CN112837225A - 一种立位全脊柱图像自动无缝拼接的方法及装置 - Google Patents
一种立位全脊柱图像自动无缝拼接的方法及装置 Download PDFInfo
- Publication number
- CN112837225A CN112837225A CN202110405500.3A CN202110405500A CN112837225A CN 112837225 A CN112837225 A CN 112837225A CN 202110405500 A CN202110405500 A CN 202110405500A CN 112837225 A CN112837225 A CN 112837225A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- feature point
- original
- original image
- 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 31
- 239000013598 vector Substances 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- NTHWMYGWWRZVTN-UHFFFAOYSA-N sodium silicate Chemical compound [Na+].[Na+].[O-][Si]([O-])=O NTHWMYGWWRZVTN-UHFFFAOYSA-N 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010039722 scoliosis Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种立位全脊柱图像自动无缝拼接的方法及装置,S1、分别获取两幅原始图像的特征点描述集;S2、匹配两幅原始图像的特征点描述集,获取重叠区域坐标;S3、根据重叠区域坐标对两幅原始图像进行图像拼接。优点是:通过局部特征点匹配的方式将多张图像自动合成为一张脊柱全长图像,提高技术人员的工作效率并提供准确的拼接合成图。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种立位全脊柱图像自动无缝拼接的方法及装置。
背景技术
脊柱侧凸俗称脊柱侧弯,它是一种脊柱的三维畸形,包括冠状位、矢状位和轴位上的序列异常。正常人的脊柱从后面看应该是一条直线,并且躯干两侧对称。如果从正面看有双肩不等高或后面看到有后背左右不平,就应怀疑“脊柱侧凸”。这个时候应拍摄站立位的全脊柱X线片来做判断,而拍摄时的图像会经过3次曝光获取3张分离的图像,然后对所获得的分段影像再进行对接获取全脊柱的整体影像。目前,对接影像的工作需要技术人员手动设置和调整,对接后的影像即作为临床判断依据,但是,仅凭技术人员的目视对接存在很大的主观臆断和视觉误差,而且还需要设置部分参数并调整图像位置,效率较低并且无法提供准确的拼接图像。
Sift特征提取算法是由David Lowe发表的一种基于多尺度空间的特征提取算法,它在空间尺度中寻找极值点,对旋转、尺度变换、亮度变换都具有不变性,是目前特征提取领域使用最为广泛的算法之一。但由于Sift算法在计算特征点主方向时过度依赖梯度方向,在实际使用过程中容易出现离散点主方向不准确而导致后续计算特征向量异常,此外,Sift算法对于相对平滑的图像很难准确提取出较多特征点,这些都会导致它无法完成正确匹配。
发明内容
本发明的目的在于提供一种立位全脊柱图像自动无缝拼接的方法及装置,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种立位全脊柱图像自动无缝拼接的方法,
S1、分别获取两幅原始图像的特征点描述集;
S2、匹配两幅原始图像的特征点描述集,获取重叠区域坐标;
S3、根据重叠区域坐标对两幅原始图像进行图像拼接。
优选的,步骤S1具体包括如下内容,
S11、针对每幅原始图像分别构建高斯差分金字塔;
S12、分别提取两幅原始图像的局部极值点;
S13、根据两幅原始图像的局部极值点分别构建两幅原始图像的特征点描述集。
优选的,步骤S11具体包括如下内容,
S111、对其中一幅原始图像进行上采样,获取上采样图像,其长宽为该原始图像的两倍;
S112、对上采样图像进行下采样,获取下采样图像,其长宽为该原始图像的0.5倍;
S113、使用高斯核对生成的下采样图像进行6次卷积,获取6幅高斯模糊图像;
S114、将6幅高斯模糊图像进行两两差分,获取5幅高斯差分图像;
S115、取倒数第三张高斯模糊图像作为原始图像返回步骤S111,直到重复操作S次,生成S层高斯差分图像,组成该原始图像的高斯差分金字塔;
S116、重复步骤S111-S115,获取另一幅原始图像的高斯差分金字塔。
优选的,所述高斯核为
其中,σ为正态分布的标准差,有σi=ki-1σ0,k=21/S,i为卷积次数;S为金字塔层数;x,y为计算的像素坐标点,等于log2(len),len为下采样图像长宽中的较小值。
优选的,步骤S12包括如下内容,
S121、针对其中一个高斯差分金字塔,取出其每层的第2-5幅高斯差分图像,遍历每幅高斯差分图像的每个像素点,并将每个像素点都设为目标点;
S122、将某个目标点的像素值与自身周边8个相邻坐标点的像素值进行比较,判断其是否为最大值或最小值,若是,进入步骤S123,若否,则选择下一个目标点继续遍历;
S123、将某个目标点的像素值和与其相邻的上下两幅高斯差分图像相同的坐标点及该坐标点周边8个相邻坐标点的像素值进行比较,判断该目标点是否为最大值或者最小值,若是,记该目标点为局部极值点,若否,则选择下一个目标点继续遍历;
S124、计算局部极值点在高斯差分图像中x,y方向的梯度,去除高斯差分图像的边缘点;
S125、将局部极值点的坐标转换至该高斯差分金字塔第一层的坐标(x1,y1);
其中,x1=xi×2i-1;y1=yi×2i-1;i为当前局部极值点所在的层数。
优选的,步骤S13具体包括如下内容,
S131、以其中一幅原始图像的局部极值点为中心,取9*9大小的第一区域,去除同x行和同y列,剩余区域分成16个2x2的第二区域;
S132、对每个2x2的第二区域内,以45°为步长,计算8个方向梯度,总计128个数据,组成128维特征向量,并归一化;
S133、统计一幅高斯差分图像所有特征向量,组成特征点描述集,得到该原始图像的特征点描述集;特征点描述集是大小为n×128的矩阵,其中n为局部极值点的个数;
S134、重复步骤S131-S133,获取另一幅原始图像的特征点描述集。
优选的,步骤S2具体包括如下步骤,
S21、从第一幅原始图像的特征点描述集中获取该原始图像的特征点描述向量,记为vi;从第二幅原始图像的特征点描述集中获取该原始图像的特征点描述向量,记为vj;计算每个vi到每个vj的欧氏距离;欧氏距离的计算公式为
其中,Dij为vi到vj的欧氏距离;c=1,2,…,128;
S22、在vi对应特征坐标点x方向随机选取20个坐标,分别计算这20个坐标的第一特征向量vik,并计算各个坐标与vi之间的偏移量dxik;
S23、在vj对应特征坐标点x方向偏移dxik,并计算这20个坐标的第二特征向量vjk;
S24、计算vik到vjk的欧式距离Dijk,并将其与vi到vj的欧氏距离Dij进行加权计算;加权计算公式为,
其中,dxmax为x方向偏移最大值;
S25、循环S22-S24遍历第二原始图像中所有的特征点描述向量vj,并记录vi计算获取的最小值D′imin及次小值D′isecond;
S26、判断最小值D′imin及次小值D′isecond之间的比值是否小于0.8,若是则记录当前的vi和vj,作为一组匹配点,并记录其最小值D′imin;其中, 为最小值D′imin及次小值D′isecond之间的比值;
S27、循环S21-S26遍历第一幅原始图像中的所有的特征点描述向量vi,记录D′imin中的最小值D′min,则最小值对应的坐标即为重叠区域坐标。
优选的,步骤S3具体包括如下内容,
S31、将第一幅原始图像和第二幅原始图像根据重叠区域坐标进行图像拼接,并通过两幅图像进行差值计算,以消除拼接边界;差值计算公式为,
β=(ysum-y′)/ysum
P(x,y)=Ptop(x,y)×β+Pbottom(x,y)×(1-β)
其中,ysum为拼接图像总的高度,y′为当前拼接的是第几行,Ptop(x,y),Pbottom(x,y)分别为上部分图像和下部分图像的坐标为(x,y)的像素值,P(x,y)为拼接图像的像素值。
本发明的目的还在于提供一种立位全脊柱图像自动无缝拼接的装置,所述装置用于实现上述任一所述的方法;所述装置包括,
图像采集模块;用于获取原始图像,所述原始图像为多次曝光所得的立位全脊柱图像,且各图像间存在重叠区域;
特征提取模块;用于提取各原始图像特征点描述集;
特征匹配模块;用于匹配两幅原始图像间的特征点描述集;
图像合成模块;用于原始图像之间的拼接。
本发明的有益效果是:通过局部特征点匹配的方式将多张图像自动合成为一张脊柱全长图像,提高技术人员的工作效率并提供准确的拼接合成图。
附图说明
图1是本发明实施例中方法的流程示意图;
图2是本发明实施例中原始图像的特征点描述集的获取过程示意图;
图3是本发明实施例中3层高斯金字塔的构建流程示意图;
图4是本发明实施例中两幅原始图像间的特征点描述集的匹配结果示意图;
图5是本发明实施例中两幅原始图像的拼接结果示意图;
图6是本发明实施例中装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例一
如图1至图5所示,本实施例中,提供了一种立位全脊柱图像自动无缝拼接的方法,
S1、分别获取两幅原始图像的特征点描述集;
S2、匹配两幅原始图像的特征点描述集,获取重叠区域坐标;
S3、根据重叠区域坐标对两幅原始图像进行图像拼接。
本实施例中,步骤S1具体包括如下内容,
S11、针对每幅原始图像分别构建高斯差分金字塔;
S12、分别提取两幅原始图像的局部极值点;
S13、根据两幅原始图像的局部极值点分别构建两幅原始图像的特征点描述集。
本实施例中,步骤S11具体包括如下内容,
S111、对其中一幅原始图像进行上采样,获取上采样图像,其长宽为该原始图像的两倍;
S112、对上采样图像进行下采样,获取下采样图像,其长宽为该原始图像的0.5倍;
S113、使用高斯核对生成的下采样图像进行6次卷积,获取6幅高斯模糊图像;
S114、将6幅高斯模糊图像进行两两差分,获取5幅高斯差分图像;
S115、取倒数第三张高斯模糊图像作为原始图像返回步骤S111,直到重复操作S次,生成S层高斯差分图像,组成该原始图像的高斯差分金字塔;
S116、重复步骤S111-S115,获取另一幅原始图像的高斯差分金字塔。
本实施例中,所述高斯核为
其中,σ为正态分布的标准差,有σi=ki-1σ0,k=21/S,i为卷积次数;S为金字塔层数;x,y为计算的像素坐标点,等于log2(len),len为下采样图像长宽中的较小值。
本实施例中,步骤S12包括如下内容,
S121、针对其中一个高斯差分金字塔,取出其每层的第2-5幅高斯差分图像,遍历每幅高斯差分图像的每个像素点,并将每个像素点都设为目标点;
S122、将某个目标点的像素值与自身周边8个相邻坐标点的像素值进行比较,判断其是否为最大值或最小值,若是,进入步骤S123,若否,则选择下一个目标点继续遍历;
S123、将某个目标点的像素值和与其相邻的上下两幅高斯差分图像相同的坐标点及该坐标点周边8个相邻坐标点的像素值进行比较,判断该目标点是否为最大值或者最小值,若是,记该目标点为局部极值点,若否,则选择下一个目标点继续遍历;
S124、计算局部极值点在高斯差分图像中x,y方向的梯度,去除高斯差分图像的边缘点;
S125、将局部极值点的坐标转换至该高斯差分金字塔第一层的坐标(x1,y1);
其中,x1=xi×2i-1;y1=yi×2i-1;i为当前局部极值点所在的层数。
优选的,步骤S13具体包括如下内容,
S131、以其中一幅原始图像的局部极值点为中心,取9*9大小的第一区域,去除同x行和同y列,剩余区域分成16个2x2的第二区域;
S132、对每个2x2的第二区域内,以45°为步长,计算8个方向梯度,总计128个数据,组成128维特征向量,并归一化;
S133、统计一幅高斯差分图像所有特征向量,组成特征点描述集,得到该原始图像的特征点描述集;特征点描述集是大小为n×128的矩阵,其中n为局部极值点的个数;
S134、重复步骤S131-S133,获取另一幅原始图像的特征点描述集。
本实施例中,步骤S2具体包括如下步骤,
S21、从第一幅原始图像的特征点描述集中获取该原始图像的特征点描述向量,记为vi;从第二幅原始图像的特征点描述集中获取该原始图像的特征点描述向量,记为vj;计算每个vi到每个vj的欧氏距离;欧氏距离的计算公式为
其中,Dij为vi到vj的欧氏距离;c=1,2,…,128;
S22、在vi对应特征坐标点x方向随机选取20个坐标,分别计算这20个坐标的第一特征向量vik,并计算各个坐标与vi之间的偏移量dxik;
S23、在vj对应特征坐标点x方向偏移dxik,并计算这20个坐标的第二特征向量vjk;
S24、计算vik到vjk的欧式距离Dijk,并将其与vi到vj的欧氏距离Dij进行加权计算;加权计算公式为,
其中,dxmax为x方向偏移最大值;
S25、循环S22-S24遍历第二原始图像中所有的特征点描述向量vj,并记录vi计算获取的最小值D′imin及次小值D′isecond;
S26、判断最小值D′imin及次小值D′isecond之间的比值是否小于0.8,若是则记录当前的vi和vj,作为一组匹配点,并记录其最小值D′imin;其中, 为最小值D′imin及次小值D′isecond之间的比值;
S27、循环S21-S26遍历第一幅原始图像中的所有的特征点描述向量vi,记录最小加权值D′imin中的最小值D′min,则最小值对应的坐标即为重叠区域坐标。
本实施例中,步骤S3具体包括如下内容,
S31、将第一幅原始图像和第二幅原始图像根据重叠区域坐标进行图像拼接,并通过两幅图像进行差值计算,以消除拼接边界;差值计算公式为,
β=(ysum-y′)/ysum
P(x,y)=Ptop(x,y)×β+Pbottom(x,y)×(1-β)
其中,ysum为拼接图像总的高度,y′为当前拼接的是第几行,Ptop(x,y),Pbottom(x,y)分别为上部分图像和下部分图像的坐标为(x,y)的像素值,P(x,y)为拼接图像的像素值。
实施例二
如图6所示,本实施例中,提供了一种立位全脊柱图像自动无缝拼接的装置,所述装置用于所述的方法;所述装置包括,
图像采集模块;用于获取原始图像,所述原始图像为多次曝光所得的立位全脊柱图像,且各图像间存在重叠区域;
特征提取模块;用于提取各原始图像特征点描述集;所述特征点描述集由128维特征向量组成,是由原图像所建立的高斯差分金字塔下通过局部极值计算后所得;
特征匹配模块;用于匹配两幅原始图像间的特征点描述集;所述匹配方法为,通过计算特征向量间欧式距离,取其最小值和次小值,以其最小值和最小值与次小值的比值作为判断依据筛选匹配点;
图像合成模块;用于原始图像之间的拼接。所述图像拼接过程中对图像进行差值计算以消除色差。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明提供了一种立位全脊柱图像自动无缝拼接的方法及装置,通过局部特征点匹配的方式将多张图像自动合成为一张脊柱全长图像,提高技术人员的工作效率并提供准确的拼接合成图。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (9)
1.一种立位全脊柱图像自动无缝拼接的方法,其特征在于:
S1、分别获取两幅原始图像的特征点描述集;
S2、匹配两幅原始图像的特征点描述集,获取重叠区域坐标;
S3、根据重叠区域坐标对两幅原始图像进行图像拼接。
2.根据权利要求1所述的立位全脊柱图像自动无缝拼接的方法,其特征在于:步骤S1具体包括如下内容,
S11、针对每幅原始图像分别构建高斯差分金字塔;
S12、分别提取两幅原始图像的局部极值点;
S13、根据两幅原始图像的局部极值点分别构建两幅原始图像的特征点描述集。
3.根据权利要求2所述的立位全脊柱图像自动无缝拼接的方法,其特征在于:步骤S11具体包括如下内容,
S111、对其中一幅原始图像进行上采样,获取上采样图像,其长宽为该原始图像的两倍;
S112、对上采样图像进行下采样,获取下采样图像,其长宽为该原始图像的0.5倍;
S113、使用高斯核对生成的下采样图像进行6次卷积,获取6幅高斯模糊图像;
S114、将6幅高斯模糊图像进行两两差分,获取5幅高斯差分图像;
S115、取倒数第三张高斯模糊图像作为原始图像返回步骤S111,直到重复操作S次,生成S层高斯差分图像,组成该原始图像的高斯差分金字塔;
S116、重复步骤S111-S115,获取另一幅原始图像的高斯差分金字塔。
5.根据权利要求3所述的立位全脊柱图像自动无缝拼接的方法,其特征在于:步骤S12包括如下内容,
S121、针对其中一个高斯差分金字塔,取出其每层的第2-5幅高斯差分图像,遍历每幅高斯差分图像的每个像素点,并将每个像素点都设为目标点;
S122、将某个目标点的像素值与自身周边8个相邻坐标点的像素值进行比较,判断其是否为最大值或最小值,若是,进入步骤S123,若否,则选择下一个目标点继续遍历;
S123、将某个目标点的像素值和与其相邻的上下两幅高斯差分图像相同的坐标点及该坐标点周边8个相邻坐标点的像素值进行比较,判断该目标点是否为最大值或者最小值,若是,记该目标点为局部极值点,若否,则选择下一个目标点继续遍历;
S124、计算局部极值点在高斯差分图像中x,y方向的梯度,去除高斯差分图像的边缘点;
S125、将局部极值点的坐标转换至该高斯差分金字塔第一层的坐标(x1,y1);
其中,x1=xi×2i-1;y1=yi×2i-1;i为当前局部极值点所在的层数。
6.根据权利要求5所述的立位全脊柱图像自动无缝拼接的方法,其特征在于:步骤S13具体包括如下内容,
S131、以其中一幅原始图像的局部极值点为中心,取9*9大小的第一区域,去除同x行和同y列,剩余区域分成16个2x2的第二区域;
S132、对每个2x2的第二区域内,以45°为步长,计算8个方向梯度,总计128个数据,组成128维特征向量,并归一化;
S133、统计一幅高斯差分图像所有特征向量,组成特征点描述集,得到该原始图像的特征点描述集;特征点描述集是大小为n×128的矩阵,其中n为局部极值点的个数;
S134、重复步骤S131-S133,获取另一幅原始图像的特征点描述集。
7.根据权利要求6所述的立位全脊柱图像自动无缝拼接的方法,其特征在于:步骤S2具体包括如下步骤,
S21、从第一幅原始图像的特征点描述集中获取该原始图像的特征点描述向量,记为vi;从第二幅原始图像的特征点描述集中获取该原始图像的特征点描述向量,记为vj;计算每个vi到每个vj的欧氏距离;欧氏距离的计算公式为
其中,Dij为vi到vj的欧氏距离;c=1,2,…,128;
S22、在vi对应特征坐标点x方向随机选取20个坐标,分别计算这20个坐标的第一特征向量vik,并计算各个坐标与vi之间的偏移量dxik;
S23、在vj对应特征坐标点x方向偏移dxik,并计算这20个坐标的第二特征向量vjk;
S24、计算vik到vjk的欧式距离Dijk,并将其与vi到vj的欧氏距离Dij进行加权计算;加权计算公式为,
其中,dxmax为x方向偏移最大值;
S25、循环S22-S24遍历第二原始图像中所有的特征点描述向量vj,并记录vi计算获取的最小值D′imin及次小值D′isecond;
S26、判断最小值D′imin及次小值D′isecond之间的比值是否小于0.8,若是则记录当前的vi和vj,作为一组匹配点,并记录其最小值D′imin;其中, 为最小值D′imin及次小值D′isecond之间的比值;
S27、循环S21-S26遍历第一幅原始图像中的所有的特征点描述向量vi,记录D′imin中的最小值D′min,则最小值对应的坐标即为重叠区域坐标。
8.根据权利要求7所述的立位全脊柱图像自动无缝拼接的方法,其特征在于:步骤S3具体包括如下内容,
S31、将第一幅原始图像和第二幅原始图像根据重叠区域坐标进行图像拼接,并通过两幅图像进行差值计算,以消除拼接边界;差值计算公式为,
β=(ysum-y′)/ysum
P(x,y)=Ptop(x,y)×β+Pbottom(x,y)×(1-β)
其中,ysum为拼接图像总的高度,y′为当前拼接的是第几行,Ptop(x,y),Pbottom(x,y)分别为上部分图像和下部分图像的坐标为(x,y)的像素值,P(x,y)为拼接图像的像素值。
9.一种立位全脊柱图像自动无缝拼接的装置,其特征在于,所述装置用于实现上述权利要求1至8任一所述的方法;所述装置包括,
图像采集模块;用于获取原始图像,所述原始图像为多次曝光所得的立位全脊柱图像,且各图像间存在重叠区域;
特征提取模块;用于提取各原始图像特征点描述集;
特征匹配模块;用于匹配两幅原始图像间的特征点描述集;
图像合成模块;用于原始图像之间的拼接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405500.3A CN112837225B (zh) | 2021-04-15 | 2021-04-15 | 一种立位全脊柱图像自动无缝拼接的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405500.3A CN112837225B (zh) | 2021-04-15 | 2021-04-15 | 一种立位全脊柱图像自动无缝拼接的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837225A true CN112837225A (zh) | 2021-05-25 |
CN112837225B CN112837225B (zh) | 2024-01-23 |
Family
ID=75929849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110405500.3A Active CN112837225B (zh) | 2021-04-15 | 2021-04-15 | 一种立位全脊柱图像自动无缝拼接的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837225B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024138434A1 (zh) * | 2022-12-28 | 2024-07-04 | 深圳华大生命科学研究院 | 用于拼接图像的方法及其设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521816A (zh) * | 2011-11-25 | 2012-06-27 | 浪潮电子信息产业股份有限公司 | 一种云数据中心机房实时宽场景监控合成方法 |
CN102737395A (zh) * | 2011-04-15 | 2012-10-17 | 深圳迈瑞生物医疗电子股份有限公司 | 一种医用x射线***中的图像处理方法及装置 |
US20130208997A1 (en) * | 2010-11-02 | 2013-08-15 | Zte Corporation | Method and Apparatus for Combining Panoramic Image |
CN103593850A (zh) * | 2013-11-26 | 2014-02-19 | 北京航空航天大学深圳研究院 | 一种在cuda平台上基于递归高斯滤波的sift并行化***及方法 |
CN105184824A (zh) * | 2015-09-30 | 2015-12-23 | 重庆师范大学 | 基于图像传感网的智能农业驱鸟***和方法 |
CN106504237A (zh) * | 2016-09-30 | 2017-03-15 | 上海联影医疗科技有限公司 | 确定匹配点对的方法及图像获取方法 |
CN107665486A (zh) * | 2017-09-30 | 2018-02-06 | 深圳绰曦互动科技有限公司 | 一种应用于x射线图像的自动拼接方法、装置及终端设备 |
CN107958466A (zh) * | 2017-12-01 | 2018-04-24 | 大唐国信滨海海上风力发电有限公司 | 一种Slam算法优化基于模型的跟踪方法 |
CN110428367A (zh) * | 2019-07-26 | 2019-11-08 | 北京小龙潜行科技有限公司 | 一种图像拼接方法及装置 |
CN112132006A (zh) * | 2020-09-21 | 2020-12-25 | 西南交通大学 | 一种面向耕地保护的林地和建筑物智能提取方法 |
-
2021
- 2021-04-15 CN CN202110405500.3A patent/CN112837225B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130208997A1 (en) * | 2010-11-02 | 2013-08-15 | Zte Corporation | Method and Apparatus for Combining Panoramic Image |
CN102737395A (zh) * | 2011-04-15 | 2012-10-17 | 深圳迈瑞生物医疗电子股份有限公司 | 一种医用x射线***中的图像处理方法及装置 |
CN102521816A (zh) * | 2011-11-25 | 2012-06-27 | 浪潮电子信息产业股份有限公司 | 一种云数据中心机房实时宽场景监控合成方法 |
CN103593850A (zh) * | 2013-11-26 | 2014-02-19 | 北京航空航天大学深圳研究院 | 一种在cuda平台上基于递归高斯滤波的sift并行化***及方法 |
CN105184824A (zh) * | 2015-09-30 | 2015-12-23 | 重庆师范大学 | 基于图像传感网的智能农业驱鸟***和方法 |
CN106504237A (zh) * | 2016-09-30 | 2017-03-15 | 上海联影医疗科技有限公司 | 确定匹配点对的方法及图像获取方法 |
CN107665486A (zh) * | 2017-09-30 | 2018-02-06 | 深圳绰曦互动科技有限公司 | 一种应用于x射线图像的自动拼接方法、装置及终端设备 |
CN107958466A (zh) * | 2017-12-01 | 2018-04-24 | 大唐国信滨海海上风力发电有限公司 | 一种Slam算法优化基于模型的跟踪方法 |
CN110428367A (zh) * | 2019-07-26 | 2019-11-08 | 北京小龙潜行科技有限公司 | 一种图像拼接方法及装置 |
CN112132006A (zh) * | 2020-09-21 | 2020-12-25 | 西南交通大学 | 一种面向耕地保护的林地和建筑物智能提取方法 |
Non-Patent Citations (2)
Title |
---|
李军民;王进戈;周文天;: "基于相对位置不变性的SIFT高效匹配算法研究", 四川大学学报(工程科学版), no. 06, pages 105 - 109 * |
李喜艳;纪东升;吴崇正;: "基于SURF和伪Zernike矩的图像拼接算法研究", 郑州大学学报(工学版), no. 06, pages 69 - 73 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024138434A1 (zh) * | 2022-12-28 | 2024-07-04 | 深圳华大生命科学研究院 | 用于拼接图像的方法及其设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112837225B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7916917B2 (en) | Method of segmenting anatomic entities in digital medical images | |
US6266453B1 (en) | Automated image fusion/alignment system and method | |
CN100394444C (zh) | 图像处理装置、图像处理方法以及图像处理*** | |
Tang et al. | High-resolution 3D abdominal segmentation with random patch network fusion | |
EP3009961B1 (en) | Method and system for representing image patches | |
CN107578376B (zh) | 基于特征点聚类四叉划分和局部变换矩阵的图像拼接方法 | |
US20210383534A1 (en) | System and methods for image segmentation and classification using reduced depth convolutional neural networks | |
US20060165267A1 (en) | System and method for determining convergence of image set registration | |
KR20180105703A (ko) | 척주배열 추정장치, 척주배열 추정방법 및 척주배열 추정프로그램 | |
US8165359B2 (en) | Method of constructing gray value or geometric models of anatomic entity in medical image | |
US7899229B2 (en) | Method for detecting anatomical motion blur in diagnostic images | |
US20080031506A1 (en) | Texture analysis for mammography computer aided diagnosis | |
US20120076409A1 (en) | Computer system and method of matching for images and graphs | |
CN111932550A (zh) | 一种基于深度学习的3d心室核磁共振视频分割*** | |
CN111311655A (zh) | 多模态图像配准方法、装置、电子设备、存储介质 | |
US20230169666A1 (en) | Methods and systems for image registration | |
WO2022209435A1 (ja) | コンピュータプログラム、モデル生成方法、推定方法及び推定装置 | |
CN104268550B (zh) | 特征提取方法及装置 | |
CN112837225A (zh) | 一种立位全脊柱图像自动无缝拼接的方法及装置 | |
CN116681894A (zh) | 一种结合大核卷积的相邻层特征融合Unet多器官分割方法、***、设备及介质 | |
Le et al. | Computationally efficient cardiac views projection using 3D convolutional neural networks | |
CN112396600B (zh) | 基于热成像和深度图的脱敏状态下面部神经麻痹检测*** | |
EP1760659B1 (en) | Method of segmenting anatomic entities in digital medical images | |
US7440600B2 (en) | System and method for assigning mammographic view and laterality to individual images in groups of digitized mammograms | |
Gaudfernau et al. | A multiscale algorithm for computing realistic image transformations: application to the modelling of fetal brain growth |
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 |