CN116433743A - 一种校准图像的方法及装置 - Google Patents
一种校准图像的方法及装置 Download PDFInfo
- Publication number
- CN116433743A CN116433743A CN202210546813.5A CN202210546813A CN116433743A CN 116433743 A CN116433743 A CN 116433743A CN 202210546813 A CN202210546813 A CN 202210546813A CN 116433743 A CN116433743 A CN 116433743A
- Authority
- CN
- China
- Prior art keywords
- image
- diameter
- target object
- coordinate system
- radius
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 description 25
- 238000012014 optical coherence tomography Methods 0.000 description 17
- 210000004204 blood vessel Anatomy 0.000 description 14
- 239000003550 marker Substances 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004323 axial length Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供一种校准图像的方法及装置,涉及图像处理技术领域。其中,该方法包括:获取第一图像中目标物体的第一直径;对第一图像增加基准物体的图像,得到第二图像;将第二图像转换为第三图像;根据在极坐标系下的第三图像中基准物体的第三半径、第一直径和第二直径确定目标物体在第三图像中的第四半径;根据第三半径和第四半径确定校准值;根据校准值确定校准后的图像。可以利用世界坐标系下目标物体与基准物体的相对位置关系确定极坐标系下的目标物体与基准物体的相对位置关系,根据极坐标系下的目标物体与基准物体的相对位置关系确定极坐标系下的校准值,从而可以利用校准值校准图像,避免手动校准带来的校准精度不高的问题。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种校准图像的方法及装置。
背景技术
图像是信息的主要载体,人们利用图像可以进行信息的获取或交换。为了便于分析图像中的信息,一般情况下,人们会对获取到的图像进行处理,以获取所需要的结果,例如,对获取到的彩色图像进行灰度处理;又例如对获取到的失真图像进行校准处理等。
例如,在光学相干断层成像(Optical Coherence tomography,OCT)系统中,该系统中的图像处理设备会利用光源的干涉原理,对生物组织进行扫描成像,获取生物组织的图像,并用于疾病的辅助诊断,例如OCT设备获取到血管的横截面图像。但是由于图像处理设备的条件限制和采集环境的限制,导致利用图像处理设备获取到的图像存在误差,从而导致校准人员对患者病情的误判。因此,往往需要对图像处理设备获取的图像进行校准。
相关技术中,一般采用手动校准的方式对图像进行校准,但是,这种方式完全依赖于校准人员的手动操作能力,费时费力,同时该方式下图像校准的精度也不高。
发明内容
本申请实施例提供了一种校准图像的方法及装置,对OCT设备采集到的图像进行校准,避免手动校准带来的校准精度不高的问题。
为了实现上述目的,第一方面,本申请实施例提供了一种校准图像的方法,该方法应用于图像处理设备,该方法包括:
获取第一图像中目标物体的第一直径,目标物体的形状为圆形或者椭圆形;
对第一图像增加基准物体的图像,得到第二图像,第二图像包括目标物体和基准物体,基准物体的形状为圆形,基准物体的直径为第二直径,第一图像和第二图像对应的图像坐标系为世界坐标系;
将第二图像转换为第三图像,第三图像对应的图像坐标系为极坐标系;
根据在极坐标系下的第三图像中基准物体的第三半径、第一直径和第二直径确定目标物体在第三图像中的第四半径;
根据第三半径和第四半径确定校准值;
根据校准值确定校准后的图像。
上述方案中,在世界坐标系下,目标物体与基准物体的存在相对位置关系;将在世界坐标系下的第二图像转换为极坐标系下的第三图像之后,目标物体与基准物体也存在相对位置关系。可以利用世界坐标系下目标物体与基准物体的相对位置关系确定极坐标系下的目标物体与基准物体的相对位置关系,根据极坐标系下的目标物体与基准物体的相对位置关系确定极坐标系下的校准值,从而可以利用校准值校准图像,其中,第一直径与第二直径可以表征世界坐标系下目标物体与基准物体的相对位置关系,第三半径与第四半径可以表征极坐标系下目标物体与基准物体的相对位置关系,避免手动校准带来的校准精度不高的问题。
可选地,该方法还包括:
获取第一图像对应的原始图像;
将原始图像输入轮廓模型,确定第一图像,第一图像包括目标物体的轮廓图像;
根据目标物体的轮廓图像确定目标物体的第一直径。
可选地,根据目标物体的轮廓图像确定目标物体的第一直径,包括:
根据目标物体的轮廓图像确定第一图像中目标物体的面积;
根据目标物体的面积确定目标物体的第一直径。
可选地,该方法还包括:
获取第四图像中的第一物体的标记信息,标记信息用于标记第四图像中的第一物体,第一物体为圆形或者椭圆形;
将第四图像输入到第i检测模型中,得到预测的物体;
根据第四图像中标记的第一物体和预测的物体确定第一物体的损失值;
根据第一物体的损失值确定第i检测模型是否为轮廓模型;
其中,i为正整数。
上述方案中,获取第四图像中的第一物体的标记信息,并将第四图像输入第i检测模型,以达到训练第i检测模型,使该模型能够预测第四图像中的第一物体,并将训练好的检测模型确定为轮廓模型。其中,将标记的第一物体和预测的物体确定的第一物体的损失值作为轮廓模型是否训练完成的依据,可以提高轮廓模型预测第一物体的准确性。
可选地,根据第四图像中标记的第一物体和预测的物体确定第一物体的损失值,包括:
根据第四图像中标记的第一物体和预测的物体确定第一物体的轮廓损失和直径损失;
根据轮廓损失和直径损失确定第一物体的损失值。
可选地,根据第一物体的损失值确定第i检测模型是否为轮廓模型,包括:
若第一物体的损失值小于或等于预设损失值,将第i检测模型确定为轮廓模型。
可选地,根据在极坐标系下的第三图像中基准物体的第三半径、第一直径和第二直径确定目标物体在第三图像中的第四半径,包括:
确定第二直径与第一直径的比值;
根据第二直径与第一直径的比值和第三半径确定第四半径。
可选地,根据校准值确定校准后的图像,包括:
根据校准值对第三图像进行校准,得到极坐标系下校准后的图像;
将极坐标系下校准后的图像转换为世界坐标系下校准后的图像。
上述方案中,根据校准值对第三图像进行校准,利用极坐标与世界坐标系下图像的转换关系,将校准后的第三图像转换为世界坐标系下的校准后的图像,也就是在确定的校准值下,利用图像对应的坐标转换关系得到校准后的图像,而无需手动校准图像,避免了手动校准图像所带来的校准精度不高的问题。
第二方面,本申请实施例提供了一种校准图像的装置,该装置包括:
获取单元,用于获取第一图像中目标物体的第一直径,目标物体的形状为圆形或者椭圆形;
处理单元,用于对第一图像进行增加基准物体的图像,得到第二图像,第二图像包括目标物体和基准物体,基准物体的形状为圆形,基准物体的直径为第二直径,第一图像和第二图像对应的图像坐标系为世界坐标系;
转换单元,用于将第二图像转换为第三图像,第三图像对应的图像坐标系为极坐标系;
确定单元,用于根据在极坐标系下的第三图像中基准物体的第三半径、第一直径和第二直径确定目标物体在第三图像中的第四半径;
所述确定单元,还用于根据第三半径和第四半径确定校准值;
所述确定单元,还用于根据校准值确定校准后的图像。
可选地,所述获取单元,还用于获取第一图像对应的原始图像。
可选地,所述确定单元,还用于将原始图像输入轮廓模型,确定第一图像,第一图像包括目标物体的轮廓图像。
可选地,所述确定单元,还用于根据目标物体的轮廓图像确定目标物体的第一直径。
可选地,所述确定单元,具体用于根据目标物体的轮廓图像确定第一图像中目标物体的面积;
根据目标物体的面积确定目标物体的第一直径。
可选地,所述获取单元,还用于获取第四图像中的第一物体的标记信息,标记信息用于标记第四图像中的第一物体,第一物体为圆形或者椭圆形。
可选地,所述处理单元,还用于将第四图像输入到第i检测模型中,得到预测的物体。
可选地,所述确定单元,还用于根据第四图像中标记的第一物体和预测的物体确定第一物体的损失值。
可选地,所述确定单元,还用于根据第一物体的损失值确定第i检测模型是否为轮廓模型。
可选地,所述确定单元,还用于根据第四图像中标记的第一物体和预测的物体确定第一物体的轮廓损失和直径损失;
根据轮廓损失和直径损失确定第一物体的损失值。
可选地,所述确定单元,还用于若第一物体的损失值小于或等于预设损失值,将第i检测模型确定为轮廓模块,其中,i为正整数。
可选地,所述确定单元,还用于确定第二直径与第一直径的比值;
根据第二直径与第一直径的比值和第三半径确定第四半径。
可选地,所述处理单元,还用于根据校准值对第三图像进行校准,得到极坐标系下校准后的图像;
将极坐标系下校准后的图像转换为世界坐标系下校准后的图像。
第三方面,本申请实施例提供一种图像处理设备,包括处理器,处理器与存储器耦合,处理器用于执行存储器中存储的计算机程序或指令时,以实现上述第一方面或第一方面的任一实施方式的方法。
本申请实施例与现有技术相比存在的有益效果是:可以利用世界坐标系下目标物体与基准物体的相对位置关系确定极坐标系下的目标物体与基准物体的相对位置关系,根据极坐标系下的目标物体与基准物体的相对位置关系确定极坐标系下的校准值,从而可以利用校准值校准图像,其中,第一直径与第二直径可以表征世界坐标系下目标物体与基准物体的相对位置关系,第三半径与第四半径可以表征极坐标系下目标物体与基准物体的相对位置关系,避免手动校准带来的校准精度不高的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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他的附图。
图1是本申请一实施例提供的一种OCT系统采集图像的原理示意图;
图2是本申请一实施例提供的一种OCT系统中OCT设备采集的图像;
图3是本申请一实施例提供的一种校准图像的方法的流程示意图;
图4是本申请一实施例提供的一种图像在极坐标系下成像导管与标记环的相对位置关系图;
图5是本申请一实施例提供的一种图像在世界坐标系下成像导管与标记环的相对位置关系图;
图6是本申请一实施例提供的一种在极坐标系下对第三图像进行校准前和校准后的图像;
图7是本申请一实施例提供的一种将极坐标系下校准后的图像转换为世界坐标系下校准后的图像;
图8是本申请一实施例提供的一种校准图像的装置的结构示意图;
图9是本申请一实施例提供的一种图像处理设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的,对本申请实施例中的技术方案进行详细说明。
应当理解,本申请实施例中的方式、情况、类别以及实施例的划分只是为了方便描述,不对本申请构成任何限定,各种方式、类别、情况以及实施例中的特征在不相矛盾的情况下可以相互结合。
还应当理解,本申请实施例中的“第一”、“第二”、“第三”以及“第四”仅是为了区分,不对本申请构成任何限定。还应当理解,在本申请的各个实施例中,各个过程中的序号大小并不意味着步骤的执行顺序,其步骤的执行顺序由其内在逻辑确定,而不对本申请实施例的执行过程构成任何限定。
图像是信息的主要载体,利用图像可以进行信息的获取或交换。为了便于分析图像中的信息,一般情况下,人们会对获取到的图像进行处理,以获取所需要的结果,例如,对获取到的彩色图像进行灰度处理;又例如对获取到的失真图像进行校准处理等。
例如,图1是本申请的实施例提供的一种光学相干断层成像(Optical Coherencetomography,OCT)系统获取生物组织图像的结构示意图,该OCT系统包括导管连接单元、成像导管和图像处理设备。如图1所示,图像处理设备发出的光信号通过导管连接单元传输到成像导管中,获取生物组织的图像,并用于进行辅助治疗,例如利用OCT设备获取血管的横截面图像。
但是,由于图像处理设备的条件和采集环境的限制,导致利用图像处理设备获取到的图像存在误差,从而导致校准人员对病情的误判。例如,OCT设备获取到如图2所示的血管横截面图像,其中a为目标物体,可以是成像导管,b是在获取到该血管横截面图像后人为增加的基准物体,可以是标记环。标记环所在位置是成像导管的参考位置,当成像导管与标记环的贴合时,利用成像导管的大小推导出的血管腔横截面积是真实的,而当成像导管与标记环未贴合时,如利用图2中的成像导管大小推导出的血管腔横截面积会小于预定值,这时,校准人员会认定该患者存在血管狭窄,但有可能只是因为OCT设备在采集图像时,成像误差所导致的结果,也就是说利用OCT系统获取的血管横截面图像测量值存在误差。因此,往往需要对OCT设备获取的图像进行校准。
相关技术中,一般采用手动校准的方式,即通过手动拖动图2所示的标记环到成像导管处,使标记环与成像导管尽可能地贴合来完成校准工作。但是,这种方式完全依赖于术者的手动操作能力,费时费力,同时该方式下图像校准的精度也不高。
基于相关技术中的问题,本申请提出了一种校准图像的方法及装置,首先获取第一图像中目标物体的第一直径,目标物体的形状为圆形或者椭圆形;对第一图像增加基准物体的图像,得到第二图像,第二图像包括目标物体和基准物体,基准物体的形状为圆形,基准物体的直径为第二直径,第一图像和第二图像对应的图像坐标系为世界坐标系;将第二图像转换为第三图像,第三图像对应的图像坐标系为极坐标系;再根据在极坐标系下的第三图像中基准物体的第三半径、第一直径和第二直径确定目标物体在第三图像中的第四半径;根据第三半径和第四半径确定校准值;最后根据校准值确定校准后的图像。在世界坐标系下,目标物体与基准物体的存在相对位置关系;将在世界坐标系下的第二图像转换为极坐标系下的第三图像之后,目标物体与基准物体也存在相对位置关系。可以利用世界坐标系下目标物体与基准物体的相对位置关系确定极坐标系下的目标物体与基准物体的相对位置关系,根据极坐标系下的目标物体与基准物体的相对位置关系确定极坐标系下的校准值,从而可以利用校准值校准图像,其中,第一直径与第二直径可以表征世界坐标系下目标物体与基准物体的相对位置关系,第三半径与第四半径可以表征极坐标系下目标物体与基准物体的相对位置关系,避免手动校准带来的校准精度不高的问题。
下面以具体地实施例对本申请的技术方案进行详细说明,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
由于本申请的方案的实施是基于深度学习网络完成的,深度学习网络模型在使用前需要进行训练、测试的过程,因此这里先讲述轮廓模型的获取过程:
在未得到轮廓模型前,将训练过程中的模型称为检测模型。
为了更好地理解本申请中的方案,如下给出了获取轮廓模型的一种实施例:
数据集:4000张含第一物体的血管横截面图像,且已知该图像中的第一物体的标记信息,该标记信息用于标记该血管横截面图像中的第一物体,第一物体的形状为圆形或椭圆形,其中,3500张血管横截面图像作为训练图像,用于检测模型的训练,500张血管横截面图像作为测试图像,用于检测模型的测试,第一物体可以为成像导管。
可选地,可以将获取到的4000张血管横截面图像进行图像预处理,例如旋转、翻转或调整对比度等,以增加数据集。
上述方案中,对获取到的图像进行预处理,可以增加数据集,这样利用大量训练图像进行深度学习得到的轮廓模型,可以更加准确地识别第一物体,同时该轮廓模型也能够对一些特殊的图像进行识别,例如成像导管附近有血液残留,成像导管边界不清晰的血管横截面图像。
1)检测模型的训练:将训练图像中的第一图像输入到第i检测模型中的卷积神经网络结构中,由卷积核进行导管特征的提取,并在最后一层的特征图上,通过第i检测模型中的区域生成网络(Region Proposal Network,RPN),利用该RPN网络的一个3*3大小的滑动窗口遍历特征图,每个滑动窗口中心即像素点按照尺寸值[52,32,64],比例值[0.5,1,2]生成9个锚框,将9个锚框输入到第i检测模型中的全连接层,得到每个锚框的二分类值和边界框(Bounding Box Regression,BB)回归,其中,二分类值具体为锚框中是前景的概率和背景的概率,最后输出300个感兴趣区域(Region Of Interest,ROI);再将300个ROIs输入RPN网络中,进行二分类和BB回归,过滤到锚框中是背景的ROIs,将其余的ROIs在第i检测模型中进行ROI对齐操作,通过ROI对齐网络对特征图进行差值处理使得其余的ROIs中的每个ROI生成固定的大小的特征图,最后得到三个输出向量:具体是每个ROI的二分类结果、BB回归和二进制掩码,其中,ROI是第i检测模型预测的物体,ROI的二分类结果具体为ROI中是第一物体的概率和非第一物体的概率,根据上述三种向量得到的三种损失,即二分类损失,回归损失和掩码损失,以及根据标记的第一物体和预测的第一物体得到的第一物体的轮廓损失和直径损失,确定为第一物体的损失值。
若该损失值小于或等于预设损失值,则将第i检测模型确定为轮廓模型;
若该损失值大于预设预设损失值,则根据该损失值对第i检测模型进行调整,确定第i+1检测模型,重复上述检测模型的训练过程,直到得到的损失值小于或等于预设损失值为止。
LossDiameters=(Dauto-Dmanual)/Dmanual其中,Dauto为预测的第一物体的直径,Dmanual为预测的第一物体的直径。
上述方案中,获取第四图像中的第一物体的标记信息,并将第四图像输入第i检测模型,以达到训练第i检测模型,使该模型能够预测第四图像中的第一物体,并将训练好的检测模型确定为轮廓模型。其中,将标记的第一物体和预测的物体确定的第一物体的损失值作为轮廓模型是否训练完成的依据,可以提高轮廓模型识别第一物体的准确性。
2)轮廓模型的测试:将测试图像中的每个图像输入到轮廓模型中,会预测轮廓ROI分割图。将预测的轮廓ROI图与标记的ROI图进行计算重合度,当重合度小于第一值时,完成轮廓模型的测试。
图3为本申请实施例提供的一种校准图像的方法的流程示意图,如图3所示,该方法应用于图像处理设备,该方法包括如下步骤:
S310,图像处理设备获取第一图像中目标物体的第一直径,目标物体的形状为圆形或者椭圆形。
可选地,步骤S310中的第一图像可以是血管横截面图像。
第一图像中的目标物体可以是成像导管。
例如,图像处理设备获取血管横截面图像中的成像导管的第一直径。
可选地,当步骤S310中的目标物体的形状为椭圆形时,将椭圆形的长轴作为目标物体的第一直径。
可选地,当步骤S310中的目标物体的形状为椭圆形时,将椭圆形的短轴作为目标物体的第一直径。
可选地,当步骤S310中的目标物体的形状为椭圆形时,将椭圆形的短轴与长轴的平均轴长作为目标物体的第一直径。
可选地,步骤S310,还包括:图像处理设备获取第一图像对应的原始图像;
图像处理设备将原始图像输入轮廓模型,确定第一图像,第一图像包括目标物体的轮廓图像;
图像处理设备根据目标物体的轮廓图像,确定目标物体的第一直径。
一种可实现的方式,将原始图像输入轮廓模型,由轮廓模型确定含有第二物体的ROI分割图,将第二物体确定为目标物体,包括目标物体的轮廓的图像确定为第一图像。
可选地,图像处理设备根据目标物体的轮廓图像,确定目标物体的第一直径,包括:
根据目标物体的轮廓图像确定第一图像中目标物体的面积;
根据目标物体的面积确定目标物体的第一直径。
一种可实现的方式,图像处理设备利用轮廓模型确定目标物体的轮廓图像中的像素点数量,根据像素点数量与像素间距的平方确定目标物体的面积;再根据面积与直径的关系式,确定目标物体的第一直径,其中,像素间距的平方用于表示每一个像素点所表示的面积大小。
可选地,图像处理设备获取目标物体上最长轴的像素点的数量,将该数量确定为目标物体的第一直径。
例如,获取到目标物体上最长轴的像素点的数量为26,则目标物体的第一直径为26。
S320,图像处理设备对第一图像增加基准物体的图像,得到第二图像,第二图像包括目标物体和基准物体,基准物体的形状为圆形,基准物体的直径为第二直径,第一图像和第二图像对应的图像坐标系为世界坐标系。
可选地,在步骤S320中,第一图像可以是血管横截面图像,第一图像中包括成像导管;
基准物体可以是标记环。
例如,图像处理设备对包括成像导管的血管横截面图像增加标记环的图像,得到第二图像,则第二图像中包括成像导管和标记环。
S330,图像处理设备将第二图像转换为第三图像,所述第三图像对应的图像坐标系为极坐标系。
S340,图像处理设备根据在极坐标系下的第三图像中基准物体的第三半径、第一直径和第二直径,图像处理设备确定目标物体在第三图像中的第四半径。
可选地,步骤S340,包括:图像处理设备根据第一直径与第二直径,确定第二直径与第一直径的比值;
图像处理设备根据第二直径与第一直径的比值和第三半径,确定第四半径。
例如,根据F2=F1÷(D1/D2),也就是根据极坐标系下基准物体的第三半径与目标物体的第四半径的比值,与,世界坐标系下基准物体的第二直径与目标物体的第一直径的比值相等的原理,确定第四半径,其中,F1为基准物体的第三半径,即,F1为如图4所示的标记环的位置与θ轴之间的距离,具体数值为F1=R÷(7/2)*(0.89/2);R为7mm下的视野范围下的校准范围;F2为目标物体的第四半径,即如图4所示的成像导管的位置与θ轴之间的距离;D1为如图5所示的基准物体,即标记环的第二直径,D2为如图5所示的目标物体,即成像导管的第一直径。
可选地,步骤S340,包括:图像处理设备根据第一直径与第二直径,确定第一直径与第二直径的第一比值;
根据第三半径与第一比值的乘积,图像处理设备确定第四半径。
例如,根据F2=F1×(D2/D1),也就是根据极坐标系下目标物体的第四半径与基准物体的第三半径的比值,与,世界坐标系下目标物体的第一直径与基准物体的第二直径的比值相等,确定第四半径,其中,F1为基准物体的第三半径,具体为F1=R÷(7/2)*(0.89/2);R为7mm下的视野范围下的校准范围;F2为目标物体的第四半径;D1为基准物体的第二直径,可以为标记环的第二直径,D2为成像导管的第一直径,可以为成像导管的第一直径。
S350,图像处理设备根据第三半径和第四半径,确定校准值。
可选地,步骤S350,包括:图像处理设备根据第三半径和第四半径得到的差值,以及第一初值确定校准值,其中,第一初值为初始校准值。
例如,根据F'=F2-F1=F1÷(D1/D2)-F1=F1÷(D1/D2-1),以及第一初值S,由S'=S+F1÷(D1/D2-1)确定校准值,其中S表示初始校准值,具体为0,F1为基准物体的第三半径,F2为目标物体的第四半径,D1为基准物体的第二直径,D2为目标物体的第一直径,F′为第三半径与第四半径的差值,S’为校准值。
可选地,步骤S350,包括:图像处理设备对第四半径与第三半径的差值进行取绝对值处理后,确定第一差值;
图像处理设备根据第一差值与第一初值的和,确定校准值,其中,第一初值为初始校准值。
例如,根据F'=|F1-F2|=|F1×(D2/D1)-F1|=F1×(D2/D1-1),以及第一初值S,由S'=S+F1×(D2/D1-1)确定校准值,其中S表示初始校准值,具体为0,F1为基准物体的第三半径,F2为目标物体的第四半径,D1为基准物体的第二直径,D2为目标物体的第一直径,F′为第三半径与第四半径的差值,S’为校准值。
S360,图像处理设备根据校准值确定校准后的图像。
可选地,步骤S360,包括:图像处理设备根据校准值对第三图像进行校准,确定极坐标系下的校准后的图像。
例如,如图6所示,是本申请实施例提供的一种在极坐标系下对第三图像进行校准前和校准后的图像。其中图6(a)为第三图像,图6(b)为对第三图像进行校准后的图像。具体过程为:在图6(a)的第三图像中以纵轴起始点0为基准,向下确定校准值F′的距离,从F′处水平裁剪第三图像,此时第三图像的宽不足670个像素点,则对第三图像进行补0处理,也就是可以得到如图6(b)所示的图像,即校准后的图像,其中,670个像素点具体是在当前的环境下,7mm的视野范围对应的极坐标系下图像的高度范围是670个像素点。
可选地,步骤S360,包括:图像处理设备根据校准值对第三图像进行校准,得到极坐标系下的校准后的图像;
图像处理设备将极坐标系下校准后的图像转换为世界坐标系下校准后的图像。
例如,如图7所示,给出了将图6(b)中极坐标系下校准后的图像转换为世界坐标系下校准后的图像。
上述方案中,根据校准值对第三图像进行校准,利用极坐标与世界坐标系下图像的转换关系,将校准后的第三图像转换为世界坐标系下的校准后的图像,也就是在确定的校准值下,利用图像对应的坐标转换关系得到校准后的图像,而无需手动校准图像,避免了手动校准图像所带来的校准精度不高的问题。
图8为本申请实施例提供的一种校准图像的装置的结构示意图,如图8所示,本实施例提供的装置包括:
获取单元810,用于获取第一图像中目标物体的第一直径,目标物体的形状为圆形或者椭圆形;
处理单元820,用于对第一图像增加基准物体的图像,得到第二图像,第二图像包括目标物体和基准物体,基准物体的形状为圆形,基准物体的直径为第二直径,第一图像和第二图像对应的图像坐标系为世界坐标系;
转换单元830,用于将第二图像转换为第三图像,第三图像对应的图像坐标系为极坐标系;
确定单元840,用于根据在极坐标系下的第三图像中基准物体的第三半径、第一直径和第二直径确定目标物体在第三图像中的第四半径;
所述确定单元,还用于根据第三半径和第四半径确定校准值;
所述确定单元,还用于根据校准值确定校准后的图像。
可选地,所述获取单元,还用于获取第一图像对应的原始图像。
可选地,所述确定单元,还用于将原始图像输入轮廓模型,确定第一图像,第一图像包括目标物体的轮廓图像。
可选地,所述确定单元,还用于根据目标物体的轮廓图像确定目标物体的第一直径。
可选地,所述确定单元,具体用于根据目标物体的轮廓图像确定第一图像中目标物体的面积;
根据目标物体的面积确定目标物体的第一直径。
可选地,所述获取单元,还用于获取第四图像中的第一物体的标记信息,标记信息用于标记第四图像中的第一物体,第一物体为圆形或者椭圆形。
可选地,所述处理单元,还用于将第四图像输入到第i检测模型中,得到预测的物体。
可选地,所述确定单元,还用于根据第四图像中标记的第一物体和预测的物体确定第一物体的损失值。
可选地,所述确定单元,还用于根据第一物体的损失值确定第i检测模型是否为轮廓模型。
可选地,所述确定单元,还用于根据第四图像中标记的第一物体和预测的物体确定第一物体的轮廓损失和直径损失;
根据轮廓损失和直径损失确定第一物体的损失值。
可选地,所述确定单元,还用于若第一物体的损失值小于或等于预设损失值,将第i检测模型确定为轮廓模块。
可选地,所述确定单元,还用于确定第二直径与第一直径的比值;
根据第二直径与第一直径的比值和第三半径确定第四半径。
可选地,所述处理单元,还用于根据校准值对第三图像进行校准,得到极坐标系下校准后的图像;
将极坐标系下校准后的图像转换为世界坐标系下校准后的图像。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
基于同一发明构思,图9为本申请实施例提供的一种图像处理设备,包括处理器,处理器与存储器耦合,处理器用于执行存储器中存储的计算机程序或指令时,以实现上述第一方面或第一方面的任一实施方式的方法。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个装置中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储在计算机的芯片中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种校准图像的方法,其特征在于,所述方法应用于图像处理设备,包括:
获取第一图像中目标物体的第一直径,所述目标物体的形状为圆形或者椭圆形;
对所述第一图像增加基准物体的图像,得到第二图像,所述第二图像包括所述目标物体和所述基准物体,所述基准物体的形状为圆形,所述基准物体的直径为第二直径,所述第一图像和所述第二图像对应的图像坐标系为世界坐标系;
将所述第二图像转换为第三图像,所述第三图像对应的图像坐标系为极坐标系;
根据在所述极坐标系下的所述第三图像中所述基准物体的第三半径、所述第一直径和所述第二直径确定所述目标物体在所述第三图像中的第四半径;
根据所述第三半径和所述第四半径确定校准值;
根据所述校准值确定校准后的图像。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述第一图像对应的原始图像;
将所述原始图像输入轮廓模型,确定所述第一图像,所述第一图像包括所述目标物体的轮廓图像;
根据所述目标物体的轮廓图像确定所述目标物体的所述第一直径。
3.如权利要求2中所述的方法,其特征在于,所述根据所述目标物体的轮廓图像确定所述目标物体的所述第一直径,包括:
根据所述目标物体的轮廓图像确定所述第一图像中所述目标物体的面积;
根据所述目标物体的面积确定所述目标物体的所述第一直径。
4.如权利要求2中所述的方法,其特征在于,所述方法还包括:
获取第四图像中的第一物体的标记信息,所述标记信息用于标记所述第四图像中的所述第一物体,所述第一物体为圆形或者椭圆形;
将所述第四图像输入到第i检测模型中,得到预测的物体;
根据所述第四图像中标记的所述第一物体和所述预测的物体确定所述第一物体的损失值;
根据所述第一物体的损失值确定所述第i检测模型是否为所述轮廓模型;
其中,i为正整数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第四图像中标记的所述第一物体和所述预测的物体确定所述第一物体的损失值,包括:
根据所述第四图像中标记的所述第一物体和所述预测的物体确定所述第一物体的轮廓损失和直径损失;
根据所述轮廓损失和所述直径损失确定所述第一物体的损失值。
6.根据权利要求4所述的方法,其特征在于,所述根据所述第一物体的损失值确定所述第i检测模型是否为所述轮廓模型,包括:
若所述第一物体的损失值小于或等于预设损失值,将所述第i检测模型确定为所述轮廓模型。
7.如权利要求1所述的方法,其特征在于,所述根据在所述极坐标系下的所述第三图像中所述基准物体的第三半径、所述第一直径和所述第二直径确定所述目标物体在所述第三图像中的第四半径,包括:
确定所述第二直径与所述第一直径的比值;
根据所述第二直径与所述第一直径的比值和所述第三半径确定所述第四半径。
8.如权利要求1至7中任一项所述的方法,其特征在于,所述根据所述校准值确定校准后的图像,包括:
根据所述校准值对所述第三图像进行校准,得到极坐标系下校准后的图像;
将所述极坐标系下校准后的图像转换为世界坐标系下校准后的图像。
9.一种校准图像的装置,其特征在于,所述装置,包括:
获取单元,用于获取第一图像中目标物体的第一直径,所述目标物体的形状为圆形或者椭圆形;
确定单元,用于对所述第一图像增加基准物体处理,确定第二图像,所述第二图像包括所述目标物体和基准物体,所述基准物体的形状为圆形,所述基准物体的直径为第二直径,所述第一图像和所述第二图像对应的图像数据的坐标系为世界坐标系;
转换单元,用于将所述第二图像转换为第三图像,所述第二图像对应的图像数据的坐标系为极坐标系;
所述确定单元,还用于根据在所述极坐标系下的所述第三图像中基准物体的第三半径、所述第一直径和所述第二直径确定所述目标物体在所述第三图像中的第四半径;
所述确定单元,还用于根据所述第三半径和所述第四半径确定校准值;
所述确定单元,还用于根据所述校准值确定校准后的图像。
10.一种图像处理设备,包括处理器,所述处理器与存储器耦合,所述处理器用于执行所述存储器中存储的计算机程序或指令时,以实现如权利要求1-8中任意一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677559.4A CN114511615A (zh) | 2021-12-31 | 2021-12-31 | 一种校准图像的方法及装置 |
CN2021116775594 | 2021-12-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116433743A true CN116433743A (zh) | 2023-07-14 |
Family
ID=81548024
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111677559.4A Withdrawn CN114511615A (zh) | 2021-12-31 | 2021-12-31 | 一种校准图像的方法及装置 |
CN202210546813.5A Pending CN116433743A (zh) | 2021-12-31 | 2022-05-19 | 一种校准图像的方法及装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111677559.4A Withdrawn CN114511615A (zh) | 2021-12-31 | 2021-12-31 | 一种校准图像的方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (2) | CN114511615A (zh) |
WO (1) | WO2023124069A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511615A (zh) * | 2021-12-31 | 2022-05-17 | 深圳市中科微光医疗器械技术有限公司 | 一种校准图像的方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101065052B (zh) * | 2004-12-27 | 2010-12-22 | 奥林巴斯株式会社 | 医疗图像处理装置和医疗图像处理方法 |
US7813609B2 (en) * | 2007-11-12 | 2010-10-12 | Lightlab Imaging, Inc. | Imaging catheter with integrated reference reflector |
US9286673B2 (en) * | 2012-10-05 | 2016-03-15 | Volcano Corporation | Systems for correcting distortions in a medical image and methods of use thereof |
US9301687B2 (en) * | 2013-03-13 | 2016-04-05 | Volcano Corporation | System and method for OCT depth calibration |
CN109118508B (zh) * | 2018-08-31 | 2022-03-25 | 成都美律科技有限公司 | Ivoct图像血管壁内腔轮廓提取方法 |
CN111062942B (zh) * | 2020-03-16 | 2020-06-12 | 南京景三医疗科技有限公司 | 血管分叉的检测方法、装置及医疗设备 |
CN113421231B (zh) * | 2021-06-08 | 2023-02-28 | 杭州海康威视数字技术股份有限公司 | 一种出血点检测方法、装置及系统 |
CN114511615A (zh) * | 2021-12-31 | 2022-05-17 | 深圳市中科微光医疗器械技术有限公司 | 一种校准图像的方法及装置 |
-
2021
- 2021-12-31 CN CN202111677559.4A patent/CN114511615A/zh not_active Withdrawn
-
2022
- 2022-05-19 CN CN202210546813.5A patent/CN116433743A/zh active Pending
- 2022-08-01 WO PCT/CN2022/109465 patent/WO2023124069A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
CN114511615A (zh) | 2022-05-17 |
WO2023124069A1 (zh) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390351B (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
CN102525381B (zh) | 图像处理装置、图像处理方法及计算机可读取的记录装置 | |
CN112257704A (zh) | 基于深度学习检测模型子宫颈液基细胞数字图像分类方法 | |
CN104363815A (zh) | 图像处理装置、图像处理方法以及图像处理程序 | |
CN104143047B (zh) | 血管内超声灰阶图像的自动组织标定方法 | |
CN110766656B (zh) | 筛查眼底黄斑区异常的方法、装置、设备和存储介质 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
CN112164043A (zh) | 一种用于多眼底图像拼接的方法及系统 | |
CN116433743A (zh) | 一种校准图像的方法及装置 | |
CN113658097B (zh) | 一种眼底图像质量增强模型的训练方法及装置 | |
CN109087357A (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
CN117745704A (zh) | 一种用于骨质疏松识别的脊椎区域分割系统 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN110739051B (zh) | 利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法 | |
CN115423804B (zh) | 影像标定方法及装置、影像处理方法 | |
CN116091522A (zh) | 医学图像分割方法、装置、设备及可读存储介质 | |
CN116958983A (zh) | 一种基于机器视觉的指针式压力表自动校验仪示值读数方法 | |
CN116597016A (zh) | 一种光纤内窥镜图像标定方法 | |
CN110956623A (zh) | 皱纹检测方法、装置、设备及计算机可读存储介质 | |
CN116228776A (zh) | 一种机电设备焊接缺陷识别方法及系统 | |
CN113096116B (zh) | 一种基于灰阶图像的医用超声设备性能的自动检测方法 | |
CN114240857A (zh) | 一种基于比色卡的舌诊图像校准方法及校准工具及校准工具 | |
CN112734701A (zh) | 眼底病灶检测方法、检测装置及终端设备 | |
US20220245806A1 (en) | Method for learning threshold value |
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 |