CN117876402B - 一种用于颞下颌关节紊乱病影像的智能分割方法 - Google Patents
一种用于颞下颌关节紊乱病影像的智能分割方法 Download PDFInfo
- Publication number
- CN117876402B CN117876402B CN202410282863.6A CN202410282863A CN117876402B CN 117876402 B CN117876402 B CN 117876402B CN 202410282863 A CN202410282863 A CN 202410282863A CN 117876402 B CN117876402 B CN 117876402B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- target pixel
- image
- gray
- window
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 22
- 208000028911 Temporomandibular Joint disease Diseases 0.000 title claims abstract description 16
- 206010043220 Temporomandibular joint syndrome Diseases 0.000 title claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 92
- 210000001738 temporomandibular joint Anatomy 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 238000003709 image segmentation Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003239 periodontal effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像分割技术领域,具体涉及一种用于颞下颌关节紊乱病影像的智能分割方法,该方法通过获取颞下颌关节图像的灰度图像,将灰度图像中每个像素点作为目标像素点,构建目标像素点的搜索窗口,在搜索窗口中确定每个像素点的邻域窗口;根据每个目标像素点的邻域窗口中在各个设定方向直线上的各个像素点的梯度幅值的差异,确定每个目标像素点的噪声可能性,进而确定每个目标像素点的邻域噪声程度,从而最终确定每个目标像素点与其搜索窗口中每个像素点之间的滤波权重;基于该滤波权重对灰度图像进行滤波处理得到滤波图像,并对滤波图像进行分割。本发明通过提高颞下颌关节图像的去噪效果,有效提高了图像的分割准确性。
Description
技术领域
本发明涉及图像分割技术领域,具体涉及一种用于颞下颌关节紊乱病影像的智能分割方法。
背景技术
颞下颌关节位于颞骨和下颌骨之间,当患者出现颞下颌关节紊乱病时,需要对患者拍摄颞下颌关节图像,并对拍摄的颞下颌关节图像进行分割,以便于清晰地展示出颞下颌关节的结构和组织,包括关节盘、关节突、韧带、软组织等部分,从而可以辅助医生进行准确诊断疾病和规划治疗方案,或者用于医学研究、教学和科研项目。
现有技术中,由于受到噪声信号的干扰,导致所拍摄的颞下颌关节图像中存在较多的噪声点,因此在对颞下颌关节图像进行分割之前,通常需要对颞下颌关节图像进行滤波去噪。非局部均值(NL-means)算法由于充分利用了图像中的冗余信息,在去噪的同时能最大程度地保持图像的细节特征,常被应用于颞下颌关节图像的滤波去噪中。但是,由于非局部均值算法是通过衡量每个像素点与其搜索窗口内像素点之间的像素邻域之间的相似度,来确定每个像素点与其搜索窗口内像素点之间的滤波权重,当受到噪声点本身的影响时,会导致基于该相似度所确定的滤波权重不够准确,进而导致滤波效果不够理想,会使得滤波后的图像出现模糊现象,最终影响了颞下颌关节图像的分割效果。
发明内容
本发明的目的在于提供一种用于颞下颌关节紊乱病影像的智能分割方法,用于解决现有技术中由于对颞下颌关节图像滤波效果差,导致由于颞下颌关节图像的分割效果差的问题。
为解决上述技术问题,本发明提供了一种用于颞下颌关节紊乱病影像的智能分割方法,包括以下步骤:
获取颞下颌关节图像的灰度图像;
将所述灰度图像中每个像素点作为目标像素点,构建所述目标像素点的搜索窗口,所述目标像素点位于所述搜索窗口中,确定所述搜索窗口中的每个像素点的邻域窗口;
确定所述灰度图像中每个像素点的梯度幅值和梯度方向,根据所述灰度图像中每个目标像素点的邻域窗口中在各个设定方向直线上的各个像素点的梯度幅值的差异,确定所述灰度图像中每个目标像素点的噪声可能性;
根据所述灰度图像中每个目标像素点的噪声可能性、每个目标像素点的邻域窗口中各个像素点的噪声可能性的平均分布水平,以及每个目标像素点的邻域窗口中各个像素点的梯度方向的差异,确定所述灰度图像中每个目标像素点的邻域噪声程度;
将所述灰度图像中每个目标像素点的所述搜索窗口中的任意一个像素点作为搜索像素点,根据每个目标像素点与其每个搜索像素点的邻域窗口中每个像素点的噪声可能性、邻域噪声程度、相同位置的像素点的灰度值的差异,以及每个目标像素点与其每个搜索像素点之间的位置距离,确定所述灰度图像中每个目标像素点与其每个搜索像素点之间的滤波权重;
根据所述滤波权重和所述灰度图像中每个目标像素点的所述搜索窗口中每个搜索像素点的灰度值,对所述灰度图像进行滤波处理得到滤波图像,对所述滤波图像进行分割。
进一步的,确定所述灰度图像中每个目标像素点的噪声可能性,包括:
根据所述灰度图像中每个目标像素点的邻域窗口中在每个设定方向直线上的每相邻两个像素点的梯度幅值的差值,得到梯度幅值差异值;
确定所述灰度图像中每个目标像素点的邻域窗口中在每个设定方向直线上的所有梯度幅值差异值的平均值,从而得到梯度幅值差异均值;
确定所述灰度图像中每个目标像素点的邻域窗口中在每个设定方向直线上的所有梯度幅值差异值与对应梯度幅值差异均值的差值绝对值的累加和,对所述累加和进行正相关映射归一化,得到正相关映射归一化值;
确定所述灰度图像中每个目标像素点的邻域窗口在各个设定方向直线上对应的正相关映射归一化值的最小值,并将所述最小值确定为所述灰度图像中每个目标像素点的噪声可能性。
进一步的,得到正相关映射归一化值,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上对应的累加和的正相关映射归一化值;表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上对应的累加和;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的第k个梯度幅值差异值;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的梯度幅值差异均值;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的像素点的总数目;/>表示以自然常数e为底数的指数函数;| |表示取绝对值符号。
进一步的,各个设定方向直线的确定步骤,包括:
过所述灰度图像中每个目标像素点,确定倾斜角为各个设定倾斜角的直线,并将所述倾斜角为各个设定倾斜角的直线作为各个设定方向直线,所述各个设定倾斜角包括以下至少两种:0、、/>和/>。
进一步的,确定所述灰度图像中每个目标像素点的邻域噪声程度,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X的邻域噪声程度;/>表示所述灰度图像中目标像素点X的噪声可能性;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点Y的噪声可能性;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点的总数目;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点/>的梯度方向与所述灰度图像中预设方向之间的夹角;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点/>的梯度方向与所述灰度图像中预设方向之间的夹角;| |表示取绝对值符号;/>表示属于符号。
进一步的,确定所述灰度图像中每个目标像素点与其每个搜索像素点之间的滤波权重,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X与其搜索像素点Y之间的滤波权重;/>表示所述灰度图像中目标像素点X的邻域窗口/>中第k个像素点的噪声可能性;/>表示所述灰度图像中目标像素点X的搜索像素点Y的邻域窗口/>中第k个像素点的噪声可能性;/>表示所述灰度图像中目标像素点X的邻域窗口/>中第k个像素点的灰度值;/>表示所述灰度图像中目标像素点X的搜索像素点Y的邻域窗口/>中第k个像素点的灰度值;/>表示第一非负修正值;/>表示第二非负修正值;N表示灰度图像中每个像素点的邻域窗口中像素点的总数目;/>表示所述灰度图像中目标像素点X与其搜索像素点Y之间的欧氏距离;/>表示所述灰度图像中目标像素点X的邻域噪声程度;/>表示所述灰度图像中目标像素点X的搜索像素点Y的邻域噪声程度;表示以自然常数e为底数的指数函数;| |表示取绝对值符号。
进一步的,对所述灰度图像进行滤波处理得到滤波图像,包括:
根据所述灰度图像中每个目标像素点的每个搜索像素点的灰度值,以及每个目标像素点与其每个搜索像素点之间的滤波权重,确定所述灰度图像中每个目标像素点的滤波估计值;
利用所述灰度图像中每个目标像素点的滤波估计值对所述目标像素点的灰度值进行滤波更新,从而得到滤波图像。
进一步的,确定所述灰度图像中每个目标像素点的滤波估计值,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X的滤波估计值;/>表示所述灰度图像中目标像素点X与其搜索窗口/>中搜索像素点Y之间的滤波权重;/>表示所述灰度图像中目标像素点X的搜索窗口/>中搜索像素点Y的灰度值;表示所述灰度图像中目标像素点X与其搜索窗口/>中搜索像素点P之间的滤波权重。
进一步的,所述搜索窗口和邻域窗口的构建步骤,包括:
在所述灰度图像中以所述目标像素点为中心,构建边长为第一尺寸的正方形窗口区域,将边长为第一尺寸的正方形窗口区域作为所述目标像素点的搜索窗口;
在所述搜索窗口中以所述搜索窗口中的每个像素点为中心,构建边长为第二尺寸的正方形窗口区域,所述第一尺寸大于所述第二尺寸,将边长为第二尺寸的正方形窗口区域作为所述搜索窗口中每个像素点的邻域窗口。
进一步的,对所述滤波图像进行分割,包括:
根据所述滤波图像中各个像素点的位置和灰度值,利用采用k-means聚类算法对所述滤波图像进行聚类分割。
本发明具有如下有益效果:考虑到灰度图像中的噪声为像素发生无规律变化的突变点,因此噪声点与周围的像素点存在较大的灰度差异,通过对灰度图像中每个目标像素点的邻域窗口中在各个设定方向直线上的各个像素点的梯度幅值的差异进行分析,对灰度图像中每个目标像素点为噪声的可能性进行量化,从而确定灰度图像中每个目标像素点的噪声可能性。考虑到灰度图像每个像素点与其邻域像素点表现为噪声的可能性越大,像素点的邻域像素点的灰度变化的一致性越弱,像素点表现为噪声的程度也越高。因此基于灰度图像中每个目标像素点的邻域窗口中各个像素点的梯度方向的差异,对像素点的邻域像素点的灰度变化的一致性进行分析,同时结合灰度图像中每个目标像素点的噪声可能性以及每个目标像素点的邻域窗口中各个像素点的噪声可能性的平均分布水平,确定灰度图像中每个目标像素点的邻域噪声程度。考虑到现有非局部均值算法在确定滤波权重时,需要考虑像素邻域之间的相似性,但是由于噪声点本身的影响,会导致计算出来的相似性无法准确表征像素邻域之间的真实相似度,从而导致所确定的滤波权重不够合理,此时为了确定合理的滤波权重,需要考虑像素点本身的噪声情况。因此,综合考虑灰度图像中每个目标像素点与其搜索窗口内每个搜索像素点的邻域窗口中每个像素点的噪声可能性、邻域噪声程度、相同位置的像素点的灰度值的差异,以及每个目标像素点与其每个搜索像素点之间的位置距离,自适应准确确定灰度图像中每个目标像素点与其每个搜索像素点之间的滤波权重,并基于该滤波权重对灰度图像进行滤波。由于本发明在确定滤波权重时避免了现有技术中噪声点本身对确定滤波权重的不利影响,有效提高了非局部均值算法对颞下颌关节图像的噪声处理能力,从而提高了颞下颌关节图像的分割准确性。
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为本发明实施例的用于颞下颌关节紊乱病影像的智能分割方法的流程图;
图2为本发明实施例的搜索窗口与邻域窗口的示意图。
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技术方案的具体实施方式、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。另外,本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
为了解决现有技术中由于对颞下颌关节图像滤波效果差,导致由于颞下颌关节图像的分割效果差的问题,本实施例提供了一种用于颞下颌关节紊乱病影像的智能分割方法,对应的流程图如图1所示,包括以下步骤:
步骤S1:获取颞下颌关节图像的灰度图像。
由于锥型束CT能够提供高分辨率、高对比度的颞下颌影像,能够较为准确显示牙槽骨的结构,从而能够帮助医生征确评估牙周组织的状况和手术的相关信息,且相比于传统的多层螺旋CT,锥形束CT使用的辐射剂量较低,能够较为有效保证需要多次检查或者长期检查的患者的安全,因此利用医学设备获取患者颞下颌关节的锥型束CT,并将该锥型束CT作为颞下颌关节图像。对该颞下颌关节图像进行灰度化处理,从而得到灰度图像。
步骤S2:将所述灰度图像中每个像素点作为目标像素点,构建所述目标像素点的搜索窗口,所述目标像素点位于所述搜索窗口中,确定所述搜索窗口中的每个像素点的邻域窗口。
由于锥型束CT是通过向口部位置发射信号,利用不同的组织或结构对信号的吸收能力不同从而导致锥型束CT图像中灰度值不同,但是由于信号会发生反射、漫射等现象,这部分干扰信号会和正常信号混合,导致在图像中出现噪声。因此,为了便于后续对颞下颌关节图像的灰度图像进行准确分割,首先需要先对灰度图像进行滤波去噪。
在采用非局部均值算法对灰度图像进行滤波去噪时,受到噪声点本身的影响,导致无法准确衡量邻域像素点的滤波权重,进而导致滤波效果不够理想。考虑到在对灰度图像进行滤波去噪时,由于灰度图像中噪声的表现程度会对滤波的滤波程度有一定的影响,噪声的表现程度不同则滤波的程度不同,而滤波程度由滤波权重决定,因此可以利用像素点的表现特征以及像素点的邻域像素的表现特征,确定像素点为噪声的表现程度,从而确定合适的权重,最终实现有效滤波去噪。
基于上述分析,对于灰度图像中的任意一个像素点X,该像素点X也可以称为目标像素点X,以该目标像素点X作为中心,构建边长为第一尺寸的正方形窗口区域,并将该边长为第一尺寸的正方形窗口区域作为目标像素点X的搜索窗口。第一尺寸的大小可以根据需要进行合理选择,本实施例设置该第一尺寸的大小为19,此时目标像素点X的搜索窗口为的搜索窗口。在目标像素点X的搜索窗口内,任意选择一个像素点Y,以该像素点Y作为中心,构建边长为第二尺寸的正方形窗口区域,并将该边长为第二尺寸的正方形窗口区域作为像素点Y的邻域窗口。在保证第一尺寸大于第二尺寸的基础上,第二尺寸的大小可以根据需要进行合理选择,本实施例设置该第二尺寸的大小为5,此时像素点Y的邻域窗口为的邻域窗口。按照同样的方式,可以构建出目标像素点X的边长为第二尺寸的正方形窗口区域的邻域窗口。将目标像素点X的邻域窗口记为/>,并将像素点Y的邻域窗口记为/>。如图2所示,目标像素点X所位于的小的正方形窗口区域为目标像素点X的邻域窗口,像素点Y所位于的小的正方形窗口区域为像素点Y的邻域窗口,最大的正方向区域为目标像素点X的搜素窗口。
步骤S3:确定所述灰度图像中每个像素点的梯度幅值和梯度幅值,根据所述灰度图像中每个目标像素点的邻域窗口中在各个设定方向直线上的各个像素点的梯度幅值的差异,确定所述灰度图像中每个目标像素点的噪声可能性。
考虑到灰度图像中的噪声为像素发生无规律变化的突变点,因此噪声点与周围的像素点存在较大的灰度差异,故考虑像素点的邻域窗口中在0、、/>、/>方向直线上的各个像素点之间的梯度幅值差异,可以利用这种差异判断像素点为噪声的可能性大小。
对于灰度图像中的目标像素点X,过该目标像素点X,确定倾斜角为各个设定倾斜角的直线,并将所确定的直线作为各个设定方向直线。其中,各个设定倾斜角分别为0、、、/>。进而,在目标像素点X的邻域窗口中,可以确定位于每个设定方向直线上的各个像素点,将这些像素点按照位置排列顺序进行编号,可以确定位于每个设定方向直线上的各个像素点的排序序号。在本实施例中,由于目标像素点X的邻域窗口为/>的邻域窗口,因此通常来讲,在目标像素点X的邻域窗口中,位于每个设定方向直线上的像素点的数目为5个。
在此基础上,确定灰度图像中每个像素点的梯度幅值和梯度幅值,并根据灰度图像中的每个目标像素点的邻域窗口中在各个设定方向直线上的各个像素点的梯度幅值的差异,可以确定灰度图像中每个目标像素点的噪声可能性。
优选的,在本实施中,确定灰度图像中每个目标像素点的噪声可能性,对应的计算公式为:
;/>;其中,/>表示所述灰度图像中目标像素点X的噪声可能性;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上对应的累加和的正相关映射归一化值;/>表示取最小值符号,用于取所述灰度图像中目标像素点X的邻域窗口中在各个设定方向直线上对应的正相关映射归一化值中的最小值;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上对应的累加和;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的第k个梯度幅值差异值,/>,/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的第k个像素点的梯度幅值,/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的第k+1个像素点的梯度幅值;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的梯度幅值差异均值;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的像素点的总数目;/>表示以自然常数e为底数的指数函数;||表示取绝对值符号。
在上述噪声可能性的计算公式中,通过计算灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上相邻像素点的梯度变化差异,即梯度幅值差异值,计算出所有梯度变化差异的均值,得到梯度幅值差异均值,该梯度幅值差异均值/>反映了对应设定方向直线上梯度幅值变化的趋势。计算在每个设定方向直线上每个梯度变化差异与该梯度幅值差异均值/>的差异,该差异越大表明像素点的灰度变化属于正常变化的可能性越小,则像素点的梯度变化越异常。在每个设定方向直线上的所有梯度变化差异与该梯度幅值差异均值的总差异反映了像素点在该设定方向上的灰度值变化的相关性,总差异越小则在该设定方向上像素点的灰度值变化的相关性越强。当在第j个设定方向直线上所有像素点的梯度变化越异常时,则在第j个设定方向直线上表现出梯度连续性的可能性/>越小,梯度连续性即为在第j个设定方向直线上像素点灰度值变化的相关性,从而在第j个设定方向直线上像素点表现的为噪声点的可能性越大。由于边缘像素点仅在沿边缘的方向上梯度变化差异与差异均值较小,在其他方向上差异较大,因此在沿边缘方向上像素点表现为噪声点的可能性最小。因此,选取各个设定方向直线上可能性最小的值作为像素点最终的噪声可能性,若此时噪声可能性的值越大,则像素点表现为噪声的可能性越大,这样可以避免边缘像素点对结果造成的影响,提高了判断的准确程度。
步骤S4:根据所述灰度图像中每个目标像素点的噪声可能性、每个目标像素点的邻域窗口中各个像素点的噪声可能性的平均分布水平,以及每个目标像素点的邻域窗口中各个像素点的梯度方向的差异,确定所述灰度图像中每个目标像素点的邻域噪声程度。
对于灰度图像中的每个目标像素点,当目标像素点与其邻域像素点表现为噪声的可能性越大,目标像素点表现为噪声的程度就越高;同时目标像素点的邻域像素点的灰度变化的一致性越弱,目标像素点表现为噪声的程度也越高。
基于此,根据灰度图像中每个目标像素点的噪声可能性、每个目标像素点的邻域窗口中各个像素点的噪声可能性的平均分布水平,以及每个目标像素点的邻域窗口中各个像素点的梯度方向的差异,可以确定灰度图像中每个目标像素点的邻域噪声程度。
优选的,在本实施例中,可以确定灰度图像中每个目标像素点的邻域噪声程度,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X的邻域噪声程度;/>表示所述灰度图像中目标像素点X的噪声可能性;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点Y的噪声可能性;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点的总数目;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点/>的梯度方向与所述灰度图像中预设方向之间的夹角;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点/>的梯度方向与所述灰度图像中预设方向之间的夹角;| |表示取绝对值符号;/>表示属于符号。
在上述的邻域噪声程度的计算公式中,当目标像素点X的噪声可能性越大,表明目标像素点X表现为噪声的可能性越大,此时目标像素点X的邻域噪声程度就越大。当目标像素点X的像素邻域即邻域窗口内像素点的噪声可能性的平均值越大,表明目标像素点X的像素邻域内可能表现为噪声的像素点数量越多,从而目标像素点X的邻域噪声程度越大。通过计算目标像素点X的像素邻域内任意两个像素点的梯度方向与预设方向的夹角之间的差异,本实施例中,预设方向是指水平向右方向,并计算所有夹角之间的平均差异,该平均差异反映了目标像素点X的像素邻域内像素点梯度方向的一致性,平均差异越大表明一致性越弱,从而目标像素点X的邻域噪声程度就越大。
步骤S5:将所述灰度图像中每个目标像素点的所述搜索窗口中的任意一个像素点作为搜索像素点,根据每个目标像素点与其每个搜索像素点的邻域窗口中每个像素点的噪声可能性、邻域噪声程度、相同位置的像素点的灰度值的差异,以及每个目标像素点与其每个搜索像素点之间的位置距离,确定所述灰度图像中每个目标像素点与其每个搜索像素点之间的滤波权重。
在采用非局部均值算法对灰度图像进行滤波去噪时,由于滤波权重决定了滤波过程中不同像素点的贡献程度,不同的权重选择会导致不同的滤波效果,对图像中噪声的处理能力也有所差异。现有非局部均值算法在确定滤波权重时,需要考虑像素邻域之间的相似性,相似性越高,则对应的滤波权重就越大。在确定像素邻域之间的相似性时,像素邻域之间的灰度分布差异越大,表明像素邻域的相似程度越小。但是可能由于噪声的原因,使得像素邻域之间有较高的相似性,但是该较高的相似性实际上是由于噪声缩小了像素邻域之间的灰度分布差异造成的,此时会造成灰度图像中像素邻域之间拥有较高的相似性,但是滤波效果并不理想的情况。也就是说,由于受到噪声本身的影响,当通过虑像素邻域之间的相似性来确定滤波权重时,会导致所确定的滤波权重不够准确,从而影响图像的滤波去噪效果。
针对上述情况,考虑到噪声越强对滤波结果的影响越大,故在选择滤波权重时,需要考虑噪声带来的影响,并对权重进行调整,从而使得非局部均值算法在有效去除噪声的同时,能够保留图像的细节信息。因此,综合像素邻域之间的距离关系、灰度值之间的差异、噪声可能性和邻域噪声程度,准确确定滤波权重,从而提高滤波算法的去噪能力,提升对图像分割的分割效果。
基于上述分析,将灰度图像中每个目标像素点的搜索窗口中的任意一个像素点作为搜索像素点,根据每个目标像素点与其每个搜索像素点的邻域窗口中每个像素点的噪声可能性、邻域噪声程度、相同位置的像素点的灰度值的差异,以及每个目标像素点与其每个搜索像素点之间的位置距离,确定灰度图像中每个目标像素点与其每个搜索像素点之间的滤波权重。
优选的,在本实施例中,确定灰度图像中每个目标像素点与其每个搜索像素点之间的滤波权重,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X与其搜索像素点Y之间的滤波权重;/>表示所述灰度图像中目标像素点X的邻域窗口/>中第k个像素点的噪声可能性;/>表示所述灰度图像中目标像素点X的搜索像素点Y的邻域窗口/>中第k个像素点的噪声可能性;/>表示所述灰度图像中目标像素点X的邻域窗口/>中第k个像素点的灰度值;/>表示所述灰度图像中目标像素点X的搜索像素点Y的邻域窗口/>中第k个像素点的灰度值;/>表示第一非负修正值,用于防止分母为零,本实施例设置/>;/>表示第二非负修正值,用于防止分母为零,本实施例设置;N表示灰度图像中每个像素点的邻域窗口中像素点的总数目;/>表示所述灰度图像中目标像素点X与其搜索像素点Y之间的欧氏距离;/>表示所述灰度图像中目标像素点X的邻域噪声程度;/>表示所述灰度图像中目标像素点X的搜索像素点Y的邻域噪声程度;表示以自然常数e为底数的指数函数;| |表示取绝对值符号。
在上述的滤波权重的计算公式中,表示灰度图像中目标像素点X的邻域窗口/>与目标像素点X的搜索像素点Y的邻域窗口/>中,第k个相同位置上的像素点的灰度值差异,当该灰度值差异越小时,表明目标像素点X与搜索像素点Y之间的邻域相似度越高,从而滤波权重的取值也就越大。/>反映了目标像素点X的邻域窗口/>与搜索像素点Y的邻域窗口/>中,第k个相同位置上的像素点的灰度值综合受到噪声干扰的可能性大小,当该值越大时,则该第k个相同位置上的像素点的灰度值受噪声影响的可能性越大,因此反应的实际相似性应当越小,故利用指数函数对/>进行负相关映射,并将负相关映射结果/>作为灰度差异的权重,用于反应结果可信程度。/>表示目标像素点X与搜索像素点Y的距离大小,其反映了目标像素点X与搜索像素点Y之间的相关性,当/>越小时,说明目标像素点X与搜索像素点Y之间的相关性越强,目标像素点X与搜索像素点Y的相似程度越大,对应的滤波权重越大。/>反映了目标像素点X与搜索像素点Y综合受到噪声干扰的程度,噪声程度越大则滤波的程度越大,对应的滤波权重越小。
步骤S6:根据所述滤波权重和所述灰度图像中每个目标像素点的所述搜索窗口中每个搜索像素点的灰度值,对所述灰度图像进行滤波处理得到滤波图像,对所述滤波图像进行分割。
利用非局部均值算法,根据灰度图像中每个目标像素点与其每个搜索像素点之间的滤波权重,并结合灰度图像中每个目标像素点的每个搜索像素点的灰度值,确定灰度图像中每个目标像素点的滤波估计值,并利用该滤波估计值对目标像素点的灰度值进行滤波更新,从而得到滤波图像。其中,确定灰度图像中每个目标像素点的滤波估计值,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X的滤波估计值;/>表示所述灰度图像中目标像素点X与其搜索窗口/>中搜索像素点Y之间的滤波权重;/>表示所述灰度图像中目标像素点X的搜索窗口/>中搜索像素点Y的灰度值;表示所述灰度图像中目标像素点X与其搜索窗口/>中搜索像素点P之间的滤波权重;/>表示属于符号。
在通过上述滤波方式得到滤波图像之后,对该滤波图像进行图像分割,最终得到颞下颌关节图像的分割图像。进行图像分割的方法可以根据需要进行选择,本实施例是根据滤波图像中各个像素点的位置和灰度值,利用采用k-means算法(k-means clusteringalgorithm,k均值聚类算法)对该滤波图像进行聚类分割,最终得到颞下颌关节图像的分割图像。在得到该分割图像之后,可以利用该分割图像,辅助医生进行准确诊断疾病和规划治疗方案,或者用于医学研究、教学和科研项目。
本发明通过确定颞下颌关节图像的灰度图像中每个像素点的噪声可能性,并基于该噪声可能性确定每个像素点的邻域噪声程度,通过考虑每个像素点与其搜索窗口内每个像素点的邻域像素点的噪声可能性和邻域噪声程度,为每个像素点的搜索窗口中不同噪声表现的像素点赋予不同的滤波权值,从而避免了现有技术中噪声点本身对确定滤波权重的不利影响,有效提高了非局部均值算法对颞下颌关节图像的噪声处理能力,从而提高了颞下颌关节图像的分割准确性。
需要说明的是: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;尽管参照前述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精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种用于颞下颌关节紊乱病影像的智能分割方法,其特征在于,包括以下步骤:
获取颞下颌关节图像的灰度图像;
将所述灰度图像中每个像素点作为目标像素点,构建所述目标像素点的搜索窗口,所述目标像素点位于所述搜索窗口中,确定所述搜索窗口中的每个像素点的邻域窗口;
确定所述灰度图像中每个像素点的梯度幅值和梯度方向,根据所述灰度图像中每个目标像素点的邻域窗口中在各个设定方向直线上的各个像素点的梯度幅值的差异,确定所述灰度图像中每个目标像素点的噪声可能性;
根据所述灰度图像中每个目标像素点的噪声可能性、每个目标像素点的邻域窗口中各个像素点的噪声可能性的平均分布水平,以及每个目标像素点的邻域窗口中各个像素点的梯度方向的差异,确定所述灰度图像中每个目标像素点的邻域噪声程度;
将所述灰度图像中每个目标像素点的所述搜索窗口中的任意一个像素点作为搜索像素点,根据每个目标像素点与其每个搜索像素点的邻域窗口中每个像素点的噪声可能性、邻域噪声程度、相同位置的像素点的灰度值的差异,以及每个目标像素点与其每个搜索像素点之间的位置距离,确定所述灰度图像中每个目标像素点与其每个搜索像素点之间的滤波权重;
根据所述滤波权重和所述灰度图像中每个目标像素点的所述搜索窗口中每个搜索像素点的灰度值,对所述灰度图像进行滤波处理得到滤波图像,对所述滤波图像进行分割;确定所述灰度图像中每个目标像素点的噪声可能性,包括:
根据所述灰度图像中每个目标像素点的邻域窗口中在每个设定方向直线上的每相邻两个像素点的梯度幅值的差值,得到梯度幅值差异值;
确定所述灰度图像中每个目标像素点的邻域窗口中在每个设定方向直线上的所有梯度幅值差异值的平均值,从而得到梯度幅值差异均值;
确定所述灰度图像中每个目标像素点的邻域窗口中在每个设定方向直线上的所有梯度幅值差异值与对应梯度幅值差异均值的差值绝对值的累加和,对所述累加和进行正相关映射归一化,得到正相关映射归一化值;
确定所述灰度图像中每个目标像素点的邻域窗口在各个设定方向直线上对应的正相关映射归一化值的最小值,并将所述最小值确定为所述灰度图像中每个目标像素点的噪声可能性;得到正相关映射归一化值,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上对应的累加和的正相关映射归一化值;表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上对应的累加和;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的第k个梯度幅值差异值;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的梯度幅值差异均值;/>表示所述灰度图像中目标像素点X的邻域窗口中在第j个设定方向直线上的像素点的总数目;/>表示以自然常数e为底数的指数函数;| |表示取绝对值符号;
确定所述灰度图像中每个目标像素点的邻域噪声程度,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X的邻域噪声程度;/>表示所述灰度图像中目标像素点X的噪声可能性;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点Y的噪声可能性;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点的总数目;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点/>的梯度方向与所述灰度图像中预设方向之间的夹角;/>表示所述灰度图像中目标像素点X的邻域窗口/>中像素点/>的梯度方向与所述灰度图像中预设方向之间的夹角;/>表示属于符号。
2.根据权利要求1所述的一种用于颞下颌关节紊乱病影像的智能分割方法,其特征在于,各个设定方向直线的确定步骤,包括:
过所述灰度图像中每个目标像素点,确定倾斜角为各个设定倾斜角的直线,并将所述倾斜角为各个设定倾斜角的直线作为各个设定方向直线,所述各个设定倾斜角包括以下至少两种:0、、/>和/>。
3.根据权利要求1所述的一种用于颞下颌关节紊乱病影像的智能分割方法,其特征在于,确定所述灰度图像中每个目标像素点与其每个搜索像素点之间的滤波权重,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X与其搜索像素点Y之间的滤波权重;/>表示所述灰度图像中目标像素点X的邻域窗口/>中第k个像素点的噪声可能性;/>表示所述灰度图像中目标像素点X的搜索像素点Y的邻域窗口/>中第k个像素点的噪声可能性;/>表示所述灰度图像中目标像素点X的邻域窗口/>中第k个像素点的灰度值;/>表示所述灰度图像中目标像素点X的搜索像素点Y的邻域窗口/>中第k个像素点的灰度值;/>表示第一非负修正值;表示第二非负修正值;N表示灰度图像中每个像素点的邻域窗口中像素点的总数目;/>表示所述灰度图像中目标像素点X与其搜索像素点Y之间的欧氏距离;/>表示所述灰度图像中目标像素点X的邻域噪声程度;/>表示所述灰度图像中目标像素点X的搜索像素点Y的邻域噪声程度;/>表示以自然常数e为底数的指数函数;| |表示取绝对值符号。
4.根据权利要求1所述的一种用于颞下颌关节紊乱病影像的智能分割方法,其特征在于,对所述灰度图像进行滤波处理得到滤波图像,包括:
根据所述灰度图像中每个目标像素点的每个搜索像素点的灰度值,以及每个目标像素点与其每个搜索像素点之间的滤波权重,确定所述灰度图像中每个目标像素点的滤波估计值;
利用所述灰度图像中每个目标像素点的滤波估计值对所述目标像素点的灰度值进行滤波更新,从而得到滤波图像。
5.根据权利要求3所述的一种用于颞下颌关节紊乱病影像的智能分割方法,其特征在于,确定所述灰度图像中每个目标像素点的滤波估计值,对应的计算公式为:
;其中,/>表示所述灰度图像中目标像素点X的滤波估计值;/>表示所述灰度图像中目标像素点X与其搜索窗口/>中搜索像素点Y之间的滤波权重;/>表示所述灰度图像中目标像素点X的搜索窗口/>中搜索像素点Y的灰度值;/>表示所述灰度图像中目标像素点X与其搜索窗口/>中搜索像素点P之间的滤波权重。
6.根据权利要求1所述的一种用于颞下颌关节紊乱病影像的智能分割方法,其特征在于,所述搜索窗口和邻域窗口的构建步骤,包括:
在所述灰度图像中以所述目标像素点为中心,构建边长为第一尺寸的正方形窗口区域,将边长为第一尺寸的正方形窗口区域作为所述目标像素点的搜索窗口;
在所述搜索窗口中以所述搜索窗口中的每个像素点为中心,构建边长为第二尺寸的正方形窗口区域,所述第一尺寸大于所述第二尺寸,将边长为第二尺寸的正方形窗口区域作为所述搜索窗口中每个像素点的邻域窗口。
7.根据权利要求1所述的一种用于颞下颌关节紊乱病影像的智能分割方法,其特征在于,对所述滤波图像进行分割,包括:
根据所述滤波图像中各个像素点的位置和灰度值,利用采用k-means聚类算法对所述滤波图像进行聚类分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410282863.6A CN117876402B (zh) | 2024-03-13 | 2024-03-13 | 一种用于颞下颌关节紊乱病影像的智能分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410282863.6A CN117876402B (zh) | 2024-03-13 | 2024-03-13 | 一种用于颞下颌关节紊乱病影像的智能分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117876402A CN117876402A (zh) | 2024-04-12 |
CN117876402B true CN117876402B (zh) | 2024-05-07 |
Family
ID=90590449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410282863.6A Active CN117876402B (zh) | 2024-03-13 | 2024-03-13 | 一种用于颞下颌关节紊乱病影像的智能分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876402B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330791A (zh) * | 2022-10-13 | 2022-11-11 | 江苏东晨机械科技有限公司 | 一种零件毛刺检测方法 |
CN115661646A (zh) * | 2022-10-21 | 2023-01-31 | 河南职业技术学院 | 基于计算机视觉的垃圾智能分类方法 |
CN116228764A (zh) * | 2023-05-08 | 2023-06-06 | 聊城市东昌府区妇幼保健院 | 一种新生儿疾病筛查血片采集质量检测方法及系统 |
CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
CN116758099A (zh) * | 2023-08-17 | 2023-09-15 | 无锡康贝电子设备有限公司 | 一种数控机床异常监测及急停系统 |
CN117437236A (zh) * | 2023-12-21 | 2024-01-23 | 中国人民解放军总医院第一医学中心 | 一种胃肠镜图像异常检测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2748234A1 (en) * | 2008-12-25 | 2010-07-01 | Medic Vision - Imaging Solutions Ltd. | Denoising medical images |
US10262397B2 (en) * | 2014-12-19 | 2019-04-16 | Intel Corporation | Image de-noising using an equalized gradient space |
CN105894459A (zh) * | 2015-12-10 | 2016-08-24 | 乐视云计算有限公司 | 基于梯度值及梯度方向的图像锐化方法及装置 |
-
2024
- 2024-03-13 CN CN202410282863.6A patent/CN117876402B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330791A (zh) * | 2022-10-13 | 2022-11-11 | 江苏东晨机械科技有限公司 | 一种零件毛刺检测方法 |
CN115661646A (zh) * | 2022-10-21 | 2023-01-31 | 河南职业技术学院 | 基于计算机视觉的垃圾智能分类方法 |
CN116228764A (zh) * | 2023-05-08 | 2023-06-06 | 聊城市东昌府区妇幼保健院 | 一种新生儿疾病筛查血片采集质量检测方法及系统 |
CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
CN116758099A (zh) * | 2023-08-17 | 2023-09-15 | 无锡康贝电子设备有限公司 | 一种数控机床异常监测及急停系统 |
CN117437236A (zh) * | 2023-12-21 | 2024-01-23 | 中国人民解放军总医院第一医学中心 | 一种胃肠镜图像异常检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117876402A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9613416B1 (en) | Methods, systems, and devices for automated analysis and management of medical scans | |
US8873826B2 (en) | Method for brightness level calculation of the digital x-ray image for medical applications | |
US20080021502A1 (en) | Systems and methods for automatic symmetry identification and for quantification of asymmetry for analytic, diagnostic and therapeutic purposes | |
CN114648530A (zh) | 一种ct图像处理方法 | |
CN111539930A (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
JP2004032684A (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
US20120099771A1 (en) | Computer aided detection of architectural distortion in mammography | |
CN112634256B (zh) | 圆检测及拟合方法、装置、电子设备和存储介质 | |
CN111275686A (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
Koprowski et al. | Assessment of significance of features acquired from thyroid ultrasonograms in Hashimoto's disease | |
CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
Kesuma et al. | Improved Chest X-Ray Image Quality Using Median and Gaussian Filter Methods | |
CN112669235B (zh) | 调整图像灰度的方法、装置、电子设备和存储介质 | |
CN116433695B (zh) | 一种乳腺钼靶图像的乳腺区域提取方法及系统 | |
CN111402244B (zh) | 一种胎儿心脏标准切面自动分类法 | |
WO2007095284A2 (en) | Systems and methods for automatic symmetry identification and for quantification of asymmetry for analytic, diagnostic and therapeutic purposes | |
CN117876402B (zh) | 一种用于颞下颌关节紊乱病影像的智能分割方法 | |
CN117495818A (zh) | 一种基于图像处理的骨科辅助检查方法和系统 | |
CN116168029A (zh) | 一种用于评估肋骨骨折的方法、设备和介质 | |
CN113808105B (zh) | 一种基于超声扫查的病灶检测方法 | |
Correa et al. | Digital chest radiography: comparison of unprocessed and processed images in the detection of solitary pulmonary nodules. | |
CN115578285B (zh) | 一种乳腺钼靶图像细节增强方法及系统 | |
CN116309593B (zh) | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 |
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 |