DE4435796C1 - Verfahren zur automatischen Erkennung von Kanten und Durchmessern in Bildern - Google Patents
Verfahren zur automatischen Erkennung von Kanten und Durchmessern in BildernInfo
- Publication number
- DE4435796C1 DE4435796C1 DE4435796A DE4435796A DE4435796C1 DE 4435796 C1 DE4435796 C1 DE 4435796C1 DE 4435796 A DE4435796 A DE 4435796A DE 4435796 A DE4435796 A DE 4435796A DE 4435796 C1 DE4435796 C1 DE 4435796C1
- Authority
- DE
- Germany
- Prior art keywords
- image line
- convolution kernel
- correlation
- diameter
- convolution
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Description
Die Erfindung betrifft ein Verfahren zur automatischen Erken
nung von Kanten und Durchmessern in Bildern, vorzugsweise
Röntgenbildern, durch digitale Bildauswertung.
In der Röntgentechnik und auch in anderen medizintechnischen
bildgebenden Verfahren besteht die Aufgabe, bei digitalen
oder digitalisierten Aufnahmen Kanten und Durchmesser automa
tisch zu erkennen, um z. B. in der Angiographie Gefäßstenosen
feststellen zu können. Es sind Verfahren zur automatischen
Durchmesserbestimmung bekannt, die jedoch bei sehr kleinen
Durchmessern versagen.
In Sing-Tze Bow "Pattern Recognition" Marcel Dekker 1984,
Seiten 232-239, ist ein statistisches Verfahren zur Bildver
besserung beschrieben, bei dem eine Faltung angewendet wird.
In Informatik-Fachberichte 107 "Mustererkennung 1985", Sprin
ger-Verlag 1985, Seiten 196-200, ist ein allgemeiner Vor
schlag beschrieben, wie Fuzzy Sets angewendet werden könnten,
ohne daß hierzu detaillierte Angaben gemacht sind. In
Informatik-Fachberichte 219 "Mustererkennung 1989", Springer-
Verlag 1989, Seiten 201-209, und Informatik-Fachberichte 254
"Mustererkennung 1990", Springer-Verlag 1990, Seiten 493-502,
sind Verfahren zur Hervorhebung von Bildstrukturen und zur
Erkennung geometrischer Muster beschrieben.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren der
eingangs genannten Art zu schaffen, das es erlaubt, die Kan
tenlage und Durchmesser mit höchster Zuverlässigkeit zu be
stimmen, und zwar insbesondere auch bei sehr kleinen Durch
messern, wobei die Fehler minimiert sind.
Diese Aufgabe ist erfindungsgemäß gelöst durch die Merkmale
des Patentanspruches 1.
Gegenüber dem Stand der Technik ergeben sich bei dem erfin
dungsgemäßen Verfahren folgende Verbesserungen:
- 1. Verwendung eines seitenspezifischen Faltungskerns (Templates).
- 2. Verwendung der Korrelation statt der einfachen Konvolu
tion mit zwei Vorteilen:
- 2.1 Normierung des Faltungsergebnisses mit den Standard abweichungen von Daten und Template auf den definier ten Wertebereich zwischen 0 und 1.0 zur Bestimmung des besten Matchs.
- 2.1 Damit auch Ausgleich der Pegelabhängigkeit vom Signalhintergrund.
- 2.3 Optimales Signal-Rauschverhältnis = minimale Quadrat fehlersumme.
- 3. Suboptimale Realisierung dieser Korrelationsfunktion durch Normierung mit σf², wodurch die Rechenzeit mehr als halbiert wird.
- 4. Verfeinerung der Kantenerkennung auf dieser optimal sta bilen Basis durch Einzelanalyse der verbleibenden kleinen Pixelmenge in einem problemadaptiven Verfahren.
- 5. Umsetzung der Verfeinerung, vorzugsweise mittels eines neuronalen Fuzzy-Netzes.
Für die Objekterkennung erfolgt die Korrelation der Bildzei
len mit einem seitenspezifischen Faltungskern. Eine Kante
wird jeweils dort angenommen, wo der Kern dem Gefäßprofil am
ähnlichsten ist, d. h. wo die Korrelationsfunktion ein Maximum
besitzt. Der Durchmesser ergibt sich direkt aus dem Abstand
der seitenspezifischen Maximapositionen.
Mit der optimierten Korrelation können trotz einer Operator
größe von fünf Pixeln links und rechts Gefäße ab einem Durch
messer von vier Pixeln differenziert und gemessen werden.
Die Erfindung beinhaltet nun noch den weiteren wesentlichen
Gedanken, daß die einzelnen Pixelwerte von Objekten, deren
Durchmesser sich im Grenzbereich bewegen, zusätzlich z. B. mit
einem densitometrischen Schwellwertverfahren untersucht wer
den. Für diese feinsten Strukturen wurde ein adaptives Ver
fahren für wenige Pixel entwickelt.
Die Erfindung ist nachfolgend anhand der in den Fig. 1 bis 4
dargestellten Kurven näher erläutert.
In der Fig. 1 bezeichnen die Pfeile 1 und 2 den Hintergrund
und der Pfeil 3 das Gefäß in einem röntgenologischen Bild.
Nach Hintergrundsubtraktion ergibt sich ein Kurvenverlauf ge
mäß Fig. 2. Basierend auf den bei der Korrelation gefundenen
Kanten wird ein Objekt-/Gefäßprofil bestimmt, einer Hinter
grundskorrektur unterzogen und dann das Maximum des Profils
berechnet.
Liegen die Grauwerte oberhalb einer prozentualen Schwelle von
z. B. 75% dieses Maximums, so werden sie dem Gefäß zugeordnet,
liegen sie unterhalb dieser Schwelle, so werden sie dem Hin
tergrund zugeordnet und die mit der Korrelation gefundene
Kante wird an dieser Position korrigiert.
Die Fig. 3 und 4 zeigen beispielsweise das durch die Linie 4
gekennzeichnete Maximum und die durch die Linie 5 gekenn
zeichnete Schwelle. Die Fig. 3 zeigt die Kantenerkennung mit
dem Korrelationsverfahren bei einem Gefäß unter vier Pixel
und die Fig. 4 die Kantenkorrektur über das Schwellwert
verfahren.
Dabei werden zusätzlich über Entscheidungstabellen die Zusam
menhänge der Pixel vom Objektrand zum gegenüberliegenden Ob
jektrand berücksichtigt und je nach Ergebnis als zugehörig
zum Objekt oder zum Rauschen bzw. Bildhintergrund klassifi
ziert.
Genauso können Regeln für eine pixelweise oder sogar sub
pixelweise Klassifikation automatisch und verallgemeinert
mittels der Technik der neuronalen Netze ermittelt werden,
wobei die Fuzzy-Erweiterung vor allem Rauscheffekten, beson
ders dem Röntgen-Rauschen Rechnung tragen kann. Ergebnis die
ses Ansatzes ist ein neuronales Netzwerk, das in ähnlicher
Weise Hyper-Resolution ermöglicht wie beim zuvor erläuterten
adaptiven Ansatz.
Claims (2)
1. Verfahren zur automatischen Erkennung von Kanten und Durch
messern in Bildern durch digitale Bildauswertung mit folgen
den Verfahrensschritten:
Verwendung eines seitenspezifischen Faltungskerns,
Verwendung der Korrelation statt der einfachen Konvolution, wobei der Durchmesser direkt aus dem Abstand der seitenspe zifischen Maximapositionen nach folgender Beziehung berechnet wird: r(k) Korrelationsmaß in Position k
g(i) Faltungskern
i i = 1 . . . n, n = Länge des Kerns
f(i+k) Grauwerte aus einer Bildzeile (senkrecht zum Gefäß)
mittlerer Grauwert der Bildzeile
mittlerer Wert des Faltungskerns
σf, σg Standardabweichung innerhalb der Bildzeile f bzw. des Kerns g.Normierung des Faltungsergebnisses mit den Standardabweichun gen von Daten und Faltungskern auf den definierten Wertebe reich zwischen -1.0 und 1.0 zur Bestimmung des besten Matchs,
Realisierung der Korrelationsfunktion durch Normierung mit σf², wobei σf die Standardabweichung innerhalb einer Bild zeile f ist,
Einzelanalyse der verbleibenden kleinen Pixelmenge in einem problemadaptiven Verfahren.
Verwendung eines seitenspezifischen Faltungskerns,
Verwendung der Korrelation statt der einfachen Konvolution, wobei der Durchmesser direkt aus dem Abstand der seitenspe zifischen Maximapositionen nach folgender Beziehung berechnet wird: r(k) Korrelationsmaß in Position k
g(i) Faltungskern
i i = 1 . . . n, n = Länge des Kerns
f(i+k) Grauwerte aus einer Bildzeile (senkrecht zum Gefäß)
mittlerer Grauwert der Bildzeile
mittlerer Wert des Faltungskerns
σf, σg Standardabweichung innerhalb der Bildzeile f bzw. des Kerns g.Normierung des Faltungsergebnisses mit den Standardabweichun gen von Daten und Faltungskern auf den definierten Wertebe reich zwischen -1.0 und 1.0 zur Bestimmung des besten Matchs,
Realisierung der Korrelationsfunktion durch Normierung mit σf², wobei σf die Standardabweichung innerhalb einer Bild zeile f ist,
Einzelanalyse der verbleibenden kleinen Pixelmenge in einem problemadaptiven Verfahren.
2. Verfahren nach Anspruch 1, bei dem die Einzelanalyse mit
tels eines neuronalen Fuzzy-Netzes erfolgt.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4435796A DE4435796C1 (de) | 1994-10-06 | 1994-10-06 | Verfahren zur automatischen Erkennung von Kanten und Durchmessern in Bildern |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4435796A DE4435796C1 (de) | 1994-10-06 | 1994-10-06 | Verfahren zur automatischen Erkennung von Kanten und Durchmessern in Bildern |
Publications (1)
Publication Number | Publication Date |
---|---|
DE4435796C1 true DE4435796C1 (de) | 1995-12-07 |
Family
ID=6530142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4435796A Expired - Fee Related DE4435796C1 (de) | 1994-10-06 | 1994-10-06 | Verfahren zur automatischen Erkennung von Kanten und Durchmessern in Bildern |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE4435796C1 (de) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0822515A1 (de) * | 1996-07-31 | 1998-02-04 | Koninklijke Philips Electronics N.V. | Verfahren zur automatischen Segmentierung von numerischen Bildern und Vorrichtung zur Ausführung dieses Verfahrens |
EP1486918A2 (de) * | 2003-06-10 | 2004-12-15 | hema electronic GmbH | Verfahren zur adaptiven Fehlererkennung auf einer inhomogenen Oberfläche |
EP1489557A2 (de) * | 2003-06-10 | 2004-12-22 | hema electronic GmbH | Verfahren zur adaptiven Kantenerkennung |
DE10326035A1 (de) * | 2003-06-10 | 2005-01-13 | Hema Elektronik-Fertigungs- Und Vertriebs Gmbh | Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche |
DE10326032B4 (de) * | 2003-06-10 | 2006-08-31 | Hema Electronic Gmbh | Verfahren zum Selbsttest eines Bildverarbeitungssystems |
US7369694B2 (en) | 2002-11-25 | 2008-05-06 | Siemens Aktiengesellschaft | Method and medical device for the automatic determination of coordinates of images of marks in a volume dataset |
DE102007051967A1 (de) * | 2007-10-31 | 2009-05-07 | Adc Automotive Distance Control Systems Gmbh | Detektor und Verfahren zum Erkennen einer Fahrspurbegrenzung |
-
1994
- 1994-10-06 DE DE4435796A patent/DE4435796C1/de not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
BOW, Sing-Tze: "Pattern Recognition" Marcel Dekker 1984, pp. 232-239 * |
Informatik-Fachberichte 107 "Mustererkennung 1985", Springer-Verlag 1985, S. 196-200 * |
Informatik-Fachberichte 219 "Mustererkennung 1989", Springer-Verlag 1989, S. 201-209 * |
Informatik-Fachberichte 254, "Mustererkennung 1990", Springer-Verlag 1990, S. 493-502 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0822515A1 (de) * | 1996-07-31 | 1998-02-04 | Koninklijke Philips Electronics N.V. | Verfahren zur automatischen Segmentierung von numerischen Bildern und Vorrichtung zur Ausführung dieses Verfahrens |
US7369694B2 (en) | 2002-11-25 | 2008-05-06 | Siemens Aktiengesellschaft | Method and medical device for the automatic determination of coordinates of images of marks in a volume dataset |
DE10326033B4 (de) * | 2003-06-10 | 2005-12-22 | Hema Electronic Gmbh | Verfahren zur adaptiven Fehlererkennung auf einer inhomogenen Oberfläche |
DE10326035A1 (de) * | 2003-06-10 | 2005-01-13 | Hema Elektronik-Fertigungs- Und Vertriebs Gmbh | Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche |
DE10326033A1 (de) * | 2003-06-10 | 2005-01-13 | Hema Elektronik-Fertigungs- Und Vertriebs Gmbh | Verfahren zur adaptiven Fehlererkennung auf einer inhomogenen Oberfläche |
DE10326031A1 (de) * | 2003-06-10 | 2005-01-13 | Hema Elektronik-Fertigungs- Und Vertriebs Gmbh | Verfahren zur adaptiven Kantenerkennung |
EP1489557A2 (de) * | 2003-06-10 | 2004-12-22 | hema electronic GmbH | Verfahren zur adaptiven Kantenerkennung |
DE10326035B4 (de) * | 2003-06-10 | 2005-12-22 | Hema Electronic Gmbh | Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche |
DE10326031B4 (de) * | 2003-06-10 | 2005-12-22 | Hema Electronic Gmbh | Verfahren zur adaptiven Kantenerkennung |
EP1489557A3 (de) * | 2003-06-10 | 2006-05-31 | hema electronic GmbH | Verfahren zur adaptiven Kantenerkennung |
EP1486918A3 (de) * | 2003-06-10 | 2006-05-31 | hema electronic GmbH | Verfahren zur adaptiven Fehlererkennung auf einer inhomogenen Oberfläche |
DE10326032B4 (de) * | 2003-06-10 | 2006-08-31 | Hema Electronic Gmbh | Verfahren zum Selbsttest eines Bildverarbeitungssystems |
EP1486918A2 (de) * | 2003-06-10 | 2004-12-15 | hema electronic GmbH | Verfahren zur adaptiven Fehlererkennung auf einer inhomogenen Oberfläche |
DE102007051967A1 (de) * | 2007-10-31 | 2009-05-07 | Adc Automotive Distance Control Systems Gmbh | Detektor und Verfahren zum Erkennen einer Fahrspurbegrenzung |
US8355540B2 (en) | 2007-10-31 | 2013-01-15 | Adc Automotive Distance Controls Systems Gmbh | Detector and method for identifying a road lane boundary |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19521346C2 (de) | Bilduntersuchungs/-Erkennungsverfahren, darin verwendetes Verfahren zur Erzeugung von Referenzdaten und Vorrichtungen dafür | |
DE4416801C2 (de) | Verfahren zur Mustererkennung | |
DE60307967T2 (de) | Bildverarbeitungsverfahren für die untersuchung des erscheinungsbildes | |
DE3441162C2 (de) | Einrichtung zum Korrigieren von Kontrastverlusten bei angiographischen Bilddarstellungen | |
DE102006038776A1 (de) | Verfahren, Einrichtung und Computerprogramm zur Gefäßkonturdetektion unter Anwendung von Röntgen-Densitometrie | |
DE19614975A1 (de) | Gesichtsbildverarbeitungssystem | |
DE3505331C2 (de) | Verfahren und Gerät zur Vermessung des bei der Eindringhärteprüfung in einer Probe hinterlassenen Eindrucks | |
DE3840257A1 (de) | Verfahren und vorrichtung zur automatischen beurteilung von unterschieden zwischen normalen und abnormalen lungen | |
DE4418217A1 (de) | Formerkennungsverfahren | |
DE19743220A1 (de) | Verfahren und Vorrichtung zur dreidimensionalen Bildrekonstruktion mit maximaler Intensitätsprojektion bei einem Computer-Tomographie-System | |
DE4435796C1 (de) | Verfahren zur automatischen Erkennung von Kanten und Durchmessern in Bildern | |
DE3824326A1 (de) | Verfahren und einrichtung zum rekonstruieren in ct-abtastern unter verwendung divergierender strahlen | |
DE3537638C2 (de) | Verfahren und Einrichtung zum Reduzieren von Geräuschartefakten | |
DE102019211656A1 (de) | Bestimmung eines Verschleißgrades eines Werkzeugs | |
DE102008023915A1 (de) | Verfahren zur Einstellung von wenigstens einer Stellgröße eines Entrauschungsfilters in medizinischen Bildern | |
DE69831032T2 (de) | Verfahren und Vorrichtung zur Zeichenerkennung | |
DE19648017A1 (de) | Verfahren zur Bestimmung von Maßstabsfaktoren für fraktale Bildkodierung | |
DE102016206071B4 (de) | Verfahren und Röntgenbildgebungsgerät zur automatischen Regelung der Belichtung bei einer Röntgenbildgebung | |
WO2002023492A2 (de) | Verfahren zur klassifizierung von dokumenten | |
DE3429155C2 (de) | Einrichtung zum Minimieren von Nichtkoplanaritäts-Artefakten | |
WO2010028789A1 (de) | Verfahren und röntgencomputertomograf zur zerstörungsfreien prüfung von aus materiallagen aufgebauten objekten mittels röntgencomputertomografie | |
WO2000028470A2 (de) | Erzeugen eines abgerollten fingerabdruckbildes aus einer serie von einzelbildern | |
AT408377B (de) | Verfahren und vorrichtung zur prüfung bzw. untersuchung von gegenständen | |
DE102008032686B4 (de) | Verfahren zur Verbesserung des Kontrastes von Bildern, insbesondere Grauwertbildern und Vorrichtung zu seiner Durchführung | |
DE2753043C2 (de) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8100 | Publication of patent without earlier publication of application | ||
D1 | Grant (no unexamined application published) patent law 81 | ||
8320 | Willingness to grant licences declared (paragraph 23) | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |