CN115100304A - 一种基于图像处理的核磁共振图像增强方法 - Google Patents
一种基于图像处理的核磁共振图像增强方法 Download PDFInfo
- Publication number
- CN115100304A CN115100304A CN202210433610.5A CN202210433610A CN115100304A CN 115100304 A CN115100304 A CN 115100304A CN 202210433610 A CN202210433610 A CN 202210433610A CN 115100304 A CN115100304 A CN 115100304A
- Authority
- CN
- China
- Prior art keywords
- gradient
- image
- connected domain
- magnetic resonance
- nuclear magnetic
- 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.)
- Granted
Links
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 41
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 210000005013 brain tissue Anatomy 0.000 abstract description 4
- 210000001519 tissue Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/90—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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于图像处理的核磁共振图像增强方法,通过获取核磁共振图像的灰度图,计算出图中每个像素点的梯度值和梯度方向,得到核磁共振图像对应的梯度图像,然后对梯度图像中的低梯度边缘进行边缘增强,进行连通域分析,根据图像各连通域之间的梯度差异程度及各连通域内部各像素点之间的梯度差异程度,对每个像素点的梯度值进行修正,最后将修正后的梯度图像中各像素点的梯度值与原灰度图对应位置的灰度值相加,实现对图像的梯度增强,基于图像处理,对核磁共振图像中较为模糊的区域进行图像增强,可以实现对不同脑组织的不同位置进行不同程度的梯度增强,使得人眼可以更直观且清晰的看到图像中的各个位置的信息。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种基于图像处理的核磁共振图像增强方法。
背景技术
现有的核磁共振技术相较于CT图像较为清晰,但利用核磁共振技术获得的医学图像分辨率较低,所以在医学图像中仍有部分位置较为模糊,使得人眼难以对该位置的核磁共振图像进行具体分析,同时仪器分辨率低会使核磁共振图像的边缘产生虚化,导致病变部位边缘被模糊掉,不利于医生对病变区域的具体把握,影响对病人的病情分析和定位。
发明内容
本发明提供一种基于图像处理的核磁共振图像增强方法,以解决现有核磁共振图像中图像模糊的问题,采用如下技术方案:
获取核磁共振图像的核磁共振灰度图,计算该核磁共振灰度图中每个像素点的梯度值和梯度方向,得到第一核磁共振梯度图像;
对第一核磁共振梯度图像内的边缘像素点进行细化处理,获得边缘清晰的第二核磁共振梯度图像;
获取第二核磁共振梯度图像中每个连通域内的最大梯度值,根据获取的所有最大梯度值中的最大值和最小值获得连通域的增强必要程度,根据该增强必要程度计算出连通域内的最大梯度值修正后的梯度值;
获取第二核磁共振梯度图像中每个连通域内像素点的梯度值,根据连通域内像素点的梯度值计算出该连通域内像素点的修正程度;
利用第二核磁共振梯度图像中每个连通域中最大梯度值修正后的梯度值和连通域内像素点的修正程度计算出每个连通域内每个像素点的梯度修正量;
将每个连通域内像素点的梯度修正量与该连通域对应的核磁共振灰度图中连通域的像素点灰度值相加,对核磁共振灰度图进行增强;
对增强后的核磁共振灰度图像进行伪彩色处理,转化为彩色图像。
所述第一核磁共振梯度图像获取方法为:
对核磁共振图像进行灰度化处理;
根据像素点(x,y)的四连通域内的像素点之间的灰度值变化情况,计算其水平方向与垂直方向上的梯度值:
Gh(x,y)=f(x+1,y)-f(x-1,y)
Gv(x,y)=f(x,y+1)-f(x,y-1)
式中,Gh、Gv分别为点(x,y)的水平方向与垂直方向上的梯度值,f(x,y)表示点(x,y)的灰度值;
则该像素点最终的梯度值M(x,y)与梯度方向θ(x,y)为:
θ(x,y)=arctan(Gv(x,y)/Gh(x,y))
式中,θ(x,y)∈[0,2π);
按照上述步骤,根据每个像素点的梯度值和梯度方向,得到第一核磁共振梯度图像。
所述第二核磁共振梯度图像的获取方法为:
从第一核磁共振梯度图像的左上角原点开始,先从左到右,再从上到下地逐行遍历图像中的各个像素点,得到每个像素点的梯度值M(x,y)与梯度方向θ(x,y);
以像素点A(x,y)为起始点,选取该点梯度方向θ(x,y)方向上的3个相邻像素点;
比较上述4个像素点的梯度值,得到梯度值最大的像素点B,将这4个像素点中梯度值小于点B梯度值的像素点的梯度值降为0;
再以像素点B为起始点,选取B点梯度方向上的3个相邻像素点,重复上述比较,直到选取的最大像素点与当前像素点相同时停止,保留当前像素点,则当前像素点为最清晰的边缘像素点;
通过上述步骤获得边缘清晰的第二核磁共振梯度图像。
所述每个像素点的梯度修正量的获取方法为:
Δmi′=Pj(Mj′-mi)
式中,mi为第j个连通域中的第i个像素点修正前的梯度值,Δmi′为该像素点修正后的梯度修正量,Mj′为第j个连通域内的最大梯度值修正后的梯度值,Pj为第j个连通域内每个像素点的修正程度。
所述连通域内的最大梯度值修正后的梯度值按照如下方式计算:
对第二核磁共振梯度图像进行连通域分析,获取各个连通域的最大梯度值,得到图像连通域最大值梯度序列T={M1,M2,...,Mj,...,MK},其中Mj,为第j个连通域所对应的最大梯度值,K为连通域最大标签号,即连通域的总数目为K个,序列中最大梯度值为Mmax,序列中最小梯度值为Mmin;
对T中的梯度值进行归一化,得到每个连通域的增强必要程度为:
式中,gj为第j个连通域的增强必要程度;
对每个连通域的梯度最大值Mj进行修正,方法如下:
Mj′=Mj+gj(Mmax-Mj)
式中,Mj′为第j个连通域内的最大梯度值修正后的梯度值;
依次处理每个连通域的最大梯度值,得到修正后的连通域最大值梯度序列T′={M1′,M2′,...,Mj′,...,MK′}。
所述连通域内每个像素点的修正程度获取方法为:
获取第j个连通域内的像素梯度值序列,为D={m1,m2,…,mi,…,mn};
式中,i=1,2,3…n,n为该连通域内像素点的个数;
则该连通域内每个像素点的修正程度为:
式中,Pj为第j个连通域内每个像素点的修正程度。
本发明的有益效果是:针对核磁共振图像分辨率较低的问题,对核磁共振图像中较为模糊的区域进行图像增强,可以实现对不同脑组织的不同位置进行不同程度的梯度增强,保持了原图像中的对比度,使得人眼可以更直观且清晰的看到图像中的各个位置的信息。
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是本发明的一种基于图像处理的核磁共振图像增强方法的流程示意图;
图2是本发明的一种基于图像处理的核磁共振图像增强方法中人脑核磁共振图像示意图;
图3是本发明的一种基于图像处理的核磁共振图像增强方法中像素点的四连通域内像素分布示意图;
图4是本发明的一种基于图像处理的核磁共振图像增强方法中的梯度图像示意图;
图5是本发明的一种基于图像处理的核磁共振图像增强方法中的边缘虚化示意图;
图6a是本发明的一种基于图像处理的核磁共振图像增强方法中的核磁共振脑组织示意图;
图6b是本发明的一种基于图像处理的核磁共振图像增强方法中的脑组织内梯度图像示意图;
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。
本发明的一种基于图像处理的核磁共振图像增强方法的实施例,如图1所示,包括:
步骤一:获取核磁共振图像的核磁共振灰度图,计算该核磁共振灰度图中每个像素点的梯度值和梯度方向,得到第一核磁共振梯度图像;
该步骤的目的是对获取的核磁共振图像进行图像处理,计算各个像素点的梯度值,获得梯度图像。
如图2所示,获取图像为人脑的核磁共振图像,核磁共振图像可以观测到脑部的软组织,脑部软组织在图像上显示得最明显的就是脑沟,脑沟的深浅在图像上表现为灰度值的大小不同,灰度值的变化产生各个位置的梯度,对梯度进行增强即可实现模糊区域(弱边缘区域)的图像增强。
首先对获得的核磁共振图像进行灰度化处理,由于核磁共振图像存在微彩的图像,为了降低计算量,需要将微彩的核磁共振图像转化为灰度图像。
然后计算各个像素点的梯度值,步骤为:
(1)根据该像素点(x,y)的四连通域内的像素点之间的灰度值变化情况,计算其水平方向与垂直方向上的梯度值:
Gh(x,y)=f(x+1,y)-f(x-1,y)
Gv(x,y)=f(x,y+1)-f(x,y-1)
其中Gh、Gv分别为点(x,y)的水平方向与垂直方向上的梯度值,f(x,y)表示点(x,y)的灰度值,点(x,y)的四连通内的像素分布如图3所示。
(2)得到该像素点最终的梯度值M(x,y)与梯度方向θ(x,y):
其中θ(x,y)∈[0,2π)。
最后,按照上述步骤,获取每个像素点的梯度值和梯度方向,得到第一核磁共振梯度图像,可以设计一个与原核磁共振图像的等大的空白图像,将图像中各个像素点的值设置为原图像中对应位置的梯度值,得到第一核磁共振梯度图像,所得梯度图像如图4所示。
步骤二:对第一核磁共振梯度图像内的边缘像素点进行细化处理,获得边缘清晰的第二核磁共振梯度图像;
该步骤的目的是,去除步骤一中所得梯度图像中周边虚化区域,保留图像中清晰的边缘像素点,得到清晰的边缘图像。
其中,进行边缘细化是因为图像中最清晰的位置即为图像中梯度最大的位置,也是人眼可以直接分辨的位置,可将梯度最大值作为参照,来调整图像的其他位置上模糊的位置,但非常清晰的边缘像素点(梯度值较大)只占全部像素点的少部分,大部分仍然是人眼可见但是较为模糊的像素点,且由于仪器分辨率的影响,使图像的边缘虚化,如图5所示,呈现出一种渐变的效果,导致一些高梯度边缘像素点附近也存在较高梯度的像素点,所以需要对这种类型的高梯度边缘进一步筛选,而对低梯度边缘位置进行边缘细化,进行增强。
其中,进行边缘细化处理的步骤为:
(1)从步骤一所得梯度图像的左上原点开始,先从左到右,再从上到下地逐行遍历梯度图像中的各个像素点,其中像素点(x,y)最终的梯度值M(x,y)与梯度方向θ(x,y);
(2)以像素点A(x,y)为起始点,选取该点梯度方向θ(x,y)方向上3个相邻像素点;
(3)比较上述4个像素点的梯度值,得到梯度值最大的像素点B,对于这4个像素点中梯度值小于点B梯度值的像素点的梯度值降为0;
(4)对像素点B重复操作2,3,直到选取的最大像素点与当前像素点相同时停止;
(5)保留当前像素点,则当前像素点即为我们所需的最清晰的边缘像素点,得到边缘清晰的第二核磁共振梯度图。
步骤三:获取第二核磁共振梯度图像中每个连通域内的最大梯度值,根据获取的所有最大梯度值中的最大值和最小值获得连通域的增强必要程度,根据该增强必要程度计算出连通域内的最大梯度值修正后的梯度值;
该步骤的目的是,对步骤二中得到的图像中的每个连通域的梯度最大值进行修正,由于核磁共振图像的梯度图像中存在同一个组织结构的边缘因周边组织的影响导致不同位置的梯度值出现较大差异,如图6a、6b所示,图中圆圈区域为同一个组织位置,同一组织结构边缘梯度的与组织的对比度,可以根据整个组织中的梯度最大值对该区域内的梯度值进行修正,此时可以认为连通域中的梯度值相对连通域的最大梯度值统一,因此当对整体进行边缘梯度调节时,只需要针对各个连通域中的最大值调节即可。
其中,对每个连通域最大值调整具体方法为:
(1)对边缘细化处理后的图像进行连通域分析,得到具有不同标签号的连通域,其中最大的标签号为K,即连通域的总数目为K个。
(2)记录此时各个连通域的最大的梯度值,由此得到图像连通域梯度序列T={M1,M2,...,Mj,...,MK},其中Mj为第j个连通域所对应的最大梯度值;
(3)查找梯度序列T中的最大梯度与最小梯度,分别记为Mmax,Mmin
(4)对T中的梯度值进行归一化,由于像素点本身梯度越低,说明其边缘越模糊,就越需要增强,即其增强的必要程度越大,故第j个连通域的增强必要程度gj为:
(5)对该连通域的梯度最大值Mj进行修正,得到连通域内的最大梯度值修正后的梯度值Mj′为:
Mj′=Mj+gj(Mmax-Mj)
(6)依次处理各个连通域的最大梯度值,得到修正后的图像连通域梯度序列T′={M1′,M2′,...,Mj′,...,MK′}。
步骤四:获取第二核磁共振梯度图像中每个连通域内像素点的梯度值,根据连通域内像素点的梯度值计算出该连通域内像素点的修正程度;
该步骤的目的是对计算出连通域内像素点的修正程度。
其中,获取每个像素点的修正程度的方法为:
(1)以第j个连通域为例,该连通域内的梯度值序列为D={m1,m2,…,mi,…,mn},n为该连通域内像素点的个数,由于同一结构的边缘像素点在图像上表现为属于同一个连通域,不同连通域的梯度变化情况各不相同,因此可以根据属于同一连通域的梯度变化情况来衡量修正程度,以实现对不同连通域的不同位置的不同程度的梯度增强。
则修正程度Pj为:
需要说明的是,当该连通域内的梯度差异较大时,所得Pj也越大,对梯度的调节程度也越大。
步骤五:利用第二核磁共振梯度图像中每个连通域中最大梯度值修正后的梯度值和连通域内像素点的修正程度计算出每个连通域内每个像素点的梯度修正量;
该步骤的目的是计算出连通域内每个像素点的梯度修正量,即得到同一组织内部每个像素点的梯度修正量。
其中,每个像素点的梯度修正量的获取方法为:
遍历该连通域的各个像素点,计算该连通域各个像素点的梯度修正量Δmi′为:
Δmi′=Pj(Mj′-mi)
其中mi为该第j个连通域中的第i个像素点修正前的梯度值,Δmi′为该像素点修正后的梯度修正量;
重复操作步骤四、步骤五,直到处理完每个连通域中的所有像素点,可得到每个连通域内每个像素点的梯度修正量。
步骤六:将每个连通域内每个像素点的梯度修正量与该连通域对应的核磁共振灰度图中连通域的像素点灰度值相加,对核磁共振灰度图进行增强;
该步骤的目的是,通过梯度值对图像进行梯度增强,具体方法为:
将处理后的梯度图像中各个像素点的梯度值与原灰度图像对应位置像素点的灰度值相加,对图像进行梯度增强。
步骤七:将增强后的图像转化为彩色图像。
由于人眼一般对黑白灰度级只能分辨出大约十到二十几级,而对彩色相当敏感,能够区分几千种颜色,将灰度图像转化为彩色图像后,医生可以观察到灰度图像中人眼不易分辨的结构层次和细节,所以需要将上述处理后的核磁共振图像处理为彩色图像,则对处理后的图像进行伪彩色处理,根据灰度级与R,G,B三种颜色的映射关系,使处理后的核磁共振灰度图像转化为彩色图像。
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)
1.一种基于图像处理的核磁共振图像增强方法,其特征在于,包括:
获取核磁共振图像的核磁共振灰度图,计算该核磁共振灰度图中每个像素点的梯度值和梯度方向,得到第一核磁共振梯度图像;
对第一核磁共振梯度图像内的边缘像素点进行细化处理,获得边缘清晰的第二核磁共振梯度图像;
获取第二核磁共振梯度图像中每个连通域内的最大梯度值,根据获取的所有最大梯度值中的最大值和最小值获得连通域的增强必要程度,根据该增强必要程度计算出连通域内的最大梯度值修正后的梯度值;
获取第二核磁共振梯度图像中每个连通域内像素点的梯度值,根据连通域内像素点的梯度值计算出该连通域内像素点的修正程度;
利用第二核磁共振梯度图像中每个连通域中最大梯度值修正后的梯度值和连通域内像素点的修正程度计算出每个连通域内每个像素点的梯度修正量;
将每个连通域内每个像素点的梯度修正量与该连通域对应的核磁共振灰度图中连通域的每个像素点灰度值相加,对核磁共振灰度图进行增强;
对增强后的核磁共振灰度图像进行伪彩色处理,转化为彩色图像。
2.根据权利要求1所述的一种基于图像处理的核磁共振图像增强方法,其特征在于,所述第一核磁共振梯度图像获取方法为:
对核磁共振图像进行灰度化处理;
根据像素点(x,y)的四连通域内的像素点之间的灰度值变化情况,计算其水平方向与垂直方向上的梯度值:
Gh(x,y)=f(x+1,y)-f(x-1,y)
Gv(x,y)=f(x,y+1)-f(x,y-1)
式中,Gh、Gv分别为点(x,y)的水平方向与垂直方向上的梯度值,f(x,y)表示点(x,y)的灰度值;
则该像素点最终的梯度值M(x,y)与梯度方向θ(x,y)为:
θ(x,y)=arctan(Gv(x,y)/Gh(x,y))
式中,θ(x,y)∈[0,2π);
按照上述步骤,根据每个像素点的梯度值和梯度方向,得到第一核磁共振梯度图像。
3.根据权利要求1所述的一种基于图像处理的核磁共振图像增强方法,其特征在于,所述第二核磁共振梯度图像的获取方法为:
从第一核磁共振梯度图像的左上角原点开始,先从左到右,再从上到下地逐行遍历图像中的各个像素点,得到每个像素点的梯度值M(x,y)与梯度方向θ(x,y);
以像素点A(x,y)为起始点,选取该点梯度方向θ(x,y)方向上的3个相邻像素点;
比较上述4个像素点的梯度值,得到梯度值最大的像素点B,将这4个像素点中梯度值小于点B梯度值的像素点的梯度值降为0;
再以像素点B为起始点,选取B点梯度方向上的3个相邻像素点,重复上述比较,直到选取的最大像素点与当前像素点相同时停止,保留当前像素点,则当前像素点为最清晰的边缘像素点;
通过上述步骤获得边缘清晰的第二核磁共振梯度图像。
4.根据权利要求1所述的一种基于图像处理的核磁共振图像增强方法,其特征在于,所述连通域内每个像素点的梯度修正量的获取方法为:
Δmi′=Pj(Mj′-mi)
式中,mi为第j个连通域中的第i个像素点修正前的梯度值,Δmi′为该像素点修正后的梯度修正量,Mj′为第j个连通域内的最大梯度值修正后的梯度值,Pj为第j个连通域内每个像素点的修正程度。
5.根据权利要求4所述的一种基于图像处理的核磁共振图像增强方法,其特征在于,所述连通域内的最大梯度值修正后的梯度值按照如下方式计算:
对第二核磁共振梯度图像进行连通域分析,获取各个连通域的最大梯度值,得到图像连通域最大值梯度序列T={M1,M2,...,Mj,...,MK},其中,Mj为第j个连通域所对应的最大梯度值,K为连通域最大标签号,即连通域的总数目为K个,序列中最大梯度值为Mmax,序列中最小梯度值为Mmin;
对T中的梯度值进行归一化,得到每个连通域的增强必要程度为:
式中,gj为第j个连通域的增强必要程度;
对每个连通域的梯度最大值Mj进行修正,方法如下:
Mj′=Mj+gj(Mmax-Mj)
式中,Mj′为第j个连通域内的最大梯度值修正后的梯度值;
依次处理每个连通域的最大梯度值,得到修正后的连通域最大值梯度序列T′={M1′,M2′,...,Mj′,...,MK′}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210433610.5A CN115100304B (zh) | 2022-04-24 | 2022-04-24 | 一种基于图像处理的核磁共振图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210433610.5A CN115100304B (zh) | 2022-04-24 | 2022-04-24 | 一种基于图像处理的核磁共振图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100304A true CN115100304A (zh) | 2022-09-23 |
CN115100304B CN115100304B (zh) | 2024-04-19 |
Family
ID=83287964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210433610.5A Active CN115100304B (zh) | 2022-04-24 | 2022-04-24 | 一种基于图像处理的核磁共振图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100304B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661187A (zh) * | 2022-12-12 | 2023-01-31 | 山东本草堂中药饮片有限公司 | 用于中药制剂分析的图像增强方法 |
CN117764871A (zh) * | 2024-02-22 | 2024-03-26 | 青岛萨纳斯智能科技股份有限公司 | 基于人工智能的无人机巡检图像增强方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593847A (zh) * | 2013-11-25 | 2014-02-19 | 中国航天科工集团第三研究院第八三五七研究所 | 基于机器视觉的雨滴检测分析方法 |
US20180157927A1 (en) * | 2015-08-04 | 2018-06-07 | Alibaba Group Holding Limited | Character Segmentation Method, Apparatus and Electronic Device |
CN111583286A (zh) * | 2020-04-09 | 2020-08-25 | 天津大学 | 基于Flow-XDoG算子的腹部MRI图像轮廓提取方法 |
CN113327206A (zh) * | 2021-06-03 | 2021-08-31 | 江苏电百达智能科技有限公司 | 基于人工智能的输电线智能巡检系统的图像模糊处理方法 |
CN114049283A (zh) * | 2021-11-16 | 2022-02-15 | 上海无线电设备研究所 | 一种自适应的灰度梯度直方图均衡遥感图像增强方法 |
-
2022
- 2022-04-24 CN CN202210433610.5A patent/CN115100304B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593847A (zh) * | 2013-11-25 | 2014-02-19 | 中国航天科工集团第三研究院第八三五七研究所 | 基于机器视觉的雨滴检测分析方法 |
US20180157927A1 (en) * | 2015-08-04 | 2018-06-07 | Alibaba Group Holding Limited | Character Segmentation Method, Apparatus and Electronic Device |
CN111583286A (zh) * | 2020-04-09 | 2020-08-25 | 天津大学 | 基于Flow-XDoG算子的腹部MRI图像轮廓提取方法 |
CN113327206A (zh) * | 2021-06-03 | 2021-08-31 | 江苏电百达智能科技有限公司 | 基于人工智能的输电线智能巡检系统的图像模糊处理方法 |
CN114049283A (zh) * | 2021-11-16 | 2022-02-15 | 上海无线电设备研究所 | 一种自适应的灰度梯度直方图均衡遥感图像增强方法 |
Non-Patent Citations (2)
Title |
---|
TAKANORI KOGA 等: "EDGE-preserving smoothing based on local gradient-domain processing", 《ICIC EXPRESS LETTERS》, vol. 11, no. 7, pages 1175 - 1183 * |
伏金浩 等: "基于改进阈值与边缘梯度的亮场干细胞图像分割方法", 《电子测量技术》, vol. 43, no. 20, pages 109 - 114 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661187A (zh) * | 2022-12-12 | 2023-01-31 | 山东本草堂中药饮片有限公司 | 用于中药制剂分析的图像增强方法 |
CN117764871A (zh) * | 2024-02-22 | 2024-03-26 | 青岛萨纳斯智能科技股份有限公司 | 基于人工智能的无人机巡检图像增强方法 |
CN117764871B (zh) * | 2024-02-22 | 2024-04-30 | 青岛萨纳斯智能科技股份有限公司 | 基于人工智能的无人机巡检图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115100304B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115100304B (zh) | 一种基于图像处理的核磁共振图像增强方法 | |
JP2808773B2 (ja) | 階調変換自動化装置 | |
CN110930416A (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
EP2715663B1 (en) | Apparatus for generating assignments between image regions of an image and element classes | |
CN106530236B (zh) | 一种医学图像处理方法及系统 | |
Jacobsen et al. | Analysis of intensity normalization for optimal segmentation performance of a fully convolutional neural network | |
CN112804943A (zh) | 学习完成模型的制作方法、亮度调整方法以及图像处理装置 | |
CN106683061A (zh) | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 | |
CN108876738A (zh) | 一种基于伽马校正的sar单景图像内部亮度补偿方法 | |
CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN111710012A (zh) | 一种基于两维复合配准的octa成像方法与装置 | |
CN114972067A (zh) | 一种x光小牙片图像增强方法 | |
CN113706409A (zh) | 基于人工智能的cbct图像增强方法、装置和存储介质 | |
CN117036310A (zh) | 一种dicom影像外围轮廓的识别提取方法 | |
CN112263232B (zh) | 多模态磁共振成像的脑部dwi高亮信号区定量分析方法 | |
CN113344940A (zh) | 一种基于深度学习的肝脏血管图像分割方法 | |
Prakoso et al. | Enhancement methods of brain MRI images: A Review | |
CN115690183A (zh) | 一种图像配准数据处理方法及系统 | |
CN110852977B (zh) | 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 | |
CN106570837A (zh) | 基于高斯多尺度空间的脑组织mri图像偏移场校正方法 | |
CN113361633A (zh) | 一种医疗图像大数据3d残差网络分类方法 | |
CN114387191B (zh) | 一种内窥镜图像增强方法及内窥镜装置 | |
CN117036878B (zh) | 一种人工智能预测图像与数字病理图像融合的方法及系统 | |
CN117911360A (zh) | 基于T1w/T2w图谱的皮层髓磷脂定量化指标提取方法及相关装置 | |
Soman et al. | Rigid registration of echoplanar and conventional magnetic resonance images by minimizing the Kullback-Leibler distance |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240325 Address after: No. 18, Zhilan Road, Science Park, Jiangning District, Nanjing City, Jiangsu Province, 211199 Applicant after: Jiangsu Zhongqin Communication Technology Co.,Ltd. Country or region after: China Address before: 226211 New Sanhe Bridge, Jiulong Town, Nantong City, Jiangsu Province Applicant before: NANTONG HAILONG MAGNETIC INDUSTRY CO.,LTD. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |