CN111199513B - 图像处理方法、计算机设备和存储介质 - Google Patents
图像处理方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111199513B CN111199513B CN201911402943.6A CN201911402943A CN111199513B CN 111199513 B CN111199513 B CN 111199513B CN 201911402943 A CN201911402943 A CN 201911402943A CN 111199513 B CN111199513 B CN 111199513B
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- mri image
- target mri
- distribution
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000010606 normalization Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 210000004556 brain Anatomy 0.000 claims description 6
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 210000004885 white matter Anatomy 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 154
- 238000004364 calculation method Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种图像处理方法、计算机设备和存储介质。该方法包括:获取目标MRI图像的灰度值,并根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布,以及根据灰度分布确定灰度阈值,然后根据灰度阈值对目标MRI图像进行归一化处理。上述方法实现了计算机设备根据不同的目标MRI图像的灰度分布自动选择对应的灰度阈值,从而根据各自对应的灰度阈值进行归一化处理的过程,该过程不会受到不同目标MRI图像的灰度分布差异大的影响,进而克服了传统技术中因不同的目标MRI图像的灰度分布差异大而导致的难以对图像进行归一化处理的问题。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种图像处理方法、计算机设备和存储介质。
背景技术
利用深度学习方法在对图像进行分析时需要对图像进行归一化操作,而在归一化操作过程中,通常需要先对图像的灰度值进行处理,将图像的灰度值设置在预设范围内,以便统一图像数据、或清除边缘数据、或消除噪声干扰等,再进一步的作归一化处理。
目前,对图像的灰度值的处理方法主要包括两种:第一种处理方法为,对图像的灰度分布进行平移和拉伸的数据标准化处理方法,第二种处理方法为,将表示图像的灰度分布的直方图匹配到目标直方图上进行数据标准化的直方图匹配法。
但是,在面对不同图像的灰度分布差别比较大时,上述两种处理方法难以实现图像的归一化。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效进行归一化的图像处理方法、计算机设备和存储介质。
第一方面,一种图像处理方法,所述方法包括:
获取目标MRI图像的灰度值;
根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布;
根据灰度分布确定灰度阈值;
根据灰度阈值对所述目标MRI图像进行归一化处理。
在其中一个实施例中,确定目标MRI图像的灰度分布包括确定目标MRI图像的前景灰度分布,以及根据灰度分布确定灰度阈值,包括:确定目标MRI图像的前景的灰度分布,以及根据目标MRI图像的前景的灰度分布,确定灰度上限阈值;
和/或,
确定目标MRI图像的背景的灰度分布,以及根据目标MRI图像的背景的灰度分布,确定灰度下限阈值。
在其中一个实施例中,根据目标MRI图像的前景的灰度分布,确定灰度上限阈值,包括:
根据目标MRI图像的前景的灰度分布,将预设的第一标准差所在位置处的灰度值确定为灰度上限阈值;
和/或,
根据目标MRI图像的背景的灰度分布,确定灰度下限阈值,包括:
根据目标MRI图像的背景的灰度分布,将预设的第二标准差所在位置处的灰度值确定为灰度下限阈值。
在其中一个实施例中,根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布,包括:
根据目标MRI图像中各像素点的灰度值,确定各像素点的灰度值对应的概率值;
采用预设的迭代算法,根据灰度值、概率值、预设的拟合模型,计算得到拟合模型的参变量的值;
将拟合模型的参变量的值和灰度值代入到拟合模型中,得到目标MRI图像的灰度分布。
在其中一个实施例中,采用预设的迭代算法,根据灰度值、概率值、预设的拟合模型,计算得到拟合模型的参变量的值,包括:
初始化拟合模型的参变量,得到参变量的初始值;
采用迭代算法,将灰度值和参变量的初始值代入拟合模型中,得到拟合模型的输出值;
检测是否满足预设条件;
若输出值不满足预设条件,则根据输出值与概率值之间的差值更新拟合模型的参变量,并基于更新后的参变量的值和灰度值对拟合模型进行迭代,直至输出值满足预设条件为止,并将最后一次迭代更新后的参变量的值确定为拟合模型的参变量的值;
若输出值满足预设条件,则将参变量的初始值确定为拟合模型的参变量的值。
在其中一个实施例中,拟合模型为混合高斯模型。
在其中一个实施例中,拟合模型的参数包括目标MRI图像中前景的均值、前景的方差、前景的先验概率、背景的均值、背景的方差、背景的先验概率。
在其中一个实施例中,根据灰度阈值对目标图像进行归一化处理,包括:
根据灰度阈值确定预设的窗宽窗位,并根据窗宽窗位对目标MRI图像进行归一化处理。
第二方面,一种图像处理装置,所述装置包括:
获取模块,用于获取目标MRI图像的灰度值;
第一确定模块,用于根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布;
第二确定模块,用于根据灰度分布确定灰度阈值;
归一化模块,用于根据灰度阈值对目标MRI图像进行归一化处理。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面任一实施例所述的图像处理方法。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一实施例所述的图像处理方法。
本申请提供的一种图像处理方法、计算机设备和存储介质,通过获取目标MRI图像的灰度值,并根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布,以及根据灰度分布确定灰度阈值,然后根据灰度阈值对目标MRI图像进行归一化处理。上述方法实现了计算机设备根据不同的目标MRI图像的灰度分布自动选择对应的灰度阈值,从而根据各自对应的灰度阈值进行归一化处理的过程,该过程不会受到不同目标MRI图像的灰度分布差异大的影响,进而克服了传统技术中因不同的目标MRI图像的灰度分布差异大而导致的难以对图像进行归一化处理的问题。
附图说明
图1为一个实施例提供的一种计算机设备的内部结构示意图;
图2为一个实施例提供的一种图像处理方法的流程图;
图3为一个实施例提供的灰度分布的示意图;
图4为图2实施例中S102的另一种实现方式的流程图;
图5为图4实施例中S402的另一种实现方式的流程图;
图6为一个实施例提供的一种图像处理装置的结构示意图;
图7为一个实施例提供的一种图像处理装置的结构示意图;
图8为一个实施例提供的一种图像处理装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请提供的图像处理方法,可以应用于如图1所示的计算机设备中。该计算机设备可以是服务器,也可以是终端,其内部结构图可以如图Y所示。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、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法。该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,该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1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。
在现有的图像处理技术中,在对各种类型的图像进行识别、分析、诊断等操作前,通常都需要对图像进行归一化处理,以便后续图像的识别、分析、诊断等操作。而不同来源的图像的灰度分布存在很大的差异,相同图像之间的灰度分布也会存在很大的差异,特别针对磁共振成像(Magnetic Resonance Imagin,MRI)图像,MRI图像中的绝对灰度值没有固定的意义,即使同一台扫描仪器对同一个被试图像进行不同时间点的扫描得到的MRI图像的灰度分布也可以能有很大的差别,而在实际应用中,MRI图像的数据可能采集自不同扫描仪器甚至采用不同的扫描仪器,不同的MRI图像的灰度分布在灰度值较高的地方表现出了不同程度的长尾现象等,很难用常规的归一化方法来进行图像的归一化,因此,本申请提出了一种图像处理方法,以解决上述在面对不同图像的灰度分布差别比较大时,难以实现图像归一化的问题。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的一种图像处理方法的流程图,该方法的执行主体为图1中的计算机设备,该方法涉及的是计算机设备对目标MRI图像进行归一化的具体过程。如图2所示,该方法具体包括以下步骤:
S101、获取目标MRI图像的灰度值。
其中,目标MRI图像表示待处理的图像。本实施例中,计算机设备可以通过连接核磁共振扫描仪器扫描目标结构得到目标MRI图像,可选的,计算机设备也可以通过其它方法得到目标MRI图像,例如,计算机设备从网络上或云端服务器上下载得到目标MRI图像,对此本实施例不做限定。当计算机设备获取到目标MRI图像时,可以进一步的从该目标MRI图像上提取出该目标MRI图像上各像素点的灰度值,以便之后确定灰度分布时使用。
S102、根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布。
当计算机设备获取到目标MRI图像的灰度值时,可以进一步的对目标MRI图像的灰度值进行分析,得到目标MRI图像的灰度分布情况。具体的分析方法可以包括:首先建立可以描述灰度值分布的数学模型或其它类型的模型,再将目标MRI图像的灰度值输入至预先建立好的数学模型或其它类型的模型进行计算,得到计算结果,具体的,该计算结果可以用数值表示,也可以用曲线表示,还可以用图像表示,无论哪种表示方法均可表示目标MRI图像的灰度分布。可选地,计算机设备也可以预先根据图像的灰度值和对应的灰度分布训练一个分析模型,再将实际使用时的目标MRI图像的灰度值输入至预先训练好的分析模型中进行分析,得到分析结果。该分析结果可以表示目标MRI图像的灰度分布。
S103、根据灰度分布确定灰度阈值。
当计算机设备根据目标MRI图像的灰度值确定目标MRI图像的灰度分布后,即可通过分析目标MRI图像的灰度分布,选择合适的灰度阈值,作为之后归一化处理的需要参数。上述选择出的灰度阈值与目标MRI图像一一对应,即相同的目标MRI图像对应相同的灰度阈值,不同的目标MRI图像对应不同的灰度阈值,这里说的不同的目标MRI图像指的是不同核磁共振扫描仪器扫描同一目标结构得到的不同MRI图像,或者相同的核磁共振扫描仪器在不同时间点扫描同一目标结构得到的不同MRI图像。
S104、根据灰度阈值对目标MRI图像进行归一化处理。
当计算机设备根据目标MRI图像的灰度分布选择出合适的灰度阈值时,可以进一步的根据该灰度阈值得到灰度上限阈值,或灰度下限阈值,或同时得到灰度上下限阈值,然后再根据灰度上下限阈值确定一个灰度值范围,再根据该灰度值范围实现对目标MRI图像进行归一化处理。
本实施例提供的一种图像处理方法,通过获取目标MRI图像的灰度值,并根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布,以及根据灰度分布确定灰度阈值,然后根据灰度阈值对目标MRI图像进行归一化处理。上述方法实现了计算机设备根据不同的目标MRI图像的灰度分布自动选择对应的灰度阈值,从而根据各自对应的灰度阈值进行归一化处理的过程,该过程不会受到不同目标MRI图像的灰度分布差异大的影响,进而克服了传统技术中因不同的目标MRI图像的灰度分布差异大而导致的难以对图像进行归一化处理的问题。
在实际应用中,具体的,在确定上述目标MRI图像的灰度时,可以确定出目标MRI图像的前景灰度分布和/或目标MRI图像的背景灰度分布。
上述前景灰度分布是指目标MRI图像中全部或部分形态结构的灰度分布,上述背景灰度分布是指目标MRI图像中部分形态结构和/或背景图像的灰度分布。例如,脑图像中包含灰质、白质和脑脊液,则对应的前景的灰度分布为该脑图像中的白质的灰度分布,对应的背景的灰度分布为该脑图像中的灰度和脑脊液的灰度分布。
当计算机设备确定出目标MRI图像的前景灰度分布时,上述S103“根据灰度分布确定灰度阈值”的具体实施方式包括:根据目标MRI图像的前景的灰度分布,确定灰度上限阈值。
本实施例中,当计算机设备按照前述所述的方法得到目标MRI图像的灰度分布后,即可得到该灰度分布中目标MRI图像的前景的灰度分布,以便之后使用该前景的灰度分布确定灰度上限阈值。例如,图3所示的曲线表示目标MRI图像的灰度分布,其中高斯曲线A表示目标MRI图像的背景的灰度分布,高斯曲线B表示目标MRI图像的背景的灰度分布。高斯曲线B为目标MRI图像的背景的灰度分布则为本实施例需要使用的曲线。接下来,当计算机设备得到目标MRI图像的前景的灰度分布时,即可根据预设的选取方法,在前景的灰度分布的曲线上选取一个灰度值,因为前景通常是关注的图像内容,因此将选取出的灰度值确定为灰度上限阈值。
当计算机设备确定出目标MRI图像的背景灰度分布时,上述S103“根据灰度分布确定灰度阈值”的具体实施方式包括:根据目标MRI图像的背景的灰度分布,确定灰度下限阈值。
本实施例中,当计算机设备按照前述所述的方法得到目标MRI图像的灰度分布后,即可得到该灰度分布中目标MRI图像的背景的灰度分布,以便之后使用该前景的灰度分布确定灰度下限阈值。例如,图3 A所示的曲线表示目标MRI图像的灰度分布,其中,高斯曲线A表示目标MRI图像的背景的灰度分布则为本实施例需要使用的曲线。接下来,当计算机设备得到目标MRI图像的背景的灰度分布时,即可根据预设的选取方法,在背景的灰度分布的曲线上选取一个灰度值,因为背景通常是不关注的图像内容,因此将选取出的灰度值确定为灰度下限阈值。
在一个实施例中,提供了上述“根据目标MRI图像的前景的灰度分布,确定灰度上限阈值”的具体方式,该方式包括:根据目标MRI图像的前景的灰度分布,将预设的第一标准差所在位置处的灰度值确定为灰度上限阈值。
其中,第一标准差为计算机设备预先根据实际应用需求确定的,本实施例中的第一标准差为正两个标准差。当计算机设备按照前述所述的方法得到目标MRI图像的前景的灰度分布时,即可得到该前景的灰度分布的曲线在预设的第一标准差所在位置处的灰度值,然后将该灰度值作为灰度上限阈值,便于之后进行归一化处理时使用(参考图3中第一标准差+2σ2所在位置处的灰度值)。
在一个实施例中,提供了上述“根据目标MRI图像的背景的灰度分布,确定灰度下限阈值”的具体方式,该方式包括:根据目标MRI图像的背景的灰度分布,将预设的第二标准差所在位置处的灰度值确定为灰度下限阈值。
其中,第二标准差为计算机设备预先根据实际应用需求确定的,本实施例中的第二标准差为负两个标准差。当计算机设备按照前述所述的方法得到目标MRI图像的背景的灰度分布时,即可得到该背景的灰度分布的曲线在预设的第二标准差所在位置处的灰度值,然后将该灰度值作为灰度下限阈值,便于之后进行归一化处理时使用(参考图3中第一标准差-2σ1所在位置处的灰度值)。可选的,在一些应用场景中,当上述-2σ小于0时,可以将0取代-2σ的值,作为灰度下限阈值。
图4为图2实施例中S102的另一种实现方式的流程图,如图3所示,上述S102“根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布”,包括:
S401、根据目标MRI图像中各像素点的灰度值,确定各像素点的灰度值对应的概率值。
当计算机设备获取到目标MRI图像中各像素点的灰度值时,可以进一步的统计各灰度值分别对应的像素点的数量,即得到各像素点的灰度值对应的概率值。
S402、采用预设的迭代算法,根据灰度值、概率值、预设的拟合模型,计算得到拟合模型的参变量的值。
其中,迭代算法是用于进行迭代计算的优化算法,可以包括多种类型的现有迭代计算的算法,例如,最大期望算法(Expectation-Maximization algorithm,EM)、极大似然估计算法(Maximum Likelihood Estimation,MLE)等。拟合模型为计算机设备预先构建的数学模型,该拟合模型用于拟合目标MRI图像的灰度分布。本实施例中,当计算机设备基于前述实施例所述的方法得到目标MRI图像的灰度值和各灰度值对应的概率值,以及预先构建好拟合模型时,即可将目标MRI图像的灰度值和各灰度值对应的概率值代入到拟合模型,并采用预设的迭代算法,迭代进行计算,实现对拟合模型的参变量进行估计,最终得到拟合模型的参变量的值,进而得到可以拟合图像的灰度分布的拟合模型。
S403、将拟合模型的参变量的值和灰度值代入到拟合模型中,得到目标MRI图像的灰度分布。
本实施例中,当计算机设备得到拟合模型的参变量的值时,即可将该参变量的值代入到拟合模型中,得到用于拟合目标MRI图像的灰度分布的拟合模型,然后计算机设备将目标MRI图像的灰度值代入到该拟合模型中进行计算,得到目标MRI图像的灰度分布。
可选地,如图5所示,S402“采用预设的迭代算法,根据灰度值、概率值、预设的拟合模型,计算得到拟合模型的参变量的值”的另一种方法具体可以包括:
S501、初始化拟合模型的参变量,得到参变量的初始值。
在本实施例迭代计算拟合模型的参变量的值时,可以先初始化拟合模型的参变量。具体初始化时取的初始值可以根据实际应用需求确定。例如,计算机设备在对一个拟合模型的参变量赋初始值时,若该参变量包括均值、方差、先验概率,则对应的,计算机设备可以将均值设置为目标MRI图像的灰度值对应概率值的第一四分位数,将方差设置为1,将先验概率设置为0.5。若该参变量包括前景的均值、前景的方差、前景的先验概率、背景的均值、背景的方差、背景的先验概率,则对应的,计算机设备可以将背景的均值设置为目标MRI图像的灰度值对应概率值的第一四分位数,将前景的均值设置为目标MRI图像的灰度值对应概率值的第三四分位数,将方差均设置为1,将先验概率均设置为0.5。
S502、采用迭代算法,将灰度值和参变量的初始值代入拟合模型中,得到拟合模型的输出值。
当计算机设备初始化拟合模型的参变量,得到参变量的初始值后,即可将参变量的初始值代入拟合模型的参变量,再将灰度值代入到该拟合模型中,并采用迭代算进行迭代计算,得到该拟合模型的一次迭代的输出值。可选的,上述输出值可以包括迭代计算后的数值和当前的迭代次数。
S503、检测输出值是否满足预设条件,若输出值不满足预设条件,则执行步骤S504,若输出值满足预设条件,则执行步骤S505。
其中,预设条件由计算机设备预先根据实际计算需求确定,例如,预设条件可以是迭代次数达到预设的迭代停止次数,或可以是拟合模型的输出值与概率值之间的差值达到预设的目标差值,或是其它条件等。在迭代计算过程中,当计算机设备每一次迭代计算时,可以先检测拟合模型的输出值是否满足预设条件,然后根据检测结果执行不同的操作。例如,当计算机设备每一次迭代计算时,都可以先检测输出值中的次迭代次数是否达到预设迭代停止次数,若达到,则停止后续的迭代计算,若未到达,则继续后续的迭代计算。再例如,当计算机设备得到拟合模型的每一次迭代输出值时,计算机设备可以先检测输出值与目标MRI图像的灰度值对应的概率值之间的差值,再判断该差值是否达到预设目标差值,若达到,则停止后续的迭代计算,若未到达,则继续后续的迭代计算。
S504、根据输出值与概率值之间的差值更新拟合模型的参变量,并基于更新后的参变量的值和灰度值对拟合模型进行迭代,直至输出值满足预设条件为止,并将最后一次迭代更新后的参变量的值确定为拟合模型的参变量的值。
本实施例涉及上述判断结果为输出值不满足预设条件的应用场景,在该种应用场景下,计算机设备将拟合模型的输出值与先前得到的灰度值对应的概率值进行差值运算,然后根据输出值与概率值之间的差值更新拟合模型的参变量,得到更新后的拟合模型的参变量的值,再将更新后的拟合模型的参变量的值和灰度值代入到拟合模型进行迭代计算(即返回执行步骤S502),直至输出值满足预设条件为止,并将最后一次迭代更新后的参变量的值确定为拟合模型的参变量的值,以便之后拟合目标MRI图像的灰度分布时使用。
S505、将参变量的初始值确定为拟合模型的参变量的值。
本实施例涉及上述判断结果为输出值满足预设条件的应用场景,在该种应用场景下,计算机设备直接将参变量的初始值确定为拟合模型的参变量的值,以便之后拟合目标MRI图像的灰度分布时使用。
在实际应用中,上述拟合模型可以具体为混合高斯模型,若拟合模型为混合高斯模型时,上述目标MRI图像的灰度分布包括所述目标MRI图像的前景灰度分布和背景灰度分布,以及拟合模型的参数包括目标MRI图像中前景的均值、前景的方差、前景的先验概率、背景的均值、背景的方差、背景的先验概率。
当上述拟合模型可以具体为混合高斯模型,以及目标MRI图像的灰度分布包括目标MRI图像的前景灰度分布和背景灰度分布时,上述混合高斯模型由两个高斯模型组成,且该混合高斯模型的参数包括:目标MRI图像中前景的均值、前景的方差、前景的先验概率、背景的均值、背景的方差、背景的先验概率。
可选地,上述混合高斯模型可以用下列关系式(1)表示:
PG(x)=λ1P1(μ1,σ1,x)+λ2P2(μ2,σ2,x) (1);
其中,λ1表示背景的先验概率;λ2表示前景的先验概率;μ1表示背景的均值;μ2表示前景的均值;σ1表示背景的方差;σ2表示前景的方差;PG(x)表示目标MRI图像的灰度分布(相当于灰度值对应的真实概率值);x表示目标MRI图像的灰度值。
在一个实施例中,本申请提供了上述S104“根据灰度阈值对目标图像进行归一化处理”的具体实施方式,该方式包括:根据灰度阈值确定预设的窗宽窗位,并根据窗宽窗位对目标MRI图像进行归一化处理。
本实施例中,当计算机设备得到灰度上限阈值,计算机设备可以根据该灰度上限阈值和预先确定的一个灰度下限阈值,确定窗宽窗位;可选地,当计算机设备得到灰度下限阈值,计算机设备可以根据该灰度下限阈值和预先确定的一个灰度上限阈值,确定窗宽窗位;可选地,当计算机设备同时得到灰度上限阈值和灰度下限阈值时,即可根据该灰度上限阈值和灰度下限阈值确定窗宽窗位。之后,计算机设备即可根据确定的窗宽窗位对目标MRI图像进行归一化处理。上述窗宽窗位均是通过灰度阈值确定的,由于灰度阈值与目标MRI图像一一对应,因此窗宽窗位与目标MRI图像也一一对应,那么在后期进行归一化处理时,不同的目标MRI图像对应各自的归一化处理过程,极大的提高了归一化的准确性。
应该理解的是,虽然图2-5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,图2-5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。
在一个实施例中,如图6所示,提供了一种图像处理装置,包括:
获取模块11,用于获取目标MRI图像的灰度值;
第一确定模块12,用于根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布;
第二确定模块13,用于根据灰度分布确定灰度阈值;
归一化模块14,用于根据灰度阈值对目标MRI图像进行归一化处理。
在一个实施例中,如图7所示,上述第一确定模块12,包括:
确定单元121,用于根据目标MRI图像中各像素点的灰度值,确定各像素点的灰度值对应的概率值;
计算单元122,用于采用预设的迭代算法,根据灰度值、概率值、预设的拟合模型,计算得到拟合模型的参变量的值;
拟合单元123,用于将拟合模型的参变量的值和灰度值代入到拟合模型中,得到目标MRI图像的灰度分布。
在一个实施例中,上述计算单元122具体用于初始化拟合模型的参变量,得到参变量的初始值,若输出值不满足预设条件,则根据输出值与概率值之间的差值更新拟合模型的参变量,并基于更新后的参变量的值和灰度值对拟合模型进行迭代,直至输出值满足预设条件为止,并将最后一次迭代更新后的参变量的值确定为拟合模型的参变量的值:若输出值满足预设条件,则将参变量的初始值确定为拟合模型的参变量的值。
在一个实施例中,上述第一确定模块12具体用于确定目标MRI图像的前景的灰度分布,以及上述第二确定模块13具体用于根据目标MRI图像的前景的灰度分布,确定灰度上限阈值;
和/或,上述第一确定模块12具体用于确定目标MRI图像的背景的灰度分布,以及上述第二确定模块13根据目标MRI图像的背景的灰度分布,确定灰度下限阈值。
在一个实施例中,上述第二确定模块13还具体用于根据目标MRI图像的前景的灰度分布,将预设的第一标准差所在位置处的灰度值确定为灰度上限阈值:和/或,根据目标MRI图像的背景的灰度分布,将预设的第二标准差所在位置处的灰度值确定为灰度下限阈值。
在一个实施例中,上述归一化模块14具体用于根据灰度阈值确定预设的窗宽窗位,并根据窗宽窗位对目标MRI图像进行归一化处理。
关于图像处理装置的具体限定可以参见上文中对于一种图像处理方法的限定,在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标MRI图像的灰度值;
根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布;
根据灰度分布确定灰度阈值;
根据灰度阈值对目标MRI图像进行归一化处理。
上述实施例提供的一种计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时还实现以下步骤:
获取目标MRI图像的灰度值;
根据目标MRI图像的灰度值,确定目标MRI图像的灰度分布;
根据灰度分布确定灰度阈值;
根据灰度阈值对目标MRI图像进行归一化处理。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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)、双倍数据率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。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取目标MRI图像的灰度值;
根据所述目标MRI图像的灰度值,确定所述目标MRI图像的灰度分布;所述目标MRI图像的灰度分布包括所述目标MRI图像的前景灰度分布和/或所述目标MRI图像的背景灰度分布;所述前景灰度分布是指所述目标MRI图像中全部或部分形态结构的灰度分布;所述背景灰度分布是指所述目标MRI图像中部分形态结构和/或背景图像的灰度分布;
在所述目标MRI图像的前景灰度分布对应的高斯曲线上选取一个灰度值确定为灰度阈值中的灰度上限阈值;
和/或,
在所述目标MRI图像的背景灰度分布对应的高斯曲线上选取一个灰度值,确定为灰度阈值中的灰度下限阈值;
根据所述灰度阈值确定窗宽窗位,并根据所述窗宽窗位对所述目标MRI图像进行归一化处理。
2.根据权利要求1所述的方法,其特征在于,
所述根据所述目标MRI图像的前景的灰度分布对应的高斯曲线上选取一个灰度值确定为灰度阈值中的灰度上限阈值,包括:
根据所述目标MRI图像的前景的灰度分布对应的高斯曲线,将所述高斯曲线上预设的第一标准差所在位置处的灰度值确定为所述灰度上限阈值;
和/或,
所述根据所述目标MRI图像的背景的灰度分布对应的高斯曲线上选取一个灰度值确定为灰度阈值中的灰度下限阈值,包括:
根据所述目标MRI图像的背景的灰度分布对应的高斯曲线,将所述高斯曲线上预设的第二标准差所在位置处的灰度值确定为所述灰度下限阈值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标MRI图像的灰度值,确定所述目标MRI图像的灰度分布,包括:
根据所述目标MRI图像中各像素点的灰度值,确定各所述像素点的灰度值对应的概率值;
采用预设的迭代算法,根据所述灰度值、所述概率值、预设的拟合模型,计算得到所述拟合模型的参变量的值;
将所述拟合模型的参变量的值和所述灰度值代入到所述拟合模型中,得到所述目标MRI图像的灰度分布。
4.根据权利要求3所述的方法,其特征在于,所述采用预设的迭代算法,根据所述灰度值、所述概率值、预设的拟合模型,计算得到所述拟合模型的参变量的值,包括:
初始化所述拟合模型的参变量,得到所述参变量的初始值;
采用所述迭代算法,将所述灰度值和所述参变量的初始值代入所述拟合模型中,得到拟合模型的输出值;
检测所述输出值是否满足预设条件;
若所述输出值不满足所述预设条件,则根据所述输出值与所述概率值之间的差值更新所述拟合模型的参变量,并基于更新后的参变量的值和所述灰度值对所述拟合模型进行迭代,直至所述输出值满足所述预设条件为止,并将最后一次迭代更新后的参变量的值确定为所述拟合模型的参变量的值;
若所述输出值满足所述预设条件,则将所述参变量的初始值确定为所述拟合模型的参变量的值。
5.根据权利要求3或4所述的方法,其特征在于,所述拟合模型为混合高斯模型。
6.根据权利要求5所述的方法,其特征在于,所述拟合模型的参数包括所述目标MRI图像中前景的均值、前景的方差、前景的先验概率、背景的均值、背景的方差、背景的先验概率。
7.根据权利要求1所述的方法,其特征在于,所述目标MRI图像为脑图像,所述前景的灰度分布为所述脑图像中的白质的灰度分布,所述背景的灰度分布为所述脑图像中的灰度和脑脊液的灰度分布。
8.根据权利要求1所述的方法,其特征在于,所述根据所述灰度阈值确定窗宽窗位,包括:
若所述灰度阈值包括所述灰度上限阈值,则根据所述灰度上限阈值和预先确定的一个灰度下限阈值,确定所述窗宽窗位;
若所述灰度阈值包括所述灰度下限阈值,则根据所述灰度下限阈值和预先确定的一个灰度上限阈值,确定所述窗宽窗位;
若所述灰度阈值包所述灰度上限阈值和所述灰度下限阈值,则根据所述灰度上限阈值和所述灰度下限阈值,确定所述窗宽窗位。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911402943.6A CN111199513B (zh) | 2019-12-30 | 2019-12-30 | 图像处理方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911402943.6A CN111199513B (zh) | 2019-12-30 | 2019-12-30 | 图像处理方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199513A CN111199513A (zh) | 2020-05-26 |
CN111199513B true CN111199513B (zh) | 2024-03-26 |
Family
ID=70746370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911402943.6A Active CN111199513B (zh) | 2019-12-30 | 2019-12-30 | 图像处理方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199513B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897923B (zh) * | 2022-05-25 | 2023-07-21 | 中国海洋大学 | 天然气水合物ct图像阈值分割方法、系统、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101238987A (zh) * | 2007-09-06 | 2008-08-13 | 深圳先进技术研究院 | 一种关于ct脑出血图像的处理方法 |
CN102485179A (zh) * | 2010-12-02 | 2012-06-06 | 深圳迈瑞生物医疗电子股份有限公司 | 影像窗宽/窗位调节方法、装置及医学影像设备 |
CN109035203A (zh) * | 2018-06-25 | 2018-12-18 | 青岛海信医疗设备股份有限公司 | 医学图像处理方法、装置、设备及存储介质 |
CN109583444A (zh) * | 2018-11-22 | 2019-04-05 | 博志生物科技有限公司 | 空洞区域定位方法、装置及计算机可读存储介质 |
CN109767439A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 |
KR102047255B1 (ko) * | 2018-09-06 | 2019-11-21 | 한국기술교육대학교 산학협력단 | 전천 영상을 이용한 구름량 자동 관측 방법 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7085401B2 (en) * | 2001-10-31 | 2006-08-01 | Infowrap Systems Ltd. | Automatic object extraction |
US9737278B2 (en) * | 2015-09-30 | 2017-08-22 | General Electric Company | Methods and systems for multi-window imaging |
US10325351B2 (en) * | 2016-03-11 | 2019-06-18 | Qualcomm Technologies, Inc. | Systems and methods for normalizing an image |
-
2019
- 2019-12-30 CN CN201911402943.6A patent/CN111199513B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101238987A (zh) * | 2007-09-06 | 2008-08-13 | 深圳先进技术研究院 | 一种关于ct脑出血图像的处理方法 |
CN102485179A (zh) * | 2010-12-02 | 2012-06-06 | 深圳迈瑞生物医疗电子股份有限公司 | 影像窗宽/窗位调节方法、装置及医学影像设备 |
CN109035203A (zh) * | 2018-06-25 | 2018-12-18 | 青岛海信医疗设备股份有限公司 | 医学图像处理方法、装置、设备及存储介质 |
KR102047255B1 (ko) * | 2018-09-06 | 2019-11-21 | 한국기술교육대학교 산학협력단 | 전천 영상을 이용한 구름량 자동 관측 방법 |
CN109583444A (zh) * | 2018-11-22 | 2019-04-05 | 博志生物科技有限公司 | 空洞区域定位方法、装置及计算机可读存储介质 |
CN109767439A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 |
Non-Patent Citations (5)
Title |
---|
Thomas Walter,et al..Automatic detection of microaneurysms in color fundus images.《sciencedirect》.2007,全文. * |
付晓薇 等.基于量子概率统计的医学图像增强算法研究.《电子学报》.2010,38(7),第1590-1596页. * |
刘晶晶 等.基于多尺度滤波的肝门静脉CT图像增强方法.《中国图象图形学报》.2008,全文. * |
宋艳涛.基于磁共振成像的脑组织及病变分割方法研究.《中国博士学位论文全文数据库 医药卫生科技辑》.2018,(7),第2.2.1-2.2.2节. * |
张海朝 等.一种自适应红外图像增强算法.《兰州理工大学学报》.2012,38(3),第102-106页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111199513A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN108968991B (zh) | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 | |
CN108229488B (zh) | 用于检测物体关键点的方法、装置及电子设备 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN109934262B (zh) | 图片差异性判断方法、装置、计算机设备和存储介质 | |
CN112241976A (zh) | 一种训练模型的方法及装置 | |
CN108229274B (zh) | 多层神经网络模型训练、道路特征识别的方法和装置 | |
CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
CN111161274A (zh) | 腹部图像分割方法、计算机设备 | |
CN111199513B (zh) | 图像处理方法、计算机设备和存储介质 | |
CN110517221B (zh) | 基于现实坐标的缝隙定位方法、装置和存储介质 | |
CN110570487A (zh) | 欠采样模型生成方法、图像重建方法、装置和计算机设备 | |
CN112330671A (zh) | 细胞分布状态的分析方法、装置、计算机设备和存储介质 | |
CN110310314B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN109658416B (zh) | Sar图像海陆分割方法、装置、计算机设备和可读存储介质 | |
US11756319B2 (en) | Shift invariant loss for deep learning based image segmentation | |
CN113344961B (zh) | 图像背景分割方法、装置、计算设备及存储介质 | |
CN111462059B (zh) | 胎儿超声图像智能目标检测的并行处理方法和装置 | |
CN110766652B (zh) | 网络训练方法、装置、分割方法、计算机设备和存储介质 | |
US20210350124A1 (en) | Methods and systems for the automated quality assurance of annotated images | |
CN110232302B (zh) | 一种集成灰度值、空间信息和类别知识的变化检测方法 | |
CN112446428A (zh) | 一种图像数据处理方法及装置 | |
CN117389664B (zh) | 唯一性控件区域划分方法、装置、电子设备和存储介质 | |
CN111161239B (zh) | 医学图像分析方法、装置、存储介质及计算机设备 | |
CN111080594B (zh) | 切片标记确定方法、计算机设备和可读存储介质 |
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 |