CN109658406A - 血管图像的识别方法、装置、计算机设备和存储介质 - Google Patents
血管图像的识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109658406A CN109658406A CN201811594154.2A CN201811594154A CN109658406A CN 109658406 A CN109658406 A CN 109658406A CN 201811594154 A CN201811594154 A CN 201811594154A CN 109658406 A CN109658406 A CN 109658406A
- Authority
- CN
- China
- Prior art keywords
- blood
- vessel image
- image
- pixel
- initial
- 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
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本申请涉及一种血管图像的识别方法、装置、计算机设备和存储介质。所述方法包括:基于初始血管图像中的像素点的灰度值,获取初始边界像素点;基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面;根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像;将识别后的血管图像进行二值化处理;识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像。本方法基于不同的区域选用不同阈值的阈值曲面的方法,对血管图像进行识别,避免了采用单一阈值识别出的血管图像存在分割误差大的缺陷,保证了识别出的血管图像与背景图像的边缘清晰,从而减少了识别误差,进一步提高了血管识别的准确率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种血管图像的识别方法、装置、计算机设备和存储介质。
背景技术
在临床诊疗上,血管是非常敏感的部位,明确血管位置和血管参数,对临床诊疗具有重要的辅助作用。
然而,为了从背景中分割出血管图像,传统技术一般先检测出拍摄到的原始血管图像的局部特征的不连续性,将检测出的不连续的局部特征连接成边缘,通过这些边缘将图像分割成不同的区域,以从背景中分割出血管图像。但是,由于实际环境的影响,拍摄到的原始血管图像背景不均匀、边缘线不闭合等因素往往对血管图像分割产生很大的影响,导致分割出的血管图像存在误差,从而造成血管识别的准确率下降。
发明内容
基于此,有必要针对上述传统技术存在血管识别的准确率低的技术问题,提供一种能够提高血管识别的准确率的血管图像的识别方法、装置、计算机设备和存储介质。
一种血管图像的识别方法,所述方法包括:
基于初始血管图像中的像素点的灰度值,获取初始边界像素点;
基于预设稳定温度场模型,将所述初始边界像素点作为边界条件,构造阈值曲面;
根据所述阈值曲面对所述初始血管图像进行识别,得到识别后的血管图像;
将所述识别后的血管图像进行二值化处理;
识别出所述二值化处理后的血管图像中的目标区域,根据所述目标区域得到目标血管图像。
一种血管图像的识别装置,所述装置包括:
边界像素点获取模块,用于基于初始血管灰度图像中的像素点的灰度值,获取初始边界像素点;
阈值曲面构造模块,用于基于预设稳定温度场模型,将所述初始边界像素点作为边界条件,构造阈值曲面;
初始识别模块,用于根据所述阈值曲面对所述初始血管图像进行识别,得到识别后的血管图像;
二值化处理模块,用于将所述识别后的血管图像进行二值化处理;
图像后处理模块,用于识别出所述二值化处理后的血管图像中的目标区域,根据所述目标区域得到目标血管图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
基于初始血管图像中的像素点的灰度值,获取初始边界像素点;
基于预设稳定温度场模型,将所述初始边界像素点作为边界条件,构造阈值曲面;
根据所述阈值曲面对所述初始血管图像进行识别,得到识别后的血管图像;
将所述识别后的血管图像进行二值化处理;
识别出所述二值化处理后的血管图像中的目标区域,根据所述目标区域得到目标血管图像。
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以下步骤:
基于初始血管图像中的像素点的灰度值,获取初始边界像素点;
基于预设稳定温度场模型,将所述初始边界像素点作为边界条件,构造阈值曲面;
根据所述阈值曲面对所述初始血管图像进行识别,得到识别后的血管图像;
将所述识别后的血管图像进行二值化处理;
识别出所述二值化处理后的血管图像中的目标区域,根据所述目标区域得到目标血管图像。
上述血管图像的识别方法、装置、计算机设备和存储介质,基于初始血管图像中的像素点的灰度值,获取初始边界像素点;基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面;根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像;将识别后的血管图像进行二值化处理;识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像;综合考虑血管图像的背景灰度不均匀的因素,基于不同的区域选用不同阈值的阈值曲面的方法,对血管图像进行识别,避免了采用单一阈值识别出的血管图像存在识别误差大的缺陷,保证了识别出的血管图像与背景图像的边缘清晰,从而减少了识别误差,进一步提高了血管识别的准确率。同时通过识别出二值化处理后的血管图像中的目标区域,以对错误分割的区域进行删除,从而提高了血管识别的准确率。
附图说明
图1为一个实施例中血管图像的识别方法的应用场景图;
图2为一个实施例中血管图像的识别方法的流程示意图;
图3为另一个实施例中血管图像的识别方法的流程示意图;
图4为一个实施例中血管图像的识别系统的结构框图;
图5为一个实施例中的初始血管图像;
图6为一个实施例中的目标血管图像;
图7为一个实施例中血管图像的识别装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的血管图像的分割方法,可以应用于如图1所示的应用环境中。其中,血管图像采集终端110与计算机设备120通过有线通讯线路连接。血管图像采集终端110采集摄像机拍摄到的显微镜下的血管图像,并经过模数转换,得到转化后的血管图像,并将转化后的血管图像发送至计算机设备120;计算机设备120将该转化后的血管图像经过灰度转化,得到该血管图像对应的灰度图像,作为初始血管图像;基于初始血管图像中的像素点的灰度值,获取初始边界像素点;基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面;根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像;将识别后的血管图像进行二值化处理;识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像。其中,血管图像采集终端110可以是图像板,计算机设备120可以是安装有图像处理系统的终端或者专业图像处理服务器。
在一个实施例中,如图2所示,提供了一种血管图像的识别方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤S201,基于初始血管图像中的像素点的灰度值,获取初始边界像素点。
在本步骤中,初始血管图像是指由拍摄到的血管图像经过灰度转化后、由排列的像素点组成的灰度图像;该血管图像可以由安装有摄像机的显微镜上的摄像机拍摄得到,或者由视频播放设备中预先采集好的血管视频经过提取得到。灰度图像是指每个像素点只有一个灰度值的图像,灰度值用于描述像素点的色彩明暗程度;每一像素点的灰度值位于0-255之间,0代表全黑,255代表全白。初始边界像素点是指初始血管图像中位于边界上的像素点。
本实施例中,通过摄像机拍摄显微镜下的血管图像,并将拍摄到的血管图像输入至图像板中,通过图像板将拍摄到的血管图像经过模数转化处理,得到转化后的血管图像,并将转化后的血管图像存储至存储器中;通过计算机设备,比如安装有图像处理系统的终端或者专业图像处理服务器从图像板的存储器中读取转化后的血管图像,并将该转化后的血管图像经过灰度转化,得到拍摄到的血管图像对应的灰度图像,作为初始血管灰度图像;通过计算机设备对初始血管图像中的像素点的灰度值进行计算分析,得到位于边界上的像素点,作为初始边界像素点。
步骤S202,基于预设稳定温度场模型,将所述初始边界像素点作为边界条件,构造阈值曲面。
在本步骤中,稳定温度场模型对应的稳定温度场无热源,各点的温度分布趋于稳定状态,是充分光滑的,可以将其当成约束条件。阈值曲面是指基于初始血管图像上的不同区域选取不同的阈值所构成的曲面。具体地,将初始血管图像上的初始边界像素点作为边界条件,构建拉普拉斯方程,在现有的稳定温度场模型的充分光滑的约束下,内插出充分光滑的阈值曲面,使得在离散的初始边界像素点的基础上内插出的充分光滑的、连续的阈值曲面通过全部的初始边界像素点;需要说明的是,以初始边界像素点作为边界条件的拉普拉斯方程的解为得到的阈值曲面。
综合考虑血管图像的背景灰度不均匀的因素,基于不同的区域选用不同的阈值,得到阈值曲面,方便后续根据阈值曲面对初始血管图像进行动态识别,保证了识别出的血管图像与背景图像的边缘清晰,从而提高了血管识别的准确性。
步骤S203,根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像。
在本步骤中,在同一阈值下,将灰度值大于或等于阈值的像素点,作为血管图像的像素点;将灰度值小于阈值的像素点,作为背景图像的像素点。基于此方法,根据阈值曲面上的阈值对初始血管图像上相应的像素点进行识别,若阈值小于或等于初始血管图像上相应的像素点的灰度值,则将该像素点识别为血管图像的像素点,否则将该像素点识别为背景图像的像素点,从而得到识别后的血管图像;根据构建得到的充分光滑的阈值曲面对初始血管图像进行动态识别,保证了识别出的血管图像与背景图像的边缘清晰,从而减少了识别误差,进一步提高了血管识别的准确性。
步骤S204,将识别后的血管图像进行二值化处理。
在本步骤中,将识别后的血管图像进行二值化处理,是指将血管图像的像素点的灰度值统一成相同的值,将背景图像的像素点的灰度值统一成另一相同的值,便于区分识别出的血管图像与背景图像的边缘,进一步提高了血管识别的准确率。
步骤S205,识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像。
在本步骤中,目标区域是指区域中的像素点的个数满足条件的区域,或者区域中的边界像素点的差分值的平均值满足条件的区域。计算机设备对二值化处理后的血管图像进行识别,以识别出满足条件的目标区域,将目标区域作为目标血管图像,以去除错误分割的区域。
相对于现有的从背景中分割出血管图像的方法,比如基于边缘检测的方法(该方法是先检测出局部特征的不连续性,再将它们连接成边缘,通过这些边缘将图像分成不同的区域),或者基于区域生成的方法(该方法是将属于同一物体的像素点作为一类,形成连续区域,区域间的边界定义为边缘),本方案不仅能够克服基于边缘检测的方法由于误跟踪、对象物的边界线不闭合等造成的识别误差大的缺陷,还能克服基于区域生成的方法的定位精度差的缺陷;保证了识别出的血管图像与背景图像的边缘清晰,从而减少了识别误差,进一步提高了血管识别的准确率。
上述血管图像的识别方法中,基于初始血管图像中的像素点的灰度值,获取初始边界像素点;基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面;根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像;将识别后的血管图像进行二值化处理;识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像;综合考虑血管图像的背景灰度不均匀的因素,基于不同的区域选用不同阈值的阈值曲面的方法,对血管图像进行识别,避免了采用单一阈值识别出的血管图像存在识别误差大的缺陷,保证了识别出的血管图像与背景图像的边缘清晰,从而减少了识别误差,进一步提高了血管识别的准确率。同时通过识别出二值化处理后的血管图像中的目标区域,以对错误分割的区域进行删除,从而提高了血管识别的准确率。
在一个实施例中,上述步骤S201,基于初始血管图像中的像素点的灰度值,获取初始边界像素点,包括:基于初始血管图像中的像素点的灰度值,确定初始血管图像的每一行像素点的灰度值;分别根据每一行像素点的灰度值,得到每一行像素点的灰度曲线图;根据每一行像素点的灰度曲线图,得到每一行像素点的梯度曲线图;确定梯度曲线图中的峰值,将峰值对应的像素点作为初始边界像素点。
本实施例中,以初始血管图像的每一行像素点的灰度值为研究对象,构建对应的灰度曲线图;利用边界上的灰度值变化急剧,内域内的灰度值变化平缓,构建灰度曲线图对应的梯度曲线图,那么在梯度曲线图上,峰值对应灰度值变化率最大,说明峰值对应的像素点出现在边界上;峰谷对应灰度值变化率最小,说明峰谷对应的像素点出现在区域内;基于此原理,将梯度曲线图上的峰值对应的像素点作为初始边界像素点。通过本实施例,能够有效地确定初始边界像素点,避免出现错误,方便后续构造出充分光滑的阈值曲面,以对血管图像进行准确识别,进一步提高了血管识别的准确率。
在另一个实施例中,上述步骤S201,基于初始血管图像中的像素点的灰度值,获取初始边界像素点还可以通过下述方式实现:选用Sobel算子掩膜对初始血管图像f(i,j)进行卷积,得到差分图像S(i,j),具体如下式所示:
S(i,j)=|dx|+|dy|;
其中,dx=[f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1)]-[f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)];
dy=[f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)]-[f(i-1,j-1)+2f(i-1,j)+f(i-1,j+1)];
其中,i表示初始血管图像的横坐标,j表示初始血管图像的纵坐标,dx用来计算垂直边缘,dy用来计算水平边缘。
利用P参数法求出阈值t,根据阈值t对差分图像S(i,j)进行二值化处理,得二值化图像,对二值化图像进行细化,即可得到初始血管图像的初始边界像素点。
在一个实施例中,上述步骤S202,基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面,包括:基于预设稳定温度场模型,将初始边界像素点作为边界条件,内插出相应的曲面;对曲面进行判断;若曲面满足设定条件,则将曲面作为构造得到的阈值曲面。
比如,在预设稳定温度场模型的充分光滑的约束下,将初始边界像素点作为边界条件,内插出通过初始边界像素点的充分光滑的曲面,作为满足设定条件的曲面,同时将该曲面作为构造得到的阈值曲面。通过综合考虑血管图像的背景灰度不均匀的因素,基于不同的区域选用不同的阈值,得到充分光滑的阈值曲面,方便后续根据阈值曲面对初始血管图像进行动态识别,保证了识别出的血管图像与背景图像的边缘清晰,从而提高了血管识别的准确性。
具体地,将初始血管图像中的初始边界像素点作为边界条件,构建二维拉普拉斯方程,那么在现有的稳定温度场模型的充分光滑的约束下,二维的拉普拉斯方程的解即为得到的阈值曲面;其中,二维拉普拉斯方程如下所示:
其中,P(x,y)为边界条件,t为阈值,x为初始血管灰度图像的横坐标,y为初始血管灰度图像的纵坐标。
在求解区域上构造X、Y方向步长均为h的正方形网格,网格节点记为(Xi,Yj),其中Xi=i×h;Yj=j×h;令t(x,y)是二维的拉普拉斯方程充分光滑的解,那么泰勒级数展开如下:
其中,0≤θ1,θ2,θ3,θ4≤1,那么
由于t是二维拉普拉斯方程的解,所以
此外,t是充分光滑的,故以下四项
都是有界的,由此可知,五点差分方程T(i+1,j)+T(i-1,j)+T(i,j-1)-4T(i,j)=0与二维的拉普拉斯方程是相容的,其中T(i,j)为上述差分方程的解。当t(x,y)有四阶连续偏导数时,上述差分方程是收敛的,即h→0时差分方程的解逼近二维拉普拉斯方程的解。
上述差分方程的完整数学表达式为:
其中,P(i,j)为边界条件的离散;假设有T1(i,j),T2(i,j)均满足上述差分方程,那么令V=T1-T2,也应满足差分方程。由于在边界Γ上T1-T2=0,即
由极值原理可得,在区域内V的值也应该等于0,即T1=T2;证明了上述差分方程解的唯一性。此外,考虑到差分方程对于边界Γ上处处为0的解恒为零解,即差分方程对应的齐次方程组只有零解,说明差分方程的解是存在的。
假设边界条件P1(x,y)变为P2(x,y),max︱P1(x,y)-P2(x,y)︱=ε;对应于边界条件P1(x,y)、P2(x,y)的解分别为T1(x,y)、T2(x,y),设V=T1-T2,则V满足:
由极值原理可得,︱V︱≤max︱P1-P2︱=ε;即︱T1-T2︱≤ε;由此看出,边界条件的扰动不会掩盖差分方程的真解,即差分方程的解是稳定的。综上,上述差分方程的解是唯一的、存在的和稳定的。
此外,为了方便求出差分方程的解,可以将差分方程转化成矩阵的形式,将待插值点T(i,j)用向量表示,即T=(T11,T12···T1n,T21···Tmn);故AT=b;此处b为列向量,由边界条件P(i,j)确定;比如当边界条件为矩形四条边时,T为(m×n)行的列向量,那么A为(m×n)×(m×n)矩阵。
由于A是不可约、弱对角占优矩阵,故Jacobi迭代法和CausB-Seidel迭代法均收敛。为了改善收敛速度,采用超松驰迭代法(SOR法)。引入松弛因子ω,迭代格式为:
其中,Ti (m)为第m次迭代值,为Gauss-Seidel迭代法求得的值;
对于差分方程有:
故SOR法迭代序列可写为:
在实际迭代过程中,采用串行算法,对T(i,j)只需一个二维数组存储,令残向量为R,R=AT-b,其分量由r(i,j)组成,设置迭代终止门槛ε;其中,
当max|r(i,j)|<ε时,可认为差分方程得到充分近似的解,迭代终止。另外,SOR法可写成矩阵形式,令A=D+L+U,其中D为对角矩阵,L为严格下三角矩阵,U为严格上三角矩阵,则AT=b可写为:
(D+L+U)·T=b;
SOR法的矩阵形式为:
T(m+1)=(D+ω·L)-1·{(1ω)·-ω·}·(m)+(D+ω·L)-1··;
令Bω=(D+ω·L)-1·{(1)·-ω·};只有Bω的谱半径ρ(Bω)<1时,SOR法的矩阵收敛,由于A为对称正定矩阵,0<ω<2时迭代收敛。因此,迭代终值T(i,j)即为满足条件的阈值曲面。
在一个实施例中,上述步骤S203,根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像,包括:根据阈值曲面上的阈值对初始血管图像上相应的像素点进行识别;若阈值小于或等于初始血管图像上相应的像素点的灰度值,则将像素点识别为血管图像的像素点;若阈值大于初始血管图像上相应的像素点的灰度值,则将像素点识别为背景图像的像素点;根据血管图像的像素点和背景图像的像素点,得到识别后的血管图像。通过阈值曲面对初始血管灰度进行动态识别,保证识别出的血管图像与背景图像的边缘清晰,从而减少了识别误差,进一步提高了血管识别的准确性。
在一个实施例中,上述步骤S204,将识别后的血管图像进行二值化处理,包括:将血管图像的像素点的灰度值转化为第一标准值;将背景图像的像素点的灰度值转化为第二标准值,以对识别后的血管图像进行二值化处理。通过本实施例,可以进一步将识别后的血管图像与背景图像区分开。
例如,以T(i,j)为门限对识别后的血管图像f(i,j)进行二值化处理,若f(i,j)大于或等于T(i,j),则确定f(i,j)=1;若f(i,j)小于T(i,j),则确定f(i,j)=0;从而得到二值化处理后的血管图像B(i,j);其中,i表示识别后的血管图像的横坐标,j表示识别后的血管图像的纵坐标。
考虑在得到识别后的血管图像之后,由于噪声点造成的错误边界像素点,或者同一区域的灰度值出现缓慢变化的情况,导致识别出的血管图像会存在误差;为了进一步减少识别误差,需要对识别后的血管图像进行后处理,以对错误分割出的区域进行删除。
在一个实施例中,上述步骤S205,识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像,包括:获取二值化处理后的血管图像中的连通区域;若连通区域中的像素点个数大于预设个数,将连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像。
例如,通过计算机设备获取二值化处理后的血管图像中像素值相同且位置相邻的像素点所构成的连通区域,统计连通区域中的像素点个数,将像素点个数作为该连通区域的面积,将预设个数的像素点对应面积作为预设面积;将该连通区域的面积与预设面积进行比较,若该连通区域的面积大于预设面积,则将该连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像。需要说明的是,错误分割出的区域的面积小于或等于预设面积。通过面积比较的方法对错误分割出的区域进行删除,避免了由于噪声点造成的错误边界像素点等因素导致识别出的血管图像可能存在误差的缺陷,从而减少了识别误差,以得到完整的血管图像,进一步提高了血管识别的准确率。
进一步地,考虑到区域的边界像素点若不是真正的边界像素点,则该区域的差分值的平均值比较小,基于此原理,可以进一步减少血管识别的误差。在一个实施例中,上述步骤S205,识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像,还可以通过下述方式实现:获取二值化处理后的血管图像中的连通区域;识别连通区域的边界像素点;获取连通区域的各个边界像素点的差分值;统计连通区域的各个边界像素点的差分值的平均值,若平均值大于预设平均值,将连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像。
具体地,获取二值化处理后的血管图像中像素值相同且位置相邻的像素点所构成的连通区域,对连通区域的像素点进行识别,以确定连通区域的边界像素点;分别计算连通区域的各个边界像素点的差分值,统计连通区域的各个边界像素点的差分值的平均值,并与预设平均值进行比较;若连通区域的各个边界像素点的差分值的平均值大于预设平均值,则将该连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像。需要说明的是,错误分割出的区域的边界像素点的差分值的平均值小于或等于预设平均值。通过本实施例,能够删除错误分割的区域,进一步减少了识别误差,从而提高了血管识别的准确率。
在一个实施例中,上述步骤S201,在基于初始血管图像中的像素点的灰度值,获取初始边界像素点之前,还包括:获取拍摄到的显微镜下的血管图像;将血管图像进行灰度转化,得到血管图像对应的灰度图像;将灰度图像经过平滑滤波,得到平滑滤波后的灰度图像,作为初始血管图像。
本实施例中,通过安装在显微镜上的摄像机拍摄显微镜下观察到的血管图像,将拍摄到的显微镜下的血管图像输入至图像板中,通过图像板将拍摄到的显微镜下的血管图像进行模数转换处理,得到转换后的血管图像,并将转换后的血管图像存储至存储器中;通过计算机设备获取图像板中存储的转换后的血管图像,提取该血管图像的亮度信息矩阵,根据亮度信息矩阵,将该血管图像进行灰度转化,得到该血管图像对应的灰度图像;将灰度图像经过保持边缘的平滑滤波,得到平滑滤波后的灰度图像;将该平滑滤波后的灰度图像识别为初始血管图像,实现了去除显微镜成像过程产生的光噪声、摄像机拍摄过程产生的电噪声、血管本身存在的噪声等多个噪声,又能够避免边缘模糊的目的。
例如,采用Nagao和Matsuyama提出的保持边缘的空间平滑技术,围绕血管图像的一个像素点使用9个细长条掩膜,并用方差作为各个区域不均匀性的测度,选出方差最小的区域认为与该像素点属于同一区域,取该方差最小的区域的平均灰度值赋给该像素点。通过将拍摄到的显微镜下的血管图像进行灰度转化,并经过保持边缘的平滑滤波等预处理操作,可以抑制噪声,又不破坏区域边界的细节,达到了增强边界又能够维持边界形状的效果,方便后续对血管图像进行准确识别,进一步提高了血管识别的准确性。
在一个实施例中,如图3所示,提供了另一种血管图像的识别方法,包括以下步骤:
步骤S301,获取拍摄到的显微镜下的血管图像;将血管图像进行灰度转化,得到血管图像对应的灰度图像;将灰度图像经过平滑滤波,得到平滑滤波后的灰度图像,作为初始血管图像。
步骤S302,基于初始血管图像中的像素点的灰度值,获取初始边界像素点。
步骤S303,基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面。
步骤S304,根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像。
步骤S305,将识别后的血管图像进行二值化处理。
步骤S306,识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像。
本实施例的血管图像的识别方法,综合考虑血管图像的背景灰度不均匀的因素,基于不同的区域选用不同阈值的阈值曲面的方法,对血管图像进行识别,避免了采用单一阈值识别出的血管图像存在识别误差大的缺陷,保证了识别出的血管图像与背景图像的边缘清晰,从而减少了识别误差,进一步提高了血管识别的准确率。同时通过识别出二值化处理后的血管图像中的目标区域,以对错误分割的区域进行删除,从而提高了血管识别的准确率。
在一个实施例中,如图4所示,提供了一种血管图像的识别系统,包括:显微镜401、摄像机402、图像板403、计算机设备404和监视器405;摄像机402设置于显微镜401上,摄像机402与图像板403连接,图像板403通过串口分别与计算机设备404和监视器405连接;其中,图像板403包括模数转化模块、数模转化模块和存储器;监视器405包括显示器;计算机设备404为安装有图像处理系统的终端或者专业图像处理服务器。
具体地,通过摄像机拍摄显微镜下观测到的血管图像,将拍摄到的血管图像输入至图像板中,通过图像板将拍摄到的血管图像经过模数转换,得到转换后的血管图像,并将转化后的血管图像存储至存储器中;通过计算机设备从图像板的存储器中读取转换后的血管图像;并将该转化后的血管图像经过灰度转化,得到拍摄到的血管图像对应的灰度图像;将灰度图像经过保持边缘的平滑滤波,得到初始血管图像,如图5所示。计算机设备基于初始血管图像中的像素点的灰度值,获取初始边界像素点;将初始边界像素点作为边界条件,构建拉普拉斯方程,在现有的稳定温度场模型的充分光滑的约束下,内插出充分光滑的阈值曲面,使得在离散的初始边界像素点对应的边界坐标点的基础上内插出的充分光滑的、连续的阈值曲面通过全部的初始边界像素点对应的边界坐标点;根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像;将识别后的血管图像进行二值化处理,得到二值化处理后的血管图像;获取二值化处理后的血管图像中的连通区域;若连通区域中的像素点个数大于预设个数,将连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像(如图6所示),以将血管图像与背景图像准确分割开,避免了传统方法识别出的血管图像存在识别误差大,导致血管识别的准确率低的缺陷,进一步提高了血管识别的准确率。
进一步地,计算机设备还可以将识别后的目标血管图像发送至图像板的存储器进行存储,通过图像板将存储器中的目标血管图像进行数模转换,得到转换后的目标血管图像,并将拍摄到的显微镜下的血管图像和转换后的目标血管图像发送至监视器中,通过监视器的显示器实时显示拍摄到的显微镜下的血管图像和经过处理得到的目标血管图像。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种血管图像的识别装置,包括:边界像素点获取模块710、阈值曲面构造模块720、初始识别模块730、二值化处理模块740和图像后处理模块750,其中:
边界像素点获取模块710,用于基于初始血管灰度图像中的像素点的灰度值,获取初始边界像素点。
阈值曲面构造模块720,用于基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面。
初始识别模块730,用于根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像。
二值化处理模块740,用于将识别后的血管图像进行二值化处理。
图像后处理模块750,用于识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像。
在一个实施例中,边界像素点获取模块还用于基于初始血管图像中的像素点的灰度值,获取初始边界像素点;基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面;根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像;将识别后的血管图像进行二值化处理;识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像。
在一个实施例中,阈值曲面构造模块还用于基于预设稳定温度场模型,将初始边界像素点作为边界条件,内插出相应的曲面;对曲面进行判断;若曲面满足设定条件,则将曲面作为构造得到的阈值曲面。
在一个实施例中,初始识别模块还用于根据阈值曲面上的阈值对初始血管图像上相应的像素点进行识别;若阈值小于或等于初始血管图像上相应的像素点的灰度值,则将像素点识别为血管图像的像素点;若阈值大于初始血管图像上相应的像素点的灰度值,则将像素点识别为背景图像的像素点;根据血管图像的像素点和背景图像的像素点,得到识别后的血管图像。
在一个实施例中,二值化处理模块还用于将血管图像的像素点的灰度值转化为第一标准值;将背景图像的像素点的灰度值转化为第二标准值,以对识别后的血管图像进行二值化处理。
在一个实施例中,图像后处理模块还用于获取二值化处理后的血管图像中的连通区域;若连通区域中的像素点个数满足设定条件,将连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像。
在一个实施例中,图像后处理模块还用于获取二值化处理后的血管图像中的连通区域;识别连通区域的边界像素点;获取连通区域的各个边界像素点的差分值;统计连通区域的各个边界像素点的差分值的平均值,若平均值大于预设平均值,将连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像。
在一个实施例中,血管图像的识别装置还包括初始血管图像获取模块,用于获取拍摄到的显微镜下的血管图像;将血管图像进行灰度转化,得到血管图像对应的灰度图像;将灰度图像经过平滑滤波,得到平滑滤波后的灰度图像,作为初始血管图像。
上述各个实施例,血管图像的识别装置基于初始血管图像中的像素点的灰度值,获取初始边界像素点;基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面;根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像;将识别后的血管图像进行二值化处理;识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像;综合考虑血管图像的背景灰度不均匀的因素,基于不同的区域选用不同阈值的阈值曲面的方法,对血管图像进行识别,避免了采用单一阈值识别出的血管图像存在识别误差大的缺陷,保证了识别出的血管图像与背景图像的边缘清晰,从而减少了识别误差,进一步提高了血管识别的准确率。同时通过识别出二值化处理后的血管图像中的目标区域,以对错误分割的区域进行删除,从而提高了血管识别的准确率。
关于血管图像的识别装置的具体限定可以参见上文中对于血管图像的识别方法的限定,在此不再赘述。上述血管图像的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标血管图像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血管图像的识别方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
基于初始血管图像中的像素点的灰度值,获取初始边界像素点;
基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面;
根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像;
将识别后的血管图像进行二值化处理;
识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于初始血管图像中的像素点的灰度值,确定初始血管图像的每一行像素点的灰度值;分别根据每一行像素点的灰度值,得到每一行像素点的灰度曲线图;根据每一行像素点的灰度曲线图,得到每一行像素点的梯度曲线图;确定梯度曲线图中的峰值,将峰值对应的像素点作为初始边界像素点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于预设稳定温度场模型,将初始边界像素点作为边界条件,内插出相应的曲面;对曲面进行判断;若曲面满足设定条件,则将曲面作为构造得到的阈值曲面。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据阈值曲面上的阈值对初始血管图像上相应的像素点进行识别;若阈值小于或等于初始血管图像上相应的像素点的灰度值,则将像素点识别为血管图像的像素点;若阈值大于初始血管图像上相应的像素点的灰度值,则将像素点识别为背景图像的像素点;根据血管图像的像素点和背景图像的像素点,得到识别后的血管图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将血管图像的像素点的灰度值转化为第一标准值;将背景图像的像素点的灰度值转化为第二标准值,以对识别后的血管图像进行二值化处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取二值化处理后的血管图像中的连通区域;若连通区域中的像素点个数大于预设个数,将连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取二值化处理后的血管图像中的连通区域;识别连通区域的边界像素点;获取连通区域的各个边界像素点的差分值;统计连通区域的各个边界像素点的差分值的平均值,若平均值大于预设平均值,将连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取拍摄到的显微镜下的血管图像;将血管图像进行灰度转化,得到血管图像对应的灰度图像;将灰度图像经过平滑滤波,得到平滑滤波后的灰度图像,作为初始血管图像。
上述各个实施例,计算机设备通过处理器上运行的计算机程序,实现了基于不同的区域选用不同阈值的阈值曲面的方法,对血管图像进行识别的目的,避免了采用单一阈值识别出的血管图像存在识别误差大的缺陷,保证了识别出的血管图像与背景图像的边缘清晰,从而减少了识别误差,进一步提高了血管识别的准确率。同时通过识别出二值化处理后的血管图像中的目标区域,以对错误分割的区域进行删除,从而提高了血管识别的准确率。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
基于初始血管图像中的像素点的灰度值,获取初始边界像素点;
基于预设稳定温度场模型,将初始边界像素点作为边界条件,构造阈值曲面;
根据阈值曲面对初始血管图像进行识别,得到识别后的血管图像;
将识别后的血管图像进行二值化处理;
识别出二值化处理后的血管图像中的目标区域,根据目标区域得到目标血管图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于初始血管图像中的像素点的灰度值,确定初始血管图像的每一行像素点的灰度值;分别根据每一行像素点的灰度值,得到每一行像素点的灰度曲线图;根据每一行像素点的灰度曲线图,得到每一行像素点的梯度曲线图;确定梯度曲线图中的峰值,将峰值对应的像素点作为初始边界像素点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于预设稳定温度场模型,将初始边界像素点作为边界条件,内插出相应的曲面;对曲面进行判断;若曲面满足设定条件,则将曲面作为构造得到的阈值曲面。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据阈值曲面上的阈值对初始血管图像上相应的像素点进行识别;若阈值小于或等于初始血管图像上相应的像素点的灰度值,则将像素点识别为血管图像的像素点;若阈值大于初始血管图像上相应的像素点的灰度值,则将像素点识别为背景图像的像素点;根据血管图像的像素点和背景图像的像素点,得到识别后的血管图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将血管图像的像素点的灰度值转化为第一标准值;将背景图像的像素点的灰度值转化为第二标准值,以对识别后的血管图像进行二值化处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取二值化处理后的血管图像中的连通区域;若连通区域中的像素点个数大于预设个数,将连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取二值化处理后的血管图像中的连通区域;识别连通区域的边界像素点;获取连通区域的各个边界像素点的差分值;统计连通区域的各个边界像素点的差分值的平均值,若平均值大于预设平均值,将连通区域识别为目标区域;根据二值化处理后的血管图像中的目标区域,确定目标血管图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取拍摄到的显微镜下的血管图像;将血管图像进行灰度转化,得到血管图像对应的灰度图像;将灰度图像经过平滑滤波,得到平滑滤波后的灰度图像,作为初始血管图像。
上述各个实施例,计算机可读存储介质通过其存储的计算机程序,实现了基于不同的区域选用不同阈值的阈值曲面的方法,对血管图像进行识别的目的,避免了采用单一阈值识别出的血管图像存在识别误差大的缺陷,保证了识别出的血管图像与背景图像的边缘清晰,从而减少了识别误差,进一步提高了血管识别的准确率。同时通过识别出二值化处理后的血管图像中的目标区域,以对错误分割的区域进行删除,从而提高了血管识别的准确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种血管图像的识别方法,所述方法包括:
基于初始血管图像中的像素点的灰度值,获取初始边界像素点;
基于预设稳定温度场模型,将所述初始边界像素点作为边界条件,构造阈值曲面;
根据所述阈值曲面对所述初始血管图像进行识别,得到识别后的血管图像;
将所述识别后的血管图像进行二值化处理;
识别出所述二值化处理后的血管图像中的目标区域,根据所述目标区域得到目标血管图像。
2.根据权利要求1所述的方法,其特征在于,所述基于初始血管图像中的像素点的灰度值,获取初始边界像素点,包括:
基于初始血管图像中的像素点的灰度值,确定所述初始血管图像的每一行像素点的灰度值;
分别根据每一行像素点的灰度值,得到每一行像素点的灰度曲线图;
根据每一行像素点的灰度曲线图,得到每一行像素点的梯度曲线图;
确定所述梯度曲线图中的峰值,将所述峰值对应的像素点作为初始边界像素点。
3.根据权利要求1所述的方法,其特征在于,所述基于预设稳定温度场模型,将所述初始边界像素点作为边界条件,构造阈值曲面,包括:
基于预设稳定温度场模型,将所述初始边界像素点作为边界条件,内插出相应的曲面;
对所述曲面进行判断;
若所述曲面满足设定条件,则将所述曲面作为构造得到的阈值曲面。
4.根据权利要求1所述的方法,其特征在于,所述根据所述阈值曲面对所述初始血管图像进行识别,得到识别后的血管图像,包括:
根据所述阈值曲面上的阈值对所述初始血管图像上相应的像素点进行识别;
若所述阈值小于或等于所述初始血管图像上相应的像素点的灰度值,则将所述像素点识别为血管图像的像素点;
若所述阈值大于所述初始血管图像上相应的像素点的灰度值,则将所述像素点识别为背景图像的像素点;
根据所述血管图像的像素点和背景图像的像素点,得到识别后的血管图像。
5.根据权利要求4所述的方法,其特征在于,所述将所述识别后的血管图像进行二值化处理,包括:
将所述血管图像的像素点的灰度值转化为第一标准值;将所述背景图像的像素点的灰度值转化为第二标准值,以对所述识别后的血管图像进行二值化处理。
6.根据权利要求1所述的方法,其特征在于,所述识别出所述二值化处理后的血管图像中的目标区域,根据所述目标区域得到目标血管图像,包括:
获取所述二值化处理后的血管图像中的连通区域;
若所述连通区域中的像素点个数大于预设个数,将所述连通区域识别为目标区域;
根据所述二值化处理后的血管图像中的所述目标区域,确定目标血管图像;
和/或,
获取所述二值化处理后的血管图像中的连通区域;
识别所述连通区域的边界像素点;
获取所述连通区域的各个所述边界像素点的差分值;
统计所述连通区域的各个所述边界像素点的差分值的平均值,若所述平均值大于预设平均值,将所述连通区域识别为目标区域;
根据所述二值化处理后的血管图像中的所述目标区域,确定目标血管图像。
7.根据权利要求1至6任意一项所述的方法,其特征在于,在基于初始血管图像中的像素点的灰度值,获取初始边界像素点之前,还包括:
获取拍摄到的显微镜下的血管图像;
将所述血管图像进行灰度转化,得到所述血管图像对应的灰度图像;
将所述灰度图像经过平滑滤波,得到平滑滤波后的灰度图像,作为初始血管图像。
8.一种血管图像的识别装置,其特征在于,所述装置包括:
边界像素点获取模块,用于基于初始血管灰度图像中的像素点的灰度值,获取初始边界像素点;
阈值曲面构造模块,用于基于预设稳定温度场模型,将所述初始边界像素点作为边界条件,构造阈值曲面;
初始识别模块,用于根据所述阈值曲面对所述初始血管图像进行识别,得到识别后的血管图像;
二值化处理模块,用于将所述识别后的血管图像进行二值化处理;
图像后处理模块,用于识别出所述二值化处理后的血管图像中的目标区域,根据所述目标区域得到目标血管图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811594154.2A CN109658406A (zh) | 2018-12-25 | 2018-12-25 | 血管图像的识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811594154.2A CN109658406A (zh) | 2018-12-25 | 2018-12-25 | 血管图像的识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109658406A true CN109658406A (zh) | 2019-04-19 |
Family
ID=66116641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811594154.2A Pending CN109658406A (zh) | 2018-12-25 | 2018-12-25 | 血管图像的识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658406A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110051385A (zh) * | 2019-05-29 | 2019-07-26 | 深圳华声医疗技术股份有限公司 | 基于血管识别的全自动测量方法、装置、存储介质及系统 |
CN111340691A (zh) * | 2020-03-27 | 2020-06-26 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111626979A (zh) * | 2020-02-04 | 2020-09-04 | 深圳市瑞沃德生命科技有限公司 | 一种管径测量方法及其装置 |
CN111862304A (zh) * | 2020-06-30 | 2020-10-30 | 西安增材制造国家研究院有限公司 | 基于骨架引导的分割下腔静脉和腹主动脉的方法及装置 |
WO2022000726A1 (zh) * | 2020-06-29 | 2022-01-06 | 苏州润迈德医疗科技有限公司 | 基于ct图像获取左心房、左心室的连通域的方法和系统 |
WO2022000734A1 (zh) * | 2020-06-29 | 2022-01-06 | 苏州润迈德医疗科技有限公司 | 基于ct序列图像拾取主动脉中心线上的点的方法和系统 |
CN115511819A (zh) * | 2022-09-21 | 2022-12-23 | 武汉理工大学 | 一种x射线焊缝边界识别方法、装置、设备及存储介质 |
CN116071355A (zh) * | 2023-03-06 | 2023-05-05 | 山东第一医科大学第二附属医院 | 一种用于外周血管影像的辅助分割系统及方法 |
CN116205969A (zh) * | 2023-05-06 | 2023-06-02 | 深圳赛桥生物创新技术有限公司 | 样本液体积识别方法、系统和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014137756A (ja) * | 2013-01-17 | 2014-07-28 | Canon Inc | 画像処理装置および画像処理方法 |
CN107331031A (zh) * | 2017-07-04 | 2017-11-07 | 深圳怡化电脑股份有限公司 | 一种纸币币值的识别方法、装置、设备及存储介质 |
CN108805871A (zh) * | 2018-06-14 | 2018-11-13 | 艾瑞迈迪医疗科技(北京)有限公司 | 血管图像处理方法、装置、计算机设备和存储介质 |
-
2018
- 2018-12-25 CN CN201811594154.2A patent/CN109658406A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014137756A (ja) * | 2013-01-17 | 2014-07-28 | Canon Inc | 画像処理装置および画像処理方法 |
CN107331031A (zh) * | 2017-07-04 | 2017-11-07 | 深圳怡化电脑股份有限公司 | 一种纸币币值的识别方法、装置、设备及存储介质 |
CN108805871A (zh) * | 2018-06-14 | 2018-11-13 | 艾瑞迈迪医疗科技(北京)有限公司 | 血管图像处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
贺霖: "图象测量及分析系统的研究", 《中国优秀硕士学位论文全文数据库(电子期刊),信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110051385A (zh) * | 2019-05-29 | 2019-07-26 | 深圳华声医疗技术股份有限公司 | 基于血管识别的全自动测量方法、装置、存储介质及系统 |
CN111626979A (zh) * | 2020-02-04 | 2020-09-04 | 深圳市瑞沃德生命科技有限公司 | 一种管径测量方法及其装置 |
CN111340691A (zh) * | 2020-03-27 | 2020-06-26 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
WO2022000726A1 (zh) * | 2020-06-29 | 2022-01-06 | 苏州润迈德医疗科技有限公司 | 基于ct图像获取左心房、左心室的连通域的方法和系统 |
WO2022000734A1 (zh) * | 2020-06-29 | 2022-01-06 | 苏州润迈德医疗科技有限公司 | 基于ct序列图像拾取主动脉中心线上的点的方法和系统 |
CN111862304A (zh) * | 2020-06-30 | 2020-10-30 | 西安增材制造国家研究院有限公司 | 基于骨架引导的分割下腔静脉和腹主动脉的方法及装置 |
CN111862304B (zh) * | 2020-06-30 | 2023-09-05 | 西安增材制造国家研究院有限公司 | 基于骨架引导的分割下腔静脉和腹主动脉的方法及装置 |
CN115511819A (zh) * | 2022-09-21 | 2022-12-23 | 武汉理工大学 | 一种x射线焊缝边界识别方法、装置、设备及存储介质 |
CN115511819B (zh) * | 2022-09-21 | 2023-08-25 | 武汉理工大学 | 一种x射线焊缝边界识别方法、装置、设备及存储介质 |
CN116071355A (zh) * | 2023-03-06 | 2023-05-05 | 山东第一医科大学第二附属医院 | 一种用于外周血管影像的辅助分割系统及方法 |
CN116205969A (zh) * | 2023-05-06 | 2023-06-02 | 深圳赛桥生物创新技术有限公司 | 样本液体积识别方法、系统和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658406A (zh) | 血管图像的识别方法、装置、计算机设备和存储介质 | |
CN108369650B (zh) | 标识校准图案的可能特征点的方法 | |
CN102831386B (zh) | 物体识别方法及识别装置 | |
EP2375376A1 (en) | Method and arrangement for multi-camera calibration | |
CN111091567B (zh) | 医学图像配准方法、医疗设备及存储介质 | |
US8406535B2 (en) | Invariant visual scene and object recognition | |
JP5706647B2 (ja) | 情報処理装置、およびその処理方法 | |
KR102578209B1 (ko) | 영상 처리 방법과 장치 | |
CN108875780A (zh) | 基于图像数据的图像间差异对象的获取方法以及装置 | |
CN114140623A (zh) | 一种图像特征点提取方法及系统 | |
CN111192194A (zh) | 一种针对幕墙建筑立面的全景图像拼接方法 | |
BR102019006403B1 (pt) | Método e sistema de inspeção de qualidade de uniforme da aeronave automatizada | |
CN114998097A (zh) | 图像对齐方法、装置、计算机设备和存储介质 | |
CN105701770B (zh) | 一种基于上下文线性模型的人脸超分辨率处理方法及系统 | |
CN113223078A (zh) | 标志点的匹配方法、装置、计算机设备和存储介质 | |
Lalonde et al. | What does the sky tell us about the camera? | |
WO2021056501A1 (zh) | 提取特征点的方法、可移动平台及存储介质 | |
CN112163996B (zh) | 一种基于图像处理的平角视频融合方法 | |
CN109934342B (zh) | 神经网络模型训练方法、深度图像修复方法及系统 | |
KR102323607B1 (ko) | 아노말리 영상 검사 방법 및 아노말리 영상 검사 장치 | |
CN114648611B (zh) | 局域轨道函数的三维重构方法及装置 | |
CN113689458B (zh) | 一种2d拍摄轨迹路径计算方法及装置 | |
Wan et al. | A performance comparison of feature detectors for planetary rover mapping and localization | |
RU2718429C1 (ru) | Устройство обнаружения локально-стационарных областей на изображении | |
CN115375892A (zh) | 大尺寸图像预处理方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |