CN116269467A - 一种创伤患者清创术前信息采集系统 - Google Patents
一种创伤患者清创术前信息采集系统 Download PDFInfo
- Publication number
- CN116269467A CN116269467A CN202310566285.4A CN202310566285A CN116269467A CN 116269467 A CN116269467 A CN 116269467A CN 202310566285 A CN202310566285 A CN 202310566285A CN 116269467 A CN116269467 A CN 116269467A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- gray
- pixel points
- low
- 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
- 238000001804 debridement Methods 0.000 title claims abstract description 21
- 230000035772 mutation Effects 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 206010052428 Wound Diseases 0.000 claims abstract description 5
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 5
- 208000014674 injury Diseases 0.000 claims description 16
- 230000008733 trauma Effects 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 12
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 27
- 238000000034 method Methods 0.000 description 14
- 238000002591 computed tomography Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 5
- 238000007917 intracranial administration Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000008736 traumatic injury Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种创伤患者清创术前信息采集系统。首先通过不同的预设半径对扫描图像的频谱图像进行划分,获得低频灰度图像和高频灰度图像。进而根据高频灰度图像和高频增强灰度图像的灰度差异特征获得特征差异性;根据低频增强灰度图像中边缘线上像素点的突变程度和对应的异常区域概率值获得第一特征混乱程度;根据低频增强灰度图像中所有像素点的梯度特征聚类获得第二特征混乱程度。根据第一特征混乱程度和第二特征混乱程度以及对应的特征差异性获得最终的半径优选度,根据半径优选度挑选最佳图像,提高了图像增强质量且保留了边缘细节。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种创伤患者清创术前信息采集系统。
背景技术
在创伤性损伤患者进行清创手术前,通常会进行计算机断层扫描(CT)检查,CT是利用精确准直的X线束、射线和超声波测器一同围绕人体的某一部位做一个接一个的断面扫描,具有扫描时间快的特点。扫描图像是由一定数目由黑到白不同灰度的像素按矩阵排列所构成,由于获取的扫描图像可能较为模糊,需要对图像进行去噪和增强处理。
在对获取的扫描图像进行增强时,可根据对应的频谱图像提取低频信息进行增强,但可能会由于提取不准确导致增强的图像边缘细节信息等丢失,或是在提取过后仍有大量高频噪声,导致增强效果不佳的问题。
发明内容
为了解决上述在获取的扫描图像进行增强时,根据对应的频谱图像提取低频信息时,可能会由于提取不准确导致边缘细节信息等丢失,或仍有大量高频噪声,导致增强效果不佳的技术问题,本发明的目的在于提供一种创伤患者清创术前信息采集系统,所采用的技术方案具体如下:
数据采集模块,用于获取扫描图像的频谱图像,根据所述频谱图像中不同的预设半径,获得不同的高频灰度图像和对应的低频灰度图像;将所述低频灰度图像增强获得低频增强灰度图像,根据所述低频增强灰度图像和所述低频灰度图像的差异特征获得高频增强灰度图像;
数据处理模块,用于根据所述高频灰度图像与所述高频增强灰度图像的灰度差异特征获得特征差异性;根据所述低频增强灰度图像中边缘线上像素点的灰度特征和梯度特征,获得边缘线上像素点的突变程度;根据所述低频灰度图像中像素点的预设参考范围内的梯度差异特征和灰度排列特征,获得像素点的异常区域概率值;
特征分析模块,用于根据所述突变程度和对应的所述异常区域概率值,获得所述低频增强灰度图像的第一特征混乱程度;根据所述低频增强灰度图像中所有像素点的梯度特征进行像素点聚类,根据梯度特征筛选目标聚类簇,根据所述目标聚类簇中像素点的数量特征和距离特征获得所述低频增强灰度图像的第二特征混乱程度;
信息采集模块,用于根据所述第一特征混乱程度和所述第二特征混乱程度获得图像特征混乱程度,根据所述图像特征混乱程度与所述特征差异性获得半径优选度,根据所述半径优选度筛选最佳的预设半径以及采集最佳图像。
进一步地,所述特征差异性的获取步骤包括:
计算所述高频灰度图像与对应的所述高频增强灰度图像,对应像素点的灰度差值绝对值并累加求和,获得所述特征差异性。
进一步地,所述突变程度的获取步骤包括:
获取所述低频增强灰度图像中边缘线上像素点的灰度值出现频次;获取所述低频增强灰度图像中边缘线上像素点的梯度值出现频次;
对于所述低频增强灰度图像中边缘线上任意一个像素点,计算边缘线上像素点与其相邻像素点的灰度差值绝对值的平均值,作为像素点的灰度差异均值;计算边缘线上像素点与相邻像素点的梯度差值绝对值的平均值,作为像素点的梯度差异均值;
计算边缘线上像素点的灰度差异均值与所述灰度值出现频次的比值,获得灰度突变表征值;计算边缘线上像素点的梯度差异均值与所述梯度值出现频次的比值,获得梯度突变表征值;计算所述灰度突变表征值与对应的所述梯度突变表征值的乘积,获得边缘线上任意一个像素点的所述突变程度。
进一步地,所述异常区域概率值的获取步骤包括:
将所述低频灰度图像中像素点的预设参考范围内的像素点作为参考像素点;
对于所述低频灰度图像中任意一个像素点,计算像素点的预设参考范围内,所述参考像素点与预设邻域范围内所有预设邻域像素点的梯度方向差异的平均值,作为所述参考像素点的梯度差异特征值;根据所述参考像素点的所在预设方向上的像素点灰度值的排列特征,获得所述参考像素点的所有预设方向的排列熵的平均值,作为所述参考像素点的排列混乱特征值;
计算像素点的所有参考像素点的所述梯度差异特征值与对应所述排列混乱特征值的乘积,并累加求和,获得所述异常区域概率值。
进一步地,所述第一特征混乱程度的获取步骤包括:
计算所述异常区域概率值与预设极小正数的和值,作为异常区域概率表征值;计算所述低频增强灰度图像中所有边缘线上像素点的突变程度与边缘线上像素点在低频灰度图像中对应位置的像素点的异常区域概率表征值的比值并累加求和,获得所述第一特征混乱程度。
进一步地,所述目标聚类簇的获取步骤包括:
获得所述低频增强灰度图像中所有像素点的梯度值,根据所述低频增强灰度图像中所有像素点的梯度值进行密度聚类,获得不同的簇;计算每个簇中梯度值的平均值,将簇中梯度值的平均值最大的一类簇作为所述目标聚类簇。
进一步地,所述第二特征混乱程度的获取步骤包括:
计算每个所述目标聚类簇中像素点与聚类中心欧氏距离的平均值,获得距离平均值,计算所述距离平均值与对应目标聚类簇中像素点数量的比值,获得离散特征值,计算所有目标聚类簇的所述离散特征值的和值,获得所述第二特征混乱程度。
进一步地,所述图像特征混乱程度的获取步骤包括:
分别将所述第一特征混乱程度和所述第二特征混乱程度进行归一化,计算归一化后的所述第一特征混乱程度与对应归一化后的所述第二特征混乱程度的乘积,获得所述图像特征混乱程度。
进一步地,所述根据所述半径优选度筛选最佳的预设半径以及采集最佳图像的步骤包括:
计算所述图像特征混乱程度与对应所述特征差异性的乘积并负相关映射,获得半径优选度;确定半径优选度最大时对应的预设半径,作为最佳的预设半径,并将最佳的预设半径对应的所述低频增强灰度图像作为最佳图像进行采集。
进一步地,所述高频增强灰度图像的获取步骤包括:
将所述低频增强灰度图像与对应的所述低频灰度图像相减,获得所述高频增强灰度图像。
本发明具有如下有益效果:
在本发明实施例中,计算特征差异性能够表征去噪后的图像中边缘细节的保留程度;因噪点的灰度特征和梯度特征较为异常,故根据低频增强灰度图像中边缘线上像素点的灰度特征和梯度特征获得突变程度,通过突变程度表征噪点的可能性。又因扫描图像中某些异常区域像素点的特征与噪点相似,故需要分析对应像素点的异常区域概率值,避免后续判断噪声情况出现误差;进而通过异常区域概率值和突变程度计算第一特征混乱程度表征去噪效果。又因噪点的梯度值较大,且分布较为离散,故根据该特征对低频增强灰度图像中像素点进行聚类,计算分析第二特征混乱程度。通过第一特征混乱程度和第二特征混乱程度能够准确地分析去噪的效果;故计算图像特征混乱程度表征去噪情况。又因去噪增强过程不仅要保证去噪效果,还需要保证图像的边缘信息,故最终通过图像特征混乱程度和特征差异性计算半径优选度,进而通过半径优选度挑选最佳图像,提高了图像增强质量且保留了边缘细节。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种创伤患者清创术前信息采集系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种创伤患者清创术前信息采集系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种创伤患者清创术前信息采集系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种创伤患者清创术前信息采集系统框图,该系统包括以下模块:
数据采集模块S1,用于获取扫描图像的频谱图像,根据频谱图像中不同的预设半径,获得不同的高频灰度图像和对应的低频灰度图像;将低频灰度图像增强获得低频增强灰度图像,根据低频增强灰度图像和低频灰度图像的差异特征获得高频增强灰度图像。
在本发明实施例中,实施场景为对创伤患者颅内的CT的扫描图像进行去噪和增强。现有方法通过对扫描图像的频谱图像进行分析提取,可获得去噪后的扫描图像,但若提取的信息不够准确,可能导致部分边缘信息丢失或仍存在大量噪声,故需要对去噪和增强效果进行分析,选取最佳的频谱图像分割方法。首先,获取扫描图像的频谱图像,通过CT扫描设备进行扫描获得扫描图像,然后通过傅里叶变换获得扫描图像的频谱图像,需要说明的是,通过傅里叶变换获得图像的频谱图像方法属于现有技术,具体步骤不再赘述。根据频谱图像的特征可知,频谱图像中间区域包含了扫描图像的低频信息;而频谱图像的四周包含了扫描图像的高频信息,高频信息包括了扫描图像的边缘信息以及噪声信息。故可以根据对频谱图像进行划分的方式,分别提取频谱图像中高频信息和低频信息。
进一步地,可根据频谱图像中不同的预设半径,获得不同的高频灰度图像和对应的低频灰度图像,在本发明实施例中,获取频谱图像的最大内切圆半径,预设半径分别为、/>、/>、/>、…、/>,实施者可根据实施场景自行确定不同的预设半径,根据不同的预设半径将频谱图像进行划分,可获得不同的低频区域和不同的高频区域,预设半径以内的区域为低频区域。获得频谱图像的低频区域和高频区域后,可根据傅里叶逆变换算法,获得扫描图像的高频灰度图像和低频灰度图像,需要说明的是,通过傅里叶逆变换算法获得频谱图像的灰度图像方法属于现有技术,具体获取步骤不再赘述。至此,根据频谱图像中不同的预设半径,获得了扫描图像不同的高频灰度图像和对应的低频灰度图像。后续则需要分析不同预设半径对高频信息和低频信息的划分效果。
低频灰度图像表征了图像的大致概貌和轮廓,高频灰度图像表征了图像的边缘信息和噪声信息,因此可将低频灰度图像进行锐化,分析不同预设半径划分的去噪效果,故将低频灰度图像增强获得低频增强灰度图像,根据低频增强灰度图像和低频灰度图像的差异特征获得高频增强灰度图像。在本发明实施例中,使用拉普拉斯算子对低频灰度图像进行图像增强,获得低频增强灰度图像,低频增强灰度图像可将部分边缘细节表征出来,需要说明的是,通过拉普拉斯算子进行图像增强属于现有技术,具体步骤不再赘述,实施者可通过其他图像增强算法例如伽马变换等方法获得低频增强灰度图像。获得低频增强灰度图像后,将低频增强灰度图像与对应的低频灰度图像相减,获得高频增强灰度图像,后续步骤分析高频增强灰度图像与对应的高频灰度图像的特征相似情况。
数据处理模块S2,用于根据高频灰度图像与高频增强灰度图像的灰度差异特征获得特征差异性;根据低频增强灰度图像中边缘线上像素点的灰度特征和梯度特征,获得边缘线上像素点的突变程度;根据低频灰度图像中像素点的预设参考范围内的梯度差异特征和灰度排列特征,获得像素点的异常区域概率值。
当高频增强灰度图像与对应的高频增强图像的特征越相似时,则说明高频增强灰度图像中包含的边缘细节信息与低频灰度图像中丢失的高频信息越接近,进而意味着频谱图像按照该预设半径划分得到的高频灰度图像和低频灰度图像是较为优选的划分,使得在除去扫描图像噪声的同时,尽可能的保留了图像的边缘细节。故根据高频灰度图像与高频增强灰度图像的灰度差异特征获得特征差异性,具体包括:计算高频灰度图像与对应的高频增强灰度图像,对应像素点的灰度差值绝对值并累加求和,获得特征差异性。当两个图像中对应像素点的灰度值越接近时,特征差异性越接近0,则说明包含的高频信息越接近,高频灰度图像与高频增强灰度图像越相似。分析了高频增强灰度图像与对应的高频增强图像的特征相似情况后,还需要对低频灰度图像以及低频增强灰度图像进行分析,从多角度分析预设半径的划分效果。
进一步地,对于低频灰度图像,通过拉普拉斯算子进行增强时,若图中的噪声过多,会导致图中的噪点也进行了增强,故可基于该特征判断预设半径对频谱图像的划分效果。进而根据低频增强灰度图像中边缘线上像素点的灰度特征和梯度特征获得突变程度,具体包括:根据低频增强灰度图像中边缘线上像素点的灰度直方图,获取边缘线上像素点的灰度值出现频次;根据低频增强灰度图像中边缘线上像素点的梯度直方图,获取边缘线上像素点的梯度值出现频次。对于低频增强灰度图像中边缘线上任意一个像素点,计算边缘线上像素点与其相邻像素点的灰度差值绝对值的平均值,作为像素点的灰度差异均值;计算边缘线上像素点与相邻像素点的梯度差值绝对值的平均值,作为像素点的梯度差异均值;计算边缘线上像素点的灰度差异均值与灰度值出现频次的比值,获得灰度突变表征值;计算边缘线上像素点的梯度差异均值与梯度值出现频次的比值,获得梯度突变表征值;计算灰度突变表征值与对应的梯度突变表征值的乘积,获得边缘线上任意一个像素点的突变程度;获取突变程度的具体公式包括:
式中,/>表示低频增强灰度图像中边缘线上第/>个像素点的突变程度,/>表示第/>个像素点与相邻像素点的灰度差值绝对值的平均值,作为灰度差异均值;/>表示第/>个像素点与相邻像素点的梯度差值绝对值的平均值,作为梯度差异均值;/>表示第/>个像素点的灰度值出现频次;/>表示第/>个像素点的梯度值出现频次。
关于突变程度的获取过程,首先需要获取低频增强灰度图像的边缘线,在本发明中通过索贝尔算子进行低频增强灰度图像的边缘检测,需要说明的是,通过索贝尔算子进行边缘检测属于现有技术,具体获取步骤不再赘述,实施者可通过其他算法例如交叉微分算法进行边缘检测。边缘线上像素点的突变程度能够表征该像素点为噪声点的可能性,当该边缘线上像素点与边缘线上相邻的像素点的灰度差异和梯度差异越大,且对应灰度值出现频次和梯度值出现频次越低,意味着该边缘线上像素点越异常,噪点的可能性越大,突变程度越大;当该边缘线上像素点与边缘线上相邻的像素点的灰度差异和梯度差异越小,且对应灰度值出现频次和梯度值出现频次越高,意味着该边缘线上像素点越正常,突变程度越小。至此,通过分析低频增强灰度图像边缘线上像素点的突变程度,分析噪声程度和预设半径的划分效果。当边缘线上像素点的突变程度都较小时,意味着噪声较少,则对应预设半径的划分效果较好。
因为拍摄的扫描图像是创伤患者的颅内,由于颅内信息繁多复杂,若颅内受到创伤,会使得受损区域信息变得更加复杂,在颅内创伤区可能存在大量突变程度较高的像素点,此类像素点的突变程度可能较大。为了防止此类像素点作为噪声像素点而影响后续预设半径划分效果的分析,需要对在颅内创伤区的突变程度较高的像素点进行区分,故根据低频灰度图像中像素点的预设参考范围内的梯度差异特征和灰度排列特征,获得像素点的异常区域概率值,具体包括:将低频灰度图像中像素点的预设参考范围内的像素点作为参考像素点;对于低频灰度图像中任意一个像素点,计算像素点的预设参考范围内,参考像素点与预设邻域范围内所有预设邻域像素点的梯度方向差异的平均值,作为参考像素点的梯度差异特征值;根据参考像素点的所在预设方向上的像素点灰度值的排列特征,获得参考像素点的所有预设方向的排列熵的平均值,作为参考像素点的排列混乱特征值;计算像素点的所有参考像素点的梯度差异特征值与对应排列混乱特征值的乘积,并累加求和,获得异常区域概率值;获取异常区域概率值的具体公式包括:
式中,/>表示低频灰度图像中第/>个像素点的异常区域概率值,/>表示像素点的预设参考范围内参考像素点的数量;/>表示第/>个对应像素点的第/>个参考像素点与预设邻域范围内所有预设邻域像素点的梯度方向差异的平均值,作为梯度差异特征值;/>表示第/>个对应像素点的第/>个参考像素点的所有预设方向的排列熵的平均值,作为排列混乱特征值。
对于异常区域概率值的获取过程,在本发明实施例中,预设参考范围为以像素点为中心,周围范围大小,即参考像素点的数量/>为48;预设邻域范围为参考像素点的八邻域,即参考像素点的预设邻域像素点数量为8;预设方向分别为参考像素点的所在行和所在列,需要说明的是,预设参考范围、预设邻域范围和预设方向可根据实施场景由实施者自行设定。/>为参考像素点与预设邻域像素点梯度方向的角度差值绝对值的平均值,当该差值越大,则意味着像素点的参考像素点与预设邻域像素点的梯度方向越混乱,该像素点的附近区域的纹理越复杂。对于排列熵,能够描述一个序列的复杂程度,能够判定序列中含有的随机噪声,在本发明实施例中,分析参考像素点的所在行和所在列的灰度值序列,计算对应方向的排列熵;需要说明的是,排列熵属于现有技术,具体计算步骤不再赘述,其中排列熵的嵌入维度与时间间隔分别为3和1,预设方向的灰度值序列长度为18,实施者可根据实施场景自行设定。当排列熵越大,意味着像素点的附近区域灰度分布越混乱,因此当像素点的异常区域概率值越大,意味着该对象像素点附近区域的纹理特征越为复杂,该区域特征越异常。
至此,根据低频增强灰度图像边缘线上像素点的突变程度表征噪声情况,根据低频灰度图像中像素点的异常区域概率度分析处于异常区域的可能性,后续需要结合突变程度和异常区域概率度对预设半径的划分效果进行分析。
特征分析模块S3,用于根据突变程度和对应的异常区域概率值,获得低频增强灰度图像的第一特征混乱程度;根据低频增强灰度图像中所有像素点的梯度特征进行像素点聚类,根据梯度特征筛选目标聚类簇,根据目标聚类簇中像素点的数量特征和距离特征获得低频增强灰度图像的第二特征混乱程度。
当低频增强灰度图像中噪声越多,则说明当前划分的低频信息包含的噪点过多,进而意味着该预设半径的划分效果较差,因此可根据步骤S2中获得的异常区域概率值和突变程度分析预设半径的划分效果。故根据异常区域概率值和突变程度,获得低频增强灰度图像的第一特征混乱程度;具体包括:计算异常区域概率值与预设极小正数的和值,作为异常区域概率表征值;计算低频增强灰度图像中所有边缘线上像素点的突变程度与边缘线上像素点在低频灰度图像中对应位置的像素点的异常区域概率表征值的比值并累加求和,获得第一特征混乱程度,获取第一特征混乱程度的具体公式包括:
式中,/>表示第/>个预设半径划分下的低频增强灰度图像的第一特征混乱程度,/>表示所有边缘线上像素点的数量,/>表示不同的边缘线像素点,/>表示低频增强灰度图像中边缘线上第/>个像素点的突变程度;/>表示低频灰度图像中第/>个对应像素点的异常区域概率值,/>和/>一一对应。/>表示预设极小正数,防止分母为零,在本发明实施例中设为1。
关于第一特征混乱程度的获取,当低频增强灰度图像中边缘线上像素点的突变程度越大,且对应的异常区域概率值越小,则意味着该点为噪声的可能性越大;当低频增强灰度图像中边缘线上像素点的突变程度较大,但是对应的异常区域概率值也较大,意味着该点为噪声点的可能性较小,该点处于异常区域的可能性较大;当低频增强灰度图像中边缘线上像素点的突变程度越小,意味着该点为噪声的可能性越小。因此当第一特征混乱程度越大,意味着该低频增强灰度图像中的噪声点越多,造成图像特征越混乱,进而意味着该预设半径下对频谱图像的划分效果越差,噪声去除效果不佳。
进一步地,由于噪点对图像的影响主要为破坏图像原有的纹理信息,主要表征为灰度突变,进而可通过分析灰度突变区域的分布情况分析噪声情况。故根据低频增强灰度图像中所有像素点的梯度特征进行像素点聚类,根据梯度特征筛选目标聚类簇,具体包括:获得低频增强灰度图像中所有像素点的梯度值,根据低频增强灰度图像中所有像素点的梯度值进行密度聚类,获得不同的簇;计算每个簇中梯度值的平均值,将簇中梯度值的平均值最大的一类簇作为目标聚类簇。在本发明实施例中,通过DBSCAN算法,根据像素点的梯度值和图像中的位置进行聚类,获得不同的簇;需要说明的是,DBSCAN算法是一种基于密度聚类的现有技术,能够将相似特征和相近位置的目标聚类为同簇,在本发明实施例中邻域半径EPS设为3,邻域中对象数量阈值MinPts设为5,实施者可根据实施场景自行设定,具体聚类步骤不再赘述。获得不同的簇后,计算每个簇中像素点梯度值的平均值,因梯度值较大的像素点处灰度突变特征明显,为噪点的可能性较大,故选取簇中梯度值的平均值最大的一类簇作为后续分析的目标簇。
获得目标簇后,可根据目标簇中像素点的分布特征分析是否为噪声的情况,因噪点的分布往往是离散的,故可根据目标聚类簇中像素点的数量特征和距离特征获得低频增强灰度图像的第二特征混乱程度;具体包括:计算每个目标聚类簇中像素点与聚类中心欧氏距离的平均值,获得距离平均值,计算距离平均值与对应目标聚类簇中像素点数量的比值,获得离散特征值,计算所有目标聚类簇的离散特征值的和值,获得第二特征混乱程度;获得第二特征混乱程度的公式具体包括:
式中,/>表示第/>个低频增强灰度图像的第二特征混乱程度,/>表示目标聚类簇的数量,/>表示第/>个目标聚类簇中像素点的数量,/>表示不同的像素点,/>表示第/>个像素点到聚类中心的欧氏距离,/>表示第/>个目标聚类簇中像素点与聚类中心欧氏距离的平均值;/>表示离散特征值。
关于第二特征混乱度的获取,当目标聚类簇内的距离平均值越大,则意味着像素点的分布越离散混乱,说明此类像素点为噪声像素点的可能性越大;目标聚类簇中的像素点数量越少,也意味着为噪声像素点的可能性越大。因此可根据距离平均值和像素点数量的比值作为离散特征值,当第二特征混乱程度越大,意味着目标聚类簇中为噪声像素点的可能性越大,图像特征的混乱程度越大,预设半径的划分效果不佳。
至此,获得了不同预设半径划分下的低频增强灰度图像的第一特征混乱程度和第二特征混乱程度。后续可基于第一特征混乱程度和第二特征混乱程度进行预设半径划分效果的比较。
信息采集模块S4,用于根据第一特征混乱程度和第二特征混乱程度获得图像特征混乱程度,根据图像特征混乱程度与特征差异性获得半径优选度,根据半径优选度筛选最佳的预设半径以及采集最佳图像。
每个预设半径对应的低频增强灰度图像计算了第一特征混乱程度和第二特征混乱程度,因此可根据第一特征混乱程度和第二特征混乱程度获得图像特征混乱程度,具体包括:分别将第一特征混乱程度和第二特征混乱程度进行归一化,计算归一化后的第一特征混乱程度与对应归一化后的第二特征混乱程度的乘积,获得图像特征混乱程度。在本发明实施例中通过最大值最小值标准化方法进行归一化,需要说明的是最大值最小值标准化方法属于现有技术,具体步骤不再赘述。当图像特征混乱程度越大,意味着图像中的噪点过多,去噪效果较差,对应的预设半径划分效果较差。
图像特征混乱程度能够表征去噪效果,但预设半径的划分效果不仅需要考虑去噪效果还需要分析是否尽可能保留了扫描图像的边缘细节信息,最好的划分效果需要保证去噪的前提下尽可能保留扫描图像的边缘信息。故根据图像特征混乱程度与特征差异性获得半径优选度,根据半径优选度筛选最佳的预设半径以及采集最佳图像,具体包括:计算图像特征混乱程度与对应特征差异性的乘积并负相关映射,获得半径优选度;确定半径优选度最大时对应的预设半径,作为最佳的预设半径,并将最佳的预设半径对应的低频增强灰度图像作为最佳图像进行采集;其中半径优选度的获取公式具体包括:
式中,/>表示第/>个预设半径的半径优选度,/>表示第/>个预设半径对应的图像特征混乱程度;/>表示第/>个预设半径对应的特征差异性,/>表示以自然常数为底的指数函数,/>目的是进行负相关映射,在本发明其他实施例中,可通过其他例如/>等数学运算方法进行负相关映射。
对于半径优选度的获取,当图像特征混乱程度越小,且特征差异性越小,半径优选度越大;则意味着对应的预设半径对频谱图像的划分效果既去除了大量噪声且保留了边缘细节。因此可比较不同预设半径的半径优选度,挑选半径优选度最大的预设半径对应的低频增强灰度图像作为最佳图像进行采集。提高了图像质量且保留了边缘细节信息。
综上所述,本发明实施例提供了一种创伤患者清创术前信息采集系统,首先通过不同的预设半径对扫描图像的频谱图像进行划分,获得低频灰度图像和高频灰度图像。进而根据高频灰度图像和高频增强灰度图像的灰度差异特征获得特征差异性;根据低频增强灰度图像中边缘线上像素点的突变程度和对应的异常区域概率值获得第一特征混乱程度;根据低频增强灰度图像中所有像素点的梯度特征聚类获得第二特征混乱程度。根据第一特征混乱程度和第二特征混乱程度以及对应的特征差异性获得最终的半径优选度,根据半径优选度挑选最佳图像,提高了图像增强质量且保留了边缘细节。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种创伤患者清创术前信息采集系统,其特征在于,所述系统包括以下模块:
数据采集模块,用于获取扫描图像的频谱图像,根据所述频谱图像中不同的预设半径,获得不同的高频灰度图像和对应的低频灰度图像;将所述低频灰度图像增强获得低频增强灰度图像,根据所述低频增强灰度图像和所述低频灰度图像的差异特征获得高频增强灰度图像;
数据处理模块,用于根据所述高频灰度图像与所述高频增强灰度图像的灰度差异特征获得特征差异性;根据所述低频增强灰度图像中边缘线上像素点的灰度特征和梯度特征,获得边缘线上像素点的突变程度;根据所述低频灰度图像中像素点的预设参考范围内的梯度差异特征和灰度排列特征,获得像素点的异常区域概率值;
特征分析模块,用于根据所述突变程度和对应的所述异常区域概率值,获得所述低频增强灰度图像的第一特征混乱程度;根据所述低频增强灰度图像中所有像素点的梯度特征进行像素点聚类,根据梯度特征筛选目标聚类簇,根据所述目标聚类簇中像素点的数量特征和距离特征获得所述低频增强灰度图像的第二特征混乱程度;
信息采集模块,用于根据所述第一特征混乱程度和所述第二特征混乱程度获得图像特征混乱程度,根据所述图像特征混乱程度与所述特征差异性获得半径优选度,根据所述半径优选度筛选最佳的预设半径以及采集最佳图像。
2.根据权利要求1所述的一种创伤患者清创术前信息采集系统,其特征在于,所述特征差异性的获取步骤包括:
计算所述高频灰度图像与对应的所述高频增强灰度图像,对应像素点的灰度差值绝对值并累加求和,获得所述特征差异性。
3.根据权利要求1所述的一种创伤患者清创术前信息采集系统,其特征在于,所述突变程度的获取步骤包括:
获取所述低频增强灰度图像中边缘线上像素点的灰度值出现频次;获取所述低频增强灰度图像中边缘线上像素点的梯度值出现频次;
对于所述低频增强灰度图像中边缘线上任意一个像素点,计算边缘线上像素点与其相邻像素点的灰度差值绝对值的平均值,作为像素点的灰度差异均值;计算边缘线上像素点与相邻像素点的梯度差值绝对值的平均值,作为像素点的梯度差异均值;
计算边缘线上像素点的灰度差异均值与所述灰度值出现频次的比值,获得灰度突变表征值;计算边缘线上像素点的梯度差异均值与所述梯度值出现频次的比值,获得梯度突变表征值;计算所述灰度突变表征值与对应的所述梯度突变表征值的乘积,获得边缘线上任意一个像素点的所述突变程度。
4.根据权利要求1所述的一种创伤患者清创术前信息采集系统,其特征在于,所述异常区域概率值的获取步骤包括:
将所述低频灰度图像中像素点的预设参考范围内的像素点作为参考像素点;
对于所述低频灰度图像中任意一个像素点,计算像素点的预设参考范围内,所述参考像素点与预设邻域范围内所有预设邻域像素点的梯度方向差异的平均值,作为所述参考像素点的梯度差异特征值;根据所述参考像素点的所在预设方向上的像素点灰度值的排列特征,获得所述参考像素点的所有预设方向的排列熵的平均值,作为所述参考像素点的排列混乱特征值;
计算像素点的所有参考像素点的所述梯度差异特征值与对应所述排列混乱特征值的乘积,并累加求和,获得所述异常区域概率值。
5.根据权利要求1所述的一种创伤患者清创术前信息采集系统,其特征在于,所述第一特征混乱程度的获取步骤包括:
计算所述异常区域概率值与预设极小正数的和值,作为异常区域概率表征值;计算所述低频增强灰度图像中所有边缘线上像素点的突变程度与边缘线上像素点在低频灰度图像中对应位置的像素点的异常区域概率表征值的比值并累加求和,获得所述第一特征混乱程度。
6.根据权利要求1所述的一种创伤患者清创术前信息采集系统,其特征在于,所述目标聚类簇的获取步骤包括:
获得所述低频增强灰度图像中所有像素点的梯度值,根据所述低频增强灰度图像中所有像素点的梯度值进行密度聚类,获得不同的簇;计算每个簇中梯度值的平均值,将簇中梯度值的平均值最大的一类簇作为所述目标聚类簇。
7.根据权利要求1所述的一种创伤患者清创术前信息采集系统,其特征在于,所述第二特征混乱程度的获取步骤包括:
计算每个所述目标聚类簇中像素点与聚类中心欧氏距离的平均值,获得距离平均值,计算所述距离平均值与对应目标聚类簇中像素点数量的比值,获得离散特征值,计算所有目标聚类簇的所述离散特征值的和值,获得所述第二特征混乱程度。
8.根据权利要求1所述的一种创伤患者清创术前信息采集系统,其特征在于,所述图像特征混乱程度的获取步骤包括:
分别将所述第一特征混乱程度和所述第二特征混乱程度进行归一化,计算归一化后的所述第一特征混乱程度与对应归一化后的所述第二特征混乱程度的乘积,获得所述图像特征混乱程度。
9.根据权利要求1所述的一种创伤患者清创术前信息采集系统,其特征在于,所述根据所述半径优选度筛选最佳的预设半径以及采集最佳图像的步骤包括:
计算所述图像特征混乱程度与对应所述特征差异性的乘积并负相关映射,获得半径优选度;确定半径优选度最大时对应的预设半径,作为最佳的预设半径,并将最佳的预设半径对应的所述低频增强灰度图像作为最佳图像进行采集。
10.根据权利要求1所述的一种创伤患者清创术前信息采集系统,其特征在于,所述高频增强灰度图像的获取步骤包括:
将所述低频增强灰度图像与对应的所述低频灰度图像相减,获得所述高频增强灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566285.4A CN116269467B (zh) | 2023-05-19 | 2023-05-19 | 一种创伤患者清创术前信息采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566285.4A CN116269467B (zh) | 2023-05-19 | 2023-05-19 | 一种创伤患者清创术前信息采集系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116269467A true CN116269467A (zh) | 2023-06-23 |
CN116269467B CN116269467B (zh) | 2023-07-28 |
Family
ID=86789192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310566285.4A Active CN116269467B (zh) | 2023-05-19 | 2023-05-19 | 一种创伤患者清创术前信息采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116269467B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542883A (zh) * | 2023-07-07 | 2023-08-04 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116579954A (zh) * | 2023-07-12 | 2023-08-11 | 南京晨新医疗科技有限公司 | 一种超高清内窥镜图像智能增强方法 |
CN116757972A (zh) * | 2023-08-23 | 2023-09-15 | 山东鑫成源服装有限公司 | 一种抗光影噪声影响的织物缺陷检测方法 |
CN116883293A (zh) * | 2023-09-08 | 2023-10-13 | 青岛云智霄凡科技有限公司 | 一种用于神经麻醉穿刺的图像增强处理方法 |
CN117218029A (zh) * | 2023-09-25 | 2023-12-12 | 南京邮电大学 | 基于神经网络的夜间暗光图像智能处理方法 |
CN117522719A (zh) * | 2024-01-05 | 2024-02-06 | 自贡市第一人民医院 | 基于机器学习的支气管镜图像辅助优化系统 |
CN117874652A (zh) * | 2024-03-11 | 2024-04-12 | 广州市原子高科同位素医药有限公司 | 一种扫描仪故障检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0199387A (ja) * | 1987-10-12 | 1989-04-18 | Sharp Corp | 画像信号の帯域圧縮・伸張装置 |
EP1237361A2 (de) * | 2001-03-01 | 2002-09-04 | Philips Corporate Intellectual Property GmbH | Einrichtung zur Rauschreduktion in Bildsignalen |
CN103268481A (zh) * | 2013-05-29 | 2013-08-28 | 焦点科技股份有限公司 | 一种复杂背景图像中的文本提取方法 |
CN111145144A (zh) * | 2019-12-06 | 2020-05-12 | 西安理工大学 | 一种珩磨缸套表面粗糙度的评估方法 |
CN115689963A (zh) * | 2022-11-21 | 2023-02-03 | 荣耀终端有限公司 | 一种图像处理方法及电子设备 |
-
2023
- 2023-05-19 CN CN202310566285.4A patent/CN116269467B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0199387A (ja) * | 1987-10-12 | 1989-04-18 | Sharp Corp | 画像信号の帯域圧縮・伸張装置 |
EP1237361A2 (de) * | 2001-03-01 | 2002-09-04 | Philips Corporate Intellectual Property GmbH | Einrichtung zur Rauschreduktion in Bildsignalen |
DE10109968A1 (de) * | 2001-03-01 | 2002-09-12 | Philips Corp Intellectual Pty | Einrichtung zur Rauschreduktion in Bildsignalen |
CN103268481A (zh) * | 2013-05-29 | 2013-08-28 | 焦点科技股份有限公司 | 一种复杂背景图像中的文本提取方法 |
CN111145144A (zh) * | 2019-12-06 | 2020-05-12 | 西安理工大学 | 一种珩磨缸套表面粗糙度的评估方法 |
CN115689963A (zh) * | 2022-11-21 | 2023-02-03 | 荣耀终端有限公司 | 一种图像处理方法及电子设备 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542883A (zh) * | 2023-07-07 | 2023-08-04 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116542883B (zh) * | 2023-07-07 | 2023-09-05 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116579954A (zh) * | 2023-07-12 | 2023-08-11 | 南京晨新医疗科技有限公司 | 一种超高清内窥镜图像智能增强方法 |
CN116579954B (zh) * | 2023-07-12 | 2023-09-05 | 南京晨新医疗科技有限公司 | 一种超高清内窥镜图像智能增强方法 |
CN116757972B (zh) * | 2023-08-23 | 2023-10-24 | 山东鑫成源服装有限公司 | 一种抗光影噪声影响的织物缺陷检测方法 |
CN116757972A (zh) * | 2023-08-23 | 2023-09-15 | 山东鑫成源服装有限公司 | 一种抗光影噪声影响的织物缺陷检测方法 |
CN116883293A (zh) * | 2023-09-08 | 2023-10-13 | 青岛云智霄凡科技有限公司 | 一种用于神经麻醉穿刺的图像增强处理方法 |
CN116883293B (zh) * | 2023-09-08 | 2023-11-17 | 青岛云智霄凡科技有限公司 | 一种用于神经麻醉穿刺的图像增强处理方法 |
CN117218029A (zh) * | 2023-09-25 | 2023-12-12 | 南京邮电大学 | 基于神经网络的夜间暗光图像智能处理方法 |
CN117218029B (zh) * | 2023-09-25 | 2024-03-01 | 南京邮电大学 | 基于神经网络的夜间暗光图像智能处理方法 |
CN117522719A (zh) * | 2024-01-05 | 2024-02-06 | 自贡市第一人民医院 | 基于机器学习的支气管镜图像辅助优化系统 |
CN117522719B (zh) * | 2024-01-05 | 2024-03-22 | 自贡市第一人民医院 | 基于机器学习的支气管镜图像辅助优化系统 |
CN117874652A (zh) * | 2024-03-11 | 2024-04-12 | 广州市原子高科同位素医药有限公司 | 一种扫描仪故障检测方法及系统 |
CN117874652B (zh) * | 2024-03-11 | 2024-06-11 | 广州市原子高科同位素医药有限公司 | 一种扫描仪故障检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116269467B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116269467B (zh) | 一种创伤患者清创术前信息采集系统 | |
CN107067402B (zh) | 医疗图像处理装置及其乳房图像处理方法 | |
CN109190690B (zh) | 基于机器学习的swi图像的脑微出血点检测识别方法 | |
Sreedevi et al. | A novel approach for removal of pectoral muscles in digital mammogram | |
CN114648530A (zh) | 一种ct图像处理方法 | |
JP2004032684A (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
CN117649357B (zh) | 一种基于图像增强的超声图像处理方法 | |
Rizzi et al. | Computer aided detection of microcalcifications in digital mammograms adopting a wavelet decomposition | |
CN116993628B (zh) | 一种用于肿瘤射频消融引导的ct图像增强系统 | |
Babu et al. | A survey on methods for brain tumor detection | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN112801031A (zh) | 静脉图像识别方法、装置、电子设备及可读存储介质 | |
Faisal et al. | An improved image denoising and segmentation approach for detecting tumor from 2-d mri brain images | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
Yılmaz et al. | Follicle detection for polycystic ovary syndrome by using image processing methods | |
Manikandan et al. | A cluster based segmentation of magnetic resonance images for brain tumor detection | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
Subashini et al. | Pectoral muscle removal and detection of masses in digital mammogram using CCL | |
Rizzi et al. | A fully automatic system for detection of breast microcalcification clusters | |
Kathale et al. | A review on methods utilized for classification of mammographic image | |
Htay et al. | Analysis on Results Comparison of Feature Extraction Methods for Breast Cancer Classification | |
CN111275719A (zh) | 钙化假阳识别及其模型训练的方法、装置、终端及介质 | |
CN118314393A (zh) | 一种糖尿病肾脏影像智慧分类方法 | |
Hadzieva et al. | Is the fractal dimension of the contour-lines a reliable tool for classification of medical images? | |
CN117408988B (zh) | 基于人工智能的病灶图像分析方法及装置 |
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 |