CN110060275B - 一种人体微循环血流速度检测的方法及*** - Google Patents
一种人体微循环血流速度检测的方法及*** Download PDFInfo
- Publication number
- CN110060275B CN110060275B CN201910288803.4A CN201910288803A CN110060275B CN 110060275 B CN110060275 B CN 110060275B CN 201910288803 A CN201910288803 A CN 201910288803A CN 110060275 B CN110060275 B CN 110060275B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- projection
- frame image
- moving target
- 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
- 230000004089 microcirculation Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000017531 blood circulation Effects 0.000 title claims abstract description 45
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 77
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 239000000203 mixture Substances 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 241000791420 Plica Species 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 239000002773 nucleotide Substances 0.000 claims 1
- 125000003729 nucleotide group Chemical group 0.000 claims 1
- 239000003814 drug Substances 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 238000003759 clinical diagnosis Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 201000010099 disease Diseases 0.000 abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 5
- 230000036541 health Effects 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 description 11
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 229940126680 traditional chinese medicines Drugs 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000000917 particle-image velocimetry Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
Images
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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人体微循环血流速度检测的方法及***,所述方法包括以下步骤:对甲襞微循环视频图像进行去抖动运算,得到稳定的视频图像序列V;采用高斯混合模型对视频图像序列V进行背景建模;对每一帧图像中的血管进行分割得到血管的轮廓和中线;采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置并生成运动轨迹图;对运动轨迹图进行投影计算得到运动目标的速度。本发明将背景差分和投影的方法应用于人体微循环血流速度检测,能够快速准确地实现对微循环血流速度的检测,对于一些疾病的临床诊断具有重要的参考价值和辅助诊断作用,对于人体健康状况的检测和判断用药的疗效等方面也极具价值。
Description
技术领域
本发明涉及一种人体微循环血流速度检测的方法及***,属于人工智能技术领域。
背景技术
近年来,随着中西医对心血管疾病研究工作的深入,不少医疗***对微循环的研究日趋重视,特别是许多祖国医学中的中药,在临床中,对治疗心血管疾病有着显著的作用,但对其机理并不清楚,也无法相互比较其药物效果的优异。对于人体微循环的研究,主要是研究微循环形态参数的测量,比如毛细血管密度、毛细血管中的血流速度、细胞聚集程度等。其中微循环中的血流速度是一项直观而且重要的参数指标。
微循环血流速度测量方法主要有两种,一种是通过多普勒分析仪进行测定,另外一种是对微循环的视频进行分析计算。其中,多普勒分析仪的方法是使用麻烦,成本太高,一台多普勒分析仪造价几十万。于是,通过视频分析的方法得到了更多人的研究,该方法也得到了长足的发展。目前视频分析主要的研究方法包括空间相关法、光流法、粒子图像测速法以及基于时空图的方法。
空间相关方法通过搜索最大互相关系数得到在视频序列中区域窗口位置的移动距离,瞬时速度即为空间位移除以视频序列的间隔时间的结果,但空间相关方法无法适用于视频噪声较大的情况,而且区域窗口的大小以及形状难以确定。光流法被用于估算X,Y方向的流速,但它的假设条件难以满足,即连续帧图像像素在小范围内亮度保持不变,因此光流法更适用于高帧频,高分辨率的视频图像。粒子图像测速法主要是通过测量流体中加入的示踪粒子在两次经过某一特定平面期间的位移来计算流速,但粒子图像测速法对设备的要求高且需要较高时空分辨率。近年来,一种基于ST图的方法逐渐被应用于血流速度的定量测量。ST图是时空图的缩写,该方法的思想是将细胞的运动轨迹映射到二维时空图中,将基于视频的流速测量转换为对ST图中轨迹的方向测量。但是,该方法在计算ST图的时候,计算量较大,实时性略显不足。
发明内容
针对以上方法存在的不足,本发明提出了一种人体微循环血流速度检测的方法,能够快速准确地实现对微循环血流速度的检测,对于一些疾病的临床诊断具有重要的参考价值和辅助诊断作用,对于人体健康状况的检测和判断用药的疗效等方面也极具价值。
本发明解决其技术问题采取的技术方案是:
一方面,本发明实施例提供的一种人体微循环血流速度检测的方法,包括以下步骤:
步骤1:对甲襞微循环视频图像进行去抖动运算,得到稳定的视频图像序列V;
步骤2:采用高斯混合模型对视频图像序列V进行背景建模;
步骤3:对每一帧图像中的血管进行分割,得到血管的轮廓和中线;
步骤4:采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置,并据此生成运动轨迹图;
步骤5:对运动目标的运动轨迹图进行投影,计算得到运动目标的速度。
作为本实施例一种可能的实现方式,在步骤1中,对甲襞微循环视频图像做去抖动,得到稳定的视频图像序列V的过程包括以下步骤:
步骤11:通过显微相机获取无名指甲襞微循环的视频影像文件;
步骤12,甲襞微循环视频每一帧图像G(x,y)利用公式(1.1)进行灰度化得到图像g(x,y);
Gray=0.114×B+0.587×G+0.299×R (1.1)
其中,B、G、R分别为图像中每一个像素点的三种颜色分量;
步骤13,选择甲襞微循环视频图像序列的第一帧图像为参考帧图像,后面每一帧都参考第一帧图像进行偏移校正,利用公式(1.2)对图像在行方向和列方向上分别进行投影得到两个独立的一维数据,
步骤14,根据公式(1.3)计算第k帧图像的行灰度投影曲线与参考帧图像行投影曲线的相关性ρ(ω):
其中,Pk(i)为第k帧图像第i行的灰度投影值,P1(i)为第一帧图像第i行的灰度投影值,q是偏移量相对于参考帧在一侧的搜索范围,M-2q表示图像的高度去除两侧搜索范围后的高度,即匹配区域的高度,ω是搜索偏移量;
步骤15,假设ωmin为ρ(ω)最小值时ω的值,则根据公式(1.4)计算第k帧图像相对于参考帧图像在垂直方向的运动矢量δk,
δk=m+1-ωmin (1.4)
其中,δk为正时表明待匹配的帧向上运动了|δk|个像素,δk为负时表明向下运动了|δk|个像素;
步骤16,采用与步骤15同样的方法计算出当前帧图像在水平方向的运动矢量Δk,对当前帧图像水平方向平移-Δk,在垂直方向平移-δk,即可得到得到稳定的视频图像序列V。
作为本实施例一种可能的实现方式,在步骤2中,采用高斯混合模型对视频图像序列V进行背景建模的过程包括以下步骤:
步骤21,从视频图像序列V中选择第一帧图像来初始化背景模型,高斯函数的期望初始化为图像像素的灰度值,标准差初始化为常数c,则方差为c2;
步骤22,利用公式(2.1)对视频图像序列V进行背景建模,
其中,g(x,y,t)是在t时刻图像坐标(x,y)处的灰度值,P(g(x,y,t))是该灰度值出现的概率,μt和σt分别为t时刻该像素高斯分布的期望和方差;
步骤23,根据公式(2.2)检测背景像素,
|g(x,y,t)-μt-1(x,y)|<λσt-1 (2.2)
其中,λ为高斯背景参数;
步骤24,利用公式(2.3)、公式(2.4)和公式(2.5)分别对高斯模型的期望、标准差和方差进行更新;
μt(x,y)=(1-α)*μt-1(x,y)+α*g(x,y,t) (2.3)
步骤25,重复步骤23和步骤24,直至背景像素检测完毕为止,得到背景模型GM。
作为本实施例一种可能的实现方式,在步骤3中,对每一帧图像中的血管进行分割,得到血管的轮廓和中线的过程包括以下步骤:
步骤31,选择合适的阈值Th,根据公式(3.1)对景模型GM图像中任意一点的灰度值GM(x,y)进行二值化得到二值图像B(x,y),取其中白色连通区域得到血管区域集合H,血管区域集合H中包括若干个分割出来的血管h;
步骤32,从血管集合H中选择一个目标血管h,利用数学形态学的骨架提取方法进行细化,提取骨架,得到血管h的中线E。
作为本实施例一种可能的实现方式,在步骤4中,采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置和运动轨迹图的过程包括以下步骤:
步骤41,利用公式(4.1)对当前帧图像f(x,y)与背景图像GM(x,y)进行差分,得到运动目标图像D(x,y);
D(x,y)=|f(x,y)-GM(x,y)| (4.1)
步骤42,设置一个阈值T,对运动目标图像进行二值化,若D(x,y)>T,则D(x,y)=255,否则,D(x,y)=0,得到新的二值图像D(x,y)中的白色像素区域就是运动目标;
步骤43,根据步骤32得到的中线与运动目标D(x,y)做与运算,得到交点集合HJ,对HJ中的每个点计算到中线一端的距离,得到距离集合Hd;
步骤44,根据每一帧的距离集合Hd生成运动轨迹图W,设置W的初始像素值均为0,其横坐标代表视频帧数,纵坐标代表中线上每一个点到中线端点的距离,对于第i帧图像,其距离集合为Hdi,则对Hdi中的每个元素a,令W(i,a)=255,运动轨迹图就是把微循环中血流速度的测量转换为对二维图像中运动目标轨迹方向的测量,即对运动轨迹图中的轨迹的斜率进行计算就可以得到血流速度,得到的运动轨迹图。
作为本实施例一种可能的实现方式,对运动目标的运动轨迹图进行投影,计算得到运动目标的速度的过程包括以下步骤:
步骤51,利用公式(5.1)对运动轨迹图W在S方向进行投影,投影角度θ的值从0旋转到π,得到一个投影集合Hw;
其中,M和N分别为图像的高度和宽度,运算符┖┚表示下取整,投影坐标(t,s)与原坐标(x,y)之间的对应关系;
步骤52,对集合Hw中的每一个直方图,都计算其方差并将该方差放入集合Hσ;
步骤53,从方差集合Hσ中,选择最大的元素,并根据该元素从集合Hw中找到对应的投影直方图,从而找到该投影直方图的投影角度θ;
步骤54,计算角度θ的余切,就可得到血流速度v,即v=cotθ。
另一方面,本发明实施例提供的一种人体微循环血流速度检测的***,包括:
视频图像序列获取模块,用于对甲襞微循环视频图像进行去抖动运算,得到稳定的视频图像序列V;
背景建模模块,用于采用高斯混合模型对视频图像序列V进行背景建模;
图像血管分割模块,用于对每一帧图像中的血管进行分割,得到血管的轮廓和中线;
运动轨迹模块,用于采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置,并据此生成运动轨迹图;
投影模块,用于对运动目标的运动轨迹图进行投影,计算得到运动目标的速度。
作为本实施例一种可能的实现方式,所述视频图像序列获取模块包括:
视频影像文件模块,用于通过显微相机获取无名指甲襞微循环的视频影像文件;
图像灰度化模块,用于对甲襞微循环视频每一帧图像G(x,y)进行灰度化得到图像g(x,y);
图像投影模块,用于选择甲襞微循环视频图像序列的第一帧图像为参考帧图像,后面每一帧都参考第一帧图像进行偏移校正,对图像在行方向和列方向上分别进行投影得到两个独立的一维数据;
相关性计算模块,用于计算第k帧图像的行灰度投影曲线与参考帧图像行投影曲线的相关性ρ(ω);
动矢量计算模块,用于计算第k帧图像相对于参考帧图像在垂直方向的运动矢量δk;
图像平移模块,用于计算当前帧图像在水平方向的运动矢量Δk,并对当前帧图像水平方向平移-Δk,在垂直方向平移-δk,即可得到得到稳定的视频图像序列V。
作为本实施例一种可能的实现方式,所述背景建模模块包括:
背景模型初始化模块,用于从视频图像序列V中选择第一帧图像来初始化背景模型,高斯函数的期望初始化为图像像素的灰度值,标准差初始化为常数c,则方差为c2;
建模模块,用于对视频图像序列V进行背景建模;
背景像素检测模块,用于检测背景像素;
更新模块,用于对高斯模型的期望、标准差和方差进行更新。
作为本实施例一种可能的实现方式,所述图像血管分割模块包括:
背景模型二值化模块,用于选择合适的阈值Th,对景模型GM图像中任意一点的灰度值GM(x,y)进行二值化得到二值图像B(x,y),取其中白色连通区域得到血管区域集合H,血管区域集合H中包括若干个分割出来的血管h;
骨架提取模块,用于从血管集合H中选择一个目标血管h,利用数学形态学的骨架提取方法进行细化,提取骨架,得到血管h的中线E。
作为本实施例一种可能的实现方式,所述运动轨迹模块包括:
差分模块,用于对当前帧图像f(x,y)与背景图像GM(x,y)进行差分,得到运动目标图像D(x,y);
运动目标二值化模块,用于设置一个阈值T,对运动目标图像进行二值化,若D(x,y)>T,则D(x,y)=255,否则,D(x,y)=0,得到新的二值图像D(x,y)中的白色像素区域就是运动目标;
距离集合模块,用于中线与运动目标D(x,y)做与运算,得到交点集合HJ,对HJ中的每个点计算到中线一端的距离,得到距离集合Hd;
运动轨迹图生成模块,用于根据每一帧的距离集合Hd生成运动轨迹图W,设置运动轨迹图W的初始像素值均为0,其横坐标代表视频帧数,纵坐标代表中线上每一个点到中线端点的距离,对于第i帧图像,其距离集合为Hdi,则对Hdi中的每个元素a,令W(i,a)=255,运动轨迹图就是把微循环中血流速度的测量转换为对二维图像中运动目标轨迹方向的测量,即对运动轨迹图中的轨迹的斜率进行计算就可以得到血流速度,得到的运动轨迹图。
作为本实施例一种可能的实现方式,所述投影模块包括:
S方向投影模块,用于对运动轨迹图W在S方向进行投影,投影角度θ的值从0旋转到π,得到一个投影集合Hw;
方差计算模块,用于对集合Hw中的每一个直方图,都计算其方差并将该方差放入集合Hσ;
投影角度模块,用以从方差集合Hσ中,选择最大的元素,并根据该元素从集合Hw中找到对应的投影直方图,从而找到该投影直方图的投影角度θ;
角度余切计算模块,用于计算角度θ的余切,就可得到血流速度v,即v=cotθ。
本发明实施例的技术方案可以具有的有益效果如下:
本发明实施例的技术方案的一种人体微循环血流速度检测的方法,首先对甲襞微循环视频图像进行去抖动运算,得到稳定的视频图像序列V,再采用高斯混合模型对视频图像序列V进行背景建模,然后对每一帧图像中的血管进行分割,得到血管的轮廓和中线,再采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置并据此生成运动轨迹图,最后对运动目标的运动轨迹图进行投影,计算得到运动目标的速度。本发明主要用于自动检测甲襞微循环血流速度,将背景差分和投影的方法应用于人体微循环血流速度检测,能够快速准确地实现对微循环血流速度的检测,对于一些疾病的临床诊断具有重要的参考价值和辅助诊断作用,对于人体健康状况的检测和判断用药的疗效等方面也极具价值。
本发明实施例的技术方案的一种人体微循环血流速度检测的***包括:视频图像序列获取模块,用于对甲襞微循环视频图像进行去抖动运算,得到稳定的视频图像序列V;背景建模模块,用于采用高斯混合模型对视频图像序列V进行背景建模;图像血管分割模块,用于对每一帧图像中的血管进行分割,得到血管的轮廓和中线;运动轨迹模块,用于采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置,并据此生成运动轨迹图;投影模块,用于对运动目标的运动轨迹图进行投影,计算得到运动目标的速度。本发明主要用于自动检测甲襞微循环血流速度,将背景差分和投影的方法应用于人体微循环血流速度检测,能够快速准确地实现对微循环血流速度的检测,对于一些疾病的临床诊断具有重要的参考价值和辅助诊断作用,对于人体健康状况的检测和判断用药的疗效等方面也极具价值。
附图说明:
图1是根据一示例性实施例示出的一种人体微循环血流速度检测的方法的流程图;
图2为甲襞微循环视频的一帧图像;
图3为甲襞微循环血管中血浆的一种运动轨迹图;
图4为运动轨迹的投影坐标(t,s)与原坐标(x,y)之间的对应关系示意图;
图5是根据一示例性实施例示出的一种人体微循环血流速度检测的***的示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
图1是根据一示例性实施例示出的一种人体微循环血流速度检测的方法的流程图。如图1所示,本发明实施例提供的一种人体微循环血流速度检测的方法,包括以下步骤:
步骤1:对甲襞微循环视频图像进行去抖动运算,得到稳定的视频图像序列V。
对甲襞微循环视频图像做去抖动,得到稳定的视频图像序列V的过程包括以下步骤:
步骤11:通过显微相机获取无名指甲襞微循环的视频影像文件;
步骤12,对如图2所示的甲襞微循环视频每一帧图像G(x,y),利用公式(1.1)进行灰度化得到图像g(x,y);
Gray=0.114×B+0.587×G+0.299×R (1.1)
其中,B、G、R分别为图像中每一个像素点的三种颜色分量;
步骤13,选择甲襞微循环视频图像序列的第一帧图像为参考帧图像,后面每一帧都参考第一帧图像进行偏移校正,利用公式(1.2)对图像在行方向和列方向上分别进行投影得到两个独立的一维数据,
步骤14,根据公式(1.3)计算第k帧图像的行灰度投影曲线与参考帧图像行投影曲线的相关性ρ(ω):
其中,Pk(i)为第k帧图像第i行的灰度投影值,P1(i)为第一帧图像第i行的灰度投影值,q是偏移量相对于参考帧在一侧的搜索范围,M-2q表示图像的高度去除两侧搜索范围后的高度,即匹配区域的高度,ω是搜索偏移量;
步骤15,假设ωmin为ρ(ω)最小值时ω的值,则根据公式(1.4)计算第k帧图像相对于参考帧图像在垂直方向的运动矢量δk,
δk=m+1-ωmin (1.4)
其中,δk为正时表明待匹配的帧向上运动了|δk|个像素,δk为负时表明向下运动了|δk|个像素;
步骤16,采用与步骤15同样的方法计算出当前帧图像在水平方向的运动矢量Δk,对当前帧图像水平方向平移-Δk,在垂直方向平移-δk,即可得到得到稳定的视频图像序列V。
步骤2:采用高斯混合模型对视频图像序列V进行背景建模。
采用高斯混合模型对视频图像序列V进行背景建模的过程包括以下步骤:
步骤21,从视频图像序列V中选择第一帧图像来初始化背景模型,高斯函数的期望初始化为图像像素的灰度值,标准差初始化为常数c,则方差为c2;
步骤22,利用公式(2.1)对视频图像序列V进行背景建模,
其中,g(x,y,t)是在t时刻图像坐标(x,y)处的灰度值,P(g(x,y,t))是该灰度值出现的概率,μt和σt分别为t时刻该像素高斯分布的期望和方差;
步骤23,根据公式(2.2)检测背景像素,
|g(x,y,t)-μt-1(x,y)|<λσt-1 (2.2)
其中,λ为高斯背景参数;
步骤24,利用公式(2.3)、公式(2.4)和公式(2.5)分别对高斯模型的期望、标准差和方差进行更新;
μt(x,y)=(1-α)*μt-1(x,y)+α*g(x,y,t) (2.3)
步骤25,重复步骤23和步骤24,直至背景像素检测完毕为止,得到背景模型GM。
步骤3:对每一帧图像中的血管进行分割,得到血管的轮廓和中线。
对每一帧图像中的血管进行分割,得到血管的轮廓和中线的过程包括以下步骤:
步骤31,选择合适的阈值Th,根据公式(3.1)对景模型GM图像中任意一点的灰度值GM(x,y)进行二值化得到二值图像B(x,y),取其中白色连通区域得到血管区域集合H,血管区域集合H中包括若干个分割出来的血管h;
步骤32,从血管集合H中选择一个目标血管h,利用数学形态学的骨架提取方法进行细化,提取骨架,得到血管h的中线E。
步骤4:采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置,并据此生成运动轨迹图。
采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置和运动轨迹图的过程包括以下步骤:
步骤41,利用公式(4.1)对当前帧图像f(x,y)与背景图像GM(x,y)进行差分,得到运动目标图像D(x,y);
D(x,y)=|f(x,y)-GM(x,y)| (4.1)
步骤42,设置一个阈值T,对运动目标图像进行二值化,若D(x,y)>T,则D(x,y)=255,否则,D(x,y)=0,得到新的二值图像D(x,y)中的白色像素区域就是运动目标;
步骤43,根据步骤32得到的中线与运动目标D(x,y)做与运算,得到交点集合HJ,对HJ中的每个点计算到中线一端的距离,得到距离集合Hd;
步骤44,根据每一帧的距离集合Hd生成运动轨迹图W,设置W的初始像素值均为0,其横坐标代表视频帧数,纵坐标代表中线上每一个点到中线端点的距离,对于第i帧图像,其距离集合为Hdi,则对Hdi中的每个元素a,令W(i,a)=255,运动轨迹图就是把微循环中血流速度的测量转换为对二维图像中运动目标轨迹方向的测量,即对运动轨迹图中的轨迹的斜率进行计算就可以得到血流速度,得到的运动轨迹图,如图3所示。
步骤5:对运动目标的运动轨迹图进行投影,计算得到运动目标的速度。
对运动目标的运动轨迹图进行投影,计算得到运动目标的速度的过程包括以下步骤:
步骤51,利用公式(5.1)对运动轨迹图W在S方向进行投影,投影角度θ的值从0旋转到π,得到一个投影集合Hw;
其中,M和N分别为图像的高度和宽度,运算符┖┚表示下取整,例如:┖X┚则是对X进行下取整运算;投影坐标(t,s)与原坐标(x,y)之间的对应关系如图4所示;
步骤52,对集合Hw中的每一个直方图,都计算其方差并将该方差放入集合Hσ;
步骤53,从方差集合Hσ中,选择最大的元素,并根据该元素从集合Hw中找到对应的投影直方图,从而找到该投影直方图的投影角度θ;
步骤54,计算角度θ的余切,就可得到血流速度v,即v=cotθ。:
本发明将背景差分和投影的方法应用于人体微循环血流速度检测,能够快速准确地实现对微循环血流速度的检测。
图5是根据一示例性实施例示出的一种基于背景差分和投影的人体微循环血流速度检测***的示意图。如图5所示,本实施例提供的一种基于背景差分和投影的人体微循环血流速度检测***,包括:
视频图像序列获取模块,用于对甲襞微循环视频图像进行去抖动运算,得到稳定的视频图像序列V;
背景建模模块,用于采用高斯混合模型对视频图像序列V进行背景建模;
图像血管分割模块,用于对每一帧图像中的血管进行分割,得到血管的轮廓和中线;
运动轨迹模块,用于采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置,并据此生成运动轨迹图;
投影模块,用于对运动目标的运动轨迹图进行投影,计算得到运动目标的速度。
在本实施例一种可能的实现方式中,所述视频图像序列获取模块包括:视频影像文件模块、图像灰度化模块、图像投影模块、相关性计算模块、动矢量计算模块和图像平移模块;
视频影像文件模块通过显微相机获取无名指甲襞微循环的视频影像文件;图像灰度化模块对如图2所示的甲襞微循环视频每一帧图像G(x,y)利用公式(1.1)进行灰度化处理得到图像g(x,y);
Gray=0.114×B+0.587×G+0.299×R (1.1)
其中,B、G、R分别为图像中每一个像素点的三种颜色分量;
图像投影模块选择视频图像序列的第一帧为参考帧图像,对后面每一帧都参考第一帧进行偏移校正,利用公式(1.2)对图像在行方向和列方向上分别进行投影得到两个独立的一维数据,
相关性计算模块根据公式(1.3)计算第k帧图像的行灰度投影曲线与参考帧图像行投影曲线的相关性,
其中,Pk(i)为第k帧图像第i行的灰度投影值,P1(i)为第一帧图像第i行的灰度投影值,q是偏移量相对于参考帧在一侧的搜索范围,M-2q表示图像的高度去除两侧搜索范围后的高度,即匹配区域的高度,ω是搜索偏移量;
假设ωmin为ρ(ω)最小值时ω的值,动矢量计算模块根据公式(1.4)可以计算第k帧图像相对于参考帧图像在垂直方向的运动矢量δk,
δk=m+1-ωmin (1.4)
其中,δk为正时表明待匹配的帧向上运动了|δk|个像素,为负时表明向下运动了|δk|个像素;
采用同样的方法,图像平移模块可以计算出当前帧图像在水平方向的运动矢量Δk,对当前帧图像水平方向平移-Δk,在垂直方向平移-δk,即可得到得到稳定的视频图像序列V。
在本实施例一种可能的实现方式中,所述背景建模模块包括:背景模型初始化模块、建模模块、背景像素检测模块和更新模块;
背景模型初始化模块从V中选择第一帧图像来初始化背景模型,将高斯函数的期望初始化为图像像素的灰度值,标准差初始化为常数c,则方差为c2;
建模模块利用公式(2.1)对V进行背景建模,
其中,g(x,y,t)是在t时刻图像坐标(x,y)处的灰度值,P(g(x,y,t))是该灰度值出现的概率,μt和σt分别为t时刻该像素高斯分布的期望和方差;
背景像素检测模块根据公式(2.2)检测背景像素,
|g(x,y,t)-μt-1(x,y)|<λσt-1 (2.2)
其中,λ为高斯背景参数;
更新模块利用公式(2.3)、(2.4)和(2.5)分别对高斯模型的期望,标准差和方差进行更新;
μt(x,y)=(1-α)*μt-1(x,y)+α*g(x,y,t) (2.3)
背景像素检测模块和更新模块相互交替,检测背景像素并对高斯模型的期望,标准差和方差进行更新,直至背景像素检测完毕为止,得到背景模型GM。
在本实施例一种可能的实现方式中,所述图像血管分割模块包括:背景模型二值化模块和骨架提取模块;
背景模型二值化模块对得到的背景模型GM图像中任意一点的灰度值GM(x,y),选择合适的阈值Th后根据公式(3.1)对图像进行二值化得到二值图像B(x,y),取其中白色连通区域得到血管区域集合H,H中包括若干个分割出来的血管h;
骨架提取模块从血管集合H中选择一个目标血管h,利用数学形态学的骨架提取方法进行细化,提取骨架,得到血管h的中线E。
在本实施例一种可能的实现方式中,所述运动轨迹模块包括:差分模块、运动目标二值化模块、距离集合模块和运动轨迹图生成模块;
差分模块利用公式(4.1)对当前帧图像f(x,y)与背景图像GM(x,y)进行差分,得到运动目标图像D(x,y);
D(x,y)=|f(x,y)-GM(x,y)| (4.1)
运动目标二值化模块设置一个阈值T,对运动目标图像进行二值化,若D(x,y)>T,则D(x,y)=255,否则,D(x,y)=0,得到新的二值图像D(x,y)中的白色像素区域就是运动目标;
距离集合模块对得到的中线与运动目标D(x,y)做与运算,得到交点集合HJ,对HJ中的每个点计算到中线一端的距离,得到距离集合Hd;
运动轨迹图生成模块根据每一帧的距离集合Hd生成运动轨迹图W,设置W的初始像素值均为0,其横坐标代表视频帧数,纵坐标代表中线上每一个点到中线端点的距离,对于第i帧图像,其距离集合为Hdi,则对Hdi中的每个元素a,令W(i,a)=255,运动轨迹图就是把微循环中血流速度的测量转换为对二维图像中运动目标轨迹方向的测量,即对运动轨迹图中的轨迹的斜率进行计算就可以得到血流速度,得到的运动轨迹图,如图3所示。
在本实施例一种可能的实现方式中,所述投影模块包括:S方向投影模块、方差计算模块、投影角度模块和角度余切计算模块;
S方向投影模块利用公式(5.1)对运动轨迹图W在S方向进行投影,投影角度θ的值从0旋转到π,得到一个投影集合Hw;
其中,M和N分别为图像的高度和宽度,运算符┖┚表示下取整,投影坐标(t,s)与原坐标(x,y)之间的对应关系如图4所示;
方差计算模块对集合Hw中的每一个直方图,都计算其方差并将该方差放入集合Hσ;
投影角度模块从方差集合Hσ中,选择最大的元素,并根据该元素从集合Hw中找到对应的投影直方图,从而找到该投影直方图的投影角度θ;
角度余切计算模块计算角度θ的余切,就可得到血流速度v,即v=cotθ。
本发明主要用于自动检测甲襞微循环血流速度,将背景差分和投影的方法应用于人体微循环血流速度检测,能够快速准确地实现对微循环血流速度的检测,对于一些疾病的临床诊断具有重要的参考价值和辅助诊断作用,对于人体健康状况的检测和判断用药的疗效等方面也极具价值。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也被视作为本发明的保护范围。
Claims (2)
1.一种人体微循环血流速度检测的方法,其特征在于,包括以下步骤:
步骤1:对甲襞微循环视频图像进行去抖动运算,得到稳定的视频图像序列V;
步骤2:采用高斯混合模型对视频图像序列V进行背景建模;
步骤3:对每一帧图像中的血管进行分割,得到血管的轮廓和中线;
步骤4:采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置,并据此生成运动轨迹图;
步骤5:对运动目标的运动轨迹图进行投影,计算得到运动目标的速度;
在步骤1中,对甲襞微循环视频图像做去抖动,得到稳定的视频图像序列V的过程包括以下步骤:
步骤11:通过显微相机获取无名指甲襞微循环的视频影像文件;
步骤12,甲襞微循环视频每一帧图像G(x,y)利用公式(1.1)进行灰度化处理得到图像g(x,y);
Gray=0.114×B+0.587×G+0.299×R (1.1)
其中,B、G、R分别为图像中每一个像素点的三种颜色分量;
步骤13,选择甲襞微循环视频图像序列的第一帧图像为参考帧图像,对后面每一帧都参考第一帧图像进行偏移校正,利用公式(1.2)对图像在行方向和列方向上分别进行投影得到两个独立的一维数据,
步骤14,根据公式(1.3)计算第k帧图像的行灰度投影曲线与参考帧图像行投影曲线的相关性ρ(ω):
其中,Pk(i)为第k帧图像第i行的灰度投影值,P1(i)为第一帧图像第i行的灰度投影值,q是偏移量相对于参考帧在一侧的搜索范围,M-2q表示图像的高度去除两侧搜索范围后的高度,ω是搜索偏移量;
步骤15,假设ωmin为ρ(ω)最小值时ω的值,则根据公式(1.4)计算第k帧图像相对于参考帧图像在垂直方向的运动矢量δk,
δk=m+1-ωmin (1.4)
其中,δk为正时表明待匹配的帧向上运动了|δk|个像素,δk为负时表明向下运动了|δk|个像素;
步骤16,采用与步骤15同样的方法计算出当前帧图像在水平方向的运动矢量Δk,对当前帧图像水平方向平移-Δk,在垂直方向平移-δk,即可得到稳定的视频图像序列V;
在步骤2中,采用高斯混合模型对视频图像序列V进行背景建模的过程包括以下步骤:
步骤21,从视频图像序列V中选择第一帧图像来初始化背景模型,高斯函数的期望初始化为图像像素的灰度值,标准差初始化为常数c,则方差为c2;
步骤22,利用公式(2.1)对视频图像序列V进行背景建模,
其中,g(x,y,t)是在t时刻图像坐标(x,y)处的灰度值,P(g(x,y,t))是该灰度值出现的概率,μt和σt分别为t时刻该像素高斯分布的期望和方差;
步骤23,根据公式(2.2)检测背景像素,
|g(x,y,t)-μt-1(x,y)|<λσt-1 (2.2)
其中,λ为高斯背景参数;
步骤24,利用公式(2.3)、公式(2.4)和公式(2.5)分别对高斯模型的期望、标准差和方差进行更新;
μt(x,y)=(1-α)*μt-1(x,y)+α*g(x,y,t) (2.3)
步骤25,重复步骤23和步骤24,直至背景像素检测完毕为止,得到背景模型GM;
在步骤3中,对每一帧图像中的血管进行分割,得到血管的轮廓和中线的过程包括以下步骤:
步骤31,选择合适的阈值Th,根据公式(3.1)对景模型GM图像中任意一点的灰度值GM(x,y)进行二值化得到二值图像B(x,y),取其中白色连通区域得到血管区域集合H,血管区域集合H中包括若干个分割出来的血管h;
步骤32,从血管集合H中选择一个目标血管h,利用数学形态学的骨架提取方法进行提取骨架,得到血管h的中线E;
在步骤4中,采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置和运动轨迹图的过程包括以下步骤:
步骤41,利用公式(4.1)对当前帧图像f(x,y)与背景图像GM(x,y)进行差分,得到运动目标图像D(x,y);
D(x,y)=|f(x,y)-GM(x,y)|(4.1)
步骤42,设置一个阈值T,对运动目标图像进行二值化,若D(x,y)>T,则D(x,y)=255,否则D(x,y)=0,得到新的二值图像D(x,y)中的白色像素区域就是运动目标;
步骤43,根据步骤32得到的中线与运动目标D(x,y)做与运算,得到交点集合HJ,对HJ中的每个点计算到中线一端的距离,得到距离集合Hd;
步骤44,根据每一帧的距离集合Hd生成运动轨迹图W,设置W的初始像素值均为0,其横坐标代表视频帧数,纵坐标代表中线上每一个点到中线端点的距离,对于第i帧图像,其距离集合为Hdi,则对Hdi中的每个元素a,令W(i,a)=255,得到的运动轨迹图;
在步骤5中,对运动目标的运动轨迹图进行投影,计算得到运动目标的速度的过程包括以下步骤:
步骤51,利用公式(5.1)对运动轨迹图W在S方向进行投影,投影角度θ的值从0旋转到π,得到一个投影集合Hw;
其中,M和N分别为图像的高度和宽度,运算符┖┚表示下取整;
步骤52,对集合Hw中的每一个直方图,都计算其方差并将该方差放入集合Hσ;
步骤53,从方差集合Hσ中,选择最大的元素,并根据该元素从集合Hw中找到对应的投影直方图,从而找到该投影直方图的投影角度θ;
步骤54,计算角度θ的余切,就可得到血流速度v,即v=cotθ。
2.一种人体微循环血流速度检测的***,其特征在于,包括:
视频图像序列获取模块,用于对甲襞微循环视频图像进行去抖动运算,得到稳定的视频图像序列V;
背景建模模块,用于采用高斯混合模型对视频图像序列V进行背景建模;
图像血管分割模块,用于对每一帧图像中的血管进行分割,得到血管的轮廓和中线;
运动轨迹模块,用于采用背景差分法对血管中的运动目标进行检测跟踪,计算得到运动目标的位置,并据此生成运动轨迹图;
投影模块,用于对运动目标的运动轨迹图进行投影,计算得到运动目标的速度;
所述视频图像序列获取模块包括:
视频影像文件模块,用于通过显微相机获取无名指甲襞微循环的视频影像文件;
图像灰度化模块,用于对甲襞微循环视频每一帧图像G(x,y)进行灰度化得到图像g(x,y);
图像投影模块,用于选择甲襞微循环视频图像序列的第一帧图像为参考帧图像,后面每一帧都参考第一帧图像进行偏移校正,对图像在行方向和列方向上分别进行投影得到两个独立的一维数据;
相关性计算模块,用于计算第k帧图像的行灰度投影曲线与参考帧图像行投影曲线的相关性ρ(ω);
动矢量计算模块,用于计算第k帧图像相对于参考帧图像在垂直方向的运动矢量δk;
图像平移模块,用于计算当前帧图像在水平方向的运动矢量Δk,并对当前帧图像水平方向平移-Δk,在垂直方向平移-δk,即可得到稳定的视频图像序列V;
所述背景建模模块包括:
背景模型初始化模块,用于从视频图像序列V中选择第一帧图像来初始化背景模型,高斯函数的期望初始化为图像像素的灰度值,标准差初始化为常数c,则方差为c2;
建模模块,用于对视频图像序列V进行背景建模;
背景像素检测模块,用于检测背景像素;
更新模块,用于对高斯模型的期望、标准差和方差进行更新;
所述图像血管分割模块包括:
背景模型二值化模块,用于选择合适的阈值Th,对景模型GM图像中任意一点的灰度值GM(x,y)进行二值化得到二值图像B(x,y),取其中白色连通区域得到血管区域集合H,血管区域集合H中包括若干个分割出来的血管h;
骨架提取模块,用于从血管集合H中选择一个目标血管h,利用数学形态学的骨架提取方法进行细化,提取骨架,得到血管h的中线E;
所述运动轨迹模块包括:
差分模块,用于对当前帧图像f(x,y)与背景图像GM(x,y)进行差分,得到运动目标图像D(x,y);
运动目标二值化模块,用于设置一个阈值T,对运动目标图像进行二值化,若D(x,y)>T,则D(x,y)=255,否则,D(x,y)=0,得到新的二值图像D(x,y)中的白色像素区域就是运动目标;
距离集合模块,用于中线与运动目标D(x,y)做与运算,得到交点集合HJ,对HJ中的每个点计算到中线一端的距离,得到距离集合Hd;
运动轨迹图生成模块,用于根据每一帧的距离集合Hd生成运动轨迹图W,设置运动轨迹图W的初始像素值均为0,其横坐标代表视频帧数,纵坐标代表中线上每一个点到中线端点的距离,对于第i帧图像,其距离集合为Hdi,则对Hdi中的每个元素a,令W(i,a)=255,得到的运动轨迹图;
所述投影模块包括:
S方向投影模块,用于对运动轨迹图W在S方向进行投影,投影角度θ的值从0旋转到π,得到一个投影集合Hw;
方差计算模块,用于对集合Hw中的每一个直方图,都计算其方差并将该方差放入集合Hσ;
投影角度模块,用以从方差集合Hσ中,选择最大的元素,并根据该元素从集合Hw中找到对应的投影直方图,从而找到该投影直方图的投影角度θ;
角度余切计算模块,用于计算角度θ的余切,就可得到血流速度v,即v=cotθ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910288803.4A CN110060275B (zh) | 2019-04-11 | 2019-04-11 | 一种人体微循环血流速度检测的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910288803.4A CN110060275B (zh) | 2019-04-11 | 2019-04-11 | 一种人体微循环血流速度检测的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110060275A CN110060275A (zh) | 2019-07-26 |
CN110060275B true CN110060275B (zh) | 2022-12-20 |
Family
ID=67318618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910288803.4A Active CN110060275B (zh) | 2019-04-11 | 2019-04-11 | 一种人体微循环血流速度检测的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060275B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110833393A (zh) * | 2019-10-18 | 2020-02-25 | 广东药科大学 | 智能微循环检测仪和甲襞微循环检测方法 |
CN112419329A (zh) * | 2020-06-03 | 2021-02-26 | 中煤华晋集团有限公司王家岭矿 | 一种基于matlab的散体相似模拟顶煤运移监测方法 |
CN111956200B (zh) * | 2020-09-01 | 2023-07-21 | 徐州利华电子科技发展有限公司 | 微循环高速血流测算***和测算方法 |
CN112164046B (zh) * | 2020-09-24 | 2022-12-16 | 中山大学中山眼科中心 | 一种眼微血管血流动力学参数自动分析方法 |
CN113450329B (zh) * | 2021-06-29 | 2023-01-10 | 广州医软智能科技有限公司 | 一种微循环图像血管分支红细胞流速计算方法及*** |
CN114419545A (zh) * | 2021-12-30 | 2022-04-29 | 上海微创医疗机器人(集团)股份有限公司 | 安全保护方法、***、计算机设备及存储介质 |
CN114219780A (zh) * | 2021-12-10 | 2022-03-22 | 东北大学 | 一种基于深度学习的甲襞微循环血管检测与分割方法 |
CN114882065B (zh) * | 2022-07-12 | 2023-03-14 | 深圳市瑞图生物技术有限公司 | 检测对象的流动性判断方法、装置、分析仪及存储介质 |
CN115778315A (zh) * | 2022-10-13 | 2023-03-14 | 广州医软智能科技有限公司 | 微循环图像序列消除抖动方法、装置、设备及存储介质 |
CN115998275B (zh) * | 2022-12-26 | 2023-10-24 | 广东省新黄埔中医药联合创新研究院 | 血流速度检测校准方法、装置、设备及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346911A (zh) * | 2010-07-28 | 2012-02-08 | 北京集翔多维信息技术有限公司 | 在数字减影血管造影图像序列中分割血管的方法 |
CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7664329B2 (en) * | 2006-03-02 | 2010-02-16 | Honeywell International Inc. | Block-based Gaussian mixture model video motion detection |
WO2010117576A2 (en) * | 2009-04-07 | 2010-10-14 | Virginia Commonwealth University | Image processing and machine learning for diagnostic analysis of microcirculation |
CN104183127B (zh) * | 2013-05-21 | 2017-02-22 | 北大方正集团有限公司 | 交通监控视频检测方法和装置 |
-
2019
- 2019-04-11 CN CN201910288803.4A patent/CN110060275B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346911A (zh) * | 2010-07-28 | 2012-02-08 | 北京集翔多维信息技术有限公司 | 在数字减影血管造影图像序列中分割血管的方法 |
CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
Non-Patent Citations (1)
Title |
---|
一种基于ST图轨迹方向的微循环流速测量算法;吕菲等;《生物医学工程学杂志》;20150425(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110060275A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060275B (zh) | 一种人体微循环血流速度检测的方法及*** | |
Mukherjee et al. | Level set analysis for leukocyte detection and tracking | |
CN105488815B (zh) | 一种支持目标尺寸变化的实时对象跟踪方法 | |
CN106485695B (zh) | 基于统计形状模型的医学图像Graph Cut分割方法 | |
Li et al. | Robust visual tracking based on convolutional features with illumination and occlusion handing | |
CN102074034B (zh) | 多模型人体运动跟踪方法 | |
CN113744337B (zh) | 一种融合视觉、imu与声纳的同步定位与建图方法 | |
CN103810491B (zh) | 融合深度和灰度图像特征点的头姿估计兴趣点检测方法 | |
CN102222341B (zh) | 运动特征点检测方法及装置、运动目标检测方法及装置 | |
CN109767454B (zh) | 基于时-空-频显著性的无人机航拍视频运动目标检测方法 | |
CN106600625A (zh) | 检测小型生物的图像处理方法及装置 | |
CN109816673A (zh) | 一种非极大值抑制、动态阈值计算及图像边缘检测方法 | |
CN108875586B (zh) | 一种基于深度图像与骨骼数据多特征融合的功能性肢体康复训练检测方法 | |
CN110930411B (zh) | 一种基于深度相机的人体分割方法及*** | |
CN104766316B (zh) | 中医望诊中新型嘴唇分割算法 | |
CN108597009A (zh) | 一种基于方向角信息进行三维目标检测的方法 | |
CN101894278A (zh) | 基于变结构多模型的人体运动跟踪方法 | |
CN113743385A (zh) | 一种无人船水面目标检测方法、装置及无人船 | |
Zhong et al. | Seeing through the occluders: Robust monocular 6-DOF object pose tracking via model-guided video object segmentation | |
CN111709982B (zh) | 一种动态环境三维重建方法 | |
CN112489088A (zh) | 一种基于记忆单元的孪生网络视觉跟踪方法 | |
CN105335751B (zh) | 一种基于视觉图像的泊位飞机前轮定位方法 | |
Min et al. | Coeb-slam: A robust vslam in dynamic environments combined object detection, epipolar geometry constraint, and blur filtering | |
CN103093481B (zh) | 一种基于分水岭分割的静态背景下运动目标检测方法 | |
Zhou et al. | An unmanned aerial vehicle identification and tracking system based on weakly supervised semantic segmentation technology |
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 |