CN110570445B - 一种图像分割方法、装置、终端及可读介质 - Google Patents

一种图像分割方法、装置、终端及可读介质 Download PDF

Info

Publication number
CN110570445B
CN110570445B CN201910850220.6A CN201910850220A CN110570445B CN 110570445 B CN110570445 B CN 110570445B CN 201910850220 A CN201910850220 A CN 201910850220A CN 110570445 B CN110570445 B CN 110570445B
Authority
CN
China
Prior art keywords
image
gray
standard deviation
scatter
points
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
Application number
CN201910850220.6A
Other languages
English (en)
Other versions
CN110570445A (zh
Inventor
杨乐
张娜
冷官冀
胡扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201910850220.6A priority Critical patent/CN110570445B/zh
Publication of CN110570445A publication Critical patent/CN110570445A/zh
Priority to PCT/CN2020/091969 priority patent/WO2020238819A1/en
Priority to US17/456,568 priority patent/US20220084305A1/en
Application granted granted Critical
Publication of CN110570445B publication Critical patent/CN110570445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开了一种图像分割方法、装置、终端及可读介质，其中该方法包括：将待分割图像进行分块，得到各图像块；对所述各图像块进行灰度特征提取；根据所述各图像块的灰度特征确定灰度分割阈值；根据所述灰度分割阈值对所述待分割图像进行图像分割；其中，所述各图像块的灰度特征包括灰度均值和灰度标准差。本发明实施例提供的图像分割方法、装置、终端及可读介质，图像的分割效率高，分割效果好。

Description

一种图像分割方法、装置、终端及可读介质
技术领域
本发明实施例涉及医学图像处理技术，尤其涉及一种图像分割方法、装置、终端及可读介质。
背景技术
在医学图像处理技术中，图像分割一直是重中之重。其中，医学图像分割可以包括人体与背景的分割以及人体不同组织间的分割等。
由于医学图像(尤其是直接数字化X射线影像)的部位涉及广，剂量差异大，摆位情况较为复杂，图像分割操作存在一定难度。现有技术中，常用的图像分割方法包括基于灰度阈值进行分割的方法。现有的基于灰度阈值进行分割时，存在的技术问题至少包括：算法复杂导致分割效率较低；灰度阈值选取不合理导致图像分割效果较差。
发明内容
有鉴于此，本发明实施例提供了一种图像分割方法、装置、终端及可读介质，图像的分割效率高，分割效果好。
第一方面，本发明实施例提供了一种图像分割方法，包括：
将待分割图像进行分块，得到各图像块；
对所述各图像块进行灰度特征提取；
根据所述各图像块的灰度特征确定灰度分割阈值；
根据所述灰度分割阈值对所述待分割图像进行图像分割；
其中，所述各图像块的灰度特征包括灰度均值和灰度标准差。
第二方面，本发明实施例提供了一种图像分割装置，包括：
图像分块模块，用于将待分割图像进行分块，得到各图像块；
特征提取模块，用于对所述各图像块进行灰度特征提取；
阈值确定模块，用于根据所述各图像块的灰度特征确定灰度分割阈值；
图像分割模块，用于根据所述灰度分割阈值对所述待分割图像进行图像分割；
其中，所述各图像块的灰度特征包括灰度均值和灰度标准差。
第三方面，本发明实施例提供了一种终端，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的图像分割方法。
第四方面，本发明实施例提供了一种可读介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的图像分割方法。
本发明实施例提供的一种图像分割方法、装置、终端及可读介质，首先将待分割图像进行分块，得到各图像块；然后对各图像块进行灰度特征提取，例如对各图像块进行灰度均值和灰度标准差的提取；进而根据各图像块的灰度特征确定灰度分割阈值；最后根据灰度分割阈值进行图像分割。通过将待分割图像进行分块，并提取各分块图像的灰度特征值，来确定待分割图像的灰度分割阈值，从而使所确定的灰度分割阈值与待分割图像的灰度特征相关联，提高了图像的分割效果；且确定灰度分割阈值的方法简便，提高了图像的分割效率。
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做一简单地介绍，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1a是本发明实施例一提供的一种图像分割方法流程图；
图1b是本发明实施例一提供的一种图像分割方法中将待分割图像进行分块的示意图；
图1c是本发明实施例一提供的一种图像分割方法中曲线拟合类型为二次曲线拟合的拟合曲线图；
图2是本发明实施例二提供的一种图像分割方法流程图；
图3是本发明实施例三提供的一种图像分割方法流程图；
图4是本发明实施例四提供的一种图像分割装置结构示意图；
图5是本发明实施例五提供的一种终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。
实施例一
图1a是本发明实施例一提供的一种图像分割方法流程图，本实施例可适用于图像分割的情况，例如可以是对医学图像(尤其是直接数字化X射线影像)进行图像分割的情况。该方法可以由终端实现，具体可通过终端中的软件和/或硬件来实施。参见图1a，该图像分割方法包括如下步骤：
S110、将待分割图像进行分块，得到各图像块；
S120、对各图像块进行灰度特征提取；
S130、根据各图像块的灰度特征确定灰度分割阈值；
S140、根据灰度分割阈值对待分割图像进行图像分割；
其中，各图像块的灰度特征包括灰度均值和灰度标准差。
其中，对待分割图像进行分割，可以是对医学图像进行图像分割，例如将医学图像中人体与背景进行分割，或人体不同组织之间分割等。其中，终端可以通过访问本地存储空间，或访问与终端建立通讯连接的其他终端的存储空间获取待分割图像；且终端还可以在接收到图像采集指令后采集待分割图像，例如终端可以为数字化X射线摄影(DigitalRadiography，DR)系统，当DR系统接收到图像采集指令后，可以利用X线对待扫描物体进行扫描，并将经过扫描物体吸收后的X线光子通过电子暗盒转换为数字化图像，即采集得到待分割图像。可选的，待分割图像包括X光图像。进一步的，X光图像包括DR图像或者乳腺图像或者CT图像。
其中，获取待分割图像之后，通过将待分割图像进行分块，并提取各分块图像的灰度特征，以确定待分割图像的灰度分割阈值，从而使所确定的灰度分割阈值与待分割图像的灰度特征相关联，提高了图像的分割效果；且确定灰度分割阈值的方法简便，提高了图像的分割效率。
针对医学图像，尤其是数字化X射线影像来说，通过将待分割医学图像进行分块，并提取各分块图像的灰度特征，以确定待分割医学图像的灰度分割阈值，从而使所确定的灰度分割阈值与待分割医学图像的灰度特征相关联，使得灰度阈值选取更加合理，根据该灰度阈值对医学图像进行分割的效果较佳。
可选的，将待分割图像进行分块，包括：确定待分割图像水平方向上第一数量的列分割线，以及垂直方向上第二数量的行分割线；根据各列分割线以及各行分割线，对待分割图像进行分块。
其中，第一数量和第二数量可以为预先设置好的数值，且第一数量和第二数量的数值可以相同，也可以不同，例如第一数量的数值和第二数量的数值可皆为32。此外，第一数值和第二数值还可以根据待分割图像的尺寸自定义设置。例如，预先设置待分割图像的尺寸与第一数量和第二数量的对应关系，当获取到待分割图像时，可以根据待分割图像的尺寸，查询预先设置的对应关系，进而确定第一数量和第二数量。
示例性的，图1b是本发明实施例一提供的一种图像分割方法中将待分割图像进行分块的示意图。其中，待分割图像为胸部医学图像；其中，第一数量为19，且c1-c19为从左到右排布的19个列分割线；其中，第二数量为18，且r1-r18为从上到下排布的18个行分割线；其中，可以将列分割线、行分割线和图像边线所围成的各图像块，作为分割后的图像块。
可选的，对各图像块进行灰度特征提取，包括：确定各图像块的灰度均值和灰度标准差；
相应的，根据各图像块的灰度特征确定灰度分割阈值，包括：根据各图像块的灰度均值和灰度标准差，构建各图像块的特征坐标；在预设的均值-标准差坐标系中，绘制与各图像块的特征坐标对应的散点，得到特征散点图；根据特征散点图进行拟合，根据拟合结果确定灰度分割阈值。
其中，确定各图像块的灰度均值，可以为对各图像块所包含的像素点进行灰度值的平均值的求取；其中，确定各图像块的灰度标准差，可以为对各图像块所包含的像素点的灰度值与灰度均值进行均方差的求取。其中，当待分割图像中只包含一种物体时，各图像块中各像素点的灰度值接近，不存在明显边界，相应求取的各图像块的灰度均值分布较集中，灰度标准差较小；当待分割图像中包含两种以上物体时，针对只包含一种物体的图像块，求取的灰度标准差较小，且包含相同物体的各图像块的灰度值分布较集中；针对包含两种以上物体的图像块，由于各物体间像素差异较大，存在明显边界，求取的灰度标准差也较大，且灰度均值较分散。
其中，预设的均值-标准差坐标系中，可以是均值轴为X轴，标准差轴为Y轴，也可以是均值轴为Y轴，标准差轴为X轴，其中X轴为水平向右为正的坐标轴，Y轴为垂直向上为正的坐标轴。优选的一种实施例中，可以将均值轴作为X轴，以便于在X-Y轴数值进行拟合时，求取最佳的灰度分割阈值xo。
其中，所构建的各图像块的特征坐标，与预设的均值-标准差坐标系相对应，具体是：若预设的均值-标准差坐标系中均值轴为X轴，标准差轴为Y轴，则特征坐标为(灰度均值，灰度标准差)；若预设的均值-标准差坐标系中均值轴为Y轴，标准差轴为X轴，则特征坐标为(灰度标准差，灰度均值)。
其中，在构建各图像块的特征坐标之后，可以在预设的均值-标准差坐标系中，绘制与各图像块的特征坐标对应的散点。在各图像块对应的散点绘制完毕后，即得到了待分割图像的特征散点图。可以根据特征散点图进行拟合，根据拟合结果确定灰度分割阈值。
可选的，根据特征散点图进行拟合，根据拟合结果确定灰度分割阈值，包括：根据待分割图像的目标分割数量，确定曲线拟合类型；根据特征散点图以及曲线拟合类型进行曲线拟合，得到拟合曲线；根据拟合曲线，确定灰度分割阈值。
其中，待分割图像的目标分割数量与曲线拟合类型具备一定的关联性，当待分割图像的目标分割数量较多时，需要一些复杂的曲线对特征散点图进行曲线拟合。例如，当待分割图像的目标分割数量为2时，可确定曲线拟合类型为2次曲线拟合；当待分割图像的目标分割数量大于2时，可确定曲线拟合类型为比2次曲线更为复杂的曲线拟合类型。其中，当根据确定的曲线拟合类型进行曲线拟合后，可以根据拟合曲线的波峰点和/或波谷点对应的均值轴坐标可以作为灰度分割阈值。其中，若波峰点和/或波谷点对应的均值轴坐标并非特征散点图所对应的灰度均值区间之内，则可以更改曲线拟合类型，并再次进行曲线拟合，直至确定灰度分割阈值。
示例性的，当待分割图像中包含两种物体时，目标分割数量可以为2，其中只包含一种物体的图像块的灰度值分布较集中，灰度标准差较小，而包含两种物体的图像块的灰度均值通常在两个分别只包含一种物体的集中的灰度值区间之间，且灰度标准差较大，因此可以确定曲线拟合类型为二次曲线拟合。
示例性的，图1c是本发明实施例一提供的一种图像分割方法中曲线拟合类型为二次曲线拟合的拟合曲线图。其中，在预设的均值-标准差坐标系中，均值轴为X轴，标准差轴为Y轴；其中，只包含一种物体的图像块的灰度值分布较集中，灰度标准差较小，而包含两种物体的图像块的灰度均值通常在只包含一种物体的两个集中的灰度值区间之间，且灰度标准差较大；其中，对特征散点图进行二次曲线拟合后，得到的二次曲线L；其中，lo为二次曲线L的对称轴，lo与X轴的交点xo，为二次曲线L的波峰点的横坐标，且可以将xo作为灰度分割阈值，以对待分割图像进行分割。
本实施例提供的图像分割方法，首先将待分割图像进行分块，得到各图像块；然后对各图像块进行灰度特征提取；进而根据各图像块的灰度特征确定灰度分割阈值；最后根据灰度分割阈值进行图像分割。通过将待分割图像进行分块，并提取各分块图像的灰度特征值，来确定待分割图像的灰度分割阈值，从而使所确定的灰度分割阈值与待分割图像的灰度特征相关联，提高了图像的分割效果；且确定灰度分割阈值的方法简便，提高了图像的分割效率。
实施例二
本实施例在上述实施例基础上，对待分割图像的特征散点图预先进行了降采样处理，与上述实施例提出的图像分割方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例。
可选的，在根据特征散点图进行拟合之前，还包括：将特征散点图中的散点进行降采样；相应的，根据特征散点图进行拟合，包括：根据降采样后的特征散点图进行拟合。
图2是本发明实施例二提供的一种图像分割方法流程图。参见图2，该图像分割方法包括如下步骤：
S210、将待分割图像进行分块，得到各图像块；
S220、对各图像块进行灰度均值和灰度标准差的求取；
S230、根据各图像块的灰度均值和灰度标准差，构建各图像块的特征坐标；
S240、在预设的均值-标准差坐标系中，绘制与各图像块的特征坐标对应的散点，得到特征散点图；
S250、将特征散点图中的散点进行降采样；
S260、根据降采样后的特征散点图进行拟合，根据拟合结果确定灰度分割阈值；
S270、根据灰度分割阈值进行图像分割。
其中，当待分割图像较大时，对待分割图像进行分块后得到的图像块数量可能较大，计算各图像块对应的灰度均值和灰度标准差较多，得到的特征坐标较多，所绘制的特征散点图中散点数量较大，拟合耗时较长。因此，在根据特征散点图进行拟合之前，可以对特征散点图中的散点进行降采样，根据降采样后的特征散点图进行拟合可以缩短曲线拟合耗时，从而可以提高待分割图像的分割效率。
其中，对特征散点图中的散点进行降采样，例如可以是根据散点之间的距离降采样，具体可以是当两散点之间的距离小于预设距离时，可以保留其中任意一个散点，去除另外一个散点。此外，还可以采用其他方式对特征散点图中的散点进行降采样，而并不限于上述降采样方法。
本实施例在上述实施例基础上，对待分割图像的特征散点图预先进行了降采样处理，以提高特征散点图的曲线拟合效率，从而提高待分割图像的分割效率。此外，与上述实施例提出的图像分割方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，且本实施例与上述实施例具有相同的有益效果。
实施例三
本实施例在上述实施例基础上，对待分割图像的特征散点图预先进行了异常散点去除处理，与上述实施例提出的图像分割方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例。
可选的，在根据特征散点图进行拟合之前，还包括：将特征散点图中的异常散点进行去除；相应的，根据特征散点图进行拟合，包括：根据去除异常散点后的特征散点图进行拟合。
图3是本发明实施例三提供的一种图像分割方法流程图。参见图3，该图像分割方法包括如下步骤：
S310、将待分割图像进行分块，得到各图像块；
S320、对各图像块进行灰度均值和灰度标准差的求取；
S330、根据各图像块的灰度均值和灰度标准差，构建各图像块的特征坐标；
S340、在预设的均值-标准差坐标系中，绘制与各图像块的特征坐标对应的散点，得到特征散点图；
S350、将特征散点图中的异常散点进行去除；
S360、根据去除异常散点后的特征散点图进行拟合，根据拟合结果确定灰度分割阈值；
S370、根据灰度分割阈值进行图像分割。
其中，由于待分割图像在采集时受多种因素的影响，待分割图像中可能存在异常灰度值的像素点，导致绘制于预设均值-标准差坐标系中的散点中可能存在异常散点。例如，医学图像采集时受待扫描物体摆位或扫描剂量等因素影响，待分割医学图像中可能存在异常灰度值的像素点，导致绘制于预设均值-标准差坐标系中的散点中可能存在异常散点。因此，在根据特征散点图进行拟合之前，可以对特征散点图中的散点进行异常散点去除处理，根据去除异常散点后的特征散点图进行拟合，可以从一定程度上避免异常散点对于拟合的影响，从而可以提高拟合的准确性，以及提高图像分割方法的鲁棒性。
可选的，将特征散点图中的异常散点进行去除，包括：
确定特征散点图在预设的均值-标准差坐标系中均值轴上的灰度均值区间；
将灰度均值区间均分为第三数量的灰度均值子区间；
求取各灰度均值子区间内散点的第一平均标准差；
根据第一平均标准差，对各灰度均值子区间内的散点进行分组；
求取各组内散点的第二平均标准差，根据第二平均标准差确定异常散点并去除。
其中，第一平均标准差和第二平均标准差可以指的是各散点的标准差之和的平均值。其中，确定特征散点图在预设的均值-标准差坐标系中均值轴上的灰度均值区间的过程，例如可以是，将特征散点图映射至预设的均值-标准差坐标系中均值轴上，确定特征散点图在均值轴上的最小值和最大值，且可以将最小值到最大值之间的灰度均值范围作为灰度均值区间。其中，第三数量可以为预先设置的数量值，例如可以为30或50，第三数量还可以根据灰度均值区间的大小自定义设置。例如，预先设置灰度均值区间的大小与第三数量的对应关系，当获取到灰度均值区间的大小时，可以根据灰度均值区间的大小，查询预先设置的对应关系，进而确定第三数量的数值。
根据各灰度均值子区间内的第一平均标准差，对各灰度均值子区间内的散点进行分组，以及根据各组内散点的第二平均标准差进行异常散点的确定，可以将距离各灰度均值子区间第一平均标准差较远的点确定为异常点，从而可以从一定程度上避免异常散点对于拟合的影响。此外，还可以根据第二平均标准差进行第二次分组，并计算第二次分组后各组的第三均值标准差，并根据第三均值标准差进行异常散点的确定，从而可以提高异常散点的识别准确率。
进一步的，根据第一平均标准差，对各灰度均值子区间内的散点进行分组，包括：针对各灰度均值子区间内的散点，若散点的灰度标准差大于等于第一平均标准差，则将散点划分至第一组，若散点的灰度标准差小于第一平均标准差，则将散点划分至第二组；
相应的，求取各组内散点的第二平均标准差，根据第二平均标准差确定异常散点并去除，包括：分别求取各第一组散点和各第二组散点的第二平均标准差；将各第一组散点中灰度标准差大于等于第二平均标准差的散点，确定为异常散点并去除；将各第二组散点中灰度标准差小于第二平均标准差的散点，确定为异常散点并去除。
其中，各灰度均值子区间的第一组中的散点为灰度标准差大于等于第一平均标准差的散点；各灰度均值子区间的第二组中的散点为灰度标准差小于第一平均标准差的散点。其中，在分别求取各第一组散点和各第二组散点的第二平均标准差之后，第一组散点中灰度标准差大于等于第二平均标准差的散点距离第一平均标准差较远，第二组散点中灰度标准差小于第二平均标准差的散点距离第一平均标准差较远，因此可以将距离第一平均标准差较远的散点确定为异常散点并去除，从而可以从一定程度上避免异常散点对于拟合的影响。
本实施例在上述实施例基础上，将特征散点图中的异常散点进行去除，可以从一定程度上避免异常散点对于拟合的影响，从而可以提高拟合的准确性，以及提高图像分割方法的鲁棒性。此外，与上述实施例提出的图像分割方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，且本实施例与上述实施例具有相同的有益效果。
实施例四
图4是本发明实施例四提供的一种图像分割装置结构示意图，本实施例可适用于图像分割的情况。
参见图4，本实施例中图像分割装置，包括：
图像分块模块410，用于将待分割图像进行分块，得到各图像块；
特征提取模块420，用于对各图像块进行灰度特征提取；
阈值确定模块430，用于根据各图像块的灰度特征确定灰度分割阈值；
图像分割模块440，用于根据灰度分割阈对待分割图像值进行图像分割；
其中，各图像块的灰度特征包括灰度均值和灰度标准差。
可选的，图像分块模块410，具体用于：确定待分割图像水平方向上第一数量的列分割线，以及垂直方向上第二数量的行分割线；根据各列分割线以及各行分割线，对待分割图像进行分块。
可选的，特征提取模块420，具体用于：确定各图像块的灰度均值和灰度标准差；
相应的，阈值确定模块430，包括：
坐标构建子模块，用于根据各图像块的灰度均值和灰度标准差，构建各图像块的特征坐标；
散点绘制子模块，用于在预设的均值-标准差坐标系中，绘制与各图像块的特征坐标对应的散点，得到特征散点图；
阈值确定子模块，用于根据特征散点图进行拟合，根据拟合结果确定灰度分割阈值。
可选的，阈值确定子模块，包括：
拟合类型确定单元，用于根据待分割图像的目标分割数量，确定曲线拟合类型；
曲线拟合单元，用于根据特征散点图以及曲线拟合类型进行曲线拟合，得到拟合曲线；
阈值确定单元，用于根据拟合曲线，确定灰度分割阈值。
可选的，阈值确定模块430，还包括：
降采样子模块，用于将特征散点图中的散点进行降采样；
相应的，阈值确定子模块，用于根据降采样后的特征散点图进行拟合，根据拟合结果确定灰度分割阈值。
可选的，阈值确定模块430，还包括：
异常散点去除子模块，用于将特征散点图中的异常散点进行去除；
相应的，阈值确定子模块，用于根据去除异常散点后的特征散点图进行拟合，根据拟合结果确定灰度分割阈值。
可选的，异常散点去除子模块，包括：
区间确定单元，用于确定特征散点图在预设的均值-标准差坐标系中均值轴上的灰度均值区间；
区间均分单元，将灰度均值区间均分为第三数量的灰度均值子区间；
标准差求取单元，用于求取各灰度均值子区间内散点的第一平均标准差；
分组单元，用于根据第一平均标准差，对各灰度均值子区间内的散点进行分组；
标准差求取单元，还用于求取各组内散点的第二平均标准差；
异常散点去除单元，用于根据第二平均标准差确定异常散点并去除。
可选的，分组单元，具体用于：针对各灰度均值子区间内的散点，若散点的灰度标准差大于等于第一平均标准差，则将散点划分至第一组，若散点的灰度标准差小于第一平均标准差，则将散点划分至第二组；
相应的，标准差求取单元，具体用于：分别求取各第一组散点和各第二组散点的第二平均标准差；
异常散点去除单元，用于将各第一组散点中灰度标准差大于等于第二平均标准差的散点，确定为异常散点并去除；将各第二组散点中灰度标准差小于第二平均标准差的散点，确定为异常散点并去除。
可选的，待分割图像包括X光图像。进一步的，X光图像包括DR图像或者乳腺图像或者CT图像。
本实施例提供的图像分割装置，与上述实施例提出的图像分割方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例五
本实施例提供了一种终端，可以用于图像分割的情况。图5是本发明实施例五提供的一种终端的结构示意图。参见图5，该终端包括：
一个或多个处理器510；
存储器520，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器510执行，使得一个或多个处理器510实现如上述实施例提出的图像分割方法。其中，当一个或多个程序被一个或多个处理器510执行，使得一个或多个处理器510主要实现如下方法：
将待分割图像进行分块，得到各图像块；对各图像块进行灰度特征提取；根据各图像块的灰度特征确定灰度分割阈值；根据灰度分割阈值对待分割图像进行图像分割；其中，各图像块的灰度特征包括灰度均值和灰度标准差。
图5中以一个处理器510为例；处理器510和存储器520可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器520作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的图像分割方法对应的程序指令/模块。处理器510通过运行存储在存储器520中的软件程序、指令以及模块，从而执行终端的各种功能应用以及数据处理，即实现上述的图像分割方法。
存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器520可进一步包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例提出的终端与上述实施例提出的图像分割方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例六
本实施例提供一种可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的图像分割方法。其中，可读介质中存储的程序被处理器执行时，可以使处理器主要实现如下方法：
将待分割图像进行分块，得到各图像块；对各图像块进行灰度特征提取；根据各图像块的灰度特征确定灰度分割阈值；根据灰度分割阈值对待分割图像进行图像分割；其中，各图像块的灰度特征包括灰度均值和灰度标准差。
本实施例提出的可读介质与上述实施例提出的图像分割方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

1.一种图像分割方法，其特征在于，包括：
将待分割图像进行分块，得到各图像块；
确定所述各图像块的灰度均值和灰度标准差；
根据所述各图像块的灰度均值和灰度标准差，构建各图像块的特征坐标；
在预设的均值-标准差坐标系中，绘制与所述各图像块的特征坐标对应的散点，得到特征散点图；
根据所述特征散点图进行拟合，根据拟合结果确定灰度分割阈值；
根据所述灰度分割阈值对所述待分割图像进行图像分割。
2.根据权利要求1所述的方法，其特征在于，所述将待分割图像进行分块，包括：
确定待分割图像水平方向上第一数量的列分割线，以及垂直方向上第二数量的行分割线；
根据各列分割线以及各行分割线，对待分割图像进行分块。
3.根据权利要求1所述的方法，其特征在于，所述根据所述特征散点图进行拟合，根据拟合结果确定灰度分割阈值，包括：
根据待分割图像的目标分割数量，确定曲线拟合类型；
根据所述特征散点图以及所述曲线拟合类型进行曲线拟合，得到拟合曲线；
根据所述拟合曲线，确定灰度分割阈值。
4.根据权利要求1所述的方法，其特征在于，在所述根据所述特征散点图进行拟合之前，还包括：
将所述特征散点图中的散点进行降采样；
相应的，所述根据所述特征散点图进行拟合，包括：
根据降采样后的特征散点图进行拟合。
5.根据权利要求1所述的方法，其特征在于，在所述根据所述特征散点图进行拟合之前，还包括：
将所述特征散点图中的异常散点进行去除；
相应的，所述根据所述特征散点图进行拟合，包括：
根据去除异常散点后的特征散点图进行拟合。
6.根据权利要求5所述的方法，其特征在于，所述将所述特征散点图中的异常散点进行去除，包括：
确定所述特征散点图在预设的均值-标准差坐标系中均值轴上的灰度均值区间；
将所述灰度均值区间均分为第三数量的灰度均值子区间；
求取各灰度均值子区间内散点的第一平均标准差；
根据所述第一平均标准差，对各灰度均值子区间内的散点进行分组；
求取各组内散点的第二平均标准差，根据所述第二平均标准差确定异常散点并去除。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一平均标准差，对各灰度均值子区间内的散点进行分组，包括：
针对各灰度均值子区间内的散点，若散点的灰度标准差大于等于第一平均标准差，则将散点划分至第一组，若散点的灰度标准差小于第一平均标准差，则将散点划分至第二组；
相应的，所述求取各组内散点的第二平均标准差，根据所述第二平均标准差确定异常散点并去除，包括：
分别求取各第一组散点和各第二组散点的第二平均标准差；
将各第一组散点中灰度标准差大于等于第二平均标准差的散点，确定为异常散点并去除；
将各第二组散点中灰度标准差小于第二平均标准差的散点，确定为异常散点并去除。
8.根据权利要求1所述的方法，其特征在于，所述待分割图像包括X光图像。
9.根据权利要求8所述的方法，其特征在于，所述X光图像包括DR图像或者乳腺图像或者CT图像。
10.一种图像分割装置，其特征在于，包括：
图像分块模块，用于将待分割图像进行分块，得到各图像块；
特征提取模块，用于确定所述各图像块的灰度均值和灰度标准差；
阈值确定模块，用于根据所述各图像块的灰度均值和灰度标准差，构建各图像块的特征坐标；
在预设的均值-标准差坐标系中，绘制与所述各图像块的特征坐标对应的散点，得到特征散点图；
根据所述特征散点图进行拟合，根据拟合结果确定灰度分割阈值；
图像分割模块，用于根据所述灰度分割阈值对所述待分割图像进行图像分割。
11.一种终端，其特征在于，所述终端包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的图像分割方法。
12.一种可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的图像分割方法。
CN201910850220.6A 2019-05-24 2019-09-09 一种图像分割方法、装置、终端及可读介质 Active CN110570445B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910850220.6A CN110570445B (zh) 2019-09-09 2019-09-09 一种图像分割方法、装置、终端及可读介质
PCT/CN2020/091969 WO2020238819A1 (en) 2019-05-24 2020-05-24 Systems and methods for image processing
US17/456,568 US20220084305A1 (en) 2019-05-24 2021-11-24 Systems and methods for image processing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910850220.6A CN110570445B (zh) 2019-09-09 2019-09-09 一种图像分割方法、装置、终端及可读介质

Publications (2)

Publication Number Publication Date
CN110570445A CN110570445A (zh) 2019-12-13
CN110570445B true CN110570445B (zh) 2022-03-25

Family

ID=68778867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910850220.6A Active CN110570445B (zh) 2019-05-24 2019-09-09 一种图像分割方法、装置、终端及可读介质

Country Status (1)

Country Link
CN (1) CN110570445B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020238819A1 (en) * 2019-05-24 2020-12-03 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN111209626B (zh) * 2020-01-09 2023-04-21 北京林业大学 一种确定沙障铺设路径的方法和系统
CN111652233B (zh) * 2020-06-03 2023-04-25 哈尔滨工业大学（威海） 一种针对复杂背景的文本验证码自动识别方法
CN113674232A (zh) * 2021-08-12 2021-11-19 Oppo广东移动通信有限公司 图像噪声预估方法、装置、电子设备和存储介质
CN116564547B (zh) * 2023-04-24 2024-02-09 江西中科九峰智慧医疗科技有限公司 一种呼吸道传染病的早期预警方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101114340A (zh) * 2007-09-06 2008-01-30 成都方程式电子有限公司 直方图均衡化图像处理的vlsi实现系统及方法
JP2009043111A (ja) * 2007-08-10 2009-02-26 Canon Inc 画像処理方法
CN107808381A (zh) * 2017-09-25 2018-03-16 哈尔滨理工大学 一种单细胞图像分割方法
CN107945200A (zh) * 2017-12-14 2018-04-20 中南大学 图像二值化分割方法
CN109299634A (zh) * 2017-07-25 2019-02-01 上海中科顶信医学影像科技有限公司 斑检测方法、系统、设备及存储介质
CN109741334A (zh) * 2018-11-28 2019-05-10 恒银金融科技股份有限公司 一种通过分块阈值进行图像分割的方法
CN109870461A (zh) * 2019-03-29 2019-06-11 深圳市阿赛姆电子有限公司 一种电子元器件质量检测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009043111A (ja) * 2007-08-10 2009-02-26 Canon Inc 画像処理方法
CN101114340A (zh) * 2007-09-06 2008-01-30 成都方程式电子有限公司 直方图均衡化图像处理的vlsi实现系统及方法
CN109299634A (zh) * 2017-07-25 2019-02-01 上海中科顶信医学影像科技有限公司 斑检测方法、系统、设备及存储介质
CN107808381A (zh) * 2017-09-25 2018-03-16 哈尔滨理工大学 一种单细胞图像分割方法
CN107945200A (zh) * 2017-12-14 2018-04-20 中南大学 图像二值化分割方法
CN109741334A (zh) * 2018-11-28 2019-05-10 恒银金融科技股份有限公司 一种通过分块阈值进行图像分割的方法
CN109870461A (zh) * 2019-03-29 2019-06-11 深圳市阿赛姆电子有限公司 一种电子元器件质量检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
利用自适应图像块划分的图像噪声强度估计;傅鹏 等;《计算机辅助设计与图形学学报》;20150831;第27卷(第8期);第1475-1482页 *

Also Published As

Publication number Publication date
CN110570445A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110570445B (zh) 一种图像分割方法、装置、终端及可读介质
CN109712131B (zh) 肺结节特征的量化方法、装置、电子设备及存储介质
CN110929728B (zh) 一种图像感兴趣区域划分方法、图像分割方法及装置
CN110188778B (zh) 基于影像提取结果的居民区要素轮廓规则化方法
CN108961316B (zh) 图像处理方法、装置及服务器
CN112950554B (zh) 一种基于肺分割的肺叶分割优化方法及系统
CN108334879A (zh) 一种区域提取方法、系统及终端设备
WO2008002560A2 (en) Computer-implemented method for efficient image segmentation using automated saddle-point detection
CN116071272A (zh) 一种图像校正方法、装置、电子设备及其存储介质
CN114565722A (zh) 一种三维模型单体化实现方法
CN113129328B (zh) 一种目标热点区域精细化分析方法
CN116721228B (zh) 一种基于低密度点云的建筑物高程提取方法及系统
CN111445411A (zh) 图像去噪方法、装置、计算机设备和存储介质
CN114298927B (zh) 一种cbct图像去噪方法、装置、存储介质及电子设备
CN114511862A (zh) 表格识别方法、装置及电子设备
CN111815637A (zh) 3d图像边缘点云的提取方法、设备及计算机存储介质
Morar et al. GPU accelerated 2D and 3D image processing
CN117152364B (zh) 基于影像数据的水体边界三维重建的方法、装置和设备
CN115457432B (zh) 用于视频帧提取的数据处理方法和装置
CN112215839B (zh) 一种超声心动图左心室壁六段分割方法、系统及存储介质
CN105976358B (zh) 一种用于特征金字塔多卷积核的快速卷积计算的方法
CN111383231B (zh) 一种基于3d图像的图像分割方法、装置及系统
CN117420152B (zh) 视觉检测方法、装置、计算机设备及计算机可读存储介质
CN111161242B (zh) 肺结节hu值确定方法、装置、存储介质及计算机设备
CN114037775B (zh) 骨骼结构生长方法、装置、电子设备及存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant