CN114170146A - 图像处理方法、装置、电子设备以及计算机可读存储介质 - Google Patents

图像处理方法、装置、电子设备以及计算机可读存储介质 Download PDF

Info

Publication number
CN114170146A
CN114170146A CN202111337384.2A CN202111337384A CN114170146A CN 114170146 A CN114170146 A CN 114170146A CN 202111337384 A CN202111337384 A CN 202111337384A CN 114170146 A CN114170146 A CN 114170146A
Authority
CN
China
Prior art keywords
image
matrix
initial
dimensional feature
feature points
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
Application number
CN202111337384.2A
Other languages
English (en)
Inventor
李鑫宇
肖鹏
兰嘉友
董超群
谢庆国
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.)
Raycan Technology Co Ltd
Original Assignee
Raycan Technology Co Ltd
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 Raycan Technology Co Ltd filed Critical Raycan Technology Co Ltd
Priority to CN202111337384.2A priority Critical patent/CN114170146A/zh
Priority to PCT/CN2021/131635 priority patent/WO2023082306A1/zh
Publication of CN114170146A publication Critical patent/CN114170146A/zh
Pending legal-status Critical Current

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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/404—Angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本申请提出图像处理方法、装置、电子设备以及计算机可读存储介质，所述图像校正方法包括：拍摄成像目标并获取初始帧图像和连续帧图像；计算所述初始帧图像的初始三维特征点；计算所述连续帧图像的连续帧三维特征点；匹配所述初始三维特征点和所述连续帧三维特征点，以得到RT矩阵；利用所述RT矩阵对图像进行校正，得到重建图像。根据本申请的示例实施例，通过利用简单但精度更高的影像记录设备获取物体的运动信息，提升了运动校正图像的准确性，降低了计算复杂度。

Description

图像处理方法、装置、电子设备以及计算机可读存储介质
技术领域
本申请涉及图像处理领域，具体而言，涉及一种用于刚体运动的图像处理方法、装置、电子设备以及计算机可读存储介质。
背景技术
目前，在针对清醒成像目标采集到的图像进行校正时，主要针对以下两种运动进行校正：非刚性运动和刚性运动。其中，非刚性运动主要是指较小范围的运动，例如，老鼠躯干运动，而刚性运动主要是指较大范围的运动，例如，老鼠头部运动。
针对刚性运动的校正，主要采用以下两种方法：基于投影域的运动校正方法以及基于图像域的运动校正方法。
基于图像域的运动校正方法通常采用结合运动信息的图像重建(MotionIncorporated Reconstruction，简称MIR)算法。MIR算法是Feng Qiao和Tinsu Pan等人在2006年提出的，是一种基于体素的运动校正算法。MIR算法基于两个假设：一是假设成像目标只在相邻数据帧之间发生运动，在各数据帧内部成像目标保持静止；二是成像目标是由无数的空间点组成的，这些空间点的尺寸无限小，并且这些空间点的放射性物质的浓度不随这些点的运动而改变，即在数据采集过程中，成像目标各部位的放射性物质的浓度恒定，放射性物质的浓度仅随着成像目标的空间运动而在空间中重新分布。
采用基于图像域的运动校正方法进行图像处理的过程包括如下步骤。
首先，通过使用PET(Positron Emission Tomography，简称PET)图像上的各数据帧对应的CT图像之间的图像配准技术，获得图像体素之间的映射关系矩阵Mt，也称为运动矩阵。其中，CT图像的配准通过使用基于三次B样条的非刚性变换模型以及均方误差相似性标准来实现。
运动矩阵Mt，与视场角(Field of View，简称FOV)区域的放射性物质的浓度的分布满足公式(1)。
Xt＝MtX0 公式(1)
其中，Xt表示t时刻FOV区域的放射性物质的浓度的分布，X0表示0时刻FOV区域的放射性物质的浓度的分布。
其次，构建PET系统对于静止物体的成像模型，如公式(2)所示。
E(Y)＝GX 公式(2)
其中，Y为一维向量，表示投影数据，E(Y)为投影数据Y的期望值；X为图像体素组成的一维向量；G为系统响应矩阵。另外，二维和三维图像也可以转换为一维图像以进行上述处理。
系统响应矩阵G可通过实际测量、蒙特卡罗(Monte Carlo，简称MC)仿真或者数学解析的方法计算。
利用实际测量方法计算系统响应矩阵G包括：在PET系统成像视野的不同位置分别测量同一个点源，然后通过处理投影空间中的响应来构建整个系统响应矩阵G，这些响应包括系统的几何信息以及探测过程的物理信息，并且响应会被参数化以校正点源位置并平滑投影噪声。
利用蒙特卡罗仿真方法计算系统响应矩阵G包括：在空间中，根据体素的大小和在空间中的位置，对视野内每一个体素进行仿真，获取其符合计数量和总发射光子数的比值，得到这个体素被当前响应线(LineOfResponse，简称LOR)探测到的概率，即为系统响应矩阵G。
基于几何模型的计算方法，也即数学解析方法，因几何模型的不同分为许多种类，如线追踪、立体角等方法。线追踪是一种简单、有效的用于计算系统响应矩阵G的方法。此方法将响应线抽象为一条实际光线，将此光线穿过每个体素的长度作为该体素发出的光子被此条响应线探测到的概率，从而获得系统响应矩阵G。立体角模型是一种比起线追踪法更加精确并且复杂的模型。该方法将计算出的空间中每个体素对一对探测器所形成的空间对顶角的大小作为该体素发出的光子被此对探测器探测到的概率，从而获得系统响应矩阵G。相比于线追踪法，立体角模型更符合实际PET的成像过程。
再次，基于在每个数据帧内部成像目标保持静止的假设，将公式(2)修改为公式(3)。
E{Yt}＝GMtX0 公式(3)
由于所有数据帧一一对应于图像序列X0,…,Xm-1、投影数据Y0,…,Ym-1和运动矩阵M0,…,Mm-1，其中m为数据帧的数量，因此，可将公式(2)修改为公式(4)所示的离散形式。
E(Y0)＝GM0X0
Figure BDA0003351082690000031
E(Ym-1)＝GMm-1X0 公式(4)
其中M0≡I，为单位矩阵。令：
Figure BDA0003351082690000032
G*＝[(GM0)T,(GM1)T,…,(GMm-1)T]T 公式(6)
公式(4)可改写为公式(7)，与PET对静止目标成像模型公式(2)形式一致。
E(Y*)＝G*X0 公式(7)
由于得到的PET系统对于成像目标的成像模型与PET系统对于静态目标的成像模型的形式一致，所以，可用公式(5)和公式(6)中的4D投影数据Y*和融入了各数据帧的运动信息的系统响应矩阵G*替换公式(2)中的系统响应矩阵和投影数据矩阵。因此，应用于静止目标的PET成像模型公式(2)的基于体素的迭代重建算法MLEM算同样适用公式(7)。
基于公式(2)的MLEM算法的迭代更新方程如公式(8)所示。
Figure BDA0003351082690000033
其中，
Figure BDA0003351082690000034
为第k次迭代得到的图像中体素j的值，
Figure BDA0003351082690000035
为第k+1次迭代得到的图像中体素j的值，Yi为实际测量的第i条响应线(LOR)上的符合事件计数，Gij表示由体素j发出的伽马光子被第i条LOR两端的闪烁晶体探测到的概率，M表示响应线(LOR)的总数，N表示体素的总和，j0为内层的体素。
将Y*、G*代入MLEM迭代更新方程可以得到基于公式(7)的更新方程，如公式(9)所示。
Figure BDA0003351082690000041
其中，Xk为第k次迭代得到的参考位置图像的估计，S为灵敏度图像，可由公式(10)计算得到。
Figure BDA0003351082690000042
为方便理解，在以下矩阵运算中采用如下运算规则：如果矩阵A和矩阵B的行列数相同，那么AB、A/B分别表示对应位置元素的相乘和相除。
通过公式(9)可知，所有数据帧的数据都参与了参考图像的重建。
现有技术进行图像校正的缺点是在获取映射关系矩阵Mt时，不能只利用一种医学影像设备，还需要额外的4D CT设备进行CT扫描，且物体在两台设备中的运动需要保持一致。不仅增加了成像成本，也限制了算法只能针对于规律的小范围运动，例如呼吸、心跳等运动，还很难保证成像目标在两种设备中的运动是完全一致的，并且图像配准技术通常涉及大量参数的优化过程。因此，通过图像配准技术获取体素之间的映射信息的方法只适用于小范围的运动校正，当运动范围较大时获得的运动信息的精度无法保证。另外，利用CT图像进行配准时，需要很大的计算量，准确性不高。
发明内容
本申请提出一种用于刚体运动的图像处理方法、装置、电子设备以及计算机可读存储介质，用以解决在获取活动的成像目标的运动信息时采集成本高、计算复杂以及准确性低的问题。
根据本申请的一方面，提出一种图像处理方法，所述图像处理方法包括：拍摄成像目标并获取初始帧图像和连续帧图像；计算所述初始帧图像的初始三维特征点；计算所述连续帧图像的连续帧三维特征点；匹配所述初始三维特征点和所述连续帧三维特征点，以得到RT矩阵；利用所述RT矩阵对图像进行校正，得到重建图像。
根据本申请的一些实施例，利用影像记录设备拍摄成像目标并获取初始帧图像和连续帧图像，影像记录设备包括可以记录成像目标平面影像或者3D影像的任何设备，比如相机、DV、摄像机、3D扫描仪等。
根据本申请的一些实施例，在所述成像目标的两侧平行放置一对型号相同的所述影像记录设备，组成双目视觉系统以拍摄所述成像目标。
根据本申请的一些实施例，利用所述影像记录设备以视频的形式记录所述成像目标的运动，所述视频包括初始时刻的初始帧图像和非初始时刻的连续帧图像，其中，所述初始帧图像和所述连续帧图像分别包括同一时刻一对所述影像记录设备拍摄的图像。
根据本申请的一些实施例，计算所述初始帧图像的初始三维特征点的步骤包括：利用尺度不变特征变换方法提取所述初始帧图像的二维特征点；去除所述初始帧图像的二维特征点的背景图像；匹配去除背景后的所述初始帧图像的二维特征点；三角化匹配信息，从而得到所述初始帧图像的所述初始三维特征点。
根据本申请的一些实施例，所述计算所述连续帧图像的连续帧三维特征点，包括：利用尺度不变特征变换方法提取所述连续帧图像的二维特征点；去除所述连续帧图像的二维特征点的背景图像；匹配去除背景后的所述连续帧图像的二维特征点；三角化匹配信息，从而得到所述连续帧图像的所述初始三维特征点。
根据本申请的一些实施例，所述三角化匹配信息的步骤包括：通过公式(7-1)计算所述成像目标上任一点P在影像记录设备坐标下的深度Z；通过公式(7-2)计算所述成像目标上任一点P在相机坐标下的横坐标X与纵坐标Y；
Figure BDA0003351082690000061
Figure BDA0003351082690000062
其中，T为两个所述影像记录设备的光学距离，f为所述影像记录设备的焦距，x1、xr分别为点P在两个所述影像记录设备的图像帧上的投影与光轴图像交点的横坐标距离；y1为点P在一个所述影像记录设备的图像帧上的投影与光轴图像交点的纵坐标距离。
根据本申请的一些实施例，得到所述RT矩阵的步骤包括：通过奇异值分解方法使所述初始三维特征点和所述连续帧三维特征点的误差最小化，以得到所述RT矩阵。
根据本申请的一些实施例，通过公式(9-1)使所述误差最小化：
Figure BDA0003351082690000063
其中，R、T分别表示旋转矩阵和平移矩阵，J表示所述误差，pi、qi分别为所述初始三维特征点的集合P＝{p1，…，pn}和所述连续帧三维特征点的集合Q＝{q1，…，qn}中的第i个元素，i、n均为自然数，i≤n。
根据本申请的一些实施例，所述奇异值分解(Singular ValueDecomposition，简称SVD)方法通过公式(10-1)进行：
[U,S,V]＝SVD(H) 公式(10-1)
其中，U、S、V分别表示经过奇异值分解后的第一酉矩阵、对角矩阵以及第二酉矩阵，SVD表示对括号内的物理量进行奇异值分解，H为重新中心化的点集之间的协方差矩阵，协方差矩阵H通过公式(10-2)确定：
Figure BDA0003351082690000064
其中，pi'和qi'分别表示重新中心化后的三维特征点，pi'＝pi-μP，qi'＝qi-μQ。
根据本申请的一些实施例，所述旋转矩阵R和所述平移矩阵T分别通过公式(11-1)、(11-2)确定：
R＝VUT 公式(11-1)
T＝-RμP+μQ 公式(11-2)
其中，μP和μQ分别为集合P、集合Q的中心位置。
根据本申请的一些实施例，所述图像包括CT图像、MR图像、PET图像、PET-CT图像、PET-MR图像以及CT-MR图像。
根据本申请的一些实施例，所述利用所述RT矩阵对PET图像进行校正，得到重建图像，包括：对所述成像目标进行PET扫描，得到正弦图数据；利用所述RT矩阵对所述正弦图数据进行校正，以重建图像。
根据本申请的一些实施例，在利用所述RT矩阵对所述图像进行校正之前，所述图像处理方法还包括通过公式(14-1)对所述图像的体素值进行校正：
Xt＝WtRTX0 公式(14-1)
其中，Xt表示t时刻FOV区域的放射性物质的浓度的分布，X0表示初始时刻FOV区域的放射性物质的浓度的分布，Wt为t时刻所有体素位置的插值的权重。
根据本申请的一些实施例，得到所述RT矩阵的步骤包括：在所述成像目标上设置若干个放射性点源，通过对采集时间帧内的图像进行重建识别所述放射性点源，根据三个不共线的所述放射性点源组成的面得到所述成像目标的位姿，所述位姿包括所述成像目标的位置和所述成像目标绕三维坐标轴的旋转角度，通过计算连续帧之间的运动得到所述RT矩阵。
根据本申请的一方面，提出一种图像处理装置，所述图像处理装置包括帧图像获取单元，用于拍摄成像目标并获取初始帧图像和连续帧图像；初始三维特征点计算单元，用于计算所述初始帧图像的初始三维特征点；连续帧三维特征点计算单元，用于计算所述连续帧图像的连续帧三维特征点；RT矩阵计算单元，用于匹配所述初始三维特征点和所述连续帧三维特征点，以得到RT矩阵；图像重建单元，用于利用所述RT矩阵对图像进行校正，得到重建图像。
根据本申请的一方面，提出一种电子设备，包括一个或多个处理器；存储装置，用于存储计算机程序；当所述计算机程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前任一所述的方法。
根据本申请的一方面，提出一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现如前任一项所述的方法。
根据本申请的一些示例实施例，利用简单但精度更高的影像记录设备，在物体进行运动的同时获取它的运动信息，保证了运动信息获取的准确性，提升了运动校正图像的准确性。同时，避免了进行大量复杂的图像配准计算，降低了计算的复杂度。而且，所提供的算法不仅只适用于小范围的运动校正，对范围较大的运动校正同样适用，大大降低了成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1示出了根据本申请示例实施例的一种图像处理方法流程图。
图2示出了根据本申请示例实施例的三角化原理图。
图3示出了根据本申请示例实施例的一种体素在二维图形的映射过程示意图。
图4示出了根据本申请示例实施例的一种用于刚体运动的图像校正装置。
图5a示出了物体静止时的校正结果。
图5b示出了物体运动校正前的重建结果。
图5c示出了根据本申请示例实施例对物体运动矫正后的重建结果。
图6示出了根据本申请实施例的又一种用于刚体运动的电子设备框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有这些特定细节中的一个或更多，或者可以采用其它的方式、组元、材料、装置或操作等。在这些情况下，将不详细示出或描述公知结构、方法、装置、实现、材料或者操作。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
下面将参照附图，对根据本申请的具体实施例进行详细说明。
图1示出根据本申请示例实施例的图像处理方法流程图。下面参照图1对根据本申请示例实施例的一种图像处理方法进行详细说明。
根据本申请的一些示例实施例，图1所示的示例实施例是对清醒成像目标在PET扫描过程中产生的运动伪影进行校正。由于仪器最终的成像只针对成像目标的头部，而活动的成像目标头部的运动可以简化为刚体运动。
在步骤S101，拍摄成像目标并获取初始帧图像和连续帧图像。
根据本申请的一些示例实施例，是通过利用一对影像记录设备平行放置在成像目标的两侧，以视频的形式记录成像目标的运动，该影像记录设备包括可以记录成像目标平面影像或者3D影像的任何设备，比如相机、DV、摄像机、3D扫描仪等。利用一对影像记录设备拍的视频中都包括初始时刻的初始帧图像和非初始时刻的连续帧图像，其中，初始帧图像和连续帧图像分别包括同一时刻一对影像记录设备拍摄的图像。本领域技术人员应当理解的是，在该实施例中影像记录设备平行放置是为了更便于在后期计算处理过程中统一坐标系，降低运算复杂度。实际上，影像记录设备可以以任意角度、任意数量进行设置，在后期进行数据处理时进行相应的坐标系换算即可。
根据一些实施例，初始帧图像为利用影像记录设备拍摄的视频中开始时刻的帧图像，视频中其他时刻的图像都为连续帧图像。
根据一些实施例，步骤S101中利用一对型号相同的影像记录设备，比如相机，平行放置在成像目标的左右两侧，组成双目视觉系统，以视频的形式记录物体运动的信息。
在步骤S103中，计算初始帧图像的初始三维特征点。
根据本申请的一些示例实施例，通过如下步骤计算初始帧图像的初始三维特征点：
首先，利用尺度不变特征变换(Scale-invariant feature transform，简称SIFT)方法从初始帧图像中提取初始帧图像的二维特征点。
然后，利用数字减影血管造影技术(Digital subtraction angiography，简称DSA)原理去除初始帧图像的二维特征点的背景图像，以确保提取的二维特征点均处于初始帧图像中的成像目标图像上。
最后，将一对影像记录设备各自拍摄的初始帧图像中的二维特征点进行匹配，并三角化匹配信息，从而得到初始帧图像的初始三维特征点。
在步骤S105中，计算连续帧图像的连续帧三维特征点。
在步骤S105中，计算连续帧三维特征点的方法和步骤S103中计算初始帧三维特征点的方法相同，在此不再赘述。
下面针对步骤S103和步骤S105中的三角化原理进行说明。所谓三角化，即通过物体的特征点根据在不同影像记录设备的二维投影位置恢复出物体的特征点的三维位置信息。如图2所示，为根据本申请示例实施例的三角化原理图。
如图2所示，设相机光轴与图像的交点坐标为(cx，cy)，两个相机的光心距离为D，焦距均为f，三维空间中的一个特征点P在左、右图像上的投影分别为Pl与Pr，其与光轴图像交点的横坐标距离分别为xl与xr，纵坐标距离为yl与yr。
利用相似三角形，通过公式(11)可得点P在影像记录设备坐标下的深度Z。
Figure BDA0003351082690000111
通过公式(12)，计算点P的横坐标X与纵坐标Y。
Figure BDA0003351082690000112
因此，通过公式(11)和(12)，可以计算每帧图像的三维特征点集合。
在步骤S107中，匹配初始三维特征点和连续帧三维特征点，以得到RT矩阵。
根据本申请的一些示例实施例，计算RT矩阵的步骤包括：
根据步骤S103和步骤S105分别得到初始帧图像的初始三维特征点的集合P＝{p1，…，pn}和连续帧三维特征点的集合Q＝{q1，…，qn}。
通过奇异值分解(Singular value decomposition，SVD)方法使初始三维特征点和连续帧三维特征点的误差J最小化，如公式(13)所示。
Figure BDA0003351082690000113
其中，J为初始三维特征点和连续帧三维特征点的误差，R为旋转矩阵，Rpi表示旋转矩阵R与点集P中的第i个点pi相乘，T为平移矩阵，pi、qi分别表示集合P、Q中的第i个三维特征点，i为小于n的自然数，n为集合P和Q中三维特征点的数量。
利用公式(14)平均集合P和集合Q中的各点坐标，得到集合P和集合Q的中心位置μP和μQ。
Figure BDA0003351082690000121
为了消除平移矩阵T对于旋转矩阵R求解的影响，利用公式(15)将点集重新中心化，得到新的点集P′和Q′，即各点坐标减去中心位置，此时中心位置与坐标原点重合，这些新的点集P′、Q′中分别包括重新中心化后的三维特征点pi'和qi'，pi'＝pi-μP，qi'＝qi-μQ。
Figure BDA0003351082690000122
通过公式(16)，求解重新中心化的点集之间的协方差矩阵H。
Figure BDA0003351082690000123
通过公式(17)，对协方差矩阵H进行奇异值分解。
[U,S,V]＝SVD(H) 公式(17)
其中，U、S、V分别表示经过奇异值分解后的第一酉矩阵、对角矩阵以及第二酉矩阵，SVD表示对括号内的物理量进行奇异值分解，比如，若协方差矩阵H为m×n阶矩阵，则经过奇异值分解后的第一酉矩阵U为m×m阶的酉矩阵，对角矩阵S为m×n阶的对角矩阵，对角线上的元素为协方差矩阵H的奇异值，第二酉矩阵V为n×n阶的酉矩阵。
通过公式(18)，根据分解出的结果计算旋转矩阵R。
R＝VUT 公式(18)
通过公式(19)，利用公式(18)得到的旋转矩阵R计算平移矩阵T。
T＝-RμP+μQ 公式(19)
通过公式(18)和公式(19)得到的R、T矩阵表示物体的刚体运动的六轴的运动信息。物体的刚体运动可以分解为绕着空间中三轴，即x，y，z轴分别做平移、旋转运动，得到的物体绕着三轴的运动量就可组成一个RT矩阵。RT矩阵也称为旋转-平移(Rotation-Translation，简称RT)矩阵，用以描述物体的六轴运动信息。六轴为x、y和z轴方向的平移和旋转运动。
根据一些实施例，将公式(18)和公式(19)得到的R、T矩阵式合并，即得到RT矩阵。
根据本申请的一些实施例，得到RT矩阵的步骤包括：在成像目标上设置若干个放射性点源，通过对采集时间帧内的图像进行重建识别放射性点源，根据三个不共线的放射性点源组成的面得到成像目标的位姿，所述位姿包括成像目标的位置和成像目标绕三维坐标轴的旋转角度，通过计算连续帧之间的运动得到RT矩阵。
在步骤S109，利用所述RT矩阵对图像进行校正，得到重建图像。
根据本申请的一些示例实施例，利用RT矩阵对PET图像校正步骤包括：
对活体目标进行PET扫描，得到正弦图数据。将正弦图数据按照时间帧划分，利用步骤S107中的RT矩阵将当前时间帧内的数据通过公式(9)校正到初始位置。即，利用RT矩阵替换公式(9)中的映射关系矩阵Mt，从而得到校正的重建图像。
根据本申请的一些实施例，在执行步骤S109之前，还需要通过公式(20)对图像的体素值进行校正。
Xt＝WtRTX0 公式(20)
其中，Xt表示t时刻FOV区域的放射性物质的浓度的分布，X0表示0时刻FOV区域的放射性物质的浓度的分布，Wt为t时刻所有体素位置的插值的权重。
下面详细说明通过公式(20)如何对PET图像的体素值进行校正。
为了替代复杂的图像配准过程得到不同时刻图像体素之间的映射关系，可根据运动信息对各体素的中心点进行空间坐标变换，得到其对应的体素位置。由于空间坐标变换后得到的点并不一定是图像的体素中心，为了提升定位精度，将t时刻体素位置根据运动信息变换回初始时刻对应的体素位置后，利用变换后的体素位置周围的体素值通过插值算法计算变换后的体素位置的体素值，如公式(21)所示。将位于空间点ri处的活度值f(ri,0)视为与空间点ri邻近的所有体素的体素值的加权之和。
Figure BDA0003351082690000141
其中，
Figure BDA0003351082690000142
表示空间点ri附近的体素的下标集合，ωij为权重。xj(0)与公式(20)中X0对应，f(ri,0)与公式(21)中Xt对应。公式(21)的矩阵表示如公式(20)所示。
根据一些实施例，根据以空间点ri的位置为中心的体素与其附近体素之间重叠的面积或体积与体素总面积或体积的比值作为权重值ωij。
同理，通过公式(21)可得连续的空间点的活度值f(r0,0),f(r1,0),…,f(rn-1,0)。
图3示出了根据本申请示例实施例的一种体素在二维图形的映射过程示意图。如图3所示，图中的灰色点表示t时刻的一个体素中心A被映射到位于0时刻的与其对应的原始位置B，原始位置B的体素值可通过对B在0时刻位置附近的体素的插值计算得到。
根据一些实施例，可以利用点标记技术获取RT矩阵。具体步骤包括：在实验对象(例如老鼠)的头部粘贴小而轻的放射性点源，对采集时间帧内的图像进行重建，识别图像中高亮的点，即认为是点源，默认点源位置相对于大鼠头部保持静止。根据三个不共线点源组成的面即可得到大鼠的头部位姿。头部位姿包括物体的位置和物体绕xyz三轴的三个旋转角度，用以表示物体的朝向。通过计算连续帧之间的运动即可得到运动矩阵RT。
根据本申请的一些示例实施例，利用简单但精度更高的外部相机，在运动物体进行运动的同时获取它的运动信息，保证了运动信息获取的准确性，提升了运动校正图像的准确性。同时，避免了进行大量复杂的图像配准计算，降低了计算的复杂度。而且，所提供的算法不仅只适用于小范围的运动校正，对范围较大的运动校正同样适用，大大降低了成本。
图4示出了根据本申请示例实施例的一种图像处理装置。如图4所示的图像处理装置包括帧图像获取单元401、初始三维特征点计算单元403、连续帧三维特征点计算单元405、RT矩阵计算单元407和图像重建单元409。
帧图像获取单元401利用相机拍摄成像目标并获取初始帧图像和连续帧图像。相机的设置和图像的获取可以利用图1实施例中所述的方法，在此不再赘述。
初始三维特征点计算单元403用于计算初始帧图像的初始三维特征点。初始三维特征点的计算可以利用图1实施例中步骤S103所述的方法，在此不再赘述。
连续帧三维特征点计算单元405用于计算连续帧图像的连续帧三维特征点。连续帧三维特征点的计算可以利用图1实施例中步骤S105所述的方法，在此不再赘述。
RT矩阵计算单元407用于匹配初始三维特征点和连续帧三维特征点，以得到RT矩阵。RT矩阵的计算可以利用图1实施例中步骤S107所述的方法，在此不再赘述。
图像重建单元409用于利用RT矩阵对PET图像进行校正，得到重建图像。图像重建可以利用图1实施例中步骤S109所述的方法，在此不再赘述。
图5a示出了物体静止时的校正结果。图5b示出了物体运动校正前的重建结果，图5c示出了根据本申请示例实施例对物体运动矫正后的重建结果。由图5a～图5c可以看出通过利用本申请提供的图像处理方法，能够基本消除由于物体运动造成的伪影，从而可以提高重建图像的质量。
本领域技术人员应当注意的是，上述实施例中通过RT矩阵校正的是PET图像，实际上，上述方法还可以应用于CT图像、MR图像等其它医学图像的运动校正，或者是PET-CT图像、PET-MR图像、CT-MR图像中一种或者多种图像的运动校正，在这些医学图像的校正过程中仅需通过RT矩阵替换相应的Mt矩阵即可实现，这属于本领域技术人员根据本发明的启示所容易实现的，在此不再赘述。
图6示出了根据本申请实施例的又一种用于刚体运动的电子设备框图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，该电子设备以通用计算设备的形式表现。该电子设备的组件可以包括但不限于：至少一个处理器210、至少一个存储器220、连接不同系统组件(包括存储器220和处理器210)的总线230、显示单元240等。其中，存储器220存储有程序代码，程序代码可以被处理器210执行，使得处理器210执行本说明书描述的根据本申请各种示例性实施方式的方法。例如，处理器210可以执行如图1中所示的方法。
存储器220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
存储器220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该图像校正装置交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。而且，电子设备还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读存储介质(可以是CD-ROM、U盘、移动硬盘等)中或网络上，包括若干计算机程序指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序指令，当上述一个或者多个程序指令被一个该设备执行时，使得该计算机可读介质实现前述功能。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的多个模块可以合并为一个模块，也可以进一步将一个模块拆分成多个子模块。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读存储介质(可以是CD-ROM、U盘、移动硬盘等)中或网络上，包括若干计算机程序指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序指令，当上述一个或者多个程序指令被一个该设备执行时，使得该计算机可读介质实现前述功能。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的多个模块可以合并为一个模块，也可以进一步将一个模块拆分成多个子模块。
根据本申请的一些示例实施例，利用简单但精度更高的外部相机，在运动物体进行运动的同时获取它的运动信息，保证了运动信息获取的准确性，提升了运动校正图像的准确性。同时，避免了进行大量复杂的图像配准计算，降低了计算的复杂度。而且，所提供的算法不仅只适用于小范围的运动校正，对范围较大的运动校正同样适用，大大降低了成本。
虽然本申请提供了如上述实施例或流程图所述的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
本说明书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它实施例的不同之处。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (18)

1.一种图像处理方法，其特征在于，所述图像处理方法包括：
拍摄成像目标并获取初始帧图像和连续帧图像；
计算所述初始帧图像的初始三维特征点；
计算所述连续帧图像的连续帧三维特征点；
匹配所述初始三维特征点和所述连续帧三维特征点，以得到RT矩阵；
利用所述RT矩阵对图像进行校正，得到重建图像。
2.根据权利要求1所述的图像处理方法，其特征在于，利用影像记录设备拍摄成像目标并获取初始帧图像和连续帧图像。
3.根据权利要求2所述的图像处理方法，其特征在于，在所述成像目标的两侧平行放置一对型号相同的所述影像记录设备，组成双目视觉系统以拍摄所述成像目标。
4.根据权利要求2所述的图像处理方法，其特征在于，利用所述影像记录设备以视频的形式记录所述成像目标的运动，所述视频包括初始时刻的初始帧图像和非初始时刻的连续帧图像，其中，所述初始帧图像和所述连续帧图像分别包括同一时刻一对所述影像记录设备拍摄的图像。
5.根据权利要求1所述的图像处理方法，其特征在于，计算所述初始帧图像的初始三维特征点的步骤包括：
利用尺度不变特征变换方法提取所述初始帧图像的二维特征点；
去除所述初始帧图像的二维特征点的背景图像；
匹配去除背景后的所述初始帧图像的二维特征点；
三角化匹配信息，从而得到所述初始帧图像的所述初始三维特征点。
6.根据权利要求1所述的图像处理方法，其特征在于，所述计算所述连续帧图像的连续帧三维特征点，包括：
利用尺度不变特征变换方法提取所述连续帧图像的二维特征点；
去除所述连续帧图像的二维特征点的背景图像；
匹配去除背景后的所述连续帧图像的二维特征点；
三角化匹配信息，从而得到所述连续帧图像的所述初始三维特征点。
7.根据权利要求5或6所述的图像处理方法，其特征在于，所述三角化匹配信息的步骤包括：
通过公式(7-1)计算所述成像目标上任一点在影像记录设备坐标下的深度Z；
Figure FDA0003351082680000021
通过公式(7-2)计算所述成像目标上任一点在影像记录设备坐标下的横坐标X与纵坐标Y；
Figure FDA0003351082680000022
其中，T为两个所述影像记录设备的光学距离，f为所述影像记录设备的焦距，x1、xr分别为所述点在两个所述影像记录设备的图像帧上的投影与光轴图像交点的横坐标距离；y1为所述点在其中一个所述影像记录设备的图像帧上的投影与光轴图像交点的纵坐标距离。
8.根据权利要求1所述的图像处理方法，其特征在于，得到所述RT矩阵的步骤包括：
通过奇异值分解方法使所述初始三维特征点和所述连续帧三维特征点的误差最小化，以得到所述RT矩阵。
9.根据权利要求8所述的图像处理方法，其特征在于，通过公式(9-1)使所述误差最小化：
Figure FDA0003351082680000023
其中，R、T分别表示旋转矩阵和平移矩阵，J表示所述误差，pi、qi分别为所述初始三维特征点的集合P＝{p1，…，pn}和所述连续帧三维特征点的集合Q＝{q1，…，qn}中的第i个元素，i、n均为自然数，i≤n。
10.根据权利要求9所述的图像处理方法，其特征在于，所述奇异值分解方法通过公式(10-1)进行：
[U,S,V]＝SVD(H) 公式(10-1)
其中，U、S、V分别表示经过奇异值分解后的第一酉矩阵、对角矩阵以及第二酉矩阵，SVD表示奇异值分解，重新中心化的点集之间的协方差矩阵H通过公式(10-2)确定：
Figure FDA0003351082680000031
其中，pi'和qi'分别表示重新中心化后的三维特征点。
11.根据权利要求10所述的图像处理方法，其特征在于，所述旋转矩阵R和所述平移矩阵T分别通过公式(11-1)、(11-2)确定：
R＝VUT 公式(11-1)
T＝-RμP+μQ 公式(11-2)
其中，μP和μQ分别为集合P、集合Q的中心位置。
12.根据权利要求1所述的图像处理方法，其特征在于，所述图像包括CT图像、MR图像、PET图像、PET-CT图像、PET-MR图像以及CT-MR图像。
13.根据权利要求1所述的图像处理方法，其特征在于，所述利用所述RT矩阵对PET图像进行校正，得到重建图像，包括：
对所述成像目标进行PET扫描，得到正弦图数据；
利用所述RT矩阵对所述正弦图数据进行校正，以重建图像。
14.根据权利要求1所述的图像处理方法，其特征在于，在利用所述RT矩阵对所述图像进行校正之前，所述图像处理方法还包括通过公式(14-1)对所述图像的体素值进行校正：
Xt＝WtRTX0 公式(14-1)
其中，Xt表示t时刻FOV区域的放射性物质的浓度的分布，X0表示初始时刻FOV区域的放射性物质的浓度的分布，Wt为t时刻所有体素位置的插值的权重。
15.根据权利要求1所述的图像处理方法，其特征在于，得到所述RT矩阵的步骤包括：
在所述成像目标上设置若干个放射性点源，通过对采集时间帧内的图像进行重建识别所述放射性点源，根据三个不共线的所述放射性点源组成的面得到所述成像目标的位姿，所述位姿包括所述成像目标的位置和所述成像目标绕三维坐标轴的旋转角度，通过计算连续帧之间的运动得到所述RT矩阵。
16.一种图像处理装置，其特征在于，所述图像校正装置包括：
帧图像获取单元，用于拍摄成像目标并获取初始帧图像和连续帧图像；
初始三维特征点计算单元，用于计算所述初始帧图像的初始三维特征点；
连续帧三维特征点计算单元，用于计算所述连续帧图像的连续帧三维特征点；
RT矩阵计算单元，用于匹配所述初始三维特征点和所述连续帧三维特征点，以得到RT矩阵；
图像重建单元，用于利用所述RT矩阵对图像进行校正，得到重建图像。
17.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储计算机程序；
当所述计算机程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-15中任一所述的方法。
18.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被执行时实现如权利要求1-15中任一项所述的方法。
CN202111337384.2A 2021-11-12 2021-11-12 图像处理方法、装置、电子设备以及计算机可读存储介质 Pending CN114170146A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111337384.2A CN114170146A (zh) 2021-11-12 2021-11-12 图像处理方法、装置、电子设备以及计算机可读存储介质
PCT/CN2021/131635 WO2023082306A1 (zh) 2021-11-12 2021-11-19 图像处理方法、装置、电子设备以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111337384.2A CN114170146A (zh) 2021-11-12 2021-11-12 图像处理方法、装置、电子设备以及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114170146A true CN114170146A (zh) 2022-03-11

Family

ID=80479165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111337384.2A Pending CN114170146A (zh) 2021-11-12 2021-11-12 图像处理方法、装置、电子设备以及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN114170146A (zh)
WO (1) WO2023082306A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071362A (zh) * 2023-03-20 2023-05-05 内蒙古晶环电子材料有限公司 拉晶断苞检测方法、装置、计算机设备和存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681732B (zh) * 2023-08-03 2023-10-20 南昌工程学院 一种基于复眼形态视觉的目标运动识别方法及系统
CN117281616B (zh) * 2023-11-09 2024-02-06 武汉真彩智造科技有限公司 一种基于混合现实的手术控制方法及系统
CN117649503A (zh) * 2024-01-29 2024-03-05 杭州永川科技有限公司 图像重建方法、装置、计算机设备、存储介质和程序产品

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015181811A1 (en) * 2014-05-28 2015-12-03 Inuitive Ltd. A method for stereoscopic reconstruction of three dimensional images
CN107747941B (zh) * 2017-09-29 2020-05-15 歌尔股份有限公司 一种双目视觉定位方法、装置及系统
WO2020113423A1 (zh) * 2018-12-04 2020-06-11 深圳市大疆创新科技有限公司 目标场景三维重建方法、系统及无人机
CN110544301A (zh) * 2019-09-06 2019-12-06 广东工业大学 一种三维人体动作重建系统、方法和动作训练系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071362A (zh) * 2023-03-20 2023-05-05 内蒙古晶环电子材料有限公司 拉晶断苞检测方法、装置、计算机设备和存储介质
CN116071362B (zh) * 2023-03-20 2023-08-15 内蒙古晶环电子材料有限公司 拉晶断苞检测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
WO2023082306A1 (zh) 2023-05-19

Similar Documents

Publication Publication Date Title
RU2709437C1 (ru) Способ обработки изображений, устройство обработки изображений и носитель данных
WO2023082306A1 (zh) 图像处理方法、装置、电子设备以及计算机可读存储介质
US7599540B2 (en) Motion compensated reconstruction technique
JP2020516345A (ja) 深層学習に基づくトモグラフィ再構成
US11670017B2 (en) Systems and methods for reprojection and backprojection via homographic resampling transform
JP2017094097A (ja) 医用画像処理装置、ｘ線コンピュータ断層撮像装置及び医用画像処理方法
Bleichrodt et al. Easy implementation of advanced tomography algorithms using the ASTRA toolbox with Spot operators
CN111540025B (zh) 预测用于图像处理的图像
WO2007095312A2 (en) Image reconstruction from limited or incomplete data
Kiani et al. Quantum medical imaging algorithms
AU2017203626A1 (en) A method and apparatus for motion correction in CT imaging
CN108742679B (zh) 结节检测装置和方法
CN112258423A (zh) 基于深度学习的去伪影方法、装置、设备和存储介质
US9495770B2 (en) Practical model based CT construction
CN110555897A (zh) 一种图像生成的方法、装置、设备及存储介质
Bruder et al. Compensation of skull motion and breathing motion in CT using data-based and image-based metrics, respectively
CN111612887B (zh) 一种人体测量方法和装置
Van Eyndhoven et al. Combined motion estimation and reconstruction in tomography
WO2005076038A1 (en) Method and apparatus for providing high-resolution reconstruction of an observed object
Hellwig et al. Artificial intelligence and deep learning for advancing PET image reconstruction: State-of-the-art and future directions
Guo et al. Iterative image reconstruction for limited-angle CT using optimized initial image
CN110853113B (zh) 基于bpf的tof-pet图像重建算法及重建系统
JP7459243B2 (ja) １以上のニューラルネットワークとしての画像形成のモデル化による画像再構成
Maur et al. CBCT auto-calibration by contour registration
Maas et al. Nerf for 3d reconstruction from x-ray angiography: Possibilities and limitations

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