CN111696083A - 一种图像处理方法、装置、电子设备及存储介质 - Google Patents
一种图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111696083A CN111696083A CN202010431829.2A CN202010431829A CN111696083A CN 111696083 A CN111696083 A CN 111696083A CN 202010431829 A CN202010431829 A CN 202010431829A CN 111696083 A CN111696083 A CN 111696083A
- Authority
- CN
- China
- Prior art keywords
- image
- quality evaluation
- target image
- image quality
- result
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000013441 quality evaluation Methods 0.000 claims abstract description 202
- 238000003709 image segmentation Methods 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 29
- 238000001303 quality assessment method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011282 treatment Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 64
- 230000008569 process Effects 0.000 description 23
- 238000003745 diagnosis Methods 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 210000001370 mediastinum Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 210000000779 thoracic wall Anatomy 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004373 mandible Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000103 occipital bone Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000003772 radiology diagnosis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 210000000614 rib Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000001991 scapula Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000002517 zygapophyseal joint Anatomy 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及区块链技术,应用于智慧医疗领域中,本申请实施例提供了一种图像处理方法、装置、电子设备及存储介质,该方法包括:获取待评估图像质量的目标图像;利用分类模型对所述目标图像进行分类,得到所述目标图像的类别,所述类别指示了拍摄区域和所述拍摄区域的拍摄模式;调用所述目标图像的类别对应的分割模型对所述目标图像进行图像分割,得到图像分割结果,所述图像分割结果包括与所述拍摄区域关联的至少一个部位中每个部位的分割图像;根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。采用本申请,可以提升图像质量评估效率。此外,本申请还涉及区块链技术,所述图像分割结果可存储于区块链中。
Description
技术领域
本申请涉及区块链技术,应用于智慧医疗领域中,尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
图像是人类社会活动中最常用的信息载体,它能够提供大量关于被描述对象的信息。图像质量的好坏,往往影响着人们的视觉感知结果。其中,图像质量评估是评价图像质量的一个重要技术。目前,图像质量评估主要依赖人工阅片,该项工作通常由阅片人员等完成。如,对于X光片,该项工作通常由影像科医生完成。该项工作的工作量大且任务繁重,导致图像质量评估效率低下。
发明内容
本申请实施例提供了一种图像处理方法、装置、电子设备及存储介质,可以提升图像质量评估效率。
第一方面,本申请实施例提供了一种图像处理方法,包括:
获取待评估图像质量的目标图像;
利用分类模型对所述目标图像进行分类,得到所述目标图像的类别,所述类别指示了拍摄区域和所述拍摄区域的拍摄模式;
调用所述目标图像的类别对应的分割模型对所述目标图像进行图像分割,得到图像分割结果,所述图像分割结果包括与所述拍摄区域关联的至少一个部位中每个部位的分割图像;
根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
可选地,所述根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,包括:
根据所述图像分割结果对所述每个部位进行姿态估计,得到所述每个部位的姿态估计数据;
根据所述姿态估计数据确定所述目标图像针对拍摄体位得到的第一图像质量评估值;
根据所述第一图像质量评估值获得对所述目标图像的图像质量评估结果。
可选地,所述根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,包括:
根据所述图像分割结果计算所述每个部位的分割图像对应的灰度直方图;
根据所述灰度直方图确定所述目标图像针对影像密度得到的第二图像质量评估值;
根据所述第二图像质量评估值获得对所述目标图像的图像质量评估结果。
可选地,所述根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,包括:
根据所述图像分割结果确定所述每个部位的分割图像对应的图像质量评估参数;所述图像质量评估参数包括清晰度和/或对比度;
根据所述图像质量评估参数确定所述目标图像针对影像层次得到的第三图像质量评估值;
根据所述第三图像质量评估值获得对所述目标图像的图像质量评估结果。
可选地,所述根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果前,所述方法还包括:
调用所述目标图像的类别对应的图像检测模型对所述目标图像进行图像检测,得到图像检测结果,所述图像检测结果用于指示所述目标图像是否存在不符合技术操作要求的异物和/或伪影;
所述根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,包括:
根据所述图像检测结果以及所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
可选地,所述方法还包括:
获取所述目标图像对应的拍摄对象的标识信息;
根据所述拍摄对象的标识信息校验所述目标图像的真实性;
当校验所述目标图像的真实性通过时,执行所述利用分类模型对所述目标图像进行分类,得到所述目标图像的类别的步骤。
可选地,所述根据所述拍摄对象的标识信息校验所述目标图像的真实性,包括:
根据所述目标图像的拍摄时间从服务设备中查询出在所述拍摄时间所处时间段内的视频文件;
根据所述拍摄对象的标识信息获取所述拍摄对象的头像信息,并识别所述视频文件是否包括所述拍摄对象的头像信息;
当识别到所述视频文件包括所述拍摄对象的头像信息时,确定校验所述目标图像的真实性通过。
第二方面,本申请实施例提供了一种图像处理装置,包括:
获取模块,用于获取待评估图像质量的目标图像;
分类模块,用于利用分类模型对所述目标图像进行分类,得到所述目标图像的类别,所述类别指示了拍摄区域和所述拍摄区域的拍摄模式;
图像分割模块,用于调用所述目标图像的类别对应的分割模型对所述目标图像进行图像分割,得到图像分割结果,所述图像分割结果包括与所述拍摄区域关联的至少一个部位中每个部位的分割图像;
质量评估模块,用于根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
第三方面,本申请实施例提供了一种电子设备,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如第一方面所述的方法。
综上所述,电子设备可以利用分类模型对评估图像质量的目标图像进行分类,得到该目标图像的类别;电子设备调用该目标图像的类别对应的分割模型对该目标图像进行图像分割,得到图像分割结果,并根据该图像分割结果进行图像质量评估,得到对该目标图像的图像质量评估结果,相较于现有技术人工阅片进行图像质量评估的过程,本申请能够实现自动化图像质量评估过程,提升图像质量评估效率。
附图说明
为了更清楚地说明本申请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作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的一种图像处理方法的流程示意图;
图1B是本申请实施例提供的一种图像质量评估界面的示意图;
图2是本申请实施例提供的另一种图像处理方法的流程示意图;
图3是本申请实施例提供的一种图像处理装置的结构示意图;
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。图像是人类社会活动中最常用的信息载体,它能够提供大量关于被描述对象的信息。图像质量的好坏,往往影响着人们的视觉感知结果。其中,图像质量评估是评价图像质量的一个重要技术。下面以X光片为例来阐述传统的图像质量评估方法。
目前来说,X光片检查在健康筛查和疾病诊治中的应用已相当普及,它已成为健康保健、疾病诊断、疗效评估和随访中非常重要的组成部分。临床上相当多的诊断和治疗离不开影像学检查的诊断和评估,没有正确和精准的诊断就不可能有精准和合理的治疗。因此,X光片的质量是放射学诊断质量的前提和保证,也是放射科质量控制工作的主要内容之一。优质的X光片可以提高诊断水平,而质劣的照片则是导致漏诊、误诊的重要原因。现有X光片扫描设备多样,扫描规范的不同,技术员操作水平不同,质量有差异性。目前对图像质量的评估主要依赖人工阅片,如对于上述提及的X光片来说,该项工作通常由影像科医生完成,其工作量大且任务繁重,导致图像质量评估效率低下。
基于此,本方案提出了一种图像处理方案,能够提升图像质量评估效率。该图像处理方案具体为电子设备利用分类模型对待评估图像质量的目标图像进行分类,得到该目标图像的类别,该类别指示了拍摄区域和该拍摄区域的拍摄模式;电子设备调用该目标图像的类别对应的分割模型对该目标图像进行图像分割,得到图像分割结果,该图像分割结果包括与该拍摄区域关联的至少一个部位中每个部位的分割图像,并根据该图像分割结果进行图像质量评估,得到对该目标图像的图像质量评估结果。
请参阅图1A,为本申请实施例提供的一种图像处理方法的流程示意图。该图像处理方法可以应用于电子设备,该电子设备可以为服务器或终端。服务器可以为一个服务器或服务器集群。终端可以为台式电脑或笔记本电脑等等智能终端。具体地,该方法可以包括如下步骤:
S101、获取待评估图像质量的目标图像。
其中,目标图像是指待评估图像质量的一张或多张图像。该目标图像可以为人体图像,该目标图像可以属于生活照、证件照或X光片等等,本申请实施例不做限制。此处,X光片也可以称为X-ray影像或X-ray图像。该目标图像可以从图像采集设备或是从其它存储了该目标图像的设备获取。
在一个实施例中,由于一段时间内拍摄的图像的数量可能较多,如果要对这段时间拍摄的所有的图像进行图像质量评估,将耗费大量时间。因此,电子设备可以获取在第一时间范围内拍摄的图像,并从该在第一时间范围内拍摄的图像中选取一张或多张图像作为待评估图像质量的目标图像。
在一个实施例中,电子设备可以从该第一时间范围内拍摄的图像中随机选取一张或多张图像作为待评估图像质量的目标图像。例如,电子设备可以从近一年内拍摄的图像中随机选取一张或多张图像作为待评估图像质量的目标图像。本申请实施例对随机选取的方法不做限制。
在一个实施例中,考虑到每次进行图像质量评估的时间间隔可能比较长,比如可能一年评估一次,为了保证图像质量评估的可靠性,电子设备可以从第一时间范围内拍摄的图像中选取在第二时间范围内拍摄的一张或多张图像作为待评估图像质量的目标图像。
在一个实施例中,电子设备可以从第一时间范围内拍摄的图像中随机选取在第二时间范围内拍摄的一张或多张图像作为待评估图像质量的目标图像。例如,电子设备可以从近一年内拍摄的图像中随机选取在近一个月内拍摄的一张或多张图像作为待评估图像质量的目标图像。本申请实施例对随机选取的方法不做限制。
在一个实施例中,当电子设备为服务器时,电子设备可以响应于终端设备发送的图像质量评估指令,获取待评估图像质量的目标图像。
在一个实施例中,当电子设备为服务器时,电子设备可以响应于终端设备发送的图像质量评估指令,触发获取待评估图像质量的目标图像。
在一个实施例中,该图像质量评估指令可以携带至少一个图像标识。电子设备获取待评估图像质量的目标图像的过程可以为电子设备查询该图像标识对应的图像,并将该图像标识对应的图像确定为待评估图像质量的目标图像。
在一个应用场景中,用户可以使用终端设备进入如图1B所示的界面以查看多个图像标识。用户可以从这些图像标识中选取图像标识1和图像标识2。终端设备可以响应对图像标识1和图像标识2的选取操作,发送图像质量评估指令至电子设备,该图像质量评估指令携带图像标识1和图像标识2。电子设备查询图像标识1对应的图像1和图像标识2对应的图像2,并将图像1和图像2确定为待评估图像质量的目标图像。
在一个实施例中,该图像质量评估指令可以携带该待评估图像质量的目标图像,电子设备获取待评估图像质量的目标图像的过程可以为电子设备获取图像质量评估指令携带的待评估图像质量的目标图像。
S102、利用分类模型对所述目标图像进行分类,得到所述目标图像的类别,所述类别指示了拍摄区域和所述拍摄区域的拍摄模式。
本申请实施例中,电子设备可以将目标图像作为分类模型的输入数据,通过该分类模型对该目标图像进行分类,得到该目标图像的类别,该类别指示了拍摄区域和该拍摄区域的拍摄模式。在一个实施例中,该分类模型可以是利用训练数据集包括的图像对第一预设模型训练后得到的。该训练数据集包括的图像可以携带标记结果信息,该标记结果信息可以包括该图像的类别。该第一预设模型可以为卷积神经网络模型或生成对抗网络模型等等深度学习模型。拍摄区域可以包括该目标图像对应的拍摄对象。该拍摄对象可以是拍摄的个体或个体的部分。该个体可以是指生物个体,如人。在一个实施例中,当拍摄对象为个体的部分时,该拍摄对象具体可以为主要拍摄部位。例如,对于医疗领域,该主要拍摄部位可以是指人的诊断部位或检测部位,如胸部或颈椎。该拍摄模式可以为拍摄方式,如拍摄手法,或还可以为拍摄状态。例如,对于医疗领域,该拍摄状态可以包括拍摄体位,如正位或侧位。在一个实施例中,所述的拍摄体位也可称为摄片体位。
在一个实施例中,所述的分类模型可以通过如下方式得到:电子设备利用生成对抗网络模型包括的生成器生成第一数量张图像以作为负样本;电子设备从训练数据集中选取第二数量张图像以作为正样本;电子设备将该第一数量张图像和该第二数量张图像输入该生成对抗网络模型包括的判别网络中以进行预测,得到预测结果;电子设备根据该预测结果计算该生成对抗网络模型的损失函数,并利用该损失函数优化该生成对抗网络模型,重复执行上述步骤,直至该生成对抗网络模型收敛,得到分类模型。相较于利用卷积神经网络模型得到的分类模型,利用生成对抗网络模型得到的分类模型对复杂图像有更高的识别精度。
S103、调用所述目标图像的类别对应的分割模型对所述目标图像进行图像分割,得到图像分割结果,所述图像分割结果包括与所述拍摄区域关联的至少一个部位中每个部位的分割图像。
S104、根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
在步骤S103-S104中,电子设备可以确定目标图像的类别对应的分割模型,然后调用目标图像的类别对应的分割模型对该目标图像进行图像分割,得到图像分割结果,从而根据该图像分割结果进行图像质量评估,得到对该目标图像的图像质量评估结果,实现了自动化智能化的图像质量评估过程,并且使得该图像质量评估过程更加准确可靠。
在一个实施例中,所述的分割模型可以采用如下方式得到:电子设备利用为该类别的预设数量张图像以及该预设数量张图像每张图像的图像分割结果训练第二预设模型得到该类别对应的分割模型。其中,该第二预设模型可以为全卷积网络模型或循环神经网络模型等等深度学习模型,本申请实施例不做限制。
在一个实施例中,所述的图像分割结果具体可以采用如下方式得到:电子设备根据该图像分割结果确定至少一个质量评估值,并根据至少一个图像质量评估值获得对该目标图像的图像质量评估结果。采用该过程,使得图像质量评估过程的标准被量化,能够提高图像质量评估过程的一致性。
在一个实施例中,电子设备可以计算该至少一个图像质量评估值的累加结果,并根据该累加结果获得该目标图像的图像质量评估结果。
在一个实施例中,电子设备可以计算第一图像质量评估值、第二图像质量评估值、第三图像质量评估值中的至少两个图像质量评估值的累加结果,并根据该累加结果获得该目标图像的图像质量评估结果。其中,图像质量评估值包括但不限于以分值的形式体现。其中,第一图像质量评估值可以是针对拍摄体位得到的图像质量评估值。第二图像质量评估值可以针对影像密度得到的图像质量评估值。第三图像质量评估值可以是针对影像层次得到的图像质量评估值。
在一个实施例中,电子设备可以将该累加结果作为对该目标图像的图像质量评估结果。或,电子设备可以确定该累加结果对应的等级,并将该累加结果对应的等级作为对该目标图像的图像质量评估结果。
可见,图1A所示的实施例中,电子设备可以利用分类模型对评估图像质量的目标图像进行分类,得到该目标图像的类别,该类别指示了拍摄区域和该拍摄区域的拍摄模式;电子设备调用该目标图像的类别对应的分割模型对该目标图像进行图像分割,得到图像分割结果,并根据该图像分割结果进行图像质量评估,得到对该目标图像的图像质量评估结果,该过程能够实现自动化图像质量评估过程,提升了图像质量评估效率。
需要强调的是,为进一步保证上述图像分割结果的私密和安全性,上述图像分割结果还可以存储于一区块链的节点中,上述图像质量评估结果也可以存储于一区块链的节点中。
请参阅图2,为本申请实施例提供的另一种图像处理方法的流程示意图。该图像处理方法可以应用于电子设备,该电子设备可以为服务器或终端。具体地,该方法可以包括如下步骤:
S201、获取待评估图像质量的目标图像。
其中,步骤S201可参见图1A实施例中的步骤S101,本申请实施例在此不做赘述。
S202、获取所述目标图像对应的拍摄对象的标识信息。
S203、根据所述拍摄对象的标识信息校验所述目标图像的真实性。
在步骤S202-S203中,为了避免因图像造假导致的图像质量评估不准确的情况,电子设备可以获取该目标图像对应的拍摄对象的标识信息,并根据该拍摄对象的标识信息校验该目标图像的真实性。该拍摄对象的标识信息是指用于唯一标识拍摄的个体的信息,如该标识信息可以为拍摄的患者的姓名。
在一个实施例中,电子设备根据该拍摄对象的标识信息校验该目标图像的真实性的过程可以为电子设备查询缴费平台中是否记录了该拍摄对象对该目标图像的缴费信息,如果查询到缴费信息,则确定校验该目标图像的真实性通过。
在一个实施例中,电子设备根据该拍摄对象的标识信息校验该目标图像的真实性的过程具体为电子设备根据该目标图像的拍摄时间从服务设备中查询出在该拍摄时间所处时间段内的视频文件,并提取该视频文件包括的至少一个头像信息;电子设备根据拍摄对象的标识信息获取该拍摄对象的头像信息,电子设备识别该至少一个头像信息是否包括该拍摄对象的头像信息;当识别到该至少一个头像信息包括该拍摄对象的头像信息时,确定校验该目标图像的真实性通过。其中,服务设备是指存储了多个视频文件的设备。
在一个实施例中,电子设备根据该拍摄对象的标识信息校验该目标图像的真实性的过程具体为电子设备根据该目标图像的拍摄时间从服务设备中查询出在该拍摄时间所处时间段内的视频文件;电子设备根据该拍摄对象的标识信息获取该拍摄对象的头像信息,并识别该视频文件是否包括该拍摄对象的头像信息;电子设备当识别到该视频文件包括该拍摄对象的头像信息时,确定校验该目标图像的真实性通过。
S204、当校验所述目标图像的真实性通过时,利用分类模型对所述目标图像进行分类,得到所述目标图像的类别,所述类别指示了拍摄区域和所述拍摄区域的拍摄模式。
本申请实施例中,电子设备当校验该目标图像的真实性通过时,可以利用分类模型对该目标图像进行分类,得到该目标图像的类别。其中,该利用分类模型对该目标图像进行分类,得到该目标图像的类别的过程可以参见图1实施例中的步骤S102,本申请实施例在此不做赘述。
在一个实施例中,当校验该目标图像的真实性不通过时,可以输出提示信息至终端设备,以告知该目标图像可能是伪造的图像。
S205、调用所述目标图像的类别对应的分割模型对所述目标图像进行图像分割,得到图像分割结果,所述图像分割结果包括与所述拍摄区域关联的至少一个部位中每个部位的分割图像。
S206、根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
其中,步骤S205-S206可参见图1A实施例中的步骤S103-S104,本申请实施例在此不做赘述。
下面将从拍摄体位、影像密度、影像层次等角度对前述提及的图像质量评估的方式进行详细介绍。
在一个实施例中,电子设备可以根据该图像分割结果对该每个部位进行姿态估计,得到该每个部位的姿态估计数据;电子设备根据该姿态估计数据确定该目标图像针对拍摄体位得到的第一图像质量评估值,并根据该第一图像质量评估值获得对该目标图像的图像质量评估结果。其中,该姿态估计数据可以包括以下至少一项:位置数据、尺度数据、方向数据。
在一个实施例中,电子设备根据该姿态估计数据确定该目标图像针对拍摄体位得到的第一图像质量评估值的过程可以为电子设备根据该姿态评估数据确定该目标图像与拍摄体位对应的至少一项评估细则之间的匹配结果;电子设备根据该匹配结果确定该目标图像针对拍摄体位对应的至少一项评估细则得到的图像质量评估值,并将该目标图像针对拍摄体位对应的至少一项评估细则得到的图像质量评估值作为该目标图像针对拍摄体位得到的第一图像质量评估值。其中,该匹配结果可以为匹配度或是否匹配的结果。
在一个实施例中,电子设备根据该姿态评估数据确定该目标图像与该拍摄体位对应的至少一项评估细则之间的匹配结果的过程可以为电子设备根据该姿态评估数据确定拍摄体位对应的至少一项评估细则所需的评估数据,电子设备将该评估数据与该拍摄体位对应的至少一项评估细则进行匹配,得到该评估数据与该拍摄体位对应的至少一项评估细则之间的匹配结果作为该目标图像与拍摄体位对应的至少一项评估细则之间的匹配结果。
例如,该目标图像的类型为胸部正位片,拍摄体位对应的至少一项评估细则包括“体位正、应显示器官(如胸部)中线位于胶片中央”。电子设备可以通过分割模型对该目标图像进行图像分割,得到图像分割结果,该图像分割结果包括锁骨、肩胛骨、肋骨等部位的分割图像。电子设备根据该图像分割对各个部位进行姿态估计可以得到各个部位的姿态评估数据,从而可以根据该姿态评估数据确定出这条评估细则所需的评估数据,如人体的体位和应显示器官的中线位置。电子设备将该评估数据与这条评估细则进行匹配,得到该评估数据与这条评估细则之间的匹配结果作为目标图像与拍摄体位对应的这条评估细则之间的匹配结果。
再如,该目标图像的类型为颈部侧位片,拍摄体位对应的至少一条评估细则包括“体位正、应显示器官(颈部)中线位于胶片中央”。电子设备可以通过分割模型对该目标图像进行图像分割,得到图像分割结果,该图像分割结果包括颈椎、椎小关节、下颌骨、枕骨等部位的分割图像。电子设备根据该图像分割结果对各个部位进行姿态估计可以得到各个部位的姿态评估数据,从而可以根据该姿态评估数据确定出目标评估细则所需的评估数据,如人体的体位和应显示器官的中线位置。电子设备将该评估数据与该目标评估细则进行匹配,得到该评估数据与这条评估细则之间的匹配结果作为目标图像与拍摄体位对应的这条评估细则之间的匹配结果。
在一个实施例中,电子设备可以根据该图像分割结果计算该每个部位的分割图像对应的灰度直方图;电子设备根据该灰度直方图确定该目标图像针对影像密度得到的第二图像质量评估值,并根据该第二图像质量评估值获得对该目标图像的图像质量评估结果。其中,影像密度可以用于衡量图像曝光程度。
在一个实施例中,电子设备根据该灰度直方图确定该目标图像针对影像密度得到的第二图像质量评估值的过程可以为电子设备根据该灰度直方图确定该目标图像与影像密度对应的至少一项评估细则之间的匹配结果;电子设备根据该匹配结果确定该目标图像针对影像密度对应的至少一项评估细则得到的图像质量评估值,并将该目标图像针对影像密度对应的至少一项评估细则得到的图像质量评估值作为该目标图像针对影像密度得到的第二图像质量评估值。其中,该匹配结果可以为匹配度或是否匹配的结果。
在一个实施例中,电子设备根据灰度直方图确定该目标图像与影像密度对应的至少一项评估细则之间的匹配结果的过程可以为电子设备根据该灰度直方图确定影像密度对应的至少一项评估细则所需的评估数据,电子设备将该评估数据与该影像密度对应的至少一项评估细则进行匹配,得到该评估数据与该影像密度对应的至少一项评估细则之间的匹配结果作为该目标图像与影像密度对应的至少一项评估细则之间的匹配结果。例如,该评估数据可以为影像密度分析结果,该影像密度分析结果可以为影像密度或影像密度是否异常的结果。
在一个实施例中,假设该影像密度分析结果为影像密度是否异常的结果,则电子设备根据该灰度直方图确定影像密度对应的至少一项评估细则所需的评估数据的过程可以为电子设备根据灰度直方图统计该目标图像中是否存在至少预设数量个像素的像素值均大于第一预设值或是否存在预设百分比的像素的像素值均大于第二预设值;如果存在,得到指示影像密度异常的结果。
在一个实施例中,电子设备还可以根据设备厂商提供的曝光系数计算该目标图像的影像密度,并根据计算出的影像密度确定该目标图像针对影像密度得到的目标图像质量评估值,从而电子设备可以根据该目标图像质量评估值获得对该目标图像的图像质量评估结果。
在一个实施例中,电子设备根据该图像分割结果进行图像质量评估,得到对该目标图像的图像质量评估结果的过程具体为电子设备根据该图像分割结果确定该每个部位的分割图像对应的图像质量评估参数;该图像质量评估参数包括清晰度和/或对比度;电子设备根据该图像质量评估参数确定该目标图像针对影像层次得到的第三图像质量评估值,并根据该第三图像质量评估值获得对该目标图像的图像质量评估结果。
在一个实施例中,电子设备根据该图像质量评估参数确定该目标图像针对影像层次得到的第三图像质量评估值的过程可以为电子设备根据该图像质量评估参数确定该目标图像与影像层次对应的至少一项评估细则之间的匹配结果;电子设备根据该匹配结果确定该目标图像针对影像层次对应的至少一项评估细则得到的图像质量评估值,并将该目标图像针对影像层次对应的至少一项评估细则得到的图像质量评估值作为该目标图像针对影像层次得到的第三图像质量评估值。其中,该匹配结果可以为匹配度或是否匹配的结果。
在一个实施例中,电子设备根据图像质量评估参数确定该目标图像与影像层次对应的至少一项评估细则之间的匹配结果的过程可以为电子设备根据该图像质量评估参数确定影像层次对应的至少一项评估细则所需的评估数据,电子设备将该评估数据与该影像层次对应的至少一项评估细则进行匹配,得到该评估数据与该影像层次对应的至少一项评估细则之间的匹配结果作为该目标图像与影像层次对应的至少一项评估细则之间的匹配结果。例如,该评估数据可以影像层次数据。例如,该影像层次数据可以为清晰度/或对比度,或还可以为相应部位是否能被清晰分辨的结果。
例如,目标图像的类型为胸部正位片,影像层次对应的至少一项评估细则包括“能清晰分辨肺野、纵膈、胸壁、骨骼、软组织等”,电子设备可以根据该图像分割结果计算每个部位的分割图像对应的图像质量评估参数。电子设备可以根据该图像质量评估参数确定影像层次数据,并获得该影像层次数据与这条评估细则之间的匹配结果作为目标图像与影像层次对应的这条评估细则之间的匹配结果。
再如,目标图像的类型为颈部侧位片,影像层次对应的至少一项评估细则包括“能清晰分辨肺野、纵膈、胸壁、骨骼、软组织”,电子设备可以根据该图像分割结果计算与各个部位的分割图像对应的图像质量评估参数。电子设备根据该每个部位的图像质量评估参数确定该目标图像的影像层次数据,并获得该影像层次数据与这条评估细则的匹配结果作为该目标图像与影像层次对应的这条评估细则之间的匹配结果。
在一个实施例中,电子设备可以确定该目标图像的类别对应的评估标准,若该目标图像的类别对应的评估标准包括第一评估标准,则执行调用该目标图像的类别对应的分割模型对该目标图像进行图像分割,得到图像分割结果的步骤。其中,该第一评估标准可以包括以下至少一个维度的评估标准:拍摄体位、影像密度、影像层次。
在一个实施例中,电子设备根据该图像分割结果进行图像质量评估,得到对该目标图像的图像质量评估结果前,可以调用该目标图像的类别对应的图像检测模型对该目标图像进行图像检测,得到图像检测结果,该图像检测结果用于指示该目标图像是否存在不符合技术操作要求的异物和/或伪影。在一个实施例中,电子设备根据该图像分割结果进行图像质量评估,得到对该目标图像的图像质量评估结果的过程具体为电子设备根据该图像检测结果以及该图像分割结果进行图像质量评估,得到对该目标图像的图像质量评估结果。
在一个实施例中,当该目标类别对应的评估标准包括技术操作时,电子设备执行调用该目标图像的类别对应的图像检测模型对该目标图像进行图像检测,得到图像检测结果的步骤。
可见,图2所示的实施例中,电子设备可以在对目标图像进行分类之前,对目标图像进行真实性校验,从而避免因目标图像伪造带来的图像质量评估不准确的情况。
请参参阅图3,为本申请实施例提供的一种图像处理装置的结构示意图。该装置可以应用于前述提及的电子设备。具体地,该装置可以包括:
获取模块301,用于获取待评估图像质量的目标图像。
分类模块302,用于利用分类模型对所述目标图像进行分类,得到所述目标图像的类别,所述类别指示了拍摄区域和所述拍摄区域的拍摄模式。
图像分割模块303,用于调用所述目标图像的类别对应的分割模型对所述目标图像进行图像分割,得到图像分割结果,所述图像分割结果包括与所述拍摄区域关联的至少一个部位中每个部位的分割图像。
质量评估模块304,用于根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
在一种可选的实施方式中,质量评估模块304根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,具体为根据所述图像分割结果对所述每个部位进行姿态估计,得到所述每个部位的姿态估计数据;根据所述姿态估计数据确定所述目标图像针对拍摄体位得到的第一图像质量评估值;根据所述第一图像质量评估值获得对所述目标图像的图像质量评估结果。
在一种可选的实施方式中,质量评估模块304根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,具体为根据所述图像分割结果计算所述每个部位的分割图像对应的灰度直方图;根据所述灰度直方图确定所述目标图像针对影像密度得到的第二图像质量评估值;根据所述第二图像质量评估值获得对所述目标图像的图像质量评估结果。
在一种可选的实施方式中,质量评估模块304根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,具体为根据所述图像分割结果确定所述每个部位的分割图像对应的图像质量评估参数;所述图像质量评估参数包括清晰度和/或对比度;根据所述图像质量评估参数确定所述目标图像针对影像层次得到的第三图像质量评估值;根据所述第三图像质量评估值获得对所述目标图像的图像质量评估结果。
在一种可选的实施方式中,该图像处理装置还包括处理模块305。
在一种可选的实施方式中,处理模块305,用于在质量评估模块304根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果前,调用所述目标图像的类别对应的图像检测模型对所述目标图像进行图像检测,得到图像检测结果,所述图像检测结果用于指示所述目标图像是否存在不符合技术操作要求的异物和/或伪影。
在一种可选的实施方式中,质量评估模块304根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,具体为根据所述图像检测结果以及所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
在一种可选的实施方式中,处理模块305,还用于获取所述目标图像对应的拍摄对象的标识信息;根据所述拍摄对象的标识信息校验所述目标图像的真实性;当校验所述目标图像的真实性通过时,执行所述利用分类模型对所述目标图像进行分类,得到所述目标图像的类别的操作。
在一种可选的实施方式中,处理模块305根据所述拍摄对象的标识信息校验所述目标图像的真实性,具体为根据所述目标图像的拍摄时间从服务设备中查询出在所述拍摄时间所处时间段内的视频文件;根据所述拍摄对象的标识信息获取所述拍摄对象的头像信息,并识别所述视频文件是否包括所述拍摄对象的头像信息;当识别到所述视频文件包括所述拍摄对象的头像信息时,确定校验所述目标图像的真实性通过。
可见,图3所示的实施例中,图像处理装置可以利用分类模型对评估图像质量的目标图像进行分类,得到该目标图像的类别,该类别指示了拍摄区域和该拍摄区域的拍摄模式;图像处理装置可以调用该目标图像的类别对应的分割模型对该目标图像进行图像分割,得到图像分割结果,并根据该图像分割结果进行图像质量评估,得到对该目标图像的图像质量评估结果,提升了图像质量评估效率。
需要强调的是,为进一步保证上述图像分割结果的私密和安全性,上述图像分割结果还可以存储于一区块链的节点中,上述图像质量评估结果也可以存储于一区块链的节点中。
请参阅图4,为本申请实施例提供的一种电子设备的结构示意图。其中,本实施例中所描述的电子设备可以包括:处理器1000、输入设备2000、输出设备3000和存储器4000。处理器1000、输入设备2000、输出设备3000和存储器4000之间可以通过总线或其它方式连接。输入设备2000和输出设备3000可以为标准的有线或无线通信接口。在一个实施例中,输入设备2000和输出设备3000为本申请实施例可选的设备。
处理器1000可以是中央处理模块(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器4000可以是高速RAM存储器,也可为非不稳定的存储器(non-volatilememory),例如磁盘存储器。存储器4000用于存储一组程序代码,处理器1000、输入设备2000和输出设备3000可以调用存储器4000中存储的程序代码。具体地:
处理器1000,用于获取待评估图像质量的目标图像;利用分类模型对所述目标图像进行分类,得到所述目标图像的类别,所述类别指示了拍摄区域和所述拍摄区域的拍摄模式;调用所述目标图像的类别对应的分割模型对所述目标图像进行图像分割,得到图像分割结果,所述图像分割结果包括与所述拍摄区域关联的至少一个部位中每个部位的分割图像;根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
在一个实施例中,处理器1000根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,具体为根据所述图像分割结果对所述每个部位进行姿态估计,得到所述每个部位的姿态估计数据;根据所述姿态估计数据确定所述目标图像针对拍摄体位得到的第一图像质量评估值;根据所述第一图像质量评估值获得对所述目标图像的图像质量评估结果。
在一个实施例中,处理器1000根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,具体为根据所述图像分割结果计算所述每个部位的分割图像对应的灰度直方图;根据所述灰度直方图确定所述目标图像针对影像密度得到的第二图像质量评估值;根据所述第二图像质量评估值获得对所述目标图像的图像质量评估结果。
在一个实施例中,处理器1000根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,具体为根据所述图像分割结果确定所述每个部位的分割图像对应的图像质量评估参数;所述图像质量评估参数包括清晰度和/或对比度;根据所述图像质量评估参数确定所述目标图像针对影像层次得到的第三图像质量评估值;根据所述第三图像质量评估值获得对所述目标图像的图像质量评估结果。
在一个实施例中,处理器1000在根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果前,调用所述目标图像的类别对应的图像检测模型对所述目标图像进行图像检测,得到图像检测结果,所述图像检测结果用于指示所述目标图像是否存在不符合技术操作要求的异物和/或伪影。
在一个实施例中,处理器1000根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,具体为根据所述图像检测结果以及所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
在一个实施例中,处理器1000,还用于获取所述目标图像对应的拍摄对象的标识信息;根据所述拍摄对象的标识信息校验所述目标图像的真实性;当校验所述目标图像的真实性通过时,执行所述利用分类模型对所述目标图像进行分类,得到所述目标图像的类别的步骤。
在一个实施例中,处理器1000根据所述拍摄对象的标识信息校验所述目标图像的真实性,具体为根据所述目标图像的拍摄时间从服务设备中查询出在所述拍摄时间所处时间段内的视频文件;根据所述拍摄对象的标识信息获取所述拍摄对象的头像信息,并识别所述视频文件是否包括所述拍摄对象的头像信息;当识别到所述视频文件包括所述拍摄对象的头像信息时,确定校验所述目标图像的真实性通过。
具体实现中,本申请实施例中所描述的处理器1000、输入设备2000、输出设备3000可执行图1A和图2实施例所描述的实现方式,也可执行本申请实施例所描述的实现方式,在此不再赘述。
在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采样硬件的形式实现,也可以采样软件功能单元的形式实现。
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计算机可读存储介质中,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,该计算机可读存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。
进一步地,所述计算机可用存储介质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等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所揭露的仅为本申请一种较佳实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于本申请所涵盖的范围。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取待评估图像质量的目标图像;
利用分类模型对所述目标图像进行分类,得到所述目标图像的类别,所述类别指示了拍摄区域和所述拍摄区域的拍摄模式;
调用所述目标图像的类别对应的分割模型对所述目标图像进行图像分割,得到图像分割结果,所述图像分割结果包括与所述拍摄区域关联的至少一个部位中每个部位的分割图像;
根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,包括:
根据所述图像分割结果对所述每个部位进行姿态估计,得到所述每个部位的姿态估计数据;
根据所述姿态估计数据确定所述目标图像针对拍摄体位得到的第一图像质量评估值;
根据所述第一图像质量评估值获得对所述目标图像的图像质量评估结果。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,包括:
根据所述图像分割结果计算所述每个部位的分割图像对应的灰度直方图;
根据所述灰度直方图确定所述目标图像针对影像密度得到的第二图像质量评估值;
根据所述第二图像质量评估值获得对所述目标图像的图像质量评估结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,包括:
根据所述图像分割结果确定所述每个部位的分割图像对应的图像质量评估参数;所述图像质量评估参数包括清晰度和/或对比度;
根据所述图像质量评估参数确定所述目标图像针对影像层次得到的第三图像质量评估值;
根据所述第三图像质量评估值获得对所述目标图像的图像质量评估结果。
5.根据权利要求1所述的方法,其特征在于,所述根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果前,所述方法还包括:
调用所述目标图像的类别对应的图像检测模型对所述目标图像进行图像检测,得到图像检测结果,所述图像检测结果用于指示所述目标图像是否存在不符合技术操作要求的异物和/或伪影;
所述根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果,包括:
根据所述图像检测结果以及所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标图像对应的拍摄对象的标识信息;
根据所述拍摄对象的标识信息校验所述目标图像的真实性;
当校验所述目标图像的真实性通过时,执行所述利用分类模型对所述目标图像进行分类,得到所述目标图像的类别的步骤。
7.根据权利要求6所述的方法,其特征在于,所述根据所述拍摄对象的标识信息校验所述目标图像的真实性,包括:
根据所述目标图像的拍摄时间从服务设备中查询出在所述拍摄时间所处时间段内的视频文件;
根据所述拍摄对象的标识信息获取所述拍摄对象的头像信息,并识别所述视频文件是否包括所述拍摄对象的头像信息;
当识别到所述视频文件包括所述拍摄对象的头像信息时,确定校验所述目标图像的真实性通过。
8.一种图像处理装置,其特征在于,包括:
获取模块,用于获取待评估图像质量的目标图像;
分类模块,用于利用分类模型对所述目标图像进行分类,得到所述目标图像的类别,所述类别指示了拍摄区域和所述拍摄区域的拍摄模式;
图像分割模块,用于调用所述目标图像的类别对应的分割模型对所述目标图像进行图像分割,得到图像分割结果,所述图像分割结果包括与所述拍摄区域关联的至少一个部位中每个部位的分割图像;
质量评估模块,用于根据所述图像分割结果进行图像质量评估,得到对所述目标图像的图像质量评估结果。
9.一种电子设备,其特征在于,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7任一项所述的方法。
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存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010431829.2A CN111696083B (zh) | 2020-05-20 | 2020-05-20 | 一种图像处理方法、装置、电子设备及存储介质 |
PCT/CN2020/099541 WO2021114638A1 (zh) | 2020-05-20 | 2020-06-30 | 一种图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010431829.2A CN111696083B (zh) | 2020-05-20 | 2020-05-20 | 一种图像处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111696083A true CN111696083A (zh) | 2020-09-22 |
CN111696083B CN111696083B (zh) | 2024-05-14 |
Family
ID=72478135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010431829.2A Active CN111696083B (zh) | 2020-05-20 | 2020-05-20 | 一种图像处理方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111696083B (zh) |
WO (1) | WO2021114638A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907726A (zh) * | 2021-01-25 | 2021-06-04 | 重庆金山医疗器械有限公司 | 一种图像处理方法、装置、设备及计算机可读存储介质 |
CN113160147A (zh) * | 2021-03-30 | 2021-07-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 热处理工件图像特征识别匹配系统 |
CN113222985A (zh) * | 2021-06-04 | 2021-08-06 | 中国人民解放军总医院 | 一种图像处理方法、装置、计算机设备和介质 |
CN113537407A (zh) * | 2021-08-31 | 2021-10-22 | 平安医疗健康管理股份有限公司 | 基于机器学习的图像数据评价处理方法及装置 |
CN114710657A (zh) * | 2022-04-07 | 2022-07-05 | 北京医准智能科技有限公司 | 一种乳腺x线影像质量的评估系统及方法 |
EP4184429A1 (en) * | 2021-11-18 | 2023-05-24 | Koninklijke Philips N.V. | Determining rotation of a patient's chest in a medical image |
CN116977253A (zh) * | 2022-12-29 | 2023-10-31 | 开立生物医疗科技(武汉)有限公司 | 用于内窥镜的清洁度检测方法及装置、电子设备和介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615915A (zh) * | 2015-01-15 | 2015-05-13 | 于飞 | 一种针对医疗放射影像的计算机辅助图像质量分析控制方法及系统 |
WO2018090937A1 (zh) * | 2016-11-18 | 2018-05-24 | 深圳云天励飞技术有限公司 | 图像处理方法、终端及存储介质 |
CN108230296A (zh) * | 2017-11-30 | 2018-06-29 | 腾讯科技(深圳)有限公司 | 图像特征的识别方法和装置、存储介质、电子装置 |
CN109447966A (zh) * | 2018-10-26 | 2019-03-08 | 科大讯飞股份有限公司 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
WO2019057067A1 (zh) * | 2017-09-20 | 2019-03-28 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
CN110021009A (zh) * | 2019-01-18 | 2019-07-16 | 平安科技(深圳)有限公司 | 一种评估眼底图像质量的方法、装置及存储介质 |
CN110175530A (zh) * | 2019-04-30 | 2019-08-27 | 上海云从企业发展有限公司 | 一种基于人脸的图像评分方法及系统 |
CN111079740A (zh) * | 2019-12-02 | 2020-04-28 | 咪咕文化科技有限公司 | 图像的质量评价方法、电子设备和计算机可读存储介质 |
CN111160367A (zh) * | 2019-12-23 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012219026B2 (en) * | 2011-02-18 | 2017-08-03 | Iomniscient Pty Ltd | Image quality assessment |
US8660342B2 (en) * | 2012-01-24 | 2014-02-25 | Telefonica, S.A. | Method to assess aesthetic quality of photographs |
CN109697719B (zh) * | 2019-03-05 | 2021-12-24 | 北京康夫子健康技术有限公司 | 一种图像质量评估方法、装置及计算机可读存储介质 |
CN110428410B (zh) * | 2019-07-31 | 2024-02-27 | 腾讯医疗健康(深圳)有限公司 | 眼底医学图像处理方法、装置、设备及存储介质 |
CN110796645A (zh) * | 2019-10-28 | 2020-02-14 | 公安部交通管理科学研究所 | 一种证件照片质量评估方法、存储介质及处理器 |
CN110874836B (zh) * | 2019-10-30 | 2023-04-07 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、智能终端及存储介质 |
-
2020
- 2020-05-20 CN CN202010431829.2A patent/CN111696083B/zh active Active
- 2020-06-30 WO PCT/CN2020/099541 patent/WO2021114638A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615915A (zh) * | 2015-01-15 | 2015-05-13 | 于飞 | 一种针对医疗放射影像的计算机辅助图像质量分析控制方法及系统 |
WO2018090937A1 (zh) * | 2016-11-18 | 2018-05-24 | 深圳云天励飞技术有限公司 | 图像处理方法、终端及存储介质 |
WO2019057067A1 (zh) * | 2017-09-20 | 2019-03-28 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
CN108230296A (zh) * | 2017-11-30 | 2018-06-29 | 腾讯科技(深圳)有限公司 | 图像特征的识别方法和装置、存储介质、电子装置 |
CN109447966A (zh) * | 2018-10-26 | 2019-03-08 | 科大讯飞股份有限公司 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
CN110021009A (zh) * | 2019-01-18 | 2019-07-16 | 平安科技(深圳)有限公司 | 一种评估眼底图像质量的方法、装置及存储介质 |
CN110175530A (zh) * | 2019-04-30 | 2019-08-27 | 上海云从企业发展有限公司 | 一种基于人脸的图像评分方法及系统 |
CN111079740A (zh) * | 2019-12-02 | 2020-04-28 | 咪咕文化科技有限公司 | 图像的质量评价方法、电子设备和计算机可读存储介质 |
CN111160367A (zh) * | 2019-12-23 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和可读存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907726A (zh) * | 2021-01-25 | 2021-06-04 | 重庆金山医疗器械有限公司 | 一种图像处理方法、装置、设备及计算机可读存储介质 |
CN112907726B (zh) * | 2021-01-25 | 2022-09-20 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、设备及计算机可读存储介质 |
CN113160147A (zh) * | 2021-03-30 | 2021-07-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 热处理工件图像特征识别匹配系统 |
CN113222985A (zh) * | 2021-06-04 | 2021-08-06 | 中国人民解放军总医院 | 一种图像处理方法、装置、计算机设备和介质 |
CN113537407A (zh) * | 2021-08-31 | 2021-10-22 | 平安医疗健康管理股份有限公司 | 基于机器学习的图像数据评价处理方法及装置 |
CN113537407B (zh) * | 2021-08-31 | 2022-05-17 | 平安医疗健康管理股份有限公司 | 基于机器学习的图像数据评价处理方法及装置 |
EP4184429A1 (en) * | 2021-11-18 | 2023-05-24 | Koninklijke Philips N.V. | Determining rotation of a patient's chest in a medical image |
WO2023088720A1 (en) * | 2021-11-18 | 2023-05-25 | Koninklijke Philips N.V. | Determining rotation of a patient's chest in a medical image |
CN114710657A (zh) * | 2022-04-07 | 2022-07-05 | 北京医准智能科技有限公司 | 一种乳腺x线影像质量的评估系统及方法 |
CN116977253A (zh) * | 2022-12-29 | 2023-10-31 | 开立生物医疗科技(武汉)有限公司 | 用于内窥镜的清洁度检测方法及装置、电子设备和介质 |
CN116977253B (zh) * | 2022-12-29 | 2024-03-19 | 开立生物医疗科技(武汉)有限公司 | 用于内窥镜的清洁度检测方法及装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111696083B (zh) | 2024-05-14 |
WO2021114638A1 (zh) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696083B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
AU2018376561B2 (en) | Three-dimensional medical image analysis method and system for identification of vertebral fractures | |
US11657487B2 (en) | Focus-weighted, machine learning disease classifier error prediction for microscope slide images | |
KR101839789B1 (ko) | 치과 영상의 판독 데이터 생성 시스템 | |
JP4545971B2 (ja) | 医用画像識別システム,医用画像識別処理方法,医用画像識別用プログラムおよびその記録媒体 | |
CN111507381A (zh) | 图像识别方法及相关装置、设备 | |
CN110246580B (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和系统 | |
JP6727176B2 (ja) | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、および端末装置 | |
JP2008520344A (ja) | 放射線写真画像の向きを検知及び補正する方法 | |
CN110223279B (zh) | 一种图像处理方法和装置、电子设备 | |
JP2019061579A (ja) | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、および端末装置 | |
WO2019146358A1 (ja) | 学習システム、方法及びプログラム | |
US9031284B2 (en) | Implant identification system and method | |
Radwan et al. | Artificial intelligence‐based algorithm for cervical vertebrae maturation stage assessment | |
CN110197722B (zh) | Ai-cpu系统平台 | |
Zhang et al. | A novel tool to provide predictable alignment data irrespective of source and image quality acquired on mobile phones: what engineers can offer clinicians | |
US20240062367A1 (en) | Detecting abnormalities in an x-ray image | |
US7558427B2 (en) | Method for analyzing image data | |
CN114119588A (zh) | 一种训练眼底黄斑病变区域检测模型的方法、装置及系统 | |
JP2001224576A (ja) | 画像処理方法および画像処理装置 | |
Velusamy et al. | Faster Region‐based Convolutional Neural Networks with You Only Look Once multi‐stage caries lesion from oral panoramic X‐ray images | |
RU2813938C1 (ru) | Устройство и способ для определения границ патологии на медицинском изображении | |
RU2806982C1 (ru) | Устройство и способ для анализа медицинских изображений | |
CN117409273A (zh) | 基于数据扩增的识别模型的优化方法、设备及介质 | |
Elaiwat et al. | Advancing Cephalometric Soft-Tissue Landmark Detection: An Integrated AdaBoost Learning Approach Incorporating Haar-Like and Spatial Features |
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 |