CN114677713A - 一种基于近红外光的手臂静脉采血点的识别方法及系统 - Google Patents
一种基于近红外光的手臂静脉采血点的识别方法及系统 Download PDFInfo
- Publication number
- CN114677713A CN114677713A CN202210404456.9A CN202210404456A CN114677713A CN 114677713 A CN114677713 A CN 114677713A CN 202210404456 A CN202210404456 A CN 202210404456A CN 114677713 A CN114677713 A CN 114677713A
- Authority
- CN
- China
- Prior art keywords
- image
- vein
- segmentation
- blood sampling
- arm
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/15—Devices for taking samples of blood
- A61B5/150007—Details
- A61B5/150015—Source of blood
- A61B5/15003—Source of blood for venous or arterial blood
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/15—Devices for taking samples of blood
- A61B5/150007—Details
- A61B5/150748—Having means for aiding positioning of the piercing device at a location where the body is to be pierced
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/15—Devices for taking samples of blood
- A61B5/153—Devices specially adapted for taking samples of venous or arterial blood, e.g. with syringes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Hematology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Vascular Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于近红外光的手臂静脉采血点的识别方法及系统,包括:通过近红外光源对手臂进行照射,然后近红外摄像头进行采集图像,将采集到的图像传输至上位机进行图像处理,实现对手臂静脉的分割;对静脉分割图片的像素进行遍历,获取静脉的边界点,生成边界点的坐标,以及边界点之间的距离;获取距离最大的边界点对的坐标中点,作为手臂静脉采血点;通过以上的流程,本发明能够对手臂静脉进行自动化的、快速的静脉分割,从而可以自动获得入针点位置信息,对医护人员的静脉穿刺或自动采血机器人起到辅助作用。
Description
技术领域
本发明涉及医疗器械自动化技术领域,具体而言,涉及一种基于近红外光的手臂静脉采血点的识别方法及系统。
背景技术
静脉穿刺是目前医学领域中最为常见的一种诊断和治疗手段。通常,医护人员通过给病人绑压脉带使得病人的静脉更为明显,然后通过自己的视觉以及触摸等方式,结合自己的经验进行静脉的穿刺。然而,即使有辅助工具以及丰富经验的医护人员,仍然有些患者因为脂肪层太厚、皮肤颜色较深等因素,使得静脉血管不易于观察,从而给医护人员进行扎针带来一定的困难,甚至需进行多次扎针尝试才能成功,这会引发病人的恐惧和紧张。
由于人体静脉中富含血红蛋白,而血红蛋白对一定波段长度的近红外光有一定的吸收能力,而手臂中的其他生物组织没有这种特性,因此,利用近红外光(波长为700nm-900nm)能够比自然光对人体组织有更强的穿透性以及静脉中血红蛋白的对其吸收能力的特性,可以用近红外光成像的方法来显著提高人手臂静脉与周围人体组织的对比度,再通过图像处理和图像增强算法,使得手臂静脉更为清晰可见。
但现有的技术中静脉成像装置具有成本高、实时性差以及显像效果不理想等缺点,因此,急需一种基于近红外光的手臂静脉采血点的识别方法,用于解决实时性差以及显像效果不理想等问题。
发明内容
为了解决上述问题,本发明的目的是一种基于近红外光的手臂静脉采血点的识别方法,通过利用一个近红外摄像头,在近红外光源照射手臂的情况下,获取到图像信息,然后经过图像处理获得静脉分割图像,基于静脉分割图像,应用原创的入针点检测算法,找出适合进行扎针的入针点坐标。
为了实现上述技术目的,本申请提供了一种基于近红外光的手臂静脉采血点的识别方法,包括:
采集人体手臂静脉的近红外图像,通过图像分割方法,生成静脉分割图片;
对静脉分割图片的像素进行遍历,获取静脉的边界点,生成边界点的坐标,以及边界点之间的距离;
获取距离最大的边界点对的坐标中点,作为手臂静脉采血点。
优选地,在生成静脉分割图片的过程中,利用近红外摄像头,获取近红外图像,并进行灰度化处理,生成人体手臂静脉的灰度图像;
基于灰度图像,在生成所述静脉分割图像的过程中,通过阈值分割算法,生成静脉分割图片。
优选地,在生成静脉分割图像的过程中,通过限制对比度自适应直方图均衡算法,对灰度化处理后的近红外图像的对比度进行调整,生成对比度增强图像;
优选地,在对灰度化处理后的近红外图像的对比度进行调整后,通过滤波器去除图像中的噪点后,生成去噪点图像,其中,滤波器包括归一化滤波器、高斯滤波器、中值滤波器、双边滤波器中的其中一种;
在生成所述静脉分割图像的过程中,通过阈值分割算法,分割灰度图像,生成静脉分割图片。
优选地,在对近红外图像进行灰度化处理的过程中,利用平均值法,将近红外图像转换成灰度图像,其中,平均值法的方程表达式为:
Gray(i,j)=(R(i,j)+G(i,j)+B(i,j))/3
其中,Gray(i,j)表示灰度化后在图像中坐标为(i,j)的像素的亮度值,R(i,j)、G(i,j)、B(i,j)分别表示在彩色图中红色、绿色、蓝色三原色分量在图像中坐标为(i,j)的像素的亮度值;
以灰度值为横坐标,以灰度值对应的像素点频数为纵坐标,生成灰度图像的直方图,获取静脉分割图片,其中,像素点频数用于表示像素点与像素点数目的比值。
优选地,在生成灰度图像的直方图的过程中,基于CLAHE算法,对直方图进行对比度增强,用于使灰度值趋于均衡化;
根据进行对比度增强后的直方图,生成静脉分割图片。
优选地,在对直方图进行对比度增强的过程中,对进行对比度增强后的直方图,通过滤波方法进行处理后,根据图像分割方法,生成静脉分割图片。
优选地,在根据图像分割方法生成静脉分割图片的过程中,图像分割方法为二进制阈值法,其中,二进制阈值法用于表示通过选定一个阈值,将灰度值大于阈值的像素点的灰度值设定为最大值255,将灰度值小于阈值的像素点的灰度值设定为0;
二进制阈值法的方程表达式为:
其中,dst(i,j)表示图像分割后坐标在(i,j)处的像素的强度值;src(i,j)表示原始图中坐标在(i,j)处的像素的强度值;MaxVal表示灰度最大值255;thresh表示自行设定的阈值。
本发明还公开了一种基于近红外光的手臂静脉采血点的识别系统,包括:
图像采集模块,用于采集人体手臂静脉的红外图像;
图像处理模块,通过图像分割方法,将红外图像,分割生成静脉分割图片;
手臂静脉采血点标定模块,对静脉分割图片的像素进行遍历,获取静脉的边界点,生成边界点的坐标,以及边界点之间的距离,通过获取距离最大的边界点对的坐标中点,作为手臂静脉采血点并进行标定。
本发明公开了以下技术效果:
与现有技术相比,本发明涉及的一种静脉采血进针点自动识别方法,不仅成本低、实时性好,而且通过图像处理能够提供清晰的静脉分割图像;同时能够实时的调节近红外光强大小以及光源和手臂之间的距离,具有较强的鲁棒性;而且通过原创的进针点自动识别方法,能够快速、有效、精确的找到适合进行扎针的入针点坐标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明所述的图像处理模块的流程图;
图2为本发明所述的静脉分割图像示意图;
图3为本发明所述的进针点自动识别的流程图。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
如图1-3所示,本发明提供了一种基于近红外光的手臂静脉采血点的识别方法及系统,识别方法包括:
采集人体手臂静脉的红外图像,通过图像分割方法,生成静脉分割图片;
对静脉分割图片的像素进行遍历,获取静脉的边界点,生成边界点的坐标,以及边界点之间的距离;
获取距离最大的边界点对的坐标中点,作为手臂静脉采血点。
本发明的第一种实施情况为:在生成静脉分割图片的过程中,利用近红外摄像头,获取近红外图像,并进行灰度化处理,生成人体手臂静脉的灰度图像;
基于灰度图像,通过图像分割方法,生成静脉分割图片,其中,图像分割方法为阈值分割算法,通过阈值分割算法分割灰度图像,生成静脉分割图片。
本发明的第二种实施情况为:在本发明第一种实施情况的前提下,即在生成人体手臂静脉的灰度图像的过程后,通过限制对比度自适应直方图均衡算法,对灰度化处理后的红外图像的对比度进行调整,生成对比度增强图像,并通过阈值分割算法,分割进行了对比度调整的灰度图像,生成静脉分割图片。
本发明的第三种实施情况为:在本发明的第三种实施情况的前提下,即在对灰度化处理后的近红外图像的对比度进行调整的过程中,对进行对比度调整后的红外图像,通过滤波器去除图像中的噪点后,生成去噪点图像,其中,滤波器包括归一化滤波器、高斯滤波器、中值滤波器、双边滤波器中的其中一种;
通过阈值分割算法,分割进行去噪后的灰度图像,生成静脉分割图片。
进一步优选地,在本发明的第一种实施情况的过程中,利用平均值法,将近红外图像转换成灰度图像,其中,平均值法的方程表达式为:
Gray(i,j)=(R(i,j)+G(i,j)+B(i,j))/3
其中,Gray(i,j)表示灰度化后在图像中坐标为(i,j)的像素的亮度值,R(i,j)、G(i,j)、B(i,j)分别表示在彩色图中红色、绿色、蓝色三原色分量在图像中坐标为(i,j)的像素的亮度值;
以灰度值为横坐标,以灰度值对应的像素点频数为纵坐标,生成灰度图像的直方图,获取静脉分割图片,其中,像素点频数用于表示像素点与像素点数目的比值。
进一步优选地,在本发明的第二种实施情况的过程中,基于CLAHE算法,对直方图进行对比度增强,用于使灰度值趋于均衡化;
根据进行对比度增强后的直方图,生成静脉分割图片。
进一步优选地,在本发明的第三种实施情况的过程中,对进行对比度增强后的直方图,通过滤波方法进行处理后,根据图像分割方法,生成静脉分割图片。
进一步优选地,本发明提到的图像分割方法为二进制阈值法,其中,二进制阈值法用于表示通过选定一个阈值,将灰度值大于阈值的像素点的灰度值设定为最大值255,将灰度值小于阈值的像素点的灰度值设定为0;
二进制阈值法的方程表达式为:
其中,dst(i,j)表示图像分割后坐标在(i,j)处的像素的强度值;src(i,j)表示原始图中坐标在(i,j)处的像素的强度值;MaxVal表示灰度最大值255;thresh表示自行设定的阈值。
本发明还公开了一种基于近红外光的手臂静脉采血点的识别系统,包括:
图像采集模块,用于采集人体手臂静脉的红外图像;
图像处理模块,通过图像分割方法,将红外图像,分割生成静脉分割图片;
手臂静脉采血点标定模块,对静脉分割图片的像素进行遍历,获取静脉的边界点,生成边界点的坐标,以及边界点之间的距离,通过获取距离最大的边界点对的坐标中点,作为手臂静脉采血点并进行标定。
本发明还公开了一种计算机程序,用于通过计算机编程语言实现识别系统的系统逻辑功能。
本发明还公开了一种可存储介质,用于通过承载计算机程序,实现识别系统的系统逻辑功能。
实施例1:本发明涉及一种基于近红外光的手臂静脉采血点的识别方法及识别系统,识别系统主要包括图像采集模块和图像处理模块;
其中,图像采集模块用于采集近红外光源下的手臂图像,通过USB传输至图像处理模块进行图像处理;
图像采集模块包括近红外摄像头、亚克力板、光源强度控制器、近红外光源和连接部件;
其中,近红外摄像头加装有850nm滤光片,用于采集近红外光源下的手臂图像,并通过USB与上位机进行通信;亚克力板用于解决近红外光强度太大而产生的过曝问题;光源强度控制器通过旋钮,可调节近红外光源的光强大小;近红外光源由850nm近红外光led灯组成,用于发射850nm近红外光;
图1为本发明图像处理模块的流程图,图像采集模块通过近红外摄像头获取实验者手臂的近红外图片后,其通过USB连接图像处理模块中的上位机,然后经过图1的图像处理流程,获得实验者手臂的静脉分割图片,最终效果如图2所示,具体的流程包括以下步骤:
1)灰度化:利用近红外摄像头,直接获取人体手臂静脉红外图像,并对其进行灰度化处理;
2)增强对比度:基于灰度化后的图片,通过应用限制对比度自适应直方图均衡算法(CLAHE)对图片的对比度进行调整,增强手臂静脉的对比度;
3)滤波去噪:在归一化滤波器、高斯滤波器、中值滤波器、双边滤波器中任选其一,利用滤波器去除上一步图像中的噪点;
4)图像分割:通过利用阈值分割算法,将手臂静脉从图片中分割出来,去除其余部分。
步骤1)中,灰度化为:利用C++和opencv图像处理开源库,利用平均值法将近红外摄像头采集到的图像转换成灰度图像,原理公式如下:
Gray(i,j)=(R(i,j)+G(i,j)+B(i,j))/3
其中,Gray(i,j)为灰度化后在图像中坐标为(i,j)的像素的亮度值,R(i,j)、G(i,j)、B(i,j)分别为在彩色图中红色、绿色、蓝色三原色分量在图像中坐标为(i,j)的像素的亮度值;
通过上述公式,即可实现灰度化处理的效果。
灰度图中像素值的分布为0-255,以灰度值为横坐标,纵坐标为该灰度值对应的像素点频数,即该灰度值对应的像素点/总的像素点数目,则得到了灰度图像的直方图;
步骤2)中的CLAHE算法,可以通过调整直方图,使得整体图片的灰度值更趋于均衡化,使得亮的更亮,暗的更暗,从而增强图像对比度,通过opencv提供的CLAHE的实现和接口,用C++编程语言对其直接调用,即可实现增强对比度的效果。
步骤3)的滤波去噪也可称为图像平滑处理、平滑化或模糊化,经常被用来减少图片的噪声,处理时需要用到滤波器(卷积核)。常见的处理方法根据滤波器的不同可分为归一化滤波、高斯滤波、中值滤波、双边滤波。归一化滤波器输出的像素值是核窗口内像素值的均值;高斯滤波是将输入数组的每一个像素点与高斯内核卷积,将卷积和当作输出像素值;中值滤波将图像的每个像素用邻域(以当前像素为中心的正方形区域)像素的中值代替;类似于高斯滤波器,双边滤波器也给每一个邻域像素分配一个加权系数,这些加权系数包含两个部分,第一部分加权方式与高斯滤波一样,第二部分的权重则取决于该邻域像素与当前像素的灰度差值。
步骤4)中,图像分割所用的方法为二进制阈值法,首先要选定一个阈值,灰度值大于阈值的像素点的灰度值设定为最大值(如255),灰度值小于阈值的像素点的灰度值设定为0,公式如下:
其中,dst(i,j)为图像分割后坐标在(i,j)处的像素的强度值;src(i,j)为原始图中坐标在(i,j)处的像素的强度值;MaxVal为灰度最大值,常设为255;thresh为自行设定的阈值。
如图3所示,本实施例利用C和C++语言原创的一种静脉采血进针点自动识别方法,具体实现包括以下步骤:
步骤一:基于静脉分割图片,对图片像素进行遍历,找出静脉的所有边界点对坐标,并将其储存起来;
步骤二:通过坐标,计算所有边界点对之间的距离,并将坐标信息和距离信息一起储存起来;
步骤三:通过排序算法,按距离从大到小进行排序,找出距离最大的边界点对;
步骤四:计算距离最大的边界点对坐标的中点,返回其坐标位置,即为入针点。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于近红外光的手臂静脉采血点的识别方法,其特征在于,包括:
采集人体手臂静脉的近红外图像,通过图像分割方法,生成静脉分割图片;
对所述静脉分割图片的像素进行遍历,获取所述静脉的边界点,生成所述边界点的坐标,以及所述边界点之间的距离;
获取距离最大的边界点对的坐标中点,作为手臂静脉采血点。
2.根据权利要求1所述一种基于近红外光的手臂静脉采血点的识别方法,其特征在于:
在生成静脉分割图片的过程中,利用近红外摄像头,获取所述近红外图像,并进行灰度化处理,生成所述人体手臂静脉的灰度图像;
基于所述灰度图像,通过所述图像分割方法,生成所述静脉分割图片。
3.根据权利要求2所述一种基于近红外光的手臂静脉采血点的识别方法,其特征在于:
在生成所述人体手臂静脉的灰度图像后,通过限制对比度自适应直方图均衡算法,对灰度化处理后的所述红外图像的对比度进行调整,生成对比度增强图像。
4.根据权利要求3所述一种基于近红外光的手臂静脉采血点的识别方法,其特征在于:
对进行对比度增强后的图像,通过滤波器去除图像中的噪点后,生成去噪点图像,其中,所述滤波器可选择包括归一化滤波器、高斯滤波器、中值滤波器、双边滤波器中的其中一种。
5.根据权利要求2-4中任一权利要求所述的一种基于近红外光的手臂静脉采血点的识别方法,其特征在于:
通过阈值分割算法,分割所述去噪点图像,生成所述静脉分割图片。
6.根据权利要求2所述一种基于近红外光的手臂静脉采血点的识别方法,其特征在于:
在对所述红外图像进行灰度化处理的过程中,利用平均值法,将所述近红外图像转换成灰度图像,其中,所述平均值法的方程表达式为:
Gray(i,j)=(R(i,j)+G(i,j)+B(i,j))/3
其中,Gray(i,j)表示灰度化后在图像中坐标为(i,j)的像素的亮度值,R(i,j)、G(i,j)、B(i,j)分别表示在彩色图中红色、绿色、蓝色三原色分量在图像中坐标为(i,j)的像素的亮度值;
以灰度值为横坐标,以所述灰度值对应的像素点频数为纵坐标,生成所述灰度图像的直方图,获取所述静脉分割图片,其中,所述像素点频数用于表示像素点与像素点数目的比值。
7.根据权利要求6所述一种基于近红外光的手臂静脉采血点的识别方法,其特征在于:
在生成所述灰度图像的直方图的过程中,基于CLAHE算法,对所述直方图进行对比度增强,用于使灰度值趋于均衡化;
根据进行对比度增强后的所述直方图,生成所述静脉分割图片。
8.根据权利要求7所述一种基于近红外光的手臂静脉采血点的识别方法,其特征在于:
在对所述直方图进行对比度增强的过程中,对进行对比度增强后的所述直方图,通过滤波方法进行处理后,根据所述图像分割方法,生成所述静脉分割图片。
10.一种基于近红外光的手臂静脉采血点的识别系统,其特征在于,包括:
图像采集模块,用于采集人体手臂静脉的红外图像;
图像处理模块,通过图像分割方法,将所述近红外图像,分割生成静脉分割图片;
手臂静脉采血点标定模块,对所述静脉分割图片的像素进行遍历,获取所述静脉的边界点,生成所述边界点的坐标,以及所述边界点之间的距离,通过获取距离最大的边界点对的坐标中点,作为手臂静脉采血点并进行标定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210404456.9A CN114677713A (zh) | 2022-04-18 | 2022-04-18 | 一种基于近红外光的手臂静脉采血点的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210404456.9A CN114677713A (zh) | 2022-04-18 | 2022-04-18 | 一种基于近红外光的手臂静脉采血点的识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114677713A true CN114677713A (zh) | 2022-06-28 |
Family
ID=82078370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210404456.9A Pending CN114677713A (zh) | 2022-04-18 | 2022-04-18 | 一种基于近红外光的手臂静脉采血点的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114677713A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116746926A (zh) * | 2023-08-16 | 2023-09-15 | 深圳市益心达医学新技术有限公司 | 基于图像识别的自动采血方法、装置、设备及存储介质 |
-
2022
- 2022-04-18 CN CN202210404456.9A patent/CN114677713A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116746926A (zh) * | 2023-08-16 | 2023-09-15 | 深圳市益心达医学新技术有限公司 | 基于图像识别的自动采血方法、装置、设备及存储介质 |
CN116746926B (zh) * | 2023-08-16 | 2023-11-10 | 深圳市益心达医学新技术有限公司 | 基于图像识别的自动采血方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530279B (zh) | 一种图像处理方法及系统 | |
Soomro et al. | Impact of ICA-based image enhancement technique on retinal blood vessels segmentation | |
Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
Antohe et al. | Implications of digital image processing in the paraclinical assessment of the partially edentated patient | |
CN117649357B (zh) | 一种基于图像增强的超声图像处理方法 | |
JP7197708B2 (ja) | 眼底画像定量分析の前置処理方法および記憶装置 | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
KR20070079552A (ko) | 화상 처리 방법 및 화상 처리기 | |
CN116993628B (zh) | 一种用于肿瘤射频消融引导的ct图像增强系统 | |
CN109087310A (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
CN111260641A (zh) | 一种基于人工智能的掌上超声成像系统及其方法 | |
CN107194928B (zh) | 一种基于视觉的静脉采血扎针点自动提取方法 | |
CN114972067A (zh) | 一种x光小牙片图像增强方法 | |
CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
Borgen et al. | Visible-spectrum biometric retina recognition | |
Uribe-Valencia et al. | Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model | |
CN117372284A (zh) | 眼底图像处理方法及系统 | |
CN110473176B (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
CN114677713A (zh) | 一种基于近红外光的手臂静脉采血点的识别方法及系统 | |
CN115456967A (zh) | 一种动静脉内瘘血栓检测方法及装置 | |
Datta et al. | A new contrast enhancement method of retinal images in diabetic screening system | |
Devi et al. | Retinal image contrast enhancement through pixel collaboration in spatial domain | |
CN116452571A (zh) | 一种基于深度神经网络的图像识别方法 | |
CN113781360B (zh) | 基于人工智能的输液装置图像增强方法与系统 |
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 |