CN112837259A - 基于特征分割的皮肤色素病变治疗效果图像处理方法 - Google Patents

基于特征分割的皮肤色素病变治疗效果图像处理方法 Download PDF

Info

Publication number
CN112837259A
CN112837259A CN201911151752.7A CN201911151752A CN112837259A CN 112837259 A CN112837259 A CN 112837259A CN 201911151752 A CN201911151752 A CN 201911151752A CN 112837259 A CN112837259 A CN 112837259A
Authority
CN
China
Prior art keywords
image
lesion
treatment
area
channel
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
CN201911151752.7A
Other languages
English (en)
Other versions
CN112837259B (zh
Inventor
梅启升
王敏
陈玉芳
吴振聪
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.)
Fujian Normal University
Original Assignee
Fujian Normal University
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 Fujian Normal University filed Critical Fujian Normal University
Priority to CN201911151752.7A priority Critical patent/CN112837259B/zh
Publication of CN112837259A publication Critical patent/CN112837259A/zh
Application granted granted Critical
Publication of CN112837259B publication Critical patent/CN112837259B/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
    • 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
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于，将治疗前后同一区域的皮肤色素病变彩色图像分别经过步骤S1‑步骤S5处理：步骤S1：将彩色图像转化为3通道RGB灰度图像；步骤S2：粗提取病灶区域；步骤S3：进行修补闭操作；步骤S4：计算获得图片的光照不均匀的区域；步骤S5：进行低通滤波处理，获得实际的病灶区域分布图；步骤S6：建立治疗效果图像评估模型。其通过对病灶区域进行分割，提取出ROI区域，并对图像分割区域的背景光强进行消除，解决拍摄过程中的背景光影响的问题。极大程度上地指导了临床影像分析的实践工作，并提供了一种实用性强的面部色素病变记录、分析与评估技术。

Description

基于特征分割的皮肤色素病变治疗效果图像处理方法
技术领域
本发明属于图像处理领域，尤其涉及一种基于特征分割的皮肤色素病变治疗效果图像处理方法。
背景技术
鲜红斑痣是一种先天性的色素性皮肤病，病因是皮肤中的毛细血管生长畸形，因此导致皮肤表面产生鲜红色的斑痕，并且随着年龄增长，病灶面积会随之增大且终生不消退。由于鲜红斑痣皮肤治疗效果的评价指标受到人为主观因素的影响，目前治疗效果的评估方案仍以主观判断为主，缺少客观、准确的数据分析。
数字图像处理是一种计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。提取图像中所包含的某些特征或特殊信息，这些被提取的特征或信息往往为计算机分析图像提供便利。提取特征或信息的过程是模式识别或计算机视觉的预处理。提取的特征可以包括很多方面，如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。因而数字图像处理技术十分必要,它可以改善现有图像信号混杂的缺点,更加明确患者病变组织器官，并对数字图像处理技术应用效果进行了分析,旨在指导临床影像诊断和治疗的个体化实践工作。
发明内容
针对现有技术存在的空白，本发明提出了一种对皮肤色素病变，尤其是鲜红斑痣的拍摄图像的处理方法以及对应的图像评估模型，同时可以对图像中的皮肤的正常与患病区域对应的像素进行区分，并且能够消除拍摄高光的影响和误差。其直接功效可以用于分辨皮肤色素病变治疗方案的优劣。
本发明具体采用以下技术方案：
一种基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：将治疗前后同一区域的皮肤色素病变彩色图像分别经过步骤S1-步骤S5处理：
步骤S1：将彩色图像转化为3通道RGB灰度图像；
步骤S2：对R通道图像和G通道图像进行双通道阈值分析，并根据阈值分析的结果，粗提取病灶区域；
步骤S3：根据粗提取病灶区域的二值化图像，采用半径为10像素的扁平的圆形结构元对图像进行修补闭操作；
步骤S4：根据步骤S3修补后的二值化图像和原始彩色图像对应的灰度图像计算获得病灶区域的灰度值图像；并根据最小值滤波算法，计算获得图片的光照不均匀的区域；
步骤S5：将步骤S4处理获得的光照不均匀的区域进行低通滤波处理，并将所述病灶区域的灰度值图像减去低通滤波处理后的图像，获得实际的病灶区域分布图；
步骤S6：根据治疗前后的处理后的图像提取的实际的病灶区域面积变化率和颜色变化率，建立治疗效果图像评估模型。
优选地，在步骤S5还包括步骤S51：对实际的病灶区域分布图进行图像增强处理。
优选地，步骤S1具体包括：将大小为A*B像素的彩色图像进行unit8转换，使彩色图像转换成RGB三原色构成的灰度图像，在Matlab中将图片信息转换成3*A*B的矩阵，彩色图像
Figure DEST_PATH_IMAGE002
表示为:
Figure DEST_PATH_IMAGE004
；
其中，
Figure DEST_PATH_IMAGE006
为R通道的灰度图像；
Figure DEST_PATH_IMAGE008
为G通道的灰度图像；
Figure DEST_PATH_IMAGE010
为B通道的灰度图像。
优选地，步骤S2中，对R通道图像和G通道图像进行双通道阈值分析具体包括：
Figure DEST_PATH_IMAGE012
；
其中，
Figure DEST_PATH_IMAGE014
为病灶区域的二值化图像。
优选地，所述双通道阈值分析的阈值判断条件为：
Figure DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE018
。
优选地，在步骤S3中，采用半径为10像素的扁平的圆形结构元SE对图像进行修补闭操作的具体过程为：
Figure DEST_PATH_IMAGE020
；
Figure DEST_PATH_IMAGE022
；
其中，SE为半径为10的圆形结构元，
Figure DEST_PATH_IMAGE024
为膨胀处理，
Figure DEST_PATH_IMAGE026
为侵蚀处理。
优选地，在步骤S4中，根据步骤S3修补后的二值化图像和原始彩色图像对应的灰度图像计算获得病灶区域的灰度值图像；并根据最小值滤波算法，计算获得图片的光照不均匀的区域的具体过程为：
Figure DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE030
；
其中，
Figure DEST_PATH_IMAGE032
表示原始彩色图像的灰度图像，
Figure DEST_PATH_IMAGE034
表示修补后的二值化图像，
Figure DEST_PATH_IMAGE036
表示病灶区域的灰度值图像，
Figure DEST_PATH_IMAGE038
表示光照不均匀的反射光强部分。
优选地，在步骤S5中，将步骤S4处理获得的光照不均匀的区域进行低通滤波处理，并将所述病灶区域的灰度值图像减去低通滤波处理后的图像，获得实际的病灶区域分布图的具体过程为：
Figure DEST_PATH_IMAGE040
；
其中，
Figure DEST_PATH_IMAGE042
为去除高光部分的结果图。
优选地，在步骤S6中，所述治疗效果图像评估模型为：
Figure DEST_PATH_IMAGE044
；
其中，
Figure DEST_PATH_IMAGE046
表示治疗前后的病灶面积变化值，S表示治疗前的病灶面积值，
Figure DEST_PATH_IMAGE048
表示治疗前后病灶区域灰度值变化总量，C表示治疗前病灶区域的灰度总值。
优选地，治疗后
Figure DEST_PATH_IMAGE050
的值变化率大于95%时表示痊愈，在75-95%内时表示基愈，在50-75%内时表示显效，当小于25%表示无效。
本发明及其优选方案通过对病灶区域进行分割，提取出ROI区域，并对图像分割区域的背景光强进行消除，解决拍摄过程中的背景光影响的问题。极大程度上地指导了临床影像分析的实践工作，并提供了一种实用性强的面部色素病变记录、分析与评估技术。
其主要优势在于：
（一）方案提出量化的治疗效果图像评估方案，从病灶面积以及病灶颜色两个角度进行评估，评估结果更加客观、准确。
（二）方案采用特征分割算法，利用两个通道灰度值信息，制作一个二值化的Mask用于划分病灶区域与正常区域，将病灶区域提取出来，有利于图像中病灶分布信息的筛选。
（三）方案采用图像的最小值滤波算法，利用滤波提取出高光部分，用于去除拍摄角度产生的高光问题，并在ROI区域去除该高光部分的影响，以保证图像中的信息是准确的颜色信息。
（四）利用RGB三通道的灰度信息，将病灶区域的图像信息利用颜色特征进行分析，并根据不同程度进行划分，利用皮肤上颜色的量化信息对病灶区域进行评估。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例整体流程示意图；
图2为本发明实施例原始彩色图像对应的灰度图像示意图；
图3为本发明实施例原始图像红色（R）通道的灰度图像示意图；
图4为本发明实施例原始图像绿色（G）通道的灰度图像示意图；
图5为本发明实施例原始图像蓝色（B）通道的灰度图像示意图；
图6为本发明实施例阈值分割的结果图像示意图；
图7为本发明实施例闭操作修补后的二值化病灶图像示意图；
图8为本发明实施例示光照不均匀的反射光强部分图像示意图；
图9为本发明实施例病灶分布情况结果图像示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
如图1所示，本实施例提供的算法包括三个部分:图像预处理部分、图像分割部分、治疗效果评估分布部分。
其算法流程如下：1.计算机读取拍摄的病灶图像。2.将病灶图像分解为三个通道的灰度图像，如图2-图5所示。3.根据病灶特征设定阈值并进行图像二值化分割，如图6所示。4.对分割结果进行形态学闭操作等图像优化处理利用图像的开运算与闭运算消除二值化图像的噪声部分,并提取ROI (region of interest)病灶区域并将之与非病灶区域隔离开，如图7所示。5.根据三个通道的灰度图像进行初步的计算病灶区域分布。6.计算ROI图像中的高光部分的光强分布，如图8所示。7.病灶区域分布图像除去反光造成的影响,获取实际的病情分布情况。并使用滤波处理让病灶区域的灰度图像更加自然、平滑。计算结果通过灰度值进行复现，严重的区域显白色，轻微区域显黑色，如图9所示。8.拍摄治疗前后对比的病灶分布结果进行比较,获取治疗结果的效率。
在本实施例中，通过图像对病灶区域进行目标提取，区分病灶区域与正常区域，并修复图像中高光部分，消除拍摄角度、反射光线的问题。最后根据鲜红斑痣颜色、面积特征评估治疗效果情况，数字图像处理部分是基于MATLAB软件进行编写。
以鲜红斑痣治疗图像评估为例，本实施例提供一个完整的实施案例：
第一步：将图像大小为A*B像素的进行unit8转换，彩色图像转换成RGB三原色构成的灰度图像，其中RGB是由255个灰度级来描述的。图片信息转换成3*A*B的矩阵，最后通过计算机读入、保存数据。计算机通过MATLAB读入拍摄患病区域的图像，将患病图片转换成RGB通道灰度图像，那么原始彩色图像
Figure 792050DEST_PATH_IMAGE002
可以表示为:
Figure DEST_PATH_IMAGE051
（1）；
(1)式表示在彩色图像对应的矩阵中包含RGB三个通道的灰度值，而并非是简单的RGB通道的加和结果，其中x为横坐标，y表示纵坐标，
Figure DEST_PATH_IMAGE052
为原始图像红色通道的灰度图像，
Figure 367912DEST_PATH_IMAGE008
为原始图像绿色通道灰度图像，
Figure DEST_PATH_IMAGE053
为原始图像的蓝色通道的灰度图像，该步骤得到结果如图2-图5所示。
第二步： 根据RGB模型理论，图像采用R、G通道进行双通道阈值分析，阈值判断条件为R通道：
Figure DEST_PATH_IMAGE054
；G通道：
Figure 484731DEST_PATH_IMAGE018
。阈值分割的结果如图6所示。
Figure DEST_PATH_IMAGE055
（2）；
(2)式采用的双通道阈值判断的方法，初步估计病灶区域的位置与范围，利用二值图像对病灶区域进行划分，满足阈值条件的为病灶区域，否则为正常区域。划分条件采用的是颜色特征，标准的紫色的三通道灰度信息为：R128、G0、B128，而实际上鲜红斑痣的紫色三通道范围是：R150-200、G90-120、B150-200。
第三步：根据（2）式可以得到初步的结果图，但是初步的二值图像需要进行优化，去除掉椒盐噪声产生的干扰点，去除方案采用图像形态学的闭操作处理。闭操作包含两种基础形态学图像处理方法：膨胀与腐蚀。膨胀是使图像中的目标进行“扩张”操作，腐蚀是使图像中的目标进行“紧缩”操作，扩张与紧缩的方法和程度都是基于结构元控制。形态学闭操作是对图像进行先膨胀后腐蚀，那么Src优化过程表示为：
Figure 161831DEST_PATH_IMAGE020
（3-1）；
Figure 867881DEST_PATH_IMAGE022
（3-2）；
(3)式中SE为半径为10的圆形结构元，
Figure 909918DEST_PATH_IMAGE014
为病灶区域的二值化图像，
Figure 770426DEST_PATH_IMAGE024
为膨胀处理，
Figure 188900DEST_PATH_IMAGE026
为侵蚀处理。闭操作修补后的二值化病灶图像如图7所示。
第四步：但是拍摄过程中或多或少存在“反光”现象，反射光强会影响图像的三个通道灰度值计算，从而导致错误计算病灶情况分布。本实施例采用最小值滤波算法计算图像“反光”部分，并消除“反光”区域的影响：
Figure DEST_PATH_IMAGE056
（4-1）；
Figure DEST_PATH_IMAGE057
（4-2）；
(4)式中，
Figure DEST_PATH_IMAGE058
表示原始彩色图像的灰度图像，
Figure 47660DEST_PATH_IMAGE034
表示修补后的二值化图像，
Figure 368919DEST_PATH_IMAGE036
表示病灶区域的灰度值图像，
Figure DEST_PATH_IMAGE059
表示光照不均匀的反射光强部分，处理的结果如图8所示。
第五步：计算得到的“反光”强度分布。根据初始图像去除拍摄中的“反光”强度部分：
Figure DEST_PATH_IMAGE060
（5）；
(5)式中的
Figure 201877DEST_PATH_IMAGE042
即是去除高光部分的结果图，最后通过图像反转、对比度增强技术得到病灶分布情况结果图，计算结果通过灰度值进行复现，病情严重的区域显白色，病情轻微区域显黑色，如图9所示。
第六步，根据治疗前后拍摄的图像进行分析两个方面：病灶面积以及病灶颜色。治疗效果采用病灶面积变化率以及颜色变化率的均值决定：
Figure DEST_PATH_IMAGE061
（6）；
(6)式中
Figure 955201DEST_PATH_IMAGE046
表示治疗前后的病灶面积变化值，S表示治疗前的病灶面积值，
Figure 511209DEST_PATH_IMAGE048
表示治疗前后病灶区域灰度值变化总量，C表示治疗前病灶区域的灰度总值。当治疗后的
Figure 862425DEST_PATH_IMAGE050
值变化率大于95%时表示痊愈，在75-95%内时表示基愈，在50-75%内时表示显效，当小于25%表示无效。
本实施例通过图像形态学处理算法计算图像当中病灶面积变化，利用RGB模型的方式计算病灶区域灰度值变化，利用最小值滤波消除图像中的高光部分，最后根据面积变化以及灰度值变化为治疗方案是否产生效果，以及效果的良好程度提供了客观、准确的依据。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于特征分割的皮肤色素病变治疗效果图像处理方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (10)

1.一种基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：将治疗前后同一区域的皮肤色素病变彩色图像分别经过步骤S1-步骤S5处理：
步骤S1：将彩色图像转化为3通道RGB灰度图像；
步骤S2：对R通道图像和G通道图像进行双通道阈值分析，并根据阈值分析的结果，粗提取病灶区域；
步骤S3：根据粗提取病灶区域的二值化图像，采用半径为10像素的扁平的圆形结构元对图像进行修补闭操作；
步骤S4：根据步骤S3修补后的二值化图像和原始彩色图像对应的灰度图像计算获得病灶区域的灰度值图像；并根据最小值滤波算法，计算获得图片的光照不均匀的区域；
步骤S5：将步骤S4处理获得的光照不均匀的区域进行低通滤波处理，并将所述病灶区域的灰度值图像减去低通滤波处理后的图像，获得实际的病灶区域分布图；
步骤S6：根据治疗前后的处理后的图像提取的实际的病灶区域面积变化率和颜色变化率，建立治疗效果图像评估模型。
2.根据权利要求1所述的基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：在步骤S5还包括步骤S51：对实际的病灶区域分布图进行图像增强处理。
3.根据权利要求1所述的基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：步骤S1具体包括：将大小为A*B像素的彩色图像进行unit8转换，使彩色图像转换成RGB三原色构成的灰度图像，在Matlab中将图片信息转换成3*A*B的矩阵，彩色图像
Figure 396023DEST_PATH_IMAGE002
表示为:
Figure 142524DEST_PATH_IMAGE004
；
其中，
Figure 46895DEST_PATH_IMAGE006
为R通道的灰度图像；
Figure 537045DEST_PATH_IMAGE008
为G通道的灰度图像；
Figure 741630DEST_PATH_IMAGE010
为B通道的灰度图像。
4.根据权利要求3所述的基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：步骤S2中，对R通道图像和G通道图像进行双通道阈值分析具体包括：
Figure 393453DEST_PATH_IMAGE012
；
其中，
Figure 50700DEST_PATH_IMAGE014
为病灶区域的二值化图像。
5.根据权利要求4所述的基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：所述双通道阈值分析的阈值判断条件为：
Figure 577496DEST_PATH_IMAGE016
；
Figure 669211DEST_PATH_IMAGE018
。
6.根据权利要求4所述的基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：在步骤S3中，采用半径为10像素的扁平的圆形结构元SE对图像进行修补闭操作的具体过程为：
Figure 256050DEST_PATH_IMAGE020
；
Figure 105320DEST_PATH_IMAGE022
；
其中，SE为半径为10的圆形结构元，
Figure 170228DEST_PATH_IMAGE024
为膨胀处理，
Figure 850870DEST_PATH_IMAGE026
为侵蚀处理。
7.根据权利要求6所述的基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：在步骤S4中，根据步骤S3修补后的二值化图像和原始彩色图像对应的灰度图像计算获得病灶区域的灰度值图像；并根据最小值滤波算法，计算获得图片的光照不均匀的区域的具体过程为：
Figure 670927DEST_PATH_IMAGE028
；
Figure 7493DEST_PATH_IMAGE030
；
其中，
Figure 876092DEST_PATH_IMAGE032
表示原始彩色图像的灰度图像，
Figure 847459DEST_PATH_IMAGE034
表示修补后的二值化图像，
Figure 808724DEST_PATH_IMAGE036
表示病灶区域的灰度值图像，
Figure 927859DEST_PATH_IMAGE038
表示光照不均匀的反射光强部分。
8.根据权利要求7所述的基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：在步骤S5中，将步骤S4处理获得的光照不均匀的区域进行低通滤波处理，并将所述病灶区域的灰度值图像减去低通滤波处理后的图像，获得实际的病灶区域分布图的具体过程为：
Figure 836034DEST_PATH_IMAGE040
；
其中，
Figure 724225DEST_PATH_IMAGE042
为去除高光部分的结果图。
9.根据权利要求8所述的基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：在步骤S6中，所述治疗效果图像评估模型为：
Figure 590812DEST_PATH_IMAGE044
；
其中，
Figure 134925DEST_PATH_IMAGE046
表示治疗前后的病灶面积变化值，S表示治疗前的病灶面积值，
Figure 643529DEST_PATH_IMAGE048
表示治疗前后病灶区域灰度值变化总量，C表示治疗前病灶区域的灰度总值。
10.根据权利要求9所述的基于特征分割的皮肤色素病变治疗效果图像处理方法，其特征在于：治疗后
Figure 589489DEST_PATH_IMAGE050
的值变化率大于95%时表示痊愈，在75-95%内时表示基愈，在50-75%内时表示显效，当小于25%表示无效。
CN201911151752.7A 2019-11-22 2019-11-22 基于特征分割的皮肤色素病变治疗效果图像处理方法 Active CN112837259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911151752.7A CN112837259B (zh) 2019-11-22 2019-11-22 基于特征分割的皮肤色素病变治疗效果图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911151752.7A CN112837259B (zh) 2019-11-22 2019-11-22 基于特征分割的皮肤色素病变治疗效果图像处理方法

Publications (2)

Publication Number Publication Date
CN112837259A true CN112837259A (zh) 2021-05-25
CN112837259B CN112837259B (zh) 2023-07-07

Family

ID=75921390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911151752.7A Active CN112837259B (zh) 2019-11-22 2019-11-22 基于特征分割的皮肤色素病变治疗效果图像处理方法

Country Status (1)

Country Link
CN (1) CN112837259B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393348A (zh) * 2022-10-25 2022-11-25 绵阳富临医院有限公司 一种基于图像识别的烧伤检测方法、系统及存储介质
CN117495733A (zh) * 2023-11-08 2024-02-02 西北民族大学 一种病灶图像修复方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101756696A (zh) * 2009-12-31 2010-06-30 中国人民解放军空军总医院 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法
CN105761246A (zh) * 2016-02-01 2016-07-13 苏州大学 一种叶片病害提取方法
WO2017088365A1 (zh) * 2015-11-26 2017-06-01 乐视控股（北京）有限公司 一种肤色检测方法及装置
CN109034208A (zh) * 2018-07-03 2018-12-18 怀光智能科技（武汉）有限公司 一种高低分辨率组合的宫颈细胞病理切片分类方法
CN110097034A (zh) * 2019-05-15 2019-08-06 广州纳丽生物科技有限公司 一种智能人脸健康程度的识别与评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101756696A (zh) * 2009-12-31 2010-06-30 中国人民解放军空军总医院 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法
WO2017088365A1 (zh) * 2015-11-26 2017-06-01 乐视控股（北京）有限公司 一种肤色检测方法及装置
CN105761246A (zh) * 2016-02-01 2016-07-13 苏州大学 一种叶片病害提取方法
CN109034208A (zh) * 2018-07-03 2018-12-18 怀光智能科技（武汉）有限公司 一种高低分辨率组合的宫颈细胞病理切片分类方法
CN110097034A (zh) * 2019-05-15 2019-08-06 广州纳丽生物科技有限公司 一种智能人脸健康程度的识别与评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张善文;黄文准;师韵;: "基于改进Bernsen二值化算法的植物病害叶片病斑检测", 广东农业科学, no. 12 *
李龙光;苏静;韩海伦;乔海强;钱帆;: "不同光照条件下二值化技术研究及应用", 电子世界, no. 20 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393348A (zh) * 2022-10-25 2022-11-25 绵阳富临医院有限公司 一种基于图像识别的烧伤检测方法、系统及存储介质
CN117495733A (zh) * 2023-11-08 2024-02-02 西北民族大学 一种病灶图像修复方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112837259B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Miri et al. Retinal image analysis using curvelet transform and multistructure elements morphology by reconstruction
WO2019104767A1 (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
WO2016091016A1 (zh) 一种基于胞核标记分水岭变换的粘连白细胞分割方法
US9607376B2 (en) Method and apparatus for image scoring and analysis
CN108564124A (zh) 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
CN113592861A (zh) 一种基于动态阈值的桥梁裂缝检测方法
SG184389A1 (en) A method and system for determining a stage of fibrosis in a liver
CN111815624B (zh) 基于图像处理算法的肿瘤间质比判定方法及系统
CN111860538A (zh) 一种基于图像处理的舌体颜色鉴别方法和装置
CN109087310B (zh) 睑板腺纹理区域的分割方法、系统、存储介质及智能终端
CN109255775A (zh) 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及系统
CN112837259A (zh) 基于特征分割的皮肤色素病变治疗效果图像处理方法
Bharali et al. Detection of hemorrhages in diabetic retinopathy analysis using color fundus images
CN113344810A (zh) 基于动态数据分布的图像增强方法
Soni et al. CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation
Kaur et al. Hairlines removal and low contrast enhancement of melanoma skin images using convolutional neural network with aggregation of contextual information
Ramella Automatic Skin Lesion Segmentation based on Saliency and Color.
CN113850792A (zh) 一种基于计算机视觉的细胞分类计数方法及系统
CN113139929A (zh) 包含信息筛选与融合修复的胃肠道内窥镜图像预处理方法
CN111489333B (zh) 一种无参考夜间自然图像质量评价方法
CN106372593B (zh) 一种基于血管收敛的视盘区定位方法
CN113362280A (zh) 一种基于医学造影的动态目标跟踪方法
Wu et al. Comparison of two academic software packages for analyzing two-dimensional gel images
Barhoumi et al. Pigment network detection in dermatoscopic images for melanoma diagnosis

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