CN109447975A - 基于图像的手掌红色斑点检测方法 - Google Patents

基于图像的手掌红色斑点检测方法 Download PDF

Info

Publication number
CN109447975A
CN109447975A CN201811293899.5A CN201811293899A CN109447975A CN 109447975 A CN109447975 A CN 109447975A CN 201811293899 A CN201811293899 A CN 201811293899A CN 109447975 A CN109447975 A CN 109447975A
Authority
CN
China
Prior art keywords
image
punctation
palm
detection
value
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
Application number
CN201811293899.5A
Other languages
English (en)
Inventor
肖湘江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201811293899.5A priority Critical patent/CN109447975A/zh
Publication of CN109447975A publication Critical patent/CN109447975A/zh
Pending legal-status Critical Current

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
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开一种基于图像的手掌红色斑点检测方法。所述方法包括如下步骤：获取手掌区域轮廓的外接四边形点集坐标，在原图的Cr分量图中获取手掌区域感兴趣图像；对获取的所述手掌区域感兴趣图像计算灰度最大值和最小值；对获取的所述手掌区域感兴趣图像进行分段自适应线性拉伸以获取手掌图像；设置红色斑点检测参数；对进行分段自适应线性拉伸处理的图像计算灰度最大值和最小值；判断灰度最大值是否大于经验值从而设定不同的二值化起始阈值；调用Opencv的blob检测函数检测获得红色斑点数量结果。本发明提供的检测方法先对图像像素进行了线性拉伸，且拉伸变换函数为动态连续的，从而使斑点检测精确、范围扩大，方法步骤简单，运算速度更快。

Description

基于图像的手掌红色斑点检测方法
技术领域
本发明涉及图像检测技术领域，尤其涉及一种基于图像的手掌红色斑点检测方法。
背景技术
随着计算机视觉技术的不断发展，图像处理技术被人们用于各种领域中。计算机诊病就是其中重要的应用案例之一，由于具有自动、快捷等特点，能大幅提高诊病效率，被视为未来医学诊病的发展方向。考虑到皮肤病诊断主要通过观察皮肤表面症状，可以通过计算机视觉技术实现皮肤病的自动诊断过程。如何将皮肤图像中的病变区域辨识出来是实现计算机皮肤病诊断的重要过程，有助于分析疹点数量、分布、形态大小等。本发明利用计算机视觉库OpenCV(Open Source Computer Vision Library)提供的斑点检测方法类SimpleBlobDetector，并通过对其进行改进，使检测更精确，方法步骤更简单，运算速度更快。
发明内容
本发明的目的是提供一种基于图像的手掌红色斑点检测方法。
一种基于图像的手掌红色斑点检测方法，包括如下步骤：获取手掌轮廓区域的外接四边形点集坐标，在原图的Cr分量图中获取手掌区域感兴趣图像；
对获取的所述手掌区域感兴趣图像计算灰度最大值和最小值；
对获取的所述手掌区域感兴趣图像进行分段自适应线性拉伸以获取手掌图像；
设置红色斑点检测参数；
对进行分段自适应线性拉伸处理的图像计算灰度最大值和最小值；
判断灰度最大值是否大于经验值从而设定不同的二值化起始阈值；
调用Opencv的blob检测函数检测获得红色斑点数量结果。
在本发明提供的基于图像的手掌红色斑点检测方法的一种较佳实施例中，所述经验值为177像素，判断灰度最大值是否大于经验值177像素，若是，则设置红色斑点检测参数之一的二值化起始阈值为176；若否，则设置红色斑点检测参数之一的二值化起始阈值为173；
在本发明提供的基于图像的手掌红色斑点检测方法的一种较佳实施例中，所述分段自适应线性拉伸的处理方法为：
设置分段拉伸区间；
计算各所述拉伸区间内的拉伸斜率；
根据所述拉伸区间和其对应的拉伸斜率进行相应的线性拉伸处理。
在本发明提供的基于图像的手掌红色斑点检测方法的一种较佳实施例中，所述分段自适应线性拉伸的拉伸区间为：【0，x1】，【x1，x2】，【x2，255】，其中x1＝132，x2＝184。
在本发明提供的基于图像的手掌红色斑点检测方法的一种较佳实施例中，拉伸斜率计算：【0，x1】区间段内k0＝1，该区间段为恒定区间，像素不做拉伸；【x1，x2】区间段内k1＝0.75，该区间为肤色区间，像素值向下压缩；【x2，255】区间段内k2根据统计试验得出该区间的像素值拉伸斜率是自适应变化的，k2的值随灰度最大值(maxv)变化而变化，其变化公式为：
与现有技术相比，本发明提供的基于图像的手掌红色斑点检测方法在调用Opencv的blob检测函数前先对图像像素进行了线性拉伸，且拉伸变换函数为动态连续的，从而使斑点检测精确、范围扩大，可应用于皮疹、荨麻疹、湿疹、水痘、痤疮等呈斑点状分布的皮肤病的病程检测，无论病程轻重皆可快速检测识别，有效避免传播蔓延，给医学诊断提供了良好的依据，方法步骤更简单，计算机运算速度更快。红色斑点检测参数之一的二值化起始阈值为根据实际使用经验所得，实际应用效果佳，具有实际应用推广意义。
附图说明
图1为本发明提供的基于图像的手掌红色斑点检测方法流程图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将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、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域的技术人员所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
请参阅图1，提供的基于图像的手掌红色斑点检测方法流程图。所述基于图像的手掌红色斑点检测方法，包括如下步骤：
步骤一：获取手掌区域轮廓的外接四边形点集坐标，在原图的Cr分量图中获取手掌区域感兴趣图像。可减少后续红色斑点检测图像尺寸，只对感兴趣的手掌区域图像进行检测，从而大大减小了计算机运算负荷，提高了运算速度。
步骤二：对获取的所述手掌区域感兴趣图像计算灰度最大值maxv和最小值minv，根据灰度最大值maxv为后续分段自适应线性拉伸提供主要数据。
步骤三：对获取的所述手掌区域感兴趣图像进行分段自适应线性拉伸以获取手掌图像。所述分段自适应线性拉伸处理方法为：设置分段拉伸区间；所述分段自适应线性拉伸的拉伸区间为：【0，x1】，【x1，x2】，【x2，255】，其中x1＝132，x2＝184。
计算所述拉伸区间段内拉伸斜率；根据所述拉伸区间段和拉伸斜率进行相应的线性拉伸处理。
拉伸斜率计算：【0，x1】区间段内k0＝1，该区间段为恒定区间，像素不做拉伸；【x1，x2】区间段内k1＝0.75，该区间为肤色区间，像素值向下压缩；【x2，255】区间段内k2根据统计试验得出该区间的像素值拉伸斜率是自适应变化的，k2的值随灰度最大值(maxv)变化而变化，其变化公式为：
步骤四：设置红色斑点检测参数。红色斑点检测参数SimpleBlobDetector::Params::Params()有19种参数，本文使用到的参数为：thresholdstep—二值化的阈值步长；minThreshold--二值化起始阈值；maxThreshold--二值化终止阈值；minArea—斑点最小面积；maxArea--斑点最大面积等。
步骤五：对进行分段自适应线性拉伸处理的图像计算灰度最大值maxv’和最小值minv’。判断灰度最大值maxv’是否大于经验值从而设定不同的二值化起始阈值；所述经验值为177像素。判断灰度最大值maxv’是否大于经验值177像素，若是，则设置红色斑点检测参数之一的二值化起始阈值为176；若否，则设置红色斑点检测参数之一的二值化起始阈值为173。
步骤六：调用Opencv的blob检测函数检测获得红色斑点数量结果。所述检测函数为blob检测函数SimpleBlobDetector::detector(params)检测参数初始化和detector.detect(img_CrRIO,keypoint)--斑点检测函数。
与现有技术相比，本发明提供的基于图像的手掌红色斑点检测方法在调用Opencv的blob检测函数前先对图像进行了线性拉伸，且拉伸变换函数为动态连续的，从而使斑点检测精确、范围扩大，因而可应用于皮疹、荨麻疹、湿疹、水痘、痤疮等呈斑点状分布的皮肤病的病程快速检测识别，有效避免传播蔓延，给医学诊断提供了良好的依据，方法步骤简单，运算速度更快。红色斑点检测参数之一的二值化起始阈值为根据实际使用经验所得，实际应用效果佳，具有实际应用推广意义。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种基于图像的手掌红色斑点检测方法，其特征在于，包括如下步骤：
获取手掌轮廓区域的外接四边形点集坐标，在原图的Cr分量图中获取手掌区域感兴趣图像；
对获取的所述手掌区域感兴趣图像计算灰度最大值和最小值；
对获取的所述手掌区域感兴趣图像进行分段自适应线性拉伸以获取手掌图像；
设置红色斑点检测参数；
对进行分段自适应线性拉伸处理的图像计算灰度最大值和最小值；
判断灰度最大值是否大于经验值从而设定不同的二值化起始阈值；
调用Opencv的blob检测函数检测获得红色斑点数量结果。
2.根据权利要求1所述基于图像的手掌红色斑点检测方法，其特征在于，所述经验值为177像素，判断灰度最大值是否大于经验值177像素，若是，则设置红色斑点检测参数之一的二值化起始阈值为176；若否，则设置红色斑点检测参数之一的二值化起始阈值为173。
3.根据权利要求2所述手掌红色斑点检测方法，其特征在于，所述分段自适应线性拉伸的处理方法为：
设置分段拉伸区间；
计算各所述拉伸区间内的拉伸斜率；
根据所述拉伸区间和其对应的拉伸斜率进行相应的线性拉伸处理。
4.根据权利要求3所述基于图像的手掌红色斑点检测方法，其特征在于，所述分段自适应线性拉伸的拉伸区间为：【0，x1】，【x1，x2】，【x2，255】，其中x1＝132，x2＝184。
5.根据权利要求4所述基于图像的手掌红色斑点检测方法，其特征在于，拉伸斜率计算：【0，x1】区间段内k0＝1，该区间段为恒定区间，像素不做拉伸；【x1，x2】区间段内k1＝0.75，该区间为肤色区间，像素值向下压缩；【x2，255】区间段内k2根据统计试验得出该区间的像素值拉伸斜率是自适应变化的，k2的值随灰度最大值(maxv)变化而变化，其变化公式为：
CN201811293899.5A 2018-11-01 2018-11-01 基于图像的手掌红色斑点检测方法 Pending CN109447975A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811293899.5A CN109447975A (zh) 2018-11-01 2018-11-01 基于图像的手掌红色斑点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811293899.5A CN109447975A (zh) 2018-11-01 2018-11-01 基于图像的手掌红色斑点检测方法

Publications (1)

Publication Number Publication Date
CN109447975A true CN109447975A (zh) 2019-03-08

Family

ID=65549744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811293899.5A Pending CN109447975A (zh) 2018-11-01 2018-11-01 基于图像的手掌红色斑点检测方法

Country Status (1)

Country Link
CN (1) CN109447975A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100272333A1 (en) * 2009-04-23 2010-10-28 Lvmh Recherche Method and apparatus for characterizing pigment spots
CN103854028A (zh) * 2008-12-22 2014-06-11 赛利恩影像股份有限公司 自动检测医学图像中的病变的方法和系统
CN105787929A (zh) * 2016-02-15 2016-07-20 天津大学 基于斑点检测的皮肤疹点提取方法
CN106845388A (zh) * 2017-01-18 2017-06-13 北京交通大学 基于复杂场景的移动终端掌纹感兴趣区域的提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854028A (zh) * 2008-12-22 2014-06-11 赛利恩影像股份有限公司 自动检测医学图像中的病变的方法和系统
US20100272333A1 (en) * 2009-04-23 2010-10-28 Lvmh Recherche Method and apparatus for characterizing pigment spots
CN105787929A (zh) * 2016-02-15 2016-07-20 天津大学 基于斑点检测的皮肤疹点提取方法
CN106845388A (zh) * 2017-01-18 2017-06-13 北京交通大学 基于复杂场景的移动终端掌纹感兴趣区域的提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张秀君 等: "分段线性变换增强的自适应方法", 《电子科技》 *

Similar Documents

Publication Publication Date Title
US10860879B2 (en) Deep convolutional neural networks for crack detection from image data
Senan et al. Analysis of dermoscopy images by using ABCD rule for early detection of skin cancer
WO2019104767A1 (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
Zhou et al. Estimation of muscle fiber orientation in ultrasound images using revoting hough transform (RVHT)
CN104680524B (zh) 一种叶类蔬菜病害诊断方法
CN101799434B (zh) 一种印刷图像缺陷检测方法
Garnavi et al. Automatic segmentation of dermoscopy images using histogram thresholding on optimal color channels
CN110706826B (zh) 一种基于视频图像的非接触式的实时多人心率和血压测量方法
CN108564567A (zh) 一种超高分辨率病理图像癌变区域可视化方法
CN104732536A (zh) 一种基于改进形态学的亚像素边缘检测方法
CN109087286A (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN105069818A (zh) 一种基于图像分析的皮肤毛孔识别方法
CN109447063A (zh) 一种基于图像处理的厨房油烟浓度检测方法
CN104036521A (zh) 一种新的视网膜眼底图像分割方法
CN112270667A (zh) 一种基于ti-rads的集成深度学习多标签识别方法
CN108537787A (zh) 一种人脸图像的质量判定方法
Liu et al. An efficient no-reference metric for perceived blur
CN115266732B (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
Wang et al. A no-reference perceptual blur metric based on complex edge analysis
Zhang et al. A snake‐based approach to automated segmentation of tongue image using polar edge detector
Yunhong et al. Edge Detection Algorithm of MRI Medical Image Based on Artificial Neural Network
CN109272484B (zh) 一种基于视频图像的降雨检测方法
CN114764786A (zh) 一种基于超声视频流的病灶区域实时检测装置
CN109447975A (zh) 基于图像的手掌红色斑点检测方法
CN113963427B (zh) 一种快速活体检测的方法与系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190308

WD01 Invention patent application deemed withdrawn after publication