CN112446889A - 一种基于超声的医学视频读取方法 - Google Patents
一种基于超声的医学视频读取方法 Download PDFInfo
- Publication number
- CN112446889A CN112446889A CN202010623102.4A CN202010623102A CN112446889A CN 112446889 A CN112446889 A CN 112446889A CN 202010623102 A CN202010623102 A CN 202010623102A CN 112446889 A CN112446889 A CN 112446889A
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- ultrasound
- value
- reading method
- 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 33
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012285 ultrasound imaging 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于超声的医学视频读取方法,包括以下步骤:S1、灰度变换;S2、用高斯滤波进行模糊处理;S3、再进行差分图像的计算,读取视频时,将第一帧设置为整个输入的背景,对于每个从背景之后读取的帧计算其与背景之间的差异,得到一个差分图,对差分图进行二值化阈值处理;S4、进行轮廓检测,对于像素值一样的连通区认为是同一个区域目标,标记为一个目标的轮廓,此处只检测区域目标的外轮廓,同时标记该轮廓的4个点来保存轮廓信息;S5、最后在原始视频上显示轮廓的标记,定位检测目标的位置。本发明所述基于超声的医学视频读取方法,有效的解决图像增强过程中表现出的“模糊性”,大大提高增强算法的增强效率。
Description
技术领域
本发明属于医学视频技术领域,具体是涉及到一种基于超声的医学视频读取方法。
背景技术
现代医疗随着科技的发展,对科技辅助的依赖性越来越强。医学图像技术已经成为当今医疗领域内,必不可少的辅助技术。医生凭借医学图像,可以做出更准确快速的诊断,同时也可以开发出更多的新的医疗手段。MRI(磁共振)、X射线、核医学成像和超声成像技术被公认为是目前四大医学成像技术。其中,医学超声图像与其他医学成像技术相比,超声成像技术具有实时性强、安全性好、成本低等优良特性,已经在某些医疗领域取得了不可或缺的地位。然而,由于其自身成像原理的限制,医学超声图像在成像过程中往往会带入大量噪声,并且医学超声图像对比度很低。这些不良特性给医生的判读和机器的自动识别带来了不利影响,大大限制了医学超声图像的发展。超声图像传统去噪算法主要包括空间域滤波法,各向异性扩散方程滤波法以及变换域滤波方法三大类,传统图像增强算法主要包括灰度变换、空域增强和频域增强,在传统的图像增强算法中,在增强图像的同时也增强了噪声,严重影响了图像质量。
发明内容
(一)解决的技术问题
本发明的目的在于一种基于超声的医学视频读取方法,提供了处理事务模糊性的有效方法,有效的解决图像增强过程中表现出的“模糊性”,大大提高增强算法的增强效率。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:
一种基于超声的医学视频读取方法,包括以下步骤:
S1、灰度变换,对原始视频的截图,对每一帧图像进行灰度变换,然后对灰度图像进行gamma变换来增加对比度;
S2、用高斯滤波进行模糊处理;
S3、再进行差分图像的计算,读取视频时,将第一帧设置为整个输入的背景,对于每个从背景之后读取的帧计算其与背景之间的差异,得到一个差分图,对差分图进行二值化阈值处理;
S4、进行轮廓检测,对于像素值一样的连通区认为是同一个区域目标,标记为一个目标的轮廓,此处只检测区域目标的外轮廓,同时标记该轮廓的4个点来保存轮廓信息;
S5、最后在原始视频上显示轮廓的标记,定位检测目标的位置。
通过采用上述的技术方案,验证了基于小波变换的模糊增强算法在处理医学超声图像中有较好的处理效果,为后续医生的判读和机器的自动识别,打下坚实的基础。
优选的,所述步骤S1中,Gamma变换是对输入图像灰度值进行的非线性操作,使输出图像灰度值与输入图像灰度值呈指数关系,具体公式为:
通过采用上述的技术方案,较亮的区域灰度被拉伸,较暗的区域灰度被压缩的更暗,图像整体变暗。
优选的,所述步骤S2中,所述高斯滤波处理,通过高斯滤波器,完成高斯核的构造后,利用高斯核的一个二维的卷积算子,用于图像模糊化;
通过采用上述的技术方案,对噪声进行模糊处理,避免在运动和跟踪时将其检测出来,噪声点被平滑,因为每个输入的视频都会因自然震动、光照变化或者摄像头本身等原因而产生噪声;高斯滤波后图像被平滑的程度取决于标准差,它的输出是领域像素的加权平均,同时离中心越近的像素权重越高。因此,相对于均值滤波它的平滑效果更柔和,而且边缘保留的也更好。
优选的,所述步骤S3中,所述帧间差分法是一种通过对视频图像序列的连续两帧图像做差分运算获取运动目标轮廓的方法。当监控场景中出现异常目标运动时,相邻两帧图像之间会出现较为明显的差别,两帧相减,求得图像对应位置像素值差的绝对值,判断其是否大于某一阈值,进而分析视频或图像序列的物体运动特性。
第一帧的像数值跟以后的每一帧的对应位置的像数值相减为:
diff=|image(x1,y1)-image(x,y)|
通过采用上述的技术方案,高亮区比较小,有利于下一步的轮廓检测的进行。
优选的,所述步骤S4中,计算轮廓内的面积,设置一个阈值,如果小于此阈值,不显示轮廓;
通过采用上述的技术方案,只显示大于给定阈值的轮廓,一些微小的变化不会显示。
(三)有益效果
与现有技术相比,本发明所述的医学视频读取方法具有以下优点:
本发明所述的医学视频读取方法,对图像的阈值纷纷方法、二值化、形态学等对图像进行处理,通过计算目标轮廓的长度或者区域面积来识别目标,视频中目标的识别用差分图的方法来识别视频中动态的物体,能够很好的找到目标,而其他视频识别的方法因为噪声较多,较易造成目标丢失,或者目标和背景技术不容易区分。
附图说明
图1为本发明原始视频的示意图;
图2为本发明经过步骤S1处理后的示意图;
图3为本发明经过步骤S2处理后的示意图;
图4为本发明经过步骤S3处理后的示意图;
图5为本发明经过步骤S4及S5处理后的示意图。
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做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。
一种基于超声的医学视频读取方法,包括以下步骤:
S1、如图1所示,该图为原始视频的示意图,对原始视频的截图,对每一帧图像进行灰度变换,然后对灰度图像进行gamma变换来增加对比度,结果如图2所示;
Gamma变换是对输入图像灰度值进行的非线性操作,使输出图像灰度值与输入图像灰度值呈指数关系,具体公式为:其中:max为一副图像中像素最大值,r为每个点的像素值,γ取1.5。进行该变换的目的:较亮的区域灰度被拉伸,较暗的区域灰度被压缩的更暗,图像整体变暗,在实际操作过程中,当gamma>1时,较亮的区域灰度被拉伸,较暗的区域灰度被压缩的更暗,图像整体变暗;当gamma<1时,较亮的区域灰度被压缩,较暗的区域灰度被拉伸的较亮,图像整体变亮。当前图1的原始视频较暗,需要突出的是较亮的区域,所以本实施中gamma取1.5来测试,较亮的区域灰度被拉伸,较暗的区域灰度被压缩的更暗,使得经过Gamma变换后的图像整体变暗,突出较亮的区域,视觉可以观察到效果比较明显。
S2、用高斯滤波进行模糊处理;
高斯滤波处理,通过高斯平滑滤波器,对所示的图2,完成高斯核的构造后,利用高斯核的一个二维的卷积算子,用于图像模糊化处理,结果如图3所示;
高斯滤波处理的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。本发明中涉及的二维高斯分布函数为:
高斯核大小根据此函数设定,程序中直接可以选择高斯核的大小为(21,21),不需要要设置σ来确定。
S3、再进行差分图像的计算,读取视频时,将第一帧设置为整个输入的背景,对于每个从背景之后读取的帧计算其与背景之间的差异,得到一个差分图,对差分图进行二值化阈值处理,结果如图4所示;
第一帧的像数值跟以后的每一帧的对应位置的像数值相减为:
diff=|image(x1,y1)-image(x,y)|
二值化阈值处理:此处阈值选5-10比较合适,比较好的阈值为7;大于此阈值的像素重新赋值为255,小于此阈值的像素重新赋值为0,这样使整个图像呈现出明显的黑白效果,然后进行形态学膨胀运算,膨胀实际上是求局部最大值,步骤如下:
①定义一个卷积核,核可以是任何的形状和大小,且拥有一个单独定义出来的参考点-锚点(anchorpoint);通常和为带参考点的正方形或者圆盘,可将核称为模板或掩膜;
②将核与图像进行卷积,计算核覆盖区域的像素点最大值;
③将这个最大值赋值给参考点指定的像素;因此,图像中的高亮区域逐渐增长。
此内核形状为椭圆形,大小为9×4,膨胀一次(注:当膨胀次数为1,2,3影响不大)膨胀会使得高亮区向外扩展,如图4所示的视频中高亮区比较小,膨胀操作有利于下一步的轮廓检测。
S4、进行轮廓检测,对于像素值一样的连通区认为是同一个区域目标,标记为一个目标的轮廓,此处只检测区域目标的外轮廓,同时标记该轮廓的4个点来保存轮廓信息;
所述计算轮廓内的面积,设置一个阈值,设置一个阈值,如果小于此阈值,不显示轮廓,所以只显示大于给定阈值的轮廓,一些微小的变化不会显示;此处阈值为1500-2000,比较好的阈值为1850,能够较好的去除掉轮廓较小的噪声点。
S5、如图5所示,最后在原始视频上显示轮廓的标记,能定位好检测目标的位置。
如图5所示:经过处理后的视频图像,能够很好的突出较亮的区域,视觉可以观察到,效果比较明显,同时能够有效的滤除图像的噪音,准备的找到需要读取的目标,有效的解决其他图像增强方法过程中表现出的“模糊性”问题。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于超声的医学视频读取方法,包括以下步骤:
S1、灰度变换,对原始视频的截图,对每一帧图像进行灰度变换,然后对灰度图像进行gamma变换来增加对比度;
S2、用高斯滤波进行模糊处理;
S3、再进行差分图像的计算,读取视频时,将第一帧设置为整个输入的背景,对于每个从背景之后读取的帧计算其与背景之间的差异,得到一个差分图,对差分图进行二值化阈值处理;
S4、进行轮廓检测,对于像素值一样的连通区认为是同一个区域目标,标记为一个目标的轮廓,此处只检测区域目标的外轮廓,同时标记该轮廓的4个点来保存轮廓信息;
S5、最后在原始视频上显示轮廓的标记,定位检测目标的位置。
3.根据权利要求1所述的基于超声的医学视频读取方法,其特征在于,所述步骤S2高斯滤波处理,用一个模板扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
4.根据权利要求1所述的基于超声的医学视频读取方法,其特征在于,所述步骤S3,第一帧的像数值跟以后的每一帧的对应位置的像数值相减diff=|image(x1,y1)-image(x,y)|。
5.根据权利要求1所述的基于超声的医学视频读取方法,其特征在于,所述步骤S4,所述计算轮廓内的面积,设置一个阈值,如果小于此阈值,不显示轮廓。
6.根据权利要求5所述的基于超声的医学视频读取方法,其特征在于,所述步骤S4中的阈值为1500-2000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623102.4A CN112446889A (zh) | 2020-07-01 | 2020-07-01 | 一种基于超声的医学视频读取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623102.4A CN112446889A (zh) | 2020-07-01 | 2020-07-01 | 一种基于超声的医学视频读取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446889A true CN112446889A (zh) | 2021-03-05 |
Family
ID=74733450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010623102.4A Pending CN112446889A (zh) | 2020-07-01 | 2020-07-01 | 一种基于超声的医学视频读取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446889A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467503A (zh) * | 2021-07-26 | 2021-10-01 | 广东电网有限责任公司 | 一种输电线路巡检机器人增稳控制方法及装置 |
CN113485401A (zh) * | 2021-07-26 | 2021-10-08 | 广东电网有限责任公司 | 一种基于视觉反馈的巡检机器人悬停控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262977A1 (en) * | 2008-04-18 | 2009-10-22 | Cheng-Ming Huang | Visual tracking system and method thereof |
CN105261037A (zh) * | 2015-10-08 | 2016-01-20 | 重庆理工大学 | 一种自适应复杂场景的运动目标检测方法 |
CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
-
2020
- 2020-07-01 CN CN202010623102.4A patent/CN112446889A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262977A1 (en) * | 2008-04-18 | 2009-10-22 | Cheng-Ming Huang | Visual tracking system and method thereof |
CN105261037A (zh) * | 2015-10-08 | 2016-01-20 | 重庆理工大学 | 一种自适应复杂场景的运动目标检测方法 |
CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
Non-Patent Citations (2)
Title |
---|
李惠松: "基于时空相关性的运动目标检测和差分轮廓定位跟踪研究", 《中国优秀硕士学位论文全文数据库》, pages 113 - 114 * |
潘峥嵘;钟珍珍;张宁;: "改进的背景减法与五帧差分法相结合的运动目标检测", 自动化与仪表, no. 07 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467503A (zh) * | 2021-07-26 | 2021-10-01 | 广东电网有限责任公司 | 一种输电线路巡检机器人增稳控制方法及装置 |
CN113485401A (zh) * | 2021-07-26 | 2021-10-08 | 广东电网有限责任公司 | 一种基于视觉反馈的巡检机器人悬停控制方法及装置 |
CN113467503B (zh) * | 2021-07-26 | 2024-04-30 | 广东电网有限责任公司 | 一种输电线路巡检机器人增稳控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648349A (zh) | 基于背景减除和连通区域算法的焊缝缺陷分割方法 | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
CN109544464A (zh) | 一种基于轮廓提取的火灾视频图像分析方法 | |
CN110717922A (zh) | 一种图像清晰度评价方法及装置 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN112446889A (zh) | 一种基于超声的医学视频读取方法 | |
US11068740B2 (en) | Particle boundary identification | |
Ma et al. | An automatic detection method of Mura defects for liquid crystal display | |
CN107194886B (zh) | 一种用于相机传感器的灰尘检测方法及装置 | |
Ein-shoka et al. | Quality enhancement of infrared images using dynamic fuzzy histogram equalization and high pass adaptation in DWT | |
Peng et al. | Stochastic resonance: An approach for enhanced medical image processing | |
CN114994098A (zh) | 一种异物检测的方法及设备 | |
CN115131355A (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
Tie-Rui et al. | The research of X-ray bone fracture image enhancement algorithms | |
CN113940704A (zh) | 一种基于甲状腺的肌肉和筋膜检测装置 | |
Zhang et al. | A LCD screen Mura defect detection method based on machine vision | |
CN111507922B (zh) | 一种基于直方图的隧道表面图像自适应增强方法 | |
CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
CN114913099A (zh) | 视频文件处理的方法和系统 | |
Mahajan et al. | Artefact removal and contrast enhancement for dermoscopic images using image processing techniques | |
CN116993625B (zh) | 一种气管镜图像增强方法及系统 | |
CN111145193A (zh) | 一种自适应全局阈值二值化方法 | |
CN117808718B (zh) | 基于互联网的提升医学影像数据质量的方法及系统 | |
CN116051425B (zh) | 一种红外图像处理方法、装置、电子设备及存储介质 |
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 |