CN116416166B - 一种肝活检数据分析方法及系统 - Google Patents
一种肝活检数据分析方法及系统 Download PDFInfo
- Publication number
- CN116416166B CN116416166B CN202310689208.8A CN202310689208A CN116416166B CN 116416166 B CN116416166 B CN 116416166B CN 202310689208 A CN202310689208 A CN 202310689208A CN 116416166 B CN116416166 B CN 116416166B
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- subarea
- subinterval
- gray scale
- 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
- 238000012317 liver biopsy Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims description 40
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 210000001519 tissue Anatomy 0.000 description 19
- 210000004027 cell Anatomy 0.000 description 11
- 238000010008 shearing Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 7
- 210000004185 liver Anatomy 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 210000005228 liver tissue Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000005229 liver cell Anatomy 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- 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
Abstract
本发明涉及图像处理技术领域,具体涉及一种肝活检数据分析方法及系统。方法包括:获取肝活检的灰度图像,根据灰度图像中各子区域对应的初始灰度直方图的灰度分布,确定对应的第一灰度值和第二灰度值,进而获得各子区域对应的各灰度区间;根据各子区域中各像素点对应的窗口内像素点所对应的灰度区间的类别,得到各像素点对应的边缘概率;根据各子区域中各像素点的灰度值对应的灰度区间的长度占比和边缘概率,得到各灰度区间的自适应限制参数;基于自适应限制参数确定初始灰度直方图中各灰度级对应的目标高度,进而获得目标图像。本发明提高了肝活检图像的增强效果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种肝活检数据分析方法及系统。
背景技术
在肝脏知识的教学中,为了帮助学员更好地了解和掌握相关的知识,一般将采集到的肝活检显微图像通过显示屏等设备展示给学员,让学员更加直观地了解组织之间的联系,由于组织染色情况和显微成像条件较为复杂,获得的肝活检显微图像存在成像模糊、组织细胞结构不清晰的情况,进而影响学员的学习效率,因此通常情况下需要对采集到的肝活检显微图像进行增强处理,肝活检显微图像增强常用的技术为对比受限的自适应灰度直方图均衡化方法,该方法设置的剪切阈值和剪切像素点分配问题会对图像增强结果产生很大的影响,往往会存在图像细节失真或过度增强的问题。
发明内容
为了解决现有方法在对肝活检显微图像进行增强处理时会存在图像细节失真或过度增强的问题,本发明的目的在于提供一种肝活检数据分析方法及系统,所采用的技术方案具体如下:
第一方面,本发明提供了一种肝活检数据分析方法,该方法包括以下步骤:
获取肝活检的灰度图像;对所述灰度图像进行划分获得各子区域,获取各子区域对应的初始灰度直方图;
根据各子区域对应的初始灰度直方图的灰度分布,确定各子区域对应的第一灰度值和第二灰度值,基于所述第一灰度值和第二灰度值获得各子区域对应的各灰度区间;以各子区域中的各像素点为中心点,构建各像素点对应的窗口;根据各子区域中各像素点对应的窗口内像素点所对应的灰度区间的类别,得到各子区域中各像素点对应的边缘概率;
根据各子区域中各像素点的灰度值对应的灰度区间的长度占比和所述边缘概率,得到各子区域对应的各灰度区间的自适应限制参数;基于所述自适应限制参数和各子区域对应的初始灰度直方图中各灰度级对应的高度,确定各子区域对应的初始灰度直方图中各灰度级对应的目标高度;
基于所述目标高度对各子区域对应的初始灰度直方图进行直方图均衡化处理,获得目标图像。
优选的,所述根据各子区域对应的初始灰度直方图的灰度分布,确定各子区域对应的第一灰度值和第二灰度值,包括:
对于任一子区域对应的初始灰度直方图:
获取初始灰度直方图对应的最小灰度级、最大灰度级以及最大峰值对应的灰度级;
将该子区域中所述最小灰度级对应的像素点、所述最大灰度级对应的像素点以及最大峰值对应的灰度级对应的像素点作为初始聚类中心,对该子区域内的像素点进行聚类获得不少于三个连通域;
将该子区域中各连通域中所有像素点的灰度均值作为对应连通域的灰度均值,对所有灰度均值进行聚类获得三个子区间;基于每个子区间的端点值,确定该子区域对应的第一灰度值和第二灰度值;
所述根据各子区域中各像素点对应的窗口内像素点所对应的灰度区间的类别,得到各子区域中各像素点对应的边缘概率,包括:
对于任一子区域中的任一像素点:
将该像素点所对应的灰度区间记为目标区间,将除目标区间外其它的灰度区间记为特征区间;统计该像素点对应的窗口内像素点所对应的特征区间的种类数;统计该像素点对应的窗口内特征区间的像素点的总个数;将该像素点对应的窗口内除该像素点外其它像素点的数量记为第一数量;
计算所述种类数与所述总个数的乘积,计算所述乘积与所述第一数量的比值,对所述比值进行归一化处理,将归一化结果确定为该像素点对应的边缘概率;
根据各子区域中各像素点的灰度值对应的灰度区间的长度占比和所述边缘概率,得到各子区域对应的各灰度区间的自适应限制参数,包括:
对于任一子区域:
将该子区域中像素点的最大灰度值与最小灰度值的差值记为目标差值;
将该子区域对应的第一灰度区间中所有像素点对应的边缘概率的均值记为第一均值;将该子区域对应的第一灰度区间的右端点值与该子区域中像素点的最小灰度值的差值记为第一差值;将所述第一差值与所述目标差值的比值记为第一长度占比,将所述第一长度占比与所述第一均值的乘积确定为该子区域对应的第一灰度区间的自适应限制参数;
令该子区域对应的第二灰度区间的自适应限制参数为0;
将该子区域对应的第三灰度区间中所有像素点对应的边缘概率的均值记为第二均值;将该子区域中像素点的最大灰度值与该子区域对应的第三灰度区间的左端点值的差值记为第二差值;将所述第二差值与所述目标差值的比值记为第二长度占比,将所述第二长度占比与所述第二均值的乘积确定为该子区域对应的第三灰度区间的自适应限制参数;
所述基于所述自适应限制参数和各子区域对应的初始灰度直方图中各灰度级对应的高度,确定各子区域对应的初始灰度直方图中各灰度级对应的目标高度,包括:
对于任一子区域:
将该子区域对应的各灰度区间的自适应限制参数与预设数值的和值记为各灰度区间的第一指标,将该子区域对应的初始灰度直方图中各灰度级对应的高度与对应的灰度区间的第一指标的乘积,确定为该子区域对应的初始灰度直方图中各灰度级对应的目标高度。
优选的,基于每个子区间的端点值,确定该子区域对应的第一灰度值和第二灰度值,包括:
将该子区域对应的初始灰度直方图对应的三个子区间中左端点值最小的子区间记为第一子区间,将该子区域对应的初始灰度直方图对应的三个子区间中右端点值最大的子区间记为第三子区间,将该子区域对应的初始灰度直方图对应的三个子区间中除第一子区间、第三子区间外的子区间记为第二子区间;
若相邻两个子区间不存在重叠灰度值或不存在间隔,则将第一子区间的右端点值确定为该子区域对应的第一灰度值,将第三子区间的左端点值确定为该子区域对应的第二灰度值;
若第一子区间和第二子区间存在重叠灰度值,则将第一子区间和第二子区间的重叠灰度值记为第一重叠值,将最小的第一重叠值确定为该子区域对应的第一灰度值;若第二子区间和第三子区间存在重叠灰度值,则将第二子区间和第三子区间的重叠灰度值记为第二重叠值,将最大的第二重叠值确定为该子区域对应的第二灰度值;
若第一子区间和第二子区间存在间隔,则将第一子区间的右端点值确定为该子区域对应的第一灰度值;若第二子区间和第三子区间存在间隔,则将第三子区间的左端点值确定为该子区域对应的第二灰度值;
所述第一灰度值小于所述第二灰度值。
优选的,基于所述第一灰度值和第二灰度值获得各子区域对应的各灰度区间,包括:
基于该子区域中像素点的最小灰度值和该子区域对应的第一灰度值确定该子区域对应的第一灰度区间;
基于该子区域对应的第一灰度值和该子区域对应的第二灰度值确定该子区域对应的第二灰度区间;
基于该子区域对应的第二灰度值与该子区域中像素点的最大灰度值确定该子区域对应的第三灰度区间。
第二方面,本发明提供了一种肝活检数据分析系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述所述的一种肝活检数据分析方法。
本发明至少具有如下有益效果:
本发明首先获取了肝活检的灰度图像,考虑到由于组织染色情况和显微成像条件较为复杂,获得的肝活检的灰度图像存在成像模糊、组织细胞结构不清晰的情况,因此需要对其进行图像增强,考虑到现有的对比受限的自适应灰度直方图均衡化方法往往会存在图像细节失真或过度增强的问题,本发明获取了肝活检的灰度图像中每个子区域对应的初始灰度直方图,确定了每个子区域对应的各灰度区间,结合肝活检的灰度图像中每个子区域中各像素点对应的窗口内像素点的灰度分布情况,得到了每个像素点对应的边缘概率,并由此确定了自适应限制参数,基于自适应限制参数对初始直方图进行直方图均衡化处理,获得了目标图像,本发明考虑了灰度分布对对比度限制自适应直方图均衡化中超出剪切阈值部分分配方式的影响,实现了灰度直方图区间自适应填充,提高了剪切阈值限制对比度的灵活性,有效避免了图像过度增强和图像失真等问题,提高了肝活检图像的增强效果。
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为本发明实施例所提供的一种肝活检数据分析方法的流程图。
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肝活检智能分析方法及系统进行详细说明如下。
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肝活检数据分析方法及系统的具体方案。
一种肝活检数据分析方法实施例:
本实施例所针对的具体场景为:在肝脏知识的教学中,首先采集肝活检显微图像,由于纤维组织和肝细胞的正常结构和排列不明显,因此会影响学员的学习效率,常规的利用限制对比度的自适应直方图均衡化对采集到的图像进行增强处理时,存在局部过度增强或细节失真的问题,导致肝活检图像的增强效果不佳。本实施例将结合肝活检的灰度图像中每个子区域对应的灰度直方图的灰度分布情况,确定每个子区域对应的多个灰度区间,然后根据肝活检的灰度图像中每个像素点所对应的灰度区间的类别,确定每个像素点对应的边缘概率,进而结合每个子区域中每个像素点的灰度值对应的灰度区间的长度占比,自适应地获得每个子区域对应的每个灰度区间的自适应限制参数,确定对应的目标高度,进而实现对肝活检的灰度图像的增强处理,获得目标图像,用于后续向学员展示,便于学员更清楚地了解、学习肝脏组织的具体分布情况。
本实施例提出了一种肝活检数据分析方法,如图1所示,本实施例的一种肝活检数据分析方法包括以下步骤:
步骤S1,获取肝活检的灰度图像;对所述灰度图像进行划分获得各子区域,获取各子区域对应的初始灰度直方图。
本实施例首先通过肝脏穿刺或手术取出肝脏组织样本,对提取出的肝脏组织样本进行标本固定、标本切片、常规染色、显微镜成像等多个处理步骤,使用含有彩色CCD相机的显微镜电子装置对处理后的肝脏组织样本进行图像采集,获得肝活检显微图像,肝活检显微图像为RGB图像,对采集到的肝活检显微图像进行灰度化处理,将灰度化处理后的图像记为肝活检的灰度图像。图像灰度化处理为现有技术,此处不再过多赘述。
由于组织染色情况和显微成像条件较为复杂,因此获得的肝活检的灰度图像存在成像模糊、组织细胞结构不清晰的情况,影响学员对各个组织细胞的分布情况地了解,因此需要对其进行图像增强。对比度限制的自适应直方图均衡化能有效地增强图像的细节和对比度,同时避免出现过度增强的情况,但剪切阈值的选择往往影响很大,而且超出限制的部分被平均的分配给其他直方图区间,图像的各灰度级被同时扩展,各部分细胞组织结构的增强区分效果不明显。因此,需要根据局部区域灰度分布特点,区分灰度区间,获取每个像素点对应的边缘概率,计算自适应限制参数,从而使得对比度限制自适应直方图均衡化的截断阈值实现更准确的自适应变化,并对灰度直方图区间进行自适应填充,精准限制图像对比度增强的程度与范围,实现各细胞组织区域的精准增强。
本实施例首先对肝活检的灰度图像进行均匀分块,将肝活检的灰度图像划分为大小相等的多个子区域,本实施例中将肝活检的灰度图像划分为了64个大小相等的子区域,在具体应用中,实施者可根据具体情况对肝活检的灰度图像进行划分,子区域的数量可根据样本组织类型、显微镜倍数进行设置。
获取肝活检的灰度图像中每个子区域中各像素点的灰度值,根据每个子区域中所有像素点的灰度值,构建每个子区域对应的灰度直方图,将此时获得的灰度直方图记为初始灰度直方图。
至此,获取了肝活检的灰度图像中每个子区域对应的初始灰度直方图。
步骤S2,根据各子区域对应的初始灰度直方图的灰度分布,确定各子区域对应的第一灰度值和第二灰度值,基于所述第一灰度值和第二灰度值获得各子区域对应的各灰度区间;以各子区域中的各像素点为中心点,构建各像素点对应的窗口;根据各子区域中各像素点对应的窗口内像素点所对应的灰度区间的类别,得到各子区域中各像素点对应的边缘概率。
对比度限制的自适应直方图均衡化能有效地增强图像的细节和对比度,同时避免出现过度增强的情况,但剪切阈值的选择往往影响很大,而且超出限制的部分被平均的分配给其他直方图区间,图像的各灰度级被同时扩展,各部分细胞组织结构的增强区分效果不明显。因此,需要根据局部区域灰度分布特点,区分灰度区间,获取每个子区域内像素点对应的边缘概率,计算自适应限制参数,从而使得对比度限制自适应直方图均衡化的截断阈值实现更准确的自适应变化,精准限制图像对比度增强的程度与范围,实现各细胞组织区域的精准增强。
考虑到肝活检的灰度图像中的像素点大致可以分为三种类型,三种类型对应初始灰度直方图上三个从左到右连续排列的区间,第一区间为细胞核及其他颜色较深的细胞组织,第二区间为肝板及其肝细胞,第三区间为肝窦及中央静脉等部分颜色较亮的细胞组织,本实施例接下来将确定第一灰度值和第二灰度值,其中第一灰度值小于第二灰度值,然后将三个区间的分割点设置为第一灰度值和第二灰度值,进而将每个子区域中像素点的灰度值划分为三个灰度区间。
对于任一子区域对应的初始灰度直方图:
获取初始灰度直方图对应的最小灰度级、最大灰度级以及最大峰值对应的灰度级;将该子区域中所述最小灰度级对应的像素点、所述最大灰度级对应的像素点以及最大峰值对应的灰度级对应的像素点作为初始聚类中心,也即获得了多个初始聚类中心,本实施例采用k-means聚类算法对该子区域内的所有像素点进行聚类,获得不少于三个聚类簇,每个聚类簇中所有的像素点构成一个连通域,也即获得了多个连通域;将该子区域中各连通域中所有像素点的灰度均值作为对应连通域的灰度均值,再次采用k-means聚类算法对所有灰度均值进行聚类,本次聚类时k的值为3,以灰度均值作为聚类结果归属的特征值,也即基于该子区域中所有连通域对应的灰度均值将所有的子区域划分为了三个聚类簇,分别获取此时获得的每个聚类簇中各像素点的灰度值,基于每个聚类簇中像素点的最小灰度值和最大灰度值获得每个聚类簇对应的灰度区间。将此时获取的每个灰度区间记为一个子区间,因此获得了该子区域对应的初始灰度直方图对应的三个子区间;例如:若某一聚类簇中像素点的最小灰度值为10,最大灰度值为22,则该聚类簇对应的子区间为[10,22]。将该子区域对应的初始灰度直方图对应的三个子区间中左端点值最小的子区间记为第一子区间,将该子区域对应的初始灰度直方图对应的三个子区间中右端点值最大的子区间记为第三子区间,将该子区域对应的初始灰度直方图对应的三个子区间中除第一子区间、第三子区间外的子区间记为第二子区间;若相邻两个子区间不存在重叠灰度值或不存在间隔,则将第一子区间的右端点值确定为该子区域对应的第一灰度值,将第三子区间的左端点值确定为该子区域对应的第二灰度值;例如:该子区域对应的初始灰度直方图对应的第一子区间为[10,22],第二子区间为(22,136),第三子区间为[136,220],则该子区域对应的第一灰度值为22,该子区域对应的第二灰度值为136。若第一子区间和第二子区间存在重叠灰度值,则将第一子区间和第二子区间的重叠灰度值记为第一重叠值,将最小的第一重叠值确定为该子区域对应的第一灰度值;例如:该子区域对应的初始灰度直方图对应的第一子区间为[10,28),第二子区间为[22,136),则该子区域对应的第一灰度值为22。若第二子区间和第三子区间存在重叠灰度值,则将第二子区间和第三子区间的重叠灰度值记为第二重叠值,将最大的第二重叠值确定为该子区域对应的第二灰度值;例如:该子区域对应的初始灰度直方图对应的第二子区间为[22,136),第三子区间为[124,220],则该子区域对应的第二灰度值为136。若第一子区间和第二子区间存在间隔,则将第一子区间的右端点值确定为该子区域对应的第一灰度值;例如:该子区域对应的初始灰度直方图对应的第一子区间为[10,22],第二子区间为(25,136),则该子区域对应的第一灰度值为22。若第二子区间和第三子区间存在间隔,则将第三子区间的左端点值确定为该子区域对应的第二灰度值;例如:该子区域对应的初始灰度直方图对应的第二子区间为[22,108),第三子区间为[124,220],则该子区域对应的第二灰度值为124。所述第一灰度值小于所述第二灰度值。
本实施例获得了该子区域对应的第一灰度值和第二灰度值,第一灰度值小于第二灰度值,基于该子区域中像素点的最小灰度值和该子区域对应的第一灰度值确定该子区域对应的第一灰度区间;基于该子区域对应的第一灰度值和该子区域对应的第二灰度值确定该子区域对应的第二灰度区间;基于该子区域对应的第二灰度值与该子区域中像素点的最大灰度值确定该子区域对应的第三灰度区间。具体的,将该子区域中像素点的最小灰度值和该子区域对应的第一灰度值之间的所有灰度值构成的区间作为该子区域对应的第一灰度区间,将该子区域对应的第一灰度值和该子区域对应的第二灰度值之间的灰度值中除第一灰度值外其他所有灰度值构成的区间作为该子区域对应的第二灰度区间,将该子区域对应的第二灰度值和该子区域中像素点的最大灰度值之间的灰度值中除第二灰度值外其他所有灰度值构成的区间作为该子区域对应的第三灰度区间。若该子区域中像素点的最小灰度值为,该子区域中像素点的最大灰度值为/>,该子区域对应的第一灰度值为,该子区域对应的第二灰度值为/>,则该子区域对应的第一灰度区间为/>,该子区域对应的第二灰度区间为/>,该子区域对应的第三灰度区间为/>。至此,获得了该子区域对应的三个灰度区间。
采用上述方法,能够获得肝活检的灰度图像中每个子区域对应的第一灰度区间、第二灰度区间和第三灰度区间。
本实施例将对肝活检的灰度图像中不同区域进行不同程度的增强,为了保证图像的增强效果,在进行图像增强时,类间差异度级应当进行增强,类内差异度应当尽量减少改变,因此,本实施例将根据肝活检的灰度图像中像素点邻域灰度变化,确定肝活检的灰度图像中每个像素点对应的边缘概率,利用像素点对应的边缘概率对像素点进行加权,便于后续的自适应增强处理。
对于任一子区域中的任一像素点:以该像素点为中心点,构建预设大小的窗口,作为该像素点对应的窗口;本实施例中的预设大小为,在具体应用中,实施者可根据具体情况设置窗口的大小,例如可以为/>。将该像素点所对应的灰度区间记为目标区间,将除目标区间外其它的灰度区间记为特征区间;统计该像素点对应的窗口内像素点所对应的特征区间的种类数;统计该像素点对应的窗口内特征区间的像素点的总个数;将该像素点对应的窗口内除该像素点外其它像素点的数量记为第一数量;计算所述种类数与所述总个数的乘积,计算所述乘积与所述第一数量的比值,对所述比值进行归一化处理,将归一化结果确定为该像素点对应的边缘概率。第i个像素点对应的边缘概率的具体计算公式为:
其中,为第i个像素点对应的边缘概率,/>为第i个像素点对应的窗口内特征区间的种类数,/>为第i个像素点对应的窗口内第k种特征区间内像素点的数量,/>为第i个像素点对应的窗口内像素点的数量,/>为第i个像素点对应的窗口内除该像素点外其它像素点的数量,/>为归一化函数。
表示第i个像素点对应的窗口内特征区间的像素点的总个数,也即第i个像素点对应的窗口内与第i个像素点对应的灰度区间不同的像素点的总数量,该总数量越大,说明第i个像素点越接近不同类型区域的边界。当第i个像素点对应的窗口内特征区间的种类数越多、第i个像素点对应的窗口内特征区间的像素点的总个数越多时,说明第i个像素点越可能为边缘像素点,即第i个像素点对应的边缘概率越大;当第i个像素点对应的窗口内特征区间的种类数越少、第i个像素点对应的窗口内特征区间的像素点的总个数越少时,说明第i个像素点越不可能为边缘像素点,即第i个像素点对应的边缘概率越小。
采用上述方法,获得肝活检的灰度图像中每个子区域中每个像素点对应的边缘概率。
步骤S3,根据各子区域中各像素点的灰度值对应的灰度区间的长度占比和所述边缘概率,得到各子区域对应的各灰度区间的自适应限制参数;基于所述自适应限制参数和各子区域对应的初始灰度直方图中各灰度级对应的高度,确定各子区域对应的初始灰度直方图中各灰度级对应的目标高度。
由于对比度限制的自适应直方图均衡化通过剪切阈值进行增强后的图像对比度控制,因此本实施例将根据每个像素点对应的边缘概率对像素点进行加权,确定每个子区域对应的各灰度区间的自适应限制参数,根据自适应限制参数对剪切阈值进行自适应调整,使得细节信息得到更大程度的保留,避免局部过度增强和块状伪影,并根据获得的第一灰度值和第二灰度值进行特定区间填充,获得修正后的灰度直方图。
对于任一子区域:
将该子区域中像素点的最大灰度值与最小灰度值的差值记为目标差值;将该子区域对应的第一灰度区间中所有像素点对应的边缘概率的均值记为第一均值;将该子区域对应的第一灰度区间的右端点值与该子区域中像素点的最小灰度值的差值记为第一差值;将所述第一差值与所述目标差值的比值记为第一长度占比,将所述第一长度占比与所述第一均值的乘积确定为该子区域对应的第一灰度区间的自适应限制参数;令该子区域对应的第二灰度区间的自适应限制参数为0;将该子区域对应的第三灰度区间中所有像素点对应的边缘概率的均值记为第二均值;将该子区域中像素点的最大灰度值与该子区域对应的第三灰度区间的左端点值的差值记为第二差值;将所述第二差值与所述目标差值的比值记为第二长度占比,将所述第二长度占比与所述第二均值的乘积确定为该子区域对应的第三灰度区间的自适应限制参数。该子区域对应的每个灰度区间的自适应限制参数的具体计算公式为:
其中,为该子区域对应的第一灰度区间的自适应限制参数,/>为该子区域对应的第一灰度区间中所有像素点对应的边缘概率的均值,/>为该子区域对应的第一灰度值,/>为该子区域对应的第二灰度值,/>为该子区域中像素点的最小灰度值,/>为该子区域中像素点的最大灰度值,/>为该子区域对应的第二灰度区间的自适应限制参数,/>为该子区域对应的第三灰度区间中所有像素点对应的边缘概率的均值,/>为该子区域对应的第三灰度区间的自适应限制参数。
表示目标差值,反映该子区域中像素点的灰度区间的长度;表示第一差值,反映该子区域对应的第一灰度区间的长度;/>为第一长度占比,反映该子区域对应的第一灰度区间的长度占比,该长度占比越大,初始灰度直方图区间调整幅度越大;/>表示第一均值;/>表示第二均值;/>表示第二差值,反映该子区域对应的第三灰度区间的长度;/>表示第二长度占比,反映该子区域对应的第三灰度区间的长度占比,该长度占比越大,初始灰度直方图区间调整幅度越大。由于该子区域对应的第二灰度区间/>中的像素点为主要肝板和肝细胞上对应位置的像素点,处于中间部分且为灰度直方图峰值处,面积大,色彩区分明显,可以视为背景部分,不需要对其进行额外的填充,因此本实施例令该子区域对应的第二灰度区间的自适应限制参数为0,对第一灰度区间和第三灰度区间中的像素点按照像素点位置关系,以像素点对应的边缘概率加权和区间长度占比进行区间填充;当灰度区间内像素点对应的边缘概率越大、灰度区间的长度占比越大时,对应灰度区间的自适应限制参数越大,对其灰度区间的调整幅度越大;当灰度区间内像素点对应的边缘概率越小、灰度区间的长度占比越小时,对应灰度区间的自适应限制参数越小,对其灰度区间的调整幅度越小。
采用上述方法,获得该子区域对应的第一灰度区间的自适应限制参数、第二灰度区间的自适应限制参数和第三灰度区间的自适应限制参数,接下来本实施例将根据自适应限制参数对该子区域对应的初始灰度直方图进行自适应区间填充,获得修正后的灰度直方图。
具体的,将该子区域对应的各灰度区间的自适应限制参数与预设数值的和值记为各灰度区间的第一指标,将该子区域对应的初始灰度直方图中各灰度级对应的高度与对应的灰度区间的第一指标的乘积,确定为该子区域对应的初始灰度直方图中各灰度级对应的目标高度。本实施例中的预设数值为1,在具体应用中,实施者可根据具体情况进行设置;因此该子区域对应的初始灰度直方图中第j个灰度级对应的目标高度的具体计算公式为:
其中,为该子区域对应的初始灰度直方图中第j个灰度级对应的目标高度,/>为该子区域初始灰度直方图中第j个灰度级对应的灰度区间的自适应限制参数,/>为该子区域对应的初始灰度直方图中第j个灰度级对应的高度。/>表示该子区域对应的初始灰度直方图中第j个灰度级对应的灰度区间的第一指标,也即第j个灰度级所在的灰度区间的第一指标。
采用上述方法,能够获得肝活检的灰度图像中每个子区域对应的初始灰度直方图中每个灰度级对应的目标高度。
步骤S4,基于所述目标高度对各子区域对应的初始灰度直方图进行直方图均衡化处理,获得目标图像。
本实施例在步骤S3中获得了肝活检的灰度图像中每个子区域对应的初始灰度直方图中每个灰度级对应的目标高度,接下来基于每个子区域对应的初始灰度直方图中每个灰度级对应的目标高度对每个子区域对应的初始直方图进行对比度限制自适应直方图均衡化处理,直方图均衡化与双线性插值整合图像,也即对每个子区域对应的初始灰度直方图进行了修正,获得了每个子区域对应的修正后的灰度直方图,实现对比度限制的自适应直方图均衡化处理,得到最终的肝活检增强图像,将最终的肝活检增强图像记为目标图像,目标图像也即为增强后的图像,完成了对肝活检的灰度图像的增强处理。直方图均衡化和双线性插值均为现有技术,此处不再过多赘述。
至此,本实施例根据局部区域灰度分布特点区分各灰度区间,获取每个像素点对应的边缘概率,计算了每个灰度区间的自适应限制参数,从而使得对比度限制自适应直方图均衡化的截断阈值实现更准确的自适应变化,并对初始灰度直方图进行自适应区间的填充,精准限制图像对比度增强的程度与范围,实现各细胞组织区域的精准增强,最终获得肝活检增强图像。
肝活检数据分析系统完成对肝活检的灰度图像的增强处理,获得了边界清晰,组织结构明确的肝活检样本图像,也即获得了目标图像,目标图像的清晰度更高,使目标图像能够清晰地呈现出各个组织之间的位置和细节信息,便于学生更好地掌握肝脏知识。
本实施例首先获取了肝活检的灰度图像,考虑到由于组织染色情况和显微成像条件较为复杂,获得的肝活检的灰度图像存在成像模糊、组织细胞结构不清晰的情况,因此需要对其进行图像增强,考虑到现有的对比受限的自适应灰度直方图均衡化方法往往会存在图像细节失真或过度增强的问题,本实施例获取了肝活检的灰度图像中每个子区域对应的初始灰度直方图,确定了每个子区域对应的各灰度区间,结合肝活检的灰度图像中每个子区域中各像素点对应的窗口内像素点的灰度分布情况,得到了每个像素点对应的边缘概率,并由此确定了自适应限制参数,基于自适应限制参数对初始直方图进行直方图均衡化处理,获得目标图像,本实施例考虑了灰度分布对对比度限制自适应直方图均衡化中超出剪切阈值部分分配方式的影响,实现了灰度直方图区间自适应填充,提高了剪切阈值限制对比度的灵活性,有效避免了图像过度增强和图像失真等问题,提高了肝活检图像的增强效果。
一种肝活检数据分析系统实施例:
本实施例一种肝活检数据分析系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述所述的一种肝活检数据分析方法。
由于一种肝活检数据分析方法已经在一种肝活检数据分析方法实施例中进行了说明,所以本实施例不再对一种肝活检数据分析方法进行赘述。
Claims (4)
1.一种肝活检数据分析方法,其特征在于,该方法包括以下步骤:
获取肝活检的灰度图像;对所述灰度图像进行划分获得各子区域,获取各子区域对应的初始灰度直方图;
根据各子区域对应的初始灰度直方图的灰度分布,确定各子区域对应的第一灰度值和第二灰度值,基于所述第一灰度值和第二灰度值获得各子区域对应的各灰度区间;以各子区域中的各像素点为中心点,构建各像素点对应的窗口;根据各子区域中各像素点对应的窗口内像素点所对应的灰度区间的类别,得到各子区域中各像素点对应的边缘概率;
根据各子区域中各像素点的灰度值对应的灰度区间的长度占比和所述边缘概率,得到各子区域对应的各灰度区间的自适应限制参数;基于所述自适应限制参数和各子区域对应的初始灰度直方图中各灰度级对应的高度,确定各子区域对应的初始灰度直方图中各灰度级对应的目标高度;
基于所述目标高度对各子区域对应的初始灰度直方图进行直方图均衡化处理,获得目标图像;
所述根据各子区域对应的初始灰度直方图的灰度分布,确定各子区域对应的第一灰度值和第二灰度值,包括:
对于任一子区域对应的初始灰度直方图:
获取初始灰度直方图对应的最小灰度级、最大灰度级以及最大峰值对应的灰度级;
将该子区域中所述最小灰度级对应的像素点、所述最大灰度级对应的像素点以及最大峰值对应的灰度级对应的像素点作为初始聚类中心,对该子区域内的像素点进行聚类获得不少于三个连通域;
将该子区域中各连通域中所有像素点的灰度均值作为对应连通域的灰度均值,对所有灰度均值进行聚类获得三个子区间;基于每个子区间的端点值,确定该子区域对应的第一灰度值和第二灰度值;
所述根据各子区域中各像素点对应的窗口内像素点所对应的灰度区间的类别,得到各子区域中各像素点对应的边缘概率,包括:
对于任一子区域中的任一像素点:
将该像素点所对应的灰度区间记为目标区间,将除目标区间外其它的灰度区间记为特征区间;统计该像素点对应的窗口内像素点所对应的特征区间的种类数;统计该像素点对应的窗口内特征区间的像素点的总个数;将该像素点对应的窗口内除该像素点外其它像素点的数量记为第一数量;
计算所述种类数与所述总个数的乘积,计算所述乘积与所述第一数量的比值,对所述比值进行归一化处理,将归一化结果确定为该像素点对应的边缘概率;
根据各子区域中各像素点的灰度值对应的灰度区间的长度占比和所述边缘概率,得到各子区域对应的各灰度区间的自适应限制参数,包括:
对于任一子区域:
将该子区域中像素点的最大灰度值与最小灰度值的差值记为目标差值;
将该子区域对应的第一灰度区间中所有像素点对应的边缘概率的均值记为第一均值;将该子区域对应的第一灰度区间的右端点值与该子区域中像素点的最小灰度值的差值记为第一差值;将所述第一差值与所述目标差值的比值记为第一长度占比,将所述第一长度占比与所述第一均值的乘积确定为该子区域对应的第一灰度区间的自适应限制参数;
令该子区域对应的第二灰度区间的自适应限制参数为0;
将该子区域对应的第三灰度区间中所有像素点对应的边缘概率的均值记为第二均值;将该子区域中像素点的最大灰度值与该子区域对应的第三灰度区间的左端点值的差值记为第二差值;将所述第二差值与所述目标差值的比值记为第二长度占比,将所述第二长度占比与所述第二均值的乘积确定为该子区域对应的第三灰度区间的自适应限制参数;
所述基于所述自适应限制参数和各子区域对应的初始灰度直方图中各灰度级对应的高度,确定各子区域对应的初始灰度直方图中各灰度级对应的目标高度,包括:
对于任一子区域:
将该子区域对应的各灰度区间的自适应限制参数与预设数值的和值记为各灰度区间的第一指标,将该子区域对应的初始灰度直方图中各灰度级对应的高度与对应的灰度区间的第一指标的乘积,确定为该子区域对应的初始灰度直方图中各灰度级对应的目标高度。
2.根据权利要求1所述的一种肝活检数据分析方法,其特征在于,基于每个子区间的端点值,确定该子区域对应的第一灰度值和第二灰度值,包括:
将该子区域对应的初始灰度直方图对应的三个子区间中左端点值最小的子区间记为第一子区间,将该子区域对应的初始灰度直方图对应的三个子区间中右端点值最大的子区间记为第三子区间,将该子区域对应的初始灰度直方图对应的三个子区间中除第一子区间、第三子区间外的子区间记为第二子区间;
若相邻两个子区间不存在重叠灰度值或不存在间隔,则将第一子区间的右端点值确定为该子区域对应的第一灰度值,将第三子区间的左端点值确定为该子区域对应的第二灰度值;
若第一子区间和第二子区间存在重叠灰度值,则将第一子区间和第二子区间的重叠灰度值记为第一重叠值,将最小的第一重叠值确定为该子区域对应的第一灰度值;若第二子区间和第三子区间存在重叠灰度值,则将第二子区间和第三子区间的重叠灰度值记为第二重叠值,将最大的第二重叠值确定为该子区域对应的第二灰度值;
若第一子区间和第二子区间存在间隔,则将第一子区间的右端点值确定为该子区域对应的第一灰度值;若第二子区间和第三子区间存在间隔,则将第三子区间的左端点值确定为该子区域对应的第二灰度值;
所述第一灰度值小于所述第二灰度值。
3.根据权利要求2所述的一种肝活检数据分析方法,其特征在于,基于所述第一灰度值和第二灰度值获得各子区域对应的各灰度区间,包括:
基于该子区域中像素点的最小灰度值和该子区域对应的第一灰度值确定该子区域对应的第一灰度区间;
基于该子区域对应的第一灰度值和该子区域对应的第二灰度值确定该子区域对应的第二灰度区间;
基于该子区域对应的第二灰度值与该子区域中像素点的最大灰度值确定该子区域对应的第三灰度区间。
4.一种肝活检数据分析系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-3任一项所述的一种肝活检数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310689208.8A CN116416166B (zh) | 2023-06-12 | 2023-06-12 | 一种肝活检数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310689208.8A CN116416166B (zh) | 2023-06-12 | 2023-06-12 | 一种肝活检数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116416166A CN116416166A (zh) | 2023-07-11 |
CN116416166B true CN116416166B (zh) | 2023-08-04 |
Family
ID=87059733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310689208.8A Active CN116416166B (zh) | 2023-06-12 | 2023-06-12 | 一种肝活检数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416166B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703888B (zh) * | 2023-07-28 | 2023-10-20 | 菏泽城建新型工程材料有限公司 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
CN116862911B (zh) * | 2023-09-04 | 2023-12-15 | 山东本草堂中药饮片有限公司 | 一种中药饮片质量视觉检测分析系统 |
CN117078567B (zh) * | 2023-10-18 | 2024-01-26 | 江苏惠汕新能源集团有限公司 | 基于图像处理的光伏板图像自适应增强方法 |
CN117173158B (zh) * | 2023-10-25 | 2024-01-30 | 深圳市德海威实业有限公司 | 一种精密连接器质量智能检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440635A (zh) * | 2013-09-17 | 2013-12-11 | 厦门美图网科技有限公司 | 一种基于学习的对比度受限自适应直方图均衡方法 |
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
CN104751457A (zh) * | 2015-03-19 | 2015-07-01 | 浙江德尚韵兴图像科技有限公司 | 一种新的基于变分能量的肝脏分割方法 |
CN105608676A (zh) * | 2015-12-23 | 2016-05-25 | 浙江宇视科技有限公司 | 一种视频图像的增强方法及装置 |
CN107230206A (zh) * | 2017-06-02 | 2017-10-03 | 太原理工大学 | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 |
CN114140481A (zh) * | 2021-11-03 | 2022-03-04 | 中国安全生产科学研究院 | 一种基于红外图像的边缘检测方法、装置 |
CN114359087A (zh) * | 2021-12-29 | 2022-04-15 | 青岛海信移动通信技术股份有限公司 | 一种图像处理方法、装置、设备及介质 |
CN115018850A (zh) * | 2022-08-09 | 2022-09-06 | 深圳市领拓实业有限公司 | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 |
CN116152133A (zh) * | 2023-04-20 | 2023-05-23 | 山东超越纺织有限公司 | 基于人工智能的混纺缺陷检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8073226B2 (en) * | 2006-06-30 | 2011-12-06 | University Of Louisville Research Foundation, Inc. | Automatic detection and monitoring of nodules and shaped targets in image data |
CN101190135B (zh) * | 2006-11-29 | 2012-05-02 | 深圳迈瑞生物医疗电子股份有限公司 | 在超声成像系统中用于优化超声图像的灰度值的方法 |
CN111612812B (zh) * | 2019-02-22 | 2023-11-03 | 富士通株式会社 | 目标物检测方法、检测装置和电子设备 |
WO2021220008A1 (en) * | 2020-04-29 | 2021-11-04 | Deep Render Ltd | Image compression and decoding, video compression and decoding: methods and systems |
-
2023
- 2023-06-12 CN CN202310689208.8A patent/CN116416166B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440635A (zh) * | 2013-09-17 | 2013-12-11 | 厦门美图网科技有限公司 | 一种基于学习的对比度受限自适应直方图均衡方法 |
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
CN104751457A (zh) * | 2015-03-19 | 2015-07-01 | 浙江德尚韵兴图像科技有限公司 | 一种新的基于变分能量的肝脏分割方法 |
CN105608676A (zh) * | 2015-12-23 | 2016-05-25 | 浙江宇视科技有限公司 | 一种视频图像的增强方法及装置 |
CN107230206A (zh) * | 2017-06-02 | 2017-10-03 | 太原理工大学 | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 |
CN114140481A (zh) * | 2021-11-03 | 2022-03-04 | 中国安全生产科学研究院 | 一种基于红外图像的边缘检测方法、装置 |
CN114359087A (zh) * | 2021-12-29 | 2022-04-15 | 青岛海信移动通信技术股份有限公司 | 一种图像处理方法、装置、设备及介质 |
CN115018850A (zh) * | 2022-08-09 | 2022-09-06 | 深圳市领拓实业有限公司 | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 |
CN116152133A (zh) * | 2023-04-20 | 2023-05-23 | 山东超越纺织有限公司 | 基于人工智能的混纺缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
Mean Shift算法在乳腺X线图像分割中的应用研究;庞明明;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;第E072-694页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116416166A (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116416166B (zh) | 一种肝活检数据分析方法及系统 | |
CN110705583B (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN104680524B (zh) | 一种叶类蔬菜病害诊断方法 | |
CN111931751B (zh) | 深度学习训练方法、目标物识别方法、系统和存储介质 | |
CN110516584A (zh) | 一种显微镜用的基于动态学习的细胞自动计数方法 | |
CN116385315B (zh) | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 | |
CN116485785B (zh) | 一种太阳能电池片的表面缺陷检测方法 | |
CN111524144A (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
CN116309649A (zh) | 一种基于ct影像的喉部病变异常区域分割系统 | |
CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN116596879A (zh) | 基于边界样本分位数的葡萄霜霉病自适应识别方法 | |
CN114202491B (zh) | 一种增强光学图像的方法及系统 | |
CN109102510B (zh) | 一种基于半监督k-means算法的乳腺癌病理组织图像分割方法 | |
CN116485819B (zh) | 一种耳鼻喉检查图像分割方法及系统 | |
Pham et al. | Extraction of fluorescent cell puncta by adaptive fuzzy segmentation | |
CN111210449A (zh) | 一种前列腺癌病理图像中腺体空腔的自动化分割方法 | |
CN116152225A (zh) | 一种电感触摸屏生产工艺调节方法及系统 | |
CN116433528A (zh) | 一种目标区域检出的图像细节增强显示方法及系统 | |
Gandomkar et al. | Determining image processing features describing the appearance of challenging mitotic figures and miscounted nonmitotic objects | |
CN114140381A (zh) | 一种基于MDP-net的玻璃体混浊分级筛查方法及装置 | |
Wu et al. | A no-reference quality assessment for contrast-distorted image based on improved learning method | |
Spoorthy et al. | Automatic identification of mixed retinal cells in time-lapse fluorescent microscopy images using high-dimensional dbscan | |
CN110852977A (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 | |
CN111583293B (zh) | 一种面向多色双光子图像序列的自适应图像分割方法 |
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 |