CN111008949B - 牙齿图像的软硬组织检测方法 - Google Patents
牙齿图像的软硬组织检测方法 Download PDFInfo
- Publication number
- CN111008949B CN111008949B CN201910761746.7A CN201910761746A CN111008949B CN 111008949 B CN111008949 B CN 111008949B CN 201910761746 A CN201910761746 A CN 201910761746A CN 111008949 B CN111008949 B CN 111008949B
- Authority
- CN
- China
- Prior art keywords
- image
- control marker
- marker set
- external control
- internal control
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 239000003550 marker Substances 0.000 claims abstract description 115
- 210000001519 tissue Anatomy 0.000 claims abstract description 47
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000011426 transformation method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 67
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 210000000214 mouth Anatomy 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种牙齿图像的软硬组织检测方法,包括以下步骤:获取牙齿源图像的增强图像;根据梯度计算结果和所述增强图像,获得调整后的初始梯度图像;基于所述牙齿源图像的各个颜色通道,根据阈值分割规则,获得初步内部控制标记符集合和初步外部控制标记符集合;基于所述初步内部控制标记符集合和所述初步外部控制标记符集合,根据KMP核匹配追踪或RVM相关向量机算法,获得优化后的内部控制标记符集合和外部控制标记符集合;根据数学形态学算法,获得最终优化后的内部控制标记符集合和外部控制标记符集合;将最终优化后的内部控制标记符集合和外部控制标记符集合作用于所述初始梯度图像,获得修改后的梯度图像;根据分水岭变换方法和同质区域的合并,最终获得牙体的软组织区和硬组织区图像。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种牙齿图像的软硬组织检测方法。
背景技术
目前针对数字化齿科图像的检测方法主要包括基于边缘的检测和基于区域的检测。
基于边缘的检测根据齿科图像牙体软硬组织区灰度不连续的特点,使用 Sobel、Canny等梯度微分算子检测牙齿不同区域的轮廓,但这种方法对噪声敏感,常会出现伪边缘或边缘漏检的情况。
基于区域的检测包括阈值分割、区域生长、区域***与合并,阈值分割中,由于牙齿图像低对比度、灰度分布不均匀的特点,阈值的选取变得十分困难;区域生长、区域***与合并方法的重点在于规则的设计,但***的过程常常破坏牙体组织检测的边缘。
除此两种以外,一些特定理论的分割检测方法也有提出,如形态学上的分水岭算法,这种方法虽然能有效分割低对比度的图像,但是常常出现过分割的情况;基于水平集的牙齿图像分割,用高斯拟合能量的均值和方差描述图像的局部灰度强度,具有对初始位置不敏感,稳定唯一数值解的优点,但是先验知识的获取是个难点,计算也相对复杂。
基于模式识别理论的方法近年来在医疗图像的分割与检测中不断被提出,并取得了不错的效果,但是不同的医疗图像之间的差异性较大,需有针对性的采用不同的分类器来应对不同的情况。因此,为了有效检测牙体的不同组织区,本发明提出一种对齿科图像分析处理后,能够较精准地自动提取出口腔检测图像中的牙体软、硬组织区域,并在结果显示阶段,可分类标注牙体软组织和硬组织的方法。
发明内容
本发明的目的在于提供一种牙齿图像的软硬组织检测方法,以克服现有技术中的不足。
为实现上述目的,本发明提供如下技术方案:一种牙齿图像的软硬组织检测方法,包括以下步骤:
S1:获取牙齿源图像的增强图像,所述增强图像为牙齿源图像经灰度直方图均衡化处理后增强对比度和清晰度的图像;
S2:根据梯度计算结果(如Sobel梯度)和所述增强图像,对应的增强图像的水平和垂直梯度计算,获得调整后的初始梯度图像;
S3:基于所述牙齿源图像的各个颜色通道,根据阈值分割规则,对牙齿源图像进行阀分割,获得初步内部控制标记符集合和初步外部控制标记符集合;
S4:基于所述初步内部控制标记符集合和所述初步外部控制标记符集合,根据分类方法,对控制标记符集合区域的图像块进行分类,获得优化后的内部控制标记符集合和外部控制标记符集合;
S5:根据数学形态学算法,将内部控制标记符集合和外部控制标记符集合进行优化,获得最终优化后的内部控制标记符集合和外部控制标记符集合;
S6:基于所述初始梯度图像,将最终优化后的内部控制标记符集合和外部控制标记符集合作用于所述初始梯度图像,获得修改后的梯度图像;
S7:根据分水岭变换方法,对所述修改后的梯度图像进行变换,同质区域合并后,最终获得牙体的软组织区和硬组织区图像。
优选的,获取牙齿源图像的增强图像,所述增强图像为牙齿源图像经灰度直方图均衡化处理后增强对比度和清晰度的图像,包括:
根据对从口腔内窥镜获取的牙齿源图像(I)采用灰度直方图均衡化处理,增强图像的对比度和清晰度,得到增强图像(I1);
公式中:rk代表归一化后的灰度级,且0≤rk≤1,k=0,1,...n-1;ni为图像中第i个灰度级的像素数,n为图像的像素总数。
优选的,根据Sobel梯度和所述增强图像,对应的增强图像的水平和垂直梯度计算,获得调整后的初始梯度图像;包括:
根据Sobel算子计算增强图像(I1)的初始梯度图像(G);所述初始梯度图像(G)满足以下公式:
其中:Gx为x水平方向的梯度;Gy为y垂直方向的梯度;I1为增强图像;
所述初始梯度图像(G)为x水平方向和y垂直方向梯度平方和的算术平方根。
优选的,基于所述牙齿源图像的各个颜色通道,根据阈值分割规则,对牙齿源图像进行阀分割,获得初步内部控制标记符集合和初步外部控制标记符集合;包括:
统计样本的颜色通道阈值分布,选取各个颜色通道临界点作为分割阈值,分割提取出牙齿源图像(I)的软组织区和硬组织区,硬组织区作为初步内部控制标记符(Fm0);软组织区作为初步外部控制标记符(Bm0);
满足阈值条件的标记为1,构成前景图像(f(x,y)),作为初步内部控制标记符(Fm0);不满足阈值条件的标记为0,构成背景图像(g(x,y)),作为初步外部控制标记符(Bm0)。
优选的,基于所述初步内部控制标记符集合和所述初步外部控制标记符集合,根据分类方法,对控制标记符集合区域的图像块进行分类,根据分类结果,标定对应图像块属于硬组织区还是软组织区;全部图像块分类完后,获得优化后的内部控制标记符集合和外部控制标记符集合;包括:
基于所述初始内部控制标记符(Fm0)和所述外部控制标记符(Bm0),将控制标记符标记区域所对应的牙齿源图像(I)区域分割成n×n大小的图像小块;
基于所述图像小块包括颜色、亮度、纹理、颜色矩、能量熵等特征,将特征构成所述图像小块的特征向量(Vi=(v1,v2,...,vn));
根据KMP核匹配追踪或RVM相关向量机算法,将所述图像小块所对应的特征向量分为软组织区和硬组织区,获得优化后的内部控制标记符记为(Fm1) 和优化后的外部控制标记符记为(Bm1);
优选的,根据数学形态学算法,将内部控制标记符集合和外部控制标记符集合进行优化,获得最终优化后的内部控制标记符集合和外部控制标记符集合;包括:基于内部控制标记符(Fm1)和外部控制标记符(Bm1),根据形态学的优化方法的开运算以及腐蚀操作,选用结构元素(b),获得最终优化的内部控制标记符(Fm2)和外部控制标记符(Bm2);所述最终优化的内部控制标记符(Fm2)和外部控制标记符(Bm2)满足以下公式:
优选的,基于所述初始梯度图像,将最终优化后的内部控制标记符集合和外部控制标记符集合作用于所述初始梯度图像,获得修改后的梯度图像;包括:将最终优化外部控制标记符(Bm2)与内部控制标记符(Fm2)同时作用于初始计算的梯度图像(G),获得修改后的梯度图像(G'),所述修改后的梯度图像(G')减少了区域极小值的标记。
优选的,根据分水岭变换方法,对所述修改后的梯度图像进行变换,得到不同属性区域(Li(x,y)),同质区域合并后,最终获得牙体的软组织区和硬组织区图像,包括:基于修改后的梯度图像(G'),根据分水岭变换方法,获得不同属性区域(Li(x,y)),同质区域合并获得最终的检测图像(G(x,y));所述最终的检测图像(G(x,y))满足下列公式:
上式中:Li(x,y)为分水岭变换后的图像;n为属性区域的数目;NLi(x,y)为图像Li(x,y)第i个区域的像素数;为内部控制标记符Fm2的像素数;为外部控制标记符的像素数;∩表示具有相同坐标的像素点数;α是权重系数,范围为[0,1]之间。
本发明提出一种基于控制标记符分水岭算法和KMP/RVM分类器结合的牙体软硬组织检测方法,充分利用图像的多种特征,实现传统方法与现代方法的有效互补,同时又能在提高检测效率的同时,提高检测精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明具体实施例的一种牙体软硬组织的检测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行详细的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1所示,一种牙体软硬组织检测方法,包括:
S1:读入从口腔检测设备获取的牙齿源图像,经过预处理后得到增强图像,并计算其初始梯度图像;
在该实施例中,①预处理是采用直方图均衡化处理来增强原始图像的对比度;②初始梯度图像的计算是通过Sobel算子来提取水平和垂直两个方向的梯度,然后计算两方向梯度平方和的算术平方根得到结果。
S2:提取初始图像的各个颜色通道,然后采用通道阈值分割出牙体硬组织区、软组织区,将硬组织区作为初步内部控制标记符;软组织区作为初步外部控制标记符;
在该实施例中:各通道阈值的设定是根据测试图库统计的结果,测试图库数据集的容量和统计样本的有效性会影响阈值的选取。
S3:采用核匹配追踪KMP/相关向量机RVM分类器,分别优化初步内、外部控制标记符,并结合形态学的操作,得到最终优化的内、外部控制标记符;
在该实施例中,①在采用KMP/RVM分类器优化内部、外部控制标记符时,是以n×n的领域为最小分类单元,不必每个像素点都进行分类,这样既能提高效率又能保证精确度②形态学的操作主要涉及膨胀、腐蚀、开操作、闭操作等。
S4:将优化后的内部控制标记符和外部控制标记符作用于初始梯度图像,对修改后的梯度图像进行分水岭变换;
在实施例中:优化的内部控制标记符和优化的外部控制标记符作用于初始梯度图像是指,在初始梯度图像中抑制对应的局部最小值,减少过分割脊线的产生。
S5:对分水岭变换后的图像完成同质区域的计算与合并,分割得到最终的牙体软组织区和硬组织区域,并对其分类标记,完成检测。
在该实施例中,同质区域的计算与合并是指分水岭变换后,图像被分割成了多个不同属性区域,并以不同的灰度标记,同是软组织或硬组织会被标记为不同灰度,需进一步合并。
具体的实施步骤:
公式中rk代表归一化后的灰度级,且0≤rk≤1,k=0,1,...n-1;ni为图像中第 i个灰度级的像素数,n为图像的像素总数。
2、采用Sobel算子计算增强图像I1的初始梯度图像G;
公式中Gx为x水平方向的梯度计算,x水平方向的Sobel梯度算子与增强图像做卷积操作;Gy为y垂直方向的梯度计算,y垂直方向的Sobel梯度算子与增强图像作卷积操作,初始梯度图像是两方向梯度平方和的算术平方根。
3、通过训练样本集统计样本的颜色通道阈值分布,选取各个颜色通道临界点作为分割阈值,分割提取出测试图像的软组织区和硬组织区,硬组织区作为初步内部控制标记符Fm0;软组织区作为初步外部控制标记符Bm0;满足阈值条件的被标记为1,构成前景图像f(x,y),作为初步内部控制标记符Fm0;不满足的被标记为0,构成背景图像g(x,y),作为初步外部控制标记符Bm0。
在该技术方案中,首先统计样本库中软组织区和硬组织的颜色通道阈值分布,选取各个颜色通道的临界点作为分割阈值,分割牙齿源图像的软组织区和硬组织区。
4、将初始内部控制标记符Fm0、外部控制标记符Bm0标记区域所对应的RGB图像区域分成n×n的小图像块,对每个图像块计算包括颜色、亮度、纹理、颜色矩、能量熵等特征,构成每个图像块区域的特征向量Vi=(v1,v2,...,vn),然后采用KMP核匹配追踪或RVM相关向量机算法,对每个图像块所对应的特征向量进行分类,类别分为软组织区和硬组织区;
在该技术方案中,核匹配追踪分类器(Kernel matching pursuit,KMP)是基本匹配追踪算法的优化,是一种利用核函数集进行寻优的匹配追踪方法,通过核映射将训练样本映射成为一组基原子字典。它是在基本匹配追踪算法的基础上,给定具体的核函数来代替原函数集,进而利用基本匹配追踪的思想来寻找权系数和基函数数据,从而得到有效的分类器,再利用训练得到的分类器对目标进行分类识别。
基本匹配追踪:
假设在Hilbert空间H里有一个有限的函数集D和一个目标函数f∈H,如何找到一个来拟合f是我们需要解决的问题,(α1,…,αn)∈Rn,当然必须有一个相应的准则来寻找(α1,…,αn)和(g1,…,gn),一般以:
为准则,上述寻找(α1,…,αn)和(g1,…,gn)的过程就称之为匹配追踪过程。
通过最小化:
‖Rn+1‖2=‖Rn-αn+1gn+1‖2
来求得αn+1、gn+1,即:
这种逐步寻优的方法就称之为基本匹配追踪算法(Basic Matching Pursuit,BMP),在基本匹配追踪的基础上加以改进,同上方法求出gn+1,下一步不仅仅估计出αn+1,而且重新估计出α1,…,αn+1:
这种方法叫做后反向预测(Post-backfitting)方法。
核匹配追踪:
在基本匹配追踪的基础上给定具体的核函数来代替函数g,进而利用 BMP的思想寻找权系数ωi和基函数数据xi,从而得到有效的分类器。假设 L={(x1,y1),…,(xl,yl)}是一个含有l个输入输出,从一个未知分布P(X,Y)(X∈ IRd,Y∈IR)中独立采样出的数据对,Y∈{-1,+1}是一个两类分类问题,进而给定一个核函数K:IRd×IRd→IR。基于训练数据的核函数集:
D={k(xi)|i=1,…,l}
其中xi为分类器基函数数据,训练的过程是以L={(x1,y1),…,(xl,yl)}为训练的有限维数据空间。
相关向量机(Relevance vector machine,RVM)是Tipping在2001年在贝叶斯框架的基础上提出的,它有着与支持向量机(Support vector machine,SVM) 一样的函数形式,与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。
相关向量机的训练是在贝叶斯框架下进行的,在先验参数的结构下基于主动相关决策理论(Automatic relevance determination,ARI)来移除不相关的点,从而获得稀疏化的模型。由于在样本数据的迭代学习过程中,大部分参数的后验分布趋于零,而非零参数所对应的学习样本,与决策域的样本并不相关,只代表数据中的原型样本,因此称这些样本为相关向量(Relevance vectors),体现了数据中最核心的特征。同支持向量机相比,,相关向量机最大的优点就是极大地减少了核函数的计算量,并且也克服了所选核函数必须满足Mercer条件的缺点。
相关向量机分类获取各类别的分类概率,基于广义线性模型的思想,引入logistic sigmoid链接函数对y(x;ω)进行归一化,使得p(t|x)服从伯努利分布,即预测变为:
该预测模型通过拉普拉斯近似求解,如果最后预测目标概率大于或等于 0.5,该样本就属于类别1,反之,则为类别0。
5、在完成整个初步内部控制标记符、初步外部控制标记符所对应全部图像块的分类检测后,初步内、外控制标记符就得到了进一步优化,原初步内部控制标记符区域中的软组织区被有效剔除,使得内部控制标记符对硬组织区的标记更为精准,其优化内部控制标记符记为Fm1;同理,,原初步外部控制标记符中的硬组织区被有效剔除,得到更为精准的软组织标记区域,优化后的外部控制标记符记为Bm1;
Fm1=fKMP/RVM(Vi)(Vi∈Fm0) Bm1=fKMP/RVM(Vi)(Vi∈Bm0)
6、对内部控制标记符Fm1,外部控制标记符Bm1,采用形态学的优化,具体优化操作包括开运算,腐蚀操作,结构元素b采用半径为3的圆,得到最终优化的内部控制标记符Fm2,外部控制标记符Bm2;
外部控制标记符Bm2与内部控制标记符Fm2同时作用于初始计算的梯度图像G,得到修改后的梯度图像G',修改后的梯度图像减少了区域极小值的标记;
7、基于修改后的梯度图像采用分水岭变换,不同的属性区域Li(x,y)被分类标记,此时采用同质区域的合并,完成最后结果的检测标记。
上式中Li(x,y)为分水岭变换后的图像,n为属性区域的数目,NLi(x,y)为图像Li(x,y)第i个区域的像素数,为内部控制标记符Fm2的像素数,为外部控制标记符的像素数,∩表示具有相同坐标的像素点数,α是权重系数,范围为[0,1]之间,可设置为0.96。若属性区域到达分类的权重值,则表明该属性区域为牙体硬组织区,反之,为牙体软组织区;最终结合全部同类属性区域的合并,即可检测出最终的牙体软组织区和硬组织区。
在该技术方案中,基于控制标记符的分水岭算法,传统的分水岭分割方法,是一种基于拓扑理论的数学形态学的分割方法,其基本思想是把图像看作是测地学上的拓扑地貌,图像中每一像素的灰度值表示该点的海拔高度,每一个局部极小值及其影响区域称为集水盆地,而集水盆地的边界则形成分水岭。直接使用分水岭分割算法通常会由于噪声和梯度的其他局部不规则性造成过度分割。过度分割会产生大量的分割区域,其严重性足以令算法得到的结果变得毫无用处。解决这一问题的一种实用方法是通过加入一个预处理步骤来限制允许存在的区域的数目,设计预处理步骤是将附加知识应用于分割过程。
用于控制分水岭算法过度分割的一种方法是基于标记符这一概念。一个标记是属于一幅图像的一个连通分量。与感兴趣物体相联系的标记称为内部标记,与背景相关联的标记称为外部标记。选择标记的典型过程包括两个主要步骤:(1)预处理;(2)定义标记必须满足的一个准则集合。
标记符的选择范围可以考虑尺寸、形状、位置、相对距离、纹理内容等,这取决于要解决的不同问题。要点是使用标记符可以将先验知识带入到分割问题中。先验知识在视觉活动中帮助解决分割和更高级的任务,标记符控制的分水岭分割的明显优点就是提供了可有效使用这类知识的一个框架。
分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面,刺穿一个小孔,然后把整个模型慢慢浸人水中,随着浸入的加深,每一个局部极小值的影响域慢慢向外扩展,在两个集水盆汇合处构筑大坝如下图所示,即形成分水岭。水位不断上升,汇水盆地之间及其与背景之间的坝也越来越长。构筑水坝的目的是阻止盆地之间及其与背景之间的水汇聚。该过程一直持续,直到到达水的最高水位。最终水坝就是我们希望的分割结果。它的一条重要性质就是水坝组成一条连通的路径,这样,在两个区域之间就给出了连续的边界。
因为灰度变化较小的区域有较小的梯度值,因此,分水岭分割通常用于一幅图像的梯度,而不是图像本身。这样,汇水盆地的区域最小值就能很好地与待分割区域的较小梯度值联系起来。
本发明提出一种基于控制标记符分水岭算法和KMP/RVM分类器结合的牙体软硬组织检测方法,充分利用图像的多种特征,实现传统方法与现代方法的有效互补,同时又能在提高检测效率的同时,提高检测精度。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的随身电子防丢设备的状态检测方法、设备、服务器及***设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (7)
1.一种牙齿图像的软硬组织检测方法,其特征在于:包括以下步骤:
S1:获取牙齿源图像的增强图像,所述增强图像为牙齿源图像经灰度直方图均衡化处理后增强对比度和清晰度的图像;
S2:根据梯度计算结果和所述增强图像,对应的增强图像的水平和垂直梯度计算,获得调整后的初始梯度图像;
S3:基于所述牙齿源图像的各个颜色通道,根据阈值分割规则,对牙齿源图像进行阀分割,获得初步内部控制标记符集合和初步外部控制标记符集合;统计样本的颜色通道阈值分布,选取各个颜色通道临界点作为分割阈值,分割提取出牙齿源图像I的软组织区和硬组织区,硬组织区作为初步内部控制标记符Fm0;软组织区作为初步外部控制标记符Bm0;
S4:基于所述初步内部控制标记符集合和所述初步外部控制标记符集合,根据分类方法,对控制标记符集合区域的图像块进行分类,获得优化后的内部控制标记符集合和外部控制标记符集合;
S5:根据数学形态学算法,将内部控制标记符集合和外部控制标记符集合进行优化,获得最终优化后的内部控制标记符集合和外部控制标记符集合;
S6:基于所述初始梯度图像,将最终优化后的内部控制标记符集合和外部控制标记符集合作用于所述初始梯度图像,获得修改后的梯度图像;
S7:根据分水岭变换方法,对所述修改后的梯度图像进行变换,同质区域合并后,最终获得牙体的软组织区和硬组织区图像。
4.根据权利要求1所述的一种牙齿图像的软硬组织检测方法,其特征在于:基于所述初步内部控制标记符集合和所述初步外部控制标记符集合,根据分类方法,对控制标记符集合区域的图形块进行分类,获得优化后的内部控制标记符集合和外部控制标记符集合;包括:
基于所述初步内部控制标记符Fm0和所述初步外部控制标记符Bm0,将控制标记符标记区域所对应的牙齿源图像I区域分割成n×n大小的图像小块;
基于所述图像小块包括颜色、亮度、纹理、颜色矩、能量熵特征,将特征构成所述图像小块的特征向量Vi=(v1,v2,...,vn);
根据KMP核匹配追踪或RVM相关向量机算法,将所述图像小块所对应的特征向量进行分类,依分类结果,判定图像块属软组织区或硬组织区,全部图像小块分类完后,获得优化后的内部控制标记符记为Fm1和优化后的外部控制标记符记为Bm1;
6.根据权利要求1所述的一种牙齿图像的软硬组织检测方法,其特征在于:基于所述初始梯度图像,将最终优化后的内部控制标记符集合和外部控制标记符集合作用于所述初始梯度图像,获得修改后的梯度图像;包括:将最终优化外部控制标记符Bm2与内部控制标记符Fm2同时作用于初始计算的梯度图像G,获得修改后的梯度图像G',所述修改后的梯度图像G'减少了区域极小值的标记。
7.根据权利要求1所述的一种牙齿图像的软硬组织检测方法,其特征在于:根据分水岭变换方法,对所述修改后的梯度图像进行变换和同质区域合并,最终获得牙体的软组织区和硬组织区图像;包括:基于修改后的梯度图像G',根据分水岭变换方法,获得不同属性区域Li(x,y),进一步采用同质区域的合并,获得最终的检测图像G(x,y);所述最终的检测图像G(x,y)满足下列公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761746.7A CN111008949B (zh) | 2019-08-16 | 2019-08-16 | 牙齿图像的软硬组织检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761746.7A CN111008949B (zh) | 2019-08-16 | 2019-08-16 | 牙齿图像的软硬组织检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008949A CN111008949A (zh) | 2020-04-14 |
CN111008949B true CN111008949B (zh) | 2021-09-14 |
Family
ID=70110807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910761746.7A Active CN111008949B (zh) | 2019-08-16 | 2019-08-16 | 牙齿图像的软硬组织检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008949B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583219B (zh) * | 2020-04-30 | 2021-05-18 | 赤峰学院附属医院 | 颅颌面软硬组织的分析方法及装置、电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632160A (zh) * | 2012-08-24 | 2014-03-12 | 孙琤 | 一种融合多尺度形态学特征的组合核函数rvm高光谱分类方法 |
CN107103332A (zh) * | 2017-04-07 | 2017-08-29 | 武汉理工大学 | 一种面向大规模数据集的相关向量机分类方法 |
CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
CN109584253A (zh) * | 2018-12-20 | 2019-04-05 | 重庆切克威科技有限公司 | 油液磨粒图像分割方法 |
CN109901580A (zh) * | 2019-03-13 | 2019-06-18 | 华南理工大学 | 一种无人机与无人地面机器人协作循径避障***及其方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296675A (zh) * | 2016-08-04 | 2017-01-04 | 山东科技大学 | 一种高噪声灰度不均匀图像的分割方法 |
CN109767396B (zh) * | 2019-01-04 | 2021-04-02 | 北京朗视仪器有限公司 | 一种基于图像动态分割的口腔cbct图像去噪方法 |
CN109961049B (zh) * | 2019-03-27 | 2022-04-26 | 东南大学 | 一种复杂场景下香烟品牌识别方法 |
-
2019
- 2019-08-16 CN CN201910761746.7A patent/CN111008949B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632160A (zh) * | 2012-08-24 | 2014-03-12 | 孙琤 | 一种融合多尺度形态学特征的组合核函数rvm高光谱分类方法 |
CN107103332A (zh) * | 2017-04-07 | 2017-08-29 | 武汉理工大学 | 一种面向大规模数据集的相关向量机分类方法 |
CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
CN109584253A (zh) * | 2018-12-20 | 2019-04-05 | 重庆切克威科技有限公司 | 油液磨粒图像分割方法 |
CN109901580A (zh) * | 2019-03-13 | 2019-06-18 | 华南理工大学 | 一种无人机与无人地面机器人协作循径避障***及其方法 |
Non-Patent Citations (2)
Title |
---|
基于改进控制标记符分水岭的牙体硬组织分割;金茜和汪伟;《计算机应用研究》;20171208;第35卷(第12期);1-8 * |
基于直觉模糊c均值聚类核匹配追踪的弹道中段目标识别方法;雷阳等;《通信学报》;20121130;第33卷(第11期);1-2 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008949A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
Grand-Brochier et al. | Tree leaves extraction in natural images: Comparative study of preprocessing tools and segmentation methods | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN113781402A (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
Bai et al. | Symmetry information based fuzzy clustering for infrared pedestrian segmentation | |
Bai et al. | Feature based fuzzy inference system for segmentation of low-contrast infrared ship images | |
CN106127735B (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
CN106296675A (zh) | 一种高噪声灰度不均匀图像的分割方法 | |
CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
Wang et al. | A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm | |
Xie et al. | A fast threshold segmentation method for froth image base on the pixel distribution characteristic | |
Bai et al. | Cell segmentation based on FOPSO combined with shape information improved intuitionistic FCM | |
US11037299B2 (en) | Region merging image segmentation algorithm based on boundary extraction | |
Singh et al. | Computerized detection of breast cancer in digital mammograms | |
Xu et al. | BgCut: automatic ship detection from UAV images | |
Fengping et al. | Road extraction using modified dark channel prior and neighborhood FCM in foggy aerial images | |
Han et al. | Segmenting images with complex textures by using hybrid algorithm | |
CN111008949B (zh) | 牙齿图像的软硬组织检测方法 | |
Ran et al. | A multi-feature convolution neural network for automatic flower recognition | |
CN114332095A (zh) | 一种基于多层结构的细胞分割方法、装置及电子设备 | |
Chen et al. | A modified graph cuts image segmentation algorithm with adaptive shape constraints and its application to computed tomography images | |
Jin et al. | A color image segmentation method based on improved K-means clustering algorithm | |
CN107704864A (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
Li et al. | Brown rice germ integrity identification based on deep learning network | |
CN114764810A (zh) | 一种医学图像分割方法 |
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 |