CN112991217A - 一种医学图像采集方法、装置及设备 - Google Patents
一种医学图像采集方法、装置及设备 Download PDFInfo
- Publication number
- CN112991217A CN112991217A CN202110312015.1A CN202110312015A CN112991217A CN 112991217 A CN112991217 A CN 112991217A CN 202110312015 A CN202110312015 A CN 202110312015A CN 112991217 A CN112991217 A CN 112991217A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image
- pixel
- medical
- segmentation
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003709 image segmentation Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000008030 elimination Effects 0.000 claims abstract description 39
- 238000003379 elimination reaction Methods 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000002591 computed tomography Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 210000000695 crystalline len Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06T7/90—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
- G06V10/20—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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种图像采集的技术领域,揭露了一种医学图像采集方法,包括:设置医学图像采集装置参数,利用医学图像采集装置采集医学图像;对所采集的医学图像进行图像灰度化和灰度拉伸的预处理,得到预处理完成的医学图像;利用基于暗通道的消除反光算法对预处理完成的医学图像进行反光消除处理,得到经反光消除的医学图像;利用医学图像分割算法对经反光消除的医学图像进行图像分割处理,得到的若干医学图像块;对于分割得到的若干医学图像块,采用加密算法对医学图像块进行图像加密处理,并将加密后的医学图像块存储到数据库中。本发明还提供了一种医学图像采集装置及设备。本发明实现了医学图像的采集。
Description
技术领域
本发明涉及图像采集的技术领域,尤其涉及一种医学图像采集方法、装置及设备。
背景技术
近年来,随着计算机硬件性能的提高,也使得医学成像技术得到了飞速发展,医学图像处理技术的研究和应用受到了极大的推动,获取质量更高的医学图像成为当前研究领域的热门话题。
传统医学图像采集方法并无法对医学图像的质量进行识别,这导致了采集到了大量无关、质量较差的医学图像,极大增加了医生筛选可用医学图像的工作量。
鉴于此,如何采集到质量更高的医学图像,成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种医学图像采集方法,通过利用医学图像采集装置采集医学图像,并利用基于暗通道的消除反光算法对所采集到的医学图像进行反光消除处理,同时利用医学图像分割算法进行医学图像的分割,对于分割得到的若干医学图像块,采用加密算法对其进行图像加密处理,并将加密后的图像存储到数据库中,实现医学图像的采集。
为实现上述目的,本发明提供的一种医学图像采集方法,包括:
设置医学图像采集装置参数,利用医学图像采集装置采集医学图像;
对所采集的医学图像进行图像灰度化和灰度拉伸的预处理,得到预处理完成的医学图像;
利用基于暗通道的消除反光算法对预处理完成的医学图像进行反光消除处理,得到经反光消除的医学图像;
利用医学图像分割算法对经反光消除的医学图像进行图像分割处理,得到的若干医学图像块;
对于分割得到的若干医学图像块,采用加密算法对医学图像块进行图像加密处理,并将加密后的医学图像块存储到数据库中。
可选地,所述利用医学图像采集装置采集医学图像,包括:
所述医学图像采集装置包括医学图像采集接口,医学图像存储设备,医学图像发送接口;所述医学图像采集装置的参数包括图像信息同步指令、图像接收指令、图像是否有效标志;
利用医学图像采集装置采集医学图像,所述医学图像采集流程为:
利用图像拍摄设备进行医学图像的实时采集,所述图像拍摄设备包括照相机、CT设备等;
利用图像信息同步指令控制每张医学图像的发送,当图像信息同步指令升为1时即从图像拍摄设备发送一张医学图像到图像采集设备;
利用图像接收指令进行医学图像中每行像素的接收,当图像接收指令升为1时图像采集设备则接收医学图像中的一行像素;
当图像信息同步指令和图像接收指令同时升高时,图像是否有效标志为1时即表示发送有效医学图像,为0时则处于无图像状态。
可选地,所述对所采集的医学图像进行图像灰度化和灰度拉伸的预处理,包括:
1)对所采集的医学图像中每一个像素的三个分量求最大值,并将该最大值设置为该像素点的灰度值,得到医学图像的灰度图,所述灰度化处理的公式为:
G(i,j)=max{R(i,j),G(i,j),B(i,j)}
其中:
(i,j)为医学图像中的一个像素点;
R(i,j),G(i,j),B(i,j)分别为像素点(i,j)在R、G、B三个颜色通道中的值;
G(i,j)为像素点(i,j)的灰度值;
2)根据所述灰度图像,本发明利用分段线性变换的方式对图像的灰度进行拉伸,所述的公式为:
其中:
f(x,y)为灰度图像的灰度图;
MAXf(x,y),MINf(x,y)分别为灰度图的最大灰度值和最小灰度值。
可选地,所述利用基于暗通道的消除反光算法对预处理完成的医学图像进行反光消除处理,包括:
1)获取预处理完成的医学图像的暗通道D,其中医学图像I中任意像素x在暗通道的值的计算公式为:
其中:
D(x)表示像素x在暗通道的值;
u表示属于R、G、B颜色通道的某一个通道;
R(x)表示以像素x为中心的邻域像素;
Iu(k)表示像素k在以u代表的颜色通道的值;
通过对医学图像中所有像素在暗通道的值进行计算,得到预处理完成的医学图像的暗通道D;
2)计算移除反光后图像的初始估计值I′u:
I′u=Iu-D+mean(D)
其中:
mean(D)表示暗通道内所有像素的均值;
4)设置迭代聚类次数为N,其中N表示医学图像的像素总数,在第i次迭代时,计算第i个像素xi的平均色调矩阵[umin(xi),umax(xi)]T与第hi-1类平均色调之间的距离其中表示像素xi到第hi-1类之间的距离;
5)令像素xi到所有类之间的最小距离值为dmin,将于像素xi距离为dmin的类作为hmin;
设置阈值T,若dmin<T,则将像素xi的类型设置为hmin;否则更新类总数H=H+1,以及第H类的平均色调sH,并将更新后的第H类分配给像素xi;
6)迭代次数i=i+1,若此时迭代次数达到迭代聚类次数N,则停止迭代,输出像素标签;否则重新进行4)-6),直到达到迭代聚类次数N;
7)计算医学图像的强度S(x):
其中:
Imax(x)表示医学图像的最大值色调通道;
x表示属于医学图像的像素;
计算医学图像的反光强度Sd(x):
Sd(x)=rank(Q(xh))=[P*xh]
其中:
rank(Q(xh))表示对于所有标签为h的像素,按其强度从大到小进行排序;
P为阈值,将其设置为0.4;
xh为所有标签为h的像素;
8)计算医学图像I的反光分量IS(x):
IS(x)=Imax(x)-Sd(x)*(Imax(x)-D)
计算得到经反光消除的医学图像I′(x):
I′(x)=I(x)-IS(x)
其中:
I(x)表示经预处理的医学图像;
IS(x)表示医学图像的反光分量。
可选地,所述利用医学图像分割算法对经反光消除的医学图像进行图像分割处理,包括:
1)将同待分割图像W(x)分辨率相同的医学图像作为参考图像R(x),并初始化图像分割模型;利用图像转换函数对待分割图像进行转换,使待分割图像与参考图像对齐,所述图像转换函数为:
其中:
Pk为图像分割模型中一组控制点集;
Bk为二元基函数,Bk=B(u)B(v),其中B(u),B(v)分别为控制点集在u方向和v方向的一元样条基函数;
2)分割出W(x)的水平集轮廓,在本发明一个具体实施例中,所采用的水平集分割算法为基于窄带的水平集分割算法;
3)计算图像分割精度相似度;
4)若图像分割精度相似度达到停止阈值T1,若达到停止阈值则进行下一步,否则采用梯度下降法,通过最小化能量泛函来对模型参数进行更新,使得W[f(x)]≈R(x)并返回步骤2);所述能量泛函的公式为:
其中:
fu(x),fv(x)分别是图像转换函数f(X)在u和v方向的导数;
5)判断是否达到图像分割模型最大分割细化级别,若是则进行下一步,否则,图像分割模型进入下一分割细化级别更新控制网格,并将上一步迭代循环结束时获得的最终图像作为下一个分割细化级别的待配准图像,同时返回步骤2);
6)输出医学图像分割结果,即若干医学图像块;在本发明一个实施例中,通过对得到的医学图像块的尺寸进行限制,使得每个医学图像块的尺寸比例相同。
可选地,所述采用加密算法对医学图像块进行图像加密处理,包括:
1)获取一个m×m的自可逆矩阵作为算法的密钥矩阵,其中m表示一张医学图像被分割成图像块的数量;
2)将分割成的各个图像块的第i个元素集合在一起,形成一个临时的m×m图像块;
3)利用密钥矩阵对临时图像块进行加密,并对加密后的临时图像块进行转置,同时利用密钥矩阵对转置后的图像块进行加密处理,所述加密处理的公式为:
C=KM
其中:
C为加密后的图像像素矩阵;
K为待加密像素矩阵;
M为密钥矩阵;
4)将加密后的矩阵放置于最终加密矩阵的第i个位置;
5)重复上述步骤2)-4),直到医学图像块的每个像素都经过加密处理,并将最终加密矩阵存储于数据库中;其中解密过程为图像加密的逆过程。
此外,为实现上述目的,本发明还提供一种医学图像采集装置,所述装置包括:
医学图像采集装置,用于设置医学图像采集装置参数,利用医学图像采集装置采集医学图像;
图像处理器,用于对所采集的医学图像进行图像灰度化和灰度拉伸的预处理,利用基于暗通道的消除反光算法对预处理完成的医学图像进行反光消除处理,同时利用医学图像分割算法对经反光消除的医学图像进行图像分割处理;
医学图像存储装置,用于采用加密算法对医学图像块进行图像加密处理,并将加密后的医学图像块存储到数据库中。
此外,为实现上述目的,本发明还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医学图像采集程序指令,所述医学图像采集程序指令可被一个或者多个处理器执行,以实现如上所述的医学图像采集的实现方法的步骤。
相对于现有技术,本发明提出一种医学图像采集方法,该技术具有以下优势:
首先,由于在医院环境中存在大量窗户、玻璃以及易造成反光的医学仪器,同时所采集到的医学图像有可能存在晶状体,例如眼部医学图像,所采集的医学图像有可能存在反光现象。因此本发明提出一种基于暗通道的消除反光算法用于进行图像反光消除处理,在所述消除反光算法中,首先获取预处理完成的医学图像的暗通道D,其中医学图像I中任意像素x在暗通道的值的计算公式为:
其中:D(x)表示像素x在暗通道的值;u表示属于R、G、B颜色通道的某一个通道;R(x)表示以像素x为中心的邻域像素;Iu(k)表示像素k在以u代表的颜色通道的值;并计算移除反光后图像的初始估计值I′u:
I′u=Iu-D+mean(D)
初始化像素标签的类总数H,I′u中第一个像素x0的类别为h0,则h0的平均色调为其中umin(x0),umax(x0)表示像素点在RGB颜色通道中三个色调值的最小值和最大值;设置迭代聚类次数为N,其中N表示医学图像的像素总数,在第i次迭代时,计算第i个像素xi的平均色调矩阵[umin(xi),umax(xi)]T与第hi-1类平均色调之间的距离 其中表示像素xi到第hi-1类之间的距离;令像素xi到所有类之间的最小距离值为dmin,将于像素xi距离为dmin的类作为hmin;设置阈值T,若dmin<T,则将像素xi的类型设置为hmin;否则更新类总数H=H+1,以及第H类的平均色调sH,并将更新后的第H类分配给像素xi;迭代次数i=i+1,若此时迭代次数达到迭代聚类次数N,则停止迭代,输出像素标签;否则重新进行标签的聚类迭代,直到达到迭代聚类次数N;通过计算医学图像的强度S(x):
其中:Imax(x)表示医学图像的最大值色调通道;x表示属于医学图像的像素;以及计算医学图像的反光强度Sd(x):
Sd(x)=rank(Q(xh))=[P*xh]
其中:rank(Q(xh))表示对于所有标签为h的像素,按其强度从大到小进行排序;P为阈值,将其设置为0.4;xh为所有标签为h的像素;得到医学图像I的反光分量IS(x):
IS(x)=Imax(x)-Sd(x)*(Imax(x)-D)
从而得到经反光消除的医学图像I′(x):
I′(x)=I(x)-IS(x)
相较于传统算法,本发明所述算法通过反光部分与背景区域颜色强度差异较小、局部颜色对比度低的特点,利用暗通道和最大色调通道反射成分,并对具有漫反射和镜面反射分量的像素进行像素标签聚类,像素聚类通过一种新的色调矩阵将所有像素划分为多个类,每类像素具有相似的反射分量,有效弥补了现有方法只能分离出单纯镜面反射像素的缺陷,从而实现对医学图像的反光消除处理。
同时本发明利用医学图像分割算法对经反光消除的医学图像进行图像分割处理,得到的若干医学图像块,首先将同待分割图像W(x)分辨率相同的医学图像作为参考图像R(x),并初始化图像分割模型;利用图像转换函数对待分割图像进行转换,使待分割图像与参考图像对齐,所述图像转换函数为:
其中:Pk为图像分割模型中一组控制点集;Bk为二元基函数,Bk=B(u)B(v),其中B(u),B(v)分别为控制点集在u方向和v方向的一元样条基函数;并利用基于窄带的水平集分割算法分割出W(x)的水平集轮廓;计算图像分割精度相似度,若图像分割精度相似度达到停止阈值T1,若达到停止阈值则进行下一步,否则采用梯度下降法,通过最小化能量泛函来对模型参数进行更新,使得W[f(x)]≈R(x)并重新进行图像转换;所述能量泛函的公式为:
其中:fu(x),fv(x)分别是图像转换函数f(X)在u和v方向的导数,表示待分割图像;判断是否达到图像分割模型最大分割细化级别,若是则进行下一步,否则,图像分割模型进入下一分割细化级别更新控制网格,并将上一步迭代循环结束时获得的最终图像作为下一个分割细化级别的待配准图像;输出医学图像分割结果,即若干医学图像块;根据所获得的若干医学图像块,本发明获取一个m×m的自可逆矩阵作为算法的密钥矩阵,其中m表示一张医学图像被分割成图像块的数量;将分割成的各个图像块的第i个元素集合在一起,形成一个临时的m×m图像块;利用密钥矩阵对临时图像块进行加密,并对加密后的临时图像块进行转置,同时利用密钥矩阵对转置后的图像块进行加密处理,所述加密处理的公式为:
C=KM
其中:C为加密后的图像像素矩阵;K为待加密像素矩阵;M为密钥矩阵;将加密后的矩阵放置于最终加密矩阵的第i个位置;重复上述步骤,直到医学图像块的每个像素都经过加密处理,并将最终加密矩阵存储于数据库中,有效保障了医学图像的安全性。
附图说明
图1为本发明一实施例提供的一种医学图像采集方法的流程示意图;
图2为本发明一实施例提供的一种医学图像采集装置的结构示意图;
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
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。
通过利用医学图像采集装置采集医学图像,并利用基于暗通道的消除反光算法对所采集到的医学图像进行反光消除处理,同时利用医学图像分割算法进行医学图像的分割,对于分割得到的若干医学图像块,采用加密算法对其进行图像加密处理,并将加密后的图像存储到数据库中,实现医学图像的采集。参照图1所示,为本发明一实施例提供的医学图像采集方法示意图。
在本实施例中,医学图像采集方法包括:
S1、设置医学图像采集装置参数,利用医学图像采集装置采集医学图像。
首先,本发明设置医学图像采集装置的参数,所述医学图像采集装置包括医学图像采集接口,医学图像存储设备,医学图像发送接口;所述医学图像采集装置的参数包括图像信息同步指令、图像接收指令、图像是否有效标志;
进一步地,本发明利用医学图像采集装置采集医学图像,所述医学图像采集流程为:
利用图像拍摄设备进行医学图像的实时采集,所述图像拍摄设备包括照相机、CT设备等;
利用图像信息同步指令控制每张医学图像的发送,当图像信息同步指令升为1时即从图像拍摄设备发送一张医学图像到图像采集设备;
利用图像接收指令进行医学图像中每行像素的接收,当图像接收指令升为1时图像采集设备则接收医学图像中的一行像素;
当图像信息同步指令和图像接收指令同时升高时,图像是否有效标志为1时即表示发送有效医学图像,为0时则处于无图像状态。
S2、对所采集的医学图像进行图像灰度化和灰度拉伸的预处理,得到预处理完成的医学图像。
进一步地,本发明对图像采集设备中所采集的医学图像进行图像灰度化和灰度拉伸的预处理,所述对医学图像进行图像灰度化和灰度拉伸的预处理流程为:
1)对所采集的医学图像中每一个像素的三个分量求最大值,并将该最大值设置为该像素点的灰度值,得到医学图像的灰度图,所述灰度化处理的公式为:
G(i,j)=max{R(i,j),G(i,j),B(i,j)}
其中:
(i,j)为医学图像中的一个像素点;
R(i,j),G(i,j),B(i,j)分别为像素点(ij)在R、G、B三个颜色通道中的值;
G(i,j)为像素点(i,j)的灰度值;
2)根据所述灰度图像,本发明利用分段线性变换的方式对图像的灰度进行拉伸,所述的公式为:
其中:
f(x,y)为灰度图像的灰度图;
MAXf(x,y),MINf(x,y)分别为灰度图的最大灰度值和最小灰度值。
S3、利用基于暗通道的消除反光算法对预处理完成的医学图像进行反光消除处理,得到经反光消除的医学图像。
进一步地,本发明利用基于暗通道的消除反光算法对预处理完成的医学图像进行反光消除处理,所述基于暗通道的消除反光算法流程为:
1)获取预处理完成的医学图像的暗通道D,其中医学图像I中任意像素x在暗通道的值的计算公式为:
其中:
D(x)表示像素x在暗通道的值;
u表示属于R、G、B颜色通道的某一个通道;
R(x)表示以像素x为中心的邻域像素;
Iu(k)表示像素k在以u代表的颜色通道的值;
通过对医学图像中所有像素在暗通道的值进行计算,得到预处理完成的医学图像的暗通道D;
2)计算移除反光后图像的初始估计值I′u:
I′u=Iu-D+mean(D)
其中:
mean(D)表示暗通道内所有像素的均值;
4)设置迭代聚类次数为N,其中N表示医学图像的像素总数,在第i次迭代时,计算第i个像素xi的平均色调矩阵[umin(xi),umax(xi)]T与第hi-1类平均色调之间的距离其中表示像素xi到第hi-1类之间的距离;
5)令像素xi到所有类之间的最小距离值为dmin,将于像素xi距离为dmin的类作为hmin;
设置阈值T,若dmin<T,则将像素xi的类型设置为hmin;否则更新类总数H=H+1,以及第H类的平均色调sH,并将更新后的第H类分配给像素xi;
6)迭代次数i=i+1,若此时迭代次数达到迭代聚类次数N,则停止迭代,输出像素标签;否则重新进行4)-6),直到达到迭代聚类次数N;
7)计算医学图像的强度S(x):
其中:
Imax(x)表示医学图像的最大值色调通道;
x表示属于医学图像的像素;
计算医学图像的反光强度Sd(x):
Sd(x)=rank(Q(xh))=[P*xh]
其中:
rank(Q(xh))表示对于所有标签为h的像素,按其强度从大到小进行排序;
P为阈值,将其设置为0.4;
xh为所有标签为h的像素;
8)计算医学图像I的反光分量IS(x):
IS(x)=Imax(x)-Sd(x)*(Imax(x)-D)
计算得到经反光消除的医学图像I′(x):
I′(x)=I(x)-IS(x)
其中:
I(x)表示经预处理的医学图像;
IS(x)表示医学图像的反光分量。
S4、利用医学图像分割算法对经反光消除的医学图像进行图像分割处理,得到的若干医学图像块。
进一步地,对于经反光消除的医学图像,本发明利用医学图像分割算法对经反光消除的医学图像进行图像分割处理,所述医学图像分割算法流程为:
1)将同待分割图像W(x)分辨率相同的医学图像作为参考图像R(x),并初始化图像分割模型;利用图像转换函数对待分割图像进行转换,使待分割图像与参考图像对齐,所述图像转换函数为:
其中:
Pk为图像分割模型中一组控制点集;
Bk为二元基函数,Bk=B(u)B(v),其中B(u),B(v)分别为控制点集在u方向和v方向的一元样条基函数;
2)分割出W(x)的水平集轮廓,在本发明一个具体实施例中,所采用的水平集分割算法为基于窄带的水平集分割算法;
3)计算图像分割精度相似度;
4)若图像分割精度相似度达到停止阈值T1,若达到停止阈值则进行下一步,否则采用梯度下降法,通过最小化能量泛函来对模型参数进行更新,使得W[f(x)]≈R(x)并返回步骤2);所述能量泛函的公式为:
其中:
fu(x),fv(x)分别是图像转换函数f(X)在u和v方向的导数;
5)判断是否达到图像分割模型最大分割细化级别,若是则进行下一步,否则,图像分割模型进入下一分割细化级别更新控制网格,并将上一步迭代循环结束时获得的最终图像作为下一个分割细化级别的待配准图像,同时返回步骤2);
6)输出医学图像分割结果,即若干医学图像块;在本发明一个实施例中,通过对得到的医学图像块的尺寸进行限制,使得每个医学图像块的尺寸比例相同。
S5、对于分割得到的若干医学图像块,采用加密算法对医学图像块进行图像加密处理,并将加密后的医学图像块存储到数据库中。
进一步地,对于分割得到的若干医学图像块,本发明采用加密算法对医学图像块进行图像加密处理,所述医学图像块的图像加密算法流程为:
1)获取一个m×m的自可逆矩阵作为算法的密钥矩阵,其中m表示一张医学图像被分割成图像块的数量;
2)将分割成的各个图像块的第i个元素集合在一起,形成一个临时的m×m图像块;
3)利用密钥矩阵对临时图像块进行加密,并对加密后的临时图像块进行转置,同时利用密钥矩阵对转置后的图像块进行加密处理,所述加密处理的公式为:
C=KM
其中:
C为加密后的图像像素矩阵;
K为待加密像素矩阵;
M为密钥矩阵;
4)将加密后的矩阵放置于最终加密矩阵的第i个位置;
5)重复上述步骤2)-4),直到医学图像块的每个像素都经过加密处理,并将最终加密矩阵存储于数据库中;其中解密过程为图像加密的逆过程。
下面通过一个算法实验来说明本发明的具体实施方式,并对发明的处理方法进行测试。本发明算法的硬件测试环境为:Inter(R)Core(TM)i7-6700KCPU,软件为Matlab2018a;对比方法为基于传感器的医学图像采集方法以及基于神经网络的医学图像采集方法。
在本发明所述算法实验中,数据集为10G的待采集医学图像。本实验通过利用医学图像采集方法对待采集医学图像进行采集,将采集医学图像的质量作为算法可行性的评价指标,其中采集到的医学图像的质量越高,则说明算法的有效性、可行性越高。
根据实验结果,基于传感器的医学图像采集方法的医学图像质量为84.62%,基于神经网络的医学图像采集方法的医学图像质量为87.66%,本发明所述方法的医学图像质量为90.11%,相较于对比算法,本发明所提出的医学图像采集方法能够采集到更高质量的医学图像。
发明还提供一种医学图像采集装置及设备。参照图2所示,为本发明一实施例提供的医学图像采集装置的内部结构示意图。
在本实施例中,所述医学图像采集装置1至少包括医学图像采集装置11、图像处理器12、医学图像存储装置13,通信总线14,以及网络接口15。
其中,医学图像采集装置11可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。
图像处理器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。图像处理器12在一些实施例中可以是医学图像采集装置1的内部存储单元,例如该医学图像采集装置1的硬盘。图像处理器12在另一些实施例中也可以是医学图像采集装置1的外部存储设备,例如医学图像采集装置1上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,图像处理器12还可以既包括医学图像采集装置1的内部存储单元也包括外部存储设备。图像处理器12不仅可以用于存储安装于医学图像采集装置1的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
医学图像存储装置13在一些实施例中可以是一中央处理器(CentralProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行图像处理器12中存储的程序代码或处理数据,例如医学图像采集程序指令等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-EmittingDiode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在医学图像采集装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及医学图像采集装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对医学图像采集装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,图像处理器12中存储有医学图像采集程序指令;医学图像存储装置13执行图像处理器12中存储的医学图像采集程序指令的步骤,与医学图像采集方法的实现方法相同,在此不作类述。
此外,本发明实施例还提出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医学图像采集程序指令,所述医学图像采集程序指令可被一个或多个处理器执行,以实现如下操作:
设置医学图像采集装置参数,利用医学图像采集装置采集医学图像;
对所采集的医学图像进行图像灰度化和灰度拉伸的预处理,得到预处理完成的医学图像;
利用基于暗通道的消除反光算法对预处理完成的医学图像进行反光消除处理,得到经反光消除的医学图像;
利用医学图像分割算法对经反光消除的医学图像进行图像分割处理,得到的若干医学图像块;
对于分割得到的若干医学图像块,采用加密算法对医学图像块进行图像加密处理,并将加密后的医学图像块存储到数据库中。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种医学图像采集方法,其特征在于,所述方法包括:
设置医学图像采集装置参数,利用医学图像采集装置采集医学图像;
对所采集的医学图像进行图像灰度化和灰度拉伸的预处理,得到预处理完成的医学图像;
利用基于暗通道的消除反光算法对预处理完成的医学图像进行反光消除处理,得到经反光消除的医学图像;
利用医学图像分割算法对经反光消除的医学图像进行图像分割处理,得到的若干医学图像块;
对于分割得到的若干医学图像块,采用加密算法对医学图像块进行图像加密处理,并将加密后的医学图像块存储到数据库中。
2.如权利要求1所述的一种医学图像采集方法,其特征在于,所述利用医学图像采集装置采集医学图像,包括:
利用图像拍摄设备进行医学图像的实时采集,所述图像拍摄设备包括照相机、CT设备等;
利用图像信息同步指令控制每张医学图像的发送,当图像信息同步指令升为1时即从图像拍摄设备发送一张医学图像到图像采集设备;
利用图像接收指令进行医学图像中每行像素的接收,当图像接收指令升为1时图像采集设备则接收医学图像中的一行像素;
当图像信息同步指令和图像接收指令同时升高时,图像是否有效标志为1时即表示发送有效医学图像,为0时则处于无图像状态。
3.如权利要求2所述的一种医学图像采集方法,其特征在于,所述对所采集的医学图像进行图像灰度化和灰度拉伸的预处理,包括:
1)对所采集的医学图像中每一个像素的三个分量求最大值,并将该最大值设置为该像素点的灰度值,得到医学图像的灰度图,所述灰度化处理的公式为:
G(i,j)=max{R(i,j),G(i,j),B(i,j)}
其中:
(i,j)为医学图像中的一个像素点;
R(i,j),G(i,j),B(i,j)分别为像素点(i,j)在R、G、B三个颜色通道中的值;
G(i,j)为像素点(i,j)的灰度值;
2)对于所述灰度图像,利用分段线性变换的方式对图像的灰度进行拉伸,所述的公式为:
其中:
f(x,y)为灰度图像的灰度图;
MAXf(x,y),MINf(x,y)分别为灰度图的最大灰度值和最小灰度值。
4.如权利要求3所述的一种医学图像采集方法,其特征在于,所述利用基于暗通道的消除反光算法对预处理完成的医学图像进行反光消除处理,包括:
1)获取预处理完成的医学图像的暗通道D,其中医学图像I中任意像素x在暗通道的值的计算公式为:
其中:
D(x)表示像素x在暗通道的值;
u表示属于R、G、B颜色通道的某一个通道;
R(x)表示以像素x为中心的邻域像素;
Iu(k)表示像素k在以u代表的颜色通道的值;
通过对医学图像中所有像素在暗通道的值进行计算,得到预处理完成的医学图像的暗通道D;
2)计算移除反光后图像的初始估计值I′u:
I′u=Iu-D+mean(D)
其中:
mean(D)表示暗通道内所有像素的均值;
4)设置迭代聚类次数为N,其中N表示医学图像的像素总数,在第i次迭代时,计算第i个像素xi的平均色调矩阵[umin(xi),umax(xi)]T与第hi-1类平均色调之间的距离其中表示像素xi到第hi-1类之间的距离;
5)令像素xi到所有类之间的最小距离值为dmin,将于像素xi距离为dmin的类作为hmin;
设置阈值T,若dmin<T,则将像素xi的类型设置为hmin;否则更新类总数H=H+1,以及第H类的平均色调sH,并将更新后的第H类分配给像素xi;
6)迭代次数i=i+1,若此时迭代次数达到迭代聚类次数N,则停止迭代,输出像素标签;否则重新进行4)-6),直到达到迭代聚类次数N;
7)计算医学图像的强度S(x):
其中:
Imax(x)表示医学图像的最大值色调通道;
x表示属于医学图像的像素;
计算医学图像的反光强度Sd(x):
Sd(x)=rank(Q(xh))=[P*xh]
其中:
rank(Q(xh))表示对于所有标签为h的像素,按其强度从大到小进行排序;
P为阈值,将其设置为0.4;
xh为所有标签为h的像素;
8)计算医学图像I的反光分量Is(x):
Is(x)=Imax(x)-Sd(x)*(Imax(x)-D)
计算得到经反光消除的医学图像I′(x):
I′(x)=I(x)-Is(x)
其中:
I(x)表示经预处理的医学图像;
Is(x)表示医学图像的反光分量。
5.如权利要求4所述的一种医学图像采集方法,其特征在于,所述利用医学图像分割算法对经反光消除的医学图像进行图像分割处理,包括:
1)将同待分割图像W(x)分辨率相同的医学图像作为参考图像R(x),并初始化图像分割模型;利用图像转换函数对待分割图像进行转换,使待分割图像与参考图像对齐,所述图像转换函数为:
其中:
Pk为图像分割模型中一组控制点集;
Bk为二元基函数,Bk=B(u)B(v),其中B(u),B(v)分别为控制点集在u方向和v方向的一元样条基函数;
2)分割出W(x)的水平集轮廓;
3)计算图像分割精度相似度;若图像分割精度相似度达到停止阈值T1,若达到停止阈值则进行下一步,否则采用梯度下降法,通过最小化能量泛函来对模型参数进行更新,使得W[f(x)]≈R(x)并返回步骤2);所述能量泛函的公式为:
其中:
fu(x),fv(x)分别是图像转换函数f(X)在u和v方向的导数;
5)判断是否达到图像分割模型最大分割细化级别,若是则进行下一步,否则,图像分割模型进入下一分割细化级别更新控制网格,并将上一步迭代循环结束时获得的最终图像作为下一个分割细化级别的待配准图像,同时返回步骤2);
6)输出医学图像分割结果,即若干医学图像块。
6.如权利要求5所述的一种医学图像采集方法,其特征在于,所述采用加密算法对医学图像块进行图像加密处理,包括:
1)获取一个m×m的自可逆矩阵作为算法的密钥矩阵,其中m表示一张医学图像被分割成图像块的数量;
2)将分割成的各个图像块的第i个元素集合在一起,形成一个临时的m×m图像块;
3)利用密钥矩阵对临时图像块进行加密,并对加密后的临时图像块进行转置,同时利用密钥矩阵对转置后的图像块进行加密处理,所述加密处理的公式为:
C=KM
其中:
C为加密后的图像像素矩阵;
K为待加密像素矩阵;
M为密钥矩阵;
4)将加密后的矩阵放置于最终加密矩阵的第i个位置;
5)重复上述步骤2)-4),直到医学图像块的每个像素都经过加密处理,并将最终加密矩阵存储于数据库中;其中解密过程为图像加密的逆过程。
7.一种医学图像采集装置及设备,其特征在于,所述装置及设备包括:
医学图像采集装置,用于设置医学图像采集装置参数,利用医学图像采集装置采集医学图像;
图像处理器,用于对所采集的医学图像进行图像灰度化和灰度拉伸的预处理,利用基于暗通道的消除反光算法对预处理完成的医学图像进行反光消除处理,同时利用医学图像分割算法对经反光消除的医学图像进行图像分割处理;
医学图像存储装置,用于采用加密算法对医学图像块进行图像加密处理,并将加密后的医学图像块存储到数据库中。
8.一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医学图像采集程序指令,所述医学图像采集程序指令可被一个或者多个处理器执行,以实现如权利要求1至6中任一项所述的一种医学图像采集的实现方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312015.1A CN112991217A (zh) | 2021-03-24 | 2021-03-24 | 一种医学图像采集方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312015.1A CN112991217A (zh) | 2021-03-24 | 2021-03-24 | 一种医学图像采集方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991217A true CN112991217A (zh) | 2021-06-18 |
Family
ID=76333241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110312015.1A Withdrawn CN112991217A (zh) | 2021-03-24 | 2021-03-24 | 一种医学图像采集方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991217A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435377A (zh) * | 2021-07-06 | 2021-09-24 | 吴国军 | 一种医疗手掌静脉图像采集监控方法及系统 |
CN113554748A (zh) * | 2021-08-16 | 2021-10-26 | 薛志伟 | 一种医疗器械三维建模方法及装置 |
CN114676396A (zh) * | 2022-05-30 | 2022-06-28 | 山东极视角科技有限公司 | 深度神经网络模型的保护方法、装置、电子设备和介质 |
CN113554748B (zh) * | 2021-08-16 | 2024-06-07 | 西藏氧知元医疗科技有限公司 | 一种医疗器械三维建模方法及装置 |
-
2021
- 2021-03-24 CN CN202110312015.1A patent/CN112991217A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435377A (zh) * | 2021-07-06 | 2021-09-24 | 吴国军 | 一种医疗手掌静脉图像采集监控方法及系统 |
CN113554748A (zh) * | 2021-08-16 | 2021-10-26 | 薛志伟 | 一种医疗器械三维建模方法及装置 |
CN113554748B (zh) * | 2021-08-16 | 2024-06-07 | 西藏氧知元医疗科技有限公司 | 一种医疗器械三维建模方法及装置 |
CN114676396A (zh) * | 2022-05-30 | 2022-06-28 | 山东极视角科技有限公司 | 深度神经网络模型的保护方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10902245B2 (en) | Method and apparatus for facial recognition | |
US11244435B2 (en) | Method and apparatus for generating vehicle damage information | |
WO2019109526A1 (zh) | 人脸图像的年龄识别方法、装置及存储介质 | |
US10691928B2 (en) | Method and apparatus for facial recognition | |
KR102629380B1 (ko) | 실제 3차원 객체를 실제 객체의 2-차원 스푸프로부터 구별하기 위한 방법 | |
CN110276366A (zh) | 使用弱监督模型来检测对象 | |
CN106845331B (zh) | 一种图像处理方法及终端 | |
CN109934198B (zh) | 人脸识别方法及装置 | |
WO2023137914A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110738102A (zh) | 一种人脸识别方法及系统 | |
WO2020248848A1 (zh) | 智能化异常细胞判断方法、装置及计算机可读存储介质 | |
CN112991217A (zh) | 一种医学图像采集方法、装置及设备 | |
CN110930296A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN108764139B (zh) | 一种人脸检测方法、移动终端及计算机可读存储介质 | |
CN113436162B (zh) | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 | |
CN112308802A (zh) | 一种基于大数据的图像分析方法及系统 | |
CN111666813B (zh) | 基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
CN113240585B (zh) | 基于生成对抗网络的图像处理方法、装置及存储介质 | |
CN113077464A (zh) | 一种医学图像处理方法、医学图像识别方法及装置 | |
CN110427828B (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
CN112037235A (zh) | 伤情图片自动化审核方法、装置、电子设备及存储介质 | |
CN113963311B (zh) | 一种安全生产风险视频监控方法及系统 | |
CN111179222A (zh) | 脑出血点智能检测方法、装置及计算机可读存储介质 | |
CN115841641A (zh) | 车辆内部视频的脱敏方法、系统、电子设备及存储介质 | |
CN113192198A (zh) | 一种基于智能网联汽车的高精度动态地图生成与应用方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210618 |