CN108648195A - 一种图像处理方法及装置 - Google Patents
一种图像处理方法及装置 Download PDFInfo
- Publication number
- CN108648195A CN108648195A CN201810437266.0A CN201810437266A CN108648195A CN 108648195 A CN108648195 A CN 108648195A CN 201810437266 A CN201810437266 A CN 201810437266A CN 108648195 A CN108648195 A CN 108648195A
- Authority
- CN
- China
- Prior art keywords
- sequence
- sectioning
- image
- feature
- target object
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像处理方法及装置,该方法包括:获取目标对象对应的多个连续的切片图像,以形成切片图像序列;提取所述切片图像序列的序列特征,并提取所述切片图像的内部特征,其中所述序列特征为表征多个所述切片图像之间关联的特征;根据所述序列特征和所述内部特征获取所述目标对象的分割图。该方法能够对多个聚集在一起的对象进行图像分割,并且能够将每个目标对象的特征进行更加完整的图像显示,并且形成的分割图的质量较高,提高了利用目标对象的分割图而对目标对象进行分析的效率。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种图像处理方法及装置。
背景技术
目前在图像处理领域中,特别是在多个对象聚集在一起时,提取其中的一个或多个目标对象的质量较高的分割图非常困难,会导致获得的分割图质量较差,目标对象的特征不能完全体现出来,从而影响基于目标对象的分割图而对目标对象本身进行分析。例如在使用医疗器械对人体内部的各个器官进行图像分析时,由于人体的多个器官距离较近或者前后叠加,因此获取各个器官的质量较高的分割图非常困难。
发明内容
本发明实施例的目的在于提供一种图像处理方法及装置,该方法能够对多个聚集在一起的对象进行图像分割,并且能够将每个目标对象的特征进行更加完整的图像显示,提高了利用目标对象的分割图而对目标对象进行分析的效率。
为了解决上述技术问题,本发明的实施例采用了如下技术方案:一种图像处理方法,包括:
获取目标对象对应的多个连续的切片图像,以形成切片图像序列;
提取所述切片图像序列的序列特征,并提取所述切片图像的内部特征,其中所述序列特征为表征多个所述切片图像之间关联的特征;
根据所述序列特征和所述内部特征获取所述目标对象的分割图。
作为优选,所述方法还包括:
对所述切片图像序列进行提取特征的提取运算以生成第一特征序列;
对所述第一特征序列进行至少一次压缩运算以减小提取所述序列特征和所述内部特征时的运算量;
在进行每次所述压缩运算后均对所述第一特征序列进行所述序列特征和所述内部特征的提取运算。
作为优选,所述切片图像序列包括中心切片,所述的提取所述切片图像序列的序列特征包括:
分别对所述中心切片的前向子序列和后向子序列进行所述序列特征的提取运算,并将两运算结果相关联形成前后向子序列集。
作为优选,所述方法还包括:
对进行了提取运算后的所述切片图像序列进行至少一次解压缩运算以还原所述切片图像序列;
在进行每次所述解压缩运算后均对所述前后向子序列集进行所述序列特征的提取运算,并对所述中心切片进行所述内部特征的提取运算。
作为优选,所述切片图像序列包括中心切片,所述的获取目标对象对应的多个连续的切片图像,以形成切片图像序列包括:
确定所述中心切片,根据目标对象的形态按照预设规定选取所述中心切片的前向子序列和后向子序列,并保持所述切片图像序列的样本均衡性;
作为优选,所述方法还包括:
根据所述目标对象的物理特征对所述切片图像进行图像预处理,以避免其他对象的图像的干扰,其中,所述图像预处理包括对所述切面图像的图像属性进行适应性更改。
本申请实施例还提供了一种图像处理装置,包括获取模块、计算模块和生成模块:
所述获取模块配置为获取目标对象对应的多个连续的切片图像,以形成切片图像序列;
所述计算模块配置为提取所述切片图像序列的序列特征,并提取所述切片图像的内部特征,其中所述序列特征为表征多个所述切片图像之间关联的特征;
所述生成模块配置为根据所述序列特征和所述内部特征获取所述目标对象的分割图。
作为优选,所述计算模块包括提取单元和压缩单元;
所述提取单元配置为对所述切片图像序列进行提取特征的提取运算以生成第一特征序列;
所述压缩单元配置为对所述第一特征序列进行至少一次压缩运算,以减小所述提取单元提取所述序列特征和所述内部特征时的运算量;
所述提取单元进一步配置为在所述压缩单元进行每次所述压缩运算后,均对所述第一特征序列进行所述序列特征和所述内部特征的提取运算。
作为优选,所述切片图像序列包括中心切片,所述计算模块进一步配置为分别对所述中心切片的前向子序列和后向子序列进行所述序列特征的提取运算,并将两运算结果相关联形成前后向子序列集。
作为优选,所述计算模块包括提取单元和解压单元;
所述解压单元配置为对进行了提取运算后的所述切片图像序列进行至少一次解压缩运算以还原所述切片图像序列;
所述提取单元配置为在所述解压单元进行每次所述解压缩运算后,均对所述前后向子序列集进行所述序列特征的提取运算,并对所述中心切片进行所述内部特征的提取运算。
本发明实施例的有益效果在于:该方法能够对多个聚集在一起的对象进行图像分割,并且能够将每个目标对象的特征进行更加完整的图像显示,并且形成的分割图的质量较高,提高了利用目标对象的分割图而对目标对象进行分析的效率。
附图说明
图1为本发明实施例的图像处理方法的流程图;
图2为本发明实施例的图像处理方法的一个具体实施例的流程图;
图3为本发明实施例的图像处理方法的另一个具体实施例的流程图;
图4为本发明实施例的图像处理装置的结构示意图。
具体实施方式
此处参考附图描述本发明的各种方案以及特征。
应理解的是,可以对此处发明的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本发明的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且与上面给出的对本发明的大致描述以及下面给出的对实施例的详细描述一起用于解释本发明的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本发明的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本发明进行了描述,但本领域技术人员能够确定地实现本发明的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本发明的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本发明的具体实施例;然而,应当理解,所发明的实施例仅仅是本发明的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本发明模糊不清。因此,本文所发明的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本发明。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本发明的相同或不同实施例中的一个或多个。
本发明实施例的一种图像处理方法,能够对多个聚集在一起的对象进行图像分割,获取目标对象的相对独立的分割图,进而使用户可以根据分割图对目标对象进行更加详细的分析或查验等操作,也便于用户在目标对象的分割图的基础之上使用其他方法来进行对该分割图进行处理。如图1所示,该方法包括以下步骤:
S1,获取目标对象对应的多个连续的切片图像,以形成切片图像序列。可以对目标对象所在区域进行数据采样,提取多个连续的切片图像(帧),切片图像之间相互平行保证了切片图像的规律性,此外切片图像的数量也可以根据处理对象的特点来具体设置。多个连续的切片图像形成切片图像序列,该切片图像序列可以表示多个连续的切片图像的集合,在对目标对象进行处理时可以利用切片图像序列,此外一个目标对象可以对应有一个或多个切片图像序列,如从不同角度对该目标对象进行连续的切片图像的提取,在一个实施例中,切片图像序列可以包括中心切片,中心切片为目标对象的主要切片图像,承载了目标对象的核心数据。
S2,提取切片图像序列的序列特征,并提取切片图像的内部特征,其中序列特征为表征多个切片图像之间关联的特征。从序列特征可以获得切片图像之间的关联数据,能够有效利用多个切片图像中关于目标对象的相关数据,从而能够有效利用目标对象的所有相关数据,使得图像处理的更加精准。在一个实施例中,可以对切片图像序列进行一次或多次的序列特征的提取。切片图像的内部特征,可以表示相对应的切片图像的数据特征,在一个实施例中,可以对每个切片图像进行内部特征的提取;在另一个实施例中可以一次或多次对每个切片图像进行内部特征的提取;在又一个实施例中,可以利用卷积运算来进行切片图像的内部特征的提取。
S3,根据序列特征和内部特征获取目标对象的分割图。具体来说,可以根据目标对象的类型或具体特征,来对相应的序列特征和内部特征进行连接融合,如将各个不同特征相结合,从而获得目标对象的分割图,该分割图是目标对象的图像(或数据),分割图能够使目标对象从其他多个对象中独立出来,从而能够根据分割图对该目标对象进行进一步的操作,如直接利用分割图对该目标对象的形态、状态等方面进行判断,或者基于该分割图进行再处理,使得处理结果也较为精准。需要说明的是,该方法能够应用在医疗器械上以对人体图像进行处理,例如对人体内的多个器官(通常聚集在一起)进行处理,获取第一器官的第一分割图,使得第一器官可以相对独立的显示出来;或者从多个器官中选择预定数量的不同器官(如第二器官和第三器官),获取相对应的第二分割图,使预定数量的不同器官相对独立的显示出来。
在本申请的一个实施例中,如图2所示,该图像处理方法还包括以下步骤:
S4,对切片图像序列进行提取特征的提取运算以生成第一特征序列。在获取连续的多个切片图像后对形成的切片图像序列进行提取运算,生成的第一特征序列可以包括与切片图像相同数量的第一切片数据单元,第一切片数据单元可以还以图像的形式显示,也可以以数据单元的形式出现。此外在本实施例中该提取运算可以使用独立的序列特征提取器来进行。
S5,对第一特征序列进行至少一次压缩运算以减小提取序列特征和内部特征时的运算量。具体来说,压缩运算(编码)可以在保证数据安全的情况下有效降低原有数据量。例如第一特征序列中的原有的512*512*64像素的图像经过压缩运算后转化为256*256*128像素的图像或数据单元,随后便进行至少一次提取序列特征和内部特征的运算,由于数据量减小,因此提取序列特征和内部特征的运算量杯有效降低。此外还可以进行第二次压缩运算(编码),如将256*256*128像素的图像或数据单元经过压缩运算后转化为128*128*256像素的图像或数据单元,然后再进行至少一次提取序列特征和内部特征的运算,由于数据量再次减小,该运算过程的运算量减少从而提高了运算效率。另外在一个实施例中,压缩运算(编码)可以使用最大池化层(Max-pooling layer)进行运算。
S6,在进行每次压缩运算后均对第一特征序列进行序列特征和内部特征的提取运算。可以根据实际情况对第一特征序列进行多次预定数量的压缩运算,在进行每次压缩运算后随之进行预定数量的提取序列特征和内部特征时的运算。从而在整个过程中多次进行序列特征和内部特征的提取运算,保证了目标对象在数据处理过程中的数据的精确。
在本申请的一个实施例中,切片图像序列包括中心切片,所述的提取切片图像序列的序列特征的步骤包括:分别对中心切片的前向子序列和后向子序列进行序列特征的提取运算,并将两运算结果相关联形成前后向子序列集。中心切片为目标对象的主要切片图像,承载了目标对象的核心数据。中心切片对应有前向子序列和后向子序列,也可以认为前向子序列和后向子序列分别从两侧将中心切片包裹在其中。在一个实施例中,相对中心切片较近的切片图像优先级较高,相对中心切片较远的切片图像优先级较低,基于此可以进行前向子序列的序列特征的提取运算,并进行后向子序列的序列特征的提取运算,以使距离核心数据较近的切片图像发挥较大作用,提高数据处理时的准确度。此外,在进行上述步骤中可以使用独立的序列特征提取器来进行。进行了提取运算后可以将两运算结果相关联形成前后向子序列集,然后可以将该前后向子序列集与中心切片再次进行关联,以便进行统一处理。
在本申请的一个实施例中,如图3所示,该图像处理方法还包括以下步骤:
S7,对进行了提取运算后的切片图像序列进行至少一次解压缩运算以还原切片图像序列。具体来说,可以在对原始的切片图像序列进行了一次或多次提取运算后(提取序列特征和内部特征,同时也进行了多次的压缩运算),再进行相应次数的解压缩运算,将切片图像序列进行还原操作。例如进行一次解压缩运算,将原有的128*128*256像素的图像或数据单元经过解压缩运算后转化为256*256*128像素的图像或数据单元;再进行一次解压缩运算,将256*256*128像素的图像经过解压缩运算后转化为512*512*64像素的图像或数据单元,最终还原切片图像序列。
S8,在进行每次解压缩运算后均对前后向子序列集进行序列特征的提取运算,并对中心切片进行内部特征的提取运算。具体来说,进行了上述运算后使得在还原的过程中数据不会发生异常,保证数据的准确性。此外,在每进行一次解压缩运算后可以将运算后的前后向子序列集与中心切片相关联以便在进行下一次的序列特征的提取运算和内部特征的提取运算。此外,在进行解压缩运算时可以使用反卷积运算的方式进行。
在本申请的一个实施例中,切片图像序列包括中心切片,所述的获取目标对象对应的多个连续的切片图像,以形成切片图像序列的步骤包括:确定中心切片,根据目标对象的形态按照预设规定选取中心切片的前向子序列和后向子序列,并保持切片图像序列的样本均衡性。具体来说,可以根据目标对象的大致形态或目标对象上的用户所关心的位置点来确定中心切片,而在中心切片的前向子序列和后向子序列的选取上可以按照预设规定来选取,例如在采样时可以提取所有出现了目标对象的切片图像,再以中心切片为基准,在没有出现目标对象的切片图像中随机抽取部分切片图像,以保证切片图像序列的样本均衡性。
在本申请的一个实施例中,该图像处理方法还包括:根据目标对象的物理特征对切片图像进行图像预处理,以避免其他对象的图像的干扰,其中,图像预处理包括对切面图像的图像属性进行适应性更改。举例说明,如果对人体图像进行处理时,需要对腹部中的各个器官进行图像分割,则可以将原始的切片图像进行图像属性的适应性修改,如将原始的切片图像中的灰度值小于-75的图像调整为-75,将灰度值大于175的图像调整为175,从而使得在进行图像分割时能够更加适应于人体的腹部中的各个器官,生成的某个或多个器官的分割图的质量较高。
本申请实施例还提供了一种图像处理装置,能够对多个聚集在一起的对象进行图像分割,获取目标对象的相对独立的分割图,进而使用户可以根据分割图对目标对象进行更加详细的分析或查验等操作,也便于用户在目标对象的分割图的基础之上再对该分割图进行处理。如图4所示,该图像处理装置包括获取模块、计算模块和生成模块。
获取模块配置为获取目标对象对应的多个连续的切片图像,以形成切片图像序列。获取模块可以对目标对象所在区域进行数据采样,提取多个连续的切片图像(帧),切片图像之间相互平行保证了切片图像的规律性,此外切片图像的数量也可以根据处理对象的特点来具体设置。多个连续的切片图像形成切片图像序列,该切片图像序列可以表示多个连续的切片图像的集合,在对目标对象进行处理时可以利用切片图像序列,此外一个目标对象可以对应有一个或多个切片图像序列,如从不同角度对该目标对象进行连续的切片图像的提取,在一个实施例中,切片图像序列可以包括中心切片,中心切片为目标对象的主要切片图像,承载了目标对象的核心数据。
计算模块配置为提取切片图像序列的序列特征,并提取切片图像的内部特征,其中序列特征为表征多个切片图像之间关联的特征。从序列特征可以获得切片图像之间的关联数据,能够有效利用多个切片图像中关于目标对象的相关数据,从而能够有效利用目标对象的所有相关数据,使得图像处理的更加精准。在一个实施例中,计算模块可以对切片图像序列进行一次或多次的序列特征的提取。切片图像的内部特征,可以表示相对应的切片图像的数据特征,在一个实施例中,计算模块可以对每个切片图像进行内部特征的提取;在另一个实施例中计算模块可以一次或多次对每个切片图像进行内部特征的提取;在又一个实施例中,计算模块可以利用卷积运算来进行切片图像的内部特征的提取。
生成模块配置为根据序列特征和内部特征获取目标对象的分割图。具体来说,生成模块可以根据目标对象的类型或具体特征,来对相应的序列特征和内部特征进行连接融合,如将各个不同特征相结合,从而获得目标对象的分割图,该分割图是目标对象的图像(或数据),分割图能够使目标对象从其他多个对象中独立出来,从而能够根据分割图对该目标对象进行进一步的操作,如直接利用分割图对该目标对象的形态、状态等方面进行判断,或者基于该分割图进行再处理,使得处理结果也较为精准。需要说明的是,该装置能够应用在医疗器械上以对人体图像进行处理,例如对人体内的多个器官(通常聚集在一起)进行处理,获取第一器官的第一分割图,使得第一器官可以相对独立的显示出来;或者从多个器官中选择预定数量的不同器官(如第二器官和第三器官),获取相对应的第二分割图,使预定数量的不同器官相对独立的显示出来。
在本申请的一个实施例中,结合图4,计算模块包括提取单元和压缩单元。
提取单元配置为对切片图像序列进行提取特征的提取运算以生成第一特征序列。在获取连续的多个切片图像后对形成的切片图像序列进行提取运算,生成的第一特征序列可以包括与切片图像相同数量的第一切片数据单元,第一切片数据单元可以还以图像的形式显示,也可以以数据单元的形式出现。此外在本实施例中该提取运算可以使用独立的序列特征提取器来进行。
压缩单元配置为对第一特征序列进行至少一次压缩运算,以减小提取单元提取序列特征和内部特征时的运算量。具体来说,压缩单元的压缩运算(编码)可以在保证数据安全的情况下有效降低原有数据量。例如第一特征序列中的原有的512*512*64像素的图像经过压缩运算后转化为256*256*128像素的图像或数据单元,随后便进行至少一次提取序列特征和内部特征的运算,由于数据量减小,因此提取序列特征和内部特征的运算量杯有效降低。此外压缩单元还可以进行第二次压缩运算(编码),如将256*256*128像素的图像或数据单元经过压缩运算后转化为128*128*256像素的图像或数据单元,然后再进行至少一次提取序列特征和内部特征的运算,由于数据量再次减小,该运算过程的运算量减少从而提高了运算效率。另外在一个实施例中,压缩单元的压缩运算(编码)可以通过最大池化层(Max-pooling layer)进行运算。
提取单元进一步配置为在压缩单元进行每次压缩运算后,均对第一特征序列进行序列特征和内部特征的提取运算。压缩单元可以根据实际情况对第一特征序列进行多次预定数量的压缩运算,在进行每次压缩运算后提取单元随之进行预定数量的提取序列特征和内部特征时的运算。从而在整个过程中多次进行序列特征和内部特征的提取运算,保证了目标对象在数据处理过程中的数据的精确。
在本申请的一个实施例中,切片图像序列包括中心切片,计算模块进一步配置为分别对中心切片的前向子序列和后向子序列进行序列特征的提取运算,并将两运算结果相关联形成前后向子序列集。中心切片为目标对象的主要切片图像,承载了目标对象的核心数据。中心切片对应有前向子序列和后向子序列,也可以认为前向子序列和后向子序列分别从两侧将中心切片包裹在其中。在一个实施例中,相对中心切片较近的切片图像优先级较高,相对中心切片较远的切片图像优先级较低,基于此计算模块可以进行前向子序列的序列特征的提取运算,并进行后向子序列的序列特征的提取运算,以使距离核心数据较近的切片图像发挥较大作用,提高数据处理时的准确度。此外,在进行上述步骤中可以使用独立的序列特征提取器来进行。进行了提取运算后可以将两运算结果相关联形成前后向子序列集,然后可以将该前后向子序列集与中心切片再次进行关联,以便进行统一处理。
在本申请的一个实施例中,结合图4,计算模块包括提取单元和解压单元。
解压单元配置为对进行了提取运算后的切片图像序列进行至少一次解压缩运算以还原切片图像序列。具体来说,解压单元可以在对原始的切片图像序列进行了一次或多次提取运算后(提取序列特征和内部特征,同时也进行了多次的压缩运算),再进行相应次数的解压缩运算,将切片图像序列进行还原操作。例如解压单元进行一次解压缩运算,将原有的128*128*256像素的图像或数据单元经过解压缩运算后转化为256*256*128像素的图像或数据单元;解压单元再进行一次解压缩运算,将256*256*128像素的图像经过解压缩运算后转化为512*512*64像素的图像或数据单元,最终还原切片图像序列。
提取单元配置为在解压单元进行每次解压缩运算后,均对前后向子序列集进行序列特征的提取运算,并对中心切片进行内部特征的提取运算。具体来说,提取单元进行了上述运算后使得在还原的过程中数据不会发生异常,保证数据的准确性。此外,在解压单元每进行一次解压缩运算后提取单元可以将运算后的前后向子序列集与中心切片相关联以便在进行下一次的序列特征的提取运算和内部特征的提取运算。此外,在进行解压缩运算时可以使用反卷积运算的方式进行。
在本申请的一个实施例中,获取模块进一步配置为确定中心切片,根据目标对象的形态按照预设规定选取中心切片的前向子序列和后向子序列,并保持切片图像序列的样本均衡性。具体来说,获取模块可以根据目标对象的大致形态或目标对象上的用户所关心的位置点来确定中心切片,而在中心切片的前向子序列和后向子序列的选取上可以按照预设规定来选取,例如获取模块在采样时可以提取所有出现了目标对象的切片图像,再以中心切片为基准,在没有出现目标对象的切片图像中随机抽取部分切片图像,以保证切片图像序列的样本均衡性。
在本申请的一个实施例中,该图像处理装置还包括预处理模块,预处理模块配置为根据目标对象的物理特征对切片图像进行图像预处理,以避免其他对象的图像的干扰,其中,图像预处理包括对切面图像的图像属性进行适应性更改。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种图像处理方法,包括:
获取目标对象对应的多个连续的切片图像,以形成切片图像序列;
提取所述切片图像序列的序列特征,并提取所述切片图像的内部特征,其中所述序列特征为表征多个所述切片图像之间关联的特征;
根据所述序列特征和所述内部特征获取所述目标对象的分割图。
2.根据权利要求1所述的方法,所述方法还包括:
对所述切片图像序列进行提取特征的提取运算以生成第一特征序列;
对所述第一特征序列进行至少一次压缩运算以减小提取所述序列特征和所述内部特征时的运算量;
在进行每次所述压缩运算后均对所述第一特征序列进行所述序列特征和所述内部特征的提取运算。
3.根据权利要求1所述的方法,所述切片图像序列包括中心切片,所述的提取所述切片图像序列的序列特征包括:
分别对所述中心切片的前向子序列和后向子序列进行所述序列特征的提取运算,并将两运算结果相关联形成前后向子序列集。
4.根据权利要求3所述的方法,所述方法还包括:
对进行了提取运算后的所述切片图像序列进行至少一次解压缩运算以还原所述切片图像序列;
在进行每次所述解压缩运算后均对所述前后向子序列集进行所述序列特征的提取运算,并对所述中心切片进行所述内部特征的提取运算。
5.根据权利要求1所述的方法,所述切片图像序列包括中心切片,所述的获取目标对象对应的多个连续的切片图像,以形成切片图像序列包括:
确定所述中心切片,根据目标对象的形态按照预设规定选取所述中心切片的前向子序列和后向子序列,并保持所述切片图像序列的样本均衡性。
6.根据权利要求1所述的方法,所述方法还包括:
根据所述目标对象的物理特征对所述切片图像进行图像预处理,以避免其他对象的图像的干扰,其中,所述图像预处理包括对所述切面图像的图像属性进行适应性更改。
7.一种图像处理装置,包括获取模块、计算模块和生成模块:
所述获取模块配置为获取目标对象对应的多个连续的切片图像,以形成切片图像序列;
所述计算模块配置为提取所述切片图像序列的序列特征,并提取所述切片图像的内部特征,其中所述序列特征为表征多个所述切片图像之间关联的特征;
所述生成模块配置为根据所述序列特征和所述内部特征获取所述目标对象的分割图。
8.根据权利要求7所述的装置,所述计算模块包括提取单元和压缩单元;
所述提取单元配置为对所述切片图像序列进行提取特征的提取运算以生成第一特征序列;
所述压缩单元配置为对所述第一特征序列进行至少一次压缩运算,以减小所述提取单元提取所述序列特征和所述内部特征时的运算量;
所述提取单元进一步配置为在所述压缩单元进行每次所述压缩运算后,均对所述第一特征序列进行所述序列特征和所述内部特征的提取运算。
9.根据权利要求7所述的装置,所述切片图像序列包括中心切片,所述计算模块进一步配置为分别对所述中心切片的前向子序列和后向子序列进行所述序列特征的提取运算,并将两运算结果相关联形成前后向子序列集。
10.根据权利要求9所述的装置,所述计算模块包括提取单元和解压单元;
所述解压单元配置为对进行了提取运算后的所述切片图像序列进行至少一次解压缩运算以还原所述切片图像序列;
所述提取单元配置为在所述解压单元进行每次所述解压缩运算后,均对所述前后向子序列集进行所述序列特征的提取运算,并对所述中心切片进行所述内部特征的提取运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437266.0A CN108648195B (zh) | 2018-05-09 | 2018-05-09 | 一种图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437266.0A CN108648195B (zh) | 2018-05-09 | 2018-05-09 | 一种图像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108648195A true CN108648195A (zh) | 2018-10-12 |
CN108648195B CN108648195B (zh) | 2022-06-28 |
Family
ID=63754042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810437266.0A Active CN108648195B (zh) | 2018-05-09 | 2018-05-09 | 一种图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648195B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040022447A1 (en) * | 2002-07-31 | 2004-02-05 | General Electric Company | Method and system for image compression and decompression using span of interest of an imaging sequence |
US20040071352A1 (en) * | 2002-07-02 | 2004-04-15 | Canon Kabushiki Kaisha | Image area extraction method, image reconstruction method using the extraction result and apparatus thereof |
CN101059838A (zh) * | 2007-06-11 | 2007-10-24 | 湖北东润科技有限公司 | 一种人脸识别***与识别方法 |
CN101610422A (zh) * | 2009-07-21 | 2009-12-23 | 天津大学 | 立体图像视频序列压缩方法 |
CN102289811A (zh) * | 2011-08-17 | 2011-12-21 | 深圳市旭东数字医学影像技术有限公司 | 一种半自动序列图像分割方法及*** |
EP2549437A2 (en) * | 2011-07-19 | 2013-01-23 | Kabushiki Kaisha Toshiba | Moving object contour extraction apparatus, left ventricle image segmentation apparatus, moving object contour extraction method and left ventricle image segmentation |
CN102906816A (zh) * | 2010-05-25 | 2013-01-30 | 伊斯曼柯达公司 | 视频概要方法 |
CN105139377A (zh) * | 2015-07-24 | 2015-12-09 | 中南大学 | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 |
CN106650813A (zh) * | 2016-12-27 | 2017-05-10 | 华南理工大学 | 一种基于深度残差网络和lstm的图像理解方法 |
CN107527059A (zh) * | 2017-08-07 | 2017-12-29 | 北京小米移动软件有限公司 | 文字识别方法、装置及终端 |
CN107967688A (zh) * | 2017-12-21 | 2018-04-27 | 联想(北京)有限公司 | 对图像中的对象进行分割的方法及*** |
CN108388876A (zh) * | 2018-03-13 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置以及相关设备 |
CN109977816A (zh) * | 2019-03-13 | 2019-07-05 | 联想(北京)有限公司 | 一种信息处理方法、装置、终端及存储介质 |
CN110363776A (zh) * | 2019-06-28 | 2019-10-22 | 联想(北京)有限公司 | 图像处理方法及电子设备 |
-
2018
- 2018-05-09 CN CN201810437266.0A patent/CN108648195B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040071352A1 (en) * | 2002-07-02 | 2004-04-15 | Canon Kabushiki Kaisha | Image area extraction method, image reconstruction method using the extraction result and apparatus thereof |
US20040022447A1 (en) * | 2002-07-31 | 2004-02-05 | General Electric Company | Method and system for image compression and decompression using span of interest of an imaging sequence |
CN101059838A (zh) * | 2007-06-11 | 2007-10-24 | 湖北东润科技有限公司 | 一种人脸识别***与识别方法 |
CN101610422A (zh) * | 2009-07-21 | 2009-12-23 | 天津大学 | 立体图像视频序列压缩方法 |
CN102906816A (zh) * | 2010-05-25 | 2013-01-30 | 伊斯曼柯达公司 | 视频概要方法 |
EP2549437A2 (en) * | 2011-07-19 | 2013-01-23 | Kabushiki Kaisha Toshiba | Moving object contour extraction apparatus, left ventricle image segmentation apparatus, moving object contour extraction method and left ventricle image segmentation |
CN102289811A (zh) * | 2011-08-17 | 2011-12-21 | 深圳市旭东数字医学影像技术有限公司 | 一种半自动序列图像分割方法及*** |
CN105139377A (zh) * | 2015-07-24 | 2015-12-09 | 中南大学 | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 |
CN106650813A (zh) * | 2016-12-27 | 2017-05-10 | 华南理工大学 | 一种基于深度残差网络和lstm的图像理解方法 |
CN107527059A (zh) * | 2017-08-07 | 2017-12-29 | 北京小米移动软件有限公司 | 文字识别方法、装置及终端 |
CN107967688A (zh) * | 2017-12-21 | 2018-04-27 | 联想(北京)有限公司 | 对图像中的对象进行分割的方法及*** |
CN108388876A (zh) * | 2018-03-13 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置以及相关设备 |
CN109977816A (zh) * | 2019-03-13 | 2019-07-05 | 联想(北京)有限公司 | 一种信息处理方法、装置、终端及存储介质 |
CN110363776A (zh) * | 2019-06-28 | 2019-10-22 | 联想(北京)有限公司 | 图像处理方法及电子设备 |
Non-Patent Citations (6)
Title |
---|
MARYKUTTY CYRIAC等: "An Object of Interest based Segmentation Approach for Selective Compression of Video Frames", 《IMAGE, GRAPHICS AND SIGNAL PROCESSING》 * |
O. SUKMARG等: "Fast object detection and segmentation in MPEG compressed domain", 《2000 TENCON PROCEEDINGS. INTELLIGENT SYSTEMS AND TECHNOLOGIES FOR THE NEW MILLENNIUM (CAT. NO.00CH37119)》 * |
怀草诗等: "图像压缩编码的必要性&可行性&分类&图像压缩的评价指标", 《HTTPS://BLOG.CSDN.NET/QQ_37782177/ARTICLE/DETAILS/69946365?LOCATIONNUM=9&FPS=1》 * |
朱青祥: "复杂场景下目标对象的分割与跟踪", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
李聪等: "基于改进HVS的水稻杂草图像分割算法", 《计算机仿真》 * |
胡青璞: "线性编码框架下的图像特征提取及识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108648195B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056562B (zh) | 一种人脸图像处理方法、装置及电子设备 | |
CN108765414B (zh) | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 | |
CN110570492A (zh) | 神经网络训练方法和设备、图像处理方法和设备以及介质 | |
CN109859233A (zh) | 图像处理、图像处理模型的训练方法及*** | |
CN115578404B (zh) | 一种基于深度学习的肝脏肿瘤图像增强和分割的方法 | |
CN103426173B (zh) | 一种立体图像质量的客观评价方法 | |
CN111881926A (zh) | 图像生成、图像生成模型的训练方法、装置、设备及介质 | |
CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
CN110009656B (zh) | 目标对象的确定方法、装置、存储介质及电子装置 | |
CN110543916B (zh) | 一种缺失多视图数据的分类方法及*** | |
CN107767362A (zh) | 一种基于深度学习的肺癌早筛装置 | |
CN112836602B (zh) | 基于时空特征融合的行为识别方法、装置、设备及介质 | |
CN108124489A (zh) | 信息处理方法、装置、云处理设备以及计算机程序产品 | |
CN114913327A (zh) | 一种基于改进U-Net的下肢骨骼CT图像分割算法 | |
CN109584223A (zh) | Ct图像中肺部血管分割方法 | |
CN111862261B (zh) | 一种flair模态磁共振影像生成方法及*** | |
CN110246145A (zh) | 一种腹部ct图像的分割方法 | |
KR102012828B1 (ko) | 볼륨 렌더링 장치 및 방법 | |
CN103854265A (zh) | 一种新的多聚焦图像融合技术 | |
CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 | |
CN108648195A (zh) | 一种图像处理方法及装置 | |
EP4343680A1 (en) | De-noising data | |
Li et al. | Stereoscopic 3D Image Retargeting Quality Assessment. | |
CN109767468B (zh) | 脏器体积检测方法及装置 | |
CN113962990B (zh) | 胸部ct图像识别方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |