CN111161174A - 一种血管模型建立方法、装置、计算机设备和存储介质 - Google Patents
一种血管模型建立方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111161174A CN111161174A CN201911335827.7A CN201911335827A CN111161174A CN 111161174 A CN111161174 A CN 111161174A CN 201911335827 A CN201911335827 A CN 201911335827A CN 111161174 A CN111161174 A CN 111161174A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- vessel image
- fuzzy
- pixel
- 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.)
- Withdrawn
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 270
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 4
- 230000014759 maintenance of location Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010241 blood sampling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009349 indirect transmission Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明适用于计算机技术领域，尤其是涉及一种血管模型建立方法、装置、计算机设备和存储介质，本发明提供的血管模型建立方法，在获取到血管图像后，先利用高斯模糊算法进行模糊预处理，进一步利用局部自适应阈值算法进行二值化处理，最终将提出的血管二值化轮廓图与原血管图像融合，从而生成血管平面模型。本发明提供的血管模型建立方法充分利用了高斯模糊算法在模糊处理过程中对边缘信息的保留，进一步配合局部自适应阈值算法降低亮度对血管二值化轮廓图干扰，提高了所提取的血管二值化轮廓图的准确度，保证了最终所生成的血管平面模型的准确性。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种血管模型建立方法、装置、计算机设备和存储介质。
背景技术
随着科学技术的发展，自动化已经逐渐渗入到各行各业当中，医院中也出现了越来越多的自动化诊断设备。其中，为了实现机器自动采血，亟需一种可以建立被采样人的血管模型的方法，以便于机器控制针头。
然而，现有技术中直接拍摄获取的血管图像通常都存在重影的问题，较为模糊，无法准确的确定出血管的边缘，导致无法建立足够精确的血管模型。
可见，现有的血管模型建立方法还存在着因原始血管图像模糊，边缘不清，而导致建立的血管模型不够精确。
发明内容
本发明实施例的目的在于提供一种血管模型建立方法，旨在解决现有的血管模型建立方法还存在的因原始血管图像模糊，边缘不清，而导致建立的血管模型不够精确的技术问题。
本发明实施例是这样实现的，一种血管模型建立方法，包括：
获取待模型建立区域内的血管图像；
根据高斯模糊算法对所述血管图像进行模糊预处理，生成经过模糊预处理后的血管图像；
根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理，生成血管二值化轮廓图；
根据所述血管二值化轮廓图确定所述血管图像的边缘，生成血管平面模型。
本发明实施例的另一目的在于提供一种血管模型建立装置，包括：
血管图像获取模块，用于获取待模型建立区域内的血管图像；
高斯模糊处理模块，用于根据高斯模糊算法对所述血管图像进行模糊预处理，生成经过模糊预处理后的血管图像；
二值化处理模块，用于根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理，生成血管二值化轮廓图；
血管平面模型生成模块，用于根据所述血管二值化轮廓图确定所述血管图像的边缘，生成血管平面模型。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器如上述所述血管模型建立方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述血管模型建立方法的步骤。
本发明实施例提供的一种血管模型建立方法，在获取到待模型建立区域内的血管图像后，先根据高斯模糊算法对血管图像进行预处理，由于高斯模糊算法是利用分布不为零的像素组成的卷积矩阵与血管图像做变换，且距离原始像素点越远的点，在卷积矩阵中值越小，通过高斯模糊算法进行模糊预处理的生成的血管图像能够很好地保留原始血管图像的边缘信息，再进一步利用局部自适应阈值算法对模糊处理后的图像进行二值化处理，由于局部自适应阈值算法是通过每个像素点周围的像素确定该点的阈值，亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小，此时所生成的血管二值化轮廓图不受亮度的干扰，更加贴合真实血管的边缘情况，最后根据血管二值化轮廓图所包括的边缘信息对原始血管图像进行组合处理，保证了最终所生成的血管平面模型的准确性。
附图说明
图1为本发明实施例提供的一种血管模型建立方法的应用环境图；
图2为本发明实施例提供的另一种血管模型建立方法的应用环境图；
图3为本发明实施例提供的一种血管模型建立方法的步骤流程图；
图4为本发明实施例提供的另一种血管模型建立方法的步骤流程图；
图5为本发明实施例提供的又一种血管模型建立方法的步骤流程图；
图6为本发明实施例提供的根据高斯模糊算法对血管图像进行模糊预处理的步骤流程图；
图7为本发明实施例提供的根据局部自适应阈值算法对血管图像进行二值化处理的步骤流程图；
图8为本发明实施例提供的一种血管模型建立装置的结构示意图；
图9为本发明实施例提供的一种可用于执行血管模型建立方法的计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明为提供一种能够建立准确的血管模型的方法，先利用高斯模糊算法对采集到的血管图像进行模糊预处理，有效地保留了原血管图像中的边缘信息，进一步利用局部自适应阈值算法，避免了亮度等其他因素对血管图像的干扰，使得提取出的血管二值化轮廓图更加准确，同时将轮廓图融合到原血管图像，从而得到了更为准确的血管模型，该血管模型可以进一步用于自动血样采集机器中，实现了机器自动控制采样针的移动并进行血样采集的工作。
图1为本发明实施例提供的一种血管模型建立方法的应用环境图，如图1所示，在该应用环境中，包括血管图像采集终端110以及数据处理终端120。
在本发明实施例中，血管模型建立方法主要运行在数据处理终端120中，其中数据处理终端120具体可以是计算机、平板电脑、智能手机等装置设备，也可以是具有处理能力的处理芯片，本发明对此不作限制，凡是具有数据处理能力以实现运行血管模型建立方法的终端均应当在本发明的保护范围之内。
血管图像采集终端110可以是摄像机、照相机，或者是其他具有摄像功能的智能手机、平板电脑等，但并不局限于此。血管图像采集终端110在采集到血管图像信息后，可以以直接通讯的方式或者以间接传递的方式将数据发送给数据处理终端120以使数据处理终端120获取到所采集的血管图像信息，例如可以直接通过数据线将血管图像信息发送给数据处理终端，也可以是将血管数据存储到可移动存储介质中，再转移到数据处理终端中，本发明对血管图像采集终端110与数据处理终端120之间的信息传递方式同样不做限制。
图2为本发明实施例提供的另一种血管模型建立方法的应用环境图，如图2所示，在该应用环境下，与图1示出的一种血管模型建立方法的应用环境图的区别在于，还包括血管深度信息采集终端130。
在本发明实施例中，血管深度信息采集终端130主要用于采集血管各处深度信息，并与血管图像相关联，以实现对血管3D模型的建立，其中血管深度信息采集终端130通常是采用位移传感器进行深度信息采集，通过机械手带动位移传感器沿血管移动采集整条血管的深度信息，并引入了一个与血管图像各处位置关联的二维数组，以记录血管各个位置的深度信息。而具体的血管深度信息采集终端130与数据处理终端120之间的信息传递方式与前述血管图像采集终端110相似，可以是以直接通讯的方式或者以间接传递的方式将数据发送给数据处理终端120以使数据处理终端120获取到血管的深度信息，本发明对此不做限制。
如图3所示，在一个实施例中，提出了一种血管模型建立方法的步骤流程图，本实施例主要描述了一种血管平面模型的建立方法，具体可以包括以下步骤：
步骤S302，获取待模型建立区域内的血管图像。
在本发明实施例中，其中待模型建立区域内的血管图像是通过如图1或者图2中所示出的血管图像采集终端采集获取的，但是本发明实施例提供的血管模型建立方法对具体的采集形式或者具体的血管图像采集终端不做具体限定，只要是能够实现采集血管图像即可，也不对如何获取到待模型建立区域内的血管图像的方式进行限定，可以是通过数据线传输、上传、下载、可移动存储介质的数据转移等任一形式获取到血管图像即可。
作为本发明的一个优选实施例，所述待模型建立区域内的血管图像是通过摄像头采集获取。
步骤S304，根据高斯模糊算法对所述血管图像进行模糊预处理，生成经过模糊预处理后的血管图像。
在本发明实施例中，高斯模糊算法是一种常用的图像模糊滤波器，与正态分布相关联，高斯模糊算法是利用在二维空间内呈正态分布的像素组成的卷积矩阵对图像做卷积运算，由于每个像素的值都是周围相邻像素值的加权平均，且距离原始像素越近的像素点，权重越大，距离原始像素越远的像素点，权重越小，因此使得模糊处理后的图像更好地保留了边缘效果。
在本发明实施例中，其中根据高斯模糊算法对所述血管图像进行模糊预处理，生成经过模糊预处理后的血管图像的步骤具体请参阅图6及其解释说明的内容。
步骤S306，根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理，生成血管二值化轮廓图。
在本发明实施例中，局部自适应阈值算法是根据像素的邻域块的像素值的分布来确定该像素位置上的二值化阈值，使得每个像素位置处的二值化阈值是由其周围邻域像素的分布来决定的，亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小，避免了亮度对血管二值化轮廓图的干扰，使得生成的血管二值化轮廓图更加符合真实血管的边缘情况。
在本发明实施例中，其中根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理，生成血管二值化轮廓图的具体步骤请参阅图7及其解释说明的内容。
步骤S308，根据所述血管二值化轮廓图确定所述血管图像的边缘，生成血管平面模型。
在本发明实施例中，将提取出的血管二值化轮廓图合成到原始血管图像中，即可以生成血管的平面模型，基于所建立的血管平面模型，可以控制机器以及取样针移动至合适的位置进行采血取样。
本发明实施例提供的一种血管模型建立方法，在获取到待模型建立区域内的血管图像后，先根据高斯模糊算法对血管图像进行预处理，由于高斯模糊算法是利用分布不为零的像素组成的卷积矩阵与血管图像做变换，且距离原始像素点越远的点，在卷积矩阵中值越小，通过高斯模糊算法进行模糊预处理的生成的血管图像能够很好地保留原始血管图像的边缘信息，再进一步利用局部自适应阈值算法对模糊处理后的图像进行二值化处理，由于局部自适应阈值算法是通过每个像素点周围的像素确定该点的阈值，亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小，此时所生成的血管二值化轮廓图不受亮度的干扰，更加贴合真实血管的边缘情况，最后根据血管二值化轮廓图所包括的边缘信息对原始血管图像进行组合处理，保证了最终所生成的血管平面模型的准确性。
如图4所示，在一个实施例中，提出了另一种血管模型建立方法的步骤流程图，本实施例主要描述了一种血管立体模型的建立方法，与图3所示出的一种血管模型建立方法的区别在于，还包括：
步骤S402，获取待模型建立区域内的血管的深度信息。
在本发明实施例中，其中待模型建立区域内的血管的深度信息是通过如图2中所示出的血管深度信息采集终端采集获取的，但是本发明实施例提供的血管模型建立方法对具体的血管的深度信息的采集形式或者具体的血管深度信息采集终端不做具体限定，只要是能够实现对血管深度信息的采集即可，也不对如何获取到血管深度信息的方式进行限定，可以是通过数据线传输、上传、下载、可移动存储介质的数据转移等任一形式获取到血管深度信息即可。
作为本发明的一个优选实施例，所述待模型建立区域内的血管的深度信息是通过高精度位移传感器采集获取，所述高精度位移传感器选用松下HG-C1050激光位移传感器，定位精度为30um，精度更高。
步骤S404，根据所述血管的深度信息以及所述血管平面模型生成血管立体模型。
在本发明实施例中，根据血管的深度信息可以将血管平面模型拓展为血管立体模型，此时在控制机器以及取样针移动至合适的位置之后，还可以进一步自动控制针尖的深入距离以进行采血。
如图5所示，在一个实施例中，提出了又一种血管模型建立方法的步骤流程图，本实施例主要描述了当血管图像为RGB图像时的血管模型建立方法，与图3所示出的一种血管模型建立方法的步骤流程图的区别在于，所述步骤S106，具体包括：
步骤S502，对所述经过模糊预处理后的血管图像进行灰度化计算，并生成血管灰度图像。
在本发明实施例中，由于RGB图像是采用三维空间进行颜色编码，因此在二值化处理过程中，较为不便。因此，当获取到的血管图像为RGB图像时，通常需要对图像进行灰度化处理，将三维数据转化为一维数据，其中灰度化处理为对图像的常规处理，而具体的灰度化处理方式有很多种，本发明对具体的灰度化处理方式不做限制，例如可以是取平均值、最高值或者是通过加权平均法进行处理。
步骤S504，根据局部自适应阈值算法对所述血管灰度图像进行二值化处理，并生成血管二值化轮廓图。
在本发明实施例中，将血管图像处理为灰度图像后，每一个图像的像素值都由一维数据灰度值确定，因此，可以方便的确定出阈值，从而对图像进行二值化处理。其中根据根据局部自适应阈值算法对所述血管灰度图像进行二值化处理，并生成血管二值化轮廓图的步骤也可以参阅土7及其解释说明的内容。
如图6所示，在一个实施例中，提出了根据高斯模糊算法对血管图像进行模糊预处理的步骤流程图，具体包括以下步骤：
步骤S602，确定所述血管图像中各像素点的像素值。
在本发明实施例中，血管图像在计算机内部程序中就是以多维数据存储的，直接通过多维数据即可以确定血管图像中各像素点的像素值。
步骤S604，根据预设的高斯模糊卷积矩阵对所述血管图像中各像素点的像素值进行卷积运算，确定经过卷积运算后各像素点的像素值。
在本发明实施例中，所述预设的高斯模糊卷积矩阵是预先根据确定的正态分布方程转化生成的。其中正态分布在二维空间方程为
当确定σ后，就可以对应确定出高斯模糊卷积矩阵，其中高斯模糊卷积矩阵内的数据在分布形式是以中心开始呈正态分布的同心圆。
在本发明实施例中，卷积运算属于本领域熟知的运算操作，在此不做具体说明。
步骤S606，根据所述经过卷积运算后各像素点的像素值生成经过模糊预处理后的血管图像。
在本发明实施例中，结合前述步骤S602的论述可知，图像是以多维数据的形式存储在计算机内部并展示出来，当确定各像素点的像素值，计算机就可以对应展示相应的图像，此时所展示的图像即为经过模糊预处理后的血管图像。
如图7所示，在一个实施例中，提出了根据局部自适应阈值算法对血管图像进行二值化处理的步骤流程图，具体包括以下步骤：
步骤S702，确定所述经过模糊预处理后的血管图像中各像素点的像素值。
在本发明实施例中，对于各像素点像素值的确定与前述步骤S602相同。
步骤S704，根据各像素点的像素值，以及在各像素点预设范围内的邻域像素点的像素值分别确定各像素点的像素阈值。
在本发明实施例中，将位于像素点预设范围内的像素点称为该像素点的领域像素点，局部自适应阈值算法则是根据各个像素点的邻域像素点的像素值确定该像素点的像素阈值，亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。
步骤S706，根据所述各像素点的像素值以及所述各像素点的像素阈值分别确定各像素点的二值化值。
在本发明实施例中，在本发明实施例中，当像素点大于像素阈值时，二值化值确定为1，当像素点不大于像素阈值时，二值化值确定为0，经过二值化处理后，图像中各像素点的取值范围仅仅只有0和1两种情况。
步骤S708，根据所述各像素点的二值化值生成血管二值化轮廓图。
在本发明实施例中，将取值为1的像素点依次连接即可构成血管二值化轮廓图。
在本发明实施例中，由于各个像素点的阈值都是基于领域像素点的像素值所确定，有效避免了亮度对二值化轮廓图的干扰，使得提取出来的二值化轮廓图更加符合真实血管的边缘情况。
如图8所示，在一个实施例中，提出了一种血管模型建立装置的结构示意图，详述如下。
在本发明实施例中，所述血管模型建立装置具体包括：血管图像获取模块810、高斯模糊处理模块820、二值化处理模块830以及血管平面模型生成模块840。
所述血管图像获取模块810，用于获取待模型建立区域内的血管图像。
在本发明实施例中，其中待模型建立区域内的血管图像是通过如图1或者图2中所示出的血管图像采集终端采集获取的，但是本发明实施例提供的血管模型建立方法对具体的采集形式或者具体的血管图像采集终端不做具体限定，只要是能够实现采集血管图像即可，也不对如何获取到待模型建立区域内的血管图像的方式进行限定，可以是通过数据线传输、上传、下载、可移动存储介质的数据转移等任一形式获取到血管图像即可。
作为本发明的一个优选实施例，所述待模型建立区域内的血管图像是通过摄像头采集获取。
所述高斯模糊处理模块820，用于根据高斯模糊算法对所述血管图像进行模糊预处理，生成经过模糊预处理后的血管图像。
在本发明实施例中，高斯模糊算法是一种常用的图像模糊滤波器，与正态分布相关联，高斯模糊算法是利用在二维空间内呈正态分布的像素组成的卷积矩阵对图像做卷积运算，由于每个像素的值都是周围相邻像素值的加权平均，且距离原始像素越近的像素点，权重越大，距离原始像素越远的像素点，权重越小，因此使得模糊处理后的图像更好地保留了边缘效果。
所述二值化处理模块830，用于根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理，生成血管二值化轮廓图。
在本发明实施例中，局部自适应阈值算法是根据像素的邻域块的像素值的分布来确定该像素位置上的二值化阈值，使得每个像素位置处的二值化阈值是由其周围邻域像素的分布来决定的，亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小，避免了亮度对血管二值化轮廓图的干扰，使得生成的血管二值化轮廓图更加符合真实血管的边缘情况。
所述血管平面模型生成模块840，用于根据所述血管二值化轮廓图确定所述血管图像的边缘，生成血管平面模型。
在本发明实施例中，将提取出的血管二值化轮廓图合成到原始血管图像中，即可以生成血管的平面模型，基于所建立的血管平面模型，可以控制机器以及取样针移动至合适的位置进行采血取样。
本发明实施例提供的一种血管模型建立装置，在获取到待模型建立区域内的血管图像后，先根据高斯模糊算法对血管图像进行预处理，由于高斯模糊算法是利用分布不为零的像素组成的卷积矩阵与血管图像做变换，且距离原始像素点越远的点，在卷积矩阵中值越小，通过高斯模糊算法进行模糊预处理的生成的血管图像能够很好地保留原始血管图像的边缘信息，再进一步利用局部自适应阈值算法对模糊处理后的图像进行二值化处理，由于局部自适应阈值算法是通过每个像素点周围的像素确定该点的阈值，亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小，此时所生成的血管二值化轮廓图不受亮度的干扰，更加贴合真实血管的边缘情况，最后根据血管二值化轮廓图所包括的边缘信息对原始血管图像进行组合处理，保证了最终所生成的血管平面模型的准确性。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1或图2中的数据处理终端120。如图9所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现血管模型建立方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行血管模型建立方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的血管模型建立装置可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该血管模型建立装置的各个程序模块，比如，图8所示的血管图像获取模块810、高斯模糊处理模块820、二值化处理模块830以及血管平面模型生成模块840。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的血管模型建立方法中的步骤。
例如，图9所示的计算机设备可以通过如图8所示的血管模型建立装置中的血管图像获取模块810执行步骤S102；计算机设备可通过高斯模糊处理模块820执行步骤S104；计算机设备可通过二值化处理模块830执行步骤S106；计算机设备可通过血管平面模型生成模块840执行步骤S108。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待模型建立区域内的血管图像；
根据高斯模糊算法对所述血管图像进行模糊预处理，生成经过模糊预处理后的血管图像；
根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理，生成血管二值化轮廓图；
根据所述血管二值化轮廓图确定所述血管图像的边缘，生成血管平面模型。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取待模型建立区域内的血管图像；
根据高斯模糊算法对所述血管图像进行模糊预处理，生成经过模糊预处理后的血管图像；
根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理，生成血管二值化轮廓图；
根据所述血管二值化轮廓图确定所述血管图像的边缘，生成血管平面模型。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种血管模型建立方法，其特征在于，包括：
获取待模型建立区域内的血管图像；
根据高斯模糊算法对所述血管图像进行模糊预处理，生成经过模糊预处理后的血管图像；
根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理，生成血管二值化轮廓图；
根据所述血管二值化轮廓图确定所述血管图像的边缘，生成血管平面模型。
2.根据权利要求1所述的血管模型建立方法，其特征在于，所述待模型建立区域内的血管图像是通过摄像头采集获取。
3.根据权利要求1所述的血管模型建立方法，其特征在于，在所述根据所述血管二值化轮廓图确定所述血管图像的边缘，生成血管平面模型的步骤后，还包括：
获取待模型建立区域内的血管的深度信息；
根据所述血管的深度信息以及所述血管平面模型生成血管立体模型。
4.根据权利要求3所述血管模型建立方法，其特征在于，所述待模型建立区域内的血管的深度信息是通过高精度位移传感器采集获取。
5.根据权利要求1所述的血管模型建立方法，其特征在于，所述血管图像为RGB图像，所述根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理的步骤，具体包括：
对所述经过模糊预处理后的血管图像进行灰度化计算，并生成血管灰度图像；
根据局部自适应阈值算法对所述血管灰度图像进行二值化处理，并生成血管二值化轮廓图。
6.根据权利要求1所述的血管模型建立方法，其特征在于，所述根据高斯模糊算法对所述血管图像进行模糊预处理，并生成经过模糊预处理后的血管图像的步骤具体包括：
确定所述血管图像中各像素点的像素值；
根据预设的高斯模糊卷积矩阵对所述血管图像中各像素点的像素值进行卷积运算，确定经过卷积运算后各像素点的像素值；所述预设的高斯模糊卷积矩阵是预先根据确定的正态分布方程转化生成的；
根据所述经过卷积运算后各像素点的像素值生成经过模糊预处理后的血管图像。
7.根据权利要求1所述的血管模型建立方法，其特征在于，所述根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理，并生成血管二值化轮廓图的步骤具体包括；
确定所述经过模糊预处理后的血管图像中各像素点的像素值；
根据各像素点的像素值，以及在各像素点预设范围内的邻域像素点的像素值分别确定各像素点的像素阈值；
根据所述各像素点的像素值以及所述各像素点的像素阈值分别确定各像素点的二值化值；
根据所述各像素点的二值化值生成血管二值化轮廓图。
8.一种血管模型建立装置，其特征在于，包括：
血管图像获取模块，用于获取待模型建立区域内的血管图像；
高斯模糊处理模块，用于根据高斯模糊算法对所述血管图像进行模糊预处理，生成经过模糊预处理后的血管图像；
二值化处理模块，用于根据局部自适应阈值算法对所述经过模糊预处理后的血管图像进行二值化处理，生成血管二值化轮廓图；
血管平面模型生成模块，用于根据所述血管二值化轮廓图确定所述血管图像的边缘，生成血管平面模型。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述血管模型建立方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述血管模型建立方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911335827.7A CN111161174A (zh) | 2019-12-20 | 2019-12-20 | 一种血管模型建立方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911335827.7A CN111161174A (zh) | 2019-12-20 | 2019-12-20 | 一种血管模型建立方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111161174A true CN111161174A (zh) | 2020-05-15 |
Family
ID=70557790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911335827.7A Withdrawn CN111161174A (zh) | 2019-12-20 | 2019-12-20 | 一种血管模型建立方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111161174A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362319A (zh) * | 2021-06-30 | 2021-09-07 | 深圳市创想三维科技股份有限公司 | 基于图像处理的激光打印方法和装置、激光打印机、计算机可读存储介质 |
-
2019
- 2019-12-20 CN CN201911335827.7A patent/CN111161174A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362319A (zh) * | 2021-06-30 | 2021-09-07 | 深圳市创想三维科技股份有限公司 | 基于图像处理的激光打印方法和装置、激光打印机、计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330439B (zh) | 一种图像中物体姿态的确定方法、客户端及服务器 | |
| CN109683699B (zh) | 基于深度学习实现增强现实的方法、装置及移动终端 | |
| CN112949507B (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
| CN111507333B (zh) | 一种图像矫正方法、装置、电子设备和存储介质 | |
| CN111291813B (zh) | 图像标注方法、装置、计算机设备和存储介质 | |
| CN111784588A (zh) | 图像数据增强方法、装置、计算机设备和存储介质 | |
| CN110544300B (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
| CN110163864B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| CN110807362A (zh) | 一种图像检测方法、装置和计算机可读存储介质 | |
| CN111310758A (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
| CN114155365A (zh) | 模型训练方法、图像处理方法及相关装置 | |
| CN113516126A (zh) | 一种基于注意力特征融合的自适应阈值场景文本检测方法 | |
| CN111209908B (zh) | 更新标注框的方法、装置、存储介质和计算机设备 | |
| CN116797590A (zh) | 一种基于机器视觉的Mura缺陷检测方法及系统 | |
| CN110910326B (zh) | 图像处理方法及装置、处理器、电子设备及存储介质 | |
| CN116071272A (zh) | 一种图像校正方法、装置、电子设备及其存储介质 | |
| CN115761826A (zh) | 掌静脉有效区域提取方法、系统、介质及电子设备 | |
| CN114549603A (zh) | 细胞病理图像的标注坐标转换方法、系统、设备及介质 | |
| CN111161174A (zh) | 一种血管模型建立方法、装置、计算机设备和存储介质 | |
| CN113888438A (zh) | 图像处理方法、装置及存储介质 | |
| CN111383207A (zh) | 一种肌骨超声图像处理方法、系统、装置及可读存储介质 | |
| CN113191189A (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
| CN115330803B (zh) | 一种表面缺陷数据增强方法、装置、电子设备及存储介质 | |
| CN113822839A (zh) | 医学图像的处理方法、装置、计算机设备和存储介质 | |
| CN115937395A (zh) | 电气设备模型渲染方法、装置、计算机设备和存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200515 |