CN113516679A - 一种病理图像关键区域的定位方法及设备 - Google Patents

Abstract

本申请公开了一种病理图像的关键区域定位方法及设备，通过获取图像采集设备采集的病理切片的病理图像。确定病理图像中的待处理像素点。将各待处理像素点的RGB分量值调整为预设背景RGB分量值，得到处理图像。基于预设规则，对处理图像进行图像处理，得到病理图像的前景图像。对前景图像进行灰度积分投影，得到相应的灰度积分投影矩阵。根据灰度积分投影矩阵中各元素的元素值，确定各灰度积分投影矩阵中最小值定位元素和最大值元素。并计算相邻位置的最大值元素的距离差值。基于距离差值以及最小值定位元素，确定定位元素。其中，定位元素包括：水平定位元素、垂直定位元素。基于各定位元素，确定病理图像的关键区域。

Description

一种病理图像关键区域的定位方法及设备

技术领域

本申请涉及图像处理技术领域，尤其涉及一种病理图像关键区域的定位方法及设备。

背景技术

病理切片中是病理中最重要的一个环节，病理医生可以通过观察病理切片，根据组织形态学，做出明确的病理诊断。而随着计算机技术和自动化技术的快速发展，数字化病理切片以其速度快、方便灵活和易保存等优势，得到了医学领域的广泛认可。而数字化病理切片能否准确地还原真实病理信息，对能否保证医学诊断的准确性有着较大影响。因此，为了能够保证病理诊断的准确性，数字化病理切片制作的质量十分重要。

现有技术中，往往是通过对病理切片进行图像采集，得到相应的病理图像。然后通过图像处理算法，定位到病理图像的关键区域，定位到的关键区域对应的图像即为数字化病理切片。但是实际定位关键区域时，大多数的病理切片上都存在着一些对关键区域的定位产生干扰的污染区域，如灰尘、胶水等，导致定位的病理图像的关键区域的误差较大。

发明内容

本申请实施例提供一种病理图像的关键区域定位方法及设备，解决病理图像的污染区域影响关键区域定位的技术问题。

一方面，本申请提供了一种病理图像的关键区域定位方法，该方法包括：

获取图像采集设备采集的病理切片的病理图像。确定病理图像中的待处理像素点。其中，待处理像素点为RGB分量值处于预设取值区间的像素点。将各待处理像素点的RGB分量值调整为预设背景RGB分量值，得到处理图像。基于预设规则，对处理图像进行图像处理，得到病理图像的前景图像。其中，前景图像为二值化图像。对前景图像进行灰度积分投影，得到相应的灰度积分投影矩阵。根据灰度积分投影矩阵中各元素的元素值，确定各灰度积分投影矩阵中最小值定位元素和最大值元素。并计算相邻位置的最大值元素的距离差值。基于距离差值以及最小值定位元素，确定定位元素。其中，定位元素包括：水平定位元素、垂直定位元素。基于各定位元素，确定病理图像的关键区域。

本申请通过上述方案，获取图像采集设备采集的病理图像，确定待处理像素点，并将病理图像中的待处理像素点的RGB分量值，调整为预设背景RGB分量值，得到处理图像。将处理图像进行图像处理，以得到病理图像的二值化前景图像。根据灰度积分投影，确定灰度积分投影矩阵中的定位元素，得到前景图像中的关键区域。将影响病理图像关键区域定位的干扰像素点去除，对病理图像的关键区域实现准确定位，无误差。

在本申请的一种实现方式中，确定水平积分投影矩阵中各距离差值是否大于第一预设阈值。在水平积分投影矩阵的距离差值大于第一预设阈值的情况下，确定距离差值对应的相邻位置的最大值元素是否为最接近水平积分投影矩阵中最小值定位元素的元素。在相邻位置的最大值元素为最接近水平积分投影矩阵中最小值定位元素的元素的情况下，将相邻位置的最大值元素作为水平定位元素。确定垂直积分投影矩阵的距离差值是否大于第一预设阈值。在垂直积分投影矩阵的距离差值大于第一预设阈值的情况下，确定距离差值对应的相邻位置的最大值元素是否为最接近垂直水平积分投影矩阵中最小值定位元素的元素。在相邻位置的最大值元素为最接近垂直积分投影矩阵中最小值定位元素的元素的情况下，将相邻位置的最大值元素作为垂直定位元素。

在本申请的一种实现方式中，确定灰度积分投影矩阵中最小值元素的数量。在最小值元素的数量大于1的情况下，确定各最小值元素处于灰度积分投影矩阵中的坐标。基于灰度积分投影矩阵以及各最小值元素的坐标，确定最接近灰度积分投影矩阵中心位置的最小值元素，作为最小值定位元素。

在本申请的一种实现方式中，确定最小值定位元素处于灰度积分投影矩阵中的坐标。将最小值定位元素的坐标作为分隔线，将相应的灰度积分投影矩阵分割为第一子矩阵、第二子矩阵。分别确定第一子矩阵中的最大值元素、第二子矩阵中的最大值元素。将灰度积分投影矩阵中对应于第一子矩阵中的最大值元素的坐标以及第二子矩阵中的最大值元素的坐标，按照预设顺序，生成待处理元素坐标序列。确定待处理元素序列中相邻位置元素坐标的坐标差值，并将该坐标差值作为相邻位置的最大值元素的距离差值，以根据距离差值以及最小值定位元素，确定定位元素。其中，相邻位置的最大值元素包括第一子矩阵中的最大值元素、第二子矩阵中的最大值元素。

在本申请的一种实现方式中，基于处理图像中各像素点的RGB分量值，确定处理图像中各像素点对应的亮度分量、第一色度分量、第二色度分量。基于亮度分量、第一色度分量、第二色度分量及预设对应关系，确定第一色度分量及第二色度分量对应的色度信息量。根据色度信息量及亮度分量，确定各像素点对应的灰度值，以得到灰度化处理后的处理图像。对灰度化处理后的处理图像进行二值化处理，得到病理图像的前景图像。

在本申请的一种实现方式中，对处理图像进行灰度化处理。确定灰度化处理后的处理图像中各灰度值对应的像素点个数。根据各灰度值对应的像素点个数，确定各灰度值对应的像素点在处理图像中的出现概率。其中，出现概率为灰度值对应的像素点个数与处理图像中所有像素点个数的比值。根据出现概率以及预设的最大类间方差法，确定第二预设阈值。其中，第二预设阈值用于对处理图像进行二值化处理。根据第二预设阈值，对处理图像进行二值化处理，以得到病理图像的前景图像。

通过最大类间方差法，确定用于处理图像二值化处理的第二预设阈值。本申请通过上述方案，可以对病理图像进行有效地分割，从而确定病理图像中的前景图像。

在本申请的一种实现方式中，确定相应的结构元素，并根据结构元素对前景图像进行膨胀运算。根据结构元素，将进行膨胀运算后的前景图像进行腐蚀运算，得到膨胀腐蚀后的前景图像，以对膨胀腐蚀后的前景图像进行灰度积分投影。

在本申请的一种实现方式中，确定预设病理图像样本库中的背景图像以及背景图像的各像素点的RGB分量值。基于背景图像的各像素点的各RGB分量值，确定背景图像的像素点的RGB分量值的均值。将RGB分量值的均值作为预设背景RGB分量值。

在本申请的一种实现方式中，确定关键区域的区域长度及区域宽度。将关键区域的区域长度及区域宽度输入预存样本库中。根据预存样本库中的样本数据，计算第一预设阈值。

另一方面，本申请提供了一种病理图像的关键区域定位设备，该设备包括：

至少一个处理器，以及与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够实现功能：获取图像采集设备采集的病理切片的病理图像。确定病理图像中的待处理像素点。其中，待处理像素点为RGB分量值处于预设取值区间的像素点。将各待处理像素点的RGB分量值调整为预设背景RGB分量值，得到处理图像。基于预设规则，对处理图像进行图像处理，得到病理图像的前景图像。其中，前景图像为二值化图像。对前景图像进行灰度积分投影，得到相应的灰度积分投影矩阵。根据灰度积分投影矩阵中各元素的元素值，确定各灰度积分投影矩阵中最小值定位元素和最大值元素。并计算相邻位置的最大值元素的距离差值。基于距离差值以及最小值定位元素，确定定位元素。其中，定位元素包括：水平定位元素、垂直定位元素。基于各定位元素，确定病理图像的关键区域。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种病理图像的关键区域定位方法的一种流程示意图；

图2为本申请实施例提供的一种病理图像的关键区域定位方法的一种示意图；

图3为本申请实施例提供的一种病理图像的关键区域定位方法的另一种流程示意图；

图4为本申请实施例提供的一种病理图像的关键区域定位方法的另一种流程示意图；

图5为本申请实施例提供的一种病理图像的关键区域定位方法的另一种流程示意图；

图6为本申请实施例提供的一种病理图像的关键区域定位方法的另一种示意图；

图7为本申请实施例提供的一种病理图像的关键区域定位方法的另一种流程示意图；

图8为本申请实施例提供的一种病理图像的关键区域定位方法的另一种示意图；

图9为本申请实施例提供的一种病理图像的关键区域定位方法的另一种流程示意图；

图10为本申请实施例提供的一种病理图像的关键区域定位方法的另一种示意图；

图11为本申请实施例提供的一种病理图像的关键区域定位方法的另一种示意图；

图12为本申请实施例提供的一种病理图像的关键区域定位设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请说明书中的实施例，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，都属于本申请保护的范围。

在病理切片的制作过程中，可能存在干扰物如灰尘、胶水等，进入病理切片，影响病理图像关键区域的定位，导致关键区域定位有误差，可能会影响病理医生的诊断结果。

基于此，本申请实施例提供了一种病理图像的关键区域定位方法及设备，用来对病理图像关键区域进行准确地定位。

以下结合附图，详细说明本申请各实施例提供的技术方案。

本申请实施例提供了一种车辆行驶轨迹重构方法，如图1所示，该方法可以包括步骤S101-S108：

S101、服务器获取图像采集设备采集的病理切片的病理图像。

在本申请实施例中，图像采集设备采集已制作好的病理切片的病理图像，如图2所示，图像采集设备将该病理图像发送至服务器。该病理图像可以是未定位关键区域的病理图像，也可以是已定位关键区域的病理图像，服务器对其进行进一步定位关键区域。其中，图像采集设备可以是摄像头、相机等电子设备，也可以是其他设备，本申请对此不作具体限定。

需要说明的是，服务器作为基于超宽带的定位方法的执行主体为示例性存在，不仅限于服务器，本申请对此不作具体限定。

S102、服务器确定病理图像中的待处理像素点。

其中，待处理像素点为RGB分量值处于预设取值区间的像素点。

在本申请实施例中，服务器识别病理图像，确定病理图像中的各像素点的RGB分量值，服务器将RGB分量值处于预设取值区间的像素点，作为待处理像素点。如R、G、B颜色分量取值区间均为[A，B]，病理图像的一像素点a的R、G、B分量值均为b，在A<b<B的情况下，服务器将像素点a作为待处理像素点。

在本申请的一个实施例中，服务器可以从预先设置的图像样本库中，识别若干污染区域图像，并得到相应的RGB分量值；也可以通过网络，获取污染区域图像数据库中的若干污染区域图像，并得到相应的RGB分量值。服务器可以确定若干污染区域图像的RGB分量值中的RGB分量最大值及RGB分量最小值。服务器根据RGB分量最大值及RGB分量最小值，确定预设取值区间。例如，通过识别若干污染区域图像，确定预设取值区间为R分量值区间[190,215]，G分量值区间[190,215]，B分量值区间[187,220]。上述污染区域图像可以是病理图像中，对关键区域定位有干扰因素的图像，如灰尘、胶水等图像。

此外，上述服务器获取预设取值区间的方式仅是一种实施方式，也可以通过其他方式确定预设取值区间，对于预设取值区间的获取方式，本申请在此不作具体限定。

S103、服务器将各待处理像素点的RGB分量值调整为预设背景RGB分量值，得到处理图像。

在本申请实施例中，服务器将待处理像素点的RGB分量值调整为预设背景RGB分量值，从而将对关键区域的定位有干扰作用的待处理像素点，设置为病理图像的背景区域的像素点。

在本申请的一个实施例中，可以根据以下步骤确定预设背景RGB分量值，如图3所示，包括以下步骤：

S301、服务器确定预设病理图像样本库中的背景图像以及背景图像的各像素点的RGB分量值。

在本申请实施例中，预设病理图像样本库中预先存储若干背景图像，服务器从预设病理图像样本库中识别背景图像，并确定背景图像的各像素点的RGB分量值。

S302、服务器基于背景图像的各像素点的各RGB分量值，确定背景图像的像素点的RGB分量值的均值。

上述RGB分量值的均值确定方式如下：背景图像的各像素点的R颜色分量值求和、G颜色分量值求和、B颜色分量值求和，将R颜色分量值求和值、G颜色分量值求和值、B颜色分量值求和值分别除以上像素点个数，得到R、G、B颜色分量值各自的均值。

S303、服务器将RGB分量值的均值作为预设背景RGB分量值。

通过上述方案，本申请将病理图像中对关键区域定位有干扰作用的待处理像素点，调整为与背景图像的像素点匹配的像素点，可以避免服务器定位关键区域时，产生定位误差，影响关键区域定位精度。

S104、服务器基于预设规则，对处理图像进行图像处理，得到病理图像的前景图像。

其中，前景图像为二值化图像。

在本申请实施例中，服务器应对上述处理图像进行灰度化处理及二值化处理，以得到前景图像，服务器基于预设规则，对处理图像进行图像处理，得到病理图像的前景图像的实施例，如图4所示，具体包括以下步骤S301-S304：

S401、服务器基于处理图像中各像素点的RGB分量值，确定处理图像中各像素点对应的亮度分量、第一色度分量、第二色度分量。

在本申请实施例中，服务器根据各像素点的RGB分量值组成的的RGB空间

进行线性变换，以得到亮度分量L、第一色度分量M、第二色度分量N对应的LMN空间

转换方式如下：

其中，

可以根据RGB空间到CIE1964XYZ空间线性变换及XYZ到高斯颜色模型的最佳线性变换得到。服务器确定

后，服务器得到亮度分量L、第一色度分量M、第二色度分量N对应的分量值。

S402、服务器基于亮度分量、第一色度分量、第二色度分量及预设对应关系，确定第一色度分量及第二色度分量对应的色度信息量。

色度信息量为灰度值的映射函数y＝L+C中的C,表示色度相关性部分。其中，y表示灰度值，L为亮度分量。根据亮度分量L、第一色度分量M、第二色度分量N，以及以下预设对应关系：

C＝α_L·L²+α_M·M²+α_N·N²+β_LM·L·M+β_LN·L·N+β_MN·M·N

确定色度信息量，其中上述预设对应关系中的α_L为亮度分量L的标准差，α_M为第一色度分量M的标准差，α_N为第二色度分量N的标准差，β_LM为亮度分量L与第一色度分量M之间的相关系数，β_LN亮度分量L与第二色度分量N之间的相关系数，β_MN第一色度分量M与第二色度分量N之间的相关系数。

由于上述α_L，α_M，α_N的计算方法类似，可类比得到，在此只列举α_L的计算方法：

其中，X为亮度分量L中所含像素总数，L_i为第i个亮度分量L，γ_L为亮度分量L的均值。

上述β_LM，β_LN，β_MN的计算方法类似，在此只列举β_LM的计算方法：

其中，M_i为第i个亮度分量M，γ_M为亮度分量L的均值。

S403、服务器根据色度信息量及亮度分量，确定各像素点对应的灰度值，以得到灰度化处理后的处理图像。

服务器根据上述得到的色度信息量及亮度分量，以及灰度值的映射函数y＝L+C，对灰度值进行归一化处理，归一化处理方式根据以下方式进行：

其中，y_ij为坐标为(i，j)的像素点的灰度值，y_min为灰度图像中的最小灰度值，y_max为灰度图像中的最大灰度值。根据归一化处理后的灰度值，服务器得到灰度化处理后的处理图像。

S404、服务器对灰度化处理后的处理图像进行二值化处理，得到病理图像的前景图像。

通过上述方案，本申请可以将处理图像(彩色图像)，处理为灰度化图像，上述灰度化处理的方式运算速度快，且灰度化处理后的处理图像具有鲁棒性，灰度化处理效果强。

本申请基于预设规则，对处理图像进行图像处理，得到病理图像的前景图像中，需要对灰度化图像进行二值化处理。本申请通过以下方式对处理图像进行二值化处理，得到前景图像，如图5所示，具体包括S501-S505：

S501、服务器对处理图像进行灰度化处理。

在本申请实施例中，服务器将处理图像进行灰度化处理的方式可以采取S401-S404中的方式，本申请也可以采用其他方式对处理图像进行灰度化处理。如，服务器计算处理图像中各像素点的加权均值，得到各像素点的灰度值，计算方式如下：

I(i,j)＝0.299R(i,j)+0.587G(i,j)+0.114B(i,j)

其中，I(i,j)为所述待处理图像中像素坐标为(i,j)的像素点相应的灰度值，R(i,j)为所述待处理图像中像素坐标为(i,j)的像素点的RGB分量值中红色通道分量值，G(i,j)为所述待处理图像中像素坐标为(i,j)的像素点的RGB分量值中绿色通道分量值，B(i,j)为所述待处理图像中像素坐标为(i,j)的像素点的RGB分量值中蓝色通道分量值。

S502、服务器确定灰度化处理后的处理图像中各灰度值对应的像素点个数。

S503、服务器根据各灰度值对应的像素点个数，确定各灰度值对应的像素点在处理图像中的出现概率。

其中，出现概率为灰度值对应的像素点个数与处理图像中所有像素点个数的比值。

在本申请实施例中，服务器确定灰度化处理后的各灰度值，并确定各灰度值对应像素点在上述灰度化处理后的处理图像中的个数。如灰度值l对应的像素点个数为n_l,服务器计算灰度值l对应的像素点在处理图像中的出现概率：

其中，P_l为灰度值l对应的像素点的出现概率，D为处理图像中所有像素点的个数。

S504、服务器根据出现概率以及预设的最大类间方差法，确定第二预设阈值。

其中，第二预设阈值用于对处理图像进行二值化处理。

在本申请实施例中，服务器可以根据出现概率以及预设的最大类间方差法，进行计算用于二值化处理的第二预设阈值。

具体地，服务器设置初始灰度值T，确定大于灰度值T的灰度值区域为A₀，小于或等于灰度值T的灰度值区域为A₁。服务器分别确定A₀,A₁区域中的灰度值均值，并设置为m_A，m₁。服务器将A₀,A₁区域中各个灰度值的出现概率分别设置为ω₀，ω₁。

服务器根据最大类间方差法，确定各灰度值对应的类间方差。其中，为了减少计算量，本申请采用最小二乘法对最大类间方差进行寻优，服务器确定最大类间方差对应的灰度值，并将该灰度值作为第二预设阈值。

最大类间方差法公式如下：

其中，S(T)为灰度值T的类间方差。

S505、服务器根据第二预设阈值，对处理图像进行二值化处理，以得到病理图像的前景图像。

在本申请实施例中，服务器可以以第二预设阈值为分界，将灰度化处理后的处理图像中大于第二预设阈值的像素点灰度值设置为255，将小于或等于第二预设阈值的像素点灰度值设置为0，进而完成了处理图像的二值化处理。根据二值化处理后的处理图像，可以实现背景区域与前景区域的分割。

本申请根据最大类间方差法，提高了图像二值化处理效率，且保证了图像二值化处理的质量，保证在病理图像的关键区域定位过程中，能够精确定位关键区域。

为了将二值化处理后的处理图像中，背景区域与前景区域的边缘更加平滑，需要对处理图像进行膨胀腐蚀运算。具体如下：

服务器确定相应的结构元素A，并根据结构元素对前景图像I进行膨胀运算，膨胀运算公式：

其中，图像I与结构元素A进行或运算，得到膨胀运算处理后的二值图像X，其中，x，y为某个最后被保留下的像素点的坐标值。

服务器将二值图像X与结构元素A进行与运算，根据结构元素A，将进行膨胀运算后的前景图像进行腐蚀运算，得到膨胀腐蚀后的前景图像，以对所述膨胀腐蚀后的前景图像进行灰度积分投影。以下为腐蚀运算公式：

S105、服务器对前景图像进行灰度积分投影，得到相应的灰度积分投影矩阵。

在本申请实施例中，服务器对上述膨胀腐蚀后的前景图像进行水平积分投影、垂直积分投影，得到相应的灰度积分投影矩阵。具体地，设m，n分别为前景图像的宽度、高度，在前景图像的宽度区间[1，m]、高度区间[1，n]上的水平投影函数和垂直投影函数，分别设为T_h(y)，T_v(x)。

其中，S(x,y)为点(x,y)的像素值函数。服务器根据上述水平投影函数、垂直积分投影函数，确定对应于区间[1，m]上的水平积分投影矩阵，区间[1，n]上的垂直积分投影矩阵。

S106、服务器根据灰度积分投影矩阵中各元素的元素值，确定各灰度积分投影矩阵中最小值定位元素和最大值元素；并计算相邻位置的最大值元素的距离差值。

服务器根据灰度积分投影矩阵中各元素的元素值，确定各灰度积分投影矩阵中最小值定位元素和最大值元素，并计算相邻位置的最大值元素的距离差值。服务器可以将灰度积分投影矩阵中的最小值元素作为最小值定位元素，相邻位置的最大值元素指的是，服务器找出在灰度积分投影矩阵中的最大值元素，并按照最大值元素在灰度积分投影矩阵中的依次顺序，确定是否相邻。上述距离差值为最大值元素对应的坐标差值的绝对值。如距离差值＝|70-50|

在本申请实施例中，一般灰度积分投影矩阵中只有一个最小值，如图6所示的灰度积分投影曲线中，但是灰度积分投影矩阵中也可能存在多个最小值元素的情况，因此服务器可以通过以下方式，确定灰度积分投影矩阵中的最小值定位元素，如图7所示，包括以下步骤：

S701、服务器确定灰度积分投影矩阵中最小值元素的数量。

S702、服务器在最小值元素的数量大于1的情况下，确定各最小值元素处于灰度积分投影矩阵中的坐标。

S703、服务器基于灰度积分投影矩阵以及各最小值元素的坐标，确定最接近灰度积分投影矩阵中心位置的最小值元素，作为最小值定位元素。

在本申请实施例中，灰度积分投影矩阵中心位置，可以根据灰度积分投影矩阵中的所有元素个数除以2后的取整结果得到。如矩阵

灰度积分投影矩阵有100个元素，可以将第50各元素作为灰度积分投影矩阵中心位置。服务器根据最小值元素的坐标，确定最接近上述中心位置的最小值元素，并将其作为最小值定位元素。

S107、服务器基于距离差值以及最小值定位元素，确定定位元素。

其中，定位元素包括：水平定位元素、垂直定位元素。

在本申请实施例中，服务器确定水平积分投影矩阵中各距离差值是否大于第一预设阈值。

上述第一预设阈值可以是，服务器根据预先设置的图像样本库中若干关键区域图像，关键区域图像包含有其长度及宽度的相关信息，服务器求若干关键区域图像长度的均值及宽度的均值，确定长度的均值、宽度的均值中的较大值，并将其中的较大值作为第一预设阈值。

服务器在水平积分投影矩阵的距离差值大于第一预设阈值的情况下，确定距离差值对应的相邻位置的最大值元素是否为最接近水平积分投影矩阵中最小值定位元素的元素。

服务器在相邻位置的最大值元素为最接近水平积分投影矩阵中最小值定位元素的元素的情况下，将相邻位置的最大值元素作为水平定位元素。

具体地，如图8所示，最大值元素a与最大值元素b的距离差值为d，且d大于第一预设阈值，最大值元素b与最大值元素c的距离差值同样为d，其中A位置为最小值定位元素的位置。服务器将相邻位置的最大值元素最接近最小值定位元素的相邻元素，作为水平定位元素。垂直定位元素的定位方式与水平定位元素的定位方式相同，在此不在赘述。

服务器确定垂直积分投影矩阵的距离差值是否大于第一预设阈值。

服务器在垂直积分投影矩阵的距离差值大于第一预设阈值的情况下，确定距离差值对应的相邻位置的最大值元素是否为最接近垂直水平积分投影矩阵中最小值定位元素的元素。

服务器在相邻位置的最大值元素为最接近垂直积分投影矩阵中最小值定位元素的元素的情况下，将相邻位置的最大值元素作为垂直定位元素。

在实际的关键区域定位过程中，病理组织在病理切片中的位置可能存在偏向的情况，如病理组织偏向于病理切片的病理图像下方，进而导致水平积分投影矩阵中，最大值元素只位于病理组织的上侧，使得服务器无法正常地定位关键区域。因此，本申请提供了以下方案，如图9所示，包括步骤S901-S905：

S901、服务器确定最小值定位元素处于灰度积分投影矩阵中的坐标。

S902、服务器将最小值定位元素的坐标作为分隔线，将相应的灰度积分投影矩阵分割为第一子矩阵、第二子矩阵。

S903、服务器分别确定第一子矩阵中的最大值元素、第二子矩阵中的最大值元素。

S904、服务器将灰度积分投影矩阵中对应于第一子矩阵中的最大值元素的坐标以及第二子矩阵中的最大值元素的坐标，按照预设顺序，生成待处理元素坐标序列。

S905、服务器确定待处理元素序列中相邻位置元素坐标的坐标差值，并将该坐标差值作为相邻位置的最大值元素的距离差值，以根据距离差值以及最小值定位元素，确定定位元素。

其中，相邻位置的最大值元素包括第一子矩阵中的最大值元素、第二子矩阵中的最大值元素。

如图10所示，若最小值定位元素为0，在第一子矩阵J1中的最大值元素为255，第二子矩阵J2中的最大值元素为240。服务器将第一子矩阵J1、第二子矩阵J2中分别对应的最大值元素的坐标，生成待处理元素坐标序列。通过待处理元素坐标序列，可以简单地确定相邻位置的最大值元素，并得到相应的距离差值。服务器确定距离差值满足大于第一预设阈值的条件下，确定相应的最大值元素是否为最接近最小值定位元素，且两个最大值元素是否分别属于第一子矩阵J1、第二子矩阵J2，进而确定定位元素。

S108、服务器基于各定位元素，确定病理图像的关键区域。

在本申请实施例中，服务器根据各定位元素的坐标，按照顺序，依次组合为对应于病理图像的四个坐标，服务器根据四个坐标的位置，构建病理图像的关键区域。其中，关键区域图像如图11所示。

本申请将对于关键区域定位有干扰作用的像素点，设置为背景像素点，并根据图像处理，以及灰度积分投影，确定病理图像中的关键区域。通过上述方案，可以避免定位病理图像关键区域过程中，出现定位的误差，可以精确、高效地实现病理图像的关键区域定位。

图12为本申请实施例提供的一种病理图像的关键区域定位设备的结构示意图，如图12所示，该设备包括：

至少一个处理器，以及与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够实现功能：

获取图像采集设备采集的病理切片的病理图像。确定病理图像中的待处理像素点。其中，待处理像素点为RGB分量值处于预设取值区间的像素点。将各待处理像素点的RGB分量值调整为预设背景RGB分量值，得到处理图像。基于预设规则，对处理图像进行图像处理，得到病理图像的前景图像。其中，前景图像为二值化图像。对前景图像进行灰度积分投影，得到相应的灰度积分投影矩阵。根据灰度积分投影矩阵中各元素的元素值，确定各灰度积分投影矩阵中最小值定位元素和最大值元素。并计算相邻位置的最大值元素的距离差值。基于距离差值以及最小值定位元素，确定定位元素。其中，定位元素包括：水平定位元素、垂直定位元素。基于各定位元素，确定病理图像的关键区域。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备与方法是一一对应的，因此，设备也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备的有益技术效果。

还需要说明的是，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、方法、商品或者设备不仅包括那些要素，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、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种病理图像关键区域的定位方法，其特征在于，所述方法包括：

获取图像采集设备采集的病理切片的病理图像；

确定所述病理图像中的待处理像素点；其中，所述待处理像素点为RGB分量值处于预设取值区间的像素点；

将各所述待处理像素点的RGB分量值调整为预设背景RGB分量值，得到处理图像；

基于预设规则，对所述处理图像进行图像处理，得到所述病理图像的前景图像；其中，所述前景图像为二值化图像；

对所述前景图像进行灰度积分投影，得到相应的灰度积分投影矩阵；

根据所述灰度积分投影矩阵中各元素的元素值，确定各所述灰度积分投影矩阵中最小值定位元素和最大值元素；并

计算相邻位置的最大值元素的距离差值；

基于所述距离差值以及所述最小值定位元素，确定定位元素；其中，所述定位元素包括：水平定位元素、垂直定位元素；

基于各所述定位元素，确定所述病理图像的关键区域。

2.根据权利要求1所述方法，其特征在于，所述灰度积分投影矩阵包括：水平积分投影矩阵、垂直积分投影矩阵；

所述基于所述距离差值以及所述最小值定位元素，确定定位元素，具体包括：

确定所述水平积分投影矩阵中各所述距离差值是否大于第一预设阈值；

在所述水平积分投影矩阵的所述距离差值大于所述第一预设阈值的情况下，确定所述距离差值对应的所述相邻位置的最大值元素是否为最接近所述水平积分投影矩阵中所述最小值定位元素的元素；

在所述相邻位置的最大值元素为最接近所述水平积分投影矩阵中所述最小值定位元素的元素的情况下，将所述相邻位置的最大值元素作为所述水平定位元素；

确定所述垂直积分投影矩阵的所述距离差值是否大于第一预设阈值；

在所述垂直积分投影矩阵的所述距离差值大于所述第一预设阈值的情况下，确定所述距离差值对应的所述相邻位置的最大值元素是否为最接近所述垂直水平积分投影矩阵中所述最小值定位元素的元素；

在所述相邻位置的最大值元素为最接近所述垂直积分投影矩阵中所述最小值定位元素的元素的情况下，将所述相邻位置的最大值元素作为所述垂直定位元素。

3.根据权利要求1所述方法，其特征在于，所述确定各所述灰度积分投影矩阵中最小值定位元素，具体包括：

确定所述灰度积分投影矩阵中最小值元素的数量；

在所述最小值元素的数量大于1的情况下，确定各所述最小值元素处于所述灰度积分投影矩阵中的坐标；

基于所述灰度积分投影矩阵以及各所述最小值元素的坐标，确定最接近所述灰度积分投影矩阵中心位置的最小值元素，作为所述最小值定位元素。

4.根据权利要求1所述方法，其特征在于，所述基于所述距离差值以及所述最小值定位元素，确定定位元素，具体包括：

确定所述最小值定位元素处于所述灰度积分投影矩阵中的坐标；

将所述最小值定位元素的坐标作为分隔线，将相应的所述灰度积分投影矩阵分割为第一子矩阵、第二子矩阵；

分别确定所述第一子矩阵中的最大值元素、所述第二子矩阵中的最大值元素；

将所述灰度积分投影矩阵中对应于所述第一子矩阵中的最大值元素的坐标以及所述第二子矩阵中的最大值元素的坐标，按照预设顺序，生成待处理元素坐标序列；

确定所述待处理元素序列中相邻位置元素坐标的坐标差值，并将该坐标差值作为所述相邻位置的最大值元素的距离差值，以根据所述距离差值以及所述最小值定位元素，确定所述定位元素；其中，所述相邻位置的最大值元素包括所述第一子矩阵中的最大值元素、所述第二子矩阵中的最大值元素。

5.根据所述权利要求1所述方法，其特征在于，基于预设规则，对所述处理图像进行图像处理，得到所述病理图像的前景图像，具体包括：

基于所述处理图像中各像素点的所述RGB分量值，确定所述处理图像中各像素点对应的亮度分量、第一色度分量、第二色度分量；

基于所述亮度分量、所述第一色度分量、所述第二色度分量及预设对应关系，确定所述第一色度分量及所述第二色度分量对应的色度信息量；

根据所述色度信息量及所述亮度分量，确定所述各像素点对应的灰度值，以得到灰度化处理后的处理图像；

对所述灰度化处理后的处理图像进行二值化处理，得到所述病理图像的前景图像。

6.根据权利要求1所述方法，其特征在于，基于预设规则，对所述处理图像进行图像处理，得到所述病理图像的前景图像，具体包括：

对所述处理图像进行灰度化处理；

确定灰度化处理后的所述处理图像中各灰度值对应的像素点个数；

根据各所述灰度值对应的像素点个数，确定各所述灰度值对应的像素点在所述处理图像中的出现概率；其中，所述出现概率为所述灰度值对应的像素点个数与所述处理图像中所有像素点个数的比值；

根据所述出现概率以及预设的最大类间方差法，确定第二预设阈值；其中，所述第二预设阈值用于对所述处理图像进行二值化处理；

根据所述第二预设阈值，对所述处理图像进行二值化处理，以得到所述病理图像的前景图像。

7.根据权利要求1所述方法，其特征在于，对所述前景图像进行灰度积分投影之前，所述方法还包括：

确定相应的结构元素，并根据所述结构元素对所述前景图像进行膨胀运算；

根据所述结构元素，将进行所述膨胀运算后的所述前景图像进行腐蚀运算，得到膨胀腐蚀后的前景图像，以对所述膨胀腐蚀后的前景图像进行灰度积分投影。

8.根据权利要求1所述方法，其特征在于，所述方法还包括：

确定预设病理图像样本库中的背景图像以及所述背景图像的各像素点的RGB分量值；

基于所述背景图像的各像素点的各RGB分量值，确定所述背景图像的像素点的RGB分量值的均值；

将所述RGB分量值的均值作为所述预设背景RGB分量值。

9.根据权利要求2所述方法，其特征在于，基于各所述定位元素，确定所述病理图像的关键区域之后，所述方法还包括：

确定所述关键区域的区域长度及区域宽度；

将所述关键区域的区域长度及区域宽度输入预存样本库中；

根据所述预存样本库中的样本数据，计算所述第一预设阈值。

10.一种病理图像的关键区域定位设备，其特征在于，所述设备包括：

至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够实现功能：

获取图像采集设备采集的病理切片的病理图像；

确定所述病理图像中的待处理像素点；其中，所述待处理像素点为RGB分量值处于预设取值区间的像素点；

将各所述待处理像素点的RGB分量值调整为预设背景RGB分量值，得到处理图像；

基于预设规则，对所述处理图像进行图像处理，得到所述病理图像的前景图像；其中，所述前景图像为二值化图像；

对所述前景图像进行灰度积分投影，得到相应的灰度积分投影矩阵；

根据所述灰度积分投影矩阵中各元素的元素值，确定各所述灰度积分投影矩阵中最小值定位元素和最大值元素；并

计算相邻位置的最大值元素的距离差值；

基于所述距离差值以及所述最小值定位元素，确定定位元素；其中，所述定位元素包括：水平定位元素、垂直定位元素；

基于各所述定位元素，确定所述病理图像的关键区域。

Images