CN109273071A - 一种建立白色物体对比模型的方法 - Google Patents
一种建立白色物体对比模型的方法 Download PDFInfo
- Publication number
- CN109273071A CN109273071A CN201810964264.7A CN201810964264A CN109273071A CN 109273071 A CN109273071 A CN 109273071A CN 201810964264 A CN201810964264 A CN 201810964264A CN 109273071 A CN109273071 A CN 109273071A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- white object
- training
- white
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 239000000463 material Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000009885 systemic effect Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 238000012937 correction Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 241001536352 Fraxinus americana Species 0.000 description 1
- 241000565357 Fraxinus nigra Species 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明公开了一种建立白色物体对比模型的方法,包括:大量收集白色物体图像,把收集的静态图像进行灰度处理,计算各静态图像每个像素点的灰度值,使上述图像都呈现黑白灰状态,将经过灰度处理后的静态图像样本分成测试图像和训练图像两类,均存储在服务器上,建立白色物体样本数据库;建立模型,利用上述样本进行模型训练和测试准确度,实现白色物体自动识别,完成白色物体对比模型;本发明方法利用白色物体作为样本建立数据库,通过一系列训练测试建立对比模型,该方法实现原理简单,资源成本低廉,运算时间快速,白平衡效果理想且准确,为医疗诊断提供一种能够精确还原采集图像色彩的校对模型。
Description
技术领域
本发明涉及图片颜色处理领域,尤其涉及一种建立白色物体对比模型的方法。
背景技术
传统中医包括望、闻、问、切四诊,而舌诊又是望诊的关键内容。在中医学理论中,无论人体五脏六腑多么复杂的病理症状,均可直观、快捷地通过观察舌像判断疾病的性质、病势的浅深以及气血的盛哀等,是一种简单有效的医疗辅助诊断及鉴别方法。传统望诊,医生普遍通过肉眼观察患者的舌头形态和色泽等特征,然后根据从医经验诊断疾病。由于我国人口众多且老龄化问题严重,每天看中医的患者数量与日俱增,医生供不应求;此外,对患者而言,等待医生看诊是一件十分麻烦和费时的事情。
为了解决上述的医患矛盾,市面研发了一批基于计算机图像辅助处理的舌诊产品。该产品的实现原理普遍如下:以患者舌头为对象,进行图像采集,医生基于图像诊断,这大大地提升了诊断效率。由于采集图像是依靠终端的拍摄设备,如:手机摄像头,该设备没有人眼的适应性,在不同光线下拍摄,由于CCD输出的不平衡性,造成彩色还原失真的发生;因此,上述舌诊产品的采集图像往往存在色差问题,导致医疗诊断也出现偏差,无法对患者疾病实现针对性的治疗以及预防。
因此,社会需要一种能够精确还原采集图像色彩的校对模型,从而进行对比校对。
发明内容
本发明针对现有技术中存在的问题,提供一种建立白色物体对比模型的方法,该方法利用白色物体作为样本建立数据库,通过一系列训练测试建立对比模型,该方法实现原理简单,资源成本低廉,运算时间快速,白平衡效果理想且准确,为医疗诊断提供一种能够精确还原采集图像色彩的校对模型。
为实现上述目的,本发明提供的技术方案如下:
一种建立白色物体对比模型的方法,包括:
S1,大量收集白色物体图像,对收集的图像样本进行灰度处理后建立物体样本数据库;
S2,建立模型,利用上述样本进行模型训练和测试准确度,实现白色物体自动识别,完成白色物体对比模型。
进一步地,所述步骤S1具体包括:
S11,大量收集白色物体的静态图像;
S12,把上述收集的静态图像进行灰度处理,计算各静态图像每个像素点的灰度值,使上述图像都呈现黑白灰状态;
S13,将经过灰度处理后的静态图像样本分成测试图像和训练图像两类,均存储在服务器上,建立白色物体样本数据库。
进一步地,所述步骤S2具体包括:
S21,系统建立模型,把上述白色物体样本的训练图像传输给模型反复训练,自动识别图像的白色物体;
S22,判断模型训练次数是否达到系统预设的阈值,如果否,则转到S21,如果是,则转到S23;
S23,模型训练停止,通过损失函数的计算,得出模型识别准确率;
S24,判断由上述得出的准确率是否达到某一阈值,如果否,则重新调整样本的类别信息,如果是,则转到S25;
S25,将模型与白色物体样本数据库的测试图像进行试运行测试,测试准确率达到预设的阈值后把模型应用于现场抓拍。
进一步地,所述步骤S12中计算每个像素点的灰度值所运用的公式为灰度处理加权平均法公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即:第i行,第j列。
进一步地,所述步骤S24中的样本类别信息包括物体的材质和尺寸。
进一步地,所述步骤S22中模型训练次数的阈值为20万次,所述步骤S24中模型训练准确率阈值为80%,所述步骤S25中模型测试准确率阈值为80%。
进一步地,所述白色物体为白色纸巾。
一种建立白色物体对比模型的方法,包括:
S1,大量收集白色物体图像,对收集的图像样本进行灰度处理后建立物体样本数据库;
S11,大量收集白色物体的静态图像;
S12,把上述收集的静态图像进行灰度处理,计算各静态图像每个像素点的灰度值,使上述图像都呈现黑白灰状态;
S13,将经过灰度处理后的静态图像样本分成测试图像和训练图像两类,均存储在服务器上,建立白色物体样本数据库。
S2,建立模型,利用上述样本进行模型训练和测试准确度,实现白色物体自动识别,完成白色物体对比模型。
S21,系统建立模型,把上述白色物体样本的训练图像传输给模型反复训练,自动识别图像的白色物体;
S22,判断模型训练次数是否达到系统预设的阈值,如果否,则转到S21,如果是,则转到S23;
S23,模型训练停止,通过损失函数的计算,得出模型识别准确率;
S24,判断由上述得出的准确率是否达到某一阈值,如果否,则重新调整样本的类别信息,如果是,则转到S25;
S25,将模型与白色物体样本数据库的测试图像进行试运行测试,测试准确率达到预设的阈值后把模型应用于现场抓拍。
所述步骤S12中计算每个像素点的灰度值所运用的公式为灰度处理加权平均法公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即:第i行,第j列。
所述步骤S24中的样本类别信息包括物体的材质和尺寸。
所述步骤S22中模型训练次数的阈值为20万次,所述步骤S24中模型训练准确率阈值为80%,所述步骤S25中模型测试准确率阈值为80%。
所述白色物体为白色纸巾。
与现有技术相比,本发明方法利用白色物体作为样本建立数据库,通过一系列训练测试建立对比模型,该方法实现原理简单,资源成本低廉,运算时间快速,白平衡效果理想且准确,为医疗诊断提供一种能够精确还原采集图像色彩的校对模型。
附图说明
图1:为本发明方法的具体步骤流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
为了能够精确还原采集图像色彩,本发明提供了一种建立白色物体对比模型的方法。在实施例中使用白色纸巾作为对比样本。
参照图1,系统大量收集白色纸巾图像,建立纸巾样本数据库。建立模型,基于上述样本反复训练,实现白色纸巾自动识别;通过损失函数的计算,若模型识别准确率达到某一阀值,如:80%,则把模型应用于现场抓拍。本实施例基于白色纸巾的颜色特征,为舌诊图像提供白色参照物,建立对比模型。本发明实现原理简单,资源成本低廉,运算时间快速,白平衡效果理想且准确。
在实施例中,具体的实施方法如下:
S1:大量收集白色纸巾图像,建立纸巾样本数据库。
S1.1:大量收集白色纸巾图像。
通过网页抓取等方式,系统大量收集白色纸巾的静态图像。
S1.2:把图像进行灰度处理。
由于彩色图像是由多个像素点组成,且每个像素点都由RGB三个值表示;对图像进行灰度处理,并不会影响图像的纹理特征信息,而且每个像素点只需一个灰度值便可表示,大大提高了图像处理效率。以下是灰度处理加权平均法公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即:第i行,第j列。根据上述公式,计算各静态图像每个像素点的灰度值,取值范围是0-255,使上述图像都呈现黑白灰状态。
S1.3:把图像存储在服务器上,完成纸巾样本数据库建立。
静态图像经过灰度处理,变成灰度图。基于图像总数量,系统把图像分成两类,一类是训练图像,一类是测试图像。其中,训练图像,占据总数量的90%,主要用于模型训练时使用;测试图像,占据总数量的10%,主要用于模型训练完毕,试运行时使用。上述图像均存储在本地服务器上,纸巾样本数据库建立完毕。
S2:建立模型,实现白色纸巾自动识别。
系统建立模型,把上述纸巾样本传输给模型反复训练。而模型训练主要采用卷积神经网络方法,从大样本数据中学习,利用不同卷积层输出的高级特征,对特征进行分类,从而完成白色纸巾自动识别。当模型与纸巾样本数据库训练图像反复训练的次数达到系统设定阀值,如:20万次,模型训练停止。根据损失函数的计算,得出模型识别准确率。若准确率达到某一阀值,如:80%,模型视为理想,可与纸巾样本数据库测试图像进行试运行测试;否则,模型视为不理想,重新调整纸巾的类别信息,如:材质、尺寸等,继续与纸巾样本数据库训练图像反复训练。
S3:模型应用于现场抓拍。
当模型与纸巾样本数据库测试图像训练完毕,且准确率达到某一阀值,如:80%,可应用于现场抓拍。在现场中,用户通过舌诊终端保存本人舌头和白色纸巾的合影。基于上述模型,系统对用户图像进行纸巾识别。
本发明提供一种建立白色物体对比模型的方法,具有以下优点:本发明方法利用白色物体作为样本建立数据库,通过一系列训练测试建立对比模型,该方法实现原理简单,资源成本低廉,运算时间快速,白平衡效果理想且准确,为医疗诊断提供一种能够精确还原采集图像色彩的校对模型。
以上所述仅为本发明的较佳实施例,并不用于限制本发明,凡在本发明的精神和原则内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种建立白色物体对比模型的方法,其特征在于,包括:
S1,大量收集白色物体图像,对收集的图像样本进行灰度处理后建立物体样本数据库;
S2,建立模型,利用上述样本进行模型训练和测试准确度,实现白色物体自动识别,完成白色物体对比模型。
2.根据权利要求1所述的建立白色物体对比模型的方法,其特征在于,所述步骤S1具体包括:
S11,大量收集白色物体的静态图像;
S12,把上述收集的静态图像进行灰度处理,计算各静态图像每个像素点的灰度值,使上述图像都呈现黑白灰状态;
S13,将经过灰度处理后的静态图像样本分成测试图像和训练图像两类,均存储在服务器上,建立白色物体样本数据库。
3.根据权利要求2所述的建立白色物体对比模型的方法,其特征在于,所述步骤S12中计算每个像素点的灰度值所运用的公式为灰度处理加权平均法公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即:第i行,第j列。
4.根据权利要求1所述的建立白色物体对比模型的方法,其特征在于,所述步骤S2具体包括:
S21,系统建立模型,把上述白色物体样本的训练图像传输给模型反复训练,自动识别图像的白色物体;
S22,判断模型训练次数是否达到系统预设的阈值,如果否,则转到S21,如果是,则转到S23;
S23,模型训练停止,通过损失函数的计算,得出模型识别准确率;
S24,判断由上述得出的准确率是否达到某一阈值,如果否,则重新调整样本的类别信息,如果是,则转到S25;
S25,将模型与白色物体样本数据库的测试图像进行试运行测试,测试准确率达到预设的阈值后把模型应用于现场抓拍。
5.根据权利要求4所述的建立白色物体对比模型的方法,其特征在于,所述步骤S24中的样本类别信息包括物体的材质和尺寸。
6.根据权利要求4所述的建立白色物体对比模型的方法,其特征在于,所述步骤S22中模型训练次数的阈值为20万次,所述步骤S24中模型训练准确率阈值为80%,所述步骤S25中模型测试准确率阈值为80%。
7.如权利要求1至权利要求6任一所述的建立白色物体对比模型的方法,其特征在于,所述白色物体为白色纸巾。
8.一种建立白色物体对比模型的方法,其特征在于,包括:
S1,大量收集白色物体图像,对收集的图像样本进行灰度处理后建立物体样本数据库;
S11,大量收集白色物体的静态图像;
S12,把上述收集的静态图像进行灰度处理,计算各静态图像每个像素点的灰度值,使上述图像都呈现黑白灰状态;
S13,将经过灰度处理后的静态图像样本分成测试图像和训练图像两类,均存储在服务器上,建立白色物体样本数据库。
S2,建立模型,利用上述样本进行模型训练和测试准确度,实现白色物体自动识别,完成白色物体对比模型。
S21,系统建立模型,把上述白色物体样本的训练图像传输给模型反复训练,自动识别图像的白色物体;
S22,判断模型训练次数是否达到系统预设的阈值,如果否,则转到S21,如果是,则转到S23;
S23,模型训练停止,通过损失函数的计算,得出模型识别准确率;
S24,判断由上述得出的准确率是否达到某一阈值,如果否,则重新调整样本的类别信息,如果是,则转到S25;
S25,将模型与白色物体样本数据库的测试图像进行试运行测试,测试准确率达到预设的阈值后把模型应用于现场抓拍。
所述步骤S12中计算每个像素点的灰度值所运用的公式为灰度处理加权平均法公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即:第i行,第j列。
所述步骤S24中的样本类别信息包括物体的材质和尺寸。
所述步骤S22中模型训练次数的阈值为20万次,所述步骤S24中模型训练准确率阈值为80%,所述步骤S25中模型测试准确率阈值为80%。
所述白色物体为白色纸巾。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964264.7A CN109273071A (zh) | 2018-08-23 | 2018-08-23 | 一种建立白色物体对比模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964264.7A CN109273071A (zh) | 2018-08-23 | 2018-08-23 | 一种建立白色物体对比模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109273071A true CN109273071A (zh) | 2019-01-25 |
Family
ID=65154318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810964264.7A Pending CN109273071A (zh) | 2018-08-23 | 2018-08-23 | 一种建立白色物体对比模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109273071A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242792A (zh) * | 2018-08-23 | 2019-01-18 | 广东数相智能科技有限公司 | 一种基于白色物体的白平衡校对方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182769A (zh) * | 2014-09-17 | 2014-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法及系统 |
CN106570503A (zh) * | 2016-05-26 | 2017-04-19 | 北京羽医甘蓝信息技术有限公司 | 识别车身颜色的方法和系统 |
US20170124692A1 (en) * | 2015-10-29 | 2017-05-04 | Empire Technology Development Llc | 3d object rotation-based mechanical parts selection through 2d image processing |
CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
CN107909580A (zh) * | 2017-11-01 | 2018-04-13 | 深圳市深网视界科技有限公司 | 一种行人衣着颜色识别方法、电子设备及存储介质 |
CN108024107A (zh) * | 2017-12-06 | 2018-05-11 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN108205671A (zh) * | 2016-12-16 | 2018-06-26 | 浙江宇视科技有限公司 | 图像处理方法及装置 |
CN108322788A (zh) * | 2018-02-09 | 2018-07-24 | 武汉斗鱼网络科技有限公司 | 一种视频直播中的广告展示方法及装置 |
-
2018
- 2018-08-23 CN CN201810964264.7A patent/CN109273071A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182769A (zh) * | 2014-09-17 | 2014-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法及系统 |
US20170124692A1 (en) * | 2015-10-29 | 2017-05-04 | Empire Technology Development Llc | 3d object rotation-based mechanical parts selection through 2d image processing |
CN106570503A (zh) * | 2016-05-26 | 2017-04-19 | 北京羽医甘蓝信息技术有限公司 | 识别车身颜色的方法和系统 |
CN108205671A (zh) * | 2016-12-16 | 2018-06-26 | 浙江宇视科技有限公司 | 图像处理方法及装置 |
CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
CN107909580A (zh) * | 2017-11-01 | 2018-04-13 | 深圳市深网视界科技有限公司 | 一种行人衣着颜色识别方法、电子设备及存储介质 |
CN108024107A (zh) * | 2017-12-06 | 2018-05-11 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN108322788A (zh) * | 2018-02-09 | 2018-07-24 | 武汉斗鱼网络科技有限公司 | 一种视频直播中的广告展示方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242792A (zh) * | 2018-08-23 | 2019-01-18 | 广东数相智能科技有限公司 | 一种基于白色物体的白平衡校对方法 |
CN109242792B (zh) * | 2018-08-23 | 2020-11-17 | 广东数相智能科技有限公司 | 一种基于白色物体的白平衡校对方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10115191B2 (en) | Information processing apparatus, information processing system, information processing method, program, and recording medium | |
CN111474701B (zh) | 一种病理显微图像实时采集分析系统、方法、装置及介质 | |
CN108389207A (zh) | 一种牙病诊断方法、诊断设备及智能图像采集装置 | |
CN106102554A (zh) | 图像处理装置、图像处理方法以及图像处理程序 | |
CN109242792A (zh) | 一种基于白色物体的白平衡校对方法 | |
CN108553081A (zh) | 一种基于舌苔图像的诊断系统 | |
CN110197714A (zh) | 图像解析方法、装置、学习后的深度学习算法的生成方法 | |
CN110326024B (zh) | 用于处理由医学成像装置捕获的组织学图像的方法和装置 | |
CN104114079A (zh) | 用于识别眼部健康状况的系统和方法 | |
CN104899891B (zh) | 一种识别孕囊组织的方法、装置及宫腔吸引装置 | |
CN106910184B (zh) | 基于深度卷积神经网络的内窥镜图像肠道出血检测方法 | |
CN110991266A (zh) | 一种双目人脸活体检测方法及装置 | |
CN110738655A (zh) | 影像报告生成方法、装置、终端及存储介质 | |
CN109508755A (zh) | 一种基于图像认知的心理测评方法 | |
CN114612389B (zh) | 基于多源多尺度特征融合的眼底图像质量评价方法和装置 | |
CN109241963A (zh) | 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法 | |
CN107977958A (zh) | 一种图像诊断方法和装置 | |
CN109273071A (zh) | 一种建立白色物体对比模型的方法 | |
KR102036052B1 (ko) | 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치 | |
Bourbakis et al. | A neural network-based detection of bleeding in sequences of WCE images | |
CN110097080B (zh) | 一种分类标签的构建方法及装置 | |
JP2022137109A (ja) | 画像表示システム、及び画像表示方法 | |
CN111067473A (zh) | 胃早癌切除边界标记系统以及方法 | |
WO2021256458A1 (ja) | カラーチャート | |
CN106127675B (zh) | 颜色一致性方法和装置 |
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 |
Application publication date: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |