DE19726827C1 - Verfahren zum Finden von Objektkonturen in Bildern und dessen Verwendung zum Finden von Organkonturen in Computertomogrammen - Google Patents
Verfahren zum Finden von Objektkonturen in Bildern und dessen Verwendung zum Finden von Organkonturen in ComputertomogrammenInfo
- Publication number
- DE19726827C1 DE19726827C1 DE19726827A DE19726827A DE19726827C1 DE 19726827 C1 DE19726827 C1 DE 19726827C1 DE 19726827 A DE19726827 A DE 19726827A DE 19726827 A DE19726827 A DE 19726827A DE 19726827 C1 DE19726827 C1 DE 19726827C1
- Authority
- DE
- Germany
- Prior art keywords
- kidney
- sharp
- background
- values
- 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.)
- Expired - Fee Related
Links
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/30084—Kidney; Renal
Description
Die Erfindung betrifft ein Verfahren zum Finden von Objekt
konturen in Bildern, bei dem durch eine elektronische Schal
tung bzw. durch einen elektronischen Rechner Grauwerte von
Nachbarbildpunkten zu einem jeweiligen Bildpunkt (pixel) mit
Hilfe eines Kantendetektionsverfahren nach dem Prinzip einer
unscharfen Logik (fuzzy logic) zu einem Grauwert für den je
weiligen Bildpunkt in einem Konturbild verarbeitet werden.
Es gibt bereits eine Reihe von Verfahren zum Finden von Ob
jektkonturen bzw. zur Bildsegmentierung, die jedoch je nach
Art des Bildes bzw. der Bildeigenschaften mehr oder weniger
gut geeignet sind. So gibt es beispielsweise das sogenannte
Region-Wachstum-Verfahren, bei dem ausgehend von einem Zen
trum innerhalb des Objektes die jeweilige Kontur gesucht
wird. Dies hat jedoch den Nachteil, daß bei ineinanderliegen
den Bereichen immer nur die dem Ausgangspunkt am nächsten
liegende Konturlinie gefunden wird und die Konturlinien von
danebenliegenden Teilobjekten und die Konturlinien des Ge
samtobjekts dabei nicht gefunden werden.
Aus den Proceedings of 3rd IEEE Conference on Fuzzy Systems,
Orlando, 1994, Seiten 249 bis 253 ist ein Verfahren zur Kon
turermittlung mit Hilfe von Fuzzy-Logik-Operatoren bekannt.
Mit diesem Verfahren können Bilder bzw. Bildausschnitte nach
Konturen abgesucht werden, ohne daß gezielt ausgewählte
Startpunkte vorgegeben werden. Dieses Verfahren hat jedoch
den Nachteil, daß insbesondere bei Bildern, die jeweils eini
ge Bereiche mit weitgehend ähnlichem Grauwert und fließende
Grauwertübergänge aufweisen eine nur schlechte oder unsichere
Konturierung erfolgt.
Aus der europäischen Anmeldeschrift 0 722 149 ist ein Fuzzy-Ver
fahren zur Erkennung geometrischer Formen bekannt, bei der
mindestens eine Ecke einer Bildkontur erfaßt, die Steigung
der Ecke und eine Anzahl zur Kurve gehörender Punkte ermit
telt werden.
Aus der internationalen Anmeldeschrift WO 97/09690 ist ein
Fuzzy-Verfahren zur Isolation anatomischer Strukturen be
kannt, bei dem zusätzliche Datenpunkte definiert werden, um
im wesentlichen nur die gewünschte anatomische Struktur zu
erhalten.
Aus den IEEE Transactions on pattern analysis and machine in
telligence, Vol. 18, No. 5, May 1996, Seiten 481 bis 491, ist
ein Fuzzy-Verfahren bekannt, bei dem sowohl Filterung, Erken
nung und Verfolgung durch Fuzzy-Algorithmen erfolgen.
Der Erfindung liegt nun die Aufgabe zugrunde, ein Verfahren
zum Finden von Objektkonturen in verrauschten Bildern anzuge
ben, wobei diese Bilder jeweils einige zu segmentierende Be
reiche mit weitgehend ähnlichem Grauwert aufweisen und die
Grenzen dieser Bereiche häufig fliegende Grauwertübergänge
darstellen. Solche Bilder sind insbesondere Computertomogram
me von Organen, beispielsweise von Nieren.
Diese Aufgabe wird erfindungsgemäß durch die im Patentan
spruch 1 angegebenen Merkmale gelöst. Die Unteransprüche be
treffen eine vorteilhafte Weiterbildung und vorteilhafte Ver
wendungen der Erfindung.
Die Erfindung wird anhand eines bevorzugten Ausführungsbei
spiels näher erläutert. Dabei zeigt
Fig. 1 ein Blockschaltbild des bevorzugten Ausführungsbei
spiels
Fig. 2 ein Diagramm zur Erläuterung der Funktionsweise von
Teilen des Blockschaltbildes nach Fig. 1,
Fig. 3a und 3b Detailbilder zur Erläuterung der Funktionsweise von
Verfahrensteilen des Blockschaltbildes von Fig. 1,
Fig. 4 eine Skizze eines Beispielbildes zur Erläuterung ei
nes Vorteils eines vorteilhaften Ausführungsbeispiels
der Erfindung und
Fig. 5a und 5b Grauwertverteilungen zur Erläuterung eines
weiteren Vorteils eines weiteren bevorzugten Ausfüh
rungsbeispiels der Erfindung.
In Fig. 1 ist ein Blockdiagramm zur Erläuterung eines Aus
führungsbeispieles des erfindungsgemäßen Verfahrens darge
stellt. Hieraus wird deutlich, daß dieses Verfahren folgende
vier Schritte aufweist:
In einem ersten Schritt wird eine Helligkeitsnormalisierung
eines Originalbildes OI mit Hilfe der Extremwerte der Grau
wertverteilung (Histogramm) H des Originalbildes OI durchge
führt, wobei ein normalisiertes Bild NI entsteht.
In einem zweiten Schritt wird das so normalisierte Bild NI
gleichzeitig mit einem Fuzzy-Detektions-Verfahren FEDH zum
Finden von horizontalen Kanten, einem Fuzzy-Detektions-Ver
fahren FEDV zum Finden von vertikalen Kanten, einem Fuzzy-De
tektions-Verfahren FED1 zum Finden einer Diagonale mit po
sitiver Steigung und einem Fuzzy-Detektions-Verfahren FED2
zum Finden von Diagonalen mit negativer Steigung in vier
scharfe Ausgangswerte (grisp outputs) CO1, . . . CO4 pro Pixel
des Originalbildes bzw. des normalisierten Originalbildes um
gewandelt, wobei die vier Fuzzy-Detektions-Verfahren in der
Beschreibung weiter unten noch näher erläutert werden.
In einem dritten Schritt werden diese scharfen Ausgangswerte
CO1, . . . CO4 durch einfache Mittelwertbildung gemittelt, wo
durch ein scharfer Mittelwert CM pro Pixel als arithmetisches
Mittel aus den Werten CO1, . . . CO4 entsteht. Die scharfen Mit
telwerte CM für alle Pixel des Originalbildes liefern im
Grunde bereits die Objektkonturen, wobei allerdings die Kon
turlinien selbst verschiedene Grauwerte aufweisen.
Durch eine globale Schwellenwertbildung GT, wird in einem
vierten Schritt aus dem scharfen Mittelwert eine Objektkontur
C mit einem einheitlichen Grauwert, zum Beispiel mit dem
Grauwert "weiß", ermittelt. Diese Objektkontur C kann für
sich alleine betrachtet werden oder aber noch zusätzlich dem
Orginalbild OI oder dem normalisierten Bild N1, beispiels
weise bitweise ODER-Verknüpfung der Grauwerte von Orginalbild
und Kontur, überlagert werden.
Aus Fig. 2 wird deutlich, welche Bildpunkte bzw. Pixel bei
den vier Fuzzy-Kanten-Detektionsverfahren FEDH, FEDV, FED1
und FED2 für die Bildung eines scharfen Ausgangswertes heran
gezogen werden. Bei dem Verfahren FEDH werden für das Pixel
mit den Koordinaten (m, n) die Grauwerte f1H(m, n) und f0H(m,
n) zweier unmittelbarer Nachbarpixel in vertikaler Richtung,
beim Verfahren FEDV die Grauwerte f0V(n, m) und f1V(m, n)
zweier unmittelbarer Nachbarpixel in horizontaler Richtung,
beim Verfahren FED1 die Grauwerte f11(m, n) und f01(m, n)
zweier unmittelbarer Nachbarpixel in der Diagonalrichtung mit
negativer Steigung und beim Verfahren FED2 die Grauwerte
f02(m, n) und f12(m, n) zweier unmittelbaren Nachbarpixel in
Diagonalrichtung mit positiver Steigung zur Auswertung heran
gezogen.
Abgesehen von der Auswahl der Grauwerte in der unmittelbaren
Pixelumgebung ist die Auswertung bei allen vier Fuzzy-De
tektions-Verfahren gleich und wird im folgenden anhand ei
nes Beispiels näher erläutert, bei dem als Originalbild 01
ein Computertomogramm eines menschlichen Organs, nämlich ei
ner Niere, zugrundegelegt wird, das in drei Bereiche, nämlich
in die Bereiche "Hintergrund", "Innere_Niere" und
"Äußere_Niere", segmentiert wird bzw. entsprechende Konturli
nien zwischen diesen Bereichen in geeigneter Weise gefunden
werden. Neben einem Tomogramm einer menschlichen Niere können
natürlich auch andere Bilder menschlicher und tierischer Or
gane auf diese Weise konturiert werden.
Es werden abhängig vom jeweiligen Fuzzy-Detektions-Verfahren
zum jeweiligen Pixel mit den Koordinaten (m, n) gehörende
Grauwerte f0(m, n) und f1(m, n) der entsprechenden Nachbarpi
xel ermittelt und als linguistische Eingangsvariable aufge
faßt. Die linguistische Eingangsvariable können hier in die
sem Beispiel die linguistischen Werte "Hintergrund",
"Innere_Niere" und "Äußere_Niere" annehmen. Mit Hilfe von
nachfolgend beispielhaft angegebenen Fuzzy-Regeln wird nun im
folgenden einer Ausgangsvariablen pi(m, n) der linguistische
Wert "schwarz" oder "weiß" zugeordnet.
- 1. WENN f0(m,n) = Hintergrund UND f1(m,n) = Hintergrund, DANN pi(m,n) = schwarz
- 2. WENN f0(m,n) = Hintergrund UND f1(m,n) = Innere_Niere, DANN pi(m,n) = schwarz
- 3. WENN f0(m,n) = Hintergrund UND f1(m,n) = Äußere_Niere, DANN pi(m,n) = weiß
- 4. WENN f0(m,n) = Innere_Niere UND f1(m,n) = Hintergrund, DANN pi(m,n) = schwarz
- 5. WENN f0(m,n) = Innere_Niere UND f1(m,n) = Innere_Niere, DANN pi(m,n) = schwarz
- 6. WENN f0(m,n) = Innere_Niere UND f1(m,n) = Äußere_Niere, DANN pi(m,n) = weiß
- 7. WENN f0(m,n) = Äußere_Niere UND f1(m,n) = Hintergrund, DANN pi(m,n) = weiß
- 8. WENN f0(m,n) = Äußere_Niere UND f1(m,n) = Innere_Niere, DANN pi(m,n) = weiß
- 9. WENN f0(m,n) = Äußere_Niere UND f1(m,n) = Äußere_Niere, DANN pi(m,n) = schwarz.
In Fig. 3 wird beispielhaft die Auswertung anhand der 3. und
2. Regel gezeigt. Die dritte Regel lautet:
WENN f0(m, n) ist Hintergrund UND f1(m, n) ist Äußere_Niere,
DANN pi(m, n) ist weiß.
Für diese Regel sind die Zugehörigkeitsfunktionen für die er
ste linguistische Eingangsvariable, die dem Grauwert eines
ersten Nachbarpixels entspricht, und die Zugehörigkeitsfunk
tionen einer zweiten linguistischen Eingangsvariablen f1, die
dem Grauwert eines zweiten Nachbarpixels entspricht, einge
zeichnet. Ein erster Grauwert f0 liefert dabei über die Zuge
hörigkeitskurve für den linguistischen Wert "Hintergrund"
(background) einen Zugehörigkeitswert µ = 1. Der Grauwert f1
des zweiten Nachbarpixels liefert über die Zugehörigkeits
funktion des linguistischen Wertes "Äußere_Niere"
(outer_kidney) einen Zugehörigkeitswert µ = 0,7. Die UND-Funk
tion in der Regel wird hier durch eine Minimumbildung MIN
realisiert, wobei also der Zugehörigkeitswert 0,7 ausgewählt
wird. Ferner sind auch die Ausgangszugehörigkeitsfunktionen
für die linguistischen Werte "schwarz" und "weiß" der lingui
stischen Ausgangsvariablen pi(m, n) dargestellt, wobei die
Zugehörigkeitsfunktion für den lingustischen Ausgangswert
"weiß" auf das Niveau 0,7 abgeschnitten wird.
In ähnlicher Weise sind die Zusammenhänge für die zweite Re
gel:
WENN f0(m, n) ist "Hintergrund" UND f1(m, n) ist
"Innere_Niere",
DANN pi(m, n) ist "schwarz".
DANN pi(m, n) ist "schwarz".
Wie in Fig. 3 dargestellt, wobei der Grauwert f0 des ersten
Nachbarpixels wieder über die Zugehörigkeitsfunktion zum lin
guistischen Wert "Hintergrund" den Wert Eins liefert und der
Grauwert f1 für das zweite Nachbarpixel über die Zugehörig
keitsfunktion für den linguistischen Wert "Innere_Niere" den
Wert 0,3 liefert, der auch gleichzeitig das Ergebnis der Mi
nimumbildung MIN ist. Da bei der zweiten Regel der linguisti
sche Wert der linguistischen Ausgangsvariablen "schwarz" ist,
wird hier die Zugehörigkeitsfunktion für den linguistischen
Wert "schwarz" auf den Wert 0,3 begrenzt. Aus den so gewonne
nen Ausgangsfunktionswerten wird jeweils der maximale Wert
ermittelt und zur Ermittelung einer Gesamtzugehörigkeitsfunk
tion herangezogen.
Aus der Gesamtzugehörigkeitsfunktion wird nun mit Hilfe eines
Defuzzifikationsverfahrens ein scharfer Ausgangswert COX er
mittelt. Üblicherweise wird hierzu die Schwerpunktsmethode
(center of gravity method oder COG-Methode) verwandt, bei der
im Diagramm Gesamtzugehörigkeit über pi(m, n) die Koordinate
pi(m, n) des Schwerpunktes der Fläche zwischen der Gesamtzu
gehörigkeitsfunktion und der pi(m, n)-Achse ermittelt wird.
Dies hat jedoch zur Folge, daß die scharfen Ausgangswerte COX
sehr viele unterschiedliche Grauwerte als Ergebnis aufweisen.
Wird jedoch bei der Defuzzifikation nicht die pi(m, n)-Ko
ordinate des Schwerpunkts, sondern die pi(m, n)-Koordinate
des ersten Maximums herangezogen, also ein sogenanntes "first
maximum-Verfahren" FM angewandt, wie dies auch in Fig. 3 zur
Ermittlung des Wertes COX angedeutet ist, so ergeben sich
weitaus weniger viele verschiedene Grauwerte für den scharfen
Ausgangswert COX, was dann auch zu einer besseren Segmentie
rung des Bildes führt. Zum Vergleich sind in Fig. 5A die
Häufigkeitsverteilung H1 der Grauwerte G' für das COG-Ver
fahren und in Fig. 5B die Häufigkeitsverteilung H2 der
Grauwerte für das sogenannte first maximum-Verfahren FM dar
gestellt, wobei deutlich wird, daß beim letzteren Defuzzifi
kationsverfahren nur ganz wenig diskrete Grauwerte G auftre
ten.
In Fig. 4 ist zeichnerisch ein Computertomogramm einer Niere
angedeutet, das neben einem Hintergrundbereich HINTERGRUND
die Bereiche ÄUSSERE_NIERE und INNERE_NIERE aufweist, wobei
die Bereiche INNERE_NIERE innerhalb des Bereiches
ÄUSSERE_NIERE liegen und Hintergrundbereiche 1 und 2 an einen
Teil der Bereiche INNERE_NIERE angrenzen.
Durch einen besonderen Satz von Regeln, hier durch die 2. und
4. Regel im obigen Regelsatz, kann erreicht werden, daß Hin
tergrundbereiche 1 und 2, vorteilhafterweise nicht zu Kontur
linien führen. Beim Beispiel der zu segmentierenden Niere be
deutet dies, daß wirklich nur die Konturlinien der inneren
Niere und der äußeren Niere extrahiert werden und nicht ir
gendwelche Aussparungen, beispielsweise durch benachbarte Or
gane, auch konturiert werden. Der Vorteil besteht also darin,
daß das Bild durch unerwünschte Konturlinien nicht unüber
sichtlich wird und somit weniger Auswertungsfehlern entste
hen.
Claims (4)
1. Verfahren zum Finden von Objektkonturen in Bildern durch
eine elektronische Recheneinheit,
- - bei dem eine Helligkeitsnormalisierung eines Originalbildes (OI) mit Hilfe der Extremwerte einer Grauwertverteilung (H) des Originalbildes durchgeführt wird,
- - bei dem pro Bildpunkt des so normalisierten Bildes (NI) gleichzeitig mit einem ersten Fuzzy-Detektions-Verfahren (FEDH) zum Finden von horizontalen Kanten, einem zweiten Fuz zy-Detektions-Verfahren (FEDV) zum Finden von vertikalen Kan ten, einem dritten Fuzzy-Detektions-Verfahren (FED1) zum Fin den einer Diagonale mit positiver Steigung und einem vierten Fuzzy-Detektions-Verfahren (FED2) zum Finden von Diagonalen mit negativer Steigung vier scharfe Ausgangswerte (CO1, . . . CO4) gebildet werden, wobei jeweils ein erster und, ein zwei ter Grauwert (f0(m,n), f1(m,n)) von Nachbarbildpunkten eines jeweiligen Bildpunktes ((m,n)) als scharfe Eingangsgrößen zu geführt werden),
- - bei dem aus diesen zum jeweiligen Bildpunkt gehörigen scharfen Ausgangswerten ein scharfer Mittelwert (CM) durch Bildung des arithmetischen Mittels ermittelt wird und
- - bei dem aus allen scharfen Mittelwerten eine Kontur (C) mit einheitlichem Grauwert dadurch gebildet wird, daß für al le scharfen Mittelwerte eine Schwellenwertbildung (GT) durch geführt wird, wobei abhängig vom scharfen Mittelwert den Bildpunkten der Kontur entweder ein erster oder ein zweiter Grauwert von insgesamt zwei Grauwerten zugeordnet wird.
2. Verfahren nach Anspruch 1,
bei dem bei den vier Fuzzy- Detektions-Verfahren jeweils bei
einer Defuzzifikation nur das erste Maximum (FM) der Gesamt
zugehörigkeitsfunktion den jeweiligen scharfen Ausgangswert
(CO1, . . . CO4) liefert.
3. Verwendung des Verfahrens nach Anspruch 1 oder 2,
bei der die Bilder Computertomogramme und die Objektkonturen
die Konturen von tierischen oder menschlichen Organen sind.
4. Verwendung nach Anspruch 3,
bei der das Orginalbild Hintergrundbereiche "Hintergrund",
innere Organbereiche "Innere_Niere" und äußere Organbereiche
"Äußere_Niere" aufweist und bei der bei den vier Fuzzy-De
tektions-Verfahren eine Verarbeitung nach den Fuzzy-Regeln.
- 1. WENN f0 = Hintergrund UND f1 = Hintergrund, DANN pi = schwarz
- 2. WENN f0 = Hintergrund UND f1 = Innere_Niere, DANN pi = schwarz
- 3. WENN f0 = Hintergrund UND f1 = Äußere_Niere, DANN pi = weiß
- 4. WENN f0 = Innere_Niere UND f1 = Hintergrund, DANN pi = schwarz
- 5. WENN f0 = Innere_Niere UND f1 = Innere_Niere, DANN pi = schwarz
- 6. WENN f0 = Innere_Niere UND f1 = Äußere_Niere, DANN pi = weiß
- 7. WENN f0 = Äußere_Niere UND f1 = Hintergrund, DANN pi = weiß
- 8. WENN f0 = Äußere_Niere UND f1 = Innere_Niere, DANN pi = weiß
- 9. WENN f0 = Äußere_Niere UND f1 = Äußere_Niere, DANN pi = schwarz
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19726827A DE19726827C1 (de) | 1997-06-24 | 1997-06-24 | Verfahren zum Finden von Objektkonturen in Bildern und dessen Verwendung zum Finden von Organkonturen in Computertomogrammen |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19726827A DE19726827C1 (de) | 1997-06-24 | 1997-06-24 | Verfahren zum Finden von Objektkonturen in Bildern und dessen Verwendung zum Finden von Organkonturen in Computertomogrammen |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19726827C1 true DE19726827C1 (de) | 1998-12-03 |
Family
ID=7833522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19726827A Expired - Fee Related DE19726827C1 (de) | 1997-06-24 | 1997-06-24 | Verfahren zum Finden von Objektkonturen in Bildern und dessen Verwendung zum Finden von Organkonturen in Computertomogrammen |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19726827C1 (de) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0722149A1 (de) * | 1995-01-13 | 1996-07-17 | STMicroelectronics S.r.l. | Hough-Transform mit Fuzzy-Gradient und Wahl |
WO1997009690A1 (en) * | 1995-09-05 | 1997-03-13 | Northrop Grumman Corporation | Data dimensional sieving and fuzzy connectivity for mri image analysis |
-
1997
- 1997-06-24 DE DE19726827A patent/DE19726827C1/de not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0722149A1 (de) * | 1995-01-13 | 1996-07-17 | STMicroelectronics S.r.l. | Hough-Transform mit Fuzzy-Gradient und Wahl |
WO1997009690A1 (en) * | 1995-09-05 | 1997-03-13 | Northrop Grumman Corporation | Data dimensional sieving and fuzzy connectivity for mri image analysis |
Non-Patent Citations (2)
Title |
---|
F. RUSSO, G. RAMPONI "Edge Extraction by FIRE Operators" 3rd IEEE Conference on Fuzzy Systems, Orlando 1994, June, S. 249-253 * |
T. LAW, H. ITOH, H. SEKI "Image Filtering, Edge Detection and Edge Tracing Using Fuzzy Reasoning" in: IEEE Transactions on pattern analysis and machine intelligence, Vol. 18, No. 5, May 1996, S. 481-491 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69828909T2 (de) | Neue perzeptive lokale gradientenbasierte gratbestimmung | |
DE19521346C2 (de) | Bilduntersuchungs/-Erkennungsverfahren, darin verwendetes Verfahren zur Erzeugung von Referenzdaten und Vorrichtungen dafür | |
DE69432995T2 (de) | Automatisches Verfahren und System zur Segmentierung medizinischer Bilder | |
DE69630935T2 (de) | Bilverarbeitungsverfahren und -vorrichtung zur automatischen Erfassung von Bereichen eines vorbestimmten Krebstyps in einem Intensitätsbild | |
EP1316057B1 (de) | Auswerten von kantenrichtungsinformation | |
DE10312018B4 (de) | System und Verfahren zur Ultraschall-Bildverarbeitung | |
DE69530566T2 (de) | Hough-Transform mit Fuzzy-Gradient und Wahl | |
WO2000010119A1 (de) | Verfahren zum erkennen von objekten in digitalisierten abbildungen | |
EP0925682B1 (de) | Verfahren zur detektion von kanten in einem bildsignal | |
DE19634768A1 (de) | Vorrichtung und Verfahren zur Erfassung eines Gesichts in einem Videobild | |
WO1995009403A1 (de) | Verfahren zur segmentation von digitalen farbbildern | |
DE3406618A1 (de) | Verfahren und vorrichtung zum bestimmen der grenze eines objekts | |
DE10048029A1 (de) | Verfahren zur Berechnung einer zwei Abbildungen verbindenden Transformation | |
DE102004033156A1 (de) | Bewegungserfassung unter Verwendung einer Mehrauflösungsbildverarbeitung | |
DE102006020430A1 (de) | Verfahren und Einrichtung zur Rauschreduktion in einer Sequenz fluoroskopischer Bilder | |
DE102007040070A1 (de) | Bilddichteumwandlungsverfahren, Bildverbesserungsverarbeitungseinrichtung und dafür geeignetes Programm | |
DE112011105116T5 (de) | Verfahren und Vorrichtung zur bildinhaltsbasierten automatischen Helligkeitserkennung | |
DE10017551C2 (de) | Verfahren zur zyklischen, interaktiven Bildanalyse sowie Computersystem und Computerprogramm zur Ausführung des Verfahrens | |
DE102005049017B4 (de) | Verfahren zur Segmentierung in einem n-dimensionalen Merkmalsraum und Verfahren zur Klassifikation auf Grundlage von geometrischen Eigenschaften segmentierter Objekte in einem n-dimensionalen Datenraum | |
DE112014001697T5 (de) | Bildverarbeitungsvorrichtung, Bildverarbeitungsprogramm und Betriebsverfahren für Bildverarbeitungsvorrichtung | |
EP0844591A1 (de) | Verfahren zur Bestimmung von Massstabsfaktoren für fraktale Bildkodierung | |
DE19726827C1 (de) | Verfahren zum Finden von Objektkonturen in Bildern und dessen Verwendung zum Finden von Organkonturen in Computertomogrammen | |
DE60207569T2 (de) | Anpassung der energiefunktion in der berechnung in echtzeit von konturen zur bildsegmentierung | |
WO2002093931A2 (de) | Verfahren und vorrichtung zum ermitteln von bewegung in zeitlich aufeinander folgenden digitalen bildern | |
DE10234086A1 (de) | Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8100 | Publication of the examined application without publication of unexamined application | ||
D1 | Grant (no unexamined application published) patent law 81 | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |