CN111640114B - 图像处理方法及装置 - Google Patents
图像处理方法及装置 Download PDFInfo
- Publication number
- CN111640114B CN111640114B CN202010551099.XA CN202010551099A CN111640114B CN 111640114 B CN111640114 B CN 111640114B CN 202010551099 A CN202010551099 A CN 202010551099A CN 111640114 B CN111640114 B CN 111640114B
- Authority
- CN
- China
- Prior art keywords
- contour
- position information
- coordinate system
- processing
- under
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 106
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 230000009466 transformation Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000004044 response Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 36
- 238000002372 labelling Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 230000003902 lesion Effects 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000000153 supplemental effect Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- 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
- G06T7/10—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20048—Transform domain 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理方法及装置,所述方法包括:对待处理图像进行目标检测处理,获得待处理图像中的目标在第一坐标系下的第一轮廓;在第一轮廓不完整时,对第一轮廓的第一位置信息进行坐标变换处理,获得第二坐标系下的第二轮廓;根据第二轮廓的第二位置信息,确定完整的第三轮廓的第三位置信息;对第三位置信息进行坐标变换处理,获得目标在第一坐标系下的第四轮廓。根据本公开的实施例的图像处理方法,可在检测出的目标的轮廓不完整的情况下,根据坐标变换处理以及坐标变换后轮廓上像素点的第二位置信息将轮廓补充完整,可获得完整的目标区域,提升检测效率,提高检测精度,优化检测结果的视觉效果。
Description
技术领域
本公开涉及计算机领域,尤其涉及一种图像处理方法及装置。
背景技术
随着计算机视觉技术的发展,深度学习神经网络方法可被应用到诸如磁共振成像(Magnetic Resonance Imaging,MRI)或计算机断层成像(Computed Tomography,CT)等医学图像中,为诊断和治疗提供依据。而相关技术中,可用矩形框来标出目标区域(例如,病灶区域或某器官组织)的位置,但复杂的细节(如曲率)无法用矩形框表达,如需确定细节表达,还需确定目标区域的边界轮廓以分割出目标区域。
肿瘤边缘通常是由医疗专业人员根据视觉上的线索和医疗经验来划分的,诊断难度较大,精度较低。深度学习神经网络通常无法适应医学上某些病灶的检测,例如,肿瘤轮廓在视觉上可能不存在明显的边缘,导致轮廓不完整,无法形成完整区域,也无法获得分割掩膜来分割出目标区域。
发明内容
有鉴于此,本公开提出了一种图像处理方法及装置。
根据本公开的一方面,提供了一种图像处理方法,包括:对待处理图像进行目标检测处理,获得所述待处理图像中的目标在第一坐标系下的第一轮廓;在所述第一轮廓不完整时,对所述第一轮廓的像素点在所述第一坐标系下的第一位置信息进行坐标变换处理,获得第二坐标系下的第二轮廓;根据所述第二轮廓的像素点在所述第二坐标系下的第二位置信息,确定完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息;对所述第三位置信息进行坐标变换处理,获得所述目标在第一坐标系下的第四轮廓,其中,所述第四轮廓为完整的轮廓。
在一种可能的实现方式中,根据所述第二轮廓的像素点在所述第二坐标系下的第二位置信息,确定完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息,包括:根据所述第二位置信息进行插值处理,获得所述第二轮廓的像素点在所述第二坐标系下的位置表示;根据所述位置表示,获得完整的第五轮廓的多个像素点的第四位置信息;对所述第四位置信息进行频域变换处理,获得所述第四位置信息的第一频域表示;对所述第一频域表示的预定频率响应进行衰减处理,获得第二频域表示;对所述第二频域表示进行频域逆变换处理,获得所述完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息。
在一种可能的实现方式中,所述第二坐标系为极坐标系,所述第二位置信息包括所述第二轮廓的像素点的极坐标角度以及径向距离,所述位置表示包括所述第二轮廓的像素点的极坐标角度与径向距离之间的关系。
在一种可能的实现方式中,根据所述位置表示,获得完整的第五轮廓的多个像素点的第四位置信息,包括:均匀设置多个极坐标角度;根据所述位置表示,确定所述多个极坐标角度对应的径向距离。
在一种可能的实现方式中,所述第二坐标系为极坐标系,所述对所述第一轮廓的像素点在所述第一坐标系下的第一位置信息进行坐标变换处理,获得第二坐标系下的第二轮廓,包括:对所述第一轮廓的多个像素点的第一位置信息进行加权平均处理,获得参考点;以所述参考点作为所述极坐标系的中心点,将所述第一位置信息进行极坐标变换处理,获得第二坐标系下的第二轮廓的像素点的第二位置信息,所述第二位置信息包括像素点的极坐标角度以及径向距离。
在一种可能的实现方式中,对待处理图像进行目标检测处理,获得所述待处理图像中的目标在第一坐标系下的第一轮廓,包括:将待处理图像输入检测网络进行检测处理,获得所述目标区域的目标轮廓;对所述目标轮廓的像素点的像素值进行二值化处理,获得所述第一轮廓。
在一种可能的实现方式中,所述待处理图像包括医学图像。
根据本公开的另一方面,提供了一种图像处理装置,包括:检测模块,用于对待处理图像进行目标检测处理,获得所述待处理图像中的目标在第一坐标系下的第一轮廓;第一变换模块,用于在所述第一轮廓不完整时,对所述第一轮廓的像素点在所述第一坐标系下的第一位置信息进行坐标变换处理,获得第二坐标系下的第二轮廓;补充模块,用于根据所述第二轮廓的像素点在所述第二坐标系下的第二位置信息,确定完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息;第二变换模块,用于对所述第三位置信息进行坐标变换处理,获得所述目标在第一坐标系下的第四轮廓,其中,所述第四轮廓为完整的轮廓。
在一种可能的实现方式中,所述补充模块被进一步配置为:根据所述第二位置信息进行插值处理,获得所述第二轮廓的像素点在所述第二坐标系下的位置表示;根据所述位置表示,获得完整的第五轮廓的多个像素点的第四位置信息;对所述第四位置信息进行频域变换处理,获得所述第四位置信息的第一频域表示;对所述第一频域表示的预定频率响应进行衰减处理,获得第二频域表示;对所述第二频域表示进行频域逆变换处理,获得所述完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息。
在一种可能的实现方式中,所述第二坐标系为极坐标系,所述第二位置信息包括所述第二轮廓的像素点的极坐标角度以及径向距离,所述位置表示包括所述第二轮廓的像素点的极坐标角度与径向距离之间的关系。
在一种可能的实现方式中,所述补充模块被进一步配置为:均匀设置多个极坐标角度;根据所述位置表示,确定所述多个极坐标角度对应的径向距离。
在一种可能的实现方式中,所述第二坐标系为极坐标系,所述第一变换模块被进一步配置为:对所述第一轮廓的多个像素点的第一位置信息进行加权平均处理,获得参考点;以所述参考点作为所述极坐标系的中心点,将所述第一位置信息进行极坐标变换处理,获得第二坐标系下的第二轮廓的像素点的第二位置信息,所述第二位置信息包括像素点的极坐标角度以及径向距离。
在一种可能的实现方式中,所述检测模块被进一步配置为:将待处理图像输入检测网络进行检测处理,获得所述目标区域的目标轮廓;对所述目标轮廓的像素点的像素值进行二值化处理,获得所述第一轮廓。
在一种可能的实现方式中,所述待处理图像包括医学图像。
根据本公开的另一方面,提供了一种图像处理装置,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方法。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例的图像处理方法,可在检测出的目标的轮廓不完整的情况下,根据坐标变换处理以及坐标变换后轮廓上像素点的第二位置信息将轮廓补充完整,可获得完整的目标区域,提升检测效率,提高检测精度,优化检测结果的视觉效果。
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
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的图像处理方法的流程图;
图2A和图2B示出根据本公开的实施例的图像处理方法的应用示意图;
图3示出根据本公开的实施例的检测网络性能评价的示意图;
图4示出根据本公开的实施例的检测网络性能评价的示意图;
图5示出根据本公开的实施例的图像处理装置的框图;
图6示出根据本公开的实施例的图像处理装置的框图;
图7示出根据本公开的实施例的图像处理装置的框图。
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。
另外,为了更好的说明本公开,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。
图1示出根据本公开的实施例的图像处理方法的流程图,如图1所示,所述方法包括:
在步骤S11中,对待处理图像进行目标检测处理,获得所述待处理图像中的目标在第一坐标系下的第一轮廓;
在步骤S12中,在所述第一轮廓不完整时,对所述第一轮廓的像素点在所述第一坐标系下的第一位置信息进行坐标变换处理,获得第二坐标系下的第二轮廓;
在步骤S13中,根据所述第二轮廓的像素点在所述第二坐标系下的第二位置信息,确定完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息;
在步骤S14中,对所述第三位置信息进行坐标变换处理,获得所述目标在第一坐标系下的第四轮廓,其中,所述第四轮廓为完整的轮廓。
根据本公开的实施例的图像处理方法,可在检测出的目标的轮廓不完整的情况下,根据坐标变换处理以及坐标变换后轮廓上像素点的第二位置信息将轮廓补充完整,可获得完整的目标区域,提升检测效率,提高检测精度,优化检测结果的视觉效果。
在一种可能的实现方式中,所述待处理图像可包括医学图像,例如磁共振成像(Magnetic Resonance Imaging,MRI)或计算机断层成像(Computed Tomography,CT)等医学图像,待处理图像也可包括其他图像,例如,街景图像、人物图像等,本公开对待处理图像的类型不做限制。
在一种可能的实现方式中,在步骤S11中,可对待处理图像进行目标检测处理,以获得待处理图像中目标所在的目标区域,所述目标可包括预定的器官、组织或病灶(例如,肿瘤)等,可通过目标检测处理获得目标区域在第一坐标系下的第一轮廓。所述第一坐标系可以是图像坐标系,例如,待处理图像为三维图像,则第一坐标系可以是三维笛卡尔坐标系,待处理图像为二维图像,则第一坐标系可以是二维笛卡尔坐标系,本公开对第一坐标系的维度不做限制。
在一种可能的实现方式中,步骤S11可包括:将待处理图像输入检测网络进行检测处理,获得所述目标区域的目标轮廓;对所述目标轮廓的像素点的像素值进行二值化处理,获得所述第一轮廓。
在一种可能的实现方式中,所述检测网络可以是深度学习神经网络,例如,卷积神经网络等,可用于分割出待处理图像中的目标所在的目标区域,获得目标区域的第一轮廓。
在示例中,所述检测网络可检测到目标所在的目标区域的完整的第一轮廓,例如,将检测网络用于人像图像的检测中,检测网络可分割出人像的完整轮廓。然而,检测网络可能不适应某些类型的图像的检测工作,例如,检测网络可能不适用于医学图像的检测工作,则检测网络无法准确获得医学图像中的目标区域,也无法获得完整的第一轮廓,在这种情况下,检测网络可输出不完整的第一轮廓。
在一种可能的实现方式中,所述第一轮廓可包括多个像素点,每个像素点可具有位置信息,即,在第一坐标系下的第一位置信息,例如,第一位置信息可表示为在第一坐标系下的坐标。并且,第一轮廓的像素点可具有像素值,可将像素点的像素值进行二值化处理,使得第一轮廓更清晰,增强第一轮廓的对比度。在示例中,可将像素值大于或等于预设阈值的像素点的像素值设置为255,否则,将像素点的像素值设置为0,本公开对设置的像素值不做限制。
在一种可能的实现方式中,在步骤S12中,如果第一轮廓不完整,则可将不完整的轮廓补充完整,以获得完整的目标区域,即,确定目标所在位置。可对第一轮廓的像素点在第一坐标系下的第一位置信息进行坐标变换处理,获得第二坐标系下的第二轮廓。在示例中,第二坐标系可以是极坐标系,在第一坐标系为二维笛卡尔坐标系的情况下,第二坐标系可以是平面极坐标系,在第一坐标系为三维笛卡尔坐标系的情况下,第二坐标系可以是空间极坐标系,本公开对第二坐标系的类型不做限制。
在一种可能的实现方式中,步骤S12可包括:对所述第一轮廓的多个像素点的第一位置信息进行加权平均处理,获得参考点;以所述参考点作为所述极坐标系的中心点,将所述第一位置信息进行极坐标变换处理,获得第二坐标系下的第二轮廓的像素点的第二位置信息,所述第二位置信息包括像素点的极坐标角度以及径向距离。
在一种可能的实现方式中,在第二坐标系为极坐标系的情况下,可确定极坐标系的中心点,可将第一轮廓的多个像素点的第一位置信息(即,在第一坐标系下的坐标)进行加权平均处理,得到的平均坐标可作为参考点,并可将该参考点作为极坐标系的中心点。
在一种可能的实现方式中,在确定极坐标系的中心点后,可将第一位置信息(即,笛卡尔坐标系下的坐标)进行极坐标变换处理,转换为极坐标系下的第二位置信息,即,在极坐标系下的角度和径向距离(与所述中心点的直线距离),获得极坐标系下的第二轮廓。
在示例中,第一轮廓为不完整的轮廓,则第二轮廓同样为不完整的轮廓,例如,在角度从0°-360°之间变化时,每个角度均存在对应的径向距离,则轮廓为完整的轮廓,但第二轮廓中,部分角度不存在对应的径向距离,因此第二轮廓是不完整的。
在一种可能的实现方式中,所述第二坐标系可以是复数空间,例如四元数空间等,本公开对第二坐标系的类型不做限制。
在一种可能的实现方式中,在步骤S13中,可在极坐标系下将不完整的第二轮廓补充完整,得到完整的第三轮廓。例如,可遍历0°-360°的多个角度,并确定与每个角度对应的径向距离,可得到完整的轮廓。
在一种可能的实现方式中,步骤S13可包括:根据所述第二位置信息进行插值处理,获得所述第二轮廓的像素点在所述第二坐标系下的位置表示;根据所述位置表示,获得完整的第五轮廓的多个像素点的第四位置信息;对所述第四位置信息进行频域变换处理,获得所述第四位置信息的第一频域表示;对所述第一频域表示的预定频率响应进行衰减处理,获得第二频域表示;对所述第二频域表示进行频域逆变换处理,获得所述完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息。
在一种可能的实现方式中,所述第二坐标系为极坐标系,所述第二位置信息包括所述第二轮廓的像素点的极坐标角度以及径向距离,所述位置表示包括所述第二轮廓的像素点的极坐标角度与径向距离之间的关系。
在示例中,第二轮廓可包括多个像素点,每个像素点可具有第二位置信息,即,像素点的极坐标角度及径向距离,可通过插值处理,来确定第二轮廓的像素点在所述第二坐标系下的位置表示,即,像素点的极坐标角度与径向距离之间的关系,例如,可通过分段插值或样条插值等方法,确定极坐标角度与径向距离之间的关系,即,获得所述位置表示。
在一种可能的实现方式中,可根据位置表示,将不完整的第二轮廓补充完整。根据所述位置表示,获得完整的第五轮廓的多个像素点的第四位置信息,包括:均匀设置多个极坐标角度;根据所述位置表示,确定所述多个极坐标角度对应的径向距离。
在一种可能的实现方式中,第二轮廓是不完整的,即,仅有部分角度具有对应的径向距离,另一部分角度没有对应的径向距离。可利用所述位置表示,来确定0°-360°的多个角度的径向距离。
在示例中,可均匀设置多个极坐标角度,例如,可在0°-360°的范围内,均匀设置多个极坐标角度,例如,设置的角度可较多,可每1°设置一个极坐标角度,每0.1°设置一个极坐标角度,每0.01°设置一个极坐标角度等,本公开对角度设置间隔以及设置角度的数量不做限制。
在示例中,可利用所述位置表示,即,极坐标角度与径向距离之间的关系,来确定每个设置的极坐标角度对应的径向距离,即可获得0°-360°的范围内多个角度对应的径向距离,从而可获得0°-360°的范围内多个角度的像素点的第四位置信息,即,第五轮廓的第四位置信息,设置的角度越多,角度间隔越小,越接近完整的轮廓。
在一种可能的实现方式中,可对第五轮廓的多个像素点的第四位置信息进行频域变换处理,例如,对各角度对应的径向距离进行频域变换处理,可获得第四位置信息的第一频域表示。
在示例中,可通过快速傅里叶变换或者小波变换等方式对径向距离进行频域变换处理,获得第四位置信息的第一频域表示。本公开对频域变换的方式不做限制。
在一种可能的实现方式中,所述第一频域表示可包括多种频率的响应,为使轮廓平滑,可去除高频响应的噪声干扰,减少轮廓中的毛刺。在示例中,可设置预定的频段(例如,高频段),并将预定频段内的预定频率响应进行衰减,以去除高频噪声干扰。
在示例中,可将预定频率(例如,高频率)响应的参数设置为零,即,完全去除预定频率的响应。或者,可将预定频率响应的参数乘以衰减系数(例如,指数衰减系数等),使预定频率的响应减小。本公开对去除高频噪声的方式不做限制。
在一种可能的实现方式中,在衰减预定频率响应后,可获得第二频域表示,可对第二频域表示进行频域逆变换处理,即可获得所述第三轮廓的像素点在第二坐标系下的第三位置信息。所述第三轮廓是完整且平滑的轮廓。
通过这种方式,可通过将第一位置信息转换为极坐标系下的第二位置信息,并将极坐标角度作为自变量,以在将角度补充完整的同时,将轮廓补充完整,并通过频域变换以及预定频率响应的衰减来减少高频噪声,使得轮廓平滑。
在一种可能的实现方式中,在步骤S14中,可对第三轮廓的各像素点的第三位置信息进行坐标变换,将第二坐标系中的第三轮廓转换为第一坐标系下的第四轮廓,即,将极坐标系下的第三轮廓的各像素点的第三坐标信息转换为笛卡尔坐标系下的第四轮廓的坐标,即获得完整且平滑的第四轮廓。
根据本公开的实施例的图像处理方法,可在检测出的目标的轮廓不完整的情况下,可通过将第一位置信息转换为极坐标系下的第二位置信息,并将极坐标角度作为自变量,以在将角度补充完整的同时,将轮廓补充完整,并通过频域变换以及预定频率响应的衰减来减少高频噪声,使得轮廓平滑。可获得完整的目标区域,提升检测效率,提高检测精度,优化检测结果的视觉效果。
图2A和图2B示出根据本公开的实施例的图像处理方法的应用示意图,待处理图像可以是人脑部CT图像,可通过检测网络识别并分割脑部CT图像中的病灶部位。
在一种可能的实现方式中,如图2A所示,检测网络不适用于医学图像的检测工作,无法准确获得脑部CT图像中的病灶部位所在的目标区域,无法获得完整的第一轮廓。
在一种可能的实现方式中,可将不完整的第一轮廓补充完整,以获得完整的目标区域。可将第一轮廓的像素点在第一坐标系(图像坐标系,即,笛卡尔坐标系)下的第一位置信息进行坐标变换处理,获得第二坐标系(极坐标系)下的第二轮廓。
在示例中,可对第一轮廓的像素点在第一坐标系下的第一位置信息(坐标)进行加权平均,获得参考点,即,极坐标系的中心点。随后,可将第一位置信息转换至以所述参考点为极坐标系的中心点的极坐标中,获得第二轮廓的第二位置信息(极坐标角度和径向距离)。
在一种可能的实现方式中,第二轮廓也是不完整的轮廓,可根据极坐标角度将轮廓补充完整。在示例中,由于第二轮廓不完整,因此第二轮廓中仅有部分角度存在对应的径向距离(即,第二位置信息),可将第二位置信息进行插值处理,获得位置表示,即,极坐标角度与径向距离之间的关系。
在一种可能的实现方式中,可在0°-360°的范围内,均匀设置多个极坐标角度,例如,可设置较多的角度(例如,每0.01°设置一个极坐标角度),设置的角度越多,角度间隔越小,越接近完整的轮廓。并可通过所述位置表示(即,极坐标角度与径向距离之间的关系)确定每个极坐标角度对应的径向距离,即可获得第五轮廓。
在一种可能的实现方式中,可对第五轮廓的多个像素点的第四位置信息进行频域变换处理,例如,可将各角度对应的径向距离进行快速傅里叶变换处理,获得第四位置信息的第一频域表示。进一步地,可去除第一频域表示中的高频噪声,例如,可将高频段的频率响应设置为0,获得第二频域表示,以去除高频噪声干扰,使得轮廓平滑。
在一种可能的实现方式中,可将第二频域表示进行频域逆变换,例如,傅里叶逆变换,获得完整的第三轮廓的第三位置信息,第三位置信息为极坐标系下的位置信息,可将其转换为笛卡尔坐标系下的第四位置信息,获得笛卡尔坐标系下完整的第四轮廓。
在一种可能的实现方式中,所述图像处理方法可用于图像(例如,医学图像)的处理中,可获得目标区域的完整轮廓,还可根据轮廓生成分割掩膜,从而分割出目标区域,例如,可在医学图像的处理中,获得病灶区域的完整轮廓,分割出病灶区域。
进一步地,所述图像处理方法可用于评价检测网络的性能。在示例中,可通过检测网络对样本图像进行处理,获得预测区域的轮廓,并根据预测区域的轮廓与样本图像中标注区域的轮廓来确定检测网络的性能。例如,可通过预测区域的轮廓与标注区域的轮廓的杰卡德系数(Jaccard系数,交并比)或者集合相似度度量系数(Dice Loss)来评价检测网络的性能。然而,上述两种评价方式不能很好地评价检测网络检测区域轮廓的性能。
图3示出根据本公开的实施例的检测网络性能评价的示意图。如图3所示,图3中A图为标注区域以及标注区域的轮廓的示意图,B图为某检测网络获得的预测区域以及预测区域边界的示意图,C图为另一检测网络获得的预测区域以及预测区域边界的示意图。B图对应的检测网络获得的预测区域与标注区域之间的杰卡德系数为0.91,C图对应的检测网络获得的预测区域与标注区域之间的杰卡德系数为0.41,在区域检测性能方面,B图对应的检测网络的性能强于C图对应的检测网络。然而,由于检测到的区域存在微小的偏移,导致B图对应的检测网络获得的预测区域的轮廓与标注区域的轮廓之间未能重合,使得预测区域的轮廓与标注区域的轮廓之间的杰卡德系数为0.33,而C图对应的检测网络获得的预测区域的轮廓与标注区域的轮廓之间的杰卡德系数为0.38,尽管C图对应的检测网络获得的预测区域中存在大量的误检区域,但其检测轮廓的杰卡德系数仍高于B图对应的检测网络,因此,检测网络检测区域的性能与检测轮廓的性能存在偏差,利用该种评价方式评价检测网络检测轮廓的性能存在偏差。
在一种可能的实现方式中,针对上述偏差,如果检测网络获得的轮廓是完整的,可以对该轮廓所围成的区域(即,预测区域)进行填充,从而可利用填充后的区域与标注区域之间的杰卡德系数或集合相似度度量系数来评价检测网络的性能,即,利用与预测区域与标注区域之间的杰卡德系数或集合相似度度量系数相似的方式来评价检测网络的性能。但如果轮廓不完整,则难以进行填充,且直接评价轮廓的杰卡德系数或集合相似度度量系数可能存在偏差。
图4示出根据本公开的实施例的检测网络性能评价的示意图。图4中A图为标注区域以及标注区域的轮廓的示意图,B图、C图、D图、E图和F图对应的检测网络获得的预测区域的轮廓与标注区域的轮廓的杰卡德系数较低,但轮廓是完整的,可通过对轮廓所围成的区域进行填充,根据对填充后形成的区域与标注区域之间的杰卡德系数,来评价检测网络的性能。
然而,G图、H图、I图和J图的轮廓是不完整的,难以进行填充,并且预测区域的轮廓与标注区域的轮廓的杰卡德系数较低,用来评价检测网络的性能存在偏差。因此,可通过所述图像处理方法将轮廓补充完整,获得封闭区域后,再通过填充处理获得的区域与标注区域之间的杰卡德系数来评价检测网络,从而选择出性能最优的检测网络,可增强评价检测网络性能的客观性,提高选择检测网络的准确度。
图5示出根据本公开的实施例的图像处理装置的框图,如图5所示,所述装置包括:
检测模块11,用于对待处理图像进行目标检测处理,获得所述待处理图像中的目标在第一坐标系下的第一轮廓;
第一变换模块12,用于在所述第一轮廓不完整时,对所述第一轮廓的像素点在所述第一坐标系下的第一位置信息进行坐标变换处理,获得第二坐标系下的第二轮廓;
补充模块13,用于根据所述第二轮廓的像素点在所述第二坐标系下的第二位置信息,确定完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息;
第二变换模块14,用于对所述第三位置信息进行坐标变换处理,获得所述目标在第一坐标系下的第四轮廓,其中,所述第四轮廓为完整的轮廓。
在一种可能的实现方式中,所述补充模块被进一步配置为:根据所述第二位置信息进行插值处理,获得所述第二轮廓的像素点在所述第二坐标系下的位置表示;根据所述位置表示,获得完整的第五轮廓的多个像素点的第四位置信息;对所述第四位置信息进行频域变换处理,获得所述第四位置信息的第一频域表示;对所述第一频域表示的预定频率响应进行衰减处理,获得第二频域表示;对所述第二频域表示进行频域逆变换处理,获得所述完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息。
在一种可能的实现方式中,所述第二坐标系为极坐标系,所述第二位置信息包括所述第二轮廓的像素点的极坐标角度以及径向距离,所述位置表示包括所述第二轮廓的像素点的极坐标角度与径向距离之间的关系。
在一种可能的实现方式中,所述补充模块被进一步配置为:均匀设置多个极坐标角度;根据所述位置表示,确定所述多个极坐标角度对应的径向距离。
在一种可能的实现方式中,所述第二坐标系为极坐标系,所述第一变换模块被进一步配置为:对所述第一轮廓的多个像素点的第一位置信息进行加权平均处理,获得参考点;以所述参考点作为所述极坐标系的中心点,将所述第一位置信息进行极坐标变换处理,获得第二坐标系下的第二轮廓的像素点的第二位置信息,所述第二位置信息包括像素点的极坐标角度以及径向距离。
在一种可能的实现方式中,所述检测模块被进一步配置为:将待处理图像输入检测网络进行检测处理,获得所述目标区域的目标轮廓;对所述目标轮廓的像素点的像素值进行二值化处理,获得所述第一轮廓。
在一种可能的实现方式中,所述待处理图像包括医学图像。
在一种可能的实现方式中,本公开还提供了一种图像处理装置,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,以执行所述图像处理方法。
图6是根据一示例性实施例示出的图像处理装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
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804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图7是根据一示例性实施例示出的图像处理装置1900的框图。例如,装置1900可以被提供为一服务器。参照图7,装置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。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,MacOS 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装置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的技术的改进,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 (7)
1.一种图像处理方法,其特征在于,包括:
对待处理图像进行目标检测处理,获得所述待处理图像中的目标在第一坐标系下的第一轮廓;
在所述第一轮廓不完整时,对所述第一轮廓的像素点在所述第一坐标系下的第一位置信息进行坐标变换处理,获得第二坐标系下的第二轮廓;
根据所述第二轮廓的像素点在所述第二坐标系下的第二位置信息,确定完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息;
对所述第三位置信息进行坐标变换处理,获得所述目标在第一坐标系下的第四轮廓,其中,所述第四轮廓为完整的轮廓;
根据所述第二轮廓的像素点在所述第二坐标系下的第二位置信息,确定完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息,包括:
根据所述第二位置信息进行插值处理,获得所述第二轮廓的像素点在所述第二坐标系下的位置表示;
根据所述位置表示,获得完整的第五轮廓的多个像素点的第四位置信息;
对所述第四位置信息进行频域变换处理,获得所述第四位置信息的第一频域表示;
对所述第一频域表示的预定频率响应进行衰减处理,获得第二频域表示;
对所述第二频域表示进行频域逆变换处理,获得所述完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息;
其中,所述第二坐标系为极坐标系,所述第二位置信息包括所述第二轮廓的像素点的极坐标角度以及径向距离,所述位置表示包括所述第二轮廓的像素点的极坐标角度与径向距离之间的关系;
所述对所述第一轮廓的像素点在所述第一坐标系下的第一位置信息进行坐标变换处理,获得第二坐标系下的第二轮廓,包括:
对所述第一轮廓的多个像素点的第一位置信息进行加权平均处理,获得参考点;
以所述参考点作为所述极坐标系的中心点,将所述第一位置信息进行极坐标变换处理,获得所述第二位置信息。
2.根据权利要求1所述的方法,其特征在于,根据所述位置表示,获得完整的第五轮廓的多个像素点的第四位置信息,包括:
均匀设置多个极坐标角度;
根据所述位置表示,确定所述多个极坐标角度对应的径向距离。
3.根据权利要求1所述的方法,其特征在于,对待处理图像进行目标检测处理,获得所述待处理图像中的目标在第一坐标系下的第一轮廓,包括:
将待处理图像输入检测网络进行检测处理,获得目标区域的目标轮廓;所述目标区域为所述目标所在的区域;
对所述目标轮廓的像素点的像素值进行二值化处理,获得所述第一轮廓。
4.根据权利要求1所述的方法,其特征在于,所述待处理图像包括医学图像。
5.一种图像处理装置,其特征在于,包括:
检测模块,用于对待处理图像进行目标检测处理,获得所述待处理图像中的目标在第一坐标系下的第一轮廓;
第一变换模块,用于在所述第一轮廓不完整时,对所述第一轮廓的像素点在所述第一坐标系下的第一位置信息进行坐标变换处理,获得第二坐标系下的第二轮廓;
补充模块,用于根据所述第二轮廓的像素点在所述第二坐标系下的第二位置信息,确定完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息;
第二变换模块,用于对所述第三位置信息进行坐标变换处理,获得所述目标在第一坐标系下的第四轮廓,其中,所述第四轮廓为完整的轮廓;
所述补充模块,还用于:
根据所述第二位置信息进行插值处理,获得所述第二轮廓的像素点在所述第二坐标系下的位置表示;
根据所述位置表示,获得完整的第五轮廓的多个像素点的第四位置信息;
对所述第四位置信息进行频域变换处理,获得所述第四位置信息的第一频域表示;
对所述第一频域表示的预定频率响应进行衰减处理,获得第二频域表示;
对所述第二频域表示进行频域逆变换处理,获得所述完整的第三轮廓的像素点在所述第二坐标系下的第三位置信息;
其中,所述第二坐标系为极坐标系,所述第二位置信息包括所述第二轮廓的像素点的极坐标角度以及径向距离,所述位置表示包括所述第二轮廓的像素点的极坐标角度与径向距离之间的关系;
所述第一变换模块,还用于:
对所述第一轮廓的多个像素点的第一位置信息进行加权平均处理,获得参考点;
以所述参考点作为所述极坐标系的中心点,将所述第一位置信息进行极坐标变换处理,获得所述第二位置信息。
6.一种图像处理装置,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4中任意一项所述的方法。
7.一种非易失性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4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010551099.XA CN111640114B (zh) | 2020-06-16 | 2020-06-16 | 图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010551099.XA CN111640114B (zh) | 2020-06-16 | 2020-06-16 | 图像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111640114A CN111640114A (zh) | 2020-09-08 |
CN111640114B true CN111640114B (zh) | 2024-03-15 |
Family
ID=72328799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010551099.XA Active CN111640114B (zh) | 2020-06-16 | 2020-06-16 | 图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640114B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI761948B (zh) * | 2020-09-14 | 2022-04-21 | 倍利科技股份有限公司 | 由檢測影像取得輪廓的定位方法 |
CN113837067B (zh) * | 2021-09-18 | 2023-06-02 | 成都数字天空科技有限公司 | 器官轮廓检测方法、装置、电子设备及可读存储介质 |
CN114004764B (zh) * | 2021-11-03 | 2024-03-15 | 昆明理工大学 | 一种基于稀疏变换学习的改进灵敏度编码重建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005010820A2 (fr) * | 2003-07-29 | 2005-02-03 | Holding Bev Sa | Procede et dispositif automatise de perception avec determination et caracterisation de bords et de frontieres d'objets d'un espace, construction de contours et applications |
CN109472786A (zh) * | 2018-11-05 | 2019-03-15 | 平安科技(深圳)有限公司 | 脑出血图像处理方法、装置、计算机设备及存储介质 |
CN111210423A (zh) * | 2020-01-13 | 2020-05-29 | 浙江杜比医疗科技有限公司 | Nir图像的***轮廓提取方法、***及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4999163B2 (ja) * | 2006-04-17 | 2012-08-15 | 富士フイルム株式会社 | 画像処理方法および装置ならびにプログラム |
-
2020
- 2020-06-16 CN CN202010551099.XA patent/CN111640114B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005010820A2 (fr) * | 2003-07-29 | 2005-02-03 | Holding Bev Sa | Procede et dispositif automatise de perception avec determination et caracterisation de bords et de frontieres d'objets d'un espace, construction de contours et applications |
CN109472786A (zh) * | 2018-11-05 | 2019-03-15 | 平安科技(深圳)有限公司 | 脑出血图像处理方法、装置、计算机设备及存储介质 |
CN111210423A (zh) * | 2020-01-13 | 2020-05-29 | 浙江杜比医疗科技有限公司 | Nir图像的***轮廓提取方法、***及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111640114A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN111310764B (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
CN110348537B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN109697734B (zh) | 位姿估计方法及装置、电子设备和存储介质 | |
CN109344832B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN109816764B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN111640114B (zh) | 图像处理方法及装置 | |
CN111899268B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
KR20210047336A (ko) | 이미지 처리 방법 및 장치, 전자 기기 및 기억 매체 | |
CN104918107B (zh) | 视频文件的标识处理方法及装置 | |
US11216904B2 (en) | Image processing method and apparatus, electronic device, and storage medium | |
CN105631803B (zh) | 滤镜处理的方法和装置 | |
CN111340733B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111243011A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
WO2022227394A1 (zh) | 图像处理方法、装置、设备、存储介质及程序 | |
CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
CN111882558A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US11410268B2 (en) | Image processing methods and apparatuses, electronic devices, and storage media | |
CN115512116B (zh) | 图像分割模型优化方法、装置、电子设备及可读存储介质 | |
CN112749709A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111488964A (zh) | 图像处理方法及装置、神经网络训练方法及装置 | |
CN111369456B (zh) | 图像去噪方法及装置、电子设备和存储介质 |
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 |