CN111784698A - 一种图像的自适应分割方法、装置,电子设备及存储介质 - Google Patents
一种图像的自适应分割方法、装置,电子设备及存储介质 Download PDFInfo
- Publication number
- CN111784698A CN111784698A CN202010638762.XA CN202010638762A CN111784698A CN 111784698 A CN111784698 A CN 111784698A CN 202010638762 A CN202010638762 A CN 202010638762A CN 111784698 A CN111784698 A CN 111784698A
- Authority
- CN
- China
- Prior art keywords
- tree
- adjacent trees
- segmentation
- preview
- image
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000001629 suppression Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 38
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000003709 image segmentation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 10
- 210000002784 stomach Anatomy 0.000 description 7
- 238000001574 biopsy Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 101150077939 mapA gene Proteins 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图像的自适应分割方法、装置,电子设备及存储介质。该方法包括:将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度;获取预览图上相邻的两棵树之间的语义距离,当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并为一棵树;基于非极大值抑制算法对分割框进行处理,获取分割框中满足置信度条件的第一分割框;在目标图像上获取目标分割框;并基于所述目标分割框,对所述目标图像进行分割。通过上述步骤,使得最终将一张分辨率极高的目标图像分割成多个包含待分割区域的小图片,与现有技术相比,多个包含待分割区域的小图片更加便于处理与使用。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种图像的自适应分割方法、装置,电子设备及存储介质。
背景技术
数字病理切片扫描仪可以将多组织切片扫描成为全高清高精度的数字切片。此数字切片可以在电脑上进行任意的放大和缩小,并切片利用数字切片可以观测到切片上的任何一个位置,也可以将相应的位置放大到5倍、10倍、20倍、40倍,如同在显微镜上的放大缩小一样。因此,数字切片需要极高的分辨率,通常数字切片的分辨率超过100000000×100000000,并且通常数字切片是包含三个通道的RGB全彩色图像,数据量十分庞大。但是,发明人在实际的研究过程中发现形如数字切片等图像,用户所需要的其实只是图像中的少部分内容,比如数字切片中组织只占切片的少部分,而大部分都是背景图像。若仍然使用包含大部分背景的极高分辨率的图像会严重影响对于图像的处理。
发明内容
本申请实施例的目的在于提供一种图像的自适应分割方法、装置,电子设备及存储介质,以改善“目前使用包含大部分背景的极高分辨率的图像会严重影响对于图像的处理”的问题。
本发明是这样实现的:
第一方面,本申请实施例提供一种图像的自适应分割方法,包括:将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度;其中,所述预览图是基于获取的目标图像生成的;获取所述预览图上相邻的两棵树之间的语义距离,其中,所述语义距离表示所述相邻的两棵树之间的不相似度;所述相邻的两棵树表示两棵树所包含的像素点对应的区域相邻;当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并为一棵树,并基于语义距离更新合并后的树的不相似度,直至相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度;在所述预览图上生成每个区域的分割框;其中,所述每个区域为所述预览图上的每棵树所包含的像素点合并形成的区域;基于非极大值抑制算法对所述分割框进行处理,获取所述分割框中满足置信度条件的第一分割框;在所述目标图像上获取与所述预览图中的第一分割框的位置相同的目标分割框;并基于所述目标分割框,对所述目标图像进行分割。
在本申请实施例中,通过将相似度高的相邻的两棵树进行合并,进而使得在预览图上生成多个与树对应的区域,然后在预览图上生成每个区域的分割框,采用非极大值抑制算法获取分割框中满足置信度条件的第一分割框,最后在目标图像上获取与预览图中的第一分割框的位置相同的目标分割框;并基于目标分割框,对目标图像进行分割。通过上述步骤,使得最终将一张分辨率极高的目标图像分割成多个包含待分割区域的小图片,与现有技术相比,多个包含待分割区域的小图片更加便于处理与使用。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述获取所述预览图上相邻的两棵树之间的语义距离,包括:根据第一预设计算公式获取所述预览图上相邻的两棵树之间的RGB三个通道的颜色差值;其中,所述第一预设计算公式为:其中,DH表示相邻的树a和树b之间的RGB三通道中的其中一个任意通道的颜色差值,Hia表示所述树a中像素值为i的像素点的数量;Hib表示所述树b中像素值为i的像素点的数量;根据第二预设计算公式获取所述预览图上相邻的两棵树之间的LBP距离;其中,所述第二预设计算公式为:其中,DL表示所述树a和所述树b之间的LBP距离;Lja表示所述树a中各个像素点的j位置处的LBP值的累加值;Ljb表示所述树b中各个像素点的j位置处的LBP值的累加值;将所述颜色差值以及所述LBP距离进行求和,得到所述树a和所述树b之间的语义距离。
在本申请实施例中,相邻的两棵树之间的语义距离为相邻的两棵树之间的RGB三个通道的颜色差值与相邻的两棵树之间的LBP距离之和。通过该方式得到的语义距离更加能够反映出相邻的两棵树之间的不相似度。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述获取所述预览图上相邻的两棵树之间的语义距离,包括:根据第一预设计算公式获取所述预览图上相邻的两棵树之间的RGB三个通道的颜色差值;其中,所述第一预设计算公式为:其中,DH表示相邻的树a和树b之间的RGB三通道中的其中任意一个通道的颜色差值,Hia表示所述树a中像素值为i的像素点的数量;Hib表示所述树b中像素值为i的像素点的数量;其中,所述预览图上相邻的两棵树之间的RGB三个通道的颜色差值即为所述预览图上相邻的两棵树之间的语义距离。
在本申请实施例中,通过相邻的两棵树之间的RGB三个通道的颜色差值便可得到相邻的两棵树之间的语义距离,该方式简单,且相邻的两棵树之间的RGB三个通道的颜色差值能够准确的反应出相邻的两棵树之间的不相似度。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述获取所述预览图上相邻的两棵树之间的语义距离,包括:根据第二预设计算公式获取所述预览图上相邻的两棵树之间的LBP距离;其中,所述第二预设计算公式为:其中,DL表示所述树a和所述树b之间的LBP距离;Lja表示所述树a中各个像素点的j位置处的LBP值的累加值;Ljb表示所述树b中各个像素点的j位置处的LBP值的累加值;其中,所述预览图上相邻的两棵树之间的LBP距离即为所述预览图上相邻的两棵树之间的语义距离。
在本申请实施例中,通过相邻的两棵树之间的语义距离便可得到相邻的两棵树之间的语义距离,该方式简单,且相邻的两棵树之间的语义距离能够准确的反应出相邻的两棵树之间的不相似度。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,在所述当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并为一棵树,并基于语义距离更新合并后的树的不相似度,直至相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度之后,以及在所述预览图上生成每个区域的分割框之前,所述方法还包括:当所述预览图中的树中所包含的像素点的个数小于预设最小数量时,将该树与相邻的树中语义距离最小的树合并为一棵树;相应的,所述在所述预览图上生成每个区域的分割框中的区域包含所述将该树与相邻的树中语义距离最小的树合并为一棵树后,合并后的一颗树中所包含的像素点形成的区域。
在本申请实施例中,在所有树合并处理后,判断预览图中的树是否小于预设最小数量,当预览图中的树中所包含的像素点的个数小于预设最小数量时,将该树与相邻的树中语义距离最小的树合并为一棵树,进而减小后续的处理量,避免预览图在出现过多的很小的区域。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,在所述将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度之前,所述方法还包括:在获取到所述目标图像后,将所述目标图像进行复制;将所述复制后的图像的分辨率缩小预设比例,生成所述预览图。
在本申请实施例中,通过对目标图像进行复制,然后将复制后的图像的分辨率缩小预设比例以生成预览图,进而使得预览图的分辨率较小,便于后续对预览图的处理,减小计算量。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述在所述预览图上生成每个区域的分割框,包括:获取所述每个区域中的像素点的横坐标最小值、横坐标最大值,纵坐标最小值,纵坐标最大值;以所述每个区域中的像素点的横坐标最小值、横坐标最大值,纵坐标最小值和纵坐标最大值作为分割框的四个边框的坐标,进而生成所述分割框。
在本申请实施例中,通过每个区域中的像素点的横坐标最小值、横坐标最大值,纵坐标最小值和纵坐标最大值作为分割框的四个边框的坐标,便于生成包含区域的合适的分割框。
第二方面,本申请实施例提供一种图像的自适应分割装置,包括:初始化模块,用于将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度;其中,所述预览图是基于获取的目标图像生成的;第一获取模块,用于获取所述预览图上相邻的两棵树之间的语义距离,其中,所述语义距离表示所述相邻的两棵树之间的不相似度;所述相邻的两棵树表示两棵树所包含的像素点对应的区域相邻;合并模块,用于当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并为一棵树,并基于语义距离更新合并后的树的不相似度,直至相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度;生成模块,用于在所述预览图上生成每个区域的分割框;其中,所述每个区域为所述预览图上的每棵树所包含的像素点合并形成的区域;第二获取模块,用于基于非极大值抑制算法对所述分割框进行处理,获取所述分割框中满足置信度条件的第一分割框;分割模块,用于在所述目标图像上获取与所述预览图中的第一分割框的位置相同的目标分割框;并基于所述目标分割框,对所述目标图像进行分割。
第三方面,本申请实施例提供一种电子设备,包括:处理器和存储器,所述处理器和所述存储器连接;所述存储器用于存储程序;所述处理器用于调用存储在所述存储器中的程序,执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
第四方面,本申请实施例提供一种存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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申请的某些实施例,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为本申请实施例提供的一种电子设备的结构示意图。
图2为本申请实施例提供的一种图像的自适应分割方法的步骤流程图。
图3为本申请实施例提供的一种待分割的胃活检图像。
图4为本申请实施例提供的一种预览图中相邻像素点的示意图。
图5为本申请实施例提供的一种获取相邻的两棵树之间的语义距离的步骤流程图。
图6为本申请实施例提供的一种颜色直方图。
图7为本申请实施例提供的一种中心像素点A的LBP值的示意图。
图8为本申请实施例提供的一种树A和树B进行合并的示意图。
图9为本申请实施例提供的一种包含多个分割框的预览图。
图10为本申请实施例提供的一种基于坐标点生成分割框的示意图。
图11为本申请实施例提供的一种包含多个第一分割框的预览图。
图12为本申请实施例提供的一种图像的自适应分割装置的模块框图。
图标:100-电子设备;110-处理器;120-存储器;130-显示单元;200-图像的自适应分割装置;201-初始化模块;202-第一获取模块;203-合并模块;204-生成模块;205-第二获取模块;206-分割模块。
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。
请参阅图1,图1为本申请实施例提供的一种应用图像的自适应分割方法及装置的电子设备100的示意性结构框图。本申请实施例中,电子设备100可以是,但不限于个人电脑(PC,Personal Computer)、平板电脑、医用交互设备等。在结构上,电子设备100可以包括处理器110、存储器120和显示单元130。
处理器110、存储器120以及显示单元130直接或间接地电性连接,以实现数据的传输或交互,例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。图像的自适应分割装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作系统(Operating System,OS)中的软件模块。处理器110用于执行存储器120中存储的可执行模块,例如,图像的自适应分割装置所包括的软件功能模块及计算机程序等,以实现图像的自适应分割方法。处理器110可以在接收到执行指令后,执行计算机程序。
其中,处理器110可以是一种集成电路芯片,具有信号处理能力。处理器110也可以是通用处理器,例如,可以是中央处理器(Central Processing Unit,CPU)、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、分立门或晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外,通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是,但不限于,随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-OnlyMemory,PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory,EPROM),以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)。存储器120用于存储程序,处理器110在接收到执行指令后,执行该程序。
其中,显示单元130用于实现与用户的交互。显示单元130可以是,但不限于液晶显示器、触控显示器等。
应当理解,图1所示的结构仅为示意,本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件,或是具有与图1所示不同的配置。此外,图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2,图2为本申请实施例提供的图像的自适应分割方法的流程示意图,该方法应用于图1所示的电子设备100。需要说明的是,本申请实施例提供的图像的自适应分割方法不以图2及以下所示的顺序为限制。该方法包括:步骤S101-步骤S106。
步骤S101:将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度。
步骤S102:获取所述预览图上相邻的两棵树之间的语义距离。
步骤S103:当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并为一棵树,并基于语义距离更新合并后的树的不相似度,直至相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度。
步骤S104:在所述预览图上生成每个区域的分割框。
步骤S105:基于非极大值抑制算法对所述分割框进行处理,获取所述分割框中满足置信度条件的第一分割框。
步骤S106:在所述目标图像上获取与所述预览图中的第一分割框的位置相同的目标分割框;并基于所述目标分割框,对所述目标图像进行分割。
在本申请实施例中,通过将相似度高的相邻的两棵树进行合并,进而使得在预览图上生成多个与树对应的区域,然后在预览图上生成每个区域的分割框,采用非极大值抑制算法获取分割框中满足置信度条件的第一分割框,最后在目标图像上获取与预览图中的第一分割框的位置相同的目标分割框;并基于目标分割框,对目标图像进行分割。通过上述步骤,使得最终将一张分辨率极高的目标图像分割成多个包含待分割区域的小图片,与现有技术相比,多个包含待分割区域的小图片更加便于处理与使用。
下面结合具体的示例对上述方法进行详细说明。
步骤S101:将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度。
需要说明的是,上述的预览图是基于获取的包含待分割图形的目标图像生成的。上述的目标图像可以是包含组织的数字切片,也即目标图像可以是医学领域中的病理图像,比如脑部组织头像、肺部组织图像、胃活检图像。请参阅图3,图3示出了一种胃活检图像,其中该图像中包括10个胃部组织。图像中的10个胃部组织即为待分割的图形。为了便于后续步骤的阐述,后续实施例中均以胃活检图像为例。当然,目标图像也可以是相机所拍摄的照片、也可以是基于设计软件所制作出的设计图像,对此,本申请不作限定。
可以理解的是,本申请实施例所提供的图像的自适应分割方法是先对预览图进行图像处理,在预览图上的获取到分割位置后,便可在目标图像上的相同位置进行分割,其主要目的是为了避免破坏目标图像上的图形特征。
可选地,基于目标图像生成预览图的方式可以是,在获取到目标图像后,将目标图像进行复制,复制后的图像即为预览图。
可选地,由于目标图像的分辨率较高,则所复制得到的图像的分辨率也较高,因此,为了便于后续对预览图进行图像处理,减小计算量,基于目标图像生成预览图的方式还可以是,在获取到目标图像后,将目标图像进行复制,将复制后的图像的分辨率缩小预设比例,生成预览图。
上述的预设比例可以根据目标图像的分辨率的大小而定,比如目标图像为胃活检图像,其分辨率为100000000×100000000,复制后的图像的分辨率也为100000000×100000000,那么预设比例可以是1000000,也即将分辨率为100000000×100000000的图像缩小一百万倍,进而生成分辨率为100×100的预览图。当然,预设比例还可以1000、10000等等,本申请不作限定。
通过上述方式得到预览图后,即可初始化预览图。为了便于后续处理,可以将预览图标记为无向图。无向图表示图中的两个像素点之间的连线没有方向的区分。
然后初始化预览图中的每个像素点,将每个像素点标记为一棵树,记为f[i]=i;其中,i表示像素点i,f[i]表示像素点i对应的树。需要解释的是,上述将每个像素点标记为的树可以是二叉树,也可以是多叉树。初始化时,每棵树包含一个像素点,记为s[i]=1。由于初始化时每棵树仅包含一个像素点,则该像素点即为这棵树的根节点。
最后,标记每棵树对应的不相似度,记为t[i]=k,其中,t[i]表示像素点i对应的树的不相似度,k为初始化的不相似度系数,初始化时,每棵树的不相似度系数均相同。
可选地,在上述获取到预览图后,还可以对预览图进行高斯滤波。通过高斯滤波可以消除预览图上的高斯噪声。于本申请实施例中,采用高斯模糊函数对图像进行高斯滤波,进而可以得到预览图中的平滑纹理特征。
步骤S102:获取所述预览图上相邻的两棵树之间的语义距离。
在对预览图进行初始化后,每个像素点记为一棵树,然后获取预览图上相邻的两棵树之间的语义距离。其中,语义距离表示相邻的两棵树之间的不相似度。相邻的两棵树之间的语义距离越小,则说明两棵树之间的不相似度越小,进而表示两棵树的像素点之间的相似度越高,这两棵树中的像素点属于同一个分割区域。因此通过获取相邻的两棵树之间的语义距离可以便于后续确定这两棵树之间是否需要合并。
需要说明的是,相邻的两棵树表示两棵树所包含的像素点对应的区域相邻。由于初始化时,每个像素点记为一棵树,因此,预览图中的每个像素点均为一棵独立的树。请参阅图4,假设以四邻域为例,则与树1相邻的树为树2、树3、树4和树5。当然,也可以以八领域作为相邻的区域,则与树1相邻的树为树2、树3、树4、树5、树6、树7、树8和树9。本申请对于相邻的区域不作限定。
若以四邻域为例,则依次获取预览图上相邻的两棵树之间的语义距离,比如获取树1与树2之间的语义距离,获取树1与树3之间的语义距离,获取树1与树4之间的语义距离,获取树1与树5之间的语义距离。
作为一种实施方式,获取相邻的两棵树之间的语义距离包括:根据第一预设计算公式获取预览图上相邻的两棵树之间的RGB三个通道的颜色差值;其中,第一预设计算公式为:其中,DH表示相邻的树a和树b之间的RGB三通道中的其中任意一个通道的颜色差值,Hia表示所述树a中像素值为i的像素点的数量;Hib表示所述树b中像素值为i的像素点的数量。
也即,该实施方式中,将预览图上相邻的两棵树之间的RGB三个通道的颜色差值作为预览图上相邻的两棵树之间的语义距离。该方式简单,且相邻的两棵树之间的RGB三个通道的颜色差值能够准确的反应出相邻的两棵树之间的不相似度。(需要说明的是,获取预览图上相邻的两棵树之间的RGB三个通道的颜色差值的详细过程在后文中有阐述,具体过程请参考后文)。
作为另一种实施方式,获取相邻的两棵树之间的语义距离包括:根据第二预设计算公式获取所述预览图上相邻的两棵树之间的LBP距离;其中,第二预设计算公式为:其中,DL表示树a和树b之间的LBP距离;Lja表示树a中各个像素点的j位置处的LBP值的累加值;Ljb表示树b中各个像素点的j位置处的LBP值的累加值。
也即,该实施方式中,预览图上相邻的两棵树之间的LBP距离作为预览图上相邻的两棵树之间的语义距离。该方式简单,且相邻的两棵树之间的语义距离能够准确的反应出相邻的两棵树之间的不相似度。(需要说明的是,获取预览图上相邻的两棵树之间的LBP距离的详细过程在后文中有阐述,具体过程请参考后文)。
请参阅图5,作为又一种实施方式,获取相邻的两棵树之间的语义距离可以通过以下步骤实现,包括:步骤S201-步骤S203。
步骤S201:根据第一预设计算公式获取所述预览图上相邻的两棵树之间的RGB三个通道的颜色差值。
其中,第一预设计算公式为:其中,DH表示相邻的树a和树b之间的RGB(R表示红色RED、G表示绿色GREEN、B表示蓝色BLUE)三通道中的其中一个任意通道的颜色差值。也即,计算树a和树b之间的RGB三个通道的颜色差值均可采用上述第一预设计算公式进行计算。Hia表示树a中像素值为i的像素点的数量;Hib表示所述树b中像素值为i的像素点的数量。
为了便于理解,下面对上述计算相邻的两棵树之间的RGB三个通道的颜色差值进行解释。假设,初始化时,树a中包含一个像素点,树a中的像素点的RGB三个通道的像素值分别为:R=240、G=44、B=66。树b中包含一个像素点,树b中的像素点的RGB三个通道的像素值分别为:R=230、G=44、B=66。则分别计算树a和树b之间的RGB三个通道的颜色差值。需要说明的是,公式中i的范围为0~255。也即遍历树a和树b中每个像素值对应的个数,示例性的以R通道为例,假设i=0,则Hia=0、Hib=0;当i=240时,则H240a=1、H240b=0。当树中包含多个像素点时,Hia表示树a中像素值为i的像素点的总数,以R通道为例,假设树a中像素值为R=240的像素点为三个,则H240a=3。
请参阅图6,可以理解的是,在计算相邻的两棵树之间的RGB三个通道的颜色差值之前,还可以预先构建每棵树每个通道的颜色直方图。其中,颜色直方图的横坐标i表示该通道下的像素值,i的取值范围为0~255,纵坐标表示像素值i的数量。因此,每棵树可以构建三个颜色直方图。后续便可根据颜色直方图中各个像素值的数量计算相邻的两棵树之间的RGB三个通道的颜色差值。
步骤S202:根据第二预设计算公式获取所述预览图上相邻的两棵树之间的LBP距离。
其中,第二预设计算公式为:其中,DL表示相邻的树a和树b之间的LBP(Local Binary Patterns,局部二值模式)距离;Lja表示树a中各个像素点的j位置处的LBP值的累加值;Ljb表示所述树b中各个像素点的j位置处的LBP值的累加值。
首先,对LBP进行解释,LBP具有灰度不变性和旋转不变性等显著优点。LBP定义为以窗口中心像素点的灰度值为阈值,将相邻的8个像素的灰度值与其进行比较,若周围灰度值大于等于中心灰度值,则该灰度值的位置被标记为1,否则为0。这样,3×3邻域内的8个点经比较可产生按照顺时针方向组成的8位二进制数,即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。
为了便于理解,请参阅图7,图7中以中心像素点A的灰度值作为阈值,然后将相邻的8个像素的灰度值与其进行比较,若周围灰度值大于等于中心灰度值,则该灰度值的位置被标记为1,否则为0,然后顺时针组成8位二进制数,即得到该窗口中心像素点A的LBP值为10100101。上述公式中j则表示这八个位置,比如j为1时,则表示图7中左上角的像素点的。若树a中包含多个像素点,则将树a中各个像素点的j位置处的LBP值的累加值。比如树a中包括像素点A和像素点B,像素点A的LBP值为10100101,像素点B的LBP值为11000111。则L1a=1+1=2、L2a=0+1=1,然后依次得到八个位置的值。
可以理解的是,在计算相邻的两棵树之间的LBP距离之前,还可以预先构建每棵树的LBP直方图。其中,LBP直方图的横坐标为相邻的像素点的位置(位置范围为1~8),纵坐标为该位置下对应的LBP值的累加值。LBP直方图的图示可以参看上述的颜色直方图。
步骤S203:将所述颜色差值以及所述LBP距离进行求和,得到所述树a和所述树b之间的语义距离。
最后将树a和树b之间的RGB三个通道的颜色差值以及LBP距离相加,即可得到树和树b之间的语义距离。即语义距离=DH+DL。其中,DH包括三个通道的颜色差值。
在本申请实施例中,相邻的两棵树之间的语义距离为相邻的两棵树之间的RGB三个通道的颜色差值与相邻的两棵树之间的LBP距离之和。通过该方式得到的语义距离更加能够反映出相邻的两棵树之间的不相似度。
步骤S103:当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并为一棵树,并基于语义距离更新合并后的树的不相似度,直至相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度。
在获取相邻的两棵树之间的语义距离后,即可根据相邻的两棵树之间的语义距离判断两棵树之间是否需要进行合并。具体的,判断相邻的两棵树之间的语义距离是否小于相邻的两棵树对应的不相似度中最小的不相似度。初始化时,每棵树对应的不相似度均为k,也即,在第一次进行判断是否合并时,仅需判断相邻的两棵树之间的语义距离是否小于k即可。当相邻的两棵树之间的语义距离小于k后,将这两棵树进行合并。合并即为将这两棵树中的像素点进行连接。如图8所示,当树A和树B之间的语义距离小于k后,将这两棵树进行合并,像素点之间进行连线(该连线即为无向图的边)。若仅是连线,则整张图中一共可以生成(width-1)×height+width×(height-1)条边;其中width表示无向图宽度方向像素点的个数,height表示无向图高度方向像素点的个数。合并时,跟节点可以以其中任意一个点作为跟节点,比如树A和树B之间进行合并,合并时以A作为根节点。当然也可以根据预设规则确定出合并后的树的根节点,比如以最左边的节点作为根节点,或者以最右边的节点作为跟节点。对此,本申请不作限定。合并后的树的不相似度=合并前的两棵树之间的语义距离+合并前的两棵树之间的语义距离除以合并后的树存储的像素点的个数。假设树a和树b进行合并,树a和树b均包括一个像素点,树a和树b之间的语义距离为m,则树a和树b合并后的不相似度=m+m/2。
通过该方式,遍历所有相邻的树,直至所有的相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度。通过该方式即可在预览图中生成多个区域。每个区域为预览图上的每棵树所包含的像素点合并形成的区域。
可选地,在步骤S103中相邻的两棵树已经不能再合并后,也即当所有的相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度之后,该方法还包括:当预览图中的树中所包含的像素点的个数小于预设最小数量时,将该树与相邻的树中语义距离最小的树合并为一棵树。其中,预设最小数量可以是3。当预览图中的树中所包含的像素点的个数小于3时,则将该树与相邻的树中语义距离最小的树进行合并。也即该步骤是将预览图中过小的区域与相邻的相似度最高的区域进行合并。当然,上述预设最小数量还可以是10、20等等,本申请不作限定。
在本申请实施例中,在所有树合并处理后,判断预览图中的树是否小于预设最小数量,当预览图中的树中所包含的像素点的个数小于预设最小数量时,将该树与相邻的树中语义距离最小的树合并为一棵树,进而减小后续的处理量,避免预览图在出现过多的很小的区域。
步骤S104:在所述预览图上生成每个区域的分割框。
当通过上述步骤在预览图中形成多个区域后,基于每个区域在预览图上生成对应的分割框。如图9所示,图中生成了多个分割框。
可选地,为了便于生成包含区域的合适的分割框,在预览图上生成每个区域的分割框的可以是:获取每个区域中的像素点的横坐标最小值、横坐标最大值,纵坐标最小值,纵坐标最大值;以每个区域中的像素点的横坐标最小值、横坐标最大值,纵坐标最小值和纵坐标最大值作为分割框的四个边框的坐标,进而生成分割框。为了便于理解,请参阅图10,树Z对应的区域中,像素点A(x1,y1)对应的横坐标最小,像素点D(x4,y4)对应的横坐标最大,像素点B((x2,y2))对应的纵坐标最大,像素点C(x3,y3)对应的纵坐标最小,则将这个x1、x4、y2和y3这四个坐标所围成的图形作为分割框。
当然,在其他实施例中,也可以是对每个区域中的像素点的横坐标最小值、横坐标最大值,纵坐标最小值,纵坐标最大值进行相应的计算,得到四个边框的坐标,比如将横坐标最小值减去预设值、横坐标最大值加上预设值,纵坐标最小值减去预设值,纵坐标最大值加上预设值,进而得到四个边框的坐标。其中,预设值可以是5、10、20,对此,本申请不作限定。
步骤S105:基于非极大值抑制算法对所述分割框进行处理,获取所述分割框中满足置信度条件的第一分割框。
需要解释的是,非极大值抑制算法,简称为NMS(Non-Maximum Suppression)算法。其思想是消除冗余的分割框重叠。参考图8可知,预览图中的分割框存在很多的重叠部分,此时需要利用非极大值抑制找到最佳的分割,消除冗余的重叠的分割框。具体的过程可以是,对所有分割框进行置信度得分,根据得分排序遍历所有分割框,比如先确定出得分最高的分割框,然后在剩余的分割框中找出并删除与得分最高的分割框的交并比超过预设阈值的分割框,然后将与得分最高的分割框的交并比超过预设阈值的分割框。然后找到得分第二高的分割框,并在剩余分割框中找出并删除与得分第二高的分割框交并比超过预设阈值的分割框。(也即,从得分最高的分割框开始,依次删除与其重叠的分割框)。其中,预设阈值可以是0.1,0.2,对此,本申请不作限定。(删除的即为图9中的在组织附近的较小的分割框)。
步骤S106:在所述目标图像上获取与所述预览图中的第一分割框的位置相同的目标分割框;并基于所述目标分割框,对所述目标图像进行分割。
在获取到预览图中的多个第一分割框的位置后,可以基于第一分割框的坐标位置,获取目标图像中的相同坐标位置的目标分割框。最后,基于目标图像上的目标分割框对目标图像进行分割(如图11所示)。为了便于确定出目标图像中相同坐标位置的目标分割框,若在步骤S101中,该预览图的分辨率经预设比例缩小的,则此时需将预览图的分辨率在经预设比例进行放大。
请参阅图12,基于同一发明构思,本申请实施例还提供一种图像的自适应分割装置200,包括:初始化模块201、第一获取模块202、合并模块203、生成模块204、第二获取模块205和分割模块206。
初始化模块201,用于将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度;其中,所述预览图是基于获取的目标图像生成的。
第一获取模块202,用于获取所述预览图上相邻的两棵树之间的语义距离,其中,所述语义距离表示所述相邻的两棵树之间的不相似度;所述相邻的两棵树表示两棵树所包含的像素点对应的区域相邻。
合并模块203,用于当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并为一棵树,并基于语义距离更新合并后的树的不相似度,直至相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度。
生成模块204,用于在所述预览图上生成每个区域的分割框;其中,所述每个区域为所述预览图上的每棵树所包含的像素点合并形成的区域。
第二获取模块205,用于基于非极大值抑制算法对所述分割框进行处理,获取所述分割框中满足置信度条件的第一分割框。
分割模块206,用于在所述目标图像上获取与所述预览图中的第一分割框的位置相同的目标分割框;并基于所述目标分割框,对所述目标图像进行分割。
可选地,该第一获取模块202具体用于根据第一预设计算公式获取所述预览图上相邻的两棵树之间的RGB三个通道的颜色差值;其中,所述第一预设计算公式为:其中,DH表示相邻的树a和树b之间的RGB三通道中的其中一个任意通道的颜色差值,Hia表示所述树a中像素值为i的像素点的数量;Hib表示所述树b中像素值为i的像素点的数量;根据第二预设计算公式获取所述预览图上相邻的两棵树之间的LBP距离;其中,所述第二预设计算公式为:其中,DL表示所述树a和所述树b之间的LBP距离;Lja表示所述树a中各个像素点的j位置处的LBP值的累加值;Ljb表示所述树b中各个像素点的j位置处的LBP值的累加值;将所述颜色差值以及所述LBP距离进行求和,得到所述树a和所述树b之间的语义距离。
可选地,该第一获取模块202具体用于根据第一预设计算公式获取所述预览图上相邻的两棵树之间的RGB三个通道的颜色差值;其中,所述第一预设计算公式为:其中,DH表示相邻的树a和树b之间的RGB三通道中的其中任意一个通道的颜色差值,Hia表示所述树a中像素值为i的像素点的数量;Hib表示所述树b中像素值为i的像素点的数量;其中,所述预览图上相邻的两棵树之间的RGB三个通道的颜色差值即为所述预览图上相邻的两棵树之间的语义距离。
可选地,该第一获取模块202具体用于根据第二预设计算公式获取所述预览图上相邻的两棵树之间的LBP距离;其中,所述第二预设计算公式为:其中,DL表示所述树a和所述树b之间的LBP距离;Lja表示所述树a中各个像素点的j位置处的LBP值的累加值;Ljb表示所述树b中各个像素点的j位置处的LBP值的累加值;其中,所述预览图上相邻的两棵树之间的LBP距离即为所述预览图上相邻的两棵树之间的语义距离。
可选地,该图像的自适应分割装置200还包括后处理模块,该后处理模块用于在所述当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并,并基于语义距离更新合并后的树的不相似度,直至相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度之后,当所述预览图中的树中所包含的像素点的个数小于预设最小数量时,将该树与相邻的树中语义距离最小的树合并为一棵树。
可选地,该图像的自适应分割装置200还包括预处理模块,预处理模块用于在所述将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度之前,在获取到所述目标图像后,将所述目标图像进行复制;将所述复制后的图像的分辨率缩小预设比例,生成所述预览图。
可选地,该分割模块206具体用于获取所述每个区域中的像素点的横坐标最小值、横坐标最大值,纵坐标最小值,纵坐标最大值;以所述每个区域中的像素点的横坐标最小值、横坐标最大值,纵坐标最小值和纵坐标最大值作为分割框的四个边框的坐标,进而生成所述分割框。
基于同一发明构思,本申请实施例还提供一种存储介质,其上存储有计算机程序,计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,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单元来实现本实施例方案的目的。
再者,在本申请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。
在本文中,诸如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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像的自适应分割方法,其特征在于,包括:
将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度;其中,所述预览图是基于获取的目标图像生成的;
获取所述预览图上相邻的两棵树之间的语义距离,其中,所述语义距离表示所述相邻的两棵树之间的不相似度;所述相邻的两棵树表示两棵树所包含的像素点对应的区域相邻;
当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并为一棵树,并基于语义距离更新合并后的树的不相似度,直至相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度;
在所述预览图上生成每个区域的分割框;其中,所述每个区域为所述预览图上的每棵树所包含的像素点合并形成的区域;
基于非极大值抑制算法对所述分割框进行处理,获取所述分割框中满足置信度条件的第一分割框;
在所述目标图像上获取与所述预览图中的第一分割框的位置相同的目标分割框;并基于所述目标分割框,对所述目标图像进行分割。
2.根据权利要求1所述的图像的自适应分割方法,其特征在于,所述获取所述预览图上相邻的两棵树之间的语义距离,包括:
根据第一预设计算公式获取所述预览图上相邻的两棵树之间的RGB三个通道的颜色差值;其中,所述第一预设计算公式为:其中,DH表示相邻的树a和树b之间的RGB三通道中的其中一个任意通道的颜色差值,Hia表示所述树a中像素值为i的像素点的数量;Hib表示所述树b中像素值为i的像素点的数量;
根据第二预设计算公式获取所述预览图上相邻的两棵树之间的LBP距离;其中,所述第二预设计算公式为:其中,DL表示所述树a和所述树b之间的LBP距离;Lja表示所述树a中各个像素点的j位置处的LBP值的累加值;Ljb表示所述树b中各个像素点的j位置处的LBP值的累加值;
将所述颜色差值以及所述LBP距离进行求和,得到所述树a和所述树b之间的语义距离。
5.根据权利要求1所述的图像的自适应分割方法,其特征在于,在所述当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并为一棵树,并基于语义距离更新合并后的树的不相似度,直至相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度之后,以及在所述预览图上生成每个区域的分割框之前,所述方法还包括:
当所述预览图中的树中所包含的像素点的个数小于预设最小数量时,将该树与相邻的树中语义距离最小的树合并为一棵树;
相应的,所述在所述预览图上生成每个区域的分割框中的区域包含所述将该树与相邻的树中语义距离最小的树合并为一棵树后,合并后的一颗树中所包含的像素点形成的区域。
6.根据权利要求1所述的图像的自适应分割方法,其特征在于,在所述将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度之前,所述方法还包括:
在获取到所述目标图像后,将所述目标图像进行复制;
将所述复制后的图像的分辨率缩小预设比例,生成所述预览图。
7.根据权利要求1所述的图像的自适应分割方法,其特征在于,所述在所述预览图上生成每个区域的分割框,包括:
获取所述每个区域中的像素点的横坐标最小值、横坐标最大值,纵坐标最小值,纵坐标最大值;
以所述每个区域中的像素点的横坐标最小值、横坐标最大值,纵坐标最小值和纵坐标最大值作为分割框的四个边框的坐标,进而生成所述分割框。
8.一种图像的自适应分割装置,其特征在于,包括:
初始化模块,用于将预览图上的每个像素点标记为一棵树,并初始化每棵树对应的不相似度;其中,所述预览图是基于获取的目标图像生成的;
第一获取模块,用于获取所述预览图上相邻的两棵树之间的语义距离,其中,所述语义距离表示所述相邻的两棵树之间的不相似度;所述相邻的两棵树表示两棵树所包含的像素点对应的区域相邻;
合并模块,用于当相邻的两棵树之间的语义距离小于相邻的两棵树对应的不相似度中最小的不相似度时,将其进行合并为一棵树,并基于语义距离更新合并后的树的不相似度,直至相邻的两棵树之间的语义距离均不小于相邻的两棵树对应的不相似度中最小的不相似度;
生成模块,用于在所述预览图上生成每个区域的分割框;其中,所述每个区域为所述预览图上的每棵树所包含的像素点合并形成的区域;
第二获取模块,用于基于非极大值抑制算法对所述分割框进行处理,获取所述分割框中满足置信度条件的第一分割框;
分割模块,用于在所述目标图像上获取与所述预览图中的第一分割框的位置相同的目标分割框;并基于所述目标分割框,对所述目标图像进行分割。
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连接;
所述存储器用于存储程序;
所述处理器用于运行存储在所述存储器中的程序,执行如权利要求1-7中任一项所述的方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在被计算机运行时执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010638762.XA CN111784698A (zh) | 2020-07-02 | 2020-07-02 | 一种图像的自适应分割方法、装置,电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010638762.XA CN111784698A (zh) | 2020-07-02 | 2020-07-02 | 一种图像的自适应分割方法、装置,电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784698A true CN111784698A (zh) | 2020-10-16 |
Family
ID=72758814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010638762.XA Pending CN111784698A (zh) | 2020-07-02 | 2020-07-02 | 一种图像的自适应分割方法、装置,电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784698A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784630A (zh) * | 2020-05-18 | 2020-10-16 | 广州信瑞医疗技术有限公司 | 一种病理图像的成分分割方法、装置 |
CN112308857A (zh) * | 2020-12-25 | 2021-02-02 | 数坤(北京)网络科技有限公司 | 一种血管中心线的确定方法、装置及可读存储介质 |
CN112581516A (zh) * | 2020-11-30 | 2021-03-30 | 北京迈格威科技有限公司 | 图像匹配方法、装置、电子设备及存储介质 |
CN113362333A (zh) * | 2021-07-07 | 2021-09-07 | 李有俊 | 一种垃圾分类箱管理方法、装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409831A (zh) * | 2008-07-10 | 2009-04-15 | 浙江师范大学 | 一种多媒体视频对象处理方法 |
US20120251000A1 (en) * | 2011-03-31 | 2012-10-04 | Sony Corporation | System and method for effectively performing an integrated segmentation procedure |
CN102959500A (zh) * | 2010-06-25 | 2013-03-06 | 微软公司 | 用于可缩放景物中的缩放操作的替选语义 |
CN103646404A (zh) * | 2013-12-29 | 2014-03-19 | 四川农业大学 | 一种基于颜色的快速茶树花分割和计数方法 |
CN104899584A (zh) * | 2015-06-29 | 2015-09-09 | 宁波江丰生物信息技术有限公司 | 一种基于模糊思想的染色切片识别方法 |
CN104978712A (zh) * | 2014-04-08 | 2015-10-14 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置 |
CN106651860A (zh) * | 2016-11-02 | 2017-05-10 | 帝麦克斯(苏州)医疗科技有限公司 | 一种图像分割方法及装置 |
CN107992875A (zh) * | 2017-12-25 | 2018-05-04 | 北京航空航天大学 | 一种基于图像带通滤波的显著目标检测方法 |
CN109272467A (zh) * | 2018-09-25 | 2019-01-25 | 南京大学 | 一种基于多尺度边缘线索的层次化图像分割方法 |
CN109559321A (zh) * | 2018-11-28 | 2019-04-02 | 清华大学 | 一种声呐图像分割方法和设备 |
CN110276761A (zh) * | 2019-06-18 | 2019-09-24 | 福州数据技术研究院有限公司 | 一种基于otsu阈值的肝部组织病理图像分割方法 |
US20190362478A1 (en) * | 2018-05-23 | 2019-11-28 | Adobe Inc. | Machine learning techniques for increasing color consistency across videos |
CN110990613A (zh) * | 2019-12-17 | 2020-04-10 | 神州数码医疗科技股份有限公司 | 图像传输处理方法、装置、终端及存储介质 |
CN111340826A (zh) * | 2020-03-25 | 2020-06-26 | 南京林业大学 | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 |
-
2020
- 2020-07-02 CN CN202010638762.XA patent/CN111784698A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409831A (zh) * | 2008-07-10 | 2009-04-15 | 浙江师范大学 | 一种多媒体视频对象处理方法 |
CN102959500A (zh) * | 2010-06-25 | 2013-03-06 | 微软公司 | 用于可缩放景物中的缩放操作的替选语义 |
US20120251000A1 (en) * | 2011-03-31 | 2012-10-04 | Sony Corporation | System and method for effectively performing an integrated segmentation procedure |
CN103646404A (zh) * | 2013-12-29 | 2014-03-19 | 四川农业大学 | 一种基于颜色的快速茶树花分割和计数方法 |
CN104978712A (zh) * | 2014-04-08 | 2015-10-14 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置 |
CN104899584A (zh) * | 2015-06-29 | 2015-09-09 | 宁波江丰生物信息技术有限公司 | 一种基于模糊思想的染色切片识别方法 |
CN106651860A (zh) * | 2016-11-02 | 2017-05-10 | 帝麦克斯(苏州)医疗科技有限公司 | 一种图像分割方法及装置 |
CN107992875A (zh) * | 2017-12-25 | 2018-05-04 | 北京航空航天大学 | 一种基于图像带通滤波的显著目标检测方法 |
US20190362478A1 (en) * | 2018-05-23 | 2019-11-28 | Adobe Inc. | Machine learning techniques for increasing color consistency across videos |
CN109272467A (zh) * | 2018-09-25 | 2019-01-25 | 南京大学 | 一种基于多尺度边缘线索的层次化图像分割方法 |
CN109559321A (zh) * | 2018-11-28 | 2019-04-02 | 清华大学 | 一种声呐图像分割方法和设备 |
CN110276761A (zh) * | 2019-06-18 | 2019-09-24 | 福州数据技术研究院有限公司 | 一种基于otsu阈值的肝部组织病理图像分割方法 |
CN110990613A (zh) * | 2019-12-17 | 2020-04-10 | 神州数码医疗科技股份有限公司 | 图像传输处理方法、装置、终端及存储介质 |
CN111340826A (zh) * | 2020-03-25 | 2020-06-26 | 南京林业大学 | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 |
Non-Patent Citations (4)
Title |
---|
"图像分割—基于图的图像分割(Graph-BasedImageSegmentation)", 《CSDN:HTTPS://BLOG.CSDN.NET/HUIXINGSHAO/ARTICLE/DETAILS/42642973》, pages 1 - 4 * |
NING J等: "Interactive image segmentation by maximal similarity based region merging", 《 PATTERN RECOGNITION》, vol. 43, no. 2, pages 445 - 456, XP026652556, DOI: 10.1016/j.patcog.2009.03.004 * |
ZHU H等: "Beyond pixels: A comprehensive survey from bottom-up to semantic image segmentation and cosegmentation", 《 JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》, vol. 34, pages 12 - 27, XP029359755, DOI: 10.1016/j.jvcir.2015.10.012 * |
陈志刚等: "多尺度无监督彩色图像分割", 《光子学报》, vol. 40, no. 10, pages 1553 - 1559 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784630A (zh) * | 2020-05-18 | 2020-10-16 | 广州信瑞医疗技术有限公司 | 一种病理图像的成分分割方法、装置 |
CN112581516A (zh) * | 2020-11-30 | 2021-03-30 | 北京迈格威科技有限公司 | 图像匹配方法、装置、电子设备及存储介质 |
CN112308857A (zh) * | 2020-12-25 | 2021-02-02 | 数坤(北京)网络科技有限公司 | 一种血管中心线的确定方法、装置及可读存储介质 |
CN112308857B (zh) * | 2020-12-25 | 2021-05-11 | 数坤(北京)网络科技有限公司 | 一种血管中心线的确定方法、装置及可读存储介质 |
CN113362333A (zh) * | 2021-07-07 | 2021-09-07 | 李有俊 | 一种垃圾分类箱管理方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784698A (zh) | 一种图像的自适应分割方法、装置,电子设备及存储介质 | |
Newson et al. | Video inpainting of complex scenes | |
US7574069B2 (en) | Retargeting images for small displays | |
CN111242137A (zh) | 一种基于形态成分分析的椒盐噪声滤波方法、装置 | |
CN112581629A (zh) | 增强现实显示方法、装置、电子设备及存储介质 | |
US8498500B2 (en) | Image processing apparatus and image processing method | |
US10249029B2 (en) | Reconstruction of missing regions of images | |
US20130120438A1 (en) | Methods and Apparatuses for Generating Co-Salient Thumbnails for Digital Images | |
US6654495B1 (en) | Method and apparatus for removing ruled lines | |
CN107220930B (zh) | 鱼眼图像处理方法、计算机装置及计算机可读存储介质 | |
Lu et al. | PatchMatch filter: edge-aware filtering meets randomized search for visual correspondence | |
CN115546027B (zh) | 图像缝合线确定方法、装置以及存储介质 | |
CN111275824A (zh) | 用于交互式增强现实的表面重建 | |
CN115205435B (zh) | 一种改进的基于马尔可夫随机场的纹理映射方法及装置 | |
CN113506305B (zh) | 三维点云数据的图像增强方法、语义分割方法及装置 | |
CN115761826A (zh) | 掌静脉有效区域提取方法、系统、介质及电子设备 | |
CN116468632A (zh) | 一种基于自适应特征保持的网格去噪方法及装置 | |
CN117196937B (zh) | 一种基于人脸识别模型的视频换脸方法、设备及存储介质 | |
JP2003158631A (ja) | データ処理方法、装置、プログラムおよび記録媒体 | |
CN112884702A (zh) | 一种基于内窥镜图像的息肉识别系统和方法 | |
CN111784630A (zh) | 一种病理图像的成分分割方法、装置 | |
CN112118478B (zh) | 文本处理方法、装置、电子设备及存储介质 | |
WO2022062417A1 (zh) | 视频中嵌入图像的方法、平面预测模型获取方法和装置 | |
CN114549703A (zh) | 一种快速动画图像生成方法、系统、装置及存储介质 | |
CN114550062A (zh) | 图像中运动对象的确定方法、装置、电子设备和存储介质 |
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 |