CN112200738A - 形状的突起识别方法、装置以及计算机设备 - Google Patents
形状的突起识别方法、装置以及计算机设备 Download PDFInfo
- Publication number
- CN112200738A CN112200738A CN202011055582.5A CN202011055582A CN112200738A CN 112200738 A CN112200738 A CN 112200738A CN 202011055582 A CN202011055582 A CN 202011055582A CN 112200738 A CN112200738 A CN 112200738A
- Authority
- CN
- China
- Prior art keywords
- contour
- point
- shape
- points
- contour point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000009499 grossing Methods 0.000 claims abstract description 31
- 238000010606 normalization Methods 0.000 claims abstract description 27
- 239000003086 colorant Substances 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 14
- 210000001685 thyroid gland Anatomy 0.000 description 14
- 238000007726 management method Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 206010054107 Nodule Diseases 0.000 description 2
- 208000024770 Thyroid neoplasm Diseases 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 201000002510 thyroid cancer Diseases 0.000 description 2
- 208000027031 thyroid symptom Diseases 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种形状的突起识别方法、装置以及计算机设备,其中方法包括:获取含有形状的图片;对所述图片进行归一化处理得到长宽相等的目标图片;将轮廓点用坐标进行表示,并根据坐标标记的各轮廓点求得所述目标图片中形状的轮廓周长;将所述形状进行平滑处理,计算每个轮廓点所对应的曲率,并根据所述曲率识别所述形状的突起。本发明的有益效果:通过对含有形状的图片进行归一化处理、平滑处理,计算曲率等,得到每个轮廓点的曲率,再根据曲率得到形状的突起的数目,从而实现通过机器识别形状的突起,加快了识别的速度,并且给出了一个确定的判断规则,使判断结果更具标准化。本发明适用于智慧医疗领域,可进一步推动智慧城市的建设。
Description
技术领域
本发明涉及智能识别领域,特别涉及一种形状的突起识别方法、装置以及计算机设备。
背景技术
根据全国癌症报告,甲状腺癌是常见肿瘤,且发病率有逐年上升的趋势。临床实践表明,早发现、早诊断、早治疗是降低甲状腺癌发病率和死亡率的关键。目前,在甲状腺诊疗方面,利用超声检查手段对甲状腺进行临床诊断是较有效的临床筛查手段。其中,恶性结节一般以不规则形状出现,而良性结节较经常为规则形状。一般地,形状规则与否的评价由医生肉眼判断。对于甲状腺形状的突起没有明确的标准,具有较大的主观因素。
发明内容
本发明的主要目的为提供一种形状的突起识别方法、装置以及计算机设备,旨在解决对于甲状腺形状的突起没有明确的标准,具有较大的主观因素的问题。
本发明提供了一种形状的突起识别方法,包括:
获取含有形状的图片;
对所述图片进行归一化处理得到长宽相等的目标图片;
通过Canny算子确定所述目标图片中的一个轮廓点作为的初始轮廓点,并对所述初始轮廓点进行坐标标记;
按照初始方向并搜索所述初始轮廓点的八邻域像素,将与所述初始轮廓点像素相同的邻域像素确定为下一个轮廓点并进行坐标标记,再根据下一个轮廓点依次搜索所述目标图片的其余轮廓点,直至搜索的轮廓点为所述初始轮廓点;其中所述初始方向为顺时针方向或逆时针方向;
将标记的轮廓点用坐标进行表示,并根据坐标标记的各轮廓点求得所述目标图片中形状的轮廓周长;
将所述形状进行平滑处理,对每个轮廓点Γ(x(μ),y(μ))进行所述平滑处理的公式为,
其中Γ(x(μ),y(μ))为当前坐标点至所述初始轮廓点的弧长为μ的轮廓点,x(μ)和y(μ)分别表示当前坐标点的横坐标和纵坐标,σ为与所述归一化处理相关的参数,X(μ,σ)、Y(μ,σ)分别代表平滑后当前坐标点的横坐标和纵坐标,x(v+μ)表示弧长偏移距离为v的横坐标,v为一个距离变量,μ表示弧长,且0≤μ≤L,L为所述轮廓周长;
通过公式计算每个轮廓点所对应的曲率,并根据所述曲率识别所述形状的突起,其中,Xμ(μ,σ)表示X(μ,σ)对μ的一阶导数,Xμμ(μ,σ)表示X(μ,σ)对μ的二阶导数,Yμ(μ,σ)表示Y(μ,σ)对μ的一阶导数,Yμμ(μ,σ)表示Y(μ,σ)对μ的二阶导数,k(μ,σ)表示所述曲率。
进一步地,所述对所述图片进行归一化处理得到长宽相等的目标图片的步骤,包括:
将所述图片输入至预训练的RGB模型中,并采集所述图片中的像素点的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值,并根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值,从而获得由三种颜色构成的暂时图片;
对所述暂时图片边缘的像素点所对应的RGB颜色的数值进行提取,并统计所述三种颜色中每种颜色各自对应的所述暂时图片边缘的像素点数目;
根据所述三种颜色在所述暂时图片边缘的像素点的数目,将所述暂时图片中颜色数目较少的两种颜色所占的暂时区域提取出来;
将所述暂时区域的长边和宽边缩放成长宽相等的目标图片。
进一步地,所述根据所述曲率识别所述形状的突起的步骤,包括:
根据每个所述轮廓点的曲率,将曲率为过零点的轮廓点提取出来作为第一轮廓点,其中第一轮廓点的相邻点的曲率的乘积为负数;
提取所述第一轮廓点的a邻域两侧的离散点,所述离散点分别为Pi-a,Pi-a+1,…Pi-1和Pi+1,…Pi+a;其中Pi表示所述第一轮廓点;
将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段,将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段,然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心;
计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离,并取各计算得到的距离的平均值作为所述内切圆的半径;
判断所述内切圆的半径是否小于预设值;
若是,则判定所述第一轮廓点为所述形状的突起。
进一步地,所述判定所述第一轮廓点为所述形状的突起的步骤之后,还包括:
计算各所述轮廓点至所述内切圆的第一距离;
判断各所述第一距离与所述内切圆的半径的差值是否在预设范围内;
将差值在预设范围内对应的轮廓点提取出来,作为第二轮廓点;
根据各所述第二轮廓点求得对应的弧长,并根据预设规则获取所述弧长对应的所述形状的突起信息。
进一步地,所述将标记的轮廓点用坐标进行表示,并根据坐标标记的各轮廓点求得所述目标图片中形状的轮廓周长的步骤,包括:
获取所述目标图片中的所有像素点;
获取所述所有像素点对应的像素值;
检测每个所述像素点的像素值是否与相邻像素点的像素值都相同;
将与相邻像素点的像素值都相同的所述像素点的像素值进行累加作为第一累加值;
将所述目标图片中所有像素点的像素值进行累加得到所述第二累加值,再将所述第二累加值减去所述第一累加值得到所述轮廓周长。
统计所述形状的突起的数目,并判断所述形状的突起的数目是否超过了突起预设值;
若是,则判定所述形状具有目标特征。
本发明还提供了一种形状的突起的识别装置,包括:
图片获取模块,用于获取含有形状的图片;
归一化处理模块,用于对所述图片进行归一化处理得到长宽相等的目标图片;
初始轮廓点确定模块,用于通过Canny算子确定所述目标图片中的一个轮廓点作为初始轮廓点,并对所述初始轮廓点进行坐标标记;
八邻域像素搜索模块,用于按照初始方向并搜索所述初始轮廓点的八邻域像素,将与所述初始轮廓点像素相同的邻域像素确定为下一个轮廓点并进行坐标标记,再根据下一个轮廓点依次搜索所述目标图片的其余轮廓点,直至搜索的轮廓点为所述初始轮廓点;其中所述初始方向为顺时针方向或逆时针方向;
轮廓周长求取模块,用于将标记的轮廓点用坐标进行表示,并根据坐标标记的各轮廓点求得所述目标图片中形状的轮廓周长;
平滑处理模块,用于将所述形状进行平滑处理,对每个轮廓点Γ(x(μ),y(μ))进行所述平滑处理的公式为,
其中Γ(x(μ),y(μ))为当前坐标点至所述初始轮廓点的弧长为μ的轮廓点,x(μ)和y(μ)分别表示当前坐标点的横坐标和纵坐标,σ为与所述归一化处理相关的参数,X(μ,σ)、Y(μ,σ)分别代表平滑后当前坐标点的横坐标和纵坐标,x(ν+μ)表示弧长偏移距离为v的横坐标,v为一个距离变量,μ表示弧长,且0≤μ≤L,L为所述轮廓周长;
曲率计算模块,用于通过公式计算每个轮廓点所对应的曲率,并根据所述曲率识别所述形状的突起,其中,Xμ(μ,σ)表示X(μ,σ)对μ的一阶导数,Xμμ(μ,σ)表示X(μ,σ)对μ的二阶导数,Yμ(μ,σ)表示Y(μ,σ)对μ的一阶导数,Yμμ(μ,σ)表示Y(μ,σ)对μ的二阶导数,k(μ,σ)表示所述曲率。
进一步地,所述归一化处理模块包括:
暂时图片获取子模块,用于将所述图片输入至预训练的RGB模型中,并采集所述图片中的像素点的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值,并根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值,从而获得由三种颜色构成的暂时图片;
像素点数目统计子模块,用于对所述暂时图片边缘的像素点所对应的RGB颜色的数值进行提取,并统计所述三种颜色中每种颜色各自对应的所述暂时图片边缘的像素点数目;
暂时区域提取子模块,用于根据所述三种颜色在所述暂时图片边缘的像素点的数目,将所述暂时图片中颜色数目较少的两种颜色所占的暂时区域提取出来;
缩放子模块,用于将所述暂时区域的长边和宽边缩放成长宽相等的目标图片。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的有益效果:通过对含有形状的图片进行归一化处理、平滑处理,计算曲率等,得到每个形状轮廓点的曲率,再根据曲率得到形状的突起的数目,从而实现通过机器识别形状的突起,加快了识别的速度,并且给出了一个确定的判断规则,使判断结果更具标准化。
附图说明
图1是本发明一实施例的一种形状的突起的识别方法的流程示意图;
图2是本发明一实施例的一种形状的突起的识别装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参见图1,本发明提出一种形状的突起识别方法,包括:
S1:获取含有形状的图片;
S2:对所述图片进行归一化处理得到长宽相等的目标图片;
S3:通过Canny算子确定所述目标图片中的一个轮廓点作为初始轮廓点,并对所述初始轮廓点进行坐标标记;
S4:按照一个初始方向并搜索所述初始轮廓点的八邻域像素,将与所述初始轮廓点像素相同的邻域像素确定为下一个轮廓点并进行坐标标记,再根据下一个轮廓点依次搜索所述目标图片的其余轮廓点,直至搜索的轮廓点为所述初始轮廓点;其中所述初始方向为顺时针方向或逆时针方向;
S5:将标记的轮廓点用坐标进行表示,并根据坐标标记的各轮廓点求得所述目标图片中形状的轮廓周长;
S6:将所述形状进行平滑处理,对每个轮廓点Γ(x(μ),y(μ))进行所述平滑处理的公式为,
其中Γ(x(μ),y(μ))为当前坐标点至所述初始轮廓点的弧长为μ的轮廓点,x(μ)和y(μ)分别表示当前坐标点的横坐标和纵坐标,σ为与所述归一化处理相关的参数,X(μ,σ)、Y(μ,σ)分别代表平滑后当前坐标点的横坐标和纵坐标,x(ν+μ)表示弧长偏移距离为v的横坐标,v为一个距离变量,μ表示弧长,且0≤μ≤L,L为所述轮廓周长;
S7:通过公式计算每个轮廓点所对应的曲率,并根据所述曲率识别所述形状的突起,其中,Xμ(μ,σ)表示X(μ,σ)对μ的一阶导数,Xμμ(μ,σ)表示X(μ,σ)对μ的二阶导数,Yμ(μ,σ)表示Y(μ,σ)对μ的一阶导数,Yμμ(μ,σ)表示Y(μ,σ)对μ的二阶导数,k(μ,σ)表示所述曲率。
如上述步骤S1所述,获取含有形状的图片,该图片可以通过判断图片中是否具有形状来获取,判断的方式,可以是通过形状识别模型进行识别判断,该形状识别模型基于不同的形状图片进行训练得到。也可以不用识别,因为在对形状一次识别判断中,只会输入一张或者少数几张照片。另外,若形状是甲状腺的轮廓曲线,其导入的图片会经过医生或者患者的确认,很难输入其他图片。在一些实施例中,也可以是将与拍摄甲状腺的仪器进行数据连接,直接接收甲状腺超声检测的图片。
如上述步骤S2所述,为了便于对图片进行更好的识别处理,可以对图片进行缩放,剪裁等归一化处理,使检测的目标图片大小规格保持一致。优选地,可以先识别出形状的轮廓,由于形状的突起的检测是通过形状的轮廓进行识别,而不需要形状的其他图片信息,故而在识别出轮廓之后,可以将形状的轮廓提取出来进行识别,然后再基于形状的轮廓将图片中的其余部分进行裁剪,然后针对轮廓的长宽进行缩放,使长宽保持一致,例如可以将长边和短边都缩放成128个像素点,得到目标图片。
如上述步骤S3所述,通过Canny算子确定初始轮廓点,即从形状的轮廓上选取一点作为初始轮廓点,然后通过坐标对初始轮廓点进行标记,例如,可以将该初始轮廓点作为坐标原点,以便于后续计算,当然,也可以用其他坐标点来进行标记,通过标记可以迅速定位到这个点即可。
如上述步骤S4所述,从顺时针方向或者逆时针方向,搜索初始轮廓点的八邻域像素,搜索八邻域像素时,初始轮廓点将搜索到的第一个符合要求的像素作为下一个轮廓点,然后将搜索到的下一个轮廓点作为当前轮廓点,并按照上述选定的方向继续搜索下一个轮廓点,依次搜索直至搜索到的轮廓点为初始轮廓点,在搜索过程中通过坐标为每个轮廓点进行标记,由此可以得知每个轮廓点的坐标。
如上述步骤S5所述,将标记的轮廓点用坐标进行表示,然后根据标记的各轮廓点求出对应的轮廓周长,例如可以通过微积分的方式将各个点之间的坐标距离进行累加得到,也可以通过其他方式进行求出。
如上述步骤S6所述,由于图片原本就或多或少的具有一些图像噪声,又经过了归一化处理,也会产生图片噪声,因此需要对目标图片进行平滑处理,使平滑的噪声不失真,先将每个轮廓点写成参数形式Γ(x(μ),y(μ)),然后对横坐标和纵坐标分别进行卷积,平滑处理的公式为,
消除归一化和图片本身携带的一些伪凸起,从而减少误差。需要注意的是,平滑后可能会将一些点移动,使闭合的轮廓曲线没有闭合,因此需要通过上述八邻域的检测方式再次得到闭合的曲线,当然在结节的判断过程中,也不需要用到闭合的曲线,因此也可以不用进行此项操作。
如上述步骤S7所述,通过公式计算每个轮廓点的曲率,如果一个轮廓点的相邻点曲率正好经历了正负值的变换,则说明此点为轮廓上由凹变凸(/由凸变凹)的转折点,这种点在数学上称作过零点。可以将该过零点视为一个形状的突起,当然,有一些过零点对应的轮廓点两端的曲线是很平滑的,这种不能算作形状的突起,因此也可以进行进一步地判断,将这部分的过零点过滤掉。
在一个实施例中,所述对所述图片进行归一化处理得到长宽相等的目标图片的步骤S2,包括:
S201:将所述图片输入至预训练的RGB模型中,并采集所述图片中的像素点的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值,并根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值,从而获得由三种颜色构成的暂时图片;
S202:对所述暂时图片边缘的像素点所对应的RGB颜色的数值进行提取,并统计所述三种颜色中每种颜色各自对应的所述暂时图片边缘的像素点数目;
S203:根据所述三种颜色在所述暂时图片边缘的像素点的数目,将所述暂时图片中颜色数目较少的两种颜色所占的暂时区域提取出来;
S204:将所述暂时区域的长边和宽边缩放成长宽相等的目标图片。
如上述步骤S201-S204所述,实现了通过三值化法将轮廓提取出来,为了更好的将图片中形状轮廓提取出来,可以现将每个像素点RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值,从而获得由三种颜色构成的暂时图片,由于边缘一般不会有形状,包含形状的图片不可能只含有形状的局部,因此,可以对边缘的像素点进行检测,然后可以确定该边缘的像素点的颜色,然后将三值化后的图片中该颜色对应的像素点都删除,得到形状轮廓大小的图片,再根据形状的轮廓大小将暂时区域的长边和宽边都缩放成长宽相等的目标图片。
在一个实施例中,所述根据所述曲率识别所述形状的突起的步骤S7,包括:
S701:根据每个所述轮廓点的曲率,将曲率为过零点的轮廓点提取出来作为第一轮廓点,其中,第一轮廓点的相邻点的曲率的乘积为负数;
S702:提取所述第一轮廓点的a邻域两侧的离散点,所述离散点分别为Pi-a,Pi-a+1,…Pi-1和Pi+1,…Pi+a;其中Pi表示所述第一轮廓点;
S703:将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段,将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段,然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心;
S704:计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离,并取各计算得到的距离的平均值作为所述内切圆的半径;
S705:判断所述内切圆的半径是否小于预设值;
S706:若是,则判定所述第一轮廓点为所述形状的突起。
如上述步骤S701-S706所述,如果一个轮廓点的相邻点曲率正好经历了正负值的变换,则说明此点为轮廓上由凹变凸(/由凸变凹)的转折点,这种点在数学上称作过零点。可以将该过零点视为一个形状的突起,当然,有一些过零点对应的轮廓点两端的曲线是很平滑的,这种不能算作形状的突起,因此也可以进行进一步地判断,将这部分的过零点过滤掉。过滤的方法可以是通过计算每个过零点对应的内切圆半径,计算的方式为通过周围的离散点,该离散点也是形状的轮廓点,然后将第一线段和第二线段的中垂线交点作为圆心,然后以每个离散点到该圆心的距离的平均值作为内切圆的半径,从而求得内切圆的半径。再根据内切圆的半径筛选出符合要求的过零点作为形状的突起,然后统计个数,得到最终的形状的突起数目。
在一个实施例中,所述判定所述第一轮廓点为所述形状的突起的步骤S706之后,还包括:
S7071:计算各所述轮廓点至所述内切圆的第一距离;
S7072:判断各所述第一距离与所述内切圆的半径的差值是否在预设范围内;
S7073:将差值在预设范围内对应的轮廓点提取出来,作为第二轮廓点;
S7074:根据各所述第二轮廓点求得对应的弧长,并根据预设规则获取所述弧长对应的所述形状的突起的信息。
如上述步骤S7071-S7074所述,在甲状腺症状判断过程中,每个结节的弧长也是非常重要的判断依据,因此可以将第一距离与内切圆半径的差值在预设范围内的轮廓点提取出来作为第二轮廓点然后再将第二轮廓点之间的距离进行累加得到该内切圆对应的弧长,再根据弧长获取形状的突起的信息,以便于对形状进行判定。
在一个实施例中,所述将标记的轮廓点用坐标进行表示,并根据坐标标记的各轮廓点求得所述目标图片中形状的轮廓周长的步骤S5,包括:
S501:获取所述目标图片中的所有像素点;
S502:获取所述所有像素点对应的像素值;
S503:检测每个所述像素点的像素值是否与相邻像素点的像素值都相同;
S504:将与相邻像素点的像素值都相同的所述像素点的像素值进行累加作为第一累加值;
S505:将所述目标图片中所有像素点的像素值进行累加得到所述第二累加值,将所述第二累加值减去所述第一累加值得到所述轮廓周长。
如上述步骤S501-S505所述,计算轮廓周长的一种计算方式可以是,先获取到目标图片中所有的像素点,然后获取对应的像素值,由于不是轮廓边缘的点,其相邻像素点的像素值都是相同的,故而可以相邻像素值都相同的像素点对应的像素值进行累加得到第一累加值,再将目标图片中所有的像素值进行累加得到第二累加值,将第二累加值减去第一累加值得到轮廓的周长。
S811:统计所述形状的突起的数目,并判断所述形状的突起的数目是否超过了突起预设值;
S812:若是,则判定所述形状具有目标特征。
如上述步骤S811-S812所述,当统计的形状的突起的数目超过了突起预设值,可以认为其具有目标特征,其中结节预设值为事先设定的值,当超过这个值时,表明很有可能具有目标特征对应的症状,此时,可以根据形状的突起的弧长进行进一步判定,当形状为甲状腺的轮廓时,也可以将该图片发送给对应的主治医生进行进一步地判定。
参照图2,本发明提出一种形状的突起的识别装置,包括:
图片获取模块10,用于获取含有形状的图片;
归一化处理模块20,用于对所述图片进行归一化处理得到长宽相等的目标图片;
初始轮廓点确定模块30,用于通过Canny算子确定所述目标图片中的一个轮廓点作为初始轮廓点,并对所述初始轮廓点进行坐标标记;
八邻域像素搜索模块40,用于按照初始方向并搜索所述初始轮廓点的八邻域像素,将与所述初始轮廓点像素相同的邻域像素确定为下一个轮廓点并进行坐标标记,再根据下一个轮廓点依次搜索所述目标图片的其余轮廓点,直至搜索的轮廓点为所述初始轮廓点;其中所述初始方向为顺时针方向或逆时针方向;
轮廓周长求取模块50,用于将标记的轮廓点用坐标进行表示,并根据坐标标记的各轮廓点求得所述目标图片中形状的轮廓周长;
平滑处理模块60,用于将所述形状进行平滑处理,对每个轮廓点Γ(x(μ),y(μ))进行所述平滑处理的公式为,
其中Γ(x(μ),y(μ))为当前坐标点至所述初始轮廓点的弧长为μ的轮廓点,x(μ)和y(μ)分别表示当前坐标点的横坐标和纵坐标,σ为与所述归一化处理相关的参数,X(μ,σ)、Y(μ,σ)分别代表平滑后当前坐标点的横坐标和纵坐标,x(ν+μ)表示弧长偏移距离为ν的横坐标,ν为一个距离变量,μ表示弧长,且0≤μ≤L,L为所述轮廓周长;
曲率计算模块70,用于通过公式计算每个轮廓点所对应的曲率,并根据所述曲率识别所述形状的突起,其中,Xμ(μ,σ)表示X(μ,σ)对μ的一阶导数,Xμμ(μ,σ)表示X(μ,σ)对μ的二阶导数,Yμ(μ,σ)表示Y(μ,σ)对μ的一阶导数,Yμμ(μ,σ)表示Y(μ,σ)对μ的二阶导数,k(μ,σ)表示所述曲率。
获取含有形状的图片,该图片可以通过判断图片中是否具有形状来获取,判断的方式,可以是通过形状识别模型进行识别判断,该形状识别模型基于不同的形状图片进行训练得到。也可以不用识别,因为在对形状一次识别判断中,只会输入一张或者少数几张照片。另外,若形状是甲状腺的轮廓曲线,其导入的图片会经过医生或者患者的确认,很难输入其他图片。在一些实施例中,也可以是将与拍摄甲状腺的仪器进行数据连接,直接接收甲状腺超声检测的图片。
为了便于对图片进行更好的识别处理,可以对图片进行缩放,剪裁等归一化处理,使检测的目标图片大小规格保持一致。优选地,可以先识别出形状的轮廓,由于形状的突起的检测是通过形状的轮廓进行识别,而不需要形状的其他图片信息,故而在识别出轮廓之后,可以将形状的轮廓提取出来进行识别,然后再基于形状的轮廓将图片中的其余部分进行裁剪,然后针对轮廓的长宽进行缩放,使长宽保持一致,例如可以将长边和短边都缩放成128个像素点,得到目标图片。
通过Canny算子确定初始轮廓点,即从形状的轮廓上选取一点作为初始轮廓点,然后通过坐标对初始轮廓点进行标记,例如,可以将该初始轮廓点作为坐标原点,以便于后续计算,当然,也可以用其他坐标点来进行标记,通过标记可以迅速定位到这个点即可。
从顺时针方向或者逆时针方向,搜索初始轮廓点的八邻域像素,搜索八邻域像素时,初始轮廓点将搜索到的第一个符合要求的像素作为下一个轮廓点,然后将搜索到的下一个轮廓点作为当前轮廓点,并按照上述选定的方向继续搜索下一个轮廓点,依次搜索直至搜索到的轮廓点为初始轮廓点,在搜索过程中通过坐标为每个轮廓点进行标记,由此可以得知每个轮廓点的坐标。
将标记的轮廓点用坐标进行表示,然后根据标记的各轮廓点求出对应的轮廓周长,例如可以通过微积分的方式将各个点之间的坐标距离进行累加得到,也可以通过其他方式进行求出。
由于图片原本就或多或少的具有一些图像噪声,又经过了归一化处理,也会产生图片噪声,因此需要对目标图片进行平滑处理,使平滑的噪声不失真,先将每个轮廓点写成参数形式Γ(x(μ),y(μ)),然后对横坐标和纵坐标分别进行卷积,平滑处理的公式为,
消除归一化和图片本身携带的一些伪凸起,从而减少误差。需要注意的是,平滑后可能会将一些点移动,使闭合的轮廓曲线没有闭合,因此需要通过上述八邻域的检测方式再次得到闭合的曲线,当然在结节的判断过程中,也不需要用到闭合的曲线,因此也可以不用进行此项操作。
通过公式计算每个轮廓点的曲率,如果一个轮廓点的相邻点曲率正好经历了正负值的变换,则说明此点为轮廓上由凹变凸(/由凸变凹)的转折点,这种点在数学上称作过零点。可以将该过零点视为一个形状的突起,当然,有一些过零点对应的轮廓点两端的曲线是很平滑的,这种不能算作形状的突起,因此也可以进行进一步地判断,将这部分的过零点过滤掉。
在一个实施例中,归一化处理模块20,包括:
暂时图片获取子模块,用于将所述图片输入至预训练的RGB模型中,并采集所述图片中的像素点的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值,并根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值,从而获得由三种颜色构成的暂时图片;
像素点数目统计子模块,用于对所述暂时图片边缘的像素点所对应的RGB颜色的数值进行提取,并统计所述三种颜色中每种颜色各自对应的所述暂时图片边缘的像素点数目;
暂时区域提取子模块,用于根据所述三种颜色在所述暂时图片边缘的像素点的数目,将所述暂时图片中颜色数目较少的两种颜色所占的暂时区域提取出来;
缩放子模块,用于将所述暂时区域的长边和宽边缩放成长宽相等的目标图片。
为了更好的将图片中形状轮廓提取出来,可以现将每个像素点RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值,从而获得由三种颜色构成的暂时图片,由于边缘一般不会有形状,包含形状的图片不可能只含有形状,因此,可以对边缘的像素点进行检测,然后可以确定该边缘的像素点的颜色,然后将三值化后的图片中该颜色对应的像素点都删除,得到甲状腺轮廓大小的图片,再根据甲状腺的轮廓大小将暂时区域的长边和宽边都缩放成长宽相等的目标图片。
在一个实施例中,曲率计算模块70,包括:
第一轮廓点提取子模块,用于根据每个所述轮廓点的曲率,将曲率为过零点的轮廓点提取出来作为第一轮廓点,其中第一轮廓点的相邻点的曲率的乘积为负数;
离散点提取子模块,用于提取所述第一轮廓点的a邻域两侧的离散点,所述离散点分别为Pi-a,Pi-a+1,…Pi-1和Pi+1,…Pi+a;其中Pi表示所述第一轮廓点;
圆心计算子模块,用于将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段,将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段,然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心;
半径计算子模块,用于计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离,并取各计算得到的距离的平均值作为所述内切圆的半径;
半径判断子模块,用于判断所述内切圆的半径是否小于预设值;
形状的突起判定子模块,用于若是,则判定所述第一轮廓点为所述形状的突起。
如果一个轮廓点的相邻点曲率正好经历了正负值的变换,则说明此点为轮廓上由凹变凸(/由凸变凹)的转折点,这种点在数学上称作过零点。可以将该过零点视为一个形状的突起,当然,有一些过零点对应的轮廓点两端的曲线是很平滑的,这种不能算作形状的突起,因此也可以进行进一步地判断,将这部分的过零点过滤掉。过滤的方法可以是通过计算每个过零点对应的内切圆半径,计算的方式为通过周围的离散点,该离散点也是形状的轮廓点,然后将第一线段和第二线段的中垂线交点作为圆心,然后以每个离散点到该圆心的距离的平均值作为内切圆的半径,从而求得内切圆的半径。再根据内切圆的半径筛选出符合要求的过零点作为形状的突起,然后统计个数,得到最终的形状的突起数目。
在一个实施例中,形状的突起识别装置,还包括:
第一距离计算模块,用于计算各所述轮廓点至所述内切圆的第一距离;
第一距离判断模块,用于判断各所述第一距离与所述内切圆的半径的差值是否在预设范围内;
轮廓点提取模块,用于将差值在预设范围内对应的轮廓点提取出来,作为第二轮廓点;
弧长求取模块,用于根据各所述第二轮廓点求得对应的弧长,并根据预设规则获取所述弧长对应的所述形状的突起的信息。
在甲状腺症状判断过程中,每个突起的弧长也是非常重要的判断依据,因此可以将第一距离与内切圆半径的差值在预设范围内的轮廓点提取出来作为第二轮廓点然后再将第二轮廓点之间的距离进行累加得到该内切圆对应的弧长,再根据弧长获取形状的突起的信息,以便于对形状进行判定。
在一个实施例中,轮廓周长求取模块50,包括:
像素点获取子模块,用于获取所述目标图片中的所有像素点;
像素值获取子模块,用于获取所述所有像素点对应的像素值;
像素值检测子模块,用于检测每个所述像素点的像素值是否与相邻像素点的像素值都相同;
第一累加值计算子模块,用于将与相邻像素点的像素值都相同的所述像素点的像素值进行累加作为第一累加值;
周长计算子模块,用于将所述目标图片中所有像素点的像素值进行累加得到所述第二累加值,将所述第二累加值减去所述第一累加值得到所述轮廓周长。
计算轮廓周长的一种计算方式可以是,先获取到目标图片中所有的像素点,然后获取对应的像素值,由于不是轮廓边缘的点,其相邻像素点的像素值都是相同的,故而可以相邻像素值都相同的像素点对应的像素值进行累加得到第一累加值,再将目标图片中所有的像素值进行累加得到第二累加值,将第二累加值减去第一累加值得到轮廓的周长。
在一个实施例中,形状的突起的识别装置,还包括:
形状的突起的数目判断模块,用于统计所述形状的突起的数目,并判断所述形状的突起的数目是否超过了突起预设值;
目标特征判定模块,用于若是,则判定所述形状具有目标特征。
当统计的形状的突起的数目超过了结节预设值,可以认为其具有目标特征,其中结节预设值为事先设定的值,当超过这个值时,表明很有可能具有目标特征对应的症状,此时,可以根据形状的突起的弧长进行进一步判定,当形状为甲状腺的轮廓时,也可以将该图片发送给对应的主治医生进行进一步地判定。
本发明的有益效果:通过对含有形状的图片进行归一化处理、平滑处理,计算曲率等,得到形状轮廓点的曲率,再根据曲率得到形状的突起的数目,从而实现通过机器识别形状的突起,加快了识别的速度,并且给出了一个确定的判断规则,使判断结果更具标准化。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种待识别的含有形状的图片等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的形状的突起识别方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时可以实现上述任一实施例所述的形状的突起识别方法。
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。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中,用户管理模块负责所有区块链参与者的身份信息管理,包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等,并且在授权的情况下,监管和审计某些真实身份的交易情况,提供风险控制的规则配置(风控审计);基础服务模块部署在所有区块链节点设备上,用来验证业务请求的有效性,并对有效请求完成共识后记录到存储上,对于一个新的业务请求,基础服务先对接口适配解析和鉴权处理(接口适配),然后通过共识算法将业务信息加密(共识管理),在加密之后完整一致的传输至共享账本上(网络通信),并进行记录存储;智能合约模块负责合约的注册发行以及合约触发和合约执行,开发人员可以通过某种编程语言定义合约逻辑,发布到区块链上(合约注册),根据合约条款的逻辑,调用密钥或者其它的事件触发执行,完成合约逻辑,同时还提供对合约升级注销的功能;运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出,例如:告警、监控网络情况、监控节点设备健康状态等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和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。非易失性存储器可以包括只读存储器(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一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlina)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。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种形状的突起识别方法,其特征在于,包括:
获取含有形状的图片;
对所述图片进行归一化处理得到长宽相等的目标图片;
通过Canny算子确定所述目标图片中的一个轮廓点作为初始轮廓点,并对所述初始轮廓点进行坐标标记;
按照初始方向搜索所述初始轮廓点的八邻域像素,将与所述初始轮廓点像素相同的邻域像素确定为下一个轮廓点并进行坐标标记,根据下一个轮廓点依次搜索所述目标图片的其余轮廓点,直至搜索的轮廓点为所述初始轮廓点;其中所述初始方向为顺时针方向或逆时针方向;
将标记的轮廓点用坐标进行表示,并根据坐标标记的各轮廓点求得所述目标图片中形状的轮廓周长;
将所述形状进行平滑处理,对每个轮廓点Γ(x(μ),y(μ))进行所述平滑处理的公式为,
其中Γ(x(μ),y(μ))为当前坐标点至所述初始轮廓点的弧长为μ的轮廓点,x(μ)和y(μ)分别表示当前坐标点的横坐标和纵坐标,σ为与所述归一化处理相关的参数,X(μ,σ)、Y(μ,σ)分别代表平滑后当前坐标点的横坐标和纵坐标,x(v+μ)表示弧长偏移距离为v的横坐标,v为一个距离变量,μ表示弧长,且0≤μ≤L,L为所述轮廓周长;
2.如权利要求1所述的形状的突起识别方法,其特征在于,所述对所述图片进行归一化处理得到长宽相等的目标图片的步骤,包括:
将所述图片输入至预训练的RGB模型中,并采集所述图片中的像素点的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值,并根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值,从而获得由三种颜色构成的暂时图片;
对所述暂时图片边缘的像素点所对应的RGB颜色的数值进行提取,并统计所述三种颜色中每种颜色各自对应的所述暂时图片边缘的像素点数目;
根据所述三种颜色在所述暂时图片边缘的像素点的数目,将所述暂时图片中颜色数目较少的两种颜色所占的暂时区域提取出来;
将所述暂时区域的长边和宽边缩放成长宽相等的目标图片。
3.如权利要求1所述的形状的突起识别方法,其特征在于,所述根据所述曲率识别所述形状的突起的步骤,包括:
根据每个所述轮廓点的曲率,将曲率为过零点的轮廓点提取出来作为第一轮廓点,其中,第一轮廓点的相邻点的曲率的乘积为负数;
提取所述第一轮廓点的a邻域两侧的离散点,所述离散点分别为Pi-a,Pi-a+1,…Pi-1和Pi+1,…Pi+a;其中Pi表示所述第一轮廓点;
将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段,将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段,然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心;
计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离,并取各计算得到的距离的平均值作为所述内切圆的半径;
判断所述内切圆的半径是否小于预设值;
若是,则判定所述第一轮廓点为所述形状的突起。
4.如权利要求3所述的形状的突起识别方法,其特征在于,所述判定所述第一轮廓点为所述形状的突起的步骤之后,还包括:
计算各所述轮廓点至所述内切圆的第一距离;
判断各所述第一距离与所述内切圆的半径的差值是否在预设范围内;
将差值在预设范围内对应的轮廓点提取出来,作为第二轮廓点;
根据各所述第二轮廓点求得对应的弧长,并根据预设规则获取所述弧长对应的所述形状的突起的信息。
5.如权利要求1所述的形状的突起识别方法,其特征在于,所述将标记的轮廓点用坐标进行表示,并根据坐标标记的各轮廓点求得所述目标图片中形状的轮廓周长的步骤,包括:
获取所述目标图片中的所有像素点;
获取所述所有像素点对应的像素值;
检测每个所述像素点的像素值是否与相邻像素点的像素值都相同;
将与相邻像素点的像素值都相同的所述像素点的像素值进行累加作为第一累加值;
将所述目标图片中所有像素点的像素值进行累加得到所述第二累加值,将所述第二累加值减去所述第一累加值得到所述轮廓周长。
7.一种形状的突起识别装置,其特征在于,包括:
图片获取模块,用于获取含有形状的图片;
归一化处理模块,用于对所述图片进行归一化处理得到长宽相等的目标图片;
初始轮廓点确定模块,用于通过Canny算子确定所述目标图片中的一个轮廓点作为初始轮廓点,并对所述初始轮廓点进行坐标标记;
八邻域像素搜索模块,用于按照初始方向并搜索所述初始轮廓点的八邻域像素,将与所述初始轮廓点像素相同的邻域像素确定为下一个轮廓点并进行坐标标记,再根据下一个轮廓点依次搜索所述目标图片的其余轮廓点,直至搜索的轮廓点为所述初始轮廓点;其中所述初始方向为顺时针方向或逆时针方向;
轮廓周长求取模块,用于将标记的轮廓点用坐标进行表示,并根据坐标标记的各轮廓点求得所述目标图片中形状的轮廓周长;
平滑处理模块,用于将所述形状进行平滑处理,对每个轮廓点Γ(x(μ),y(μ))进行所述平滑处理的公式为,
其中Γ(x(μ),y(μ))为当前坐标点至所述初始轮廓点的弧长为μ的轮廓点,x(μ)和y(μ)分别表示当前坐标点的横坐标和纵坐标,σ为与所述归一化处理相关的参数,X(μ,σ)、Y(μ,σ)分别代表平滑后当前坐标点的横坐标和纵坐标,x(v+μ)表示弧长偏移距离为v的横坐标,v为一个距离变量,μ表示弧长,且0≤μ≤L,L为所述轮廓周长;
8.如权利要求7所述的形状的突起识别装置,其特征在于,所述归一化处理模块包括:
暂时图片获取子模块,用于将所述图片输入至预训练的RGB模型中,并采集所述图片中的像素点的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值,并根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值,从而获得由三种颜色构成的暂时图片;
像素点数目统计子模块,用于对所述暂时图片边缘的像素点所对应的RGB颜色的数值进行提取,并统计所述三种颜色中每种颜色各自对应的所述暂时图片边缘的像素点数目;
暂时区域提取子模块,用于根据所述三种颜色在所述暂时图片边缘的像素点的数目,将所述暂时图片中颜色数目较少的两种颜色所占的暂时区域提取出来;
缩放子模块,用于将所述暂时区域的长边和宽边缩放成长宽相等的目标图片。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011055582.5A CN112200738A (zh) | 2020-09-29 | 2020-09-29 | 形状的突起识别方法、装置以及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011055582.5A CN112200738A (zh) | 2020-09-29 | 2020-09-29 | 形状的突起识别方法、装置以及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200738A true CN112200738A (zh) | 2021-01-08 |
Family
ID=74008264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011055582.5A Pending CN112200738A (zh) | 2020-09-29 | 2020-09-29 | 形状的突起识别方法、装置以及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200738A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998614A (zh) * | 2022-08-08 | 2022-09-02 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200414073A (en) * | 2003-01-29 | 2004-08-01 | Ind Tech Res Inst | Method for aligning gesture feature of image |
CN103308430A (zh) * | 2013-06-03 | 2013-09-18 | 浙江大学 | 一种测量种子千粒重的方法及装置 |
CN104899600A (zh) * | 2015-05-28 | 2015-09-09 | 北京工业大学 | 一种基于深度图的手部特征点检测方法 |
US20150286859A1 (en) * | 2014-04-03 | 2015-10-08 | Avago Technologies General Ip (Singapore) Pte.Ltd. | Image Processor Comprising Gesture Recognition System with Object Tracking Based on Calculated Features of Contours for Two or More Objects |
CN108253908A (zh) * | 2017-12-29 | 2018-07-06 | 浙江大学 | 一种马铃薯压缩试验中接触点曲率半径的图像检测方法 |
CN108985191A (zh) * | 2018-06-28 | 2018-12-11 | 广东技术师范学院 | 一种基于移动设备手势识别的轮廓提取方法 |
CN110458158A (zh) * | 2019-06-11 | 2019-11-15 | 中南大学 | 一种针对盲人辅助阅读的文本检测与识别方法 |
CN110737796A (zh) * | 2019-10-17 | 2020-01-31 | 苏州大学 | 图像检索方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-09-29 CN CN202011055582.5A patent/CN112200738A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200414073A (en) * | 2003-01-29 | 2004-08-01 | Ind Tech Res Inst | Method for aligning gesture feature of image |
CN103308430A (zh) * | 2013-06-03 | 2013-09-18 | 浙江大学 | 一种测量种子千粒重的方法及装置 |
US20150286859A1 (en) * | 2014-04-03 | 2015-10-08 | Avago Technologies General Ip (Singapore) Pte.Ltd. | Image Processor Comprising Gesture Recognition System with Object Tracking Based on Calculated Features of Contours for Two or More Objects |
CN104899600A (zh) * | 2015-05-28 | 2015-09-09 | 北京工业大学 | 一种基于深度图的手部特征点检测方法 |
CN108253908A (zh) * | 2017-12-29 | 2018-07-06 | 浙江大学 | 一种马铃薯压缩试验中接触点曲率半径的图像检测方法 |
CN108985191A (zh) * | 2018-06-28 | 2018-12-11 | 广东技术师范学院 | 一种基于移动设备手势识别的轮廓提取方法 |
CN110458158A (zh) * | 2019-06-11 | 2019-11-15 | 中南大学 | 一种针对盲人辅助阅读的文本检测与识别方法 |
CN110737796A (zh) * | 2019-10-17 | 2020-01-31 | 苏州大学 | 图像检索方法、装置、设备及计算机可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998614A (zh) * | 2022-08-08 | 2022-09-02 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778525B (zh) | 身份认证方法和装置 | |
CN111738230B (zh) | 一种人脸识别方法、人脸识别装置及电子设备 | |
CN110211076B (zh) | 图像拼接方法、图像拼接设备和可读存储介质 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
EP3121759A2 (en) | System and method of biometric enrollment and verification | |
KR101632912B1 (ko) | 지문 인식을 이용한 사용자 인증 방법 | |
Rahman et al. | Person identification using ear biometrics | |
CN110826418B (zh) | 脸部特征提取方法及装置 | |
CN111814564B (zh) | 基于多光谱图像的活体检测方法、装置、设备和存储介质 | |
CN112950569A (zh) | 黑色素瘤图像识别方法、装置、计算机设备及存储介质 | |
CN112949468A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN109389019A (zh) | 人脸图像选择方法、装置及计算机设备 | |
WO2021189959A1 (zh) | 大脑中线识别方法、装置、计算机设备及存储介质 | |
CN112036749A (zh) | 基于医疗数据识别风险用户的方法、装置和计算机设备 | |
JP2016099835A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN111709413A (zh) | 基于图像识别的证件验证方法、装置、计算机设备和介质 | |
US9607231B2 (en) | Use of relatively permanent pigmented or vascular skin mark patterns in images for personal identification | |
CN112200738A (zh) | 形状的突起识别方法、装置以及计算机设备 | |
CN111932538B (zh) | 分析甲状腺图谱的方法、装置、计算机设备及存储介质 | |
CN110490841B (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
CN111860498A (zh) | 一种车牌的对抗性样本生成方法、装置及存储介质 | |
US8055027B2 (en) | Generation of directional field information in the context of image processing | |
CN112184671B (zh) | 甲状腺结节纵横比计算方法、装置、设备和存储介质 | |
CN108921080A (zh) | 图像识别方法、装置及电子设备 | |
JP2022048464A (ja) | 鼻紋照合装置および方法並びにプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |