CN114266799A - 一种识别束光器边框方法、装置、计算机设备及存储介质 - Google Patents
一种识别束光器边框方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114266799A CN114266799A CN202111535051.0A CN202111535051A CN114266799A CN 114266799 A CN114266799 A CN 114266799A CN 202111535051 A CN202111535051 A CN 202111535051A CN 114266799 A CN114266799 A CN 114266799A
- Authority
- CN
- China
- Prior art keywords
- value
- determining
- image
- target
- hessian
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000009466 transformation Effects 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000003044 adaptive effect Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 24
- 230000010354 integration Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009432 framing Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000001965 increasing effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本申请提供了一种识别束光器边框方法、装置、计算机设备及存储介质,包括:将待处理图像进行自适应对数变换处理,得到目标图像;确定目标图像沿预设方向的梯度幅值,并依据梯度幅值确定束光器边框的候选边界;确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;确定目标图像的像素强度,并依据海森值和强度生成目标图像内每个像素的强度加权海森值;依据强度加权海森值生成候选边界的目标权值函数的最大值,并依据最大值确定束光器边框的目标边界。通过将自适应对数变换应用到前期的图像预处理,并将海森矩阵与强度及方差结合来判定束光器的边缘特性,进一步增加束光器边界判定的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是一种识别束光器边框方法、装置、计算机设备及存储介质。
背景技术
现如今随着医疗影像技术的发展和普及,数字X射线摄影技术(DigitalRadiography,DR)得到了越来越广泛的应用,在DR技术的使用中为了最大限度地减少高能射线对患者的辐射,放射科的医师一般会使用束光器限制高能射线的辐照区域,只对感兴趣的人体组织和部位区域进行射线辐照。因而,在拍摄人体组织的部位辐照区域的同时也会将束光器的阴影区域一并拍摄下来。在医师的诊断过程中,束光器的阴影区域是没有相关诊断意义的,且在实际的图像处理过程中,束光器的阴影区也不是医师感兴趣的区域,反而由于束光器阴影区的存在会增加后期图像处理的耗时和处理效率,极大可能会影响图像处理的输出质量。因而对束光器的阴影区域进行有效地识别裁剪对后续的图像处理以及实际的临床应用有着重要的作用。
然而为了灵活有效地控制射线辐照区域,束光器的四个边一般都设计为可以灵活移动的,因而在实际摄影拍照中束光器的阴影边可能是四个,三个,两个,一个,甚至没有,这对束光器阴影有效地甄别和准确的检测裁剪是具有一定的挑战的,其很容易会受到组织阴影区域的干扰从而造成过裁剪(将重要组织区域当成束光器阴影一并裁剪掉)或欠裁剪(未能识别出束光器边缘阴影,只裁剪一部分阴影或者未裁剪阴影),且束光器使用时间久后其厚度会变薄造成漏光以及有些组织区域和束光器重叠在一起造成对比度降低等等情形都会增加束光器阴影区域的检测识别难度,造成过裁剪或者欠裁剪。目前现有技术都难以对这些情形进行有效地识别裁剪。
专利号为CN107977974A公开了一种检测DR图像中束光器区域的方法,该方法在对束光器进行识别裁剪时需要判断束光器定位信息的输入,其需要硬件反馈信息的加持来做进一步判断,增加检测方法的复杂度。其边界检测方法对滤波后的图像进行多尺度变换获得多层图像,后续采用霍夫变换或者雷登变换对边缘数据信息筛选直线或曲线,这种方法往往会受到图像的对比度以及人体组织结构的影响,尤其是束光器阴影和人体组织区域结构类似以及束光器阴影和人体组织结构重叠导致边缘对比度很低的情况难以有效检测到束光器的边缘直线。
专利号为CN102693535A公开了一种束光器边界检测方法和系统,其采用了基于方向梯度幅值K-聚类算法进行自适应聚类,根据DR设备束光器特点对图像像素进行筛选,减少计算时间,通过聚类中的梯度幅值超过设定的阈值,来判断该聚类中各个像素点所在位置位束光器位置,这种方法同样在束光器阴影与辐照区域呈现低对比度的时候难以有效探测束光器的边缘直线。
上述方法对于常规较为理想的束光器阴影区域检测是可行的,然而实际临床诊断的过程中医师会面临各种各样的复杂情形,当束光器阴影和人体组织结构重叠导致边缘对比度很低,束光器使用时间久后其厚度会变薄造成漏光以及一些人体组织结构会衍射到束光器的阴影中等复杂的情形,传统的方法在面临这些情形识别准确性有限,极易造成过裁剪或欠裁剪。
发明内容
鉴于所述问题,提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种适应识别束光器矩形边框的方法、装置、计算机设备及存储介质,包括:
一种识别束光器边框方法,应用于束光器阴影区域的裁剪,包括步骤:
将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理;
确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界;
确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;
确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值;
依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
进一步地,所述确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界的步骤,包括:
确定目标图像沿预设方向的梯度幅值;
依据预设方向的梯度幅值进行梯度积分,并对所述梯度积分的结果进行总梯度积分;
将总梯度积分结果对应的二阶导数中的局部极大值的坐标位置设置为所述束光器边框的候选边界。
进一步地,所述确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差的步骤,包括:
确定目标图像的均值和方差,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;
依据目标图像的海森矩阵生成每个像素的海森值。
进一步地,所述依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界的步骤,包括:
当所述候选边界与所述强度加权海森值低于第一预设阈值时,则确定候选边界V1;
依据所述候选边界V1进行强度判定,确定候选边界V2;
依据所述候选边界V1进行海森矩阵判定,确定候选边界V3;
依据所述候选边界V2和所述候选边界V3生成集合V4;
当所述集合V4有元素时,则依据所述强度加权海森值生成集合V4的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
进一步地,所述依据所述候选边界V1进行强度判定,确定候选边界V2的步骤,包括:
当所述候选边界V1一侧的像素平均强度与另一侧的像素平均强度的差值大于目标邻域宽度内的方差时,则确定候选边界V2。
进一步地,所述依据所述候选边界V1进行海森矩阵判定,确定候选边界V3的步骤,包括:
当所述候选边界V1的邻域宽度P内的海森值Fn与邻域宽度2P内的海森值Fw的比值大于第一预设值T1,并有50%的像素满足此条件时,则确定候选边界V3;
或;
当所述候选边界V1一侧的像素平均强度与另一侧的像素平均强度的差值小于目标邻域宽度内的方差时,依据预设条件,确定候选边界V3;其中,所述预设条件为所述候选边界V1的邻域宽度P内的海森值Fn与邻域宽度2P内的海森值Fw的比值大于第二预设值T2,并有50%的像素满足此条件。
进一步地,还包括:
获取待处理图像并对所述待处理图像进行低通滤波处理。
一种识别束光器矩形边框的装置,其特征在于,包括:
对数变换模块,用于将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理;
候选模块,用于确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界;
计算模块,用于确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;
加权模块,用于确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值;
输出模块,用于依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
一种计算机设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的一种识别束光器边框方法的步骤。
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计算机程序,所述计算机程序被处理器执行时实现如上所述的一种识别束光器边框方法的步骤。
本申请具有以下优点:
在本申请的实施例中,通过将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理;确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界;确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值;依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。本申请通过将自适应对数变换应用到前期的图像预处理中,增加图像的对比度,降低噪声,为后续的图像处理提供重要的束光器边缘信息;并将海森矩阵与图像的强度以及方差结合起来一起判定束光器的边缘特性,从多个角度进行评估进一步增加了束光器边界判定的准确性,避免出现误裁剪。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种识别束光器边框方法的步骤流程图;
图2是本申请一实施例提供的一种识别束光器边框方法的步骤流程图;
图3是本申请一实施例提供的一种识别束光器边框的装置的结构框图;
图4是本申请一实施例提供的一种计算机设备的结构示意图;
图5是本申请一实施例提供的一种识别束光器边框方法裁剪束光器阴影区域的前后效果图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作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。
需要说明的是,在本发明任一实施例中,数字图像由二维的元素组成,每一个元素具有一个特定的位置(x,y)和幅值f(x,y),这些元素被称为像素。所述边缘是指一组相连的像素的集合,这些像素周围灰度具有显著变化的部分,该部分的灰度剖面一般可以看作是一个阶跃,即从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值,图像的边缘部分集中了图像的大部分信息,边缘是像素值快速变化的地方,其包含了图像上目标物体的主要信息。
参照图1和图2,示出了本申请一实施例提供的一种识别束光器边框方法,应用于束光器阴影区域的裁剪;
所述方法包括:
S110、将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理;
S120、确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界;
S130、确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;
S140、确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值;
S150、依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
在本申请的实施例中,通过将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理;确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界;确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值;依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。本申请通过将自适应对数变换应用到前期的图像预处理中,增加图像的对比度,降低噪声,为后续的图像处理提供重要的束光器边缘信息;并将海森矩阵与图像的强度以及方差结合起来一起判定束光器的边缘特性,从多个角度进行评估进一步增加了束光器边界判定的准确性,避免出现误裁剪。
下面,将对本示例性实施例中一种识别束光器边框方法作进一步地说明。
在本申请一实施例中,还包括:
获取待处理图像并对所述待处理图像进行低通滤波处理。
需要说明的是,所述待处理图像为通过X射线成像系统获取的灰度图像。
作为一种示例,对待处理图像进行低通滤波处理,依据低通滤波后的所述待处理图像进行自适应对数变换处理;实现图像的边缘检测,就是要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置,然后在图像中将这些位置的点连起来就构成了所谓的图像边缘。在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的,同时大多数的传感器件具有低频滤波特性,这样会使得阶跃边缘变为斜坡性边缘,看起来其中的强度变化不是瞬间的,而是跨越了一定的距离,这就使得在边缘检测中首先要进行的工作是滤波,进行降噪处理。
在一具体实现中,对低通滤波后的图像进行缩小以加快图像的处理速度,缩小图像是用一个像素值代表单元内多个像素值,如在15×15图像中,对每3×3单元区域进行取值操作(取均值、中值等),则15×15图像便可缩小成5×5图像。
如所述步骤S110所述,将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理。
在本发明一实施例中,可以结合下列描述进一步说明步骤S110所述“将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理”的具体过程。
在一具体实现中,将低通滤波处理后的所述待处理图像进行自适应对数变换处理,在自适应对数变换中,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理,与传统的只用固定底数进行对数变换相比对图像的还原增强效果更好,有效提高图像的对比度和降低图像的噪声,其中,所述自适应对数变换的公式如下所示:
式中:L3为输出图像;imag为输入图像的像素值;imagLog为输入图像的对数变换;maximagLog为对数变换的最大值;bia为指数偏置,设定在0到1之间。
在上述实施例中,将自适应对数变换应用到前期的图像预处理中,增加图像的对比度,降低噪声,为后续的图像处理提供了更加准确的束光器边缘信息。
如所述步骤S120所述,确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界。
在本发明一实施例中,可以结合下列描述进一步说明步骤S120所述“确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界”的具体过程。
如下列步骤所述,确定目标图像沿预设方向的梯度幅值;
如下列步骤所述,依据预设方向的梯度幅值进行梯度积分,并对所述梯度积分的结果进行总梯度积分;
如下列步骤所述,将总梯度积分结果对应的二阶导数中的局部极大值的坐标位置设置为所述束光器边框的候选边界。
需要说明的是,所述梯度幅值为梯度的模,图像梯度表示的是图像变化的速度,反映了图像的边缘信息。对于图像的边缘部分,其灰度值变化较大,梯度值也较大;对于图像中较平滑的部分,其灰度值变化较小,梯度值也较小。为了检测边缘,需要检测图像中的不连续性,可以使用图像梯度来检测不连续性。所述预设方向为图像的横纵方向;在一幅图像中每个像素点具有八邻域和四个边缘检测方向,当边缘与检测方向垂直时才能很好地检测到边缘点,因此只用检测横纵方向也能很好地检测到每条边缘。
在一具体实现中,确定目标图像沿横纵方向的梯度幅值,梯度幅值的计算公式如下所示:
fy(i,j)=(I[i,j+1]-I[i,j]+I[i+1,j+1]-I[i+1,j])/2
fx(i,j)=(I[i,j]-I[i+1,j]+I[i,j+1]-I[i+1,j+1])/2
式中:I(i,j)为领域宽度P内中心像素(i,j)的灰度值;fx(i,j)为该像素点的水平方向一阶导数;fy(i,j)为该像素点的垂直方向的一阶导数;M(i,j)为该像素点的梯度幅值。
增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时,可通过计算梯度幅值来确定。经过增强的图像,往往邻域中有很多像素点的梯度幅值比较大,而在特定的应用中,这些像素点并不是我们要找的噪声点,因此需要对像素点进行取舍筛选。
具体地,依据预设方向的梯度幅值进行梯度积分,判断像素点是否为噪声点,依据梯度积分对预设方向的像素点进行筛选,当所述梯度积分小于预设阈值时,此方向的像素点为非噪声点,将其剔除;当所述梯度积分大于预设阈值时,此方向的像素点为噪声点。
对所述梯度积分的结果进行总梯度积分,并将总梯度积分结果对应的二阶导数中的局部极大值的坐标位置设置为所述束光器边框的候选边界。图像梯度幅值矩阵中的元素值越大,说明图像中该点的梯度值越大,但这并不能说明该点就是边缘,非极大值抑制是进行边缘检测的重要步骤,其是指寻找像素点的局部最大值,将非极大值点所对应的灰度值设置为0,这样可以剔除掉一大部分非边缘的点,要进行非极大值抑制,就首先要确定像素点的梯度幅值在其邻域宽度内是否为最大。依据总梯度的二阶导数分别针对图像四条边的切线方向取若干个局部极大值,其坐标所在位置视为束光器候选边界,至此束光器的四条边的候选边界选择完毕。
如所述步骤S130所述,确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差。
需要说明的是,为了更精确地检测出边缘,阈值应根据每幅具体图像自适应的获取。阈值的选取应接近边缘点的梯度幅值,这样就可以很好地防止边缘中包含非边缘点。
在本发明一实施例中,可以结合下列描述进一步说明步骤S130所述“确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差”的具体过程。
如下列步骤所述,确定目标图像的均值和方差,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;
如下列步骤所述,依据目标图像的海森矩阵生成每个像素的海森值。
确定出束光器边框四条边的候选边界后,需要对候选边界进行筛选,确定出束光器四条边的最终边界。依据上述计算出的梯度幅值,计算总图像的均值和方差,均值和方差的计算公式分别如下所示:
式中,J为目标图像的均值;σ为目标图像的方差;M×N为图像的总像素;(i,j)为中心像素。
设候选边界的目标邻域宽度为P,以P为邻域,从上到下计算每个像素在目标邻域宽度P内的均值和方差,并对计算出目标邻域宽度P内的均值和方差进行滤波处理。
需要说明的是,所述海森矩阵(Hessian matrix)为一个自变量为向量的实值函数的二阶偏导数组成的方块矩阵。
在一具体实现中,依据目标图像的像素点计算图像的海森矩阵,所述海森矩阵公式如下所示:
式中,I(x,y)为图像(x,y)的像素值,H为海森矩阵。
依据海森矩阵计算每个像素的海森值,其公式如下所示:
式中,hij(x,y)为海森矩阵中的每个元素值。
如所述步骤S140所述,确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值。
在本发明一实施例中,可以结合下列描述进一步说明步骤S140所述“确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值”的具体过程。
需要说明的是,所述像素强度表示单通道图像像素的强度(值的大小),在灰度图像中,它是图像的灰度。在RGB颜色空间中,可以把它理解为是R通道的像素灰度值,G通道的像素灰度值,或是B通道的像素灰度值,也就是RGB中含三个像素强度。其他颜色空间类似,也就是每个通道的图像的像素灰度值。所述强度值从0~255共256级,看起来白的,值较大,接近或等于255,看起来黑的,值较小,接近或等于0。
在一具体实现中,将每个像素的海森值和强度进行加权相乘,获得每个像素的强度加权海森值。权即由测量值精度的不同在平差计算中所取的权重不同。精度越高,权越大。“加权”的意思就是“乘以权重”。
如所述步骤S150所述,依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
在本发明一实施例中,可以结合下列描述进一步说明步骤S150所述“依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界”的具体过程。
如下列步骤所述,当所述候选边界与所述强度加权海森值低于第一预设阈值时,则确定候选边界V1;
作为一种示例,将每个像素的海森值与强度进行加权相乘,生成每个像素的强度加权海森值,再计算每条候选边界与图像的边缘包围的强度加权海森值,若其值低于预设阈值时,则保留候选边界,并将保留的候选边界集合记为V1。
如下列步骤所述,依据所述候选边界V1进行强度判定,确定候选边界V2;
在本发明一实施例中,可以结合下列描述进一步说明“依据所述候选边界V1进行强度判定,确定候选边界V2”的具体过程。
作为一种示例,对候选边界V1进行强度判定,计算束光器边缘在目标邻域宽度内一侧像素的平均强度与另一侧的像素平均强度的差值,当所述候选边界V1中超过50%的像素的所述差值大于目标邻域宽度内的方差时,则输出候选边界V2。
如下列步骤所述,依据所述候选边界V1进行海森矩阵判定,确定候选边界V3;
在本发明一实施例中,可以结合下列描述进一步说明“依据所述候选边界V1进行海森矩阵判定,确定候选边界V3”的具体过程。
需要说明的是,由于束光器边缘具有强烈的结构特性,其海森值要比非结构性区域的高,基于此对所述候选边界V1中的每个像素邻域宽度P内的海森值总值记为Fn,邻域宽度2P内的海森值总值记为Fw。
作为一种示例,当所述Fn与所述Fw的比值超过一半的像素数目超过第一预设值T1,则输出候选边界并记为V3;
或;
对于不满足强度判定条件的候选边界(即所述候选边界V1中超过50%的像素的所述差值小于目标邻域宽度内的方差),当其Fn与Fw的比值超过一半的像素数目超过第二预设值T2,则输出候选边界并记为V3。
如下列步骤所述,依据所述候选边界V2和所述候选边界V3生成集合V4;
作为一种示例,将所述候选边界V2和所述候选边界V3结合生成集合V4,若集合V4有元素,则束光器的边界在集合V4中;若集合V4为空集,则束光器的边界为图像的边缘,无需对图像进行裁剪。
如下列步骤所述,当所述集合V4有元素时,则依据所述强度加权海森值生成集合V4的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
需要说明的是,下述候选边界的筛选计算都源自于集合V4。
在一具体实现中,构建集合V4的目标权值函数所述目标权值函数的计算公式如下所示:
式中,β为常数因子,范围在0到1之间;q为权值因子,具体为候选边界与图像边缘所围成的强度海森值占最靠近中央的候选边界与图像边缘所围成强度加权海森值的比率;AIH为候选边界所在区域的强度加权海森值的总平均值;AIHN为候选边界邻域的强度加权海森值的总平均值。
参照图5,示出了本申请一实施例提供的裁剪束光器边框前后的示意图,依据目标权值函数的最大值确定束光器的边界,对其余三条边做同样的上述处理,最终确定束光器边框四条边的目标边界。
对于装置实施例而言,由于其与方法实施例基本相似,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。
参照图3,示出了本申请一实施例提供的一种识别束光器矩形边框的装置;
具体包括:
对数变换模块310,用于将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理
候选模块320,用于确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界;
计算模块330,用于确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;
加权模块340,用于确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值;
输出模块350,用于依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
在本发明一实施例中,所述候选模块320,包括:
梯度幅值计算子模块,用于确定目标图像沿预设方向的梯度幅值;
梯度积分子模块,用于依据预设方向的梯度幅值进行梯度积分,并对所述梯度积分的结果进行总梯度积分;
局部极大值确定子模块,用于将总梯度积分结果对应的二阶导数中的局部极大值的坐标位置设置为所述束光器边框的候选边界。
在本发明一实施例中,所述计算模块330,包括:
第一计算子模块,用于确定目标图像的均值和方差,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;
第二计算子模块,用于依据目标图像的海森矩阵生成每个像素的海森值。
在本发明一实施例中,所述输出模块350,包括:
第一输出子模块,用于当所述候选边界与所述强度加权海森值低于第一预设阈值时,则确定候选边界V1;
第二输出子模块,用于依据所述候选边界V1进行强度判定,确定候选边界V2;
第三输出子模块,用于依据所述候选边界V1进行海森矩阵判定,确定候选边界V3;
第四输出子模块,用于依据所述候选边界V2和所述候选边界V3生成集合V4。
第五输出子模块,用于当所述集合V4有元素时,则依据所述强度加权海森值生成集合V4的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
在本申请一实施例中,还包括预处理模块300:
滤波子模块,用于获取待处理图像并对所述待处理图像进行低通滤波处理。
参照图4,示出了本发明的一种识别束光器矩形边框的方法的计算机设备,具体可以包括如下:
上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,外围总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且,计算机设备12还可以通过网络适配器20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。如图所示,网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白,尽管图3中未示出,可以结合计算机设备12使用其他硬件和/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16、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34等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种识别束光器矩形边框的方法。
也即,上述处理单元16执行上述程序时实现:包括步骤:将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理;确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界;确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值;依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。本申请通过将自适应对数变换应用到前期的图像预处理中,增加图像的对比度,降低噪声,为后续的图像处理提供重要的束光器边缘信息;并将海森矩阵与图像的强度以及方差结合起来一起判定束光器的边缘特性,从多个角度进行评估进一步增加了束光器边界判定的准确性,避免出现误裁剪。
在本发明实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有实施例提供的一种识别束光器矩形边框的方法:
也即,给程序被处理器执行时实现:包括步骤:将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理;确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界;确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值;依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。本申请通过将自适应对数变换应用到前期的图像预处理中,增加图像的对比度,降低噪声,为后续的图像处理提供重要的束光器边缘信息;并将海森矩阵与图像的强度以及方差结合起来一起判定束光器的边缘特性,从多个角度进行评估进一步增加了束光器边界判定的准确性,避免出现误裁剪。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,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操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种识别束光器边框方法、装置、计算机设备及存储介质,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,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种识别束光器边框方法,应用于束光器阴影区域的裁剪,其特征在于,包括步骤:
将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理;
确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界;
确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;
确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值;
依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
2.根据权利要求1所述的识别束光器边框方法,其特征在于,所述确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界的步骤,包括:
确定目标图像沿预设方向的梯度幅值;
依据预设方向的梯度幅值进行梯度积分,并对所述梯度积分的结果进行总梯度积分;
将总梯度积分结果对应的二阶导数中的局部极大值的坐标位置设置为所述束光器边框的候选边界。
3.根据权利要求1所述的识别束光器边框方法,其特征在于,所述确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差的步骤,包括:
确定目标图像的均值和方差,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;
依据目标图像的海森矩阵生成每个像素的海森值。
4.根据权利要求3所述的识别束光器边框方法,其特征在于,所述依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界的步骤,包括:
当所述候选边界与所述强度加权海森值低于第一预设阈值时,则确定候选边界V1;
依据所述候选边界V1进行强度判定,确定候选边界V2;
依据所述候选边界V1进行海森矩阵判定,确定候选边界V3;
依据所述候选边界V2和所述候选边界V3生成集合V4;
当所述集合V4有元素时,则依据所述强度加权海森值生成集合V4的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
5.根据权利要求4所述的识别束光器边框方法,其特征在于,所述依据所述候选边界V1进行强度判定,确定候选边界V2的步骤,包括:
当所述候选边界V1一侧的像素平均强度与另一侧的像素平均强度的差值大于目标邻域宽度内的方差时,则确定候选边界V2。
6.根据权利要求4所述的识别束光器边框方法,其特征在于,所述依据所述候选边界V1进行海森矩阵判定,确定候选边界V3的步骤,包括:
当所述候选边界V1的邻域宽度P内的海森值Fn与邻域宽度2P内的海森值Fw的比值大于第一预设值T1,并有50%的像素满足此条件时,则确定候选边界V3;
或;
当所述候选边界V1一侧的像素平均强度与另一侧的像素平均强度的差值小于目标邻域宽度内的方差时,依据预设条件,确定候选边界V3;其中,所述预设条件为所述候选边界V1的邻域宽度P内的海森值Fn与邻域宽度2P内的海森值Fw的比值大于第二预设值T2,并有50%的像素满足此条件。
7.根据权利要求1所述的识别束光器边框方法,其特征在于,还包括:
获取待处理图像并对所述待处理图像进行低通滤波处理。
8.一种识别束光器矩形边框的装置,其特征在于,包括:
对数变换模块,用于将待处理图像进行自适应对数变换处理,得到目标图像;具体地,确定待处理图像的像素点和每个像素点的对数变换值,依据所述待处理图像的像素值与最大对数变换值的比值确定所述自适应对数变换的基底,并依据所述基底对所述待处理图像的目标像素点进行对数变换处理;
候选模块,用于确定目标图像沿预设方向的梯度幅值,并依据所述梯度幅值确定束光器边框的候选边界;
计算模块,用于确定目标图像的均值、方差和海森值,并依据目标图像的均值和方差确定目标邻域宽度内每个像素的均值和方差;
加权模块,用于确定目标图像的像素强度,并依据所述海森值和所述强度生成所述目标图像内每个像素的强度加权海森值;
输出模块,用于依据所述强度加权海森值生成候选边界的目标权值函数的最大值,并依据所述最大值确定束光器边框的目标边界。
9.一种计算机设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一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计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535051.0A CN114266799B (zh) | 2021-12-15 | 一种识别束光器边框方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535051.0A CN114266799B (zh) | 2021-12-15 | 一种识别束光器边框方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114266799A true CN114266799A (zh) | 2022-04-01 |
CN114266799B CN114266799B (zh) | 2024-06-28 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707560A (zh) * | 2022-05-19 | 2022-07-05 | 北京闪马智建科技有限公司 | 数据信号的处理方法及装置、存储介质、电子装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033598A (zh) * | 2015-03-18 | 2016-10-19 | 北京纳米维景科技有限公司 | 一种用于消除散射辐射影响的数字滤线栅成像方法 |
CN107871319A (zh) * | 2017-11-21 | 2018-04-03 | 上海联影医疗科技有限公司 | 限束器区域的检测方法、装置、x射线系统和存储介质 |
CN110859638A (zh) * | 2018-08-14 | 2020-03-06 | 佳能株式会社 | 图像处理装置、图像处理方法和存储介质 |
WO2020073113A1 (en) * | 2018-10-12 | 2020-04-16 | Elekta Ltd. | Quality assurance for mr-linac |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033598A (zh) * | 2015-03-18 | 2016-10-19 | 北京纳米维景科技有限公司 | 一种用于消除散射辐射影响的数字滤线栅成像方法 |
CN107871319A (zh) * | 2017-11-21 | 2018-04-03 | 上海联影医疗科技有限公司 | 限束器区域的检测方法、装置、x射线系统和存储介质 |
CN110859638A (zh) * | 2018-08-14 | 2020-03-06 | 佳能株式会社 | 图像处理装置、图像处理方法和存储介质 |
WO2020073113A1 (en) * | 2018-10-12 | 2020-04-16 | Elekta Ltd. | Quality assurance for mr-linac |
Non-Patent Citations (1)
Title |
---|
VLADIMIR OSTOJIĆ等: "Detection of collimation field in digital radiography using Frobenius norm of Hessian", 23RD TELECOMMUNICATIONS FORUM TELFOR 2015, 26 November 2015 (2015-11-26) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707560A (zh) * | 2022-05-19 | 2022-07-05 | 北京闪马智建科技有限公司 | 数据信号的处理方法及装置、存储介质、电子装置 |
CN114707560B (zh) * | 2022-05-19 | 2024-02-09 | 北京闪马智建科技有限公司 | 数据信号的处理方法及装置、存储介质、电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6985371B2 (ja) | 検出精度を向上させるために関心領域の異なるビューからの複数の画像を用いるコンピュータ支援検出 | |
CN110458827B (zh) | 医学影像坏点的检测方法、装置、设备及介质 | |
CN111524106B (zh) | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 | |
EP2515273B1 (en) | Multiple exposure high dynamic range image capture | |
US20110211749A1 (en) | System And Method For Processing Video Using Depth Sensor Information | |
CN110176010B (zh) | 一种图像检测方法、装置、设备及存储介质 | |
JP2010525486A (ja) | 画像分割及び画像強調 | |
CN113436166A (zh) | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 | |
CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN110853024B (zh) | 医疗图像处理方法、装置、存储介质及电子设备 | |
CN113111212B (zh) | 一种图像匹配方法、装置、设备及存储介质 | |
CN111275686A (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
US7203349B2 (en) | Bronchial wall thickening recognition for reduced false-positives in pulmonary nodule detection | |
CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN111274852B (zh) | 目标对象关键点检测方法和装置 | |
CN111091107A (zh) | 一种人脸区域边缘检测方法、装置及存储介质 | |
CN116433695B (zh) | 一种乳腺钼靶图像的乳腺区域提取方法及系统 | |
CN107833185B (zh) | 图像去雾方法及装置、存储介质、电子设备 | |
CN114266799B (zh) | 一种识别束光器边框方法、装置、计算机设备及存储介质 | |
CN114266799A (zh) | 一种识别束光器边框方法、装置、计算机设备及存储介质 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
Doshi et al. | An evaluation of image enhancement techniques for capillary imaging | |
CN115564682A (zh) | 一种光照不均图像增强方法及系统 | |
CN113163101B (zh) | 图像曝光调整方法、装置、设备和介质 | |
CN109741355A (zh) | 处理数字x线图像的方法、装置、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 | ||
CB02 | Change of applicant information |
Address after: No.103, baguang District Service Center, No.2 BaiShaWan Road, baguang community, Kuiyong street, Dapeng New District, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Lanying Medical Technology Co.,Ltd. Address before: No.103, baguang District Service Center, No.2 BaiShaWan Road, baguang community, Kuiyong street, Dapeng New District, Shenzhen, Guangdong 518000 Applicant before: SHENZHEN LANYUN MEDICAL IMAGE CO.,LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant |