分割模块,用于将二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域。
第三方面,本发明实施例提供一种分析仪器,该分析仪器包括如上所述的图像分割装置。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有程序,程序被处理器执行时实现如上所述的图像分割方法。
如上所述,在本发明实施例中,为对待分割图像进行有形区域分割,可以基于待分割图像的梯度幅度特征图中各像素点的梯度幅度特征值来计算分割阈值,即待分割图像的梯度自适应阈值。由于该分割阈值与待分割图像中的有形成分的灰度像素和形态相匹配,从而能够在二值图像中很好地保留出有形成分分割区域,即实现对不清晰轮廓的有形成分区域分割。
附图说明
从下面结合附图对本发明的具体实施方式的描述中可以更好地理解本发明其中,相同或相似的附图标记表示相同或相似的特征。
图1为本发明一实施例提供的图像分割方法的流程示意图;
图2为本发明实施例提供的待分割图像的示意图;
图3为本发明实施例提供的Sobel算子的模板示意图;
图4为本发明实施例提供的待分割图像的二值分割图的示意图;
图5为本发明另一实施例提供的图像分割方法的流程图;
图6为本发明又一实施例提供的图像分割方法的流程图;
图7为本发明实施例提供的Edgelinking模板的示意图;
图8为本发明实施例提供的图像分割装置的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中,提出了许多具体细节,以便提供对本发明实施例的全面理解。
本发明实施例提供了一种图像分割方法和装置、分析仪器和存储介质,用于基于图像处理技术的医疗设备,比如尿沉渣分析仪。采用本发明实施例中的技术方案,能够基于自适应分割阈值对清晰度较差轮廓进行分割处理。比如能够对尿液中的多种有形成分进行较好分割,完整地保留红细胞、白细胞等与背景差异较大的有形成分的细胞形状,同时保留精子和透明管型这类与背景差异较小的细胞,从而为后续有形成分分类和识别奠定基础。
图1为本发明一实施例提供的图像分割方法的流程示意图。如图1所示,该图像分割方法包括步骤101至步骤104。
在步骤101中,计算待分割图像的梯度幅度特征图。
其中,待分割图像指的是包括单个有形成分的灰度图像,即一张待分割图像对应一个有形成分,比如,红细胞、白细胞、结晶、精子、透明管型、病理管型等。
图2为本发明实施例提供的待分割图像的示意图。如图2所示,箭头 201指示的虚线框内的区域即为有形成分区域,而虚线框以外的区域为背景区域。
在一个实施例中,可以采用边缘检测算子提取待分割图像的梯度幅度特征值,然后基于待分割图像中所有像素点的梯度幅度特征值,得到待分割图像的梯度幅度特征图。
其中,边缘检测的目的是标识数字图像中亮度变化明显的点。考虑到拍摄图像的数据形式为离散信号,其亮度变化明显的点(边缘信息)主要集中在高频信号段,因此,边缘检测也可以理解为利用差分或梯度算法对离散图像信号进行的高频滤波。
具体地,用于实现边缘检测功能的算子可以包括:一阶差分算子、 Robert算子(交叉差分)、Sobel算子、拉普拉斯算子(二阶差分)等。本领域技术人员可以根据实际情况进行选取,此处不进行限定。
图3为本发明实施例提供的Sobel算子的模板示意图。
图3中共示出了4个3×3模板,用于分别计算图像在0度、90度、45 度和135度方向的梯度特征值。
在一示例中,4个方向的梯度分别表示为g0、g90、g45、g135,则待分割图像单个像素点的梯度幅度特征值gradient为:
其中,max(x,y)函数用于计算x和y的较大值。
在步骤102中,根据梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值。
在步骤103中,利用分割阈值对梯度幅度特征图进行二值分割,得到待分割原图像的二值分割图。
具体地,可以将梯度幅度特征图中每个像素点位置的梯度幅度特征值 gradient分别与分割阈值进行比较,若gradient大于分割阈值,则该像素点位置的值为1,否则为0,从而得到整幅待分割图像的二值分割图。
在步骤104中,将二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域。
图4为本发明实施例提供的待分割图像的二值分割图的示意图。
如图4所示,箭头401指示的空白区域为有形成分分割区域,该区域各像素点的值为1;其他黑色区域表示为分割后的背景区域,该区域像素点的值为0。
如上所述,在本发明实施例中,为对待分割图像进行有形区域分割,可以基于待分割图像的梯度幅度特征图中各像素点的梯度幅度特征值来计算分割阈值,即待分割图像的梯度自适应阈值。由于该分割阈值与待分割图像中的有形成分的灰度像素和形态相匹配,从而能够在二值图像中很好地保留出有形成分分割区域,即实现对不清晰轮廓的有形成分区域分割。
实际应用时,可以对尿液原图像进行初步灰度分割,得到各有形成分的初步分割图像,再结合本发明实施例中的图像分割方法,对各有形成分的初步分割图像进行深度梯度分割。由于将初步灰度分割和深度梯度分割结合的方式逻辑简单,且不涉及大量运算,因此,在尿液等有形成分较多的样本的图像分析领域,具有较好的应用价值和普遍的适用性。
图5为本发明另一实施例提供的图像分割方法的流程图。图5与图1 的不同之处在于,图1中的步骤102可细化为图5中的步骤1021和步骤 1022,用于详细说明分割阈值的计算方式。
在步骤1021中,对梯度幅度特征图进行平滑滤波处理。
其中,针对图像的平滑滤波处理也称为模糊处理。平滑滤波处理要求在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,即不能损坏图像的重要特征信息(如轮廓和边缘),还须要使得滤波处理后的图像更加清晰。具体可以采用中值滤波、均值滤波等方式实现平滑滤波效果。
其中,均值滤波具体为求邻近像素域内的平均亮度值,邻域的大小与平滑滤波的效果直接相关,邻域越大,平滑滤波的效果越好,但邻域过大,造成边缘信息的损失越大。比如,在图像边界处,平滑滤波后的特征值可以为梯度幅度特征值gradient;而在图像其他位置处,平滑滤波后的特征值可以为3×3区域内的均值。
在步骤1022中,根据平滑滤波后的梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值。
具体地,可以计算平滑滤波后的梯度幅度特征图中所有像素点的梯度幅度特征值的和值,将该和值与梯度幅度特征图的像素点总数目的比值作为与待分割图像对应的分割阈值。
在一示例中,设平滑滤波后的梯度幅度特征图为gradfilter(i,j),则分割阈值TH为:
其中,M×N表示梯度幅度特征图中像素点的总数目,i和j分别表示像素点所述位置的横坐标和纵坐标。
图6为本发明又一实施例提供的图像分割方法的流程图。图6与图1 的不同之处在于,图1中的步骤104可细化为图6中的步骤1041和步骤 1042。
在步骤1041中,对二值分割图进行形态学处理。
形态学处理主要用于从图像中提取对表达和描绘区域形状有意义的图像分量,使后续的识别工作能够抓住目标对象最为本质的形状特征,如边界和连通区域等。
其中,连通区域(Connected Component)指的是图像中位置相邻且值相同的像素点组成的图像区域(Region)。
按照像素点之间的相邻关系,连通性标准可以包括4连通和8连通。其中,四连通区域又称为四邻域,指的是对应像素点位置的上、下、左、右,是紧邻的位置,共4个方向。八连通区域又称为八邻域,指的是对应像素点的上、下、左、右、左上、右上、左下、右下,是紧邻的位置和斜向相邻的位置,共8个方向。
形态学处理包括膨胀运算和腐蚀运算。其中,膨胀运算能使物体边界扩大,具体的膨胀结果与图像本身和结构元素的形状有关。膨胀常用于将图像中原本断裂开来的同一物体桥接起来,比如,对图像进行二值化之后,很容易使一个连通的物体断裂为两个部分,这会给后续的图像分析(如要基于连通区域统计物体的个数)造成困扰,此时就可借助膨胀桥接断裂的缝隙。
腐蚀运算与膨胀运算相反,能够消融物体的边界,而具体的腐蚀结果与图像本身和结构元素的形状有关。如果物体整体上大于结构元素,腐蚀的结构是使物体变“瘦”一圈,而这一圈到底有多大是由结构元素决定的:如果物体本身小于结构元素,则在腐蚀后的图像中物体将完全消失。比如,若物体仅有部分区域小于结构元素,则腐蚀后物体会在细连通处断裂,分离为两部分。
在本发明实施例中,由于二值分割图像可能含有较多离散点,使得目标边缘信息不完整,因此可以先使用形态学处理方式对二值分割图像进行先膨胀后腐蚀操作,使得较大一部分边缘连接完整。需要说明的是,膨胀运算和腐蚀运算的顺序可以调整,本领域技术人员也可以择其一进行形态学处理,此处不进行限定。
在步骤1042中,将形态学处理后的二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域。
在一个可选实施例中,还可以对形态学处理后的二值分割图进行边缘连接处理(Edgelinking),将边缘连接处理后的二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域。
图7为本发明实施例提供的Edgelinking模板的示意图。图7中示出了 8个表示不同方向的Edgelinking模板。
当分割图像在当前像素点位置(即×处)所在3×3区域内满足模板形态时,则将当前像素点的值设置为1,从而将相邻的有效像素点连接起来,进一步提高有形成分区域边缘信息的正确性。
在一个可选实施例中,还可以对有形成分分割区域进行孔洞填充处理,将孔洞填充处理后的有形成分分割区域作为与待分割图像对应的完整目标分割区域,进一步提高有形成分区域的完整性。
图8为本发明实施例提供的图像分割装置的结构示意图。如图8所示,该图像分割装置包括梯度幅度特征图计算模块801、分割阈值计算模块 802、第一分割模块803和第二分割模块804。
其中,梯度幅度特征图计算模块801用于计算待分割图像的梯度幅度特征图。
分割阈值计算模块802用于根据梯度幅度特征图中各像素点的梯度幅度特征计算分割阈值。
第一分割模块803用于利用分割阈值对梯度幅度特征图进行二值分割,得到待分割原图像的二值分割图。
第二分割模块804用于将二值分割图中面积最大的连通区域作为与待分割图像对应的有形成分分割区域。
本发明实施例提供一种分析仪器,该分析仪器包括如上所述的图像分割装置。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如上所述的图像分割方法。
需要明确的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例而言,相关之处可以参见方法实施例的说明部分。本发明实施例并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本发明实施例的精神之后,作出各种改变、修改和添加,或者改变步骤之间的顺序。并且,为了简明起见,这里省略对已知方法技术的详细描述。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明实施例的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、 ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
本发明实施例可以以其他的具体形式实现,而不脱离其精神和本质特征。例如,特定实施例中所描述的算法可以被修改,而系统体系结构并不脱离本发明实施例的基本精神。因此,当前的实施例在所有方面都被看作是示例性的而非限定性的,本发明实施例的范围由所附权利要求而非上述描述定义,并且,落入权利要求的含义和等同物的范围内的全部改变从而都被包括在本发明实施例的范围之中。
Claims (11)
1.一种图像分割方法,其特征在于,包括:
计算待分割图像的梯度幅度特征图;
根据所述梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值;
利用所述分割阈值对所述梯度幅度特征图进行二值分割,得到所述待分割原图像的二值分割图;
将所述二值分割图中面积最大的连通区域作为与所述待分割图像对应的有形成分分割区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值,包括:
对所述梯度幅度特征图进行平滑滤波处理;
根据平滑滤波后的梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值。
3.根据权利要求2所述的方法,其特征在于,所述根据平滑滤波后的梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值,包括:
计算所述平滑滤波后的梯度幅度特征图中所有像素点的梯度幅度特征值的和值;
将所述和值与所述梯度幅度特征图的像素点总数目的比值,作为与所述待分割图像对应的分割阈值。
4.根据权利要求1所述的方法,其特征在于,所述计算待分割图像的梯度幅度特征图,包括:
采用边缘检测算子提取所述待分割图像的梯度幅度特征值;
基于所述待分割图像中所有像素点的梯度幅度特征值,得到所述待分割图像的梯度幅度特征图。
5.根据权利要求1所述的方法,其特征在于,所述将所述二值分割图中面积最大的连通区域作为与所述待分割图像对应的有形成分分割区域,包括:
对所述二值分割图进行形态学处理;
将形态学处理后的二值分割图中面积最大的连通区域作为与所述待分割图像对应的有形成分分割区域。
6.根据权利要求1所述的方法,其特征在于,所述将所述二值分割图中面积最大的连通区域作为与所述待分割图像对应的有形成分分割区域,包括:
对所述二值分割图进行形态学处理;
对形态学处理后的二值分割图进行边缘连接处理;
将边缘连接处理后的二值分割图中面积最大的连通区域作为与所述待分割图像对应的有形成分分割区域。
7.根据权利要求5或6所述的方法,其特征在于,所述形态学处理包括膨胀处理和/或腐蚀处理。
8.根据权利要求1所述的方法,其特征在于,在所述将所述二值分割图中面积最大的连通区域作为与所述待分割图像对应的有形成分分割区域之后,所述方法还包括:
对所述有形成分分割区域进行孔洞填充处理,将孔洞填充处理后的有形成分分割区域作为与所述待分割图像对应的完整目标分割区域。
9.一种图像分割装置,其特征在于,包括:
梯度幅度特征图计算模块,用于计算待分割图像的梯度幅度特征图;
分割阈值计算模块,用于根据所述梯度幅度特征图中各像素点的梯度幅度特征值计算分割阈值;
第一分割模块,用于利用所述分割阈值对所述梯度幅度特征图进行二值分割,得到所述待分割原图像的二值分割图;
第二分割模块,用于将所述二值分割图中面积最大的连通区域作为与所述待分割图像对应的有形成分分割区域。
10.一种分析仪器,其特征在于,包括如权利要求9所述的图像分割装置。
11.一种计算机可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8任意一项所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796494.7A CN109035271A (zh) | 2018-07-19 | 2018-07-19 | 图像分割方法和装置、分析仪器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796494.7A CN109035271A (zh) | 2018-07-19 | 2018-07-19 | 图像分割方法和装置、分析仪器和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035271A true CN109035271A (zh) | 2018-12-18 |
Family
ID=64644313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810796494.7A Pending CN109035271A (zh) | 2018-07-19 | 2018-07-19 | 图像分割方法和装置、分析仪器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035271A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476807A (zh) * | 2020-03-30 | 2020-07-31 | 迈克医疗电子有限公司 | 用于分割图像的边缘处理方法和装置、分析仪器 |
CN112967262A (zh) * | 2021-03-18 | 2021-06-15 | 深圳市美侨医疗科技有限公司 | 一种基于形态学分割和深度学习的尿沉渣管型识别方法 |
CN116309190A (zh) * | 2023-05-17 | 2023-06-23 | 武汉工程大学 | 一种基于最佳区域中值先验的湍流退化图像恢复方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875412A (zh) * | 2017-02-28 | 2017-06-20 | 重庆理工大学 | 一种基于色差的两个重叠果实的分割定位方法 |
CN107146210A (zh) * | 2017-05-05 | 2017-09-08 | 南京大学 | 一种基于图像处理的检测去除阴影方法 |
WO2018036893A1 (en) * | 2016-08-23 | 2018-03-01 | Koninklijke Philips N.V. | Image processing apparatus and method for segmenting a region of interest |
CN107833185A (zh) * | 2017-10-13 | 2018-03-23 | 西安天和防务技术股份有限公司 | 图像去雾方法及装置、存储介质、电子设备 |
US20180242905A1 (en) * | 2017-02-27 | 2018-08-30 | Case Western Reserve University | Predicting immunotherapy response in non-small cell lung cancer patients with quantitative vessel tortuosity |
-
2018
- 2018-07-19 CN CN201810796494.7A patent/CN109035271A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018036893A1 (en) * | 2016-08-23 | 2018-03-01 | Koninklijke Philips N.V. | Image processing apparatus and method for segmenting a region of interest |
US20180242905A1 (en) * | 2017-02-27 | 2018-08-30 | Case Western Reserve University | Predicting immunotherapy response in non-small cell lung cancer patients with quantitative vessel tortuosity |
CN106875412A (zh) * | 2017-02-28 | 2017-06-20 | 重庆理工大学 | 一种基于色差的两个重叠果实的分割定位方法 |
CN107146210A (zh) * | 2017-05-05 | 2017-09-08 | 南京大学 | 一种基于图像处理的检测去除阴影方法 |
CN107833185A (zh) * | 2017-10-13 | 2018-03-23 | 西安天和防务技术股份有限公司 | 图像去雾方法及装置、存储介质、电子设备 |
Non-Patent Citations (4)
Title |
---|
CHRISTINE M. ZWART 等: "Segment Adaptive Gradient Angle Interpolation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
刘睿: "尿沉渣图像分割与识别算法研究", 《中国优秀硕士学位论文全文数据库》 * |
印勇 等: "采用改进Canny算子分割尿沉渣图像", 《计算机工程与应用》 * |
王崔: "图像对象轮廓提取的算法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476807A (zh) * | 2020-03-30 | 2020-07-31 | 迈克医疗电子有限公司 | 用于分割图像的边缘处理方法和装置、分析仪器 |
CN112967262A (zh) * | 2021-03-18 | 2021-06-15 | 深圳市美侨医疗科技有限公司 | 一种基于形态学分割和深度学习的尿沉渣管型识别方法 |
CN116309190A (zh) * | 2023-05-17 | 2023-06-23 | 武汉工程大学 | 一种基于最佳区域中值先验的湍流退化图像恢复方法 |
CN116309190B (zh) * | 2023-05-17 | 2023-08-15 | 武汉工程大学 | 一种基于最佳区域中值先验的湍流退化图像恢复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wählby et al. | Combining intensity, edge and shape information for 2D and 3D segmentation of cell nuclei in tissue sections | |
CN108198185B (zh) | 眼底病灶图像的分割方法及、装置、存储介质、处理器 | |
CN109035271A (zh) | 图像分割方法和装置、分析仪器和存储介质 | |
CN108022251B (zh) | 一种管状结构的中心线的提取方法及系统 | |
CN107085726A (zh) | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 | |
CN107657606A (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
Singh et al. | Contrast enhancement and brightness preservation using global-local image enhancement techniques | |
KR101684990B1 (ko) | 양방향 필터의 시그마 변수를 이용한 차량 영상 디블러 방법 | |
CN111028182B (zh) | 图像锐化方法、装置、电子设备及计算机可读存储介质 | |
CN109919915A (zh) | 基于深度学习的视网膜眼底图像异常区域检测方法及设备 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
CN111696064B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111242955B (zh) | 基于全卷积神经网络的道路表面裂缝图像分割方法 | |
Deshmukh et al. | Segmentation of microscopic images: A survey | |
Choukikar et al. | Segmenting the optic disc in retinal images using thresholding | |
CN105261005B (zh) | 基于多尺度空间模糊聚类的无监督mri图像分割方法 | |
CN104102911A (zh) | 一种基于aoi的子弹表观缺陷检测系统的图像处理算法 | |
CN116309545A (zh) | 一种面向医学显微图像的单阶段细胞核实例分割方法 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN116580187A (zh) | 基于人工智能的膝关节图像分割方法、装置及电子设备 | |
Chung et al. | Segmentation-free skeletonization of gray-scale images via PDEs | |
CN112330553B (zh) | 一种裂缝图像去噪方法、设备及存储介质 | |
Chang et al. | Cell segmentation algorithm using double thresholding with morphology-based techniques | |
CN105869139A (zh) | 图像处理方法和装置 | |
KR20100009451A (ko) | 영상의 그라운드 라인 결정 방법 |
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 |