CN117893533A - 基于图像特征的心胸比智能检测方法及系统 - Google Patents
基于图像特征的心胸比智能检测方法及系统 Download PDFInfo
- Publication number
- CN117893533A CN117893533A CN202410290050.1A CN202410290050A CN117893533A CN 117893533 A CN117893533 A CN 117893533A CN 202410290050 A CN202410290050 A CN 202410290050A CN 117893533 A CN117893533 A CN 117893533A
- Authority
- CN
- China
- Prior art keywords
- cluster
- sub
- pixel point
- pixel
- chest
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 119
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 230000000739 chaotic effect Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 19
- 230000000875 corresponding effect Effects 0.000 description 240
- 238000011976 chest X-ray Methods 0.000 description 5
- 239000008188 pellet Substances 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 239000005337 ground glass Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000005338 frosted glass Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000011166 aliquoting Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像增强技术领域，具体涉及基于图像特征的心胸比智能检测方法及系统，该方法包括：对胸部图像中每个像素点对应的预设窗口进行分割；对每个子区域进行多维度特征提取；确定每个像素点对应的混乱程度；对胸部图像中的像素点进行聚类；确定目标聚类簇中每两个像素点之间的距离度量与每个像素点对应的初始采样概率；对目标聚类簇进行预设数量轮采样，构建虚拟点，确定背景聚类簇对应的虚拟点集合；对目标聚类簇和背景聚类簇进行扩充；对每个待细分聚类簇进行聚类，根据最终聚类结果，对胸部图像进行增强，并进行心胸比检测。本发明实现了对胸部图像的增强，提高了对胸部图像进行增强的效果和心胸比测量的准确度。
Description
技术领域
本发明涉及图像增强技术领域，具体涉及基于图像特征的心胸比智能检测方法及系统。
背景技术
由于拍摄环境等因素的影响，可能导致用于心胸比测量的胸部图像不清晰，尤其可能导致心脏区域的边缘轮廓不清晰，从而导致难以准确测量用于心胸比计算的心脏横径，因此，对采集的胸部图像进行图像增强至关重要。目前，对图像进行增强时，通常采用的方法为：根据图像的灰度直方图，对图像进行直方图均衡化，得到增强图像。
然而，当根据胸部图像的灰度直方图，对胸部图像进行直方图均衡化，实现图像增强时，经常会存在如下技术问题：
由于灰度直方图均衡化往往是按照图像的灰度值分布进行统计学上的整体图像增强，因此，直接根据胸部图像的灰度直方图，对胸部图像进行直方图均衡化时，可能导致某些像素点较少的心脏细节信息丢失，从而导致对胸部图像进行增强的效果较差，进而导致心胸比测量的准确度较差。
发明内容
为了解决由于对胸部图像进行增强的效果较差而导致心胸比测量的准确度较差的技术问题，本发明提出了基于图像特征的心胸比智能检测方法及系统。
第一方面，本发明提供了基于图像特征的心胸比智能检测方法，该方法包括：
对获取的胸部图像中每个像素点对应的预设窗口进行分割，得到每个像素点对应的子区域集合；
根据子区域集合中每个子区域内像素点对应的梯度，对每个子区域进行多维度特征提取，得到每个子区域对应的维度特征集合；
根据每个像素点对应的所有维度特征集合，确定每个像素点对应的混乱程度；
根据像素点对应的灰度值和混乱程度，对胸部图像中的所有像素点进行聚类，得到目标聚类簇、背景聚类簇和待细分聚类簇；
根据目标聚类簇中每两个像素点对应的所有维度特征集合，确定这两个像素点之间的距离度量；
根据目标聚类簇中每个像素点与所有其他像素点之间的距离度量，确定目标聚类簇中每个像素点对应的初始采样概率；
根据目标聚类簇中像素点对应的初始采样概率，对目标聚类簇进行预设数量轮采样，根据每轮采样结果，构建虚拟点，得到目标聚类簇对应的虚拟点集合，并确定背景聚类簇对应的虚拟点集合；
根据目标聚类簇和背景聚类簇对应的虚拟点集合，分别对目标聚类簇和背景聚类簇进行扩充，得到扩充目标簇和扩充背景簇；
根据扩充目标簇和扩充背景簇，通过LDA算法，对每个待细分聚类簇进行聚类，并根据最终聚类结果，对胸部图像进行增强，得到目标增强图像；
根据目标增强图像进行心胸比检测。
可选地，子区域对应的维度特征集合中的维度特征对应的公式为：
；其中，/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第k个维度特征；i是胸部图像中像素点的序号；a是子区域集合中子区域的序号；k是第a个子区域对应的维度特征集合中维度特征的序号；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内像素点的数量；j是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内像素点的序号；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内第j个像素点对应的梯度大小；/>是余弦函数；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内第j个像素点对应的梯度方向；/>是预设倍数；/>是180°的弧度数。
可选地，胸部图像中像素点对应的混乱程度对应的公式为：
；其中，/>是胸部图像中第i个像素点对应的混乱程度；i是胸部图像中像素点的序号；N是子区域集合中子区域的数量；a和q是子区域集合中子区域的序号；/>；/>是取绝对值函数；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合与第q个子区域对应的维度特征集合之间的皮尔森相关系数；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中所有维度特征的标准差；/>是胸部图像中第i个像素点对应的子区域集合中，第q个子区域对应的维度特征集合中所有维度特征的标准差；/>是预先设置的大于0的因子。
可选地，所述根据像素点对应的灰度值和混乱程度，对胸部图像中的所有像素点进行聚类，得到目标聚类簇、背景聚类簇和待细分聚类簇，包括：
根据每个像素点对应的灰度值和混乱程度，确定每个像素点对应的初始聚类指标，其中，灰度值与初始聚类指标呈负相关，混乱程度与初始聚类指标呈正相关；
根据像素点对应的初始聚类指标，对胸部图像中的所有像素点进行聚类，得到预设数目个初始聚类簇，其中，预设数目大于2；
将每个初始聚类簇中所有像素点对应的初始聚类指标的均值，确定为每个初始聚类簇对应的代表聚类指标；
将代表聚类指标最小的初始聚类簇，确定为目标聚类簇，将代表聚类指标最大的初始聚类簇，确定为背景聚类簇，并将预设数目个初始聚类簇中除了目标聚类簇和背景聚类簇之外的每个初始聚类簇，确定为待细分聚类簇。
可选地，目标聚类簇中两个像素点之间的距离度量对应的公式为：
；/>；其中，/>是目标聚类簇中第m个像素点和第t个像素点之间的距离度量；m和t是目标聚类簇中像素点的序号；/>；N是子区域集合中子区域的数量；a是子区域集合中子区域的序号；/>是子区域集合中第a个子区域对应的预设权重；/>是目标聚类簇中第m个像素点和第t个像素点对应的子区域集合中，第a个子区域之间的特征差异集合中所有特征差异的标准差；/>是目标聚类簇中第m个像素点和第t个像素点对应的子区域集合中，第a个子区域之间的特征差异集合中第k个特征差异；/>是取绝对值函数；/>是目标聚类簇中第m个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第k个维度特征；/>是目标聚类簇中第t个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第k个维度特征；k是第a个子区域对应的维度特征集合或其之间的特征差异集合中元素的序号。
可选地，所述根据目标聚类簇中每个像素点与所有其他像素点之间的距离度量，确定目标聚类簇中每个像素点对应的初始采样概率，包括：
将目标聚类簇中任意一个像素点，确定为标记像素点，将所述标记像素点与所有其他像素点之间的距离度量，构成所述标记像素点对应的距离度量集合；
根据所述标记像素点对应的距离度量集合，确定所述标记像素点对应的初始采样概率，其中，所述标记像素点对应的距离度量集合中的距离度量与其对应的初始采样概率呈负相关。
可选地，所述根据目标聚类簇中像素点对应的初始采样概率，对目标聚类簇进行预设数量轮采样，根据每轮采样结果，构建虚拟点，得到目标聚类簇对应的虚拟点集合，并确定背景聚类簇对应的虚拟点集合，包括：
对目标聚类簇进行每轮采样包括：根据目标聚类簇中所有像素点对应的初始采样概率，通过概率抽样，从目标聚类簇中抽取一个像素点，作为初始采样点，并将目标聚类簇中除了初始采样点之外的每个像素点，确定为待采样点；根据每个待采样点对应的初始采样概率、以及其与初始采样点之间的距离度量，确定每个待采样点对应的二次采样概率，其中，距离度量与二次采样概率呈负相关，初始采样概率与二次采样概率呈正相关；根据目标聚类簇中所有待采样点对应的二次采样概率，通过概率抽样，从目标聚类簇中的所有待采样点中抽取一个像素点，作为二次采样点；根据初始采样点和二次采样点对应的维度特征向量，确定虚拟特征向量，其中，像素点对应的维度特征向量由其对应的所有维度特征集合中所有的维度特征构成；构建维度特征向量为虚拟特征向量的像素点，作为虚拟点；
将对目标聚类簇进行预设数量轮采样得到的预设数量个虚拟点，构成目标聚类簇对应的虚拟点集合；
同理，确定背景聚类簇对应的虚拟点集合。
可选地，所述根据目标聚类簇和背景聚类簇对应的虚拟点集合，分别对目标聚类簇和背景聚类簇进行扩充，得到扩充目标簇和扩充背景簇，包括：
将目标聚类簇对应的虚拟点集合中的虚拟点添加至目标聚类簇，得到扩充目标簇；
将背景聚类簇对应的虚拟点集合中的虚拟点添加至背景聚类簇，得到扩充背景簇。
可选地，所述根据扩充目标簇和扩充背景簇，通过LDA算法，对每个待细分聚类簇进行聚类，并根据最终聚类结果，对胸部图像进行增强，得到目标增强图像，包括：
根据扩充目标簇和扩充背景簇中所有像素点对应的维度特征向量，通过LDA算法，将每个待细分聚类簇中的像素点分别划分至目标聚类簇或背景聚类簇；
将胸部图像中最终聚类至目标聚类簇中的像素点，确定为目标像素点，并将胸部图像中最终聚类至背景聚类簇中的像素点，确定为背景像素点；
根据所有目标像素点对应的预设目标增强系数和所有背景像素点对应的预设背景增强系数，对胸部图像进行增强，得到目标增强图像，其中，预设目标增强系数大于预设背景增强系数。
第二方面，本发明提供了基于图像特征的心胸比智能检测系统，包括处理器和存储器，上述处理器用于处理存储在上述存储器中的指令以实现上述的基于图像特征的心胸比智能检测方法。
本发明具有如下有益效果：
本发明的基于图像特征的心胸比智能检测方法，实现了对胸部图像的增强，解决了由于对胸部图像进行增强的效果较差而导致心胸比测量的准确度较差的技术问题，提高了对胸部图像进行增强的效果，从而提高了心胸比测量的准确度。首先，对分割得到的每个子区域进行多维度特征提取，量化的每个子区域对应的维度特征集合中的维度特征可以表征不同维度下的梯度特征。接着，由于心脏区域内的像素点与噪声点对应的混乱情况往往不同，因此基于像素点对应的灰度值和混乱程度，对胸部图像中的像素点进行聚类，往往可以在一定程度上区分出心脏区域内的像素点与噪声点，心脏特征明显的像素点往往会聚至目标聚类簇，噪声特征明显的噪声点往往会聚至背景聚类簇，待细分聚类簇内的像素点往往是特征相对不明显，需要进一步进行划分的像素点。然后，量化的两个像素点之间的距离度量越大，往往说明这两个像素点之间的差异相对越大。一般来说，若目标聚类簇中某个像素点与其他像素点之间的差异越大，则往往说明该像素点对应的特征信息越少，往往说明该像素点越应该被采样，以用于扩充。其次，量化的像素点对应的初始采样概率越大，往往说明该像素点越应该被采样，以用于扩充。继续，对目标聚类簇进行预设数量轮采样，可以自适应地得到多个用于扩充目标聚类簇的虚拟点，可以使扩充后的目标聚类簇中的特征信息更加丰富，可以使后续对待细分聚类簇进行聚类的效果相对较好，关于背景聚类簇的扩充效果同理。所以，基于扩充目标簇和扩充背景簇，通过LDA算法，对每个待细分聚类簇进行聚类，可以将尽可能多的心脏区域内的像素点划分至目标聚类簇，并将尽可能多的噪声点划分至背景聚类簇，可以实现心脏区域的增强，从而可以使心脏区域的边缘明显，可以便于后续准确测量用于心胸比计算的心脏横径，并且相较于根据胸部图像的灰度直方图，对胸部图像进行直方图均衡化，本发明基于最终聚类结果，对胸部图像进行增强，可以实现对心脏区域的增强，并且本发明量化了多个与心脏特征相关的指标，比如，维度特征集合、混乱程度和距离度量等，可以在一定程度上减少心脏细节信息的丢失，从而提高了对胸部图像进行增强的效果，进而提高了心胸比测量的准确度。最后，基于目标增强图像进行心胸比检测，实现了心胸比测量。
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为本发明的基于图像特征的心胸比智能检测方法的流程图。
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”指的不一定是同一个实施例。此外，一个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。
基于图像特征的心胸比智能检测方法及系统实施例：
参考图1，示出了本发明的基于图像特征的心胸比智能检测方法的一些实施例的流程。该基于图像特征的心胸比智能检测方法，包括以下步骤：
步骤S1，对获取的胸部图像中每个像素点对应的预设窗口进行分割，得到每个像素点对应的子区域集合。
其中，胸部图像可以是胸部X线影像的灰度图像。胸部X线影像，又称X线胸片，也就是通过X线技术，采集的胸部区域的影像。X线，又称X射线，是一种波长很短的电磁波，是一种光子。预设窗口可以是预先设置的窗口。例如，预设窗口可以是9×9的窗口。像素点可以位于其对应的预设窗口的中心。
需要说明的是，心胸比是心脏横径与胸廓横径之比，通常通过医学影像学，如X射线进行测量，这一测量对于心血管疾病的早期诊断和评估患者的健康状况具有重要意义。由于拍摄环境等因素的影响，可能导致用于心胸比测量的胸部图像不清晰，尤其可能导致心脏区域的边缘轮廓不清晰，从而导致难以准确测量用于心胸比计算的心脏横径，因此往往需要对胸部图像进行增强，以便于后续进行心胸比测量。其次，分割得到像素点对应的子区域集合，可以便于后续分析像素点周围各个子区域的特征。
作为示例，本步骤可以包括以下步骤：
第一步，通过X线技术，采集胸部X线影像，并对采集的胸部X线影像进行灰度化，将灰度化后的胸部X线影像，作为胸部图像。
第二步，记胸部图像中任意一个像素点为参考点，对参考点对应的预设窗口进行等分，并将等分得到的每个区域作为子区域，参考点对应的预设窗口内所有子区域，构成参考点对应的子区域集合。
例如，若预设窗口为9×9窗口，则可以对参考点对应的9×9窗口进行等分，可以得到9个3×3窗口，得到的每个3×3窗口即为子区域，这9个3×3窗口构成参考点对应的子区域集合。
步骤S2，根据子区域集合中每个子区域内像素点对应的梯度，对每个子区域进行多维度特征提取，得到每个子区域对应的维度特征集合。
其中，梯度是矢量，既有大小又有方向。像素点对应的梯度可以包括：该像素点对应的梯度大小和梯度方向。梯度大小，又称梯度幅值。梯度方向，又称梯度角度，往往用角度表征。维度特征集合中维度特征的数量可以是依据实际情况预先设置的，可以取值为8。
需要说明的是，对分割得到的每个子区域进行多维度特征提取，量化的每个子区域对应的维度特征集合中的维度特征可以表征不同维度下的梯度特征。
作为示例，子区域对应的维度特征集合中的维度特征对应的公式可以为：
；其中，/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第k个维度特征。i是胸部图像中像素点的序号。a是子区域集合中子区域的序号。k是第a个子区域对应的维度特征集合中维度特征的序号。/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内像素点的数量。j是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内像素点的序号。/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内第j个像素点对应的梯度大小。/>是余弦函数。/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内第j个像素点对应的梯度方向。/>是预设倍数，其取值范围可以为[1，R]，R是维度特征集合中维度特征的数量，例如，/>可以为1。/>是180°的弧度数。例如，胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合可以为{/>，/>，…，/>，…，/>}。其中，/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第1个维度特征；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第2个维度特征；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第R个维度特征。
需要说明的是，可以表征将/>等分/>份后的/>倍的角度大小。由于/>和/>分别是第j个像素点对应的梯度大小和梯度方向，所以，/>可以表征第j个像素点对应的第k个梯度分量。/>可以表征第i个像素点对应的子区域集合中，第a个子区域对应的第k个整体梯度分量，相当于将第a个子区域内的各个像素点对应的梯度投影至不同的方向上，可以表征第a个子区域在不同方向上的响应值大小，也可以是第a个子区域在第k个不同维度下的梯度特征。
步骤S3，根据每个像素点对应的所有维度特征集合，确定每个像素点对应的混乱程度。
其中，像素点对应的所有维度特征集合可以包括：该像素点对应的子区域集合中所有子区域对应的维度特征集合。
需要说明的是，由于心脏区域内的像素点与噪声点对应的混乱情况往往不同，因此量化像素点对应的混乱程度可以便于后续区分心脏区域与噪声点，其中，磨玻璃影噪声点是胸部X线影像中比较常见的一种噪声点。磨玻璃影噪声点也就是磨玻璃影上的像素点。磨玻璃影是指X光片中看起来模糊不清，像毛玻璃一样的块斑。
作为示例，胸部图像中像素点对应的混乱程度对应的公式可以为：
；其中，/>是胸部图像中第i个像素点对应的混乱程度。i是胸部图像中像素点的序号。N是子区域集合中子区域的数量。a和q是子区域集合中子区域的序号。/>。/>是取绝对值函数。/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合与第q个子区域对应的维度特征集合之间的皮尔森相关系数。/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中所有维度特征的标准差。/>是胸部图像中第i个像素点对应的子区域集合中，第q个子区域对应的维度特征集合中所有维度特征的标准差。/>是预先设置的大于0的因子，主要用于防止分母为0，例如，/>可以为0.001。
需要说明的是，一般来说，当子区域的分布均匀稳定时，往往说明梯度方向越可能一致，往往说明越可能在某个方向上的梯度分量较大，而其他方向梯度分量相对较小。当越小时，往往说明第i个像素点的第a个子区域对应的多个维度特征越均匀，往往说明第i个像素点的第a个子区域对应的多个梯度特征越均匀，往往说明第i个像素点的第a个子区域的分布相对越混乱。同理，当/>越小时，往往说明第i个像素点的第q个子区域的分布相对越混乱。/>可以作为/>的权重，用于修正/>的取值。当/>越大时，往往说明第a个子区域和第q个子区域越不相关，往往说明第a个子区域和第q个子区域之间可能越混乱。因此，当/>越大时，往往说明第i个像素点周围区域相对越混乱。
步骤S4，根据像素点对应的灰度值和混乱程度，对胸部图像中的所有像素点进行聚类，得到目标聚类簇、背景聚类簇和待细分聚类簇。
需要说明的是，由于心脏区域内的像素点与噪声点对应的混乱情况往往不同，因此基于像素点对应的灰度值和混乱程度，对胸部图像中的像素点进行聚类，往往可以在一定程度上区分出心脏区域内的像素点与噪声点，心脏特征明显的像素点往往会聚至目标聚类簇，噪声特征明显的噪声点往往会聚至背景聚类簇，待细分聚类簇内的像素点往往是特征相对不明显，需要进一步进行划分的像素点。
作为示例，本步骤可以包括以下步骤：
第一步，根据每个像素点对应的灰度值和混乱程度，确定每个像素点对应的初始聚类指标。
其中，灰度值可以与初始聚类指标呈负相关。混乱程度可以与初始聚类指标呈正相关。
例如，确定胸部图像中像素点对应的初始聚类指标对应的公式可以为：
；其中，/>是胸部图像中第i个像素点对应的初始聚类指标。i是胸部图像中像素点的序号。/>是归一化函数。/>是胸部图像中第i个像素点对应的灰度值。/>是预先设置的大于0的因子，主要用于防止分母为0，如，/>可以为0.001。/>是胸部图像中第i个像素点对应的混乱程度。
需要说明的是，当越大时，往往说明第i个像素点周围区域相对越混乱。由于心脏区域等人体器官区域往往是灰度较大且混乱程度较低的像素点，而噪声点往往是混乱程度较大的像素点。因此，当/>越小时，往往说明第i个像素点对应灰度值较高且规律性较强，往往说明第i个像素点越可能是心脏区域等人体器官区域内的像素点。反之，当/>越大时，往往说明第i个像素点越可能是噪声点。
第二步，根据像素点对应的初始聚类指标，对胸部图像中的所有像素点进行聚类，得到预设数目个初始聚类簇。
其中，预设数目可以是预先设置的大于2的数目。例如，预设数目可以是5。
例如，若预设数目为5，则可以根据像素点对应的初始聚类指标，通过K-means（K-means clustering algorithm，K均值聚类）算法，将初始聚类指标相似的像素点聚到同一个聚类簇，得到5个聚类簇，并将此时得到的每个聚类簇作为初始聚类簇。
第三步，将每个初始聚类簇中所有像素点对应的初始聚类指标的均值，确定为每个初始聚类簇对应的代表聚类指标。
第四步，将代表聚类指标最小的初始聚类簇，确定为目标聚类簇，将代表聚类指标最大的初始聚类簇，确定为背景聚类簇，并将预设数目个初始聚类簇中除了目标聚类簇和背景聚类簇之外的每个初始聚类簇，确定为待细分聚类簇。
需要说明的是，由于图像中的心脏区域往往会受到部分阴影区域等噪声的影响，观察其边缘时往往容易出现误差。故可以根据像素点对应的初始聚类指标，利用K-means算法，将胸部图像中的像素点聚为5类，进而获取目标聚类簇与背景聚类簇作为LDA（LinearDiscriminant Analysis，线性判别式分析）算法中的训练样本，而考虑到此时所得训练样本可能无法较好的表示两类像素点的较多特征，因此，本发明实施例后续对训练样本进行了扩充。
步骤S5，根据目标聚类簇中每两个像素点对应的所有维度特征集合，确定这两个像素点之间的距离度量。
需要说明的是，基于目标聚类簇中每两个像素点对应的所有维度特征集合，量化的这两个像素点之间的距离度量越大，往往说明这两个像素点之间的差异相对越大。一般来说，若目标聚类簇中某个像素点与其他像素点之间的差异越大，则往往说明该像素点对应的特征信息越少，往往说明该像素点越应该被采样，以用于扩充。
作为示例，目标聚类簇中两个像素点之间的距离度量对应的公式可以为：
；/>；其中，/>是目标聚类簇中第m个像素点和第t个像素点之间的距离度量。m和t是目标聚类簇中像素点的序号。/>。N是子区域集合中子区域的数量。a是子区域集合中子区域的序号。/>是子区域集合中第a个子区域对应的预设权重。预设权重可以是预先设置的权重，一般来说，子区域越靠近预设窗口的中心时，可以为该子区域设置较大的权重，例如，若预设窗口为9×9窗口，子区域是等分的3×3窗口，则可以将预设窗口中心处的子区域对应的预设权重设置为0.2，将其他子区域对应的预设权重设置为0.1。/>是目标聚类簇中第m个像素点和第t个像素点对应的子区域集合中，第a个子区域之间的特征差异集合中所有特征差异的标准差。/>是目标聚类簇中第m个像素点和第t个像素点对应的子区域集合中，第a个子区域之间的特征差异集合中第k个特征差异。/>是取绝对值函数。/>是目标聚类簇中第m个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第k个维度特征。/>是目标聚类簇中第t个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第k个维度特征。k是第a个子区域对应的维度特征集合或其之间的特征差异集合中元素的序号。
需要说明的是，可以表征第m个像素点和第t个像素点的第a个子区域之间的一个梯度特征差异。/>可以表征第m个像素点和第t个像素点的第a个子区域之间所有梯度特征差异的离散情况，其值越大，往往说明第m个像素点的第a个子区域和第t个像素点的第a个子区域之间梯度特征差异越大，往往说明第m个像素点的第a个子区域和第t个像素点的第a个子区域之间梯度特征分布越不一致，往往说明第m个像素点和第t个像素点越不相似。/>是/>的权重。因此，当/>越大时，往往说明第m个像素点和第t个像素点之间的差异相对越大，往往说明第m个像素点和第t个像素点越不相似。
步骤S6，根据目标聚类簇中每个像素点与所有其他像素点之间的距离度量，确定目标聚类簇中每个像素点对应的初始采样概率。
需要说明的是，量化的像素点对应的初始采样概率越大，往往说明该像素点越应该被采样，以用于扩充。
作为示例，本步骤可以包括以下步骤：
第一步，将目标聚类簇中任意一个像素点，确定为标记像素点，将上述标记像素点与所有其他像素点之间的距离度量，构成上述标记像素点对应的距离度量集合。
例如，若目标聚类簇中有3个像素点，分别为第一像素点、第二像素点和第三像素点，则第一像素点对应的距离度量集合可以包括：第一像素点与第二像素点之间的距离度量、第一像素点与第三像素点之间的距离度量。
第二步，根据上述标记像素点对应的距离度量集合，确定上述标记像素点对应的初始采样概率。
其中，上述标记像素点对应的距离度量集合中的距离度量可以与其对应的初始采样概率呈负相关。
例如，确定目标聚类簇中像素点对应的初始采样概率对应的公式可以为：
；其中，/>是目标聚类簇中第m个像素点对应的初始采样概率。m和t是目标聚类簇中像素点的序号。/>。/>是归一化函数。n是目标聚类簇中像素点的数量。/>是目标聚类簇中第m个像素点和第t个像素点之间的距离度量。
需要说明的是，当越大时，往往说明第m个像素点和第t个像素点之间的差异相对越大，往往说明第m个像素点和第t个像素点越不相似。当/>越大时，往往说明目标聚类簇中第m个像素点与目标聚类簇中所有其他像素点越不相似。一般来说，若目标聚类簇中某个像素点与其他像素点之间的差异越大，则往往说明该像素点对应的特征信息越少，往往说明该像素点越可能包含心脏或肋骨区域内的一些数量较少的细节信息，往往说明该像素点对应的特征信息越容易被忽略，往往说明该像素点越应该被采样，以用于扩充。因此，当/>越大时，往往说明第m个像素点越应该被采样，以用于后续的扩充。
步骤S7，根据目标聚类簇中像素点对应的初始采样概率，对目标聚类簇进行预设数量轮采样，根据每轮采样结果，构建虚拟点，得到目标聚类簇对应的虚拟点集合，并确定背景聚类簇对应的虚拟点集合。
其中，预设数量可以是预先设置的数量。例如，预设数量可以等于目标聚类簇中像素点数量和预设占比的乘积。预设占比可以是预先设置的占比。例如，预设占比可以是0.8。若目标聚类簇中像素点的数量为100，预设占比为0.8，则预设数量可以是80。虚拟点可以是虚拟的像素点。
需要说明的是，对目标聚类簇进行预设数量轮采样，可以自适应地得到多个用于扩充目标聚类簇的虚拟点，可以使扩充后的目标聚类簇中的特征信息更加丰富，可以使后续对待细分聚类簇进行聚类的效果相对较好，关于背景聚类簇的扩充效果同理。
作为示例，本步骤可以包括以下步骤：
第一步，对目标聚类簇进行每轮采样可以包括以下子步骤：
第一子步骤，根据目标聚类簇中所有像素点对应的初始采样概率，通过概率抽样，从目标聚类簇中抽取一个像素点，作为初始采样点，并将目标聚类簇中除了初始采样点之外的每个像素点，确定为待采样点。
其中，概率抽样，又称随机抽样。
比如，若目标聚类簇中有2个像素点，分别为第一像素点和第二像素点，并且第一像素点对应的初始采样概率为0.2，第二像素点对应的初始采样概率为0.1，则后续选取任意一轮采样中的初始采样点时，可以设置第一像素点数量为第二像素点数量的两倍，如，可以生成2个表征第一像素点的模拟小球，生成1个表征第二像素点的模拟小球，在这3个模拟小球中随机抽取1个模拟小球，若抽出的模拟小球表征的是第一像素点，则该轮采样中的初始采样点可以为第一像素点；若抽出的模拟小球表征的是第二像素点，则该轮采样中的初始采样点可以为第二像素点。又如，可以通过随机数字生成器，生成最小值为1，最大值为3的随机数，若生成的随机数为1或2，则该轮采样中的初始采样点可以为第一像素点；若生成的随机数为3，则该轮采样中的初始采样点可以为第二像素点。
需要说明的是，对目标聚类簇进行的每轮采样是有放回采样，类似于有放回抽取，即对目标聚类簇进行的每轮采样互不影响，是重复的相同的采样过程。
第二子步骤，根据每个待采样点对应的初始采样概率、以及其与初始采样点之间的距离度量，确定每个待采样点对应的二次采样概率。
其中，距离度量可以与二次采样概率呈负相关。初始采样概率可以与二次采样概率呈正相关。
比如，若目标聚类簇中第m个像素点是初始采样点，则目标聚类簇中除了第m个像素点之外的像素点对应的二次采样概率对应的公式可以为：
；其中，/>是当目标聚类簇中第m个像素点是初始采样点时，目标聚类簇中第t个像素点对应的二次采样概率。m和t是目标聚类簇中像素点的序号。/>。/>是归一化函数。/>是以自然常数为底的指数函数。/>是目标聚类簇中第m个像素点和第t个像素点之间的距离度量。/>是目标聚类簇中第m个像素点对应的初始采样概率。
需要说明的是，一般来说，梯度特征不同的两个像素点构建为虚拟像素点时其特征的对后续像素点的划分代表性不高。所以，当越大时，往往说明第m个像素点和第t个像素点之间的差异相对越大，往往说明第m个像素点和第t个像素点越不相似，往往说明在第m个像素点是初始采样点的条件下，越不应该对第t个像素点进行采样。当/>越大时，往往说明在第m个像素点是初始采样点的条件下，对第t个像素点进行采样的概率情况，可以在一定程度上避免不同梯度方向的像素点被同时采样，避免后续得到的样本产生偏差。
第三子步骤，根据目标聚类簇中所有待采样点对应的二次采样概率，通过概率抽样，从目标聚类簇中的所有待采样点中抽取一个像素点，作为二次采样点。
比如，可以参考初始采样点的抽取过程，抽取二次采样点，具体可以为：将待采样点作为像素点，并将二次采样概率作为初始采样概率，执行步骤S7包括的作为示例包括的第一步包括的第一子步骤，此时抽取的初始采样点即为二次采样点。
第四子步骤，根据初始采样点和二次采样点对应的维度特征向量，确定虚拟特征向量。
其中，像素点对应的维度特征向量可任意由其对应的所有维度特征集合中所有的维度特征构成。例如，胸部图像中第i个像素点对应的维度特征向量可以为{，/>，…，，…，/>，/>，/>，…，/>，…，/>，…，/>，/>，…，/>，…，/>，…，/>，/>，…，，…，/>}。其中，/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第1个维度特征；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第2个维度特征；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第k个维度特征；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第R个维度特征。/>，，/>，/>，/>，/>，/>，/>，/>，/>，/>，/>的含义可以参考/>、/>、/>和的含义，在此不再赘述。a的取值范围为[1，N]，N是子区域集合中子区域的数量。k的取值范围为[1，R]，R是维度特征集合中维度特征的数量。
比如，可以将初始采样点和二次采样点对应的维度特征向量中相同位置处元素的均值，作为虚拟特征向量相同位置处的元素。如，可以将初始采样点对应的维度特征向量中的第一个元素和二次采样点对应的维度特征向量中的第一个元素的均值，作为虚拟特征向量的第一个元素。
第五子步骤，构建维度特征向量为虚拟特征向量的像素点，作为虚拟点。
其中，虚拟点可以是维度特征向量为虚拟特征向量的虚拟的像素点。
第二步，将对目标聚类簇进行预设数量轮采样得到的预设数量个虚拟点，构成目标聚类簇对应的虚拟点集合。
第三步，同理，确定背景聚类簇对应的虚拟点集合。
例如，可以参考目标聚类簇对应的虚拟点集合的确定方法，确定背景聚类簇对应的虚拟点集合，具体可以为：背景聚类簇作为目标聚类簇，执行步骤S5至步骤S6，以及步骤S7包括的作为示例包括的第一步至第二步，得到的虚拟点集合，即为背景聚类簇对应的虚拟点集合。
步骤S8，根据目标聚类簇和背景聚类簇对应的虚拟点集合，分别对目标聚类簇和背景聚类簇进行扩充，得到扩充目标簇和扩充背景簇。
其中，扩充目标簇可以是进行扩充后的目标聚类簇。扩充背景簇可以是进行扩充后的背景聚类簇。
需要说明的是，基于目标聚类簇和背景聚类簇对应的虚拟点集合，分别对目标聚类簇和背景聚类簇进行扩充，可以使扩充后的目标聚类簇和背景聚类簇中的特征信息更加丰富，可以使后续对待细分聚类簇进行聚类的效果相对较好。
作为示例，本步骤可以包括以下步骤：
第一步，将目标聚类簇对应的虚拟点集合中的虚拟点添加至目标聚类簇，得到扩充目标簇。
第二步，将背景聚类簇对应的虚拟点集合中的虚拟点添加至背景聚类簇，得到扩充背景簇。
步骤S9，根据扩充目标簇和扩充背景簇，通过LDA算法，对每个待细分聚类簇进行聚类，并根据最终聚类结果，对胸部图像进行增强，得到目标增强图像。
需要说明的是，基于扩充目标簇和扩充背景簇，通过LDA算法，对每个待细分聚类簇进行聚类，可以将尽可能多的心脏区域内的像素点划分至目标聚类簇，并将尽可能多的噪声点划分至背景聚类簇，可以实现心脏区域的增强，从而可以使心脏区域的边缘明显，可以便于后续准确测量用于心胸比计算的心脏横径。
作为示例，本步骤可以包括以下步骤：
第一步，根据扩充目标簇和扩充背景簇中所有像素点对应的维度特征向量，通过LDA（Linear Discriminant Analysis，线性判别式分析）算法，将每个待细分聚类簇中的像素点分别划分至目标聚类簇或背景聚类簇，具体可以包括：根据扩充目标簇和扩充背景簇中所有像素点对应的维度特征向量，通过LDA算法，对维度特征向量进行降维，将维度特征向量降维成1维的数值，分别记扩充目标簇中所有像素点对应的降维后的维度特征向量的均值和标准差为和/>，其中，降维后的维度特征向量是数值；分别记扩充背景簇中所有像素点对应的降维后的维度特征向量的均值和标准差为/>和/>。记待细分聚类簇中任意一个像素点对应的降维后的维度特征向量为h，若/>，则可以将该像素点划分至目标聚类簇，否则将该像素点划分至背景聚类簇。
第二步，将胸部图像中最终聚类至目标聚类簇中的像素点，确定为目标像素点，并将胸部图像中最终聚类至背景聚类簇中的像素点，确定为背景像素点。
第三步，根据所有目标像素点对应的预设目标增强系数和所有背景像素点对应的预设背景增强系数，对胸部图像进行增强，得到目标增强图像。
其中，预设目标增强系数可以是目标像素点的增强系数。预设背景增强系数可以是背景像素点的增强系数。预设目标增强系数可以大于预设背景增强系数。例如，预设目标增强系数可以为1.5，预设背景增强系数可以为0.5。
例如，可以将目标像素点对应的灰度值和预设目标增强系数的乘积，作为目标像素点对应的增强后的灰度值，并可以背景像素点对应的灰度值和预设背景增强系数的乘积，作为背景像素点对应的增强后的灰度值，可以将所有目标像素点和背景像素点对应的灰度值更新为各自对应的增强后的灰度值，得到目标增强图像。
步骤S10，根据目标增强图像进行心胸比检测。
作为示例，可以通过人工的方式，测量目标增强图像中的心脏横径与胸廓横径，并将测量的心脏横径与胸廓横径之比，作为心胸比，实现了心胸比检测。
可选地，还可以通过神经网络或边缘检测，从目标增强图像中识别出心脏横径与胸廓横径，并将测量的心脏横径与胸廓横径之比，作为心胸比。
基于与上述方法实施例相同的发明构思，本发明提供了基于图像特征的心胸比智能检测系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，上述计算机程序被处理器执行时实现基于图像特征的心胸比智能检测方法的步骤。
综上，本发明基于扩充目标簇和扩充背景簇，通过LDA算法，对每个待细分聚类簇进行聚类，可以将尽可能多的心脏区域内的像素点划分至目标聚类簇，并将尽可能多的噪声点划分至背景聚类簇，可以实现心脏区域的增强，从而可以使心脏区域的边缘明显，可以便于后续准确测量用于心胸比计算的心脏横径，并且相较于根据胸部图像的灰度直方图，对胸部图像进行直方图均衡化，本发明基于最终聚类结果，对胸部图像进行增强，可以实现对心脏区域的增强，并且本发明量化了多个与心脏特征相关的指标，比如，维度特征集合、混乱程度和距离度量等，可以在一定程度上减少心脏细节信息的丢失，从而提高了对胸部图像进行增强的效果，进而提高了心胸比测量的准确度。最后，基于目标增强图像进行心胸比检测，实现了心胸比测量。
至此，本发明完成。
一种用于心胸比检测的图像增强方法实施例：
由于拍摄环境等因素的影响，可能导致用于心胸比测量的胸部图像不清晰，因此，对采集的胸部图像进行图像增强至关重要。目前，对图像进行增强时，通常采用的方法为：根据图像的灰度直方图，对图像进行直方图均衡化，得到增强图像。
然而，当根据胸部图像的灰度直方图，对胸部图像进行直方图均衡化，实现图像增强时，经常会存在如下技术问题：
由于灰度直方图均衡化往往是按照图像的灰度值分布进行统计学上的整体图像增强，因此，直接根据胸部图像的灰度直方图，对胸部图像进行直方图均衡化时，可能导致某些像素点较少的心脏细节信息丢失，从而导致对胸部图像进行增强的效果较差。
为了解决对胸部图像进行增强的效果较差的技术问题，本发明的目的在于提供一种用于心胸比检测的图像增强方法，所采用的技术方案具体如下：
步骤S1，对获取的胸部图像中每个像素点对应的预设窗口进行分割，得到每个像素点对应的子区域集合。
步骤S2，根据子区域集合中每个子区域内像素点对应的梯度，对每个子区域进行多维度特征提取，得到每个子区域对应的维度特征集合。
步骤S3，根据每个像素点对应的所有维度特征集合，确定每个像素点对应的混乱程度。
步骤S4，根据像素点对应的灰度值和混乱程度，对胸部图像中的所有像素点进行聚类，得到目标聚类簇、背景聚类簇和待细分聚类簇。
步骤S5，根据目标聚类簇中每两个像素点对应的所有维度特征集合，确定这两个像素点之间的距离度量。
步骤S6，根据目标聚类簇中每个像素点与所有其他像素点之间的距离度量，确定目标聚类簇中每个像素点对应的初始采样概率。
步骤S7，根据目标聚类簇中像素点对应的初始采样概率，对目标聚类簇进行预设数量轮采样，根据每轮采样结果，构建虚拟点，得到目标聚类簇对应的虚拟点集合，并确定背景聚类簇对应的虚拟点集合。
步骤S8，根据目标聚类簇和背景聚类簇对应的虚拟点集合，分别对目标聚类簇和背景聚类簇进行扩充，得到扩充目标簇和扩充背景簇。
步骤S9，根据扩充目标簇和扩充背景簇，通过LDA算法，对每个待细分聚类簇进行聚类，并根据最终聚类结果，对胸部图像进行增强，得到目标增强图像。
本发明实施例提供的一种用于心胸比检测的图像增强方法具有如下技术效果：
首先，对分割得到的每个子区域进行多维度特征提取，量化的每个子区域对应的维度特征集合中的维度特征可以表征不同维度下的梯度特征。接着，由于心脏区域内的像素点与噪声点对应的混乱情况往往不同，因此基于像素点对应的灰度值和混乱程度，对胸部图像中的像素点进行聚类，往往可以在一定程度上区分出心脏区域内的像素点与噪声点，心脏特征明显的像素点往往会聚至目标聚类簇，噪声特征明显的噪声点往往会聚至背景聚类簇，待细分聚类簇内的像素点往往是特征相对不明显，需要进一步进行划分的像素点。然后，量化的两个像素点之间的距离度量越大，往往说明这两个像素点之间的差异相对越大。一般来说，若目标聚类簇中某个像素点与其他像素点之间的差异越大，则往往说明该像素点对应的特征信息越少，往往说明该像素点越应该被采样，以用于扩充。其次，量化的像素点对应的初始采样概率越大，往往说明该像素点越应该被采样，以用于扩充。继续，对目标聚类簇进行预设数量轮采样，可以自适应地得到多个用于扩充目标聚类簇的虚拟点，可以使扩充后的目标聚类簇中的特征信息更加丰富，可以使后续对待细分聚类簇进行聚类的效果相对较好，关于背景聚类簇的扩充效果同理。所以，基于扩充目标簇和扩充背景簇，通过LDA算法，对每个待细分聚类簇进行聚类，可以将尽可能多的心脏区域内的像素点划分至目标聚类簇，并将尽可能多的噪声点划分至背景聚类簇，可以实现心脏区域的增强，从而可以使心脏区域的边缘明显，可以便于后续准确测量用于心胸比计算的心脏横径，并且相较于根据胸部图像的灰度直方图，对胸部图像进行直方图均衡化，本发明基于最终聚类结果，对胸部图像进行增强，可以实现对心脏区域的增强，并且本发明量化了多个与心脏特征相关的指标，比如，维度特征集合、混乱程度和距离度量等，可以在一定程度上减少心脏细节信息的丢失，从而提高了对胸部图像进行增强的效果。
其中，步骤S1-S9在上述基于图像特征的心胸比智能检测方法及系统实施例中已给出了详细说明，不再赘述。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像特征的心胸比智能检测方法，其特征在于，包括以下步骤：
对获取的胸部图像中每个像素点对应的预设窗口进行分割，得到每个像素点对应的子区域集合；
根据子区域集合中每个子区域内像素点对应的梯度，对每个子区域进行多维度特征提取，得到每个子区域对应的维度特征集合；
根据每个像素点对应的所有维度特征集合，确定每个像素点对应的混乱程度；
根据像素点对应的灰度值和混乱程度，对胸部图像中的所有像素点进行聚类，得到目标聚类簇、背景聚类簇和待细分聚类簇；
根据目标聚类簇中每两个像素点对应的所有维度特征集合，确定这两个像素点之间的距离度量；
根据目标聚类簇中每个像素点与所有其他像素点之间的距离度量，确定目标聚类簇中每个像素点对应的初始采样概率；
根据目标聚类簇中像素点对应的初始采样概率，对目标聚类簇进行预设数量轮采样，根据每轮采样结果，构建虚拟点，得到目标聚类簇对应的虚拟点集合，并确定背景聚类簇对应的虚拟点集合；
根据目标聚类簇和背景聚类簇对应的虚拟点集合，分别对目标聚类簇和背景聚类簇进行扩充，得到扩充目标簇和扩充背景簇；
根据扩充目标簇和扩充背景簇，通过LDA算法，对每个待细分聚类簇进行聚类，并根据最终聚类结果，对胸部图像进行增强，得到目标增强图像；
根据目标增强图像进行心胸比检测。
2.根据权利要求1所述的一种基于图像特征的心胸比智能检测方法，其特征在于，子区域对应的维度特征集合中的维度特征对应的公式为：
；其中，/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第k个维度特征；i是胸部图像中像素点的序号；a是子区域集合中子区域的序号；k是第a个子区域对应的维度特征集合中维度特征的序号；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内像素点的数量；j是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内像素点的序号；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内第j个像素点对应的梯度大小；是余弦函数；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域内第j个像素点对应的梯度方向；/>是预设倍数；/>是180°的弧度数。
3.根据权利要求1所述的一种基于图像特征的心胸比智能检测方法，其特征在于，胸部图像中像素点对应的混乱程度对应的公式为：
；其中，/>是胸部图像中第i个像素点对应的混乱程度；i是胸部图像中像素点的序号；N是子区域集合中子区域的数量；a和q是子区域集合中子区域的序号；/>；/>是取绝对值函数；/>是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合与第q个子区域对应的维度特征集合之间的皮尔森相关系数；是胸部图像中第i个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中所有维度特征的标准差；/>是胸部图像中第i个像素点对应的子区域集合中，第q个子区域对应的维度特征集合中所有维度特征的标准差；/>是预先设置的大于0的因子。
4.根据权利要求1所述的一种基于图像特征的心胸比智能检测方法，其特征在于，所述根据像素点对应的灰度值和混乱程度，对胸部图像中的所有像素点进行聚类，得到目标聚类簇、背景聚类簇和待细分聚类簇，包括：
根据每个像素点对应的灰度值和混乱程度，确定每个像素点对应的初始聚类指标，其中，灰度值与初始聚类指标呈负相关，混乱程度与初始聚类指标呈正相关；
根据像素点对应的初始聚类指标，对胸部图像中的所有像素点进行聚类，得到预设数目个初始聚类簇，其中，预设数目大于2；
将每个初始聚类簇中所有像素点对应的初始聚类指标的均值，确定为每个初始聚类簇对应的代表聚类指标；
将代表聚类指标最小的初始聚类簇，确定为目标聚类簇，将代表聚类指标最大的初始聚类簇，确定为背景聚类簇，并将预设数目个初始聚类簇中除了目标聚类簇和背景聚类簇之外的每个初始聚类簇，确定为待细分聚类簇。
5.根据权利要求1所述的一种基于图像特征的心胸比智能检测方法，其特征在于，目标聚类簇中两个像素点之间的距离度量对应的公式为：
；/>；其中，/>是目标聚类簇中第m个像素点和第t个像素点之间的距离度量；m和t是目标聚类簇中像素点的序号；/>；N是子区域集合中子区域的数量；a是子区域集合中子区域的序号；/>是子区域集合中第a个子区域对应的预设权重；/>是目标聚类簇中第m个像素点和第t个像素点对应的子区域集合中，第a个子区域之间的特征差异集合中所有特征差异的标准差；/>是目标聚类簇中第m个像素点和第t个像素点对应的子区域集合中，第a个子区域之间的特征差异集合中第k个特征差异；/>是取绝对值函数；/>是目标聚类簇中第m个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第k个维度特征；/>是目标聚类簇中第t个像素点对应的子区域集合中，第a个子区域对应的维度特征集合中第k个维度特征；k是第a个子区域对应的维度特征集合或其之间的特征差异集合中元素的序号。
6.根据权利要求1所述的一种基于图像特征的心胸比智能检测方法，其特征在于，所述根据目标聚类簇中每个像素点与所有其他像素点之间的距离度量，确定目标聚类簇中每个像素点对应的初始采样概率，包括：
将目标聚类簇中任意一个像素点，确定为标记像素点，将所述标记像素点与所有其他像素点之间的距离度量，构成所述标记像素点对应的距离度量集合；
根据所述标记像素点对应的距离度量集合，确定所述标记像素点对应的初始采样概率，其中，所述标记像素点对应的距离度量集合中的距离度量与其对应的初始采样概率呈负相关。
7.根据权利要求1所述的一种基于图像特征的心胸比智能检测方法，其特征在于，所述根据目标聚类簇中像素点对应的初始采样概率，对目标聚类簇进行预设数量轮采样，根据每轮采样结果，构建虚拟点，得到目标聚类簇对应的虚拟点集合，并确定背景聚类簇对应的虚拟点集合，包括：
对目标聚类簇进行每轮采样包括：根据目标聚类簇中所有像素点对应的初始采样概率，通过概率抽样，从目标聚类簇中抽取一个像素点，作为初始采样点，并将目标聚类簇中除了初始采样点之外的每个像素点，确定为待采样点；根据每个待采样点对应的初始采样概率、以及其与初始采样点之间的距离度量，确定每个待采样点对应的二次采样概率，其中，距离度量与二次采样概率呈负相关，初始采样概率与二次采样概率呈正相关；根据目标聚类簇中所有待采样点对应的二次采样概率，通过概率抽样，从目标聚类簇中的所有待采样点中抽取一个像素点，作为二次采样点；根据初始采样点和二次采样点对应的维度特征向量，确定虚拟特征向量，其中，像素点对应的维度特征向量由其对应的所有维度特征集合中所有的维度特征构成；构建维度特征向量为虚拟特征向量的像素点，作为虚拟点；
将对目标聚类簇进行预设数量轮采样得到的预设数量个虚拟点，构成目标聚类簇对应的虚拟点集合；
同理，确定背景聚类簇对应的虚拟点集合。
8.根据权利要求1所述的一种基于图像特征的心胸比智能检测方法，其特征在于，所述根据目标聚类簇和背景聚类簇对应的虚拟点集合，分别对目标聚类簇和背景聚类簇进行扩充，得到扩充目标簇和扩充背景簇，包括：
将目标聚类簇对应的虚拟点集合中的虚拟点添加至目标聚类簇，得到扩充目标簇；
将背景聚类簇对应的虚拟点集合中的虚拟点添加至背景聚类簇，得到扩充背景簇。
9.根据权利要求7所述的一种基于图像特征的心胸比智能检测方法，其特征在于，所述根据扩充目标簇和扩充背景簇，通过LDA算法，对每个待细分聚类簇进行聚类，并根据最终聚类结果，对胸部图像进行增强，得到目标增强图像，包括：
根据扩充目标簇和扩充背景簇中所有像素点对应的维度特征向量，通过LDA算法，将每个待细分聚类簇中的像素点分别划分至目标聚类簇或背景聚类簇；
将胸部图像中最终聚类至目标聚类簇中的像素点，确定为目标像素点，并将胸部图像中最终聚类至背景聚类簇中的像素点，确定为背景像素点；
根据所有目标像素点对应的预设目标增强系数和所有背景像素点对应的预设背景增强系数，对胸部图像进行增强，得到目标增强图像，其中，预设目标增强系数大于预设背景增强系数。
10.一种基于图像特征的心胸比智能检测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现权利要求1-9中任一项所述的一种基于图像特征的心胸比智能检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410290050.1A CN117893533B (zh) | 2024-03-14 | 2024-03-14 | 基于图像特征的心胸比智能检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410290050.1A CN117893533B (zh) | 2024-03-14 | 2024-03-14 | 基于图像特征的心胸比智能检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117893533A true CN117893533A (zh) | 2024-04-16 |
| CN117893533B CN117893533B (zh) | 2024-05-28 |
Family
ID=90644351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410290050.1A Active CN117893533B (zh) | 2024-03-14 | 2024-03-14 | 基于图像特征的心胸比智能检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117893533B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
| CN110827345A (zh) * | 2019-10-31 | 2020-02-21 | 北京推想科技有限公司 | 心胸比确定方法、装置、设备、存储介质及计算机设备 |
| CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
| US20220138932A1 (en) * | 2020-10-30 | 2022-05-05 | International Business Machines Corporation | Ensemble Machine Learning Model Architecture for Lesion Detection |
| CN115082445A (zh) * | 2022-07-25 | 2022-09-20 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
| CN115775250A (zh) * | 2023-02-13 | 2023-03-10 | 惠州威尔高电子有限公司 | 基于数字图像分析的金手指电路板缺陷快速检测系统 |
| CN115861291A (zh) * | 2023-01-06 | 2023-03-28 | 曲阜天博汽车电器有限公司 | 基于机器视觉的贴片电路板生产缺陷检测方法 |
| CN116385315A (zh) * | 2023-05-31 | 2023-07-04 | 日照天一生物医疗科技有限公司 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
| CN116758075A (zh) * | 2023-08-18 | 2023-09-15 | 深圳市智祥源科技有限公司 | 基于人工智能的吹风机电机运行故障检测方法 |
| CN117011303A (zh) * | 2023-10-08 | 2023-11-07 | 泰安金冠宏油脂工业有限公司 | 基于机器视觉的油料生产质量检测方法 |
| CN117218029A (zh) * | 2023-09-25 | 2023-12-12 | 南京邮电大学 | 基于神经网络的夜间暗光图像智能处理方法 |
| CN117409004A (zh) * | 2023-12-14 | 2024-01-16 | 自贡市第一人民医院 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
| CN117522719A (zh) * | 2024-01-05 | 2024-02-06 | 自贡市第一人民医院 | 基于机器学习的支气管镜图像辅助优化系统 |
| CN117557569A (zh) * | 2024-01-12 | 2024-02-13 | 吉林交通职业技术学院 | 一种道路路面施工质量检测方法及系统 |
-
2024
- 2024-03-14 CN CN202410290050.1A patent/CN117893533B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
| CN110827345A (zh) * | 2019-10-31 | 2020-02-21 | 北京推想科技有限公司 | 心胸比确定方法、装置、设备、存储介质及计算机设备 |
| US20220138932A1 (en) * | 2020-10-30 | 2022-05-05 | International Business Machines Corporation | Ensemble Machine Learning Model Architecture for Lesion Detection |
| CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
| CN115082445A (zh) * | 2022-07-25 | 2022-09-20 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
| CN115861291A (zh) * | 2023-01-06 | 2023-03-28 | 曲阜天博汽车电器有限公司 | 基于机器视觉的贴片电路板生产缺陷检测方法 |
| CN115775250A (zh) * | 2023-02-13 | 2023-03-10 | 惠州威尔高电子有限公司 | 基于数字图像分析的金手指电路板缺陷快速检测系统 |
| CN116385315A (zh) * | 2023-05-31 | 2023-07-04 | 日照天一生物医疗科技有限公司 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
| CN116758075A (zh) * | 2023-08-18 | 2023-09-15 | 深圳市智祥源科技有限公司 | 基于人工智能的吹风机电机运行故障检测方法 |
| CN117218029A (zh) * | 2023-09-25 | 2023-12-12 | 南京邮电大学 | 基于神经网络的夜间暗光图像智能处理方法 |
| CN117011303A (zh) * | 2023-10-08 | 2023-11-07 | 泰安金冠宏油脂工业有限公司 | 基于机器视觉的油料生产质量检测方法 |
| CN117409004A (zh) * | 2023-12-14 | 2024-01-16 | 自贡市第一人民医院 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
| CN117522719A (zh) * | 2024-01-05 | 2024-02-06 | 自贡市第一人民医院 | 基于机器学习的支气管镜图像辅助优化系统 |
| CN117557569A (zh) * | 2024-01-12 | 2024-02-13 | 吉林交通职业技术学院 | 一种道路路面施工质量检测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| KURDISTAN CHAWSHIN 等: "Lithology classification of whole core CT scans using convolutional neural networks", 《SN APPLIED SCIENCES》, 28 May 2021 (2021-05-28), pages 1 - 21 * |
| 何姗姗: "基于层次流形学习的医学图像颜色感知方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, 15 April 2018 (2018-04-15), pages 080 - 24 * |
| 张梦: "磁瓦缺陷图像的分割与检测研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, 15 September 2021 (2021-09-15), pages 042 - 131 * |
| 张经纬: "基于深度学习的支气管扩张检测与分类的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, 15 January 2024 (2024-01-15), pages 063 - 13 * |
| 张轶鑫: "基于图像分割和模式识别的钢材断口图像分析方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2018 (2018-02-15), pages 138 - 1957 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117893533B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108734723B (zh) | 一种基于自适应权重联合学习的相关滤波目标跟踪方法 | |
| CN108573499B (zh) | 一种基于尺度自适应和遮挡检测的视觉目标跟踪方法 | |
| CN110838125B (zh) | 医学图像的目标检测方法、装置、设备、存储介质 | |
| CN110363165B (zh) | 基于tsk模糊系统的多目标跟踪方法、装置及存储介质 | |
| CN110889865A (zh) | 一种基于局部加权稀疏特征选择的视频目标跟踪方法 | |
| CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
| CN110543916A (zh) | 一种缺失多视图数据的分类方法及系统 | |
| CN116385315A (zh) | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 | |
| CN113076876B (zh) | 一种基于三维结构监督和置信度加权的人脸欺骗检测方法和系统 | |
| CN109902641B (zh) | 基于语义对齐的人脸关键点检测方法、系统、装置 | |
| CN117893533B (zh) | 基于图像特征的心胸比智能检测方法及系统 | |
| US20230386023A1 (en) | Method for detecting medical images, electronic device, and storage medium | |
| CN111553250A (zh) | 一种基于人脸特征点的精准面瘫程度评测方法及装置 | |
| Li et al. | Evaluation of realistic blurring image quality by using a shallow convolutional neural network | |
| CN115631370A (zh) | 一种基于卷积神经网络的mri序列类别的识别方法及装置 | |
| CN115601535A (zh) | 联合Wasserstein距离与差异度量的胸片异常识别域自适应方法及系统 | |
| CN113160271B (zh) | 一种融合相关滤波和粒子滤波的高精度红外目标跟踪方法 | |
| CN112348847B (zh) | 一种目标尺度自适应跟踪方法 | |
| CN111553249B (zh) | 一种cv下基于h-b分级的精准面瘫程度评测方法及装置 | |
| CN115311327A (zh) | 融合共现统计与fhog梯度特征的目标跟踪方法及系统 | |
| CN110378306B (zh) | 年龄预测方法、装置及图像处理设备 | |
| CN110570417B (zh) | 肺结节分类装置及图像处理设备 | |
| CN106033550B (zh) | 目标跟踪方法及装置 | |
| CN113536986A (zh) | 一种基于代表特征的遥感图像中的密集目标检测方法 | |
| CN110135280B (zh) | 一种基于稀疏表征分类的多视图sar自动目标识别方法 |
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 |