CN110033005A - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110033005A CN110033005A CN201910277306.4A CN201910277306A CN110033005A CN 110033005 A CN110033005 A CN 110033005A CN 201910277306 A CN201910277306 A CN 201910277306A CN 110033005 A CN110033005 A CN 110033005A
- Authority
- CN
- China
- Prior art keywords
- image
- result
- segmentation result
- split
- segmentation
- 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
- 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
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:对待处理图像进行至少一次分割及定位处理,得到第一分割结果和定位结果,所述定位结果包括所述待处理图像中目标所在的部分;对所述定位结果进行分割处理,得到第二分割结果;根据所述第一分割结果和所述第二分割结果,得到所述待处理图像的分割结果。本公开实施例可实现在图像分割的过程中减少图像信息的丢失,提高图像处理的精度。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
在图像技术领域,对感兴趣区域或目标区域进行分割,是进行图像分析和目标识别的基础。例如,在医学图像中通过分割,清晰地识别一个或多个器官或病灶之间的边界。准确地分割三维医学图像对于许多临床应用而言是至关重要的。
发明内容
本公开实施例提供了一种图像处理技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:对待处理图像进行至少一次分割及定位处理,得到第一分割结果和定位结果,所述定位结果包括所述待处理图像中目标所在的部分;对所述定位结果进行分割处理,得到第二分割结果;根据所述第一分割结果和所述第二分割结果,得到所述待处理图像的分割结果。
在一种可能的实现方式中,所述对待处理图像进行至少一次分割及定位处理,得到第一分割结果和定位结果,包括:将待处理图像作为待分割及定位对象;对所述待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果;判断所述中间定位结果的图像尺寸是否小于或等于阈值;在所述中间定位结果的图像尺寸大于阈值时,将所述中间定位结果作为待分割及定位对象,再次进行上述分割及定位处理以及上述判断;在所述中间定位结果的图像尺寸小于或等于阈值时,将所述中间定位结果作为定位结果,并将所有所述分割及定位处理所产生的中间分割结果,作为第一分割结果。
在一种可能的实现方式中,所述对所述待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果,包括:对所述待分割及定位对象进行分割处理,得到中间分割结果;根据所述中间分割结果,得到所述待分割及定位对象中目标的位置信息;根据所述位置信息,对所述待分割及定位对象进行裁切,得到中间定位结果。
在一种可能的实现方式中,所述对所述待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果,包括:对所述待分割及定位对象进行分割处理,得到中间分割结果;根据所述中间分割结果,得到所述待分割及定位对象中目标的位置信息;根据所述位置信息,对所述待分割及定位对象与所述中间分割结果融合后的图像进行裁切,得到中间定位结果。
在一种可能的实现方式中,所述根据所述第一分割结果和所述第二分割结果,得到所述待处理图像的分割结果,包括:将所述第一分割结果和所述第二分割结果进行融合,得到所述待处理图像的分割结果。
在一种可能的实现方式中,所述融合包括加权融合。
在一种可能的实现方式中,所述方法通过神经网络实现,所述神经网络用于进行分割处理。
在一种可能的实现方式中,所述神经网络通过预设的训练集进行训练,所述预设的训练集包括:第一训练图像、第二训练图像、所述第一训练图像的分割结果以及所述第二训练图像的分割结果;其中,所述第一训练图像的图像尺寸,与所述待处理图像的图像尺寸相同;所述第二训练图像的图像尺寸,不大于所述分割及定位处理过程中用于得到所述定位结果的阈值。
在一种可能的实现方式中,所述对待处理图像进行至少一次分割及定位处理,得到第一分割结果和定位结果之前,还包括:将所述待处理图像进行预处理。
在一种可能的实现方式中,所述预处理包括:去噪处理、归一化处理、重采样处理以及降采样处理中的一种或多种。
在一种可能的实现方式中,所述待处理图像为三维医学图像。
根据本公开的一方面,提供了一种图像处理装置,包括:定位模块,用于对待处理图像进行至少一次分割及定位处理,得到第一分割结果和定位结果,所述定位结果包括所述待处理图像中目标所在的部分;分割模块,用于对所述定位结果进行分割处理,得到第二分割结果;分割结果获取模块,用于根据所述第一分割结果和所述第二分割结果,得到所述待处理图像的分割结果。
在一种可能的实现方式中,所述定位模块用于:将待处理图像作为待分割及定位对象;对所述待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果;判断所述中间定位结果的图像尺寸是否小于或等于阈值;在所述中间定位结果的图像尺寸大于阈值时,将所述中间定位结果作为待分割及定位对象,再次进行上述分割及定位处理以及上述判断;在所述中间定位结果的图像尺寸小于或等于阈值时,将所述中间定位结果作为定位结果,并将所有所述分割及定位处理所产生的中间分割结果,作为第一分割结果。
在一种可能的实现方式中,所述定位模块进一步用于:对所述待分割及定位对象进行分割处理,得到中间分割结果;根据所述中间分割结果,得到所述待分割及定位对象中目标的位置信息;根据所述位置信息,对所述待分割及定位对象进行裁切,得到中间定位结果。
在一种可能的实现方式中,所述定位模块进一步用于:对所述待分割及定位对象进行分割处理,得到中间分割结果;根据所述中间分割结果,得到所述待分割及定位对象中目标的位置信息;根据所述位置信息,对所述待分割及定位对象与所述中间分割结果融合后的图像进行裁切,得到中间定位结果。
在一种可能的实现方式中,所述分割结果获取模块用于:将所述第一分割结果和所述第二分割结果进行融合,得到所述待处理图像的分割结果。
在一种可能的实现方式中,所述融合包括加权融合。
在一种可能的实现方式中,所述装置通过神经网络实现,所述神经网络用于进行分割处理。
在一种可能的实现方式中,所述神经网络通过预设的训练集进行训练,所述预设的训练集包括:第一训练图像、第二训练图像、所述第一训练图像的分割结果以及所述第二训练图像的分割结果;其中,所述第一训练图像的图像尺寸,与所述待处理图像的图像尺寸相同;所述第二训练图像的图像尺寸,不大于所述分割及定位处理过程中用于得到所述定位结果的阈值。
在一种可能的实现方式中,所述定位模块之前还包括预处理模块,所述预处理模块用于:将所述待处理图像进行预处理。
在一种可能的实现方式中,所述预处理包括:去噪处理、归一化处理、重采样处理以及降采样处理中的一种或多种。
在一种可能的实现方式中,所述待处理图像为三维医学图像。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:执行上述图像处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
在本公开实施例中,通过对待处理图像进行分割及定位处理,可以对待处理图像中的目标进行初步定位,得到定位结果,同时也得到了第一分割结果,根据定位结果可以通过分割处理得到第二分割结果,基于第一分割结果和第二分割结果,可以得到待处理图像的分割结果。通过上述过程可以在图像分割的过程中减少图像信息的丢失,提高图像处理的精度。
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,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开一实施例的图像处理方法的流程图。
图2示出根据本公开一实施例的图像处理方法的流程图。
图3示出根据本公开一实施例的分割处理的实现方式示意图。
图4示出根据本公开一实施例的图像处理装置的框图。
图5示出根据本公开实施例的一种电子设备的框图。
图6示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图1示出根据本公开一实施例的图像处理方法的流程图,该方法可以应用于图像处理装置,图像处理装置可以为终端设备、服务器或者其他处理设备等。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示,所述图像处理方法可以包括:
步骤S11,对待处理图像进行至少一次分割及定位处理,得到第一分割结果和定位结果,定位结果包括待处理图像中目标所在的部分。
步骤S12,对定位结果进行分割处理,得到第二分割结果。
步骤S13,根据第一分割结果和第二分割结果,得到待处理图像的分割结果。
本公开实施例的图像处理方法,通过分割及定位处理,在待处理图像中对目标区域进行定位,从而基于此定位结果进行分割,得到对目标分割较为准确的第二分割结果;同时在分割及定位处理的过程中,还可以得到准确率虽然低于第二分割结果,但是包含信息更多全局信息、信息更加全面的第一分割结果;因此基于第一分割结果和第二分割结果得到的分割结果,可以在图像分割的过程中减少图像信息的丢失,提高图像处理的精度。
其中,本公开实施例的图像处理方法可以应用于三维医学图像的处理,例如,用于识别医学图像中的目标区域,该目标区域可以是器官、病灶、组织等等。在一种可能的实现方式中,待处理图像可以是心脏器官的三维医学图像,也就是说,本公开实施例的图像处理方法可以应用于心脏病的治疗过程中,在一个示例中,该图像处理方法可以应用于心脏病的分析治疗,通过在心脏CT图像中分割左心房、左心室、右心房、右心室以及各个瓣膜的位置,可以通过对分割结果的分析,得到心肌壁的厚度,收缩期的容积,舒张期的容积及心脏射血分数;从而对心脏病患者进行量化分析,指导相应的临床治疗路径。在一种可能的实现方式中,待处理图像可以是肿瘤所在器官或组织的三维医学图像,也就是说,本公开实施例的图像处理方法可以应用于肿瘤的治疗过程中,在一个示例中,肿瘤所在的器官可以是肺部,通过在三维医学图像中分割全肺的区域,并对肺内肿瘤进行进一步分割,可以对肺内肿瘤进行定位,然后根据肿瘤内的影像学特征、肿瘤形状、边界以及在肺部中的位置,确定肿瘤的类型,分化程度,恶性程度及基因表型等病理信息,从而辅助医生选择相应的放疗,化疗,手术,靶向或免疫治疗等治疗手段;在一个示例中,肿瘤所在的器官也可以是肝脏、脑部以及直肠等等。
需要说明的是,本公开实施例的图像处理方法不限于应用在三维医学图像处理,可以应用于任意的图像处理,如其他维度的图像,在一个示例中,可以是二维医学图像,在一个示例中,也可以是二维且并不用于医学诊断的图像,本公开对此不作限定。
在一种可能的实现方式中,待处理图像可以包括多张图片,根据该多张图片可以识别出一个或多个三维的器官。
步骤S11的实现方式不受限定,其中,对待处理图像进行的分割及定位处理的次数不受限定,可以根据实际情况进行灵活选择。通过对图像进行分割及定位处理,可以最终得到第一分割结果和定位结果,其中的定位结果可以包括待处理图像中目标所在的部分,可以涵盖待处理图像中目标所在位置的全部信息。目标可以是任何所关注的目标,例如器官、病灶等;分割结果可以是标记了待处理图像中各分割区域所在位置的图像。
图2示出根据本公开一实施例的图像处理方法的流程图,如图所示,在一种可能的实现方式中,步骤S11可以包括:
步骤S111,将待处理图像作为待分割及定位对象。
步骤S112,对待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果。
步骤S113,判断中间定位结果的图像尺寸是否小于或等于阈值。
步骤S114,在中间定位结果的图像尺寸大于阈值时,将中间定位结果作为待分割及定位对象,再次进行上述分割及定位处理以及上述判断。
步骤S115,在中间定位结果的图像尺寸小于或等于阈值时,将中间定位结果作为定位结果,并将所有分割及定位处理所产生的中间分割结果,作为第一分割结果。
中间定位结果的图像尺寸的阈值不受具体限定,可以根据实际情况进行确定,由于基于此阈值判断可以确定定位结果,而对定位结果分割可以得到第二分割结果,因此任何使得第二分割结果可以对待处理图像中的目标具有较好分割效果的中间定位结果的图像尺寸的阈值设定均可被使用。
步骤S11的实现方式不局限于上述公开实施例,即确定分割及定位处理的次数的方式不受限定,可以根据实际情况灵活设定,任何可以使得被分割的定位结果产生较好分割效果的方式,都可以作为步骤S11的实现方式。在一种可能的实现方式中,可以通过判断中间定位结果的图像分辨率是否小于或等于分辨率阈值的方式,来确定中间定位结果是否可以作为定位结果,即在中间定位结果的分辨率小于或等于阈值时,可以将中间定位结果作为定位结果,否则还需要对中间定位结果进行进一步的分割及定位处理;分辨率阈值的数值可以根据实际情况来设定,在此不做限定。在一种可能的实现方式中,可以通过判断当前得到的中间分割结果,与上一次的中间分割结果,相互之间的一致性是否超过一致性阈值的方式,来确定中间定位结果是否可以作为定位结果,即在经过本次分割及定位处理后,产生中间分割结果与中间定位结果,如果本次产生的中间分割结果与经过上一次分割及定位处理后产生的中间分割结果,二者之间的一致性超过一致性阈值时,可以说明当前的中间定位结果不再有很大的必要性再去进行一次分割及定位处理,因此可以将当前的中间定位结果作为定位结果;同样,一致性阈值的数值可以根据实际情况来设定,在此不做限定。
通过上述公开实施例,可以看出,在本公开实施例中,确定对待处理图像进行分割及定位处理的次数的主要依据在于,每一次对图像进行分割及定位处理得到的中间定位结果的图像尺寸是否小于或等于阈值,如果中间定位结果的图像尺寸小于或等于阈值,可以说明当前得到的中间定位结果,既可以包含待处理图像中目标的全部信息,同时也可以较好的实现对目标的分割。因此,通过上述过程得到的定位结果,可以有效的用于得出第二分割结果;同时,第一分割结果中包含了每一次对待处理图像进行分割及定位处理时,所产生的中间分割结果,因此,第一分割结果除了可以包含待处理图像中目标的简单分割结果外,也可以包含待处理图像中其他位置的分割信息,也就是说,第一分割结果可以包含待处理图像中的大部分图像信息,因此,基于第一分割结果和第二分割结果得到的分割结果,除了可以对待处理图像中的目标实现精确分割以外,也尽量可以避免丢失待处理图像中的图像信息,因此,通过上述公开实施例任意形式组合的图像处理方法,可以提高图像处理的精度,增强图像处理结果的全面性。
基于上述各公开实施例可以看出,为了得到定位结果和第一分割结果,需要执行至少一次的分割及定位处理,分割及定位处理的对象既可以是待处理图像,也可以是待处理图像在执行了至少一次分割及定位处理后得到的中间定位结果,因此,在本公开示例中,可以将分割及定位处理的对象统称为待分割及定位对象。分割及定位处理的过程不受限定,任何可以通过分割处理和定位处理来对待分割及定位对象中的目标对象所在区域进行定位的过程,都可以被认为是分割及定位处理的实现形式。
在一种可能的实现方式中,对待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果,可以包括:
对待分割及定位对象进行分割处理,得到中间分割结果。
根据中间分割结果,得到待分割及定位对象中目标的位置信息。
根据位置信息,对待分割及定位对象进行裁切,得到中间定位结果。
在一种可能的实现方式中,根据中间分割结果,得到待分割及定位对象中目标的位置信息,可以包括:将中间分割结果表示为基于概率的图像,可以为热力图或者二值图等,然后根据基于概率的图像,来计算分割结果中目标的中心位置以及各个方向的分布,来作为待分割及定位对象中目标的位置信息。在一个示例中,根据基于概率的图像,来计算分割结果中目标的中心位置以及各个方向的分布的过程可以为:将基于概率的图像的中心作为分割结果中目标的中心位置,然后可以规定基于概率的图像中各个方向的范围为固定大小,从而得到分割结果中目标在各个方向的分布;在一个示例中,这一过程还可以为:使用基于概率的图像中各个方向结果的最大和最小范围,来作为分割结果中目标在各个方向的分布,从而确定分割结果中目标的边框区域,然后可以计算边框区域的中心,来作为分割结果中目标的中心位置;在一个示例中,这一过程还可以为,通过神经网络的一部分,在训练其对图像进行分割的同时,也训练其同时回归分割的中心和边框的范围,来作为分割结果中目标的中心位置以及各个方向的分布。
在一个示例中,通过上述公开实施例,得到定位结果和第一分割结果的过程可以为:对待处理图像,记为图像A,进行分割处理,得到中间分割结果,基于这一中间分割结果,可以确定待处理图像中目标的位置信息,基于这一位置信息,可以裁切掉图像A中与目标不相关或相关性较少的部分,得到中间定位结果,记为图像B,则图像B是图像A的一部分,此时可以判断图像B的图像尺寸是否小于或等于阈值,如果小于或等于阈值,则可以将图像B作为定位结果,用于后续的分割处理,同时将对图像A进行分割处理得到的中间分割结果作为第一分割结果;如果大于阈值,则可以继续对图像B进行分割处理,再得到一个中间分割结果,基于这一中间分割结果,可以进一步确定图像B中目标的位置信息,基于这一位置信息,可以裁切掉图像B中与目标不相关或相关性较少的部分,得到新的中间定位结果,记为图像C,则图像C是图像B的一部分,又由于图像B是图像A的一部分,因此图像C也是图像A的一部分,即图像C不会丢失除裁切掉的内容以外图像A中的任何信息,此时可以判断图像C的图像尺寸是否小于或等于阈值,如果小于或等于阈值,则可以将图像C作为定位结果,用于后续的分割处理,同时将对图像A进行分割处理得到的中间分割结果和对图像B进行分割处理得到的中间分割结果,均作为第一分割结果;如果大于阈值,则可以继续对图像C进行分割处理,以此类推,后面的过程不再赘述。
从上述过程中可以看出,在一种可能的实现方式中,分割及定位处理可以被分为分割处理和定位处理两个过程,通过对待分割及定位对象进行分割处理,可以得到待分割及定位对象中对目标的一个较为粗糙的分割结果,这一分割结果可以被称为中间分割结果,通过分割处理得到的中间分割结果的精度不受限定,可以根据待分割及定位对象本身的图像尺寸和分割处理的实现方式来确定,无论中间分割结果的精度如何,都可以在待分割及定位对象中确定目标所在的大致位置,因此可以得到待分割及定位对象中目标的位置信息,因此可以根据这一位置信息,可以对待分割及定位对象进行裁切来得到中间定位结果,则得到的中间定位结果,由于是直接对待分割及定位对象进行裁切所得到的,因此并不会丢失待分割及定位对象中有关目标的任何图像信息,而且可以有效的裁切掉与目标无关的相关信息,因此大大减小了数据量,对此中间定位结果再次进行分割处理,相应得到的分割结果则会更加准确,更能提高对目标分割的准确性。由于定位结果是对待处理图像进行至少1次分割及定位处理所得到的,因此定位结果中与目标不相关或是相关性较少的信息较少,基于定位结果进行分割得到第二分割结果精度较高。
在一种可能的实现方式中,对待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果,可以包括:
对待分割及定位对象进行分割处理,得到中间分割结果。
根据中间分割结果,得到待分割及定位对象中目标的位置信息。
根据位置信息,对待分割及定位对象与中间分割结果融合后的图像进行裁切,得到中间定位结果。
在一种可能的实现方式中,对待分割及定位对象与中间分割结果融合后的图像进行裁切,其中待分割及定位对象与中间分割结果融合后的图像,可以是待分割及定位对象与中间分割结果这两个图像直接叠加后得到的图像。
在一个示例中,通过上述公开实施例,得到定位结果和第一分割结果的过程可以为:对待处理图像,记为图像D,进行分割处理,得到中间分割结果,记为图像E,基于图像E,可以确定图像D中目标的位置信息,然后将图像D与对图像E进行融合,得到D、E的融合结果,此时可以基于上面得到的目标的位置信息,裁切掉D、E的融合结果中与目标不相关或相关性较少的部分,得到中间定位结果,记为图像F,则图像F包含了图像D中除去裁切内容后的全部图像信息,同时也包含了图像E中相应位置的图像信息,此时可以判断图像F的图像尺寸是否小于或等于阈值,如果小于或等于阈值,则可以将图像F作为定位结果,用于后续的分割处理,同时将图像E作为第一分割结果;如果大于阈值,则可以继续对图像F进行分割处理,再得到一个中间分割结果,记为图像G,基于图像G,可以进一步确定图像F中目标的位置信息,基于这一位置信息,可以裁切掉图像F与图像G的融合结果中与目标不相关或相关性较少的部分,得到新的中间定位结果,记为图像H,则图像H包含了图像F中除去裁切内容后的全部图像信息,同时也包含了图像G中相应位置的图像信息由于图像F包含了图像D和E相应位置的全部信息,因此图像H也包含了图像D和E除去裁切位置后的全部信息,即图像H不会丢失除裁切掉的内容以外图像D中的任何信息,同时还可以包含更加清晰的基于图像D分割后的图像信息,此时可以判断图像H的图像尺寸是否小于或等于阈值,如果小于或等于阈值,则可以将图像H作为定位结果,用于后续的分割处理,同时将图像E和图像G均作为第一分割结果;如果大于阈值,则可以继续对图像H进行分割处理,以此类推,后面的过程不再赘述。
从上述过程中可以看出,在一种可能的实现方式中,分割及定位处理可以被分为分割处理和定位处理两个过程,通过对待分割及定位对象进行分割处理,可以得到待分割及定位对象中对目标的一个较为粗糙的分割结果,这一分割结果可以被称为中间分割结果,通过分割处理得到的中间分割结果的精度不受限定,可以根据待分割及定位对象本身的图像尺寸和分割处理的实现方式来确定,无论中间分割结果的精度如何,都可以在待分割及定位对象中确定目标所在的大致位置,因此可以得到待分割及定位对象中目标的位置信息,因此可以根据这一位置信息,可以对待分割及定位对象与中间分割结果的融合后的图像进行裁切来得到中间定位结果,则得到的中间定位结果,由于是对待分割及定位对象与中间分割结果的融合后的图像进行裁切所得到的,因此既不会丢失待分割及定位对象中有关目标的任何图像信息,而且可以包含目标相关位置进行初步分割得到的分割结果信息,因此此定位结果可以包含更多的有关目标的有效图像信息,与此同时,还可以有效的裁切掉与目标无关的相关信息,因此大大减小了数据量,对此中间定位结果再次进行分割处理,相应得到的分割结果则会更加准确,更能提高对目标分割的准确性。由于定位结果是对待处理图像进行至少1次分割及定位处理所得到的,因此定位结果中与目标不相关或是相关性较少的信息较少,基于定位结果进行分割得到第二分割结果精度较高。
通过上述各公开实施例可以看出,通过对待处理图像进行至少一次分割及定位处理,得到的定位结果可以在包含了原始待处理图像信息中与目标相关的全部有效信息的基础上,尽可能的去除了与目标无关或相关性较小的信息,因此,基于此定位结果进行分割处理得到的第二分割结果,可以更加准确有效的分割出待处理图像中的目标,同时,由于第一分割结果包含了每一次分割及定位处理所产生的中间分割结果,因此第一分割结果尽可能的包含了与待处理图像中目标相关的全部信息,因此,基于第一分割结果和第二分割结果得到的分割结果,在提高目标分割准确性的同时,尽可能的避免了数据的丢失,同时,由于每一次的定位处理都是基于原始的待处理图像或是裁切后的待处理图像所进行的,因此,定位处理过程可以避免降低图像的分辨率,从而可以避免丢失掉原始待处理图像的信息,也可以避免丢失原始待处理图像的全局信息,进一步提高图像处理的准确性和完整性。
步骤S13的实现方式同样不受限定,任何可以依据第一分割结果和第二分割结果,来对待处理图像中的目标对象实现精度较高且信息较为全面的分割的方式,均可以作为步骤S13的实现方式。在一种可能的实现方式中,步骤S13可以包括:将第一分割结果和所述第二分割结果进行融合,得到待处理图像的分割结果。由于第一分割结果可以基本包含待处理图像中目标对象的全部信息,而第二分割结果可以为待处理图像中目标的较精细分割结果,因此将第一分割结果和第二分割结果进行融合,得到的分割结果可以在目标对象的位置有较高的分割精度,同时也不会丢失其余位置的相关信息。
融合的方式也不受限定,在一种可能的实现方式中,融合可以包括加法融合,在一个示例中,可以是将第一分割结果和第二分割结果直接相加,得到分割结果。
在一种可能的实现方式中,融合可以包括加权融合,在一个示例中,第一分割结果和第二分割结果通过加权融合得到分割结果的过程可以为:将第一分割结果和第二分割结果进行加权平均,其中,在第二分割结果和第一分割结果均包含的像素点,第二分割结果的权重要大于第一分割结果的权重,具体的权重值可以根据实际情况进行设定,在此不受限定,在第二分割结果不包含,但第一分割结果包含的像素点,直接采用第一分割结果中包含的结果。在一种可能的实现方式中,由于第一分割结果可以是通过大于一次的分割及定位处理过程所得到的,因此第一分割结果中可以包含多个中间分割结果,因此在进行第一分割结果和第二分割结果的融合时,可以是多个中间分割结果与第二分割结果的共同融合,此时的融合方式可以参考上述的公开实施例,即具体的融合方式不受限定,可以是简单的加法融合,也可以是加权融合,在加权融合时,权重的设置可以根据实际情况来设定,在此不受限定,只要保证目标对象相关区域内分割效果更好的分割结果所占的权重相对更大即可。
通过上述各公开实施例可以看出,通过将第一分割结果和第二分割结果融合得到的分割结果,可以在目标所在位置具有更好的分割精度,且尽可能的避免丢失目标相关信息,如果采用加权融合的方式,则可以在保障目标相关信息全面性的同时,进一步提升分割结果的精度,从而提升图像处理的精度。
通过上述各公开实施例可以看出,图像处理过程中,无论是对待处理图像进行至少一次分割及定位处理,还是对定位结果进行分割处理,都需要涉及到分割处理的过程。在一种可能的实现方式中,分割及定位处理中涉及的分割处理方式可以与对定位结果进行的分割处理的方式一致,由于两种分割处理为同一种分割处理方式,因此可以大大减小计算过程中的复杂程度,提升整个图像处理的速度。
分割处理的实现方式不受限定,需要进行分割处理的图像在此可以统称为待分割对象,任何可以从待分割对象中分割出目标的方法,都可以作为分割处理的实现方式。在一种可能的实现方式中,本公开实施例的图像处理方法可以通过神经网络实现,神经网络用于进行分割处理。具体通过何种神经网络来对待分割对象进行分割处理,在此也不受限定,可以根据实际情况进行灵活选择。图3示出根据本公开一实施例的分割处理的实现方式示意图,如图所示,在一个示例中,可以通过多尺度深度神经网络来对待分割对象进行分割处理,从图中可以看出,本示例中,可以采用基于全卷积网络(FCN,Fully ConvolutionalNetworks)的Encoder-Decoder框架,采用DenseNet结构,设置增长率(growth rate)为8,通过多尺度深度神经网络,对输入的图像尺寸为240×160×96的输入对象进行分割,则分割后得到的结果图像尺寸不变,仍为240×160×96。
无论通过何种神经网络来实现分割处理过程,都需要对神经网络进行相应的训练。在一种可能的实现方式中,神经网络可以通过预设的训练集进行训练,预设的训练集包括:
第一训练图像、第二训练图像、第一训练图像的分割结果以及第二训练图像的分割结果;
其中,第一训练图像的图像尺寸,与待处理图像的图像尺寸相同;
第二训练图像的图像尺寸,不大于分割及定位处理过程中用于得到定位结果的阈值。
在一种可能的实现方式中,第二训练图像的图像尺寸,不大于分割及定位处理过程中用于得到定位结果的阈值,可以是在步骤S11中,用于确定中间定位结果是否可以作为定位结果的阈值,即第二训练图像与定位结果一样,图像尺寸均不超过设定的阈值,用以使得训练的神经网络在这一图像尺寸下可以具有较好的图像分割效果。
通过上述过程中可以看出,通过包含了与待处理图像的图像尺寸相同的第一训练图像、具有不大于分割及定位处理过程中用于得到定位结果的阈值的图像尺寸的第二训练图像、第一训练图像的分割结果和第二训练图像分割结果的预设训练集,所训练出的神经网络,是一种通用的神经网络,采用这种通用的神经网络,既可以对待处理图像进行分割及定位处理,也可以对定位结果进行分割处理。因此,本公开实施例中的图像处理方法,可以仅通过训练一个神经网络即可实现,无需分别训练用于得到定位结果的神经网络和对定位结果进行分割的神经网络,大大减小了整个处理方法的训练数据量,因此在训练过程中,只需要通过一套训练集数据即可完成训练,两个子神经网络共享同一套参数,可以节省更多的存储空间,同时,由于只需训练一个神经网络,因此在进行图像处理时,待处理图像只需不断通过这一个神经网络即可得到最终的分割结果,而无需分别输入到两个子神经网络分别得到输出结果后再进行计算,因此本公开中提出的图像处理方法具有更快的处理速度,同时也具有更低的空间消耗和时间消耗。
在一种可能的实现方式中,本公开实施例提出的图像处理方法,在步骤S11之前,还可以包括:将待处理图像进行预处理。
预处理的实现方式不受限定,任何可以有助于增加提升最终图像处理效果的方式都可以作为对待处理图像的预处理方式,在一种可能的实现方式中,预处理可以包括:去噪处理、归一化处理、重采样处理以及降采样处理中的一种或多种。其中,每一种处理的实现方式不受限定,各种处理方式的组合形式也不受限定,可以根据实际情况灵活选择,在一个示例中,去噪处理可以是对待处理图像进行高斯滤波;在一个示例中,去噪处理可以是对待处理图像采用其他种类的滤波器进行去噪;在一个示例中,可以通过直方图均衡化对待处理图像进行图像分布的归一化;在一个示例中,可以将图像通过重采样到各向同性的分辨率,如1mm×1mm×1mm;在一个示例中,可以是对待处理图像进行降采样,使得其可以满足后续分割处理的大小要求;在一个示例中,可以是对图像依次进行高斯滤波、直方图均衡化和降采样。
通过对待处理图像进行预处理,可以使得图像更加符合后续步骤中分割处理及定位处理的需求,从而提升分割处理及定位处理的精度,进而提升整个图像处理过程的精度。
应用场景示例
3D医学影像,如电子计算机断层扫描(CT,Computed Tomography),磁共振成像(MRI)等数据,通常存在体积过大,实际感兴趣区域较小,存在一些多余区域的问题。过大的体积使得图像很难使用目前通用的复杂类型深度学习网络进行分割
相关的分割方式,往往会导致图像细节信息的缺失或是失去全局信息的情况,或是需要通过多个神经网络来实现,大大降低了数据处理速度,增加时间和空间的消耗。
因此,一个精度高、信息全面且时空消耗低的分割方法能够极大增加图像分割的效果,为医生的诊断提供更好的医学辅助。
本公开实施例提出了一种图像处理方法,其具体的图像处理过程可以为:
首先对于较大的上呼吸道CT图像,这一图像可以是二维图像,也可以是三维图像,进行降采样,得到待处理图片;
对降采样后得到的待处理图片,通过某一训练好的用于图像分割的神经网络进行第一次分割,根据第一次分割得到的结果,可以确定CT图像中全肺的大致区域;通过确认图片中全肺大致区域的重心,找到全肺所在区域,将此全肺所在区域作为上呼吸道焦点区域,记录的上呼吸道焦点区域可以包含该区域的中心及范围,同时保存第一次分割结果;
将第一次分割结果通过升采样恢复到CT图像的原始分辨率后,与原始的CT图像进行叠加,并根据记录的上呼吸道焦点区域,对叠加后的图像进行裁切,保留叠加后的图像中上呼吸道焦点区域所在位置的部分,则裁切后的图像为包含了全肺区域的完整信息的图像,然后将这一图像降采样后,仍通过之前使用的神经网络进行第二次分割,得到第二次的分割结果;
根据第二次的分割结果,可以确定包含了全肺区域的完整信息的图像中肿瘤所在的大致位置,通过确认图片中肿瘤所在大致位置的重心,找到肿瘤的大致区域,将此区域作为肺部焦点区域,记录的肺部焦点区域可以包含该区域的中心及范围,同时保存第二次的分割结果;
将第二次分割结果通过升采样恢复到CT图像的原始分辨率后,与之前包含了全肺区域的完整信息的图像进行叠加,然后根据肺部焦点区域,对叠加后的图像进行裁切,保留叠加后的图像中肺部焦点区域所在位置的部分,则裁切后的图像为包含了肿瘤位置的完整信息的图像,然后将这一图像降采样后,仍通过之前使用的神经网络进行第三次分割,得到第三次的分割结果;
将第一次分割结果、第二次分割结果和第三次分割结果进行加权平均,其中,每次分割结果所占的权重可以自行设定,但是需要满足第三次分割结果的权重>第二次分割结果的权重>第一次分割结果的权重,通过加权平均,最终得到的结果,可以作为上呼吸道CT图像中肺部肿瘤的最终分割结果。
采用本公开的图像处理方法,可以在不丢失整个CT图像的有效信息的同时,尽可能的提升最终分割出的肿瘤结果的精度,同时,由于整个方法都是通过一个神经网络来进行分割处理的,因此可以提升整个图像处理方法的处理速度,降低时间消耗和空间消耗。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图4示出根据本公开实施例的图像处理装置的框图,如图所示,所述图像处理装置包括:定位模块21,用于对待处理图像进行至少一次分割及定位处理,得到第一分割结果和定位结果,定位结果包括所述待处理图像中目标所在的部分;分割模块22,用于对定位结果进行分割处理,得到第二分割结果;分割结果获取模块23,用于根据第一分割结果和第二分割结果,得到待处理图像的分割结果。
在一种可能的实现方式中,定位模块用于:将待处理图像作为待分割及定位对象;对待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果;判断中间定位结果的图像尺寸是否小于或等于阈值;在中间定位结果的图像尺寸大于阈值时,将中间定位结果作为待分割及定位对象,再次进行上述分割及定位处理以及上述判断;在中间定位结果的图像尺寸小于或等于阈值时,将中间定位结果作为定位结果,并将所有分割及定位处理所产生的中间分割结果,作为第一分割结果。
在一种可能的实现方式中,定位模块进一步用于:对待分割及定位对象进行分割处理,得到中间分割结果;根据中间分割结果,得到待分割及定位对象中目标的位置信息;根据位置信息,对待分割及定位对象进行裁切,得到中间定位结果。
在一种可能的实现方式中,定位模块进一步用于:对待分割及定位对象进行分割处理,得到中间分割结果;根据中间分割结果,得到待分割及定位对象中目标的位置信息;根据位置信息,对待分割及定位对象与中间分割结果融合后的图像进行裁切,得到中间定位结果。
在一种可能的实现方式中,分割结果获取模块用于:将第一分割结果和第二分割结果进行融合,得到待处理图像的分割结果。
在一种可能的实现方式中,融合包括加权融合。
在一种可能的实现方式中,装置通过神经网络实现,神经网络用于进行分割处理。
在一种可能的实现方式中,神经网络通过预设的训练集进行训练,预设的训练集包括:第一训练图像、第二训练图像、第一训练图像的分割结果以及第二训练图像的分割结果;其中,第一训练图像的图像尺寸,与待处理图像的图像尺寸相同;第二训练图像的图像尺寸,不大于分割及定位处理过程中用于得到定位结果的阈值。
在一种可能的实现方式中,定位模块之前还包括预处理模块,预处理模块用于:将待处理图像进行预处理。
在一种可能的实现方式中,预处理包括:去噪处理、归一化处理、重采样处理以及降采样处理中的一种或多种。
在一种可能的实现方式中,待处理图像为三维医学图像。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
对待处理图像进行至少一次分割及定位处理,得到第一分割结果和定位结果,所述定位结果包括所述待处理图像中目标所在的部分;
对所述定位结果进行分割处理,得到第二分割结果;
根据所述第一分割结果和所述第二分割结果,得到所述待处理图像的分割结果。
2.根据权利要求1所述的方法,其特征在于,所述对待处理图像进行至少一次分割及定位处理,得到第一分割结果和定位结果,包括:
将待处理图像作为待分割及定位对象;
对所述待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果;
判断所述中间定位结果的图像尺寸是否小于或等于阈值;
在所述中间定位结果的图像尺寸大于阈值时,将所述中间定位结果作为待分割及定位对象,再次进行上述分割及定位处理以及上述判断;
在所述中间定位结果的图像尺寸小于或等于阈值时,将所述中间定位结果作为定位结果,并将所有所述分割及定位处理所产生的中间分割结果,作为第一分割结果。
3.根据权利要求2所述的方法,其特征在于,所述对所述待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果,包括:
对所述待分割及定位对象进行分割处理,得到中间分割结果;
根据所述中间分割结果,得到所述待分割及定位对象中目标的位置信息;
根据所述位置信息,对所述待分割及定位对象进行裁切,得到中间定位结果。
4.根据权利要求2所述的方法,其特征在于,所述对所述待分割及定位对象进行分割及定位处理,得到中间分割结果和中间定位结果,包括:
对所述待分割及定位对象进行分割处理,得到中间分割结果;
根据所述中间分割结果,得到所述待分割及定位对象中目标的位置信息;
根据所述位置信息,对所述待分割及定位对象与所述中间分割结果融合后的图像进行裁切,得到中间定位结果。
5.根据权利要求1-4中任意一项所述的方法,其特征在于,所述根据所述第一分割结果和所述第二分割结果,得到所述待处理图像的分割结果,包括:
将所述第一分割结果和所述第二分割结果进行融合,得到所述待处理图像的分割结果。
6.根据权利要求5所述的方法,其特征在于,所述融合包括加权融合。
7.根据权利要求1-6中任意一项所述的方法,其特征在于,所述方法通过神经网络实现,所述神经网络用于进行分割处理。
8.一种图像处理装置,其特征在于,包括:
定位模块,用于对待处理图像进行至少一次分割及定位处理,得到第一分割结果和定位结果,所述定位结果包括所述待处理图像中目标所在的部分;
分割模块,用于对所述定位结果进行分割处理,得到第二分割结果;
分割结果获取模块,用于根据所述第一分割结果和所述第二分割结果,得到所述待处理图像的分割结果。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277306.4A CN110033005A (zh) | 2019-04-08 | 2019-04-08 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277306.4A CN110033005A (zh) | 2019-04-08 | 2019-04-08 | 图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110033005A true CN110033005A (zh) | 2019-07-19 |
Family
ID=67237770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910277306.4A Pending CN110033005A (zh) | 2019-04-08 | 2019-04-08 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033005A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675409A (zh) * | 2019-09-20 | 2020-01-10 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111414963A (zh) * | 2020-03-19 | 2020-07-14 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、设备和存储介质 |
CN111724360A (zh) * | 2020-06-12 | 2020-09-29 | 深圳技术大学 | 一种肺叶分割方法、装置和存储介质 |
CN112308867A (zh) * | 2020-11-10 | 2021-02-02 | 上海商汤智能科技有限公司 | 牙齿图像的处理方法及装置、电子设备和存储介质 |
WO2021047267A1 (zh) * | 2019-09-12 | 2021-03-18 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序 |
CN116843582A (zh) * | 2023-08-31 | 2023-10-03 | 南京诺源医疗器械有限公司 | 基于深度学习的2cmos相机的去噪增强系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140029831A1 (en) * | 2012-07-26 | 2014-01-30 | General Electric Company | Systems and methods for performing segmentation and visualization of multvariate medical images |
CN104036495A (zh) * | 2014-05-22 | 2014-09-10 | 南京航空航天大学 | 一种焊接缺陷提取方法及焊接缺陷检测方法 |
CN104680537A (zh) * | 2015-03-09 | 2015-06-03 | 苏州比特速浪电子科技有限公司 | 图像处理装置及其方法 |
CN106228151A (zh) * | 2016-05-04 | 2016-12-14 | 中国人民解放军国防科学技术大学 | 指掌静脉融合特征识别方法 |
CN106547836A (zh) * | 2016-10-12 | 2017-03-29 | 惠州Tcl移动通信有限公司 | 一种大尺寸照片加载方法及系统 |
CN108628320A (zh) * | 2018-07-04 | 2018-10-09 | 广东猪兼强互联网科技有限公司 | 一种智能汽车无人驾驶系统 |
CN108961228A (zh) * | 2018-06-27 | 2018-12-07 | 深圳凯达通光电科技有限公司 | 一种远程医疗诊断系统 |
CN109035261A (zh) * | 2018-08-09 | 2018-12-18 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN109166130A (zh) * | 2018-08-06 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种图像处理方法及图像处理装置 |
CN109166107A (zh) * | 2018-04-28 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种医学图像分割方法及装置、电子设备和存储介质 |
CN109360633A (zh) * | 2018-09-04 | 2019-02-19 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、处理设备及存储介质 |
CN109409384A (zh) * | 2018-09-30 | 2019-03-01 | 内蒙古科技大学 | 基于细粒度图像的图像识别方法、装置、介质及设备 |
-
2019
- 2019-04-08 CN CN201910277306.4A patent/CN110033005A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140029831A1 (en) * | 2012-07-26 | 2014-01-30 | General Electric Company | Systems and methods for performing segmentation and visualization of multvariate medical images |
CN104036495A (zh) * | 2014-05-22 | 2014-09-10 | 南京航空航天大学 | 一种焊接缺陷提取方法及焊接缺陷检测方法 |
CN104680537A (zh) * | 2015-03-09 | 2015-06-03 | 苏州比特速浪电子科技有限公司 | 图像处理装置及其方法 |
CN106228151A (zh) * | 2016-05-04 | 2016-12-14 | 中国人民解放军国防科学技术大学 | 指掌静脉融合特征识别方法 |
CN106547836A (zh) * | 2016-10-12 | 2017-03-29 | 惠州Tcl移动通信有限公司 | 一种大尺寸照片加载方法及系统 |
CN109166107A (zh) * | 2018-04-28 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种医学图像分割方法及装置、电子设备和存储介质 |
CN108961228A (zh) * | 2018-06-27 | 2018-12-07 | 深圳凯达通光电科技有限公司 | 一种远程医疗诊断系统 |
CN108628320A (zh) * | 2018-07-04 | 2018-10-09 | 广东猪兼强互联网科技有限公司 | 一种智能汽车无人驾驶系统 |
CN109166130A (zh) * | 2018-08-06 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种图像处理方法及图像处理装置 |
CN109035261A (zh) * | 2018-08-09 | 2018-12-18 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN109360633A (zh) * | 2018-09-04 | 2019-02-19 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、处理设备及存储介质 |
CN109409384A (zh) * | 2018-09-30 | 2019-03-01 | 内蒙古科技大学 | 基于细粒度图像的图像识别方法、装置、介质及设备 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021047267A1 (zh) * | 2019-09-12 | 2021-03-18 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序 |
CN110675409A (zh) * | 2019-09-20 | 2020-01-10 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
WO2021051965A1 (zh) * | 2019-09-20 | 2021-03-25 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序 |
JP2022533404A (ja) * | 2019-09-20 | 2022-07-22 | 上▲海▼商▲湯▼智能科技有限公司 | 画像処理方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム |
CN111414963A (zh) * | 2020-03-19 | 2020-07-14 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、设备和存储介质 |
CN111414963B (zh) * | 2020-03-19 | 2024-05-17 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、设备和存储介质 |
CN111724360A (zh) * | 2020-06-12 | 2020-09-29 | 深圳技术大学 | 一种肺叶分割方法、装置和存储介质 |
CN111724360B (zh) * | 2020-06-12 | 2023-06-02 | 深圳技术大学 | 一种肺叶分割方法、装置和存储介质 |
CN112308867A (zh) * | 2020-11-10 | 2021-02-02 | 上海商汤智能科技有限公司 | 牙齿图像的处理方法及装置、电子设备和存储介质 |
CN112308867B (zh) * | 2020-11-10 | 2022-07-22 | 上海商汤智能科技有限公司 | 牙齿图像的处理方法及装置、电子设备和存储介质 |
CN116843582A (zh) * | 2023-08-31 | 2023-10-03 | 南京诺源医疗器械有限公司 | 基于深度学习的2cmos相机的去噪增强系统及方法 |
CN116843582B (zh) * | 2023-08-31 | 2023-11-03 | 南京诺源医疗器械有限公司 | 基于深度学习的2cmos相机的去噪增强系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033005A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110047078A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109829920A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109978886B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
WO2022151755A1 (zh) | 目标检测方法及装置、电子设备、存储介质、计算机程序产品和计算机程序 | |
WO2020233272A1 (zh) | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
WO2020211293A1 (zh) | 一种图像分割方法及装置、电子设备和存储介质 | |
WO2021135145A1 (zh) | 图像分割方法及装置、电子设备和存储介质 | |
WO2021057174A1 (zh) | 图像处理方法及装置、电子设备、存储介质和计算机程序 | |
CN109166107A (zh) | 一种医学图像分割方法及装置、电子设备和存储介质 | |
CN112541928A (zh) | 网络训练方法及装置、图像分割方法及装置和电子设备 | |
CN109658401A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110210487A (zh) | 一种图像分割方法及装置、电子设备和存储介质 | |
KR20220013404A (ko) | 이미지 처리 방법 및 장치, 전자 기기, 저장 매체 및 프로그램 제품 | |
US10002424B2 (en) | Image processing system and method to reconstruct a three-dimensional (3D) anatomical surface | |
CN113674269B (zh) | 基于一致性损失的肿瘤脑区定位方法及装置 | |
CN111899268A (zh) | 图像分割方法及装置、电子设备和存储介质 | |
WO2021082517A1 (zh) | 神经网络训练及图像分割方法、装置、设备、介质和程序 | |
CN112070763A (zh) | 一种图像数据处理方法及装置、电子设备和存储介质 | |
WO2021103554A1 (zh) | 图像定位的交互显示方法、装置、电子设备和存储介质 | |
CN114820584A (zh) | 肺部病灶定位装置 | |
CN110458218A (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
JP2022548453A (ja) | 画像分割方法及び装置、電子デバイス並びに記憶媒体 | |
CN112116575A (zh) | 一种图像处理方法及装置、电子设备和存储介质 |
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: 20190719 |
|
RJ01 | Rejection of invention patent application after publication |