CN1323545C - 医学影像坏点自动检测门限确定方法 - Google Patents
医学影像坏点自动检测门限确定方法 Download PDFInfo
- Publication number
- CN1323545C CN1323545C CNB2004100207925A CN200410020792A CN1323545C CN 1323545 C CN1323545 C CN 1323545C CN B2004100207925 A CNB2004100207925 A CN B2004100207925A CN 200410020792 A CN200410020792 A CN 200410020792A CN 1323545 C CN1323545 C CN 1323545C
- Authority
- CN
- China
- Prior art keywords
- detection
- threshold
- bad point
- image
- pixel
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 claims description 10
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract 2
- 230000000007 visual effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
医学影像坏点自动检测门限的确定方法,属于医学影像处理技术领域,本发明方法通过α(x,y)=[gray(x,y)-avg(x,y)]/avg(x,y)和Imedian=Median(Ioriginall)、I(x,y)=|Imedian-Ioriginall|公式来确定坏点,确定坏点自动检测门限包括采集坏点检测图像、域值检测、视觉检测、确定检测门限四个步骤,是一种将门限检测和视觉检测相结合的处理方法,从数学计算和人眼视觉两个角度出发,将判别图像坏点的门限检测和视觉检测方法相结合,在域值自动检测和视觉检测基础上确定合适的检测门限,既利用到门限检测的自动性,又兼顾了视觉检测的准确性,本发明方法的优点是简单适用,降低了医学影像坏点错误检测概率,提高了检测速度,也保证了较高准确性。
Description
技术领城
本发明方法属于医学影像处理技术领域,特别涉及一种医学影像坏点自动检测门限的确定方法。
背景技术
在数字化X光机中影像系统中的坏点,一般是指灰度值表现异常的像素点,通常表现为相对于背景的“亮点”或者“暗点”。“亮点”是指图像灰度明显大于临域平均灰度的像素,“暗点”是指图像灰度明显小于临域平均灰度的像素。目前视觉检测是坏点检测一种比较准确的方法,但对于1024*1024的图像,每次针对一行数据进行显示,共计需要进行1024次视觉检测,过多的人工检测次数,不利于提高工作效率。而门限检测坏点的方法,虽然可以自动进行,但是存在检测门限设定的问题。检测门限是坏点检测的关键所在。美国专利《Automaticidenification and correction of bad pixels in a large area solid state x-ray detector》(U.S.Pat.No.5,657,400),《Defective pixel detection circuit of a solid state image pick-up device capable ofdetecting defective pixels with low power consumption and high
,and image pick-updevice having such detection circuit》(U.S.Pat.No.5,854,655),虽然提出了利用检测门限进行坏点检测,但是没有涉及如何设定检测门限。
发明内容
针对现有技术存在的问题,本发明方法提供一种医学影像坏点自动检测门限的确定方法,是一种简单实用的坏点自动检测以及坏点校正的图像处理方法,从数学计算和人眼视觉两个角度出发,将判别图像坏点的门限检测和视觉检测方法相结合,在域值自动检测和视觉检测基础上确定合适的检测门限,降低了医学影像坏点错误检测概率。
本发明涉及的医学影像坏点的定义,一种是采用安捷伦(Agilent Technologies)的定义:
式中gray(x,y)为像素点(x,y)的灰度值,avg(x,y)为以像素点(x,y)为中心的图像区域s像素灰度的平均值,其计算公式为
,其中S为以像素点(x,y)为中心的图像区域,gray(i,J)为像素点(i,J)图像灰度,N为图像整个区域去除像素灰度为极值的两个像素的像素个数。如果|α(x,y)|>检测门限,则判决该像素点(x,y)为坏点。
另一种是在U.S.Pat.No.5,854,655中,采用中值滤波处理,滤去坏点,然后将原图像与滤波处理的图像相减,对于相减结果大于门限的像素判断为坏点。公式描述如(2)(3)。
Imedian=Median(Ioriginall) (2)
I(x,y)=|Imedian-Ioriginall| (3)
式中Ioriginall为原始图像,Imedian为中值滤波结果,Median()表示中值滤波处理。如果I(x,y)>检测门限,则判决该像素点(x,y)为坏点。
根据以上定义,本发明方法确定坏点自动检测门限包括采集坏点检测图像、域值检测、视觉检测、确定检测门限四个步骤,其坏点检测流程如图1所示。
步骤一:获得坏点检测图像
采集图像序列,获得坏点检测图像。
步骤二:门限检测
利用公式(1)进行门限检测的步骤如下:
1)根据图像大小和坏点的定义将图像按照一定像素的大小划分成若干个小区域;坏点是指与其周围临域像素在灰度上有明显差异的像素点,因此采用公式(1)计算时,为了保证准确性,临域选择不宜过大,同时考虑检测速度以及能够将图像均匀平分,对1024*1024的图像按照16*16像素的大小划分成若干区域。
2)针对每个区域,确定其灰度最大、最小值,计算去除最大、最小灰度值后的像素灰度的平均值;在计算灰度平均值时,必须消除极值点(潜在“坏点”)对平均值的影响:例如,在图像16*16的区域中,如果一个坏点的灰度值为1000,其余各像素均值为10,则该区域像素灰度值为13.9,这样对于15%的检测门限,不仅坏点(灰度值为1000)达到了检测门限,其他各点也有可能超过检测门限;造成这种结果的原因就是极值点(潜在的“坏点”)对平均值的影响。因此在计算均值时,首先获得该区域灰度的最大值和最小值,计算去除最大值和最小值后所有像素的平均值。
3)利用公式(1),设定较小的检测门限,针对每个区域,逐点进行门限检测;
4)对大于门限的像素点,标记其位置。
利用公式(2)、(3)进行门限检测的步骤如下:
1)根据公式(2)进行中值滤波,中值滤波参数为(2n+1)*(2n+1),对于1024*1024的图像,1<n<511;
2)根据公式(3),将中值滤波与原图像进行减法处理,并对结果取绝对值;
3)设定较小的检测门限,进行门限检测;
4)对大于门限的像素点,标记其位置。
步骤三:视觉检测
本发明方法中所述的“视觉检测”,是利用人眼视觉特性,采用“迹迹相关”的显示方式,检测背景中的微弱信号。所谓“迹迹相关”是指将采集到的多帧序列图像在不做任何降噪处理的情况下,将每帧图像指定行依次并排显示出来,这样坏点由一点会变成一条亮(暗)线。通过这样的处理检测坏点。
检测门限的设定,主要是通过实践经验确定。像素点是否为坏点,最终需要观察者通过观察判决。虽然有些像素点的灰度值相对平均值会有所起伏,只要通过观察其灰度不明显区别于周围临近像素灰度,这样的像素点是可以不判决为坏点的。
将采集的图像序列中坏点对应的行采用迹迹相关方式显示,利用多行显示带来的效果,可以很清楚地发现坏点。将门限检测得到的坏点进行视觉检测,考察迹迹相关显示的结果是否存在“亮(暗)线”,图2是迹迹相关显示结果存在“亮线”的示意图,只要有一处门限检测的坏点没有出现“亮(暗)线”,则说明检测门限过小,应该提高检测门限,重新进行门限检测,每次步长调整的幅度不宜过大,直至所有使用门限检测到的“坏点”都在迹迹相关的显示模式下显示出一条亮线或暗线为止。
步骤四:确定检测门限
重复步骤二和三,直至所有门限检测得到的坏点在进行视觉检测仍然被判决为坏点为止,此时的门限为合理的检测门限。
本发明提供了一种将门限检测和视觉检测相结合的处理方法,既利用到门限检测的自动性,又兼顾了视觉检测的准确性,其优点是简单实用,同时保证了准确性。
附图说明
图1为本发明方法坏点检测流程图;
图2为本发明方法中坏点对应行的“迹迹相关”的显示结果;
图3为本发明方法中用于坏点检测的图像;
图4为本发明方法中用于坏点检测的图像的局部放大;
图5为本发明方法中坏点(500,62)“迹迹相关”的显示结果;
图6为本发明方法中坏点(492,24)“迹迹相关”的显示结果;
图7为本发明方法中坏点校正后的结果;
图8为本发明方法中坏点校正后局部放大;
图9为本发明方法中坏点校正后的“迹迹相关”的显示效果。
具体实施方式
结合附图,以图像大小为1024*1024为例,本发明的具体实施步骤如下:
利用公式(1)检测坏点:
1)获得检测图像:
坏点是相对背景的“亮点“或者“暗点”:检测“亮点”,需要采集背景较暗的图像进行检测;相反,检测“暗点”,采集的图像背景应该比较亮。坏点与临域的其他像素点在灰度值上有较大差别,因此在进行坏点检测时需要注意两点:1、消除图像背景起伏对avg(x,y)的影响;2、使用信噪比较高的图像进行坏点检测。
本实施例针对“亮点”进行检测,“暗点”检测情况与之类似。
首先关闭CCD相机光圈,消除图像背景起伏;采集多帧图像,利用多帧图像叠加的方法得到用于坏点检测的信噪比较高的图像。在上述条件下采集98帧图像序列,进行多帧平均处理,结果如图3所示。通过视觉观察,可以发现其中一帧图像上方中存在一个坏点。局部放大效果如图4所示。
2)设定一个检测门限10%,利用公式(1)进行门限检测,判决像素(500,62)为亮点;
3)将门限检测得到的坏点进行视觉检测,考察其迹迹相关显示的结果如图5所示,图5中没有类似图2的明显“亮线”,说明虽然该点像素灰度偏离临域平均值,但是视觉效果不能判决为坏点,因此判断10%的检测门限偏小,应该调整检测门限,每次步长调整的幅度不宜过大;
4)重复步骤2)、3),调整检测门限,将结果通过视觉判决,最后确定检测门限为30%较为合适,此时所有门限检测得到的坏点在进行视觉检测仍然被判决为坏点,因此这个门限为合理的检测门限。
利用公式(2)、(3)检测坏点:
1)获得检测图像:
方法同上。
2)设定检测门限为5,通过公式(2)选择5*5的中值滤波,.进行5*5的中值滤波,通过公式(3)将中值滤波处理后的图像与源图像进行减法处理,并对结果取绝对值后进行门限检测,判决像素(492,24)为亮点;
3)将门限检测得到的坏点进行视觉检测,其迹迹相关显示结果如图6所示。图6中没有类似图4的明显“亮线”,说明虽然该点像素灰度值大于检测门限,但是视觉效果不能判决为坏点。说明5的检测门限偏小,调整检测门限,
4)重复步骤2)、3),调整检测门限,将结果通过视觉判决,最后确定检测门限为20较为合适,此时所有门限检测得到的坏点在进行视觉检测仍然被判决为坏点,因此这个门限为合理的检测门限。
确定坏点位置后,采用其周围邻域的非坏点像素加权和代替坏点处的像素值,进行坏点校正。
对图3进行检测并校正后的结果如图7所示,局部放大结果如图8所示,图9为校正后迹迹相关的显示结果。
对比图4和图8,可见本发明方法对坏点检测有效性。对比图2和图9,图9没有存在视觉明显的类似图2的“亮线”,说明校正方法的正确性。
Claims (2)
1.一种医学影像坏点自动检测门限确定方法,该方法将涉及的坏点首先确定为:
式中gray(x,y)为像素点(x,y)的灰度值,avg(x,y)为以像素点(x,y)为中心的图像区域像素灰度的平均值,计算公式为
其中S为以像素点(x,y)为中心的图像区域,gray(i,j)为像素点(i,j)图像灰度,N为图像整个区域去除像素灰度为极值的两个像素的像素个数,如果|α(x,y)|>检测门限,则判决该像素点(x,y)为坏点;或者通过公式Imedian=Median(Ioriginall)、I(x,y)=|Imedian-Ioriginall|判断,式中Ioriginall为原始图像,Imedian为中值滤波结果,Median()表示中值滤波处理,如果I(x,y)>检测门限,则判决该像素点(x,y)为坏点;其特征在于该方法是将判别图像坏点的门限检测和视觉检测相结合,在阈值自动检测和视觉检测基础上确定检测门限,包括以下步骤:
步骤一采集坏点检测图像:关闭CCD相机光圈,消除背景起伏,利用多帧图像叠加的方法得到用于坏点检测的信噪比高的图像;
步骤二阈值检测:设定一个检测门限,根据确定坏点的公式进行门限检测,标记大于门限像素点的位置;
步骤三视觉检测:采用迹迹相关的显示方式,检测背景中的微弱信号;
步骤四确定检测门限:重复进行阈值检测、视觉检测、直至所有门限检测得到的坏点在进行视觉检测仍然被判决为坏点为止,确定此时的门限为合理的检测门限。
2、权利要求1所述的一种医学影像坏点自动检测门限确定方法,其特征在于步骤三中所述迹迹相关的显示方式是将采集到的多帧序列图像在不做任何降噪处理的情况下,将每帧图像指定行依次并排显示出来,这样坏点由一点变成一条亮线或暗线,将门限检测得到的坏点进行视觉检测,考察迹迹相关显示的结果是否存在亮线或暗线,只要有一处门限检测的坏点,没有出现亮线或暗线,则说明检测门限过小,需要提高检测门限,重复进行门限检测,直至所有使用门限检测到的“坏点”都在迹迹相关的显示模式下显示出一条亮线或暗线为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004100207925A CN1323545C (zh) | 2004-06-22 | 2004-06-22 | 医学影像坏点自动检测门限确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004100207925A CN1323545C (zh) | 2004-06-22 | 2004-06-22 | 医学影像坏点自动检测门限确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1595957A CN1595957A (zh) | 2005-03-16 |
CN1323545C true CN1323545C (zh) | 2007-06-27 |
Family
ID=34663232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2004100207925A Expired - Fee Related CN1323545C (zh) | 2004-06-22 | 2004-06-22 | 医学影像坏点自动检测门限确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1323545C (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101212703B (zh) * | 2006-12-29 | 2010-05-19 | 华晶科技股份有限公司 | 影像坏点像素实时检测方法 |
US8212581B2 (en) * | 2009-09-30 | 2012-07-03 | Global Oled Technology Llc | Defective emitter detection for electroluminescent display |
CN101895786B (zh) * | 2010-07-15 | 2012-07-25 | 杭州海康威视软件有限公司 | 一种图像传感器的检测方法及装置 |
CN102045584A (zh) * | 2010-12-23 | 2011-05-04 | 杭州海康威视软件有限公司 | 图像传感器的坏点检测图像的获取方法及其装置 |
CN102957878A (zh) * | 2011-08-29 | 2013-03-06 | 深圳市蓝韵实业有限公司 | 医学图像坏点自动检测方法及系统 |
CN104700424B (zh) * | 2015-03-30 | 2017-07-11 | 山东省计量科学研究院 | 医用彩色电子内窥镜图像坏点检测装置 |
CN106952238A (zh) * | 2017-03-21 | 2017-07-14 | 北京思比科微电子技术股份有限公司 | Bayer图像的去坏像素方法 |
CN108198150B (zh) * | 2018-01-30 | 2022-03-18 | 努比亚技术有限公司 | 一种图像坏点的消除方法、终端及存储介质 |
CN110458827B (zh) * | 2019-08-12 | 2023-04-07 | 深圳蓝影医学科技股份有限公司 | 医学影像坏点的检测方法、装置、设备及介质 |
CN112507856A (zh) * | 2020-12-04 | 2021-03-16 | 山东省科学院海洋仪器仪表研究所 | 一种快速判断海水水下图像奇异点的方法 |
CN115379199A (zh) * | 2022-07-13 | 2022-11-22 | 南京威派视半导体技术有限公司 | 一种图像传感器坏点检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1118484A (zh) * | 1994-08-09 | 1996-03-13 | 株式会社理光 | 带缺陷检测的文件图像处理器 |
US5657400A (en) * | 1995-01-31 | 1997-08-12 | General Electric Company | Automatic identification and correction of bad pixels in a large area solid state x-ray detector |
CN1174394A (zh) * | 1996-06-28 | 1998-02-25 | 松下电器产业株式会社 | 显示屏检查方法 |
US5854655A (en) * | 1995-08-29 | 1998-12-29 | Sanyo Electric Co., Ltd. | Defective pixel detecting circuit of a solid state image pick-up device capable of detecting defective pixels with low power consumption and high precision, and image pick-up device having such detecting circuit |
CN1303071A (zh) * | 1999-12-15 | 2001-07-11 | 罗技电子股份有限公司 | 动态异常象素的检测与校正 |
JP2002300404A (ja) * | 2001-04-02 | 2002-10-11 | Canon Inc | 画像処理方法及び画像処理装置 |
CN1482579A (zh) * | 2002-09-13 | 2004-03-17 | ��ʿͨ��ʽ���� | 图像缺陷检查装置和图像缺陷检查方法 |
US20040051798A1 (en) * | 2002-09-18 | 2004-03-18 | Ramakrishna Kakarala | Method for detecting and correcting defective pixels in a digital image sensor |
-
2004
- 2004-06-22 CN CNB2004100207925A patent/CN1323545C/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1118484A (zh) * | 1994-08-09 | 1996-03-13 | 株式会社理光 | 带缺陷检测的文件图像处理器 |
US5657400A (en) * | 1995-01-31 | 1997-08-12 | General Electric Company | Automatic identification and correction of bad pixels in a large area solid state x-ray detector |
US5854655A (en) * | 1995-08-29 | 1998-12-29 | Sanyo Electric Co., Ltd. | Defective pixel detecting circuit of a solid state image pick-up device capable of detecting defective pixels with low power consumption and high precision, and image pick-up device having such detecting circuit |
CN1174394A (zh) * | 1996-06-28 | 1998-02-25 | 松下电器产业株式会社 | 显示屏检查方法 |
CN1303071A (zh) * | 1999-12-15 | 2001-07-11 | 罗技电子股份有限公司 | 动态异常象素的检测与校正 |
JP2002300404A (ja) * | 2001-04-02 | 2002-10-11 | Canon Inc | 画像処理方法及び画像処理装置 |
CN1482579A (zh) * | 2002-09-13 | 2004-03-17 | ��ʿͨ��ʽ���� | 图像缺陷检查装置和图像缺陷检查方法 |
US20040051798A1 (en) * | 2002-09-18 | 2004-03-18 | Ramakrishna Kakarala | Method for detecting and correcting defective pixels in a digital image sensor |
Also Published As
Publication number | Publication date |
---|---|
CN1595957A (zh) | 2005-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN104363815B (zh) | 图像处理装置以及图像处理方法 | |
CN1323545C (zh) | 医学影像坏点自动检测门限确定方法 | |
CN102855617B (zh) | 自适应图像处理方法及系统 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN105828065B (zh) | 一种视频画面过曝检测方法及装置 | |
CN103093458B (zh) | 关键帧的检测方法及装置 | |
JP2000074647A (ja) | 表示装置検査システム | |
CN101459765B (zh) | 用以校正影像讯号中坏点的方法及电路 | |
CN104851086A (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
CN117115153B (zh) | 基于视觉辅助的印制线路板质量智能检测方法 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN108871185B (zh) | 零件检测的方法、装置、设备以及计算机可读存储介质 | |
CN111539980B (zh) | 一种基于可见光的多目标追踪方法 | |
JP4416825B2 (ja) | 画像検査処理装置、画像検査処理方法、プログラム、及び、記録媒体 | |
CN109949725A (zh) | 一种aoi系统图像灰度标准化方法及系统 | |
CN106408563A (zh) | 一种基于变异系数的雪花噪声检测方法 | |
CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
CN101897592B (zh) | X射线影像中金属异物的提取方法和装置 | |
CN102760293B (zh) | 基于距离矩阵的图像质量评价方法 | |
CN106898007A (zh) | 一种基于稀疏表示的自适应加权双字典异常检测方法 | |
CN102081793A (zh) | 星空背景图像帧转移型CCD传感器Smear效应亮线消除方法 | |
CN115266774B (zh) | 基于人工智能的焊缝射线检测评片方法 | |
CN109448012A (zh) | 一种图像边缘检测方法及装置 | |
CN109360189A (zh) | 检测非制冷红外机芯图像像素缺陷点的方法 |
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 | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20070627 Termination date: 20130622 |