CN114565608A - 一种内窥镜Ai图像识别方法及系统 - Google Patents

一种内窥镜Ai图像识别方法及系统 Download PDF

Info

Publication number
CN114565608A
CN114565608A CN202210444605.4A CN202210444605A CN114565608A CN 114565608 A CN114565608 A CN 114565608A CN 202210444605 A CN202210444605 A CN 202210444605A CN 114565608 A CN114565608 A CN 114565608A
Authority
CN
China
Prior art keywords
image
endoscope
area
channel component
bleeding area
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
CN202210444605.4A
Other languages
English (en)
Inventor
唐永安
林文晶
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.)
Hualun Medical Supplies Shenzhen Co ltd
Original Assignee
Hualun Medical Supplies Shenzhen 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 Hualun Medical Supplies Shenzhen Co ltd filed Critical Hualun Medical Supplies Shenzhen Co ltd
Priority to CN202210444605.4A priority Critical patent/CN114565608A/zh
Publication of CN114565608A publication Critical patent/CN114565608A/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10068—Endoscopic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30092—Stomach; Gastric

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Endoscopes (AREA)

Abstract

本发明公开了一种内窥镜Ai图像识别方法及系统，涉及内窥镜图像识别技术领域，其方法主要包括如下步骤：步骤1：采集内窥镜图像信息，基于多曝光图像融合法对内窥镜图像进行增强处理；步骤2：对增强后的内窥镜图像进行图像轮廓特征提取，基于分水岭算法标记处出血疑似区域，基于记忆种子生长算法对疑似区域进行筛选，计算出实际出血面积；步骤3：对出血区域进行切割处理，计算实际出血总面积。

Description

一种内窥镜Ai图像识别方法及系统
技术领域
本发明涉及内窥镜图像识别技术领域，具体涉及一种内窥镜Ai图像识别方法及系统。
背景技术
内窥镜是集中了传统光学、人体工程学、精密机械、现代电子、数学、软件等于一体的检测仪器，具有图像传感器、光学镜头、光源照明、机械装置等，它可以经过口腔进入胃部或经其他天然孔道进入体内，利用内窥镜可以看到X射线不能显示的病变，因此它对医生非常有用，例如，借助内窥镜医生可以观察胃部的溃疡和出血情况，据此制定出最佳的治疗方案，而在实际运用中，对内窥镜拍摄到的图像的处理，大多为直接观察加以手动标记，这种标记方式不仅费时费力，而且经常存在出血部位边界不明确、出血面积统计不规范的情况，导致医生对内部出血情况判断失误。
发明内容
针对现有技术中的缺陷，本发明提供一种内窥镜Ai图像识别方法，包括如下步骤：
步骤1：采集内窥镜图像信息，基于多曝光图像融合法对内窥镜图像进行增强处理；
步骤2：对增强后的内窥镜图像进行图像轮廓特征提取，基于分水岭算法标记处出血疑似区域，基于记忆种子生长算法对疑似区域进行筛选，计算出实际出血面积；
步骤3：对出血区域进行切割处理，计算实际出血总面积。
作为优选地，所述步骤1中，基于多曝光图像融合法对内窥镜图像进行增强处理时，还包括以下步骤：
步骤11：将内窥镜图像的RGB颜色空间边混成HSV颜色空间，再对HSV颜色空间进行分离，得出H通道分量图像、S通道分量图像、V通道分量图像；
步骤12：生成V通道分量图像的弱曝光图像和强曝光图像，再将V通道分量图像与弱曝光图像和强曝光图像进行融合重构，得到融合重构后的V通道分量图像；
步骤13：将H通道分量图像、S通道分量图像、融合重构后的V通道分量图像进行入射光照估计、去除入射光照、加权平均处理后，合并为新的颜色空间，并转换回RGB颜色空间。
作为优选地，所述步骤12中，生成强曝光图像时，采用下式提取曝光不足的图像区域：
Figure 453121DEST_PATH_IMAGE001
Figure 215934DEST_PATH_IMAGE002
表示曝光不足像素区域，
Figure 464513DEST_PATH_IMAGE003
表示满足条件的曝光不足像素点，
Figure 656460DEST_PATH_IMAGE004
表示V通道光照分量对应的像素点，
Figure 80619DEST_PATH_IMAGE005
为区分曝光不足像素点的像素值阈值。
作为优选地，所述步骤1中，采集内窥镜图像信息后，对图像进行预处理，所述预处理过程包括去噪、平滑和中值滤波。
作为优选地，所述步骤2中，采用下式计算出实际出血面积：
Figure 106344DEST_PATH_IMAGE006
Figure 232432DEST_PATH_IMAGE007
为当前内窥镜图像的像素面积，
Figure 900174DEST_PATH_IMAGE008
为当前内窥镜图像的像素总量，
Figure 615058DEST_PATH_IMAGE009
为当前内窥镜图像
Figure 874001DEST_PATH_IMAGE010
中的出血部分面积。
作为优选地，所述步骤2中，对增强后的内窥镜图像进行图像轮廓特征提取时，将增强后的内窥镜图像转换为灰度颜色空间。
作为优选地，所述步骤2中，对增强后的内窥镜图像进行图像轮廓特征提取后，还包括以下步骤：
步骤21：基于图像轮廓特征中的角点特征进行特征匹配，得出角点特征匹配结果；
步骤22：基于角点特征匹配结果利用最小二乘法计算得到内窥镜图像的多模态图像配准图像。
作为优选地，所述步骤21中，基于图像轮廓特征中的角点特征进行特征匹配时还包括以下步骤：
步骤211：提取图像轮廓特征中的角点特征后，在图像曲率尺度空间下计算每个角点特征的轮廓中线特征主方向，建立SIFT描述符；
步骤212：利用FLANN方法进行特征粗匹配后，再利用随机抽样一致算法进行特征精匹配，得到角点特征匹配结果。
一种内窥镜Ai图像识别系统，包括以下内容：
图像信息采集模块：用于通过摄像头实时采集内窥镜图像；
综合处理模块：用于对接收到的内窥镜图像进行处理，并对系统中各模块下发控制指令；
特征提取模块：用于对内窥镜图像进行图像轮廓特征提取；
出血区域处理模块：基于分水岭算法标记处出血疑似区域，同时基于记忆种子生长算法对疑似区域进行筛选；
出血区域计算模块：用于根据初学区域处理模块的处理结果，对出血区域的总面积进行计算；
所述图像信息采集模块、特征提取模块、出血区域处理模块、出血区域计算模块均与所述综合处理模块连接。
一种电子设备，其特征在于，包括处理器、存储器以及储存在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现所述的内窥镜Ai图像识别方法。
本发明的有益效果体现在：
本发明能够基于多曝光融合图像法对图像进行增强处理，再对图像进行轮廓特征提取，依据轮廓特征提取结果，对出血区域进行筛选统计，最后计算出出血总面积，实现了特征图像信息的精准捕捉、减少冗余图像数据，方便医生对患者的体内出血情况进行有效判断。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明提供的一种内窥镜Ai图像识别方法的流程示意图；
图2为本发明提供的一种内窥镜Ai图像识别系统的原理示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，一种内窥镜Ai图像识别方法，包括如下步骤：
步骤1：采集内窥镜图像信息，基于多曝光图像融合法对内窥镜图像进行增强处理；
步骤2：对增强后的内窥镜图像进行图像轮廓特征提取，基于分水岭算法标记处出血疑似区域，基于记忆种子生长算法对疑似区域进行筛选，计算出实际出血面积；
步骤3：对出血区域进行切割处理，计算实际出血总面积。
本系统使用matlab软件进行GUI界面设计，采用分水岭与种子生长等一系列算法，将影像中的出血部位切割出来，并对其出血区域进行面积和体积计算，最终得到一个相对准确的数据供医疗参考。
分水岭算法：最初是由Meyer所提出，基本思想是将影像看作一个立体的地形区域，并且影像中的每一个像素点的海拔高度是通过该像素点的灰度值表示。由此通过影像中的像素点的灰度值高低不同，有了影像中每个区域的局部最小值与其相对应的区域，称之为集水盆地。在分水岭算法中，如果地形表面从最低处开始淹没并防止了水的合并，那么影像将被划分为两个不同的区域：集水盆地和分水岭线。为了得到更好的分割效果，分水岭应用于梯度影像，由于梯度影像是一个二值影像，因此在影像中灰度变化不大的地方就是集水盆，反之变化很大的地方就是分水岭。但是由于传统的分水岭算法在实现中容易受到噪声的干扰，导致最终出现过切割现象，即一个灰度值均匀的地方被过度切割为多个子区域。
而基于标记的分水岭算法可以很好的解决该问题，它使用形态学梯度重构和标记提取技术，对影像进行预处理，能有效解决分水岭算法的过切割问题, 又保留了各算法的重要目标。其中，分水岭算法的思想是通过切割的分水岭作为外部标记，而影像中的局部最小值所在区域为内部标记。分水岭算法具有较强的抗噪性, 可以得到一个连通的、封闭的、准确的轮廓，由此得到多个连通区域。
更为具体地，所述步骤1中，基于多曝光图像融合法对内窥镜图像进行增强处理时，还包括以下步骤：
步骤11：将内窥镜图像的RGB颜色空间边混成HSV颜色空间，再对HSV颜色空间进行分离，得出H通道分量图像、S通道分量图像、V通道分量图像；
步骤12：生成V通道分量图像的弱曝光图像和强曝光图像，再将V通道分量图像与弱曝光图像和强曝光图像进行融合重构，得到融合重构后的V通道分量图像；
步骤13：将H通道分量图像、S通道分量图像、融合重构后的V通道分量图像进行入射光照估计、去除入射光照、加权平均处理后，合并为新的颜色空间，并转换回RGB颜色空间。
更为具体地，所述步骤12中，生成强曝光图像时，采用下式提取曝光不足的图像区域：
Figure 425068DEST_PATH_IMAGE011
Figure 506287DEST_PATH_IMAGE012
表示曝光不足像素区域，
Figure 498514DEST_PATH_IMAGE003
表示满足条件的曝光不足像素点，
Figure 193938DEST_PATH_IMAGE004
表示V通道光照分量对应的像素点，
Figure 29038DEST_PATH_IMAGE005
为区分曝光不足像素点的像素值阈值。
更为具体地，所述步骤1中，采集内窥镜图像信息后，对图像进行预处理，所述预处理过程包括去噪、平滑和中值滤波。
更为具体地，所述步骤2中，采用下式计算出实际出血面积：
Figure 773004DEST_PATH_IMAGE006
Figure 250428DEST_PATH_IMAGE007
为当前内窥镜图像的像素面积，
Figure 54436DEST_PATH_IMAGE008
为当前内窥镜图像的像素总量，
Figure 376833DEST_PATH_IMAGE009
为当前内窥镜图像
Figure 924489DEST_PATH_IMAGE010
中的出血部分面积。
更为具体地，所述步骤2中，对增强后的内窥镜图像进行图像轮廓特征提取时，将增强后的内窥镜图像转换为灰度颜色空间。
更为具体地，所述步骤2中，对增强后的内窥镜图像进行图像轮廓特征提取后，还包括以下步骤：
步骤21：基于图像轮廓特征中的角点特征进行特征匹配，得出角点特征匹配结果；
步骤22：基于角点特征匹配结果利用最小二乘法计算得到内窥镜图像的多模态图像配准图像。
更为具体地，所述步骤21中，基于图像轮廓特征中的角点特征进行特征匹配时还包括以下步骤：
步骤211：提取图像轮廓特征中的角点特征后，在图像曲率尺度空间下计算每个角点特征的轮廓中线特征主方向，建立SIFT描述符；
步骤212：利用FLANN方法进行特征粗匹配后，再利用随机抽样一致算法进行特征精匹配，得到角点特征匹配结果。
一种内窥镜Ai图像识别系统，包括以下内容：
图像信息采集模块：用于通过摄像头实时采集内窥镜图像；
综合处理模块：用于对接收到的内窥镜图像进行处理，并对系统中各模块下发控制指令；
特征提取模块：用于对内窥镜图像进行图像轮廓特征提取；
出血区域处理模块：基于分水岭算法标记处出血疑似区域，同时基于记忆种子生长算法对疑似区域进行筛选；
出血区域计算模块：用于根据初学区域处理模块的处理结果，对出血区域的总面积进行计算；
所述图像信息采集模块、特征提取模块、出血区域处理模块、出血区域计算模块均与所述综合处理模块连接。
一种电子设备，包括处理器、存储器以及储存在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现所述的内窥镜Ai图像识别方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种内窥镜Ai图像识别方法，其特征在于，包括如下步骤：
步骤1：采集内窥镜图像信息，基于多曝光图像融合法对内窥镜图像进行增强处理；
步骤2：对增强后的内窥镜图像进行图像轮廓特征提取，基于分水岭算法标记处出血疑似区域，基于记忆种子生长算法对疑似区域进行筛选，计算出实际出血面积；
步骤3：对出血区域进行切割处理，计算实际出血总面积。
2.根据权利要求1所述的内窥镜Ai图像识别方法，其特征在于，所述步骤1中，基于多曝光图像融合法对内窥镜图像进行增强处理时，还包括以下步骤：
步骤11：将内窥镜图像的RGB颜色空间边混成HSV颜色空间，再对HSV颜色空间进行分离，得出H通道分量图像、S通道分量图像、V通道分量图像；
步骤12：生成V通道分量图像的弱曝光图像和强曝光图像，再将V通道分量图像与弱曝光图像和强曝光图像进行融合重构，得到融合重构后的V通道分量图像；
步骤13：将H通道分量图像、S通道分量图像、融合重构后的V通道分量图像进行入射光照估计、去除入射光照、加权平均处理后，合并为新的颜色空间，并转换回RGB颜色空间。
3.根据权利要求2所述的内窥镜Ai图像识别方法，其特征在于，所述步骤12中，生成强曝光图像时，采用下式提取曝光不足的图像区域：
Figure 139553DEST_PATH_IMAGE001
Figure 176780DEST_PATH_IMAGE002
表示曝光不足像素区域，
Figure 471626DEST_PATH_IMAGE003
表示满足条件的曝光不足像素点，
Figure 150869DEST_PATH_IMAGE004
表示V通道光照分量对应的像素点，
Figure 768932DEST_PATH_IMAGE005
为区分曝光不足像素点的像素值阈值。
4.根据权利要求1所述的内窥镜Ai图像识别方法，其特征在于，所述步骤1中，采集内窥镜图像信息后，对图像进行预处理，所述预处理过程包括去噪、平滑和中值滤波。
5.根据权利要求1所述的内窥镜Ai图像识别方法，其特征在于，所述步骤2中，采用下式计算出实际出血面积：
Figure 180322DEST_PATH_IMAGE006
Figure 463929DEST_PATH_IMAGE007
为当前内窥镜图像的像素面积，
Figure 681284DEST_PATH_IMAGE008
为当前内窥镜图像的像素总量，
Figure 419433DEST_PATH_IMAGE009
为当前内窥镜图像
Figure 736144DEST_PATH_IMAGE010
中的出血部分面积。
6.根据权利要求1所述的内窥镜Ai图像识别方法，其特征在于，所述步骤2中，对增强后的内窥镜图像进行图像轮廓特征提取时，将增强后的内窥镜图像转换为灰度颜色空间。
7.根据权利要求1所述的内窥镜Ai图像识别方法，其特征在于，所述步骤2中，对增强后的内窥镜图像进行图像轮廓特征提取后，还包括以下步骤：
步骤21：基于图像轮廓特征中的角点特征进行特征匹配，得出角点特征匹配结果；
步骤22：基于角点特征匹配结果利用最小二乘法计算得到内窥镜图像的多模态图像配准图像。
8.根据权利要求7所述的内窥镜Ai图像识别方法，其特征在于，所述步骤21中，基于图像轮廓特征中的角点特征进行特征匹配时还包括以下步骤：
步骤211：提取图像轮廓特征中的角点特征后，在图像曲率尺度空间下计算每个角点特征的轮廓中线特征主方向，建立SIFT描述符；
步骤212：利用FLANN方法进行特征粗匹配后，再利用随机抽样一致算法进行特征精匹配，得到角点特征匹配结果。
9.一种内窥镜Ai图像识别系统，包含权利要求1-8任意一项所述的一种内窥镜Ai图像识别方法，其特征在于，包括以下内容：
图像信息采集模块：用于通过摄像头实时采集内窥镜图像；
综合处理模块：用于对接收到的内窥镜图像进行处理，并对系统中各模块下发控制指令；
特征提取模块：用于对内窥镜图像进行图像轮廓特征提取；
出血区域处理模块：基于分水岭算法标记处出血疑似区域，同时基于记忆种子生长算法对疑似区域进行筛选；
出血区域计算模块：用于根据初学区域处理模块的处理结果，对出血区域的总面积进行计算；
所述图像信息采集模块、特征提取模块、出血区域处理模块、出血区域计算模块均与所述综合处理模块连接。
10.一种电子设备，其特征在于，包括处理器、存储器以及储存在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如权利要求1-8任意一项所述的内窥镜Ai图像识别方法。
CN202210444605.4A 2022-04-26 2022-04-26 一种内窥镜Ai图像识别方法及系统 Pending CN114565608A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210444605.4A CN114565608A (zh) 2022-04-26 2022-04-26 一种内窥镜Ai图像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210444605.4A CN114565608A (zh) 2022-04-26 2022-04-26 一种内窥镜Ai图像识别方法及系统

Publications (1)

Publication Number Publication Date
CN114565608A true CN114565608A (zh) 2022-05-31

Family

ID=81720773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210444605.4A Pending CN114565608A (zh) 2022-04-26 2022-04-26 一种内窥镜Ai图像识别方法及系统

Country Status (1)

Country Link
CN (1) CN114565608A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631195A (zh) * 2022-12-20 2023-01-20 新光维医疗科技(苏州)股份有限公司 血管轮廓提取方法、血管轮廓提取装置及内窥镜系统
CN117576097A (zh) * 2024-01-16 2024-02-20 华伦医疗用品(深圳)有限公司 基于ai辅助图像处理信息的内窥镜图像处理方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800099A (zh) * 2012-07-19 2012-11-28 北京市遥感信息研究所 多特征多级别的可见光与高光谱图像高精度配准方法
CN103310453A (zh) * 2013-06-17 2013-09-18 北京理工大学 一种基于子图像角点特征的快速图像配准方法
CN104392460A (zh) * 2014-12-12 2015-03-04 山东大学 一种基于胞核标记分水岭变换的粘连白细胞分割方法
US9524432B1 (en) * 2014-06-24 2016-12-20 A9.Com, Inc. Fast interest point extraction for augmented reality
CN106373137A (zh) * 2016-08-24 2017-02-01 安翰光电技术（武汉）有限公司 用于胶囊内窥镜的消化道出血图像检测方法
CN107240073A (zh) * 2017-05-12 2017-10-10 杭州电子科技大学 一种基于梯度融合与聚类的三维视频图像修复方法
CN107481241A (zh) * 2017-08-24 2017-12-15 太仓安顺财务服务有限公司 一种基于混合方法的彩色图像分割方法
CN112598607A (zh) * 2021-01-06 2021-04-02 安徽大学 基于改进加权clahe的内窥镜图像血管增强算法
CN112734650A (zh) * 2019-10-14 2021-04-30 武汉科技大学 一种基于虚拟多曝光融合的不均匀光照图像增强方法
CN114359591A (zh) * 2021-12-13 2022-04-15 重庆邮电大学 一种融合边缘特征的自适应图像匹配算法
CN114529508A (zh) * 2021-12-28 2022-05-24 成都锦城学院 脑出血ct成片扫描分析系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800099A (zh) * 2012-07-19 2012-11-28 北京市遥感信息研究所 多特征多级别的可见光与高光谱图像高精度配准方法
CN103310453A (zh) * 2013-06-17 2013-09-18 北京理工大学 一种基于子图像角点特征的快速图像配准方法
US9524432B1 (en) * 2014-06-24 2016-12-20 A9.Com, Inc. Fast interest point extraction for augmented reality
CN104392460A (zh) * 2014-12-12 2015-03-04 山东大学 一种基于胞核标记分水岭变换的粘连白细胞分割方法
CN106373137A (zh) * 2016-08-24 2017-02-01 安翰光电技术（武汉）有限公司 用于胶囊内窥镜的消化道出血图像检测方法
CN107240073A (zh) * 2017-05-12 2017-10-10 杭州电子科技大学 一种基于梯度融合与聚类的三维视频图像修复方法
CN107481241A (zh) * 2017-08-24 2017-12-15 太仓安顺财务服务有限公司 一种基于混合方法的彩色图像分割方法
CN112734650A (zh) * 2019-10-14 2021-04-30 武汉科技大学 一种基于虚拟多曝光融合的不均匀光照图像增强方法
CN112598607A (zh) * 2021-01-06 2021-04-02 安徽大学 基于改进加权clahe的内窥镜图像血管增强算法
CN114359591A (zh) * 2021-12-13 2022-04-15 重庆邮电大学 一种融合边缘特征的自适应图像匹配算法
CN114529508A (zh) * 2021-12-28 2022-05-24 成都锦城学院 脑出血ct成片扫描分析系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHOU ZHENGSONG ET AL.: "Segmentation of Spontaneous Intracerebral Hemorrhage on CT With a Region Growing Method Based on Watershed Preprocessing", 《FRONTIERS IN NEUROLOGY》 *
芮挺等: "具有SIFT描述的Harris角点多源图像配准", 《光电工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631195A (zh) * 2022-12-20 2023-01-20 新光维医疗科技(苏州)股份有限公司 血管轮廓提取方法、血管轮廓提取装置及内窥镜系统
WO2024131456A1 (zh) * 2022-12-20 2024-06-27 新光维医疗科技(苏州)股份有限公司 血管轮廓提取方法、血管轮廓提取装置及内窥镜系统
CN117576097A (zh) * 2024-01-16 2024-02-20 华伦医疗用品(深圳)有限公司 基于ai辅助图像处理信息的内窥镜图像处理方法及系统
CN117576097B (zh) * 2024-01-16 2024-03-22 华伦医疗用品(深圳)有限公司 基于ai辅助图像处理信息的内窥镜图像处理方法及系统

Similar Documents

Publication Publication Date Title
CN107451998B (zh) 一种眼底图像质量控制方法
CN114565608A (zh) 一种内窥镜Ai图像识别方法及系统
JP5094036B2 (ja) 内視鏡挿入方向検出装置
US5796861A (en) Mosaic construction, processing, and review of very large electronic micrograph composites
CN104075965B (zh) 一种基于分水岭分割的显微图像颗粒粒度测量方法
EP2188779A1 (en) Extraction method of tongue region using graph-based approach and geometric properties
CN107424167B (zh) 一种毛孔定位识别的方法和装置
CN110136161A (zh) 图像特征提取分析方法、系统及装置
CN110796654A (zh) 一种引导线检测方法、装置、设备、轮胎吊及介质
CN114004969A (zh) 一种内镜图像病灶区检测方法、装置、设备及存储介质
CN113139929A (zh) 包含信息筛选与融合修复的胃肠道内窥镜图像预处理方法
CN111105427B (zh) 一种基于连通区域分析的肺部图像分割方法及系统
Djerouni et al. Dorsal hand vein image contrast enhancement techniques
CN116071337A (zh) 一种基于超像素分割的内镜图像质量评价方法
CN113643281B (zh) 一种舌体图像分割方法
CN103177244B (zh) 水下显微图像中快速检测目标生物的方法
WO2021009804A1 (ja) 閾値の学習方法
CN118037714A (zh) 基于gpu医疗内窥镜图像的处理方法、系统和介质
CN113362280B (zh) 一种基于医学造影的动态目标跟踪方法
Solanki et al. Isef based identification of rct/filling in dental caries of decayed tooth
Noviana et al. Axial segmentation of lungs CT scan images using canny method and morphological operation
CN107832763A (zh) 图形图像处理方法和设备
Tayel et al. Breast boarder boundaries extraction using statistical properties of mammogram
Bai et al. Automatic extraction of tongue coatings from digital images: A traditional Chinese medicine diagnostic tool
CN114418920B (zh) 一种内窥镜多焦点图像融合方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220531

RJ01 Rejection of invention patent application after publication