CN110070138B - 对结肠内镜检测前排泄物图片进行自动评分的方法 - Google Patents
对结肠内镜检测前排泄物图片进行自动评分的方法 Download PDFInfo
- Publication number
- CN110070138B CN110070138B CN201910345829.8A CN201910345829A CN110070138B CN 110070138 B CN110070138 B CN 110070138B CN 201910345829 A CN201910345829 A CN 201910345829A CN 110070138 B CN110070138 B CN 110070138B
- Authority
- CN
- China
- Prior art keywords
- picture
- excrement
- sub
- fitting
- vector
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种对结肠内镜检测前排泄物图片进行自动评分的方法,对标准排泄物图片和待评分排泄物图片进行灰度转换,将转换后的灰度图片进行子区域划分,计算各子区域的空间平均色值并取反,将每个子区域的空间平均色值取反后存储在相应位置的矩阵中,将矩阵转换为向量,依据向量绘制对应的空间平均色值直方图,对直方图进行拟合运算,得到拟合函数和相应的拟合向量,计算待评分排泄物图片的拟合向量与标准排泄物图片的拟合向量的距离的最小值,获取与距离最小值对应的标准排泄物图片的分值,依据该标准排泄物图片对待评分排泄物图片进行评分,具有评分精准,便于统一评估的有益效果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种对结肠内镜检测前排泄物图片进行自动评分的方法。
背景技术
消化内窥镜对患者进行结肠部分的诊疗,需要患者提前通过排泄来清空肠道,以使得内镜观察下视野良好;在肠道检测前的准备过程中,患者服用泻药后并不清楚自己肠道的清空程度,而且患者自身通过对排泄物的判断并不专业,无法给医生或护士做准确的描述,从而会造成一定的误导,此外,患者排泄后的结果不尽相同,不便于统一对肠道准备情况进行评估。
发明内容
为解决上述问题,本发明提供一种对结肠内镜检测前排泄物图片进行自动评分的方法,具有评分精准,便于统一评估的优点。
本发明通过以下技术方案实现:
一种对结肠内镜检测前排泄物图片进行自动评分的方法,包括如下步骤:
步骤一:获取肠道准备标准排泄物的图片,并对标准排泄物图片进行分类和评分;
步骤二:对图片进行灰度转换;
步骤三:对灰度转换后的图片进行子区域(bins)转换处理,计算图片中每个子区域空间的平均色值,并对每个子区域空间内的平均色值进行取反操作;
步骤四:将图片中的子区域进行维度转换,从图片矩阵转换为向量,对向量进行从小到大进行排序,得到排序后的子区域空间的平均色值向量;
步骤五:依次将图片中每个子区域的数字序列作为X轴,将排序后的子区域空间平均色值向量作为Y轴,绘出图片对应的特征直方图;
步骤六:根据特征直方图,对排序后的子区域空间平均色值进行多项式拟合分析,得到与图片相对应的拟合函数,再根据拟合函数自变量的定义域和拟合函数得到自变量定义域内对应的拟合向量;
步骤七:重复步骤二至六,得到各标准排泄物图片的拟合函数和拟合向量,以及待评分排泄物图片拟合函数和拟合向量;
步骤八:将待评分排泄物图片拟合向量分别与各标准排泄物图片的拟合向量进行距离计算,得到距离最小值的标准排泄物图片的拟合向量,依据该标准排泄物图片对待评分排泄物图片进行评分。
步骤一中,所述肠道标准排泄物图片的分类采用特征工程的数学分析模型。
步骤二中,所述各类图片包括标准排泄物图片和待评分排泄物图片。
步骤三中,所述图片中每个子区域空间平均色值取反包括如下步骤:
a):获取图片的宽度W和高度H信息;
b):将图片的宽度W和高度H信息分别除同一常数,得到图片中每个子区域的宽度CellWidth和每个子区域的高度CellHeigh大小,所述常数为整数且为图片在宽度W或高度H上的子区域的个数;
c):创建一个矩阵,所述矩阵的行或列的大小与图片在宽度W或高度H上的子区域的数量相等;
d):遍历图片的宽度W像素,将当前遍历的像素除以子区域的宽度CellWidth,得到当前像素在图片宽度W方向上为第几个子区域,遍历图片的高度H像素,将当前遍历的像素除以子区域的高度CellHeigh,得到当前像素在图片高度H方向上为第几个子区域,将确定的当前子区域的像素值与该子区域像素之前的像素值进行累加,并将累加结果存入与当前像素子区域位置相对应的矩阵的行列位置处;
e):将矩阵中的每个值除以子区域的总数值,得到空间平均色值,并将255减去空间内平均色值,得到取反值,将取反后的空间平均色值存入相应的矩阵中。
步骤四中,所述图片矩阵转换为向量的方法为,遍历矩阵的行,将每行数据添加到上一行的末尾,得到新的向量。
步骤五中,所述图片中每个子区域的数字序列为0至N的整数,所述N为图片中子区域的总个数。
步骤六中,所述多项式拟合分析为:通过最小二乘法,得到五阶多项式拟合函数。
步骤八中,分别获取待评分排泄物图片拟合向量的后60%与各标准排泄物图片的拟合向量的后60%进行距离计算。
步骤八中,所述依据输出该标准排泄物图片对待评分排泄物图片进行评分,包括如下步骤:
S1:依据拟合公式分别计算待评分排泄物图片的拟合向量xi,标准排泄物图片的拟合向量yi;
S2:将步骤S1所述的两拟合向量,代入公式
进行计算,得到待评分排泄物图片比对向量和一个标准排泄物图片比对向量的位置P,通过|P|得到自定义距离D;
其中,公式(1)中,xi为待评分排泄物图片的任一拟合向量,yi为标准图片的任一拟合向量,n为拟合向量总数,m是截取拟合向量总数n的百分比;
S3:重复步骤S1和S2分别计算待评分排泄物图片比对向量与其余标准排泄物图片比对向量的位置P,以及和位置P相对应的自定义距离D;
S4:从所有自定义距离D中得到最小值自定义距离Dmin,并根据最小自定义距离Dmin获得相对应的位置Pi、和对应的标准排泄物图片的评分S,依据如下公式,得到待评分排泄物图片的评分Score
Score的值域为[q,t],q为评分标准的最小值,t为评分标准的最大值。
本发明公开了一种对结肠内镜检测前排泄物图片进行自动评分的方法,分别对标准排泄物图片和待评分排泄物图片进行灰度转换,将转换后的灰度图片进行子区域划分,计算各子区域的空间平均色值并取反,将每个子区域的空间平均色值取反后存储在相应位置的矩阵中,将矩阵转换为向量,依据向量绘制对应的空间平均色值直方图,对直方图进行拟合运算,得到拟合函数和相应的拟合向量,计算待评分排泄物图片的拟合向量与标准排泄物图片的拟合向量的距离的最小值,获取与距离最小值对应的标准排泄物图片的分值,依据该标准排泄物图片对待评分排泄物图片进行评分,具有评分精准,便于统一评估的有益效果。
附图说明
图1是结肠内镜检测前排泄物图片进行自动评分的方法流程图。
图2是标准排泄物图片。
图3是分类命名后的标准排泄物图片。
图4是level1标准排泄物图片、灰度化图片和空间平均色值直方图。
图5是level1标准排泄物图片拟合函数。
图6是level2标准排泄物图片、灰度化图片和空间平均色值直方图。
图7是level2标准排泄物图片拟合函数。
图8是level3标准排泄物图片、灰度化图片和空间平均色值直方图。
图9是level3标准排泄物图片拟合函数。
图10是level4标准排泄物图片、灰度化图片和空间平均色值直方图。
图11是level4标准排泄物图片拟合函数。
图12是待评分排泄物图片、灰度化图片和空间平均色值直方图。
图13是待评分排泄物图片和level1-level4标准排泄物图片全部拟合向量拟合结果。
图14是截取取待评分排泄物图片后60%拟合向量和level1-level4标准排泄物图片后60%拟合向量拟合结果。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例实例仅仅是本发明一部分实施实例,而不是全部的实施实例,基于本发明的实施实例,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它实施实例,都属于本发明保护的范围。
如图1所示,对结肠内镜检测前排泄物图片进行自动评分的方法,包括如下步骤:
步骤一:获取肠道准备标准排泄物的图片,并对标准排泄物图片进行分类和评分,所述标准排泄物图片的分类采用特征工程的数学分析模型,特征工程是指将数据输入模型前,对数据进行硬编码的转换,以改善模型的效果,如图2所示,为四幅标准排泄物图片,根据医生的判断对四幅标准排泄物图片进行评定,如图3所示,将四幅标准排泄物图片命名为level1、level2、level3和level4,并将level1评分为100分、level2评分75分、level3评分50分和level4评分25分;
步骤二:对图片进行灰度转换,图片通常为RGB格式,采用心理学公式进行灰度转换,所述心理学公式为Gray=R*0.299+G*0.587+B*0.114;所述各类图片包括标准排泄物图片和待评分排泄物图片。
步骤三:对灰度转换后的图片进行子区域(bins)转换处理,计算图片中每个子区域空间的平均色值,并对每个子区域空间内的平均色值进行取反操作;
所述图片中每个子区域空间平均色值取反包括如下步骤:
a):获取图片的宽度W和高度H信息;
b):将图片的宽度W和高度H信息分别除同一常数,得到图片中每个子区域的宽度CellWidth和每个子区域的高度CellHeigh大小,所述常数为整数且为图片在宽度W或高度H上的子区域的个数;
c):创建一个矩阵,所述矩阵的行或列的大小与图片在宽度W或高度H上的子区域的数量相等;
d):遍历图片的宽度W像素,将当前遍历的像素除以子区域的宽度CellWidth,得到当前像素在图片宽度W方向上为第几个子区域,遍历图片的高度H像素,将当前遍历的像素除以子区域的高度CellHeigh,得到当前像素在图片高度H方向上为第几个子区域,将确定的当前子区域的像素值与该子区域像素之前的像素值进行累加,并将累加结果存入与当前像素子区域位置相对应的矩阵的行列位置处:
e):将矩阵中的每个值除以子区域的总数值,得到空间平均色值,并将255减去空间内平均色值,得到取反值,将取反后的空间平均色值存入相应的矩阵中。步骤四:将图片中的子区域进行维度转换,从矩阵转换为向量,对向量进行从小到大进行排序,得到排序后的子区域空间的平均色值向量。
步骤四:将图片中的子区域进行维度转换,从图片矩阵转换为向量,对向量进行从小到大进行排序,得到排序后的子区域空间的平均色值向量;
所述图片矩阵转换为向量的方法为,遍历矩阵的行,将每行数据添加到上一行的末尾,得到新的向量。
步骤五:依次将图片中每个子区域的数字序列作为X轴,将排序后的子区域空间平均色值向量作为Y轴,绘出图片对应的特征直方图;
所述图片中每个子区域的数字序列为0至N的整数,所述N为子区域的总个数,将图片分为10x10的子区域,则子区域的总数为100,子区域数字序列为0至100,即X轴方向上的定义域为[0,100]。
步骤六:根据特征直方图,对排序后的子区域空间平均色值进行多项式拟合分析,得到与图片相对应的拟合函数,根据拟合函数自变量的定义域和拟合函数,得到自变量定义域内对应的拟合向量;所述多项式拟合分析为:通过最小二乘法,得到五阶的多项式拟合函数。
所述五阶多项式拟合函数,具体拟合过程如下:
设拟合多项式为:a0+a1x+a2x2+a3x3+a4x4+a5x5=f(x) (3)
其中,a0,a1,a2,a3,a4,a5,为多项式的参数,即五阶多项拟合函数的解,x为数字序列为0至N的整数,所述N为子区域的总个数,此时N=100,f(x)为根据x的定义域[0,100]得到的对应的函数值的,也即是拟合向量。
已知数据点(xi,yi),i=1,2,3,…,n,用上述五阶函数f(x)作为近似拟合曲线,误差为ri=f(xi)-yi=(a0+a1x+a2x2+a3x3+a4x4+a5x5)-yi (4)时最小,
均方误差为∑ir2 i=minS(a0,…a5) (5)
转换为
将离散带权内积方程组转换为以下法方程组形式:
其中,x=1,2,3,…,100,y值为均值向量,解方程得到S(a0,…a5)的解;
分别将整数[0,100]作为上述参数组成的公式的定义域,返回该图片的拟合向量。
步骤七:重复步骤二至六,各标准排泄物图片的拟合函数和拟合向量,以及待评分排泄物图片拟合函数和拟合向量。
如图4-图11为各标准排泄物图片转换完成后的灰度图、直方图和拟合函数图,图12为待测评分排泄物图片转换完成后的灰度图和直方图。
如图4为level1的灰度转换图和空间平均色值直方图,依据公式(3)-公式(8)求得,level1的拟合函数的解,如图5所示,level1拟合函数的解由高次幂到到低次幂依次为:1.048e-07,2.339e-05,0.002035,0.07891,1.601,5.542,即得到level1的拟合函数,根据X轴上的定义域为[0,100],依次计算各整数X对应的函数的Y值,即得到level1的拟合向量。
如图6为level2的灰度转换图和空间平均色值直方图,依据公式(3)-公式(8)求得,level2的拟合函数的解,如图7所示,level2的拟合函数的解由高次幂到到低次幂依次为:1.894e-08,-7.52e-06,0.001153,-0.07333,2.04,1.0661即得到level2的拟合函数,根据X轴上的定义域为[0,100],依次计算各整数X对应的函数的Y值,即得到level2的拟合向量。
如图8为level3的灰度转换图和空间平均色值直方图,依据公式(3)-公式(8)求得,level3的拟合函数的解,如图9所示,level3的拟合函数的解由高次幂到到低次幂依次为:1.799e-07,-3.512e-05,0.002553,-0.0808,1.239,0.247即得到level3的拟合函数,根据X轴上的定义域为[0,100],依次计算各整数X对应的函数的Y值,即得到level3的拟合向量。
如图10为level4的灰度转换图和空间平均色值直方图,依据公式(3)-公式(8)求得,level4的拟合函数的解,如图11所示,level4的拟合函数的解由高次幂到到低次幂依次为:-5.518e-08,2.101e-05,-0.001997,0.06573,-0.3662,4.404即得到level4的拟合函数,根据X轴上的定义域为[0,100],依次计算各整数X对应的函数的Y值,即得到level4的拟合向量。
如图12所述为待评分排泄物图片的灰度转换图片和空间平均色值直方图,依据公式(3)-公式(8)求得待评分图片的拟合公式,并以[0,100]为拟合公式的定义域得到待评分图片的拟合向量。
步骤八:将待评分排泄物图片拟合向量分别与各标准排泄物图片的拟合向量进行距离计算,得到距离最小值的标准排泄物图片的拟合向量,依据该标准排泄物图片对待评分排泄物图片进行评分分别获取待评分排泄物图片拟合向量的后60%与各标准排泄物图片的拟合向量的后60%进行距离计算。
所述依据输出该标准排泄物图片对待评分排泄物图片进行评分,包括如下步骤:
S1:依据拟合公式分别计算待评分排泄物图片的拟合向量xi,标准排泄物图片的拟合向量yi;
S2:将步骤S1所述的两拟合向量,代入公式
进行计算,得到待评分排泄物图片比对向量和一个标准排泄物图片比对向量的位置P,通过|P|得到自定义距离D;
其中,公式(1)中,xi为待评分排泄物图片的任一拟合向量,yi为标准图片的任一拟合向量,n为拟合向量总数,m是截取拟合向量总数n的百分比;
S3:重复步骤S1和S2分别计算待评分排泄物图片比对向量与其余标准排泄物图片比对向量的位置P,以及和位置P相对应的自定义距离D;
S4:从所有自定义距离D中得到最小值自定义距离Dmin,并根据最小自定义距离Dmin获得相对应的位置Pi、和对应的标准排泄物图片的评分S,依据如下公式,得到待评分排泄物图片的评分Score
Score的值域为[q,t],q为评分标准的最小值,t为评分标准的最大值。
如图13所示,是待评分排泄物图片和level1-level4标准排泄物图片全部拟合向量拟合结果,由于计算全部变量距离会得到过度拟合的比较数据,因此需要取部分拟合向量进行距离计算。
如图14所示,是截取取待评分排泄物图片后60%拟合向量和level1-level4标准排泄物图片后60%拟合向量拟合结果,即公式(1)中的m=60%,拟合向量从i=40至i=100的拟合结果。
本发明方案所公开的技术于段不仅限于上述实施方式所公开的技术于段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种对结肠内镜检测前排泄物图片进行自动评分的方法,其特征在于:包括如下步骤:
步骤一:获取肠道准备标准排泄物的图片,并对标准排泄物图片进行分类和评分;
步骤二:对图片进行灰度转换;
步骤三:对灰度转换后的图片进行子区域(bins)转换处理,计算图片中每个子区域空间的平均色值,并对每个子区域空间内的平均色值进行取反操作;
所述图片中每个子区域空间平均色值取反包括如下步骤:
a):获取图片的宽度W和高度H信息;
b):将图片的宽度W和高度H信息分别除同一常数,得到图片中每个子区域的宽度CellWidth和每个子区域的高度CellHeigh大小,所述常数为整数且为图片在宽度W或高度H上的子区域的个数;
c):创建一个矩阵,所述矩阵的行或列的大小与图片在宽度W或高度H上的子区域的数量相等;
d):遍历图片的宽度W像素,将当前遍历的像素除以子区域的宽度CellWidth,得到当前像素在图片宽度W方向上为第几个子区域,遍历图片的高度H像素,将当前遍历的像素除以子区域的高度CellHeigh,得到当前像素在图片高度H方向上为第几个子区域,将确定的当前子区域的像素值与该子区域像素之前的像素值进行累加,并将累加结果存入与当前像素子区域位置相对应的矩阵的行列位置处;
e):将矩阵中的每个值除以子区域的总数值,得到空间平均色值,并将255减去空间内平均色值,得到取反值,将取反后的空间平均色值存入相应的矩阵中;
步骤四:将图片中的子区域进行维度转换,从图片矩阵转换为向量,对向量进行从小到大进行排序,得到排序后的子区域空间的平均色值向量;
步骤五:依次将图片中每个子区域的数字序列作为X轴,将排序后的子区域空间平均色值向量作为Y轴,绘出图片对应的特征直方图;
步骤六:根据特征直方图,对排序后的子区域空间平均色值进行多项式拟合分析,得到与图片相对应的拟合函数,再根据拟合函数自变量的定义域和拟合函数得到自变量定义域内对应的拟合向量;
步骤七:重复步骤二至六,得到各标准排泄物图片的拟合函数和拟合向量,以及待评分排泄物图片拟合函数和拟合向量;
步骤八:将待评分排泄物图片拟合向量分别与各标准排泄物图片的拟合向量进行距离计算,得到距离最小值的标准排泄物图片的拟合向量,依据该标准排泄物图片对待评分排泄物图片进行评分;
所述依据输出该标准排泄物图片对待评分排泄物图片进行评分,包括如下步骤:
S1:依据拟合公式分别计算待评分排泄物图片的拟合向量xi,标准排泄物图片的拟合向量yi;
S2:将步骤S1所述的两拟合向量,代入公式
进行计算,得到待评分排泄物图片比对向量和一个标准排泄物图片比对向量的位置P,通过|P|得到自定义距离D;
其中,公式(1)中,xi为待评分排泄物图片的任一拟合向量,yi为标准图片的任一拟合向量,n为拟合向量总数,m是截取拟合向量总数n的百分比;
S3:重复步骤S1和S2分别计算待评分排泄物图片比对向量与其余标准排泄物图片比对向量的位置P,以及和位置P相对应的自定义距离D;
S4:从所有自定义距离D中得到最小值自定义距离Dmin,并根据最小自定义距离Dmin获得相对应的位置Pi、和对应的标准排泄物图片的评分S,依据如下公式,得到待评分排泄物图片的评分Score
Score的值域为[q,t],q为评分标准的最小值,t为评分标准的最大值。
2.根据权利要求1所述的对结肠内镜检测前排泄物图片进行自动评分的方法,其特征在于:步骤一中,所述肠道标准排泄物图片的分类采用特征工程的数学分析模型。
3.根据权利要求1所述的对结肠内镜检测前排泄物图片进行自动评分的方法,其特征在于:步骤二中,所述各类图片包括标准排泄物图片和待评分排泄物图片。
4.根据权利要求1所述的对结肠内镜检测前排泄物图片进行自动评分的方法,其特征在于:步骤四中,所述图片矩阵转换为向量的方法为,遍历矩阵的行,将每行数据添加到上一行的末尾,得到新的向量。
5.根据权利要求1所述的对结肠内镜检测前排泄物图片进行自动评分的方法,其特征在于:步骤五中,所述图片中每个子区域的数字序列为0至N的整数,所述N为图片中子区域的总个数。
6.根据权利要求1所述的对结肠内镜检测前排泄物图片进行自动评分的方法,其特征在于:步骤六中,所述多项式拟合分析为:通过最小二乘法,得到五阶多项式拟合函数。
7.根据权利要求1所述的对结肠内镜检测前排泄物图片进行自动评分的方法,其特征在于:步骤八中,分别获取待评分排泄物图片拟合向量的后60%与各标准排泄物图片的拟合向量的后60%进行距离计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910345829.8A CN110070138B (zh) | 2019-04-26 | 2019-04-26 | 对结肠内镜检测前排泄物图片进行自动评分的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910345829.8A CN110070138B (zh) | 2019-04-26 | 2019-04-26 | 对结肠内镜检测前排泄物图片进行自动评分的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070138A CN110070138A (zh) | 2019-07-30 |
CN110070138B true CN110070138B (zh) | 2021-09-21 |
Family
ID=67369139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910345829.8A Active CN110070138B (zh) | 2019-04-26 | 2019-04-26 | 对结肠内镜检测前排泄物图片进行自动评分的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070138B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529545A (zh) * | 2016-09-26 | 2017-03-22 | 北京林业大学 | 一种基于图像特征描述的散斑图像质量识别方法及系统 |
CN106709443A (zh) * | 2016-12-19 | 2017-05-24 | 同观科技(深圳)有限公司 | 一种安全带佩戴状态的检测方法及终端 |
CN108355987A (zh) * | 2018-01-08 | 2018-08-03 | 西安交通大学 | 一种基于分块模板匹配的电池丝印质量检测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060050953A1 (en) * | 2004-06-18 | 2006-03-09 | Farmer Michael E | Pattern recognition method and apparatus for feature selection and object classification |
US20150313530A1 (en) * | 2013-08-16 | 2015-11-05 | Affectiva, Inc. | Mental state event definition generation |
CN102707955A (zh) * | 2012-05-18 | 2012-10-03 | 天津大学 | 采用MPI和OpenMP编程实现支持向量机方法 |
US10460174B2 (en) * | 2014-07-22 | 2019-10-29 | The Hong Kong University Of Science And Technology | System and methods for analysis of user-associated images to generate non-user generated labels and utilization of the generated labels |
CN104881662B (zh) * | 2015-06-26 | 2019-03-08 | 北京畅景立达软件技术有限公司 | 一种单幅图像行人检测方法 |
US20170213080A1 (en) * | 2015-11-19 | 2017-07-27 | Intelli-Vision | Methods and systems for automatically and accurately detecting human bodies in videos and/or images |
CN105631474B (zh) * | 2015-12-26 | 2019-01-11 | 哈尔滨工业大学 | 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法 |
US10515429B2 (en) * | 2016-07-01 | 2019-12-24 | Digimarc Corporation | Image-based pose determination |
CN106682633B (zh) * | 2016-12-30 | 2019-08-20 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 |
CN107609509A (zh) * | 2017-09-09 | 2018-01-19 | 北京工业大学 | 一种基于运动显著性区域检测的动作识别方法 |
CN108009567B (zh) * | 2017-11-10 | 2021-11-02 | 电子科技大学 | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 |
CN108564114B (zh) * | 2018-03-28 | 2022-05-27 | 电子科技大学 | 一种基于机器学习的人体粪便白细胞自动识别方法 |
CN109271905B (zh) * | 2018-09-03 | 2021-11-19 | 东南大学 | 一种基于单帧图像的黑烟车检测方法 |
-
2019
- 2019-04-26 CN CN201910345829.8A patent/CN110070138B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529545A (zh) * | 2016-09-26 | 2017-03-22 | 北京林业大学 | 一种基于图像特征描述的散斑图像质量识别方法及系统 |
CN106709443A (zh) * | 2016-12-19 | 2017-05-24 | 同观科技(深圳)有限公司 | 一种安全带佩戴状态的检测方法及终端 |
CN108355987A (zh) * | 2018-01-08 | 2018-08-03 | 西安交通大学 | 一种基于分块模板匹配的电池丝印质量检测方法 |
Non-Patent Citations (5)
Title |
---|
An Automated Color Image Arrangement Method Based on Histogram Matching;Yusuke Kawakami 等;《2013 International Conference on Biometrics and Kansei Engineering》;20130607;第31-34页 * |
Lip event detection using oriented histograms of regional optical flow and low rank affinity pursuit;Xin Liu 等;《Computer Vision and Image Understanding》;20160630;第148卷;第153-163页 * |
Rotationally Invariant Descriptors Using Intensity Order Pooling;Bin Fan 等;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;20121031;第34卷(第10期);第2031-2045页 * |
图像局部特征描述子的构建研究;李莹莹;《中国博士学位论文全文数据库 信息科技辑》;20170215(第02期);第I138-114页 * |
遥感图像特征提取与匹配关键技术研究;顾煜洁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715(第07期);第I140-416页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110070138A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3236418B1 (en) | Image processing apparatus, image processing method, and storage medium | |
Yang et al. | Colon polyp detection and segmentation based on improved MRCNN | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN102737374B (zh) | 图像处理装置以及图像处理方法 | |
JP2008520344A (ja) | 放射線写真画像の向きを検知及び補正する方法 | |
Ghosh et al. | Automatic bleeding detection in wireless capsule endoscopy based on RGB pixel intensity ratio | |
CN110070138B (zh) | 对结肠内镜检测前排泄物图片进行自动评分的方法 | |
Ghosh et al. | Block based histogram feature extraction method for bleeding detection in wireless capsule endoscopy | |
EP2178047A2 (en) | Ribcage segmentation | |
Atas | Human gender prediction based on deep transfer learning from panoramic radiograph images | |
CN116843725B (zh) | 一种基于深度学习光流法的河流表面流速测量方法及系统 | |
CN107358614B (zh) | 从k边缘特性x射线图像中分离图像信息的方法 | |
Ummah et al. | Effect of image pre-processing method on convolutional neural network classification of COVID-19 CT scan images | |
CN113326745A (zh) | 一种通过图像识别技术判识造口情况应用系统 | |
CN112215878A (zh) | 一种基于surf特征点的x光图像配准方法 | |
Christodoulou et al. | Multi-feature texture analysis for the classification of carotid plaques | |
Jani et al. | Computer aided medical image analysis for capsule endoscopy using multi-class classifier | |
Christodoulou et al. | A comparative study of morphological and other texture features for the characterization of atherosclerotic carotid plaques | |
CN114366116A (zh) | 一种基于Mask R-CNN网络及心电图的参数获取方法 | |
Kanca et al. | An Ensemble of Fully Convolutional Neural Networks for Automatic Skin Lesion Segmentation | |
Chiang et al. | Automatic detection of antinuclear autoantibodies cells in indirect immunofluorescence images | |
Ma et al. | An Effective Tuberculosis Detection System Based on Improved Faster R-CNN with RoI Align Method | |
CN116994070B (zh) | 基于可度量子空间动态分类器的牙齿图像处理方法及设备 | |
Hasan et al. | Pneumonia Radiographic Classification Using Shallow Learning Approach | |
Amelia et al. | Combined VGG-Long Short Term Memory with Gamma Correction for Pneumonia Type Classification based on Chest X-Rays |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 450007 1st floor, building 4, 220 Huashan Road, Zhongyuan District, Zhengzhou City, Henan Province Patentee after: Henan Xuanwei Digital Medical Technology Co.,Ltd. Address before: 450007 1st floor, building 4, 220 Huashan Road, Zhongyuan District, Zhengzhou City, Henan Province Patentee before: Henan Xuan Yongtang Medical Information Technology Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |