CN114529724A - 图像目标的识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请涉及一种图像目标的识别方法、装置、电子设备及存储介质，图像目标的识别方法包括：获取待识别图像；基于预设的形态学操作参数，对待识别图像进行形态学膨胀腐蚀处理，确定待识别图像中的各个凸起图像区域；基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果；基于图像目标的粗分割结果，确定图像目标识别结果。如此，无需人为参与即可实现对图像目标的全自动识别，并且，基于形态学膨胀腐蚀处理和条件过滤，可以准确识别出图像目标，有效解决因图像目标密度与图像目标的背景密度相接近而容易导致识别不准确的问题。

Description

图像目标的识别方法、装置、电子设备及存储介质

技术领域

本申请涉及图像处理技术领域，具体涉及一种图像目标的识别方法、装置、电子设备及存储介质。

背景技术

医学图像处理是利用图像视觉的处理方法辅助临床诊断的一项重要技术，近年来逐渐成为研究热点。其中，从医学图像中识别图像目标是医学图像处理的最常用也是最重要的处理内容。例如，在穿刺导航手术中，需要在人体体表放置多个定位贴片，通过对人体电子计算机断层扫描(Computed Tomography，CT)图像中的多个定位贴片进行识别，通过多个定位贴片的物理坐标与CT坐标，构建物理空间坐标系与电磁导航系统坐标系的对应关系，以定位穿刺针与穿刺目标的实时相对位置，从而有效缩短穿刺手术的时间。因此，如何实现对医学图像中的图像目标的识别，是亟待解决的问题。

发明内容

有鉴于此，本申请提供了一种图像目标的识别方法、装置、电子设备及存储介质，以实现对医学图像中图像目标的识别。

为实现以上目的，本申请采用如下技术方案：

本申请的第一方面提供一种图像目标的识别方法，包括：

获取待识别图像；

基于预设的形态学操作参数，对所述待识别图像进行形态学膨胀腐蚀处理，确定所述待识别图像中的各个凸起图像区域；

基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果；

基于所述图像目标的粗分割结果，确定图像目标识别结果。

可选的，对所述待识别图像进行形态学膨胀腐蚀处理，还得到所述待识别图像中的各个凸起图像区域的特征数据，所述预设的条件过滤参数包括体积参数和形状参数；

所述基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果，包括：

从各个凸起图像区域中，筛选出其特征数据符合所述体积参数和形状参数的凸起图像区域，作为图像目标的粗分割结果。

可选的，所述获取待识别图像，包括：

获取原始医学图像；

对所述原始医学图像进行体表分割处理，得到所述待识别图像。

可选的，所述对所述原始医学图像进行体表分割处理，得到所述待识别图像，包括：

采用阈值分割方法对所述原始医学图像进行处理，得到分割图像；

采用距离变换方法对所述分割图像进行处理，得到待识别图像。

可选的，所述基于所述图像目标的粗分割结果，确定图像目标识别结果，包括：

对所述粗分割结果进行处理，得到图像目标的目标点粗定位结果；

将所述目标点粗定位结果输入到预先构建的分割模型中，得到图像目标识别结果。

可选的，所述分割模型的构建方法包括：

采用数据扩增方法，获取训练数据，得到训练数据集；所述训练数据包括：相对应的包含图像目标的图像、图像目标分割结果和图像目标的目标点坐标；

利用所述训练数据集中的训练数据对图像分割模型进行训练，得到所述分割模型。

可选的，所述采用数据扩增方法，获取训练数据，得到训练数据集，包括：

获取没有图像目标的体表切块数据和图像目标数据；

将所述没有图像目标的体表切块数据与所述图像目标数据分别进行预设次数的随机叠加，对应得到预设数量的训练数据，组成所述训练数据集。

可选的，所述图像目标识别结果包括图像目标的精分割结果、图像目标的目标点位置坐标和图像目标的分类结果。

可选的，所述确定图像目标识别结果之后，所述方法还包括：

根据所述图像目标的分类结果，关联所述图像目标的目标点位置坐标和对应的图像目标。

本申请的第二方面提供一种图像目标的识别装置，包括：

获取模块，用于获取待识别图像；

形态学操作模块，用于基于预设的形态学操作参数，对所述待识别图像进行形态学膨胀腐蚀处理，确定所述待识别图像中的各个凸起图像区域；

过滤模块，用于基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果；

确定模块，用于基于所述图像目标的粗分割结果，确定图像目标识别结果。

本申请的第三方面提供一种电子设备，包括：

处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序；

所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如本申请的第一方面所述的方法。

本申请的第四方面提供一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请的第一方面所述的图像目标的识别方法的各个步骤。

本申请提供的技术方案可以包括以下有益效果：

本申请的方案中，预先设置了形态学操作参数和条件过滤参数，基于此，在获取到待识别图像后，可以基于形态学操作参数，对待识别图像进行形态学膨胀腐蚀处理，以确定待识别图像中的各个凸起图像区域，继而基于条件过滤参数，对各个凸起图像区域进行过滤，从而得到图像目标的粗分割结果，再基于图像目标的粗分割结果，就可以确定出图像目标识别结果。如此，无需人为参与即可实现对图像目标的全自动识别。

进一步的，在传统的图像目标的识别方法中，一些图像目标密度与图像目标的背景密度比较接近，这就很容易出现识别不准确的问题，而本申请的方案中，基于形态学膨胀腐蚀处理和条件过滤，可以准确识别出图像目标，有效解决因图像目标密度与图像目标的背景密度相接近而容易导致识别不准确的问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种实施环境的示意图。

图2是本申请一个实施例提供的一种图像目标的识别方法的流程图。

图3是本申请一个实施例提供的一种定位贴片的示意图。

图4是本申请一个实施例提供的一种带有定位贴片的人体体表CT图像。

图5是本申请一个实施例提供的一种经形态学膨胀腐蚀处理后的人体体表CT图像。

图6是本申请一个实施例提供的一种经过滤处理后的人体体表CT图像。

图7是本申请另一个实施例提供的一种图像目标的识别方法的流程图。

图8是本申请又一个实施例提供的一种图像目标的识别方法的流程图。

图9是本申请一个实施例提供的一种经分割模型处理后的定位贴片的精分割结果图。

图10是本申请一个实施例提供的一种图像目标的识别装置的结构示意图。

图11是本申请另一个实施例提供的一种电子设备的结构框图。

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，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。

申请概述

CT是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位做一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。

经皮穿刺手术，是一种损伤较小的微创手术，主要是用细针通过局部的皮肤和组织器官抽取标本或注射药物，从而达到诊断和治疗目的。穿刺手术对于感染性疾病、出血性疾病、肿瘤等疾病的诊断具有重大的价值，同时还可用于术前麻醉、浆膜腔抽气及抽液、鞘内注药等治疗，而且穿刺创伤小、恢复快，因而广泛的用于临床之中。在辅助医生进行穿刺手术时，需要在人体体表放置多个定位贴片，用于定位体表与CT扫描的相对位置。

示例性系统

图1所示为本申请实施例提供的一种实施环境的示意图。该实施环境包括计算机设备110以及CT扫描仪120。

CT扫描仪120用于对人体组织进行扫描，得到人体组织的CT图像。在一实施例中，通过CT扫描仪120对胸部进行扫描，可以得到本申请中的待识别图像。计算机设备110可以从CT扫描仪120处获取待识别图像。

计算机设备110可以是通用型计算机或者由专用的集成电路组成的计算机装置等，本申请实施例对此不做限定。例如，计算机设备110可以是平板电脑等移动终端设备，或者也可以是个人计算机(Personal Computer，PC)，比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓，上述计算机设备110的数量可以一个或多个，其类型可以相同或者不同。本申请实施例对计算机设备110的数量和设备类型不加以限定。

在一实施例中，图1的实施环境可以用于执行本申请实施例提供的图像目标的识别方法。计算机设备110可以从CT扫描仪120获取待识别图像，并对该待识别图像进行处理以得到图像目标识别结果。

在一些实施例中，计算机设备110可以是服务器，即CT扫描仪120直接与服务器通信连接。

在另一些实施例中，计算机设备110可以分别与CT扫描仪120以及服务器通信连接，并将从CT扫描仪120获取的待识别图像发送至服务器，以便服务器基于该待识别图像执行图像目标的识别方法。

示例性方法

图2所示为本申请一示例性实施例提供的图像目标的识别方法的流程示意图。图2的方法可由计算机设备，例如，由图1的计算机设备或服务器来执行。如图2所示，该图像目标的识别方法至少包括如下实施步骤：

步骤S201、获取待识别图像。

待识别图像可以是体表上带有图像目标的医学图像，例如，以定位贴片为图像目标，待识别图像则为带有定位贴片的人体体表CT图像。本申请实施例对待识别图像的具体类型不做限定，即本申请实施例的图像目标的识别方法可以适用于多种类型的图像。

步骤S202、基于预设的形态学操作参数，对待识别图像进行形态学膨胀腐蚀处理，确定待识别图像中的各个凸起图像区域。

形态学一般指生物学中研究动物和植物结构的一个分支，是一种以形态为基础对图像进行分析的数学工具，基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。形态学图像处理的应用可以简化图像数据，保持它们基本的形状特性，并除去不相干的结构。

形态学的膨胀是在输入图像中目标的边缘处增加目标像素，而腐蚀是在目标边缘处去掉目标像素。增加或去掉目标像素的个数是根据形态学变换中的结构模板的大小和形状来决定的。在膨胀和腐蚀变换过程中，输出图像中的所有像素都是根据输入图像中的相应位置及其邻域像素值来决定的。

实施时，例如，待识别图像为带有定位贴片的人体体表CT图像，考虑到定位贴片贴在人体体表上，在人体体表上表现为凸起的区域，为了能够识别出人体体表CT图像中的定位贴片，可以基于预设的形态学操作参数，对带有定位贴片的人体体表CT图像进行膨胀腐蚀操作，以提取到体表上的各个凸起图像区域，也即，提取到体表上可能是定位贴片的所有凸起图像区域。

步骤S203、基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果。

为了从各个凸起图像区域中识别出定位贴片的凸起图像区域，可以基于预设的条件过滤参数，对各个凸起图像区域进行过滤，其中，预设的条件过滤参数可以是与定位贴片具有相同或者相似的形态特征的特征参数。如此，经过过滤操作，可以将各个凸起图像区域中与定位贴片的的特征参数相差较大的凸起图像区域滤除，也即剔除待识别图像中与图像目标的特征参数相差较大的凸起图像区域，保留其中与图像目标形态相似的凸起图像区域，将其作为图像目标的粗分割结果。如此，实现了对待识别图像中图像目标的初步识别。

步骤S204、基于图像目标的粗分割结果，确定图像目标识别结果。

本实施例中，预先设置了形态学操作参数和条件过滤参数，基于此，在获取到待识别图像后，可以基于形态学操作参数，对待识别图像进行形态学膨胀腐蚀处理，以确定待识别图像中的各个凸起图像区域，继而基于条件过滤参数，对各个凸起图像区域进行过滤，从而得到图像目标的粗分割结果，再基于图像目标的粗分割结果，就可以确定出图像目标识别结果。如此，无需人为参与即可实现对图像目标的全自动识别。

进一步的，在传统的图像目标的识别方法中，一些图像目标密度与图像目标的背景密度比较接近，这就很容易出现识别不准确的问题，而本申请的方案中，基于形态学膨胀腐蚀处理和条件过滤，可以准确识别出图像目标，有效解决因图像目标密度与图像目标的背景密度相接近而容易导致识别不准确的问题。

具体实施时，对于形态学操作参数和条件过滤参数，可以进行预先调节。以对定位贴片的识别为例，具体的调节过程可以包括：首先通过形态学膨胀腐蚀操作提取体表图像上的各个凸起图像区域，继而根据当前定位贴片的形态特征对各个凸起图像区域进行过滤。基于此，根据已有当前定位贴片的数据进行上述两个步骤的参数调节，也即调节形态学操作参数和条件过滤参数，并根据当前数据的所有粗分割结果保留情况，最终确定针对当前定位贴片形态较优的形态学操作参数和条件过滤参数，以保证得到的定位贴片的粗分割结果能够达到标准(能够快速地将所有的定位贴片都定位粗分割出来)，为更加准确、高效地识别出定位贴片提供参数依据。

其中，形态学操作参数可以包括体积参数和形状参数。

在对待识别图像进行形态学膨胀腐蚀处理后，还可以得到待识别图像中的各个凸起图像区域的特征数据。相应的，在基于预设的条件过滤参数，对各个凸起图像区域进行过滤，以得到图像目标的粗分割结果时，可以从各个凸起图像区域中，筛选出其特征数据符合体积参数和形状参数的凸起图像区域，将其作为图像目标的粗分割结果。

具体的，在得到待识别图像区域中的各个凸起图像区域后，可以对各个凸起图像区域进行连通域分析，得到每个连通域的体积和包围盒大小信息，即各个凸起图像区域的特征数据。再根据体积参数和形状参数对每个连通域的体积和包围盒大小进行过滤，比如，体积参数选取定位贴片大概的体积，在范围1000-10000之间，形状参数为长宽高均小于等于150，则可以将连通域中体积在1000-10000以外，和包围盒的长宽高大于150的连通域过滤掉，保留体积在1000-10000之间，且包围盒的长宽高均小于等于150的连通域，将其按体积大小进行排名，获取特定数量的连通域作为图像目标的粗分割结果。其中，特定数量与图像目标的数量保持一致。如此，解决了最大连通域提取误检率高的问题。

实际应用时，如图3所示是当前使用的三种形状的定位贴片，将其贴到人体表面后，得到如图4所示的人体体表CT图像，即待识别图像。继而基于针对当前定位贴片预设的形态学操作参数，对该人体体表CT图像进行形态学膨胀腐蚀操作，可以得到如图5所示的凸起图像区域，从图中可以明显看出，包括三种形状的定位贴片在内的多个人体体表的凸起图像区域均被提取了出来，再根据针对当前定位贴片的形状和体积进行预先调整的条件过滤参数，对图5中的各个凸起图像区域进行过滤，就可以使用体积参数过滤掉凸起图像区域中与定位贴片的体积相差较大的凸起图像区域，使用形状参数过滤掉与定位贴片体积接近但形状差异较大的凸起图像区域，得到如图6所示的三种形状的定位贴片的粗分割结果。

一些实施例中，在获取待识别图像时，可以获取原始医学图像，再对原始医学图像进行体表分割处理，从而得到待识别图像。

以定位贴片为图像目标为例，原始医学图像可以是定位贴片在人体皮肤贴着的情况下，采集到的人体CT图像，为了能够准确识别出人体CT图像中的定位贴片，可以对人体CT图像进行体表分割处理，从而得到人体体表分割图像，如图4所示，即待识别图像。

具体的，在进行体表分割处理时，可以先采用阈值分割方法对原始医学图像进行处理，如此，可以从原始医学图像中将人体部分分割出来，得到人体部分的分割图像。再采用距离变换方法对分割图像进行处理，从而提取到分割图像中人体部分的最外层，得到体表部分的待识别图像。如此，可以有效节省识别时间，为识别出人体体表部分的图像目标提供了更加准确的基础图像。

需要说明的是，上述对原始医学图像的体表分割处理并不仅仅限于采用阈值分割方法和距离变换方法，还可以采用其他的分割和提取方法得到待识别图像，此处不作限定。比如，分割可以采用区域增长方法等。

图7所示为本申请另一个实施例提供的一种图像目标的识别方法的流程图。在本申请图2所示实施例的基础上延伸出本申请图7所示实施例，下面着重叙述图7所示实施例的不同之处，相同之处不再赘述。

如图7所示，在本申请的实施例中，基于图像目标的粗分割结果，确定图像目标识别结果的步骤，至少可以包括如下实施步骤：

步骤S701、对粗分割结果进行处理，得到图像目标的目标点粗定位结果。

其中，目标点为图像目标上的设定参考点，其在图像目标上的具体位置可以根据实际需求进行设定，此处不作限定。

步骤S702、将目标点粗定位结果输入到预先构建的分割模型中，得到图像目标识别结果。

具体实施时，在对各个凸起图像区域进行过滤，得到图像目标的粗分割结果后，可以基于粗分割结果，进行目标点定位提取，得到图像目标的目标点粗定位结果。例如，图像目标为如图3所示的定位贴片，目标点为定位贴片中心点，则图像目标的目标点粗定位结果即为从三个定位贴片的粗分割结果中提取到的三个定位贴片的中心点坐标。

为了能够得到更加准确的图像目标识别结果，在得到图像目标的目标点粗定位结果后，可以将目标点粗定位结果输入到预先构建的分割模型中，从而得到图像目标识别结果。

如图8所示，分割模型的构建方法可以包括如下实施步骤：

步骤S801、采用数据扩增方法，获取训练数据，得到训练数据集；训练数据可以包括：相对应的包含图像目标的图像、图像目标分割结果和图像目标的目标点坐标。

实施时，以图像目标为定位贴片、目标点为中心点为例，可以采集定位贴片在人体上的CT图像，获取由人工标注的相关定位贴片的分割标注结果和中心点坐标作为分割的金标准，并从CT图像和定位贴片分割标注金标准图上切下来定位贴片对应数据，以获取定位贴片区域CT灰度图像、定位贴片分割结果二值图像以及定位贴片的中心点坐标(即包含图像目标的图像、图像目标分割结果和图像目标的目标点坐标)这三者对应的分割训练数据。其中，定位贴片的分割标注结果和中心点坐标指的是在采集的人体CT图像上由标注人员进行辨别并做出分割label的标记，同时标记出该定位贴片在CT图像上的中心点坐标。

实际应用中，在获取训练数据时，带有定位贴片的人体CT图像并不能轻易得到，为了能够满足更多应用场景需求，提高分割模型的准确度，可以采用数据扩增的方法来获取训练数据。

具体的，在采用数据扩增方法，获取训练数据，得到训练数据集时，可以获取没有图像目标的体表切块数据和图像目标数据，再将没有图像目标的体表切块数据与图像目标数据分别进行预设次数的随机叠加，对应得到预设数量的训练数据，组成训练数据集。

具体实施时，可以将人体体表已经有图像目标的部分，以一定的区域限制切割掉，得到没有图像目标的体表切块数据。将获取到的小块的图像目标数据和没有图像目标的体表切块数据进行预设次数的随机叠加组合，确定每个组合的图像目标分割金标准和对应的目标点坐标(该坐标为根据选取的图像目标所在位置和皮肤切块的大小进行计算得到的目标点在当前切块中的坐标)，如此，就可以得到预设数量的训练数据，组成训练数据集。

其中，在得到没有图像目标的体表切块数据时，可以对体表的数组进行判断切割，已经有图像目标的位置，可以以图像目标中心点为目标点和中心，向外扩指定的大小(大于定位贴片最长轴)的包围盒，判断体表上的点是否在这些包围盒内，把在包围盒内部的体表点设置为0，不在包围盒内部的仍然是1即可，最终就可以保留下来没有图像目标的人体体表坐标数据，也即没有图像目标的体表切块数据。

步骤S802、利用训练数据集中的训练数据对图像分割模型进行训练，得到分割模型。

在训练时，为了确保在多个图像目标的情况下，图像目标识别结果不会混淆，分割模型还可以具有分类的功能，图像目标的分类可以根据分割模型的分类head得到相应的分类结果，或者可以通过分割图像目标的体积进行排序得到分类结果。

相应的，图像目标识别结果可以包括图像目标的精分割结果、图像目标的目标点位置坐标和图像目标的分类结果。如图9所示为图6经过分割模型处理后得到的定位贴片的精分割结果。

在确定图像目标识别结果之后，为了使每一个图像目标都对应有正确的目标点位置坐标，一些实施例中，图像目标的识别方法还可以包括：根据图像目标的分类结果，关联图像目标的目标点位置坐标和对应的图像目标。如此，无需再进行手动标注即可确定每一个图像目标对应的目标点位置坐标，实现了对图像目标的全自动识别。

应用中，在使用磁导航系统时，由于三个点可以确定一个三维空间坐标系，因此，通常采用三个定位贴片就可以确定一个物理空间坐标系。将定位贴片作为图像目标，在第一次CT扫描时，三个不同的定位贴片的目标点的坐标经过磁导航系统的追踪，会产生一个实时的物理空间坐标系，同时，磁导航系统还会追踪穿刺针的特定点(尾端或者前端)，产生一个穿刺针的坐标。把穿刺针上的坐标与CT图上的坐标进行匹配，就可以在产生的物理空间坐标系中展示出穿刺针的实时坐标。如此，采用本申请的分割模型，实现了对定位贴片的全自动分割、中心点定位和分类，确保了将三个定位贴片目标点坐标以正确的顺序输出给磁导航系统，节省了穿刺手术过程中在磁导航系统手动标注标志贴片点的时间，节省了穿刺手术的手术规划时间。

应该理解的是，虽然图3、图7和图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图3、图7和图8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

示例性装置

图10所示为本申请一示例性实施例提供的图像目标的识别装置的结构示意图。如图10所示，图像目标的识别装置可以包括：获取模块1001，用于获取待识别图像；形态学操作模块1002，用于基于预设的形态学操作参数，对待识别图像进行形态学膨胀腐蚀处理，确定待识别图像中的各个凸起图像区域；过滤模块1003，用于基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果；确定模块1004，用于基于图像目标的粗分割结果，确定图像目标识别结果。

可选的，对待识别图像进行形态学膨胀腐蚀处理，还得到待识别图像中的各个凸起图像区域的特征数据，预设的条件过滤参数包括体积参数和形状参数；相应的，在基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果时，过滤模块1003，具体可以用于：从各个凸起图像区域中，筛选出其特征数据符合体积参数和形状参数的凸起图像区域，作为图像目标的粗分割结果。

可选的，获取模块1001，具体可以用于：获取原始医学图像；对原始医学图像进行体表分割处理，得到待识别图像。

可选的，在对原始医学图像进行体表分割处理，得到待识别图像时，获取模块1001，具体可以用于：采用阈值分割方法对原始医学图像进行处理，得到分割图像；采用距离变换方法对分割图像进行处理，得到待识别图像。

可选的，在基于图像目标的粗分割结果，确定图像目标识别结果时，确定模块1004，具体用于：对粗分割结果进行处理，得到图像目标的目标点粗定位结果；将目标点粗定位结果输入到预先构建的分割模型中，得到图像目标识别结果。

可选的，图像目标的识别装置还可以包括构建模块，构建模块用于：采用数据扩增方法，获取训练数据，得到训练数据集；训练数据包括：相对应的包含图像目标的图像、图像目标分割结果和图像目标的目标点坐标；利用训练数据集中的训练数据对图像分割模型进行训练，得到分割模型。

可选的，在采用数据扩增方法，获取训练数据，得到训练数据集时，构建模块具体可以用于：获取没有图像目标的体表切块数据和图像目标数据；将没有图像目标的体表切块数据与图像目标数据分别进行预设次数的随机叠加，对应得到预设数量的训练数据，组成训练数据集。

可选的，上述图像目标识别结果可以包括图像目标的精分割结果、图像目标的目标点位置坐标和图像目标的分类结果。相应的，图像目标的识别装置还可以包括关联模块，关联模块可以用于：根据图像目标的分类结果，关联图像目标的目标点位置坐标和对应的图像目标。

应当理解，本申请的实施例提供的图像目标的识别装置的具体实现方式可以参考以上任意实施例所述的图像目标的识别方法的具体实施方式，此处不再赘述。

图11所示为本申请一示例性实施例提供的用于执行图像目标的识别方法的电子设备1100的框图。

参照图11，电子设备1100包括处理组件1110，其进一步包括一个或多个处理器，以及由存储器1120所代表的存储器资源，用于存储可由处理组件1110的执行的指令，例如应用程序。存储器1120中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1110被配置为执行指令，以执行上述图像目标的识别方法。

电子设备1100还可以包括一个电源组件被配置为执行电子设备1100的电源管理，一个有线或无线网络接口被配置为将电子设备1100连接到网络，和一个输入输出(I/O)接口。可以基于存储在存储器1120的操作系统操作电子设备1100，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。

一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备1100的处理器执行时，使得上述电子设备1100能够执行一种图像目标的识别方法。该图像目标的识别方法包括：获取待识别图像；基于预设的形态学操作参数，对待识别图像进行形态学膨胀腐蚀处理，确定待识别图像中的各个凸起图像区域；基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果；基于图像目标的粗分割结果，确定图像目标识别结果。

上述所有可选技术方案，可采用任意结合形成本申请的可选实施例，在此不再一一赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序校验码的介质。

需要说明的是，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种图像目标的识别方法，其特征在于，包括：

获取待识别图像；

基于预设的形态学操作参数，对所述待识别图像进行形态学膨胀腐蚀处理，确定所述待识别图像中的各个凸起图像区域；

基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果；

基于所述图像目标的粗分割结果，确定图像目标识别结果。

2.根据权利要求1所述的图像目标的识别方法，其特征在于，对所述待识别图像进行形态学膨胀腐蚀处理，还得到所述待识别图像中的各个凸起图像区域的特征数据，所述预设的条件过滤参数包括体积参数和形状参数；

所述基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果，包括：

从各个凸起图像区域中，筛选出其特征数据符合所述体积参数和形状参数的凸起图像区域，作为图像目标的粗分割结果。

3.根据权利要求1所述的图像目标的识别方法，其特征在于，所述获取待识别图像，包括：

获取原始医学图像；

对所述原始医学图像进行体表分割处理，得到所述待识别图像。

4.根据权利要求3所述的图像目标的识别方法，其特征在于，所述对所述原始医学图像进行体表分割处理，得到所述待识别图像，包括：

采用阈值分割方法对所述原始医学图像进行处理，得到分割图像；

采用距离变换方法对所述分割图像进行处理，得到待识别图像。

5.根据权利要求1所述的图像目标的识别方法，其特征在于，所述基于所述图像目标的粗分割结果，确定图像目标识别结果，包括：

对所述粗分割结果进行处理，得到图像目标的目标点粗定位结果；

将所述目标点粗定位结果输入到预先构建的分割模型中，得到图像目标识别结果。

6.根据权利要求5所述的图像目标的识别方法，其特征在于，所述分割模型的构建方法包括：

采用数据扩增方法，获取训练数据，得到训练数据集；所述训练数据包括：相对应的包含图像目标的图像、图像目标分割结果和图像目标的目标点坐标；

利用所述训练数据集中的训练数据对图像分割模型进行训练，得到所述分割模型。

7.根据权利要求6所述的图像目标的识别方法，其特征在于，所述采用数据扩增方法，获取训练数据，得到训练数据集，包括：

获取没有图像目标的体表切块数据和图像目标数据；

将所述没有图像目标的体表切块数据与所述图像目标数据分别进行预设次数的随机叠加，对应得到预设数量的训练数据，组成所述训练数据集。

8.根据权利要求1所述的图像目标的识别方法，其特征在于，所述图像目标识别结果包括图像目标的精分割结果、图像目标的目标点位置坐标和图像目标的分类结果。

9.根据权利要求8所述的图像目标的识别方法，其特征在于，所述确定图像目标识别结果之后，所述方法还包括：

根据所述图像目标的分类结果，关联所述图像目标的目标点位置坐标和对应的图像目标。

10.一种图像目标的识别装置，其特征在于，包括：

获取模块，用于获取待识别图像；

形态学操作模块，用于基于预设的形态学操作参数，对所述待识别图像进行形态学膨胀腐蚀处理，确定所述待识别图像中的各个凸起图像区域；

过滤模块，用于基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果；

确定模块，用于基于所述图像目标的粗分割结果，确定图像目标识别结果。

11.一种电子设备，其特征在于，包括：

处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序；

所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如权利要求1-10任一项所述的方法。

12.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-10任一项所述的图像目标的识别方法的各个步骤。

Images