CN117541800B - 基于喉镜影像的喉部异常部位分割方法 - Google Patents
基于喉镜影像的喉部异常部位分割方法 Download PDFInfo
- Publication number
- CN117541800B CN117541800B CN202410037475.1A CN202410037475A CN117541800B CN 117541800 B CN117541800 B CN 117541800B CN 202410037475 A CN202410037475 A CN 202410037475A CN 117541800 B CN117541800 B CN 117541800B
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixel point
- neighborhood
- point
- laryngoscope
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 title claims abstract description 25
- 230000035945 sensitivity Effects 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 25
- 230000005856 abnormality Effects 0.000 claims abstract 2
- 238000012937 correction Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000002576 laryngoscopy Methods 0.000 description 3
- 210000000867 larynx Anatomy 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009537 direct laryngoscopy Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009538 indirect laryngoscopy Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nonlinear Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于喉镜影像的喉部异常部位分割方法,该方法包括:获取HSV格式的喉镜图像;获取喉镜图像像素点的颜色向量;对像素点之间的邻域窗口内像素点各通道像素值的分布特点进行分析,构建邻域极差对比度、归正邻域极差对比度;获取特征相似度;获取喉镜图像的对称线;根据对称线两端像素点之间的差异构建对称差异度;对像素点与邻域像素点之间颜色的差异进行分析,获取噪声分数;最后得到像素点的自适应灵敏系数;结合Sauvola算法完成对喉镜图像的喉部异常部位的分割。本发明旨在提高算法的灵活性,使得分割结果更加准确。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及基于喉镜影像的喉部异常部位分割方法。
背景技术
喉镜检测是通过检测器物用于观察和检查喉部的内部情况。喉镜检查的发展大致分为间接喉镜检查、直接喉镜检查、电子喉镜检查是三个过程。喉镜影像指的是通过电子喉镜检查获取的咽喉部位的视觉图像。通过电子喉镜获取的影像,这些影像不仅能够清晰显示喉部的各种结构,还可以捕捉到微小的异常变化,如肿块、炎症、溃疡或者神经肌肉功能障碍等。这些优势极大地增强了医生对喉咙疾病判断和治疗的能力。电子喉镜影像可以进行数字化处理和分析,可以对喉部异常部位的分割,辅助医生对咽喉部位的诊断,减轻医生的工作负担。
传统的对于喉镜影像的分割都是通过U-net模型进行分割,但U-net模型前期需要大量的训练,而采用图像二值化Sauvola算法,其中在图像局部阈值计算时,往往采用固定灵敏度系数K,造成算法对不同图像的鲁棒性较差。
发明内容
为了解决上述技术问题,本发明提供基于喉镜影像的喉部异常部位分割方法,以解决现有的问题。
本发明的基于喉镜影像的喉部异常部位分割方法采用如下技术方案:
本发明一个实施例提供了基于喉镜影像的喉部异常部位分割方法,该方法包括以下步骤:
获取HSV格式的喉镜图像;
对于喉镜图像各像素点,像素点各通道的像素值组成像素点的颜色向量;根据像素点之间的邻域窗口内像素点各通道像素值的分布获取像素点之间的邻域极差对比度;根据像素点之间的邻域极差对比度与1的关系获取像素点之间的归正邻域极差对比度;根据像素点之间的颜色向量以及归正极差邻域对比度获取像素点之间的特征相似度;根据像素点之间的特征相似度获取喉镜图像的对称线;将各像素点与喉镜图像的对称线上对称的像素点保存为各像素点的对称像素点;根据像素点与其对称像素点的各通道像素值之间的差异获取各像素点的对称差异度;根据喉镜图像中各像素点与邻域像素点之间颜色向量的差异获取各像素点的噪声分数;根据各像素点的对称差异度以及噪声分数获取各像素点的校正系数;根据各像素点的校正系数获取各像素点的自适应灵敏系数;
根据各像素点的自适应灵敏系数结合Sauvola算法完成对喉镜图像的喉部异常部位的分割。
优选的,所述根据像素点之间的邻域窗口内像素点各通道像素值的分布获取像素点之间的邻域极差对比度,具体步骤包括:
对于像素点a和像素点b;
将像素点a、像素点b的八邻域像素点各通道的像素值序列的极差值分别保存为第一极差值、第二极差值;设置除零调节因子;计算像素点b各通道所述第二极差值与所述除零调节因子的和值;计算像素点a各通道所述极差值与像素点b对应通道所述和值的比值;将所述像素点a与像素点b所有通道的所述比值的均值作为像素点a与像素点b之间的邻域极差对比度。
优选的,所述根据像素点之间的邻域极差对比度与1的关系获取像素点之间的归正邻域极差对比度,具体为:
当所述邻域极差对比度大于等于1时,将所述邻域极差对比度作为像素点a与像素点b之间的归正邻域极差对比度;
当所述邻域极差对比度小于1时,将所述邻域极差对比度的倒数作为像素点a与像素点b之间的归正邻域极差对比度。
优选的,所述根据像素点之间的颜色向量以及归正极差邻域对比度获取像素点之间的特征相似度,具体为:
设置余弦调节因子;将像素点a与像素点b的颜色向量的余弦相似性作为第一余弦相似性;将所述第一余弦相似性与余弦调节因子的和值作为第一和值;
将像素点a、像素点b所有邻域像素点各通道的像素值均值分别作为像素点a、像素点b的颜色均值向量;将像素点a与像素点b的颜色均值向量之间的余弦相似性作为第二余弦相似性;将所述第二余弦相似性与余弦调节因子的和值作为第二和值;
计算所述第二和值与所述归正邻域极差对比度的比值;将所述比值与所述第一和值的乘积作为像素点a与像素点b的特征相似度。
优选的,所述根据像素点之间的特征相似度获取喉镜图像的对称线,具体为:
对于喉镜图像的各像素点;
将各像素点与其特征相似度最大的像素点进行连线;获取各个连线的斜率以及中心点;将出现次数最多的斜率作为调整后图像的水平方向;将处于调整后图像水平方向上连线的中心点采用最小二乘法拟合出一条直线,将所述直线作为喉镜图像的对称线。
优选的,所述根据像素点与其对称像素点之间的各通道像素值的差异获取各像素点的对称差异度,具体表达式为:
式中,表示像素点G与对称像素点d邻域中第I个像素点之间的相似度;m表示邻域窗口的边长;/>表示像素点通道数量;/>表示像素点G邻域内第j个像素点的第k个通道的像素值;/>表示对称像素点d邻域内第I个像素点邻域的第j个像素点的第k个通道的像素值;/>表示像素点G的对称差异度;/>表示最小值函数;/>表示像素点G与对称像素点d邻域像素点之间的相似度集合。
优选的,所述根据喉镜图像中各像素点与邻域像素点之间颜色向量的差异获取各像素点的噪声分数,具体包括:
获取各像素点与其邻域像素点颜色向量的最大欧氏距离、第二大欧氏距离;将所述最大欧氏距离与所述第二大欧氏距离的和值的二分之一作为各像素点的噪声分数。
优选的,所述根据各像素点的对称差异度以及噪声分数获取各像素点的校正系数,具体为:
计算各像素点的噪声分数与对称差异度的比值的相反数;将所述相反数作为以自然常数为底数的指数函数的指数;将所述指数函数的计算结果作为各像素点的校正系数。
优选的,所述根据各像素点的校正系数获取各像素点的自适应灵敏系数,具体为:
设置自适应灵敏度调节因子;将各像素点的校正系数与自适应灵敏度调节因子的最大值作为各像素点的自适应灵敏系数。
优选的,所述根据各像素点的自适应灵敏系数结合Sauvola算法完成对喉镜图像的喉部异常部位的分割,具体步骤包括:
采用Sauvola算法根据各像素点的自适应灵敏系数对喉镜图像进行二值化,其中黑色区域为异常区域,白色区域为正常区域;沿黑色区域的边界线对喉镜图像进行分割,将分割得到的区域作为喉镜图像的喉部异常部位。
本发明至少具有如下有益效果:
本发明通过喉镜图像像素点之间的相似性,计算像素点之间的特征相似度,通过最小特征相似度进行连线,采用连线的斜率确定水平方向,基于此特征相似度计算的水平方向具有更高的准确性,利用水平方向连线的中点确定对称直线,为下面计算提供可靠的数据支持;通过对称直线先计算像素点的对称差异度,通过计算对称像素点及其邻域像素点的差异确定的对称差异度具有更高的准确性;通过像素点的色阶差异计算像素点的噪声分数,体现出像素点为噪声点的可能情况;采用噪声分数与对称差异度计算像素点的自适应灵敏度系数,具有更高的灵活性,能够随着像素点的变化而变化,提高的算法的精度,具有更好的二值化效果。
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为本发明提供的基于喉镜影像的喉部异常部位分割方法的流程图;
图2为自适应灵敏系数的获取流程图。
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基于喉镜影像的喉部异常部位分割方法,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基于喉镜影像的喉部异常部位分割方法的具体方案。
本发明一个实施例提供的基于喉镜影像的喉部异常部位分割方法。
具体的,提供了如下的基于喉镜影像的喉部异常部位分割方法,请参阅图1,该方法包括以下步骤:
步骤S001:获取喉镜图像,并对喉镜图像进行预处理。
通过医院电子喉镜影像的数据库获取喉镜图像,采用非局部均值滤波(NLM)算法对于获取的RGB图像进行去噪,由于NLM算法为公知技术,因此具体计算过程在此不再赘述。将去噪的RGB图像转化为HSV空间图像,由于图像色彩空间转化过程为公知技术,具体计算过程在此不再赘述。
步骤S002:通过像素点之间的特征相似性,计算像素点之间的特征相似度,通过最小特征相似度确定连线,采用连线的斜率确定水平方向,利用水平方向连线的中点确定对称直线;通过对称直线先计算像素点的对称差异度;通过像素点的色阶差异计算像素点的噪声分数;采用噪声分数与对称差异度计算像素点的自适应灵敏度系数。
正常的喉镜图像会呈现对称的状态,由于电子喉镜拍摄过程中涉及的各种因素,如拍摄环境、光线条件、拍摄角度、患者体位以及设备本身的特性等,绝大多数的喉镜图像可能会出现一定程度的非对称性。为了提高计算的准确性,需要对喉镜图像进行对称调整。通过计算像素点之间的特征相似度,可以深入分析喉镜图像中像素点之间的关系,判断喉镜图像的对称中心。
具体的,从HSV喉镜图像中对每个像素点提取关键特征,构建像素点i的颜色向量,其中/>、/>、/>分别表示像素点i在H通道、S通道、V通道的像素值,以像素点i为中心,取一个/>的窗口,其中L取经验值3,实施者可自行调整。然后通过像素点的灰度值与颜色向量,计算像素点之间的特征相似度,表达式为:
式中,表示像素点/>与像素点/>之间的邻域极差对比度;/>表示像素点通道数量;/>、/>分别表示取最大值、最小值函数;/>表示像素点/>的邻域像素点第i个通道的像素值序列;/>表示像素点/>的邻域像素点第i个通道的像素值序列;/>表示除零调节因子;/>表示像素点/>与像素点/>之间的归正邻域极差对比度;/>表示像素点/>与像素点/>之间的特征相似度,/>表示余弦函数;/>表示余弦调节因子,取经验值1;/>、/>分别表示像素点/>、像素点/>的颜色向量;/>、/>分别表示像素点/>、像素点/>的邻域像素点颜色向量的均值向量。需要说明的是,当/>的值为0时,除零调节因子/>的值取值为1,/>不为零时,除零调节因子取值为0。将/>保存为第一极差值,将/>保存为第二极差值;将/>保存为第一余弦相似性,将/>保存为第二余弦相似性;对应的将/>保存为第一和值,将/>保存为第二和值。
当像素点之间的越相似,像素点之间的归正邻域极差对比度的值越接近于1,则像素点之间的特征相似度就越大;否则越比1大,当像素点之间的特征相似度的值越小。当像素点之间的颜色向量越相似,像素点之间的余弦相似性越高,像素点邻域的余弦相似度也越高,使得计算的像素点之间的特征相似度的值越大。
选出与各像素点特征相似度最大的像素点将两个像素点连成直线,然后通过上述步骤将所有像素点与其特征相似度最大的像素点进行连线,并计算连线的中心点。通过点斜式计算连线的斜率,并将出现频次最多的斜率,作为调整后图像的水平方向,然后使用该方向的连线的中心点,通过最小二乘法拟合出一条直线,将这条直线保存为喉镜图像的对称线。由于点斜式与最小二乘法为公知技术,具体计算过程在此不再赘述。
通过喉镜图像的对称线计算喉镜图像像素点的对称差异度,在喉镜图像中任选一个像素点记为G,将与其在对称线的对称的像素点保存为对称像素点,记为对称像素点d,通过像素点d计算像素点G的对称差异度,表达式为:
式中,表示像素点G与对称像素点d邻域中第I个像素点之间的相似度;m表示邻域窗口的边长;/>表示像素点通道数量;/>表示像素点G邻域内第j个像素点的第k个通道的像素值;/>表示对称像素点d邻域内第I个像素点邻域的第j个像素点的第k个通道的像素值;/>表示像素点G的对称差异度;/>表示最小值函数;/>表示像素点G与对称像素点d邻域像素点之间的相似度集合。其中,邻域窗口的边长本实施例设置为3,实施者可自行调整。
当像素点之间的越相似,像素点之间的通道值之差越小,使得像素点之间的差异度的值越小。像素点G与像素点d及其邻域的像素点的最小差异度越小,使得像素点G的对称差异度的值越小,证明这个点是正常区域形成的可能性就越大。
通过上述方法计算所有像素点的对称差异度。
考虑到像素点可能是由噪声点形成的,而非病理区域,因此需要排除噪声点对于Sauvola算法的影响,对于任意像素点e,根据邻域窗口内所有像素点与中心像素点e的之间的颜色距离,获取像素点的噪声分数,表达式为:
式中,表示像素点e的噪声分数;/>表示中心像素点e与邻域像素点之间的颜色距离集合;/>、/>分别表示最小值、第二最小值函数。
当像素点越有可能是噪声点时,像素点与周围像素点存在色阶差异,像素点与邻域像素点之间的颜色距离越大,最小与第二小的颜色距离越大,使得像素点e的噪声分数越大。通过上述步骤计算所有像素点的噪声分数,并构建噪声分数集合。需要说明的是,本实施例中的颜色距离采用欧氏距离的计算方法,实施者也可选用其他的距离进行计算。
通过对称像素点之间相似度可以得到像素点的对称差异度,由此结合通过像素点与周围像素点存在色阶差异得到的噪声分数,得到像素点的校正系数,最终实现对Sauvola算法中灵敏度系数K值的自适应调整,具体如下:
式中,表示像素点e的校正系数;/>表示以自然常数为底数的指数函数;表示像素点e的对称差异度;/>表示像素点e的噪声分数。/>表示像素点e的自适应灵敏度系数;/>表示最大值函数;/>表示自适应灵敏度系数的调节因子,取经验值0.2。其中自适应灵敏系数的获取流程如图2所示。
当对应像素点为噪声像素点时,得到的像素点噪声分数非常大,使得像素点的校正系数的值较大,此时自适应灵敏度为校正系数;当对应像素点为病理区域时,得到像素点的对称差异度的值较大,此时校正系数的值接近于0,所以像素点的自适应灵敏度取0.2,较大的对称差异度为病理区域在使用Sauvola算法需要将其置为0,因此需要较大的阈值。由于噪声像素只是因为各种拍摄因素形成的,因此需要较小的阈值。
步骤S003:通过自适应灵敏度系数对Sauvola算法进行改进,采用改进后的Sauvola算法对喉镜图像进行二值化,采用二值化图像对喉镜图像进行分割。
根据上述步骤能够获取喉镜图像的自适应灵敏度系数,采用自适应灵敏度系数对Sauvola算法进行改进,采用改进后的Sauvola算法对喉镜图像进行二值化,其中二值化后,黑色区域为病理区域,白色区域为正常区域。通过黑色区域的边界线对喉镜图像进行分割,分割得到的区域为喉镜图像的喉部异常部位,以便医生对异常部位进行诊断。需要说明的是,Sauvola算法为现有公知技术,本实施例中不再赘述。
综上所述,本发明实施例通过喉镜图像像素点之间的相似性,计算像素点之间的特征相似度,通过最小特征相似度进行连线,采用连线的斜率确定水平方向,基于此特征相似度计算的水平方向具有更高的准确性,利用水平方向连线的中点确定对称直线,为下面计算提供可靠的数据支持;通过对称直线先计算像素点的对称差异度,通过计算对称像素点及其邻域像素点的差异确定的对称差异度具有更高的准确性;通过像素点的色阶差异计算像素点的噪声分数,体现出像素点为噪声点的可能情况;采用噪声分数与对称差异度计算像素点的自适应灵敏度系数,具有更高的灵活性,能够随着像素点的变化而变化,提高的算法的精度,具有更好的二值化效果。
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。且上述对本说明书特定实施例进行了描述。另外,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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,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,均应包含在本申请的保护范围之内。
Claims (8)
1.基于喉镜影像的喉部异常部位分割方法,其特征在于,该方法包括以下步骤:
获取HSV格式的喉镜图像;
对于喉镜图像各像素点,像素点各通道的像素值组成像素点的颜色向量;根据像素点之间的邻域窗口内像素点各通道像素值的分布获取像素点之间的邻域极差对比度;根据像素点之间的邻域极差对比度与1的关系获取像素点之间的归正邻域极差对比度;根据像素点之间的颜色向量以及归正极差邻域对比度获取像素点之间的特征相似度;根据像素点之间的特征相似度获取喉镜图像的对称线;将各像素点与喉镜图像的对称线上对称的像素点保存为各像素点的对称像素点;根据像素点与其对称像素点的各通道像素值之间的差异获取各像素点的对称差异度;根据喉镜图像中各像素点与邻域像素点之间颜色向量的差异获取各像素点的噪声分数;根据各像素点的对称差异度以及噪声分数获取各像素点的校正系数;根据各像素点的校正系数获取各像素点的自适应灵敏系数;
根据各像素点的自适应灵敏系数结合Sauvola算法完成对喉镜图像的喉部异常部位的分割;
所述根据像素点之间的邻域窗口内像素点各通道像素值的分布获取像素点之间的邻域极差对比度,具体步骤包括:
对于像素点a和像素点b;
将像素点a、像素点b的八邻域像素点各通道的像素值序列的极差值分别保存为第一极差值、第二极差值;设置除零调节因子;计算像素点b各通道所述第二极差值与所述除零调节因子的和值;计算像素点a各通道所述极差值与像素点b对应通道所述和值的比值;将所述像素点a与像素点b所有通道的所述比值的均值作为像素点a与像素点b之间的邻域极差对比度;
所述根据像素点之间的邻域极差对比度与1的关系获取像素点之间的归正邻域极差对比度,具体为:
当所述邻域极差对比度大于等于1时,将所述邻域极差对比度作为像素点a与像素点b之间的归正邻域极差对比度;
当所述邻域极差对比度小于1时,将所述邻域极差对比度的倒数作为像素点a与像素点b之间的归正邻域极差对比度。
2.如权利要求1所述的基于喉镜影像的喉部异常部位分割方法,其特征在于,所述根据像素点之间的颜色向量以及归正极差邻域对比度获取像素点之间的特征相似度,具体为:
设置余弦调节因子;将像素点a与像素点b的颜色向量的余弦相似性作为第一余弦相似性;将所述第一余弦相似性与余弦调节因子的和值作为第一和值;
将像素点a、像素点b所有邻域像素点各通道的像素值均值分别作为像素点a、像素点b的颜色均值向量;将像素点a与像素点b的颜色均值向量之间的余弦相似性作为第二余弦相似性;将所述第二余弦相似性与余弦调节因子的和值作为第二和值;
计算所述第二和值与所述归正邻域极差对比度的比值;将所述比值与所述第一和值的乘积作为像素点a与像素点b的特征相似度。
3.如权利要求1所述的基于喉镜影像的喉部异常部位分割方法,其特征在于,所述根据像素点之间的特征相似度获取喉镜图像的对称线,具体为:
对于喉镜图像的各像素点;
将各像素点与其特征相似度最大的像素点进行连线;获取各个连线的斜率以及中心点;将出现次数最多的斜率作为调整后图像的水平方向;将处于调整后图像水平方向上连线的中心点采用最小二乘法拟合出一条直线,将所述直线作为喉镜图像的对称线。
4.如权利要求1所述的基于喉镜影像的喉部异常部位分割方法,其特征在于,所述根据像素点与其对称像素点之间的各通道像素值的差异获取各像素点的对称差异度,具体表达式为:
式中,/>表示像素点G与对称像素点d邻域中第I个像素点之间的相似度;m表示邻域窗口的边长;/>表示像素点通道数量;/>表示像素点G邻域内第j个像素点的第k个通道的像素值;/>表示对称像素点d邻域内第I个像素点邻域的第j个像素点的第k个通道的像素值;/>表示像素点G的对称差异度;/>表示最小值函数;/>表示像素点G与对称像素点d邻域像素点之间的相似度集合。
5.如权利要求1所述的基于喉镜影像的喉部异常部位分割方法,其特征在于,所述根据喉镜图像中各像素点与邻域像素点之间颜色向量的差异获取各像素点的噪声分数,具体包括:
获取各像素点与其邻域像素点颜色向量的最大欧氏距离、第二大欧氏距离;将所述最大欧氏距离与所述第二大欧氏距离的和值的二分之一作为各像素点的噪声分数。
6.如权利要求1所述的基于喉镜影像的喉部异常部位分割方法,其特征在于,所述根据各像素点的对称差异度以及噪声分数获取各像素点的校正系数,具体为:
计算各像素点的噪声分数与对称差异度的比值的相反数;将所述相反数作为以自然常数为底数的指数函数的指数;将所述指数函数的计算结果作为各像素点的校正系数。
7.如权利要求1所述的基于喉镜影像的喉部异常部位分割方法,其特征在于,所述根据各像素点的校正系数获取各像素点的自适应灵敏系数,具体为:
设置自适应灵敏度调节因子;将各像素点的校正系数与自适应灵敏度调节因子的最大值作为各像素点的自适应灵敏系数。
8.如权利要求1所述的基于喉镜影像的喉部异常部位分割方法,其特征在于,所述根据各像素点的自适应灵敏系数结合Sauvola算法完成对喉镜图像的喉部异常部位的分割,具体步骤包括:
采用Sauvola算法根据各像素点的自适应灵敏系数对喉镜图像进行二值化,其中黑色区域为异常区域,白色区域为正常区域;沿黑色区域的边界线对喉镜图像进行分割,将分割得到的区域作为喉镜图像的喉部异常部位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410037475.1A CN117541800B (zh) | 2024-01-10 | 2024-01-10 | 基于喉镜影像的喉部异常部位分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410037475.1A CN117541800B (zh) | 2024-01-10 | 2024-01-10 | 基于喉镜影像的喉部异常部位分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541800A CN117541800A (zh) | 2024-02-09 |
CN117541800B true CN117541800B (zh) | 2024-04-09 |
Family
ID=89790472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410037475.1A Active CN117541800B (zh) | 2024-01-10 | 2024-01-10 | 基于喉镜影像的喉部异常部位分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541800B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020107716A1 (zh) * | 2018-11-30 | 2020-06-04 | 长沙理工大学 | 目标图像分割方法、装置及设备 |
CN115937209A (zh) * | 2023-01-09 | 2023-04-07 | 武汉楚精灵医疗科技有限公司 | 鼻咽喉镜图像异常的识别方法及装置 |
CN116309649A (zh) * | 2023-05-17 | 2023-06-23 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种基于ct影像的喉部病变异常区域分割系统 |
CN117372415A (zh) * | 2023-11-09 | 2024-01-09 | 深圳市科曼医疗设备有限公司 | 喉镜图像识别方法、装置、计算机设备及存储介质 |
-
2024
- 2024-01-10 CN CN202410037475.1A patent/CN117541800B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020107716A1 (zh) * | 2018-11-30 | 2020-06-04 | 长沙理工大学 | 目标图像分割方法、装置及设备 |
CN115937209A (zh) * | 2023-01-09 | 2023-04-07 | 武汉楚精灵医疗科技有限公司 | 鼻咽喉镜图像异常的识别方法及装置 |
CN116309649A (zh) * | 2023-05-17 | 2023-06-23 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种基于ct影像的喉部病变异常区域分割系统 |
CN117372415A (zh) * | 2023-11-09 | 2024-01-09 | 深圳市科曼医疗设备有限公司 | 喉镜图像识别方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117541800A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930416A (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
CN112465772B (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
EP2188779A1 (en) | Extraction method of tongue region using graph-based approach and geometric properties | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN117474823B (zh) | 一种儿科感染性炎症检测辅助用ct数据处理系统 | |
CN115797352B (zh) | 一种用于中医保健体质检测的舌象图像处理系统 | |
CN111488912B (zh) | 一种基于深度学习神经网络的喉部疾病诊断系统 | |
CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
CN110751636A (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
CN117522719B (zh) | 基于机器学习的支气管镜图像辅助优化系统 | |
CN112164043A (zh) | 一种用于多眼底图像拼接的方法及系统 | |
CN109255775A (zh) | 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及系统 | |
CN117237591A (zh) | 一种心脏超声影像伪影智能去除方法 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN111062936B (zh) | 用于面部变形诊疗效果的量化指标评估方法 | |
CN115511979A (zh) | 一种基于灰度变换的内窥镜主板控制系统 | |
CN115393239A (zh) | 一种多模态眼底图像配准和融合方法及系统 | |
CN114693682A (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN111145155A (zh) | 一种睑板腺腺体的识别方法 | |
CN111192280B (zh) | 一种基于局部特征的视盘边缘检测方法 | |
CN112215878B (zh) | 一种基于surf特征点的x光图像配准方法 | |
CN112258536B (zh) | 一种胼胝体及小脑蚓部的一体化定位及分割方法 | |
CN117541800B (zh) | 基于喉镜影像的喉部异常部位分割方法 | |
CN117593540A (zh) | 一种基于智能化图像识别技术的压力性损伤分期识别方法 | |
CN113139937A (zh) | 一种基于深度学习的消化道内窥镜视频图像识别方法 |
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 |