CN111833364A - X光图像边缘检测方法、装置、计算机设备和存储介质 - Google Patents
X光图像边缘检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111833364A CN111833364A CN201910319640.1A CN201910319640A CN111833364A CN 111833364 A CN111833364 A CN 111833364A CN 201910319640 A CN201910319640 A CN 201910319640A CN 111833364 A CN111833364 A CN 111833364A
- Authority
- CN
- China
- Prior art keywords
- edge detection
- ray image
- image
- detection result
- confirmed
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 360
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011478 gradient descent method Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 65
- 230000011218 segmentation Effects 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 238000013178 mathematical model Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 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
- G06T7/13—Edge detection
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明适用于计算机技术领域，提供了一种X光图像边缘检测方法、装置、计算机设备和存储介质，所述方法包括：获取X光图像；基于交替迭代算法建立初始化的X光图像边缘检测模型；根据所述X光图像以及X光图像边缘检测模型生成X光图像边缘检测结果待确认图像，并判断是否满足预设的边缘检测结果图像要求；若不满足，则基于梯度下降法对X光图像边缘检测模型中的可变参数进行调整，并重新生成X光图像边缘检测结果待确认图像直到满足为止。本发明实施例提供的X光图像边缘检测方法是基于算法建立数学模型，使得在获取X光图像后，能够遵循算法的规则直接确定出X光图像中的边缘部分，方便了医生诊断，有效地提高了医生诊断的准确率以及效率。
Description
技术领域
本发明属于计算机领域，尤其涉及一种X光图像边缘检测方法、装置、计算机设备和存储介质。
背景技术
数字式X光机是目前应用最为广泛的医学成像设备之一，几乎所有的术前诊断和分析以及很多常规检查都需要数字式X光机的支持。X光之所以能使人体在荧屏上或胶片上形成影像，一方面是基于X光的特性，即其穿透性、荧光效应和摄影效应：另一方面是基于人体组织有密度和厚度的差别。由于存在这种差别，当X光透过人体各种不同组织结构时，它被吸收的程度不同，所以到达荧屏或胶片上的X光量即有差异。这样，在荧屏或X光上就形成黑白对比不同的影像。
然而，由于人体组织结构是由不同元素所组成，各种组织单位体积内各元素量总和的大小具有不同的密度。所以一般情况下X光影像因为人体的复杂性具有强度不均匀、图像中各个组织间的边界弱等缺点，这些缺陷往往会给医生的准确诊断带来很大的麻烦，严重影响医生对疾病的诊断效率。
可见，现有的X光图像还存在着强度不均匀、各个组织间的边界弱等技术问题，严重影响了医生的诊断准确率以及诊断效率。
发明内容
本发明实施例的目的在于提供一种X光图像边缘检测方法、装置、计算机设备和存储介质，旨在解决现有的X光图像还存在的强度不均匀、各个组织间的边界弱等技术问题。
本发明实施例是这样实现的，一种X光图像边缘检测方法，包括：
获取X光图像；
基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型，所述可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子；
根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像；
判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求；
当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像的步骤；
当判断所述X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
本发明实施例的另一目的在于提供一种X光图像边缘检测装置，包括：
X图像获取单元，用于获取X光图像；
X光图像边缘检测模型初始化单元，用于基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型，所述可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子；
X光图像边缘检测结果待确认图像生成单元，用于根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像；
X光图像边缘检测结果待确认图像判断单元，用于判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求；
参数调整单元，用于当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述X光图像边缘检测结果待确认图像生成单元；以及
X光图像边缘检测结果图像确定单元，用于当判断所述X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述X光图像边缘检测方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述X光图像边缘检测方法的步骤。
本发明实施例提供的X光图像边缘检测方法，在获取X光图像后，先基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型，其中可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子，再将所述X光图像输入至X光图像边缘检测模型中生成X光图像边缘检测结果待确认图像，然后通过判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求，当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，生成调整后的X光图像边缘检测模型，并再次根据X光图像与X光图像边缘检测模型生成新的X光图像边缘检测结果待确认图像，直到新的X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求后，此时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。本发明实施例提供的一种X光图像边缘检测方法，能够有效地将X光图像中的各组织之间的边缘圈画出来，能够帮助医生进行诊断，有效地提高了医生对疾病的诊断准确率以及诊断效率。
附图说明
图1为本发明实施例提供的一种X光图像边缘检测方法的步骤流程图；
图2为本发明实施例提供的生成X光图像边缘检测结果待确认图像的步骤流程图；
图3为本发明实施例提供的另一种X光图像边缘检测方法的步骤流程图；
图4为本发明实施例提供的又一种X光图像边缘检测方法的步骤流程图；
图5为本发明实施例提供的一种X光图像边缘检测装置的结构框图；
图6为本发明实施例提供的X光图像边缘检测结果待确认图像生成单元的结构框图；
图7为本发明实施例提供的另一种X光图像边缘检测装置的结构框图；
图8为本发明实施例提供的参数调整单元的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
本发明实施例为解决现有的X光图像还存在的强度不均匀、各个组织间的边界弱等技术问题，提供一种基于交替迭代算法理论对X光图像中边缘部分进行检测的方法，并将具体的算法过程部署在计算机处理设备中，从而使得计算机处理设备能够根据输入的X光图像，遵循所部署的算法直接确定出X光图像中的边缘部分并进行标识。
为便于理解，在下述各具体实施例的解释说明部分，都将辅以具体的计算公式对各步骤进行补充说明。对第一次出现的符号、函数，都将给出具体的释义，后续再次出现相同的符号、函数时，都以第一次给出的释义为准。
如图1所示，在一个实施例中，提出了一种X光图像边缘检测方法，具体可以包括以下步骤：
步骤S102，获取X光图像。
在本发明实施例中，X光图像是以函数f(y),y∈Ω的形式存在，其中Ω为X光图像区域，函数值为X光图像中各点对应的像素值。
步骤S104，基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型。
在本发明实施例中，所述可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子。
在本发明实施例中，所述X光图像边缘检测模型包括对X光图像进行处理的三个子模型，分别为包括正则化与对比增强处理因子的正则化与对比增强处理子模型，包括聚类分割点的分割处理子模型对以及包括边缘检测函数的边缘检测子模型。
步骤S106，根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像。
在本发明实施例中，所述X光图像边缘检测模型包括的三个子模型依次对X光图像进行处理即可生成X光图像边缘检测结果待确认图像。
在本发明实施例中，根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像的具体步骤以及相应的计算公式请参阅图2及其解释说明。
步骤S108，判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求。当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，执行步骤S110；当判断所述X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求，执行步骤S112。
在本发明实施例中，可以通过人工的形式确定所述X光图像边缘检测结果待确认图像是否满足要求，例如通过观察X光图像边缘检测结果待确认图像中标识出的X光图像边缘部分，也可以通过公式的形式提供一种可以衡量X光图像边缘检测结果待确认图像质量好坏的判断公式，根据公式计算出的结果确定X光图像边缘检测结果待确认图像是否满足要求，本发明在此不作限制。进一步的，所述一种可以衡量X光图像边缘检测结果待确认图像质量好坏的判断公式具体请参阅图3及其解释说明部分。
步骤S110，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述步骤S106。
在本发明实施例中，当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，表明此时建立的X光图像边缘检测模型不够理想，基于梯度下降法，可以优化调整X光图像边缘检测模型中各参数数值，从而对X光图像边缘检测模型进行优化，并重新根据优化后的X光图像边缘检测模型生成X光图像边缘检测结果待确认图像。
步骤S112，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
在本发明实施例中，当对X光图像边缘检测模型进行数次优化后，此时若生成的X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求时，表明此时的X光图像边缘检测结果待确认图像相对较为理想，此时即可将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像，并输出。用户即可获取到相应的X光图像边缘检测结果图像。
本发明实施例提供的X光图像边缘检测方法，在获取X光图像后，先基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型，其中可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子，再将所述X光图像输入至X光图像边缘检测模型中生成X光图像边缘检测结果待确认图像，然后通过判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求，当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，生成调整后的X光图像边缘检测模型，并再次根据X光图像与X光图像边缘检测模型生成新的X光图像边缘检测结果待确认图像，直到新的X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求后，此时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。本发明实施例提供的一种X光图像边缘检测方法，能够有效地将X光图像中的各组织之间的边缘圈画出来，能够帮助医生进行诊断，有效地提高了医生对疾病的诊断准确率以及诊断效率。
在一个实施例中，如图2所示，步骤S106具体可以包括以下步骤：
步骤S202，根据含有正则化与对比增强处理因子的正则化与对比增强处理子模型对所述X光图像进行正则化与对比增强处理，生成对比增强X光图像。
在本发明实施例中，所述正则化与对比增强处理因子设为u，此时，我可们以采用总变差(TV)对原始X光图像f(x)进行正则化处理，采用拉伸图像的保真来增强图像的对比度，即可生成经过正则化与对比增强处理的对比增强X光图像图像u(y)。
步骤S304，根据含有聚类分割点的分割处理子模型对所述对比增强X光图像进行分割处理，生成分割X光图像。
在本发明实施例中，假设图像u(y)服从局部高斯分布，即在一个很小的领域范围内，服从高斯分布。设Ω1和Ω2分别是输入图像的目标区域和背景区域，Ωx是一个对于灰度点x的η-邻域，则：
对于
对于
其中，所述c1,c2即分别为目标区域以及背景区域的聚类分割点，对于不同的c1,c2，则分割出来后的分割X光图像不同。
步骤S306，根据含有边缘检测函数的边缘检测子模型所述分割X光图像进行边缘检测处理，生成X光图像边缘检测结果待确认图像。
在本发明实施例中，所述边缘检测函数设为φ(y)，其中φ(y)的函数表达式为：
在一个实施例中，如图3所示，一种X光图像边缘检测方法，其与图1所示的X光图像边缘检测方法相比，区别在于：
所述步骤S108具体为步骤S302，判断所述X光图像边缘检测结果待确认图像的能量泛函是否满足预设的条件。当判断所述X光图像边缘检测结果待确认图像的能量泛函不满足预设的条件时，执行步骤S110；当判断所述X光图像边缘检测结果待确认图像的能量泛函满足预设的条件时，执行步骤S112。
在本发明实施例中，提供了一种可以衡量X光图像边缘检测结果待确认图像质量好坏的判断公式，具体公式如下：
其中，所述Ε(u,c1,c2,φ)即为能量泛函，具体包括三个处理过程中的能量损失，所述∫Ω∫ΩG(x,y)(1-K(u(y),c1))H(φ(y))dydx+∫Ω∫ΩG(x,y)(1-K(u(y),c2))(1-H(φ(y)))dydx为图像分割损失，所述
为图像边缘检测损失，所述
为对比增强损失。
进一步的，对于图像分割损失，所述G(x)是Ωx的指标函数，定义如下：
K(u(y),ci)是高斯径向基函数，定义为
(1-K(u(y),ci)),i＝1,2是基于u(y)和ci之间的高斯核度量，它可以自适应强调各个灰度点强度值对聚类中心的贡献，当u(y)的值越靠近ci时，1-K(u(y),ci)的取值就越大。
H是Heaviside函数，δ是Dirac函数，具体的定义如下：
对于图像边缘检测损失，为了演化过程中保持演化轮廓平滑并在分割结果中尽可能减少小面积区域的数量，选择曲线的弧长即
作为正则化项，而进一步为了在演化过程中保持轮廓的稳定性，我们应该将图像边缘检测函数φ(y)保持为有符号距离函数。但是，即使它被初始化为有符号距离函数，它也会在进化过程中偏离有符号距离函数。因此，我们进一步引入内部能量，也就是
作为正则项，以保持水平集函数接近有符号距离函数。
对于对比增强损失，
是图像u(y)的弱梯度，用于去除X光图像的噪声以及部分灰度不均，因此
主要用于确定正则化处理的损失，而|u(y)-βf(y)|2是图像保真项，β一般选择为β＞1，用于增强u(y)的对比度，因此∫Ω|u(y)-βf(y)|2dy主要用于确定对比增强的损失。
在一个实施例中，如图4所示，一种X光图像边缘检测方法，其与图3所示的X光图像边缘检测方法相比，区别在于，步骤S110，具体可以包括：
步骤S402，基于所述能量泛函以及所述边缘检测函数与正则化与对比增强处理因子对所述聚类分割点进行调整。
在本发明实施例中，由于Ε(u,c1,c2,φ)实际上可以理解为关于(u,c1,c2,φ)的函数，即Ε(u,c1,c2,φ)有三种类型的未知变量(c1,c2为一种类型的未知变量)，因此我们可以通过依次固定剩余两种类型的位置变量来对某一类型的未知变量进行优化，进一步的，，在本发明实施例中，我们采用依次优化(c1,c2)，φ，u的方式对X光图像边缘检测模型中的可变参数进行优化，简要的流程如下：
在本发明实施例中，先将边缘检测函数φ与正则化与对比增强处理因子u视为常数，则能量泛函具体为关于聚类分割点c1,c2的函数，此时当能量泛函最小值时，有：
求解上述等式，并考虑存在迭代过程，可得：
步骤S404，基于所述能量泛函、正则化与对比增强处理因子以及调整后的聚类分割点对所述边缘检测函数进行调整。
在本发明实施例中，同样的，与前述优化聚类分割点参数的步骤相似，需要将正则化与对比增强处理因子以及调整后的聚类分割点视为常数，可得能量泛函关于边缘检测函数φ的Gateaux导数：
其中
则当能量泛函最低时，有：
引入时间参数t，利用梯度下降法求得方程的稳定解：
这里φ(x,t)满足初始条件φ(x,0)＝φ0(x)和边界条件
利用有限差分法求得函数
如下：
这里Δt是时间步长，D是一个差分算子：
步骤S406，基于所述能量泛函以及调整后的聚类分割点与边缘检测函数对所述对比增强处理因子进行调整。
在本发明实施例中，同样的，与前述优化聚类分割点参数的步骤相似，需要将调整后的聚类分割点与边缘检测函数视为常数，则通过最速下降法可以推导出u(x,t)有如下演化方程：
对方程
需通过两步法来求解，两步法求解的主要流程如下：
第一步：
在初始值u(x,t＝0)＝un的情况下，我们得到u关于某个时间T1的第一个中间解，用un+1,1＝u(x,T1)表示之后，对子问题采用有限差分的方法进行数值求解：
求解上述公式可得：
第二步：
初始值u(x,t＝0)＝un+1,1的情况下，我们得到u关于某个时间T2的第二个中间解，用un+1,2＝u(x,T2)表示，并再次利用有限差分法得到：
求解上述公式可得：
如图5所示，在一个实施例中，提供了一种X光图像边缘检测装置，具体可以包括X图像获取单元510、X光图像边缘检测模型初始化单元520、X光图像边缘检测结果待确认图像生成单元530、X光图像边缘检测结果待确认图像判断单元540、参数调整单元550以及X光图像边缘检测结果图像确定单元560。
所述X图像获取单元510，用于获取X光图像。
在本发明实施例中，X光图像是以函数f(y),y∈Ω的形式存在，其中Ω为X光图像区域，函数值为X光图像中各点对应的像素值。
所述X光图像边缘检测模型初始化单元520，用于基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型，所述可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子。
在本发明实施例中，所述可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子。
在本发明实施例中，所述X光图像边缘检测模型包括对X光图像进行处理的三个子模型，分别为包括正则化与对比增强处理因子的正则化与对比增强处理子模型，包括聚类分割点的分割处理子模型对以及包括边缘检测函数的边缘检测子模型。
所述X光图像边缘检测结果待确认图像生成单元530，用于根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像。
在本发明实施例中，所述X光图像边缘检测模型包括的三个子模型依次对X光图像进行处理即可生成X光图像边缘检测结果待确认图像。
在本发明实施例中，所述X光图像边缘检测结果待确认图像生成单元的具体结构请参阅图6及其解释说明。
所述X光图像边缘检测结果待确认图像判断单元540，用于判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求。
在本发明实施例中，可以通过人工的形式确定所述X光图像边缘检测结果待确认图像是否满足要求，例如通过观察X光图像边缘检测结果待确认图像中标识出的X光图像边缘部分，也可以通过公式的形式提供一种可以衡量X光图像边缘检测结果待确认图像质量好坏的判断公式，根据公式计算出的结果确定X光图像边缘检测结果待确认图像是否满足要求，本发明在此不作限制。
所述参数调整单元550，用于当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述X光图像边缘检测结果待确认图像生成单元530。
在本发明实施例中，当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，表明此时建立的X光图像边缘检测模型不够理想，基于梯度下降法，可以优化调整X光图像边缘检测模型中各参数数值，从而对X光图像边缘检测模型进行优化，并重新根据优化后的X光图像边缘检测模型生成X光图像边缘检测结果待确认图像。
所述X光图像边缘检测结果图像确定单元560，用于当判断所述X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
在本发明实施例中，当对X光图像边缘检测模型进行数次优化后，此时若生成的X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求时，表明此时的X光图像边缘检测结果待确认图像相对较为理想，此时即可将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像，并输出。用户即可获取到相应的X光图像边缘检测结果图像。
本发明实施例提供的X光图像边缘检测装置，在获取X光图像后，先基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型，其中可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子，再将所述X光图像输入至X光图像边缘检测模型中生成X光图像边缘检测结果待确认图像，然后通过判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求，当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，生成调整后的X光图像边缘检测模型，并再次根据X光图像与X光图像边缘检测模型生成新的X光图像边缘检测结果待确认图像，直到新的X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求后，此时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。本发明实施例提供的一种X光图像边缘检测方法，能够有效地将X光图像中的各组织之间的边缘圈画出来，能够帮助医生进行诊断，有效地提高了医生对疾病的诊断准确率以及诊断效率。
如图6所示，在一个实施例中，X光图像边缘检测结果待确认图像生成单元530具体包括：正则化与对比增强处理模块631、分割处理模块632以及边缘检测处理模块633。
所述正则化与对比增强处理模块631，用于根据含有正则化与对比增强处理因子的正则化与对比增强处理子模型对所述X光图像进行正则化与对比增强处理，生成对比增强X光图像。
在本发明实施例中，所述正则化与对比增强处理因子设为u，此时，我可们以采用总变差(TV)对原始X光图像f(x)进行正则化处理，采用拉伸图像的保真来增强图像的对比度，即可生成经过正则化与对比增强处理的对比增强X光图像图像u(y)。
所述分割处理模块632，用于根据含有聚类分割点的分割处理子模型对所述对比增强X光图像进行分割处理，生成分割X光图像。
在本发明实施例中，假设图像u(y)服从局部高斯分布，即在一个很小的领域范围内，服从高斯分布。设Ω1和Ω2分别是输入图像的目标区域和背景区域，Ωx是一个对于灰度点x的η-邻域，则：
对于
对于
其中，所述c1,c2即分别为目标区域以及背景区域的聚类分割点，对于不同的c1,c2，则分割出来后的分割X光图像不同。
所述边缘检测处理模块633，用于根据含有边缘检测函数的边缘检测子模型所述分割X光图像进行边缘检测处理，生成X光图像边缘检测结果待确认图像。
在本发明实施例中，所述边缘检测函数设为φ(y)，其中φ(y)的函数表达式为：
如图7所示，在一个实施例中，提供了一种X光图像边缘检测装置，其与图5所示的装置的区别在于，所述X光图像边缘检测结果待确认图像判断单元540具体为X光图像边缘检测结果待确认图像判断单元710、所述参数调整单元550具体为参数调整单元720，所述X光图像边缘检测结果图像确定单元560具体为X光图像边缘检测结果图像确定单元730。
所述X光图像边缘检测结果待确认图像判断单元710，用于判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求。
在本发明实施例中，提供了一种可以衡量X光图像边缘检测结果待确认图像质量好坏的判断公式，具体公式如下：
其中，所述Ε(u,c1,c2,φ)即为能量泛函，具体包括三个处理过程中的能量损失，所述∫Ω∫ΩG(x,y)(1-K(u(y),c1))H(φ(y))dydx+∫Ω∫ΩG(x,y)(1-K(u(y),c2))(1-H(φ(y)))dydx为图像分割损失，所述
为图像边缘检测损失，所述
为对比增强损失。
进一步的，对于图像分割损失，所述G(x)是Ωx的指标函数，定义如下：
K(u(y),ci)是高斯径向基函数，定义为
(1-K(u(y),ci)),i＝1,2是基于u(y)和ci之间的高斯核度量，它可以自适应强调各个灰度点强度值对聚类中心的贡献，当u(y)的值越靠近ci时，1-K(u(y),ci)的取值就越大。
H是Heaviside函数，δ是Dirac函数，具体的定义如下：
对于图像边缘检测损失，为了演化过程中保持演化轮廓平滑并在分割结果中尽可能减少小面积区域的数量，选择曲线的弧长即
作为正则化项，而进一步为了在演化过程中保持轮廓的稳定性，我们应该将图像边缘检测函数φ(y)保持为有符号距离函数。但是，即使它被初始化为有符号距离函数，它也会在进化过程中偏离有符号距离函数。因此，我们进一步引入内部能量，也就是
作为正则项，以保持水平集函数接近有符号距离函数。
对于对比增强损失，
是图像u(y)的弱梯度，用于去除X光图像的噪声以及部分灰度不均，因此
主要用于确定正则化处理的损失，而|u(y)-βf(y)|2是图像保真项，β一般选择为β＞1，用于增强u(y)的对比度，因此∫Ω|u(y)-βf(y)|2dy主要用于确定对比增强的损失。
所述参数调整单元720，用于当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述X光图像边缘检测结果待确认图像生成单元530。
所述X光图像边缘检测结果图像确定单元730，用于当判断所述X光图像边缘检测结果待确认图像的能量泛函满足预设的条件时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
如图8所示，在一个实施例中，参数调整单元550具体包括聚类分割点调整模块851、边缘检测函数调整模块852以及对比增强处理因子调整模块853。
所述聚类分割点调整模块851，用于基于所述能量泛函以及所述边缘检测函数与正则化与对比增强处理因子对所述聚类分割点进行调整。
所述边缘检测函数调整模块852，用于基于所述能量泛函、正则化与对比增强处理因子以及调整后的聚类分割点对所述边缘检测函数进行调整。
所述对比增强处理因子调整模块853，用于基于所述能量泛函以及调整后的聚类分割点与边缘检测函数对所述对比增强处理因子进行调整。
在本发明实施例中，所述聚类分割点调整模块851、边缘检测函数调整模块852以及对比增强处理因子调整模块853分别用于执行前述所述的步骤S402、S404以及S406，为避免重复，请参阅前述步骤S402、S404以及S406，在此不再赘述。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取X光图像；
基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型，所述可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子；
根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像；
判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求；
当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像的步骤；
当判断所述X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取X光图像；
基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型，所述可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子；
根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像；
判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求；
当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像的步骤；
当判断所述X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种X光图像边缘检测方法，其特征在于，包括：
获取X光图像；
基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型，所述可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子；
根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像；
判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求；
当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像的步骤；
当判断所述X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
2.根据权利要求1所述的X光图像边缘检测方法，其特征在于，所述根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像的步骤具体包括：
根据含有正则化与对比增强处理因子的正则化与对比增强处理子模型对所述X光图像进行正则化与对比增强处理，生成对比增强X光图像；
根据含有聚类分割点的分割处理子模型对所述对比增强X光图像进行分割处理，生成分割X光图像；
根据含有边缘检测函数的边缘检测子模型所述分割X光图像进行边缘检测处理，生成X光图像边缘检测结果待确认图像。
3.根据权利要求1所述的X光图像边缘检测方法，其特征在于，所述判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求，具体为：
判断所述X光图像边缘检测结果待确认图像的能量泛函是否满足预设的条件；
所述当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像的步骤，具体为：
当判断所述X光图像边缘检测结果待确认图像的能量泛函不满足预设的条件时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像的步骤；
所述当判断所述X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像，具体为：
当判断所述X光图像边缘检测结果待确认图像的能量泛函满足预设的条件时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
4.根据权利要求3所述的X光图像边缘检测方法，其特征在于，所述基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整的步骤具体包括：
基于所述能量泛函以及所述边缘检测函数与正则化与对比增强处理因子对所述聚类分割点进行调整；
基于所述能量泛函、正则化与对比增强处理因子以及调整后的聚类分割点对所述边缘检测函数进行调整；
基于所述能量泛函以及调整后的聚类分割点与边缘检测函数对所述对比增强处理因子进行调整。
5.一种X光图像边缘检测装置，其特征在于，包括：
X图像获取单元，用于获取X光图像；
X光图像边缘检测模型初始化单元，用于基于交替迭代算法建立含有可变参数的初始化的X光图像边缘检测模型，所述可变参数包括聚类分割点、边缘检测函数以及正则化与对比增强处理因子；
X光图像边缘检测结果待确认图像生成单元，用于根据所述X光图像以及所述X光图像边缘检测模型生成X光图像边缘检测结果待确认图像；
X光图像边缘检测结果待确认图像判断单元，用于判断所述X光图像边缘检测结果待确认图像是否满足预设的边缘检测结果图像要求；
参数调整单元，用于当判断所述X光图像边缘检测结果待确认图像不满足预设的边缘检测结果图像要求时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述X光图像边缘检测结果待确认图像生成单元；以及
X光图像边缘检测结果图像确定单元，用于当判断所述X光图像边缘检测结果待确认图像满足预设的边缘检测结果图像要求时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
6.根据权利要求5所述的X光图像边缘检测装置，其特征在于，所述X光图像边缘检测结果待确认图像生成单元具体包括：
正则化与对比增强处理模块，用于根据含有正则化与对比增强处理因子的正则化与对比增强处理子模型对所述X光图像进行正则化与对比增强处理，生成对比增强X光图像；
分割处理模块，用于根据含有聚类分割点的分割处理子模型对所述对比增强X光图像进行分割处理，生成分割X光图像；以及
边缘检测处理模块，用于根据含有边缘检测函数的边缘检测子模型所述分割X光图像进行边缘检测处理，生成X光图像边缘检测结果待确认图像。
7.根据权利要求5所述的X光图像边缘检测装置，其特征在于，所述X光图像边缘检测结果待确认图像判断单元，用于判断所述X光图像边缘检测结果待确认图像的能量泛函是否满足预设的条件；
所述参数调整单元，用于当判断所述X光图像边缘检测结果待确认图像的能量泛函不满足预设的条件时，基于梯度下降法对所述X光图像边缘检测模型中的可变参数进行调整，并返回至所述X光图像边缘检测结果待确认图像生成单元；
所述X光图像边缘检测结果图像确定单元，用于当判断所述X光图像边缘检测结果待确认图像的能量泛函满足预设的条件时，将所述X光图像边缘检测结果待确认图像确定为X光图像边缘检测结果图像。
8.根据权利要求7所述的X光图像边缘检测装置，其特征在于，所述参数调整单元具体包括：
聚类分割点调整模块，用于基于所述能量泛函以及所述边缘检测函数与正则化与对比增强处理因子对所述聚类分割点进行调整；
边缘检测函数调整模块，用于基于所述能量泛函、正则化与对比增强处理因子以及调整后的聚类分割点对所述边缘检测函数进行调整；
对比增强处理因子调整模块，用于基于所述能量泛函以及调整后的聚类分割点与边缘检测函数对所述对比增强处理因子进行调整。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述X光图像边缘检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述X光图像边缘检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319640.1A CN111833364A (zh) | 2019-04-19 | 2019-04-19 | X光图像边缘检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319640.1A CN111833364A (zh) | 2019-04-19 | 2019-04-19 | X光图像边缘检测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111833364A true CN111833364A (zh) | 2020-10-27 |
Family
ID=72911508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910319640.1A Pending CN111833364A (zh) | 2019-04-19 | 2019-04-19 | X光图像边缘检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111833364A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102014205447A1 (de) * | 2014-03-24 | 2015-09-24 | Smiths Heimann Gmbh | Detektion von Gegenständen in einem Objekt |
| CN109544657A (zh) * | 2018-12-05 | 2019-03-29 | 上海联影医疗科技有限公司 | 医学图像迭代重建方法、装置、计算机设备和存储介质 |
-
2019
- 2019-04-19 CN CN201910319640.1A patent/CN111833364A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102014205447A1 (de) * | 2014-03-24 | 2015-09-24 | Smiths Heimann Gmbh | Detektion von Gegenständen in einem Objekt |
| CN109544657A (zh) * | 2018-12-05 | 2019-03-29 | 上海联影医疗科技有限公司 | 医学图像迭代重建方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829894B (zh) | 分割模型训练方法、oct图像分割方法、装置、设备及介质 | |
| WO2022089221A1 (zh) | 医学图像分割方法、装置、设备、系统及计算机存储介质 | |
| Kanwal et al. | Region based adaptive contrast enhancement of medical X-ray images | |
| Teuber et al. | A new similarity measure for nonlocal filtering in the presence of multiplicative noise | |
| CN110853024B (zh) | 医疗图像处理方法、装置、存储介质及电子设备 | |
| CN111047544B (zh) | 一种基于非线性退化模型的饱和图像去模糊方法 | |
| CN111666890B (zh) | 脊柱变形人群识别方法、装置、计算机设备及存储介质 | |
| Yang et al. | A weighted bounded Hessian variational model for image labeling and segmentation | |
| Chen et al. | Fast linearized alternating direction minimization algorithm with adaptive parameter selection for multiplicative noise removal | |
| Lan et al. | Image denoising using non-local fuzzy means | |
| Karnaukhov et al. | Restoration of noisy multispectral images with a geodetic distance filter | |
| Vegas-Sánchez-Ferrero et al. | Statistical characterization of noise for spatial standardization of CT scans: enabling comparison with multiple kernels and doses | |
| CN111833364A (zh) | X光图像边缘检测方法、装置、计算机设备和存储介质 | |
| Araújo et al. | Cross-diffusion systems for image processing: II. The nonlinear case | |
| CN111028241B (zh) | 一种多尺度血管增强的水平集分割系统与方法 | |
| Galiano et al. | Non-convex non-local reactive flows for saliency detection and segmentation | |
| Barbeiro et al. | Learning stable nonlinear cross-diffusion models for image restoration | |
| Kipele et al. | Poisson noise reduction with nonlocal-pca hybrid model in medical x-ray images | |
| Chan et al. | Pixel filtering and reallocation with histograms of second-order derivatives of pixel values for electron microscope images | |
| Rani | A novel mathematical morphology based edge detection method for medical images | |
| CN109658416A (zh) | Sar图像海陆分割方法、装置、计算机设备和可读存储介质 | |
| Matsopoulos | Medical imaging correction: A comparative study of five contrast and brightness matching methods | |
| CN115797186A (zh) | 一种图像修复方法、装置、电子设备及存储介质 | |
| CN111881907B (zh) | 一种边框回归的定位方法、装置和电子设备 | |
| Zhao et al. | Non-blind image deblurring from a single image |
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 |