CN110189309A - 一种图像处理方法及装置、电子设备和存储介质 - Google Patents
一种图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110189309A CN110189309A CN201910425459.9A CN201910425459A CN110189309A CN 110189309 A CN110189309 A CN 110189309A CN 201910425459 A CN201910425459 A CN 201910425459A CN 110189309 A CN110189309 A CN 110189309A
- Authority
- CN
- China
- Prior art keywords
- image
- acquisition image
- pixel
- estimation
- marked
- 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
- G06T7/0002—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
- G06T2207/10121—Fluoroscopy
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,其中,所述方法包括:获取待处理的采集图像;根据对所述采集图像中表征待标注区域的像素点进行预测的预测结果,确定所述采集图像的第一不确定估计;根据所述采集图像的待标注区域的特征图像,确定所述采集图像的第二不确定估计;基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像中表征待标注区域的推荐标注区域。本公开实施例可节省人力资源,提高标注的效率和准确性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
冠状动脉病变会影响患者的健康甚至造成患者死亡。早期的冠状动脉病变通常是由动脉粥样硬化引起,动脉粥样硬化会造成胆固醇以及脂肪沉积在血管内腔,进而堵塞血管,影响血液对于心肌的正常灌注。经皮质冠状动脉介入手术是一种有效治疗冠状动脉粥样硬化疾病的有效手段:在X光血管造影图像的引导下,医生通过导丝将球囊装置穿过显影的血管树到达狭窄的病灶处,释放球囊装置疏通狭窄血管,确保血液的正常流动。
X光血管造影图像可以是二维投影图,具有重叠的复杂背景图像和灰度不均一的前景血管图像。受制于X光血管造影图像复杂的图像特性,如何在由X光血管造影图像得到准确的血管结构的过程中减少人力工作是一个亟待解决的问题。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:
获取待处理的采集图像;
根据对所述采集图像中表征待标注区域的像素点进行预测的预测结果,确定所述采集图像的第一不确定估计;
根据所述采集图像的待标注区域的特征图像,确定所述采集图像的第二不确定估计;
基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像中表征待标注区域的推荐标注区域。
在一种可能的实现方式中,所述根据对所述采集图像中表征待标注区域的像素点进行预测的预测结果,确定所述采集图像的第一不确定估计,包括:
确定预测所述采集图像中表征待标注区域的像素点的过程中使用的预测参数;
根据在所述预测参数作用下得到的所述特征图像中像素点的预测结果,确定所述特征图像中像素点的第一不确定估计。
在一种可能的实现方式中,所述根据所述采集图像的待标注区域的特征图像,确定所述采集图像的第二不确定估计,包括:
对所述采集图像进行图像层分离处理,得到所述采集图像的待标注区域的特征图像;
根据所述特征图像中每个像素点表示的图像特征的特征值,对所述待标注区域的图像特征进行不确定估计,得到所述采集图像的第二不确定估计。
在一种可能的实现方式中,所述基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像中表征待标注区域的推荐标注区域,包括:
根据所述第一不确定估计和所述第二不确定估计,得到所述采集图像的融合不确定估计;
基于所述采集图像的融合不确定估计,确定所述采集图像的推荐标注区域。
在一种可能的实现方式中,所述根据所述第一不确定估计和所述第二不确定估计,得到所述采集图像的融合不确定估计,包括:
将所述采集图像划分为多个像素点集合;
将每个像素点集合中相同的像素点位置对应的所述第一不确定估计和所述第二不确定估计进行融合,确定所述采集图像的每个像素点集合对应的融合不确定估计。
在一种可能的实现方式中,所述根据所述第一不确定估计和所述第二不确定估计,得到所述采集图像的融合不确定估计,包括:
获取所述第一不确定估计的第一融合权重值以及所述第二不确定估计的第二融合权重值;其中,所述第一融合权重值与所述第二融合权重值负相关;
根据所述第一融合权重值和所述第二融合权重值,确定每个像素点位置对应的融合不确定估计。
在一种可能的实现方式中,所述方法还包括:
获取权重衰减因子;
获取所述采集图像在待处理的采集图像集合中处理次序;
根据所述权重衰减因子和所述处理次序,确定所述第一融合权重值和所述第二融合权重值,其中,所述第二融合权重值与所述处理次序负相关。
在一种可能的实现方式中,所述基于所述采集图像的融合不确定估计,确定所述采集图像的推荐标注区域,包括:
确定所述采集图像中融合不确定估计大于预设阈值的目标像素点区域;
将所述目标像素点区域作为所述采集图像的推荐标注区域。
在一种可能的实现方式中,所述基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像中表征待标注区域的推荐标注区域之后,还包括:
获取基于所述采集图像的推荐标注区域得到的所述采集图像的标注结果;
根据所述预测结果和所述标注结果,确定预测所述采集图像中表征待标注区域的像素点的预测损失;
根据所述预测损失对预测所述采集图像中表征待标注区域的像素点过程中的预测参数进行调整。
在一种可能的实现方式中,所述根据所述预测结果和所述标注结果,确定预测所述采集图像中表征待标注区域的像素点的预测损失,包括:
获取所述采集图像中存在所述标注结果的像素点对应的第一损失权重;
获取所述采集图像中不存在所述标注结果的像素点对应的第二损失权重;其中,所述第一损失权重大于所述第二损失权重;
根据所述采集图像中每个像素点对应的预测结果和所述标注结果,以及每个像素点对应的第一损失权重和第二损失权重,确定预测所述采集图像中表征待标注区域的像素点的预测损失。
在一种可能的实现方式中,所述待标注区域为血管结构。
根据本公开的一方面,提供了一种图像处理装置,包括:
获取模块,用于获取待处理的采集图像;
第一确定模块,用于根据对所述采集图像中表征待标注区域的像素点进行预测的预测结果,确定所述采集图像的第一不确定估计;
第二确定模块,用于根据所述采集图像的特征图像,确定所述采集图像的第二不确定估计;
标注模块,用于基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像中表征待标注区域的推荐标注区域。
在一种可能的实现方式中,所述第一确定模块,具体用于,
确定预测所述采集图像中表征待标注区域的像素点的过程中使用的预测参数;
根据在所述预测参数作用下得到的所述特征图像中像素点的预测结果,确定所述特征图像中像素点的第一不确定估计。
在一种可能的实现方式中,所述第二确定模块,具体用于,
对所述采集图像进行图像层分离处理,得到所述采集图像的待标注区域的特征图像;
根据所述特征图像中每个像素点表示的图像特征的特征值,对所述待标注区域的图像特征进行不确定估计,得到所述采集图像的第二不确定估计。
在一种可能的实现方式中,所述标注模块,具体用于,
根据所述第一不确定估计和所述第二不确定估计,得到所述采集图像的融合不确定估计;
基于所述采集图像的融合不确定估计,确定所述采集图像的推荐标注区域。
在一种可能的实现方式中,所述标注模块,具体用于,
将所述采集图像划分为多个像素点集合;
将每个像素点集合中相同的像素点位置对应的所述第一不确定估计和所述第二不确定估计进行融合,确定所述采集图像的每个像素点集合对应的融合不确定估计。
在一种可能的实现方式中,所述标注模块,具体用于,
获取所述第一不确定估计的第一融合权重值以及所述第二不确定估计的第二融合权重值;其中,所述第一融合权重值与所述第二融合权重值负相关;
根据所述第一融合权重值和所述第二融合权重值,确定每个像素点位置对应的融合不确定估计。
在一种可能的实现方式中,所述装置还包括:
融合权重确定模块,用于获取权重衰减因子;获取所述采集图像在待处理的采集图像集合中处理次序;根据所述权重衰减因子和所述处理次序,确定所述第一融合权重值和所述第二融合权重值,其中,所述第二融合权重值与所述处理次序负相关。
在一种可能的实现方式中,所述标注模块,具体用于,
确定所述采集图像中融合不确定估计大于预设阈值的目标像素点区域;
将所述目标像素点区域作为所述采集图像的推荐标注区域。
在一种可能的实现方式中,所述装置还包括:
反馈模块,用于获取基于所述采集图像的推荐标注区域得到的所述采集图像的标注结果;根据所述预测结果和所述标注结果,确定预测所述采集图像中表征待标注区域的像素点的预测损失;根据所述预测损失对预测所述采集图像中表征待标注区域的像素点过程中的预测参数进行调整。
在一种可能的实现方式中,所述反馈模块,具体用于,
获取所述采集图像中存在所述标注结果的像素点对应的第一损失权重;
获取所述采集图像中不存在所述标注结果的像素点对应的第二损失权重;其中,所述第一损失权重大于所述第二损失权重;
根据所述采集图像中每个像素点对应的预测结果和所述标注结果,以及每个像素点对应的第一损失权重和第二损失权重,确定预测所述采集图像中表征待标注区域的像素点的预测损失。
在一种可能的实现方式中,所述待标注区域为血管结构。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述图像处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
在本公开实施例中,可以获取待处理的采集图像,然后根据对采集图像中表征待标注区域的像素点的预测结果,确定采集图像的第一不确定估计,以及,根据采集图像的特征图像,确定采集图像的第二不确定估计,从而可以基于第一不确定估计和第二不确定估计,得到采集图像中表征待标注区域的推荐标注区域。其中,第一不确定估计可以对应于在预测表征待标注区域的像素点的预测结果的不确定估计,第二不确定估计可以对应于采集图像的图像特征的不确定估计,从而在确定采集图像中的推荐标注区域时,可以考虑预测过程的不确定性和图像特征的不确性两方面因素,从而可以提高推荐标注区域的准确性。同时,推荐标注区域可以为用户指示具有高标注价值的像素点,从而用户可以无需对采集图像中全部的像素点进行标注,节省人力资源,提高标注的效率和准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2示出根据本公开实施例的确定采集图像的第一不确定估计过程的流程图。
图3示出根据本公开实施例的确定采集图像的第二不确定估计过程的流程图。
图4示出根据本公开实施例的进行图像层分离处理的框图。
图5示出根据本公开实施例的确定采集图像的融合不确定估计的流程图。
图6示出根据本公开实施例的确定采集图像的融合不确定估计的流程图。
图7示出根据本公开实施例的确定第一融合权重值和第二融合权重值的流程图。
图8示出本公开实施例的待标注区域确定模型的训练过程的流程图。
图9示出根据本公开实施例的图像处理装置的框图。
图10示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本公开实施例提供的图像处理方案,可以获取待处理的采集图像,根据该采集图像中表征待标注区域的像素点的预测结果,可以确定第一不确定估计,根据该采集图像的特征图像,可以确定第二不确定估计,然后综合确定的两个不确定估计,即综合第一不确定估计和第二不确定估计可以确定采集图像中表征待标注区域的推荐标注区域,为用户提供进行表述的推荐标注区域。例如,可以将本公开实施例提供的图像处理方案应用在对血管造影图像中血管结构的分割中。
相关技术中,由于血管造影图像是二维投影图,具有复杂重叠的背景图像(肋骨、胸骨和隔膜等结构的图像)和灰度不均一的前景血管图像。受制于这样复杂的血管造影图像的特性,在进行血管分割时难以得到准确的血管结构,达不到实际临床的需求。基于深度学习的神经网络可以提高确定血管结构的准确度,但是往往需要大量且精细的手工标注来训练神经网络,但是标注会耗费大量的时间和精力,需要用户对每张用于训练的血管造影图像中的所有像素进行手工标注。本公开实施例提供的图像处理方案,采集图像可以是血管造影图像,待标注区域可以是血管结构,从而可以通过对血管造影图像进行两方面的不确定估计,确定具有高标注价值的推荐标注像素点,不仅可以节省大量的人力,提高标注效率,还可以在训练神经网络过程中可以考虑多个方面的不确定性,提高神经网络的训练精度。下面通过实施例对本公开提供的图像处理方案进行说明。
图1示出根据本公开实施例的图像处理方法的流程图。该图像处理方法可以由终端设备、服务器或其它图像处理装置执行,其中,终端设备可以为用户设备(UserEquipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以图像处理装置为例对本公开实施例的图像处理方法进行说明。
如图1所示,所述图像处理方法包括以下步骤:
步骤S11,获取待处理的采集图像。
在本公开实施例中,采集图像可以是本地存储的采集图像,还可以是由其他设备传输的采集图像,采集图像可以是二维投影图像。举例来说,采集图像可以是通过血管造影得到的图像,血管造影可以是利用X光无法穿透显影剂的特性,通过显影剂在X光照射下显示的影像确定待标注区域,从而诊断血管病变,例如,诊断冠状动脉病变。采集图像还可以是具有人体组织结构的图像,例如,绘有人体待标注区域的图像。待标注区域可以是需要进行标注的区域、结构,采集图像可以包括待标注区域的图像,除此之外,还可以包括多重复杂的背景图像,因此,由采集图像并不能直接确定待标注区域。
这里,可以采用基于神经网络训练形成的待标注区域确定模型,确定采集图像中表征待标注区域的像素点,实现由采集图像提取待标注区域。待标注区域确定模型可以是经过神经网络训练得到的,待标注区域确定模型在训练过程中,需要利用大量的标注有待标注区域的采集图像,该标注可以利用人工方式、自动标注方式,或者,人工与自动标注相结合的方式进行确定。对于人工标注方式具有较高的标注精度,但是会耗费大量的人力,影响标注效率。自动标注方式通常具有较高的标注效率,但是标注精度较低。本公开实施例提供的图像处理方案,可以在保证标注效率的同时,提高标注的准确性。
步骤S12,根据对所述采集图像中表征待标注区域的像素点进行预测的预测结果,确定所述采集图像的第一不确定估计。
在本公开实施例中,图像处理装置可以利用待标注区域确定模型,对采集图像中表征待标注区域的像素点进行预测,得到预测结果。然后可以根据预测结果,确定采集图像的第一不确定估计。第一不确定估计可以是对待标注区域确定模型预测结果进行的不确定估计。
这里,对采集图像中表中待标注区域的像素点进行预测得到的预测结果,可以是该像素点是否表征待标注区域的概率,如果该概率越大,则可以表明该像素点是表征待标注区域的像素点的可能性越大,否则,该像素点是表征待标注区域的像素点的可能性越小。根据采集图像针对每个像素点进行预测的预测结果,可以确定待标注区域确定模型在确定表征待标注区域的像素点时存在的不确定性,即,可以确定采集图像的第一不确定估计。
图2示出根据本公开实施例的确定采集图像的第一不确定估计过程的流程图。
在一种可能的实现方式中,如图2所示,上述步骤S12,可以包括以下步骤:
步骤S121,确定预测所述采集图像中表征待标注区域的像素点的过程中使用的预测参数;
步骤S122,根据在所述预测参数作用下得到的所述特征图像中像素点的预测结果,确定所述特征图像中像素点的第一不确定估计。
这里,在对采集图像中表征待标注区域的像素点进行预测的过程中,可以利用待标注区域确定模型。待标注区域确定模型可以包括预测参数,在预测参数的作用下,待标注区域确定模型可以对采集图像中表征待标注区域的像素点进行预测。这里的预测参数可以在待标注区域确定模型的训练过程中不断改变,使得待标注区域确定模型可以随着训练次数的增加,得到的表征待标注区域的像素点的预测结果更加准确。也就是说,待标注区域确定模型预测的预测结果是否准确,取决于对表征待标注区域的像素点进行预测的过程中使用的预测参数,从而可以确定预测采集图像中表征待标注区域的像素点过程中使用的预测参数,并确定在该预测参数的作用下得到的预测结果。这里的预测结果可以是针对采集图像中每个像素点而言的,该预测结果可以表征每个灰度值为xi,j的像素点在预测参数的作用下,得到的该像素点是表征待标注区域的像素点的概率。
这里,提供了一种第一不确定估计的计算公式,第一不确定估计的计算公式如公式(1)所示:
其中,可以表示采集图像i的第j个像素点对应的第一不确定估计;可以表示灰度值为xi,j的像素点在预测参数W的作用下,预测得到的该像素点表征待标注区域的像素点的概率;可以表示采集图像i第一不确定估计的归一化参数。利用上述公式(1)可以得到每个像素点对应的第一不确定估计。其中,i,j可以是正整数。
步骤S13,根据所述采集图像的特征图像,确定所述采集图像的第二不确定估计。
在本公开实施例中,图像处理装置可以在采集图像中提取待标注区域特征,得到采集图像的特征图像。特征图像中每个像素点可以表征在该像素点提取的图像特征的特征值。根据采集图像的每个图像特征的特征值,可以确定采集图像的第二不确定估计。第二不确定估计可以是根据采集图像的图像特征确定该像素点是否为表征待标注区域的像素点的不确定性,不确定估计越大,可以表明某个像素点是表征待标注区域的像素点或者不是待标注区域的像素点的可能性越高。
图3示出根据本公开实施例的确定采集图像的第二不确定估计过程的流程图。
在一种可能的实现方式中,如图3所示,上述步骤S13,可以包括以下步骤:
步骤S131,对所述采集图像进行图像层分离处理,得到所述采集图像的待标注区域的特征图像;
步骤S132,根据所述特征图像中每个像素点表示的图像特征的图像特征值,对所述采集图像的图像特征进行不确定估计,得到所述采集图像的第二不确定估计。
这里,在确定采集图像的第二不确定估计时,可以先对采集图像进行图像层分离处理,得到采集图像的待标注区域的特征图像。这里的分层处理可以包括多个图像处理操作,每个图像处理操作后可以得到相应的图像.例如,可以根据采集图像中相邻像素点的灰度值,对采集图像进行图像形态处理,可以得到一个进行形态处理后的采集图像。这里的图像形态处理可以包括形态学的闭操作、开操作、膨胀、腐蚀等图像形态处理。然后可以对图像形态处理后的采集图像进行鲁棒主成分分析,得到采集图像的待标注区域的特征图像。鲁棒主成分分析可以是对图像进行主要图像信息提取,过滤图像噪声和冗余的图像处理手段。鲁棒主成分分析可以将进行图像形态处理后的采集图像分解为两个图像,其中一个图像可以是低秩的图像(对应于主要图像信息),其中的另一个可以是稀疏的图像(对应于噪声和冗余)。这里,特征图像可以对应于经过鲁棒主成分分析得到的稀疏的图像。图4示出根据本公开实施例的进行图像层分离处理的框图。如图4所示,采集图像进行图像层分离处理,可以得到3个图像,其中,图像a可以是待标注区域的特征图像。
这里,特征图像可以是表征待标注区域的图像,特征图像中每个像素点可以表示该像素点位置对应的待标注区域的图像特征,根据每个像素点表示的待标注区域的图像特征的特征值,可以对采集图像的待标注区域的图像特征进行不确定估计,得到采集图像的第二不确定估计。第二不确定估计可以是对采集图像的每个像素点对应的待标注区域的图像特征进行的不确定估计,可以表示每个像素点对应的图像特征是否表征待标注区域的可能性,如果某个像素点的第二不确定估计越高,则该像素点的图像特征表征待标注区域的可能性越大。
这里,提供了一种第二不确定估计的计算公式,第二不确定估计的计算公式如公式(2)所示:
其中,可以表示采集图像i的第j个像素点对应的第二不确定估计;si,j可以表示采集图像i的第j个像素点对应的特征值;可以表示采集图像i第二不确定估计的归一化参数。通过上述公式(2),可以确定采集图像中每个像素点对应的第二不确定估计。其中,i,j可以是正整数。
步骤S14,基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像中表征待标注区域的推荐标注区域。
在本公开实施例中,第一不确定估计可以是针对预测结果的不确定估计,第二不确定估计可以是可以针对图像特征的不确定估计,从而采集图像中每个像素点位置对应于两个不确定估计,然后可以综合每个像素点位置的第一不确定估计和第二不确定估计,对每个像素点是否为表征待标注区域的像素点进行估计,得到采集图像中表征待标注区域的推荐标注区域。这里的推荐标注区域可以由多个像素点形成的区域。
在一种可能的实现方式中,基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像的推荐标注区域,可以根据所述第一不确定估计和所述第二不确定估计,得到所述采集图像的融合不确定估计,然后基于所述采集图像的融合不确定估计,确定所述采集图像的推荐标注区域。
这里,可以将第一不确定估计和第二不确定估计进行融合,得到融合不确定估计。在将第一不确定估计和第二不确定估计进行融合时,可以将相同像素点位置的第一不确定估计和第二不确定估计进行融合,或者,可以将相同图像区域的第一不确定估计和第二不确定估计进行融合。在将相同图像区域的第一不确定估计和第二不确定估计进行融合时,可以分别确定每个图像区域的第一不确定估计和第二不确定估计,例如,将每个图像区域中相同的像素点的第一不确定估计的最大值、最小值、中间值或者平均值作为该图像区域的第一确定估计,相应地,将每个图像区域中相同像素点的第二不确定估计的最大值、最小值、中间值或者平均值作为该图像区域的第二不确定估计,然后再将每个图像区域的第一不确定估计和第二不确定估计进行融合,得到每个图像区域的融合不确定估计。
这里,在基于采集图像的融合不确定估计,确定所述采集图像的推荐标注区域时,可以确定所述采集图像中融合不确定估计大于预设阈值的目标像素点区域,然后将所述目标像素点区域作为所述采集图像的推荐标注区域。这里,可以将每个像素点的融合不确定估计与预设阈值进行比较,确定不确定估计大于预设阈值的像素点,由不确定估计大于预设阈值的像素点形成目标像素点区域,该目标像素点区域可以作为采集图像的推荐标注区域。在采集图像划分为多个像素点集合的情况下,可以根据每个像素点集合对应的融合不确定估计,确定采集图像的推荐标注区域,例如,可以将融合不确定估计大于预设阈值的像素点集合对应的像素点区域作为推荐标注区域,如,将融合不确定估计最高的20个像素点集合的像素点区域作为推荐标注区域,从而用户可以不对采集图像中的每个像素点进行标注。
下面提供一种确定采集图像的融合不确定估计的可能的实施方式。
图5示出根据本公开实施例的确定采集图像的融合不确定估计的流程图。如图5所示,基于所述采集图像的融合不确定估计,确定采集图像的推荐标注区域,可以包括以下步骤:
步骤S21,将所述采集图像划分为多个像素点集合;
步骤S22,将每个像素点集合中相同的像素点位置对应的所述第一不确定估计和所述第二不确定估计进行融合,确定所述采集图像的每个像素点集合对应的融合不确定估计。
这里,可以采集图像中的像素点划分为多个像素点集合,每个像素点集合可以包括多个像素点,每个像素点集合可以对应一个超像素。每个像素点集合所包括的像素点的数量可以相同,也可以不同。针对每个像素点集合中的每个像素点,可以将相同的像素点位置对应的第一不确定估计和第二不确定估计进行融合。在进行不确定估计融合时,可以将第一不确定估计和第二不确定估计中的最大值作为融合后的融合不确定估计,在一些实施方式中,还可以将第一不确定估计和第二不确定估计的平均值或者加权平均值作为融合后的融合不确定估计,本公开实施例不对具体的融合方式进行限定。然后可以由每个像素点集合中每个像素点的融合不确定估计该像素点集合对应的融合不确定估计,例如,可以将该像素点集合中像素点的融合不确定估计的最大值或者平均值,作为该像素点集合的融合不确定估计。这样,在对第一不确定估计和第二不确定估计进行融合时,可以以像素点集合为单位进行不确定估计融合,从而确定表征待标注区域的推荐标注区域时,可以以像素点集合为单位,从而可以减少针对单个像素点进行推荐标注时的误判现象。
图6示出根据本公开实施例的确定采集图像的融合不确定估计的流程图。
在一种可能的实现方式中,如图6所示,根据所述第一不确定估计和所述第二不确定估计,得到所述采集图像的融合不确定估计,可以包括以下步骤:
步骤S31,获取所述第一不确定估计的第一融合权重值以及所述第二不确定估计的第二融合权重值;其中,所述第一融合权重值与所述第二融合权重值负相关;
步骤S32,根据所述第一融合权重值和所述第二融合权重值,确定每个像素点位置对应的融合不确定估计。
在该种可能的实现方式中,在确定采集图像的融合不确定估计时,可以分别获取第一不确定估计和第二不确定估计在融合时对应的融合权重值,其中,第一不确定估计的融合权重值可以为第一融合权重值,第二不确定估计的融合权重值可以为第二融合权重值。第一融合权重值可以与第二融合权重值负相关,例如,第一融合权重值与第二融合权重值之和可以等于1。在获取第一融合权重值和第二融合权重值之后,可以分别将融合权重值作用于相同的像素点位置对应的第一不确定估计和第二不确定估计,即,将第一融合权重值作用于第一不确定估计,以及,将第二权重值作用于第二不确定估计,然后可以根据融合权重值作用后得到的作用结果,确定采集图像中每个像素点位置对应的融合不确定估计。例如,第一融合权重值作用于第一不确定估计可以得到第一作用结果,第二权重值作用于第二不确定估计可以得到第二作用结果,然后可以将第一作用结果与第二作用结果中的最大值作为该像素点的融合不确定估计,或者,可以将第一作用结果和第二作用结果中的平均值作为该像素点的融合不确定估计。
在一种可能的实现方式中,在将采集图像划分为多个像素点集合的情况下,针对每个像素点集合,可以确定该像素点集合中每个像素点对应的融合不确定估计,然后可以对确定的每个像素点对应的融合确定估计进行求和,根据求和得到的求和结果确定该像素点集合对应的融合不确定估计。
这里,提供了一个确定像素点集合对应的融合不确定估计的计算公式,融合不确定估计的计算公式如公式(3)所示:
其中,可以表示采集图像i中像素点j的第一不确定估计,可以表示采集图像i中像素点j的第二不确定估计;ui,c可以表示像素点集合c的融合的不确定性;Nc可以表示归一化参数;1-α可以表示第一融合权重值,α可以表示第二融合权重值。其中,i、j和c均为正整数。通过上述公式(3)可以确定每个像素点集合对应的融合不确定估计。
上述第一融合权重值和第二融合权重值可以设定为固定值,或者,可以随着待标注区域确定模型的训练次数不断变化。在不断变化的情况下,第一融合权重值和第二融合权重值可以针对待标注区域确定模型训练阶段的不同逐渐进行调整,从而使得待标注区域确定模型在不同的训练阶段具有不同的关注点,例如,在待标注区域确定模型的训练初期,使得待标注区域确定模型可以基于待标注区域的图像特征的不确定估计具有更快的收敛速度,在待标注区域确定模型的训练末期,可以基于神经网络的不确定性估计具有更高的收敛精度。下面对第一融合权重值和第二融合权重值的确定方式进行说明。
图7示出根据本公开实施例的确定第一融合权重值和第二融合权重值的流程图。如图7所示,上述图像处理方法还可以包括以下步骤:
步骤S41,获取权重衰减因子;
步骤S42,获取所述采集图像在待处理的采集图像集合中处理次序;
步骤S43,根据所述权重衰减因子和所述处理次序,确定所述第一融合权重值和所述第二融合权重值,其中,所述第二融合权重值与所述处理次序负相关。
这里,第二融合权重值可以随着待标注区域确定模型的训练次数逐渐衰减,每次衰减的大小可以为权重衰减因子。待标注区域确定模型在训练过程中,可以利用采集图像集合中的采集图像进行训练,该集合可以作为待标注区域确定模型的训练集。待标注区域确定模型的训练次数可以与当前待处理的采集图像在采集图像集合中的处理次序相同,从而可以根据获取的权重衰减因子和处理次序,确定第二融合权重值。第二融合权重值的初始值可以设置为1。假设第二融合权重值为α,则α=1-kT;其中,k可以是权重衰减因子,T可以为处理次序。相应地,第一融合权重值可以基于与第二融合权重值的负相关关系得到,例如,第一融合权重值可以等于1-α。
其中,处理次序可以是待标注区域确定模型处理当前的采集图像的次序。待标注区域确定模型可以对采集图像集合包括的每个采集图像进行处理,得到每个采集图像的推荐标注区域,假设待标注区域确定模型每次处理一个采集图像,则按照待标注区域确定模型处理采集图像的先后顺序,可以确定当前处理的采集图像的处理次序。例如,当前的采集图像为待标注区域确定模型第一个处理的采集图像,即当前待标注区域确定模型的训练次数为1次。
图8示出本公开实施例的待标注区域确定模型的训练过程的流程图。如图8所示,得到所述采集图像的推荐标注区域之后,还可以包括以下步骤:
步骤S51,获取基于所述采集图像的推荐标注区域得到的所述采集图像的标注结果;
步骤52,根据所述预测结果和所述标注结果,确定预测所述采集图像中表征待标注区域的像素点的预测损失;
步骤53,根据所述预测损失对预测所述采集图像中表征待标注区域的像素点过程中的预测参数进行调整。
这里,在确定采集图像的推荐标注区域之后,可以向用户提供采集图像的推荐标注区域。用户可以对推荐标注区域中的像素点进行待标注区域的图像特征的标注,这样,用户无需对采集图像中全部的像素点进行标注,可以节省大量的人力资源。在对待标注区域确定模型进行训练时,可以先获取用户针对推荐标注区域中的像素点进行待标注区域的图像特征标注的标注结果,然后可以将待标注区域确定模型基于采集图像输出的预测结果与标注结果进行对比,根据对比结果确定采集图像中表征待标注区域的像素点的预测损失。这里的预测损失可以理解为预测结果与标注结果之间的差异。该预测损失越大,表示待标注区域确定模型得到的预测结果越不准确,该预测损失越小,表示待标注区域确定模型得到的预测结果越准确,从而可以根据预测损失对待标注区域确定模型预测采集图像中表征待标注区域的像素点过程中的预测参数进行调整,即可以根据预测损失对待标注区域确定模型的预测参数进行调整,使该待标注区域确定模型的预测结果接近于标注结果。这里,在对待标注区域确定模型的预测参数进行调整时,可以利用反向传播方法。
这里,在根据所述预测结果和所述标注结果,确定预测所述采集图像中表征待标注区域的像素点的预测损失时,可以根据针对推荐标注区域中像素点的预测结果和标注结果,确定待标注区域确定模型的预测损失,从而在待标注区域确定模型训练过程中,可以使待标注区域确定模型更加关注推荐标注区域。
在一种可能的实现方式中,在确定预测采集图像中表征待标注区域的像素点的预测损失时,可以为推荐标注区域对应的预测损失设置较大的损失权重,为非推荐标注区域对应的预测损失设置较小的损失权重,从而可以待标注区域确定模型更加关注推荐标注区域。进而,可以获取所述采集图像中存在所述标注结果的像素点对应的第一损失权重,并且,获取所述采集图像中不存在所述标注结果的像素点对应的第二损失权重;根据所述采集图像中每个像素点对应的预测结果和所述标注结果,以及每个像素点对应的第一损失权重和第二损失权重,确定预测所述采集图像中表征待标注区域的像素点的预测损失。这里,其中,第一损失权重大于第二损失权重。通过这种方式,可以使得待标注区域确定模型更加关注推荐标注区域,使待标注区域确定模型可以在具有较高的预测精度的同时,具有更快的训练速度。
本公开实施例提供的图像处理方案,可以通过对采集图像进行两方面的不确定估计,确定具有高标注价值的推荐标注像素点,不仅可以节省大量的人力,提高标注效率,还可以在训练神经网络过程中可以考虑多个方面的不确定性,提高神经网络的训练精度以及训练速度。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图9示出根据本公开实施例的图像处理装置的框图,如图9所示,所述图像处理装置包括:
获取模块61,用于获取待处理的采集图像;
第一确定模块62,用于根据对所述采集图像中表征待标注区域的像素点进行预测的预测结果,确定所述采集图像的第一不确定估计;
第二确定模块63,用于根据所述采集图像的待标注区域的特征图像,确定所述采集图像的第二不确定估计;
标注模块64,用于基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像中表征待标注区域的推荐标注区域。
在一种可能的实现方式中,所述第一确定模块62,具体用于,
确定预测所述采集图像中表征待标注区域的像素点的过程中使用的预测参数;
根据在所述预测参数作用下得到的所述特征图像中像素点的预测结果,确定所述特征图像中像素点的第一不确定估计。
在一种可能的实现方式中,所述第二确定模块63,具体用于,
对所述采集图像进行图像层分离处理,得到所述采集图像的待标注区域的特征图像;
根据所述特征图像中每个像素点表示的图像特征的特征值,对所述采集图像的特征进行不确定估计,得到所述采集图像的第二不确定估计。
在一种可能的实现方式中,所述标注模块64,具体用于,
根据所述第一不确定估计和所述第二不确定估计,得到所述采集图像的融合不确定估计;
基于所述采集图像的融合不确定估计,确定所述采集图像的推荐标注区域。
在一种可能的实现方式中,所述标注模块64,具体用于,
将所述采集图像划分为多个像素点集合;
将每个像素点集合中相同的像素点位置对应的所述第一不确定估计和所述第二不确定估计进行融合,确定所述采集图像的每个像素点集合对应的融合不确定估计。
在一种可能的实现方式中,所述标注模块64,具体用于,
获取所述第一不确定估计的第一融合权重值以及所述第二不确定估计的第二融合权重值;其中,所述第一融合权重值与所述第二融合权重值负相关;
根据所述第一融合权重值和所述第二融合权重值,确定每个像素点位置对应的融合不确定估计。
在一种可能的实现方式中,所述装置还包括:
融合权重确定模块,用于获取权重衰减因子;获取所述采集图像在待处理的采集图像集合中处理次序;根据所述权重衰减因子和所述处理次序,确定所述第一融合权重值和所述第二融合权重值,其中,所述第二融合权重值与所述处理次序负相关。
在一种可能的实现方式中,所述标注模块64,具体用于,
确定所述采集图像中融合不确定估计大于预设阈值的目标像素点区域;
将所述目标像素点区域作为所述采集图像的推荐标注区域。
在一种可能的实现方式中,所述装置还包括:
反馈模块,用于获取基于所述采集图像的推荐标注区域得到的所述采集图像的标注结果;根据所述预测结果和所述标注结果,确定预测所述采集图像中表征待标注区域的像素点的预测损失;根据所述预测损失对预测所述采集图像中表征待标注区域的像素点过程中的预测参数进行调整。
在一种可能的实现方式中,所述反馈模块,具体用于,
获取所述采集图像中存在所述标注结果的像素点对应的第一损失权重;
获取所述采集图像中不存在所述标注结果的像素点对应的第二损失权重;其中,所述第一损失权重大于所述第二损失权重;
根据所述采集图像中每个像素点对应的预测结果和所述标注结果,以及每个像素点对应的第一损失权重和第二损失权重,确定预测所述采集图像中表征待标注区域的像素点的预测损失。
在一种可能的实现方式中,所述待标注区域为血管结构。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图10是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图10,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取待处理的采集图像;
根据对所述采集图像中表征待标注区域的像素点进行预测的预测结果,确定所述采集图像的第一不确定估计;
根据所述采集图像的待标注区域的特征图像,确定所述采集图像的第二不确定估计;
基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像中表征待标注区域的推荐标注区域。
2.根据权利要求1所述的方法,其特征在于,所述根据对所述采集图像中表征待标注区域的像素点进行预测的预测结果,确定所述采集图像的第一不确定估计,包括:
确定预测所述采集图像中表征待标注区域的像素点的过程中使用的预测参数;
根据在所述预测参数作用下得到的所述特征图像中像素点的预测结果,确定所述特征图像中像素点的第一不确定估计。
3.根据权利要求1或2所述的方法,其特征在于,根据所述采集图像的待标注区域的特征图像,确定所述采集图像的第二不确定估计,包括:
对所述采集图像进行图像层分离处理,得到所述采集图像的待标注区域的特征图像;
根据所述特征图像中每个像素点表示的图像特征的特征值,对所述待标注区域的图像特征进行不确定估计,得到所述采集图像的第二不确定估计。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像中表征待标注区域的推荐标注区域,包括:
根据所述第一不确定估计和所述第二不确定估计,得到所述采集图像的融合不确定估计;
基于所述采集图像的融合不确定估计,确定所述采集图像的推荐标注区域。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一不确定估计和所述第二不确定估计,得到所述采集图像的融合不确定估计,包括:
将所述采集图像划分为多个像素点集合;
将每个像素点集合中相同的像素点位置对应的所述第一不确定估计和所述第二不确定估计进行融合,确定所述采集图像的每个像素点集合对应的融合不确定估计。
6.根据权利要求4所述的方法,其特征在于,所述根据所述第一不确定估计和所述第二不确定估计,得到所述采集图像的融合不确定估计,包括:
获取所述第一不确定估计的第一融合权重值以及所述第二不确定估计的第二融合权重值;其中,所述第一融合权重值与所述第二融合权重值负相关;
根据所述第一融合权重值和所述第二融合权重值,确定每个像素点位置对应的融合不确定估计。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取权重衰减因子;
获取所述采集图像在待处理的采集图像集合中处理次序;
根据所述权重衰减因子和所述处理次序,确定所述第一融合权重值和所述第二融合权重值,其中,所述第二融合权重值与所述处理次序负相关。
8.一种图像处理装置,其特征在于,包括:
获取模块,用于获取待处理的采集图像;
第一确定模块,用于根据对所述采集图像中表征待标注区域的像素点进行预测的预测结果,确定所述采集图像的第一不确定估计;
第二确定模块,用于根据所述采集图像的待标注区域的特征图像,确定所述采集图像的第二不确定估计;
标注模块,用于基于所述第一不确定估计和所述第二不确定估计,得到所述采集图像中表征待标注区域的推荐标注区域。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910425459.9A CN110189309B (zh) | 2019-05-21 | 2019-05-21 | 一种图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910425459.9A CN110189309B (zh) | 2019-05-21 | 2019-05-21 | 一种图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189309A true CN110189309A (zh) | 2019-08-30 |
CN110189309B CN110189309B (zh) | 2021-06-15 |
Family
ID=67717180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910425459.9A Active CN110189309B (zh) | 2019-05-21 | 2019-05-21 | 一种图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189309B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139947A (zh) * | 2021-04-28 | 2021-07-20 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
EP4361960A1 (en) * | 2022-10-25 | 2024-05-01 | Doosan Enerbility Co., Ltd. | Annotation device and annotation method |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809187A (zh) * | 2015-04-20 | 2015-07-29 | 南京邮电大学 | 一种基于rgb-d数据的室内场景语义标注方法 |
US20170223378A1 (en) * | 2014-07-18 | 2017-08-03 | Tsinghua University | Intra-frame pixel prediction method, encoding method and decoding method, and device thereof |
CN107403465A (zh) * | 2017-08-11 | 2017-11-28 | 周口师范学院 | 基于结构先验与深度学***面重建方法 |
CN108154196A (zh) * | 2018-01-19 | 2018-06-12 | 百度在线网络技术(北京)有限公司 | 用于输出图像的方法和装置 |
CN108846440A (zh) * | 2018-06-20 | 2018-11-20 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、计算机可读介质和电子设备 |
CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
US20190050992A1 (en) * | 2016-08-26 | 2019-02-14 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
CN109559303A (zh) * | 2018-11-22 | 2019-04-02 | 广州达美智能科技有限公司 | 钙化点的识别方法、装置和计算机可读存储介质 |
-
2019
- 2019-05-21 CN CN201910425459.9A patent/CN110189309B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170223378A1 (en) * | 2014-07-18 | 2017-08-03 | Tsinghua University | Intra-frame pixel prediction method, encoding method and decoding method, and device thereof |
CN104809187A (zh) * | 2015-04-20 | 2015-07-29 | 南京邮电大学 | 一种基于rgb-d数据的室内场景语义标注方法 |
US20190050992A1 (en) * | 2016-08-26 | 2019-02-14 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
CN107403465A (zh) * | 2017-08-11 | 2017-11-28 | 周口师范学院 | 基于结构先验与深度学***面重建方法 |
CN108154196A (zh) * | 2018-01-19 | 2018-06-12 | 百度在线网络技术(北京)有限公司 | 用于输出图像的方法和装置 |
CN108846440A (zh) * | 2018-06-20 | 2018-11-20 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、计算机可读介质和电子设备 |
CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
CN109559303A (zh) * | 2018-11-22 | 2019-04-02 | 广州达美智能科技有限公司 | 钙化点的识别方法、装置和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
BENJAMIN BISCHKE: "SEGMENTATION OF IMBALANCED CLASSES IN SATELLITE IMAGERY USING", 《2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
姜枫 等: "基于内容的图像分割方法综述", 《软件学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139947A (zh) * | 2021-04-28 | 2021-07-20 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113139947B (zh) * | 2021-04-28 | 2024-06-07 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
EP4361960A1 (en) * | 2022-10-25 | 2024-05-01 | Doosan Enerbility Co., Ltd. | Annotation device and annotation method |
Also Published As
Publication number | Publication date |
---|---|
CN110189309B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10600185B2 (en) | Automatic liver segmentation using adversarial image-to-image network | |
Tang et al. | E 2 Net: An edge enhanced network for accurate liver and tumor segmentation on CT scans | |
CN110335259B (zh) | 一种医学影像识别方法、装置和存储介质 | |
CN110728674B (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 | |
RU2413995C2 (ru) | Способ улучшения последующей обработки изображений с использованием деформируемых сеток | |
CN113139959B (zh) | 获得心肌桥图像的方法及装置、电子设备和存储介质 | |
Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练*** | |
CN110189309A (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN114463247A (zh) | 用于确定3d z向病变连通性的逻辑模型 | |
WO2022261641A1 (en) | Method and system for automated analysis of coronary angiograms | |
Jaiswal et al. | An intelligent deep network for dental medical image processing system | |
Fuster et al. | Active learning based domain adaptation for tissue segmentation of histopathological images | |
US20230126877A1 (en) | Synthetic data generation and annotation for tumor diagnostics and treatment | |
CN114010227B (zh) | 一种右心室特征信息识别方法及装置 | |
CN114841914B (zh) | 一种胰腺囊性病变的检测方法及装置 | |
US11263481B1 (en) | Automated contrast phase based medical image selection/exclusion | |
CN115564763A (zh) | 甲状腺超声图像处理方法、装置、介质及电子设备 | |
Braik et al. | Exploration of genetic algorithms and particle swarm optimization in improving the quality of medical images | |
Dy et al. | Domain Adaptation using Silver Standard Labels for Ki-67 Scoring in Digital Pathology A Step Closer to Widescale Deployment | |
CN113990432A (zh) | 基于rpa和ai的影像报告推送方法、装置及计算设备 | |
CN111598870A (zh) | 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法 | |
CN115272374B (zh) | 心脏磁共振影像的心室分割方法和装置 | |
CN113223104B (zh) | 一种基于因果关系的心脏mr图像插补方法及*** | |
Kumari et al. | Detection and Identification of Cervical Cancer on Elephant Herding Optimization on Convolutional Neural Network |
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 |