CN115526828A - 图像坏点簇检测方法、计算机设备及可读存储介质 - Google Patents
图像坏点簇检测方法、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN115526828A CN115526828A CN202210897158.8A CN202210897158A CN115526828A CN 115526828 A CN115526828 A CN 115526828A CN 202210897158 A CN202210897158 A CN 202210897158A CN 115526828 A CN115526828 A CN 115526828A
- Authority
- CN
- China
- Prior art keywords
- image
- dead
- bad
- boundary
- preset
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 206010028980 Neoplasm Diseases 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000002059 diagnostic imaging Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 6
- 238000001959 radiotherapy Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 238000012307 MRI technique Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像坏点簇检测方法、计算机设备及可读存储介质,其中,该图像坏点簇检测方法包括:获取探测器采集到的空扫图像;滤除所述空扫图像中连续坏点长度大于第一预设长度的坏点;计算滤除坏点后的所述空扫图像中剩余坏点的四连通域;在所有所述四连通域中,确定包含坏点簇的四连通域。通过计算机自动识别的方式,能够快速并且准确的在空扫图像中识别出坏点簇,避免了检测误差,进一步的提高了检测效率以及准确性。
Description
技术领域
本申请涉及图像检测技术领域,特别是涉及一种图像坏点簇检测方法、计算机设备及可读存储介质。
背景技术
医学影像是指为了医疗或医学研究,对人体或人体某部分,以非侵入方式取得内部组织影像的技术与处理过程。医学影像技术包括:血管造影技术、电子计算机断层扫描技术、正电子发射断层扫描技术、核磁共振成像技术以及医学超声波技术等。
放射治疗设备是利用放射性同位素产生的α、β、γ射线和各类x射线治疗机或加速器产生的x射线、电子线、质子束及其他粒子束照射患者肿瘤区域,以治疗肿瘤的设备。为了使射线束能够精准的照射至患者的肿瘤区域,通常在放射治疗设备上都会配备医学影像设备。通过医学影像设备在患者治疗前以及治疗中,对患者肿瘤以及健康组织器官进行监控,并实时根据肿瘤区域的位置变化调整射线束的照射位置,从而使得肿瘤区域完全在射线束的照射范围内,以达到射线束紧紧追随肿瘤的效果。
探测器是医学影像设备的核心部件之一,用于接收球管发出的射线并将其转换成电信号,从而生成平板图像。探测器的质量决定了产生图像的质量,产生图像的质量决定了放射治疗设备治疗肿瘤的精准度。因此,在探测器使用之前以及在使用一段时间之后,都需要对探测器的坏点簇进行检测,判断是否满足探测器的要求。目前的相关技术中,都是通过探测器检测到的图像进行判断,工作人员肉眼对采集的图像进行观察,其难度大、误差高,严重影响探测器检测的效率以及准确性。
目前针对相关技术中通过工作人员肉眼对采集的图像进行观察,其难度大、误差高,严重影响探测器检测的效率以及准确性的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种图像坏点簇检测方法、计算机设备及可读存储介质,以至少解决相关技术中通过工作人员肉眼对采集的图像进行观察,其难度大、误差高,严重影响探测器检测的效率以及准确性的问题。
第一方面,本申请实施例提供了一种图像坏点簇检测方法,包括:获取探测器采集到的空扫图像;滤除所述空扫图像中连续坏点长度大于第一预设长度的坏点;计算滤除坏点后的所述空扫图像中剩余坏点的四连通域;在所有所述四连通域中,确定包含坏点簇的四连通域。
在其中一个实施例中,所述滤除所述空扫图像中连续坏点长度大于第一预设长度的坏点包括:获取第一矩形结构;所述第一矩形结构的长度与所述第一预设长度相对应;将所述第一矩形结构与所述空扫图像进行形态学开运算,得到所述空扫图像中连续坏点长度大于第一预设长度的坏点;在所述空扫图像中滤除连续坏点长度大于第一预设长度的所述坏点。
在其中一个实施例中,所述在所有所述四连通域中,确定包含坏点簇的四连通域包括:获取第二矩形结构;所述第二矩形结构的长度与坏点簇的长度相对应;获取所有所述四连通域的最小外接矩形;将第二矩形结构与所述最小外接矩形中的每一个像素相乘,确定包含坏点簇的四连通域。
在其中一个实施例中,所述方法还包括:获取第一矩形结构;所述第一矩形结构的长度与所述第一预设长度相对应;滤除所述空扫图像中连续坏点长度小于等于第一预设长度的坏点;对滤除坏点后的所述空扫图像进行霍夫直线检测,确定所有坏线列表;根据所述坏线列表,确定第一类坏线以及第二类坏线。
在其中一个实施例中,所述根据所述坏线列表,确定第一类坏线包括:获取所述坏线列表中每一条坏线的坐标;根据每一条坏线的所述坐标,确定两两坏线之间的间隔距离;将所述间隔距离小于预设距离的两条坏线作为第一类坏线。
在其中一个实施例中,所述根据所述坏线列表,确定第二类坏线包括:获取所述坏线列表中每一条坏线的坐标;根据每一条坏线的所述坐标,确定每一条坏线的长度;将所述长度等于第二预设长度的坏线作为第二类坏线。
在其中一个实施例中,所述方法还包括:根据所述空扫图像,确定中心区域图像;检测所述中心区域图像的坏点簇以及坏线。
在其中一个实施例中,所述根据所述空扫图像,确定中心区域图像包括:根据所述空扫图像,确定预设中心图像;交替判断所述预设中心图像的左边界和右边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位;交替判断所述预设中心图像的上边界和下边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位;将扩充边界后的所述预设中心图像作为中心区域图像。
在其中一个实施例中,所述交替判断所述预设中心图像的左边界和右边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位包括:确定所述预设中心图像的左边界是否存在坏点,若存在坏点则将左边界向外扩充一个单位;确定所述预设中心图像的右边界是否存在坏点,若存在坏点则将右边界向外扩充一个单位;依次交替判断左边界是否存在坏点和右边界是否存在坏点,直至满足预设条件;所述预设条件包括:左边界和右边界均不存在坏点或边界向外扩充超过预设数量个单位。
在其中一个实施例中,所述交替判断所述预设中心图像的上边界和下边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位包括:确定所述预设中心图像的上边界是否存在坏点,若存在坏点则将上边界向外扩充一个单位;确定所述预设中心图像的下边界是否存在坏点,若存在坏点则将下边界向外扩充一个单位;依次交替判断上边界是否存在坏点和下边界是否存在坏点,直至满足预设条件;所述预设条件包括:上边界和下边界均不存在坏点或边界向外扩充超过预设数量个单位。
第二方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述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如上述第一方面所述的图像坏点簇检测方法。
第三方面,本申请实施例提供了一种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如上述第一方面所述的图像坏点簇检测方法。
相比于相关技术,本申请实施例提供的图像坏点簇检测方法,通过获取探测器采集到的空扫图像,首先滤除空扫图像中连续坏点长度大于第一预设长度的坏点,再计算滤除坏点后的空扫图像中剩余坏点的四连通域,最后在所有四连通域中,确定包含坏点簇的四连通域。通过计算机自动识别的方式,能够快速并且准确的在空扫图像中识别出坏点簇,避免了检测误差,进一步的提高了检测效率以及准确性。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的图像坏点簇检测方法的流程图;
图2是根据本申请实施例的滤除空扫图像中坏点的方法的流程图;
图3是根据本申请实施例的检测包含坏点簇的四连通域的方法的流程图;
图4是根据本申请实施例的检测坏线的方法的流程图;
图5是根据本申请实施例的确定中心区域图像的方法的流程图;
图6是根据本申请实施例的图像坏点簇检测装置的结构框图;
图7为根据本申请实施例的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作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。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
放射治疗设备是一种通过放射线照射肿瘤从而治疗肿瘤的设备。目前放射治疗设备通常会使用设备自身产生的α、β、γ射线或X射线、电子线、质子束及其他粒子束等射线,照射肿瘤细胞,以达到杀死肿瘤细胞的目的。为了能够精确的确定肿瘤区域的位置,放射治疗设备上设置有医学影像设备,用来对患者进行成像,并实时监测肿瘤区域的位置。
医学影像设备包括球管以及探测器,球管用于产生成像束,成像束穿过患者,被探测器接收,从而生成患者对应部位的图像。如果探测器存在坏点,反映在图像上则为该点始终呈现一种颜色,不会随接收到的射线强度进行变化。当一个坏点的周围存在多个坏点时,这些点被称为坏点簇;多个连续的坏点所构成的线条被称为坏线。也就是说,坏点簇以及坏线是指不随射线强度变化,始终呈现一种颜色的像素点簇。坏点簇以及坏线破坏了医学图像的清晰度以及完整性。并且,随着探测器中坏点簇以及坏线的数量增多,低噪环境下图像会更差,进而使重建图像中出现噪声以及伪影。
在探测器定义标准中对坏点簇以及坏线都存在定义。其中,坏点簇的定义为:在垂直方向或水平方向只要有3个连续的坏点,就可以作为一个三连续标准的坏点簇。坏线也被称为表现不佳的线,其中,表现不佳的线是指一条线中超过10个连续的坏点。对图像质量影响较大的坏线主要有两类,其中,第一类坏线为:相邻的表现不佳的是相邻的一对坏线,也就是说,两条坏线之间最小距离为2条好线。第二类坏线为:全部不良线条,也就是图像中的一条直线全部都是坏点,例如,当医学图像为1024*1024时,全部不良线条以1000个像素点进行判断,当一条线上连续坏点大于等于1000个像素点时,相应的坏点构成全部不良线条。
本实施例还提供了一种图像坏点簇检测方法。图1是根据本申请实施例的图像坏点簇检测方法的流程图,如图1所示,该流程包括如下步骤:
步骤S100,获取探测器采集到的空扫图像。
医学影像设备空扫得到的图像为空扫图像。示例的,医学影像设备空扫为:射线生成装置产生的射线,不穿过任何物体,直接被探测器接收,所生成的图像,即为空扫图像。其中,空扫图像中对应探测器坏点位置的像素值与探测器其余位置的像素值不同;示例的,探测器坏点位置对应的图像位置称为坏点,其像素值为1;探测器其余功能正常位置对应的图像位置称为好点,其像素值为0。
步骤S200,滤除空扫图像中连续坏点长度大于第一预设长度的坏点。
在空扫图像中,根据各个像素点的像素值的不同,将空扫图像中的像素点分为好点以及坏点。根据探测器定义标准中坏点簇以及坏线的定义,首先需要滤除掉空扫图像中的坏线,避免将空扫图像中的坏线被识别为坏点簇。连续坏点长度为:连续坏点的数量。示例的,连续4个坏点,对应的连续坏点长度为4个单位;连续9个坏点,对应的连续坏点长度为9个单位。第一预设长度为:需要滤除掉的连续坏点的长度,示例的,如果需要滤除掉连续的6个坏点,则将第一预设长度设置为6个单位;如果需要滤除掉连续的10个坏点,则将第一预设长度设置为10个单位。示例的,为了避免将空扫图像中的坏线被识别为坏点簇,则需要先滤除掉空扫图像中的坏线,根据坏线的定义可以将第一预设长度设置为10个单位。本实施例不对第一预设长度做具体限制,可以根据实际使用需求进行设定。滤除坏点,也就是将符合条件的点的像素值由1变为0。
步骤S300,计算滤除坏点后的空扫图像中剩余坏点的四连通域。
在滤除掉空扫图像中的坏线之后,在空扫图像中仅剩下连续坏点长度小于预设长度的坏点。计算剩余坏点的四连通域,其中,四连通域是指对应像素位置的上、下、左、右紧邻的位置,共4个方向,所以称之为四连通区域,又叫四邻域。示例的,当计算一个坏点的四连通域时,当前坏点为第一坏点,第一坏点的上方和右方存在第二坏点和第三坏点,下方和左方为好点;第二坏点左方、上方以及右方均为好点;第三坏点的下方和上方为第四坏点以及第五坏点,右方为好点。因此,第一坏点、第二坏点、第三坏点、第四坏点以及第五坏点,构成一个四连通域。也就是说,四连通域内的点均为坏点。
步骤S400,在所有四连通域中,确定包含坏点簇的四连通域。
对于所有的四连通域,检测每一个四连通域是否存在坏点簇。示例的,根据坏点簇的定义,也即检测每一个四连通域中是否存在垂直方向或水平方向连续的3个坏点。可以理解的,在实际使用时,可以根据实际需要,自定义坏点簇中连续坏点的长度,示例的,可以连续3个坏点,也可以连续5个坏点,还可以连续7个坏点,本申请实施例对坏点簇中连续坏点的数量不做具体限定。
相比于相关技术,本申请实施例提供的图像坏点簇检测方法,通过获取探测器采集到的空扫图像,首先滤除空扫图像中连续坏点长度大于第一预设长度的坏点,再计算滤除坏点后的空扫图像中剩余坏点的四连通域,最后在所有四连通域中,确定包含坏点簇的四连通域。通过计算机自动识别的方式,能够快速并且准确的在空扫图像中识别出坏点簇,避免了检测误差,进一步的提高了检测效率以及准确性。
本实施例还提供了一种滤除空扫图像中坏点的方法。图2是根据本申请实施例的滤除空扫图像中坏点的方法的流程图,如图2所示,该流程包括如下步骤:
步骤S210,获取第一矩形结构。
第一矩形结构用于滤除空扫图像中连续坏点长度大于第一预设长度的所有坏点。因此,第一矩形结构的长度与第一预设长度相对应。例如,第一预设长度为5个单位长度,则第一矩形结构为1*6和6*1尺寸的矩形结构元素,用于分别滤除横向和纵向的连续坏点长度大于第一预设长度坏点;第一预设长度为10个单位长度,则第一矩形结构为1*11和11*1尺寸的矩形结构元素,用于分别滤除横向和纵向的连续坏点长度大于第一预设长度坏点。由上述可知,第一矩形结构为两个,一个横向的第一矩形结构,一个纵向的第一矩形结构。并且,第一矩形结构中,各像素点的像素值为1。
步骤S220,将第一矩形结构与空扫图像进行形态学开运算,得到空扫图像中连续坏点长度大于第一预设长度的坏点。
形态学开运算是一种先腐蚀后膨胀的图像算法,能够去除图像中孤立的小点、毛刺以及小桥,而总体形状不发生改变。由于,第一矩形结构包括横向的第一矩形结构以及竖向的第一矩形结构,因此,需要使用两个第一矩形结构分别与空扫图像进行形态学开运算。通过横向的第一矩形结构与空扫图像进行形态学开运算,得到空扫图像中横向的连续坏点长度大于第一预设长度的坏点,记做第一图像;通过纵向的第一矩形结构与空扫图像进行形态学开运算,得到空扫图像中纵向的连续坏点长度大于第一预设长度的坏点,记做第二图像。
步骤S230,在空扫图像中滤除连续坏点长度大于第一预设长度的坏点。
使用空扫图像减去上述两张图像,从而在空扫图像中滤除连续坏点长度大于第一预设长度的坏点。其中,图像相减可以是对应像素点的像素值相减。示例的,空扫图像可以先减去第一图像,再减去第二图像;也可以先减去第二图像,再减去第一图像,本申请实施例不做具体限定。若一个坏点,既在第一图像中,又在第二图像中,此时,空扫图像减去第一图像和第二图像之后,该点的像素值为负值,需要将该像素点的像素值做归零处理。
本申请实施例,通过设置合适的第一矩形结构,能够精准的消除空扫图像中连续坏点长度大于第一预设长度的坏点,进一步的使坏点簇的识别更加的精准。
本实施例还提供了一种检测包含坏点簇的四连通域的方法。图3是根据本申请实施例的检测包含坏点簇的四连通域的方法的流程图,如图3所示,该流程包括如下步骤:
步骤S410,获取第二矩形结构。
第二矩形结构的长度与坏点簇的长度相对应。示例的,根据探测器定义标准坏点簇的长度为3个单位长度,则第二矩形结构为1*3和3*1尺寸的矩形结构元素,用于确定四连通域中是否存在坏点簇。也可以将坏点簇的长度定义为5个单位长度,则第二矩形结构为1*5和5*1尺寸的矩形结构元素,用于确定四连通域中是否存在坏点簇。由上述可知,第二矩形结构也为两个,一个横向的第二矩形结构,一个纵向的第二矩形结构。并且,第二矩形结构中,各像素点的像素值为1。
步骤S420,获取所有四连通域的最小外接矩形。
最小外接矩形为:能够包括四连通域中所有坏点的最小矩形。每一个四连通域都需要构建相应的最小外接矩形。
步骤S430,将第二矩形结构与最小外接矩形中的每一个像素相乘,确定包含坏点簇的四连通域。
由上述可知,第二矩形结构包括:横向的第二矩形结构以及纵向的第二矩形结构。首先,将横向的第二矩形结构与最小外接矩形中的每一个像素点相乘,其中有一次相乘的结果均为1,则确定该最小外接矩形对应的四连通域中存在坏点簇;在将纵向的第二矩形结构与最小外接矩形中的每一个像素点相乘,其中有一次相乘的结果均为1,则确定该最小外接矩形对应的四连通域中存在坏点簇。
本实施例中,在确定了四连通域中存在坏点簇之后,将四连通域作为坏点簇,再确定四连通域中坏点的数量,最终根据坏点的数量对坏点簇进行分类。
本申请实施例根据第二矩形结构,能够精准的对最小外接矩形中的坏点簇进行确定,进一步的提高了检测效率以及检测的精确度。
本实施例还提供了一种检测坏线的方法。图4是根据本申请实施例的检测坏线的方法的流程图,如图4所示,该流程包括如下步骤:
步骤S510,获取第一矩形结构。
第一矩形结构的长度与第一预设长度相对应。具体请参见步骤S210,本步骤与步骤S210中的第一矩形结构相同,详细描述请参见步骤S210的描述,此处不再赘述。
步骤S520,滤除空扫图像中连续坏点长度小于等于第一预设长度的坏点。
将横向的第一矩形结构以及纵向的第一矩形结构分别与空扫图像进行形态学开运算,得到滤除了连续坏点长度小于等于第一预设长度的坏点的空扫图像。
步骤S530,对滤除坏点后的空扫图像进行霍夫直线检测,确定所有坏线列表。
霍夫直线检测能够检测出空扫图像中的所有连续坏点。一条所有连续坏点构成一条坏线,将所有坏线以列表的形式进行存储。坏线列表中存储有,对应坏线在空扫图像中的起点坐标以及终点坐标。
步骤S540,根据坏线列表,确定第一类坏线以及第二类坏线。
在根据坏线列表,确定第一类坏线时:获取坏线列表中每一条坏线的坐标。获取每一条坏线的起点坐标以及终点坐标,将起点坐标和终点坐标进行比较,如果X坐标重复,将X坐标作为该坏线的位置信息;如果Y坐标重复,将Y坐标作为该坏线的位置信息。将X坐标作为位置信息的所有坏线的位置信息按照大小排序;将Y坐标作为位置信息的所有坏线的位置信息进行排序。根据每一条坏线的坐标,确定两两坏线之间的间隔距离;该坐标为位置信息,根据位置信息的排序,计算两两相邻的坏线之间的间隔距离。将间隔距离小于预设距离的两条坏线作为第一类坏线。示例的,预设距离可以为2,如果间隔距离小于2,则将对应的两条坏线作为第一类坏线;预设距离也可以设置为4,如果间隔距离小于4,则将对应的两条坏线作为第一类坏线。本申请实施例不对预设距离做具体限定,具体可以根据实际使用情况进行设定。
在根据坏线列表,确定第二类坏线时:获取坏线列表中每一条坏线的坐标,也就是获取每一条坏线的起点坐标以及终点坐标。根据每一条坏线的坐标,确定每一条坏线的长度,通过将终点坐标减去起点坐标,得到对应坏线的长度。再将长度等于第二预设长度的坏线作为第二类坏线。示例的,如果空扫图像的大小为1024*1024时,可以将1000作为第二预设长度;若坏线的长度大于1000时,将该坏线作为第二类坏线;如果图像512时,可以将500作为第二预设长度,若坏线的长度大于500时,将该坏线作为第二类坏线。本实施例不对第二预设长度做具体限定,具体可以根据实际使用情况进行设定。
本实施例,通过第一矩形结构先滤除掉空扫图像中连续坏点长度小于等于第一预设长度的坏点,再基于霍夫直线检测,确定空扫图像中的所有坏线,最终通过不同的算法,筛选出其中的第一类坏线以及第二类坏线。基于上述方法,能够准确的确定出空扫图像中的坏点以及坏线,减少工作人员肉眼观察带来的误差,进一步的提升准确度。
本实施例还提供了一种确定中心区域图像的方法。图5是根据本申请实施例的确定中心区域图像的方法的流程图,如图5所示,该流程包括如下步骤:
步骤S610,根据空扫图像,确定预设中心图像。
预设中心图像为按照预设尺寸设定的位于空扫图像中心的图像。示例的,空扫图像的尺寸为1024*1024,可以将预设中心图像的尺寸设置为512*512;也可以将预设中心图像的尺寸设置为800*800,本实施例不对预设中心图像的尺寸做具体限定,具体可以根据实际使用情况进行设定,仅需要满足预设中心图像位于空扫图像的正中心即可。
步骤S620,交替判断预设中心图像的左边界和右边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位。
在得到预设中心图像之后,需要检测左右边界上是否存在坏点,当存在坏点时,需要将坏点囊括在中心图像内,也就是需要将存在坏点的边界向外扩充一个单位。示例的,首先确定预设中心图像的左边界是否存在坏点,若存在坏点则将左边界向外扩充一个单位;再确定预设中心图像的右边界是否存在坏点,若存在坏点则将右边界向外扩充一个单位;依次交替的去判断左边界是否存在坏点,再判断右边界是否存在坏点,左右边界依次交替判断,直至满足预设条件。其中,预设条件包括:1.左边界和右边界均不存在坏点;2.边界向外扩充超过预设数量个单位。直至满足预设条件,也即为满足预设条件中的一点即可。左边界以及右边界均不存在坏点为:在左右边界交替判断时,当左边界上不存在坏点,则停止对左边界的判断,此时只判断右边界,当右边界也不存在坏点,且边界向外扩充不超过预设数量个单位时,满足预设条件。边界向外扩充超过预设数量个单位为:左右边界向外扩充的单位数量,超过预设数量时,满足条件。示例的,预设数量个单位为10,当左右边界一共向外扩充超过10个单位时,满足预设条件。本实施例不对预设数量个单位做具体限制,具体可以根据实际使用情况自行设定。可以理解的,上述为先左边界后右边界交替判断否存在坏点,根据使用需求,也可以调整为先右边界后左边界交替判断否存在坏点。
步骤S630,交替判断预设中心图像的上边界和下边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位。
当左右边界判断完成之后,需要检测上下边界上是否存在坏点,当存在坏点时,需要将坏点囊括在中心图像内,也就是需要将存在坏点的边界向外扩充一个单位。示例的,首先确定预设中心图像的上边界是否存在坏点,若存在坏点则将上边界向外扩充一个单位;再确定预设中心图像的下边界是否存在坏点,若存在坏点则将下边界向外扩充一个单位;依次交替的去判断上边界是否存在坏点,再判断下边界是否存在坏点,上下边界依次交替判断,直至满足预设条件。其中,预设条件包括:1.上边界和下边界均不存在坏点;2.边界向外扩充超过预设数量个单位。直至满足预设条件,也即为满足预设条件中的一点即可。上边界以及下边界均不存在坏点为:在上下边界交替判断时,当上边界上不存在坏点,则停止对上边界的判断,此时只判断下边界,当下边界也不存在坏点,且边界向外扩充不超过预设数量个单位时,满足预设条件。边界向外扩充超过预设数量个单位为:上下边界向外扩充的单位数量,超过预设数量时,满足条件。示例的,预设数量个单位为10,当上下边界一共向外扩充超过10个单位时,满足预设条件。本实施例不对预设数量个单位做具体限制,具体可以根据实际使用情况自行设定。可以理解的,上述为先上边界后下边界交替判断否存在坏点,根据使用需求,也可以调整为先下边界后上边界交替判断否存在坏点。
在其中一个实施例中,上述方法是先判断左右边界,再判断上下边界,可以理解的,也可以先去判断上下边界,再去判断左右边界。
步骤S640,将扩充边界后的预设中心图像作为中心区域图像。
通过上述方法,对预设中心图像的上下左右边界扩充完成之后,将扩充边界后的预设中心图像作为中心区域图像。
在其中一个实施例中,在根据空扫图像,确定中心区域图像之后,检测中心区域图像的坏点簇以及坏线。其中,中心区域图像中坏点簇的检测以及中心区域图像中第一类坏线的检测,与空扫图像相同,具体请参照上述实施例的描述,此处不再赘述。中心区域图像中第二类换线的检测,首先需要在空扫图像中检测出第二类坏线,再根据已经检测到的第二类坏线,确定第二类坏线的坐标,最终根据第二类坏线的坐标以及中心区域图像的坐标,判断第二类坏线是否在中心区域图像内,若在中心区域图像内,则该第二类坏线为中心区域图像的第二类坏线,若不在中心区域图像内,则该第二类坏线不为中心区域图像的第二类坏线。
本申请实施例提供了一种探测器坏点坏线检测方法,可以实现图像中心区域的自适应定义、坏点簇以及坏线的类型和数量统计。
探测器中心区域的定义
不同探测器,其探测器特性不同,从而生成的探测器图像中心区域有所差异。对于1024*1024pixel的探测器图像来说,中心区域定义为内部的512*512pixel,若在中心区域边界处出现性能不佳的像素,也即坏点,则允许将该中心区域边界向外移动10个pixel。为实现上述要求,首先定义如下变量:time:用于计算循环次数,其值应小于10,初始值为0;flag:用以判断上下(左右)边界,0或1,初始值为0;flag_1:上(左)边界是否继续判断存在坏点,0或1,初始值为1;flag_2:下(右)边界是否继续判断存在坏点,0或1,初始值为1。中心区域计算步骤如下:
步骤1:若flag=0且flag_1=1,则判断左侧边界,跳转到步骤2;若flag=1且flag_2=1,则判断右侧边界,跳转到步骤3;若不满足上述任一条件,则跳转步骤4;
步骤2:判断左侧边界,若边界上存在坏点,则time+1,边界像素坐标-1,否则flag_1置0;左侧边界判断完成后,读取flag_2的值,若为1,则改变flag的值;
步骤3:判断右侧边界,若边界上存在坏点,则time+1,边界像素坐标+1,否则flag_2置0;右侧边界判断完成后,读取flag_1的值,若为1,则改变flag的值;
步骤4:退出当前循环;
步骤5:重置上述4个变量的值,重复步骤1-4,判断上下边界;
步骤6:四条边界判断完毕后,对四个方向的边界坐标各向外侧扩充1个pixel,像素灰度值为0,这是为了之后的中心区域坏点簇判断时,不会出现超出边界索引的问题。
坏点簇检测
探测器标准中对坏点簇有如下定义:垂直或水平方向存在3个连续的坏点,就可以作为一个三连续标准的坏点簇,坏线是指一条线条中超过10个连续表现不佳的像素。
基于上述坏点簇的定义,首先要滤除图像中长度大于10的线条,在滤除后得到的图像中查找所有的四连通区域,对每一个区域进行三连续标准判断,再进一步判断坏点簇的类型,具体如下:
步骤1:分别获取11*1以及1*11尺寸的矩形结构元素,对原图像进行形态学开运算,得到两张分别在横向滤除了小于上述尺寸对象的图像以及在纵向滤除了小于上述尺寸对象的图像;
步骤2:使用原图像减去上述两张图像,即可得到只包含所有长度小于11的对象的新图像,待检测的坏点簇就在这些对象里。在图像做减法时,需要注意水平坏线与竖直坏线的交点在原图中被减了两次,需要对这些点的值进行置零处理;
步骤3:获取得到的新图像中所有的四连通区域列表,若列表长度为0,则图像中无坏像素簇;
步骤4:对于每一个四连通区域,获取囊括该四连通区域内所有像素点的最小矩形;
步骤5:设计三连续标准滤波器,也就是1*3以及3*1尺寸的矩形结构,分别使用结构元素中的3个像素值与最小矩形内的每一个像素点的像素值做与操作,与的结果均为1,则该四连通区域内包含坏点簇;
步骤6:计算四连通区域内的坏点数量,根据数量对坏点簇进行归类。
坏线检测
探测器标准中对坏线有如下定义:坏线也即表现不佳的线条,表现不佳的线条是指一条线条中超过10个连续表现不佳的像素。坏线包括两类,第一类为相邻的表现不佳的坏线,两条坏线之间,图像级最小距离为2条好线,CT级最小距离为5条好线;第二类为全部累计不良坏线,是指一整条线上的像素点均为坏点。示例的,图像长度为1024个像素长度,因为边缘图像会经过裁剪,因此连续坏点为1000个像素长度,即为第二类坏线。
确定第一类坏线时,首先滤除掉图像中长度小于等于10的线条,在滤除后的图像中使用霍夫直线检测,获得所有坏线对象列表,获取坏线列表中,每一条坏线的坐标,进一步根据这些坐标计算间隔,具体如下:
步骤1:分别获取11*1以及1*11尺寸的矩形结构元素,对原图像进行形态学开运算,得到两张分别滤除水平方向、竖直方向小于上述尺寸对象的图像;
步骤2:对于滤除后的图像使用霍夫直线检测,获得所有坏线对象列表;
步骤3:列表中每一个对象都包含了坏线的起点、终点坐标,获取两坐标点中重复出现的数,也即相同的X坐标或相同的Y坐标,即为计算间隔时需要被计算的坐标;
步骤4:对于得到的计算坐标列表去重并排序,即可计算间隔;
步骤5:判断间隔是否符合不合格条件,输出相邻坏线统计结果。统计结果即为第一类坏线的数量。
确定第二类坏线时,首先滤除掉图像中长度小于等于10的线条,在滤除后的图像中使用霍夫直线检测,获得所有坏线对象列表,获取坏线列表中,每一条坏线的坐标,根据坐标计算相应坏线的长度。具体如下:
步骤1:分别获取11*1以及1*11尺寸的矩形结构元素,对原图像进行形态学开运算,得到两张分别滤除水平方向、竖直方向小于上述尺寸对象的图像;
步骤2:对于滤除后的图像中使用霍夫直线检测,获得所有坏线对象列表;
步骤3:坏线列表中每一条坏线都包含了起点、终点坐标,获取两坐标点中重复出现的值,也即相同的X坐标或相同的Y坐标,该坐标在判断累第二类坏线是否位于中心区域,若在则该第二类坏线同时属于空扫图像以及中心区域图像;基于不同的X坐标或不同的Y坐标计算坏线长度;
步骤4:计算坏线长度并判断其所处区域,输出累计不良坏线统计结果。输出空扫图像中的第二类坏线数量以及中心区域图像中的第二类坏线数量。
本申请实施例,用于探测器质量检测,可以实现探测器采集的图像中心区域的自适应定义、不同图像等级下的坏点簇及坏线的类型区分和数量统计等功能。通过设计的三连续标准滤波器,可以实现所有类型坏点簇的检测,通过对坏点簇包含像素进行统计,可以实现对坏点簇类别的判断;通过对图像进行指定结构元素条件下的开运算,得到所有坏线对象列表,获取对象坐标重复元素计算坏线间隔以及线段长度,从而实现累计不良坏线的判断。本申请实施例可以实现以上功能的自动检测,能够有效避免人为观测所带来的误差以及效率问题,提高探测器质量检测的准确性。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种图像坏点簇检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本申请实施例的图像坏点簇检测装置的结构框图,如图6所示,该装置包括:获取模块100、滤除模块200、计算模块300以及坏点簇确定模块400。
获取模块100,用于获取探测器采集到的空扫图像。
滤除模块200,用于滤除空扫图像中连续坏点长度大于第一预设长度的坏点。
计算模块300,用于计算滤除坏点后的空扫图像中剩余坏点的四连通域。
坏点簇确定模块400,用于在所有四连通域中,确定包含坏点簇的四连通域。
滤除模块200,还用于获取第一矩形结构;第一矩形结构的长度与第一预设长度相对应;将第一矩形结构与空扫图像进行形态学开运算,得到空扫图像中连续坏点长度大于第一预设长度的坏点;在空扫图像中滤除连续坏点长度大于第一预设长度的坏点。
坏点簇确定模块400,还用于获取第二矩形结构;第二矩形结构的长度与坏点簇的长度相对应;获取所有四连通域的最小外接矩形;将第二矩形结构与最小外接矩形中的每一个像素相乘,确定包含坏点簇的四连通域。
该还装置包括:坏线确定模块;
坏线确定模块,用于获取第一矩形结构;第一矩形结构的长度与第一预设长度相对应;滤除空扫图像中连续坏点长度小于等于第一预设长度的坏点;对滤除坏点后的空扫图像进行霍夫直线检测,确定所有坏线列表;根据坏线列表,确定第一类坏线以及第二类坏线。
坏线确定模块,还用于获取坏线列表中每一条坏线的坐标;根据每一条坏线的坐标,确定两两坏线之间的间隔距离;将间隔距离小于预设距离的两条坏线作为第一类坏线。
坏线确定模块,还用于获取坏线列表中每一条坏线的坐标;根据每一条坏线的坐标,确定每一条坏线的长度;将长度等于第二预设长度的坏线作为第二类坏线。
该还装置包括:中心区域图像检测模块;
中心区域图像检测模块,用于根据空扫图像,确定中心区域图像;检测中心区域图像的坏点簇以及坏线。
中心区域图像检测模块,还用于根据空扫图像,确定预设中心图像;交替判断预设中心图像的左边界和右边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位;交替判断预设中心图像的上边界和下边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位;将扩充边界后的预设中心图像作为中心区域图像。
中心区域图像检测模块,还用于确定预设中心图像的左边界是否存在坏点,若存在坏点则将左边界向外扩充一个单位;确定预设中心图像的右边界是否存在坏点,若存在坏点则将右边界向外扩充一个单位;依次交替判断左边界是否存在坏点和右边界是否存在坏点,直至满足预设条件;预设条件包括:左边界和右边界均不存在坏点或边界向外扩充超过预设数量个单位。
中心区域图像检测模块,还用于确定预设中心图像的上边界是否存在坏点,若存在坏点则将上边界向外扩充一个单位;确定预设中心图像的下边界是否存在坏点,若存在坏点则将下边界向外扩充一个单位;依次交替判断上边界是否存在坏点和下边界是否存在坏点,直至满足预设条件;预设条件包括:上边界和下边界均不存在坏点或边界向外扩充超过预设数量个单位。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合图1描述的本申请实施例图像坏点簇检测方法可以由计算机设备来实现。图7为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器71以及存储有计算机程序指令的存储器72。
具体地,上述处理器71可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器72可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器72可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器72可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器72可在数据处理装置的内部或外部。在特定实施例中,存储器72是非易失性(Non-Volatile)存储器。在特定实施例中,存储器72包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器72可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器71所执行的可能的计算机程序指令。
处理器71通过读取并执行存储器72中存储的计算机程序指令,以实现上述实施例中的任意一种图像坏点簇检测方法。
在其中一些实施例中,计算机设备还可包括通信接口73和总线70。其中,如图7所示,处理器71、存储器72、通信接口73通过总线70连接并完成相互间的通信。
通信接口73用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口73还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线70包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线70包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线70可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线70可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的计算机指令,执行本申请实施例中的图像坏点簇检测方法,从而实现结合图1描述的图像坏点簇检测方法。
另外,结合上述实施例中的图像坏点簇检测方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种图像坏点簇检测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种图像坏点簇检测方法,其特征在于,包括:
获取探测器采集到的空扫图像;
滤除所述空扫图像中连续坏点长度大于第一预设长度的坏点;
计算滤除坏点后的所述空扫图像中剩余坏点的四连通域;
在所有所述四连通域中,确定包含坏点簇的四连通域。
2.根据权利要求1所述的图像坏点簇检测方法,其特征在于,所述滤除所述空扫图像中连续坏点长度大于第一预设长度的坏点包括:
获取第一矩形结构;所述第一矩形结构的长度与所述第一预设长度相对应;
将所述第一矩形结构与所述空扫图像进行形态学开运算,得到所述空扫图像中连续坏点长度大于第一预设长度的坏点;
在所述空扫图像中滤除连续坏点长度大于第一预设长度的所述坏点。
3.根据权利要求1所述的图像坏点簇检测方法,其特征在于,所述在所有所述四连通域中,确定包含坏点簇的四连通域包括:
获取第二矩形结构;所述第二矩形结构的长度与坏点簇的长度相对应;
获取所有所述四连通域的最小外接矩形;
将第二矩形结构与所述最小外接矩形中的每一个像素相乘,确定包含坏点簇的四连通域。
4.根据权利要求1所述的图像坏点簇检测方法,其特征在于,所述方法还包括:
获取第一矩形结构;所述第一矩形结构的长度与所述第一预设长度相对应;
滤除所述空扫图像中连续坏点长度小于等于第一预设长度的坏点;
对滤除坏点后的所述空扫图像进行霍夫直线检测,确定所有坏线列表;
根据所述坏线列表,确定第一类坏线以及第二类坏线。
5.根据权利要求4所述的图像坏点簇检测方法,其特征在于,所述根据所述坏线列表,确定第一类坏线包括:
获取所述坏线列表中每一条坏线的坐标;
根据每一条坏线的所述坐标,确定两两坏线之间的间隔距离;
将所述间隔距离小于预设距离的两条坏线作为第一类坏线。
6.根据权利要求4所述的图像坏点簇检测方法,其特征在于,所述根据所述坏线列表,确定第二类坏线包括:
获取所述坏线列表中每一条坏线的坐标;
根据每一条坏线的所述坐标,确定每一条坏线的长度;
将所述长度等于第二预设长度的坏线作为第二类坏线。
7.根据权利要求1所述的图像坏点簇检测方法,其特征在于,所述方法还包括:
根据所述空扫图像,确定中心区域图像;
检测所述中心区域图像的坏点簇以及坏线。
8.根据权利要求7所述的图像坏点簇检测方法,其特征在于,所述根据所述空扫图像,确定中心区域图像包括:
根据所述空扫图像,确定预设中心图像;
交替判断所述预设中心图像的左边界和右边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位;
交替判断所述预设中心图像的上边界和下边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位;
将扩充边界后的所述预设中心图像作为中心区域图像。
9.根据权利要求8所述的图像坏点簇检测方法,其特征在于,所述交替判断所述预设中心图像的左边界和右边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位包括:
确定所述预设中心图像的左边界是否存在坏点,若存在坏点则将左边界向外扩充一个单位;
确定所述预设中心图像的右边界是否存在坏点,若存在坏点则将右边界向外扩充一个单位;
依次交替判断左边界是否存在坏点和右边界是否存在坏点,直至满足预设条件;所述预设条件包括:左边界和右边界均不存在坏点或边界向外扩充超过预设数量个单位。
10.根据权利要求8所述的图像坏点簇检测方法,其特征在于,所述交替判断所述预设中心图像的上边界和下边界是否存在坏点,若存在坏点则将相应边界向外扩充一个单位包括:
确定所述预设中心图像的上边界是否存在坏点,若存在坏点则将上边界向外扩充一个单位;
确定所述预设中心图像的下边界是否存在坏点,若存在坏点则将下边界向外扩充一个单位;
依次交替判断上边界是否存在坏点和下边界是否存在坏点,直至满足预设条件;所述预设条件包括:上边界和下边界均不存在坏点或边界向外扩充超过预设数量个单位。
11.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述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如权利要求1至10中任一项所述的图像坏点簇检测方法。
12.一种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如权利要求1至10中任一项所述的图像坏点簇检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210897158.8A CN115526828A (zh) | 2022-07-28 | 2022-07-28 | 图像坏点簇检测方法、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210897158.8A CN115526828A (zh) | 2022-07-28 | 2022-07-28 | 图像坏点簇检测方法、计算机设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526828A true CN115526828A (zh) | 2022-12-27 |
Family
ID=84695897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210897158.8A Pending CN115526828A (zh) | 2022-07-28 | 2022-07-28 | 图像坏点簇检测方法、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526828A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713474A (zh) * | 2022-12-30 | 2023-02-24 | 安徽光智科技有限公司 | 一种红外图像校正方法、系统及电子设备 |
CN115810023A (zh) * | 2023-02-09 | 2023-03-17 | 昆明昆科测控技术有限公司 | 焦平面成像系统扎堆盲元计算系统及其工作方法 |
-
2022
- 2022-07-28 CN CN202210897158.8A patent/CN115526828A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713474A (zh) * | 2022-12-30 | 2023-02-24 | 安徽光智科技有限公司 | 一种红外图像校正方法、系统及电子设备 |
CN115810023A (zh) * | 2023-02-09 | 2023-03-17 | 昆明昆科测控技术有限公司 | 焦平面成像系统扎堆盲元计算系统及其工作方法 |
CN115810023B (zh) * | 2023-02-09 | 2023-04-21 | 昆明昆科测控技术有限公司 | 焦平面成像系统扎堆盲元计算系统及其工作方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062449B2 (en) | Method and system for extracting vasculature | |
CN115526828A (zh) | 图像坏点簇检测方法、计算机设备及可读存储介质 | |
US5638458A (en) | Automated method and system for the detection of gross abnormalities and asymmetries in chest images | |
RU2737018C1 (ru) | Устройство обработки изображений, способ обработки изображений и носитель данных | |
US7756316B2 (en) | Method and system for automatic lung segmentation | |
EP2891455B1 (en) | Radiation tomographic image-generating apparatus and radiation tomographic image-generating method | |
US9098912B2 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
JP4980707B2 (ja) | 画像処理装置及び方法 | |
JP2005296605A (ja) | 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法 | |
WO2005112769A1 (en) | Nodule detection | |
US8483470B2 (en) | Radiological image area extracting apparatus, radiological image area extraction program, and radiographic apparatus | |
CN107633514B (zh) | 一种肺结节周边血管量化评估系统及方法 | |
JPH1094538A (ja) | 異常陰影候補の検出方法および装置 | |
US20060239522A1 (en) | Method and system for processing computed tomography image data | |
Tanaka et al. | Investigation of thoracic four-dimensional CT-based dimension reduction technique for extracting the robust radiomic features | |
US11348229B2 (en) | Determining regions of hyperdense lung tissue in an image of a lung | |
US20200394833A1 (en) | Computer implemented method, a system and computer programs for computing simultaneous rectilinear paths using medical images | |
Yilmaz et al. | Noise removal of CBCT images using an adaptive anisotropic diffusion filter | |
Marzuki et al. | Demarcation of lung lobes in ct scan images for lung cancer detection using watershed segmentation | |
US8064668B2 (en) | Method of modifying a segmented volume | |
JP2010019572A (ja) | 画像処理装置及び方法 | |
JP2002133397A (ja) | 異常陰影候補検出装置 | |
CN116912213B (zh) | 一种医学Dicom图像边缘轮廓多边检测算法和检测系统 | |
EP3066642B1 (en) | Method for removing a support of an object from volume data | |
CN114170114B (zh) | 脊柱ct图像的增强方法及装置、脊柱手术机器人 |
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 |