CN109636714A - 一种超声宽景成像的图像拼接方法 - Google Patents
一种超声宽景成像的图像拼接方法 Download PDFInfo
- Publication number
- CN109636714A CN109636714A CN201811647651.4A CN201811647651A CN109636714A CN 109636714 A CN109636714 A CN 109636714A CN 201811647651 A CN201811647651 A CN 201811647651A CN 109636714 A CN109636714 A CN 109636714A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- characteristic point
- adjacent
- group
- 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 82
- 238000003384 imaging method Methods 0.000 title description 14
- 230000009466 transformation Effects 0.000 claims abstract description 71
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 26
- 230000002708 enhancing effect Effects 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims description 13
- 230000008901 benefit Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract description 4
- 238000007667 floating Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 239000000523 sample Substances 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000004927 fusion Effects 0.000 description 8
- 238000013519 translation Methods 0.000 description 7
- 238000002604 ultrasonography Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000005304 joining Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
- A61B8/5246—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from the same or different imaging techniques, e.g. color Doppler and B-mode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像拼接方法，该方法包括：先获取并存储待拼接的序列图像，所述待拼接序列图像每相邻两帧都具有重叠区域；在每一帧待拼接图像中提取特征点，将提取到的特征点通过图像灰度相关性进行筛选获取匹配点对，根据相邻两帧图像的配准点对计算该两帧图像间的基础变换矩阵；将待拼接图像中每相邻两帧图像根据对应的基础变换矩阵统一到同一坐标系下，完成图像匹配，按照预置算法将两帧图像完成拼接，同时使用细节增强算法对拼接处进行图像增强处理。可见，通过灰度相关性对特征点的筛选方法能够计算出精确的基础变换矩阵，提高图像拼接质量，最后通过快速高效的图像细节增强处理方法进一步提升整体图像质量。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种超声宽景成像的图像拼接方法。
背景技术
医学超声成像系统，通过脉冲回波技术来探测人体内部的组织机构、组织特性和血流信息。脉冲回波利用超声系统的探头来实现。由于探头的声阻抗特性，需要与人体接触，需要耦合剂，这些限制了探头的尺寸与人体的接触面，也就限制了探头的成像宽度和扫描角度，使得生成的图像视野较小，只能显示大器官的部分区域，不能实时获得器官的整体信息，影响了医生对解剖结构及其周边组织的整体认识，给诊断带来了很大的不便，也影响了诊断的质量。随着计算机技术的飞速发展，出现了单纯依靠图像后处理技术实现宽视野成像的方法，称为宽景成像技术。宽景成像技术有效地克服普通超声成像视野小的缺点，通过对常规多幅小视野超声图像进行融合拼接，能够有效实时的形成大视野的图像，以便在同一幅图像上实时显示整个组织或器官，方便医生快速准确的有效诊断。宽景成像技术主要包括图像获取，图像配准，图像拼接三个部分。目前有的图像拼接方法通过图像互相关算法估计相邻两帧图像之间的平移参数旋转角度参数，平移参数和旋转角度只适合刚性配准。实际上由于探头的挤压和角度旋转，会导致人体组织发生形变，图像间的运动关系不仅仅简单的表现为平移和旋转，如果使用刚性配准会影响最终的拼接效果；也有的方法为了提高拼接速度，在确定重叠区域时，预先划分待配准区域，通过减小搜索范围来节省时间，但是这种方法会减少匹配点数量，影响拼接精度。也有的方法通过控制探头的移动速度搜索匹配区域，这种方法对操作手法要求较高。
发明内容
本申请实施例的主要目的在于提供一种超声宽景成像的图像拼接方法，能够准确快速地将序列图像拼接为宽景图像。
本申请实施提供了一种图像拼接方法，包括：
获取并存储待拼接的序列图像，所述待拼接序列图像每相邻两帧都具有重叠区域；
在每一帧待拼接图像中提取特征点，将提取到的特征点通过图像灰度相关性进行筛选得到匹配点对，根据相邻两帧图像的匹配点对计算该两帧图像间的基础变换矩阵；
将待拼接图像中每相邻两帧图像根据对应的基础变换矩阵统一到同一坐标系下，完成图像匹配，按照预置算法将两帧图像完成拼接，同时使用细节增强算法对拼接处进行图像增强处理。
进一步地，所述获取并存储具有重叠区域的序列图像，具体包括：
将采集的序列图像按顺序编号并存储在CPU内存图像存储模块中。
进一步地，所述在序列图像上提取特征点，具体包括：
将CPU内存图像存储模块中的序列图像拷贝到GPU显存中，在GPU上并行对各帧图像提取特征点，将每帧图像的特征点横纵坐标值和该帧图像数据存储在同一个二维数组中，按顺序暂存在GPU显存内。
进一步地，所述将GPU显存中的数据拷贝到CPU内存特征点处理模块中，具体包括：
将GPU显存中存储的数据按编号顺序依次拷贝到CPU内存特征点处理模块中，每次拷贝一组数据，预先设置该特征点处理模块最多存储两组数据。
进一步地，所述在相邻两帧图像间获取的匹配点对，具体包括：
对CPU内存特征点处理模块中存储的所述两组数据中的特征点进行初次筛选，将符合筛选条件的一对特征点称为一个匹配点对；
对初次筛选后得到的所有匹配点对进行第二次筛选：将第一组数据中筛选出来的所有特征点，以每个特征点为中心联合其周围8个像素点作为一个补丁，计算每两个补丁之间的最大互信息熵；
分别将每一个补丁和其余所有补丁之间的最大互信息熵求和，选取和值最大的那个补丁作为基准；
判断基准补丁和剩余其它补丁间的最大互信息熵是否大于预设阈值；
若是，则认定该补丁与基准补丁具有较强的相关性，保留该特征点；
若否，则认定该补丁与基准补丁的相关性较弱，去除该特征点；
将第一组数据经过第二次筛选得到的所有特征点按照匹配点对之间的映射关系在第二组数据中找到相对应的特征点，完成第二组数据的第二次筛选。
进一步地，所述根据配准点对计算基础变换矩阵，具体包括：
根据所述配准点对的坐标信息，计算所述相邻两帧图像之间的基础变换矩阵，将基础变换矩阵存储在相邻两组数据中的第一组数据内，同时清空第一组数据中的特征点横纵坐标值并且保留图像数据；
将由基础变换矩阵和图像数据组成的第一组数据拷贝到CPU内存图像拼接模块中，此时CPU内存特征点处理模块中仅保存由特征点横纵坐标值和图像数据组成的第二组数据用来与后续上传新的数据继续匹配；
判断此时CPU内存特征点处理模块中储存数据组的数量，如果小于2则继续从GPU显卡向CPU内存特征点处理模块中拷贝数据。
进一步地，所述将图像按照预设处理方式进行拼接，具体包括：
当CPU内存图像拼接模块中的数据组数量大于等于2时，开始拼接；
将所述相邻两组数据中的两帧待拼接图像根据第一组数据中的基础变换矩阵计算重合区域；
分别将所述相邻两帧图像各自的重合区域划分为三等份，分别对相邻两帧图像重合区域的第二等份区域进行平滑处理，并与原图像做比较获得图像高频信息；
将图像高频信息叠加到融合后到图像上增强拼接图像的细节；
将拼接后的图像覆盖掉相邻两组数据中第二组数据中的图像数据，保留第二组数据中的基础变换矩阵，方便与后续上传的数据继续拼接，同时清空第一组数据。
本申请实施例提供的一种图像拼接方法，获取待拼接的序列图像，所述待拼接序列图像每相邻两帧都具有重叠区域；在每一帧待拼接图像中提取特征点，所述图像特征点能够反映图像本质特征，能够标识图像中目标物体；将提取到的大量特征点通过图像灰度相关性进行筛选，确定基础变换矩阵，根据基础变换矩阵，将相邻两帧图像统一到同一坐标系下，完成图像匹配；按照预置算法将两帧进行图像拼接。可见，通过利用图像灰度相关性对特征点进行筛选，得到的基础变换矩阵更加精确，拼接的图像更加准确，通过对重叠区域分区域处理，针对缝隙处进行细节增强处理，提高整体质量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例，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为本申请提供的一种图像拼接方法的流程示意图；
图2为本申请实施例一提供的一种图像拼接方法的流程示意图；
图3为本申请实施例一提供的序列图像拼接方法的顺序示意图；
图4为本申请实施例二提供的特征点筛选方法的流程示意图；
图5为本申请实施例二提供的带有特征点的图像示意图；
图6为本申请实施例二提供的特征点经过初次筛选后的示意图；
图7为本申请实施例二提供的选取局部区域特征点示意图；
图8为本申请实施例二提供的特征点第二次筛选示意图；
图9为本申请实施例三提供的一种图像拼接方法的流程示意图；
图10为本申请实施例三提供的相邻两帧图像仅存在横向平移的重叠区域示意图；
图11为本申请实施例三提供的相邻两帧图像仅存在横向和纵向平移的重叠区域示意图；
图12为本申请实施例三提供的相邻两帧图像同时存在横向和纵向平移以及旋转缩放的重叠区域示意图；
图13为本申请实施例三提供的相邻两帧图像重叠区域增强处理示意图；
图14为本申请实施例三提供的宽景图像示意图；
图15为本申请实施例三提供的宽景图像示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
超声成像方法以使用方便、无创伤、无痛苦、无电离辐射及低成本等优点，在临床中得到广泛应用。由于传统的超声探头的扫查角度有限，探头的尺寸有限，只能生成视野狭小的超声图像，不能反映组织的整体图像，这会影响医生诊断的准确性。宽景成像技术，有效地克服普通超声成像视野小的缺点，通过对常规幅小视野超声图像进行融合拼接，能够有效实时的形成大视野的图像，以便在同一幅图像上实时显示整个组织或器官，方便医生快速准确的有效诊断。
目前虽然已有多种图像拼接算法，但是拼接质量还不够高。具体来讲，现有的每种拼接方法都不能够建立相邻图像间精确的空间关系，计算出来的位移和旋转参数不是特别精确，导致偏离较大，同时也没有针对拼接的缝隙处进行图像增强处理，也就是说，作为描述相邻两帧图像间空间位置关系，基础变换矩阵的精确度是决定医学图像拼接质量效果好坏的关键因素，因此，需要对特征点进行严格筛选用准确的匹配点对计算基础变换矩阵，是获得理想拼接效果的关键步骤。
为此，本申请实施例提供了一种超声宽景成像的图像拼接方法，在这种拼接方式中，首先，欧式距离算法能够对提取出来的特征点进行初次筛选，得到相邻两帧图像具有相同特征的特征点对，然后再用图像灰度相关性对这些特征点对再次筛选，最后通过筛选出来的特征点对计算基础变换矩阵，通过空间投影变换，将相邻两帧图像统一到同一个坐标系下，确定两帧图像的空间关系确定重叠区域并将重叠区域采用渐入渐出式算法融合，最后对重叠区域三等分，针对拼接缝隙处进行细节增强处理，从而准确实现图像拼接。
为便于理解，下面结合图2-15对本申请实施例提供的图像拼接方法进行具体介绍。
实施例一
参见图2，为本实施例一提供的一种图像拼接方法的流程示意图。该图像拼接方法，包括以下步骤。
S201：实时获取连续的相邻两帧图像具有重叠区域的二维B模图像，数量大于2帧并且无上限。
待拼接图像可以是超声探头连续扫描过程中获取并保存的多帧图像，相邻两帧图像间有重叠区域。待拼接图像的总数量大于2并且不设上限，具体数量可以根据实际需求和系统存储能力进行设定，本实施例对此不做限定。
需要说明的是，所述待拼接图像可以是医学图像，也可以是其它类型的图像，本实施例对此不作限定。
S202、存储序列图像并按顺序标记编号。
序列图像是由超声探头实时采集得到的，需要在CPU内存中开辟一个缓存空间，存储序列图像，为了同其他缓存区分，称该缓存为CPU内存图像存储模块。
需要说明的是，需要对CPU内存图像存储模块中的序列图像按采集顺序逐一编号，以便相互区分。
S203、从CPU内存图像存储模块按顺序将图像拷贝到GPU显存中，用GPU并行处理方法对各帧图像提取特征点，记录特征点在图像中的横纵坐标值，将图像数据和对应的特征点横纵坐标值存储在同一个二维矩阵中暂存在GPU显存中。
整个处理过程设计为多流异步处理方法从CPU内存图像存储模块向GPU显存中拷贝数据，多流异步处理方法可以保证数据在CPU内存和GPU显存之间的拷贝过程和后续CPU处理器执行算法过程是一个完全并行的处理过程，达到加速处理的目的。在GPU上可以对每一帧待拼接图像加速提取特征点，所述图像特征点能够反映图像本质特征，能够标识图像中目标物体。
需要说明的是，图像特征点是数字图像中重要的几何特征，特征点的准确提取对基于特征点的图像匹配算法中有着十分重要的作用，超声图像在采集过程中不仅有位移和旋转角度的差异，受到探头的挤压，组织会发生形变，如果只用位移和旋转参数描述图像间的关系不准确，如果能够从相邻两帧图像中找到足够多的相同特征点，就可以通过两幅图像中相同特征点的坐标信息确定两帧图像间的空间位置关系。
S204、判断GPU显存中是否存有图像，若是，则执行S205，若否，则执行S209。
S205、从GPU显存向CPU内存特征点处理模块中拷贝数据，将一帧B模图像Ii和相对应的特征点横纵坐标矩阵Pi存储在同一个二维矩阵中做为一组数据，每次从GPU显存向CPU内存特征点处理模块读取一组数据，设置CPU内存特征点处理模块最多存储两组数据。
S206、判断CPU内存特征点处理模块是否存满两组数据，若是，则执行S207，若否，则执行S204。
需要说明的是，每次通过判断CPU内存特征点处理模块中的数据存储量，决定是否继续从GPU显存中读取数据。
S207、在CPU内存特征点处理模块中对相邻两帧图像的特征点进行筛选获取匹配点对，计算基础变换矩阵并存储。
每帧图像都存在大量特征点，但是只有重叠区域的特征点才能够确定两帧图像间的空间位置关系，所以需要对相邻两帧图像上的特征点进行筛选，精确的匹配点对计算出来的基础变换矩阵，能够准确的描述图像间的空间位置关系。CPU内存特征点处理模块最多存储两组数据，分别是当前图像Ii和特征点矩阵Pi组成的一组数据以及前一帧图像Ii-1和特征点矩阵Pi-1组成的另一组数据，通过对特征点筛选获取匹配点对，然后根据匹配点对计算基础变换矩阵。
需要说明的是，每相邻两组数据计算得到的基础变换矩阵的编号记作Hi-1，序号与每相邻两组数据中前一组数据中的图像编号相同，同时用该基础变换矩阵覆盖掉前一组数据中的特征点横纵坐标矩阵Pi-1，基础变换矩阵Hi-1与图像数据Ii-1组成新的一组数据拷贝到CPU内存图像拼接模块中，CPU内存特征点处理模块中剩余的第二组数据保持不变，等待与下一组传入的数据继续计算，这种处理方法必然导致序列图像中最后一帧图像无法完成拼接，所以前文阐述过至少需要3帧序列图像，如果待拼接图像数量很多并不会因为缺少一帧待拼接图像影响最终的整体拼接效果。
还需要说明的是，执行完S207后，需要重新返回S206判断此时CPU内存图像拼接模块存储的数据量，进而反馈到GPU显卡中确定是否继续读取数据。
S208、在CPU内存图像拼接模块中将序列图像根据相应的基础变换矩阵按预置方法完成拼接。
图像拼接模块中存储的数据大于等于2组时开始拼接，假设此时图像拼接模块存储N组数据，按照编号顺序从小到大进行拼接。例如，存储的第1组数据中第一帧图像编号为I1基础变换矩阵的编号为H1，存储的第N组数据中第N帧图像编号为IN基础变换矩阵的变换为HN，首先，将第1组数据中图像I1作为浮动图像，第2组数据中图像I2作为参考图像，根据第1组数据中的基础变换矩阵H1将这两帧相邻图像统一到同一坐标系下，对重叠区域进行融合处理完成拼接，将拼接完成后的图像编号为I2，替换掉第2组数据中的图像数据，同时删除第1组数据，然后以第2组数据中的图像I2作为浮动图像，第3组数据中的图像I3作为参考图像，根据第2组数据中的基础变换矩阵H2将这两帧相邻图像统一到同一坐标系下，对重叠区域进行融合处理完成拼接，拼接完成得到的图像编号为I3，替换掉第3组数据中的图像数据，同时删除第2组数据，以此类推参见图3。
需要说明的是，本实施例可以采用现有任何一种图像融合算法，本实施例对此不做限制。还需要说明的是，所述得到融合图像过程中，采用高斯高通滤波算法对图像重合区域的局部位置进行细节增强使像质得到提升。
S209、在图像显示模块中输出宽景图像。
综上，本实施例提供的一种超声宽景成像的图像拼接方法，先获取待拼接的序列图像，所述待拼接序列图像每相邻两帧都具有重叠区域；在每一帧待拼接图像中提取特征点，所述图像特征点能够反映图像本质特征，能够标识图像中目标物体；将提取到的特征点通过图像灰度相关性进行筛选，确定基础变换矩阵，根据基础变换矩阵将相邻两帧图像统一到同一坐标系下，完成图像匹配；按照预置算法将两帧进行图像拼接。可见，通过利用图像灰度相关性对特征点筛选，计算得到的基础变换矩阵能够准确的反应相邻两帧图像间的空间位置关系，通过对重叠区域分区域处理，针对缝隙处进行细节增强处理，提高整体拼接质量。
实施例二
参见图4，为本实施例二提供的一种图像拼接方法的流程示意图。该图像拼接方法，包括以下步骤。
S401：获取待拼接的序列图像，所述待拼接序列图像每相邻两帧都具有重叠区域。
需要说明的是，本步骤S401与上述实施例一中的S201相同，相关介绍请参见实施例一，此处不再赘述。
S402: 在获取的每一帧图像上，分别采用预置算法提取目标特征点。具体的，采用尺度不变特征转换（scale invariant feature transform，SIFT）算法进行特征的提取与表示，参见图5，采用SIFT算法在超声图像中提取到的特征点。
需要说明的是，提取特征的算法还可是其他特征提取算法，例如，还可是方向描述符（oriented brief, ORB）算法或快速鲁棒特征（speeded-up robust features，SURF）算法，还可以是其他特征提取算法，具体此处不做限定。
下述步骤S403-S409是上述实施例一中S207的具体实现方式。
S403: 对相邻两帧图像的特征点进行初次筛选，提取有效特征点。
每帧图像都能够提取到大量特征点，但只有相邻两帧图像的重叠区域中的若干特征点才能够确定该两帧图像的空间关系，称这些特征点为有效特征点，相邻两帧图像的特征点初次筛选方法如下：参见图6，取一幅图像中的一个SIFT特征点，并在另一幅图像中找出与其欧式距离最近的两个特征点，在这两个特征点中，如果最邻近的距离与次邻近的距离的比值小于某个预设阈值，则称这对特征点为一对匹配点对。显然，降低这个比例阈值，匹配点数目会减少，但更加精确，反之亦然。经验阈值通常为0.8，但实践结果表明阈值取值在0.4~0.6之间最佳，需要说明的是，这个取值范围仅局限于本专利使用的图像。
S404: 对S403筛选的有效特征点进行第二次筛选，提取局部灰度高度相关的有效特征点。
由于受到噪声和算法精度的影响，从全局图像中筛选出的有效特征点必然存在误差，考虑到待拼接图像的数量较大，误差的累积会严重影响宽景图像整体拼接效果。参见图7，从图像的局部区域特征点聚集区域根据灰度相关性再次筛选，得到的特征点能够准确的描述相邻图像间的空间关系。根据灰度图像纹理特征再次筛选选取局部区域的配准特征点对。
S405: 对于所选取的局部区域中的每个特征点，利用一个3*3预设大小的补丁块，分别在所述待局部区域中框选每一特征点，并使每一特征点均位于补丁块的中心位置，参见图8。
S406：根据所述所有补丁块内各个像素点的灰度值，计算所述每两个补丁块的最大互信息熵，见公式（1），对于所述目标像素点所在的补丁块，基于该补丁块中各个像素点的灰度值，计算相应的灰度直方图。需要说明的是，灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。然后，根据灰度直方图的灰度概率统计结果，计算所述目标像素点对应的信息熵，见公式（2）：
(1)
(2)
其中H(.)代表变量z的信息熵，p代表变量z的密度函数。其中，i=1、2……N，N为待分割图像中的像素点总个数；z=i代表第i个像素点作为所述目标像素点时对应的补丁块区域。还需要说明的是，不仅仅局限于最大互信息熵，其他方法如灰度互相关、像素点灰度差的绝对值和（SAD）、像素点灰度差的平方和（SSD）、结构相似性（Structural Simllarity, SSIM）都在保护范围内。
S407：将每个特征点和其他特征点之间的最大互信息熵求和，参见图8，这里以5个特征点为例，需要说明的是，实际情况下远多于5个特征点，
（3）
（4）
其中，MImn代表两个补丁m、n之间的互信息熵。选取最大和值对应的特征点为基准点Po(x, y)。根据其他特征点与基准点Po(x, y)之间的最大互信息熵对特征点第二次筛选，取大于阀值的认为是局域特征点。局域特征点的物理基础在于：针对局域特征点的纹理相近，先设法找到与所有特征点纹理最相近的点作为基准点，然后寻找与该基准点纹理接近的点作为局域特征点。结合之前的筛选，该方法对于同区域点搜索具有一定的适应性。选取局域特征点计算变换矩阵的优点在于：这些特征点分布集中，彼此高度相关，能够排除其他区域某些特征点带来的干扰，计算出的变换矩阵更加准确。
S408：确定了局域特征点后，根据匹配点对的坐标信息计算相邻两帧图像间的基础变换矩阵。
本实施例具体采用RANSAC（Random Sample Consensus）算法从两组特征点的坐标信息估算出两幅图像间的空间位置参数。RANSAC是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法，RANSAC算法的基本假设是样本中包含内点(Inliers，可以被模型描述的数据)，也包含外点(Outliers，偏离正常范围很远、无法适应数学模型的数据)。内点可以通过几组模型的参数进行描述，而外点则是不适合模型化的数据，数据会受噪声影响也可能是由于错误的测量、错误的假设、错误的计算等产生的。RANSAC假定，在数据中随机选择几个点设定为内点并计算相关的模型。通过迭代算法将周围其他的点带入模型中，计算是否为内点，比较哪次计算中内点数量最多，最多的那次所建的模型就是我们所要求的解。本实施例描述的相邻两帧图像间的基础变化矩阵是由图像间的位置参数构成，如式（5）所示：
(5)
其中a02 ，a12 分别表示浮动图像相对参考图像在x，y轴的平移参数，a00，a01 ，a10 ，a11分别表示浮动图像相对于参考图像的旋转系数和缩放系数。矩阵中各项系数可以通过RANSAC算法根据匹配点对计算得到。
S409： 每相邻两帧图像都会存在一个表示空间位置信息的基础变换矩阵，如果序列图像一共N幅图像，那么就会存在N-1个基础变换矩阵。
综上，相邻图像之间的匹配点对的精确度直接影响最终图像的拼接质量，需要说明的是，基础变换矩阵的计算方式有两种，一种是在拼接过程中计算基础变换矩阵：每一帧待拼接图像与之前拼接完的整幅图像计算基础变换矩阵，这种方法的缺点在于，拼接完的整幅图像由于尺寸较大，如果每次不做固定区域限定会导致前面拼接完的图像在后续拼接过程中重复计算特征点，耗费过多时间，过多的特征点对后续特征点筛选工作也会带来影响，并且拼接后的图像由于经过了投影变换和融合处理过程会发生一定的形变，从而降低了两帧图像之间特征点的匹配程度，影响基础变换矩阵计算的准确性。另一种是本实施例提出的计算方法：在图像拼接之前将每相邻待拼接两帧图像间的基础变换矩阵计算出来并保存，然后按照对应的基础变换矩阵指导待拼接图像完成拼接，这样做的意义在于，拼接前的每帧图像的几何形状是规则的矩形，此时计算出来的变换矩阵更加精确，然后将每帧图像根据与之相对应的变换矩阵进行投影变换，映射到统一的坐标系下拼接成一幅宽景图像，之所以预先计算变换矩阵而不是拼接过程中计算变换矩阵，这样能够减少拼接过程中的累积误差从而提高最终的拼接质量。
实施例三
参见图9，为本实施例三提供的一种图像拼接方法的流程示意图。该图像拼接方法，包括以下步骤。
下述步骤S901-S907是上述实施例一中S208的具体实现方式。
S901：将CPU内存图像拼接模块内相邻两组数据中小编号数据里的图像作为参考图像，大编号数据中的图像作为浮动图像。
S902：参考图像不动，将浮动图像根据小编号数据中的基础变换矩阵做投影变换统一到参考图像所在的坐标系下获取参考图像和浮动图像间的重叠区域。
每次拼接过程中，保证参考图像不动，将浮动图像按照基础变换矩阵投影变换到参考图像所在的坐标系下，需要说明的是，不仅局限于投影变换，其他坐标变换如仿射变换也可以使用。根据图像配准产生的待拼接图像之间的几何位置信息，确定图像的重叠区域即感兴趣区域。图10、图11为简单的相邻两帧图像的位置关系图，仅有平移。图12为复杂的相邻两帧图像的位置关系图，同时包含平移、旋转、缩放。图12矩形IFJD表示图像间的重叠区域及感兴趣区域，设EFGH为参考图像，ABCD为浮动图像经过投影变换后的形态，由于ABCD是投影变换后的图像，所以实线平行四边形区域内的是有效像素值，实线与虚线之间的区域是用零像素值填充的扩充区域。灰色背景区域称之为画布，它永远是一个规则的矩形，代表拼接后的宽景图像，画布的区域要大于参考图像和浮动图像的总和，多余的区域默认用零像素值填充。将IFJD 所标记的矩形记为重叠区域。本实施例具体采用下面的方法求取重叠区域：使用公式（6）求出浮动图像四个顶点变换到参考图像坐标系下的坐标，即 A，B，C，D的坐标，根据图13我们只考虑A和C的坐标变化。
(6)
其中（x1, y1）表示浮动图像坐标系上的坐标，（x, y）表示浮动图像经过基础变换矩阵变换后的坐标即参考图像坐标系下的坐标，根据公式6能够得到A、C两点投影到参考图像所在的坐标系下的坐标位置。E、F两点是参考图像的两个端点，H点作为坐标原点，参考图像四个边长已知，所以E、F两点坐标已知；根据 A、C、E、F四点坐标就可以计算出I、J、D三点的坐标。
根据以上方法，无论浮动图像如何进行投影变换，都可以获取到一个规则的矩形重叠区域（感兴趣区域），根据本实施例具体采用的图像拼接方法，待拼接的两帧相邻图像永远保持规则的原有矩形形态，参见图3。所以本实施例提出的获取规则重叠区域的方法是能够实现的，规则的重叠区域能够为图像拼接以及细节增强等处理提供方便。需要说明的是，图10和图11中两幅拼接图像的位置关系比图12简单，该方法同样适合于这两种位置关系的重叠区域的求解。
S903：对重叠区域进行融合，完成参考图像和浮动图像的拼接
对重叠区域采用渐入渐出法进行加权融合，感兴趣区域的像素值不再是简单的叠加，而是先进行加权后再进行叠加。具体的，渐入渐出融合算法的数学表达式为：
（7）
其中，设 f 代表融合后的图像，f1和 f2分别代表待拼接的参考图像和浮动图像，w1和w2分别是第一幅图像和第二幅图像中感兴趣区域对应像素的权值，并且满足 w1+w2=1，0<w1<1，0<w2<1，选择适当的权值，可以使感兴趣区域实现平滑过渡，并且消除拼接痕迹。
S904：融合后的重叠区域进行细节增强处理。
图13灰色矩形区域代表感兴趣的重叠区域，为了保证重叠区域的细节成分在融合的过程中不会产生严重模糊甚至丢失，致使最后图像增强无法将该细节恢复，本实施例具体采用高斯高通算法对相邻两帧图像中重叠矩形区域的阴影部分（参见图13）进行增强预处理，步骤如下。
将重叠区域划分为三等分，分别称之为1,2,3。由于采用了渐入渐出的融合方法，根据权重的不同，3区域占的权重较小，1区域占的权重较大，融合后3区域的信息不会将1区域的信息造成太大的干扰，整幅图像过渡自然；但是两帧图像的2区域的权重相同，信息各占一半，相互干扰较严重，拼接后的图像会比较模糊，在融合前同时将两帧图像的2区域用高斯模糊核平滑处理，再将模糊图像和原始图像做差求取边缘特征，最后将边缘特征图像与原始图像求和，增强图像的细节成分，这样就能够有效减小图像融合后引起的模糊。这种方法原理简单，算法执行速度快。根据重叠区域的高度l和宽度w划分阴影区域，重叠区域是规则的矩形，三等分的阴影区域很容易划分出来。对上述两帧待拼接图像采用预置方法进行平滑处理，具体采用高斯模糊核进行平滑处理，并与原图像做比较获得图像细节特征。融合前在两帧图像的重叠区域提取图像特征，在图像重合区域和非重合区域设置不同的权重，进行加权叠加实现图像融合后，将图像细节特征叠加到上述融合后到图像上。其有益效果是，可使得接缝处的平滑过渡，且能够有效减小图像融合后引起的模糊。
需要说明的是，本实施例不仅仅局限于高斯高通滤波算法，基于二阶偏微分的拉普拉斯边缘提取等其他细节增强方法也适用。
S905：所有待拼接图像拼接成一幅宽景图像。
综上，图10、图11两种情况过于理想，实际不会存在，所以重点考虑图12这种情况，对于序列超声图像，按照图像顺序从小到大的方向拼接，本实施例把每相邻两帧图像的拼接过程记为一个时刻下完成的动作，视为整个拼接过程中的一个单元。那么在每一时刻图像拼接过程中，都是将小编号的图像视为浮动图像，将其投影变换到与其相邻的大编号图像即参考图像所在的直角坐标系下，这样能够保证当前时刻的参考图像在下一时刻拼接过程中作为浮动图像时仍然保持着与其相对应的参考图像间的变换关系。不难发现，在每一时刻的拼接过程中相邻的两帧参考图像和浮动图像都具有相同的状态，所以上一个拼接过程与下一个拼接过程的方法和规则完全相同，整个拼接过程相当于同一方法的连续复制重复的过程，方法简单高效、稳定性强，能够拼接的图像帧数没有上限，能够接受任意幅图像的拼接，只要基础变换矩阵正确该方法就不会因为图像形态变化等原因突然中止导致算法失效，详细见S208所述。参见图14和图15，为本实施例拼接方法将连续的71帧序列超声B模图像拼接成一幅宽景图像。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等）执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (7)
1.一种图像拼接方法，其特征在于，包括：
获取并存储待拼接的序列图像，所述待拼接序列图像每相邻两帧都具有重叠区域；
在每一帧待拼接图像中提取特征点，将提取到的特征点通过图像灰度相关性进行筛选得到匹配点对，根据相邻两帧图像的匹配点对计算该两帧图像间的基础变换矩阵；
将待拼接图像中每相邻两帧图像根据对应的基础变换矩阵统一到同一坐标系下，完成图像匹配，按照预置算法将两帧图像完成拼接，同时使用细节增强算法对拼接处进行图像增强处理。
2.根据权利要求1所述的图像拼接方法，其特征在于，所述获取并存储具有重叠区域的序列图像，具体包括：
将采集的序列图像按顺序编号并存储在CPU内存图像存储模块中。
3.根据权利要求1所述的图像拼接方法，其特征在于，所述在序列图像上提取特征点，具体包括：
将CPU内存图像存储模块中的序列图像拷贝到GPU显存中，在GPU上并行对各帧图像提取特征点，将每帧图像的特征点横纵坐标值和该帧图像数据存储在同一个二维数组中，按顺序暂存在GPU显存内。
4.根据权利要求 3 所述的图像拼接方法，其特征在于，所述将GPU显存中的数据拷贝到CPU内存特征点处理模块中，具体包括：
将GPU显存中存储的数据按编号顺序依次拷贝到CPU内存特征点处理模块中，每次拷贝一组数据，预先设置该CPU内存特征点处理模块最多存储两组数据。
5.根据权利要求1所述的图像拼接方法，其特征在于，所述在相邻两帧图像间获取的匹配点对，具体包括：
对CPU内存特征点处理模块中存储的所述两组数据中的特征点进行初次筛选，将符合筛选条件的一对特征点称为一个匹配点对；
对初次筛选后得到的所有匹配点对进行第二次筛选：将第一组数据中筛选出来的所有特征点，以每个特征点为中心联合其周围8个像素点作为一个补丁，计算每两个补丁之间的最大互信息熵；
分别将每一个补丁和其余所有补丁之间的最大互信息熵求和，选取和值最大的那个补丁作为基准；
判断基准补丁和剩余其它补丁间的最大互信息熵是否大于预设阈值；
若是，则认定该补丁与基准补丁具有较强的相关性，保留该特征点；
若否，则认定该补丁与基准补丁的相关性较弱，去除该特征点；
将第一组数据经过第二次筛选得到的所有特征点按照匹配点对之间的映射关系在第二组数据中找到相对应的特征点，完成第二组数据的第二次筛选。
6.根据权利要求5所述的图像拼接方法，其特征在于根据配准点对，计算基础变换矩阵，具体包括：
根据所述配准点对的坐标信息，计算所述相邻两帧图像之间的基础变换矩阵，将基础变换矩阵存储在相邻两组数据中的第一组数据内，同时清空第一组数据中的特征点横纵坐标值并且保留图像数据；
将由基础变换矩阵和图像数据组成的第一组数据拷贝到CPU内存图像拼接模块中，此时特征点处理模块中仅保存由特征点横纵坐标值和图像数据组成的第二组数据用来与后续上传新的数据继续匹配；
判断此时CPU内存特征点处理模块中储存数据组的数量，如果小于2则继续从GPU显卡向CPU内存特征点处理模块中拷贝数据。
7.根据权利要求1所述的图像拼接方法，其特征在于，将图像按照预设处理方式进行拼接，具体包括：
当CPU内存图像拼接模块中的数据组数量大于等于2时，开始拼接；
将所述相邻两组数据中的两帧待拼接图像根据第一组数据中的基础变换矩阵计算重合区域；
分别将所述相邻两帧图像各自的重合区域划分为三等份，分别对相邻两帧图像重合区域的第二等份区域进行平滑处理，并与原图像做比较获得图像高频信息；
将图像高频信息叠加到融合后到图像上增强拼接图像的细节；
将拼接后的图像覆盖掉相邻两组数据中第二组数据中的图像数据，保留第二组数据中的基础变换矩阵，方便与后续上传的数据继续拼接，同时清空第一组数据。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811004399 | 2018-08-30 | ||
| CN2018110043995 | 2018-08-30 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636714A true CN109636714A (zh) | 2019-04-16 |
Family
ID=66054975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811647651.4A Pending CN109636714A (zh) | 2018-08-30 | 2018-12-30 | 一种超声宽景成像的图像拼接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636714A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276717A (zh) * | 2019-06-26 | 2019-09-24 | 纳米视觉(成都)科技有限公司 | 一种图像的拼接方法及终端 |
| CN110473238A (zh) * | 2019-06-25 | 2019-11-19 | 浙江大华技术股份有限公司 | 一种图像配准方法、装置、电子设备及存储介质 |
| CN110533742A (zh) * | 2019-09-03 | 2019-12-03 | 广州视源电子科技股份有限公司 | 一种图像填色方法、装置、设备及存储介质 |
| CN111080525A (zh) * | 2019-12-19 | 2020-04-28 | 成都海擎科技有限公司 | 一种基于sift特征的分布式图像和图元拼接方法 |
| CN111275617A (zh) * | 2020-01-09 | 2020-06-12 | 云南大学 | 一种abus乳腺超声全景图的自动拼接方法、系统和存储介质 |
| CN111327840A (zh) * | 2020-02-27 | 2020-06-23 | 努比亚技术有限公司 | 一种多帧特效视频获取方法、终端及计算机可读存储介质 |
| CN111553870A (zh) * | 2020-07-13 | 2020-08-18 | 成都中轨轨道设备有限公司 | 一种基于分布式系统的图像处理方法 |
| CN112053350A (zh) * | 2020-09-04 | 2020-12-08 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种感兴趣区域遥感数据拼接裁剪处理方法、装置及计算机设备 |
| CN112087582A (zh) * | 2020-09-14 | 2020-12-15 | 努比亚技术有限公司 | 特效视频生成方法、移动终端及计算机可读存储介质 |
| CN112164000A (zh) * | 2020-09-28 | 2021-01-01 | 深圳华声医疗技术股份有限公司 | 超声宽景成像的图像存储方法、装置 |
| CN112308782A (zh) * | 2020-11-27 | 2021-02-02 | 深圳开立生物医疗科技股份有限公司 | 一种全景图像拼接方法、装置及超声设备和存储介质 |
| CN112508773A (zh) * | 2020-11-20 | 2021-03-16 | 小米科技(武汉)有限公司 | 图像处理方法及装置、电子设备、存储介质 |
| CN112731359A (zh) * | 2020-12-31 | 2021-04-30 | 无锡祥生医疗科技股份有限公司 | 超声探头的速度确定方法、装置及存储介质 |
| CN113112469A (zh) * | 2021-04-06 | 2021-07-13 | 上海深至信息科技有限公司 | 一种b超图像选取方法及系统 |
| CN113112531A (zh) * | 2021-04-02 | 2021-07-13 | 广州图匠数据科技有限公司 | 一种图像匹配方法及装置 |
| CN113554628A (zh) * | 2021-07-27 | 2021-10-26 | 苏州微景医学科技有限公司 | 图像处理方法、装置及计算机可读存储介质 |
| CN113610016A (zh) * | 2021-08-11 | 2021-11-05 | 人民中科(济南)智能技术有限公司 | 视频帧特征提取模型的训练方法、系统、设备及存储介质 |
| CN113689332A (zh) * | 2021-08-23 | 2021-11-23 | 河北工业大学 | 高度重复特征场景下高鲁棒性的图像拼接方法 |
| CN114331843A (zh) * | 2021-12-28 | 2022-04-12 | 苏州思卡信息系统有限公司 | 一种基于灰度直方图的图像拼接方法 |
| CN116186354A (zh) * | 2023-04-27 | 2023-05-30 | 中关村科学城城市大脑股份有限公司 | 区域画像显示方法、装置、电子设备和计算机可读介质 |
| WO2023206994A1 (zh) * | 2022-04-24 | 2023-11-02 | 南京麦澜德医疗科技股份有限公司 | 一种超声宽景成像方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903085A (zh) * | 2012-09-25 | 2013-01-30 | 福州大学 | 基于角点匹配的快速图像拼接方法 |
| CN104463786A (zh) * | 2014-12-03 | 2015-03-25 | 中国科学院自动化研究所 | 一种移动机器人图像拼接方法及装置 |
| CN105982696A (zh) * | 2015-02-06 | 2016-10-05 | 无锡触典科技有限公司 | 实时宽景超声成像装置及方法 |
| CN106709868A (zh) * | 2016-12-14 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种图像拼接方法及装置 |
| US20170337672A1 (en) * | 2016-05-20 | 2017-11-23 | Shenyang Neusoft Medical Systems Co., Ltd. | Image splicing |
-
2018
- 2018-12-30 CN CN201811647651.4A patent/CN109636714A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903085A (zh) * | 2012-09-25 | 2013-01-30 | 福州大学 | 基于角点匹配的快速图像拼接方法 |
| CN104463786A (zh) * | 2014-12-03 | 2015-03-25 | 中国科学院自动化研究所 | 一种移动机器人图像拼接方法及装置 |
| CN105982696A (zh) * | 2015-02-06 | 2016-10-05 | 无锡触典科技有限公司 | 实时宽景超声成像装置及方法 |
| US20170337672A1 (en) * | 2016-05-20 | 2017-11-23 | Shenyang Neusoft Medical Systems Co., Ltd. | Image splicing |
| CN106709868A (zh) * | 2016-12-14 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种图像拼接方法及装置 |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473238B (zh) * | 2019-06-25 | 2021-08-27 | 浙江大华技术股份有限公司 | 一种图像配准方法、装置、电子设备及存储介质 |
| CN110473238A (zh) * | 2019-06-25 | 2019-11-19 | 浙江大华技术股份有限公司 | 一种图像配准方法、装置、电子设备及存储介质 |
| CN110276717B (zh) * | 2019-06-26 | 2023-05-05 | 图码思(成都)科技有限公司 | 一种图像的拼接方法及终端 |
| CN110276717A (zh) * | 2019-06-26 | 2019-09-24 | 纳米视觉(成都)科技有限公司 | 一种图像的拼接方法及终端 |
| CN110533742A (zh) * | 2019-09-03 | 2019-12-03 | 广州视源电子科技股份有限公司 | 一种图像填色方法、装置、设备及存储介质 |
| CN110533742B (zh) * | 2019-09-03 | 2021-05-11 | 广州视源电子科技股份有限公司 | 一种图像填色方法、装置、设备及存储介质 |
| CN111080525B (zh) * | 2019-12-19 | 2023-04-28 | 成都海擎科技有限公司 | 一种基于sift特征的分布式图像和图元拼接方法 |
| CN111080525A (zh) * | 2019-12-19 | 2020-04-28 | 成都海擎科技有限公司 | 一种基于sift特征的分布式图像和图元拼接方法 |
| CN111275617B (zh) * | 2020-01-09 | 2023-04-07 | 云南大学 | 一种abus乳腺超声全景图的自动拼接方法、系统和存储介质 |
| CN111275617A (zh) * | 2020-01-09 | 2020-06-12 | 云南大学 | 一种abus乳腺超声全景图的自动拼接方法、系统和存储介质 |
| CN111327840A (zh) * | 2020-02-27 | 2020-06-23 | 努比亚技术有限公司 | 一种多帧特效视频获取方法、终端及计算机可读存储介质 |
| CN111553870A (zh) * | 2020-07-13 | 2020-08-18 | 成都中轨轨道设备有限公司 | 一种基于分布式系统的图像处理方法 |
| CN112053350A (zh) * | 2020-09-04 | 2020-12-08 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种感兴趣区域遥感数据拼接裁剪处理方法、装置及计算机设备 |
| CN112053350B (zh) * | 2020-09-04 | 2024-03-26 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种感兴趣区域遥感数据拼接裁剪处理方法、装置及计算机设备 |
| CN112087582A (zh) * | 2020-09-14 | 2020-12-15 | 努比亚技术有限公司 | 特效视频生成方法、移动终端及计算机可读存储介质 |
| CN112164000A (zh) * | 2020-09-28 | 2021-01-01 | 深圳华声医疗技术股份有限公司 | 超声宽景成像的图像存储方法、装置 |
| CN112508773B (zh) * | 2020-11-20 | 2024-02-09 | 小米科技(武汉)有限公司 | 图像处理方法及装置、电子设备、存储介质 |
| CN112508773A (zh) * | 2020-11-20 | 2021-03-16 | 小米科技(武汉)有限公司 | 图像处理方法及装置、电子设备、存储介质 |
| CN112308782A (zh) * | 2020-11-27 | 2021-02-02 | 深圳开立生物医疗科技股份有限公司 | 一种全景图像拼接方法、装置及超声设备和存储介质 |
| CN112731359A (zh) * | 2020-12-31 | 2021-04-30 | 无锡祥生医疗科技股份有限公司 | 超声探头的速度确定方法、装置及存储介质 |
| CN112731359B (zh) * | 2020-12-31 | 2024-04-09 | 无锡祥生医疗科技股份有限公司 | 超声探头的速度确定方法、装置及存储介质 |
| CN113112531B (zh) * | 2021-04-02 | 2024-05-07 | 广州图匠数据科技有限公司 | 一种图像匹配方法及装置 |
| CN113112531A (zh) * | 2021-04-02 | 2021-07-13 | 广州图匠数据科技有限公司 | 一种图像匹配方法及装置 |
| CN113112469A (zh) * | 2021-04-06 | 2021-07-13 | 上海深至信息科技有限公司 | 一种b超图像选取方法及系统 |
| CN113554628A (zh) * | 2021-07-27 | 2021-10-26 | 苏州微景医学科技有限公司 | 图像处理方法、装置及计算机可读存储介质 |
| CN113610016A (zh) * | 2021-08-11 | 2021-11-05 | 人民中科(济南)智能技术有限公司 | 视频帧特征提取模型的训练方法、系统、设备及存储介质 |
| CN113610016B (zh) * | 2021-08-11 | 2024-04-23 | 人民中科(济南)智能技术有限公司 | 视频帧特征提取模型的训练方法、系统、设备及存储介质 |
| CN113689332A (zh) * | 2021-08-23 | 2021-11-23 | 河北工业大学 | 高度重复特征场景下高鲁棒性的图像拼接方法 |
| CN114331843B (zh) * | 2021-12-28 | 2022-10-04 | 苏州思卡信息系统有限公司 | 一种基于灰度直方图的图像拼接方法 |
| CN114331843A (zh) * | 2021-12-28 | 2022-04-12 | 苏州思卡信息系统有限公司 | 一种基于灰度直方图的图像拼接方法 |
| WO2023206994A1 (zh) * | 2022-04-24 | 2023-11-02 | 南京麦澜德医疗科技股份有限公司 | 一种超声宽景成像方法 |
| CN116186354A (zh) * | 2023-04-27 | 2023-05-30 | 中关村科学城城市大脑股份有限公司 | 区域画像显示方法、装置、电子设备和计算机可读介质 |
| CN116186354B (zh) * | 2023-04-27 | 2023-07-18 | 中关村科学城城市大脑股份有限公司 | 区域画像显示方法、装置、电子设备和计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636714A (zh) | 一种超声宽景成像的图像拼接方法 | |
| US11776216B2 (en) | System and method for extracting a region of interest from volume data | |
| CN106056537B (zh) | 一种医学图像拼接方法及装置 | |
| CN105957063B (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
| CN105912874B (zh) | 基于dicom医学图像构建的肝脏三维数据库系统 | |
| US5457754A (en) | Method for automatic contour extraction of a cardiac image | |
| US20110002532A1 (en) | Data Reconstruction Using Directional Interpolation Techniques | |
| US8384716B2 (en) | Image processing method | |
| US20130163836A1 (en) | Computing the mass of an object | |
| Gauch et al. | The intensity axis of symmetry and its application to image segmentation | |
| Yan et al. | 3D shape reconstruction from multifocus image fusion using a multidirectional modified Laplacian operator | |
| Ito et al. | Robust generation of high‐quality unstructured meshes on realistic biomedical geometry | |
| CN108305268B (zh) | 一种图像分割方法及装置 | |
| Yngve et al. | Creating smooth implicit surfaces from polygonal meshes | |
| Chen et al. | Structure-preserving image smoothing with semantic cues | |
| JP2006521150A5 (zh) | ||
| Ryu et al. | Contour-based algorithms for generating 3D CAD models from medical images | |
| Astaraki et al. | Autopaint: A self-inpainting method for unsupervised anomaly detection | |
| Liu et al. | Image enlargement method based on cubic surfaces with local features as constraints | |
| Mlejnek et al. | Interactive thickness visualization of articular cartilage | |
| CN114419173A (zh) | 三维x射线成像系统截断伪影校正方法及装置 | |
| Lv et al. | Interactive curved planar reformation based on snake model | |
| Chica et al. | Example-guided segmentation | |
| Zhang et al. | Improving the Optical Flow Accuracy Based on the Total Variation of Local-Global method | |
| Natali et al. | Local up-sampling and morphological analysis of low-resolution magnetic resonance images |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190416 |