CN110335203B - 一种对实时影像中图像的物体轮廓进行加强的方法 - Google Patents
一种对实时影像中图像的物体轮廓进行加强的方法 Download PDFInfo
- Publication number
- CN110335203B CN110335203B CN201910368593.XA CN201910368593A CN110335203B CN 110335203 B CN110335203 B CN 110335203B CN 201910368593 A CN201910368593 A CN 201910368593A CN 110335203 B CN110335203 B CN 110335203B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- filtering
- brightness
- whole
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003014 reinforcing effect Effects 0.000 title abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 58
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000000903 blocking effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 7
- 238000002591 computed tomography Methods 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Picture Signal Circuits (AREA)
Abstract
本发明属于图像处理技术领域，本发明公开了一种对实时影像中图像的物体轮廓进行加强的方法，解决现有技术中设备输出的图像是原始图像，对于辨识度比较低的物体，提高了分辨、识别的难度的问题。本发明获取拍摄的影像，对影像中的下一帧图像进行分块处理，得到多个图像块；基于梯度算法，对每个图像块中的每个像素进行轮廓增强；基于高斯滤波方法，对增强轮廓后的多个图像块作为一个整体进行噪声的滤除，得到滤除噪声后的图像；基于gamma变换，对滤除噪声后的整个图像进行亮暗对比度处理，得到最终加强后的图像。本发明用于对图像中的轮廓进行加强。
Description
技术领域
本发明属于实时视频图像处理技术领域，具体涉及一种对图像中的物体轮廓进行加强的方法，用于对图像中的轮廓进行加强。
背景技术
医学图像学Medical Imaging，是研究借助于某种介质(如X射线、电磁场、超声波等)与人体相互作用，把人体内部组织器官结构、密度以图像方式表现出来，供医师进行观看，从而对人体进行研究的可视化信息，包括医学成像系统和医学图像处理两方面相对独立的研究方向。
主要包括X光成像仪器、CT(普通CT、螺旋CT)、正子扫描(PET)、超声(分B超、彩色多普勒超声、心脏彩超、三维彩超)、核磁共振成像(MRI)、心电图仪器、脑电图仪器等。
X光成像仪、CT、超声、核磁共振成像等显示的影像(图像)均为黑白影像，且由于光学原因，图像中不能分辨血管组织，只能看到一些特殊的地方。从某个角度讲，现有技术对图像只是进行纯粹的轮廓提取，忽略了影像细节。
综上所述，现有技术中的医疗器械产品中，设备所显示出来的影像都是原始图像，没有经过轮廓的加强和提取，对于辨识度比较低的物体，提高了分辨、识别的难度。
发明内容
为了解决现有技术存在的上述问题，本发明目的在于提供一种对实时影像中图像的物体轮廓进行加强的方法，解决现有技术中设备输出的影像是原始图像，对于辨识度比较低的物体，提高了分辨、识别的难度的问题。
本发明所采用的技术方案为：
一种对实时影像中图像的物体轮廓进行加强的方法，包括如下步骤：
S1、获取拍摄的影像，对影像中的下一帧图像进行分块处理，得到多个图像块；
S2、基于梯度算法，对每个图像块中的每个像素进行轮廓增强；
S3、基于高斯滤波方法，对增强轮廓后的多个图像块作为一个整体进行噪声的滤除，得到滤除噪声后的图像；
S4、基于gamma变换，对滤除噪声后的整个图像进行亮暗对比度处理，得到最终加强后的图像。
进一步，所述步骤S1中，将影像中的下一帧图像分成多个图像块，下一帧图像基于8×8、16×16或32×32中的任一种方式进行分块，得到对应的多个图像块。
进一步，所述步骤S2的具体步骤为：
S2.1、基于改进后的梯度计算公式对每个图像块的每一个像素的亮度分量进行梯度计算，得到每个像素的梯度值；
S2.2、判断每个梯度值是否大于设置的阈值，若大于，则判定为边缘，并根据梯度值的下负判定是设置在白边还是黑边；若小于，则不做任何处理。
进一步，所述步骤S2.1中，改进后的梯度计算公式为：
I＝∑i∑j((Y1-Y2)/(Y1+Y2))，
其中，Y1，Y2为相邻两个像素的亮度，i、j分别为像素的横坐标和纵坐标，I为计算的梯度值。
进一步，所步骤S3的具体步骤为：
S3.1、根据增强轮廓后的多个图像块的亮暗程度，将增强轮廓后的多个图像块作为一个整体进行分级；
S3.2、分级后的整个图像的gain值达到亮暗要求，基于高斯滤波公式对达到要求的整个图像进行滤波处理，否则，不作滤波处理。
进一步，所述步骤3.1中，将增强轮廓后的多个图像块进行加权平均，计算整个图像的亮度值，根据其亮度值的亮暗程度将增强轮廓后的整个图像进行分级；即根据gain值进行分级，包括四个级别：gain值小于ISO100为一个级别、gain值为ISO200为一个级别、gain值为ISO400为一个级别、gain值为ISO800为一个级别。
进一步，所述步骤3.2中，gain值小于ISO100时，不做滤波处理；gain值为ISO200时，设置标准差为16，基于高斯滤波公式进行滤波处理；gain值为ISO400时，设置标准差为20，基于高斯滤波公式进行滤波处理；gain值为ISO800时，设置标准差为25，基于高斯滤波公式进行滤波处理；
其中，高斯滤波公式为：
其中，σ表示标准差，Y表示当前像素的亮度，i、j分别为像素的横坐标和纵坐标。
进一步，所述步骤4中，gamma变换的公式为：
T(Y)＝∑i∑j(1+Y)γ，
其中，Y表示当前像素的亮度，γ表示γ系数，i、j分别为像素的横坐标和纵坐标；
基于gamma变换的公式，设定一个观察图像全局的γ参数值和一个观察图像细节的γ参数值，分别利用两个γ参数值对滤除噪声后的整个图像进行亮暗对比度处理，得到最终的加强后图像T(Y)。
本发明的有益效果为：
一、本发明结合基于梯度算法、高斯滤波方法和基于gamma变换，对图像中的物体轮廓进行加强，能最大限度的提高图像中物体的可辨识度，便于容易辨识微物体；
二、本发明中的图像中的每个像素是离散函数，而现有的梯度算法的梯度在曲面上是连续函数的偏导数，所以本案对现有的梯度算法进行的修改，便于更好的对多个图像块进行轮廓增强；
三、本发明中，根据整个图像的亮暗程度进行分级滤波，解决了现有技术中直接基于同一亮暗程度通过高斯滤波进行滤波处理，会造成图像清晰度和平滑度差的问题；
四、本发明中，通过设置两个γ参数值，可得到观察图像全局的加强图像和观察图像细节的加强图像，适用于不同情况下的观看。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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是本发明流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中，有的结构或器件或步骤未作具体描述的，理解为现有技术中有能实现的结构或器件或步骤。
一种对图像中的物体轮廓进行加强的方法，包括如下步骤：
S1获取拍摄的影像，对影像中的下一帧图像进行分块处理，得到多个图像块；即将影像中的下一帧图像分成多个图像块，下一帧图像基于8×8、16×16或32×32中的任一种方式进行分块，得到对应的多个图像块，当然，还可为其它分块方式，只是选择这几种方式进行分块，使得处理速度更快；
S2基于梯度算法，对每个图像块中的每个像素进行轮廓增强；具体步骤为：
S2.1、基于改进后的梯度计算公式对每个图像块的每一个像素的亮度分量进行梯度计算，得到每个像素的梯度值；
因现有技术中的梯度算法中的梯度在曲面上是连续函数的偏导数，而本发明中的图像的每个像素是离散函数，在梯度计算时，需要采用具体的像素点来计算，所以需要对现有技术中的梯度算法进行改进，改进后的梯度计算公式为：
I＝∑i∑j((Y1-Y2)/(Y1+Y2))，
其中，Y1，Y2为相邻两个像素的亮度，i、j分别为像素的横坐标和纵坐标，I为计算的梯度值。
S2.2、判断每个梯度值是否大于设置的阈值，若大于，则判定为边缘，并根据梯度值的下负判定是设置在白边还是黑边；若小于，则不做任何处理。
S3、基于高斯滤波方法，对增强轮廓后的多个图像块作为一个整体进行噪声的滤除，得到滤除噪声后的图像，目的是增加图像的平滑度；
去噪是由于传感器采样，gain等因素必然会引入噪点，或者自己的电子噪声，根据噪点的表现形式，有椒盐噪声、白噪声、高斯噪声等，这样就会降低图像的清晰度和平滑度，因此必须要对图像进行滤波处理，但如果直接基于同一亮暗程度进行滤波处理，同样会降低图像的清晰度和平滑度。
为了解决上述问题，基于高斯滤波方法，对增强轮廓后的多个图像块作为一个整体进行噪声的滤除，得到滤除噪声后的图像，采用的具体步骤为：
S3.1、将增强轮廓后的多个图像块进行加权平均，计算整个图像的亮度值，根据其亮度值的亮暗程度将增强轮廓后的整个图像进行分级；即将增强轮廓后的整个图像根据gain值(亮度值)进行分级，包括四个级别：gain值小于ISO100为一个级别、gain值为ISO200为一个级别、gain值为ISO400为一个级别、gain值为ISO800为一个级别。
S3.2、分级后的多个图像块(即整个图像)的gain值达到亮暗要求，基于高斯滤波公式对达到要求的整个图像进行滤波处理。即gain值小于ISO100时，不做滤波处理；gain值为ISO200时，设置标准差为16，基于高斯滤波公式进行滤波处理；gain值为ISO400时，设置标准差为20，基于高斯滤波公式进行滤波处理；gain值为ISO800时，设置标准差为25，基于高斯滤波公式进行滤波处理；
其中，高斯滤波公式为：
其中，σ表示标准差，Y表示当前像素的亮度，i、j分别为像素的横坐标和纵坐标。
S4、基于gamma变换，对滤除噪声后的整个图像进行亮暗对比度处理，得到最终加强后的图像。gamma变换的公式为：
T(Y)＝∑i∑j(1+Y)γ，
其中，Y表示当前像素的亮度，γ表示γ系数，i、j分别为像素的横坐标和纵坐标；
当选用不同的γ参数时，加强后的图像效果表现不同，适用于不同的环境应用中，采用较大的gamma参数，可以看到更大的亮度范围，适用于观察图像全局；用较小的gamma参数，重点突出在有限亮度范围的细节，适用于观察图像细节，因此基于gamma变换的公式，设定一个观察图像全局的γ参数值和一个观察图像细节的γ参数值，分别利用两个γ参数值对滤除噪声后的整个图像进行亮暗对比度处理，得到最终的加强后图像T(Y)。
实施例
因我们要实时处理影像中的图像，并进行实时显示，所以在显示当前图像时，就需要对下一帧图像进行处理，即基于32×32，将下一帧图像(1920×1080像素)分成多个60×33.75像素的图像块，若有小数点的情况，通过四舍五入的方式进行图像块的化分，即以60×34像素作为一个图像块，对下一帧图像进行化分，具体为：分别基于32×31和32×26，将下一帧图像1920×1080像素分成的1920×1054和1920×26进行分块处理，处理后得到最终的图像块。
基于改进后的梯度计算公式I＝∑i∑j((Y1-Y2)/(Y1+Y2))对每个图像块中的每个像素的亮度分量进行梯度计算，得到每个像素的梯度值；
判断每个梯度值是否大于设置的阈值，若大于，则判定为边缘，并根据梯度值的下负判定是设置在白边还是黑边；若小于，则不做任何处理。
根据增强轮廓后的多个图像块的亮暗程度，将增强轮廓后的多个图像块作为一个整体进行分级；即将增强轮廓后的整个图像根据gain值进行分级，包括四个级别：gain值小于ISO100为一个级别、gain值为ISO200为一个级别、gain值为ISO400为一个级别、gain值为ISO800为一个级别。
分级后的整个图像的gain值达到亮暗要求，基于高斯滤波公式
对达到要求的整个图像进行滤波处理，否则，不作滤波处理。即gain值小于ISO100时，不做滤波处理；gain值为ISO200时，设置标准差为16，基于高斯滤波公式进行滤波处理；gain值为ISO400时，设置标准差为20，基于高斯滤波公式进行滤波处理；gain值为ISO800时，设置标准差为25，基于高斯滤波公式进行滤波处理；
基于gamma变换公式T(Y)＝∑i∑j(1+Y)γ，对滤除噪声后的整个图像进行亮暗对比度处理，得到最终加强后的图像。
本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。
Claims (5)
1.一种对实时影像中图像的物体轮廓进行加强的方法，其特征在于，包括如下步骤：
S1、获取拍摄的影像，对影像中的下一帧图像进行分块处理，得到多个图像块；
S2、基于梯度算法，对每个图像块中的每个像素进行轮廓增强；
S3、基于高斯滤波方法，对增强轮廓后的多个图像块作为一个整体进行噪声的滤除，得到滤除噪声后的图像；
S4、基于gamma变换，对滤除噪声后的整个图像进行亮暗对比度处理，得到最终加强后的图像；
所述步骤S1中，将影像中的下一帧图像分成多个图像块，下一帧图像基于8×8、16×16或32×32中的任一种方式进行分块，得到对应的多个图像块；
所述步骤S2的具体步骤为：
S2.1、基于改进后的梯度计算公式对每个图像块的每一个像素的亮度分量进行梯度计算，得到每个像素的梯度值；
S2.2、判断每个梯度值是否大于设置的阈值，若大于，则判定为边缘，并根据梯度值的正负判定是设置在白边还是黑边；若小于，则不做任何处理；
所述步骤S2.1中，改进后的梯度计算公式为：
I＝∑i∑j((Y1-Y2)/(Y1+Y2))，
其中，Y1，Y2为相邻两个像素的亮度，i、j分别为像素的横坐标和纵坐标，I为计算的梯度值。
2.根据权利要求1所述的一种对实时影像中图像的物体轮廓进行加强的方法，其特征在于，所步骤S3的具体步骤为：
S3.1、根据增强轮廓后的多个图像块的亮暗程度，将增强轮廓后的多个图像块作为一个整体进行分级；
S3.2、分级后的整个图像的gain值达到亮暗要求，基于高斯滤波公式对达到要求的整个图像进行滤波处理，否则，不作滤波处理。
3.根据权利要求2所述的一种对实时影像中图像的物体轮廓进行加强的方法，其特征在于，所述步骤3.1中，将增强轮廓后的多个图像块进行加权平均，计算整个图像的亮度值，根据其亮度值的亮暗程度将增强轮廓后的整个图像进行分级；即根据gain值进行分级，包括四个级别：gain值小于ISO100为一个级别、gain值为ISO200为一个级别、gain值为ISO400为一个级别、gain值为ISO800为一个级别。
4.根据权利要求2所述的一种对实时影像中图像的物体轮廓进行加强的方法，其特征在于，所述步骤3.2中，gain值小于ISO100时，不做滤波处理；gain值为ISO200时，设置标准差为16，基于高斯滤波公式进行滤波处理；gain值为ISO400时，设置标准差为20，基于高斯滤波公式进行滤波处理；gain值为ISO800时，设置标准差为25，基于高斯滤波公式进行滤波处理；
其中，高斯滤波公式为：
其中，σ表示标准差，Y表示当前像素的亮度，i、j分别为像素的横坐标和纵坐标。
5.根据权利要求1或4所述的一种对实时影像中图像的物体轮廓进行加强的方法，其特征在于，所述步骤4中，gamma变换的公式为：
T(Y)＝∑i∑j(1+Y)γ，
其中，Y表示当前像素的亮度，γ表示γ系数，i、j分别为像素的横坐标和纵坐标；
基于gamma变换的公式，设定一个观察图像全局的γ参数值和一个观察图像细节的γ参数值，分别利用两个γ参数值对滤除噪声后的整个图像进行亮暗对比度处理，得到最终的加强后图像T(Y)。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910368593.XA CN110335203B (zh) | 2019-05-05 | 2019-05-05 | 一种对实时影像中图像的物体轮廓进行加强的方法 |
| EP20802689.8A EP3965053A4 (en) | 2019-05-05 | 2020-04-29 | METHOD OF ENHANCING THE OBJECT CONTOUR OF AN IMAGE IN REAL-TIME VIDEO |
| US17/608,991 US20230401675A1 (en) | 2019-05-05 | 2020-04-29 | Method for enhancing object contour of image in real-time video |
| JP2021565940A JP7076168B1 (ja) | 2019-05-05 | 2020-04-29 | リアルタイム映像における画像の物体輪郭を強調する方法 |
| PCT/CN2020/087871 WO2020224508A1 (zh) | 2019-05-05 | 2020-04-29 | 一种对实时影像中图像的物体轮廓进行加强的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910368593.XA CN110335203B (zh) | 2019-05-05 | 2019-05-05 | 一种对实时影像中图像的物体轮廓进行加强的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110335203A CN110335203A (zh) | 2019-10-15 |
| CN110335203B true CN110335203B (zh) | 2022-02-01 |
Family
ID=68139330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910368593.XA Active CN110335203B (zh) | 2019-05-05 | 2019-05-05 | 一种对实时影像中图像的物体轮廓进行加强的方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230401675A1 (zh) |
| EP (1) | EP3965053A4 (zh) |
| JP (1) | JP7076168B1 (zh) |
| CN (1) | CN110335203B (zh) |
| WO (1) | WO2020224508A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335203B (zh) * | 2019-05-05 | 2022-02-01 | 湖南省华芯医疗器械有限公司 | 一种对实时影像中图像的物体轮廓进行加强的方法 |
| CN115409745B (zh) * | 2022-10-31 | 2023-01-31 | 深圳市亿康医疗技术有限公司 | 一种应用于放疗准备的ct图像的增强方法 |
| CN116433537B (zh) * | 2023-06-13 | 2023-08-11 | 济南科汛智能科技有限公司 | 基于物联网和云计算的智慧病房监控系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574284A (zh) * | 2013-10-24 | 2015-04-29 | 南京普爱射线影像设备有限公司 | 一种数字x射线图像对比度增强处理方法 |
| CN106920218A (zh) * | 2015-12-25 | 2017-07-04 | 展讯通信（上海）有限公司 | 一种图像处理的方法及装置 |
| CN108898152A (zh) * | 2018-05-14 | 2018-11-27 | 浙江工业大学 | 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6059729A (en) * | 1998-10-19 | 2000-05-09 | Stonger; Kelly A. | Method and apparatus for edge enhancement in ultrasound imaging |
| US6891549B2 (en) * | 2002-01-11 | 2005-05-10 | Applied Materials, Inc. | System and method for edge enhancement of images |
| US7529422B2 (en) * | 2004-09-22 | 2009-05-05 | Siemens Medical Solutions Usa, Inc. | Gradient-based image restoration and enhancement |
| CN102292741A (zh) * | 2009-01-20 | 2011-12-21 | 皇家飞利浦电子股份有限公司 | 用于生成增强图像的方法和设备 |
| JP5557635B2 (ja) * | 2010-07-21 | 2014-07-23 | Ｈｏｙａ株式会社 | 輪郭強調装置 |
| JP5828649B2 (ja) | 2011-03-09 | 2015-12-09 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びコンピュータプログラム |
| CN110335203B (zh) * | 2019-05-05 | 2022-02-01 | 湖南省华芯医疗器械有限公司 | 一种对实时影像中图像的物体轮廓进行加强的方法 |
-
2019
- 2019-05-05 CN CN201910368593.XA patent/CN110335203B/zh active Active
-
2020
- 2020-04-29 JP JP2021565940A patent/JP7076168B1/ja active Active
- 2020-04-29 US US17/608,991 patent/US20230401675A1/en active Pending
- 2020-04-29 EP EP20802689.8A patent/EP3965053A4/en active Pending
- 2020-04-29 WO PCT/CN2020/087871 patent/WO2020224508A1/zh active Search and Examination
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574284A (zh) * | 2013-10-24 | 2015-04-29 | 南京普爱射线影像设备有限公司 | 一种数字x射线图像对比度增强处理方法 |
| CN106920218A (zh) * | 2015-12-25 | 2017-07-04 | 展讯通信（上海）有限公司 | 一种图像处理的方法及装置 |
| CN108898152A (zh) * | 2018-05-14 | 2018-11-27 | 浙江工业大学 | 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3965053A1 (en) | 2022-03-09 |
| US20230401675A1 (en) | 2023-12-14 |
| JP2022527868A (ja) | 2022-06-06 |
| WO2020224508A1 (zh) | 2020-11-12 |
| CN110335203A (zh) | 2019-10-15 |
| JP7076168B1 (ja) | 2022-05-27 |
| EP3965053A4 (en) | 2022-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110335203B (zh) | 一种对实时影像中图像的物体轮廓进行加强的方法 | |
| Yang | Multimodal medical image fusion through a new DWT based technique | |
| EP2869261B1 (en) | Method for processing image data representing a three-dimensional volume | |
| CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
| Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
| JPH09134434A (ja) | 明暗度画像内の所定のタイプの癌領域を自動検出する画像処理方法及び装置 | |
| EP1755457A1 (en) | Nodule detection | |
| CN106709920B (zh) | 血管提取方法及其装置 | |
| Bhairannawar | Efficient medical image enhancement technique using transform HSV space and adaptive histogram equalization | |
| CN112070785A (zh) | 一种基于计算机视觉的医学图像分析方法 | |
| US11406340B2 (en) | Method for converting tone of chest X-ray image, storage medium, image tone conversion apparatus, server apparatus, and conversion method | |
| Dabass et al. | Biomedical image enhancement using different techniques-a comparative study | |
| US9466116B2 (en) | Method and system for separating tissue classes in magnetic resonance images | |
| Na'am et al. | Filter technique of medical image on multiple morphological gradient (MMG) method | |
| Ihsan et al. | A median filter with evaluating of temporal ultrasound image for impulse noise removal for kidney diagnosis | |
| Almi'ani et al. | Automatic segmentation algorithm for brain MRA images | |
| CN117036310A (zh) | 一种dicom影像外围轮廓的识别提取方法 | |
| Almi'ani et al. | A modified region growing based algorithm to vessel segmentation in magnetic resonance angiography | |
| IDOWU et al. | Improved Enhancement Technique for Medical Image Processing | |
| Shi et al. | A method for enhancing lung nodules in chest radiographs by use of LoG Filter | |
| Maduskar et al. | Automatic identification of intracranial hemorrhage in non-contrast CT with large slice thickness for trauma cases | |
| Kim et al. | Improved visualization of simulated nodules by adaptive enhancement of digital chest radiography | |
| Verma et al. | Segmentation and Analysis of Diaphragm from Ultrasound Images | |
| Sivasakthi et al. | Median Filter Based Denoising And Classification of MRI Brain Tumor using Convolutional Neural Networks | |
| Selvaraj et al. | Automatic detection of brain tumour from MRI brain image by histogram thresholding and segmenting it using region growing |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Do not announce the inventor Inventor before: Do not announce the inventor |