CN111723836A - 图像相似度的计算方法及装置、电子设备、存储介质 - Google Patents
图像相似度的计算方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111723836A CN111723836A CN201910218309.0A CN201910218309A CN111723836A CN 111723836 A CN111723836 A CN 111723836A CN 201910218309 A CN201910218309 A CN 201910218309A CN 111723836 A CN111723836 A CN 111723836A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- saliency
- saliency map
- gray value
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图像相似度的计算方法及装置、电子设备、存储介质,该方法可以包括:获取对应于同一成像目标的X光图像与DRR图像,所述DRR图像基于针对所述成像目标的三维图像生成;提取感兴趣区域,所述感兴趣区域包含所述X光图像与所述DRR图像的显著性区域;提取所述X光图像中对应于所述感兴趣区域的第一图像,以及所述DRR图像中对应于所述感兴趣区域的第二图像;计算所述第一图像与所述第二图像之间的相似度,以作为所述X光图像与所述DRR图像之间的相似度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像相似度的计算方法及装置、电子设备、存储介质。
背景技术
基于X光图像具有图像分辨率高、易获得各个不同视角的图像等优点,在骨科手术中通常选取待手术骨骼的X光图像进行观察。但是,X光图像缺少三维空间信息,例如某些解剖特征只有在三维成像模式下才能被清晰地采集到,而在X光图像的二维成像模式下不可见。
在相关技术中,可利用2D-3D医学图像配准技术,通过对X光图像与三维图像进行2D-3D配准,以弥补上述缺陷。而在进行2D-3D配准时,需先将三维图像降维至二维图像,再计算该二维图像与X光图像之间的相似度。例如,在对X光图像与CT(Computed Tomography,电子计算机断层扫描)图像进行2D-3D配准时,需要计算X光图像与由CT图像生成的DRR(Digitally Reconstructured Radiograph,数字重建放射影像)图像之间的相似度。
发明内容
有鉴于此,本申请提供一种图像相似度的计算方法及装置、电子设备、存储介质。
为实现上述目的,本申请提供技术方案如下:
根据本申请的第一方面,提出了一种图像相似度的计算方法,包括:
获取对应于同一成像目标的X光图像与DRR图像,所述DRR图像基于针对所述成像目标的三维图像生成;
提取感兴趣区域,所述感兴趣区域包含所述X光图像与所述DRR图像的显著性区域;
提取所述X光图像中对应于所述感兴趣区域的第一图像,以及所述DRR图像中对应于所述感兴趣区域的第二图像;
计算所述第一图像与所述第二图像之间的相似度,以作为所述X光图像与所述DRR图像之间的相似度。
可选的,所述提取感兴趣区域,包括:
生成所述X光图像的第一显著图与所述DRR图像的第二显著图;
生成针对所述第一显著图的第一显著性区域,以及针对所述第二显著图的第二显著性区域;
对所述第一显著性区域与所述第二显著性区域进行并集运算处理,以得到所述感兴趣区域。
可选的,所述生成所述X光图像的第一显著图与所述DRR图像的第二显著图,包括:
统计目标图像中灰度值与灰度值取值范围内各个灰度值对应的像素点的数量,所述目标图像为所述X光图像或所述DRR图像;
根据统计出的像素点的数量计算各个灰度值的显著值;
将所述目标图像中各个像素点的灰度值替换为相应的显著值;
对替换后的图像进行归一化计算以得到所述目标图像的显著图。
可选的,所述根据统计出的像素点的数量计算各个灰度值的显著值,包括:
通过下述公式计算各个灰度值的显著值:
Hj表示灰度值为j的像素点的数量;
Si表示灰度值为i的显著值;
K表示所述灰度值取值范围中的最大灰度值。
可选的,所述生成针对所述第一显著图的第一显著性区域,以及针对所述第二显著图的第二显著性区域,包括:
确定对应于目标显著图的二值化阈值,所述目标显著图为所述第一显著图或所述第二显著图;
基于确定出的二值化阈值对所述目标显著图进行二值化处理以得到所述目标显著图的显著性区域。
可选的,所述计算所述第一图像与所述第二图像之间的相似度,包括:
通过下述公式计算相似度:
MS(A,B)表示第一图像A与第二图像B之间的相似度;
N表示第一图像A或第二图像B中像素点的数量;
An表示第一图像A中第n个像素点的灰度值,Bn表示第二图像B中第n个像素点的灰度值。
可选的,所述成像目标包括人体骨骼。
根据本申请的第二方面,提出了一种图像相似度的计算装置,包括:
获取单元,获取对应于同一成像目标的X光图像与DRR图像,所述DRR图像基于针对所述成像目标的三维图像生成;
区域提取单元,提取感兴趣区域,所述感兴趣区域包含所述X光图像与所述DRR图像的显著性区域;
图像提取单元,提取所述X光图像中对应于所述感兴趣区域的第一图像,以及所述DRR图像中对应于所述感兴趣区域的第二图像;
计算单元,计算所述第一图像与所述第二图像之间的相似度,以作为所述X光图像与所述DRR图像之间的相似度。
可选的,所述区域提取单元具体用于:
生成所述X光图像的第一显著图与所述DRR图像的第二显著图;
生成针对所述第一显著图的第一显著性区域,以及针对所述第二显著图的第二显著性区域;
对所述第一显著性区域与所述第二显著性区域进行并集运算处理,以得到所述感兴趣区域。
可选的,所述区域提取单元进一步用于:
统计目标图像中灰度值与灰度值取值范围内各个灰度值对应的像素点的数量,所述目标图像为所述X光图像或所述DRR图像;
根据统计出的像素点的数量计算各个灰度值的显著值;
将所述目标图像中各个像素点的灰度值替换为相应的显著值;
对替换后的图像进行归一化计算以得到所述目标图像的显著图。
可选的,所述区域提取单元进一步用于:
通过下述公式计算各个灰度值的显著值:
Hj表示灰度值为j的像素点的数量;
Si表示灰度值为i的显著值;
K表示所述灰度值取值范围中的最大灰度值。
可选的,所述区域提取单元进一步用于:
确定对应于目标显著图的二值化阈值,所述目标显著图为所述第一显著图或所述第二显著图;
基于确定出的二值化阈值对所述目标显著图进行二值化处理以得到所述目标显著图的显著性区域。
可选的,所述计算单元具体用于:
通过下述公式计算相似度:
MS(A,B)表示第一图像A与第二图像B之间的相似度;
N表示第一图像A或第二图像B中像素点的数量;
An表示第一图像A中第n个像素点的灰度值,Bn表示第二图像B中第n个像素点的灰度值。
可选的,所述成像目标包括人体骨骼。
根据本申请的第三方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如上述实施例中任一所述图像相似度的计算方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如上述实施例中任一所述图像相似度的计算方法的步骤。
由以上技术方案可见,本申请通过提取出原图(待计算相似度的图像的原图)中的显著性区域,实现了基于显著性约束的相似度计算方法,从而有效减少了用于相似度计算的像素点的数量,进而提高了相似度的计算效率。同时,由于在计算相似度时仅涉及显著性高的区域,可有效提高计算相似度的准确性和鲁棒性。进一步的,当成像目标为人体骨骼时,基于人体骨骼的边界、内部轮廓、骨骼纹理等特征在X光和DRR图像上呈现较高一致性和稳定性的特点,通过提取出显著性区域并将两者的原图中与显著性区域相对应的图像进行相似度计算,可在减少计算量的同时保证相似度计算的准确性和鲁棒性。
附图说明
图1是本申请一示例性实施例示出的一种图像相似度的计算方法的流程图。
图2是本申请一示例性实施例示出的计算显著图的流程图。
图3A-3C是本申请一示例性实施例示出的计算X光图像与DRR图像的显著图的示意图。
图4是本申请一示例性实施例示出的提取感兴趣区域的流程图。
图5A-5C是本申请一示例性实施例示出的提取感兴趣区域的示意图。
图6是本申请一示例性实施例示出的一种电子设备的结构示意图。
图7是本申请一示例性实施例示出的一种图像相似度的计算装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参见图1,图1是本申请一示例性实施例示出的一种图像相似度的计算方法的流程图。如图1所示,该方法可以包括以下步骤:
步骤102,获取对应于同一成像目标的X光图像与DRR图像,所述DRR图像基于针对所述成像目标的三维图像生成。
在本实施例中,可对成像目标进行X光成像得到对应于该成像目标的X光成像,以及对该成像目标进行三维成像。例如,可对成像目标进行CT、MR(Magnetic Resonance,磁共振检查)、MRI(Magnetic Resonance Imaging,磁共振成像)成像,以得到相应的三维图像。而在得到该成像目标的三维图像后,进一步基于该三维图像生成对应的DRR图像,并计算该DRR图像与X光图像之间的相似度,以为后续进行2D-3D配准提供基础。
步骤104,提取感兴趣区域,所述感兴趣区域包含所述X光图像与所述DRR图像的显著性区域。
在本实施例中,可通过提取出原图(待计算相似度的图像的原图,即步骤102中的X光图像与DRR图像)中的显著性区域,从而实现基于显著性约束的相似度计算方法,以减少用于相似度计算的像素点的数量,进而提高相似度的计算效率。作为一示例性实施例,可先生成X光图像的第一显著图与DRR图像的第二显著图,并生成针对该第一显著图的第一显著性区域,以及针对该第二显著图的第二显著性区域,再对第一显著性区域与第二显著性区域进行并集运算处理,以得到感兴趣区域。
在本实施例中,可通过以下方式生成第一显著图和第二显著图:先统计目标图像(X光图像或DRR图像)中灰度值与灰度值取值范围内各个灰度值对应的像素点的数量,根据统计出的像素点的数量计算各个灰度值的显著值,再基于计算出的显著值,将目标图像中各个像素点的灰度值替换为相应的显著值,以及对替换后的图像进行归一化计算以得到该目标图像的显著图。
进一步的,可通过下述公式计算对应于各个灰度值的显著值:
其中,Hj表示灰度值为j的像素点的数量;
Si表示灰度值为i的显著值;
K表示灰度值取值范围中的最大灰度值。
在本实施例中,基于上述生成的第一显著图与第二显著图,可进一步对生成的显著图(第一显著图与第二显著图)进行二值化处理以得到相应的显著性区域。具体的,先确定对应于目标显著图(第一显著图或第二显著图)的二值化阈值,再基于确定出的二值化阈值对目标显著图进行二值化处理以得到该目标显著图的显著性区域。由此可见,通过上述生成原图(X光图像与DRR图像)的显著图并提取其显著性区域的过程,可有效排除原图中除成像目标以外其他背景区域的干扰,一方面可有效提取出成像目标的特征部分,从而提高计算相似度的准确性;另一方面可降低计算相似度过程中的工作量,有效提高计算相似度的效率。
步骤106,提取所述X光图像中对应于所述感兴趣区域的第一图像,以及所述DRR图像中对应于所述感兴趣区域的第二图像。
步骤108,计算所述第一图像与所述第二图像之间的相似度,以作为所述X光图像与所述DRR图像之间的相似度。
在本实施例中,基于上述对感兴趣区域的提取,那么可进一步从原图中提取与感兴趣区域相对应的第一图像和第二图像(第一图像与第二图像属于原图中区别于背景区域的另一部分,并且可有效体现出成像目标的特征),并将第一图像与第二图像之间的相似度作为X光图像与DRR图像之间的相似度。本领域技术人员应当理解的是:在本申请的应用场景中,计算X光图像与DRR图像之间相似度的目的,实际上正是计算X光图像与DRR图像中成像目标之间的相似度。因此,通过提取出原图中与感兴趣区域相对应的第一图像和第二图像来计算相似度,可排除背景区域的干扰,并减少计算工作量(用于相似度计算的像素点的数量)。
进一步的,可通过下述公式来计算第一图像A与第二图像B之间的相似度:
MS(A,B)表示第一图像A与第二图像B之间的相似度;
N表示第一图像A或第二图像B中像素点的数量;
An表示第一图像A中第n个像素点的灰度值,Bn表示第二图像B中第n个像素点的灰度值。
在本实施例中,成像目标可包括人体骨骼。
需要说明的是,本申请的图像相似度的计算方案,可应用于任何用于计算图像相似度的电子设备中,例如电脑、X光机、CT设备等,本申请并不对此进行限制。
由以上技术方案可见,本申请通过提取出原图(待计算相似度的图像的原图)中的显著性区域,实现了基于显著性约束的相似度计算方法,从而有效减少了用于相似度计算的像素点的数量,进而提高了相似度的计算效率。同时,由于在计算相似度时仅涉及显著性高的区域,可有效提高计算相似度的准确性和鲁棒性。进一步的,当成像目标为人体骨骼时,基于人体骨骼的边界、内部轮廓、骨骼纹理等特征在X光和DRR图像上呈现较高一致性和稳定性的特点,通过提取出显著性区域并将两者的原图中与显著性区域相对应的图像进行相似度计算,可在减少计算量的同时保证相似度计算的准确性和鲁棒性。
本申请的图像相似度的计算方案可分为以下阶段:1)计算X光图像与DRR图像的显著图;2)根据显著图提取感兴趣区域;3)计算相似度。为了便于理解,下面以成像目标为人体脊柱为例,结合附图分别对上述各个阶段进行详细说明。
1)计算X光图像与DRR图像的显著图
请参见图2,图2是本申请一示例性实施例示出的计算显著图的流程图。如图2所示,该方法可以包括以下步骤:
步骤202,获取X光图像或DRR图像。
在本实施例中,如图3A所示,获取对人体脊柱进行X光成像得到的X光图像A,以及对该人体脊柱进行CT成像得到的CT图像。进一步的,再基于该CT图像生成相应的DRR图像B。
步骤204,生成灰度直方图H。
在本实施例中,可通过生成灰度直方图来统计目标图像(X光图像或DRR图像)中灰度值与灰度值取值范围内各个灰度值对应的像素点的数量。
以统计生成X光图像A的灰度直方图为例,请参见图3B,图3B是本申请一示例性实施例示出的一种灰度直方图。如图3B所示,灰度直方图H的横坐标为灰度值(灰度的取值),灰度值的取值范围为[0,255];纵坐标为像素点的数量。例如,当灰度值j=70时,X光图像A中灰度值为70的像素点的数量Hj=1420。当然,DRR图像的灰度直方图与之类似,在此不再赘述。
步骤206,计算各个灰度值的显著值S。
在本实施例中,可通过下述公式计算各个灰度值的显著值S:
Hj表示灰度值为j的像素点的数量;
Si表示灰度值为i的显著值;
K表示所述灰度值取值范围中的最大灰度值。
承接于上述举例,以灰度值的取值范围为[0,255]为例(即K=255),当计算灰度值为70的显著值时,将i=70代入上述Si的公式可得S70=179724842。
步骤208,将原图中各个像素点的灰度值替换为相应的显著值。
步骤210,进行归一化计算得到显著图。
在本实施例中,如图3C所示,将原图(X光图像A和DRR图像B)中每个像素点的灰度值替换为与该灰度值对应的显著值,即Ix,y=Sx,y。其中,Ix,y表示原图中坐标为x,y的像素点的灰度值。例如,假定原图中某一像素点的灰度值为70,则将该像素点的灰度值从70修改为179724842。进一步的,在完成步骤208中替换灰度值的步骤之后,再将替换后的图像进行归一化计算以得到图中所示的X光图像A的第一显著图A1,以及DRR图像B的第二显著图B1。
2)根据显著图提取感兴趣区域
请参见图4,图4是本申请一示例性实施例示出的提取感兴趣区域的流程图。如图4所示,该方法可以包括以下步骤:
步骤402,确定目标显著图的二值化阈值。
在本实施例中,目标显著图为第一显著图A1或第二显著图B1。其中,在确定二值化阈值时,所采用的二值化算法可参考相关技术中的记载,在此不再赘述。例如,可采用大金法、双峰法、P参数法、迭代法和OTSU法等;当然,本申请并不对此进行限制。
步骤404,对目标显著图进行二值化处理。
在本实施例中,通过基于二值化阈值对目标显著图进行二值化处理,可将目标显著图呈现出明显的黑白效果,从而使得图像中的数据量大大减少,进而可凸显出成像目标的轮廓、纹理等特征。如图5A所示,在对目标显著图进行二值化处理后,可分别得到第一显著图A1的第一显著性区域A2,以及第二显著图B1的第二显著性区域B2。
步骤406,进行并集运算处理。
如图5B所示,在得到第一显著性区域A2与第二显著性区域B2之后,可对第一显著性区域A2与第二显著性区域B2进行并集运算处理,从而得到感兴趣区域C。由此可见,通过上述生成原图(X光图像与DRR图像)的显著图并提取其显著性区域的过程,可有效排除原图中除成像目标以外其他背景区域的干扰,一方面可有效提取出成像目标的特征部分,从而提高计算相似度的准确性;另一方面可降低计算相似度过程中的工作量,有效提高计算相似度的效率。
步骤408,提取第一图像A3与第二图像B3。
如图5C所示,可提取出X光图像A中对应于感兴趣区域C的第一图像A3,以及DRR图像B中对应于感兴趣区域C的第二图像B3。基于上述对感兴趣区域的提取,那么可进一步从原图中提取与感兴趣区域相对应的第一图像和第二图像(第一图像与第二图像属于原图中区别于背景区域的另一部分,并且可有效体现出成像目标的特征),并将第一图像与第二图像之间的相似度作为X光图像与DRR图像之间的相似度。本领域技术人员应当理解的是:在本申请的应用场景中,计算X光图像与DRR图像之间相似度的目的,实际上正是计算X光图像与DRR图像中成像目标之间的相似度。因此,通过提取出原图中与感兴趣区域相对应的第一图像和第二图像来计算相似度,可排除背景区域的干扰,并减少计算工作量(用于相似度计算的像素点的数量)。
3)计算相似度
在本实施例中,在提取出第一图像A3与第二图像B3后,可计算第一图像A3与第二图像B3之间的相似度,并将该相似度作为X光图像A与DRR图像B之间的相似度。
作为一示例性实施例,可通过下述公式来计算第一图像A3与第二图像B3之间的相似度:
MS(A,B)表示第一图像A与第二图像B之间的相似度(在本实施例中,第一图像A指代第一图像A3,第二图像B指代第二图像B3;即采用“A”来指代“A3”,采用“B”来指代“B3”);
N表示第一图像A或第二图像B中像素点的数量;
An表示第一图像A中第n个像素点的灰度值,Bn表示第二图像B中第n个像素点的灰度值。
需要说明的是,上述计算相似度的算法仅为一示例性实施例,还可采用其他任意可用于计算图像相似度的算法,本申请并不对此进行限制。
由以上技术方案可见,本申请通过提取出原图(待计算相似度的图像的原图)中的显著性区域,实现了基于显著性约束的相似度计算方法,从而有效减少了用于相似度计算的像素点的数量,进而提高了相似度的计算效率。同时,由于在计算相似度时仅涉及显著性高的区域,可有效提高计算相似度的准确性和鲁棒性。进一步的,当成像目标为人体骨骼时,基于人体骨骼的边界、内部轮廓、骨骼纹理等特征在X光和DRR图像上呈现较高一致性和稳定性的特点,通过提取出显著性区域并将两者的原图中与显著性区域相对应的图像进行相似度计算,可在减少计算量的同时保证相似度计算的准确性和鲁棒性。
图6示出了根据本申请的一示例性实施例的基于主设备侧电子设备的示意结构图。请参考图6,在硬件层面,该电子设备包括处理器602、内部总线604、网络接口606、内存608以及非易失性存储器610,当然还可能包括其他业务所需要的硬件。处理器602从非易失性存储器610中读取对应的计算机程序到内存608中然后运行,在逻辑层面上形成图像相似度的计算装置。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
请参考图7,在软件实施方式中,该图像相似度的计算装置可以包括:
获取单元71,获取对应于同一成像目标的X光图像与DRR图像,所述DRR图像基于针对所述成像目标的三维图像生成;
区域提取单元72,提取感兴趣区域,所述感兴趣区域包含所述X光图像与所述DRR图像的显著性区域;
图像提取单元73,提取所述X光图像中对应于所述感兴趣区域的第一图像,以及所述DRR图像中对应于所述感兴趣区域的第二图像;
计算单元74,计算所述第一图像与所述第二图像之间的相似度,以作为所述X光图像与所述DRR图像之间的相似度。
可选的,所述区域提取单元72具体用于:
生成所述X光图像的第一显著图与所述DRR图像的第二显著图;
生成针对所述第一显著图的第一显著性区域,以及针对所述第二显著图的第二显著性区域;
对所述第一显著性区域与所述第二显著性区域进行并集运算处理,以得到所述感兴趣区域。
可选的,所述区域提取单元72进一步用于:
统计目标图像中灰度值与灰度值取值范围内各个灰度值对应的像素点的数量,所述目标图像为所述X光图像或所述DRR图像;
根据统计出的像素点的数量计算各个灰度值的显著值;
将所述目标图像中各个像素点的灰度值替换为相应的显著值;
对替换后的图像进行归一化计算以得到所述目标图像的显著图。
可选的,所述区域提取单元72进一步用于:
通过下述公式计算各个灰度值的显著值:
Hj表示灰度值为j的像素点的数量;
Si表示灰度值为i的显著值;
K表示所述灰度值取值范围中的最大灰度值。
可选的,所述区域提取单元72进一步用于:
确定对应于目标显著图的二值化阈值,所述目标显著图为所述第一显著图或所述第二显著图;
基于确定出的二值化阈值对所述目标显著图进行二值化处理以得到所述目标显著图的显著性区域。
可选的,所述计算单元74具体用于:
通过下述公式计算相似度:
MS(A,B)表示第一图像A与第二图像B之间的相似度;
N表示第一图像A或第二图像B中像素点的数量;
An表示第一图像A中第n个像素点的灰度值,Bn表示第二图像B中第n个像素点的灰度值。
可选的,所述成像目标包括人体骨骼。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器,上述指令可由上述图像相似度的计算装置的处理器执行以实现如上述实施例中任一所述的方法,比如该方法可以包括:
获取对应于同一成像目标的X光图像与DRR图像,所述DRR图像基于针对所述成像目标的三维图像生成;
提取感兴趣区域,所述感兴趣区域包含所述X光图像与所述DRR图像的显著性区域;
提取所述X光图像中对应于所述感兴趣区域的第一图像,以及所述DRR图像中对应于所述感兴趣区域的第二图像;
计算所述第一图像与所述第二图像之间的相似度,以作为所述X光图像与所述DRR图像之间的相似度。
可选的,所述提取感兴趣区域,包括:
生成所述X光图像的第一显著图与所述DRR图像的第二显著图;
生成针对所述第一显著图的第一显著性区域,以及针对所述第二显著图的第二显著性区域;
对所述第一显著性区域与所述第二显著性区域进行并集运算处理,以得到所述感兴趣区域。
可选的,所述生成所述X光图像的第一显著图与所述DRR图像的第二显著图,包括:
统计目标图像中灰度值与灰度值取值范围内各个灰度值对应的像素点的数量,所述目标图像为所述X光图像或所述DRR图像;
根据统计出的像素点的数量计算各个灰度值的显著值;
将所述目标图像中各个像素点的灰度值替换为相应的显著值;
对替换后的图像进行归一化计算以得到所述目标图像的显著图。
可选的,所述根据统计出的像素点的数量计算各个灰度值的显著值,包括:
通过下述公式计算各个灰度值的显著值:
Hj表示灰度值为j的像素点的数量;
Si表示灰度值为i的显著值;
K表示所述灰度值取值范围中的最大灰度值。
可选的,所述生成针对所述第一显著图的第一显著性区域,以及针对所述第二显著图的第二显著性区域,包括:
确定对应于目标显著图的二值化阈值,所述目标显著图为所述第一显著图或所述第二显著图;
基于确定出的二值化阈值对所述目标显著图进行二值化处理以得到所述目标显著图的显著性区域。
可选的,所述计算所述第一图像与所述第二图像之间的相似度,包括:
通过下述公式计算相似度:
MS(A,B)表示第一图像A与第二图像B之间的相似度;
N表示第一图像A或第二图像B中像素点的数量;
An表示第一图像A中第n个像素点的灰度值,Bn表示第二图像B中第n个像素点的灰度值。
可选的,所述成像目标包括人体骨骼。
其中,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等,本申请并不对此进行限制。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (16)
1.一种图像相似度的计算方法,其特征在于,包括:
获取对应于同一成像目标的X光图像与DRR图像,所述DRR图像基于针对所述成像目标的三维图像生成;
提取感兴趣区域,所述感兴趣区域包含所述X光图像与所述DRR图像的显著性区域;
提取所述X光图像中对应于所述感兴趣区域的第一图像,以及所述DRR图像中对应于所述感兴趣区域的第二图像;
计算所述第一图像与所述第二图像之间的相似度,以作为所述X光图像与所述DRR图像之间的相似度。
2.根据权利要求1所述的方法,其特征在于,所述提取感兴趣区域,包括:
生成所述X光图像的第一显著图与所述DRR图像的第二显著图;
生成针对所述第一显著图的第一显著性区域,以及针对所述第二显著图的第二显著性区域;
对所述第一显著性区域与所述第二显著性区域进行并集运算处理,以得到所述感兴趣区域。
3.根据权利要求2所述的方法,其特征在于,所述生成所述X光图像的第一显著图与所述DRR图像的第二显著图,包括:
统计目标图像中灰度值与灰度值取值范围内各个灰度值对应的像素点的数量,所述目标图像为所述X光图像或所述DRR图像;
根据统计出的像素点的数量计算各个灰度值的显著值;
将所述目标图像中各个像素点的灰度值替换为相应的显著值;
对替换后的图像进行归一化计算以得到所述目标图像的显著图。
5.根据权利要求2所述的方法,其特征在于,所述生成针对所述第一显著图的第一显著性区域,以及针对所述第二显著图的第二显著性区域,包括:
确定对应于目标显著图的二值化阈值,所述目标显著图为所述第一显著图或所述第二显著图;
基于确定出的二值化阈值对所述目标显著图进行二值化处理以得到所述目标显著图的显著性区域。
7.根据权利要求1所述的方法,其特征在于,所述成像目标包括人体骨骼。
8.一种图像相似度的计算装置,其特征在于,包括:
获取单元,获取对应于同一成像目标的X光图像与DRR图像,所述DRR图像基于针对所述成像目标的三维图像生成;
区域提取单元,提取感兴趣区域,所述感兴趣区域包含所述X光图像与所述DRR图像的显著性区域;
图像提取单元,提取所述X光图像中对应于所述感兴趣区域的第一图像,以及所述DRR图像中对应于所述感兴趣区域的第二图像;
计算单元,计算所述第一图像与所述第二图像之间的相似度,以作为所述X光图像与所述DRR图像之间的相似度。
9.根据权利要求8所述的装置,其特征在于,所述区域提取单元具体用于:
生成所述X光图像的第一显著图与所述DRR图像的第二显著图;
生成针对所述第一显著图的第一显著性区域,以及针对所述第二显著图的第二显著性区域;
对所述第一显著性区域与所述第二显著性区域进行并集运算处理,以得到所述感兴趣区域。
10.根据权利要求9所述的装置,其特征在于,所述区域提取单元进一步用于:
统计目标图像中灰度值与灰度值取值范围内各个灰度值对应的像素点的数量,所述目标图像为所述X光图像或所述DRR图像;
根据统计出的像素点的数量计算各个灰度值的显著值;
将所述目标图像中各个像素点的灰度值替换为相应的显著值;
对替换后的图像进行归一化计算以得到所述目标图像的显著图。
12.根据权利要求9所述的装置,其特征在于,所述区域提取单元进一步用于:
确定对应于目标显著图的二值化阈值,所述目标显著图为所述第一显著图或所述第二显著图;
基于确定出的二值化阈值对所述目标显著图进行二值化处理以得到所述目标显著图的显著性区域。
14.根据权利要求8所述的装置,其特征在于,所述成像目标包括人体骨骼。
15.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1-7中任一项所述的方法。
16.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218309.0A CN111723836A (zh) | 2019-03-21 | 2019-03-21 | 图像相似度的计算方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218309.0A CN111723836A (zh) | 2019-03-21 | 2019-03-21 | 图像相似度的计算方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723836A true CN111723836A (zh) | 2020-09-29 |
Family
ID=72563186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910218309.0A Pending CN111723836A (zh) | 2019-03-21 | 2019-03-21 | 图像相似度的计算方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723836A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421226A (zh) * | 2021-06-03 | 2021-09-21 | 山东师范大学 | 基于互信息的ct-dr多模态食管图像配准方法及系统 |
CN114565646A (zh) * | 2022-02-24 | 2022-05-31 | 杭州三坛医疗科技有限公司 | 一种图像配准方法、设备、电子设备及可读存储介质 |
CN115082534A (zh) * | 2022-07-21 | 2022-09-20 | 杭州三坛医疗科技有限公司 | 双平面图像配准方法、装置及机器人 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134210A (zh) * | 2014-07-22 | 2014-11-05 | 兰州交通大学 | 基于组合相似性测度的2d-3d医学图像并行配准方法 |
CN105976372A (zh) * | 2016-05-05 | 2016-09-28 | 北京天智航医疗科技股份有限公司 | 一种术前三维影像与术中透视图像的无标定物配准方法 |
CN106157306A (zh) * | 2016-06-30 | 2016-11-23 | 北京理工大学 | 一种基于多个光谱图像的配准方法以及装置 |
CN107346409A (zh) * | 2016-05-05 | 2017-11-14 | 华为技术有限公司 | 行人再识别方法和装置 |
JP2018134290A (ja) * | 2017-02-23 | 2018-08-30 | 国立大学法人群馬大学 | 患者位置決め支援装置 |
-
2019
- 2019-03-21 CN CN201910218309.0A patent/CN111723836A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134210A (zh) * | 2014-07-22 | 2014-11-05 | 兰州交通大学 | 基于组合相似性测度的2d-3d医学图像并行配准方法 |
CN105976372A (zh) * | 2016-05-05 | 2016-09-28 | 北京天智航医疗科技股份有限公司 | 一种术前三维影像与术中透视图像的无标定物配准方法 |
CN107346409A (zh) * | 2016-05-05 | 2017-11-14 | 华为技术有限公司 | 行人再识别方法和装置 |
CN106157306A (zh) * | 2016-06-30 | 2016-11-23 | 北京理工大学 | 一种基于多个光谱图像的配准方法以及装置 |
JP2018134290A (ja) * | 2017-02-23 | 2018-08-30 | 国立大学法人群馬大学 | 患者位置決め支援装置 |
Non-Patent Citations (4)
Title |
---|
MING-MING CHENG等: "Global contrast based salient region detection", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
YUN ZHAI等: "Visual Attention Detection in Video Sequences Using Spatiotemporal Cues", 《PROCEEDINGS OF THE 14TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 * |
张巧荣等: "基于视觉注意的医学图像感兴趣区域提取", 《计算机应用研究》 * |
李成等: "《图像融合-理论、技术与应用》", 31 May 2016, 国防工业出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421226A (zh) * | 2021-06-03 | 2021-09-21 | 山东师范大学 | 基于互信息的ct-dr多模态食管图像配准方法及系统 |
CN113421226B (zh) * | 2021-06-03 | 2022-11-01 | 山东师范大学 | 基于互信息的ct-dr多模态食管图像配准方法及系统 |
CN114565646A (zh) * | 2022-02-24 | 2022-05-31 | 杭州三坛医疗科技有限公司 | 一种图像配准方法、设备、电子设备及可读存储介质 |
CN114565646B (zh) * | 2022-02-24 | 2024-03-15 | 杭州三坛医疗科技有限公司 | 一种图像配准方法、设备、电子设备及可读存储介质 |
CN115082534A (zh) * | 2022-07-21 | 2022-09-20 | 杭州三坛医疗科技有限公司 | 双平面图像配准方法、装置及机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112967236B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
JP2018530401A5 (zh) | ||
US20090074276A1 (en) | Voxel Matching Technique for Removal of Artifacts in Medical Subtraction Images | |
CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和系统 | |
JP6824845B2 (ja) | 画像処理システム、装置、方法およびプログラム | |
CN111723836A (zh) | 图像相似度的计算方法及装置、电子设备、存储介质 | |
CN109559285B (zh) | 一种图像增强显示方法及相关装置 | |
JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
CA2778599C (en) | Bone imagery segmentation method and apparatus | |
EP2548172A1 (en) | Functional image data enhancement and/or enhancer | |
US20190392552A1 (en) | Spine image registration method | |
JP2012522303A (ja) | 輪郭形成のための自動コントラスト増強法 | |
CN112950648A (zh) | 确定磁共振图像中的正中矢状平面的方法和设备 | |
CN112116623B (zh) | 图像分割方法及装置 | |
CN111784646A (zh) | 图像处理装置及电子设备 | |
CN112017148A (zh) | 一种单节骨骼轮廓的提取方法及装置 | |
JP6745633B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN112308764A (zh) | 图像配准方法及装置 | |
JP6660741B2 (ja) | 画像抽出装置、画像抽出方法 | |
US20240144472A1 (en) | Medical image augmentation | |
US20230191157A1 (en) | Automatic estimation of positions of brachytherapy seeds | |
US11664116B2 (en) | Medical image data | |
EP4113439B1 (en) | Determining a location at which a given feature is represented in medical imaging data | |
CN112884699B (zh) | 用于分割图像数据的方法和图像处理设备和计算机程序产品 | |
CN112017147B (zh) | 一种骨骼图像的提取方法及装置 |
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 |