CN101807297B - 医学超声图像直线检测方法 - Google Patents
医学超声图像直线检测方法 Download PDFInfo
- Publication number
- CN101807297B CN101807297B CN200910005674XA CN200910005674A CN101807297B CN 101807297 B CN101807297 B CN 101807297B CN 200910005674X A CN200910005674X A CN 200910005674XA CN 200910005674 A CN200910005674 A CN 200910005674A CN 101807297 B CN101807297 B CN 101807297B
- Authority
- CN
- China
- Prior art keywords
- straight
- marginal point
- sampling
- ultrasonic image
- alternative
- 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.)
- Active
Links
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种医学超声图像直线检测方法,为了克服现有技术需要人工操作,抗噪性能差,计算量很大且不能实时检测等缺点而发明;包括以下步骤:(1)选取感兴趣区域;(2)对当前的帧图像进行抽样;(3)找出每个抽样样本中的边缘点;(4)使用随机抽样一致性算法对找出的边缘点进行计算,并根据计算结果选取一条直线作为检测到的直线。采用上述方法大大地减少了医学超声图像直线检测处理的计算量,增强了抗噪性,降低了对噪声敏感度,能够很好地消除斑点噪声对检测结果的影响,能够对视频超声图像进行实时、自动的检测。
Description
技术领域
本发明涉及一种医学超声图像直线检测方法。
背景技术
医学超声图像中的直线检测广泛应用于自由臂三维超声成像***的超声标定等其它应用领域。现有的方法主要有全手动检测和基于霍夫变换的直线检测两种方法。全手动的检测方法在检测过程中需要操作人员在每帧图像中选择两个关键点来确定直线,这种方法耗时较长,整个过程都需要人工操作,且检测结果受操作人员主观因素影响较大。基于霍夫变换的检测方法可以实现检测过程的自动化,但这种方法计算量大,不能实现对视频超声图像的实时检测,且抗噪声性能差,对低信噪比图像的检测效果不佳,并且检测结果会受到超声图像中斑点噪声的严重影响。
发明内容
为克服上述缺陷,本发明的目的在于提出一种能对低信噪比的医学超声图像中的直线进行自动检测的方法,并且使图像中的斑点噪声对检测结果的影响尽量小,而且处理过程中的计算量不能太大,使计算机能够对采集到的视频图像进行实时处理。
为达到上述目的,本发明医学超声图像直线检测方法,包括以下步骤:
(1)选取图像中的感兴趣区域;
(2)对当前的帧图像中的感兴趣区域进行抽样;
(3)找出每个抽样样本中的边缘点;
(4)使用随机抽样一致性算法对找出的边缘点进行计算,并根据计算结果选取一条直线作为检测到的直线;
所述步骤(2)具体为:在水平方向上选取处于所述感兴趣区域中的多个单列像素,所选取的每个单列像素为一个抽样样本;或者,预先设定一个正整数N作为采样间隔,然后在水平方向每隔N个像素点垂直选取处于所述感兴趣区域中的单列像素作为一个抽样样本。
优先的,上述步骤(1)具体为:在图像中通过点选形成凸多边形,该凸多边形内的区域为所述感兴趣区域。
优先的,上述步骤(3)具体为:对每个抽样样本进行差分,找出所述每个抽样样本中的边缘点。
优先的,上述步骤(3)具体为:设定一个灰度阈值T1,从差分后的所述每个抽样样本中从上至下选取第一个灰度值超过所述灰度阈值T1的像素点作为边缘点;如果都没有超过所述灰度阈值T1则选取最大灰度值点作为边缘点。
优先的,在上述步骤(2)与步骤(3)之间还包括步骤B:对采集到的所有抽样样本使用低通滤波器进行滤波。
优先的,上述的步骤(4)具体为:
(41)将所述找出的各边缘点两两组合成备选直线;
(42)计算每条所述备选直线的一致点数;
(43)搜索所述备选直线的一致点数的最大值d;
(44)如果只有一条备选直线的一致点数为d,则该条备选直线为检测到的直线;如果有多条备选直线的一致点数都为d,则对其中每条备选直线都计算其d个一致点到该备选直线的距离和,并选取距离和最小的那条备选直线为检测到的直线。
优先的,上述的步骤(42)具体为:
(421)计算每个边缘点到每条备选直线的距离;
(422)将步骤(421)的结果与预先设定的距离阈值T2比较;
(423)针对每条备选直线,统计到该条备选直线的距离小于所述距离阈值T2的边缘点的数量,该数量即为该条备选直线的一致点数。
上述本发明的方法中,通过只对图像中的感兴趣区域进行直线检测来减少计算量,并采取滤波等措施,来抑制噪声对检测结果的影响;并尽量排除图像中无关信息,大大地减少图像处理等操作的计算量,加快了对视频图像的实时检测速度。
附图说明
图1为本发明医学超声图像直线检测方法实施例一的流程框图。
图2为本发明医学超声图像直线检测方法实施例二的流程框图。
图3为本发明医学超声图像直线检测方法实施例三的流程框图。
图4为图2或图3所示的流程框图中“设定感兴趣区域”步骤的示意图。
图5为图1至图3所示的流程框图中“对当前的帧图像进行抽样”步骤的示意图。
图6为图1至图3所示的流程框图中“找出抽样样本中的边缘点”步骤的示意图。
图7为图1至图3所示的流程框图中“使用随机抽样一致性算法对找出的边缘点进行计算,并根据计算结果选取一条直线作为检测到的直线”步骤的示意图。
图8为本发明医学超声图像直线检测方法实施例五的流程框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
实施例1
本发明医学超声图像直线检测方法,如图1所示,包括以下步骤:
101、对当前的帧图像进行抽样;
其中,抽样的过程是这样的:对当前帧图像按照预先设定好的抽样间隔垂直采样。预先设定好一个正整数N作为采样间隔,然后在水平方向每隔N个像素点垂直选取单列像素作为一个抽样样本。直线检测将通过这些抽样样本来实现。
102、找出抽样样本中的边缘点;即:设定一个灰度阈值T1,将抽样样本差分后从上至下选取第一个灰度值超过所述灰度阈值T1的像素点作为边缘点,如果都没有超过所述灰度阈值T1则选取最大灰度值点作为边缘点。
103、使用随机抽样一致性算法对找出的边缘点进行计算,并根据计算结果选取一条直线作为检测到的直线。其方法是:如果有n条抽样样本,那么就有n个边缘点,它们可以两两组合成n*(n-1)/2条备选直线。对这n*(n-1)/2条备选直线,我们计算它们的一致点数:如果某边缘点到某条直线的距离小于预先设定的距离阈值T2,就认为此边缘点与这条备选直线一致;也就是说我们针对每条备选直线,统计到该条备选直线的距离小于所述距离阈值T2的边缘点的数量,该数量即为该条备选直线的一致点数。通过对非一致点的排除,可以很好地消除斑点噪声对最终检测结果的影响。搜索n*(n-1)/2条备选直线相应的一致点数的最大值d。如果只有一条备选直线的一致点数为d,则该条直线为检测到的直线;如果有多条备选直线的一致点数都为d,则对其中每条备选直线都计算其d个一致点到该直线的距离和,并选取距离和最小的那条备选直线为检测到的直线。
本实施例中,通过对当前的图像帧进行抽样,可大大地减少图像处理量。能够实现对视频中每帧图像的实时检测。
实施例2
本发明医学超声图像直线检测方法,如图2所示,包括以下步骤:
201、设定感兴趣区域;
即:在开始实时检测前,通过在屏幕上显示的图像中选取多边形的顶点形成凸多边形(圆形或椭圆形属于凸多边形一种特例,因此本发明中的凸多边形包括圆形或椭圆形),凸多边形内的区域为感兴趣区域,后续的直线检测步骤将只对感兴趣区域内的图像进行。(如图4)
202、对当前的帧图像中的感兴趣区域进行抽样;
抽样的过程是这样的:对当前帧图像按照预先设定好的抽样间隔垂直采样。预先设定好一个正整数N作为采样间隔,然后在水平方向每隔N个像素点垂直选取处于感兴趣区域中的单列像素作为抽样样本。直线检测将通过这些抽样样本来实现。(如图5)
203、找出抽样样本中的边缘点;即:设定一个灰度阈值T1,将抽样样本差分后从上至下选取第一个灰度值超过所述灰度阈值T1的像素点作为边缘点,如果都没有超过所述灰度阈值T1则选取最大灰度值点作为边缘点。(如图6)
204、使用随机抽样一致性算法对找出的边缘点进行计算,并根据计算结果选取一条直线作为检测到的直线。其方法是:如果有n条抽样样本,那么就有n个边缘点,它们可以两两组合成n*(n-1)/2条备选直线。对这n*(n-1)/2条备选直线,我们计算它们的一致点数:如果某边缘点到某条直线的距离小于预先设定的距离阈值T2,就认为此边缘点与这条备选直线一致;也就是说我们针对每条备选直线,统计到该条备选直线的距离小于所述距离阈值T2的边缘点的数量,该数量即为该条备选直线的一致点数。通过对非一致点的排除,可以很好地消除斑点噪声对最终检测结果的影响。搜索n*(n-1)/2条备选直线相应的一致点数的最大值d。如果只有一条备选直线的一致点数为d,则该条直线为检测到的直线;如果有多条备选直线的一致点数都为d,则对其中每条备选直线都计算其d个一致点到该直线的距离和,并选取距离和最小的那条备选直线为检测到的直线。(如图7)
本实施例中,通过只对感兴趣区域进行直线检测来减少计算量,并尽量排除图像中无关信息对直线检测结果的影响,大大加快对视频中每帧图像的实时检测速度。
实施例3
本发明医学超声图像直线检测方法,如图3所示,包括以下步骤:
301、设定感兴趣区域;
即:在开始实时监测前,通过在屏幕显示的图像中选取凸多边形的顶点确定一个凸多边形,凸多边形内的区域为感兴趣区域,后续的直线检测步骤将只对感兴趣区域内的图像进行。(如图4)。
302、对当前的帧图像中的感兴趣区域进行抽样;
抽样的过程是这样的:对当前帧图像按照预先设定好的抽样间隔垂直采样。预先设定好一个正整数N作为采样间隔,然后在水平方向每隔N个像素点垂直选取处于感兴趣区域中的单列像素作为抽样样本。直线检测将通过这些抽样样本来实现。(如图5)
303、对采集到的所有抽样样本使用低通滤波器进行滤波;
这一步可以抑制常规噪声对检测结果的影响。
304、找出抽样样本中的边缘点。对滤波后的抽样样本进行差分;设定一个灰度阈值T1,将差分后的抽样样本从上至下选取第一个灰度值超过所述灰度阈值T1的像素点作为边缘点,如果都没有超过所述灰度阈值T1则选取最大灰度值点作为边缘点。(如图6)
305、使用随机抽样一致性算法对找出的边缘点进行计算,并根据计算结果选取一条直线作为检测到的直线。其方法是:如果有n条抽样样本,那么就有n个边缘点,它们可以两两组合成n*(n-1)/2条备选直线。对这n*(n-1)/2条备选直线,我们计算它们的一致点数:如果某边缘点到某条直线的距离小于预先设定的距离阈值T2,就认为此边缘点与这条备选直线一致;也就是说我们针对每条备选直线,统计到该条备选直线的距离小于所述距离阈值T2的边缘点的数量,该数量即为该条备选直线的一致点数。通过对非一致点的排除,可以很好地消除斑点噪声对最终检测结果的影响。搜索n*(n-1)/2条备选直线相应的一致点数的最大值d。如果只有一条备选直线的一致点数为d,则该条直线为检测到的直线;如果有多条备选直线的一致点数都为d,则对其中每条备选直线都计算其d个一致点到该直线的距离和,并选取距离和最小的那条备选直线为检测到的直线。(如图7)
本实施例中,通过对采集到的所有抽样样本使用低通滤波器进行滤波,从而达到抑制常规的噪声对检测结果的影响的目的,大大地增强了后续检测结果的准确性,减少后续的图像处理量,可进一步加快对视频中每帧图像的实时检测速度。
实施例4
401、设定感兴趣区域;
即:在开始实时监测前,通过在屏幕显示的图像中选取凸多边形的顶点确定一个凸多边形,凸多边形内的区域为感兴趣区域,后续的直线检测步骤将只对感兴趣区域内的图像进行。
402、对当前的帧图像中的感兴趣区域进行抽样;
抽样的过程是这样的:对于当前帧图像,在水平方向随机选取处于感兴趣区域中的多个单列像素,每个单列像素作为一个抽样样本。
403、对采集到的所有抽样样本使用低通滤波器进行滤波;
这一步可以抑制常规的噪声对检测结果的影响。
404、找出抽样样本中的边缘点。对滤波后的抽样样本进行差分;设定一个灰度阈值T1,将差分后的抽样样本从上至下选取第一个灰度值超过所述灰度阈值T1的像素点作为边缘点,如果都没有超过所述灰度阈值T1则选取最大灰度值点作为边缘点。(如图6)
405、使用随机抽样一致性算法对找出的边缘点进行计算,并根据计算结果选取一条直线作为检测到的直线。其方法是:如果有n条抽样样本,那么就有n个边缘点,它们可以两两组合成n*(n-1)/2条备选直线。对这n*(n-1)/2条备选直线,我们计算它们的一致点数:如果某边缘点到某条直线的距离小于预先设定的距离阈值T2,就认为此边缘点与这条备选直线一致;也就是说我们针对每条备选直线,统计到该条备选直线的距离小于所述距离阈值T2的边缘点的数量,该数量即为该条备选直线的一致点数。通过对非一致点的排除,可以很好地消除斑点噪声对最终检测结果的影响。搜索n*(n-1)/2条备选直线相应的一致点数的最大值d。如果只有一条备选直线的一致点数为d,则该条直线为检测到的直线;如果有多条备选直线的一致点数都为d,则对其中每条备选直线都计算其d个一致点到该直线的距离和,并选取距离和最小的那条备选直线为检测到的直线。(如图7)
作为实施例3的变形,本实施例中的步骤402采用非固定间隔来对感兴趣区域进行抽样,也能达到实施例3类似的效果。
实施例5
从上述的各实施例中可以看出,上述的各实施例可以实现对单帧图像的检测。为了实现对视频图像进行实时检测,只需在检测直线完成后,增加一个对下一帧图像进行检测的步骤即可,如图8所示。
综上所述,本发明的方法克服了现有技术需要人工操作,计算量很大且不能实时检测的缺点;增强了抗噪性,降低了对噪声敏感度,能够很好地消除斑点噪声对检测结果的影响,能够对视频超声图像进行自动、实时的检测。
显然,本领域的技术人员可以对本发明的方法进行各种改变而不脱离本发明的精神范围。因此如果这些改变属于本发明权利要求书及其等同技术范围内,则本发明也意图涵盖这些改变。
Claims (7)
1.一种医学超声图像直线检测方法,其特征在于,包括以下步骤:
(1)选取图像中的感兴趣区域;
(2)对当前的帧图像中的感兴趣区域进行抽样;
(3)找出每个抽样样本中的边缘点;
(4)使用随机抽样一致性算法对找出的边缘点进行计算,并根据计算结果选取一条直线作为检测到的直线;
所述步骤(2)具体为:在水平方向上选取处于所述感兴趣区域中的多个单列像素,所选取的每个单列像素为一个抽样样本;或者,预先设定一个正整数N作为采样间隔,然后在水平方向每隔N个像素点垂直选取处于所述感兴趣区域中的单列像素作为一个抽样样本。
2.如权利要求1所述的医学超声图像直线检测方法,其特征在于:所述步骤(1)具体为:在图像中通过点选形成凸多边形,该凸多边形内的区域为所述感兴趣区域。
3.如权利要求1所述的医学超声图像直线检测方法,其特征在于:所述步骤(3)具体为:对每个抽样样本进行差分,找出所述每个抽样样本中的边缘点。
4.如权利要求3所述的医学超声图像直线检测方法,其特征在于:所述步骤(3)具体为:设定一个灰度阈值T1,从差分后的所述每个抽样样本中从上至下选取第一个灰度值超过所述灰度阈值T1的像素点作为边缘点;如果都没有超过所述灰度阈值T1则选取最大灰度值点作为边缘点。
5.如权利要求1至权利要求4任一权利要求所述的医学超声图像直线检测方法,其特征在于:在步骤(2)与步骤(3)之间还包括步骤B:对采集到的所有抽样样本使用低通滤波器进行滤波。
6.如权利要求1至权利要求4任一权利要求所述的医学超声图像直线检测方法,其特征在于:所述的步骤(4)具体为:
(41)将所述找出的各边缘点两两组合成备选直线;
(42)计算每条所述备选直线的一致点数;
(43)搜索所述备选直线的一致点数的最大值d;
(44)如果只有一条备选直线的一致点数为d,则该条备选直线为检测到的直线;如果有多条备选直线的一致点数都为d,则对其中每条备选直线都计算其d个一致点到该备选直线的距离和,并选取距离和最小的那条备选直线为检测到的直线。
7.如权利要求6所述的医学超声图像直线检测方法,其特征在于:所述的步骤(42)具体为:
(421)计算每个边缘点到每条备选直线的距离;
(422)将步骤(421)的结果与预先设定的距离阈值T2比较;
(423)针对每条备选直线,统计到该条备选直线的距离小于所述距离阈值T2的边缘点的数量,该数量即为该条备选直线的一致点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910005674XA CN101807297B (zh) | 2009-02-16 | 2009-02-16 | 医学超声图像直线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910005674XA CN101807297B (zh) | 2009-02-16 | 2009-02-16 | 医学超声图像直线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101807297A CN101807297A (zh) | 2010-08-18 |
CN101807297B true CN101807297B (zh) | 2012-07-25 |
Family
ID=42609080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910005674XA Active CN101807297B (zh) | 2009-02-16 | 2009-02-16 | 医学超声图像直线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101807297B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102920436A (zh) * | 2012-10-25 | 2013-02-13 | 深圳先进技术研究院 | 利用霍夫变换的肌肉图像处理方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184536B (zh) * | 2011-04-19 | 2013-07-10 | 清华大学 | 一种提取图像中直线和/或线段端点的方法及*** |
CN102930274B (zh) * | 2012-10-19 | 2016-02-03 | 上海交通大学 | 一种医学图像的获取方法及装置 |
CN103610473B (zh) * | 2013-11-21 | 2015-04-22 | 海信集团有限公司 | 一种超声影像自适应定位测量方法及装置 |
KR102279026B1 (ko) * | 2014-11-07 | 2021-07-19 | 삼성전자주식회사 | 적어도 하나의 객체를 포함하는 영상에서 객체를 추출하여 보정한 영상을 제공하는 장치 및 방법 |
CN108322699B (zh) * | 2018-01-23 | 2020-02-18 | 东南大学 | 一种基于视频图像检测电弧闪光的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093543A (zh) * | 2007-06-13 | 2007-12-26 | 中兴通讯股份有限公司 | 一种快速响应矩阵二维码图像的校正方法 |
CN101110122A (zh) * | 2007-08-31 | 2008-01-23 | 北京工业大学 | 基于特征的大幅面文化遗产图像拼接方法 |
CN101315698A (zh) * | 2008-06-25 | 2008-12-03 | 中国人民解放军国防科学技术大学 | 基于直线特征图像配准中的特征匹配方法 |
CN101350101A (zh) * | 2008-09-09 | 2009-01-21 | 北京航空航天大学 | 多幅深度图像自动配准方法 |
-
2009
- 2009-02-16 CN CN200910005674XA patent/CN101807297B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093543A (zh) * | 2007-06-13 | 2007-12-26 | 中兴通讯股份有限公司 | 一种快速响应矩阵二维码图像的校正方法 |
CN101110122A (zh) * | 2007-08-31 | 2008-01-23 | 北京工业大学 | 基于特征的大幅面文化遗产图像拼接方法 |
CN101315698A (zh) * | 2008-06-25 | 2008-12-03 | 中国人民解放军国防科学技术大学 | 基于直线特征图像配准中的特征匹配方法 |
CN101350101A (zh) * | 2008-09-09 | 2009-01-21 | 北京航空航天大学 | 多幅深度图像自动配准方法 |
Non-Patent Citations (1)
Title |
---|
桂阳等.基于区域方差和RANSAC的海天线检测新方法.《激光与红外》.2008,第38卷(第11期),正文第1-4节. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102920436A (zh) * | 2012-10-25 | 2013-02-13 | 深圳先进技术研究院 | 利用霍夫变换的肌肉图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101807297A (zh) | 2010-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101807297B (zh) | 医学超声图像直线检测方法 | |
CN111080582B (zh) | 工件内外表面缺陷检测方法 | |
CN106851264B (zh) | 摄像模组镜头表面检测方法及装置 | |
CN101567977B (zh) | 一种闪烁检测方法及其装置 | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN104101600B (zh) | 连铸坯断面微小裂纹检测方法 | |
JP3583684B2 (ja) | 画像欠陥検出装置および画像欠陥検出方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
WO2014136561A1 (ja) | むら検査システム、むら検査方法およびむら検査プログラム | |
CN101165720A (zh) | 医药大输液机器视觉在线检测方法 | |
CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
CN104749801B (zh) | 高精度自动光学检测方法和*** | |
CN110880184A (zh) | 一种基于光流场进行摄像头自动巡检的方法及装置 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN106407894A (zh) | 一种改进基于ldcf的行人检测方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN102109753A (zh) | 自动检测镜头方法 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN106093052A (zh) | 一种断纱检测方法 | |
CN101887066A (zh) | 液滴蒸发速率的测量***及其测量方法 | |
CN104657975B (zh) | 一种视频图像横向条纹扰动检测的方法 | |
US8958598B2 (en) | System and method for detecting moving objects using video capturing device | |
CN103605973A (zh) | 一种图像字符检测鉴别方法 | |
JP5257063B2 (ja) | 欠陥検出方法および欠陥検出装置 |
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 |