CN110555833B - 图像处理方法、装置、电子设备以及介质 - Google Patents
图像处理方法、装置、电子设备以及介质 Download PDFInfo
- Publication number
- CN110555833B CN110555833B CN201910821920.2A CN201910821920A CN110555833B CN 110555833 B CN110555833 B CN 110555833B CN 201910821920 A CN201910821920 A CN 201910821920A CN 110555833 B CN110555833 B CN 110555833B
- Authority
- CN
- China
- Prior art keywords
- region
- initial image
- image
- target object
- characteristic
- 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
- 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
- G06T7/11—Region-based segmentation
-
- 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
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像处理方法,包括:获取初始图像;处理初始图像,得到特征图像,其中,特征图像包括第一区域和第二区域,第一区域与第二区域具有不同的特征值,特征值用于表征目标对象位于第一区域或第二区域的概率;以及基于特征图像对初始图像进行识别处理,得到目标对象在初始图像中的目标区域。本公开还提供了一种图像处理装置、一种电子设备、一种计算机可读存储介质。
Description
技术领域
本公开涉及一种图像处理方法、一种图像处理装置一种电子设备以及一种计算机可读存储介质。
背景技术
在图像处理过程中,通常需要识别图像中的目标对象。例如,以CT(ComputedTomography)图像举例,为了方便诊断和治疗,需要对CT图像进行识别处理,以识别出CT图像中的病变区域,以便对病变区域进行分割处理。但是,相关技术中,在识别图像中目标对象时,由于识别算法的局限性,导致识别结果不够准确,容易造成分割错误。
发明内容
本公开的一个方面提供了一种图像处理方法,包括:获取初始图像;处理所述初始图像,得到特征图像,其中,所述特征图像包括第一区域和第二区域,所述第一区域与所述第二区域具有不同的特征值,所述特征值用于表征目标对象位于所述第一区域或所述第二区域的概率;以及基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域。
可选地,上述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:确定所述第一区域的第一特征值,确定所述第二区域的第二特征值,其中,所述第一特征值大于所述第二特征值,基于所述第一特征值和所述第二特征值对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域。
可选地,上述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:获取所述特征图像的边缘区域,所述边缘区域包括至少部分所述第一区域和至少部分所述第二区域,确定所述边缘区域的第三特征值,基于所述第三特征值和所述边缘区域对所述初始图像进行识别处理,得到所述目标对象的轮廓信息,基于所述轮廓信息,确定所述目标对象在所述初始图像中的目标区域。
可选地,上述目标对象在所述特征图像中的特定区域,所述特定区域包括以下至少一项:所述特定区域为所述第一区域中的至少部分区域,所述特定区域包括至少部分所述第一区域和至少部分所述第二区域。
可选地,上述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:将所述特征图像和所述初始图像输入分割模型中,基于所述分割模型对所述初始图像进行分割处理,得到所述目标对象在所述初始图像中的目标区域。
本公开的另一个方面提供了一种图像处理装置,包括:获取模块、第一处理模块以及第二处理模块。其中,获取模块,获取初始图像。第一处理模块,处理所述初始图像,得到特征图像,其中,所述特征图像包括第一区域和第二区域,所述第一区域与所述第二区域具有不同的特征值,所述特征值用于表征目标对象位于所述第一区域或所述第二区域的概率。第二处理模块,基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域。
可选地,上述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:确定所述第一区域的第一特征值,确定所述第二区域的第二特征值,其中,所述第一特征值大于所述第二特征值,基于所述第一特征值和所述第二特征值对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域。
可选地,上述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:获取所述特征图像的边缘区域,所述边缘区域包括至少部分所述第一区域和至少部分所述第二区域,确定所述边缘区域的第三特征值,基于所述第三特征值和所述边缘区域对所述初始图像进行识别处理,得到所述目标对象的轮廓信息,基于所述轮廓信息,确定所述目标对象在所述初始图像中的目标区域。
可选地,上述目标对象在所述特征图像中的特定区域,所述特定区域包括以下至少一项:所述特定区域为所述第一区域中的至少部分区域,所述特定区域包括至少部分所述第一区域和至少部分所述第二区域。
可选地,上述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:将所述特征图像和所述初始图像输入分割模型中,基于所述分割模型对所述初始图像进行分割处理,得到所述目标对象在所述初始图像中的目标区域。
本公开的另一个方面提供了一种电子设备,包括:处理器以及存储器。其中,存储器用于存储可执行指令,其中,当所述指令被所述处理器执行时,使得所述处理器执行用于实现如上的方法。
本公开的另一方面提供了一种非易失性可读存储介质,存储有计算机可执行指令,指令在被执行时用于实现如上的方法。
本公开的另一方面提供了一种计算机程序,计算机程序包括计算机可执行指令,指令在被执行时用于实现如上的方法。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的图像处理方法和图像处理装置的应用场景;
图2示意性示出了根据本公开实施例的图像处理方法的流程图;
图3示意性示出了根据本公开实施例的图像处理的示意图;
图4示意性示出了根据本公开第一实施例的目标对象的目标区域示意图;
图5A-5B示意性示出了根据本公开第二实施例的目标对象的目标区域示意图;
图6示意性示出了根据本公开实施例的图像处理装置的框图;以及
图7示意性示出了根据本公开实施例的用于实现图像处理的计算机系统的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程控制装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此,本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本公开的上下文中,计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
本公开的实施例提供了一种图像处理方法,包括:获取初始图像;处理初始图像,得到特征图像,其中,特征图像包括第一区域和第二区域,第一区域与第二区域具有不同的特征值,特征值用于表征目标对象位于第一区域或第二区域的概率;以及基于特征图像对初始图像进行识别处理,得到目标对象在初始图像中的目标区域。
图1示意性示出了根据本公开实施例的图像处理方法和图像处理装置的应用场景。需要注意的是,图1所示仅为可以应用本公开实施例的场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,该应用场景100例如包括初始图像110。
根据本公开实施例,初始图像110中例如包括目标对象111。本公开实施例通过识别算法对初始图像110进行图像处理,以便识别初始图像110中的目标对象111。
例如,初始图像110可以是CT(Computed Tomography)图像,为了方便诊断和治疗,需要对CT图像进行识别处理,以识别出CT图像中的病变区域,以便对病变区域进行分割处理。其中,CT图像中的病变区域例如可以是肿瘤,该病变区域作为目标对象111可以通过识别算法进行识别。
可以理解,本公开实施例的初始图像110不限于CT图像,还可以是其他图像,目标对象可以是初始图像110中的任意对象。
下面结合图1的应用场景,参考图2~图5B来描述根据本公开示例性实施方式的图像处理方法。需要注意的是,上述应用场景仅是为了便于理解本公开的精神和原理而示出,本公开的实施方式在此方面不受任何限制。相反,本公开的实施方式可以应用于适用的任何场景。
图2示意性示出了根据本公开实施例的图像处理方法的流程图。
图3示意性示出了根据本公开实施例的图像处理的示意图。
结合图2和图3所示,该方法包括操作S210~S230。
在操作S210,获取初始图像。
根据本公开实施例,初始图像中例如包括目标对象。例如,以初始图像为CT图像举例,目标对象例如可以是CT图像中的病变区域。
在操作S220,处理初始图像,得到特征图像,其中,特征图像包括第一区域和第二区域,第一区域与第二区域具有不同的特征值,特征值用于表征目标对象位于第一区域或第二区域的概率。
如图3所示,例如可以将初始图像310输入检测模型320中,通过检测模型320对初始图像310进行图像识别,得到特征图像330。其中,该检测模型320例如可以是神经网络模型,得到的特征图像330例如可以是热点图。
在本公开实施例中,该特征图像330例如包括第一区域331和第二区域332。其中,第一区域例如具有第一特征值,第二区域例如具有第二特征值。其中,第一特征值例如大于第二特征值,表征目标对象位于第一区域331的概率大于位于第二区域332的概率。
在操作S230,基于特征图像330对初始图像310进行识别处理,得到目标对象在初始图像310中的目标区域350。
具体地,可以将特征图像330和初始图像310输入分割模型340中,并基于分割模型340对初始图像310进行分割处理,得到目标对象在初始图像中的目标区域350。
在本公开实施例中,由于特征图像330表征了目标对象所在区域的概率。因此,分割模型340可以基于特征图像330的整体信息(包括第一特征值和第二特征值)识别初始图像310中目标对象所在的目标区域350。其中,分割模型340例如可以是神经网络模型。
根据本公开实施例,通过检测模型对初始图像进行识别,得到具有第一特征值和第二特征值的特征图像之后,将特征图像的整体信息作为分割模型识别目标对象的依据,而不是仅将大概率区域(第一区域)作为分割模型识别目标对象的依据,即,特征图像的整体信息作为识别目标对象的依据,提高了目标对象的识别准确性,使得识别结果包含目标对象的完整信息。换言之,即使由于检测模型的识别误差导致部分目标对象处于第二区域,通过将特征图像的整体信息作为识别目标对象的依据,能够较为准确地识别出处于第二区域的部分目标对象,保证目标对象的完整性。
根据本公开实施例,上述操作S230例如包括:确定第一区域的第一特征值,确定第二区域的第二特征值,其中,第一特征值大于第二特征值,以及基于第一特征值和第二特征值对初始图像进行识别处理,得到目标对象在初始图像中的目标区域。
例如,第一特征值和第二特征值的取值为h(x,y)。其中,h(x,y)代表特征图像(热点图)中坐标为(x,y)处的特征值,BOX是检测模型输出的检测框(第一区域)内所有坐标的集合,C为一常数,其中,C的取值范围例如可以在0.1到0.7之间。第一特征值和第二特征值的取值为h(x,y)如下公式描述:
其中,第一特征值例如为1,第二特征值例如为C。可以将包括第一特征值和第二特征值的h(x,y)作用于分割模型的损失函数Loss。其中,该损失函数Loss例如是分割模型在训练过程中的损失函数。该损失函数Loss例如如下公式描述:
其中,N是特征图像(热点图)中像素点个数,h(x,y)代表特征图像(热点图)中坐标为(x,y)处的特征值,s(x,y)是分割模型在坐标(x,y)处的分割结果,g(x,y)为分割模型在坐标(x,y)处的分割真值。
图4示意性示出了根据本公开第一实施例的目标对象的目标区域示意图。
如图4所示,目标对象在特征图像中的特定区域430,特定区域430为第一区域410中的至少部分区域。
即,目标对象例如整体位于第一区域410中,在这种情况下,通过将第一区域410对应的第一特征值和第二区域对应的第二特征值输入分割模型中,分割模型的识别结果可以表征目标对象位于第一区域。
图5A-5B示意性示出了根据本公开第二实施例的目标对象的目标区域示意图。
如图5A所示,目标对象在特征图像中的特定区域530,特定区域530包括至少部分第一区域510和至少部分第二区域520。
例如,目标对象所在的特定区域530的部分区域位于特征图像的第一区域510,另一部分区域位于第二区域520。换言之,由于检测模型的识别误差导致部分特定区域530处于第二区域520,通过将特征图像的整体信息作为识别目标对象(特定区域530)的依据,能够较为准确地识别出处于第二区域520的部分目标对象(特定区域530),保证目标对象的完整性。
具体地,如图5B所示,上述操作S230例如包括:获取特征图像的边缘区域540,边缘区域540包括至少部分第一区域510和至少部分第二区域520,确定边缘区域540的第三特征值,基于第三特征值和边缘区域540对初始图像进行识别处理,得到目标对象的轮廓信息550,以及基于轮廓信息550,确定目标对象在初始图像中的目标区域。
例如,特征图像的边缘区域540为图中的环形区域(两个虚线椭圆之间的区域),该边缘区域540为第一区域510和第二区域520交界处附近的区域,该边缘区域540中例如包括目标对象所在特定区域530的轮廓信息550。其中,该边缘区域540的第三特征值中例如包括第一特征值和第二特征值,在将特征图像输入至分割模型中进行识别时,可以增大边缘区域540的权重,即,在识别过程中提高该边缘区域540的被关注度,以此提高轮廓信息550的识别准确性。最后,可以根据轮廓信息550确定目标对象所在的目标区域。
图6示意性示出了根据本公开实施例的图像处理装置的框图。
如图6所示,图像处理装置600包括获取模块610、第一处理模块620以及第二处理模块630。
获取模块610可以用于获取初始图像。根据本公开实施例,获取模块610例如可以执行上文参考图2描述的操作S210,在此不再赘述。
第一处理模块620可以用于处理初始图像,得到特征图像,其中,特征图像包括第一区域和第二区域,第一区域与第二区域具有不同的特征值,特征值用于表征目标对象位于第一区域或第二区域的概率。根据本公开实施例,第一处理模块620例如可以执行上文参考图2描述的操作S220,在此不再赘述。
第二处理模块630可以用于基于特征图像对初始图像进行识别处理,得到目标对象在初始图像中的目标区域。根据本公开实施例,第二处理模块630例如可以执行上文参考图2描述的操作S230,在此不再赘述。
根据本公开实施例,基于特征图像对初始图像进行识别处理,得到目标对象在初始图像中的目标区域包括:确定第一区域的第一特征值,确定第二区域的第二特征值,其中,第一特征值大于第二特征值,基于第一特征值和第二特征值对初始图像进行识别处理,得到目标对象在初始图像中的目标区域。
根据本公开实施例,基于特征图像对初始图像进行识别处理,得到目标对象在初始图像中的目标区域包括:获取特征图像的边缘区域,边缘区域包括至少部分第一区域和至少部分第二区域,确定边缘区域的第三特征值,基于第三特征值和边缘区域对初始图像进行识别处理,得到目标对象的轮廓信息,基于轮廓信息,确定目标对象在初始图像中的目标区域。
根据本公开实施例,目标对象在特征图像中的特定区域,特定区域包括以下至少一项:特定区域为第一区域中的至少部分区域,特定区域包括至少部分第一区域和至少部分第二区域。
根据本公开实施例,基于特征图像对初始图像进行识别处理,得到目标对象在初始图像中的目标区域包括:将特征图像和初始图像输入分割模型中,基于分割模型对初始图像进行分割处理,得到目标对象在初始图像中的目标区域。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获取模块610、第一处理模块620以及第二处理模块630中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块610、第一处理模块620以及第二处理模块630中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块610、第一处理模块620以及第二处理模块630中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图7示意性示出了根据本公开实施例的用于实现图像处理的计算机系统的方框图。图7示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,实现图像处理的计算机系统700包括处理器701、计算机可读存储介质702。该系统700可以执行根据本公开实施例的方法。
具体地,处理器701例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质702,例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
计算机可读存储介质702可以包括计算机程序703,该计算机程序703可以包括代码/计算机可执行指令,其在由处理器701执行时使得处理器701执行根据本公开实施例的方法或其任何变形。
计算机程序703可被配置为具有例如包括计算机程序模块的计算机程序代码。例如,在示例实施例中,计算机程序703中的代码可以包括一个或多个程序模块,例如包括703A、模块703B、……。应当注意,模块的划分方式和个数并不是固定的,本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合,当这些程序模块组合被处理器701执行时,使得处理器701可以执行根据本公开实施例的方法或其任何变形。
根据本公开的实施例,获取模块610、第一处理模块620以及第二处理模块630中的至少一个可以实现为参考图7描述的计算机程序模块,其在被处理器701执行时,可以实现上面描述的相应操作。
本公开还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现以上图像处理方法。
根据本公开的实施例,计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线、光缆、射频信号等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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、或代码的一部分,上述模块、程序段、或代码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。也应当注意,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,两个接连地表示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,框图或流程图中的每个方框以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开,但是本领域技术人员应该理解,在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下,可以对本公开进行形式和细节上的多种改变。因此,本公开的范围不应该限于上述实施例,而是应该不仅由所附权利要求来进行确定,还由所附权利要求的等同物来进行限定。
Claims (8)
1.一种图像处理方法,包括:
获取初始图像;
处理所述初始图像,得到特征图像,其中,所述特征图像包括第一区域和第二区域,所述第一区域与所述第二区域具有不同的特征值,所述特征值用于表征目标对象位于所述第一区域或所述第二区域的概率;以及
基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域;
其中,所述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:
获取所述特征图像的边缘区域,所述边缘区域包括部分所述第一区域和部分所述第二区域;
确定所述边缘区域的第三特征值;
基于所述第三特征值和所述边缘区域对所述初始图像进行识别处理,得到所述目标对象的轮廓信息;以及
基于所述轮廓信息,确定所述目标对象在所述初始图像中的目标区域。
2.根据权利要求1所述的方法,其中,所述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:
确定所述第一区域的第一特征值;
确定所述第二区域的第二特征值,其中,所述第一特征值大于所述第二特征值;以及
基于所述第一特征值和所述第二特征值对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域。
3.根据权利要求1-2中任意一项所述的方法,其中,所述目标对象在所述特征图像中的特定区域,所述特定区域包括以下至少一项:
所述特定区域为所述第一区域中的至少部分区域;以及
所述特定区域包括至少部分所述第一区域和至少部分所述第二区域。
4.根据权利要求1所述的方法,其中,所述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:
将所述特征图像和所述初始图像输入分割模型中;以及
基于所述分割模型对所述初始图像进行分割处理,得到所述目标对象在所述初始图像中的目标区域。
5.一种图像处理装置,包括:
获取模块,获取初始图像;
第一处理模块,处理所述初始图像,得到特征图像,其中,所述特征图像包括第一区域和第二区域,所述第一区域与所述第二区域具有不同的特征值,所述特征值用于表征目标对象位于所述第一区域或所述第二区域的概率;以及
第二处理模块,基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域;
其中,所述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:
获取所述特征图像的边缘区域,所述边缘区域包括部分所述第一区域和部分所述第二区域;
确定所述边缘区域的第三特征值;
基于所述第三特征值和所述边缘区域对所述初始图像进行识别处理,得到所述目标对象的轮廓信息;以及
基于所述轮廓信息,确定所述目标对象在所述初始图像中的目标区域。
6.根据权利要求5所述的装置,其中,所述基于所述特征图像对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域包括:
确定所述第一区域的第一特征值;
确定所述第二区域的第二特征值,其中,所述第一特征值大于所述第二特征值;以及
基于所述第一特征值和所述第二特征值对所述初始图像进行识别处理,得到所述目标对象在所述初始图像中的目标区域。
7.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至4中任一项所述的方法。
8.一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821920.2A CN110555833B (zh) | 2019-08-30 | 2019-08-30 | 图像处理方法、装置、电子设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821920.2A CN110555833B (zh) | 2019-08-30 | 2019-08-30 | 图像处理方法、装置、电子设备以及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555833A CN110555833A (zh) | 2019-12-10 |
CN110555833B true CN110555833B (zh) | 2023-03-21 |
Family
ID=68738794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910821920.2A Active CN110555833B (zh) | 2019-08-30 | 2019-08-30 | 图像处理方法、装置、电子设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555833B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767295B (zh) * | 2020-06-29 | 2024-03-01 | 北京百度网讯科技有限公司 | 地图数据的处理方法、装置、计算设备和介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765438B (zh) * | 2014-10-21 | 2020-10-30 | 无锡海斯凯尔医学技术有限公司 | 一种肝脏边界的识别方法及系统 |
CN104318218A (zh) * | 2014-10-29 | 2015-01-28 | 百度在线网络技术(北京)有限公司 | 图像识别方法和装置 |
JP6566768B2 (ja) * | 2015-07-30 | 2019-08-28 | キヤノン株式会社 | 情報処理装置、情報処理方法、プログラム |
CN105976367B (zh) * | 2016-04-29 | 2019-06-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
CN107301640A (zh) * | 2017-06-19 | 2017-10-27 | 太原理工大学 | 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法 |
JP6824845B2 (ja) * | 2017-08-09 | 2021-02-03 | キヤノン株式会社 | 画像処理システム、装置、方法およびプログラム |
CN108010021B (zh) * | 2017-11-30 | 2021-12-10 | 上海联影医疗科技股份有限公司 | 一种医学图像处理系统和方法 |
CN108875535B (zh) * | 2018-02-06 | 2023-01-10 | 北京旷视科技有限公司 | 图像检测方法、装置和系统及存储介质 |
CN108986891A (zh) * | 2018-07-24 | 2018-12-11 | 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 |
CN109035261B (zh) * | 2018-08-09 | 2023-01-10 | 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 |
CN109410220B (zh) * | 2018-10-16 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN110148467B (zh) * | 2019-05-16 | 2023-05-23 | 东北大学 | 一种基于改进cnn的肺结节计算机辅助诊断装置及方法 |
-
2019
- 2019-08-30 CN CN201910821920.2A patent/CN110555833B/zh active Active
Non-Patent Citations (2)
Title |
---|
Lung segmentation with improved graph cuts on chest CT images;Shuangfeng Dai et al.;《2015 3rd IAPR Asian Conference on Pattern Recognition》;20160609;全文 * |
基于改进神经网络的图像边缘分割技术;卫洪春;《现代电子技术》;20180815;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110555833A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9811905B2 (en) | Anomaly detection in medical imagery | |
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
US9582726B2 (en) | Systems and methods for image processing in a deep convolution network | |
US10748281B2 (en) | Negative sample enhanced object detection machine | |
KR102661954B1 (ko) | 이미지 처리 방법 및 이를 수행하는 장치들 | |
US11244157B2 (en) | Image detection method, apparatus, device and storage medium | |
US11531107B2 (en) | Long range LIDAR-based speed estimation | |
US11120297B2 (en) | Segmentation of target areas in images | |
US10296810B2 (en) | Apparatus and method for determining lesion similarity of medical image | |
US20200193604A1 (en) | Encoder Regularization of a Segmentation Model | |
CN111242933A (zh) | 视网膜图像动静脉的分类装置、设备及存储介质 | |
KR20200027887A (ko) | 복수의 비디오 프레임을 이용하여 cnn의 파라미터를 최적화하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
US11676361B2 (en) | Computer-readable recording medium having stored therein training program, training method, and information processing apparatus | |
CN111539341B (zh) | 目标定位方法、装置、电子设备和介质 | |
CN110555833B (zh) | 图像处理方法、装置、电子设备以及介质 | |
US20180047158A1 (en) | Chest radiograph (cxr) image analysis | |
CN110517296B (zh) | 目标跟踪方法、装置、存储介质及电子设备 | |
CN110472638A (zh) | 一种目标检测方法、装置及设备、存储介质 | |
CN111753858A (zh) | 一种点云匹配方法、装置和重定位系统 | |
US20170046590A1 (en) | Image feature classification | |
CN111428567B (zh) | 一种基于仿射多任务回归的行人跟踪系统及方法 | |
CN104021391A (zh) | 处理超声图像的方法和装置以及乳腺癌诊断设备 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN111242879B (zh) | 图像处理方法、装置、电子设备以及介质 | |
CN115861659A (zh) | 对象匹配方法、装置、设备及计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |