CN118134902A - 一种基于小波分解的超声图像缺陷检测方法 - Google Patents
一种基于小波分解的超声图像缺陷检测方法 Download PDFInfo
- Publication number
- CN118134902A CN118134902A CN202410410913.4A CN202410410913A CN118134902A CN 118134902 A CN118134902 A CN 118134902A CN 202410410913 A CN202410410913 A CN 202410410913A CN 118134902 A CN118134902 A CN 118134902A
- Authority
- CN
- China
- Prior art keywords
- gray level
- sub
- image
- images
- value
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 238000002604 ultrasonography Methods 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于小波分解的超声图像缺陷检测方法，涉及超声图像缺陷检测技术领域，定位超声图像的中的所有噪声像素点所在的位置,迭代过滤噪声像素点，有效改善了超声图像的视觉效果；将过滤噪声像素点之后的超声图像数据转换为不同灰度级子图像，保留灰度级能量函数值不小于预设的能量阈值的子图像，有助于分析感兴趣区域的图像信息；将保留下来的多个灰度级的子图像的灰度级数据与模板图像目标区域的灰度级数据做均方差,得到灰度级均方差，将灰度级均方差与阈值进行比较并重新设定像素点灰度值，根据重新设定的像素点灰度值判断缺陷区域，有效提高了缺陷区域的判断精确度；获取缺陷区域中每个像素点的偏差值进行像素点质量检测，避免了缺陷区域的判断误差。
Description
技术领域
本发明涉及超声图像缺陷检测技术领域，尤其涉及一种基于小波分解的超声图像缺陷检测方法。
背景技术
医用超声成像诊断设备利用超声波在人体中的传播，得到人体组织和器官结构的超声波特征信息。当前的超声成像诊断设备通常采用多阵元探头，高压脉冲波加载在各阵元探头上，激励阵元产生高频超声波进而形成发射波束进入人体。各阵元探头接收人体组织结构散射或反射的回波，形成接收波束，超声诊断系统提取超声回波中的信息，形成各种成像。
在超声成像中，图像缺陷是一个常见问题，通常是由于多种因素引起的，例如运动伪影、声影、探头失真、信号处理问题等，这些缺陷会降低超声图像的质量，从而影响医生对病情的诊断，因此将图像缺陷识别出来并进行处理，是提高超声图像质量的关键。
许多图像处理技术可以用来提高超声图像的质量。例如，可以通过对比度增强、锐化等操作来改善图像的清晰度，通过噪声抑制技术来减少图像中的噪声；随着人工智能和机器学习技术的发展，这些技术也可以用来自动识别和处理超声图像中的缺陷。例如，深度学习算法可以用来自动检测和纠正超声图像中的伪影和失真。然而现有技术中的图像处理技术均需要有效的超声图像缺陷识别为基础，才嫩提高后处理的质量，因此亟需提出一种有效检测超声图像缺陷的方法。
发明内容
为了解决上述技术问题，本发明提出了一种基于小波分解的超声图像缺陷检测方法，包括如下步骤：
S1、定位超声图像中的所有噪声像素点所在的位置,利用插值方法设置噪声像素点过滤的初始值，迭代过滤噪声像素点；
S2、将过滤噪声像素点之后的超声图像数据转换为不同灰度级子图像，对不同灰度级子图像进行小波变换，保留灰度级能量函数值不小于预设的能量阈值的子图像；
S3、将保留下来的多个灰度级的子图像的灰度级数据与模板图像目标区域的灰度级数据做均方差,得到灰度级均方差，将灰度级均方差与阈值进行比较并重新设定像素点灰度值，根据重新设定的像素点灰度值判断缺陷区域；
S4、获取缺陷区域中每个像素点的偏差值进行像素点缺陷检测。
进一步地，步骤S2中，利用傅里叶变换将不同灰度级子图像分离出来的过程为:
F(c0*I0+c1*I1+…+cn*In)＝c0*F(I0)+c1*F(I1)+…+cn*F(In)；
其中，F代表傅里叶变换,c0…cn代表常数，I0…In代表不同灰度级子图像；
对图像的多个灰度级子图像Ii进行小波变换，得到子图像的小波域数据：
其中，0≤i≤n，σ为正则参数，z是小波变换系数，基于迭代算法求解最优小波变换后的子图像的小波域数据
进一步地，根据如下公式计算不同子图像小波域数据的能量函数值
式中,表示第i个小波域数据/>与第i-1个小波域数据/>的差值数据,α表示权重分配；
若子图像小波域数据的能量函数值小于于预设的能量阈值,则去除该子图像，仅保留灰度级能量函数值不小于预设的能量阈值的子图像。
进一步地，步骤S3中，将子图像P的灰度级数据与目标区域Q的灰度级数据做均方差,得到灰度级均方差ds：
其中，h)(x,y)表示子图像的灰度级数据；h-(x,y)表示目标区域的灰度级数据。
进一步地，设置阈值T，区分子图像P的灰度级数据与目标区域Q的灰度级数据的匹配程度；
若均方差ds小于等于阈值T，则将像素点(x,y)处的灰度值设定为0；
若均方差ds大于阈值T，则将像素点(x,y)处的灰度值设定为255。
进一步地，步骤S1中，通过计算每个像素点的梯度来定位超声图像中的所有噪声像素点，若像素点的像素值梯度超过梯度阈值,则所述像素点是噪声像素点。
进一步地，对于每个噪声像素点的位置,将其周围位置的像素值与所述噪声像素点的像素值进行比较,通过滤波算法来实现噪声像素点的过滤，多次迭代,直到超声图像中的噪声像素点被过滤。
相比于现有技术，本发明具有如下有益技术效果：
定位超声图像的中的所有噪声像素点所在的位置,利用插值方法设置噪声像素点过滤的初始值，迭代过滤噪声像素点，有效改善了超声图像的视觉效果；将过滤噪声像素点之后的超声图像数据转换为不同灰度级子图像，对不同灰度级子图像进行小波变换，保留灰度级能量函数值不小于预设的能量阈值的子图像，有助于分析感兴趣区域的图像信息；将保留下来的多个灰度级的子图像的灰度级数据与模板图像目标区域的灰度级数据做均方差,得到灰度级均方差，将灰度级均方差与阈值进行比较并重新设定像素点灰度值，根据重新设定的像素点灰度值判断缺陷区域，有效提高了缺陷区域的判断精确度；获取缺陷区域中每个像素点的偏差值进行像素点质量检测，避免了缺陷区域的判断误差。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明的基于小波分解的超声图像缺陷检测方法流程示意图；
图2为本发明的噪声像素点过滤前后的超声图像对比示意图；
图3为本发明的均方差灰度图的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示，为本发明的基于小波分解的超声图像缺陷检测方法流程示意图，包括如下步骤：
S1、定位超声图像中的所有噪声像素点所在的位置,利用插值方法设置噪声像素点过滤的初始值，迭代过滤噪声像素点。
在超声成像中,像素点数据记录了图像的所有空间频率信息，通过计算每个像素点的像素值梯度来定位超声图像中的所有噪声像素点，若像素点的像素值梯度超过梯度阈值,则该像素点是噪声像素点。
一旦确定了所有噪声像素点的位置,则为这些位置设置过滤初始值。过滤初始值根据周围像素的值通过插值方法计算得到。
对于每个噪声像素点的位置,可以将其周围位置的像素值与该噪声像素点的像素值进行比较,通过滤波算法来实现噪声像素点的过滤。为了确保处理效果,可以多次迭代这个过程,直到超声图像中的噪声像素点被有效地过滤。如图2所示，左侧图像为噪声像素点没有被过滤前的超声图像，右侧图像为噪声像素点完全被过滤的超声图像。
S2、将过滤噪声像素点之后的超声图像数据转换为不同灰度级子图像，对不同灰度级子图像进行小波变换，保留灰度级能量函数值不小于预设的能量阈值的子图像。
为了尽量减小转换过程中的计算量,本步骤利用傅里叶变换对过滤噪声像素点之后的超声图像数据进行线性转换，将不同灰度级子图像分离出来。
傅里叶变换是一种图像处理工具,用于将图像从空间域线性转换到频率域。在图像处理中,傅里叶变换将图像的像素强度表示为不同的频率分量,使得后续可以将不同灰度级的子图像分离出来。在频率域中,不同频率分量的强度可以用不同的灰度级表示。通过设置阈值,可以将频带分离为不同的子图像。例如,如果原始图像在高频和低颎部分的强度差异很大,你可以分别提取出高频和低频的子图像，对分离出的不同频带进行逆傅里叶变换,将其转换回空间域。这样,你就可以得到原始图像中的不同灰度级子图像。
具体地，利用傅里叶变换将不同灰度级子图像分离出来的过程为:
F(c0*I0+c1*I1+…+cn*In)＝c0*F(I0)+c1*F(I1)+…+cn*F(In)；
其中，F代表傅里叶变换,c0…cn代表常数，I0…In代表不同灰度级子图像。
对不同灰度级子图像进行小波变换，保留灰度级能量函数值不小于预设的能量阈值的子图像。
对图像域数据迸行小波变换可以得到小波域数据,小波变换可以对图像进行多尺度分析,将图像分解成不同频率的子图像，这些子图像可以表示图像的细节和边缘信息。
对图像的多个灰度级子图像Ii进行小波变换，得到子图像的小波域数据：
其中，0≤i≤n，σ为正则参数，z是小波变换系数，基于迭代算法求解最优小波变换后的子图像的小波域数据
根据如下公式计算不同子图像小波域数据的能量函数值
式中,表示第i个小波域数据/>与第i-1个小波域数据/>的差值数据,α表示权重分配。
若子图像小波域数据的能量函数值小于于预设的能量阈值,则去除该子图像，仅保留灰度级能量函数值不小于预设的能量阈值的子图像。
S3、将保留下来的多个灰度级的子图像的灰度级数据与模板图像目标区域的灰度级数据做均方差,得到灰度级均方差，将灰度级均方差与阈值进行比较并重新设定像素点灰度值，根据重新设定的像素点灰度值判断缺陷区域。
提取模板图像目标区域Q的灰度级数据，模板图像为要检测的目标的标准图像。将子图像P的灰度级数据与目标区域Q的灰度级数据做均方差,得到灰度级均方差ds。
其中，h)(x,y)表示子图像的灰度级数据；h-(x,y)表示目标区域的灰度级数据。设置阈值T，该阈值通常是根据经验或实验来确定的，用于区分子图像P的灰度级数据与目标区域Q的灰度级数据的匹配程度。
如果计算出的均方差ds小于等于阈值T，则意味着子图像P的灰度级与目标区域Q的灰度级非常相似，则像素点(x,y)处的灰度值设定为0。
如果均方差ds大于阈值T，则意味着子图像P的灰度级与目标区域Q的灰度级相似度就较低，则像素点(x,y)处的灰度值设定为255。
按照上述设定后，制作均方差灰度图，均方差灰度图中像素点灰度值为0的位置是正常区域，像素点灰度值为255的位置则判断为缺陷区域，如图3所示，为均方差灰度图的示意图。
优选地，这个处理过程通常会在一个循环中进行，子图像P会在大图像中滑动，并对每个位置都计算均方差，最终生成一个均方差灰度图，显示了大图像中子图像与模板的匹配程度。
S4、获取缺陷区域中每个像素点的偏差值进行像素点缺陷检测。
构建s×s大小的检测框，获取检测框中每个像素点的偏差值：
其中，zn为检测框中第n个像素点的偏差值,pn为窗口中第n个像素点所在检测框内像素点的个数,gn为检测框中第n个像素点的灰度值；为检测框内所有像素点的灰度值均值；当第n个像素点的偏差值zn小于预设上限值时，则判定该像素点不是缺陷点；s×s为检测框大小；当第n个像素点与所在检测框内所有像素点的灰度值的均值的差异越大，即zn越大，第n个像素点与其检测框内其余像素点越不相似，此时第n个像素点的灰度差异越大，证明该像素点存在坏点风险越大，设定预设上限值，当第n个像素点的偏差值zn小于预设上限值时，则判定该像素点不是缺陷点。
根据实际验证结果，不断调整和优化预设上限值，考虑不同的因素，如不同的图像类型、设备差异等。通过实验或统计分析，证明偏差值较大的像素点确实有更高的坏点风险，这步骤需要大量的图像数据和相应的坏点标记。
通过优化迭代模型迭代更新总缺陷辨别方程，使总缺陷辨别方程的输出值F最小化，直至达到收敛精度，反演出关键缺陷的信息。
首先，定义一个目标函数，该函数能够量化总缺陷识别的效果。这个目标函数应该能够考虑到各种与缺陷相关的因素，如缺陷的大小、形状、位置和严重程度等；为优化迭代模型设定一组初始参数，包括种群规模、迭代次数、交叉概率、变异概率等；开始迭代过程，在每一轮迭代中，根据设定的参数和规则，通过优化迭代模型(如遗传算法、粒子群优化算法模拟退火算法等)进行搜索和优化；使用优化迭代模型(如遗传算法、粒子群优化算法等)尝试寻找更好的检测框大小和序号，使得目标函数F的值最小。
在每一轮迭代中，评估每个解(即参数组合)的目标函数值，记录下最佳的解和相应的目标函数值；最后设定一个收敛精度，当连续迭代中最佳目标函数值的改进小于这个精度时，认为算法已经收敛。
具体地，使用优化迭代模型(如遗传算法、粒子群优化算法等)尝试寻找更好的检测框大小和序号，使得总缺陷辨别方程的输出值最小。根据实际情况调整预设上限值是一个迭代的过程，需要基于实际的应用效果和反馈进行调整。
通过优化迭代模型迭代更新，计算总缺陷辨别方程Fh的限制条件R，限制条件R使总缺陷辨别方程Fh最小化：
式中，whn为第h个检测框内的第n个像素点的权值，N为第h个检测框内的像素点总数，z@n为第h个检测框中第n个像素点的偏差值。
由于z@n与检测框大小s×s和检测框的序号h相关联，通过使总缺陷辨别方程F最小化直至达到收敛精度，即得到最优的检测框大小s×s，得到关键缺陷的检测框的序号。
在实际应用中验证这些结果，并根据验证结果调整算法参数或优化迭代模型，以提高识别效果。收集大量带有标记的数据，这些标记指示哪些像素点是坏的或质量不佳，分析这些数据，了解像素点质量的分布、常见的坏点模式等。设置一个初始的阀值，在实际的图像数据集上应用这个阈值，并评估其效果，观察误报率和漏报率，即被错误标记为坏点的像素点和实际坏点未被标记的比例。优选地，采用图像处理或机器视觉技术，提供调整阈值的最佳方法，在调整阈值之后，确保进行充分的实验和验证来测试新阈值的效果。可以考虑在多个数据集、不同类型或来源的图像上进行验证，以增强结果的泛化性和可靠性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于小波分解的超声图像缺陷检测方法，其特征在于，包括如下步骤：
S1、定位超声图像中的所有噪声像素点所在的位置,利用插值方法设置噪声像素点过滤的初始值，迭代过滤噪声像素点；
S2、将过滤噪声像素点之后的超声图像数据转换为不同灰度级子图像，对不同灰度级子图像进行小波变换，保留灰度级能量函数值不小于预设的能量阈值的子图像；
S3、将保留下来的多个灰度级的子图像的灰度级数据与模板图像目标区域的灰度级数据做均方差,得到灰度级均方差，将灰度级均方差与阈值进行比较并重新设定像素点灰度值，根据重新设定的像素点灰度值判断缺陷区域；
S4、获取缺陷区域中每个像素点的偏差值进行像素点缺陷检测。
2.根据权利要求1所述的超声图像缺陷检测方法，其特征在于，所述步骤S2中，利用傅里叶变换将不同灰度级子图像分离出来的过程为:
F(c0*I0+c1*I1+…+cn*In)＝c0*F(I0)+c1*F(I1)+…+cn*F(In)；
其中，F代表傅里叶变换,c0…cn代表常数，I0…In代表不同灰度级子图像；
对图像的多个灰度级子图像Ii进行小波变换，得到子图像的小波域数据：
其中，0≤i≤n，σ为正则参数，z是小波变换系数，基于迭代算法求解最优小波变换后的子图像的小波域数据
3.根据权利要求2所述的超声图像缺陷检测方法，其特征在于，根据如下公式计算不同子图像小波域数据的能量函数值
式中,表示第i个小波域数据/>与第i-1个小波域数据/>的差值数据,α表示权重分配；
若子图像小波域数据的能量函数值小于于预设的能量阈值,则去除该子图像，仅保留灰度级能量函数值不小于预设的能量阈值的子图像。
4.根据权利要求1所述的超声图像缺陷检测方法，其特征在于，步骤S3中，将子图像P的灰度级数据与目标区域Q的灰度级数据做均方差,得到灰度级均方差ds：
其中，h)(x,y)表示子图像的灰度级数据；h-(x,y)表示目标区域的灰度级数据。
5.根据权利要求4所述的超声图像缺陷检测方法，其特征在于，设置阈值T，区分子图像P的灰度级数据与目标区域Q的灰度级数据的匹配程度；
若均方差ds小于等于阈值T，则将像素点(x,y)处的灰度值设定为0；
若均方差ds大于阈值T，则将像素点(x,y)处的灰度值设定为255。
6.根据权利要求1所述的超声图像缺陷检测方法，其特征在于，步骤S1中，通过计算每个像素点的梯度来定位超声图像中的所有噪声像素点，若像素点的像素值梯度超过梯度阈值,则所述像素点是噪声像素点。
7.根据权利要求6所述的超声图像缺陷检测方法，其特征在于，对于每个噪声像素点的位置,将其周围位置的像素值与所述噪声像素点的像素值进行比较,通过滤波算法来实现噪声像素点的过滤，多次迭代,直到超声图像中的噪声像素点被过滤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410410913.4A CN118134902A (zh) | 2024-04-08 | 2024-04-08 | 一种基于小波分解的超声图像缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410410913.4A CN118134902A (zh) | 2024-04-08 | 2024-04-08 | 一种基于小波分解的超声图像缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118134902A true CN118134902A (zh) | 2024-06-04 |
Family
ID=91240576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410410913.4A Pending CN118134902A (zh) | 2024-04-08 | 2024-04-08 | 一种基于小波分解的超声图像缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118134902A (zh) |
-
2024
- 2024-04-08 CN CN202410410913.4A patent/CN118134902A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3770850B1 (en) | Medical image identifying method, model training method, and computer device | |
| EP1117331B1 (en) | Adaptive cross-sectional area computation using statistical signatures | |
| JP6710373B2 (ja) | 超音波画像診断支援方法、およびシステム | |
| EP0777892B1 (en) | A method of estimation | |
| Zahran et al. | Automatic weld defect identification from radiographic images | |
| US20110182495A1 (en) | System and method for automatic defect recognition of an inspection image | |
| CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
| Kumarganesh et al. | An enhanced medical diagnosis sustainable system for brain tumor detection and segmentation using ANFIS classifier | |
| US20060013460A1 (en) | Quantification of coronary artery calcification | |
| Rolfe et al. | Comparing semi‐landmarking approaches for analyzing three‐dimensional cranial morphology | |
| CN115082487A (zh) | 超声图像切面质量评价方法、装置、超声设备及存储介质 | |
| Tsantis et al. | Multiresolution edge detection using enhanced fuzzy c‐means clustering for ultrasound image speckle reduction | |
| CN110956618A (zh) | 一种基于变异系数法的ct图像小缺陷定量方法 | |
| CN118015031A (zh) | 一种基于医学影像的靶区自动勾画方法及系统 | |
| CN117636116A (zh) | 一种ct图像数据智能融合mri数据的方法 | |
| JP5353876B2 (ja) | 画像処理装置 | |
| CN118134902A (zh) | 一种基于小波分解的超声图像缺陷检测方法 | |
| JP2004516585A (ja) | 画像差分 | |
| CN116030063A (zh) | Mri图像的分类诊断系统、方法、电子设备及介质 | |
| CN113607068B (zh) | 一种光声测量信号特征的识别模型建立方法及提取方法 | |
| JP3945622B2 (ja) | 画像評価方法および装置並びにプログラム | |
| Sai et al. | Advanced Image Processing techniques based model for Brain Tumour detection | |
| Asim et al. | Comparison of different de-noising techniques for removal of poison noise from cervical X-Rays images | |
| CN117218452B (zh) | 一种土地图像自动分类管理系统 | |
| 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 |