CN112330561A - 基于交互式前景提取与信息熵分水岭的医学图像分割方法 - Google Patents

基于交互式前景提取与信息熵分水岭的医学图像分割方法 Download PDF

Info

Publication number
CN112330561A
CN112330561A CN202011226634.0A CN202011226634A CN112330561A CN 112330561 A CN112330561 A CN 112330561A CN 202011226634 A CN202011226634 A CN 202011226634A CN 112330561 A CN112330561 A CN 112330561A
Authority
CN
China
Prior art keywords
image
foreground
background
deterministic
information entropy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011226634.0A
Other languages
English (en)
Other versions
CN112330561B (zh
Inventor
陈祖国
唐至强
刘洋龙
卢明
陈超洋
吴亮红
张胥卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN202011226634.0A priority Critical patent/CN112330561B/zh
Publication of CN112330561A publication Critical patent/CN112330561A/zh
Application granted granted Critical
Publication of CN112330561B publication Critical patent/CN112330561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • G06T2207/30056—Liver; Hepatic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于交互式前景提取与信息熵分水岭的医学图像分割方法，包括以下步骤：对原图像进行标准化处理；利用形态学开运算消除图像中存在的白点噪声及边缘；将图像前景所在的大致位置使用矩形框标注出来，将图像中背景区域剔除；利用高斯混合模型对图像确定性前景与背景进行建模，创建新的像素分布，生成完整图像；利用图像信息熵找到完整图像分割的阈值，并转为二值化图像；通过分水岭算法对二值化图像进行图像提取，得到所需图像。本发明通过交互式前景提取法滤除图像边缘，结合信息熵与分水岭算法，能够将图像进行有效的分割，获得的肝脏CT图像完整，克服了因像素值分布不均、前景子图相互连接与个体间肝脏器官形状各异带来的干扰。

Description

基于交互式前景提取与信息熵分水岭的医学图像分割方法
技术领域
本发明涉及图像处理领域，特别涉及一种基于交互式前景提取与信息熵分水岭的医学图像分割方法。
背景技术
随着医学成像技术、图像模式识别技术的发展，图像分割在医学处理与分析领域起着先导性作用，图像分割主要目的是将医学图像中具有特定意义的部分分割出来，为临床诊断与病理研究提供可靠依据，有效降低了医生机械化的阅片负担，做出更准确的诊断。由于医学图像自身具有复杂性，在分割过程中需要解决个体差异以及像素值分布不均等一系列问题。目前尚未存在一种具有广泛性的医学图像分割理论与方法。
目前国内外广泛运用的医学图像分割方法有很多种，比如基于区域生长的分割方法。区域生长法是将具有相似性质的像素集合起来构成区域，其具体思路为：首先对目标分割的区域中选取一个种子像素作为生长的起点，然后将种子像素周围领域中具有相似性质的像素合并到种子像素所在的区域中，直到没有可以用来合并的邻近点或区域为止。文献“基于形态学和区域生长法的医学图像分割”提出了基于形态学和区域生长法的医学图像分割，其为了提高分割质量，利用数学形态学的基本运算对生长结果进行修正，填充区域生长后的小孔洞噪声，提高了分割效果。文献“基于区域生长的OCT图像分割算法研究”提出了基于区域生长的OCT图像分割算法的研究，其通过对医学OCT图像性质的分析，提出了一种基于区域生长的改进算法，此算法可以实现此类医用OCT图像的快速自动分割，大幅度提高了图像分割的精度，使过分分割现象大幅度降低，提高了分割效率。
通常在腹部CT图像中，像素值普遍集中在较低的范围内，腹部器官之间缺乏对比度，同时由于器官病变以及个体之间器官形状大小的差异，使得传统的利用灰度信息值寻找图像边缘的分割方法难以取得较好的分割效果，其处理存在分割不完整或噪声较多的影响。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、分割速度快、分割精度高的基于交互式前景提取与信息熵分水岭的医学图像分割方法。
本发明解决上述问题的技术方案是：一种基于交互式前景提取与信息熵分水岭的医学图像分割方法，包括以下步骤：
步骤一：对原图像进行标准化处理；
步骤二：利用形态学开运算消除标准化处理后的图像中存在的白点噪声及边缘；
步骤三：将图像前景所在的大致位置使用矩形框标注出来，矩形框以外的区域认定为确定性背景，其他区域为确定性前景，将图像中背景区域剔除；
步骤四：利用高斯混合模型对图像确定性前景与背景进行建模，创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像；
步骤五：利用图像信息熵找到完整图像分割的阈值，并转为二值化图像；
步骤六：通过分水岭算法对二值化图像进行图像提取，得到最终所需图像。
上述基于交互式前景提取与信息熵分水岭的医学图像分割方法，所述步骤一中，首先判断原图像是否符合标准尺寸，若不符合，则将原图像标准化，然后阈值处理转换为二值化图像。
上述基于交互式前景提取与信息熵分水岭的医学图像分割方法，所述步骤四中，利用高斯混合模型对确定性前景与背景建模，高斯混合模型根据预设的位置创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像，图像中的每一个节点就是像素点，所有的背景像素都与背景节点相连，所有的前景像素都与前景节点相连；每个像素归类到背景节点还是前景节点的权重由该像素是背景还是前景的概率所决定，在背景与前景之间连接处，两个像素的边的权重是由背景与前景之间相似度所决定的，背景与前景之间像素颜色越接近，边的权重就越大；根据各自边的权重关系进行分割，将不同像素点划分为前景节点与背景节点；不断重复上述过程，直至分类收敛为止。
上述基于交互式前景提取与信息熵分水岭的医学图像分割方法，所述步骤五中，采用图像最大信息熵分割步骤四所得完整图像；具体过程为：
5-1)在图像中，设某一灰度值x出现的概率为p(x)，则信息熵H的求解公式如(1)所示：
Figure BDA0002763809990000031
5-2)在灰度图像中，如果设定某一阈值为T，那么灰度值在0-T的范围内看作是背景B，灰度值在T+1至T+255看作是前景F；计算每一个灰度值在背景与前景中所占的概率，计算公式分别如(2)(3)所示：
Figure BDA0002763809990000032
Figure BDA0002763809990000033
其中，pi表示灰度值为i的概率，PB表示每个灰度级在背景B中所占概率，PF表示每个灰度级在前景F中所占概率，pT表示阈值T在整个图像中的概率；
5-3)计算背景信息熵HB与前景信息熵HF，计算公式分别如(4)(5)所示。
Figure BDA0002763809990000041
Figure BDA0002763809990000042
遍历穷举阈值取值为0-255，求得使图像有最大信息熵时的最大的阈值T，该阈值就是对灰度图像分割的最佳阈值点。
上述基于交互式前景提取与信息熵分水岭的医学图像分割方法，所述步骤六中，对一副灰度图像，把它看作是三维地理图上的地形，灰度值较低的区域看作是山谷，灰度值较高的区域看作是山峰，分水岭算法实现过程就是将图像分成两个不同的集合：分水岭线与积水盆地；分水岭算法具体过程为：
6-1)首先对图像进行形态学开运算，消除图像内噪声；
6-2)由于图像内子图是连接在一起的，采用距离变换法将确定性前景提取出来；
6-3)接着对距离变换得到的图像阈值处理，获取实际图像的确定性前景；
6-4)在获取确定性前景图像之后，获取确定性背景，对于开运算后的图像进行形态学膨胀处理，所得膨胀图像的背景就是原图像的确定性背景，膨胀图像减去确定性前景图像所获得的就是未知区域；
6-5)按照确定性背景、确定性前景与未知区域三大类划分整个图像空间，将确定性背景用“1”表示，将确定性前景用正整数从“2”开始依次表示，未知区域则采用“0”表示，对每一类采用不同颜色标注；
6-6)利用分水岭算法实现对图像的分割，划分出不同类别的区域。
上述基于交互式前景提取与信息熵分水岭的医学图像分割方法，所述步骤6-2)中，采用距离变换法计算的是图像中非零值像素点到最近的零值像素点的距离，即计算二值图像中所有像素点距离其最近的值为0的像素点距离。
本发明的有益效果在于：本发明通过交互式前景提取法滤除图像边缘，结合信息熵与分水岭算法，能够将图像进行有效的分割，获得的肝脏CT图像完整且无较多的杂质干扰，克服了因像素值分布不均、前景子图相互连接与个体间肝脏器官形状各异带来的干扰。
附图说明
图1为本发明的流程图。
图2为本发明实施例中阈值处理与形态学操作转换图。
图3为本发明实施例中滤除确定性背景的过程图。
图4为为本发明实施例中提取完整的腹部器官图像的过程图。
图5为本发明实施例中图像信息熵处理的效果图。
图6为为本发明实施例中确定性前景的提取效果图。
图7为本发明实施例中确定性背景与未知区域的示意图。
图8为为本发明实施例中划分图像空间的效果图。
图9为本发明实施例中用分水岭算法实现分割的效果图。
图10-图13为本发明实施例中对4幅不同图像进行分割操作所得的结果图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
如图1所示，一种基于交互式前景提取与信息熵分水岭的医学图像分割方法，包括以下步骤：
步骤一：对原图像进行标准化处理。
首先判断原图像是否符合标准尺寸，若不符合，则将原图像标准化，然后阈值处理转换为二值化图像。
步骤二：对所得二值化图像利用形态学开运算消除图像中存在的白点噪声及细小边缘，实现边缘的初步消除。其转换结果如图2所示。
步骤三：腹部CT图像经过阈值处理与形态学操作之后，可以将图像前景所在的大致位置使用矩形框标注出来，矩形框以外的区域认定为确定性背景，其他区域为确定性前景，以此初步将图像中背景区域剔除，为后续分割任务提供良好的模板。其操作过程如图3所示。
步骤四：利用高斯混合模型对图像确定性前景与背景进行建模，创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像。
由于在步骤一已对待处理图像进行尺寸标准化处理，可在很大程度上消除个体间的差异。因此算法可以预设图像确定性前景和确定性背景的大致位置。利用高斯混合模型对确定性前景与背景建模，高斯混合模型根据预设的位置创建新的像素分布，对未分类的像素(可能是背景或前景)根据其与预设分类像素(前景与背景)的关系依次归类。根据得到的像素分布情况生成一幅完整的图像，图像中的每一个节点就是像素点，所有的背景像素都与背景节点相连，所有的前景像素都与前景节点相连；每个像素归类到背景节点还是前景节点的权重由该像素是背景还是前景的概率所决定，在背景与前景之间连接处，两个像素的边的权重是由背景与前景之间相似度所决定的，背景与前景之间像素颜色越接近，边的权重就越大；根据各自边的权重关系进行分割，将不同像素点划分为前景节点与背景节点；不断重复上述过程，直至分类收敛为止。提取完整的腹部器官图像如图4所示。
步骤五：利用图像信息熵找到完整图像分割的阈值，并转为二值化图像。
阈值分割基于灰度阈值的选取将灰度图像划分为一个或者几个区域，实现对图像的分割。阈值分割方法的关键是阈值选取算法，常用的算法有最大类间方差(OTSU法)和信息熵。为提高肝脏器官的分割精度，采用图像最大信息熵分割步骤四所得完整图像；具体过程为：
5-1)在图像中，设某一灰度值x出现的概率为p(x)，则信息熵H的求解公式如(1)所示：
Figure BDA0002763809990000071
5-2)在灰度图像中，如果设定某一阈值为T，那么灰度值在0-T的范围内看作是背景B，灰度值在T+1至T+255看作是前景F；计算每一个灰度值在背景与前景中所占的概率，计算公式分别如(2)(3)所示：
Figure BDA0002763809990000072
Figure BDA0002763809990000073
其中，pi表示灰度值为i的概率，PB表示每个灰度级在背景B中所占概率，PF表示每个灰度级在前景F中所占概率，pT表示阈值T在整个图像中的概率；
5-3)计算背景信息熵HB与前景信息熵HF，计算公式分别如(4)(5)所示。
Figure BDA0002763809990000074
Figure BDA0002763809990000075
遍历穷举阈值取值为0-255，求得使图像有最大信息熵时的最大的阈值T，该阈值就是对灰度图像分割的最佳阈值点。实现效果如图5所示。利用信息熵实现阈值分割时，可采用最大类间方差(OTSU法)找到最佳阈值。
步骤六：通过分水岭算法对二值化图像进行图像提取，得到最终所需图像。
对一副灰度图像，把它看作是三维地理图上的地形，灰度值较低的区域看作是山谷，灰度值较高的区域看作是山峰，分水岭算法实现过程就是将图像分成两个不同的集合：分水岭线与积水盆地；分水岭算法具体过程为：
6-1)首先对图像进行形态学开运算，能够消除图像内噪声，以此避免噪声对图像分割可能造成的影响。
6-2)由于通常情况下图像内子图是连接在一起的，所以需要借助距离变换法将确定性前景提取出来。一般情况下，借助距离变换法计算的是图像中非零值像素点到最近的零值像素点的距离，即计算二值图像中所有像素点距离其最近的值为0的像素点距离。这一过程不仅能够实现初步获取图像确定性前景，还能计算前景对象的中心、细化轮廓等。
6-3)接着对距离变换得到的图像阈值处理，获取实际图像的确定性前景，如图6所示。
6-4)在获取确定性前景图像之后，需要获取确定性背景，对于开运算后的图像进行形态学膨胀处理，所得膨胀图像的背景就是原图像的确定性背景，膨胀图像减去确定性前景图像所获得的就是未知区域；效果如图7所示。
6-5)按照确定性背景、确定性前景与未知区域三大类划分整个图像空间，将确定性背景用“1”表示，将确定性前景用正整数从“2”开始依次表示，未知区域则采用“0”表示，对每一类采用灰色、黑色、白色标注，效果如图8所示。
6-6)利用分水岭算法实现对图像的分割，划分出不同类别的区域。由于个体间肝脏所处位置大致相同，因此可根据大致位置筛选出肝脏图像。其实现效果如图9所示。
利用本发明的算法对4幅不同图像进行肝脏图像分割操作，所得结果分别如图10、图11、图12和图13所示。从图像分割结果可以看出，通过交互式前景提取法滤除图像边缘，结合信息熵与分水岭算法，能够将图像进行有效的分割。获得的肝脏CT图像完整且无较多的杂质干扰，克服了因像素值分布不均、前景子图相互连接与个体间肝脏器官形状各异带来的干扰。在对大量医学腹部CT图像进行分割，均取得了良好的图像分割效果。

Claims (6)

1.一种基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，包括以下步骤：
步骤一：对原图像进行标准化处理；
步骤二：利用形态学开运算消除标准化处理后的图像中存在的白点噪声及边缘；
步骤三：将图像前景所在的大致位置使用矩形框标注出来，矩形框以外的区域认定为确定性背景，其他区域为确定性前景，将图像中背景区域剔除；
步骤四：利用高斯混合模型对图像确定性前景与背景进行建模，创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像；
步骤五：利用图像信息熵找到完整图像分割的阈值，并转为二值化图像；
步骤六：通过分水岭算法对二值化图像进行图像提取，得到最终所需图像。
2.根据权利要求1所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤一中，首先判断原图像是否符合标准尺寸，若不符合，则将原图像标准化，然后阈值处理转换为二值化图像。
3.根据权利要求1所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤四中，利用高斯混合模型对确定性前景与背景建模，高斯混合模型根据预设的位置创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像，图像中的每一个节点就是像素点，所有的背景像素都与背景节点相连，所有的前景像素都与前景节点相连；每个像素归类到背景节点还是前景节点的权重由该像素是背景还是前景的概率所决定，在背景与前景之间连接处，两个像素的边的权重是由背景与前景之间相似度所决定的，背景与前景之间像素颜色越接近，边的权重就越大；根据各自边的权重关系进行分割，将不同像素点划分为前景节点与背景节点；不断重复上述过程，直至分类收敛为止。
4.根据权利要求3所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤五中，采用图像最大信息熵分割步骤四所得完整图像；具体过程为：
5-1)在图像中，设某一灰度值x出现的概率为p(x)，则信息熵H的求解公式如(1)所示：
Figure FDA0002763809980000021
5-2)在灰度图像中，如果设定某一阈值为T，那么灰度值在0-T的范围内看作是背景B，灰度值在T+1至T+255看作是前景F；计算每一个灰度值在背景与前景中所占的概率，计算公式分别如(2)(3)所示：
Figure FDA0002763809980000022
Figure FDA0002763809980000023
其中，pi表示灰度值为i的概率，PB表示每个灰度级在背景B中所占概率，PF表示每个灰度级在前景F中所占概率，pT表示阈值T在整个图像中的概率；
5-3)计算背景信息熵HB与前景信息熵HF，计算公式分别如(4)(5)所示。
Figure FDA0002763809980000024
Figure FDA0002763809980000025
遍历穷举阈值取值为0-255，求得使图像有最大信息熵时的最大的阈值T，该阈值就是对灰度图像分割的最佳阈值点。
5.根据权利要求4所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤六中，对一副灰度图像，把它看作是三维地理图上的地形，灰度值较低的区域看作是山谷，灰度值较高的区域看作是山峰，分水岭算法实现过程就是将图像分成两个不同的集合：分水岭线与积水盆地；分水岭算法具体过程为：
6-1)首先对图像进行形态学开运算，消除图像内噪声；
6-2)由于图像内子图是连接在一起的，采用距离变换法将确定性前景提取出来；
6-3)接着对距离变换得到的图像阈值处理，获取实际图像的确定性前景；
6-4)在获取确定性前景图像之后，获取确定性背景，对于开运算后的图像进行形态学膨胀处理，所得膨胀图像的背景就是原图像的确定性背景，膨胀图像减去确定性前景图像所获得的就是未知区域；
6-5)按照确定性背景、确定性前景与未知区域三大类划分整个图像空间，将确定性背景用“1”表示，将确定性前景用正整数从“2”开始依次表示，未知区域则采用“0”表示，对每一类采用不同颜色标注；
6-6)利用分水岭算法实现对图像的分割，划分出不同类别的区域。
6.根据权利要求5所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤6-2)中，采用距离变换法计算的是图像中非零值像素点到最近的零值像素点的距离，即计算二值图像中所有像素点距离其最近的值为0的像素点距离。
CN202011226634.0A 2020-11-05 2020-11-05 基于交互式前景提取与信息熵分水岭的医学图像分割方法 Active CN112330561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011226634.0A CN112330561B (zh) 2020-11-05 2020-11-05 基于交互式前景提取与信息熵分水岭的医学图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011226634.0A CN112330561B (zh) 2020-11-05 2020-11-05 基于交互式前景提取与信息熵分水岭的医学图像分割方法

Publications (2)

Publication Number Publication Date
CN112330561A true CN112330561A (zh) 2021-02-05
CN112330561B CN112330561B (zh) 2023-06-13

Family

ID=74315458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011226634.0A Active CN112330561B (zh) 2020-11-05 2020-11-05 基于交互式前景提取与信息熵分水岭的医学图像分割方法

Country Status (1)

Country Link
CN (1) CN112330561B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113178002A (zh) * 2021-04-26 2021-07-27 天津知北科技有限公司 基于移动端的3d展示图片的方法、装置及设备
CN113506246A (zh) * 2021-06-15 2021-10-15 西安建筑科技大学 基于机器视觉的混凝土3d打印构件精细检测方法
CN116030633A (zh) * 2023-02-21 2023-04-28 天津汉云工业互联网有限公司 一种车辆隧道预警方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632361A (zh) * 2012-08-20 2014-03-12 阿里巴巴集团控股有限公司 一种图像分割方法和系统
US20150049954A1 (en) * 2012-03-19 2015-02-19 Satoshi Hikida Image processing apparatus, image processing method, and computer-readable recording medium
CN104715474A (zh) * 2015-01-20 2015-06-17 电子科技大学 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法
CN104881669A (zh) * 2015-05-13 2015-09-02 中国科学院计算技术研究所 一种基于颜色对比度的局部区域检测子提取方法及系统
CN110335278A (zh) * 2019-05-16 2019-10-15 陕西师范大学 一种量化肿瘤微环境的胶质方向特征的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150049954A1 (en) * 2012-03-19 2015-02-19 Satoshi Hikida Image processing apparatus, image processing method, and computer-readable recording medium
CN103632361A (zh) * 2012-08-20 2014-03-12 阿里巴巴集团控股有限公司 一种图像分割方法和系统
CN104715474A (zh) * 2015-01-20 2015-06-17 电子科技大学 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法
CN104881669A (zh) * 2015-05-13 2015-09-02 中国科学院计算技术研究所 一种基于颜色对比度的局部区域检测子提取方法及系统
CN110335278A (zh) * 2019-05-16 2019-10-15 陕西师范大学 一种量化肿瘤微环境的胶质方向特征的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张海涛等: "阈值标记的分水岭彩色图像分割", 《中国图象图形学报》 *
曾宪华等: "多特征融合的医学影像颜色感知算法", 《计算机辅助设计与图形学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113178002A (zh) * 2021-04-26 2021-07-27 天津知北科技有限公司 基于移动端的3d展示图片的方法、装置及设备
CN113506246A (zh) * 2021-06-15 2021-10-15 西安建筑科技大学 基于机器视觉的混凝土3d打印构件精细检测方法
CN113506246B (zh) * 2021-06-15 2022-11-25 西安建筑科技大学 基于机器视觉的混凝土3d打印构件精细检测方法
CN116030633A (zh) * 2023-02-21 2023-04-28 天津汉云工业互联网有限公司 一种车辆隧道预警方法和装置
CN116030633B (zh) * 2023-02-21 2023-06-02 天津汉云工业互联网有限公司 一种车辆隧道预警方法和装置

Also Published As

Publication number Publication date
CN112330561B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN112330561B (zh) 基于交互式前景提取与信息熵分水岭的医学图像分割方法
CN111145209B (zh) 一种医学图像分割方法、装置、设备及存储介质
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
WO2019062092A1 (zh) 基于超像素-多色彩空间的人体轮廓提取方法
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN106780728B (zh) 一种基于医学影像的单个器官拆分方法及系统
CN111882561A (zh) 一种癌细胞识别诊断系统
CN108399644A (zh) 一种墙体图像识别方法及其装置
CN104766316A (zh) 中医望诊中新型嘴唇分割算法
Lai et al. Effective segmentation for dental X-ray images using texture-based fuzzy inference system
CN108986109B (zh) 一种序列化可视人体切片图像自动分割方法
CN112102332A (zh) 基于局部分类神经网络的癌症wsi的分割方法
CN116824168B (zh) 基于图像处理的耳部ct特征提取方法
JP4285640B2 (ja) オブジェクト識別方法および装置ならびにプログラム
JP2009123234A (ja) オブジェクト識別方法および装置ならびにプログラム
CN108921179B (zh) 一种婴幼儿血管瘤病变区颜色的自动提取与量化方法
CN108629780B (zh) 基于颜色分解和阈值技术的舌图像分割方法
CN111681185B (zh) 一种基于沥青混合料X-ray扫描图像的有限元建模方法
Devi et al. Detection of tumours from MRI scans using Segmentation techniques
CN109934215B (zh) 一种身份证识别方法
Sreejini et al. M-FISH karyotyping-a new approach based on watershed transform
Harnale et al. Oral Cancer Detection: Modified KFCM Segmentation Clustering Algorithm
Fedorov et al. Development of technique for face detection in image based on binarization, scaling and segmentation methods
CN112712541A (zh) 一种图像形状描述子生成方法
CN112102350A (zh) 一种基于Otsu和Tsallis熵的二次图像分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant