CN114820829B - 一种用于放射影像的智能压缩方法 - Google Patents
一种用于放射影像的智能压缩方法 Download PDFInfo
- Publication number
- CN114820829B CN114820829B CN202210720361.8A CN202210720361A CN114820829B CN 114820829 B CN114820829 B CN 114820829B CN 202210720361 A CN202210720361 A CN 202210720361A CN 114820829 B CN114820829 B CN 114820829B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel points
- gray
- initial
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种用于放射影像的智能压缩方法,包括:获取放射影像的目标区域和背景区域;获取目标区域中的初始点,利用该初始点各方向上像素点的灰度值得到初始点与每个方向上像素点的灰度差异;利用初始点与每个方向上像素点的灰度差异得到基于该初始点在每个方向上所有像素点的信息重要程度值;按照获取基于该初始点在每个方向上所有像素点信息重要程度值的方法对目标区域进行遍历,得到目标区域中每个像素点的信息重要程度值集合,利用该信息重要程度值集合得到目标区域中的关键区域和其它区域;采用不同压缩方法对背景区域、关键区域和其它区域进行智能压缩。上述方法用于压缩放射影像,可提高压缩效率。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种用于放射影像的智能压缩方法。
背景技术
随着放射技术的发展,数字化放射技术的逐渐普及,放射影像已经成为医生进行诊断的重要依据,但由于放射影像数据量巨大,这样给存储和远程传输带来诸多不便,因此进行放射影像的压缩是十分必要的。
现有的放射影像压缩方式主要是选用有损或者无损压缩方式之一,对整张放射影像进行压缩。常见的无损压缩方法如行程长度编码法、熵编码法等。有损压缩方法如色度抽样、变换编码、分形压缩等。
对整张放射影像进行有损压缩虽然方法简单,但对放射影像精度有一定损失,可能会对放射影像的后续诊断产生影响;对整张放射影像进行无损压缩时,由于放射影像有用信息只占整张放射影像的一部分,对整张放射影像进行压缩处理,会降低传输放射影像时的效率,同时浪费大量的存储空间。因此本发明提出一种用于放射影像的智能压缩方法,通过对放射影像进行分析,在保留其重要信息精度的同时提高压缩比。
发明内容
本发明提供一种用于放射影像的智能压缩方法,包括:获取放射影像的目标区域和背景区域;获取目标区域中的初始点,利用该初始点各方向上像素点的灰度值得到初始点与每个方向上像素点的灰度差异;利用初始点与每个方向上像素点的灰度差异得到基于该初始点在每个方向上所有像素点的信息重要程度值;按照获取基于该初始点在每个方向上所有像素点信息重要程度值的方法对目标区域进行遍历,得到目标区域中每个像素点的信息重要程度值集合,利用该信息重要程度值集合得到目标区域中的关键区域和其它区域;采用不同压缩方法对背景区域、关键区域和其它区域进行智能压缩,相比于现有技术,本发明通过对放射影像图进行分析,区分其背景和目标区域,进一步根据目标区域的灰度特征区分出目标区域重要信息和次要信息,对于不同的区域根据重要程度不同采取不同的压缩方法,舍弃不需要的信息的同时保留重要的数据信息以提高压缩比,实现对放射影像的智能压缩。
为达到上述目的,本发明采用以下技术方案,一种用于放射影像的智能压缩方法,包括:
获取待压缩的放射影像。
对放射影像进行分割,获取放射影像的目标区域和背景区域。
在目标区域中任选一个像素点作为初始像素点,利用该初始像素点的各个方向上的像素点的灰度值得到初始像素点与每一个方向上不同距离的像素点的灰度差异。
利用初始像素点与每一个方向上不同距离的像素点的灰度差异最大值、最小值和该每一方向上两两相邻像素点的灰度差异得到基于该初始像素点在每一个方向上所有像素点的信息重要程度值。
按照获取基于该初始像素点在每一个方向上所有像素点的信息重要程度值的方法对目标区域中所有像素点进行遍历,获得目标区域中每个像素点基于目标区域中其它每一个像素点的信息重要程度值,得到目标区域中每个像素点的信息重要程度值集合。
利用目标区域中每个像素点的信息重要程度值集合确定出关键像素点和其它像素点,利用确定出的关键像素点和其它像素点得到目标区域中的关键区域和其它区域。
分别采用不同压缩方法对放射影像的背景区域、目标区域中的关键区域和其它区域进行智能压缩。
进一步的,所述一种用于放射影像的智能压缩方法,所述放射影像的目标区域和背景区域是按照如下方式获取:
对待压缩的放射影像进行边缘检测,得到放射影像的边缘图。
对边缘图中的边缘进行链码处理,得到边缘图中的目标边缘轮廓。
获取目标边缘轮廓在放射影像中的两侧连通域,计算该两侧连通域的灰度值均值。
将两侧连通域中灰度值均值较小的连通域作为背景区域,灰度值均值较大的连通域作为目标区域。
进一步的,所述一种用于放射影像的智能压缩方法,所述初始像素点与每一个方向上不同距离的像素点的灰度差异是按照如下方式得到:
在目标区域中任选一个像素点作为初始像素点,获取目标区域中该初始像素点的各个方向的所有像素点。
计算初始像素点与各个方向不同距离的像素点的灰度值差值,得到初始像素点与每一个方向上不同距离的像素点的灰度差异。
进一步的,所述一种用于放射影像的智能压缩方法,所述基于该初始像素点在每一个方向上所有像素点的信息重要程度值是按照如下方式得到:
利用初始像素点与每一个方向上不同距离的像素点的灰度差异最大值、最小值和该方向上两两相邻像素点的灰度差异计算得到初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度。
设置阈值,对初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度进行判断:当初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度的绝对值小于阈值时,则该方向上的像素点的信息重要程度值为0;当初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度的绝对值大于等于阈值时,则该方向上的像素点的信息重要程度值为1,得到基于该初始像素点在每一个方向上所有像素点的信息重要程度值。
进一步的,所述一种用于放射影像的智能压缩方法,所述初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度是按照如下方式得到:
将初始像素点与每一个方向上不同距离的像素点的灰度差异按照初始像素点与每一个方向上像素点的距离从小到大的方式进行排序,获取初始像素点与每一个方向上不同距离的像素点的灰度差异序列。
获取灰度差异序列中的最大值和最小值。
利用灰度差异序列中的最大值、最小值和两两相邻差异值计算得到初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度。
进一步的,所述一种用于放射影像的智能压缩方法,所述目标区域中的关键区域和其它区域是按照如下方式得到:
将目标区域中信息重要程度值集合全部为0的像素点标记为其它像素点,剩余像素点标记为关键像素点,确定出关键像素点和其它像素点。
利用关键像素点和其它像素点得到目标区域中的关键区域和其它区域。
进一步的,所述一种用于放射影像的智能压缩方法,所述对放射影像的背景区域、目标区域中的关键区域和其它区域进行智能压缩的过程具体如下:
将放射影像的背景区域的所有像素点的灰度值设置为0,然后采用行程编码进行压缩。
采用哈夫曼编码对目标区域中的关键区域进行压缩。
采用LZW编码对目标区域中的其它区域进行压缩。
本发明的有益效果在于:
本发明通过对放射影像图进行分析,区分其背景和目标区域,进一步根据目标区域的灰度特征区分出目标区域重要信息和次要信息,对于不同的区域根据重要程度不同采取不同的压缩方法,舍弃不需要的信息的同时保留重要的数据信息以提高压缩比,实现对放射影像的智能压缩。
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为本发明实施例1提供的一种用于放射影像的智能压缩方法流程示意图;
图2为本发明实施例2提供的一种用于放射影像的智能压缩方法流程示意图。
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。
实施例1
本发明实施例提供一种用于放射影像的智能压缩方法,如图1所示,包括:
S101、获取待压缩的放射影像。
其中,放射影像作为医院最主要的几种数据形式之一,主要用于病人病情的诊断,随访和回顾。
S102、对放射影像进行分割,获取放射影像的目标区域和背景区域。
其中,背景灰度值多为黑色,其平均灰度值低,而目标区域在放射影像中多为白色,灰度值高。
S103、在目标区域中任选一个像素点作为初始像素点,利用该初始像素点的各个方向上的像素点的灰度值得到初始像素点与每一个方向上不同距离的像素点的灰度差异。
其中,灰度差异为了后续计算信息重要程度值。
S104、利用初始像素点与每一个方向上不同距离的像素点的灰度差异最大值、最小值和该每一方向上两两相邻像素点的灰度差异得到基于该初始像素点在每一个方向上所有像素点的信息重要程度值。
其中,灰度变化越频繁说明其中细节越多,其中越具有重要信息。
S105、按照获取基于该初始像素点在每一个方向上所有像素点的信息重要程度值的方法对目标区域中所有像素点进行遍历,获得目标区域中每个像素点基于目标区域中其它每一个像素点的信息重要程度值,得到目标区域中每个像素点的信息重要程度值集合。
其中,当像素点比较重要时,其信息重要程度值为1。
S106、利用目标区域中每个像素点的信息重要程度值集合确定出关键像素点和其它像素点,利用确定出的关键像素点和其它像素点得到目标区域中的关键区域和其它区域。
其中,将目标区域中信息重要程度值始终为0的像素点标记为其它信息像素点,其余像素点标记为关键信息像素点,确定出目标区域中的关键区域和其它区域。
S107、分别采用不同压缩方法对放射影像的背景区域、目标区域中的关键区域和其它区域进行智能压缩。
其中,对不重要的背景区域采用粗糙的有损压缩,其它区域采用粗糙的无损压缩,关键区域采用精密的无损压缩。
本实施例的有益效果在于:
本实施例通过对放射影像图进行分析,区分其背景和目标区域,进一步根据目标区域的灰度特征区分出目标区域重要信息和次要信息,对于不同的区域根据重要程度不同采取不同的压缩方法,舍弃不需要的信息的同时保留重要的数据信息以提高压缩比,实现对放射影像的智能压缩。
实施例2
本发明实施例的主要目的是:利用图像处理技术对图像内容进行等级划分,对不同等级的内容进行不同方法的压缩,保留信息精度的同时提高压缩比。
放射影像作为医院最主要的几种数据形式之一,主要用于病人病情的诊断,随访和回顾。需要对放射影像进行保存,随着日积月累,由于放射影像数据量巨大,这样给存储和远程传输带来诸多不便,因此进行放射影像的压缩是十分必要的。
本发明实施例提供一种用于放射影像的智能压缩方法,如图2所示,包括:
S201、获取放射影像图中的灰度信息。
识别放射影像尺寸,以水平方向上的像素点个数记为x,垂直方向上的像素点记为y,得到放射影像的尺寸x*y。
获取x*y个像素点中的每一个像素点的灰度值得到放射影像的灰度信息。
本实施例区分出放射影像中的人体区域与背景区域,再对人体进行不同重要等级的区域划分,根据对人体不同重要程度区域进行不同程度的压缩。从而最大化的提高压缩比率的同时保留有用信息的精准度。
S202、区分放射影像图中的人体区域与背景区域。
过程如下:
1. 获取放射影像图中的轮廓信息。
放射影像主要由两部分组成,一部分是X射线照射到身体后成像,这部分影像包含身体信息是比较重要的区域,另一部分是X射线没有照射到身体的成像,不包含身体信息则为背景区域。放射影像中背景几乎都是为黑色,与人体轮廓灰度值差异较大,采用canny边缘检测对放射影像进行边缘检测获得放射影像的边缘信息的图像。
2. 判断出人体区域与背景区域。
对边缘进行链码处理,追踪其边缘曲线,根据影像中有几部分人体轮廓寻找对应几条最长的链码即为人体轮廓,对该边缘对应的原始放射影像图的两侧连通域进行计算,背景灰度值多为黑色,其平均灰度值低,而人体部分在放射影像中多为白色,灰度值高,通过判断两侧连通域灰度值大小将人体区域与背景区域分开。
S203、分析人体区域的图像,找到所需的主要信息与次要信息所在的区域。
本实施例主要通过灰度信息来区分人体部分的主要信息与次要信息,具体过程如下:
1. 获得中心像素点与上下左右四个方向上不同距离的像素点差异序列。
任选人体区域内一个初始像素点令其坐标为F(m,n),计算出该点与周围四个方向的灰度差异。其中左右方向:
同理上下方向:
得到4组不同方向的灰度差异序列如下:
式中为不同方向上的灰度序列,该序列是按照与初始像素点距离由小到大的方式进行排序,为每个序列中的灰度差值,s代表了四个不同方向,s=1,2,3,4分别依次表示上下左右四个方向,A为每个序列的元素个数,不同方向上的灰度序列中元素个数不同。
2. 确定不同方向上的主要信息与次要信息。
通过上式可以得到一组新的序列:
其中F为放射影像上对应坐标的像素点,通过上式将放射影像对应像素点进行信息主次要程度的标记,获得该初始像素点四个方向上的信息分布情况。
3. 区分出主要信息区域与次要信息区域。
通过上述步骤确定一个初始点四个方向上对应的主要信息与次要信息,对人体每一个像素点重复上述操作,将人体部分标记为0和1的区域,由于一个像素点会因为初始像素点的不同会被多次标记,令每次都被标记为0的区域命名为次要信息区域,则人体剩下的区域为重要信息区域,从而实现了人体区域的主要信息区域与次要信息区域的划分。
S204、根据每个区域信息重要程度进行等级划分。
对上述操作获得的背景区域、人体的主要信息区域与次要信息区域进行不同等级的划分,根据每个区域的信息重要程度从重要信息到无关信息依次排序为:人体重要信息区域、人体次要信息区域、背景区域。
S205、对不同等级的区域进行不同方法的压缩。
通过上述方法得到了不同重要等级区域,根据其重要等级不同进行不同的压缩方式,对不重要的背景区域采用粗糙的有损压缩,人体的次要信息区域采用粗糙的无损压缩,人体的主要信息区域采用精密的无损压缩。
具体内容为:
1. 粗糙的有损压缩。
因为放射影像背景大部分为黑色,且背景信息对放射影响的研究几乎没有作用,将背景区域所有像素点的灰度值统一替换为0以便于压缩,再通过行程编码将其快速压缩。
2. 粗糙的无损压缩。
对于人体区域的次要信息区域采用LZW编码,因为次要信息区域的灰度值变化不大,经常出现相邻之间灰度值都是相同的情况,采用LZW编码可以实现快速且高效的压缩。
3. 精密的无损压缩。
放射影像图中需要关注的核心就是主要信息区域,病人的几乎所有状况都是由这部分判断,对该区域采取哈夫曼编码来保证其中的信息精准度。
通过以上步骤将放射影像图进行不同的压缩,在保证了图像有用信息的精度外同时尽可能大的提高压缩比,实现了放射影像的智能压缩。
本实施例的有益效果在于:
本实施例通过对放射影像图进行分析,区分其背景和目标区域,进一步根据目标区域的灰度特征区分出目标区域重要信息和次要信息,对于不同的区域根据重要程度不同采取不同的压缩方法,舍弃不需要的信息的同时保留重要的数据信息以提高压缩比,实现对放射影像的智能压缩。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种用于放射影像的智能压缩方法,其特征在于,包括:
获取待压缩的放射影像;
对放射影像进行分割,获取放射影像的目标区域和背景区域;
在目标区域中任选一个像素点作为初始像素点,利用该初始像素点的各个方向上的像素点的灰度值得到初始像素点与每一个方向上不同距离的像素点的灰度差异;
利用初始像素点与每一个方向上不同距离的像素点的灰度差异最大值、最小值和该每一个方向上两两相邻像素点的灰度差异得到基于该初始像素点在每一个方向上所有像素点的信息重要程度值;所述基于该初始像素点在每一个方向上所有像素点的信息重要程度值是按照如下方式得到:
利用初始像素点与每一个方向上不同距离的像素点的灰度差异最大值、最小值和该方向上两两相邻像素点的灰度差异计算得到初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度;所述初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度的表达式具体如下:
式中,表示初始像素点与每一个方向上距离为a的像素点灰度差异的变化程度,表示初始像素点与每一个方向上距离为a的像素点的灰度差异,表示初始像素点与每一个方向上距离为a-1的像素点的灰度差异,表示初始像素点与每一个方向上不同距离的像素点的灰度差异最大值,表示初始像素点与每一个方向上不同距离的像素点的灰度差异最小值;
设置阈值,对初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度进行判断:当初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度的绝对值小于阈值时,则该方向上的像素点的信息重要程度值为0;当初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度的绝对值大于等于阈值时,则该方向上的像素点的信息重要程度值为1,得到基于该初始像素点在每一个方向上所有像素点的信息重要程度值;所述基于该初始像素点在每一个方向上所有像素点的信息重要程度值的表达式具体如下:
按照获取基于该初始像素点在每一个方向上所有像素点的信息重要程度值的方法对目标区域中所有像素点进行遍历,获得目标区域中每个像素点基于目标区域中其它每一个像素点的信息重要程度值,得到目标区域中每个像素点的信息重要程度值集合;
利用目标区域中每个像素点的信息重要程度值集合确定出关键像素点和其它像素点,利用确定出的关键像素点和其它像素点得到目标区域中的关键区域和其它区域;
分别采用不同压缩方法对放射影像的背景区域、目标区域中的关键区域和其它区域进行智能压缩。
2.根据权利要求1所述的一种用于放射影像的智能压缩方法,其特征在于,所述放射影像的目标区域和背景区域是按照如下方式获取:
对待压缩的放射影像进行边缘检测,得到放射影像的边缘图;
对边缘图中的边缘进行链码处理,得到边缘图中的目标边缘轮廓;
获取目标边缘轮廓在放射影像中的两侧连通域,计算该两侧连通域的灰度值均值;
将两侧连通域中灰度值均值较小的连通域作为背景区域,灰度值均值较大的连通域作为目标区域。
3.根据权利要求1所述的一种用于放射影像的智能压缩方法,其特征在于,所述初始像素点与每一个方向上不同距离的像素点的灰度差异是按照如下方式得到:
在目标区域中任选一个像素点作为初始像素点,获取目标区域中该初始像素点的各个方向的所有像素点;
计算初始像素点与各个方向不同距离的像素点的灰度值差值,得到初始像素点与每一个方向上不同距离的像素点的灰度差异。
4.根据权利要求1所述的一种用于放射影像的智能压缩方法,其特征在于,所述初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度是按照如下方式得到:
将初始像素点与每一个方向上不同距离的像素点的灰度差异按照初始像素点与每一个方向上像素点的距离从小到大的方式进行排序,获取初始像素点与每一个方向上不同距离的像素点的灰度差异序列;
获取灰度差异序列中的最大值和最小值;
利用灰度差异序列中的最大值、最小值和两两相邻差异值计算得到初始像素点与每一个方向上不同距离的像素点灰度差异的变化程度。
5.根据权利要求1所述的一种用于放射影像的智能压缩方法,其特征在于,所述目标区域中的关键区域和其它区域是按照如下方式得到:
将目标区域中信息重要程度值集合全部为0的像素点标记为其它像素点,剩余像素点标记为关键像素点,确定出关键像素点和其它像素点;
利用关键像素点和其它像素点得到目标区域中的关键区域和其它区域。
6.根据权利要求1所述的一种用于放射影像的智能压缩方法,其特征在于,所述对放射影像的背景区域、目标区域中的关键区域和其它区域进行智能压缩的过程具体如下:
将放射影像的背景区域的所有像素点的灰度值设置为0,然后采用行程编码进行压缩;
采用哈夫曼编码对目标区域中的关键区域进行压缩;
采用LZW编码对目标区域中的其它区域进行压缩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720361.8A CN114820829B (zh) | 2022-06-24 | 2022-06-24 | 一种用于放射影像的智能压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720361.8A CN114820829B (zh) | 2022-06-24 | 2022-06-24 | 一种用于放射影像的智能压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820829A CN114820829A (zh) | 2022-07-29 |
CN114820829B true CN114820829B (zh) | 2022-09-09 |
Family
ID=82521848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210720361.8A Active CN114820829B (zh) | 2022-06-24 | 2022-06-24 | 一种用于放射影像的智能压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820829B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116779114B (zh) * | 2023-08-24 | 2023-11-03 | 邹城市人民医院 | 一种抗肿瘤医疗mri图像信息智能管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528784A (zh) * | 2015-12-02 | 2016-04-27 | 沈阳东软医疗系统有限公司 | 一种前景背景分割的方法和装置 |
CN109903294A (zh) * | 2019-01-25 | 2019-06-18 | 北京三快在线科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
CN114638828A (zh) * | 2022-05-18 | 2022-06-17 | 数聚(山东)医疗科技有限公司 | 一种基于计算机视觉的放射影像智能分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296578B (zh) * | 2015-05-29 | 2020-04-28 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
-
2022
- 2022-06-24 CN CN202210720361.8A patent/CN114820829B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528784A (zh) * | 2015-12-02 | 2016-04-27 | 沈阳东软医疗系统有限公司 | 一种前景背景分割的方法和装置 |
CN109903294A (zh) * | 2019-01-25 | 2019-06-18 | 北京三快在线科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
CN114638828A (zh) * | 2022-05-18 | 2022-06-17 | 数聚(山东)医疗科技有限公司 | 一种基于计算机视觉的放射影像智能分割方法 |
Non-Patent Citations (1)
Title |
---|
基于目标区域小波CT图像压缩算法;刘杰等;《中国组织工程研究与临床康复》;20071104(第44期);第8899-8902页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114820829A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986119B (zh) | 图像分割方法及装置、计算机设备及可读存储介质 | |
CN112102321B (zh) | 一种基于深度卷积神经网络的病灶图像分割方法及系统 | |
CN110689547B (zh) | 一种基于三维ct影像的肺结节分割方法 | |
US9710492B2 (en) | Method and apparatus for representing and identifying feature descriptors utilizing a compressed histogram of gradients | |
CN114820829B (zh) | 一种用于放射影像的智能压缩方法 | |
US20030123740A1 (en) | Method of compressing images of arbitrarily shaped objects | |
JP2006505075A (ja) | 複数のイメージフレームを有するビデオシーケンス検索のための非線形量子化及び類似度マッチング方法 | |
US10846856B2 (en) | Breast imaging reporting and data system (BI-RADS) tissue composition | |
CN116912246B (zh) | 一种基于大数据的肿瘤ct数据处理方法 | |
CN111582111A (zh) | 一种基于语义分割的细胞各成分分割方法 | |
CN112771516A (zh) | 分类装置、分类方法、程序以及信息记录介质 | |
CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
CN111627032A (zh) | 基于U-Net网络的CT影像身体器官自动分割方法 | |
Konsti et al. | Effect of image compression and scaling on automated scoring of immunohistochemical stainings and segmentation of tumor epithelium | |
CN114758017A (zh) | 用于橡胶密封圈异常检测的压缩传输方法 | |
CN110797097B (zh) | 人工智能云诊断平台 | |
Verma et al. | Development of LR-PCA based fusion approach to detect the changes in mango fruit crop by using landsat 8 OLI images | |
CN117036346B (zh) | 基于计算机视觉的硅胶污水处理智能监测方法 | |
CN112509026A (zh) | 一种绝缘子裂缝长度识别方法 | |
CN116402816A (zh) | 一种体检ct影像数据的管理方法及系统 | |
CN116109933A (zh) | 一种用于废弃矿山生态修复的动态识别方法 | |
CN116188938A (zh) | 目标对象的确定方法、装置、存储介质及电子装置 | |
CN112070771B (zh) | 基于hs通道的自适应阈值分割方法、装置和存储介质 | |
Toth et al. | Compressing and classifying LiDAR waveform data | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |