CN1238505A - 增强离散象素图象的方法和装置 - Google Patents

增强离散象素图象的方法和装置 Download PDF

Info

Publication number
CN1238505A
CN1238505A CN99104859.8A CN99104859A CN1238505A CN 1238505 A CN1238505 A CN 1238505A CN 99104859 A CN99104859 A CN 99104859A CN 1238505 A CN1238505 A CN 1238505A
Authority
CN
China
Prior art keywords
pixel
value
image
gradient
signal processing
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
Application number
CN99104859.8A
Other languages
English (en)
Other versions
CN1135499C (zh
Inventor
G·B·阿维纳斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
General Electric Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN1238505A publication Critical patent/CN1238505A/zh
Application granted granted Critical
Publication of CN1135499C publication Critical patent/CN1135499C/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/73Deblurring; Sharpening

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

代表一个离散象素图象(36)的象素数据被处理,以在该象素数据定义的图象中确定结构(48)和非结构(50)。结构与非结构以不同的方式被处理。通过计算每一个象素上的梯度信息(108)和通过把梯度信息与梯度门限(134)比较,以及计算互相邻近的象素的梯度方向,来确定结构。定义结构的边界是二进制等级次序过滤(100)的。结构被方向平滑(68)和锐化(72)。非结构被均匀平滑(70),并且原始的纹理被混合(76)回到非结构区域。

Description

增强离散象素图象的方法和装置
本发明涉及离散画面单元或者象素成像技术,而且,更特别涉及到分析和修改代表这种图象中象素的信号或值的技术,该技术以一种高效计算方式提供可迅速理解的整体图象。该技术特别适合于医学成象系统和方法,诸如核磁共振成像。
已经知道有各种离散象素成像技术,并且它们在使用之中。通常,这样的技术依赖于采集或获取代表每一个离散象素的数据,这些象素组成图象矩阵。几种方法可用以产生由象素表示的数据,包括核磁共振技术,X光技术,等等。按照所采用的具体方法,象素数据比如以数字形式被检测和编码。该值与被扫描主体图象中的象素的具体相关位置关连。在代表象素的数据值被获取了之后,通过处理单独的象素值来重建图象,上述象素组成整个图象矩阵。
所处理的图象的效用经常在很大程度上依赖于它能由用户解释的程度。例如,在医学诊断和处理的场合,MR、X光以及其它图象最有用,因为与主治医生或放射学家相比,他们能容易被理解。此外,尽管一些图象处理参数可以控制最后的图象形式,要确定这些参数中的哪一个经常是困难的,或者可以调整这些参数以提供最佳的图象表现形式。经常,图象处理技术必须依据医生的经验性反馈来图象调整。
由观察者解释一个重建的离散象素图象的设施会依赖于直觉的因数,观察员不会清醒地了解到这些因数。例如,医生或者放射学家可以在图象中寻求特定的结构或者特定的特征。在医学图象中,这样的特征可以包括骨头,软组织或者流体。这样的结构可以由图象中邻接的边界、对比、网纹等等来定义。这种特征的表现形式经常很大程度地取决于所使用的具体的图象处理技术,该技术用于将代表每一个象素的检测值转化成为用于最后图象的修改值。因此所使用的信号处理技术能大大地能影响观察员观察所关注重要特征的能力。因此该技术应该仔细地保持结构,以及反常或不寻常的结构,而提供用于解释这些结构和周围背景的充足的纹理和对比信息。
已经知道用以增强离散象素图象的信号处理系统具有一些缺点。例如,这种系统不会一致地提供可比较的图象表现形式,其中突出的特征或者结构可以容易被观察。在重建图象中的区别可以由各个扫描器和电路系统的特征引起,以及由检测的参数的变化(例如分子激励或者所接收的辐射)引起。区别也能由所扫描的主体的尺寸,构成及位置引起。用于已知系统的信号处理技术经常难以再构成或者调整,这是由于实施这些技术的硬件或者固件装置的所关注的非灵活性引起的。最后,现有信号处理技术经常使用不是特别有效的计算算法,这就导致表达重建图象的延迟或者降低了信号处理能力。
本发明的目的是提供一种改进的技术,用于以有效的计算方式增强离散象素图象。该技术提供在图象之内的突出结构的确定,以及代表这种结构的象素的确定。在示例性的实施例中,随着结构的确定,包括结构和非结构区域的图象部分被平滑。结构区域可以被平滑,以便在主要方向中增强结构特征。非结构区域可以被均匀,以便为突出的结构提供可理解的背景。该结构可以进一步锐化,同时极小的区域可以被确定为噪音的代表。这样的人为因素可以从所定义的结构中被平滑或者被撤走,取决于他们的尺寸与位置。原始的纹理可以往回增加至非结构区域以便进一步解释非结构和结构特征。该技术具体地用于核磁共振成像系统中,但是可以被使用到各式各样的方法上。
图1是为了增强主体的离散象素图象而采用的一个核磁共振成像系统的示意图;
图2是一个离散象素图象的示例图,该图象由象素矩阵组成,这些象素具有定义结构和非结构的不同强度值;
图3是示例性控制逻辑步骤的流程图,该控制逻辑用于处理离散象素图象,以确定结构,并且增强该图象中结构和非结构区域;
图4是示例性控制逻辑步骤的流程图,该控制逻辑用于确定一个离散象素图象中的结构特征;
图5是用于图4的步骤的单元或模块的示意图,它们用于为每一个图象的离散象素产生梯度分量;
图6是用来确定梯度门限的图象的梯度直方图,该门限用于在图象中从非结构中划分结构;
图7是示例性控制逻辑步骤的流程图,该控制逻辑用于从结构定义中选择地除去小的或者有噪声的区域;
图8是示例性控制逻辑步骤的流程图,该控制逻辑用于通过二进制等级次序过滤在图象中确定结构特征;
图9是是示例性控制逻辑步骤的流程图,该控制逻辑用于在图象中确定的结构方向平滑;
图10是示例性控制逻辑步骤的流程图,该控制逻辑用于在图9中所概括的过程中进行全局的方向平滑;
图11是用于图10的方向平滑过程的方向系数的示意图。
图12是示例性控制逻辑步骤的流程图,该控制逻辑用于通过图9的处理过程进行局部方向平滑。
图13是示例性控制逻辑步骤的流程图,该控制逻辑用于离散象素图象的非结构区域的均匀平滑;
图14是示例性控制逻辑步骤的流程图,该控制逻辑用于离散象素图象中结构的方向锐化;以及
图15是示例性控制逻辑步骤的流程图,该控制逻辑用于在一个离散象素图象中恢复非结构区域的某些纹理特征。
参见图I,一核磁共振成像系统10包括连接到获取和处理离散象素数据的电路系统的扫描器12。扫描器12包括支持结构14,主体16可以被放置在其中,以便获取代表内部特征诸如纹理、液体等等的图象。扫描器12包括以现有技术中熟知的方式产生一个电磁场的电磁装置18。激励和传感线圈20被提供在扫描器12中,以激励主体16中的放射性物质并传感来自该材料的辐射。
由线圈20传感的信号被编码,以便提供代表在主体之内的特定位置所发射的激励信号的数字值,并且该信号被传输到信号获取电路22。信号获取电路22也提供控制信号,以配置和协调在特定的图象获取序列期间由线圈20发射的场。信号获取电路22向信号处理电路24传输编码的图象信号。信号处理电路24执行存储在存储电路26内的预置控制逻辑过程,以过滤和支配从信号获取电路22接收的信号,以提供代表在获取的图象中的每一个象素的数字值。这些值然后存储在存储电路26中,以便后续的处理和显示。
信号处理电路24从输入装置28经由输入接口电路30接收配置和控制命令。输入装置28将典型地包括操作员工作站和键盘,用以有选择地输入配置参数并指挥特定的图象获取序列。信号处理电路24也经由输出接口电路34被连接到输出装置32。输出装置32将典型地包括监控器或者打印机,用于基于电路24实行的图象增强处理产生重建的图象。
应该注意,虽然当前的讨论的针对由核磁共振成像系统产生的离散象素成像,但在此描述的信号处理技术不限制于任何特殊成像方式。因此,这些技术也可以运用于其它由X光系统,PET系统和计算机地形系统所获取的图象数据。也应该注意,在所描述的实施例中,信号处理电路24,存储电路26,以及输入和输出接口电路30和34被包括在一台编程的数字计算机中。然而,实行所描述的技术的电路在这里可以被构成为在专用微处理器、模拟电路系统,或者数字和模拟电路系统组合中的适当的编码。
图2说明经由系统10所产生的一个示例性的离散象素图象36。图象36是由一系列行40和列42中相邻的离散象素38的矩阵组成的。这些象素的行与列提供一个预先建立的矩阵宽度44与矩阵高度46。典型的矩阵尺寸可以包括256×256象素;512×512象素;1024×1024象素,等等。具体的图象矩阵尺寸可以经由输入装置28被选择(见图1),并且可以按照要成像的主体和所需的分辩率而变化。
如在图2中所示的,图象36包括结构区域48,由邻近象素定义长且邻接的行组成。图象36也包括位于结构区域48之外的非结构区域50。图象36也可以包括各种尺寸的隔离人为因素52(即,邻近象素的数量),它可以被定义为结构区域,或者依据如下描述的技术可以从结构的定义中被除去。
依据在图3中概括的控制逻辑,在图象36中,结构区域48和非结构区域50被确定和增强。基于存储在存储电路26之内的适当的编程代码,这种控制逻辑更适宜由信号处理电路24执行。由图3中的标号60整体指定的控制逻辑程式在步骤62处开始,以启动用于信号增强处理的参数的初始化。这个初始化步骤包括读取在下面讨论中所描述的参数的缺省值和操作员选择的值、诸如将要从结构被除去的小区域的尺寸、″焦点参数″等等。需要时,某些参数可以经由输入装置28送达,要求操作员在若干参数选项选诸如图象矩阵尺寸之间选择。
在步骤64,信号处理电路24收集和规范化未经加工的值,这些值是为定义图象36的象素而获取的。在所图示的实施例中,这个步骤包括读取代表每一个象素的强度的数字值,以及在一个所需的动态范围内对这些强度值进行定标。例如,图象中的最大限度和最小强度值可以被确定,并用来在输出装置32的整个动态范围内开发定标系数。此外,数据偏差值可以增加至每一个象素值或者从其上减去,以纠正在获取的数据中的强度变化。在步骤64,电路24这样处理未经加工的图象数据,该图象数据在图3中用Ir来代表,以提供规范化图象In,其中包括过滤的象素值,以便横越动态范围的一个所需部分,诸如12比特,这不依赖于获取电路系统或主体的变更。
应该注意,尽管本讨论针对图象36之内的强度值,但本技术可以用来处理这样为单独象素38而编码的图象36的这种值和其它参数。这样的参数可以包括频率或者颜色。
在步骤66,信号处理电路24为确定图象36之内的结构48而执行一种预定的逻辑程式,象由该图象的单独象素的数据代表所定义的那样。下面参考图4描述依据本技术确定结构的示例性步骤。在步骤68,在步骤66中确定的结构被方向平滑,如参照图9-12所总结的。虽然各种技术可用于方向平滑,在所述实施例中,可使用主要方向平滑,它用于桥接结构范围之间的缝隙,或者可使用局部方向平滑以避免这种缝隙。基于在步骤66中所定义的一个结构屏障(mask)Ms在该规范化图象In上实施步骤68。从而在步骤68中实施的方向平滑将规范化图象转化为过滤的图象If,该过滤图象If将在后续处理过程中进一步处理。
过滤的图象进行如下进一步处理。在步骤70,信号处理电路24在图象36的非结构区域上进行均匀的平滑。象下面参考图13进一步描述的,该均匀平滑用于将非结构区域的特征融入在步骤66确定的结构的环境中。在步骤72,在步骤66确定的结构是方向锐化的。方向锐化的过程在下面参考图14被描述。在步骤74,然后过滤的图象基于过滤之后的强度值和原始规范化的强度范围进行,再规范化。最后,在步骤76,在图象的非结构区域中出现的结构被混合回到再规范的过滤图象Ifn,以为最后的图象提供背景参考。结构混合过程如下参考图15被描述。下面的步骤76,导致象素图象值被存储在存储电路26中,以便最后重建图象36。
图4图示了控制逻辑的步骤,该控制逻辑用于确定图象36之内的结构区域48并从结构区域的定义中除去小或噪声隔离的区域。如上所述,图4的逻辑,如同在图3中步骤66处所概括的,以规范化图象In的象素数据开始。在步骤80,每一个象素的X和Y梯度分量被计算。尽管若干种技术可以用于这个目的,在本最佳实施例中,在图5中图示的3×3Sobel模块或者运算符102和104将被使用。如同专业技术人员能理解的,模块102用于确定X梯度分量,而模块104用于确定每一个象素的Y梯度分量。在这个过程中,模块102和104叠加在所关注的的单独象素上,所关注的的象素位于3X3模块的中央位置。位于每一种模块内的单元位置的强度值乘以相应单元中所包含的标量值,并且最终的值被求和,以到达相应的X和Y梯度分量。
用这些被计算的梯度分量,在步骤82,该梯度量级Gmag和梯度方向Gdir被计算。在该最佳技术中,每一个象素的梯度量级等于各自象素的X和Y梯度分量的较高绝对值。通过找到用X分量划分的Y分量的余切来决定梯度方向。对于具有等于零的X分量的象素,梯度方向被分配π/2的值。每一个象素的梯度量级和梯度方向的值被存储在存储电路26中。
应该注意是其它技术可以被用来确定X和Y梯度分量并计算梯度量级和方向。例如,专业技术人员将认识到其它模块诸如Roberts或者Prewitt运算符可以用来替代Sobel梯度模块102和104。此外,梯度量级可以以其它方式分配,诸如等于X和Y梯度分量的绝对值总和的一个值。
基于步骤82确定的梯度量级值,在步骤84处产生了梯度直方图。图6说明这种类型的示例性梯度直方图。由标号106指定的直方图,是具有特定梯度值的象素的具体数量的棒状图。这些梯度值沿水平线轴108由位置表示。尽管每一种值的象素数量的数目沿垂直轴110指示,但每一数目都落在离散值112之下。最终的棒状图形成了阶梯式的梯度分布曲线114。专业技术人员将理解到,图6的直方图的实际实施不必用图表来表示,而是可由信号处理电路联系存储在存储电路中的值运作由信号处理电路来函数定义。
直方图106用来确定梯度门限值,该门限值用于从非结构分量中分离图象的结构分量。门限值被设置在一个所需梯度级水平上。具有门限值或者之上的梯度量级的象素被认为是符合定义图象中结构的第一种标准,而具有比门限值低的梯度量级的象素最初被认为是非结构。用于从非结构中分离结构的门限值最好由一种自动的处理或者″自动聚集″程式设置,如下所述。然而,应该注意:门限值也可以通过操作员的介入(例如经由输入装置)被设置,或者通过下面描述的过程所确定的自动值可以由操作员重写,以提供最终图象中的具体信息。
如在图4中所概括的,门限值的确定过程在步骤86通过选择一个初始梯度门限开始。这个初始的梯度门限,在图6中被指定为116,被方便地放置到与全部象素数量的一个百分比相应的值,诸如30%。因此通过从图6的直方图106增加象素数量的数目可以确定沿着IGT值116的轴108的位置,所述位置邻近于轴110并向右移动(即,梯度值上升)。一旦达到所需的百分比值,相应的梯度量级是分配到IGT的值。
在步骤88,对所需结构的边界进行搜索。通过定位具有比在步骤86选择的IGT值更大的梯度量级的象素,并且考虑围绕着所关注的象素的5×5象素,来进行边界搜索。在每个所关注的象素附近的5×5象素之内,具有在IGT之上的梯度量级并且具有与所关注的象素的方向偏差一个预定角度的象素被计数。在本最佳实施例中,该比较步骤使用0.35弧度的角度。如果5×5邻近数目比预置数量更大,在本实施例中为3,则所关注的象素被确定为一个有关的边界象素。在步骤90,产生一个二进制屏蔽图象,其中,在步骤88被确定为有关边界象素的象素被指定值1,而所有其它象素被指定为等于零的值。
在步骤92,被确定为结构的潜在候选者的小或有噪声的片断被迭代地除去。为除去这些片断的控制逻辑中的步骤在图7中概括。参见图7,过程在步骤120处开始,其中,通过将具有等于或大于所需值的梯度量级值的象素分配值1,并且将零值分配至所有其它象素,来获得一个二进制图象。这种二进制图象或者屏障基本上与在步骤90所产生的相同(见图4)。在步骤122,在该二进制屏障中具有值1的每个象素被分配一个系数,从图象的左上角开始向右下角发展。该系数对在该屏障中每一个具有值1的象素而递增。在步骤124,通过比较小周边之内的象素的系数值,屏障124从左上角开始一行一行地被分析。例如,当象素被确定具有一个系数时,执行四个连接的比较,其中,所关注的象素的系数与所关注的象素之上,之下,左边和右边的象素的这些系数比较,如果任何有的话。每个连接的象素的系数然后改变为相连的邻近象素中最低的系数。搜索、比较以及重新分配然后在整个象素矩阵中连续进行,结果是在相邻的象素区域中分配相同的系数。在该最佳实施例中,系数融合步骤124可以执行若干次,如图7中的步骤126所示的。每个后续的迭代最好是在相反方向中完成(即,从顶端至底部,并且从底部到顶端)。
跟随通过后续的搜索和系数的合并所完成迭代次数,系数象素矩阵将包含具有共同系数的象素的邻接区域。如图7中步骤128所示的,然后通过计算具有出现于系数矩阵中的每个系数的象素的数量从这个系数矩阵产生直方图。如同专业技术人员明白的,具有这些系数的象素的每个分离的邻接区域将具有唯一的系数。在步骤130,由具有比一个所需门限更低的数量的系数表示的区域从在图4的步骤90确定的结构定义中被除去。在本最佳实施例中,具有象素数目比50个象素更低的区域在步骤130被除去。然而,在这个步骤中将要被除去的象素的数量可以按照矩阵大小的函数来选择,并且隔离的人为因素的量和大小在最后图象中的结构定义中是允许的。
回到图4,用从步骤90所产生的二进制屏障中除去的小片断的象素,在二进制屏障中余下的象素数量被计数,如在步骤94处所表示的。尽管最终的数量可以用来确定最后的梯度门限,现已发现用于确定一个最后的梯度门限的一种常规方法包括把所需的象素数量增加至最终象素数目上,所述门限用于结构的定义。例如,在本最佳实施例中,值4000被加到从步骤92产生的二进制屏障数目上,以到达在图象结构定义中所需的象素数量。这个参数可以被设置为缺省值,或者可以由操作员修改。通常,一种较高的增加值产生分明的图象,而一种较低的增加值产生一个平滑的图象。在本实施例中称作为″聚集参数″的这个参数可以变化,以将象素的分类重新定义为结构和非结构。
用如此确定的所需数量的结构象素,基于图6中显示的直方图106,一个最后的梯度门限或者FGT被确定,如在图4中的步骤96所示的。具体地,从直方图106的右手边开始的每一个梯度量级值的数量数目被集中移向左边,正如标号132指示的。一旦达到结构象素的所需数量(即,在步骤94计数的象素数量加以聚集参数),相应的梯度量级值被确定为最后的梯度门限134。基于这个最后的梯度门限,通过具有等于或大于FGT值的象素指定为值1,而所有其它象素指定为零值,来定义一种新的二进制屏障。在步骤98处,最终的二进制屏障被过滤,以便除去小的、隔离的片断,其过程与上面结合步骤92和图7所描述的过程相同。然而,在步骤98,不是四个连接的邻近象素,而是八个连接的邻近象素(即,包括具有共同边界和邻接所关注的象素角落的象素)被用于系数合并步骤。
在图4中的步骤100,通过以前的步骤确定的特征边界,代表该图象中的候选结构,被二进制等级次序过滤。尽管各种技术可以用于增强确定的候选结构,现已发现二进制等级次序过滤在扩展和定义邻接特征的适当宽度方面提供满意的结果,这些邻接特征用于定义结构单元。实施步骤100的二进制等级次序的示例性控制逻辑中的步骤在图8中被说明。
参见图8,二进制等级次序过滤在步骤140处开始,具有在前面的步骤中产生和再定义的二进制屏障。在步骤140,电路24确定在该二进制屏障中的每一个象素是否具有值1。如果,在该屏障中发现象素具有值1,在步骤142完成邻近象素计数。在该邻近象素计数中,在该二进制屏障中具有值1的象素在围绕所关注的结构象素的3×3矩阵之内计数。这计数包括所关注的象素。在步骤144,电路24确定来自步骤142的计数是否超过所需的数目m。在本实施例中,在步骤144中使用的值是2。如果该计数被发现超过值m,值1重新指定到所关注的象素,如步骤146表明的。然而,如果该数目被发现未超过值m,所关注的象素在该屏障中被指定为0,如步骤148表明的。在步骤146和148之后,或者,如果象素被发现在该屏障中不具有原始值1,控制进入到步骤150。
在步骤150,电路24检查该结构屏障,以确定每一个所关注象素是否具有值0。如果象素被检测具有值0,电路24在步骤152之前计数邻近象素的数目,这与上面参考步骤142所描述的相似。具体地,围绕所关注的非结构象素的3×3邻近象素被检查,同时确定在该邻近象素中具有屏障值1的象素数目。在步骤154,该邻近象素数目与参数n比较。如果该数目被发现超过参数n,象素的屏障值在步骤156变成为1。如果该值被发现未超过n,屏障象素保持它的0值,如步骤158表明的。在本实施例中,步骤154中使用的值是2。在步骤156或步骤158之后,最终的屏障Ms包含确定所关注的结构特征和非结构区域的信息。具体地,在该屏障中具有值1的象素被用于确定结构,而具有值0的象素被用于指示非结构。
用如此确定的图象结构,如图3的步骤68所示的,结构的方向平滑通过比如图9中图示的逻辑来执行。如图9显示的,图象结构的方向平滑以相应结构的规范化值开始,并且按照所需的平滑类型以不同方式进行。具体地,基于图9中被指定为160的操作员输入,一个逻辑决策块162指挥信号处理电路24进行如标号164指示的主要方向平滑或者标号166指示的局部方向平滑。如果选择了全局的方向平滑,结构象素的强度值被处理以产生一种二进制屏障M’,如下面结合图10概括的。在下面参考图10概括的迭代过程之后,屏障值M’在步骤168处被估算,并且利用乘法系数α和β在结构强度值上进行平滑,结果使得这些值被求和,如图9的块170,172和174表明的,这在下面将详细描述。
为解释164的主要方向平滑步骤,现在参考图10。如图10所示的,通过向该结构屏障Ms中确定为结构屏障的每一个象素指定方向性系数,全局的方向平滑开始了。在本实施例中,依据每个象素的统计变量,四个定向系数之一被指定到每一个结构象素,如图11显示的。如图11所示的,在围绕每个结构象素的局部邻近象素182中,参考周围象素的规范化强度值,在四个方向上计算象素核的统计变量。最小变量的方向从该四个计算值中选择,同时指定一个相应的定向系数,如图11中的标号184指示的。在本实施例中,这些定向系数被如下指定:″1″用于45度;″2″用于135度;″3″用于90度;而″4″用于0度。这些步骤在图10中概括为186和188。在步骤190,基于图象矩阵大小指定局部区域门限值。在本实施例中,局部区域门限用于256×256象素图象,值14.25用于512×512象素图象,而值23用于1024×1024象素图象。
在步骤192,二进制屏障M’用每个象素的零值初始化。在步骤104,通过在围绕每个结构象素的局部邻近象素之内检查在步骤188中设置的方向性系数,对每一个结构象素建立一种主要方向。在这个过程中,在局部邻近象素数目中发现的方向系数被计数,同时所关注的象素被指定获得最大计数的方向系数(或者在等值的情况下所定位的最低的系数)。在本实施例中,在步骤194中用于确定全局方位的方向的邻近象素大小不同于所考虑的图象矩阵尺寸的系列。具体地,3×3邻近象素用于256×256象素图象,5×5用于512×512象素图象,以及9×9用于1024×1024象素图象。
在步骤196,在检索的邻近象素中为每一个象素而确定的计数与局部的区域门限比较。如果该计数被发现超过局部的区域门限,信号处理电路24进入到步骤198。在那个步骤中,每一个结构象素的强度值被设置为等于在所关注象素的主要方向中1×3象素核心的平均强度。其后,在步骤200,在二进制矩阵M’中的相应位置的值从0变至1。如果在步骤196,发现计数不超过一个特定象素的局部的区域门限,所关注的象素的强度值被设置等于加权平均值,如在步骤202所表明的。这个加权平均值由关系式确定:
加权avg=(1/1+p)(输入)+(P/1+p)(平滑值);
在程式164开始时,输入值是所关注的象素的值,P是在1和200之间的加权系数,同时平滑的值在所关注的象素的主要方向中是1×3核心的平均强度。从步骤200或者202,电路24返回到图9的步骤168。
再参见图9,在步骤168,在二进制屏障M’中的每个象素的值将被评估。如果该值被发现等于零,相应的强度值Ii在步骤170乘以加权系数。在本实施例中,系数α被设置等于0.45。在块172,最终的值加上相应象素的规范化强度值与在步骤174计算的加权系数β的乘积。在本实施例中,系数α和β的总和等于1,结果是P值等于0.55。
如果在步骤168发现在该二进制屏障中一个特定象素的值等于1,控制进入决策块176。在上面描述的块172处所完成的求和之后,也就到达了决策块176。在本实施例中,在所需数量的迭代上执行主要方向平滑步骤,以提供足够平滑和结构区域之间的桥粱。在步骤176,因此,电路24确定所需数量的迭代是否完成了,如果没有,则返回到步骤164,以进一步平滑该结构区域。在本实施例中,操作员可以从1至10中选择这种迭代。
如上所述,通过对局部的方向平滑执行的步骤的替代序列,就能进行方向平滑,如图9中的块166所示的。图12图示了这种局部方向平滑的控制逻辑的示例性步骤。对于全局的方向平滑,局部的方向平滑以结构象素的规范化强度值开始。在步骤202,对于每一个被系数的方向(见图11),计算每一个结构象素的1×3象素核心的统计变量,正如上面为主要方向平滑过程所进行的。在步骤204,对在步骤202为每一个象素确定的最大/最小统计变量的比被计数。在步骤206,每一个结构象素的这种比率与参数R比较,它被称为局部方向过滤的松弛系数。在本实施例中,R的值能设置在1和200之间。在步骤206,发现变量值超过R,通过将所关注的结构象素的强度值设置到等于在最小变量方向中1×3象素核心的平均值,局部方向过滤被完成,如步骤208所示的。在步骤206,所关注的象素的最大和最小变量之间的比率被发现不超过R,就不进行局部方向平滑,并且电路进入到步骤208以外的点。从该点,控制返回到图9的块170。
如图9中所示的,在块170每一个结构象素的强度值乘以加权系数,并且在块172与相应象素的规范化强度值和在块174产生的加权系数P的乘积相加。如上所述,在步骤176,电路24确定所需数量的迭代是否完成了,如果没有,则回到局部方向平滑块166,以重复图12的步骤,直到所需数量的迭代被完成。一旦所需迭代被完成了,从方向平滑导致的过滤的图象If进一步由下述过程过滤。
正如参考图3所概括的,在在图象之内所确定的结构的方向平滑之后,非结构的均匀平滑被完成。在这种均匀平滑过程中的步骤在图13中概括。如图13中显示的,在这个过程中考虑了非结构象素的规范化强度值。在步骤210,每一个非结构象素的平均邻近象素强度值被计算(考虑了结构象素的规范化值,这些结构象素包括在所考虑的邻近象素中)。在本实施例中,步骤210是基于围绕每一个非结构象素的3×3邻近象素而进行的。该平均值被指定到所关注的象素,并且控制进入到步骤212。在步骤212,电路24确定所需数量的迭代是否完成了。如果没有,控制回到对非结构象素强度值的进一步均匀的步骤210。一旦所需数量的迭代被完成了,就结束图13的均匀平滑程式。在本实施例中,操作员可以从1到10的范围设置均匀平滑迭代的数量。
在均匀平滑之后,通过所确定的结构的方向性锐化,所过滤的图象被进一步处理,如上面针对图3所述的,并且在图14中更详细地描述了。如图14中显示的,方向锐化序列在步骤214处开始,其中在系数的方向上计算每一个结构象素的拉氏算符值,如图11所示并且在上面描述的。拉氏算符值可以从该公式计算出
L(K)=2.0*I(K)-I(K-1)-I(k+1);
其中K为所关注的结构象素,″K-1″为系数方向上位于所关注的象素前面的象素,而″k+1″是系数方向上位于所关注的象素后面的象素。应该注意,在步骤214计算的拉氏算符值基于过滤的强度值(即,结构的平滑值)。在步骤216,每一个结构象素的四种拉氏算符值的最大值然后被保存以形成边界图象Me。在步骤218,对于每一个结构象素,3×1象素核心的统计变量和平均值在图11所示的系数方向中被计算,再利用所关注的邻近象素中每一个象素的过滤(即,均匀和平滑的)值。然后从这些值确定每一个结构象素的最小变量的方向,同时对于每一个象素保存最小变量方向的平均值,如步骤220所示的。在步骤222,每一个结构象素在最小变量方向的平均值乘以系数Y。在本实施例中,Y值可以被设置在从0.00001到2.0变化的范围之内。通常,Y值选择得越高,在最后图象中强大边界的整体锐利度越大。在步骤224,最终的加权值被加到相应结构象素的初始过滤值上。最终过滤的图象值然后被进一步处理,如下所述。
在该图象的结构特征的方向锐化之后,整个图象被再一次规范化,如图3中步骤74表示的。尽管各种方法可以用于这种再规范化,在本实施例中,在步骤72之后计算过滤图象中的全局平均象素强度,并且基于该平均值和过滤步骤之前的平均值之间的差别来确定规范化系数。通过该规范化系数乘以过滤的象素强度,并且把来自原始数据的全局最小强度值加到该乘积上,来确定每一个象素的新规范化强度值。
最终的再规范化的过滤图象,在图3中表示为Ifn,然后被进一步处理,以从原始的数据混合回到非结构区域结构,这种结构混合步骤在图15中概括。通常,图15的步骤按照非结构象素的梯度量级或多或少地增加原始的纹理。具体地,在步骤226,每一个所关注的非结构象素的梯度量级与门限值T比较。在该实施例中,这个门限被设置到值300。如果梯度被发现超过门限,象素强度值在步骤228中乘以″a″。在步骤228中,最终的乘积加到在步骤232处该象素的未经处理的强度值(在图3的步骤64处的规范化之前)与值″1-a″的乘积上。最终的加权平均值被指定到该象素。
如果在步骤226发现象素的梯度量级值超过门限值T,则该象素强度乘以系数″b″,如步骤234表示的。在步骤236,最终的乘积然后加到那此象素的未经处理的强度值与值″1-b″的乘积上,该乘积是在步骤238确定的。在本实施例中,值″b″可以被设置在从0至1的范围之内,而值″a″被设置为″b″值的1.5倍。如同专业技术人员明白的,由图15中所概括的这些步骤所完成的加权平均过程有效地将结构加到非结构区域上,以提供可理解的结构环境,这些结构按上面描述的被过滤。通过完成步骤226的比较,这些过程对于具有低梯度值的象素有效地少增加原始的纹理,对于具有高梯度值的象素则增加更多的原始的纹理。在所需的地方,可以设置″a″和″b″值来增加或者减少这种过程的功能。

Claims (24)

1.用于增强由多个离散象素(38)定义的图象(36)的方法,该方法包括步骤:
(a)确定(66)图象中代表所关注的结构(48)的结构象素组和代表非结构区域(50)的非结构象素组;
(b)进行所关注的结构(48)的方向平滑(68);
(C)进行非结构区域(50)的均匀平滑(70);
(d)进行所关注结构(48)的方向锐化(72);以及
(e)将纹理数据混合(76)到非结构区域(50)。
2.按照权利要求1的方法,其中,通过确定每一个象素的梯度值(108),确定梯度门限值(134),并且确定具有与该梯度门限值相关的所需象素,在步骤(a)确定结构象素。
3.按照权利要求2的方法,其中,通过将象素的梯度值(108)与所需值(116)比较并通过将该象素的梯度方向相互比较,以及通过基于比较对象素计数,来确定梯度门限值。
4.按照权利要求3的方法,进一步包括在确定步骤之后对结构象素(48)进行二进制等级次序过滤(100)步骤。
5.按照权利要求1的方法,其中,方向平滑步骤(b)包括:确定由结构象素(48)定义的主要方向(180-194),并且在主要方向上平滑(164)结构象素的步骤。
6.按照权利要求的方法1,其中,方向平滑步骤(b)包括结构象素(48)的局部方向平滑(166)。
7.按照权利要求1的方法,包括进一步的步骤,即从结构象素(48)组中除去(92∶98)小于所需尺寸的邻近象素的隔离组(52)。
8.按照权利要求的方法1,其中均匀平滑步骤(C)包括对每一个非结构象素(50)的邻近象素的代表值进行平均(210)。
9.按照权利要求的方法1,其中纹理混合步骤(e)包括计算(228,230,232,234,236,238)非结构象素(50)的过滤或未过滤值的加权平均。
10.按照权利要求的方法9,其中在加权平均计算中的加权因子是基于非结构象素(50)的梯度值进行选择(226)的。
11.用于增强由多个离散象素定义的图象的方法,该方法包括步骤:
(a)基于图象中每一象素的梯度值标识表示所关注特征的结构象素和非结构象素;
(b)以第一种方式过滤结构象素以增强所关注特征;
(C)以第二种方式过滤非结构象素。
12.利要求11的方法,其中,步骤(a)包括确定梯度门限值,并且将每一个象素的梯度值与门限值比较,以确定结构和非结构象素的。
13.权利要求12的方法,其中,通过将梯度值与初始门限值比较,将每一个象素的梯度值与初始门限值比较,将每一个象素的梯度方向与邻近象素的梯度方向比较,并且用初始门限值和邻近象素方向来计算满足所需关系的象素,来确定最后的门限值。
14.按照权利要求11的方法,其中,通过从结构象素中除去小于所需数量的邻近象素的隔离区域,来过滤结构象素。
15.按照权利要求11的方法,其中,由结构象素定义的边界过滤的二进制等级次序来过滤结构象素。
16.按照权利要求11的方法,其中,基于结构象素确定的主要方向,由结构象素定义的主要方向平滑结构来过滤结构象素。
17.按照权利要求11的方法,其中,由结构象素定义的局部方向平滑结构来过滤结构象素。
18.按照权利要求11的方法,其中,由结构象素定义的结构的方向锐化边界来过滤结构象素。
19.按照权利要求11的方法,其中,由非结构象素定义的非结构的均匀平滑局部区域来过滤非结构象素。
20.按照权利要求19的方法,其中,通过把由非结构象素值定义的原始纹理的至少一部分与平滑值相混合来过滤非结构象素。
21.用以处理一个离散象素图象的系统,系统包括:获取单元,用于检测图象中代表离散象素的信号;连接到获取单元的信号处理电路,该信号处理电路被如此构成,以从检测的信号中确定结构和非结构象素,对于由结构象素定义的图象中的结构进行方向平滑,对于由非结构象素定义的图象中的非结构区域进行均匀平滑,并且把纹理混合到非结构图象;连接到信号处理电路的存储电路,用于存储代表由信号处理电路过滤的象素数据的值;以及连接到信号处理电路的输出装置,用于基于由信号处理电路过滤的象素数据来产生操作员可察觉的图象。
22.按照权利要求21的系统,其中,获取单元包括用以检测所关注主体中放射物质的一个核磁共振扫描器。
23.按照权利要求21的系统,进一步包括连接到信号处理电路的输入装置,用于接收操作员配置参数,该信号处理电路被如此构成,以至少部分地基于配置参数来处理所检测的信号。
24.按照权利要求21的系统,其中,信号处理电路被如此构成,以基于每一个象素的梯度数据并通过被存储在存储电路中无须操作员介入的控制逻辑来确定结构象素和非结构象素。
CNB991048598A 1998-04-14 1999-04-14 增强离散象素图象的方法和装置 Expired - Fee Related CN1135499C (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US09/060,017 1998-04-14
US09/060,017 US6208763B1 (en) 1998-04-14 1998-04-14 Method and apparatus for enhancing discrete pixel images
US09/060017 1998-04-14

Publications (2)

Publication Number Publication Date
CN1238505A true CN1238505A (zh) 1999-12-15
CN1135499C CN1135499C (zh) 2004-01-21

Family

ID=22026801

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB991048598A Expired - Fee Related CN1135499C (zh) 1998-04-14 1999-04-14 增强离散象素图象的方法和装置

Country Status (5)

Country Link
US (1) US6208763B1 (zh)
JP (1) JP4063447B2 (zh)
CN (1) CN1135499C (zh)
DE (1) DE19916612B4 (zh)
IL (1) IL129374A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720266B2 (en) 2005-08-26 2010-05-18 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Ultrasound image enhancement and speckle mitigation method
CN101459766B (zh) * 2007-12-10 2012-06-27 深圳迈瑞生物医疗电子股份有限公司 超声图像增强与噪声抑制的方法及其装置

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6415053B1 (en) * 1998-04-20 2002-07-02 Fuji Photo Film Co., Ltd. Image processing method and apparatus
US6697107B1 (en) * 1998-07-09 2004-02-24 Eastman Kodak Company Smoothing a digital color image using luminance values
AUPP779898A0 (en) * 1998-12-18 1999-01-21 Canon Kabushiki Kaisha A method of kernel selection for image interpolation
US7020343B1 (en) * 1999-12-30 2006-03-28 Ge Medical Systems Global Technology Company, Llc Method and apparatus for enhancing discrete pixel images by analyzing image structure
US6337925B1 (en) * 2000-05-08 2002-01-08 Adobe Systems Incorporated Method for determining a border in a complex scene with applications to image masking
JP4191884B2 (ja) * 2000-08-18 2008-12-03 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 画像処理方法、画像処理装置および画像撮影装置
JP3946038B2 (ja) * 2000-12-25 2007-07-18 株式会社リコー 画像処理装置および画像形成装置
US20030026495A1 (en) * 2001-03-07 2003-02-06 Gondek Jay Stephen Parameterized sharpening and smoothing method and apparatus
US7088474B2 (en) * 2001-09-13 2006-08-08 Hewlett-Packard Development Company, Lp. Method and system for enhancing images using edge orientation
WO2003024184A2 (en) * 2001-09-14 2003-03-27 Cornell Research Foundation, Inc. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans
EP1306805A1 (en) * 2001-10-25 2003-05-02 Mitsubishi Electric Information Technology Centre Europe B.V. Image Analysis
US6592523B2 (en) * 2001-11-21 2003-07-15 Ge Medical Systems Global Technology Company, Llc Computationally efficient noise reduction filter for enhancement of ultrasound images
US6973219B2 (en) 2001-11-21 2005-12-06 Ge Medical Systems Global Technology Company, Llc Segmentation driven image noise reduction filter
US7206101B2 (en) 2001-11-21 2007-04-17 Ge Medical Systems Global Technology Company, Llc Computationally efficient noise reduction filter
US6963670B2 (en) 2001-11-21 2005-11-08 Ge Medical Systems Global Technology Company, Llc CT dose reduction filter with a computationally efficient implementation
US20030206662A1 (en) * 2002-05-03 2003-11-06 Avinash Gopal B. Method and apparatus for improving perceived digital image quality
US7599579B2 (en) * 2002-07-11 2009-10-06 Ge Medical Systems Global Technology Company, Llc Interpolated image filtering method and apparatus
US7502525B2 (en) * 2003-01-27 2009-03-10 Boston Scientific Scimed, Inc. System and method for edge detection of an image
US6912309B2 (en) * 2003-03-06 2005-06-28 Lockheed Martin Corporation Method and system for identifying objects in an image
US7348991B1 (en) * 2003-04-16 2008-03-25 Silicon Image, Inc. Video/graphics text mode enhancement method for digitally processed data
US7623723B2 (en) * 2003-11-26 2009-11-24 GE Medical Systems Global Technology Com. Method for random point and patterned noise reduction in digital images
JP2005176988A (ja) * 2003-12-17 2005-07-07 Ge Medical Systems Global Technology Co Llc データ補正方法およびx線ct装置
US8021301B2 (en) * 2003-12-26 2011-09-20 Fujifilm Corporation Ultrasonic image processing apparatus, ultrasonic image processing method and ultrasonic image processing program
US20060008174A1 (en) * 2004-07-07 2006-01-12 Ge Medical Systems Global Technology Count adaptive noise reduction method of x-ray images
US7835562B2 (en) 2004-07-23 2010-11-16 General Electric Company Methods and apparatus for noise reduction filtering of images
DE102004061507B4 (de) * 2004-12-21 2007-04-12 Siemens Ag Verfahren zur Korrektur von Inhomogenitäten in einem Bild sowie bildgebende Vorrichtung dazu
US7512284B2 (en) * 2005-03-29 2009-03-31 General Electric Company Volumetric image enhancement system and method
CN1892696B (zh) * 2005-07-08 2010-06-16 深圳迈瑞生物医疗电子股份有限公司 超声图像边缘锐化与斑点抑制方法
US7489825B2 (en) * 2005-07-13 2009-02-10 Ge Medical Systems Method and apparatus for creating a multi-resolution framework for improving medical imaging workflow
JP4752407B2 (ja) * 2005-09-09 2011-08-17 ソニー株式会社 画像処理装置および方法、プログラム、並びに記録媒体
EP1770636A1 (en) * 2005-09-28 2007-04-04 Pioneer Digital Design Centre Ltd Television image filtering
US8878923B2 (en) * 2007-08-23 2014-11-04 General Electric Company System and method for enhanced predictive autofocusing
JP4683343B2 (ja) * 2007-12-27 2011-05-18 株式会社 日立ディスプレイズ 色信号生成装置
US9355469B2 (en) 2009-01-09 2016-05-31 Adobe Systems Incorporated Mode-based graphical editing
US8786873B2 (en) * 2009-07-20 2014-07-22 General Electric Company Application server for use with a modular imaging system
US8243882B2 (en) 2010-05-07 2012-08-14 General Electric Company System and method for indicating association between autonomous detector and imaging subsystem
US8487952B2 (en) 2011-04-21 2013-07-16 Honeywell International Inc. Methods and systems for marking pixels for image monitoring
RU2629432C2 (ru) * 2011-11-23 2017-08-29 Конинклейке Филипс Н.В. Устранение шума в области изображения
US9456764B2 (en) * 2013-09-19 2016-10-04 Alberta Health Services Reducing artefacts in MRI k-space data with simultaneous radiation beam incident on MRI collector coils
WO2015154008A1 (en) * 2014-04-04 2015-10-08 Massachusetts Institute Of Technology System and method for extracting dominant orientations from a scene
CN109712075B (zh) * 2018-12-24 2022-10-14 广东理致技术有限公司 一种数字图像数据原图识别方法及装置
CN109816764B (zh) * 2019-02-02 2021-06-25 深圳市商汤科技有限公司 图像生成方法及装置、电子设备和存储介质
CN111652818B (zh) * 2020-05-29 2023-09-29 浙江大华技术股份有限公司 一种基于金字塔的图像滤波方法、装置及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE448124B (sv) 1985-05-23 1987-01-19 Context Vision Ab Anordning for detektering av variationsgraden av en egenskap i ett omrade av en i diskreta bildelement uppdelad bild
SE448126B (sv) 1985-05-23 1987-01-19 Context Vision Ab Anordning for detektering av sprangartade forendringar av en egenskap inom ett omrade av en i diskreta bildelement uppdelad bild
SE448125B (sv) 1985-05-23 1987-01-19 Context Vision Ab Anordning for bestemning av graden av konstans hos en egenskap for ett omrade i en i diskreta bildelement uppdelad bild
US5218649A (en) 1990-05-04 1993-06-08 U S West Advanced Technologies, Inc. Image enhancement system
US5268967A (en) * 1992-06-29 1993-12-07 Eastman Kodak Company Method for automatic foreground and background detection in digital radiographic images
JP3472596B2 (ja) * 1993-06-11 2003-12-02 株式会社日立製作所 ノイズ低減フィルター
US5602934A (en) * 1993-09-08 1997-02-11 The Regents Of The University Of California Adaptive digital image signal filtering
US5784498A (en) * 1996-01-11 1998-07-21 Xerox Corporation System and method for synthesizing background texture in an image
US5943435A (en) * 1997-10-07 1999-08-24 Eastman Kodak Company Body part recognition in radiographic images

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720266B2 (en) 2005-08-26 2010-05-18 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Ultrasound image enhancement and speckle mitigation method
US7840054B2 (en) 2005-08-26 2010-11-23 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Ultrasound image enhancement and speckle mitigation method
US7844093B2 (en) 2005-08-26 2010-11-30 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Ultrasound image enhancement and speckle mitigation method
US7961929B2 (en) 2005-08-26 2011-06-14 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Ultrasound image enhancement and speckle mitigation method
CN101459766B (zh) * 2007-12-10 2012-06-27 深圳迈瑞生物医疗电子股份有限公司 超声图像增强与噪声抑制的方法及其装置

Also Published As

Publication number Publication date
CN1135499C (zh) 2004-01-21
JP4063447B2 (ja) 2008-03-19
US6208763B1 (en) 2001-03-27
IL129374A0 (en) 2000-02-17
IL129374A (en) 2003-01-12
DE19916612B4 (de) 2008-12-18
DE19916612A1 (de) 1999-10-21
JP2000011170A (ja) 2000-01-14

Similar Documents

Publication Publication Date Title
CN1135499C (zh) 增强离散象素图象的方法和装置
CN1135500C (zh) 用于分析图象结构的方法和装置
US7599579B2 (en) Interpolated image filtering method and apparatus
Coupé et al. Fast non local means denoising for 3D MR images
JP5038642B2 (ja) ボリュメトリック画像強調システム及び方法
WO2000072263A1 (en) Method and apparatus for enhancing and correcting digital images
US20030108245A1 (en) Method and system for improving an image characteristic based on image content
US6963670B2 (en) CT dose reduction filter with a computationally efficient implementation
US6973219B2 (en) Segmentation driven image noise reduction filter
CN1250012C (zh) 移除mpeg信号的成块假象的方法与装置
CN1362834A (zh) 数据处理方法
CN108830319B (zh) 一种图像分类方法和装置
JP2006509292A (ja) セグメント化されたイメージから偽エッジを除去するための装置及び方法
CN104700390A (zh) 双能ct造影剂增强扫描图像中的钙化部分识别方法
CN1286063C (zh) 用于液晶投影仪的图象赝象去除方法和设备
CN1625217A (zh) 用于基于分割的图像操作的方法和装置
US7020343B1 (en) Method and apparatus for enhancing discrete pixel images by analyzing image structure
CN1322333A (zh) 滤波设备和方法
CN1258745C (zh) 用于液晶投影仪的存储器高效的图象赝象去除技术
CN118135141B (zh) 一种基于岩石图像的孔隙三维重建方法及系统
Schneider et al. The Good, the Bad and the Ugly: Droplet Recognition by a “Shootout”-Heuristics
CN114092510A (zh) 一种基于正态分布的分割方法、计算机设备及存储介质
CN117710287A (zh) 物料检测方法、装置、电子设备及存储介质
CN118135141A (zh) 一种基于岩石图像的孔隙三维重建方法及系统
Biswas et al. Image Segmentation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20040121

Termination date: 20180414