CN116503426A - 基于图像处理的超声图像分割方法 - Google Patents
基于图像处理的超声图像分割方法 Download PDFInfo
- Publication number
- CN116503426A CN116503426A CN202310752280.0A CN202310752280A CN116503426A CN 116503426 A CN116503426 A CN 116503426A CN 202310752280 A CN202310752280 A CN 202310752280A CN 116503426 A CN116503426 A CN 116503426A
- Authority
- CN
- China
- Prior art keywords
- value
- gray level
- detected
- frequency
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003709 image segmentation Methods 0.000 title claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 210000000481 breast Anatomy 0.000 claims abstract description 25
- 238000002604 ultrasonography Methods 0.000 claims description 18
- 210000005075 mammary gland Anatomy 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 15
- 238000004364 calculation method Methods 0.000 description 9
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体涉及一种基于图像处理的超声图像分割方法。该方法包括：获取乳腺B超灰度图像，并划分为多个初始矩形区域；确定初始矩形区域的灰度分布复杂程度；基于灰度共生矩阵中待测元素的频数、频数均值和待测元素所对应矩阵位置与主对角线间的距离，确定待测元素的偏差程度；确定初始矩形区域的对比度，进而确定初始矩形区域的纹理复杂程度；结合灰度分布复杂程度和纹理复杂程度，确定灰度复杂系数；根据所有初始矩形区域的灰度复杂系数和预设初始超像素数量得到目标超像素数量，将乳腺B超灰度图像划分为目标超像素数量个目标超像素区域。本发明能够提升超像素分割自适应性，增强分割效果。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于图像处理的超声图像分割方法。
背景技术
超声成像技术因为其成本低廉、性价比高、无创伤等特点，已经成为检测乳腺肿瘤的重要手段，因乳腺中有大量的脂肪组织，对比度低、阴影较多，直接根据乳腺B超图像判断病灶的准确率降低，因此，计算机辅助诊断系统在影像检查中尤为重要。图像分割是辅助诊断系统中的重要环节。
相关技术中，基于超像素分割算法对乳腺B超图像进行超像素分割，在超像素分割过程中，需预设超像素块的数量，并将乳腺B超图像划分为对应数量个超像素块，但因乳腺边缘模糊和病灶形态复杂等特点，容易造成欠分割和过分割等情况，超像素分割的自适应性较差，分割效果较差。
发明内容
为了解决相关技术中对乳腺B超图像进行超像素分割自适应性较差，分割效果较差的技术问题，本发明提供一种基于图像处理的超声图像分割方法，所采用的技术方案具体如下：
本发明提出了一种基于图像处理的超声图像分割方法，方法包括：
获取乳腺B超图像，将乳腺B超图像平均划分为预设初始超像素数量个初始矩形区域；根据所述初始矩形区域中像素点的灰度值确定初始矩形区域的灰度分布复杂程度；
基于预设灰度共生规则构建每个初始矩形区域的灰度共生矩阵，分别确定每个灰度共生矩阵中元素的频数均值，根据元素的频数和频数均值确定待测元素；根据待测元素的频数、频数均值和待测元素所对应矩阵位置与主对角线间的距离，确定所述待测元素的偏差程度；
根据所有所述待测元素的频数和待测元素对应像素点的灰度值确定初始矩形区域的对比度；根据所有待测元素的偏差程度和对比度，确定所述初始矩形区域的纹理复杂程度；根据所述灰度分布复杂程度和所述纹理复杂程度，确定所述初始矩形区域的灰度复杂系数；
根据所有所述初始矩形区域的灰度复杂系数确定分割调整权值，根据所述分割调整权值和所述预设初始超像素数量得到目标超像素数量，基于所述目标超像素数量对所述乳腺B超图像进行超像素分割处理，将所述乳腺B超图像划分为目标超像素数量个目标超像素区域。
进一步地，所述根据所述初始矩形区域中像素点的灰度值确定初始矩形区域的灰度分布复杂程度，包括：
计算所述初始矩形区域中像素点的灰度值均值，根据所述灰度值均值和所述像素点的灰度值计算得到灰度值方差，将所述灰度值方差作为所述初始矩形区域的灰度分布复杂程度。
进一步地，所述根据待测元素的频数、频数均值和待测元素所对应矩阵位置与主对角线间的距离，确定所述待测元素的偏差程度，包括：
计算所述待测元素的频数和频数均值的差值作为待测频数差值；将所述待测元素所对应矩阵位置与主对角线间的距离作为矩阵距离；
根据所述待测频数差值和所述矩阵距离，得到偏差程度，其中，所述待测频数差值和所述偏差程度成正相关关系，所述矩阵距离和所述偏差程度成正相关关系，所述偏差程度的取值为归一化后的数值。
进一步地，所述根据所有所述待测元素的频数和待测元素对应像素点的灰度值确定初始矩形区域的对比度，包括：
计算待测元素所对应两个像素点灰度值差值的平方作为灰度差值平方；
计算所有所述灰度差值平方和所述待测元素的频数的乘积作为所述初始矩形区域的对比度。
进一步地，所述根据所有待测元素的偏差程度和对比度，确定所述初始矩形区域的纹理复杂程度，包括：
计算所述对比度的归一化值作为对比系数；将所述初始矩形区域中所有待测元素的偏差程度的和值归一化值作为偏差系数；
根据所述对比系数和所述偏差系数得到纹理复杂程度，其中，所述对比系数和所述纹理复杂程度成正相关关系，所述偏差系数和所述纹理复杂程度成正相关关系，所述纹理复杂程度的取值为归一化后的数值。
进一步地，所述灰度分布复杂程度与所述灰度复杂系数成正相关关系，所述纹理复杂程度与所述灰度复杂系数成正相关关系，所述灰度复杂系数的取值为归一化后的数值。
进一步地，所述根据所有所述初始矩形区域的灰度复杂系数确定分割调整权值，包括：
计算所有所述初始矩形区域的灰度复杂系数的均值作为分割调整权值。
进一步地，所述根据所述分割调整权值和所述预设初始超像素数量得到目标超像素数量，包括：
计算所述分割调整权值和所述预设初始超像素数量的乘积作为数量调整值；
对所述数量调整值进行向下取整处理得到目标超像素数量。
进一步地，所述根据元素的频数和频数均值确定待测元素，包括：
将所述频数大于所述频数均值的元素作为待测元素。
本发明具有如下有益效果：
本发明通过初始矩形区域中像素点的灰度值确定灰度分布复杂程度，能够准确量化初始矩形区域中灰度分布情况，增强灰度分布复杂程度的可靠性；而后结合灰度共生矩阵中元素的频数和频数均值等信息，确定待测元素，能够对灰度共生矩阵中的元素进行筛选，在保证图像处理效果的同时降低计算量，提升处理效率，通过待测元素的频数、频数均值和待测元素所对应矩阵位置与主对角线间的距离，确定待测元素的偏差程度，由于待测元素所对应矩阵位置与主对角线间的距离能够表征待测元素所对应像素点间的灰度差异，频数和频数均值能够表征待测元素在初始矩形区域中的出现次数，则偏差程度能够有效表示待测元素所对应纹理的深浅特征和分布情况；通过偏差程度和对比度，确定初始矩形区域的纹理复杂程度，则纹理复杂程度能够表征初始矩形区域中纹理灰度变化和纹理分布规则程度，进而结合纹理复杂程度和灰度分布复杂程度得到灰度复杂系数，提升灰度复杂系数的准确性；通过灰度复杂系数确定分割调整权值，并根据分割调整权值确定目标超像素数量，能够基于灰度复杂系数获取乳腺B超图像的自适应超像素块的数量，从而能够结合乳腺B超图像中的灰度信息和纹理信息等信息，对乳腺B超图像进行自适应的超像素分割处理，降低过分割和欠分割等情况的产生，增强超像素分割的自适应性，提升超像素分割处理的分割效果。
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为本发明一个实施例所提供的一种基于图像处理的超声图像分割方法流程图；
图2为本发明一个实施例所提供的超像素块的数量为400时的分割效果示意图；
图3为本发明一个实施例所提供的超像素块的数量为30时的分割效果示意图。
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基于图像处理的超声图像分割方法，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基于图像处理的超声图像分割方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的超声图像分割方法流程图，该方法包括：
S101：获取乳腺B超图像，将乳腺B超图像平均划分为预设初始超像素数量个初始矩形区域；根据初始矩形区域中像素点的灰度值确定初始矩形区域的灰度分布复杂程度。
本发明实施例中，可以使用B型超声诊断仪器采集乳腺B超图像，可以理解的是，B超图像在生成之后即为灰度图像，在对乳腺B超图像进行超像素分割过程中，需要预先确定超像素块的数量，如果预先设置的超像素块的数量较大时，容易产生过分割，导致病灶区域被划分为多个超像素块，如图2所示，图2为本发明一个实施例所提供的超像素块的数量为400时的分割效果示意图；如果预先设置的超像素块的数量较小时，容易产生欠分割，导致无法有效划分出病灶区域，如图3所示，图3为本发明一个实施例所提供的超像素块的数量为30时的分割效果示意图。
则本发明可以根据先验经验确定预设初始超像素数量，而后，在后续步骤中根据乳腺B超图像中的相关信息对预设初始超像素数量进行自适应调整，可选地，预设初始超像素数量可以根据先验经验设置一个较大的值，具体例如为200个，对此不做限制。
进一步地，本发明的一些实施例中，根据初始矩形区域中像素点的灰度值确定初始矩形区域的灰度分布复杂程度，包括：计算初始矩形区域中像素点的灰度值均值，根据灰度值均值和像素点的灰度值计算得到灰度值方差，将灰度值方差作为初始矩形区域的灰度分布复杂程度。
本发明实施例中，可以根据初始矩形区域中所有像素点灰度值计算得到像素点的灰度值均值，对应的计算公式为：
式中，表示第/>个初始矩形区域中所有像素点的灰度值均值，/>表示初始矩形区域的索引，/>表示初始矩形区域中像素点的总数量，/>表示初始矩形区域中像素点的索引，/>表示第/>个像素点的灰度值。
则根据灰度值均值和像素点的灰度值计算得到灰度值方差，并将灰度值方差直接作为初始矩形区域的灰度分布复杂程度，对应的计算公式为：
式中，表示第/>个初始矩形区域中所有像素点的灰度分布复杂程度，/>表示初始矩形区域的索引，/>表示初始矩形区域中像素点的总数量，/>表示初始矩形区域中像素点的索引，/>表示第/>个像素点的灰度值，/>表示第/>个初始矩形区域中所有像素点的灰度值均值。
可以理解的是，灰度值方差可以表征初始矩形区域内像素点灰度分布情况，灰度值方差越大，则对应的初始矩形区域中像素点的灰度分布越复杂，极大灰度值和极小灰度值出现频数越高，将灰度值方差直接作为初始矩形区域的灰度分布复杂程度，从而能够获得更为可靠的灰度分布复杂程度。
S102：基于预设灰度共生规则构建每个初始矩形区域的灰度共生矩阵，分别确定每个灰度共生矩阵中元素的频数均值，根据元素的频数和频数均值确定待测元素；根据待测元素的频数、频数均值和待测元素所对应矩阵位置与主对角线间的距离，确定待测元素的偏差程度。
其中，灰度共生矩阵，是表示初始矩形区域内像素点的灰度纹理特征的矩阵，可以基于预设灰度共生规则确定初始矩形区域的灰度共生矩阵，本发明实施例中，预设灰度共生规则可以是将特定方向上相邻的两个像素点的灰度值作为一个元素，其中，特定方向可以具体例如为水平0度方向，当然，本发明实施例中还可以根据实际检测需求调整预设灰度共生规则，对此不做限制，举例而言，水平0度方向上像素点的灰度值分布为“1，5，3，0，0，1”时，则对应的元素可以包括：（1，5）、（5，3）、（3，0）、（0，0）、（0，1）。
也即是说，预先搭建一个空白的灰度共生矩阵，根据水平方向上相邻的两个像素点的灰度值出现的频数对所述空白的灰度共生矩阵进行填充，直至遍历所有的初始矩形区域，得到初始矩形区域的灰度共生矩阵，灰度共生矩阵为本领域所熟知的技术，对此不再赘述。
在生成灰度共生矩阵之后，灰度共生矩阵中对应元素的数值则为该元素在初始矩形区域内出现的频数，则可以分别计算每个灰度共生矩阵中元素频数的平均值作为对应灰度共生矩阵中元素的频数均值。
进一步地，本发明实施例中，根据元素的频数和频数均值确定待测元素，包括：将频数大于频数均值的元素作为待测元素。
则本发明实施例中，可以将频数大于频数均值的元素作为待测元素，可以理解的是，在频数大于频数均值时，可以表示所对应元素在初始矩形区域中出现的频数较大，则对待测元素进行分析，能够对灰度共生矩阵中的元素进行筛选，在保证图像处理效果的同时降低计算量，提升处理效率。
可以理解的是，在乳腺B超图像中，不同病因在灰度图像中表征的情况不同，但病灶区域基本均具有形态复杂的特点，因此，将频数大于频数均值的元素作为待测元素，能够有效对纹理区域进行处理，提升后续偏差程度获取的准确性。
进一步地，本发明的一些实施例中，根据待测元素的频数、频数均值和待测元素所对应矩阵位置与主对角线间的距离，确定待测元素的偏差程度，包括：计算待测元素的频数和频数均值的差值作为待测频数差值；将待测元素所对应矩阵位置与主对角线间的距离作为矩阵距离；根据待测频数差值和矩阵距离，得到偏差程度，其中，待测频数差值和偏差程度成正相关关系，矩阵距离和偏差程度成正相关关系，偏差程度的取值为归一化后的数值。
其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。
由灰度共生矩阵可知，灰度共生矩阵的主对角线为元素（0，0）与（1，1）所连接并延长得到的对角线，由于主对角线元素中两个像素点的灰度值分布相同，也即是说，对应特定方向两个像素点的灰度值相同，则矩阵距离计算公式为：
式中，表示待测元素/>所对应矩阵位置与主对角线间的距离，/>表示待测元素，/>和/>均表示待测元素/>中对应像素点的灰度值。
因主对角线为等于/>所对应的元素，也即是说，待测元素所对应矩阵位置与主对角线间的距离越大，元素中两个像素点的差值越大，则可以说明对应元素在特定方向上的梯度越大，对应的矩阵距离越大。
在本发明的一些实施例中，偏差程度的计算公式可以具体例如为：
式中，表示待测元素/>的偏差程度，/>和/>均表示待测元素/>中对应像素点的灰度值，/>表示待测元素，/>表示待测元素/>在灰度共生矩阵中的矩阵位置与主对角线间的距离，/>表示待测元素/>的频数，/>表示初始矩形区域所对应灰度共生矩阵中所有待测元素的频数均值，/>表示待测元素/>的待测频数差值，/>表示求归一化。
在本发明的一些实施例中，归一化处理可以具体以例如为最大最小值归一化，当然，在本发明的另一些实施例中还可以根据实际需求使用其他任意可能的归一化方式，对此不做限制。
则对应的，在待测频数差值越大时，可以表示待测元素对应的频数越大，也即待测元素在初始矩形区域中出现次数越多；待测元素在灰度共生矩阵中的矩阵位置与主对角线间的距离越大，可以表示对应元素在特定方向上的灰度梯度越大，进而表示所对应纹理的沟纹越深，则在待测频数差值越大、距离越大时，可以表示对应纹理越深且出现次数越多，偏差程度越大。也即是说，由于矩阵距离能够表征待测元素所对应像素点间的灰度差异，频数和频数均值能够表征待测元素在初始矩形区域中的出现次数，则偏差程度能够有效表示待测元素所对应纹理的深浅特征和分布情况。
S103：根据所有待测元素的频数和待测元素对应像素点的灰度值确定初始矩形区域的对比度；根据所有待测元素的偏差程度和对比度，确定初始矩形区域的纹理复杂程度；根据灰度分布复杂程度和纹理复杂程度，确定初始矩形区域的灰度复杂系数。
进一步地，本发明的一些实施例中，根据所有待测元素的频数和待测元素对应像素点的灰度值确定初始矩形区域的对比度，包括：计算待测元素所对应两个像素点灰度值差值的平方作为灰度差值平方；计算所有灰度差值平方和待测元素的频数的乘积作为初始矩形区域的对比度。
其中，对比度，为灰度共生矩阵中的特征值，对比度可以表征图像清晰度，则对比度越大，越可以表示初始矩形区域中所对应的图像清晰度越高。
在本发明的一个实施例中，对比度计算公式可以具体例如为：
式中，表示第/>个初始矩形区域的对比度，/>表示初始矩形区域的索引，/>和/>均表示待测元素/>中对应像素点的灰度值，/>表示灰度值/>的最大值，J表示灰度值/>的最大值，/>表示待测元素，/>表示待测元素/>的频数，/>表示灰度差值平方。
也即是说，在待测元素中灰度值差异越大，且对应频数越大时，可以表示所对应初始矩形区域的纹理更清晰，且清晰纹理所对应的数量更多，则可以进一步表示初始矩形区域的对比度越大。
进一步地，本发明的一些实施例中，根据所有待测元素的偏差程度和对比度，确定初始矩形区域的纹理复杂程度，包括：计算对比度的归一化值作为对比系数；将初始矩形区域中所有待测元素的偏差程度的和值归一化值作为偏差系数；根据对比系数和偏差系数得到纹理复杂程度，其中，对比系数和纹理复杂程度成正相关关系，偏差系数和纹理复杂程度成正相关关系，纹理复杂程度的取值为归一化后的数值。
在本发明的一些实施例中，纹理复杂程度的计算公式可以具体例如为：
式中，表示第/>个初始矩形区域的纹理复杂程度，/>表示初始矩形区域的索引，表示第/>个初始矩形区域的对比度，/>和/>均表示待测元素/>中对应像素点的灰度值，/>表示灰度值/>的最大值，J表示灰度值/>的最大值，/>表示待测元素，/>表示待测元素/>的偏差程度，/>表示求归一化，/>表示对比系数，/>表示偏差系数。
可以理解的是，由于对比度表征初始矩形区域中图像清晰度，而待测元素的偏差程度表征纹理的沟纹深浅，也即在对比度越大时，可以表示图像整体清晰度越大，初始矩形区域中展现的细节越多，初始矩形区域的纹理复杂程度越大；在所有待测元素的偏差程度越大时，可以表示初始矩形区域中纹理越深且分布越不规则，初始矩形区域的纹理复杂程度越大，则结合所有待测元素的偏差程度和对比度，得到纹理复杂程度，进而能够提升纹理复杂程度的准确性。
进一步地，灰度分布复杂程度与灰度复杂系数成正相关关系，纹理复杂程度与灰度复杂系数成正相关关系，灰度复杂系数的取值为归一化后的数值。
本发明实施例中，可以进一步结合灰度分布复杂程度和纹理复杂程度确定灰度复杂系数，在本发明的一些实施例中，对应的计算公式为：
式中，表示第/>个初始矩形区域的灰度复杂系数，/>表示初始矩形区域的索引，表示第/>个初始矩形区域的纹理复杂程度，/>表示第/>个初始矩形区域中所有像素点的灰度分布复杂程度，/>表示求归一化。
本发明实施例中，灰度分布复杂程度越大，对应的灰度值方差越大，则初始矩形区域中像素点的灰度分布越复杂，初始矩形区域的灰度复杂系数越大；纹理复杂程度能够表征初始矩形区域中纹理灰度变化和纹理分布规则程度，初始矩形区域的纹理复杂程度越大，则图像整体清晰度越大，初始矩形区域中纹理越深且分布越不规则，初始矩形区域的灰度复杂系数越大，也即是说，灰度分布复杂程度和纹理复杂程度均与灰度复杂系数成正相关关系。
S104：根据所有初始矩形区域的灰度复杂系数确定分割调整权值，根据分割调整权值和预设初始超像素数量得到目标超像素数量，基于目标超像素数量对乳腺B超图像进行超像素分割处理，将乳腺B超图像划分为目标超像素数量个目标超像素区域。
进一步地，本发明的一些实施例中，根据所有初始矩形区域的灰度复杂系数确定分割调整权值，包括：计算所有初始矩形区域的灰度复杂系数的均值作为分割调整权值。对应的计算公式为：
式中，表示分割调整权值，/>表示初始矩形区域的索引，/>表示初始矩形区域的总数量，/>表示第/>个初始矩形区域的灰度复杂系数。
其中，分割调整权值可以被用于表示整个乳腺B超图像的分割调整的权重值，可以理解的是，在乳腺B超图像的灰度复杂系数均值越大时，可以表示整个乳腺B超图像所对应纹理越多，纹理分布越复杂，则对应的分割调整权值越大，以便于后续根据分割调整权值对预设初始超像素数量进行调整。
进一步地，本发明的一些实施例中，根据分割调整权值和预设初始超像素数量得到目标超像素数量，包括：计算分割调整权值和预设初始超像素数量的乘积作为数量调整值；对数量调整值进行向下取整处理得到目标超像素数量。
可以理解的是，预设初始超像素数量的数值可以为一个较大的数值，以便于对预设初始超像素数量进行调整，因此，在本发明的一些实施例中，目标超像素数量对应的计算公式包括：
式中，表示目标超像素数量，/>表示预设初始超像素数量，/>表示分割调整权值，/>表示数量调整值，/>表示向下取整。
也即是说，根据分割调整权值对预设初始超像素数量进行调整，由于分割调整权值越大，表示乳腺B超图像中初始矩形区域的灰度复杂系数越大，也即乳腺B超图像越需要被划分为数量更多的超像素块，也即所得到的目标超像素数量越多。
本发明实施例在确定目标超像素数量之后，可以基于目标超像素数量对乳腺B超图像进行超像素分割处理，将乳腺B超图像划分为目标超像素数量个目标超像素区域。
其中，超像素分割，为本领域所熟知的图像分割方式，通过将相似纹理、颜色、亮度等特征的相邻像素构成具有一定视觉意义的不规则超像素块，从而提高图像处理效率和处理效果。则本发明实施例中，基于目标超像素数量对乳腺B超图像进行超像素分割处理，也即是说，将目标超像素数量作为待分割的超像素块的数量，对乳腺B超图像进行超像素分割处理，可以理解的是，超像素分割处理可以具体例如为超像素分割(Simple LinearIterative Clustering，SLIC)算法进行超像素分割，将目标超像素数量作为种子点数量，进而将乳腺B超图像划分为目标超像素数量个目标超像素区域，SLIC算法为本领域所熟知的算法，对此不再赘述。
本发明通过初始矩形区域中像素点的灰度值确定灰度分布复杂程度，能够准确量化初始矩形区域中灰度分布情况，增强灰度分布复杂程度的可靠性；而后结合灰度共生矩阵中元素的频数和频数均值等信息，确定待测元素，能够对灰度共生矩阵中的元素进行筛选，在保证图像处理效果的同时降低计算量，提升处理效率，通过待测元素的频数、频数均值和待测元素所对应矩阵位置与主对角线间的距离，确定待测元素的偏差程度，由于待测元素所对应矩阵位置与主对角线间的距离能够表征待测元素所对应像素点间的灰度差异，频数和频数均值能够表征待测元素在初始矩形区域中的出现次数，则偏差程度能够有效表示待测元素所对应纹理的深浅特征和分布情况；通过偏差程度和对比度，确定初始矩形区域的纹理复杂程度，则纹理复杂程度能够表征初始矩形区域中纹理灰度变化和纹理分布规则程度，进而结合纹理复杂程度和灰度分布复杂程度得到灰度复杂系数，提升灰度复杂系数的准确性；通过灰度复杂系数确定分割调整权值，并根据分割调整权值确定目标超像素数量，能够基于灰度复杂系数获取乳腺B超图像的自适应超像素块的数量，从而能够结合乳腺B超图像中的灰度信息和纹理信息等信息，对乳腺B超图像进行自适应的超像素分割处理，降低过分割和欠分割等情况的产生，增强超像素分割的自适应性，提升超像素分割处理的分割效果。
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 (9)
1.一种基于图像处理的超声图像分割方法，其特征在于，所述方法包括：
获取乳腺B超图像，将乳腺B超图像平均划分为预设初始超像素数量个初始矩形区域；根据所述初始矩形区域中像素点的灰度值确定初始矩形区域的灰度分布复杂程度；
基于预设灰度共生规则构建每个初始矩形区域的灰度共生矩阵，分别确定每个灰度共生矩阵中元素的频数均值，根据元素的频数和频数均值确定待测元素；根据待测元素的频数、频数均值和待测元素所对应矩阵位置与主对角线间的距离，确定所述待测元素的偏差程度；
根据所有所述待测元素的频数和待测元素对应像素点的灰度值确定初始矩形区域的对比度；根据所有待测元素的偏差程度和对比度，确定所述初始矩形区域的纹理复杂程度；根据所述灰度分布复杂程度和所述纹理复杂程度，确定所述初始矩形区域的灰度复杂系数；
根据所有所述初始矩形区域的灰度复杂系数确定分割调整权值，根据所述分割调整权值和所述预设初始超像素数量得到目标超像素数量，基于所述目标超像素数量对所述乳腺B超图像进行超像素分割处理，将所述乳腺B超图像划分为目标超像素数量个目标超像素区域。
2.如权利要求1所述的一种基于图像处理的超声图像分割方法，其特征在于，所述根据所述初始矩形区域中像素点的灰度值确定初始矩形区域的灰度分布复杂程度，包括：
计算所述初始矩形区域中像素点的灰度值均值，根据所述灰度值均值和所述像素点的灰度值计算得到灰度值方差，将所述灰度值方差作为所述初始矩形区域的灰度分布复杂程度。
3.如权利要求1所述的一种基于图像处理的超声图像分割方法，其特征在于，所述根据待测元素的频数、频数均值和待测元素所对应矩阵位置与主对角线间的距离，确定所述待测元素的偏差程度，包括：
计算所述待测元素的频数和频数均值的差值作为待测频数差值；将所述待测元素所对应矩阵位置与主对角线间的距离作为矩阵距离；
根据所述待测频数差值和所述矩阵距离，得到偏差程度，其中，所述待测频数差值和所述偏差程度成正相关关系，所述矩阵距离和所述偏差程度成正相关关系，所述偏差程度的取值为归一化后的数值。
4.如权利要求1所述的一种基于图像处理的超声图像分割方法，其特征在于，所述根据所有所述待测元素的频数和待测元素对应像素点的灰度值确定初始矩形区域的对比度，包括：
计算待测元素所对应两个像素点灰度值差值的平方作为灰度差值平方；
计算所有所述灰度差值平方和所述待测元素的频数的乘积作为所述初始矩形区域的对比度。
5.如权利要求1所述的一种基于图像处理的超声图像分割方法，其特征在于，所述根据所有待测元素的偏差程度和对比度，确定所述初始矩形区域的纹理复杂程度，包括：
计算所述对比度的归一化值作为对比系数；将所述初始矩形区域中所有待测元素的偏差程度的和值归一化值作为偏差系数；
根据所述对比系数和所述偏差系数得到纹理复杂程度，其中，所述对比系数和所述纹理复杂程度成正相关关系，所述偏差系数和所述纹理复杂程度成正相关关系，所述纹理复杂程度的取值为归一化后的数值。
6.如权利要求1所述的一种基于图像处理的超声图像分割方法，其特征在于，所述灰度分布复杂程度与所述灰度复杂系数成正相关关系，所述纹理复杂程度与所述灰度复杂系数成正相关关系，所述灰度复杂系数的取值为归一化后的数值。
7.如权利要求1所述的一种基于图像处理的超声图像分割方法，其特征在于，所述根据所有所述初始矩形区域的灰度复杂系数确定分割调整权值，包括：
计算所有所述初始矩形区域的灰度复杂系数的均值作为分割调整权值。
8.如权利要求1所述的一种基于图像处理的超声图像分割方法，其特征在于，所述根据所述分割调整权值和所述预设初始超像素数量得到目标超像素数量，包括：
计算所述分割调整权值和所述预设初始超像素数量的乘积作为数量调整值；
对所述数量调整值进行向下取整处理得到目标超像素数量。
9.如权利要求1所述的一种基于图像处理的超声图像分割方法，其特征在于，所述根据元素的频数和频数均值确定待测元素，包括：
将所述频数大于所述频数均值的元素作为待测元素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310752280.0A CN116503426B (zh) | 2023-06-26 | 2023-06-26 | 基于图像处理的超声图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310752280.0A CN116503426B (zh) | 2023-06-26 | 2023-06-26 | 基于图像处理的超声图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116503426A true CN116503426A (zh) | 2023-07-28 |
| CN116503426B CN116503426B (zh) | 2023-08-25 |
Family
ID=87325083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310752280.0A Active CN116503426B (zh) | 2023-06-26 | 2023-06-26 | 基于图像处理的超声图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116503426B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152447A (zh) * | 2023-11-01 | 2023-12-01 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
| CN118314235A (zh) * | 2024-06-05 | 2024-07-09 | 陕西省人民医院(陕西省临床医学研究院) | 基于图像识别的心脑血管智能成像方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6466687B1 (en) * | 1997-02-12 | 2002-10-15 | The University Of Iowa Research Foundation | Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology |
| WO2019001208A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 一种oct图像中脉络膜新生血管分割算法 |
| CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及系统 |
| CN114842027A (zh) * | 2022-04-24 | 2022-08-02 | 南通真馨家纺有限公司 | 基于灰度共生矩阵的织物疵点分割方法和系统 |
| CN114913185A (zh) * | 2022-04-22 | 2022-08-16 | 青岛大学附属医院 | 肺ct图像的纹理分割方法及系统 |
| CN115147409A (zh) * | 2022-08-30 | 2022-10-04 | 深圳市欣冠精密技术有限公司 | 基于机器视觉的手机壳生产品质检测方法 |
| CN116310569A (zh) * | 2023-03-22 | 2023-06-23 | 上海电力大学 | 一种基于鲁棒纹理特征的乳腺病变检测与分类装置 |
-
2023
- 2023-06-26 CN CN202310752280.0A patent/CN116503426B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6466687B1 (en) * | 1997-02-12 | 2002-10-15 | The University Of Iowa Research Foundation | Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology |
| WO2019001208A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 一种oct图像中脉络膜新生血管分割算法 |
| CN114913185A (zh) * | 2022-04-22 | 2022-08-16 | 青岛大学附属医院 | 肺ct图像的纹理分割方法及系统 |
| CN114842027A (zh) * | 2022-04-24 | 2022-08-02 | 南通真馨家纺有限公司 | 基于灰度共生矩阵的织物疵点分割方法和系统 |
| CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及系统 |
| CN115147409A (zh) * | 2022-08-30 | 2022-10-04 | 深圳市欣冠精密技术有限公司 | 基于机器视觉的手机壳生产品质检测方法 |
| CN116310569A (zh) * | 2023-03-22 | 2023-06-23 | 上海电力大学 | 一种基于鲁棒纹理特征的乳腺病变检测与分类装置 |
Non-Patent Citations (1)
| Title |
|---|
| SOLMAZ ABBASI等: "A Hybrid Approach for Detection of Brain Tumor in MRI Images", 《21ST IRANIAN CONFERENCE ON BIOMEDICAL ENGINEERING (ICBME 2014)》, pages 269 - 274 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152447A (zh) * | 2023-11-01 | 2023-12-01 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
| CN117152447B (zh) * | 2023-11-01 | 2024-02-02 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
| CN118314235A (zh) * | 2024-06-05 | 2024-07-09 | 陕西省人民医院(陕西省临床医学研究院) | 基于图像识别的心脑血管智能成像方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116503426B (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116503426B (zh) | 基于图像处理的超声图像分割方法 | |
| CN110176012B (zh) | 图像中的目标分割方法、池化方法、装置及存储介质 | |
| Bui et al. | Single image dehazing using color ellipsoid prior | |
| CN109840913B (zh) | 一种乳腺x线图像中肿块分割的方法和系统 | |
| CN103679173B (zh) | 图像显著区域检测方法 | |
| AU2015283079A1 (en) | Detecting edges of a nucleus using image analysis | |
| WO2006024974A1 (en) | Feature weighted medical object contouring using distance coordinates | |
| CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN116740070A (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
| CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| EP2036039A2 (en) | A method, a system and a computer program for determining a threshold in an image comprising image values | |
| CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| CN116385436B (zh) | 一种基于ct图像的胆结石辅助检测系统 | |
| CN109345536B (zh) | 一种图像超像素分割方法及其装置 | |
| CN113971669A (zh) | 应用于管道损伤识别的三维检测系统 | |
| Lermé et al. | Reducing graphs in graph cut segmentation | |
| CN115984131A (zh) | 双维度图像边缘增强方法及应用 | |
| CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
| CN106991660A (zh) | 基于改进型八叉树分解的三维超声图像数据抽样方法 | |
| CN104200460B (zh) | 基于图像特征和互信息的图像配准方法 | |
| CN113724267A (zh) | 一种乳腺超声图像肿瘤分割方法及装置 | |
| CN105374025A (zh) | 乳房图像获取方法及装置、乳房摄影系统 | |
| CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
| CN115797374B (zh) | 基于图像处理的机场跑道提取方法 | |
| CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 |
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 |