CN115984131A - 双维度图像边缘增强方法及应用 - Google Patents
双维度图像边缘增强方法及应用 Download PDFInfo
- Publication number
- CN115984131A CN115984131A CN202211642866.3A CN202211642866A CN115984131A CN 115984131 A CN115984131 A CN 115984131A CN 202211642866 A CN202211642866 A CN 202211642866A CN 115984131 A CN115984131 A CN 115984131A
- Authority
- CN
- China
- Prior art keywords
- data
- edge
- image
- image data
- dimension direction
- 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
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种双维度图像边缘增强方法及应用，所述方法包括：获取原始超声图像数据，并分别在第一维度方向和第二维度方向对原始超声图像数据进行预处理，以得到图像轮廓数据；将原始超声图像数据和图像轮廓数据进行线性叠加，以得到边缘增强的超声图像数据。该双维度图像边缘增强方法实现在多维度、分区域、多级别以及能够最大程度保留图像细节、不引入新的噪声的情况下，对超声图像的边缘轮廓进行多方向性的增强，更能表现乳腺病灶区的边缘，方便医生诊断。
Description
技术领域
本发明是关于超声图像处理技术领域，特别是关于一种双维度图像边缘增强方法及应用。
背景技术
医学是图像图形技术的一个重要而又广阔的应用领域，从而使医学图像成为图像图形技术的一个重要分支。近年来，随着科学技术的迅猛发展，医疗超声成像以其对人体无损伤、非侵入、成像方式多种多样、检查费用低等优点已经成为协助医生检测的最重要手段之一。
超声图像边缘增强对提高人体器官的疾病检测能力有着非常重要的作用。特别对乳腺病灶的边缘检测和对乳腺病灶的诊断有很重要的作用。传统的边缘增强方法是利用边缘增强算子对整幅图像进行处理，强化图像的边缘。但是由于超声成像的物理特性和超声探头的相关属性，超声图像不仅反映人体器官轮廓，还常常密布着不规则的斑点，称之为斑点噪声。斑点噪声极大地影响了图像的质量和病灶的识别。
常用的超声图像增强方法有直方图均衡化算法、中值滤波、维纳滤波、自适应滤波法等。直方图均衡化可分为局部直方图均衡化和全局直方图均衡化。局部直方图均衡化算法和自适应直方图均衡化算法可以达到显著增强图像细节部分的效果，但与此同时增强了噪声；全局直方图均衡化算法以整幅图像为处理单元，使图像的灰度均匀分布，该算法简单、容易实现，但对图像局部信息的增强效果不明显。维纳滤波主要是抑制加性噪声，对图像的细节分辨率较差。自适应滤波技术通过斑点噪声的统计特征判断当前处理窗口是否为斑点噪声区，实现自动地抑制斑点噪声区、保留组织结构区，增强图像。Chen等人提出了区域增长滤波方法，Dutt和Greenleaf推导出一个与方差相关的参数，用于量化斑点噪声，这些方法均是将局部处理窗口中提取的单一统计特征值作为斑点噪声检测标准，再应用不同的平滑或滤波处理来增强图像。但从超声影像上所计算出的局部信噪比、局部方差，往往与理论值存在较大的偏差。
而现代的超声诊断仪器为了提高影像品质，常常采用除对数压缩之外的其它信号处理技术(诸如边缘增强、均值滤波等)，严重破坏了斑点噪声的统计特性值，而基于统计特征值的抑制增强算法是不够稳定的。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种双维度图像边缘增强方法及应用，其用以解决现有技术中所存在的增强超声图像边缘的同时也增强了噪声，以及区域边界增强导致图像失真等技术问题。
为实现上述目的，本发明的实施例提供了一种双维度图像边缘增强方法，所述方法包括：
获取原始超声图像数据，并分别在第一维度方向和第二维度方向对所述原始超声图像数据进行预处理，以得到图像轮廓数据；
将所述原始超声图像数据和图像轮廓数据进行线性叠加，以得到边缘增强的超声图像数据。
在本发明的一个或多个实施方式中，所述分别在第一维度方向和第二维度方向对所述原始超声图像数据进行预处理，以得到图像轮廓数据，具体包括：
分别在第一维度方向和第二维度方向对所述原始超声图像数据进行直方图计算，以得到特征因子矩阵；
基于所述特征因子矩阵对所述原始超声图像数据进行拉普拉斯变换，并提取得到图像轮廓数据。
在本发明的一个或多个实施方式中，所述分别在第一维度方向和第二维度方向对所述原始超声图像数据进行直方图计算，以得到特征因子矩阵，具体包括：
分别在第一维度方向和第二维度方向对所述原始超声图像数据进行直方图计算，以分别得到所述原始超声图像数据在第一维度方向和第二维度方向上的灰度均值、灰度最大值以及灰度最小值；
基于所述灰度最大值和灰度最小值之间的差值将所述原始超声图像数据划分多个差值阶梯，并基于所述灰度均值、灰度最大值以及差值阶梯计算均值分值；
基于所述灰度均值、差值阶梯以及均值分值确定所述原始超声图像数据的灰度区域分布以及每个灰度分布区域的灰度均值；
基于每个所述灰度分布区域的灰度均值构建对应的特征因子矩阵。
在本发明的一个或多个实施方式中，所述方法还包括：
基于边缘检测算子分别在第一维度方向和第二维度方向对所述原始超声图像数据进行边缘检测，以得到中间图像边缘数据；
对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据。
在本发明的一个或多个实施方式中，对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据，具体包括：
采用带阻滤波器对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据；
其中，所述带阻滤波器包括高通滤波器和低通滤波器，所述高通滤波器过滤所述中间图像边缘数据的低频噪音，所述低通滤波器过滤所述中间图像边缘数据的高频噪音。
在本发明的一个或多个实施方式中，采用带阻滤波器对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据，具体包括：
对所述原始超声图像数据的直方图中的每行数据进行求和，得到每行数据的和值；
以所述直方图的行序号作为自变量，以所述每行数据的和值作为因变量，构建离散函数，并确定函数极大值；
基于所述函数极大值设置滤波条带，并将所述滤波条带内的灰度值置零。
在本发明的一个或多个实施方式中，将所述原始超声图像数据和图像轮廓数据进行线性叠加，以得到边缘增强的超声图像数据，具体包括：
基于所述图像轮廓数据和图像边缘数据计算加权自变量系数；
利用所述加权自变量系数将所述原始超声图像数据和图像轮廓数据进行线性叠加，得到边缘增强的超声图像数据。
在本发明的另一个方面当中，提供了一种双维度图像边缘增强系统，所述系统包括：
获取模块，用于获取原始超声图像数据，并分别在第一维度方向和第二维度方向对所述原始超声图像数据进行预处理，以得到中间超声图像数据以及图像边缘数据；
计算模块，用于将所述中间超声图像数据和图像边缘数据进行线性叠加，以得到边缘增强的超声图像数据。
获取模块具体用于：分别在第一维度方向和第二维度方向对所述原始超声图像数据进行直方图计算，以得到特征因子矩阵；基于所述特征因子矩阵对所述原始超声图像数据进行拉普拉斯变换，并提取得到图像轮廓数据。
获取模块具体还用于：分别在第一维度方向和第二维度方向对所述原始超声图像数据进行直方图计算，以分别得到所述原始超声图像数据在第一维度方向和第二维度方向上的灰度均值、灰度最大值以及灰度最小值；基于所述灰度最大值和灰度最小值之间的差值将所述原始超声图像数据划分多个差值阶梯，并基于所述灰度均值、灰度最大值以及差值阶梯计算均值分值；基于所述灰度均值、差值阶梯以及均值分值确定所述原始超声图像数据的灰度区域分布以及每个灰度分布区域的灰度均值；基于每个所述灰度分布区域的灰度均值构建对应的特征因子矩阵。
获取模块具体还用于：基于边缘检测算子分别在第一维度方向和第二维度方向对所述原始超声图像数据进行边缘检测，以得到中间图像边缘数据；对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据。
获取模块具体还用于：采用带阻滤波器对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据；其中，所述带阻滤波器包括高通滤波器和低通滤波器，所述高通滤波器过滤所述中间图像边缘数据的低频噪音，所述低通滤波器过滤所述中间图像边缘数据的高频噪音。
获取模块具体还用于：对所述原始超声图像数据的直方图中的每行数据进行求和，得到每行数据的和值；以所述直方图的行序号作为自变量，以所述每行数据的和值作为因变量，构建离散函数，并确定函数极大值；基于所述函数极大值设置滤波条带，并将所述滤波条带内的灰度值置零。
计算模块具体用于：基于所述图像轮廓数据和图像边缘数据计算加权自变量系数；利用所述加权自变量系数将所述原始超声图像数据和图像轮廓数据进行线性叠加，得到边缘增强的超声图像数据。
在本发明的另一个方面当中，还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的双维度图像边缘增强方法。
在本发明的另一个方面当中，还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的双维度图像边缘增强方法。
与现有技术相比，根据本发明实施方式的双维度图像边缘增强方法，其通过分别在第一维度方向和第二维度方向对获取的原始超声图像数据进行预处理得到图像轮廓数据，并将原始超声图像数据和图像轮廓数据进行线性叠加，从而得到边缘增强的超声图像数据，实现在多维度、分区域、多级别以及能够最大程度保留图像细节、不引入新的噪声的情况下，对超声图像的边缘轮廓进行多方向性的增强，更能表现乳腺病灶区的边缘，方便医生诊断。
附图说明
图1是根据本发明一实施方式的双维度图像边缘增强方法的流程图；
图2是根据本发明一实施方式的双维度图像边缘增强方法中获取的原始超声图像的示意图；
图3是根据本发明一实施方式的双维度图像边缘增强方法中得到的边缘增强的超声图像的示意图；
图4是根据本发明一实施方式的双维度图像边缘增强系统的模块图；
图5是根据本发明一实施方式电子设备的硬件结构图。
具体实施方式
以下将结合附图所示的各实施方式对本申请进行详细描述。但该等实施方式并不限制本申请，本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，介绍本发明双维度图像边缘增强方法的一实施例，在该实施例中，所述方法包括如下步骤。
S101，获取原始超声图像数据，并分别在第一维度方向和第二维度方向对原始超声图像数据进行预处理，以得到图像轮廓数据。
其中，第一维度方向可以是对应空间坐标系中的X轴，第二维度方向可以是对应空间坐标系中的Y轴。
一实施方式中，分别在第一维度方向和第二维度方向对原始超声图像数据进行预处理，以得到图像轮廓数据，具体可以包括：首先分别在第一维度方向和第二维度方向对原始超声图像数据进行直方图计算，以得到特征因子矩阵；然后基于特征因子矩阵对原始超声图像数据进行拉普拉斯变换，并提取得到图像轮廓数据。
具体地，首先分别在第一维度(X轴)方向和第二维度(Y轴)方向对原始超声图像数据进行直方图计算，求其在第一维度方向以及第二维度方向的以N条线为间隔取其灰度均值Amean、最大值Amax和最小值Amin；其中，N为正整数。
在一些实施方式中，可以以16条线为间隔求取原始超声图像数据的灰度均值Amean、最大值Amax和最小值Amin。
然后基于灰度最大值Amax和灰度最小值Amin之间的差值将原始超声图像数据划分M个差值阶梯Aecv，M同样为正整数，且M与N可以相同。划分好差值阶梯后，可以基于灰度均值Amean、灰度最大值Amax以及差值阶梯Aecv计算灰度的均值分值Amecv，其具体计算公式为Amecv＝(Amax-Amean)/M。
在一些实施方式中，可以根据灰度最大值Amax和灰度最小值Amin之间的差值将原始超声图像数据划分为16个差值阶梯Aecv，即M＝N＝16，M的取值还可以根据原始超声图像的大小进行调节。
之后，基于灰度均值Amean、差值阶梯Aecv以及求取得到的均值分值Amecv确定原始超声图像数据的灰度区域分布以及每个灰度分布区域的灰度均值。
示范性地，从原始超声图像的(0，j*16)位置开始沿第一维度(X轴)方向计算图像灰度值的均值，j的取值范围为0～图像高度/16，计算从A0(t0，j*16)到An(tn，j*16)灰度值均值，其中，t0～tn是区域值。
通过实时判断当前区域的灰度均值范围，如An＞Amean+(Aecv-Amecv)*(M-1)且An<Amean+(Aecv-Amecv)*M，且tn-tn-1＞图像宽度/32，从而确定当前tn区域。
基于上述步骤，可以确定原始超声图像数据的灰度区域分布(算法上习惯上用密度区来表示)以及每个灰度分布区域的灰度均值，包括：最强灰度区域tmax和该区域的灰度均值An-max、最低灰度区域tmin和该区域的灰度均值An-min以及多个不同灰度区域t0～tn的划分。
需要说明的是，原始超声图像数据在第二维度(Y轴)方向上的灰度区域划分过程与上述在第一维度(X轴)方向上的划分过程相同，此处不再赘述。
最后根据每个灰度分布区域的灰度均值并通过公式
确定抽取的特征因子，其中，VAi表示区域的灰度均值；At表示整个图像灰度均值；y为特征变换因子，即根据超声图像的检查部位和超声信号的动态范围预算的特征数据。
抽取特征因子后构建对应的特征因子矩阵。示范性地，得到的特征因子矩阵为：
最后根据拉普拉斯(Laplace)算子对原始超声图像数据进行拉普拉斯(Laplace)微分变换，拉普拉斯(Laplace)算子的离散方程为：
其中，f表示Laplace算子可导函数，x和y分别代表x-y平面上的笛卡尔坐标，从而提取得到原始超声图像的图像轮廓数据。
一实施方式中，该双维度图像边缘增强方法还包括：获取原始超声图像数据后，首先基于边缘检测算子分别在第一维度方向和第二维度方向对原始超声图像数据进行边缘检测，以得到中间图像边缘数据；然后对中间图像边缘数据进行去噪处理，以得到图像边缘数据，即原始超声图像的边缘值。
本实施方式中，可以采用Roberts边缘算子对原始超声图像数据进行边缘检测。Roberts边缘算子是一个2x2的模板，利用对角线方向相邻两像素之差近似梯度幅值来检测边缘，检测垂直边缘的效果要优于其他方向边缘，从图像处理的实际效果来看，边缘定位较准，对噪声敏感。
利用边缘检测算子检测原始超声图像每个像素的邻域，并对其灰度变化率进行量化，同时也包含灰度变化方向的确定。
本实施方式中，可以采用带阻滤波器对中间图像边缘数据进行去噪处理。带阻滤波器包括高通滤波器和低通滤波器，高通滤波器可以过滤中间图像边缘数据的低频噪音，低通滤波器可以过滤中间图像边缘数据的高频噪音。
进一步地，在定位带阻滤波器的滤波条带时具体可以包括：对原始超声图像数据的直方图中的每行数据进行求和，得到每行数据的和值；以直方图的行序号作为自变量，以每行数据的和值作为因变量，构建离散函数，并确定函数极大值；基于函数极大值设置滤波条带，并将滤波条带内的灰度值置零。
S102，将原始超声图像数据和图像轮廓数据进行线性叠加，以得到边缘增强的超声图像数据。
具体地，首先基于上述步骤得到的图像轮廓数据和图像边缘数据计算加权自变量系数。即计算图像轮廓数据和图像边缘数据之间的差值，然后再除去图像边缘数据即可得到加权自变量系数。然后利用加权自变量系数将原始超声图像数据和图像轮廓数据进行线性叠加，即可得到边缘增强的超声图像数据。
参图2和图3，图2是获取的原始超声图像，图3是经双维度图像边缘增强方法处理后得到的边缘增强的超声图像，经对比，可以明显看出处理后的超声图像轮廓边缘更加清晰。
根据实际使用需求，该双维度图像边缘增强方法也可以扩展到在更多维度方向上对超声图像边缘进行增强，可以实现在多维度、分区域、多级别以及能够最大程度保留图像细节、不引入新的噪声的情况下，对超声图像的边缘轮廓进行多方向性的增强，更能表现乳腺病灶区的边缘，方便医生诊断。
参图4，介绍本发明双维度图像边缘增强系统的一实施例，在该实施例中，所述系统包括获取模块201和计算模块202。
获取模块201，用于获取原始超声图像数据，并分别在第一维度方向和第二维度方向对所述原始超声图像数据进行预处理，以得到中间超声图像数据以及图像边缘数据；
计算模块202，用于将所述中间超声图像数据和图像边缘数据进行线性叠加，以得到边缘增强的超声图像数据。
一实施方式中，获取模块201具体用于：分别在第一维度方向和第二维度方向对所述原始超声图像数据进行直方图计算，以得到特征因子矩阵；基于所述特征因子矩阵对所述原始超声图像数据进行拉普拉斯变换，并提取得到图像轮廓数据。
一实施方式中，获取模块201具体还用于：分别在第一维度方向和第二维度方向对所述原始超声图像数据进行直方图计算，以分别得到所述原始超声图像数据在第一维度方向和第二维度方向上的灰度均值、灰度最大值以及灰度最小值；基于所述灰度最大值和灰度最小值之间的差值将所述原始超声图像数据划分多个差值阶梯，并基于所述灰度均值、灰度最大值以及差值阶梯计算均值分值；基于所述灰度均值、差值阶梯以及均值分值确定所述原始超声图像数据的灰度区域分布以及每个灰度分布区域的灰度均值；基于每个所述灰度分布区域的灰度均值构建对应的特征因子矩阵。
一实施方式中，获取模块201具体还用于：基于边缘检测算子分别在第一维度方向和第二维度方向对所述原始超声图像数据进行边缘检测，以得到中间图像边缘数据；对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据。
一实施方式中，获取模块201具体还用于：采用带阻滤波器对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据；其中，所述带阻滤波器包括高通滤波器和低通滤波器，所述高通滤波器过滤所述中间图像边缘数据的低频噪音，所述低通滤波器过滤所述中间图像边缘数据的高频噪音。
一实施方式中，获取模块201具体还用于：对所述原始超声图像数据的直方图中的每行数据进行求和，得到每行数据的和值；以所述直方图的行序号作为自变量，以所述每行数据的和值作为因变量，构建离散函数，并确定函数极大值；基于所述函数极大值设置滤波条带，并将所述滤波条带内的灰度值置零。
一实施方式中，计算模块202具体用于：基于所述图像轮廓数据和图像边缘数据计算加权自变量系数；利用所述加权自变量系数将所述原始超声图像数据和图像轮廓数据进行线性叠加，得到边缘增强的超声图像数据。
图5示出了根据本说明书的实施例的双维度图像边缘增强的电子设备30的硬件结构图。如图5所示，电子设备30可以包括至少一个处理器301、存储器302(例如非易失性存储器)、内存303和通信接口304，并且至少一个处理器301、存储器302、内存303和通信接口304经由总线305连接在一起。至少一个处理器301执行在存储器302中存储或编码的至少一个计算机可读指令。
应该理解，在存储器302中存储的计算机可执行指令当执行时使得至少一个处理器301进行本说明书的各个实施例中以上结合图1-3描述的各种操作和功能。
在本说明书的实施例中，电子设备30可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、蜂窝电话、个人数字助理(PDA)、手持装置、消息收发设备、可佩戴计算设备、消费电子设备等等。
根据一个实施例，提供了一种比如计算机可读存储介质的程序产品。计算机可读存储介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被计算机执行时，使得计算机执行本说明书的各个实施例中以上结合图1-3描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
根据本发明实施方式的双维度图像边缘增强方法及应用，其通过分别在第一维度方向和第二维度方向对获取的原始超声图像数据进行预处理得到图像轮廓数据，并将原始超声图像数据和图像轮廓数据进行线性叠加，从而得到边缘增强的超声图像数据，实现在多维度、分区域、多级别以及能够最大程度保留图像细节、不引入新的噪声的情况下，对超声图像的边缘轮廓进行多方向性的增强，更能表现乳腺病灶区的边缘，方便医生诊断。
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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种双维度图像边缘增强方法，其特征在于，所述方法包括：
获取原始超声图像数据，并分别在第一维度方向和第二维度方向对所述原始超声图像数据进行预处理，以得到图像轮廓数据；
将所述原始超声图像数据和图像轮廓数据进行线性叠加，以得到边缘增强的超声图像数据。
2.如权利要求1所述的双维度图像边缘增强方法，其特征在于，所述分别在第一维度方向和第二维度方向对所述原始超声图像数据进行预处理，以得到图像轮廓数据，具体包括：
分别在第一维度方向和第二维度方向对所述原始超声图像数据进行直方图计算，以得到特征因子矩阵；
基于所述特征因子矩阵对所述原始超声图像数据进行拉普拉斯变换，并提取得到图像轮廓数据。
3.如权利要求2所述的双维度图像边缘增强方法，其特征在于，所述分别在第一维度方向和第二维度方向对所述原始超声图像数据进行直方图计算，以得到特征因子矩阵，具体包括：
分别在第一维度方向和第二维度方向对所述原始超声图像数据进行直方图计算，以分别得到所述原始超声图像数据在第一维度方向和第二维度方向上的灰度均值、灰度最大值以及灰度最小值；
基于所述灰度最大值和灰度最小值之间的差值将所述原始超声图像数据划分多个差值阶梯，并基于所述灰度均值、灰度最大值以及差值阶梯计算均值分值；
基于所述灰度均值、差值阶梯以及均值分值确定所述原始超声图像数据的灰度区域分布以及每个灰度分布区域的灰度均值；
基于每个所述灰度分布区域的灰度均值构建对应的特征因子矩阵。
4.如权利要求1所述的双维度图像边缘增强方法，其特征在于，所述方法还包括：
基于边缘检测算子分别在第一维度方向和第二维度方向对所述原始超声图像数据进行边缘检测，以得到中间图像边缘数据；
对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据。
5.如权利要求4所述的双维度图像边缘增强方法，其特征在于，对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据，具体包括：
采用带阻滤波器对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据；
其中，所述带阻滤波器包括高通滤波器和低通滤波器，所述高通滤波器过滤所述中间图像边缘数据的低频噪音，所述低通滤波器过滤所述中间图像边缘数据的高频噪音。
6.如权利要求5所述的双维度图像边缘增强方法，其特征在于，采用带阻滤波器对所述中间图像边缘数据进行去噪处理，以得到图像边缘数据，具体包括：
对所述原始超声图像数据的直方图中的每行数据进行求和，得到每行数据的和值；
以所述直方图的行序号作为自变量，以所述每行数据的和值作为因变量，构建离散函数，并确定函数极大值；
基于所述函数极大值设置滤波条带，并将所述滤波条带内的灰度值置零。
7.如权利要求4所述的双维度图像边缘增强方法，其特征在于，将所述原始超声图像数据和图像轮廓数据进行线性叠加，以得到边缘增强的超声图像数据，具体包括：
基于所述图像轮廓数据和图像边缘数据计算加权自变量系数；
利用所述加权自变量系数将所述原始超声图像数据和图像轮廓数据进行线性叠加，得到边缘增强的超声图像数据。
8.一种双维度图像边缘增强系统，其特征在于，所述系统包括：
获取模块，用于获取原始超声图像数据，并分别在第一维度方向和第二维度方向对所述原始超声图像数据进行预处理，以得到中间超声图像数据以及图像边缘数据；
计算模块，用于将所述中间超声图像数据和图像边缘数据进行线性叠加，以得到边缘增强的超声图像数据。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1至7中任一项所述的双维度图像边缘增强方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的双维度图像边缘增强方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211642866.3A CN115984131A (zh) | 2022-12-20 | 2022-12-20 | 双维度图像边缘增强方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211642866.3A CN115984131A (zh) | 2022-12-20 | 2022-12-20 | 双维度图像边缘增强方法及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115984131A true CN115984131A (zh) | 2023-04-18 |
Family
ID=85964190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211642866.3A Pending CN115984131A (zh) | 2022-12-20 | 2022-12-20 | 双维度图像边缘增强方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115984131A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117911417A (zh) * | 2024-03-20 | 2024-04-19 | 天津市凯瑞新材料科技有限公司 | 一种基于光电探测器的纺织布面缺陷检测方法 |
| CN118262106A (zh) * | 2024-03-08 | 2024-06-28 | 南京航空航天大学 | 一种本质特征引导的小样本图像分割增强方法 |
-
2022
- 2022-12-20 CN CN202211642866.3A patent/CN115984131A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118262106A (zh) * | 2024-03-08 | 2024-06-28 | 南京航空航天大学 | 一种本质特征引导的小样本图像分割增强方法 |
| CN117911417A (zh) * | 2024-03-20 | 2024-04-19 | 天津市凯瑞新材料科技有限公司 | 一种基于光电探测器的纺织布面缺陷检测方法 |
| CN117911417B (zh) * | 2024-03-20 | 2024-05-31 | 天津市凯瑞新材料科技有限公司 | 一种基于光电探测器的纺织布面缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115984131A (zh) | 双维度图像边缘增强方法及应用 | |
| EP2380132B1 (en) | Denoising medical images | |
| US8503742B2 (en) | Method for mass candidate detection and segmentation in digital mammograms | |
| KR100646715B1 (ko) | 후처리를 통한 2차원 초음파 영상의 화질 개선 방법 | |
| KR101819028B1 (ko) | 초음파 영상 처리 방법 및 장치 | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| US8275214B2 (en) | Image texture characterization of medical images | |
| Bandyopadhyay | Pre-processing of mammogram images | |
| Chai et al. | Edge detection in ultrasound images using speckle reducing anisotropic diffusion in canny edge detector framework | |
| Osman et al. | The effect of filtering algorithms for breast ultrasound lesions segmentation | |
| CN116503426B (zh) | 基于图像处理的超声图像分割方法 | |
| CN115546136A (zh) | 一种医学图像的图像处理方法、设备及装置 | |
| Bhardwaj et al. | A Novel Method for Despeckling of Ultrasound Images Using Cellular Automata-Based Despeckling Filter | |
| Pham | Kriging-weighted laplacian kernels for grayscale image sharpening | |
| Zhang et al. | An improved BM3D algorithm based on anisotropic diffusion equation | |
| Sahli et al. | Analytic approach for fetal head biometric measurements based on log gabor features | |
| Hu et al. | Cluster driven anisotropic diffusion for speckle reduction in ultrasound images | |
| CN102509273B (zh) | 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法 | |
| US7711164B2 (en) | System and method for automatic segmentation of vessels in breast MR sequences | |
| JP4708740B2 (ja) | 画像処理装置及び画像処理方法 | |
| Paul et al. | MR image enhancement using an extended neighborhood filter | |
| Jose et al. | Comparative study of different image denoising filters for mammogram preprocessing | |
| CN101278316B (zh) | 自动分割乳房mr序列中的脉管的系统和方法 | |
| CN112508823B (zh) | 一种影像降噪方法、装置以及计算机可读存储介质 | |
| Lu et al. | Blind deblurring for dermoscopy images with spatially-varying defocus blur |
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 |