CN114708277B - 超声视频图像活动区域自动检索方法和装置 - Google Patents
超声视频图像活动区域自动检索方法和装置 Download PDFInfo
- Publication number
- CN114708277B CN114708277B CN202210335900.6A CN202210335900A CN114708277B CN 114708277 B CN114708277 B CN 114708277B CN 202210335900 A CN202210335900 A CN 202210335900A CN 114708277 B CN114708277 B CN 114708277B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- foreground
- cutting
- video image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 50
- 238000002604 ultrasonography Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 9
- 101100445834 Drosophila melanogaster E(z) gene Proteins 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10132—Ultrasound image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种超声视频图像活动区域自动检索方法和装置,其中,该超声视频图像活动区域自动检索方法可包括以下步骤:对超声视频图像进行前景提取,以获取超声视频图像对应的前景图像;根据能量函数对前景图像进行矩形切割处理,以获取超声视频图像对应的超声视频有效区域。根据本发明的超声视频图像活动区域自动检索方法,能够从输入图像中智能识别出有效的图像区域,无需人工处理,从而大大节省了人力、物力和算力资源。
Description
技术领域
本发明图像处理技术领域,具体涉及一种超声视频图像活动区域自动检索方法和超声视频图像活动区域自动检索装置。
背景技术
随着医疗技术和计算机技术结合的日益紧密,越来越多的医疗诊断、分析工具与人工智能相结合,深度学习技术在各种新兴技术中的地位越来越重要。
一部分超声设备使用者不会主动拆卸设备,自己获取或者解析超声探头回传的数据,故超声图像数据经常是通过VGA或其他数据传输线直接获得。然而不同的机器型号、超声探头角度会回传不同的图像信息,这些图像信息中包含了显示界面文字、布局中的图案、超声探头的扇形探测范围以及可能的心电图区域。
相关技术中,一般采用人工框选区域,进行裁剪;或者不做裁剪,将整个图像作为数据输入进行训练。然而,采用人工框选区域的方式进行裁剪,不仅准确度较低,而且需要损耗大量人力、物力和算力资源。
发明内容
本发明为解决上述技术问题,提供了一种超声视频图像活动区域自动检索方法,能够从输入图像中智能识别出有效的图像区域,无需人工处理,从而大大节省了人力、物力和算力资源。
本发明采用的技术方案如下:
一种超声视频图像活动区域自动检索方法,包括以下步骤:对所述超声视频图像进行前景提取,以获取所述超声视频图像对应的前景图像;根据能量函数对所述前景图像进行矩形切割处理,以获取所述超声视频图像对应的超声视频有效区域。
所述对所述超声视频图像进行前景提取,以获取所述超声视频图像对应的前景图像包括以下步骤:从所述超声视频图像中以n帧为时间间隔获取N张目标检测图像,并将所述N张目标检测图像整合为目标检测数据;计算所述目标检测数据中的每一个像素点的像素平均值;将所述目标检测数据中每张目标检测图像中每一个像素点减去对应的像素平均值,以获取所述目标检测数据中每张目标检测图像中每一个像素点的像素差值;对所述目标检测数据中每张目标检测图像中每一个像素点的像素差值先取绝对值再求和以获取每张目标检测图像对应的超声活动区域图像;根据所述超声活动区域图像中每一个像素点对所述超声活动区域图像进行二值化处理,以获取相应的二值图;对所述二值图依次进行开操作和闭操作处理,以获取所述前景图像。
所述能量函数通过以下公式生成:
E(z)=S(z)-a*Count(z),
其中,z为对所述前景图像进行矩形切割处理所需的切割矩形的特性;S(z)为所述切割矩形的面积;Count(z)为所述切割矩形中前景点的个数;a为调节参数;E(z)为所述能量函数的能量值。
一种超声视频图像活动区域自动检索装置,包括:前景提取模块,所述前景提取模块用于对所述超声视频图像进行前景提取,以获取所述超声视频图像对应的前景图像;处理模块,所述处理模块用于根据能量函数对所述前景图像进行矩形切割处理,以获取所述超声视频图像对应的超声视频有效区域。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述的超声视频图像活动区域自动检索方法。
一种非临时性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上述的超声视频图像活动区域自动检索方法。
本发明的有益效果:
本发明能够从输入图像中智能识别出有效的图像区域,无需人工处理,从而大大节省了人力、物力和算力资源。
附图说明
图1为本发明实施例的超声视频图像活动区域自动检索方法的流程图;
图2为本发明一个实施例的获取超声视频图像对应的前景图像的方法的流程图;
图3为本发明实施例的超声视频图像活动区域自动检索装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是根据本发明实施例的超声视频图像活动区域自动检索方法的流程图。
如图1所示,本发明实施例的超声视频图像活动区域自动检索方法可包括以下步骤:
S1,对超声视频图像进行前景提取,以获取超声视频图像对应的前景图像。
根据本发明的一个实施例,如图2所示,对超声视频图像进行前景提取,以获取超声视频图像对应的前景图像可包括以下步骤:
S101,从超声视频图像中以n帧为时间间隔获取N张目标检测图像,并将N张目标检测图像整合为目标检测数据。
具体而言,可从超声设备上读取不少于预设帧数(例如,100帧)的视频流,以获取超声视频图像。其中,由于超声视频一般没有颜色,因此,可只保留一个通道的视频,以减少运算时间。
进一步而言,每隔n帧(例如,每隔5帧)从超声视频图像中提取出一张目标检测图像,共提取出N张目标检测图像(例如,共提取出20张目标检测图像),并将N张目标检测图像整合为目标检测数据。
S102,计算目标检测数据中的每一个像素点的像素平均值。
S103,将目标检测数据中每张目标检测图像中每一个像素点减去对应的像素平均值,以获取目标检测数据中每张目标检测图像中每一个像素点的像素差值。
S104,对目标检测数据中每张目标检测图像中每一个像素点的像素差值先取绝对值再求和以获取每张目标检测图像对应的超声活动区域图像。
S105,根据超声活动区域图像中每一个像素点对超声活动区域图像进行二值化处理,以获取相应的二值图。
具体而言,统计活动区域图像超声活动区域图像中每一个像素点的像素值以及其在图像中对应的位置信息,并将像素值大于threshold的像素点所在的位置标记为1,其他位置标记为0,以对超声活动区域图像进行二值化处理,从而获取相应的二值图。其中,threshold可根据实际情况进行标定,例如,threshold可为输入的视频长度的四倍。
S106,对二值图依次进行开操作和闭操作处理,以获取前景图像。
具体而言,对二值图先后进行图像的开操作和闭操作,以去除噪点,连接图像空洞,以获取前景图像。其中,开操作和闭操作的卷积核默认设置为5。
S2,根据能量函数对前景图像进行矩形切割处理,以获取超声视频图像对应的超声视频有效区域。
根据本发明的一个实施例,能量函数通过以下公式生成:
E(z)=S(z)-a*Count(z),
其中,z为对前景图像进行矩形切割处理所需的切割矩形的特性;S(z)为切割矩形的面积;Count(z)为切割矩形中前景点的个数;a为调节参数;E(z)为能量函数的能量值。
具体而言,首先可初始化一个切割矩形区域z0,该切割矩形区域z0可以是属于视频图像内一个矩形框,也可以是整张图像。将切割矩形区域z0的长度、宽度以及切割矩形区域z0内前景点的个数带入上述能量函数的公式,以计算对应的能量值。若在切割矩形区域z0面积增加时能量值为负值,则增大切割矩形区域z0面积的方向为可优化方向,即切割矩形区域z0向该方向移动预设步长step_len,其中,预设步长step_len可为36或16或8或4或2。其中,如果同一条边的两侧的能量值均为负,则向能量值变化更大的一边调整矩形的大小,边长的移动步长也为预设步长step_len。
可以理解的是,为了避免多次连续调整移动切割矩形区域的同一条边,可采用队列的方式进行优化。记四个方向分别为a、b、c和d,队列为q,即,初始化队列为[a,b,c,d]。依次进行出队列操作,每次优化出队列的元素对应方向,以出队列的元素a为例,对a对应的边内外计算一次能量变化,如果进行了优化操作,则a进入队列尾部。下一次优化则优化出队列的元素b对应方向,依次循环。
由此,本发明时间消耗少,对于任意一个视频,在使用python语言的情况下只需要少于100ms的时间进行活动区域的检测、切割;鲁棒性高,没有发现会丢失有效区域的情况,如果出现框选区域太小异常,还能够反应数据质量问题,需要说明的是,超声图像一般比较粗糙,如果数据变化特别小,很可能意味着不适宜用超声图像进行研究;能够实现自动化,脱离了人工选择有效区域的限制,并且对于广泛的超声图像都有效;结构简单,实现成本低,可以快速实现,不依赖于任何神经网络,无须训练。
综上所述,根据本发明实施例的超声视频图像活动区域自动检索方法,对超声视频图像进行前景提取,以获取超声视频图像对应的前景图像,并根据能量函数对前景图像进行矩形切割处理,以获取超声视频图像对应的超声视频有效区域。由此,能够从输入图像中智能识别出有效的图像区域,无需人工处理,从而大大节省了人力、物力和算力资源。
对应上述实施例的超声视频图像活动区域自动检索方法,本发明还提出一种超声视频图像活动区域自动检索装置。
如图3所示,本发明实施例的超声视频图像活动区域自动检索装置可包括:前景提取模块100和处理模块200。
其中,前景提取模块100用于对超声视频图像进行前景提取,以获取超声视频图像对应的前景图像;处理模块200用于根据能量函数对前景图像进行矩形切割处理,以获取超声视频图像对应的超声视频有效区域。
根据本发明的一个实施例,前景提取模块100具体用于:从超声视频图像中以n帧为时间间隔获取N张目标检测图像,并将N张目标检测图像整合为目标检测数据;计算目标检测数据中的每一个像素点的像素平均值;将目标检测数据中每张目标检测图像中每一个像素点减去对应的像素平均值,以获取目标检测数据中每张目标检测图像中每一个像素点的像素差值;对目标检测数据中每张目标检测图像中每一个像素点的像素差值先取绝对值再求和以获取每张目标检测图像对应的超声活动区域图像;根据超声活动区域图像中每一个像素点对超声活动区域图像进行二值化处理,以获取相应的二值图;对二值图依次进行开操作和闭操作处理,以获取前景图像。
根据本发明的一个实施例,能量函数通过以下公式生成:
E(z)=S(z)-a*Count(z),
其中,z为对前景图像进行矩形切割处理所需的切割矩形的特性;S(z)为切割矩形的面积;Count(z)为切割矩形中前景点的个数;a为调节参数;E(z)为能量函数的能量值。
需要说明的是,本发明实施例的超声视频图像活动区域自动检索装置更具体的实施方式可参照上述超声视频图像活动区域自动检索方法的实施例,在此不再赘述。
根据本发明实施例的超声视频图像活动区域自动检索装置,通过前景提取模块对超声视频图像进行前景提取,以获取超声视频图像对应的前景图像,以及通过处理模块根据能量函数对前景图像进行矩形切割处理,以获取超声视频图像对应的超声视频有效区域。由此,能够从输入图像中智能识别出有效的图像区域,无需人工处理,从而大大节省了人力、物力和算力资源。
对应上述实施例,本发明还提出一种计算机设备。
本发明实施例的计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述的超声视频图像活动区域自动检索方法。
根据本发明实施例的计算机设备,能够从输入图像中智能识别出有效的图像区域,无需人工处理,从而大大节省了人力、物力和算力资源。
对应上述实施例,本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现上述的超声视频图像活动区域自动检索方法。
根据本发明实施例的非临时性计算机可读存储介质,能够从输入图像中智能识别出有效的图像区域,无需人工处理,从而大大节省了人力、物力和算力资源。
在本发明的描述中,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。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器,磁盘或光盘等。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种超声视频图像活动区域自动检索方法,其特征在于,包括以下步骤:
对所述超声视频图像进行前景提取,以获取所述超声视频图像对应的前景图像;
根据能量函数对所述前景图像进行矩形切割处理,以获取所述超声视频图像对应的超声视频有效区域,其中,所述能量函数通过以下公式生成:
E(z)=S(z)-a*Count(z),
其中,z为对所述前景图像进行矩形切割处理所需的切割矩形的特性;S(z)为所述切割矩形的面积;Count(z)为所述切割矩形中前景点的个数;a为调节参数;E(z)为所述能量函数的能量值,其中,初始化一个切割矩形区域,将所述切割矩形区域的长度、宽度以及所述切割矩形区域内前景点的个数带入所述能量函数的公式,以计算对应的能量值,若在所述切割矩形区域面积增加时所述能量值为负值,则增大所述切割矩形区域面积的方向为可优化方向,所述切割矩形区域向所述可优化方向移动预设步长;其中,如果同一条边的两侧的所述能量值均为负,则向所述能量值变化更大的一边调整所述切割矩形区域的大小,边长的移动步长为所述预设步长。
2.根据权利要求1所述的超声视频图像活动区域自动检索方法,其特征在于,所述对所述超声视频图像进行前景提取,以获取所述超声视频图像对应的前景图像包括以下步骤:
从所述超声视频图像中以n帧为时间间隔获取N张目标检测图像,并将所述N张目标检测图像整合为目标检测数据;
计算所述目标检测数据中的每一个像素点的像素平均值;
将所述目标检测数据中每张目标检测图像中每一个像素点减去对应的像素平均值,以获取所述目标检测数据中每张目标检测图像中每一个像素点的像素差值;
对所述目标检测数据中每张目标检测图像中每一个像素点的像素差值先取绝对值再求和以获取每张目标检测图像对应的超声活动区域图像;
根据所述超声活动区域图像中每一个像素点对所述超声活动区域图像进行二值化处理,以获取相应的二值图;
对所述二值图依次进行开操作和闭操作处理,以获取所述前景图像。
3.一种超声视频图像活动区域自动检索装置,其特征在于,包括:
前景提取模块,所述前景提取模块用于对所述超声视频图像进行前景提取,以获取所述超声视频图像对应的前景图像;
处理模块,所述处理模块用于根据能量函数对所述前景图像进行矩形切割处理,以获取所述超声视频图像对应的超声视频有效区域,其中,所述能量函数通过以下公式生成:
E(z)=S(z)-a*Count(z),
其中,z为对所述前景图像进行矩形切割处理所需的切割矩形的特性;S(z)为所述切割矩形的面积;Count(z)为所述切割矩形中前景点的个数;a为调节参数;E(z)为所述能量函数的能量值,其中,初始化一个切割矩形区域,将所述切割矩形区域的长度、宽度以及所述切割矩形区域内前景点的个数带入所述能量函数的公式,以计算对应的能量值,若在所述切割矩形区域面积增加时所述能量值为负值,则增大所述切割矩形区域面积的方向为可优化方向,所述切割矩形区域向所述可优化方向移动预设步长;其中,如果同一条边的两侧的所述能量值均为负,则向所述能量值变化更大的一边调整所述切割矩形区域的大小,边长的移动步长为所述预设步长。
4.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现根据权利要求1和2中任一项所述的超声视频图像活动区域自动检索方法。
5.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现根据权利要求1和2中任一项所述的超声视频图像活动区域自动检索方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210335900.6A CN114708277B (zh) | 2022-03-31 | 2022-03-31 | 超声视频图像活动区域自动检索方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210335900.6A CN114708277B (zh) | 2022-03-31 | 2022-03-31 | 超声视频图像活动区域自动检索方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708277A CN114708277A (zh) | 2022-07-05 |
CN114708277B true CN114708277B (zh) | 2023-08-01 |
Family
ID=82171074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210335900.6A Active CN114708277B (zh) | 2022-03-31 | 2022-03-31 | 超声视频图像活动区域自动检索方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708277B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064476A (zh) * | 2018-07-24 | 2018-12-21 | 西安电子科技大学 | 一种基于水平集的ct胸片肺组织图像分割方法 |
CN110689545A (zh) * | 2019-09-09 | 2020-01-14 | 华南理工大学 | 基于主动轮廓和深度学习的模糊边界图像自动分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003070102A2 (en) * | 2002-02-15 | 2003-08-28 | The Regents Of The University Of Michigan | Lung nodule detection and classification |
CA2771018C (en) * | 2009-08-14 | 2017-06-13 | Genesis Group Inc. | Real-time image and video matting |
CN103729614A (zh) * | 2012-10-16 | 2014-04-16 | 上海唐里信息技术有限公司 | 基于视频图像的人物识别方法及人物识别装置 |
CN104091331B (zh) * | 2014-06-27 | 2015-07-29 | 深圳开立生物医疗科技股份有限公司 | 一种超声病灶图像分割方法、装置及系统 |
-
2022
- 2022-03-31 CN CN202210335900.6A patent/CN114708277B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064476A (zh) * | 2018-07-24 | 2018-12-21 | 西安电子科技大学 | 一种基于水平集的ct胸片肺组织图像分割方法 |
CN110689545A (zh) * | 2019-09-09 | 2020-01-14 | 华南理工大学 | 基于主动轮廓和深度学习的模糊边界图像自动分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114708277A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8472718B2 (en) | Superpixel segmentation methods and systems | |
CN111815599A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
Kobylin et al. | Comparison of standard image edge detection techniques and of method based on wavelet transform | |
US8971614B2 (en) | Extracting object edges from images | |
CN113610772B (zh) | 易拉罐瓶底喷码缺陷检测方法、系统、装置及存储介质 | |
CN110008792B (zh) | 图像检测方法、装置、计算机设备及存储介质 | |
KR102074073B1 (ko) | 차량 인식 방법 및 이를 이용하는 장치 | |
JP7305046B2 (ja) | 画像分類方法及び装置並びに機器 | |
CN111754531A (zh) | 图像实例分割方法和装置 | |
CN110880177A (zh) | 一种图像识别方法及装置 | |
CN115482465A (zh) | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 | |
CN112927247A (zh) | 基于目标检测的切图方法、切图装置和存储介质 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN116452966A (zh) | 一种水下图像的目标检测方法、装置、设备及存储介质 | |
Luo et al. | Saliency density maximization for object detection and localization | |
CN114519717A (zh) | 一种图像处理方法及装置、计算机设备、存储介质 | |
CN115861315B (zh) | 缺陷检测方法和装置 | |
CN112784854B (zh) | 基于数理统计的服装颜色分割提取方法、装置和设备 | |
CN114708277B (zh) | 超声视频图像活动区域自动检索方法和装置 | |
CN113674322A (zh) | 一种运动状态检测方法及相关装置 | |
CN113256608A (zh) | 工件缺陷检测方法和装置 | |
KR20210028966A (ko) | 작물 이미지의 병해충 검출 방법 및 장치 | |
CN112598664B (zh) | 基于视觉显著性的虫粮等级判定方法和装置 | |
CN111275045B (zh) | 图像的主体识别方法、装置、电子设备和介质 | |
CN115471489A (zh) | 数字人渲染视频的检测方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |