CN105261006B - 基于傅里叶变换的医学图像分割算法 - Google Patents
基于傅里叶变换的医学图像分割算法 Download PDFInfo
- Publication number
- CN105261006B CN105261006B CN201510577907.9A CN201510577907A CN105261006B CN 105261006 B CN105261006 B CN 105261006B CN 201510577907 A CN201510577907 A CN 201510577907A CN 105261006 B CN105261006 B CN 105261006B
- Authority
- CN
- China
- Prior art keywords
- image
- current
- size
- gray
- processed
- 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
Classifications
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于傅里叶变换的医学图像分割算法,采用傅里叶变换算法对灰度图像进行分析,获得感兴趣的灰度图像区域,并将感兴趣的灰度图像区域划分为互不重叠的子块,采用区域生长法对当前灰度图像进行分割,综合考虑了所有像素,提高了像素分割的准确性,避免了现有分割方法的不足;采用本发明分割算法对医学图像进行分割,分割效果明显,有利于提高对医学图像及病例判断的准确性,尤其适用于噪声污染较严重和边缘化较模糊的医学图像边缘的准确确定。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于傅里叶变换的医学图像分割算法。
背景技术
手动圈定病灶和使用图像分析软件分割图像是现有的两大类医学图像分割方法。手动方法大多用在比较复杂的场合,严重依赖操作者的病灶判断经验,因此并不适合大部分缺乏相关专业领域经验的操作人员去使用。并且,手动方法分割图像的效率也很低,不适合对大批量图像的分割作业,因此其普及和推广受到限制。使用图像分析软件分割图像,存在对图像分割的精确度和准确性不足的问题,易产生误判,而误判对于病人及家属来说是不可接受的,不利于病人康复,也是大部分医患矛盾的根源。
图像分割是指利用图像信息中某些特征,从图像中提取用户感兴趣目标。对待分割图像进行信息分析,对重要的信息进行特征提取。在进行初始化分割之前,先对图像中各像素提取特征,特征提取后,可以得到一个相应的特征图像,这个特征图像包含三个通道,每个通道对应着一组特征值。但是对不同场景的图像,其特征图像具有不同的特性,例如具有强烈纹理特性的图像,其方向特征会较其他两个特征有更大的对比度;而对于自然场景图像,其颜色和方向的对比度会比较大。概括地说,给定某种一致性属性准则(度量)P,将图像X正确地划分成为互不交迭的区域集{S1,S2,…,Sn}的过程称之为分割,正确分割应满足下列条件:
(3) P(Si)=1(true)
(4) P(Si∪Sj)=0(false)
用作图像分割的度量准则不是唯一的,它与应用场景图像及应用目的有关,用于图像分割的场景图像特征信息有亮度、色彩、纹理、结构、温度、频谱、运动、形状、位置、梯度和模型等。
傅里叶变换是一种正交变换,其是将时域信号分解为不同频率的正弦信号或者余弦函数叠加之和,在一维信号处理中得到了广泛的应用,目前很多学者将该方法应用到图像处理领域,提出图像特征提取分割方法,可以较好地对图像中的相位、幅度、高低频率以及图像分割增强等进行处理。但这类图像特征提取分割难以无法完成对图像关键特征信息的适度提取,同时其分割算法复杂,造成分割的图像的分辨率低,清晰度不高。
发明内容
本发明所要解决的技术问题是:针对现有技术的不足,提供一种对医学图像分割精度高的基于傅里叶变换的医学图像分割算法。
本发明解决上述技术问题所采用的技术方案为:基于傅里叶变换的医学图像分割算法,包括以下步骤:
(1)获取一幅来源于X射线机、CT或核磁共振诊断设备的待分割的医学扫描图像,然后将该待分割的医学扫描图像转换成灰度图像,再采用傅里叶变换算法对灰度图像进行分析,得到初始感兴趣的轮廓{A1,A2,A3,…,An},其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点;
(2)根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域,根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域,定义该方形区域的宽度为W、高度为H,如果W×H能够被u×u整除,则将该方形区域定义为当前灰度图像,然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该方形区域使其尺寸大小能够被u×u整除,将扩展后的方形区域定义为当前灰度图像,然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的方形区域的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H,u取4、5或6;
(3)采用区域生长法对当前灰度图像进行分割,得到当前灰度图像中的多个初步目标区域;
(4)将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域;
(5)从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为u×u的子块,按序对当前初步目标区域对应的每个尺寸大小为u×u的子块进行处理,将当前待处理的尺寸大小为u×u的子块定义为当前子块;
(6)将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,该非线性优化模型为:
其中:表示非线性优化模型输出的信噪比,A为固定周期信号的幅度,f0为固定周期信号的频率,t为布朗粒子的运动时间,ψ为固定周期信号的初相位,m、n均为双稳态势垒实参数,g(t)表示非线性优化模型的输入参数,s为布朗粒子的运动坐标,α为噪声强度,ξ(t)为均值为0的高斯白噪声;
将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后,非线性优化模型输出当前子块中的所有像素点各自的信噪比,如果当前子块中的每个像素点的信噪比与事先存储于数据库中的医学扫描图像的灰度图像中对应像素点的信噪比的误差小于10%,则确定当前子块优化成功,其中,事先存储于数据库中的医学扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同;
(7)将下一个待处理的尺寸大小为u×u的子块作为当前子块,然后返回步骤(6)继续执行,直至当前初步目标区域对应的所有尺寸大小为u×u的子块处理完毕,得到对应的最终目标区域;
(8)将当前灰度图像中下一个待处理的初步目标区域作为当前初步目标区域,然后返回步骤(5)继续执行,直至当前灰度图像中的所有初步目标区域处理完毕,得到当前灰度图像中的多个最终目标区域,至此完成医学扫描图像的分割。
作为优选,步骤(6)中事先存储于数据库中的医学扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为:
(6.1)选取一幅来源于X射线机、CT或核磁共振诊断设备的具有代表性的医学扫描图像,然后将该医学扫描图像转换为灰度图像;
(6.2)定义该灰度图像的宽度为W、高度为H,如果W×H能够被u×u整除,则将该灰度图像作为待处理灰度图像,然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像作为待处理灰度图像,然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H,u取4、5或6;
(6.3)手动圈定待处理灰度图像中的每个目标区域;
(6.4)计算待处理灰度图像中的每个目标区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。
与现有技术相比,本发明的优点在于:本发明公开的基于傅里叶变换的医学图像分割算法,采用傅里叶变换算法对灰度图像进行分析,获得感兴趣的灰度图像区域,并将感兴趣的灰度图像区域划分为互不重叠的子块,采用区域生长法对当前灰度图像进行分割,综合考虑了所有像素,提高了像素分割的准确性,避免了现有分割方法的不足;采用本发明分割算法对医学图像进行分割,分割效果明显,有利于提高对医学图像及病例判断的准确性,尤其适用于噪声污染较严重和边缘化较模糊的医学图像边缘的准确确定。
附图说明
图1为经本发明分割算法分割前的鼻咽癌MRI图像;
图2为经本发明分割算法分割后的鼻咽癌MRI图像。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
对于图1所示的鼻咽癌MRI图像,采用本发明的基于傅里叶变换的医学图像分割算法进行分割,包括以下步骤:
(1)获取图1所示的鼻咽癌MRI图像的扫描图像,然后将该扫描图像转换成灰度图像,再采用傅里叶变换算法对灰度图像进行分析,得到初始感兴趣的轮廓{A1,A2,A3,…,An},其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点;
(2)根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域,根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域,定义该方形区域的宽度为W、高度为H,如果W×H能够被5×5整除,则将该方形区域定义为当前灰度图像,然后直接将当前灰度图像划分成个互不重叠的尺寸大小为5×5的子块;如果W×H不能够被5×5整除,则扩展该方形区域使其尺寸大小能够被5×5整除,将扩展后的方形区域定义为当前灰度图像,然后将当前灰度图像划分成个互不重叠的尺寸大小为5×5的子块,其中,W'和H'对应表示扩展后的方形区域的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H;
(3)采用区域生长法对当前灰度图像进行分割,得到当前灰度图像中的多个初步目标区域;
(4)将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域;
(5)从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为5×5的子块,按序对当前初步目标区域对应的每个尺寸大小为5×5的子块进行处理,将当前待处理的尺寸大小为5×5的子块定义为当前子块;
(6)将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,该非线性优化模型为:
其中:表示非线性优化模型输出的信噪比,A为固定周期信号的幅度,f0为固定周期信号的频率,t为布朗粒子的运动时间,ψ为固定周期信号的初相位,m、n均为双稳态势垒实参数,g(t)表示非线性优化模型的输入参数,s为布朗粒子的运动坐标,α为噪声强度,ξ(t)为均值为0的高斯白噪声;
将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后,非线性优化模型输出当前子块中的所有像素点各自的信噪比,如果当前子块中的每个像素点的信噪比与事先存储于数据库中的医学扫描图像的灰度图像中对应像素点的信噪比的误差小于10%,则确定当前子块优化成功,其中,事先存储于数据库中的医学扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同;
(7)将下一个待处理的尺寸大小为5×5的子块作为当前子块,然后返回步骤(6)继续执行,直至当前初步目标区域对应的所有尺寸大小为5×5的子块处理完毕,得到对应的最终目标区域;
(8)将当前灰度图像中下一个待处理的初步目标区域作为当前初步目标区域,然后返回步骤(5)继续执行,直至当前灰度图像中的所有初步目标区域处理完毕,得到当前灰度图像中的多个最终目标区域,至此完成医学扫描图像的分割。
以上实施例的步骤(6)中,事先存储于数据库中的医学扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为:
(6.1)选取一幅来源于核磁共振诊断设备的具有代表性的鼻咽癌MRI图像的扫描图像,然后将该扫描图像转换为灰度图像;
(6.2)假设该灰度图像的宽度和高度对应为W×H,那么如果W×H能够被5×5整除,则将该灰度图像作为待处理灰度图像,然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为5×5的子块;如果W×H不能够被5×5整除,则扩展该灰度图像使其尺寸大小能够被5×5整除,将扩展后的灰度图像作为待处理灰度图像,然后将待处理灰度图像划分成个互不重叠的尺寸大小为5×5的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H;
(6.3)手动圈定待处理灰度图像中的每个目标区域;
(6.4)计算待处理灰度图像中的每个目标区域对应的每个尺寸大小为5×5的子块中的每个像素点的信噪比。
本发明分割算法中,用到的傅里叶变换算法、区域生长法以及扩展灰度图像的方法均采用现有技术。例如,傅里叶变换算法可以参考“利用傅里叶变换提取图像纹理特征新方法”,徐贵力等,光电工程,第31卷第11期,2004年11月。
对于图1,非线性优化模型的具体参数选择为:保持固定周期信号的幅度A=4、固定周期信号的频率f0=1Hz、固定周期信号的初相位ψ=0不变,并使得噪声强度α取值范围为[0,400],此时令双稳态势垒实参数n=1,并使双稳态势垒实参数m在[1,10]之内进行步进为0.1的变化,同时监控***输出信噪比,当输出信噪比曲线产生特征峰并且峰值为最大值时,即可以确定m=6.5,此时各项参数为最优化选择。
利用本发明分割算法并结合上述具体参数对图1进行分割,分割后的图像见图2,从图2可以明显看出,经本发明算法分割后,图像的分割精度高,图像的边缘信息细节保持地更完整,从而有利于提高对鼻咽癌病例判断的准确性。
Claims (2)
1.基于傅里叶变换的医学图像分割算法,其特征在于,包括以下步骤:
(1)获取一幅来源于X射线机、CT或核磁共振诊断设备的待分割的医学扫描图像,然后将该待分割的医学扫描图像转换成灰度图像,再采用傅里叶变换算法对灰度图像进行分析,得到初始感兴趣的轮廓{A1,A2,A3,…,An},其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点;
(2)根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域,根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域,定义该方形区域的宽度为W、高度为H,如果W×H能够被u×u整除,则将该方形区域定义为当前灰度图像,然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该方形区域使其尺寸大小能够被u×u整除,将扩展后的方形区域定义为当前灰度图像,然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的方形区域的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H,u取4、5或6;
(3)采用区域生长法对当前灰度图像进行分割,得到当前灰度图像中的多个初步目标区域;
(4)将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域;
(5)从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为u×u的子块,按序对当前初步目标区域对应的每个尺寸大小为u×u的子块进行处理,将当前待处理的尺寸大小为u×u的子块定义为当前子块;
(6)将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,该非线性优化模型为:
<mrow>
<mfrac>
<mrow>
<mi>d</mi>
<mi>s</mi>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mi>A</mi>
<mo>&times;</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>&times;</mo>
<msub>
<mi>f</mi>
<mn>0</mn>
</msub>
<mo>&times;</mo>
<mi>t</mi>
<mo>+</mo>
<mi>&psi;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>m</mi>
<mo>&times;</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>n</mi>
<mo>&times;</mo>
<mi>s</mi>
<mo>-</mo>
<mi>m</mi>
<mo>&times;</mo>
<msup>
<mi>s</mi>
<mn>3</mn>
</msup>
<mo>+</mo>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&alpha;</mi>
</mrow>
</msqrt>
<mo>&times;</mo>
<mi>&xi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中:表示非线性优化模型输出的信噪比,A为固定周期信号的幅度,f0为固定周期信号的频率,t为布朗粒子的运动时间,ψ为固定周期信号的初相位,m、n均为双稳态势垒实参数,g(t)表示非线性优化模型的输入参数,s为布朗粒子的运动坐标,α为噪声强度,ξ(t)为均值为0的高斯白噪声;
将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后,非线性优化模型输出当前子块中的所有像素点各自的信噪比,如果当前子块中的每个像素点的信噪比与事先存储于数据库中的医学扫描图像的灰度图像中对应像素点的信噪比的误差小于10%,则确定当前子块优化成功,其中,事先存储于数据库中的医学扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同;
(7)将下一个待处理的尺寸大小为u×u的子块作为当前子块,然后返回步骤(6)继续执行,直至当前初步目标区域对应的所有尺寸大小为u×u的子块处理完毕,得到对应的最终目标区域;
(8)将当前灰度图像中下一个待处理的初步目标区域作为当前初步目标区域,然后返回步骤(5)继续执行,直至当前灰度图像中的所有初步目标区域处理完毕,得到当前灰度图像中的多个最终目标区域,至此完成医学扫描图像的分割。
2.根据权利要求1所述的基于傅里叶变换的医学图像分割算法,其特征在于:步骤(6)中事先存储于数据库中的医学扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为:
(6.1)选取一幅来源于X射线机、CT或核磁共振诊断设备的具有代表性的医学扫描图像,然后将该医学扫描图像转换为灰度图像;
(6.2)定义该灰度图像的宽度为W、高度为H,如果W×H能够被u×u整除,则将该灰度图像作为待处理灰度图像,然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像作为待处理灰度图像,然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H,u取4、5或6;
(6.3)手动圈定待处理灰度图像中的每个目标区域;
(6.4)计算待处理灰度图像中的每个目标区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510577907.9A CN105261006B (zh) | 2015-09-11 | 2015-09-11 | 基于傅里叶变换的医学图像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510577907.9A CN105261006B (zh) | 2015-09-11 | 2015-09-11 | 基于傅里叶变换的医学图像分割算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105261006A CN105261006A (zh) | 2016-01-20 |
CN105261006B true CN105261006B (zh) | 2017-12-19 |
Family
ID=55100679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510577907.9A Active CN105261006B (zh) | 2015-09-11 | 2015-09-11 | 基于傅里叶变换的医学图像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105261006B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102176230B1 (ko) * | 2017-07-14 | 2020-11-09 | 주식회사 엘지화학 | 고분자 막의 분석 방법 |
CN109117837B (zh) * | 2018-07-26 | 2021-12-07 | 上海鹰瞳医疗科技有限公司 | 感兴趣区域确定方法和设备 |
CN109283785B (zh) * | 2018-12-05 | 2022-04-08 | 广东南方瑞美医疗科技有限公司 | 安全型手提式成像仪 |
CN109886985B (zh) * | 2019-01-22 | 2021-02-12 | 浙江大学 | 融合深度学习网络和分水岭算法的图像精确分割方法 |
CN110570394B (zh) * | 2019-08-01 | 2023-04-28 | 深圳先进技术研究院 | 医学图像分割方法、装置、设备及存储介质 |
CN114419066B (zh) * | 2022-01-14 | 2022-12-13 | 深圳市铱硙医疗科技有限公司 | 脑白质高信号分割方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757953A (en) * | 1996-02-29 | 1998-05-26 | Eastman Kodak Company | Automated method and system for region decomposition in digital radiographic images |
CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
CN102651124A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于冗余字典稀疏表示和评价指标的图像融合方法 |
CN103544682A (zh) * | 2013-09-17 | 2014-01-29 | 华中科技大学 | 一种三维超声图像非局部均值滤波方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9213076B2 (en) * | 2012-02-27 | 2015-12-15 | Medimagemetric LLC | System, process and computer-accessible medium for providing quantitative susceptibility mapping |
-
2015
- 2015-09-11 CN CN201510577907.9A patent/CN105261006B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757953A (en) * | 1996-02-29 | 1998-05-26 | Eastman Kodak Company | Automated method and system for region decomposition in digital radiographic images |
CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
CN102651124A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于冗余字典稀疏表示和评价指标的图像融合方法 |
CN103544682A (zh) * | 2013-09-17 | 2014-01-29 | 华中科技大学 | 一种三维超声图像非局部均值滤波方法 |
Non-Patent Citations (1)
Title |
---|
"A novel benzene quantitative analysis method using miniaturized metal ionization gas sensor and non-linear bistable dynamic system";Xuxiang Tang等;《Bioengineered》;20150728;第6卷(第5期);第294-296页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105261006A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261006B (zh) | 基于傅里叶变换的医学图像分割算法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像*** | |
CN111310558A (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN112329588B (zh) | 一种基于Faster R-CNN的管道故障检测方法 | |
Neubert et al. | Evaluation of remote sensing image segmentation quality–further results and concepts | |
CN109978037A (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
CN104657984A (zh) | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 | |
CN109949349B (zh) | 一种多模态三维图像的配准及融合显示方法 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
US7961968B2 (en) | Image density conversion method, image enhancement processor, and program thereof | |
CN103440644A (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN106327451A (zh) | 一种古生物化石的图像修复方法 | |
CN106778793B (zh) | 一种影像特征的可重复性测量方法及装置 | |
CN113223004A (zh) | 一种基于深度学习的肝脏图像分割方法 | |
CN103093449A (zh) | 一种多分辨率融合的射线图像增强方法 | |
CN109410139A (zh) | 一种文物内部和表面病害数字化分析评估方法 | |
CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
CN111815542A (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
Zhang et al. | A combined approach to single-camera-based lane detection in driverless navigation | |
CN105261005A (zh) | 基于多尺度空间模糊聚类的无监督mri图像分割方法 | |
Xing et al. | Research on crack extraction based on the improved tensor voting algorithm | |
CN110084125B (zh) | 一种基于深度学习的农业保险查勘技术方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |