CN109117840A - 感兴趣区域修正方法和设备 - Google Patents
感兴趣区域修正方法和设备 Download PDFInfo
- Publication number
- CN109117840A CN109117840A CN201810935989.3A CN201810935989A CN109117840A CN 109117840 A CN109117840 A CN 109117840A CN 201810935989 A CN201810935989 A CN 201810935989A CN 109117840 A CN109117840 A CN 109117840A
- Authority
- CN
- China
- Prior art keywords
- area
- pixel
- region
- interest
- condition
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Abstract
本发明提供一种感兴趣区域修正方法和设备,所述方法包括:呈现标记有第一感兴趣区域的图像;获取用户在所述第一感兴趣区域中选定的排除区域,以及获取用户在所述图像中选定的初始区域;在所述初始区域中提取多个第一种子点;根据所述多个第一种子点和所述排除区域进行区域生长以确定至少一个生长区域;根据所述至少一个生长区域和所述初始区域确定第二感兴趣区域。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种感兴趣区域修正方法和设备。
背景技术
利用机器学习算法和模型对图像进行识别是一种高效的方式,也是诸如自动驾驶、智能摄像、机器人等众多领域的底层技术。
利用机器学习模型(例如神经网络)进行图像识别之前,首先要使用样本图像对模型进行训练,训练的方式通常是:1.由人工在图像中标记出感兴趣目标,并生成目标区域标识信息;2.使用标注生成的标识信息和图像一同输入深度神经网络;3.训练深度神经网络,待其收敛。然后则可以利用经过训练的机器学习模型从图像中识别并标记出感兴趣目标。
在人工在图像中标记出感兴趣目标的过程中,需要标注者根据感兴趣目标的位置和形状等情况进行手工描绘。图1示出了一副医疗领域中的眼底图像,其中包含一个病变区域,该区域的轮廓是一个不规则的多边形。标注者需要在图像中标注出该病变区域,目前图像的标注手段通常是基于Labelimg和精灵标注助手等标注工具,使用圆形、矩形等多边形将眼底图像的病变特征标出,所标记的区域的轮廓与目标的轮廓之间有很大的误差。
上述标注结果仅能满足图像识别和检测的需求,却不能满足更高级的需求,如图对感兴趣目标进行分割的需求。在面对更高级的需求时,往往需要感兴趣目标的轮廓进行更精确的标注,如果使用人工标注,将消耗大量的人力与时间成本。
发明内容
有鉴于此,本发明提供一种感兴趣区域修正方法,包括:
呈现标记有第一感兴趣区域的图像;
获取用户在所述第一感兴趣区域中选定的排除区域,以及获取用户在所述图像中选定的初始区域;
在所述初始区域中提取多个第一种子点;
根据所述多个第一种子点和所述排除区域进行区域生长以确定至少一个生长区域;
根据所述至少一个生长区域和所述初始区域确定第二感兴趣区域。
可选地,所述获取用户在所述第一感兴趣区域中选定的排除区域,以及获取用户在所述图像中选定的初始区域,包括:
获取用户在所述第一感兴趣区域中选定的排除区域;
在确定用户完成选定排除区域的操作后,呈现不含标记的所述图像;
获取用户在所述图像中选定的初始区域。
可选地,所述在所述初始区域中提取多个第一种子点,包括:
获取所述初始区域中的全部像素点;
对所述全部像素点进行腐蚀处理以筛选出多个离散的像素点作为第一种子点。
可选地,所述根据所述多个第一种子点和所述排除区域进行区域生长以确定至少一个生长区域,包括:
分别提取所述多个第一种子点的特征值;
确定所述图像中的轮廓;
分别以所述多个第一种子点作为起始点,以第一条件、第二条件和第三条件进行区域生长,获得至少一个生长区域,其中所述第一条件为相邻像素点的特征值的差异是否小于预设阈值,所述第二条件为像素点是否为所述轮廓上的像素点,所述第三条件为像素点是否为排除区域内的像素点。
可选地,所述第二感兴趣区域中包括全部所述生长区域以及所述初始区域。
可选地,所述根据所述至少一个生长区域和所述初始区域确定第二感兴趣区域,包括:
遍历所述图像中的像素点,分别判断各个像素点是否属于所述生长区域和/或所述初始区域;
根据所述生长区域和/或所述初始区域内的像素点确定第二感兴趣区域。
可选地,所述根据所述生长区域和/或所述初始区域内的像素点确定第二感兴趣区域,包括:
标记属于所述初始区域且不属于所述生长区域的像素点;
从标记的像素点中选定多个第二种子点;
根据选定的第二种子点和所述排除区域进行区域生长以确定补充区域,其中所述补充区域与所述排除区域不存在重合;
将所述补充区域、所述生长区域和所述初始区域内的像素点组成的区域确定为所述感兴趣区域。
可选地,所述从标记的像素点中选定多个第二种子点,包括:
获取全部被标记的像素点;
对全部被标记的像素点进行腐蚀处理以筛选出多个离散的像素点作为第二种子点。
可选地,所述根据选定的第二种子点和所述排除区域进行区域生长以确定补充区域,包括:
分别提取所述多个第二种子点的特征值;
确定所述图像中的轮廓;
分别以所述多个第二种子点作为起始点,以第一条件、第二条件、第三条件和第四条件进行区域生长,获得至少一个补充区域,其中所述第一条件为相邻像素点的特征值的差异是否小于预设阈值,所述第二条件为像素点是否为所述轮廓上的像素点,所述第三条件为像素点是否为所述排除区域内的像素点,所述第四条件为像素点的特征值与平均特征值差异是否小于所述预设阈值,所述平均特征值为全部被标记的像素点的特征值的平均值。
相应地,本发明实施例还提供一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述感兴趣区域修正方法。
根据本发明提供的感兴趣区域修正方法和设备,用户可以在已标记感兴趣区域的图像中标记出不需要的内容,然后在图像中大致给定感兴趣目标的位置,即画出初始区域,本方案将自动在初始区域内提取种子点,并基于种子点和排除区域进行区域生长而确定生长区域,最终通过生长区域和初始区域确定感兴趣区域,由此得到的感兴趣区域的轮廓更加接近感兴趣目标的实际轮廓,甚至达到完全相同的效果,以此减少用户的操作,使得感兴趣目标的标注更加精确,达到节约人力与时间成本的目的。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是一幅具有病变区域的眼底图像;
图2是本发明提供的感兴趣区域修正方法的流程图;
图3是一个确定感兴趣区域过程的示例图像;
图4是本发明的一个具体实施例中的待处理眼底图像;
图5是本发明的一个具体实施例中的感兴趣区域修正方法的流程图;
图6是呈现给用户的一个标记了第一视盘区域的眼底图像;
图7是用户对图6所示图像进行手工涂抹后的示意图;
图8是基于图7所示内容进行次区域生长后的结果图像;
图9是基于图7和图8所示内容所确定的最终视盘区域的眼底图像。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种感兴趣区域修正方法,该方法可以由服务器或个人计算机等电子设备来执行,本方法可以用于制作样本图像,结合部分人工操作,自动对样本图像进行标注。如图2所示,该方法包括如下步骤:
S1,呈现标记有第一感兴趣区域的图像,该图像可以是任何用于训练机器学习模型的图像,图像中包含某些感兴趣目标,这种目标可以是任意形状。第一感兴趣区域可以是基于图像本身特征、在用户选择或者干预的情况下,由计算机自动确定的一个区域,例如可以用线条或者颜色从图像中标记出此区域。图3示出了一个示例性的图像,其中包括一个具有不规则轮廓的感兴趣目标31,该目标具有区别于背景的颜色值。用户可以设定一些阈值并进行一些简单的涂抹(例如选定一些种子点或者种子区域),使得计算机能够生成用于标记感兴趣目标31的第一感兴趣区域30。第一感兴趣区域30与感兴趣目标31的轮廓可能存在一定的误差,例如第一感兴趣区域30覆盖并大于感兴趣目标31。
S2,获取用户在第一感兴趣区域中选定的排除区域,以及获取用户在图像中选定的初始区域。
当用户发现计算机生成的第一感兴趣区域30大于感兴趣目标31时,本发明实施例提供的方法将基于用户的操作对感兴趣区域进行修正。用户可以在第一感兴趣区域30中选择一个排除区域35,此区域是用户认为不属于感兴趣区域的一部分。
在确定了排除区域后,作为一个优选的实施方式,此时可以取消显示第一感兴趣区域30,或者至少取消显示排除区域35,呈现给用户一种擦除效果,只保留图像原有内容。
之后,获取用户在图像中选定的初始区域,用户可在原始图像中进行人工标记,例如在目标范围内画线或者涂抹一个区域,也即选定初始区域32,该初始区域32也可以是任意形状,而不必严格按照感兴趣目标的轮廓进行涂抹或勾画。
需要说明的是,获取排除区域的操作应当在获取初始区域的操作之后,但是对于呈现给用户的效果可以有多种可行的实施方式,例如可以保留显示所有的区域,而提供一些指示信息,使用户明确其提供的是排除区域或是初始区域即可。
S3,在初始区域中提取多个第一种子点,在区域中提取种子点的方式有多种,例如可以根据初始区域的形状、区域内像素点的RGB值、HSV值进行计算,筛选出具有突出特点的一些像素点作为种子点即可。这些种子点可以是离散分布的,也可以连续分布的,具体分布方式取决于提取算法。经过此步骤处理后,可在图3所示图像中确定4个第一种子点33。
S4,根据多个第一种子点和排除区域进行区域生长以确定至少一个生长区域。区域生长的算法包括多种,区域生长的条件、相关阈值和参数可以根据图像实际情况进行预先设定,例如可以是根据相邻像素点的RGB值、HSV值的差异与设定阈值的关系以及图像中的边缘进行生长。每一个第一种子点均单独作为起点进行生长,所得到的生长区域可能是重合的,也可能是部分重合或者不重合的。
例如有多个第一种子点对应的生长区域的边界可能会相互重叠,也即多个生长区域相连而成为一个更大的生长区域,因此最终得到的生长区域可能是一个或者多个,其数量与第一种子点的数量没有规定的对应关系,这些生长区域内的像素点的特征与相应的第一种子点相似度较高。
区域生长的过程中触及排除区域35时则停止生长,以确保生长区域不包含排除区域35内的像素点。仍以图3为例,基于图像中的4个第一种子点33,可能得到两个生长区域34,与排除区域35不存在重合。
S5,根据至少一个生长区域和初始区域确定第二感兴趣区域,生长区域和初始区域的位置关系可能呈现多种情况,例如所有的生长区域都在初始区域内,或者一部分在初始区域内、另一部分在初始区域外,也即可能有完全包含和部分重合的情况。
由于第一种子点必然在初始区域内,所以生长区域与初始区域不会出现完全不重合的情况。其中,对应完全包含和部分重合的情况也可以采取不同的处理方式而得到最终的感兴趣区域。
在实际应用中,一种比较有可能出现的情况是全部生长区域的总和包含且大于初始区域,这种情况下可以将全部生长区域的总和确定为感兴趣区域;另一种比较有可能出现的情况如图3所示,生长区域34包含初始区域32的大部分,但二者有不重合的部分,即图中两个生长区域34之间处,在此情况下需要考虑这个空缺区域,例如可以将空缺区域与生长区域的总和作为感兴趣区域,也可以针对空缺区域进行进一步的区域生长,根据生长结果和此前确定的生长区域确定最终的第二感兴趣区域。由此使最终得到的第二感兴趣区域的轮廓尽可能与实际的感兴趣目标相同。
在步骤S2中,获取的排除区域35与初始区域32的关系存在两种可能:
第一种关系是二者完全不重合,那么显然最终生成的第二感兴趣区域一定不会包括排除区域35中的像素点;
第二种关系是二者存在部分重合,也即用户擦除了排除区域35后,选择初始区域时又选定了排除区域35中的部分像素点,这可能是由于用户认为擦除有误或者操作误差引起的现象。作为本发明的一个优选的实施方式,本方法以初始区域为主进行处理,使得最终生成的第二感兴趣区域一定包括初始区域32的全部内容,所以第二感兴趣区域也可能会包括排除区域35中的部分像素点。
根据本发明实施例提供的感兴趣区域修正方法,用户可以在已标记感兴趣区域的图像中标记出不需要的内容,然后在图像中大致给定感兴趣目标的位置,即画出初始区域,本方案将自动在初始区域内提取种子点,并基于种子点和排除区域进行区域生长而确定生长区域,最终通过生长区域和初始区域确定感兴趣区域,由此得到的感兴趣区域的轮廓更加接近感兴趣目标的实际轮廓,甚至达到完全相同的效果,以此减少用户的操作,使得感兴趣目标的标注更加精确,达到节约人力与时间成本的目的。
本发明提供的感兴趣区域修正方法可以应用于医疗图像的标注,图4示出了一张眼底图像,该图像是通过特定医疗设备所拍摄的,实际为有色图像。为了训练一种能够识别视盘的神经网络模型,需要使用大量标注了视盘的眼底图像和相应的标签信息作为模型训练数据,本方法可用于对眼底图像进行标注。如图5所示,本发明实施例提供一种感兴趣区域修正方法,也即一种图像自动标注方法,该方法包括如下步骤:
S11,呈现标记有第一视盘区域的眼底图像,如图6所示,计算机根据图像特征在图4所示眼底图像中标记出第一视盘区域60。
S12,获取用户在第一视盘区域中选定的初始区域和排除区域。如图7所示,用户在第一视盘区域60中进行两次人工涂抹,根据第一勾勒轨迹可确定排除区域601;根据第二勾勒轨迹确定初始区域61。
S13,获取初始区域中的全部像素点,并对全部像素点进行腐蚀处理以筛选出多个离散的像素点作为第一种子点。具体可将初始区域61包含的像素点设为一个集合,通过腐蚀算法将这个区域缩减到多个不连接的像素点,这些点将作为区域生长的第一种子点。
S14,确定图像中的轮廓,图像中的线条自然形成一些轮廓,也即各种实际目标的边缘,这些轮廓将作为后续区域生长过程中的停止条件。在此可以通过高斯模糊或频率过滤等方法得到图像边缘。高斯模糊可以减少图片噪点,降低细节层次,由此能够更容易地提取出大范围存在的边缘。在已经去噪点的图中标记图像中存在的轮廓边缘,例如可以使用梯度算子如Sobel算子等可以标记边缘。
S15,分别提取多个第一种子点的特征值,在此首先可提取像素点的RGB值,然后将其转换为HSV值即特征值,后续将在HSV模式下计算颜色的差异;
S16,分别以多个第一种子点作为起始点,以第一条件、第二条件和第三条件进行区域生长,获得至少一个生长区域,其中所述第一条件为相邻像素点的特征值的差异是否小于预设阈值,所述第二条件为像素点是否为所述轮廓上的像素点,所述第三条件为像素点是否为排除区域601内的像素点。对于上述第一条件的运用,是当生长过程中生长触碰到了轮廓时,终止生长;对于上述第二条件的运用,是在生长过程中相邻的像素区域色差超过预设阈值时,停止生长;对于上述第三条件的运用,是在生长过程中判断到像素点是排除区域601内的像素点时,停止生长。
此为本实施例中的第一次区域生长处理,此过程中可以将第一种子点标记为1,其余的像素点标记为0。对第一种子点进行广度优先遍历,遍历标记为1的点的周围的8个点(8邻域中的点),根据HSV彩色空间模型,颜色的差异可以用模型中的空间距离即欧式距离来表示。如果8邻域中的某点与中心点的颜色差异小于预设阈值,则将其标记为1。当8邻域中检测到了边缘或者排除区域601,停止当前的区域生长。标记为1的点组成的区域即为生长区域。经过处理后得到如图8所示的两个生长区域71,两个生长区域71与初始区域61不完全重合,中间存在一个空缺区域72。
S17,遍历图像中的像素点,分别判断各个像素点是否属于生长区域和/或初始区域;
S18,根据生长区域和/或初始区域内的像素点确定第二视盘区域。
上述处理过程可以看作是对初始区域61和生长区域71做“或运算”,这意味着遍历整幅图的每一个像素点,如果当前像素点在初始区域61或区域生长中被标记了,则在图中更新标记这个像素点;如果在两个操作中这个像素点都没有标记,则不变化。这样做的目的是保证在区域生长操作中,不会出现人工标记过的区域被自动擦除的现象,最终可得到图9所示的第二视盘区域81。
进一步地,步骤S18可包括如下步骤:
S181,标记属于初始区域且不属于生长区域的像素点,在做上述“或运算”时,如果用户涂抹了而区域生长没有达到的点则标记为2。这样做是为了提取出算法的漏洞区域进行进一步优化。
S182,从标记的像素点中选定多个第二种子点,并基于选定的第二种子点进行区域生长以确定补充区域72。在区域生长结束后,通过腐蚀将标记为2的区域缩减至多个单像素点,以这些点为种子点进行本实施例中的第二次区域生长处理,该过程与步骤S13-S16相似,也是首先采用腐蚀处理算法确定种子点,然后基于设定生长条件进行区域生长,目的是对第一次区域生长没有达到的区域进行补充。
S183,将补充区域、生长区域和初始区域内的像素点组成的区域确定为感兴趣区域81。
上述第二次区域生长的过程相较于第一次区域生长有一些区别,即第二次区域增长时可以有四个生长条件,具体地,步骤S182可以包括如下步骤:
S1821,分别提取多个第二种子点的特征值,也即先获取像素点的RGB值,然后转换为HSV值;
S1822,分别以多个第二种子点作为起始点以第一条件、第二条件、第三条件和第四条件进行区域生长,获得至少一个补充区域,其中第一条件、第二条件和第三条件可参见上述步骤S16。第四条件为像素点的特征值与平均特征值差异是否小于预设阈值,平均特征值为全部被标记的像素点的特征值的平均值。
关于上述第四条件的利用,具体而言是当获取初始区域61后,可对上述标记为2的点的hsv模型的值在各通道上求平均值,将其称为平均颜色。在进行第二次区域生长时,比较8邻域的点与中心点的颜色差值,在满足第一条件和第三条件,但不满足第二条件(当差值大于预设阈值时),还可比较邻域点与平均颜色的颜色差值,如果差值小于预设差值,则标记该点为1继续生长,直至全部条件均不满足时停止生长。
本发明实施例还提供一种电子设备,包括至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行上述感兴趣区域修正方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种感兴趣区域修正方法,其特征在于,包括:
呈现标记有第一感兴趣区域的图像;
获取用户在所述第一感兴趣区域中选定的排除区域,以及获取用户在所述图像中选定的初始区域;
在所述初始区域中提取多个第一种子点;
根据所述多个第一种子点和所述排除区域进行区域生长以确定至少一个生长区域;
根据所述至少一个生长区域和所述初始区域确定第二感兴趣区域。
2.根据权利要求1所述的方法,其特征在于,所述获取用户在所述第一感兴趣区域中选定的排除区域,以及获取用户在所述图像中选定的初始区域,包括:
获取用户在所述第一感兴趣区域中选定的排除区域;
在确定用户完成选定排除区域的操作后,呈现不含标记的所述图像;
获取用户在所述图像中选定的初始区域。
3.根据权利要求1所述的方法,其特征在于,所述在所述初始区域中提取多个第一种子点,包括:
获取所述初始区域中的全部像素点;
对所述全部像素点进行腐蚀处理以筛选出多个离散的像素点作为第一种子点。
4.根据权利要求1所述的方法,其特征在于,所述根据所述多个第一种子点和所述排除区域进行区域生长以确定至少一个生长区域,包括:
分别提取所述多个第一种子点的特征值;
确定所述图像中的轮廓;
分别以所述多个第一种子点作为起始点,以第一条件、第二条件和第三条件进行区域生长,获得至少一个生长区域,其中所述第一条件为相邻像素点的特征值的差异是否小于预设阈值,所述第二条件为像素点是否为所述轮廓上的像素点,所述第三条件为像素点是否为排除区域内的像素点。
5.根据权利要求1所述的方法,其特征在于,所述第二感兴趣区域中包括全部所述生长区域以及所述初始区域。
6.根据权利要求1所述的方法,其特征在于,所述根据所述至少一个生长区域和所述初始区域确定第二感兴趣区域,包括:
遍历所述图像中的像素点,分别判断各个像素点是否属于所述生长区域和/或所述初始区域;
根据所述生长区域和/或所述初始区域内的像素点确定第二感兴趣区域。
7.根据权利要求6所述的方法,其特征在于,所述根据所述生长区域和/或所述初始区域内的像素点确定第二感兴趣区域,包括:
标记属于所述初始区域且不属于所述生长区域的像素点;
从标记的像素点中选定多个第二种子点;
根据选定的第二种子点和所述排除区域进行区域生长以确定补充区域,其中所述补充区域与所述排除区域不存在重合;
将所述补充区域、所述生长区域和所述初始区域内的像素点组成的区域确定为所述感兴趣区域。
8.根据权利要求7所述的方法,其特征在于,所述从标记的像素点中选定多个第二种子点,包括:
获取全部被标记的像素点;
对全部被标记的像素点进行腐蚀处理以筛选出多个离散的像素点作为第二种子点。
9.根据权利要求7所述的方法,其特征在于,所述根据选定的第二种子点和所述排除区域进行区域生长以确定补充区域,包括:
分别提取所述多个第二种子点的特征值;
确定所述图像中的轮廓;
分别以所述多个第二种子点作为起始点,以第一条件、第二条件、第三条件和第四条件进行区域生长,获得至少一个补充区域,其中所述第一条件为相邻像素点的特征值的差异是否小于预设阈值,所述第二条件为像素点是否为所述轮廓上的像素点,所述第三条件为像素点是否为所述排除区域内的像素点,所述第四条件为像素点的特征值与平均特征值差异是否小于所述预设阈值,所述平均特征值为全部被标记的像素点的特征值的平均值。
10.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-9任意一项所述的感兴趣区域修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810935989.3A CN109117840A (zh) | 2018-08-16 | 2018-08-16 | 感兴趣区域修正方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810935989.3A CN109117840A (zh) | 2018-08-16 | 2018-08-16 | 感兴趣区域修正方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109117840A true CN109117840A (zh) | 2019-01-01 |
Family
ID=64852357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810935989.3A Pending CN109117840A (zh) | 2018-08-16 | 2018-08-16 | 感兴趣区域修正方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117840A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002228A (zh) * | 2004-05-18 | 2007-07-18 | 医学视像上市公司 | 结节边界检测 |
US20120020559A1 (en) * | 2007-11-09 | 2012-01-26 | Kevin Keqiang Deng | Methods and apparatus to specify regions of interest in video frames |
CN104021368A (zh) * | 2013-02-28 | 2014-09-03 | 株式会社理光 | 估计路面高度形状的方法和系统 |
CN106898004A (zh) * | 2017-01-04 | 2017-06-27 | 努比亚技术有限公司 | 一种实现交互式图像分割的预处理方法、装置及终端 |
-
2018
- 2018-08-16 CN CN201810935989.3A patent/CN109117840A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002228A (zh) * | 2004-05-18 | 2007-07-18 | 医学视像上市公司 | 结节边界检测 |
US20120020559A1 (en) * | 2007-11-09 | 2012-01-26 | Kevin Keqiang Deng | Methods and apparatus to specify regions of interest in video frames |
CN104021368A (zh) * | 2013-02-28 | 2014-09-03 | 株式会社理光 | 估计路面高度形状的方法和系统 |
CN106898004A (zh) * | 2017-01-04 | 2017-06-27 | 努比亚技术有限公司 | 一种实现交互式图像分割的预处理方法、装置及终端 |
Non-Patent Citations (3)
Title |
---|
苗语 等: ""基于边缘检测终止条件的区域生长算法"", 《长春理工大学学报(自然科学版)》 * |
苗语 等: ""基于边缘检测终止条件的区域生长算法"", 《长春理工大学学报(自然科学版)》, 31 December 2009 (2009-12-31), pages 682 * |
苗语 等: "基于边缘检测终止条件的区域生长算法", 长春理工大学学报(自然科学版), no. 04, pages 682 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jidong et al. | Recognition of apple fruit in natural environment | |
CN104537676B (zh) | 一种基于在线学习的渐进式图像分割方法 | |
Scharr et al. | Leaf segmentation in plant phenotyping: a collation study | |
Singh et al. | A study of image segmentation algorithms for different types of images | |
CN103971126B (zh) | 一种交通标志识别方法和装置 | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
CN110381369A (zh) | 推荐信息植入位置的确定方法、装置、设备及存储介质 | |
US20070154110A1 (en) | Non-photorealistic sketching | |
CN109523524B (zh) | 一种基于集成学习的眼底图像硬性渗出检测方法 | |
CN105096347B (zh) | 图像处理装置和方法 | |
CN109117837A (zh) | 感兴趣区域确定方法和设备 | |
CN113343976B (zh) | 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法 | |
CN110276343A (zh) | 图像的分割和注释的方法 | |
CN110503705B (zh) | 图像标注方法和设备 | |
CN105678318A (zh) | 交通标牌的匹配方法及装置 | |
Tang et al. | Leaf extraction from complicated background | |
CN104573701A (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN110503115A (zh) | 一种颜色识别方法、装置、设备及计算机可读存储介质 | |
CN110136140A (zh) | 眼底图像血管影像分割方法及设备 | |
CN113705579A (zh) | 一种视觉显著性驱动的图像自动标注方法 | |
CN112541383B (zh) | 杂草区域的识别方法和装置 | |
CN109117840A (zh) | 感兴趣区域修正方法和设备 | |
CN108682021A (zh) | 快速手部跟踪方法、装置、终端及存储介质 | |
CN112381830A (zh) | 基于YCbCr超像素和图割的鸟类关键部位提取方法和装置 | |
CN109427068A (zh) | 基于超像素自动标注的深度学习共分割方法 |
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 |