CN103218819A - 基于四叉树分解的超声图像最优同质区域自动选取方法 - Google Patents
基于四叉树分解的超声图像最优同质区域自动选取方法 Download PDFInfo
- Publication number
- CN103218819A CN103218819A CN2013101398045A CN201310139804A CN103218819A CN 103218819 A CN103218819 A CN 103218819A CN 2013101398045 A CN2013101398045 A CN 2013101398045A CN 201310139804 A CN201310139804 A CN 201310139804A CN 103218819 A CN103218819 A CN 103218819A
- Authority
- CN
- China
- Prior art keywords
- ultrasonoscopy
- size
- piecemeal
- homogeneous region
- quaternary tree
- 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
Links
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明属于图像处理技术领域,具体为基于四叉树分解的超声图像最优同质区域自动选取方法。本发明首先使用由最大类间方差二值化确定的阈值作为超声图像四叉树分解时的一致性标准;其次按从大到小的顺序依次从分解结果中取出所有当前最大分块,根据最优同质区域分块判决依据进行优选;最后根据判决结果确定是否输出最优同质区域自动选择结果或调整最初二值化阈值以重复执行上述步骤。本发明方法效率高,所需运算时间短;无需人工干预,完全由超声图像数据本身驱动;非常适合用于超声图像斑点降噪、感兴趣区域选取、边界检测、目标分割等处理时对同质区域的确定,具有显著的实际使用效果。
Description
技术领域
本发明属于图像处理技术领域,具体涉及基于四叉树分解的超声图像最优同质区域自动选取方法。
背景技术
超声成像因具有无创、实时、可重复性强、诊疗费用低廉等优点,使其成为了医学影像诊断领域广泛应用且无可替代的成像方式。但是超声图像中无可避免的存在着大量斑点噪声,且图像对比度和分辨率相对较低,使得对超声图像的斑点降噪、边界检测、目标分割等工作成为了医学图像处理领域的热点和难点。而这些工作无一例外地都需要用到对超声图像进行同质区域的选取[1-3]。
以超声图像斑点降噪的经典算法,斑点噪声抑制各向异性扩散(Speckle Reducing Anisotropic Diffusion, SRAD)[4]为例,能否准确选择超声图像同质区域直接关系到该算法实际应用时降噪效果的成败。
为了提高超声图像同质区域选择的准确性,传统做法是在图像处理过程中直接让用户人工选择同质区域,这一方法不仅费时、依赖于人工干预,而且极有可能引入主观变异性,不利于后续的定量分析。而对于需要批量处理的超声序列图像斑点降噪来说,依赖人工选择同质区域的方法更显得不具有可操作性。
根据上述实际需求,本发明采用基于四叉树分解的超声图像最优同质区域自动选取方法,为医学超声图像的斑点降噪、边界检测、目标分割等工作提供了一种高效、自动、准确的超声图像同质区域确定方法。
发明内容
本发明的目的在于提出基于四叉树分解的超声图像最优同质区域自动选取方法,能够高效、自动、准确地确定超声图像同质区域。
本发明的目的在于提出基于四叉树分解的超声图像最优同质区域自动选取方法,首先使用由最大类间方差二值化确定的阈值作为超声图像四叉树分解时的一致性标准;其次按从大到小的顺序依次从分解结果中取出所有当前最大分块,根据最优同质区域分块判决依据进行优选;最后根据判决结果确定是否输出最优同质区域自动选择结果或调整最初二值化阈值以重复执行上述过程。
本发明的具体步骤包括:
步骤1,对输入的超声图像采用基于边界检测的算法计算出其斑点噪声尺寸,并根据斑点噪声尺寸估算出最小同质选区尺寸min Block ;
步骤2,使用最大类间方差二值化算法确定所输入超声图像的最优二值化阈值k * ;
步骤3,判断输入超声图像的宽width、高height尺寸是否满足:width = height = 2 n ,即图像是否正好是一个可以进行四叉树分解的,边长N = 2 n 的正方形;
步骤4,如果输入超声图像尺寸不满足步骤3的条件,则将其进行尺寸扩展,使其刚好能放入一个最小的,边长N = 2 n 的黑色正方形,即将其尺寸使用填充黑色的方法变为适合四叉树分解所需的尺寸,并返回步骤3;
步骤5,如果输入超声图像尺寸满足步骤3的条件,则以二值化阈值k * 作为区域一致性标准,对边长N = 2 n 的正方形超声图像进行四叉树图像分解;
步骤6,从分解结果中,取出所有被标记为当前最大分块的同尺寸分块;
步骤7,判断当前最大分块尺寸是否大于最小同质选区尺寸min Block ;
步骤8,如果当前最大分块尺寸不满足步骤7的条件,则提高二值化阈值:k * = k * ×110%,即使四叉树分解的区域一致性标准降低10%,并返回步骤5,以便得到相对较大的区域划分结果;
步骤9,如果当前最大分块尺寸满足步骤7的条件,则判断是否能从所有当前最大分块中,根据最优同质区域分块判决依据选出最优分块;
步骤10,如果步骤9中判断为不能,则忽略当前最大分块,而将当前次大分块设置为当前最大分块,并返回步骤6;
步骤11,如果步骤9判断为能,则输出最优同质区域自动选择结果。
下面就本发明方法中部分步骤涉及的相关技术细节作进一步的具体描述:
1.在步骤2中,所述使用最大类间方差二值化方法自动确定所输入超声图像的最优二值化阈值k * ,对于输入的超声灰度图像,假设其灰度级为[1, 2, …, L],n i 代表输入超声图像中灰度值为i的像素点个数,像素点总数表示为N = n 1 + n 2+ … + n L 。由阈值k将输入的超声灰度图像分为背景C 0[1, …, k]和目标C 1[k+1, …, L]两类[5]。
(2)
之后,将此最佳二值化阈值k * 作为四叉树图像分解的区域一致性标准。该方法避免了四叉树分解时人为区域一致性标准参数的设定,并能根据输入超声图像本身的特性作自适应的阈值选取,保证了算法在无人工干预的状况下自动执行。
2.在步骤5中,所述使用四叉树算法对边长N = 2 n 的正方形超声图像做基于均匀性检测的图像分割[6],其步骤为:设边长为N = 2 n 的正方形超声图像为I,通过步骤5将其分解为n个子区域,分解过程应满足:公式(8),所有子区域的并集等于超声图像为I;公式(9),任意两相邻子区域的交集为空集;公式(10),任意子区域出现的概率为真;公式(11),任意两相邻子区域的并集出现的概率为假。
(8)
首先将等分为4个待分割区域,然后依次检测每一个待分割区域H是否符合区域一致性标准,即该区域中的所有像素点的灰度最大值与最小值之差小于给定的阈值k * ,即判别公式(14)。公式(12-13)中,是待分割区域H中任意以为横、纵坐标的像素点的灰度值。
(14)
如果满足,则将该待分割区域标记为叶子节点并不再往下分割;否则,将该待分割区域标记为非叶子节点,并将该待分割区域等分为4个新的次级待分割区域。这样递归地不断向下分割,直到每个待分割区域都符合区域一致性标准或者该区域尺寸达到预先设置的最小分割深度为止。
该方法实现了对输入超声图像由粗到细的多尺度分割。对于超声图像非同质区域的交接边缘,四叉树分割的尺度很细,可以得到较小尺寸的分块;而对于平稳的超声图像同质区域内部,四叉树分割尺度粗,可以得到较大尺寸的分块。最终可得到对输入超声图像具有空间自适应性的多尺度分割结果。
3.在步骤5中,使用步骤1所确定的最小同质选区尺寸作为四叉树分解的最小分割深度,使得在四叉树分解过程中,凡是达到该深度的四叉树节点直接被标记为叶子节点而不再往下分割。此方法有效地控制了节点数量,避免了四叉树的过分割,进一步提高了算法的分解速度。
4.在步骤8中,当本轮挑选出的最大分块尺寸小于步骤1所确定的最小同质选区尺寸时,采用负反馈的思想对二值化阈值作出微调,以便从新一轮的四叉树分解结果中得到相对较大的区域划分结果。
5.在步骤9中,使用以下最优同质区域分块判决依据(其重要性依次降低):
1).分块区域内不包含非同质区域的交接边界;
2).分块尺寸大于最小同质选区尺寸,且越大越好;
3).所有分块的最大均值与四叉树分解阈值k * 满足判别公式(15),以此保证由步骤4所人为添加的黑色区域和原超声图像中接近黑色的极暗区域不会被选择成为最优同质区域。其中i为分块编号,为第分块的均值。
与现有技术相比,本发明不仅可以自动从超声图像中挑选出不含非同质区域交接边界的、最大的超声图像同质区域,而且还可以从同类同质区域分块组中优选出单位边界点所造成协方差最大的同质区域。本发明算法效率高,所需运算时间短;无需人工干预,完全由超声图像数据本身驱动;非常适合用于超声图像斑点降噪、感兴趣区域选取、边界检测、目标分割等处理时对同质区域的确定,具有显著的实际使用效果。
附图说明
图1.本发明基于四叉树分解的超声图像最优同质区域自动选取方法流程图。
图2.普通四叉树分解示意图。其中,(a)区域图;(b)二值矩阵;(c)分割结果;(d)分割层次图,节点总数为19。
图3.设置最小分割深度为2×2时的四叉树分解示意图。其中,(a)分割结果;(b)分割层次图,节点总数为10。
图4.仿真实验说明。其中,(a)原始图像;(b)超声仿真图像,信噪比SNR=1.44 dB;(c)斑点降噪结果;(d)降噪后图像的边界检测图;(e)本发明对仿真超声图像最优同质区域自动选择结果,X代表本发明方法的最优同质区域选择结果,H代表人工同质区域选择结果(仿真图像实验以此作为“金标准”)。
图5.使用参考文献4近似求解同质区域、人工选取同质区域和本发明方法自动选取同质区域三种方法的SRAD斑点降噪结果的参数对比。其中,(a)峰值信噪比(PSNR);(b)平均均方误差(MSE);(c)图像佳数(FOM);(d)平均结构相似度(MSSIM)。
图6.使用参考文献4近似求解同质区域、人工选取同质区域和本发明方法自动选取同质区域,3种不同同质区域选择方法的SRAD斑点降噪结果对比。其中,(a)、(b)、(c)、(d)、(e)列分别代表超声仿真图像的信噪比(SNR)为1.83 dB、1.67 dB、1.44 dB、1.24 dB、0.99 dB。从上到下,第1行为超声仿真图像;第2行为超声仿真图像的边界检测结果;第3行为使用参考文献4近似求解同质区域的降噪图像边界检测结果;第4行为人工选取同质区域的降噪图像边界检测结果;第5行为使用本发明方法自动选取同质区域的降噪图像边界检测结果;第6行为使用本发明方法自动选取同质区域的降噪后图像;第7行为本发明对仿真超声图像最优同质区域自动选择结果,图中X分区代表本发明方法的最优同质区域选择结果,H代表人工同质区域选择结果(仿真图像实验以此作为“金标准”)。
图7.本发明与普通四叉树分解对实际超声图像分割结果对比。其中,(a)人为设置四叉树分解阈值试验一,阈值为0.25,节点总数为1981,结果出现过分割;(b)人为设置四叉树分解阈值试验二,阈值为0.65,节点总数为7,结果明出现欠分割;(c)本发明使用最大类间方差二值化自动测算最优分解阈值为0.4706,节点总数为175,得到了较为理想的分割结果;(d)本发明使用最小同质选区尺寸8×8作为四叉树最小分割深度,达到该分割深度就不再向下细分,排除了不需要考虑的无效节点,进一步提高了算法的分解速度。阈值仍为0.4706,节点总数为151。
图8.使用参考文献4近似求解同质区域和本发明方法自动选取同质区域2种方法的SRAD斑点降噪结果对比。其中,(a)原始超声图像;(b)原始超声图像的边界检测结果;(c)使用参考文献4近似求解同质区域的降噪图像;(d)使用参考文献4近似求解同质区域的降噪图像边界检测结果;(e)使用本发明方法自动选取同质区域的降噪后图像;(f)使用本发明方法自动选取同质区域的降噪图像边界检测结果;(g)本发明对实际超声图像最优同质区域自动选择结果,图中X分区代表本发明方法的最优同质区域选择结果。
图9.使用参考文献4近似求解同质区域和本发明方法自动选取同质区域2种方法的SRAD斑点降噪结果对比。其中,(a)原始超声图像;(b)使用参考文献4近似求解同质区域的降噪图像;(c)使用本发明方法自动选取同质区域的降噪后图像。
具体实施方式
对本发明提出的超声图像最优同质区域自动选取方法进行仿真图像和实际超声图像测试。为更直观地测试本发明超声图像同质区域选取方法的有效性,还使用基于超声图像同质区域选取的斑点降噪效果进行了比较。
1.对超声仿真图像同质区域的选取,以及基于同质区域选取的斑点降噪实验。
使用近似求解同质区域、人工选取同质区域和本发明方法自动选取同质区域,3种不同同质区域选择方法对超声仿真图像进行同质区域选取和基于同质区域选取的SRAD斑点降噪对比实验。为客观比较各算法的有效性,采用以下5个标准对图像的处理结果进行量化。
1).信噪比SNR(signal to noise)[7]。SNR反映信号与噪声的比率,SNR越大,信号受噪声的污染越严重。
其中 Y(i, j)表示原始图像,f(i, j)表示滤波后的图像,M、N分别为图像的横向、纵向像素数。
2).平均均方误差MSE(mean square error)。MSE表明滤波器的实际降噪效果。降噪效果越好,则MSE越小[8]。
3).峰值信噪比PSNR(Peak Signal to Noise Ratio)[7]。PSNR单位为dB,反映滤波器对噪声的抑制作用,PSNR值提高越大,就代表滤波器对噪声的滤除效果越好。
4).平均结构相似度MSSIM(mean structure similarity),MSSIM衡量两幅图像的平均结构相似度。μ Y ,μ f ;σ Y ,σ f ;σ Yf 分别表示待比较的两幅图像Y(·)和f(·)内8×8窗的均值、方差和协方差。C 1 =K 1 L,C 2 =K 2 L,L 表示像素值的动态范围,K 1和K 2是常数。对于医学超声图像,L取255,K 1取0.01,K 2取0.03。MSSIM为SSIM的窗平均。MSSIM∈[0,1],越接近1表明处理结果越理想[9]。
5).图像佳数FOM(figure of merit)。FOM表明滤波器边缘保持特性。记N real 和N ideal 为从原始图像Y和滤波图像f中通过 canny 边缘检测[10]得到的理想边缘点数和滤波图像边缘点数,d i 为第i个检测边缘与其最近的理想边缘之间的欧氏距离,则有:
FOM∈[0,1],其值越接近1表明检测到的边缘越理想[4]。
对超声仿真图像同质区域的选取,以及基于同质区域选取的斑点降噪实验结果如图5、6所示。对超声仿真图像同质区域的选取,由于原始图像已知,人工同质区域的选择结果可作为本实验的“金标准”。
由图5峰值信噪比(PSNR)和平均均方误差(MSE)两项参数对比可见,从信噪比1.83 dB到0.99 dB,人工同质区域选取方法均取得了最佳结果。然而,由图5也可发现本发明方法在此两项参数对比中也取得了与人工选取“金标准”近似的结果。同时,对于平均结构相似度(MSSIM)参数,本发明方法还取得了略优于人工选取的结果;而对于图像佳数(FOM)参数,由于本发明方法在使用四叉树方法避免了误选非同质区域交接边界的同时,还使用最优同质区域分块判决依据考虑了分块的大小、协方差、方差、边界点数等因素,所以本发明方法在FOM参数对比中取得了最好的结果,且对于不同信噪比的图像,本发明方法的FOM参数表现较为稳定。
2.对实际超声图像同质区域的选取,以及基于同质区域选取的斑点降噪实验。
使用近似求解同质区域和本发明方法自动选取同质区域,2种不同同质区域选择方法对实际超声仿真图像进行同质区域选取和基于同质区域选取的SRAD斑点降噪对比实验。实验结果如图7、8、9所示。
本发明由于对普通四叉树进行两方面的改进:1).四叉树分割阈值由最大类间方差二值化方法自适应设置;2).将四叉树分解最小深度设置为最小同质区域选区尺寸。
由图7可见,本发明方法相比普通四叉树分解取得了较为理想的分割结果。不仅分解阈值无需人为设置,而且最终分块数量适中,分割结果没有造成过分割和欠分割。分解深度达到8×8后就不再向下细分,排除了不需要考虑的无效节点,进一步提高了算法的分解速度。
由图8、9可见,相比近似求解同质区域方法,本发明方法不仅有效地滤除了斑点噪声,并且较好地保持了超声图像的纹理信息和边缘特性。基于本发明方法的斑点降噪处理得到了同质平滑和边界锐利的降噪图像。
参考文献
[1] Jinhua Yu, Yuanyuan Wang and Yuzhong Shen. "Noise reduction and edge detection via kernel anisotropic diffusion." Pattern Recognition Letters, 2008, 29(10): 1496-1503.
[2] Yongjian Yu, and Scott T. Acton. "Edge detection in ultrasound imagery using the instantaneous coefficient of variation." IEEE Transactions on Image Processing, 2004,13(12): 1640-1655.
[3] Jinhua Yu, and Yuanyuan Wang. "Molecular image segmentation based on improved fuzzy clustering." International journal of biomedical imaging, 2007.
[4] Yongjian Yu, and Scott T. Acton. "Speckle reducing anisotropic diffusion." IEEE Transactions on Image Processing, 2002,11(11): 1260-1270.
[5] Nobuyuki Otsu. "A threshold selection method from gray-level histograms." Automatica, 1975,11: 23-27.
[6] Hanan Samet. "The quadtree and related hierarchical data structures." ACM Computing Surveys (CSUR), 1984,16(2): 187-260.
[7] Damera-Venkata Niranjan. "Image quality assessment based on a degradation model." IEEE Transactions on Image Processing, 2000,9(4): 636-650.
[8] Harry M. Salinas, and Cabrera Fernández. "Comparison of PDE-based nonlinear diffusion approaches for image enhancement and denoising in optical coherence tomography." IEEE Transactions on Medical Imaging, 2007,26(6 ): 761-771.
[9] Zhou Wang. "Image quality assessment: from error visibility to structural similarity." IEEE Transactions on Image Processing, 2004,13(4): 600-612.
[10] John Canny. "A computational approach to edge detection." IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986,6 : 679-698.。
Claims (4)
1. 基于四叉树分解的超声图像最优同质区域自动选取方法,其特征在于,包括以下步骤:
步骤1,对输入的超声图像采用基于边界检测的算法计算出其斑点噪声尺寸,并根据斑点噪声尺寸估算出最小同质选区尺寸min Block ;
步骤2,使用最大类间方差二值化算法确定所输入超声图像的最优二值化阈值k * ;
步骤3,判断输入超声图像的宽width、高height尺寸是否满足:width = height = 2 n ,即图像是否正好是一个可以进行四叉树分解的,边长N = 2 n 的正方形;
步骤4,如果输入超声图像尺寸不满足步骤3的条件,则将其进行尺寸扩展,使其刚好能放入一个最小的,边长N = 2 n 的黑色正方形,即将其尺寸使用填充黑色的方法变为适合四叉树分解所需的尺寸,并返回步骤3;
步骤5,如果输入超声图像尺寸满足步骤3的条件,则以二值化阈值k * 作为区域一致性标准,对边长N = 2 n 的正方形超声图像进行四叉树图像分解;
步骤6,从分解结果中,取出所有被标记为当前最大分块的同尺寸分块;
步骤7,判断当前最大分块尺寸是否大于最小同质选区尺寸min Block ;
步骤8,如果当前最大分块尺寸不满足步骤7的条件,则提高二值化阈值:k * = k * ×110%,即使四叉树分解的区域一致性标准降低10%,并返回步骤5,以便得到相对较大的区域划分结果;
步骤9,如果当前最大分块尺寸满足步骤7的条件,则判断是否能从所有当前最大分块中,根据最优同质区域分块判决依据选出最优分块;
步骤10,如果步骤9中判断为不能,则忽略当前最大分块,而将当前次大分块设置为当前最大分块,并返回步骤6;
步骤11,如果步骤9判断为能,则输出最优同质区域自动选择结果。
2. 根据权利要求1所述的基于四叉树分解的超声图像最优同质区域自动选取方法,其特征在于,步骤5中,所述使用四叉树算法对边长N = 2 n 的正方形超声图像做基于均匀性检测的图像分割,其步骤为:首先将整幅图像等分为4个待分割区域,然后依次检测每一个待分割区域是否符合区域一致性标准,即该区域中的所有像素点的灰度最大值与最小值之差小于给定的阈值;如果符合,则将该区域标记为叶子节点并不再往下分割;否则,将该区域标记为非叶子节点,并将该区域等分为4个新的次级待分割区域;这样递归地不断向下分割,直到每个待分割区域都符合区域一致性标准或者该区域尺寸达到预先设置的最小分割深度为止。
3. 根据权利要求1所述的基于四叉树分解的超声图像最优同质区域自动选取方法,其特征在于,步骤8中,当本轮挑选出的最大分块尺寸小于步骤1所确定的最小同质选区尺寸时,采用负反馈的思想对二值化阈值作出微调,以便从新一轮的四叉树分解结果中得到相对较大的区域划分结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310139804.5A CN103218819B (zh) | 2013-04-20 | 2013-04-20 | 基于四叉树分解的超声图像最优同质区域自动选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310139804.5A CN103218819B (zh) | 2013-04-20 | 2013-04-20 | 基于四叉树分解的超声图像最优同质区域自动选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103218819A true CN103218819A (zh) | 2013-07-24 |
CN103218819B CN103218819B (zh) | 2016-08-03 |
Family
ID=48816562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310139804.5A Expired - Fee Related CN103218819B (zh) | 2013-04-20 | 2013-04-20 | 基于四叉树分解的超声图像最优同质区域自动选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218819B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991660A (zh) * | 2017-03-31 | 2017-07-28 | 云南大学 | 基于改进型八叉树分解的三维超声图像数据抽样方法 |
CN107423760A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于预分割和回归的深度学习目标检测方法 |
CN107518920A (zh) * | 2017-09-30 | 2017-12-29 | 深圳开立生物医疗科技股份有限公司 | 超声波图像处理方法及装置、超声诊断装置及存储介质 |
CN108933944A (zh) * | 2018-06-08 | 2018-12-04 | 玖芯半导体有限公司 | 一种对图像数据进行处理的图像压缩方法 |
CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN110310223A (zh) * | 2019-07-03 | 2019-10-08 | 云南电网有限责任公司电力科学研究院 | 一种紫外光与可见光图像的融合方法 |
CN111107367A (zh) * | 2018-10-26 | 2020-05-05 | 北京字节跳动网络技术有限公司 | 块分割方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5305756A (en) * | 1993-04-05 | 1994-04-26 | Advanced Technology Laboratories, Inc. | Volumetric ultrasonic imaging with diverging elevational ultrasound beams |
CN102592267A (zh) * | 2012-01-06 | 2012-07-18 | 复旦大学 | 基于稀疏表示的医学超声图像滤波方法 |
-
2013
- 2013-04-20 CN CN201310139804.5A patent/CN103218819B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5305756A (en) * | 1993-04-05 | 1994-04-26 | Advanced Technology Laboratories, Inc. | Volumetric ultrasonic imaging with diverging elevational ultrasound beams |
CN102592267A (zh) * | 2012-01-06 | 2012-07-18 | 复旦大学 | 基于稀疏表示的医学超声图像滤波方法 |
Non-Patent Citations (2)
Title |
---|
TIAN JIA-WEI等: "Evaluation of a Novel Segment Algorithm on Radiologist’s Diagnosis of Breast Masses", 《2010 INTERNATIONAL CONFERENCE ON CIRCUIT AND SIGNAL PROCESSING (ICCSP 2010) & 2010 SECOND IITA INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE》 * |
余锦华等: "基于各向异性扩散的图像降噪算法综述", 《电子测量与仪器学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991660A (zh) * | 2017-03-31 | 2017-07-28 | 云南大学 | 基于改进型八叉树分解的三维超声图像数据抽样方法 |
CN106991660B (zh) * | 2017-03-31 | 2019-09-24 | 云南大学 | 基于改进型八叉树分解的三维超声图像数据抽样方法 |
CN107423760A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于预分割和回归的深度学习目标检测方法 |
CN107518920A (zh) * | 2017-09-30 | 2017-12-29 | 深圳开立生物医疗科技股份有限公司 | 超声波图像处理方法及装置、超声诊断装置及存储介质 |
CN107518920B (zh) * | 2017-09-30 | 2020-02-18 | 深圳开立生物医疗科技股份有限公司 | 超声波图像处理方法及装置、超声诊断装置及存储介质 |
CN108933944A (zh) * | 2018-06-08 | 2018-12-04 | 玖芯半导体有限公司 | 一种对图像数据进行处理的图像压缩方法 |
CN111107367A (zh) * | 2018-10-26 | 2020-05-05 | 北京字节跳动网络技术有限公司 | 块分割方法和装置 |
CN111107367B (zh) * | 2018-10-26 | 2023-12-08 | 北京字节跳动网络技术有限公司 | 块分割方法和装置 |
CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN109993726B (zh) * | 2019-02-21 | 2021-02-19 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN110310223A (zh) * | 2019-07-03 | 2019-10-08 | 云南电网有限责任公司电力科学研究院 | 一种紫外光与可见光图像的融合方法 |
CN110310223B (zh) * | 2019-07-03 | 2023-04-07 | 云南电网有限责任公司电力科学研究院 | 一种紫外光与可见光图像的融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103218819B (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218819A (zh) | 基于四叉树分解的超声图像最优同质区域自动选取方法 | |
CN108038476B (zh) | 一种基于边缘检测与sift的人脸表情识别特征提取方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN102982542B (zh) | 一种基于相位一致性的眼底图像血管分割方法 | |
CN101359365A (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
CN107122777A (zh) | 一种基于视频文件的车辆分析***及分析方法 | |
CN107657606A (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
CN106780486A (zh) | 一种钢板表面缺陷图像提取方法 | |
CN110415241A (zh) | 一种基于计算机视觉的混凝土构件表面质量检测方法 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
CN106530311B (zh) | 切片图像处理方法及装置 | |
CN108830857B (zh) | 一种自适应的汉字碑帖图像二值化分割方法 | |
CN111815563B (zh) | 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法 | |
CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
Joshi et al. | Damage identification and assessment using image processing on post-disaster satellite imagery | |
CN110288616B (zh) | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、***及存储介质 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
Widynski et al. | A contrario edge detection with edgelets | |
Lokhande et al. | A survey on document image binarization techniques | |
Guo et al. | Fault diagnosis of power equipment based on infrared image analysis | |
CN111401275B (zh) | 一种用于识别草地边缘的信息处理方法和装置 |
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 | ||
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: 20160803 Termination date: 20190420 |