CN116525073B - 一种基于健康体检大数据的数据库智能管理系统 - Google Patents
一种基于健康体检大数据的数据库智能管理系统 Download PDFInfo
- Publication number
- CN116525073B CN116525073B CN202310796371.4A CN202310796371A CN116525073B CN 116525073 B CN116525073 B CN 116525073B CN 202310796371 A CN202310796371 A CN 202310796371A CN 116525073 B CN116525073 B CN 116525073B
- Authority
- CN
- China
- Prior art keywords
- important area
- important
- image
- physical examination
- acquiring
- 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
- 230000036541 health Effects 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 50
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000007726 management method Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 abstract description 10
- 238000007906 compression Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种基于健康体检大数据的数据库智能管理系统,包括:采集体检影像,获取体检影像中的重要区域与非重要区域;获取重要区域的矩形中心点,根据非重要区域中像素点与矩形中心点的距离,获取非重要区域中自适应的滤波窗口尺寸并滤波,得到滤波后图像;对滤波后图像中的重要区域及非重要区域分别进行奇异值分解,根据分解结果中不同奇异值对应的项,构建对于保留项数的目标函数,分别对重要区域及非重要区域获取最优保留项数,得到待压缩图像;对待压缩图像进行存储,完成健康体检大数据的数据库智能管理。本发明旨在解决体检影像使用奇异值分解降秩进行存储时压缩效率较低的问题。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于健康体检大数据的数据库智能管理系统。
背景技术
健康体检大数据的数据库智能管理系统是当前医疗健康领域的一个重要发展方向,目前已经逐渐得到广泛应用;随着健康大数据技术的飞速发展,健康数据的获取、管理和分析能力不断提升,伴随着新技术的不断涌现,健康体检大数据的数据库智能管理系统的应用技术也在不断升级;健康体检大数据的数据库智能管理系统中,体检影像的存储是一个关键的环节,由于体检影像数据量巨大,传统的存储方式已经无法满足其管理和查询的需求;因此体检影像的存储需要采用高效、可扩展的数据存储及管理系统。
现有技术中通过对图像进行模糊化后使用奇异值分解降秩,可以减少存储空间,模糊化可以减小高频成分,降低图像复杂度和数据量,同时保留主要信息,减小无关细节的影响,从而实现较好的压缩效果;然而对图像模糊化通常采用窗口进行滤波,固定大小的滤波窗口不能适应图像中的局部变化,不能很好地处理各种尺度和纹理的图像,进而导致图像整体模糊,丢失细节信息的同时无法对不重要信息进行有效去除,进而影响压缩效率的同时无法保证压缩效果;因此需要针对图像中不同区域进行自适应滤波窗口大小的设置,从而实现不同程度的模糊化,进而提高奇异值分解的压缩效果。
发明内容
本发明提供一种基于健康体检大数据的数据库智能管理系统,以解决现有的体检影像使用奇异值分解降秩进行存储时压缩效率较低的问题,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于健康体检大数据的数据库智能管理系统,该系统包括:
体检影像采集模块,采集体检影像,获取体检影像中的重要区域与非重要区域;
影像分析处理模块:根据非重要区域中像素点与重要区域的矩形中心点的距离,获取非重要区域中每个像素点自适应的滤波窗口尺寸并滤波,得到滤波后图像;
根据基于滤波后图像中每个重要区域及非重要区域的奇异值分解结果构建的目标函数,得到每个重要区域及非重要区域的最优保留项数,根据最优保留项数及奇异值分解结果得到待压缩图像;
影像存储管理模块,对待压缩图像进行存储,完成健康体检大数据的数据库智能管理。
进一步的,所述获取非重要区域中每个像素点自适应的滤波窗口尺寸并滤波,包括的具体方法为:
获取每个重要区域的矩形中心点,对非重要区域中每个像素点分别获取与矩形中心点的距离;以非重要区域中第个像素点为中心,对应的自适应滤波窗口的边长/>的计算方法为:
其中,表示滤波窗口的边长最大值,/>表示滤波窗口的边长每次减小的步长,/>表示滤波窗口的边长的种类数,/>表示非重要区域中第/>个像素点与矩形中心点的距离,/>表示体检影像中对角线长度,其中/>,体检影像的分辨率为/>,/>表示向下取整;
获取非重要区域中每个像素点自适应的滤波窗口的边长,得到自适应的滤波窗口尺寸;根据自适应滤波窗口尺寸对非重要区域进行滤波。
进一步的,所述每个重要区域的矩形中心点,具体的获取方法为:
以任意一个重要区域为目标重要区域,获取目标重要区域的最小外接矩形,对最小外接矩形获取两条对角线的角点,记为目标重要区域的矩形中心点;
获取每个重要区域的矩形中心点。
进一步的,所述根据自适应滤波窗口尺寸对非重要区域进行滤波,包括的具体方法为:
按照滤波窗口尺寸大小,从滤波窗口尺寸最大的像素点开始进行滤波,滤波方法采用高斯滤波,相同尺寸大小的滤波窗口,遍历顺序为从左到右再从上到下,并逐渐减小滤波窗口尺寸进行滤波,直到对非重要区域中所有像素点完成高斯滤波。
进一步的,所述得到每个重要区域及非重要区域的最优保留项数,包括的具体方法为:
对滤波后图像中每个重要区域及非重要区域分别进行奇异值分解,得到每个重要区域及非重要区域分别对应的由若干项组成的奇异值分解结果,根据奇异值分解结果构建对于保留项数的目标函数;
对每个重要区域及非重要区域,获取对应的目标函数输出值最大值,将最大值对应的保留项数作为每个重要区域及非重要区域的最优保留项数。
进一步的,所述根据奇异值分解结果构建对于保留项数的目标函数,包括的具体方法为:
对于任意一个奇异值分解结果,构建对于保留项数的目标函数,具体表达式为:
其中,表示保留项数/>与该奇异值分解结果中项数的比值,/>表示保留项数/>下保留项在奇异值分解结果中的占比,/>表示保留项数/>下重构得到的矩阵与对应区域的相似度,/>表示保留项数/>下的相似度参考系数,若相似度大于预设第一阈值,相似度参考系数为相似度减去预设第一阈值得到的差值,若相似度小于等于预设第一阈值,相似度参考系数为0;
所述相似度计算方法采用余弦相似度,通过对矩阵元素逐行遍历首尾相连得到一个高维行向量,对行向量计算余弦相似度,得到的结果作为相似度。
本发明的有益效果是:本发明通过对健康体检大数据中的体检影响获取重要区域与非重要区域,对重要区域获取矩形中心点,通过矩形中心点来反映非重要区域中像素点与重要区域的分布关系,进而得到自适应的滤波窗口尺寸并滤波,通过滤波实现对非重要区域的模糊化,为后续非重要区域较少的保留项数提供基础,同时自适应滤波保证非重要区域中细节信息不会过多丢失,同时越靠近重要区域保留细节信息越多;通过对重要区域及非重要区域进行奇异值分解,并获取最优保留系数,实现保留系数较少的同时,重构后对于图像的还原度越高,进而提高压缩效果,并对重构得到的待压缩图像进行存储,减少体检影像在数据库中占用的存储空间,提高数据库的智能管理效率。
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,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种基于健康体检大数据的数据库智能管理系统结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的一种基于健康体检大数据的数据库智能管理系统结构框图,该系统包括:
体检影像采集模块101,采集体检影像,获取体检影像中的重要区域与非重要区域。
本实施例的目的是对健康体检大数据中的体检影像进行存储管理,因此首先需要采集体检影像;从健康体检大数据中获取若干体检影像,体检影像多为各种CT影像数据,影像中每个像素点的像素值都可以用灰度值来表示,本实施例将体检影像作为灰度图像来进行后续叙述;体检影像中重要区域及非重要区域,通过现有的注意力机制,利用神经网络模型得到对于体检影像的重要程度标记图,重要程度标记图中每个像素点都有对应的重要程度;通过神经网络获取像素点的重要程度为现有技术,本实施例不再赘述。
进一步的,根据体检影像中每个像素点对应的重要程度进行OTSU阈值分割,将重要程度大于等于分割阈值的像素点组成的区域记为重要区域,重要程度小于分割阈值的像素点组成的区域记为非重要区域,则得到了体检影像中的重要区域与非重要区域。
至此,获取到了体检影像及其中的重要区域与非重要区域。
影像分析处理模块102:
(1)获取重要区域的矩形中心点,根据非重要区域中像素点与矩形中心点的距离,获取非重要区域中自适应的滤波窗口尺寸并滤波,得到滤波后图像。
需要说明的是,对于图像中的非重要区域,其包含的细节信息较少,可以进行模糊化而丢失部分细节信息,而通过奇异值分解,将矩阵分解成若干个秩一矩阵之和,每个秩一矩阵视为一项,分解后的项数仅与图像的清晰程度相关,而通过模糊化,可以使得非重要区域清晰程度降低,清晰程度包括分辨率及复杂程度,进而使得分解后的项数减少;而滤波窗口尺寸越大,滤波窗口内模糊化程度越高,细节信息丢失越多,对于非重要区域,其越靠近重要区域以及两种区域交界部分,应越减少细节信息丢失,即滤波窗口尺寸越小,则可以对此进行非重要区域中不同滤波窗口的尺寸,进而得到滤波后图像。
具体的,体检影像中可能存在不止一个重要区域,以任意一个重要区域为例,获取该重要区域的最小外接矩形,对最小外接矩形获取两条对角线的角点,记为该重要区域的矩形中心点;按照上述方法获取每个重要区域的矩形中心点。
进一步的,对非重要区域中每个像素点分别获取与矩形中心点的距离,距离采用空间距离进行计算,若体检影像中存在多个矩形中心点,即存在多个重要区域,则将获取到的空间距离最小值作为像素点与矩形中心点的距离,根据距离获取自适应的滤波窗口尺寸,以非重要区域中第个像素点为中心,其自适应的滤波窗口的边长/>的计算方法为:
其中,表示滤波窗口的边长最大值,本实施例采用/>进行叙述;/>表示滤波窗口的边长每次减小的步长,本实施例采用/>进行叙述;/>表示滤波窗口的边长的种类数,本实施例滤波窗口的边长最小值采用3进行叙述,则最小值到最大值之间共有个滤波窗口的边长;/>表示非重要区域中第/>个像素点与矩形中心点的距离,/>表示体检影像中对角线长度,其单位与距离单位相同,其中/>,体检影像的分辨率为;/>表示向下取整;通过像素点与矩形中心点的距离来量化滤波窗口边长,距离越小,滤波窗口的边长应越小,从而保留更多细节信息,而像素点与矩形中心点的距离最大值一定不会超过体检影像的对角线长度,则通过滤波窗口的边长的种类数来量化,进而得到自适应的滤波窗口边长;按照上述方法获取非重要区域中每个像素点自适应的滤波窗口的边长,则得到了自适应的滤波窗口尺寸。
进一步的,按照滤波窗口尺寸大小,从滤波窗口尺寸最大的像素点开始进行滤波,滤波方法采用高斯滤波,并逐渐减小滤波窗口尺寸进行滤波,直到对非重要区域中所有像素点完成高斯滤波,得到的图像记为滤波后图像,需要说明的是,对于体检影像中边界部分无法获取完整滤波窗口的像素点,根据其所在的若干滤波窗口中尺寸最大的滤波窗口进行滤波,同时对于滤波过程中相同尺寸大小的滤波窗口,遍历顺序为从左到右再从上到下,则完成滤波。
至此,通过自适应滤波窗口尺寸的获取,通过高斯滤波完成对于非重要区域的模糊化,得到滤波后图像。
(2)对滤波后图像中的重要区域及非重要区域分别进行奇异值分解,根据分解结果中不同奇异值对应的项,构建对于保留项数的目标函数,分别对重要区域及非重要区域获取最优保留项数,得到待压缩图像。
需要说明的是,对滤波后图像中每个重要区域及非重要区域分别进行奇异值分解,奇异值分解是针对矩阵的,每个重要区域已经获取了最小外接矩形,则将每个重要区域中像素点的像素值作为矩阵元素,通过奇异值分解得到若干项,每一项都为一个秩一矩阵,且对应一个奇异值;而对于非重要区域,其项数数量与重要区域存在差异,则需要单独进行奇异值分解;而奇异值分解后,为了达到压缩目的,需要保留一定项,并根据保留项重构矩阵,通过重构矩阵与原区域的相似度,结合保留项数,获取最优保留项数,进而得到待压缩图像。
具体的,首先对滤波后图像中每个重要区域及非重要区域分别进行奇异值分解,对于重要区域,每个重要区域已经获取到了最小外接矩形,根据最小外接矩形可以得到对于每个重要区域的矩阵,矩阵元素用像素点的像素值表示,需要说明的是,若重要区域的最小外接矩形超出图像边界,则通过二次线性插值的方法进行填充,对每个重要区域对应的矩阵进行奇异值分解,分别得到若干项,每一项都为一个秩一矩阵,且对应一个奇异值;对于非重要区域,滤波后图像中大部分区域仍为非重要区域,以滤波后图像构建矩阵,矩阵元素用像素点的像素值表示,对于其中重要区域对应的元素用0表示,并对这些元素进行标记,则得到了非重要区域对应的矩阵,通过奇异值分解同样得到若干项,需要说明的是,若干项根据奇异值大小降序排列,后续保留项从前到后开始选择。
进一步的,对于任意一个奇异值分解结果,构建对于保留项数的目标函数,具体表达式为:
其中,表示保留项数/>与该奇异值分解结果中项数的比值,/>表示保留项数/>下保留项在奇异值分解结果中的占比,即保留项中像素点数量与奇异值分解结果对应的像素点数量的占比;/>表示保留项数/>下重构得到的矩阵与原始矩阵即对应区域的相似度,相似度计算方法采用余弦相似度,通过对矩阵元素逐行遍历首尾相连得到一个高维行向量,对行向量计算余弦相似度,得到的结果作为相似度,需要说明的是,对于非重要区域的相似度计算过程中,对于重构得到的矩阵中在原始矩阵已经标记的元素,将值设置为0,避免重要区域对于非重要区域的相似度计算产生影响;/>表示保留项数/>下的相似度参考系数,设置预设第一阈值,本实施例预设第一阈值采用0.9进行叙述,若相似度大于预设第一阈值,相似度参考系数则为相似度减去预设第一阈值得到的差值,若相似度小于等于预设第一阈值,相似度参考系数则为0;保留项数越少,而保留项在奇异值分解结果中占比越大,则对于压缩效果越好,目标函数输出值越大;同时重构后与原始矩阵即滤波后图像中的区域的相似度越大,压缩效果越好,目标函数的输出值越大。
进一步的,对每个重要区域及非重要区域,获取对应的目标函数输出值最大值,将最大值对应的保留项数作为每个重要区域及非重要区域的最优保留项数,根据最优保留项数及奇异值分解结果完成对每个重要区域及非重要区域的重构,非重要区域中标记的元素则通过重要区域对应像素点重构后的像素值进行覆盖,得到的图像记为待压缩图像。
至此,完成了对于滤波后图像的奇异值分解,并对重要区域及非重要区域获取了不同的最优保留项数,根据保留项重构得到待压缩图像;待压缩图像基于滤波后图像获取,保证了重要区域与非重要区域的保留项数的差异,同时通过奇异值分解以及保留项选择,大大降低了图像中像素点的数量,减少存储空间的占用。
影像存储管理模块103,对待压缩图像进行存储,完成健康体检大数据的数据库智能管理。
对每张体检影响都按照上述方法获取待压缩图像,对待压缩图像进行存储,减少体检影响在健康体检大数据的数据库中存储空间的占用,提高数据库中体检数据的管理效率。
至此,完成了健康体检大数据的数据库智能管理。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于健康体检大数据的数据库智能管理系统,其特征在于,该系统包括:
体检影像采集模块,采集体检影像,获取体检影像中的重要区域与非重要区域;
影像分析处理模块:根据非重要区域中像素点与重要区域的矩形中心点的距离,获取非重要区域中每个像素点自适应的滤波窗口尺寸并滤波,得到滤波后图像;
根据基于滤波后图像中每个重要区域及非重要区域的奇异值分解结果构建的目标函数,得到每个重要区域及非重要区域的最优保留项数,根据最优保留项数及奇异值分解结果得到待压缩图像;
影像存储管理模块,对待压缩图像进行存储,完成健康体检大数据的数据库智能管理;
所述获取体检影像中的重要区域与非重要区域的方法为:
通过注意力机制,利用神经网络模型得到体检影像的重要程度标记图,重要程度标记图中每个像素点都有对应的重要程度,根据体检影像中每个像素点对应的重要程度进行OTSU阈值分割,将重要程度大于等于分割阈值的像素点组成的区域记为重要区域,重要程度小于分割阈值的像素点组成的区域记为非重要区域,得到体检影像中的重要区域与非重要区域;所述获取非重要区域中每个像素点自适应的滤波窗口尺寸并滤波,包括的具体方法为:
获取每个重要区域的矩形中心点,对非重要区域中每个像素点分别获取与矩形中心点的距离;以非重要区域中第个像素点为中心,对应的自适应滤波窗口的边长/>的计算方法为:
其中,表示滤波窗口的边长最大值,/>表示滤波窗口的边长每次减小的步长,/>表示滤波窗口的边长的种类数,/>表示非重要区域中第/>个像素点与矩形中心点的距离,/>表示体检影像中对角线长度,其中/>,体检影像的分辨率为/>,/>表示向下取整;
获取非重要区域中每个像素点自适应的滤波窗口的边长,得到自适应的滤波窗口尺寸;根据自适应滤波窗口尺寸对非重要区域进行滤波;
所述每个重要区域的矩形中心点,具体的获取方法为:
以任意一个重要区域为目标重要区域,获取目标重要区域的最小外接矩形,对最小外接矩形获取两条对角线的角点,记为目标重要区域的矩形中心点;
获取每个重要区域的矩形中心点;
所述根据自适应滤波窗口尺寸对非重要区域进行滤波,包括的具体方法为:
按照滤波窗口尺寸大小,从滤波窗口尺寸最大的像素点开始进行滤波,滤波方法采用高斯滤波,相同尺寸大小的滤波窗口,遍历顺序为从左到右再从上到下,并逐渐减小滤波窗口尺寸进行滤波,直到对非重要区域中所有像素点完成高斯滤波;
所述得到每个重要区域及非重要区域的最优保留项数,包括的具体方法为:
对滤波后图像中每个重要区域及非重要区域分别进行奇异值分解,得到每个重要区域及非重要区域分别对应的由若干项组成的奇异值分解结果,根据奇异值分解结果构建对于保留项数的目标函数;
对每个重要区域及非重要区域,获取对应的目标函数输出值最大值,将最大值对应的保留项数作为每个重要区域及非重要区域的最优保留项数;
所述根据奇异值分解结果构建对于保留项数的目标函数,包括的具体方法为:
对于任意一个奇异值分解结果,构建对于保留项数的目标函数,具体表达式为:
其中,表示保留项数/>与该奇异值分解结果中项数的比值,/>表示保留项数/>下保留项在奇异值分解结果中的占比,/>表示保留项数/>下重构得到的矩阵与对应区域的相似度,表示保留项数/>下的相似度参考系数,若相似度大于预设第一阈值,相似度参考系数为相似度减去预设第一阈值得到的差值,若相似度小于等于预设第一阈值,相似度参考系数为0;
所述相似度计算方法采用余弦相似度,通过对矩阵元素逐行遍历首尾相连得到一个高维行向量,对行向量计算余弦相似度,得到的结果作为相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796371.4A CN116525073B (zh) | 2023-07-03 | 2023-07-03 | 一种基于健康体检大数据的数据库智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796371.4A CN116525073B (zh) | 2023-07-03 | 2023-07-03 | 一种基于健康体检大数据的数据库智能管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116525073A CN116525073A (zh) | 2023-08-01 |
CN116525073B true CN116525073B (zh) | 2023-09-15 |
Family
ID=87403263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310796371.4A Active CN116525073B (zh) | 2023-07-03 | 2023-07-03 | 一种基于健康体检大数据的数据库智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116525073B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117542488B (zh) * | 2024-01-10 | 2024-04-12 | 济南宝林信息技术有限公司 | 一种用于脑肿瘤ct数据的智能处理方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994026163A1 (en) * | 1993-05-06 | 1994-11-24 | Hutson William H | Method and system to enhance medical signals |
US5818964A (en) * | 1994-12-27 | 1998-10-06 | Texas Instruments Incorporated | Method and apparatus for selecting an adaptive filter for image data |
EP1221662A2 (en) * | 2001-01-09 | 2002-07-10 | Samsung Electronics Co., Ltd. | Image retrieval method |
CN106295604A (zh) * | 2016-08-19 | 2017-01-04 | 厦门大学 | 基于联合滤波的遥感影像路网提取技术 |
KR20180014149A (ko) * | 2018-01-29 | 2018-02-07 | 한국과학기술원 | 깊이 정보 생성 장치 및 방법 |
WO2018227943A1 (en) * | 2017-06-14 | 2018-12-20 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image processing |
WO2021027155A1 (zh) * | 2019-08-13 | 2021-02-18 | 平安科技(深圳)有限公司 | 基于指静脉图像的验证方法、装置、存储介质及计算机设备 |
WO2021196822A1 (zh) * | 2020-03-31 | 2021-10-07 | 电子科技大学 | 一种基于自适应自导向滤波的环路滤波方法 |
CN115661135A (zh) * | 2022-12-09 | 2023-01-31 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
WO2023082304A1 (zh) * | 2021-11-11 | 2023-05-19 | 苏州国科昂卓医疗科技有限公司 | 基于分级搜索的大视场自适应壁滤波方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7139437B2 (en) * | 2002-11-12 | 2006-11-21 | Eastman Kodak Company | Method and system for removing artifacts in compressed images |
US8837849B2 (en) * | 2007-06-26 | 2014-09-16 | Google Inc. | Method for noise-robust color changes in digital images |
-
2023
- 2023-07-03 CN CN202310796371.4A patent/CN116525073B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994026163A1 (en) * | 1993-05-06 | 1994-11-24 | Hutson William H | Method and system to enhance medical signals |
US5818964A (en) * | 1994-12-27 | 1998-10-06 | Texas Instruments Incorporated | Method and apparatus for selecting an adaptive filter for image data |
EP1221662A2 (en) * | 2001-01-09 | 2002-07-10 | Samsung Electronics Co., Ltd. | Image retrieval method |
CN106295604A (zh) * | 2016-08-19 | 2017-01-04 | 厦门大学 | 基于联合滤波的遥感影像路网提取技术 |
WO2018227943A1 (en) * | 2017-06-14 | 2018-12-20 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image processing |
KR20180014149A (ko) * | 2018-01-29 | 2018-02-07 | 한국과학기술원 | 깊이 정보 생성 장치 및 방법 |
WO2021027155A1 (zh) * | 2019-08-13 | 2021-02-18 | 平安科技(深圳)有限公司 | 基于指静脉图像的验证方法、装置、存储介质及计算机设备 |
WO2021196822A1 (zh) * | 2020-03-31 | 2021-10-07 | 电子科技大学 | 一种基于自适应自导向滤波的环路滤波方法 |
WO2023082304A1 (zh) * | 2021-11-11 | 2023-05-19 | 苏州国科昂卓医疗科技有限公司 | 基于分级搜索的大视场自适应壁滤波方法及系统 |
CN115661135A (zh) * | 2022-12-09 | 2023-01-31 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
Non-Patent Citations (3)
Title |
---|
《Candidate value-based boundary filtering for compressed depth images》;Lijun Zhao等;image and vision processing and display technology;全文 * |
《基于梯度直方图的图像自适应滤波去噪》;焦莉娟,王文剑,裴春琴;山西大学学报(自然科学版);全文 * |
基于小波包分解的纹理图像去噪;张光新, 崔扬, 周泽魁;华南理工大学学报(自然科学版)(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116525073A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734659B (zh) | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 | |
CN110443768B (zh) | 基于多重一致性约束的单帧图像超分辨率重建方法 | |
CN110706174B (zh) | 一种图像增强方法、终端设备及存储介质 | |
CN112435309A (zh) | 一种基于深度学习的增强ct图像质量和分辨率的方法 | |
CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
CN116525073B (zh) | 一种基于健康体检大数据的数据库智能管理系统 | |
WO2023202265A1 (zh) | 用于伪影去除的图像处理方法、装置、设备、产品和介质 | |
US20240054605A1 (en) | Methods and systems for wavelet domain-based normalizing flow super-resolution image reconstruction | |
CN112669248A (zh) | 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法 | |
CN111340697A (zh) | 一种基于聚类回归的图像超分辨方法 | |
CN116739899A (zh) | 基于saugan网络的图像超分辨率重建方法 | |
CN107845120B (zh) | Pet图像重建方法、系统、终端和可读存储介质 | |
CN113191968A (zh) | 三维超声图像盲去噪模型的建立方法及其应用 | |
CN115131229A (zh) | 图像降噪、滤波数据处理方法、装置和计算机设备 | |
CN110569763B (zh) | 一种用于细粒度人脸识别的眼镜去除方法 | |
CN112837220A (zh) | 一种提高红外图像分辨率的方法及其用途 | |
CN112634308A (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
CN116310452B (zh) | 一种多视图聚类方法及系统 | |
CN111507912A (zh) | 乳腺图像增强方法、装置及计算机可读存储介质 | |
CN116091322A (zh) | 超分辨率图像重建方法和计算机设备 | |
Solanki et al. | An efficient satellite image super resolution technique for shift-variant images using improved new edge directed interpolation | |
CN113628114A (zh) | 一种双通道稀疏编码的图像超分辨率重建方法 | |
CN115039134A (zh) | 基于参考图像将输入图像转换为输出图像的计算机实现方法 | |
Zhang et al. | Deep residual network based medical image reconstruction | |
Song et al. | Super resolution reconstruction of medical image based on adaptive quad-tree decomposition |
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 |