CN105530851A - 图像处理装置、图像处理方法以及图像处理程序 - Google Patents

图像处理装置、图像处理方法以及图像处理程序 Download PDF

Info

Publication number
CN105530851A
CN105530851A CN201380079500.2A CN201380079500A CN105530851A CN 105530851 A CN105530851 A CN 105530851A CN 201380079500 A CN201380079500 A CN 201380079500A CN 105530851 A CN105530851 A CN 105530851A
Authority
CN
China
Prior art keywords
pixel
contour
image
image processing
abnormal portion
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.)
Pending
Application number
CN201380079500.2A
Other languages
English (en)
Inventor
上山都士也
神田大和
北村诚
河野隆志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Olympus Corp
Original Assignee
Olympus Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Olympus Corp filed Critical Olympus Corp
Publication of CN105530851A publication Critical patent/CN105530851A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A61B1/000094—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope extracting biological structures
    • 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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/10068—Endoscopic 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30028—Colon; Small intestine
    • G06T2207/30032—Colon polyp

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Endoscopes (AREA)

Abstract

提供图像处理装置、图像处理方法以及图像处理程序，能够明确地区别从粘膜表面突出的异常部与泡，精度良好地检测异常部。图像处理装置1具有：轮廓提取部110，其从通过拍摄生物体的管腔内而取得的图像中提取多个轮廓像素；特征量计算部130，其计算基于多个轮廓像素的各像素值与该多个轮廓像素间的位置关系的特征量；以及异常部检测部140，其根据该特征量检测异常部。

Description

图像处理装置、图像处理方法以及图像处理程序
技术领域
本发明涉及从拍摄生物体的管腔内而得到的图像中检测异常部的图像处理装置、图像处理方法以及图像处理程序。
背景技术
作为针对通过内窥镜或胶囊型内窥镜等医用观察装置来拍摄生物体的管腔内而得到的图像(以下，称为管腔内图像或者简称为图像)进行的图像处理的技术，专利文献1中公开了如下技术，从管腔内图像中检测粘膜表面的微细构造或血管行进方式的异常部(病变存在候选图像)的技术。更详细而言，在专利文献1中，根据较好地包含关于粘膜的微细构造或血管像的信息的G(绿)成分的图像计算特征量，并使用该特征量和线性判别函数来判别有无异常所见。作为上述特征量，例如使用通过将特定的空间频率成分的图像进行二值化而提取出的区域的形状特征量(面积、沟宽度、周长、圆形度、分支点、端点、分支率等：参照专利文献2)、或因使用加博(Gabor)过滤器的空间频率解析而得到的特征量(参照专利文献3)。并且，线性判别函数例如将根据正常和异常所见的图像计算出的特征量作为示教数据。
现有技术文献
专利文献
专利文献1：日本特开2005-192880号公报
专利文献2：特许第2918162号公报
专利文献3：日本特开2002-165757号公报
发明内容
发明要解决的课题
然而，如果将专利文献1中公开的上述技术应用于像肥大的柔毛(浮肿)或息肉那样从粘膜表面突出的异常部的检测，则有时会错误检测出具有与浮肿等相似的特征的被摄体、具体而言具有圆形的边缘的泡。
本发明是鉴于上述情况而完成的，其目的在于，提供一种图像处理装置、图像处理方法以及图像处理程序，能够明确地区别从粘膜表面突出的异常部与泡，而高精度地检测异常部。
用于解决课题的手段
为了解决上述的课题并达成目的，本发明的图像处理装置的特征在于，其具有：轮廓提取单元，其从通过拍摄生物体的管腔内而取得的图像中提取多个轮廓像素；特征量计算单元，其计算基于所述多个轮廓像素的各像素值与所述多个轮廓像素间的位置关系的特征量；以及异常部检测单元，其根据所述特征量检测所述管腔内的异常部。
本发明的图像处理方法的特征在于，具有如下的步骤：轮廓提取步骤，从通过拍摄生物体的管腔内而取得的图像中提取多个轮廓像素；特征量计算步骤，计算基于所述多个轮廓像素的各像素值与所述多个轮廓像素间的位置关系的特征量；以及异常部检测步骤，根据所述特征量检测异常部。
本发明的图像处理程序的特征在于，使计算机执行如下的步骤：轮廓提取步骤，从通过拍摄生物体的管腔内而取得的图像中提取多个轮廓像素；特征量计算步骤，计算基于所述多个轮廓像素的各像素值与所述多个轮廓像素间的位置关系的特征量；以及异常部检测步骤，根据所述特征量检测异常部。
发明效果
根据本发明，由于根据基于从管腔内图像中提取出的多个轮廓像素的各像素值与位置关系的特征量来检测异常部，因此能够明确地区别从粘膜表面突出的异常部与泡，精度良好地检测异常部。
附图说明
图1是示出本发明的实施方式1的图像处理装置的结构的框图。
图2是示出作为异常部的浮肿的特征的示意图。
图3是示出泡的特征的示意图。
图4是示出图1所示的图像处理装置的动作的流程图。
图5是示出图1所示的特定频率成分提取部所执行的处理的流程图。
图6是示出图1所示的孤立点去除部所执行的处理的流程图。
图7是示出标记环图像的生成例的示意图。
图8示出图1所示的轮廓前端位置设定部所执行的处理的流程图。
图9是用于说明前端区域的设定处理的示意图。
图10是示出图1所示的外接圆计算部所执行的处理的流程图。
图11是用于说明外接圆的中心坐标的计算处理的示意图。
图12是示出图1所示的附近区域设定部所执行的处理的流程图。
图13是用于说明附近区域的取得处理的示意图。
图14是用于说明附近区域的取得处理的示意图。
图15是示出变形例1-1的特定频率成分图像的生成处理的流程图。
图16是示出本发明的实施方式2的图像处理装置的结构的框图。
图17是说明异常部的圆形轮廓中的环绕分布(profile)的图。
图18是示出图16所示的图像处理装置的动作的流程图。
图19是示出图16所示的圆形轮廓提取部所执行的处理的流程图。
图20是示出图16所示的最大值最小值位置计算部所执行的处理的流程图。
图21是说明图16所示的角度计算部计算为特征量的角度的图。
图22是示出本发明的实施方式3的图像处理装置的结构的框图。
图23是说明作为异常部的浮肿中的圆形轮廓上的像素值的特征的示意图。
图24是说明泡中的圆形轮廓上的像素值的特征的示意图。
图25是示出图22所示的图像处理装置的动作的流程图。
图26是示出图22所示的对置位置像素相关值计算部所执行的处理的流程图。
图27是用于说明彼此对置的像素间的像素值的相关值的计算处理的示意图。
图28是示出将彼此对置的像素各自的像素值作为成分的多维空间的图。
具体实施方式
以下，关于本发明的实施方式的图像处理装置、图像处理方法以及图像处理程序，一边参照附图一边进行说明。另外，本发明并不限于这些实施方式。并且，在各附图的记载中，以对相同部分标注相同标号的方式进行图示。
(实施方式1)
图1是示出本发明的实施方式1的图像处理装置的框图。本实施方式1的图像处理装置1作为一例是如下装置：针对通过内窥镜或者胶囊型内窥镜(以下，将它们概括起来简称为内窥镜)对生物体的管腔内进行拍摄而取得的管腔内图像(以下，简称为图像)，实施对从粘膜表面突出的异常部进行检测的图像处理。管腔内图像通常是在各像素位置上对于R(红)、G(绿)、B(蓝)的波长成分(颜色成分)具有规定的(例如256灰度的)像素等级(像素值)的彩色图像。
如图1所示，图像处理装置1具有：控制部10，其控制该图像处理装置1整体的动作；图像取得部20，其取得与由内窥镜拍摄到的图像对应的图像数据；输入部30，其受理从外部输入的输入信号；显示部40，其进行各种显示；记录部50，其保存由图像取得部20取得的图像数据和各种程序；以及运算部100，其针对图像数据进行规定的图像处理。
控制部10通过CPU等硬件而实现，通过读入记录在记录部50中的各种程序，而根据从图像取得部20输入的图像数据和从输入部30输入的操作信号等，对构成图像处理装置1的各部分进行指示或数据的传输等，统括地控制图像处理装置1整体的动作。
图像取得部20根据包含内窥镜的***的形式而适当构成。例如，在与胶囊型内窥镜之间的图像数据的交换中使用移动型的记录介质的情况下，图像取得部20由装卸自如地装配该记录介质且读出所记录的图像的图像数据的读取装置构成。并且，在设置预先保存由内窥镜拍摄到的图像的图像数据的服务器的情况下，图像取得部20由与服务器连接的通信装置等构成，与服务器进行数据通信而取得图像数据。或者，也可以使图像取得部20由从内窥镜经由线缆输入图像信号的接口装置等构成。
输入部30例如通过键盘或鼠标、触摸板、各种开关等输入器件而实现，将受理的输入信号输出到控制部10。
显示部40通过LCD或EL显示器等显示装置而实现，在控制部10的控制下显示包含管腔内图像的各种画面。
记录部50通过能够更新记录的闪速存储器等ROM或RAM这样的各种IC存储器、内设或者由数据通信端子连接的硬盘、或者CD-ROM等信息记录装置及其读取装置等而实现。记录部50除了保存由图像取得部20取得的图像数据之外，还保存用于使图像处理装置1进行动作并且使图像处理装置1执行各种功能的程序和在该程序的执行中所使用的数据等。具体而言，记录部50保存用于从管腔内图像中检测肥大的柔毛或息肉等从粘膜表面突出的异常部的图像处理程序51以及在该程序的执行中使用的各种信息等。
运算部100通过CPU等硬件而实现，通过读入图像处理程序51而实施针对管腔内图像的图像处理，执行从管腔内图像中检测肥大的柔毛或息肉等从粘膜表面突出的异常部的图像处理。
接着，对运算部100的详细的结构进行说明。运算部100具有：轮廓提取部110，其从管腔内图像提取多个轮廓像素；孤立点去除部120，其根据该多个轮廓像素的区域的面积去除孤立点；特征量计算部130，其计算基于多个轮廓像素的各像素值与多个轮廓像素间的位置关系的特征量；以及异常部检测部140，其根据该特征量来检测异常部。
其中，轮廓提取部110具有：特定频率成分提取部111，其从管腔内图像提取具有特定的空间频率成分的区域(例如具有规定的频率以上的空间频率成分的区域)；以及边缘提取部112，其从管腔内图像提取边缘。轮廓提取部110通过使这些特定频率成分提取部111和边缘提取部112中的任意一个进行动作而生成特定频率成分图像或者边缘图像，从而提取轮廓像素。
孤立点去除部120针对由轮廓提取部110提取出的轮廓像素，将构成相同的连接成分的(即，连续的)轮廓像素之间连接起来，将连接后的区域中的面积小于规定的阈值的区域的轮廓像素作为孤立点而去除。
特征量计算部130具有：轮廓前端位置设定部131，其在将轮廓像素之间连接起来得到的各区域(以下，称为轮廓区域)中设定前端位置；外接圆计算部132，其对各轮廓区域的外接圆的中心坐标和半径进行计算；附近区域设定部133，其在外接圆上设定与前端位置对置的位置的附近区域；以及像素值统计量计算部134，其对附近区域内的多个像素的像素值的统计量进行计算，将由像素值统计量计算部134计算出的统计量作为特征量进行输出。
其中，轮廓前端位置设定部131具有最大位置计算部131a，该最大位置计算部131a根据包含在轮廓区域中的多个轮廓像素计算亮度值和梯度强度中的至少一方为最大的轮廓像素的位置，将该轮廓像素的位置设定为该轮廓区域的前端位置。
并且，附近区域设定部133将外接圆计算部132计算出的外接圆的半径用作参数，适当地决定与前端位置对置的位置的附近区域。
异常部检测部140通过将由特征量计算部130计算出的特征量(统计量)与规定的阈值进行比较，而判定轮廓区域是否为异常部。
接着，关于图像处理装置1作为检测对象的异常部，一边参照图2和图3一边进行说明。图2是示出异常部的特征的示意图，图3是示出泡的特征的示意图。
如图2所示，在本实施方式1中，将肥大的柔毛(浮肿)m1检测为异常部。浮肿m1具有如下的构造：前端部m2肥大成圆形，根部m3与粘膜表面m4连接。因此，在管腔内图像中，能够将在前端部m2出现较强的边缘，在作为其对置位置的根部m3不存在边缘的区域作为浮肿m1进行提取。另外，只要是与浮肿m1同样具有从粘膜表面m4突出的构造的被摄体(例如息肉)，能够根据相同的原理进行提取。
另一方面，如图3所示，当从粘膜表面m4的法线方向观察泡m5时，只要不出现噪声和暗部，就会观察到在整个外周没有中断的大致圆形的轮廓。因此，泡m5的轮廓上的各区域m6及其对置区域m6’中都存在较强的边缘。
因此，在本实施方式1中，从管腔内图像提取轮廓区域，根据在该轮廓区域的对置位置是否存在边缘，而判定与轮廓区域对应的管腔内的区域是否为异常部(是浮肿还是泡)。
以下，关于从管腔内图像检测浮肿m1的图像处理方法，一边参照图4一边进行说明。图4是示出图像处理装置1的动作的流程图。
首先，在步骤S01中，运算部100读入记录在记录部50中的图像数据，取得作为处理对象的管腔内图像。
在下一步骤S02中，轮廓提取部110在从管腔内图像提取轮廓时，选择是使特定频率成分提取部111生成特定频率成分图像，还是使边缘提取部112生成边缘图像。这里，特定频率成分是指从管腔内图像内的多个空间频率成分中所选择的规定的频率成分。轮廓提取部110能够根据经由输入部30输入的选择信号，而任意地切换特定频率成分图像的生成与边缘图像的生成。
当在步骤S02中选择特定频率成分图像的情况下，特定频率成分提取部111根据管腔内图像生成特定频率成分图像(步骤S03)。以下，对此时使用傅里叶变换的方法进行说明。
图5是示出特定频率成分提取部111所执行的处理的流程图。首先，在步骤S031中，特定频率成分提取部111将管腔内图像变换成任意的单通道图像。作为构成单通道图像的各像素的像素值，例如使用管腔内图像的R、G、B的各通道成分或颜色比G/R、B/G等。
在下一步骤S032中，特定频率成分提取部111针对单通道图像实施2次元傅里叶变换，生成出将图像空间变换成频率空间的空间频率成分图像。
在下一步骤S033中，特定频率成分提取部111描绘出以空间频率成分图像的中央为中心的半径r1和r2(r1＜r2)的同心圆。
在步骤S034中，特定频率成分提取部111针对空间频率成分图像，将位于半径r1的圆的内部的像素、以及位于半径r2的圆的外部的像素的像素值设定为0，由此提取特定的空间频率成分。在本实施方式中提取作为规定的频率以上的高频成分。
在步骤S035中，特定频率成分提取部111通过针对提取出特定的空间频率成分的空间频率成分图像实施傅里叶逆变换，而将频率空间变换成图像空间。由此，生成只包含特定的空间频率成分的特定频率成分图像。然后，处理返回主程序。
另一方面，当在步骤S02中选择边缘图像的情况下，边缘提取部112根据管腔内图像生成边缘图像(步骤S04)。详细而言，首先，边缘提取部112将管腔内图像变换成例如将R、G、B的各通道或者颜色比G/R、B/G等作为像素值的任意单通道图像。接着，边缘提取部112针对单通道图像实施微分过滤或索贝尔(Sobel)过滤等的边缘提取处理(参考：CG-ARTS協会，「ディジタル画像処理」，第114～117页(エッジ抽出))。
在步骤S05中，轮廓提取部110将特定频率成分图像或者边缘图像内的各像素的像素值与规定的阈值进行比较，将像素值为规定的阈值以下的像素的像素值设定为0，由此取得轮廓提取图像。
在下一步骤S06中，孤立点去除部120从轮廓提取图像中去除被错误检测为轮廓的像素(以下，称为孤立点)。
图6是示出孤立点去除部120所执行的处理的流程图。
在步骤S061中，孤立点去除部120针对轮廓提取图像实施基于规定的阈值的二值化处理。由此，从轮廓提取图像中提取阈值以上的较强边缘的区域。
在下一步骤S062中，孤立点去除部120利用形态处理的闭合(closing)(参考：コロナ社、「モルフォロジー」、第82～90页(濃淡画像への拡張))，针对实施了二值化处理的图像进行区域合并，校正由于噪声的影响引起的孔和中断。另外，作为区域合并处理也可以取代上述形态处理(closing)而应用区域合并法(参考：CG-ARTS協会，「ディジタル画像処理」，第196页)。
在步骤S063中，孤立点去除部120对进行了区域合并的图像进行标记(参考：CG-ARTS協会，「ディジタル画像処理」，第181～182页)，生成包含将构成相同的连接成分的像素之间连接起来的区域(标记区域)的标记图像。图7是示出标记环图像的生成例的示意图。如图7所示，标记图像G1中的标记区域LB1～LB5与轮廓提取图像中的较强边缘的区域对应。
在步骤S064中，孤立点去除部120对标记图像G1内的各标记区域LB1～LB5的面积进行计算。
在步骤S065中，孤立点去除部120将与面积为规定的阈值以下的标记区域对应的轮廓提取图像内的区域的像素值设定为0。例如，在图7所示的标记图像G1的情况下，将与标记区域LB3～LB5对应的轮廓提取图像内的区域的像素值设定为0。由此，从轮廓提取图像中去除虽然边缘较强但面积较小的孤立点。
然后，处理返回主程序。
另外，上述的步骤S064和S065是为了之后接下来的运算处理的精度提高而执行的，也可以省略。
在步骤S06之后的步骤S07中，轮廓前端位置设定部131分别在将轮廓像素之间连接起来的轮廓区域中设定前端区域。图8是示出轮廓前端位置设定部131所执行的处理的流程图。并且，图9是用于说明前端区域的设定处理的示意图。
在步骤S071中，最大位置计算部131a针对轮廓提取图像，将与步骤S063中生成的标记图像的各标记区域对应的区域以外的像素的像素值设定为0。另外，在本实施方式1中，由于从轮廓提取图像中已经去除孤立点(参照步骤S065)，通过该处理，如图9所示那样生成仅有与标记区域LB1、LB2(参照图7)对应的区域C1、C2具有像素值的轮廓提取图像G2。这些区域C1、C2是轮廓区域。
另外，在上述的步骤S065中，也可以将与面积为规定值以上的标记区域对应的区域以外的轮廓提取图像内的区域的像素值设定为0。在该情况下，能够同时地进行步骤S065中的孤立点的去除和步骤S071中的轮廓区域C1、C2的提取。
在下一步骤S072中，最大位置计算部131a在每个轮廓区域C1、C2中取得区域内的像素的像素值，从它们中取得像素值(亮度值)最大的像素的像素值(以下，称为最大像素值)和位置坐标。
这里，通常由于在1个轮廓区域内存在多个具有最大像素值的像素，因此在步骤S073中，最大位置计算部131a通过进行区域合并而将具有最大像素值的相邻的像素之间合并(参考：CG-ARTS協会，「ディジタル画像処理」，第196页)。
在步骤S074中，最大位置计算部131a将在步骤S073中合并的区域中的面积最大的区域设定为该轮廓区域的前端区域。或者，也可以将在步骤S073中合并的区域中的像素值的平均值最大的区域设定为前端区域。例如，在轮廓提取图像G2的情况下，对于轮廓区域C1设定前端区域C1’，对于轮廓区域C2设定前端区域C2’。然后，处理返回主程序。
在步骤S07之后的下一步骤S08中，轮廓前端位置设定部131使以这种方式设定的前端区域与包含该前端区域的轮廓区域所对应的标记区域的标记编号对应起来。
在步骤S09中，外接圆计算部132根据轮廓区域和前端区域的坐标信息，对轮廓区域的外接圆的中心坐标进行计算。图10是示出外接圆计算部132所执行的处理的流程图。并且，图11是用于说明外接圆的中心坐标的计算处理的示意图。
首先，在步骤S091中，外接圆计算部132针对去除了孤立点的轮廓提取图像内的各轮廓区域(例如，在轮廓提取图像G2的情况下，为轮廓区域C1、C2)实施细线化处理(参考：CG-ARTS協会，「ディジタル画像処理」，第185～186页)。图11是示出将图9所示的轮廓区域C2细线化后的区域(以下，称为细线化区域)FL2。
在下一步骤S092中，外接圆计算部132针对在步骤S091中细线化后的细线化区域进行轮廓追踪(参考：CG-ARTS協会，「ディジタル画像処理」，第178～179页)，取得细线化区域的两端点的位置坐标。例如，针对细线化区域FL2分别取得端点Pe1和Pe2的位置坐标(x1，y1)、(x2，y2)。
在步骤S093中，外接圆计算部132对该轮廓区域的前端区域的重心(参考：CG-ARTS協会，「ディジタル画像処理」，第182～183页)的位置坐标进行计算。例如，在轮廓区域C2中，取得前端区域C2’的重心Pg的位置坐标(x3，y3)。
在步骤S094中，外接圆计算部132根据细线化区域的两端点和重心的位置坐标来计算外接圆的中心坐标。使用两端点Pe1、Pe2的位置坐标(x1，y1)、(x2，y2)以及重心Pg的位置坐标(x3，y3)，通过下式(1)和(2)给出中心O的坐标(x0，y0)。
【式1】
x 0 = b 1 c 2 - b 2 c 1 a 1 b 2 - a 2 b 1 ... ( 1 )
y 0 = c 1 a 2 - c 2 a 1 a 1 b 2 - a 2 b 1 ... ( 2 )
其中，
a1＝2(x2-x1)
b1＝2(y2-y1)
c1＝x1 2-x2 2+y1 2-y2 2
a2＝2(x3-x1)
b2＝2(y3-y1)
c2＝x1 2-x3 2+y1 2-y3 2
外接圆计算部132以这种方式计算各轮廓区域(参照图9)的外接圆的中心坐标，按照每个标记编号存储中心坐标。
在步骤S09之后的下一步骤S10中，计算各轮廓区域的外接圆的半径。使用两端点Pe1、Pe2的位置坐标(x1，y1)、(x2，y2)以及重心Pg的位置坐标(x3，y3)，通过下式(3)给出外接圆的半径r。
【式2】
r = 1 2 { ( x 1 - x 2 ) 2 + ( y 1 - y 2 ) 2 } { ( x 2 - x 3 ) 2 + ( y 2 - y 3 ) 2 } { ( x 3 - x 1 ) 2 + ( y 3 - y 1 ) 2 } | x 1 ( y 2 - y 3 ) + x 2 ( y 3 - y 1 ) + x 3 ( y 1 - y 2 ) | ... ( 3 )
外接圆计算部132以这种方式计算各轮廓区域(参照图9)的外接圆的半径，按照每个标记编号存储半径r。
在下一步骤S11中，附近区域设定部133针对各轮廓区域，按照每个标记编号取得在外接圆中与轮廓区域对置的位置的附近区域。图12是示出附近区域设定部133所执行的处理的流程图。并且，图13和图14是用于说明附近区域的取得处理的示意图。
在步骤S111中，附近区域设定部133根据前端区域的重心位置计算轮廓对置位置像素的坐标。具体而言，如图13所示，将前端区域的重心Pg与外接圆CS的中心O连接，将从中心O进一步延伸了半径r的长度的线与外接圆CS之间的交点像素Pc设为轮廓对置位置像素。
在步骤S112中，附近区域设定部133设定将轮廓对置位置像素Pc设为中心的附近区域。这是因为认为仅利用轮廓对置位置像素Pc这一点来判定轮廓区域的对置位置处的边缘的有无在精度上并不优选。
因此，附近区域设定部133取得将轮廓对置位置像素Pc作为中心的规定的区域作为附近区域。具体而言，如图14所示，将从以轮廓对置位置像素Pc作为中心的中心角为θ、半径为rb(rb＞r)的扇形中去除了中心角为θ、半径为ra(ra＜r)的扇形后的宽度为Δr的圆弧状的区域设为附近区域N。
另外，作为附近区域不限于上述的圆弧状的区域，简单地说，例如也可以将以轮廓对置位置像素Pc为中心的矩形区域、圆区域或楕圆区域作为附近区域。此时，也可以按照使附近区域成为尽量沿着外接圆CS的形状的方式，根据外接圆CS的半径r适当地决定矩形区域的1边的长度或圆区域的直径或楕圆区域的轴的长度。
在步骤S12中，像素值统计量计算部134在轮廓提取图像内计算平均值作为每个标记所设定的附近区域内的像素值的统计量。另外，作为统计量除了平均值还可以计算最大值或最频值等。
在步骤S13中，异常部检测部140通过比较在步骤S12中计算出的平均值与规定的阈值，而按照每个标记判定轮廓区域是否是异常部。具体而言，异常部检测部140在平均值大于阈值的情况下，即在与轮廓区域对置的附近区域中存在高频成分或者较强的边缘的情况下，判定为该轮廓区域并不是异常部(即，泡区域)。相反，异常部检测部140在平均值为阈值以下的情况下，即在与轮廓区域对置的附近区域中不存在高频成分或者较强的边缘的情况下，判定为该轮廓区域是浮肿等异常部。
在步骤S14中，运算部100输出异常部的检测结果而记录在记录部50中，并且使显示部40显示检测结果。
像以上说明的那样，根据实施方式1，从管腔内图像提取轮廓区域，根据该轮廓区域内的像素的像素值(亮度值)与位置关系，判定轮廓区域是否是异常部，明确地区别从粘膜表面突出的异常部和泡，能够精度良好地检测异常部。
(变形例1-1)
接着，对实施方式1的变形例1-1进行说明。
在上述实施方式1中，使用傅里叶变换和傅里叶逆变换生成特定频率成分图像。但是，也可以通过DOG(DifferenceofGaussian)生成由特定的频率成分构成的图像。在本变形例1-1中，对基于DOG的特定频率成分图像的生成处理进行说明。图15是示出特定频率成分图像的生成处理的流程图。另外，图15所示的步骤S031’与图5所示的步骤S031对应。
在步骤S031’之后的下一步骤S032’中，特定频率成分提取部111通过进行根据管腔内图像生成的任意的单通道图像与标尺σ＝σ0的高斯函数的卷积运算，而计算平滑化图像Li。这里，符号i是表示运算次数的参数，将i＝1设定为初始值。
在下一步骤S033’中，特定频率成分提取部111通过进行平滑化图像Li与标尺σ＝kiσ0的高斯函数的卷积运算，而计算平滑化图像Li+1。这里，符号k表示高斯函数的增加率。
在步骤S034’中，特定频率成分提取部111进一步判断是否反复进行卷积运算。在反复进行卷积运算的情况下(步骤S034’：是)，特定频率成分提取部111将参数i递增1(i＝i+1，步骤S035’)。然后，处理转移到步骤S033’。
另一方面，在不反复进行卷积运算的情况下(步骤S034’：否)，特定频率成分提取部111取得任意2个平滑化图像Li＝n、Li＝m(n、m是自然数)之间的差分图像(步骤S036’)。然后，处理返回主程序。能够将该差分图像用作步骤S05中的特定频率成分图像。
(变形例1-2)
在上述实施方式1中，将轮廓区域内像素值最大的像素的区域设为前端区域(参照步骤S07)。然而，也可以将轮廓区域内像素值(亮度值)的梯度最大的像素的区域作为前端区域。在该情况下，轮廓前端位置设定部131在每个轮廓区域中取得梯度最大的像素的梯度和位置坐标。此时，在取得了多个梯度最大的像素的情况下，通过接近像素的合并进行区域分割(参考：CG-ARTS協会，「ディジタル画像処理」，第196页)，只要将梯度的平均值最大的区域设定为前端区域即可。
(实施方式2)
接着，对本发明的实施方式2进行说明。
图16是示出实施方式2的图像处理装置的结构的框图。如图16所示，实施方式2的图像处理装置2取代图1所示的运算部100而具有运算部200，该运算部200具有轮廓提取部210、特征量计算部220、异常部检测部230。另外，运算部200以外的图像处理装置2的各部分的结构和动作与实施方式1相同。
轮廓提取部210具有圆形轮廓提取部211，该圆形轮廓提取部211从管腔内图像提取多个轮廓像素，根据该多个轮廓像素来推定这些轮廓像素形成圆周的至少一部分的圆形区域。以下，将通过轮廓提取部210推定出的圆形区域称为圆形轮廓。
特征量计算部220具有：最大值最小值位置计算部221，其计算圆形轮廓上的像素中的、具有最大像素值(以下，称为最大像素值)的像素和具有最小像素值(以下，称为最小像素值)的像素的位置坐标；角度计算部222，其计算在圆形轮廓上将具有最大像素值的像素和具有最小像素值的像素连接起来的线段与具有最大像素值的像素的位置上的法线所成的角度，将角度计算部222计算出的角度作为基于多个轮廓像素的各像素值与位置关系的特征量进行输出。
异常部检测部230根据作为特征量输出的上述角度来判定圆形轮廓是否是异常部。
接着，对图像处理装置2的动作进行说明。
图17是对异常部的圆形轮廓中的环绕分布进行说明的图。在本实施方式2中，通过对从管腔内图像中提取出的轮廓像素适用圆形而推定圆形轮廓，取得圆形轮廓上的像素值变化。这里，如图17所示，在拍摄了浮肿m11的图像中，前端部m12出现较强的边缘，但其对置位置、即与粘膜表面m13连接的根部m14未出现较强的边缘。因此，当对沿着与浮肿m11对应的圆形轮廓m15的像素值变化(以下，称为环绕分布)进行观察时，在具有最大像素值Vmax的像素Pmax的大致对置位置上存在具有最小像素值Vmin的像素Pmin。另外，在图17的左侧的表中，横轴表示将圆形轮廓m15上的轨迹变换成一条直线的情况下的位置坐标。
另一方面，在拍摄了泡的图像中，只要不存在噪声或暗部的影响，就会出现连接成大致圆形的边缘。因此，在与泡对应的圆形轮廓的环绕分布中，包含对置位置在内，像素值的偏差减少，无法观察像浮肿m11的情况这样的像素Pmax与像素Pmin之间的规则性的位置关系。
因此，在本实施方式2中，从在管腔内图像内推定出的圆形轮廓m15的环绕分布中取得具有最大像素值Vmax的像素Pmax和具有最小像素值Vmin的像素Pmin，根据两像素Pmax、Pmin的位置关系，判定与圆形轮廓m15对应的管腔内的区域是否是异常部(是浮肿还是泡)。
图18是示出图像处理装置2的动作的流程图。另外，图18所示的步骤S21与图4的步骤S01对应。
在步骤S21之后的下一步骤S22中，圆形轮廓提取部211从管腔内图像提取轮廓像素，根据该轮廓像素，推定轮廓像素构成圆周的至少一部分的圆形区域。图19是示出圆形轮廓提取部211所执行的处理的流程图。
首先，在步骤S221中，圆形轮廓提取部211将管腔内图像变换成任意的单通道图像。作为单通道图像内的各像素的像素值，例如使用管腔内图像中的R、G、B的各通道或颜色比G/R、B/G等。
在下一步骤S222中，圆形轮廓提取部211针对单通道图像实施拉普拉斯(Laplacian)过滤或索贝尔(Sobel)过滤等的边缘提取处理(参考：CG-ARTS協会，「ディジタル画像処理」，第114～121页)，而计算各像素的像素值的梯度强度。以下，将以计算出的梯度强度作为像素值的图像称为梯度强度图像。
在步骤S223中，圆形轮廓提取部211针对在步骤S222中计算出的梯度强度图像实施二值化处理，提取与规定的阈值相比梯度强度更强的像素(强边缘像素)，由此生成边缘图像。
在步骤S224中，圆形轮廓提取部211通过对边缘图像实施圆适用处理，而推定出沿着强边缘像素(即，轮廓)的圆形区域。作为圆适用处理例如可以使用霍夫(Hough)变换(参考：CG-ARTS協会，「ディジタル画像処理」，第211～214页)等公知的运算处理。这里，霍夫变换是如下的处理：在由圆的半径与圆的中心坐标构成的参数空间中投票初始候选点，根据参数空间中的投票频率来计算用于检测圆形的评价值，根据该评价值进行圆形的判定。或者，也可以取代圆适用处理，例如执行如下的处理：提取蛇形(Snakes，参考：CG-ARTS協会，「ディジタル画像処理」，第197～198页)等边缘作为闭曲线。
以这种方式推定出的圆形的区域被输出为圆形轮廓。然后，处理返回主程序。
在步骤S22之后的下一步骤S23中，轮廓提取部210生成对在步骤S22中推定出的每个圆形轮廓附加了标记的圆形轮廓提取标记图像。详细而言，通过将圆形轮廓中的像素值设定为1，将除此以外的区域的像素值设定为0而生成二值化图像。并且，对该二值化图像进行标记。
在步骤S24中，最大值最小值位置计算部221针对每个标记求出在圆形轮廓中具有最大像素值的像素和具有最小像素值的像素的位置坐标。图20是示出最大值最小值位置计算部221所执行的处理的流程图。
在步骤S241中，最大值最小值位置计算部221在圆形轮廓提取标记图像中进行光栅扫描，决定圆形轮廓上的环绕分布的开始点位置。
在下一步骤S242中，最大值最小值位置计算部221沿着圆形轮廓扫描圆形轮廓提取标记图像，存储与单通道图像对应的像素的像素值和位置坐标。由此，得到环绕分布。要想沿着圆形轮廓进行扫描，可以使用例如轮廓追踪(参考：CG-ARTS協会，「ディジタル画像処理」，第178页)。
在步骤S243中，从环绕分布中提取最大像素值和最小像素值，并且取得具有最大像素值的像素和具有最小像素值的像素的位置坐标。然后，处理返回主程序。
在步骤S24之后的下一步骤S25中，角度计算部222计算表示具有最大像素值的像素与具有最小像素值的像素之间的位置关系的特征量。具体而言，如图21所示，计算圆形轮廓m15上连接了具有最大像素值Vmax的像素Pmax和具有最小像素值Vmin的像素Pmin得到的线段m16与像素Pmax处的法线m17所成的角度α作为特征量。角度计算部222按照每个标记计算这样的角度α并进行存储。
在步骤S26中，异常部检测部230通过对作为特征量计算出的角度α与规定的阈值进行比较，而按照每个标记判别圆形轮廓是否为异常部。具体而言，在角度α大于规定的阈值的情况下即像素Pmax与像素Pmin的位置关系从圆形轮廓m15上的对置位置偏移的情况下，异常部检测部230判定为圆形轮廓并不是异常部(即，是泡)。相反，在角度α为阈值以下的情况下，即像素Pmax与像素Pmin的位置关系接近圆形轮廓m15上的对置位置的情况下，异常部检测部230判定为圆形轮廓是浮肿等异常部。
在步骤S27中，运算部200输出异常部的检测结果而记录在记录部50中，并且使显示部40显示检测结果。
像以上说明的那样，根据实施方式2，由于根据从管腔内图像提取出的轮廓像素推定圆形轮廓，并根据该圆形轮廓中的具有最大像素值的像素与具有最小像素值的像素之间的位置关系来判定该圆形轮廓是否为异常部，因此能够明确地区别从粘膜表面突出的异常部和泡，精度良好地检测异常部。
(变形例2-1)
在上述实施方式2中，对根据管腔内图像生成出的单通道图像中的梯度强度进行计算，根据各像素的梯度强度提取轮廓像素。然而，也可以根据单通道图像生成特定频率成分图像(在本变形例中为高频成分图像)，从该特定频率成分图像中提取轮廓像素。另外，特定频率成分图像的生成处理与实施方式1相同。
(实施方式3)
接着对本发明的实施方式3进行说明。
图22是示出实施方式3的图像处理装置的结构的框图。如图22所示，实施方式3的图像处理装置3取代图16所示的运算部200而具有运算部300，该运算部300具有轮廓提取部210、特征量计算部310、异常部检测部320。另外，运算部300以外的图像处理装置3的各部分的结构和动作与实施方式1相同。并且，在运算部300中，轮廓提取部210的结构和动作与实施方式2相同。
特征量计算部310具有对置位置像素相关值计算部312，该对置位置像素相关值计算部312提取从轮廓提取部210输出的圆形轮廓上的像素和位于与该像素对置位置关系的像素(以下，称为对置位置像素)，对这些对置的像素间的像素值的相关值进行计算，将该相关值的统计量或者分布作为特征量输出。
异常部检测部320根据在圆形轮廓上对置的像素间的像素值的相关值的统计量或者分布，判定圆形轮廓是否为异常部。
接着，对图像处理装置3的动作进行说明。图23是说明作为异常部的浮肿中的圆形轮廓上的像素值的特征的示意图。并且，图24是说明泡中的圆形轮廓上的像素值的特征的示意图。
在本实施方式3中，通过将圆形适用于从管腔内图像提取出的轮廓像素而推定圆形轮廓，取得在圆形轮廓上对置的像素间的像素值的相关值。这里，如图23所示，在拍摄了浮肿m21的图像中，前端部m22出现较强的边缘，但其对置位置、即与粘膜表面m23连接的根部m24未出现较强的边缘。因此，在将浮肿m21的前端部m22与根部m24连接的方向(参照两箭头OP1)上，在圆形轮廓m25上对置的像素间的像素值的差变大。另一方面，在浮肿m21的侧方，与朝向无关地观察大致边缘。因此，在将浮肿m21的侧方之间连接的方向(参照两箭头OP2、OP3)上，在圆形轮廓m25上对置的像素间的像素值的差变小。因此，如果在一周的范围中取得圆形轮廓m25上对置的像素间的像素值的差，则像素值的差较大的像素的组合混杂，且像素值的差的偏差变大。
另一方面，如图24所示，在拍摄了泡m26的图像中，只要不存在噪声或暗部的影响，就会出现与大致圆形连接的边缘。因此，与泡m26对应的圆形轮廓m25上的边缘的强度在哪个位置都是相同程度的。因此，在圆形轮廓m25上对置的像素间的像素值的差与方向(两箭头OP4～OP6)无关，是大致较小的值，并且像素值的差的偏差变小。
因此，在本实施方式3中，在一周的范围中取得在管腔内图像内推定出的圆形轮廓m25上对置的像素间的像素值的相关值(差分)，根据相关值的统计量或者分布，判定与圆形轮廓m25对应的管腔内的区域是否为异常部(是浮肿还是泡)。
图25是示出图像处理装置3的动作的流程图。另外，图25所示的步骤S31～S33与图18的步骤S21～S23对应。另外，在步骤S32中，也可以与变形例2-1同样地从特定频率成分图像中提取轮廓像素。
在步骤S33之后的下一步骤S34中，对置位置像素相关值计算部312计算在各标记的圆形轮廓上彼此对置的像素间的像素值的相关值。图26是示出对置位置像素相关值计算部312所执行的处理的流程图。并且，图27是用于说明相关值的计算处理的示意图。
首先，在步骤S341中，对置位置像素相关值计算部312在圆形轮廓提取标记图像中进行光栅扫描，将具有初始值的像素决定为相关值计算的开始点。在图27中，将像素P1作为开始点。
接着，对置位置像素相关值计算部312在圆形轮廓m25的半周的范围中执行循环A的处理。
在步骤S342中，对置位置像素相关值计算部312取得圆形轮廓m25上的对象像素的像素值及其对置位置像素的像素值，作为成对像素值进行存储。另外，初次将像素P1设定为对象像素。
在步骤S343中，对置位置像素相关值计算部312利用轮廓追踪(参考：CG-ARTS协会，「数字图像处理」，第178页)使对象像素的位置沿着圆形轮廓m25移动规定量。
通过反复进行这些步骤S342、S343，而依次存储对象像素P1、P2、P3、…与对置位置像素Pc1、Pc2、Pc3、…的成对像素值。持续进行这样的处理直到对象像素P1、P2、P3、…网罗圆形轮廓m25的半周为止。
在步骤S344中，对置位置像素相关值计算部312计算各成对像素值的相关值。具体而言，计算彼此对置的像素间的像素值的差的绝对值或者差的平方的值。
然后，处理返回主程序。
在步骤S34之后的下一步骤S35中，特征量计算部310计算在步骤S34中按照每个成对像素值计算出的相关值的统计量。具体而言，计算相关值中的最大值或者相关值的方差等的值。
在步骤S36中，异常部检测部320通过对作为特征量计算出的统计量和阈值进行比较，而按照每个标记判定圆形轮廓是否为异常部。具体而言，在统计量为规定的阈值以上的情况下，异常部检测部320判定为圆形轮廓m25是异常部。相反，在统计量小于规定的阈值的情况下，异常部检测部320判定为圆形轮廓m25不是异常部(即，是泡)。
在步骤S37中，运算部300输出异常部的检测结果并记录在记录部50中，并且使显示部40显示检测结果。
像以上说明的那样，根据实施方式3，根据从管腔内图像中提取出的轮廓推定圆形轮廓，根据该圆形轮廓上对置的像素间的像素值的相关值来判定该圆形轮廓是否为异常部，因此能够明确地区别从粘膜表面突出的异常部和泡，精度良好地检测异常部。
(变形例3-1)
在上述实施方式3中，根据成对像素值间的相关值的统计量进行异常部的判定，但也可以根据成对像素值的分布进行异常部的判定。在本变形例3-1中，对基于成对像素值的分布的异常部的判定处理进行说明。
在该情况下，在通过图26的循环A的处理取得成对像素值之后，如图28所示，特征量计算部310生成在将对象像素的像素值(第1点的像素值)和对置位置像素的像素值(第2点的像素值)作为成分的多维空间中投影了成对像素值的分布。异常部检测部320针对这样的成对像素值的分布，利用例如部分空间法(参考：CG-ARTS協会，「ディジタル画像処理」，第229～230页)等进行异常部的判定处理。具体而言，在图28中，当成对像素值分布在第1点的像素值与第2点的像素值之间的差分较大的区域A1、A2中的情况下，判定为圆形轮廓是异常部。
以上说明的实施方式1～3和它们的变形例的图像处理装置能够通过利用个人计算机或工作站等计算机***执行记录在记录装置中的图像处理程序而实现。并且，也可以经由局域网、广域网(LAN/WAN)、或者互联网等公众线路将这样的计算机***与其他的计算机***或服务器等设备连接而使用。在该情况下，实施方式1～3和它们的变形例的图像处理装置也可以经由这些网络取得管腔内图像的图像数据、或者向经由这些网络连接的各种输出设备(观测仪或打印机等)输出图像处理结果、在经由这些网络而连接的存储装置(记录装置及其读取装置等)中保存图像处理结果。
另外，本发明并不限于实施方式1～3和它们的变形例，通过适当组合各实施方式或变形例中公开的多个结构要素，而能够形成各种发明。例如，也可以从各实施方式或变形例所示的全结构要素中去除几个结构要素而形成，也可以适当组合不同的实施方式或变形例所示的结构要素而形成。
标号说明
1～3：图像处理装置；10：控制部；20：图像取得部；30：输入部；40：显示部；50：记录部；51：图像处理程序；100、200、300：运算部；110、210：轮廓提取部；111：特定频率成分提取部；112：边缘提取部；120：孤立点去除部；130、220、310：特征量计算部；131a：最大位置计算部；131：轮廓前端位置设定部；132：外接圆计算部；133：附近区域设定部；134：像素值统计量计算部；140、230、320：异常部检测部；211：圆形轮廓提取部；221：最大值最小值位置计算部；222：角度计算部；312：对置位置像素相关值计算部。

Claims (12)

1.一种图像处理装置，其具有：
轮廓提取单元，其从通过拍摄生物体的管腔内而取得的图像中提取多个轮廓像素；
特征量计算单元，其计算基于所述多个轮廓像素的各像素值与所述多个轮廓像素间的位置关系的特征量；以及
异常部检测单元，其根据所述特征量检测所述管腔内的异常部。
2.根据权利要求1所述的图像处理装置，其特征在于，
所述轮廓提取单元具有圆形轮廓提取单元，该圆形轮廓提取单元从所述图像中提取多个轮廓像素，推定该多个轮廓像素形成圆周的至少一部分的圆形的区域，
所述特征量计算单元具有最大值最小值位置计算单元，该最大值最小值位置计算单元计算形成所述圆形的轮廓上的像素中的具有最大像素值的像素和具有最小像素值的像素在所述图像上的位置坐标。
3.根据权利要求2所述的图像处理装置，其特征在于，
所述特征量计算单元具有角度计算单元，该角度计算单元计算在形成所述圆形的轮廓上将具有最大像素值的像素和具有最小像素值的像素连接得到的线段与具有所述最大像素值的像素的位置上的法线所形成的角度，
在所述角度为规定值以下的情况下，所述异常部检测单元判定为所述多个轮廓像素的区域是异常部。
4.根据权利要求1所述的图像处理装置，其特征在于，
所述轮廓提取单元具有圆形轮廓提取单元，该圆形轮廓提取单元从所述图像中提取多个轮廓像素，根据该多个轮廓像素推定形成圆形的轮廓，
所述特征量计算单元具有对置位置像素相关值计算单元，该对置位置像素相关值计算单元提取在形成所述圆形的轮廓上彼此对置的像素，计算该彼此对置的像素间的像素值的相关值，
所述异常部检测单元根据所述相关值判定所述多个轮廓像素的区域是否为异常部。
5.根据权利要求4所述的图像处理装置，其特征在于，
所述相关值是所述彼此对置的像素间的像素值的差分的绝对值或者差分的平方值，
在形成所述圆形的轮廓的整周上计算出的所述相关值的统计量为规定的阈值以上的情况下，所述异常部检测单元判定为所述多个轮廓像素的区域是异常部。
6.根据权利要求4所述的图像处理装置，其特征在于，
所述相关值是将所述彼此对置的像素各自的像素值作为成分的多维空间中的分布，
在根据所述分布，彼此对置的像素的像素值的组合分布在所述多维空间内的规定的区域中的情况下，所述异常部检测单元判定为所述多个轮廓像素的区域是异常部。
7.根据权利要求1所述的图像处理装置，其特征在于，
该图像处理装置还具有孤立点去除单元，该孤立点去除单元根据将所述轮廓像素之间连接得到的区域的面积去除孤立点。
8.根据权利要求1所述的图像处理装置，其特征在于，
所述特征量计算单元具有：
轮廓前端位置设定单元，其在将所述轮廓像素之间连接得到的区域即轮廓区域中设定前端位置；
外接圆计算单元，其计算所述轮廓区域的外接圆；
附近区域设定单元，其在所述外接圆上设定与所述前端位置对置的位置的附近区域；以及
像素值统计量计算单元，其计算所述附近区域内的多个像素的像素值的统计量。
9.根据权利要求8所述的图像处理装置，其特征在于，
所述轮廓前端位置设定单元具有最大值像素位置计算单元，该最大值像素位置计算单元根据包含在所述轮廓区域中的所述多个轮廓像素计算亮度值和梯度强度中的至少一方最大的轮廓像素的位置，
将所述最大的轮廓像素的位置设定为所述前端位置。
10.根据权利要求9所述的图像处理装置，其特征在于，
所述异常部检测单元计算所述附近区域内的多个像素的像素值的统计量与所述前端位置的轮廓像素的像素值的统计量之间的相关度，在所述相关度低的情况下判定为所述多个轮廓像素的区域是异常部。
11.一种图像处理方法，其特征在于，包含如下的步骤：
轮廓提取步骤，从通过拍摄生物体的管腔内而取得的图像中提取多个轮廓像素；
特征量计算步骤，计算基于所述多个轮廓像素的各像素值与所述多个轮廓像素间的位置关系的特征量；以及
异常部检测步骤，根据所述特征量检测异常部。
12.一种图像处理程序，其特征在于，该图像处理程序使计算机执行如下的步骤：
轮廓提取步骤，从通过拍摄生物体的管腔内而取得的图像中提取多个轮廓像素；
特征量计算步骤，计算基于所述多个轮廓像素的各像素值与所述多个轮廓像素间的位置关系的特征量；以及
异常部检测步骤，根据所述特征量检测异常部。
CN201380079500.2A 2013-09-13 2013-09-13 图像处理装置、图像处理方法以及图像处理程序 Pending CN105530851A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2013/074903 WO2015037141A1 (ja) 2013-09-13 2013-09-13 画像処理装置、画像処理方法、及び画像処理プログラム

Publications (1)

Publication Number Publication Date
CN105530851A true CN105530851A (zh) 2016-04-27

Family

ID=52665283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380079500.2A Pending CN105530851A (zh) 2013-09-13 2013-09-13 图像处理装置、图像处理方法以及图像处理程序

Country Status (4)

Country Link
US (1) US20160192832A1 (zh)
EP (1) EP3045104A4 (zh)
CN (1) CN105530851A (zh)
WO (1) WO2015037141A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902541A (zh) * 2017-12-10 2019-06-18 彼乐智慧科技（北京）有限公司 一种图像识别的方法及***
CN110678901A (zh) * 2017-05-22 2020-01-10 佳能株式会社 信息处理设备、信息处理方法和程序
CN112766481A (zh) * 2020-03-13 2021-05-07 腾讯科技（深圳）有限公司 神经网络模型的训练方法、装置及图像检测的方法
CN116277037A (zh) * 2023-05-19 2023-06-23 泓浒(苏州)半导体科技有限公司 一种晶圆搬运机械臂控制***及方法
US11922615B2 (en) 2017-05-22 2024-03-05 Canon Kabushiki Kaisha Information processing device, information processing method, and storage medium

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6618269B2 (ja) * 2015-04-17 2019-12-11 学校法人 東洋大学 粒径測定システムおよび粒径測定方法
WO2019235298A1 (ja) * 2018-06-07 2019-12-12 富士フイルム株式会社 画像診断支援装置、画像診断支援方法、及び画像診断支援プログラム
CN112000538B (zh) * 2019-05-10 2023-09-15 百度在线网络技术（北京）有限公司 页面内容的显示监测方法、装置、设备及可读存储介质
CN111311552B (zh) * 2020-01-20 2023-05-16 华南理工大学 一种柔性ic基板圆形金面缺失情况下的圆轮廓检测方法
CN117409001B (zh) * 2023-12-14 2024-04-05 合肥晶合集成电路股份有限公司 一种晶圆键合的气泡分析方法及分析装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007244517A (ja) * 2006-03-14 2007-09-27 Olympus Medical Systems Corp 医療用画像処理装置及び医療用画像処理方法
JP2007244518A (ja) * 2006-03-14 2007-09-27 Olympus Medical Systems Corp 画像解析装置及び画像解析方法
CN101166456A (zh) * 2005-04-27 2008-04-23 奥林巴斯医疗株式会社 图像处理装置、图像处理方法及图像处理程序
JP2009297450A (ja) * 2008-06-17 2009-12-24 Olympus Corp 画像処理装置、画像処理プログラムおよび画像処理方法
US20130208958A1 (en) * 2011-07-12 2013-08-15 Olympus Medical Systems Corp. Image processing apparatus

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2918162B2 (ja) 1988-11-02 1999-07-12 オリンパス光学工業株式会社 内視鏡画像処理装置
JP4450973B2 (ja) 2000-11-30 2010-04-14 オリンパス株式会社 診断支援装置
JP2004222776A (ja) * 2003-01-20 2004-08-12 Fuji Photo Film Co Ltd 異常陰影候補検出装置
JP4652694B2 (ja) 2004-01-08 2011-03-16 オリンパス株式会社 画像処理方法
JP4891637B2 (ja) * 2006-03-14 2012-03-07 オリンパスメディカルシステムズ株式会社 画像解析装置
JP5242381B2 (ja) * 2006-03-16 2013-07-24 オリンパスメディカルシステムズ株式会社 医療用画像処理装置及び医療用画像処理方法
JP5576782B2 (ja) * 2010-12-16 2014-08-20 オリンパス株式会社 画像処理装置、画像処理方法、及び画像処理プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101166456A (zh) * 2005-04-27 2008-04-23 奥林巴斯医疗株式会社 图像处理装置、图像处理方法及图像处理程序
JP2007244517A (ja) * 2006-03-14 2007-09-27 Olympus Medical Systems Corp 医療用画像処理装置及び医療用画像処理方法
JP2007244518A (ja) * 2006-03-14 2007-09-27 Olympus Medical Systems Corp 画像解析装置及び画像解析方法
JP2009297450A (ja) * 2008-06-17 2009-12-24 Olympus Corp 画像処理装置、画像処理プログラムおよび画像処理方法
US20130208958A1 (en) * 2011-07-12 2013-08-15 Olympus Medical Systems Corp. Image processing apparatus

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110678901A (zh) * 2017-05-22 2020-01-10 佳能株式会社 信息处理设备、信息处理方法和程序
CN110678901B (zh) * 2017-05-22 2023-11-10 佳能株式会社 信息处理设备、信息处理方法和计算机可读存储介质
US11922615B2 (en) 2017-05-22 2024-03-05 Canon Kabushiki Kaisha Information processing device, information processing method, and storage medium
CN109902541A (zh) * 2017-12-10 2019-06-18 彼乐智慧科技（北京）有限公司 一种图像识别的方法及***
CN109902541B (zh) * 2017-12-10 2020-12-15 彼乐智慧科技（北京）有限公司 一种图像识别的方法及***
CN112766481A (zh) * 2020-03-13 2021-05-07 腾讯科技（深圳）有限公司 神经网络模型的训练方法、装置及图像检测的方法
CN112766481B (zh) * 2020-03-13 2023-11-24 腾讯科技（深圳）有限公司 神经网络模型的训练方法、装置及图像检测的方法
CN116277037A (zh) * 2023-05-19 2023-06-23 泓浒(苏州)半导体科技有限公司 一种晶圆搬运机械臂控制***及方法
CN116277037B (zh) * 2023-05-19 2023-07-25 泓浒(苏州)半导体科技有限公司 一种晶圆搬运机械臂控制***及方法

Also Published As

Publication number Publication date
EP3045104A4 (en) 2017-04-26
WO2015037141A1 (ja) 2015-03-19
EP3045104A1 (en) 2016-07-20
US20160192832A1 (en) 2016-07-07

Similar Documents

Publication Publication Date Title
CN105530851A (zh) 图像处理装置、图像处理方法以及图像处理程序
Hernandez-Matas et al. FIRE: fundus image registration dataset
Navarro et al. Accurate segmentation and registration of skin lesion images to evaluate lesion change
Lalonde et al. Fast and robust optic disc detection using pyramidal decomposition and Hausdorff-based template matching
CN102243762B (zh) 图像处理装置以及图像处理方法
Miri et al. Retinal image analysis using curvelet transform and multistructure elements morphology by reconstruction
Chung et al. Jigsaw puzzle solver using shape and color
Mahfouz et al. Fast localization of the optic disc using projection of image features
CN104363815B (zh) 图像处理装置以及图像处理方法
Fiorese et al. VirtualShave: automated hair removal from digital dermatoscopic images
CN102314605A (zh) 图像处理装置以及图像处理方法
CN108510502A (zh) 基于深度神经网络的黑色素瘤图片组织分割方法和***
CN105740750A (zh) 指纹活体检测及识别方法与装置
CN101488224B (zh) 基于相关性度量的特征点匹配方法
CN108257125B (zh) 一种基于自然场景统计的深度图像质量无参考评价方法
CN104036521A (zh) 一种新的视网膜眼底图像分割方法
CN104732520A (zh) 一种胸部数字影像的心胸比测量算法及***
CN112164043A (zh) 一种用于多眼底图像拼接的方法及***
CN105828691A (zh) 图像处理装置、图像处理方法和图像处理程序
CN104077775A (zh) 一种结合骨架特征点和形状上下文的形状匹配方法及装置
CN108876772A (zh) 一种基于大数据的肺癌图像诊断***及方法
Hassan et al. Skin lesion segmentation using gray level co-occurance matrix
CN116718599B (zh) 一种基于三维点云数据的表观裂缝长度测量方法
CN106372593B (zh) 一种基于血管收敛的视盘区定位方法
Islam et al. A new image quality index and it’s application on MRI image

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160427