CN109272495A - 图像分析方法及装置、电子设备、存储介质 - Google Patents
图像分析方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN109272495A CN109272495A CN201811023876.2A CN201811023876A CN109272495A CN 109272495 A CN109272495 A CN 109272495A CN 201811023876 A CN201811023876 A CN 201811023876A CN 109272495 A CN109272495 A CN 109272495A
- Authority
- CN
- China
- Prior art keywords
- image
- label
- class
- graph picture
- identification model
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T2207/10004—Still image; Photographic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开是关于一种图像分析方法及装置、电子设备、存储介质,涉及图像处理技术领域,该方法包括:对待测物体进行扫描,以得到所述待测物体的样本图像;对所述样本图像中的第一类图像进行标注得到所述第一类图像的标签,并根据所述第一类图像以及所述第一类图像的标签生成识别模型;通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签。本公开能够实现自动标注,提高图像标注效率。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,涉及一种图像分析方法、图像分析装置、电子设备以及计算机可读存储介质。
背景技术
在医疗领域,经常要做病理学诊断,传统的工作流程,先将目标组织制作成玻片,然后再由相关工作人员对玻片进行肉眼观察、标记、诊断、输出结果。由于在高倍显微镜下、视野非常小,工作人员需要频繁进行非常精细的移动观察,在整个审片过程中,可能由于工作人员的疲劳度、主客观因素,非常容易漏掉一些关键信息。
上述方式中,由于工作人员需要人工标注图片,标注速度较慢且效率较低;另外,在人工标注时避免不了出现误差,因此可能导致标注不够精准。
需要说明的是,在上述背景技术部分公开的数据仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的数据。
发明内容
本公开的目的在于提供一种图像分析方法及装置、电子设备、存储介质,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的图像标注效率低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种图像分析方法,包括:对待测物体进行扫描,以得到所述待测物体的样本图像;对所述样本图像中的第一类图像进行标注得到所述第一类图像的标签,并根据所述第一类图像以及所述第一类图像的标签生成识别模型;通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签。
在本公开的一种示例性实施例中,对待测物体进行扫描,以得到所述待测物体的样本图像包括:控制扫描设备采用第一预设精度并按照预设扫描顺序对所述待测物体的预设区域进行扫描,以得到所述样本图像。
在本公开的一种示例性实施例中,所述方法还包括:通过向下采样算法对所述第一预设精度进行处理,得到与所述第一预设精度对应的第二预设精度;控制所述扫描设备采用第二预设精度对目标物体进行扫描得到扫描图像;通过所述识别模型对所述扫描图像进行自动标注,以得到所述扫描图像的标签。
在本公开的一种示例性实施例中,通过向下采样算法对所述第一预设精度进行处理,得到与所述第一预设精度对应的第二预设精度包括:将第一预设精度对应的多个像素转换为一个像素,以得到与所述第一预设精度对应的所述第二预设精度。
在本公开的一种示例性实施例中,根据所述第一类图像以及所述第一类图像的标签生成用于标注图像的识别模型包括:根据所述第一类图像以及所述第一类图像的标签对初始模型进行训练,以生成所述识别模型。
在本公开的一种示例性实施例中,通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签包括:通过所述识别模型对所述第二类图像进行自动标注,以判断是否能够通过所述识别模型得到所述第二类图像的初始标签;根据是否能够得到所述第二类图像的初始标签确定所述第二类图像的标签。
在本公开的一种示例性实施例中,根据是否能够得到所述第二类图像的初始标签确定所述第二类图像的标签包括:若能够确定所述第二类图像的所述初始标签,则对所述第二类图像的初始标签进行验证,并在验证通过时将所述第二类图像的初始标签确定为所述第二类图像的标签;若无法确定所述第二类图像的所述初始标签,则对所述第二类图像进行人工标注,以确定所述第二类图像的标签。
在本公开的一种示例性实施例中,所述方法还包括:每隔预设时长重新获取所述待测物体的样本图像,并基于重新获取的样本图像重新训练所述识别模型。
根据本公开的一个方面,提供一种图像分析装置,包括:图像获取模块,用于对待测物体进行扫描,以得到所述待测物体的样本图像;模型生成模块,用于对所述样本图像中的第一类图像进行标注得到所述第一类图像的标签,并根据所述第一类图像以及所述第一类图像的标签生成识别模型;标签确定模块,用于通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的图像分析方法。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的图像分析方法。
本公开示例性实施例中提供的一种图像分析方法、图像分析装置、电子设备以及计算机可读存储介质中,一方面,根据第一类图像以及所述第一类图像的标签生成识别模型,通过识别模型对除第一类图像之外的第二类图像进行自动标注,能够自动标注样本图像中第二类图像的标签,提高了标注速度和标注效率;另一方面,由于可通过识别模型自动对第二类图像进行标注,避免了人工操作导致的误差,进一步提高了标注精准度,能够得到更准确的标签。
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和解释性的,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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出本公开示例性实施例中一种图像分析方法的示意图;
图2示意性示出本公开示例性实施例中扫描设备的结构示意图;
图3示意性示出本公开示例性实施例中扫描过程的示意图;
图4示意性示出本公开示例性实施例中向下采样算法的示意图;
图5示意性示出本公开示例性实施例中一种图像分析装置的框图;
图6示意性示出本公开示例性实施例中一种电子设备的框图;
图7示意性示出本公开示例性实施例中一种程序产品。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种图像分析方法,可以应用于医学领域或者是其他领域中对图像进行标注和分类的应用场景。参考图1所示,本示例性实施例中的图像分析方法可以包括以下步骤:
在步骤S110中,对待测物体进行扫描,以得到所述待测物体的样本图像;
在步骤S120中,对所述样本图像中的第一类图像进行标注得到所述第一类图像的标签,并根据所述第一类图像以及所述第一类图像的标签生成识别模型;
在步骤S130中,通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签。
本示例性实施例提供的图像分析方法中,一方面,根据第一类图像以及所述第一类图像的标签生成识别模型,通过识别模型对除第一类图像之外的第二类图像进行自动标注,能够自动标注样本图像中第二类图像的标签,提高了标注速度和标注效率;另一方面,由于可通过识别模型自动对第二类图像进行标注,避免了人工操作导致的误差,进一步提高了标注精准度,能够得到更准确的标签。
接下来,结合附图对本示例性实施例中的图像分析方法进行详细说明。
在步骤S110中,对待测物体进行扫描,以得到所述待测物体的样本图像。
本示例性实施例中,待测物体可以为任意物体,在应用场景为医疗领域时,待测物体可以为组织、细胞等等,此处以针对某一特定的组织细胞为例进行说明。在对待测物体进行扫描时,可使用如图2中所示的扫描设备得到待测物体对应的样本图像。扫描设备可以包括采集模式和分析模式两个工作模式。其中,采集模式用于采集图像,分析模式用于对采集的图像进行分析,以确定图像的类型。
参考图2中所示,整个扫描设备可包括采集模块201、光学模块202、控制模块204以及运算模块205,其中:光学模块包括若干光学镜头,能够提供高倍清晰的图像;采集模块,主要包括高清晰度、高帧率的摄像头;控制模块,主要由若干机械马达组成,能够进行三个轴向的移动;运算模块包括两个部分,一部分能够进行图像的处理、合并、存储等操作;另一部分发送指令进行控制模块。
待测物体203可以放置在控制模块204的表面,对待测物体203进行扫描,以得到所述待测物体的样本图像的具体步骤包括:控制扫描设备采用第一预设精度并按照预设扫描顺序对所述待测物体的预设区域进行扫描,以得到所述样本图像。此处的第一预设精度可以为高精度,通过第一预设精度可采集到比较准确的高精度的样本图像,以便于后续对样本图像的标注过程。第一预设精度例如可以为40倍显微镜对应的精度,也可以为其他精度,具体可根据实际需求进行调整。预设扫描顺序指的是事先设置好的扫描顺序,以便于快速精准地对待测物体进行扫描。举例而言,预设扫描顺序可以为由第一行的左侧向右侧进行扫描,由下一行的右侧向左侧进行扫描,如此进行逐行扫描直至将待测物体扫描完为止。当然,预设扫描顺序也可以设置先由右侧向左侧进行扫描,再由左侧向右侧进行扫描的方式进行逐行扫描,也可以为其他扫描顺序,例如按列扫描等等,本示例性实施例中对此不作特殊限定。
预设区域可以为待测物体的全部范围或者是部分范围,可以用圆形区域来表示。参考图3中的图(a)所示,图中圆圈所在范围代表预设区域,以表示待测物体的范围。为了准确进行扫描,可先将待扫描的预设区域等分成若干小块,每个小块均对应一组坐标(x,y,z),表示需要控制模块进行对应的移动。
再参考图3中的图(b)所示,比如从左上角的第一个小块开始扫描,发送指令使控制模块移动到左上角第一个小块,当控制模块返回到达左上角的消息,运算模块开始获取待测物体中第一个小块的图像;然后朝右开始下一次的移动和扫描,直到到达最右边。在到达最右边后,向下移动一行到达第二行,再向左侧移动扫描直到到达第二行的最左边;如此反复直到完成待测物体对应的预设区域中所有小块的扫描。在此过程中,每个小块扫描到的图像称为一个图像切片,所有小块对应一个统一尺寸的图像切片,即每一个小块的图像切片形成待测物体对应的一个样本图像。通过对多个小块进行扫描,可得到每个待测物体对应的多个样本图像。
接下来,在步骤S120中,对所述样本图像中的第一类图像进行标注得到所述第一类图像的标签,并根据所述第一类图像以及所述第一类图像的标签生成识别模型。
本示例性实施例中,样本图像的类别可根据实际情况包括但不限于正常、轻度、中度以及重度等等。每个类别需要覆盖足够多的样本图像,因此需要对样本图像的类别进行标注。为了减少工作人员的工作量,可以对多个样本图像中的一部分进行自动标注,以提高标注速度和标注效率。
在本实施方式中进行图像标注时,首先可以确定一个用于自动标注的识别模型,以通过该识别模型进行自动标注。具体而言,在生成该识别模型的过程中,首先需要人工标注一部分样本图像,该部分样本图像指的即是多个样本图像中的第一类图像。第一类图像则表示的是特征比较明显的,对每个类别具有代表意义的样本图像,但是第一类图像可以为所有特征比较明显的样本图像汇总的一部分即可。可以通过对这些第一类图像进行人工标注,得到第一类图像的标签。此处的标签用于代表上述描述的类别,标签可以用数字、字母或者是汉字等多种方式来表示,以数字为例进行说明。例如正常可以用标签0来表示,轻度可以用标签1来表示,中度可以用标签2来表示,以及重度可以用标签3来表示。
在对第一类图像进行标注之后,可以得到每一个第一类图像的标签。进一步地,可根据第一类图像以及第一类图像的标签对一个初始模型进行训练,生成用于自动标注的识别模型。其中,初始模型可以为合适的机器学习模型,包括但不限于支持向量机模型、决策树模型或者朴素贝叶斯模型等等。具体地,若第一类图像的数量为1000个,其中第一类图像中编号为1-200的图像的标签为1,编号为201-300的图像的标签为2,编号为301-400的图像的标签为3,编号为401-1000的图像的标签为0。则可将这1000个第一类图像分别输入初始模型,以确定每一个第一类图像经过该初始模型的标签。在每一个第一类图像经过该初始模型的标签与人工标注的标签不同时,需要调整初始模型的参数,直至所有第一类图像经过该初始模型的标签与人工标注的标签完全一致为止。如此一来,可根据第一类图像和每一个第一类图像的标签对初始模型进行训练,得到性能良好的识别模型。
在步骤S130中,通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签。
本示例性实施例中,由于第一类图像的标签已经确定,因此可根据得到的性能良好的识别模型对样本图像中的第二类图像进行自动标注,以得到第二类图像的标签。其中的第二类图像指的是样本图像中除第一类图像之外的所有的图像,包括特征明显的样本图像和特征不明显的样本图像。在本步骤中,通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签的具体过程包括:第一步,通过所述识别模型对所述第二类图像进行自动标注,以判断是否能够通过所述识别模型得到所述第二类图像的初始标签。也就是说,判断通过识别模型是否能够准确确定每一个第二类图像的初始标签,此处的初始标签指的是通过识别模型初步标注的标签。本步骤中,只需要将第二类图像输入识别模型即可得到该第二类图像属于每一个类别的概率,并将概率接近1的类别对应的标签确定为初始标签。另外,在第二类图像属于某一个类别的概率接近1时,可认为能够通过识别模型准确确定第二类图像的初始标签。第二步,根据是否能够得到所述第二类图像的初始标签确定所述第二类图像的标签。此处可以理解为,根据通过识别模型是否能够准确确定第二类图像的初始标签选择不同的方式来确定第二类图像的标签。由于可通过识别模型对第二类图像进行自动标注,因此可减少人工标注的样本图像的数量,从而大幅度提高标注速度和效率。
具体地,根据是否能够得到所述第二类图像的初始标签确定所述第二类图像的标签可包括两种方式:方式一、若能够确定所述第二类图像的所述初始标签,则对所述第二类图像的初始标签进行验证,并在验证通过时将所述第二类图像的初始标签确定为所述第二类图像的标签。此处的验证指的是简单的检查确认操作。举例而言,如果对于第二类图像1而言,通过识别模型能够准确确定第二类图像1的初始标签为标签0,则对第二类图像1的初始标签进行简单验证,并在验证通过时确定第二类图像1的标签为0。方式二、若无法确定所述第二类图像的所述初始标签,则对所述第二类图像进行人工标注,以确定所述第二类图像的标签。举例而言,如果对于第二类图像2而言,通过识别模型不能够准确确定第二类图像1的初始标签,例如初始标签可以为2也可以为3,则需要对第二类图像2重新进行人工标注,以将人工标注得到的标签确定为第二类图像2的标签。例如,通过人工标注确定第二类图像2的标签为标签3,则第二类图像2的标签就为标签3。此处的人工标注可通过一些标注软件辅助进行,以对第二类图像的尺寸、形态等参数进行具体分析,从而得到第二类图像的标签。
通过识别模型对第二类图像进行自动标注,能够提高标注速度和标注效率,也避免了人工误差,提高了图像标注的精准度,能够得到更准确的标签。
需要补充的是,随着时间的增长,医疗数据库中存储的与待测物体相关的样本图像越来越多,为了提高识别模型的准确率,可对识别模型进行更新。具体地,可以每隔预设时长重新获取与待测物体对应的所有样本图像,并基于重新获取的样本图像重新训练所述识别模型。具体地训练过程与上述描述的过程相同,此处不再赘述。预设时长指的是一定周期,该预设时长可以为一周、一个月或者是3个月等等,此处不作特殊限定。由于样本图像的数量增多,可以使得重新训练的识别模型更准确。如此一来,在对下一批样本图像进行自动识别时,无法确定其标签的比例将逐步下降,也就意味着需要人工标注的数量将会减少,可提高标注效率。
在步骤S110-S130的基础上,可进入扫描设备的分析模式对目标物体的扫描图像进行自动标注。此处的目标物体可以为与上述步骤中的待测物体类型相同的物体。首先可对目标物体进行扫描,具体可控制图2中所示的扫描设备在采集模式下采用第二预设精度对目标物体进行扫描得到扫描图像。第二预设精度指的是低精度,例如20倍显微镜所对应的精度。需要说明的是,在本示例性实施例中,不需要更换扫描设备中的光学模块,只需通过向下采样算法对所述第一预设精度进行处理,得到与所述第一预设精度对应的第二预设精度。向下采样算法指的是缩小图像,以使得图像符合显示区域的大小。向下采样的基本原理在于,对于一幅尺寸为M*N的图像,对其进行s倍向下采样,即得到(M/s)*(N/s)尺寸的分辨率图像,如果考虑的是矩阵形式的图像,就是把原始图像s*s窗口内的图像变成一个像素。也就是说,可以将第一预设精度对应的多个像素转换为一个像素,以得到与所述第一预设精度对应的所述第二预设精度。此处的多个具体可根据实际需求进行设置,例如可以为4个、9个或者是16个等等。参考图4中所示,若要从高精度40倍转化到低精度20倍,可以将40倍的相邻2×2的像素通过向下采样算法得到20倍的1个像素,以此类推。
接下来,可通过识别模型对所述扫描图像进行自动标注,以得到所述扫描图像的标签,从而实现对扫描图像的自动标注,提高标注效率。
由于较高精度的图像在扫描时间、存储空间上将产生较大的压力,比如高精度的图像可能需要10几分钟的扫描时间和2G左右的文件大小。由于一个扫描系统和一个识别模型往往只针对某一特定的组织细胞,虽然显微镜下细胞种类丰富,包含一些杂质,形态千差万别,但相对来说基本上还是在有限种类范围内。这种情况下,高精度的图像和低精度的图像的差异比较小,因此通过低精度的图像也可以达到相对较高的精确度。另外,使用低精度进行扫描和存储,可以大大压缩所需要的时间和存储空间,提高扫描效率。
本公开还提供了一种图像分析装置。参考图5所示,该图像分析装置500可以包括:
图像获取模块501,用于对待测物体进行扫描,以得到所述待测物体的样本图像;
模型生成模块502,用于对所述样本图像中的第一类图像进行标注得到所述第一类图像的标签,并根据所述第一类图像以及所述第一类图像的标签生成识别模型;
标签确定模块503,用于通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签。
需要说明的是,上述图像分析装置中各模块的具体细节已经在对应的图像分析方法中进行了详细描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤:在步骤S110中,对待测物体进行扫描,以得到所述待测物体的样本图像;在步骤S120中,对所述样本图像中的第一类图像进行标注得到所述第一类图像的标签,并根据所述第一类图像以及所述第一类图像的标签生成识别模型;在步骤S130中,通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
显示单元640可以为具有显示功能的显示器,以通过该显示器展示由处理单元610执行本示例性实施例中的方法而得到的处理结果。显示器包括但不限于液晶显示器或者是其它显示器。
电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (11)
1.一种图像分析方法,其特征在于,包括:
对待测物体进行扫描,以得到所述待测物体的样本图像;
对所述样本图像中的第一类图像进行标注得到所述第一类图像的标签,并根据所述第一类图像以及所述第一类图像的标签生成识别模型;
通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签。
2.根据权利要求1所述的图像分析方法,其特征在于,对待测物体进行扫描,以得到所述待测物体的样本图像包括:
控制扫描设备采用第一预设精度并按照预设扫描顺序对所述待测物体的预设区域进行扫描,以得到所述样本图像。
3.根据权利要求2所述的图像分析方法,其特征在于,所述方法还包括:
通过向下采样算法对所述第一预设精度进行处理,得到与所述第一预设精度对应的第二预设精度;
控制所述扫描设备采用第二预设精度对目标物体进行扫描得到扫描图像;
通过所述识别模型对所述扫描图像进行自动标注,以得到所述扫描图像的标签。
4.根据权利要求3所述的图像分析方法,其特征在于,通过向下采样算法对所述第一预设精度进行处理,得到与所述第一预设精度对应的第二预设精度包括:
将第一预设精度对应的多个像素转换为一个像素,以得到与所述第一预设精度对应的所述第二预设精度。
5.根据权利要求1所述的图像分析方法,其特征在于,根据所述第一类图像以及所述第一类图像的标签生成用于标注图像的识别模型包括:
根据所述第一类图像以及所述第一类图像的标签对初始模型进行训练,以生成所述识别模型。
6.根据权利要求1所述的图像分析方法,其特征在于,通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签包括:
通过所述识别模型对所述第二类图像进行自动标注,以判断是否能够通过所述识别模型得到所述第二类图像的初始标签;
根据是否能够得到所述第二类图像的初始标签确定所述第二类图像的标签。
7.根据权利要求6所述的图像分析方法,其特征在于,根据是否能够得到所述第二类图像的初始标签确定所述第二类图像的标签包括:
若能够确定所述第二类图像的所述初始标签,则对所述第二类图像的初始标签进行验证,并在验证通过时将所述第二类图像的初始标签确定为所述第二类图像的标签;
若无法确定所述第二类图像的所述初始标签,则对所述第二类图像进行人工标注,以确定所述第二类图像的标签。
8.根据权利要求1所述的图像分析方法,其特征在于,所述方法还包括:
每隔预设时长重新获取所述待测物体的样本图像,并基于重新获取的样本图像重新训练所述识别模型。
9.一种图像分析装置,其特征在于,包括:
图像获取模块,用于对待测物体进行扫描,以得到所述待测物体的样本图像;
模型生成模块,用于对所述样本图像中的第一类图像进行标注得到所述第一类图像的标签,并根据所述第一类图像以及所述第一类图像的标签生成识别模型;
标签确定模块,用于通过所述识别模型对所述样本图像中除第一类图像之外的第二类图像进行自动标注,以获取所述第二类图像的标签。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任意一项所述的图像分析方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8任意一项所述的图像分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811023876.2A CN109272495A (zh) | 2018-09-04 | 2018-09-04 | 图像分析方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811023876.2A CN109272495A (zh) | 2018-09-04 | 2018-09-04 | 图像分析方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272495A true CN109272495A (zh) | 2019-01-25 |
Family
ID=65188128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811023876.2A Pending CN109272495A (zh) | 2018-09-04 | 2018-09-04 | 图像分析方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272495A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335251A (zh) * | 2019-05-31 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 图像分析方法的量化装置、方法、设备和存储介质 |
CN110674877A (zh) * | 2019-09-26 | 2020-01-10 | 联想(北京)有限公司 | 图像处理方法和装置 |
CN110675940A (zh) * | 2019-08-01 | 2020-01-10 | 平安科技(深圳)有限公司 | 病理图像标注方法、装置、计算机设备及存储介质 |
CN110728287A (zh) * | 2019-10-10 | 2020-01-24 | 深圳铂石空间科技有限公司 | 图像识别方法及装置、电子设备、存储介质 |
CN110827380A (zh) * | 2019-09-19 | 2020-02-21 | 北京铂石空间科技有限公司 | 图像的渲染方法、装置、电子设备及计算机可读介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050231610A1 (en) * | 1998-07-23 | 2005-10-20 | Anderson Eric C | Method and apparatus for automatically categorizing images in a digital camera |
CN102655607A (zh) * | 2011-03-04 | 2012-09-05 | 富士通株式会社 | 用于统计目标观众的收视率的方法和装置 |
EP2557524A1 (en) * | 2011-08-09 | 2013-02-13 | Teclis Engineering, S.L. | Method for automatic tagging of images in Internet social networks |
CN103310195A (zh) * | 2013-06-09 | 2013-09-18 | 西北工业大学 | 车辆高分遥感图像的基于llc特征的弱监督识别方法 |
CN103324959A (zh) * | 2013-07-01 | 2013-09-25 | 智美达(江苏)数字技术有限公司 | 播种质量检测方法和装置 |
CN107004141A (zh) * | 2017-03-03 | 2017-08-01 | 香港应用科技研究院有限公司 | 对大样本组的高效标注 |
CN108021903A (zh) * | 2017-12-19 | 2018-05-11 | 南京大学 | 基于神经网络的人工标注白细胞的误差校准方法及装置 |
-
2018
- 2018-09-04 CN CN201811023876.2A patent/CN109272495A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050231610A1 (en) * | 1998-07-23 | 2005-10-20 | Anderson Eric C | Method and apparatus for automatically categorizing images in a digital camera |
CN102655607A (zh) * | 2011-03-04 | 2012-09-05 | 富士通株式会社 | 用于统计目标观众的收视率的方法和装置 |
EP2557524A1 (en) * | 2011-08-09 | 2013-02-13 | Teclis Engineering, S.L. | Method for automatic tagging of images in Internet social networks |
CN103310195A (zh) * | 2013-06-09 | 2013-09-18 | 西北工业大学 | 车辆高分遥感图像的基于llc特征的弱监督识别方法 |
CN103324959A (zh) * | 2013-07-01 | 2013-09-25 | 智美达(江苏)数字技术有限公司 | 播种质量检测方法和装置 |
CN107004141A (zh) * | 2017-03-03 | 2017-08-01 | 香港应用科技研究院有限公司 | 对大样本组的高效标注 |
CN108021903A (zh) * | 2017-12-19 | 2018-05-11 | 南京大学 | 基于神经网络的人工标注白细胞的误差校准方法及装置 |
Non-Patent Citations (2)
Title |
---|
VAFA MAIHAMI 等: "A genetic-based prototyping for automatic image annotation", 《COMPUTERS & ELECTRICAL ENGINEERING》 * |
黎健成 等: "基于卷积神经网络的多标签图像自动标注", 《计算机科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335251A (zh) * | 2019-05-31 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 图像分析方法的量化装置、方法、设备和存储介质 |
CN110335251B (zh) * | 2019-05-31 | 2021-09-17 | 上海联影智能医疗科技有限公司 | 图像分析方法的量化装置、方法、设备和存储介质 |
CN110675940A (zh) * | 2019-08-01 | 2020-01-10 | 平安科技(深圳)有限公司 | 病理图像标注方法、装置、计算机设备及存储介质 |
CN110827380A (zh) * | 2019-09-19 | 2020-02-21 | 北京铂石空间科技有限公司 | 图像的渲染方法、装置、电子设备及计算机可读介质 |
CN110827380B (zh) * | 2019-09-19 | 2023-10-17 | 北京铂石空间科技有限公司 | 图像的渲染方法、装置、电子设备及计算机可读介质 |
CN110674877A (zh) * | 2019-09-26 | 2020-01-10 | 联想(北京)有限公司 | 图像处理方法和装置 |
CN110674877B (zh) * | 2019-09-26 | 2023-06-27 | 联想(北京)有限公司 | 图像处理方法和装置 |
CN110728287A (zh) * | 2019-10-10 | 2020-01-24 | 深圳铂石空间科技有限公司 | 图像识别方法及装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272495A (zh) | 图像分析方法及装置、电子设备、存储介质 | |
US11927738B2 (en) | Computational microscopy based-system and method for automated imaging and analysis of pathology specimens | |
CN110046600B (zh) | 用于人体检测的方法和装置 | |
CN109858333B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
US20230237744A1 (en) | Extended reality service providing method and system for operation of industrial installation | |
CN111274425A (zh) | 医疗影像分类方法、装置、介质及电子设备 | |
CN111860362A (zh) | 生成人脸图像校正模型及校正人脸图像的方法和装置 | |
CN111476776B (zh) | 胸部病灶位置确定方法、系统、可读存储介质和设备 | |
CN112508078B (zh) | 图像多任务多标签识别方法、系统、设备及介质 | |
CN109934774A (zh) | 一种基于图像位置上下文的图像拼接方法 | |
JP2023143742A (ja) | ポイントクラウド処理モデルのトレーニング方法、ポイントクラウドインスタンス分割方法および装置 | |
CN111401318A (zh) | 动作识别方法及装置 | |
CN110827236A (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
JP2023166444A (ja) | 拡大画像の取得およびストレージ | |
Doughty et al. | SurgeonAssist-Net: towards context-aware head-mounted display-based augmented reality for surgical guidance | |
CN111104874A (zh) | 人脸年龄预测方法及模型的训练方法、装置及电子设备 | |
CN112304229A (zh) | 一种纺织品纤维成分自动化分析方法及系统 | |
CN112597852A (zh) | 细胞分类方法、装置、电子设备及存储介质 | |
US20150130921A1 (en) | Image processing apparatus and image processing method | |
EP4156124A1 (en) | Dynamic gesture recognition method and apparatus, and device and storage medium | |
CN114972910A (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 | |
CN112132772A (zh) | 一种病理切片实时判读方法、装置及系统 | |
Gallas et al. | Evaluation environment for digital and analog pathology: a platform for validation studies | |
CN112101257B (zh) | 训练样本生成方法、图像处理方法、装置、设备和介质 | |
CN114388105A (zh) | 病理切片处理方法、装置、计算机可读介质及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |