CN110705576A - 区域轮廓确定方法、装置及图像显示设备 - Google Patents

区域轮廓确定方法、装置及图像显示设备 Download PDF

Info

Publication number
CN110705576A
CN110705576A CN201910935186.2A CN201910935186A CN110705576A CN 110705576 A CN110705576 A CN 110705576A CN 201910935186 A CN201910935186 A CN 201910935186A CN 110705576 A CN110705576 A CN 110705576A
Authority
CN
China
Prior art keywords
contour line
image
pixel
region
initial
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.)
Granted
Application number
CN201910935186.2A
Other languages
English (en)
Other versions
CN110705576B (zh
Inventor
柴象飞
郭娜
谭启路
史睿琼
王琪
左盼莉
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.)
Huiying medical technology (Beijing) Co.,Ltd.
Original Assignee
Wisdom Shadow Medical Technology (beijing) 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 Wisdom Shadow Medical Technology (beijing) Co Ltd filed Critical Wisdom Shadow Medical Technology (beijing) Co Ltd
Priority to CN201910935186.2A priority Critical patent/CN110705576B/zh
Publication of CN110705576A publication Critical patent/CN110705576A/zh
Application granted granted Critical
Publication of CN110705576B publication Critical patent/CN110705576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提出一种区域轮廓确定方法、装置及电子设备,图像显示设备获取包括目标区域及目标区域的第一初始标注轮廓线的第一图像,从第一图像中识别第一初始标注轮廓线围成的第一区域内的像素点,判断识别的第一区域内的像素点的数量是否达到设定值,如果没有,则采用主动轮廓线模型算法对第二初始标注轮廓线进行至少一次迭代拟合,得到目标区域的预测轮廓线。其中,第二初始标注轮廓线是经过双线性插值处理的第一初始标注轮廓线。如此,能够改善小目标区域因包含的像素点过少而无法收敛,从而无法拟合出所需轮廓线的问题。

Description

区域轮廓确定方法、装置及图像显示设备
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种区域轮廓确定方法、装置及图像显示设备。
背景技术
用户在查看图像过程中,有时需要在图像中对感兴趣的目标区域进行标注,然而用户在操作时只能勾画出目标区域的大致轮廓线,勾画的轮廓线与目标区域的实际边界存在误差,导致基于勾画的轮廓线进行的后续处理无法得到准确结果。
发明内容
有鉴于此,本发明的目的在于提供一种区域轮廓确定方法、装置及图像显示设备。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供一种区域轮廓确定方法,应用于图像显示设备,所述方法包括:
获取第一图像,其中,所述第一图像包括目标区域及该目标区域的第一初始标注轮廓线;
从所述第一图像中识别所述第一初始标注轮廓线围成的第一区域内的像素点,判断识别的所述第一区域内的像素点的数量是否达到设定值;
若没有达到所述设定值,则采用主动轮廓线Snake模型算法对第二初始标注轮廓线进行至少一次迭代拟合,得到所述目标区域的预测轮廓线;其中,所述第二初始标注轮廓线为经过双线性插值处理的第一初始标注轮廓线。
在可选的实施方式中,还包括:
在所述获取第一图像之后,将所述第一图像显示于超文本标记语言HTML页面文件的画布canvas元素上,得到第二图像;
其中,所述第二图像为经过双线性插值处理的第一图像,所述第二图像包括所述第二初始标注轮廓线。
在可选的实施方式中,所述第一初始标注轮廓线包括依次相连的多个像素点;所述从所述第一图像中识别所述第一初始标注轮廓线围成的第一区域内的像素点,包括:
从所述多个像素点各自在所述第一图像上的像素坐标中,确定最大像素坐标和最小像素坐标;
根据所述最大像素坐标和所述最小像素坐标确定一包围盒,所述第一初始标注轮廓线位于所述包围盒内;
以所述包围盒的一个顶点为种子点,采用区域生长法识别所述包围盒与所述第一初始标注轮廓线围成的第二区域内的像素点;
根据所述包围盒及所述第二区域内的像素点,确定所述第一区域内的像素点。
在可选的实施方式中,所述以所述包围盒的一个顶点处的像素点为种子点,采用区域生长法识别所述包围盒与所述第一初始标注轮廓线围成的第二区域内的像素点,包括:
建立目标数组,将所述种子点添加到所述目标数组中;
针对所述目标数组中的每个像素点,执行预设处理,并在所述目标数组为空时停止执行所述预设处理,所述预设处理包括:判断该像素点是否位于所述第一初始标注轮廓线上,以及判断该像素点是否具有预设标记;如果判断结果均为是,则从所述目标数组中移除该像素点,为该像素点添加所述预设标记,并将该像素点的邻域点添加到所述目标数组中;如果任意一个判断结果为否,则从所述目标数组中移除该像素点;
其中,停止执行所述预设处理时,所述包围盒内具有所述预设标记的像素点均为所述第二区域内的像素点。
在可选的实施方式中,每次所述迭代拟合包括:
采用以下计算式对本次迭代拟合的轮廓线上的每个像素点进行计算,得到本次迭代后的轮廓线:
Figure BDA0002221429550000031
其中,首次所述迭代拟合的轮廓线为所述第二初始标注轮廓线,(xt-1,yt-1)表示本次迭代拟合的轮廓线上像素点的像素坐标,(xt,yt)表示本次迭代拟合后的轮廓线上像素点的像素坐标;
E表示能量泛函,所述能量泛函的外部能量项通过对所述第一图像的梯度图像矩阵取相反数得到,所述能量泛函的内部能量项包括一曲线方程的一阶导数的模及该曲线方程的二阶导数的模,该曲线方程表示所述目标区域的轮廓线,是所述能量泛函的自变量;
Eext表示所述外部能量项;
A为参数矩阵,其表达式如下:
Figure BDA0002221429550000042
其中,a=2α+6β,b=-(α+4β),c=β,α、β和γ均为预设的参数。
在可选的实施方式中,还包括:
在进行每次所述迭代拟合前,对本次迭代拟合的轮廓线进行线性插值。
在可选的实施方式中,在获取第一图像之前,还包括:
针对所述第一图像中的每个像素点,根据所述第一图像当前的窗宽和窗位,将该像素点的像素值转换为灰度值。
第二方面,本发明实施例提供一种区域轮廓确定装置,应用于图像显示设备,所述装置包括:
获取模块,用于获取第一图像,其中,所述第一图像包括目标区域及所述目标区域的第一初始标注轮廓线;
识别模块,用于从所述第一图像中识别所述第一初始标注轮廓线围成的第一区域内的像素点,判断识别的所述第一区域内的像素点的数量是否达到设定值;
拟合模块,用于当没有达到所述设定值时,采用Snake模型算法对所述第二初始标注轮廓线进行至少一次迭代拟合,得到所述目标区域的预测轮廓线;其中,所述第二初始标注轮廓线为经过双线性插值处理的第一初始标注轮廓线。
第三方面,本发明实施例提供一种图像显示设备,包括处理器及机器可读存储介质,所述机器可读存储介质上存储有机器可执行指令,所述机器可执行指令被所述执行时促使所述处理器实现前述实施方式中任意一项所述的方法。
第四方面,本发明实施例提供一种机器可读存储介质,其上存储有机器可执行指令,所述机器可执行指令被执行时实现前述实施方式中任意一项所述的方法。
本发明实施例提供的区域轮廓确定方法、装置及图像显示设备,图像显示设备获取第一图像,第一图像包括目标区域及目标区域的第一初始标注轮廓的第一图像,从第一图像中识别第一标注轮廓围成的第一区域内的像素点,判断识别的第一区域内的像素点的数量是否达到设定值,如果没有,则采用主动轮廓线模型算法对第二初始标注轮廓线进行至少一次迭代拟合,得到目标区域的预测轮廓线。其中,第二初始标注轮廓线是经过双线性插值处理的第二初始标注轮廓线。如此,能够改善小目标区域因包含的像素点过少而无法收敛,从而无法拟合出所需轮廓线的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的一种图像显示设备的方框示意图;
图2示出了本发明实施例提供的一种区域轮廓确定方法的流程示意图;
图3A示出了本发明实施例提供的一种第一图像中第一初始标注轮廓线的示意图;
图3B示出了本发明实施例提供的区域轮廓确定方法拟合出的预测轮廓线的示意图;
图4示出了图2所示步骤S102的一种子步骤示意图;
图5示出了本发明实施例提供的一种包围盒与第一初始标注轮廓线的关系示意图;
图6示出了图4所示步骤S203的一种子步骤示意图;
图7示出了本发明实施例提供的一种区域轮廓确定装置的功能模块框图。
图标:100-图像显示设备;110-区域轮廓确定装置;111-获取模块;112-识别模块;113-拟合模块;120-机器可读存储介质;130-处理器;140-通信单元;150-浏览器客户端。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1,是本发明实施例提供的一种图像显示设备100的方框示意图。图像显示设备100可以是任意能够对图像进行显示和处理的电子设备,例如可以是服务器、个人计算机、智能终端等。
图像显示设备100可以包括区域轮廓确定装置110、机器可读存储介质120、处理器130及通信单元140。
其中,机器可读存储介质120、处理器130及通信单元140各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互间可以通过一条或多条通讯总线或信号线实现电性连接。区域轮廓确定装置110可以包括至少一个可以以软件形式存储于机器可读存储介质120中的功能模块,处理器130可以调用并执行机器可读存储介质120中的指令,以实现后文描述的区域轮廓确定方法。
通信单元140用于建立与外部设备的通信,以与外部设备进行数据交互,例如用于从外部设备获取后文描述的第一图像,即包含需要标注轮廓的目标区域的图像。
应当理解的是,图1所示的结构仅为图像显示设备100的结构示意图,图像显示设备100还可以包括比图1所示更多或更少的组件,或是具有与图1所示完全不同的配置。例如,图像显示设备100还可以包括浏览器客户端150,该浏览器客户端150可以软件的形式存储于机器可读存储介质120中。
请参照图2,图2示出了本实施例提供的一种区域轮廓标注方法的流程示意图,该方法可以应用于图1所示的图像显示设备100。下面对该方法包括的步骤进行阐述。
步骤S101,获取第一图像,其中,所述第一图像包括目标区域及该目标区域的第一初始标注轮廓线。
其中,第一图像可以是任何包含需要标注轮廓的目标区域的图像。例如可以是包含动物的图像,目标区域可以是动物所在的区域;又如,可以是包含特定人体组织的医学图像,人体组织所在区域为目标区域。
以医学图像为例,用户(如,医生)在查看医学图像时,通常会在医学图像上勾画出感兴趣的区域(如,病变组织所在区域等)。第一初始标注轮廓可以是用户在第一图像上手动勾画出的目标区域的轮廓。例如图3A所示,其中示出了用户在一医学图像上标注出的第一初始标注轮廓线L1。
人的肉眼一般最多可识别16个不同的灰阶,因此采集到的第一图像通常是经过转换的16位图像。进一步地,普通显示器显示灰度图像时,通常会将16位图像进一步处理成8位图像,即像素值为单通道,灰阶跨度为0-255。
因此,考虑到用户在查看图像显示设备100上查看第一图像时,通常会对第一图像的窗宽、窗位进行调节,以达到对感兴趣的目标区域的最佳观察效果,本实施例中,在获取第一图像之前,可以基于第一图像当前的窗宽和窗位来将第一图像从16位图像转换为8位图像,其效果等价于以用户感兴趣的区域为目标进行一次图像增强处理,能够使得后续拟合出的目标区域的预测轮廓线更为准确。
为了达到上述效果,在获取第一图像之前,本实施例提供的区域轮廓确定方法还可以包括以下步骤:
针对第一图像中的每个像素点,根据第一图像当前的窗宽和窗位,将该像素点的像素值转换为灰度值。
可选地,上述步骤可以通过如下计算式实现:
Figure BDA0002221429550000091
其中,p1是16位的第一图像中像素点的像素值,p2是转换后的[0,255]区间内的像素值(即灰度值)。L和W分别表示第一图像当前的窗宽和窗位,即用户调节后的窗宽和窗位。
在上述计算式中,在区间
Figure BDA0002221429550000092
内的像素值会被映射为对应的灰度值,大于
Figure BDA0002221429550000093
的像素值被映射为255,小于
Figure BDA0002221429550000094
的像素值被映射为0。
步骤S102,从所述第一图像中识别所述第一初始标注轮廓线围成的第一区域内的像素点,判断识别的所述第一区域内的像素点的数量是否达到设定值。若是,则可以执行步骤S104;若否,则执行步骤S103。
步骤S103,采用主动轮廓线Snake模型算法对第一初始标注轮廓线进行至少一次迭代拟合,得到所述目标区域的预测轮廓线。
步骤S104,采用主动轮廓线Snake模型算法对第二初始标注轮廓线进行至少一次迭代拟合,得到所述目标区域的预测轮廓线;其中,所述第二初始标注轮廓线为经过双线性插值处理的第一初始标注轮廓线。
主动轮廓线模型算法,又称Snake模型算法,其使用封闭连续曲线来表达目标边缘(即,边缘曲线),并定义一个能量泛函使其自变量包括边缘曲线,边缘曲线在内力与外力的双重作用下进行演化,最后在其能量泛函最小时停滞。如此,图像分割过程被转变为求解能量泛函的最小值的过程,能量达到最小时的边缘曲线的位置就是目标的轮廓所在。其中,能量泛函的表达式可以如下:
Figure BDA0002221429550000101
其中,C(q)表示目标区域的轮廓线的曲线方程,q例如可以是以傅里叶变换形式描述目标区域的轮廓线的自变量。表达式(1)中的前两项表示能量泛函E的内部能量项,分别为曲线方程的一阶导数的模和曲线方程的二阶导数的模,α、β为根据经验预设的参数。表达式(2)的最后一项Eext表示能量泛函E的外部能量项,可以通过对第一图像的梯度图像矩阵取相反数得到。
其中,第一图像的梯度图像矩阵I(x,y)可以通过以下计算式得到:
Figure BDA0002221429550000102
其中,
Figure BDA0002221429550000103
Figure BDA0002221429550000104
分别表示第一图像中的像素点的像素坐标(x,y)在水平方向和竖直方向的差分。
在一种实施方式中,可以直接对第一图像的梯度图像矩阵取相反数,得到上述表达式(2)中的外部能量项Eext
在另一种实施方式中,为了便于后续使用Snake模型算法,可以先对梯度图像矩阵I(x,y)做增强处理,例如将其每个像素值映射到[0,255]区间内,然后再将增强处理后的梯度图像矩阵I(x,y)取相反数,得到外部能量项Eext
在上述的计算式(2)中,当曲线方程C(q)趋于停滞时,上述能量泛函应当取得极小值。因此,需要对计算式(1)进行变分求解,为了方便计算,首先上述计算式(2)等价处理为:
Figure BDA0002221429550000111
进一步地,采用欧拉公式,将变分问题转化为微分问题,并使得能量泛函的能量最小,可以得到如下计算式:
Figure BDA0002221429550000112
其中,C(2)(q)为曲线方程C(q)的二阶导数,C(4)(q)是曲线方程C(q)的四阶导数,
Figure BDA0002221429550000113
表示外部能量项Eext的梯度。
对于曲线方程C(q),可以分解为x、y分量:
C(q)=C[x(q),y(q)], (6)
在此情况下,计算式(5)可以分解为:
Figure BDA0002221429550000114
将微分方程(7)离散化处理,将x(q)的2阶导数x(2)(q)与4阶导数x(4)(q)分别用差分形式等价替换,可得到如下方程:
x(2)(q)=x(q+1)+x(q-1)-2x(q), (8)
对于y(q)的2阶导数y(2)(q)和4阶导数y(4)(q)可采用类似方式处理。
对于计算式(2)中的外部能量项,可以分别求取其关于x、y分量的微分,令:
Figure BDA0002221429550000122
再联立上述方程,可得如下方程组(10):
Figure BDA0002221429550000123
将以上方程组矩阵化处理,可得:
Figure BDA0002221429550000124
其中:
Figure BDA0002221429550000125
a=2α+6β,b=-(α+4β),c=β,
利用梯度下降法,求解迭代关系式:
Figure BDA0002221429550000126
其中,(xt-1,yt-1)表示本次迭代拟合的轮廓线上的像素点的像素坐标,(xt,yt)表示本次迭代拟合后的轮廓线上的像素点的像素坐标,γ为根据经验预设的参数。
根据方程组(12)可以得到如下关系式,
Figure BDA0002221429550000131
上述关系式(13)为本次迭代拟合的轮廓线上像素点的像素坐标(xt-1,yt-1)与本次迭代拟合后的轮廓线上像素点的像素坐标(xt,yt)之间的映射关系。本实施例中,采用关系式(13)对目标区域的初始标注轮廓线进行预设次数的迭代拟合,可以得到逼近目标区域的真实轮廓线的预测轮廓线。其中,所述预设次数可以根据经验或统计数据预先设定,例如可以为350-450次,如400次。
可选地,在每次迭代拟合之前,可以对本次迭代拟合的轮廓线进行线性插值。如此,可以降低随着迭代拟合次数的增加而累积的误差。
经研究发现,当用户感兴趣的目标区域非常小(如,在第一图像上仅有几个像素点)时,由于初始标注轮廓线的像素点不足,采用Snake模型算法对初始标注轮廓线进行迭代拟合,在梯度下降过程中极易造成不收敛的问题,从而无法拟合出目标区域的轮廓线。
为了改善上述问题,本实施例中,在进行首次迭代拟合前,首先对第一图像上的目标区域内的像素点进行识别,例如,可以识别第一初始标注轮廓线在第一图像上围成的第一区域内的像素点,判断第一区域内的像素点数量是否达到设定值。如果达到设定值,则采用第一图像上原有的第一初始标注轮廓线作为Snake模型首次迭代拟合的轮廓线。如果没有达到设定值,则采用经过双线性插值处理的第二初始标注轮廓线作为Snake模型首次迭代拟合的轮廓线。如此,当用户感兴趣的目标区域较小时,仍能拟合出该目标区域的轮廓线。
可选地,考虑到实际应用中,图像显示设备100通常是采用基于浏览器客户端150实现的图像查看软件来对第一图像进行显示,例如用于显示医学图像的DICOM(DigitalImagingandCommunications in Medicine,医学数字成像和通信)影像查阅工具。其中,图像显示设备100会将第一图像显示于浏览器客户端150上的HTML(HyperTextMarkupLanguage,超文本标记语言)页面文件的canvas(画布)元素上。
canvas元素具有以下特性:当呈现尺度比自身小的图像时,浏览器客户端150会对该图像进行双线性插值处理,以降低锯齿效应。因此,当第一图像尺度较小时,浏览器客户端150会对第一图像进行双线性插值处理,得到第二图像,再将第二图像显示于canvas元素上。对应地,第一图像上的第一初始标注轮廓线也将经双线性插值处理而成为第二初始标注轮廓线。
本实施例中,图像显示设备100可以直接从HTML页面文件的画布元素上获取第二初始标注轮廓线作为Snake模型首次迭代拟合的轮廓线。
值得说明的是,上述的第一初始标注轮廓线和第二初始标注轮廓线可能是离散点,在此情况下,可以采用线性插值方法对其进行插值,以形成封闭的曲线,然后再将封闭的第一初始标注轮廓线或第二初始标注轮廓线作为首次迭代拟合的轮廓线。
如此,通过预设次数的迭代拟合可以得到目标区域的预测轮廓线,该预测轮廓线非常接近目标区域的真实轮廓。如图3B所示,图像显示设备100可以将第二图像上的第二初始标注轮廓线替换成预测轮廓线L2。
本实施例中,第一初始标注轮廓线包括多个依次相连的像素点(又称“关键点”)。在此情况下,图像显示设备100可以通过图4所示流程来识别第一区域内的像素点,换言之,步骤S102可以包括如下步骤:
步骤S201,确定第一初始标注轮廓线包括的多个像素点,从多个像素点各自在第一图像上的像素坐标中确定最大像素坐标和最小像素坐标。
步骤S202,根据最大像素坐标和最小像素坐标确定一包围盒(bounding box),第一初始标注轮廓线位于包围盒内。
其中,最大像素坐标包括最大的像素横坐标和最大的像素纵坐标,最小像素坐标包括最小的像素横坐标和最小的像素纵坐标,如此,可以依据四个坐标确定一个将第一初始标注轮廓线包围在内的矩形,该矩形即为所述包围盒。
请参照图5,其中示例性地示出了一个包含第一初始标注轮廓线L1的第一图像,依据其上的最大像素坐标和最小像素坐标可以确定包围盒S1。
步骤S203,以包围盒的一个顶点处的像素点为种子点,采用区域生长法识别包围盒与第一初始标注轮廓线围成的第二区域内的像素点。
可选地,本实施例可以以包围盒的左上角的顶点处的像素点为所述种子点。此外,考虑到8-邻域区域生长法容易造成生长区域越过轮廓线而到达区域内部的情况,故本实施例可以采用4-邻域区域生长法。
详细地,步骤S203可以通过如图6所示的流程实现。
步骤S203-1,建立目标数组,将种子点添加到目标数组中。
步骤S203-2,针对目标数组中的每个像素点,判断该像素点是否位于第一初始标注轮廓线上,且该像素点是否具有预设标记。如果均为是,则执行步骤S203-3;如果任意一个为否,则执行步骤S203-4。
步骤S203-3,从目标数组中移除该像素点,为该像素点添加预设标记,并将该像素点的4-邻域点加入目标数组。
步骤S203-4,从目标数组中移除该像素点。
步骤S203-5,判断目标数组是否为空。如果是,则结束处理;如果否,跳转至步骤S203-2。
通过上述流程,当结束处理时,包围盒内具有预设标记的点为第二区域内的点。
步骤S204,根据包围盒及第二区域内的像素点,确定第一区域内的像素点。
其中,图像显示设备100从包围盒内排除第二区域内的像素点,即为第一区域内的像素点。
请参照图7,其中示出了本实施例提供的一种区域轮廓确定装置110的功能模块框图。从功能上划分,区域轮廓确定装置110可以包括获取模块111、识别模块112和拟合模块113。
其中,获取模块111用于获取第一图像,其中,第一图像包括目标区域及目标区域的第一初始标注轮廓线。
识别模块112用于从第一图像中识别第一初始标注轮廓线围成的第一区域内的像素点,判断识别的第一区域内的像素点的数量是否达到设定值。
拟合模块113用于当没有达到设定值时,采用Snake模型算法对第二初始标注轮廓线进行至少一次迭代拟合,得到目标区域的预测轮廓线。其中,第二初始标注轮廓线为经过双线性插值处理的第一初始标注轮廓线。
关于上述功能模块的描述具体可以参照前文关于相关步骤的详细描述,在此不再赘述。
综上所述,本实施例提供的一种区域轮廓确定方法、装置及图像显示设备,图像显示设备获取第一图像,第一图像包括目标区域及目标区域的第一初始标注轮廓的第一图像,从第一图像中识别第一标注轮廓围成的第一区域内的像素点,判断识别的第一区域内的像素点的数量是否达到设定值,如果没有,则采用主动轮廓线模型算法对第二初始标注轮廓线进行至少一次迭代拟合,得到目标区域的预测轮廓线。其中,第二初始标注轮廓线是经过双线性插值处理的第二初始标注轮廓线。如此,能够改善小目标区域因包含的像素点过少而无法收敛,从而无法拟合出所需轮廓线的问题。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置、设备和方法,也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的选定实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种区域轮廓确定方法,其特征在于,应用于图像显示设备,所述方法包括:
获取第一图像,其中,所述第一图像包括目标区域及该目标区域的第一初始标注轮廓线;
从所述第一图像中识别所述第一初始标注轮廓线围成的第一区域内的像素点,判断识别的所述第一区域内的像素点的数量是否达到设定值;
若没有达到所述设定值,则采用主动轮廓线Snake模型算法对第二初始标注轮廓线进行至少一次迭代拟合,得到所述目标区域的预测轮廓线;其中,所述第二初始标注轮廓线为经过双线性插值处理的第一初始标注轮廓线。
2.根据权利要求1所述的方法,其特征在于,还包括:
在所述获取第一图像之后,将所述第一图像显示于超文本标记语言HTML页面文件的画布canvas元素上,得到第二图像;
其中,所述第二图像为经过双线性插值处理的第一图像,所述第二图像包括所述第二初始标注轮廓线。
3.根据权利要求1或2所述的方法,其特征在于,所述第一初始标注轮廓线包括依次相连的多个像素点;所述从所述第一图像中识别所述第一初始标注轮廓线围成的第一区域内的像素点,包括:
从所述多个像素点各自在所述第一图像上的像素坐标中,确定最大像素坐标和最小像素坐标;
根据所述最大像素坐标和所述最小像素坐标确定一包围盒,所述第一初始标注轮廓线位于所述包围盒内;
以所述包围盒的一个顶点为种子点,采用区域生长法识别所述包围盒与所述第一初始标注轮廓线围成的第二区域内的像素点;
根据所述包围盒及所述第二区域内的像素点,确定所述第一区域内的像素点。
4.根据权利要求3所述的方法,其特征在于,所述以所述包围盒的一个顶点处的像素点为种子点,采用区域生长法识别所述包围盒与所述第一初始标注轮廓线围成的第二区域内的像素点,包括:
建立目标数组,将所述种子点添加到所述目标数组中;
针对所述目标数组中的每个像素点,执行预设处理,并在所述目标数组为空时停止执行所述预设处理,所述预设处理包括:判断该像素点是否位于所述第一初始标注轮廓线上,以及判断该像素点是否具有预设标记;如果判断结果均为是,则从所述目标数组中移除该像素点,为该像素点添加所述预设标记,并将该像素点的邻域点添加到所述目标数组中;如果任意一个判断结果为否,则从所述目标数组中移除该像素点;
其中,停止执行所述预设处理时,所述包围盒内具有所述预设标记的像素点均为所述第二区域内的像素点。
5.根据权利要求1或2所述的方法,其特征在于,每次所述迭代拟合包括:
采用以下计算式对本次迭代拟合的轮廓线上的每个像素点进行计算,得到本次迭代拟合后的轮廓线:
Figure FDA0002221429540000021
其中,首次所述迭代拟合的轮廓线为所述第二初始标注轮廓线,(xt-1,yt-1)表示本次迭代拟合的轮廓线上像素点的像素坐标,(xt,yt)表示本次迭代拟合后的轮廓线上像素点的像素坐标;
E表示能量泛函,所述能量泛函的外部能量项通过对所述第一图像的梯度图像矩阵取相反数得到,所述能量泛函的内部能量项包括一曲线方程的一阶导数的模以及该曲线方程的二阶导数的模,该曲线方程表示所述目标区域的轮廓线,是所述能量泛函的自变量;
Figure FDA0002221429540000031
Eext表示所述外部能量项;
A为参数矩阵,其表达式如下:
Figure FDA0002221429540000032
其中,a=2α+6β,b=-(α+4β),c=β,α、β和γ均为预设的参数。
6.根据权利要求5所述的方法,其特征在于,还包括:
在进行每次所述迭代拟合前,对本次迭代拟合的轮廓线进行线性插值。
7.根据权利要求1或2所述的方法,其特征在于,在获取第一图像之前,还包括:
针对所述第一图像中的每个像素点,根据所述第一图像当前的窗宽和窗位,将该像素点的像素值转换为灰度值。
8.一种区域轮廓确定装置,其特征在于,应用于图像显示设备,所述装置包括:
获取模块,用于获取第一图像,其中,所述第一图像包括目标区域及所述目标区域的第一初始标注轮廓线;
识别模块,用于从所述第一图像中识别所述第一初始标注轮廓线围成的第一区域内的像素点,判断识别的所述第一区域内的像素点的数量是否达到设定值;
拟合模块,用于当没有达到所述设定值时,采用Snake模型算法对第二初始标注轮廓线进行至少一次迭代拟合,得到所述目标区域的预测轮廓线;其中,所述第二初始标注轮廓线为经过双线性插值处理的第一初始标注轮廓线。
9.一种图像显示设备,其特征在于,包括处理器及机器可读存储介质,所述机器可读存储介质上存储有机器可执行指令,所述机器可执行指令被执行时促使所述处理器实现权利要求1-7中任意一项所述的方法。
10.一种机器可读存储介质,其特征在于,其上存储有机器可执行指令,所述机器可执行指令被执行时实现权利要求1-7中任意一项所述的方法。
CN201910935186.2A 2019-09-29 2019-09-29 区域轮廓确定方法、装置及图像显示设备 Active CN110705576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910935186.2A CN110705576B (zh) 2019-09-29 2019-09-29 区域轮廓确定方法、装置及图像显示设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910935186.2A CN110705576B (zh) 2019-09-29 2019-09-29 区域轮廓确定方法、装置及图像显示设备

Publications (2)

Publication Number Publication Date
CN110705576A true CN110705576A (zh) 2020-01-17
CN110705576B CN110705576B (zh) 2020-09-22

Family

ID=69196547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910935186.2A Active CN110705576B (zh) 2019-09-29 2019-09-29 区域轮廓确定方法、装置及图像显示设备

Country Status (1)

Country Link
CN (1) CN110705576B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177607A (zh) * 2021-05-21 2021-07-27 浙江大华技术股份有限公司 一种对训练对象的标注方法及客户端
CN113192067A (zh) * 2021-05-31 2021-07-30 平安科技(深圳)有限公司 基于图像检测的智能预测方法、装置、设备及介质
CN113269798A (zh) * 2021-05-14 2021-08-17 深圳市嘉骏实业有限公司 一种医学图像分割方法、装置、计算机设备及其存储介质
CN114693664A (zh) * 2022-04-13 2022-07-01 深圳北芯生命科技股份有限公司 血管超声图像的标注方法、设备及介质
CN116309641A (zh) * 2023-03-23 2023-06-23 北京鹰之眼智能健康科技有限公司 图像区域获取系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7176915B1 (en) * 2002-08-09 2007-02-13 Avid Technology, Inc. Subdividing rotation in a character using quaternion interpolation for modeling and animation in three dimensions
CN102163326A (zh) * 2010-12-22 2011-08-24 武汉沃生科学技术研究中心有限公司 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法
CN103927732A (zh) * 2013-01-11 2014-07-16 上海联影医疗科技有限公司 一种胸壁线的检测方法
US20150248000A1 (en) * 2012-09-24 2015-09-03 Sony Corporation Image processing apparatus, image processing program, and image processing method
CN105513558A (zh) * 2015-09-26 2016-04-20 南京巨鲨显示科技有限公司 医用专业显示器超高位宽图像增强显示装置及方法
CN106096617A (zh) * 2016-06-08 2016-11-09 哈尔滨工程大学 一种基于改进主动轮廓模型的全景海天线提取方法
CN106250867A (zh) * 2016-08-12 2016-12-21 南京华捷艾米软件科技有限公司 一种基于深度数据的人体骨骼跟踪系统的实现方法
CN106446894A (zh) * 2016-09-27 2017-02-22 广东技术师范学院 一种基于轮廓识别球型目标物位置的方法
CN107481252A (zh) * 2017-08-24 2017-12-15 上海术理智能科技有限公司 医学图像的分割方法、装置、介质和电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7176915B1 (en) * 2002-08-09 2007-02-13 Avid Technology, Inc. Subdividing rotation in a character using quaternion interpolation for modeling and animation in three dimensions
CN102163326A (zh) * 2010-12-22 2011-08-24 武汉沃生科学技术研究中心有限公司 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法
US20150248000A1 (en) * 2012-09-24 2015-09-03 Sony Corporation Image processing apparatus, image processing program, and image processing method
CN103927732A (zh) * 2013-01-11 2014-07-16 上海联影医疗科技有限公司 一种胸壁线的检测方法
CN105513558A (zh) * 2015-09-26 2016-04-20 南京巨鲨显示科技有限公司 医用专业显示器超高位宽图像增强显示装置及方法
CN106096617A (zh) * 2016-06-08 2016-11-09 哈尔滨工程大学 一种基于改进主动轮廓模型的全景海天线提取方法
CN106250867A (zh) * 2016-08-12 2016-12-21 南京华捷艾米软件科技有限公司 一种基于深度数据的人体骨骼跟踪系统的实现方法
CN106446894A (zh) * 2016-09-27 2017-02-22 广东技术师范学院 一种基于轮廓识别球型目标物位置的方法
CN107481252A (zh) * 2017-08-24 2017-12-15 上海术理智能科技有限公司 医学图像的分割方法、装置、介质和电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAO ZHOU: "A Modified GVF Snake Algorithm of Mobile Target Detection", 《2009 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SOFTWARE ENGINEERING》 *
冯军华等: "一种改进的快速轮廓线提取算法", 《计算机与数字工程》 *
张飞 等: "牙颌CT图像序列中牙的半自动分割方法", 《生物医学工程学杂志》 *
李彬彬: "基于图像分割的置信传播立体匹配算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269798A (zh) * 2021-05-14 2021-08-17 深圳市嘉骏实业有限公司 一种医学图像分割方法、装置、计算机设备及其存储介质
CN113177607A (zh) * 2021-05-21 2021-07-27 浙江大华技术股份有限公司 一种对训练对象的标注方法及客户端
CN113192067A (zh) * 2021-05-31 2021-07-30 平安科技(深圳)有限公司 基于图像检测的智能预测方法、装置、设备及介质
CN113192067B (zh) * 2021-05-31 2024-03-26 平安科技(深圳)有限公司 基于图像检测的智能预测方法、装置、设备及介质
CN114693664A (zh) * 2022-04-13 2022-07-01 深圳北芯生命科技股份有限公司 血管超声图像的标注方法、设备及介质
CN116309641A (zh) * 2023-03-23 2023-06-23 北京鹰之眼智能健康科技有限公司 图像区域获取系统
CN116309641B (zh) * 2023-03-23 2023-09-22 北京鹰之眼智能健康科技有限公司 图像区域获取系统

Also Published As

Publication number Publication date
CN110705576B (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN110705576B (zh) 区域轮廓确定方法、装置及图像显示设备
CN113674421B (zh) 3d目标检测方法、模型训练方法、相关装置及电子设备
CN108229301B (zh) 眼睑线检测方法、装置和电子设备
US20080002908A1 (en) Method and apparatus for diffusion based illumination normalization
CN110570435B (zh) 用于对车辆损伤图像进行损伤分割的方法及装置
US8649578B2 (en) Method and system for defining a breast window
WO2020253508A1 (zh) 异常细胞检测方法、装置及计算机可读存储介质
CN110176010B (zh) 一种图像检测方法、装置、设备及存储介质
CN110287926B (zh) 输液监测报警方法、用户设备、存储介质及装置
US20120027277A1 (en) Interactive iterative closest point algorithm for organ segmentation
CN111080655A (zh) 图像分割及其模型训练方法、装置、介质及电子设备
US11694331B2 (en) Capture and storage of magnified images
CN110992243A (zh) 椎间盘截面图像构建方法、装置、计算机设备及存储介质
CN108038826A (zh) 透视变形的搁架图像的校正方法和装置
US20180040115A1 (en) Methods and apparatuses for estimating an ambiguity of an image
CN109241930B (zh) 用于处理眉部图像的方法和装置
CN111626379A (zh) 肺炎x光图像检测方法
CN109615620B (zh) 图像压缩度识别方法、装置、设备及计算机可读存储介质
CN108230332B (zh) 文字图像的处理方法和装置、电子设备、计算机存储介质
CN112967293A (zh) 一种图像语义分割方法、装置及存储介质
CN113506231B (zh) 针对图像中像素的处理方法、装置、介质及电子设备
CN115131361A (zh) 目标分割模型的训练、病灶分割方法及装置
CN112801964B (zh) 肺部ct图像的多标签智能检测方法、装置、设备和介质
CN110009627B (zh) 用于处理图像的方法和装置
CN112991266A (zh) 用于小样本医疗影像的语义分割方法及系统

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: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing

Patentee after: Huiying medical technology (Beijing) Co.,Ltd.

Address before: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing

Patentee before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd.

CP01 Change in the name or title of a patent holder