CN111325220A - 图像生成方法、装置、设备及存储介质 - Google Patents
图像生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111325220A CN111325220A CN202010097623.0A CN202010097623A CN111325220A CN 111325220 A CN111325220 A CN 111325220A CN 202010097623 A CN202010097623 A CN 202010097623A CN 111325220 A CN111325220 A CN 111325220A
- Authority
- CN
- China
- Prior art keywords
- contour
- target
- image
- information
- target area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000009467 reduction Effects 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims description 44
- 230000003247 decreasing effect Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 20
- 230000007170 pathology Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000001575 pathological effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开了一种图像生成方法、装置、设备及存储介质,属于计算机技术领域。方法包括:获取轮廓信息和目标区域信息;根据所述轮廓信息和所述目标区域信息,确定至少一个目标轮廓,每个目标轮廓的全部或部分位于所述目标区域内;将每个目标轮廓中多个轮廓点的第一坐标减小,得到所述每个目标轮廓的第二位置信息,所述目标轮廓的第二位置信息包括所述目标轮廓中多个轮廓点的第二坐标,且每个轮廓点的坐标的减小幅度相等;根据所述每个目标轮廓的第二位置信息和所述目标区域信息,生成所述目标区域对应的目标图像,所述目标图像包括位于所述目标区域内的轮廓,减小了目标图像的尺寸,还保证了生成的目标图像的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种图像生成方法、装置、设备及存储介质。
背景技术
目前,对WSI(Whole Slide Image,全视野切片)图像的处理越来越多地基于深度学习网络模型进行。如识别WSI图像中的目标对象等,在此之前需要通过WSI图像以及该WSI图像的目标图像对网络模型进行训练,其中,目标图像是根据WSI图像中的轮廓的位置信息生成的图像。由于目标图像的尺寸较大,超出了当前图像生成技术的处理范围,因此需要减小目标图像的尺寸。
相关技术中将WSI图像中的轮廓的位置信息进行缩小处理,根据缩小后的位置信息,生成WSI图像的目标图像。但是,如果WSI图像中有两个轮廓距离较近,那么在将位置信息进行缩小处理后,两个轮廓可能会重合,导致生成的目标图像中,这两个轮廓连接在一起,成为一个轮廓,从而得到了错误的目标图像。
发明内容
本申请实施例提供了一种图像生成方法、装置、设备及存储介质,可以提高目标图像的准确性。所述技术方案如下:
一方面,提供了一种图像生成方法,所述方法包括:
获取轮廓信息和目标区域信息,所述轮廓信息包括原始图像中的每个原始轮廓的第一位置信息,所述原始轮廓的第一位置信息包括所述原始轮廓中多个轮廓点的第一坐标,所述目标区域信息指示所述原始图像中的目标区域;
根据所述轮廓信息和所述目标区域信息,确定至少一个目标轮廓,每个目标轮廓的全部或部分位于所述目标区域内;
将每个目标轮廓中多个轮廓点的第一坐标减小,得到所述每个目标轮廓的第二位置信息,所述目标轮廓的第二位置信息包括所述目标轮廓中多个轮廓点的第二坐标,且每个轮廓点的坐标的减小幅度相等;
根据所述每个目标轮廓的第二位置信息和所述目标区域信息,生成所述目标区域对应的目标图像,所述目标图像包括位于所述目标区域内的轮廓。
另一方面,提供了一种图像生成装置,所述装置包括:
信息获取模块,用于获取轮廓信息和目标区域信息,所述轮廓信息包括原始图像中的每个原始轮廓的第一位置信息,所述原始轮廓的第一位置信息包括所述原始轮廓中多个轮廓点的第一坐标,所述目标区域信息指示所述原始图像中的目标区域;
确定模块,用于根据所述轮廓信息和所述目标区域信息,确定至少一个目标轮廓,每个目标轮廓的全部或部分位于所述目标区域内;
减小模块,用于将每个目标轮廓中多个轮廓点的第一坐标减小,得到所述每个目标轮廓的第二位置信息,所述目标轮廓的第二位置信息包括所述目标轮廓中多个轮廓点的第二坐标,且每个轮廓点的坐标的减小幅度相等;
生成模块,用于根据所述每个目标轮廓的第二位置信息和所述目标区域信息,生成所述目标区域对应的目标图像,所述目标图像包括位于所述目标区域内的轮廓。
在一种可能实现方式中,所述坐标包括横坐标和纵坐标,所述装置还包括:
幅度获取模块,用于根据所述每个目标轮廓的第一位置信息,获取最小横坐标和最小纵坐标;将所述最小横坐标确定为所述每个轮廓点的横坐标的减小幅度;将所述最小纵坐标确定为所述每个轮廓点的纵坐标的减小幅度。
在一种可能实现方式中,所述坐标包括横坐标和纵坐标,所述装置还包括:
幅度获取模块,用于根据所述目标区域信息,获取所述目标区域的最小横坐标和最小纵坐标;将所述最小横坐标确定为所述每个轮廓点的横坐标的减小幅度;将所述最小纵坐标确定为所述每个轮廓点的纵坐标的减小幅度。
在一种可能实现方式中,所述确定模块,还用于响应于任一轮廓点位于所述目标区域内,将所述轮廓点所属的原始轮廓确定为目标轮廓。
在一种可能实现方式中,所述确定模块,包括:
缩小单元,用于将所述每个原始轮廓的第一位置信息进行缩小处理,得到每个第一轮廓的第三位置信息,第一轮廓为对应的原始轮廓进行缩小处理后的轮廓,每个第一位置信息的缩小比例相等;
生成单元,用于根据所述每个第一轮廓的第三位置信息,生成所述原始图像对应的第一图像,所述第一图像包括所述每个第一轮廓;
所述缩小单元,还用于将所述目标区域信息进行缩小处理,得到第一区域信息,所述第一区域信息指示缩小后的目标区域,所述目标区域信息的缩小比例与所述每个第一位置信息的缩小比例相同;
确定单元,用于根据所述第一区域信息和所述第一图像,确定至少一个目标轮廓。
在一种可能实现方式中,所述轮廓信息还包括所述每个原始轮廓的轮廓标识;所述生成单元,用于根据所述每个第一轮廓的第三位置信息和所述每个原始轮廓的轮廓标识,生成所述第一图像,所述第一图像包括每个第一轮廓以及所述每个第一轮廓的轮廓标识,所述第一轮廓的轮廓标识为所述第一轮廓对应的原始轮廓的轮廓标识;
所述确定单元,用于根据所述第一图像中的所述每个第一轮廓、所述每个第一轮廓的轮廓标识和所述第一区域信息,确定所述第一图像中全部或者部分位于所述缩小后的目标区域的至少一个第一轮廓;
所述确定单元,还用于根据所述至少一个第一轮廓的轮廓标识,将所述至少一个第一轮廓对应的原始轮廓确定为目标轮廓。
在一种可能实现方式中,所述生成单元,用于将所述每个第一轮廓包围的轮廓区域内的像素值设置为所述第一轮廓对应的原始轮廓的轮廓标识;根据所述每个第一轮廓的第三位置信息和每个轮廓区域内的像素值,生成所述第一图像。
在一种可能实现方式中,所述生成模块,包括:
生成单元,用于根据所述每个目标轮廓的第二位置信息,生成第三图像,所述第三图像包括所述每个目标轮廓;
切割单元,用于根据所述目标区域信息,对所述第三图像中的所述目标区域进行切割处理,得到包括所述目标区域的所述目标图像。
在一种可能实现方式中,所述生成模块,包括:
确定单元,用于根据所述每个目标轮廓中多个轮廓点的第二坐标和所述目标区域信息,确定所述每个目标轮廓中,位于所述目标区域内的多个轮廓点;
生成单元,用于根据所述多个轮廓点的第二坐标和所述目标区域信息,生成所述目标图像。
再一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行上述方面所述的图像生成方法中所执行的操作。
再一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现如所述的图像生成方法中所执行的操作。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的图像生成方法、装置、设备及存储介质,通过划定目标区域,使得计算机设备只需生成目标区域对应的目标图像,无需生成其他区域对应的图像,本申请通过将目标轮廓上的多个轮廓点的坐标减小,来达到切割掉其他区域对应的图像的效果,减小了目标图像的尺寸。并且本申请中目标轮廓上的多个轮廓点的坐标减小幅度相同,从而目标图像中的轮廓与轮廓之间的距离与原始图像中相应轮廓与相应轮廓之间的距离相同,不会发生轮廓粘连的问题,保证了生成的目标图像的准确性。
并且,还可以将至少一个目标轮廓中的最小横坐标作为该至少一个目标轮廓中的每个轮廓点的横坐标的减小幅度,将该至少一个目标轮廓中的最小纵坐标作为该至少一个目标轮廓中的每个轮廓点的纵坐标的减小幅度,相当于将该最小横坐标和最小纵坐标作为目标图像的轮廓坐标系原点,尽可能地避免了绘制该至少一个目标轮廓之外的区域,从而减小了目标图像的尺寸。
并且,还可以将目标区域信息中的最小横坐标作为该至少一个目标轮廓中的每个轮廓点的横坐标的减小幅度,将该目标区域信息中的最小纵坐标作为该至少一个目标轮廓中的每个轮廓点的纵坐标的减小幅度,相当于将该目标区域信息中的最小横坐标和最小纵坐标作为目标图像的轮廓坐标系原点,尽可能地避免了绘制该目标区域之外的区域,从而减小了目标图像的尺寸。
并且,本申请还可以将每个原始轮廓的第一位置信息进行缩小处理,生成该原始图像对应的第一图像,第一图像中可以包括每个原始轮廓的轮廓表示,该第一图像可以看做是原始图像的索引图像,可以根据原始图像的目标区域信息、第一图像确定原始图像中位于目标区域的至少一个目标轮廓,提高了确定位于目标区域的至少一个目标轮廓的速度,也提高了生成目标图像的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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是本申请实施例提供的一种实施环境示意图;
图2是本申请实施例提供的一种图像生成方法的流程图;
图3是本申请实施例提供的一种原始图像的示意图;
图4是本申请实施例提供的一种目标图像的示意图;
图5是本申请实施例提供的一种原始图像中目标区域的示意图;
图6是本申请实施例提供的一种目标区域中至少一个目标轮廓的示意图;
图7是本申请实施例提供的一种第一图像的示意图;
图8是本申请实施例提供的一种第一图像的第一区域的示意图;
图9是本申请实施例提供的一种第一区域中至少一个第一轮廓的示意图;
图10是本申请实施例提供的一种第一图像的部分区域的示意图;
图11是本申请实施例提供的一种第三图像的示意图;
图12是本申请实施例提供的另一种目标图像的示意图;
图13是本申请实施例提供的一种生成WSI图像的目标图像的示意图;
图14是本申请实施例提供的采用相关技术生成的目标图像与采用本申请所提供的方法生成的目标图像的对比示意图;
图15是本申请实施例提供的一种图像生成装置的结构示意图;
图16是本申请实施例提供的另一种图像生成装置的结构示意图;
图17是本申请实施例提供的一种终端的结构框图;
图18是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念,但除非特别说明,这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说,在不脱离本申请的范围的情况下,可以将第一坐标称为第二坐标,且类似地,可将第二坐标称为第一坐标。
本申请所使用的术语“至少一个”包括一个或者一个以上,且至少一个的数量为整数,例如,该至少一个可以是1个、2个、3个等。本申请所使用的术语“多个”包括两个或者两个以上,且多个的数量为整数,例如,多个可以是2个、3个、4个等。本申请所使用的术语“每个”是指对应的多个中的每一个,例如,多个轮廓点为3个轮廓点,该多个轮廓点中的每一个轮廓点是指这3个轮廓点中的每一个轮廓点。本申请所使用的术语“任一”是指对应的多个中的任一个,例如,多个轮廓点为3个轮廓点,该多个轮廓点中的任一轮廓点是指这3个轮廓点中的任意一个,可以是第一个,也可以是第二个,还可以是第三个。
本申请实施例提供的图像生成方法可以应用在计算机设备中,在一种可能实现方式中,该计算机设备可以为手机、电脑、平板电脑等终端。终端可以获取轮廓信息和目标区域信息,根据轮廓信息和目标区域信息,确定至少一个目标轮廓,其中,每个目标轮廓的全部或者部分位于目标区域内;之后,将每个目标轮廓中多个轮廓点的第一坐标减小,得到每个目标轮廓的第二位置信息,根据每个目标轮廓的第二位置信息和目标区域信息,生成目标区域对应的目标图像,该目标图像包括位于目标区域内的轮廓。
在另一种可能实现方式中,该计算机设备可以是服务器,该服务器可以是一台服务器,也可以是若干台服务器组成的服务器集群,或者是一个云计算服务中心。图1是本申请实施例提供的一种实施环境的示意图,参见图1,该实施环境包括:终端101和服务器102,该终端101和服务器102建立有通信连接。
其中,终端101上可以安装有目标应用,该目标应用可以是具有图像处理功能的应用,或者是与图像处理相关的应用。该服务器102可以是为该目标应用提供服务的服务器。
在一种可能实现方式中,服务器102中存储有轮廓信息,用户在通过终端101的目标应用向服务器102发送目标区域信息,服务器102获取该目标区域信息,根据轮廓信息和目标区域信息,确定至少一个目标轮廓,其中,每个目标轮廓的全部或者部分位于目标区域内;之后,将每个目标轮廓中多个轮廓点的第一坐标减小,得到每个目标轮廓的第二位置信息,根据每个目标轮廓的第二位置信息和目标区域信息,生成目标区域对应的目标图像,该目标图像包括位于目标区域内的轮廓。
本申请实施例提供的方法可以应用于图像生成的场景中。
如:生成WSI图像的目标图像的场景中:
该WSI图像中包括目标对象,该WSI图像对应的目标图像中可以包括该WSI图像中目标对象的轮廓,可以将该WSI图像和该WSI图像对应的目标图像可以作为网络模型的训练数据,从而训练出能识别WSI图像中目标对象的网络模型,采用本申请实施例提供的图像生成方法,可以减小每个目标轮廓的轮廓点的坐标值,从而减小生成的目标图像的尺寸,并且,该目标图像中每个轮廓点的相对位置并未发生变化,也即是,目标图像中每个轮廓之间的相对位置关系与相应的轮廓在原始图像中的相对位置关系相同,因此,不会造成原始图像中两个轮廓连接在一起的问题,保证了目标图像的准确性。
本申请实施例提供的图像生成方法可以应用于任一生成图像的场景中,本申请实施例对此不做限定。
图2是本申请实施例提供的一种图像生成方法的流程图。本申请实施例的执行主体为计算机设备,该计算机设备可以为手机、电脑、平板电脑等终端,可以是一台服务器,也可以是若干台服务器组成的服务器集群,还可以是一个云计算服务中心,本申请实施例对图像生成的过程进行说明,参见图2,该方法包括:
201、获取轮廓信息,该轮廓信息包括原始图像中的每个原始轮廓的第一位置信息,原始轮廓的第一位置信息包括该原始轮廓中多个轮廓点的第一坐标。
可选地,原始图像可以是任一包含目标对象的图像,原始图像中的原始轮廓可以为原始图像中目标对象的轮廓,如图3所示,该原始图像包括多个目标对象301,该目标对象301的轮廓为该原始图像中的原始轮廓。其中,该目标对象可以是任一物体。例如,该原始图像为病理WSI图像,该目标对象为癌变细胞,该原始轮廓为癌变细胞的轮廓,该目标对象还可以是癌变细胞的细胞群,该原始轮廓为该细胞群的轮廓,其中,细胞群就是由多个细胞组成的部分。
如图3所示,该原始图像可以包括目标对象、颜色、纹理等。图4示出了图3所示的原始图像对应的目标图像,如图4所示,该目标图像中没有颜色和纹理,仅包括多个目标对象301的原始轮廓401。可选地,可以将该原始图像和该原始图像对应的目标图像可以作为分类网络模型的训练数据,其中,该分类网络模型可以用于区分目标对象。
其中,目标图像可以是根据原始图像中每个原始轮廓的第一位置信息生成的,因此,原始图像对应的目标图像与该原始图像的尺寸相同,若原始图像的图像尺寸超过第一预设尺寸,则生成的目标图像的尺寸也会超过第一预设尺寸。其中,第一预设尺寸可以是当前图像处理技术可以生成的图像的最大尺寸,因此,当原始图像的图像尺寸超过第一预设尺寸时,当前图像处理技术无法生成该原始图像对应的目标图像。其中,当前图像处理技术可以生成的图像的最大尺寸可以由编程语言的处理上限确定,也可以由硬件设备可以处理数据的上限来确定,其中,硬件设备可以是内存等。
例如,原始图像的尺寸为10万*10万,而当前图像处理技术可以处理的图像的最大尺寸为5万*5万,因此,当前图像处理技术无法生成该原始图像对应的目标图像。
另外,若将原始图像以及该原始图像的目标图像作为网络模型的训练数据时,该原始图像和该原始图像的目标图像还需要小于第二预设尺寸,该第二预设尺寸可以为人工智能算法使用的训练图像的最大尺寸,可选的,该第二预设尺寸可以是2000*2000。如果该原始图像和目标图像的尺寸超过该第二预设尺寸,则无法将其作为网络模型的训练数据。
由于本申请可以通过划定目标区域,生成目标区域对应的目标图像,来减小生成的目标图像的尺寸,因此本申请对原始图像的尺寸可以不做限定。
其中,第一坐标用于指示对应的轮廓点在原始图像中的位置。可选地,轮廓点的第一坐标为该轮廓点在原始图像的二维坐标系中的坐标。其中,该二维坐标系可以为以原始图像的顶点为坐标原点的坐标系,其中,该顶点可以为原始图像左下角的顶点、右下角的顶点、左上角的顶点、右上角的顶点等,本申请实施例对此不做限定。可选地,原始图像的二维坐标系可以是生成该原始图像时,所采用的坐标系,原始图像上的任一位置点均是按照该二维坐标系确定的。
在一种可能实现方式中,轮廓信息还可以包括每个原始轮廓的轮廓标识。其中,轮廓标识为唯一确定该原始轮廓的标识,该轮廓标识可以是原始轮廓的序号、ID(Identity,身份标识)等,本申请实施例对轮廓标识不做限定。可选地,可以将原始轮廓的轮廓标识和该原始轮廓的第一位置信息对应存储。例如,每个原始轮廓的第一位置信息存储在一个文件中,该文件的文件名称中包括该原始轮廓的轮廓标识。
可选地,也可以在原始轮廓的第一位置信息中添加轮廓标识。例如,第一位置信息包括原始轮廓中多个轮廓点的第一坐标,该多个轮廓的第一坐标为[[x_i1,y_i1],[x_i2,y_i2],[x_i3,y_i3],……,[x_in,y_in]],其中,x为第一坐标的横坐标,y为第一坐标的纵坐标,i为轮廓标识,n为原始轮廓中轮廓点的数量,其中,n大于等于3的整数。可选地,i可以为原始轮廓的序号,i=1表示该原始轮廓为第一个轮廓,i=2表示该原始轮廓为第2个轮廓,i=n表示该原始轮廓为第n个轮廓。
另外,获取轮廓信息可以是通过对原始图像进行分析处理,来获取该原始图像的轮廓信息,还可以是从本地存储空间中获取该轮廓信息。
可选地,计算机设备通过对原始图像进行分析处理,来获取该原始图像的轮廓信息。在一种可能实现方式中,该原始图像中包括至少一个目标对象;计算机设备对原始图像进行分析处理,获取该原始图像的轮廓信息可以包括:计算机设备根据原始图像中每个点的像素值,确定任一点的像素值与相邻点的像素值的差值;响应于该像素差值大于预设差值,将该点作为原始轮廓上的轮廓点;获取每个原始轮廓上多个轮廓点的位置信息,得到原始图像的轮廓信息。
在另一种可能实现方式中,该原始图像包括每个原始轮廓,计算机设备对原始图像进行轮廓分析处理,获取该原始图像的轮廓信息可以包括:计算机设备在原始图像的二维坐标系中,根据原始图像上每个原始轮廓在该原始图像上的位置,获取该每个原始轮廓中多个轮廓点的第一坐标。
可选地,轮廓信息还可以是从本地存储空间中获取的,本申请实施例对此不做限定。可选地,本地存储空间中包括至少一个原始图像的轮廓信息,每个原始图像中每个原始轮廓的第一位置信息存储在同一存储位置。
其中,轮廓信息可以是通过用户在计算机设备上手动绘制原始轮廓得到的,也可以是通过计算机设备对原始图像进行轮廓分析处理得到的,本申请实施例对此不做限定。
在一种可能实现方式中,轮廓信息可以是通过用户在计算机设备上手动绘制原始轮廓得到的。计算机设备显示原始图像,用户在原始图像上就行绘制,计算机设备根据检测到的滑动轨迹,在该原始图像上生成该滑动轨迹对应的原始轮廓,获取该原始轮廓中多个轮廓点的第一坐标,得到了轮廓信息。
其中,用户在原始图像上进行绘制可以是对原始图形进行触发操作,该触发操作可以是点击操作、长按操作、拖拽操作、双击操作、滑动操作等,该触发操作可以是用户通过鼠标进行触发的,也可以是用户触摸显示屏幕触发的,可选地,对原始图像的触发操作可以是一种或者多种触发操作的组合等,本申请实施例对此不做限定。
在一种可能实现方式中,轮廓信息也可以是通过计算机设备对原始图像进行轮廓分析处理得到的。可选地,原始图像中包括至少一个目标对象,计算机设备对原始图像进行轮廓分析处理,获取该原始图像的轮廓信息可以包括:计算机设备根据原始图像上任一点的像素值与相邻点的像素值,确定该点的像素值与相邻点的像素值的差值;响应于该差值大于预设差值,将该点作为原始轮廓上的点,确定该目标对象的原始轮廓;根据原始轮廓中多个轮廓点在原始图像的二维坐标系中的位置,获取该轮廓点的第一坐标。
可选地,原始图像包括每个原始轮廓的轮廓线条,计算机设备对原始图像进行分析处理,获取该原始图像的轮廓信息可以包括:计算机设备在原始图像的二维坐标系中,根据原始图像上每个原始轮廓在该原始图像上的位置,获取该每个原始轮廓中多个轮廓点的第一坐标。
本申请实施例仅是对轮廓信息的生成方式进行说明,并不仅局限与上述几种生成方式,还可以通过其他方式来生成轮廓信息,本申请实施例对生成轮廓信息的方式不做限定。
202、获取目标区域信息,该目标区域信息指示原始图像中的目标区域。
其中,目标区域信息为用于确定目标区域的信息。在一种可能实现方式中,目标区域信息包括目标区域的多个顶点的坐标。例如,目标区域为矩形区域,目标区域信息可以为目标区域四个顶点的坐标。在另一种可能实现方式中,目标区域信息可以包括目标区域的任一顶点的坐标和该目标区域的形状和尺寸。例如,该目标区域信息可以包括:目标区域的形状为矩形,目标区域的长度为500、宽度为400,目标区域的左上角的顶点坐标为(18000,25000)。也就是说,目标区域的形状、尺寸和位置均是通过目标区域信息确定的。
可选地,目标区域的形状是固定的,如该目标区域的形状为矩形、圆形等,该目标区域信息可以包括目标区域的任一顶点的坐标和该目标区域的大小。也就是说,目标区域的形状可以是默认的,目标区域的大小和尺寸是由目标区域信息确定的。
可选地,目标区域信息可以是用户输入的,也可以是计算机设备对原始图像进行分析处理得到的。在一种可能实现方式中,计算机设备显示区域信息获取页面,计算机设备通过该区域信息获取页面,获取用户输入的目标区域信息,该区域信息页面用于获取目标区域信息,该区域信息页面可以包括至少一项区域信息输入选项。
在一种可能实现方式中,计算机设备将原始图像分割为多个区域图像,对每个区域图像进行轮廓分析处理,响应于该区域图像中包括原始轮廓,将该区域图像信息作为目标区域信息。
其中,区域图像中包括原始轮廓是指:区域图像中包括一个完整的原始轮廓;或者,区域图像中包括部分原始轮廓。
其中,计算机设备进行轮廓识别处理,确定区域内是否包括轮廓,可以根据任一位置点像素值与相邻点的像素值的差值来确定,也可以根据是否存在轮廓线条来确定,还可以通过其他方式来确定,本申请实施例对此不做限定。
例如,如图5所示,原始图像的区域501中包括多个原始轮廓,计算机设备将区域501作为目标区域,获取区域501的区域信息作为目标区域信息。而原始图像的区域502中不包括原始轮廓,则计算机设备不会将区域502作为目标区域。
203、根据轮廓信息和目标区域信息,确定至少一个目标轮廓,每个目标轮廓的全部或部分位于目标区域内。
其中,每个目标轮廓的全部或部分位于目标区域内是指:任一个目标轮廓可以全部位于目标区域内,也可以部分位于目标区域内。也就是说,该目标区域中可以包括:完整的目标轮廓对应的闭合区域,或者不完整的轮廓对应的非闭合区域,如图6所示,目标区域为矩形区域,该目标区域中包括多个目标轮廓,其中,第一目标轮廓601围成了一个闭合区域,该第一目标轮廓601全部位于目标区域内,第二目标轮廓602也围成了一个闭合区域,该第二目标轮廓602也全部位于目标区域内,第三目标轮廓603并未围成一个闭合区域,该第三目标轮廓603部分位于目标区域内。
在一种可能实现方式中,根据轮廓信息和目标区域信息,确定至少一个目标轮廓,可以包括:响应于任一轮廓点位于目标区域内,将该轮廓点所属的原始轮廓确定为目标轮廓。
可选地,轮廓点的位置信息中包括该轮廓点所属的原始轮廓的轮廓标识,计算机设备可以获取该轮廓点的位置信息中包括的轮廓标识。也就是说,通过获取该原始轮廓的轮廓标识,将该原始轮廓确定为目标轮廓。
例如,位于目标区域的轮廓点的坐标为[x_2n,y_2n],其中,2为原始轮廓的轮廓标识,根据轮廓点的坐标可以获取该轮廓点所属的原始轮廓的轮廓标识。后续可以根据该轮廓标识,从轮廓信息中获取轮廓标识为2的原始轮廓的第一位置信息。
考虑到上述方式中,每次根据目标区域信息,确定目标区域内的目标轮廓时,都需要对每个原始轮廓的轮廓点进行搜索和对比,若需要根据多个目标区域信息,确定每个目标区域内的目标轮廓时,需要重复对每个原始轮廓的轮廓点进行搜索和对比。
因此,本申请实施例还可以通过生成第一图像,在第一图像中确定缩小后的目标区域内的至少一个目标轮廓,其中,第一图像为缩小后的原始图像对应的目标图像。
在另一种可能实现方式中,根据轮廓信息和目标区域信息,确定至少一个目标轮廓,可以包括:将该每个原始轮廓的第一位置信息进行缩小处理,得到每个第一轮廓的第三位置信息,第一轮廓为对应的原始轮廓进行缩小处理后的轮廓,每个第一位置信息的缩小比例相等;根据该每个第一轮廓的第三位置信息,生成该原始图像对应的第一图像,该第一图像包括该每个第一轮廓;将该目标区域信息进行缩小处理,得到第一区域信息,该第一区域信息指示缩小后的目标区域,该目标区域信息的缩小比例与该每个第一位置信息的缩小比例相同;根据该第一区域信息和该第一图像,确定至少一个目标轮廓。
其中,将该每个原始轮廓的第一位置信息进行缩小处理,也就是将每个原始轮廓上的多个轮廓点的坐标进行缩小处理,若轮廓点的坐标包括横坐标和纵坐标,那么需要每个轮廓点的横坐标和纵坐标进行缩小处理,其中,横坐标和纵坐标的缩小比例相等。例如,将每个轮廓点的横坐标缩小10倍,将每个轮廓点的纵坐标缩小10倍,得到每个第一轮廓的第三位置信息。
可选地,根据每个第一轮廓的第三位置信息,生成该原始图像对应的第一图像,可以包括:建立二维坐标系,根据每个第一轮廓的第三位置信息,确定每个轮廓点在二维坐标系中的位置;根据每个轮廓点在二维坐标系中的位置,在二维坐标系中,生成第一图像。由于每个轮廓点的坐标都缩小了,因此,生成的第一图像也缩小了,且第一图像相对于原始图像的缩小比例与每个轮廓点的坐标的缩小比例相等。
可选地,该轮廓信息还包括该每个原始轮廓的轮廓标识;该根据该每个第一轮廓的第三位置信息,生成该原始图像对应的第一图像,可以包括:根据该每个第一轮廓的第三位置信息和该每个原始轮廓的轮廓标识,生成该第一图像,该第一图像包括每个第一轮廓以及该每个第一轮廓的轮廓标识,该第一轮廓的轮廓标识为该第一轮廓对应的原始轮廓的轮廓标识。
例如,如图7所示,该第一图像中轮廓701所包围的区域内包括该轮廓701的轮廓标识45,轮廓702所包括的区域内包括该轮廓702的轮廓标识47,轮廓703所包括的区域内包括该轮廓703的轮廓标识48,轮廓704所包括的区域内包括该轮廓704的轮廓标识49。
可选地,该根据该第一区域信息和该第一图像,确定至少一个目标轮廓,包括:根据该第一图像中的该每个第一轮廓、该每个第一轮廓的轮廓标识和该第一区域信息,确定该第一图像中全部或者部分位于该缩小后的目标区域的至少一个第一轮廓;根据该至少一个第一轮廓的轮廓标识,将该至少一个第一轮廓对应的原始轮廓确定为目标轮廓。
例如,目标区域信息包括:目标区域的左上角顶点坐标(30000,36000),目标区域的长为4000,目标区域的宽为4000,计算机设备将原始轮廓的第一位置信息缩小20倍后,得到了第一轮廓的第三位置信息,根据每个第一轮廓的第三位置信息生成了第一图像,图8示出了第一图像的部分区域。由于第一位置信息缩小了20倍,因此需要将目标区域信息也缩小20倍,得到第一区域信息,如图8所示,该第一区域信息包括:第一区域801的左上角顶点坐标(1500,1800),第一区域801的长为200,第一区域801的宽为200。根据该第一图像中的该每个第一轮廓、该每个第一轮廓的轮廓标识和该第一区域信息,可以确定第一图像中全部或者部分位于该缩小后的目标区域的至少一个第一轮廓的轮廓标识分别为45、47和49,图9示出了第一区域901内的三个轮廓。
可选地,根据该每个第一轮廓的第三位置信息和该每个原始轮廓的轮廓标识,生成该第一图像,可以包括:将该每个第一轮廓对应的轮廓区域内的像素值设置为该第一轮廓对应的原始轮廓的轮廓标识;根据该每个第一轮廓的第三位置信息和每个轮廓区域内的像素值,生成该第一图像。其中,生成的第一图像中可以包括彩色,也可以仅包括黑灰白三种颜色,本申请实施例对此不做限定。
例如,图10示出了第一图像的部分区域,需要说明的是,图10并未示出不同轮廓对应的轮廓区域内的不同的像素值,而是通过字母i来表示轮廓区域内的像素值,其中,i=45表示该轮廓区域1001内的像素值为45;i=47表示该轮廓区域1002内的像素值为47;i=48表示该轮廓区域1003内的像素值为48;i=49表示该轮廓区域1004内的像素值为49。通过获取每个轮廓区域的像素值,得到每个目标轮廓的轮廓标识。
通过第一区域信息和第一图像可以快速确定位于目标区域内的至少一个目标轮廓,提高了确定该至少一个目标轮廓的速度,使得计算机设备能够尽快根据目标轮廓的第一位置信息来绘制目标图像,提高了目标图像的生成效率。
在步骤203中,计算机设备获取到了目标轮廓的轮廓标识,在步骤204之前,计算机设备还可以根据每个目标轮廓的轮廓标识,从轮廓信息中获取每个目标轮廓的第一位置信息。
如图10所示,目标区域中包括3个目标轮廓,每个目标轮廓的轮廓标识分别为45、47和49。根据45、47和49在轮廓信息中进行搜索,得到这三个目标轮廓的第一位置信息,该三个目标轮廓的第一位置信息为:
[[x_45_1,y_45_1],[x_45_2,y_45_2],[x_45_3,y_45_3],…,[x_45_n,y_45_n]],
[[x_47_1,y_47_1],[x_47_2,y_47_2],[x_47_3,y_47_3],…,[x_47_n,y_47_n]],
[[x_49_1,y_49_1],[x_49_2,y_49_2],[x_49_3,y_49_3],…,[x_49_n,y_49_n]]。
204、将每个目标轮廓中多个轮廓点的第一坐标减小,得到每个目标轮廓的第二位置信息,目标轮廓的第二位置信息包括目标轮廓中多个轮廓点的第二坐标,且每个轮廓点的坐标的减小幅度相等。
在根据目标轮廓的坐标来生成目标轮廓对应的图像时,该目标轮廓对应的图像大小为a*b,其中,a为目标轮廓的最大横坐标,b为目标轮廓的最大纵坐标,因此,目标轮廓对应的图像的尺寸不仅与目标轮廓的尺寸有关,还与目标轮廓的坐标有关,为了避免根据目标轮廓的坐标来生成目标轮廓对应的图像时,得到的图像的尺寸较大,因此可以将目标轮廓中每个轮廓点的坐标减小,尽可能减少了无用区域,也使得生成的图像的尺寸较小。其中,将坐标减小时,减小幅度可以是任一大于0的值。
在一种可能实现方式中,坐标包括横坐标和纵坐标,在将每个目标轮廓中多个轮廓点的第一坐标减小,得到每个目标轮廓的第二位置信息之前,该方法还包括:根据每个目标轮廓的第一位置信息,获取最小横坐标和最小纵坐标;将最小横坐标确定为每个轮廓点的横坐标的减小幅度;将最小纵坐标确定为每个轮廓点的纵坐标的减小幅度。
例如,每个目标轮廓的第一位置信息中,最小横坐标为5543,最小纵坐标为4796,将该(5543,4796)作为减小幅度,就是将目标轮廓上的每个轮廓点的第一坐标减去该(5543,4796),如轮廓点的第一坐标为(6543,5796),则将该(6543,5796)减去(5543,4796),将得到的坐标更新为该轮廓点的坐标。
其中,第一位置信息、最小横坐标和最小横坐标满足以下关系:
x_min=MIN[x_i_n];
y_min=MIN[y_i_n];
其中,x_min为最小横坐标,y_min为最小纵坐标,i为轮廓标识,n为任一原始轮廓的轮廓点的数量,n为大于等于3的整数;MIN[]为取最小值的函数,x为横坐标,y为横坐标,[x_i_n]为每个目标轮廓的第一位置信息中的任一横坐标,[y_i_n]为每个目标轮廓的第一位置信息中的任一纵坐标。
其中,将每个目标轮廓中多个轮廓点的第一坐标减小,得到每个目标轮廓的第二位置信息,可以包括:根据横坐标的减小幅度,减小每个目标轮廓中多个轮廓点的第一坐标中的横坐标;根据纵坐标的减小幅度,减小每个目标轮廓中多个轮廓点的第一坐标中的纵坐标,得到每个目标轮廓中多个轮廓点的第二坐标。
可选地,每个目标轮廓的第二位置信息、每个目标轮廓的第一位置信息、最小横坐标和最小纵坐标满足以下关系:
contour_list_local=contour_list-[x_min,y_min],
其中,contour_list_local是至少一个目标轮廓的轮廓点的第二坐标列表,contour_list是至少一个目标轮廓的轮廓点的第一坐标列表。
也就是说,将目标区域内的轮廓坐标的坐标系原点设置为[x_min,y_min],后续可以基于contour_list_local,在该坐标系中生成目标图像。
将至少一个目标轮廓的最小横坐标和最小纵坐标作为减少幅度,减小每个目标轮廓中多个轮廓点的坐标,相当于将目标轮廓对应的图像进行了切割,从而减小了目标区域对应的目标图像的尺寸。
在另一种可能实现方式中,坐标包括横坐标和纵坐标,在将每个目标轮廓中多个轮廓点的第一坐标减小,得到每个目标轮廓的第二位置信息之前,该方法还包括:根据目标区域信息,获取目标区域的最小横坐标和最小纵坐标;将最小横坐标确定为每个轮廓点的横坐标的减小幅度;将最小纵坐标确定为每个轮廓点的纵坐标的减小幅度。也就是说,目标轮廓中多个轮廓点的第一坐标中的横坐标都需要减去目标区域的最小横坐标,目标轮廓中多个轮廓点的第一坐标中的纵坐标都需要减去目标区域的最小纵坐标,相当于,将目标区域的顶点作为轮廓坐标系的坐标原点,以该原点生成目标图像,可以减小目标图像的尺寸。
205、根据每个目标轮廓的第二位置信息和目标区域信息,生成目标区域对应的目标图像,目标图像包括位于目标区域内的轮廓。
在一种可能实现方式中,根据每个目标轮廓的第二位置信息和目标区域信息,生成目标区域对应的目标图像,可以包括:根据每个目标轮廓的第二位置信息,生成第三图像,第三图像包括每个目标轮廓;根据目标区域信息,对第三图像中的目标区域进行切割处理,得到包括目标区域的目标图像。
其中,第三图像可以如图11所示,该图11中包括3个目标轮廓的完整轮廓,该图11为轮廓标识为45的轮廓1101、轮廓标识为47的轮廓1102和轮廓标识为49的轮廓1103这三个目标轮廓的轮廓图像,该图11还包括目标区域1104。将图11中的目标区域1104切割出来,得到如图12所示的目标图像1201。
在一种可能实现方式中,根据每个目标轮廓的第二位置信息和目标区域信息,生成目标区域对应的目标图像,可以包括:根据每个目标轮廓中多个轮廓点的第二坐标和目标区域信息,确定每个目标轮廓中,位于目标区域内的多个轮廓点;根据多个轮廓点的第二坐标和目标区域信息,生成目标图像。
本申请实施例提供的图像生成方法,通过划定目标区域,使得计算机设备只需生成目标区域对应的目标图像,无需生成其他区域对应的图像,本申请通过将目标轮廓上的多个轮廓点的坐标减小,来达到切割掉其他区域对应的图像的效果,减小了目标图像的尺寸。并且本申请中目标轮廓上的多个轮廓点的坐标减小幅度相同,从而目标图像中的轮廓与轮廓之间的距离与原始图像中相应轮廓与相应轮廓之间的距离相同,不会发生轮廓粘连的问题,保证了生成的目标图像的准确性。
并且,还可以将至少一个目标轮廓中的最小横坐标作为该至少一个目标轮廓中的每个轮廓点的横坐标的减小幅度,将该至少一个目标轮廓中的最小纵坐标作为该至少一个目标轮廓中的每个轮廓点的纵坐标的减小幅度,相当于将该最小横坐标和最小纵坐标作为目标图像的轮廓坐标系原点,尽可能地避免了绘制该至少一个目标轮廓之外的区域,从而减小了目标图像的尺寸。
并且,还可以将目标区域信息中的最小横坐标作为该至少一个目标轮廓中的每个轮廓点的横坐标的减小幅度,将该目标区域信息中的最小纵坐标作为该至少一个目标轮廓中的每个轮廓点的纵坐标的减小幅度,相当于将该目标区域信息中的最小横坐标和最小纵坐标作为目标图像的轮廓坐标系原点,尽可能地避免了绘制该目标区域之外的区域,从而减小了目标图像的尺寸。
并且,本申请还可以将每个原始轮廓的第一位置信息进行缩小处理,生成该原始图像对应的第一图像,第一图像中可以包括每个原始轮廓的轮廓表示,该第一图像可以看做是原始图像的索引图像,可以根据原始图像的目标区域信息、第一图像确定原始图像中位于目标区域的至少一个目标轮廓,提高了确定位于目标区域的至少一个目标轮廓的速度,也提高了生成目标图像的效率。
本申请实施例提供的图像处理方法可以应用于对病理WSI图像的处理过程。目前,对于病理WSI图像的分类处理越来越多的基于分类网络模型来完成。而使用分类网络模型来对病理WSI图像进行分类处理,需要先对分类网络模型训练,再使用训练完成的分类网络模型对病理WSI图像进行分类处理。
其中,在对分类网络模型进行训练时,需要先获取样本病理WSI图像以及该样本病理WSI图像对应的目标图像,其中,样本病理WSI图像中可以包括目标对象或者目标区域,而该样本病理WSI图像对应的目标图像包括目标对象的轮廓或者目标区域的轮廓。本实施例以样本病理WSI图像包括目标对象为例进行说明:
其中,样本病理WSI图像中包括至少一个目标对象,而样本病理WSI图像对应的目标轮廓中包括该至少一个目标对象的轮廓,将样本病理WSI图像和目标图像作为训练样本数据,输入至分类网络模型中,分类网络模型可以根据WSI图像进行处理,确定该WSI图像中目标对象的轮廓,并根据该样本病理WSI图像对应的目标图像中的轮廓,确定分类结果是否正确,并根据分类模型输出结果与目标图像中轮廓的位置信息之间的差异,对分类网络模型的参数进行调整,以使得分类网络模型的分类结果更加准确。在分类网络模型训练完成之后,可以基于分类网络模型识别WSI图像中的目标对象。
由于样本病理WSI图像的尺寸较大,且目标图像与该样本病理WSI图像的尺寸相同,因此,目前均是将缩放后的样本病理WSI图像和缩放后的目标图像作为样本训练数据,在缩放后的图像中,如果两个轮廓相邻较近,则两个轮廓会粘连到一起,形成一个轮廓,用于训练分类网络模型的目标图像出现了错误,会降低分类网络模型的精确度。
而本申请提供了一种生成WSI图像的目标图像的方法,该方法应用于计算机设备中,如图13所示,参见以下步骤:
1301、获取轮廓信息,轮廓信息包括WSI图像中的每个目标对象的原始轮廓的第一位置信息,该原始轮廓的第一位置信息包括该原始轮廓中多个轮廓点的第一坐标。
其中,WSI图像可以是包括目标对象的图像,其中,目标对象可以是发生癌变的细胞、发生变形的血管、未发生癌变的细胞、未发生病变的血管等,本申请实施例对目标对象不做限定。
1302、获取目标区域信息,该目标区域信息指示该WSI图像中的目标区域。
1303、根据轮廓信息和目标区域信息,确定至少一个目标轮廓,每个目标轮廓的全部或部分位于目标区域内。
在一种可能实现方式中,根据轮廓信息和目标区域信息,确定至少一个目标轮廓,包括:响应于任一轮廓点位于目标区域内,将轮廓点所属的原始轮廓确定为目标轮廓。
在一种可能实现方式中,根据轮廓信息和目标区域信息,确定至少一个目标轮廓,包括:将每个原始轮廓的第一位置信息进行缩小处理,得到每个第一轮廓的第三位置信息,第一轮廓为对应的原始轮廓进行缩小处理后的轮廓,每个第一位置信息的缩小比例相等;根据每个第一轮廓的第三位置信息,生成WSI图像对应的第一图像,第一图像包括每个第一轮廓;将目标区域信息进行缩小处理,得到第一区域信息,第一区域信息指示缩小后的目标区域,目标区域信息的缩小比例与每个第一位置信息的缩小比例相同;根据第一区域信息和第一图像,确定至少一个目标轮廓。
可选地,轮廓信息还包括每个原始轮廓的轮廓标识;根据每个第一轮廓的第三位置信息,生成WSI图像对应的第一图像,包括:根据每个第一轮廓的第三位置信息和每个原始轮廓的轮廓标识,生成第一图像,第一图像包括每个第一轮廓以及每个第一轮廓的轮廓标识,第一轮廓的轮廓标识为第一轮廓对应的原始轮廓的轮廓标识;根据第一区域信息和第一图像,确定至少一个目标轮廓,包括:根据第一图像中的每个第一轮廓、每个第一轮廓的轮廓标识和第一区域信息,确定第一图像中全部或者部分位于缩小后的目标区域的至少一个第一轮廓;根据至少一个第一轮廓的轮廓标识,将至少一个第一轮廓对应的原始轮廓确定为目标轮廓。
可选地,根据每个第一轮廓的第三位置信息和每个原始轮廓的轮廓标识,生成第一图像,包括:将每个第一轮廓对应的轮廓区域内的像素值设置为第一轮廓对应的原始轮廓的轮廓标识;根据每个第一轮廓的第三位置信息和每个轮廓区域内的像素值,生成第一图像。
1304、将每个目标轮廓中多个轮廓点的第一坐标减小,得到每个目标轮廓的第二位置信息,目标轮廓的第二位置信息包括目标轮廓中多个轮廓点的第二坐标,且每个轮廓点的坐标的减小幅度相等。
在一种可能实现方式中,坐标包括横坐标和纵坐标,将每个目标轮廓中多个轮廓点的第一坐标减小,得到每个目标轮廓的第二位置信息之前,方法还包括:根据每个目标轮廓的第一位置信息,获取最小横坐标和最小纵坐标;将最小横坐标确定为每个轮廓点的横坐标的减小幅度;将最小纵坐标确定为每个轮廓点的纵坐标的减小幅度。
在一种可能实现方式中,坐标包括横坐标和纵坐标,将每个目标轮廓中多个轮廓点的第一坐标减小,得到每个目标轮廓的第二位置信息之前,方法还包括:根据目标区域信息,获取目标区域的最小横坐标和最小纵坐标;将最小横坐标确定为每个轮廓点的横坐标的减小幅度;将最小纵坐标确定为每个轮廓点的纵坐标的减小幅度。
1305、根据每个目标轮廓的第二位置信息和目标区域信息,生成目标区域对应的目标图像,目标图像包括位于目标区域内的轮廓。
在一种可能实现方式中,根据每个目标轮廓的第二位置信息和目标区域信息,生成目标区域对应的目标图像,包括:根据每个目标轮廓的第二位置信息,生成第三图像,第三图像包括每个目标轮廓;根据目标区域信息,对第三图像中的目标区域进行切割处理,得到包括目标区域的目标图像。
在一种可能实现方式中,根据每个目标轮廓的第二位置信息和目标区域信息,生成目标区域对应的目标图像,包括:根据每个目标轮廓中多个轮廓点的第二坐标和目标区域信息,确定每个目标轮廓中,位于目标区域内的多个轮廓点;根据多个轮廓点的第二坐标和目标区域信息,生成目标图像。
通过上述方法生成WSI图像的目标区域对应的目标图像,减小了生成的目标图像的尺寸,后续可以根据目标区域,从WSI图像中裁剪该目标区域对应的图像,将该图像和目标图像作为分类网络模型的训练数据,由于目标图像中轮廓之间的距离与WSI图像中相应轮廓之间的距离相同,保证了目标图像的准确性,从而提高了训练分类网络模型的准确性。图14示出了采用相关技术生成的目标图像与采用本申请所提供的方法生成的目标图像的对比示意图,如该图14所示,采用相关技术生成的目标图像1401轮廓线条模糊不清,且轮廓线条与轮廓线条之间粘连,计算机设备会将其误判为一个轮廓,而采用本申请所提供的方法生成的目标图像1402轮廓线条清楚,轮廓线条与轮廓线条之间界限分明,避免了计算机设备误判。并且,在生成多个目标区域对应的目标图像之后,还可以根据目标图像与目标图像之间的位置关系,将多个目标图像进行组合,将多个目标图像组合成WSI图像对应的目标图像。
图15是本申请实施例提供的一种图像生成装置的结构示意图,如图15所示,该装置包括:
信息获取模块1501,用于获取轮廓信息和目标区域信息,该轮廓信息包括原始图像中的每个原始轮廓的第一位置信息,该原始轮廓的第一位置信息包括该原始轮廓中多个轮廓点的第一坐标,该目标区域信息指示该原始图像中的目标区域;
确定模块1502,用于根据该轮廓信息和该目标区域信息,确定至少一个目标轮廓,每个目标轮廓的全部或部分位于该目标区域内;
减小模块1503,用于将每个目标轮廓中多个轮廓点的第一坐标减小,得到该每个目标轮廓的第二位置信息,该目标轮廓的第二位置信息包括该目标轮廓中多个轮廓点的第二坐标,且每个轮廓点的坐标的减小幅度相等;
生成模块1504,用于根据该每个目标轮廓的第二位置信息和该目标区域信息,生成该目标区域对应的目标图像,该目标图像包括位于该目标区域内的轮廓。
本申请实施例提供的图像生成装置,通过划定目标区域,使得计算机设备只需生成目标区域对应的目标图像,无需生成其他区域对应的图像,本申请通过将目标轮廓上的多个轮廓点的坐标减小,来达到切割掉其他区域对应的图像的效果,减小了目标图像的尺寸。并且本申请中目标轮廓上的多个轮廓点的坐标减小幅度相同,从而目标图像中的轮廓与轮廓之间的距离与原始图像中相应轮廓与相应轮廓之间的距离相同,不会发生轮廓粘连的问题,保证了生成的目标图像的准确性。
如图16所示,在一种可能实现方式中,该坐标包括横坐标和纵坐标,该装置还包括:
幅度获取模块1505,用于根据该每个目标轮廓的第一位置信息,获取最小横坐标和最小纵坐标;将该最小横坐标确定为该每个轮廓点的横坐标的减小幅度;将该最小纵坐标确定为该每个轮廓点的纵坐标的减小幅度。
在一种可能实现方式中,该坐标包括横坐标和纵坐标,该装置还包括:
幅度获取模块1505,用于根据该目标区域信息,获取该目标区域的最小横坐标和最小纵坐标;将该最小横坐标确定为该每个轮廓点的横坐标的减小幅度;将该最小纵坐标确定为该每个轮廓点的纵坐标的减小幅度。
在一种可能实现方式中,该确定模块1502,还用于响应于任一轮廓点位于该目标区域内,将该轮廓点所属的原始轮廓确定为目标轮廓。
在一种可能实现方式中,该确定模块1502,包括:
缩小单元1512,用于将该每个原始轮廓的第一位置信息进行缩小处理,得到每个第一轮廓的第三位置信息,第一轮廓为对应的原始轮廓进行缩小处理后的轮廓,每个第一位置信息的缩小比例相等;
生成单元1522,用于根据该每个第一轮廓的第三位置信息,生成该原始图像对应的第一图像,该第一图像包括该每个第一轮廓;
该缩小单元1512,还用于将该目标区域信息进行缩小处理,得到第一区域信息,该第一区域信息指示缩小后的目标区域,该目标区域信息的缩小比例与该每个第一位置信息的缩小比例相同;
确定单元1532,用于根据该第一区域信息和该第一图像,确定至少一个目标轮廓。
在一种可能实现方式中,该轮廓信息还包括该每个原始轮廓的轮廓标识;该生成单元1522,用于根据该每个第一轮廓的第三位置信息和该每个原始轮廓的轮廓标识,生成该第一图像,该第一图像包括每个第一轮廓以及该每个第一轮廓的轮廓标识,该第一轮廓的轮廓标识为该第一轮廓对应的原始轮廓的轮廓标识;
该确定单元1532,用于根据该第一图像中的该每个第一轮廓、该每个第一轮廓的轮廓标识和该第一区域信息,确定该第一图像中全部或者部分位于该缩小后的目标区域的至少一个第一轮廓;
该确定单元1532,还用于根据该至少一个第一轮廓的轮廓标识,将该至少一个第一轮廓对应的原始轮廓确定为目标轮廓。
在一种可能实现方式中,该生成单元1522,用于将该每个第一轮廓包围的轮廓区域内的像素值设置为该第一轮廓对应的原始轮廓的轮廓标识;根据该每个第一轮廓的第三位置信息和每个轮廓区域内的像素值,生成该第一图像。
在一种可能实现方式中,该生成模块1504,包括:
生成单元1514,用于根据该每个目标轮廓的第二位置信息,生成第三图像,该第三图像包括该每个目标轮廓;
切割单元1524,用于根据该目标区域信息,对该第三图像中的该目标区域进行切割处理,得到包括该目标区域的该目标图像。
在一种可能实现方式中,该生成模块1504,包括:
确定单元1534,用于根据该每个目标轮廓中多个轮廓点的第二坐标和该目标区域信息,确定该每个目标轮廓中,位于该目标区域内的多个轮廓点;
生成单元1514,用于根据该多个轮廓点的第二坐标和该目标区域信息,生成该目标图像。
图17是本申请实施例提供的一种终端的结构框图。该终端1700用于执行上述实施例中终端或智能设备执行的步骤,可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1700还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端1700包括有:处理器1701和存储器1702。
处理器1701可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1701可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1701也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1701可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1701还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1702可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1702还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1702中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1701所执行以实现本申请中方法实施例提供的图像生成方法。
在一些实施例中,终端1700还可选包括有:***设备接口1703和至少一个***设备。处理器1701、存储器1702和***设备接口1703之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1703相连。具体地,***设备包括:射频电路1704、触摸显示屏1705、摄像头组件1706、音频电路1707、定位组件1708和电源1709中的至少一种。
***设备接口1703可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器1701和存储器1702。在一些实施例中,处理器1701、存储器1702和***设备接口1703被集成在同一芯片或电路板上;在一些其他实施例中,处理器1701、存储器1702和***设备接口1703中的任意一个或两个可以在单独的芯片或电路板上实现,本申请实施例对此不加以限定。
射频电路1704用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路1704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1704将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路1704包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路1704还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏1705用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1705是触摸显示屏时,显示屏1705还具有采集在显示屏1705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1701进行处理。此时,显示屏1705还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏1705可以为一个,设置终端1700的前面板;在另一些实施例中,显示屏1705可以为至少两个,分别设置在终端1700的不同表面或呈折叠设计;在再一些实施例中,显示屏1705可以是柔性显示屏,设置在终端1700的弯曲表面上或折叠面上。甚至,显示屏1705还可以设置成非矩形的不规则图形,也即异形屏。显示屏1705可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1706用于采集图像或视频。可选地,摄像头组件1706包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件1706还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1701进行处理,或者输入至射频电路1704以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端1700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1701或射频电路1704的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路1707还可以包括耳机插孔。
定位组件1708用于定位终端1700的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件1708可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***或俄罗斯的格雷纳斯***或欧盟的伽利略***的定位组件。
电源1709用于为终端1700中的各个组件进行供电。电源1709可以是交流电、直流电、一次性电池或可充电电池。当电源1709包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解,图17中示出的结构并不构成对终端1700的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图18是本申请实施例提供的一种服务器的结构示意图,该服务器1800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central ProcessingUnits,CPU)1801和一个或一个以上的存储器1802,其中,存储器3902中存储有至少一条指令,至少一条指令由处理器1801加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
服务器1800可以用于执行上述图像生成方法中服务器所执行的步骤。
本申请实施例还提供了一种计算机设备,该计算机设备包括处理器和存储器,该存储器中存储有至少一条指令,该指令由该处理器加载并执行上述实施例的图像生成方法中所执行的操作。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条指令,该指令由处理器加载并执行以实现上述实施例的图像生成方法中所执行的操作。
本申请实施例还提供了一种计算机程序,该计算机程序中存储有至少一条指令,该至少一条指令由处理器加载并执行,以实现上述实施例的图像生成方法中所执行的操作。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种图像生成方法,其特征在于,所述方法包括:
获取轮廓信息和目标区域信息,所述轮廓信息包括原始图像中的每个原始轮廓的第一位置信息,所述原始轮廓的第一位置信息包括所述原始轮廓中多个轮廓点的第一坐标,所述目标区域信息指示所述原始图像中的目标区域;
根据所述轮廓信息和所述目标区域信息,确定至少一个目标轮廓,每个目标轮廓的全部或部分位于所述目标区域内;
将每个目标轮廓中多个轮廓点的第一坐标减小,得到所述每个目标轮廓的第二位置信息,所述目标轮廓的第二位置信息包括所述目标轮廓中多个轮廓点的第二坐标,且每个轮廓点的坐标的减小幅度相等;
根据所述每个目标轮廓的第二位置信息和所述目标区域信息,生成所述目标区域对应的目标图像,所述目标图像包括位于所述目标区域内的轮廓。
2.根据权利要求1所述的方法,其特征在于,所述坐标包括横坐标和纵坐标,所述将每个目标轮廓中多个轮廓点的第一坐标减小,得到所述每个目标轮廓的第二位置信息之前,所述方法还包括:
根据所述每个目标轮廓的第一位置信息,获取最小横坐标和最小纵坐标;
将所述最小横坐标确定为所述每个轮廓点的横坐标的减小幅度;
将所述最小纵坐标确定为所述每个轮廓点的纵坐标的减小幅度。
3.根据权利要求1所述的方法,其特征在于,所述坐标包括横坐标和纵坐标,所述将每个目标轮廓中多个轮廓点的第一坐标减小,得到所述每个目标轮廓的第二位置信息之前,所述方法还包括:
根据所述目标区域信息,获取所述目标区域的最小横坐标和最小纵坐标;
将所述最小横坐标确定为所述每个轮廓点的横坐标的减小幅度;
将所述最小纵坐标确定为所述每个轮廓点的纵坐标的减小幅度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述轮廓信息和所述目标区域信息,确定至少一个目标轮廓,包括:
响应于任一轮廓点位于所述目标区域内,将所述轮廓点所属的原始轮廓确定为目标轮廓。
5.根据权利要求1所述的方法,其特征在于,所述根据所述轮廓信息和所述目标区域信息,确定至少一个目标轮廓,包括:
将所述每个原始轮廓的第一位置信息进行缩小处理,得到每个第一轮廓的第三位置信息,第一轮廓为对应的原始轮廓进行缩小处理后的轮廓,每个第一位置信息的缩小比例相等;
根据所述每个第一轮廓的第三位置信息,生成所述原始图像对应的第一图像,所述第一图像包括所述每个第一轮廓;
将所述目标区域信息进行缩小处理,得到第一区域信息,所述第一区域信息指示缩小后的目标区域,所述目标区域信息的缩小比例与所述每个第一位置信息的缩小比例相同;
根据所述第一区域信息和所述第一图像,确定至少一个目标轮廓。
6.根据权利要求5所述的方法,其特征在于,所述轮廓信息还包括所述每个原始轮廓的轮廓标识;所述根据所述每个第一轮廓的第三位置信息,生成所述原始图像对应的第一图像,包括:
根据所述每个第一轮廓的第三位置信息和所述每个原始轮廓的轮廓标识,生成所述第一图像,所述第一图像包括每个第一轮廓以及所述每个第一轮廓的轮廓标识,所述第一轮廓的轮廓标识为所述第一轮廓对应的原始轮廓的轮廓标识;
所述根据所述第一区域信息和所述第一图像,确定至少一个目标轮廓,包括:
根据所述第一图像中的所述每个第一轮廓、所述每个第一轮廓的轮廓标识和所述第一区域信息,确定所述第一图像中全部或者部分位于所述缩小后的目标区域的至少一个第一轮廓;
根据所述至少一个第一轮廓的轮廓标识,将所述至少一个第一轮廓对应的原始轮廓确定为目标轮廓。
7.根据权利要求6所述的方法,其特征在于,所述根据所述每个第一轮廓的第三位置信息和所述每个原始轮廓的轮廓标识,生成所述第一图像,包括:
将所述每个第一轮廓对应的轮廓区域内的像素值设置为所述第一轮廓对应的原始轮廓的轮廓标识;
根据所述每个第一轮廓的第三位置信息和每个轮廓区域内的像素值,生成所述第一图像。
8.根据权利要求1所述的方法,其特征在于,所述根据所述每个目标轮廓的第二位置信息和所述目标区域信息,生成所述目标区域对应的目标图像,包括:
根据所述每个目标轮廓的第二位置信息,生成第三图像,所述第三图像包括所述每个目标轮廓;
根据所述目标区域信息,对所述第三图像中的所述目标区域进行切割处理,得到包括所述目标区域的所述目标图像。
9.根据权利要求1所述的方法,其特征在于,所述根据所述每个目标轮廓的第二位置信息和所述目标区域信息,生成所述目标区域对应的目标图像,包括:
根据所述每个目标轮廓中多个轮廓点的第二坐标和所述目标区域信息,确定所述每个目标轮廓中,位于所述目标区域内的多个轮廓点;
根据所述多个轮廓点的第二坐标和所述目标区域信息,生成所述目标图像。
10.一种图像生成装置,其特征在于,所述装置包括:
信息获取模块,用于获取轮廓信息和目标区域信息,所述轮廓信息包括原始图像中的每个原始轮廓的第一位置信息,所述原始轮廓的第一位置信息包括所述原始轮廓中多个轮廓点的第一坐标,所述目标区域信息指示所述原始图像中的目标区域;
确定模块,用于根据所述轮廓信息和所述目标区域信息,确定至少一个目标轮廓,每个目标轮廓的全部或部分位于所述目标区域内;
减小模块,用于将每个目标轮廓中多个轮廓点的第一坐标减小,得到所述每个目标轮廓的第二位置信息,所述目标轮廓的第二位置信息包括所述目标轮廓中多个轮廓点的第二坐标,且每个轮廓点的坐标的减小幅度相等;
生成模块,用于根据所述每个目标轮廓的第二位置信息和所述目标区域信息,生成所述目标区域对应的目标图像,所述目标图像包括位于所述目标区域内的轮廓。
11.根据权利要求10所述的装置,其特征在于,所述坐标包括横坐标和纵坐标,所述装置还包括:
幅度获取模块,用于根据所述每个目标轮廓的第一位置信息,获取最小横坐标和最小纵坐标;将所述最小横坐标确定为所述每个轮廓点的横坐标的减小幅度;将所述最小纵坐标确定为所述每个轮廓点的纵坐标的减小幅度。
12.根据权利要求10所述的装置,其特征在于,所述坐标包括横坐标和纵坐标,所述装置还包括:
幅度获取模块,用于根据所述目标区域信息,获取所述目标区域的最小横坐标和最小纵坐标;将所述最小横坐标确定为所述每个轮廓点的横坐标的减小幅度;将所述最小纵坐标确定为所述每个轮廓点的纵坐标的减小幅度。
13.根据权利要求10所述的装置,其特征在于,所述确定模块,还用于响应于任一轮廓点位于所述目标区域内,将所述轮廓点所属的原始轮廓确定为目标轮廓。
14.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现如权利要求1至9任一项所述的图像生成方法中所执行的操作。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现如权利要求1至9任一项所述的图像生成方法中所执行的操作。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097623.0A CN111325220B (zh) | 2020-02-17 | 2020-02-17 | 图像生成方法、装置、设备及存储介质 |
KR1020227017609A KR20220083831A (ko) | 2020-02-17 | 2020-11-06 | 이미지 생성 방법, 디바이스, 및 저장 매체 |
EP20919715.1A EP4009232A4 (en) | 2020-02-17 | 2020-11-06 | IMAGE GENERATION METHOD, DEVICE AND STORAGE MEDIA |
PCT/CN2020/127065 WO2021164328A1 (zh) | 2020-02-17 | 2020-11-06 | 图像生成方法、设备及存储介质 |
JP2022520698A JP7379684B2 (ja) | 2020-02-17 | 2020-11-06 | 画像生成方法及び装置並びにコンピュータプログラム |
US17/684,608 US11847812B2 (en) | 2020-02-17 | 2022-03-02 | Image generation method and apparatus, device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097623.0A CN111325220B (zh) | 2020-02-17 | 2020-02-17 | 图像生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325220A true CN111325220A (zh) | 2020-06-23 |
CN111325220B CN111325220B (zh) | 2023-04-07 |
Family
ID=71172800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010097623.0A Active CN111325220B (zh) | 2020-02-17 | 2020-02-17 | 图像生成方法、装置、设备及存储介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11847812B2 (zh) |
EP (1) | EP4009232A4 (zh) |
JP (1) | JP7379684B2 (zh) |
KR (1) | KR20220083831A (zh) |
CN (1) | CN111325220B (zh) |
WO (1) | WO2021164328A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307978A (zh) * | 2020-10-30 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
WO2021164328A1 (zh) * | 2020-02-17 | 2021-08-26 | 腾讯科技(深圳)有限公司 | 图像生成方法、设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529978B (zh) * | 2020-12-07 | 2022-10-14 | 四川大学 | 一种人机交互式抽象画生成方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500223A (zh) * | 2013-10-17 | 2014-01-08 | 宁波工程学院 | 一种面向移动用户的矢量地图数据压缩方法 |
US20150055823A1 (en) * | 2012-03-14 | 2015-02-26 | Omron Corporation | Image inspection method and inspection region setting method |
CN105740872A (zh) * | 2016-01-29 | 2016-07-06 | 徐庆 | 图像特征提取方法及其装置 |
WO2018105530A1 (ja) * | 2016-12-08 | 2018-06-14 | 株式会社ソニー・インタラクティブエンタテインメント | 情報処理装置および情報処理方法 |
EP3486836A1 (en) * | 2017-11-17 | 2019-05-22 | Sysmex Corporation | Image analysis method, apparatus, program, and learned deep learning algorithm |
CN110739051A (zh) * | 2019-10-08 | 2020-01-31 | 中山大学附属第三医院 | 利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5683888B2 (ja) * | 2010-09-29 | 2015-03-11 | オリンパス株式会社 | 画像処理装置、画像処理方法、および画像処理プログラム |
ES2481347B1 (es) * | 2012-12-26 | 2015-07-30 | Universidad De Almeria | Procedimiento de interpretación automática de imágenes para la cuantificación de marcadores tumorales nucleares. |
US9542127B2 (en) * | 2014-05-19 | 2017-01-10 | Canon Kabushiki Kaisha | Image processing method and image processing apparatus |
CN105335976A (zh) * | 2015-10-23 | 2016-02-17 | 广州视睿电子科技有限公司 | 一种图像处理方法和装置 |
CN106407902A (zh) * | 2016-08-31 | 2017-02-15 | 西北工业大学 | 一种基于几何差异的飞机目标识别方法 |
CN107563384B (zh) * | 2017-08-31 | 2020-02-21 | 江苏大学 | 基于广义Hough聚类的粘连猪的头尾识别方法 |
JP6702360B2 (ja) * | 2018-06-27 | 2020-06-03 | ソニー株式会社 | 情報処理方法、情報処理システム及び情報処理装置 |
CN109378052B (zh) * | 2018-08-31 | 2019-07-30 | 透彻影像(北京)科技有限公司 | 图像标注的预处理方法及*** |
US11893732B2 (en) * | 2019-05-29 | 2024-02-06 | Leica Biosystems Imaging, Inc. | Computer supported review of tumors in histology images and post operative tumor margin assessment |
CN111325220B (zh) * | 2020-02-17 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 图像生成方法、装置、设备及存储介质 |
-
2020
- 2020-02-17 CN CN202010097623.0A patent/CN111325220B/zh active Active
- 2020-11-06 EP EP20919715.1A patent/EP4009232A4/en active Pending
- 2020-11-06 JP JP2022520698A patent/JP7379684B2/ja active Active
- 2020-11-06 WO PCT/CN2020/127065 patent/WO2021164328A1/zh unknown
- 2020-11-06 KR KR1020227017609A patent/KR20220083831A/ko unknown
-
2022
- 2022-03-02 US US17/684,608 patent/US11847812B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150055823A1 (en) * | 2012-03-14 | 2015-02-26 | Omron Corporation | Image inspection method and inspection region setting method |
CN103500223A (zh) * | 2013-10-17 | 2014-01-08 | 宁波工程学院 | 一种面向移动用户的矢量地图数据压缩方法 |
CN105740872A (zh) * | 2016-01-29 | 2016-07-06 | 徐庆 | 图像特征提取方法及其装置 |
WO2018105530A1 (ja) * | 2016-12-08 | 2018-06-14 | 株式会社ソニー・インタラクティブエンタテインメント | 情報処理装置および情報処理方法 |
EP3486836A1 (en) * | 2017-11-17 | 2019-05-22 | Sysmex Corporation | Image analysis method, apparatus, program, and learned deep learning algorithm |
CN110739051A (zh) * | 2019-10-08 | 2020-01-31 | 中山大学附属第三医院 | 利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法 |
Non-Patent Citations (2)
Title |
---|
NAIYUN ZHOU 等: "Large scale digital prostate pathology image analysis combining feature extraction and deep neural network" * |
王增坤: "基于EmguCv的粘连细胞分割方法研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164328A1 (zh) * | 2020-02-17 | 2021-08-26 | 腾讯科技(深圳)有限公司 | 图像生成方法、设备及存储介质 |
US11847812B2 (en) | 2020-02-17 | 2023-12-19 | Tencent Technology (Shenzhen) Company Limited | Image generation method and apparatus, device, and storage medium |
CN112307978A (zh) * | 2020-10-30 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR20220083831A (ko) | 2022-06-20 |
US11847812B2 (en) | 2023-12-19 |
WO2021164328A1 (zh) | 2021-08-26 |
EP4009232A4 (en) | 2022-12-28 |
CN111325220B (zh) | 2023-04-07 |
US20220189136A1 (en) | 2022-06-16 |
JP7379684B2 (ja) | 2023-11-14 |
JP2022551110A (ja) | 2022-12-07 |
EP4009232A1 (en) | 2022-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829456B (zh) | 图像识别方法、装置及终端 | |
CN110059744B (zh) | 训练神经网络的方法、图像处理的方法、设备及存储介质 | |
CN110059685B (zh) | 文字区域检测方法、装置及存储介质 | |
CN108415705B (zh) | 网页生成方法、装置、存储介质及设备 | |
CN110555839A (zh) | 缺陷检测识别方法、装置、计算机设备及存储介质 | |
CN110490179B (zh) | 车牌识别方法、装置及存储介质 | |
CN111325699B (zh) | 图像修复方法和图像修复模型的训练方法 | |
CN111325220B (zh) | 图像生成方法、装置、设备及存储介质 | |
CN112749613B (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN112581358B (zh) | 图像处理模型的训练方法、图像处理方法及装置 | |
CN110647881A (zh) | 确定图像对应的卡片类型的方法、装置、设备及存储介质 | |
CN113706440A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN110677713B (zh) | 视频图像处理方法及装置、存储介质 | |
CN110503159B (zh) | 文字识别方法、装置、设备及介质 | |
CN111857793B (zh) | 网络模型的训练方法、装置、设备及存储介质 | |
CN111192072A (zh) | 用户分群方法及装置、存储介质 | |
CN112396076A (zh) | 车牌图像生成方法、装置及计算机存储介质 | |
CN112053360B (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN111275607A (zh) | 界面显示方法、装置、计算机设备及存储介质 | |
CN113343709B (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
CN114283395A (zh) | 车道线检测的方法、装置、设备及计算机可读存储介质 | |
CN110335224B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN112231619A (zh) | 转换方法、装置、电子设备及存储介质 | |
CN112163062A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN110929628A (zh) | 一种人体识别的方法及装置 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40023656 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |