CN111340739A - 一种图像处理方法及*** - Google Patents
一种图像处理方法及*** Download PDFInfo
- Publication number
- CN111340739A CN111340739A CN202010214216.3A CN202010214216A CN111340739A CN 111340739 A CN111340739 A CN 111340739A CN 202010214216 A CN202010214216 A CN 202010214216A CN 111340739 A CN111340739 A CN 111340739A
- Authority
- CN
- China
- Prior art keywords
- image
- obtaining
- contour
- processing
- gradient
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007170 pathology Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000001727 in vivo Methods 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Endoscopes (AREA)
Abstract
本发明公开了一种图像处理方法及***,基于本发明所提供的方法及***,在通过内窥镜得到人体内的图像时,对图像进行图像增强以及轮廓检测处理,然后将处理完成图像进行图像特征对比,最终将每个块的相似度进行权重相加得到最终的相似度,从而实现了通过精密的图像处理来更加精准的还原体内图像,最大程度的减小误差的效果。进而提升了内窥镜***采集到的人体内的图像的还原度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像处理方法及***。
背景技术
随着医疗水平的提高,医疗界对一些医疗设备的需求越来越大,医生必须通过更高效并且深入的医疗检验及检查设备,才能更好的确定病人的实际病情,进而做出最合理的治疗。
内窥镜就是为了医生可以更准确的观察病人胃里的溃疡或肿瘤而设计的,同时将胃里的影像传输出来以供医生进行判断。因为要经病人的口腔进入体内,因此对内窥镜的体积以及影像的准确性就非常的重要。
由于体内的环境不稳定,因此图像处理的算法就相当的重要。
但是,当前的图像处理方法的复杂度较高,并且还原度也较低。
发明内容
本发明提供了一种图像处理方法及***,用以解决现有技术中内窥镜中图像处理方法的复杂度较高,并且还原度也较低的问题。
其具体的技术方案如下:
一种图像处理方法,所述方法包括:
在获取到人体体内图像时,对所述图像进行高斯滤波处理,得到滤波处理后的第一图像;
对所述第一图像进行图像增强处理,得到图像增强处理后的第二图像;
确定所述第二图像中各点的梯度值,并根据所述梯度值提取出所述第二图像中的图像轮廓;
根据所述图像轮廓,得到图像的图像特征,并将所述图像特征与病照图像对比,并得到对比结果;
在显示设备上输出所述对比结果。
可选的,对所述第一图像进行图像增强处理,得到图像增强处理后的第二图像,包括:
确定所述第一图像中的各点邻域强度的变化值;
根据输入像素点的变化值以及指定公式得到增强后的图像像素点;
基于增强后的图像像素,得到第二图像。
可选的,所述确定所述第二图像中各点的梯度值,并根据所述梯度值提取出所述第二图像中的图像轮廓,包括:
根据确定的公式计算出每个像素点的梯度幅度值;
根据每个像素点的梯度幅度值,得到图像梯度幅度值矩阵;
根据所述图像梯度幅度值矩阵的值,确定所述第二图像中的图像轮廓。
可选的,根据所述图像轮廓,得到图像的图像特征,并将所述图像特征与病照图像对比,并得到对比结果,包括:
将图像轮廓进行分割处理,并将分割处理后得到的每一块图像进行匹配相似度计算,得到相似度向量;
根据得到的相似度向量,计算相似度向量距离;
基于相似度向量距离,得到图像特征与病照图像对比结果。
一种图像处理***,所述***包括:
滤波处理模块,用于在获取到人体体内图像时,对所述图像进行高斯滤波处理,得到滤波处理后的第一图像;
图像增强处理模块,用于对所述第一图像进行图像增强处理,得到图像增强处理后的第二图像;
轮廓检测模块,用于确定所述第二图像中各点的梯度值,并根据所述梯度值提取出所述第二图像中的图像轮廓;
图像对比模块,用于根据所述图像轮廓,得到图像的图像特征,并将所述图像特征与病照图像对比,并得到对比结果;
输出模块,用于在显示设备上输出所述对比结果。
可选的,所述图像增强处理模块,具体用于确定所述第一图像中的各点邻域强度的变化值;根据输入像素点的变化值以及指定公式得到增强后的图像像素点;基于增强后的图像像素,得到第二图像。
可选的,所述轮廓检测模块,具体用于根据确定的公式计算出每个像素点的梯度幅度值;根据每个像素点的梯度幅度值,得到图像梯度幅度值矩阵;根据所述图像梯度幅度值矩阵的值,确定所述第二图像中的图像轮廓。
可选的,所述图像对比模块,具体用于将图像轮廓进行分割处理,并将分割处理后得到的每一块图像进行匹配相似度计算,得到相似度向量;根据得到的相似度向量,计算相似度向量距离;基于相似度向量距离,得到图像特征与病照图像对比结果。
基于本发明所提供的方法,在通过内窥镜得到人体内的图像时,对图像进行图像增强以及轮廓检测处理,然后将处理完成图像进行图像特征对比,最终将每个块的相似度进行权重相加得到最终的相似度,从而实现了通过精密的图像处理来更加精准的还原体内图像,最大程度的减小误差的效果。进而提升了内窥镜***采集到的人体内的图像的还原度。
附图说明
图1为本发明实施例中一种图像处理方法的流程图;
图2为本发明实施例中一种图像处理***的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解,本发明实施例以及实施例中的具体技术特征只是对本发明技术方案的说明,而不是限定,在不冲突的情况下,本发明实施例以及实施例中的具体技术特征可以相互组合。
如图1所示为本发明实施例中一种图像处理方法的流程图,该方法包括:
S1,在获取到人体体内图像时,对所述图像进行高斯滤波处理,得到滤波处理后的第一图像;
S2,对所述第一图像进行图像增强处理,得到图像增强处理后的第二图像;
S3,确定所述第二图像中各点的梯度值,并根据所述梯度值提取出所述第二图像中的图像轮廓;
S4,根据所述图像轮廓,得到图像的图像特征,并将所述图像特征与病照图像对比,并得到对比结果;
S5,在显示设备上输出所述对比结果。
首先来讲,该的方法应用到一***中,该***可以的是内窥镜***,该***包括五部分:
1、负责采集图像的摄像头部分;
2、负责进行图像处理的中央处理部分;
3、负责处理按键进行人机交互的按键部分
4、负责换送气的电机控制部分;
5、负责结果展示的显示部分。
基于上述的内窥镜***,通过摄像头部分采集到图像之后,摄像头将采集到人体内图像传输至中央处理器,中央处理器将人体内图像与实际病照的图像进行对比,分析出当前的人体的具体病症。具体包括4部分:高斯滤波处理、图像增强、轮廓检测以及图像对比。
一、高斯滤波处理:
具体来讲,首先将人体图像进行高斯滤波处理,得到第一的图像,高斯滤波处理的具体实现如下:
采用离散的高斯滤波函数产生一组归一化的高斯核,然后基于高斯核函数对图像灰度矩阵的每一点进行卷积。将图像灰度I和高斯核进行卷积:
Iσ(x)=I(x)*G(x)
高斯核函数为:
其中σ高斯核的大小。
二、图像增强处理:
在完成图像滤波处理之后,需要进行图像增强,图像增强的具体实现如下:
确定第一图像中的各点邻域强度的变化值,根据输入像素点的变化值以及指定公式得到增强后的图像像素点,基于增强后的图像像素,得到第二图像。
具体来讲,图像增强的基础是确定图像各点邻域强度的变化值。增强算法可以将图像的灰度点邻域强度值有显著变化的点凸显出来。
在本发明中通过点操作方式来对第一图像进行增强处理,即根据输入的像素值乘以一个常数a以及加上一个常数b最终得到增强后的图像像素:
g(x)=a*f(x)+b
其中,g(x)为增强后的图像像素,f(x)为输入像素。
三:轮廓检测处理:
在完成图像增强之后,再进行第二图像的轮廓检测,也就是根据确定的公式计算出每个像素点的梯度幅度值,根据每个像素点的梯度幅度值,得到图像梯度幅度值矩阵,根据图像梯度幅度值矩阵的值,确定第二图像中的图像轮廓。
具体来讲,在本发明中采用Canny边缘检测算子来对图像的轮廓进行识别。
本算法中的Canny算子中采用的卷积算子如下:
上式为图像x和y方向偏导数计算模板,可用数学公式表达其每个点的梯度幅值为:
G[i,j]=|f[i,j]-f[i+1,j+1]|+|f[i+1,j]-f[i,j-1]|
其中x向、y向的一阶偏导数矩阵、梯度幅值以及梯度方向的数学表达式为:
P[i,j]=(f[i,j+1]-f[i,j]+f[i+1,j+1]-f[i+1,j])/2
Q[i,j]=(f[i,j]-f[i+1,j]+f[i,j+1]-f[i+1,j+1])/2
θ[i,j]=arctan(Q[i,j]/P[i,j])
图像梯度幅值矩阵M[i,j]中的元素值越大,说明图像中该点的梯度值越大,也就说明该点就是边缘即图像的轮廓部分。
四、图像对比处理:
得到图像的轮廓后,便可以得到图像的主要特征,将这些特征与病照图像进行对比既可以判断是否患病。
本技术中采用分块对比的方法来对两个图像进行比对,进而得到结果。即将图像切割成几块,再分别对每一块进行匹配计算相似度,得到相似度向量,再计算向量距离,得到两个图像的相似度。
每一块之间采用逐个像素对比的方式进行比对,如果插值在设定范围内,则相似度+1,最后将得到的相似点的多少,再用相似点除以总点数,就可以得到这个切割块的相似度。
向量间距离的计算用的以下算法:
其中,d表示向量距离,x、y表示像素点。
向量间距离用于确定误差范围。
最后将每个块的相似度进行权重相加得到最终的相似度。相似度大于90%则可以断定疑似病症。
基于本发明所提供的方法,在通过内窥镜得到人体内的图像时,对图像进行图像增强以及轮廓检测处理,然后将处理完成图像进行图像特征对比,最终将每个块的相似度进行权重相加得到最终的相似度,从而实现了通过精密的图像处理来更加精准的还原体内图像,最大程度的减小误差的效果。进而提升了内窥镜***采集到的人体内的图像的还原度。
对应本发明所提供的方法,本发明实施例中还提供了一种图像处理***,如图2所示为本发明实施例中一种图像处理***的结构示意图,该***包括:
滤波处理模块201,用于在获取到人体体内图像时,对所述图像进行高斯滤波处理,得到滤波处理后的第一图像;
图像增强处理模块202,用于对所述第一图像进行图像增强处理,得到图像增强处理后的第二图像;
轮廓检测模块203,用于确定所述第二图像中各点的梯度值,并根据所述梯度值提取出所述第二图像中的图像轮廓;
图像对比模块204,用于根据所述图像轮廓,得到图像的图像特征,并将所述图像特征与病照图像对比,并得到对比结果;
输出模块205,用于在显示设备上输出所述对比结果。
进一步,在本发明实施例中,所述图像增强处理模块202,具体用于确定所述第一图像中的各点邻域强度的变化值;根据输入像素点的变化值以及指定公式得到增强后的图像像素点;基于增强后的图像像素,得到第二图像。
进一步,在本发明实施例中,所述轮廓检测模块203,具体用于根据确定的公式计算出每个像素点的梯度幅度值;根据每个像素点的梯度幅度值,得到图像梯度幅度值矩阵;根据所述图像梯度幅度值矩阵的值,确定所述第二图像中的图像轮廓。
进一步,在本发明实施例中,所述图像对比模块204,具体用于将图像轮廓进行分割处理,并将分割处理后得到的每一块图像进行匹配相似度计算,得到相似度向量;根据得到的相似度向量,计算相似度向量距离;基于相似度向量距离,得到图像特征与病照图像对比结果。
尽管已描述了本申请的优选实施例,但本领域内的普通技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改,包括采用特定符号、标记确定顶点等变更方式。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种图像处理方法,其特征在于,所述方法包括:
在获取到人体体内图像时,对所述图像进行高斯滤波处理,得到滤波处理后的第一图像;
对所述第一图像进行图像增强处理,得到图像增强处理后的第二图像;
确定所述第二图像中各点的梯度值,并根据所述梯度值提取出所述第二图像中的图像轮廓;
根据所述图像轮廓,得到图像的图像特征,并将所述图像特征与病照图像对比,并得到对比结果;
在显示设备上输出所述对比结果。
2.如权利要求1所述的方法,其特征在于,对所述第一图像进行图像增强处理,得到图像增强处理后的第二图像,包括:
确定所述第一图像中的各点邻域强度的变化值;
根据输入像素点的变化值以及指定公式得到增强后的图像像素点;
基于增强后的图像像素,得到第二图像。
3.如权利要求1所述的方法,其特征在于,所述确定所述第二图像中各点的梯度值,并根据所述梯度值提取出所述第二图像中的图像轮廓,包括:
根据确定的公式计算出每个像素点的梯度幅度值;
根据每个像素点的梯度幅度值,得到图像梯度幅度值矩阵;
根据所述图像梯度幅度值矩阵的值,确定所述第二图像中的图像轮廓。
4.如权利要求1所述的方法,其特征在于,根据所述图像轮廓,得到图像的图像特征,并将所述图像特征与病照图像对比,并得到对比结果,包括:
将图像轮廓进行分割处理,并将分割处理后得到的每一块图像进行匹配相似度计算,得到相似度向量;
根据得到的相似度向量,计算相似度向量距离;
基于相似度向量距离,得到图像特征与病照图像对比结果。
5.一种图像处理***,其特征在于,所述***包括:
滤波处理模块,用于在获取到人体体内图像时,对所述图像进行高斯滤波处理,得到滤波处理后的第一图像;
图像增强处理模块,用于对所述第一图像进行图像增强处理,得到图像增强处理后的第二图像;
轮廓检测模块,用于确定所述第二图像中各点的梯度值,并根据所述梯度值提取出所述第二图像中的图像轮廓;
图像对比模块,用于根据所述图像轮廓,得到图像的图像特征,并将所述图像特征与病照图像对比,并得到对比结果;
输出模块,用于在显示设备上输出所述对比结果。
6.如权利要求5所述的***,其特征在于,所述图像增强处理模块,具体用于确定所述第一图像中的各点邻域强度的变化值;根据输入像素点的变化值以及指定公式得到增强后的图像像素点;基于增强后的图像像素,得到第二图像。
7.如权利要求5所述的***,其特征在于,所述轮廓检测模块,具体用于根据确定的公式计算出每个像素点的梯度幅度值;根据每个像素点的梯度幅度值,得到图像梯度幅度值矩阵;根据所述图像梯度幅度值矩阵的值,确定所述第二图像中的图像轮廓。
8.如权利要求5所述的***,其特征在于,所述图像对比模块,具体用于将图像轮廓进行分割处理,并将分割处理后得到的每一块图像进行匹配相似度计算,得到相似度向量;根据得到的相似度向量,计算相似度向量距离;基于相似度向量距离,得到图像特征与病照图像对比结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010214216.3A CN111340739A (zh) | 2020-03-24 | 2020-03-24 | 一种图像处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010214216.3A CN111340739A (zh) | 2020-03-24 | 2020-03-24 | 一种图像处理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340739A true CN111340739A (zh) | 2020-06-26 |
Family
ID=71187944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010214216.3A Pending CN111340739A (zh) | 2020-03-24 | 2020-03-24 | 一种图像处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340739A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022016396A1 (zh) * | 2020-07-21 | 2022-01-27 | 深圳先进技术研究院 | 医学图像的处理方法、处理装置及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995860A (zh) * | 2014-05-16 | 2014-08-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于颜色特征提取的图像检索***及其方法 |
CN104299238A (zh) * | 2014-10-22 | 2015-01-21 | 北京航空航天大学 | 一种基于医学图像的器官组织轮廓线提取方法 |
CN106875353A (zh) * | 2017-01-20 | 2017-06-20 | 飞依诺科技(苏州)有限公司 | 超声图像的处理方法及处理*** |
CN107103270A (zh) * | 2016-02-23 | 2017-08-29 | 云智视像科技(上海)有限公司 | 一种基于idf的动态计算分块加权系数的人脸识别*** |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及*** |
-
2020
- 2020-03-24 CN CN202010214216.3A patent/CN111340739A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995860A (zh) * | 2014-05-16 | 2014-08-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于颜色特征提取的图像检索***及其方法 |
CN104299238A (zh) * | 2014-10-22 | 2015-01-21 | 北京航空航天大学 | 一种基于医学图像的器官组织轮廓线提取方法 |
CN107103270A (zh) * | 2016-02-23 | 2017-08-29 | 云智视像科技(上海)有限公司 | 一种基于idf的动态计算分块加权系数的人脸识别*** |
CN106875353A (zh) * | 2017-01-20 | 2017-06-20 | 飞依诺科技(苏州)有限公司 | 超声图像的处理方法及处理*** |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022016396A1 (zh) * | 2020-07-21 | 2022-01-27 | 深圳先进技术研究院 | 医学图像的处理方法、处理装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220157047A1 (en) | Feature Point Detection | |
Motta et al. | Vessel optimal transport for automated alignment of retinal fundus images | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
CN111882566B (zh) | 视网膜图像的血管分割方法、装置、设备及存储介质 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
Bourbakis | Detecting abnormal patterns in WCE images | |
CN111292307A (zh) | 一种消化***胆囊结石识别方法及定位方法 | |
JP4274400B2 (ja) | 画像の位置合わせ方法および装置 | |
CN112634231A (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
CN112949570A (zh) | 一种基于残差注意力机制的指静脉识别方法 | |
CN117409002A (zh) | 一种用于创伤的视觉识别检测***及其检测方法 | |
CN115393239A (zh) | 一种多模态眼底图像配准和融合方法及*** | |
CN113450305A (zh) | 医疗图像的处理方法、***、设备及可读存储介质 | |
CN109035137B (zh) | 一种基于最优传输理论的多模态医学图像融合方法 | |
CN113706514B (zh) | 基于模板图像的病灶定位方法、装置、设备及存储介质 | |
CN107590806B (zh) | 一种基于大脑医学成像的检测方法和*** | |
CN111340739A (zh) | 一种图像处理方法及*** | |
CN111667469B (zh) | 肺部疾病分类方法、装置及设备 | |
CN112308065B (zh) | 一种识别超声图像中特征的方法、***及电子设备 | |
CN116523983B (zh) | 融合多路径特征与器官形态导向的胰腺ct图像配准方法 | |
CN108985302A (zh) | 一种皮肤镜图像处理方法、装置及设备 | |
CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
CN109816665B (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
CN109712124B (zh) | 超声图像的标记去除方法及装置 | |
Yang et al. | Infrared and visible image fusion based on modal feature fusion network and dual visual decision |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |