CN114549458A - 一种超声扫查规范性测评方法及*** - Google Patents

一种超声扫查规范性测评方法及*** Download PDF

Info

Publication number
CN114549458A
CN114549458A CN202210154032.1A CN202210154032A CN114549458A CN 114549458 A CN114549458 A CN 114549458A CN 202210154032 A CN202210154032 A CN 202210154032A CN 114549458 A CN114549458 A CN 114549458A
Authority
CN
China
Prior art keywords
image
matching
ultrasonic
evaluated
template 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.)
Pending
Application number
CN202210154032.1A
Other languages
English (en)
Inventor
毛金武
李�浩
毛昕
李文科
饶欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HUNAN KANGRUN PHARMACEUTICAL CO Ltd
Original Assignee
HUNAN KANGRUN PHARMACEUTICAL CO Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HUNAN KANGRUN PHARMACEUTICAL CO Ltd filed Critical HUNAN KANGRUN PHARMACEUTICAL CO Ltd
Priority to CN202210154032.1A priority Critical patent/CN114549458A/zh
Publication of CN114549458A publication Critical patent/CN114549458A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image

Landscapes

  • Engineering & Computer Science (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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种超声扫查规范性测评方法及***。方法包括：S1、获取待评测的超声图像并对所述超声图像进行灰度处理，所述超声图像包括属性信息；S2、根据待评测的所述超声图像的属性信息在预设的模板图像库中进行匹配，得出匹配后的模板图像；S3、将灰度处理后的所述超声图像与匹配后的所述模板图像采用归一化的相关系数匹配，以得到结果矩阵；S4、在所述结果矩阵中选择匹配结果大于预设阈值的匹配结果，并统计所述匹配结果的数量占比所述模板图像库中模板数量是否符合预设要求，若符合则待评测的所述超声图像符合评测要求，否则不符合评测要求。本发明可以协助基层医生判断打图质量是否符合要求，以便于更快速、熟练的掌握超声图像的打图技巧。

Description

一种超声扫查规范性测评方法及***
技术领域
本发明涉及超声技术领域，更具体地说，特别涉及一种超声扫查规范性测评方法及***。
背景技术
超声影像作为一项专业性要求极高的影像学诊断方法，由于其无辐射，检查范围广，得到了广泛应用。由于目前国内专业的超声医生数量太少，远远不能满足基层对超声医生的需求，现阶段通过线上线下的培训可以引导基层医生学习超声的使用，而且国内市场只有文档形式的打图质量说明，或者来自于超声专家的言传身教，但是并没有专业的测评***认定基层医护人员对于超声的使用是否达到要求。为避免因基层医护人员不专业而造成的漏诊、误诊等现象。因此有必要开发一种超声扫查规范性测评方法及***。
发明内容
本发明的目的在于提供一种超声扫查规范性测评方法及***，以克服现有技术所存在的缺陷。
为了达到上述目的，本发明采用的技术方案如下：
一种超声扫查规范性测评方法，包括以下步骤：
S1、获取待评测的超声图像并对所述超声图像进行灰度处理，所述超声图像包括属性信息；
S2、根据待评测的所述超声图像的属性信息在预设的模板图像库中进行匹配，得出匹配后的模板图像；
S3、将灰度处理后的所述超声图像与匹配后的所述模板图像采用归一化的相关系数匹配，以得到结果矩阵；
S4、在所述结果矩阵中选择匹配结果大于预设阈值的匹配结果，并统计所述匹配结果的数量占比所述模板图像库中模板数量是否符合预设要求，若符合则待评测的所述超声图像符合评测要求，否则不符合评测要求。
进一步地，所述步骤S1中超声图像的属性信息包括打图部位和病灶名称。
进一步地，所述步骤S2中预设的模板图像库的建立步骤包括：
S20、创建动态数组，所述动态数组用于收集所有同类型的超声模板图像的宽度和高度；
S21、通过拼接算法将所述动态数组内的所有同类型的超声模板图像拼接成一张图片；
S22、重复步骤S20-S21获取不同所有不同类型的超声图像所拼接的图像，并将所有图像形成模板图像库。
进一步地，所述步骤2在得出匹配后的模板图像后还包括：获取所述模板图像的宽度和高度。
进一步地，所述步骤S3具体为：将灰度处理后的所述超声图像与匹配后的所述模板图像接入模板匹配函数中，所述模板匹配函数采用归一化的相关系数匹配法。
进一步地，所述步骤S3中匹配的步骤为，以模板图像大小的搜索框依次遍历所述模板图像的整张图片，每行的遍历次数为W-w+1次，每列遍历H-h+1次，匹配得到的所述结果矩阵为(W-w+1，H-h+1)，其中，W和H分别为待评测的超声图像的宽度和高度，w和h分别为模板图像的高度和宽度。
进一步地，所述归一化的相关系数匹配法的公式为：
Figure BDA0003511738730000021
其中，T为模板图像，I为待评测的超声图像，x，y为当前搜索框在I矩阵中左上角元素的坐标，x'，y'为T和搜索框框出来的I的矩阵的元素坐标。
进一步地，所述步骤S4中的预设阈值为90％，在所述匹配结果的数量占比所述模板图像库中模板数量大于20％时为符合预设要求。
本发明还提供一种根上述超声扫查规范性测评方法的***，包括：
获取模块，用于获取待评测的超声图像并对所述超声图像进行灰度处理，所述超声图像包括属性信息；
第一匹配模块，用于根据待评测的所述超声图像的属性信息在预设的模板图像库中进行匹配，得出匹配后的模板图像；
第二匹配模块，用于将灰度处理后的所述超声图像与匹配后的所述模板图像采用归一化的相关系数匹配，以得到结果矩阵；
判断选择模块，用于在所述结果矩阵中选择匹配结果大于预设阈值的匹配结果，并统计所述匹配结果的数量占比所述模板图像库中模板数量是否符合预设要求，若符合则待评测的所述超声图像符合评测要求，否则不符合评测要求；
所述获取模块、第一匹配模块、第二匹配模块和判断选择模块依次连接。
与现有技术相比，本发明的优点在于：本发明可以协助基层医生判断打图质量是否符合要求，以便于更快速、熟练的掌握超声图像的打图技巧，提高打图质量和效率，节约了人工成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明超声扫查规范性测评方法的流程图。
图2是本发明中步骤S2的流程图。
图3是本发明超声扫查规范性测评***的原理图。
图4是本发明可以应用于其中的示例性***架构图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
参阅图1和图2所示，本实施例公开了一种超声扫查规范性测评方法，包括以下步骤：
步骤S1、获取待评测的超声图像并对所述超声图像进行灰度处理，所述超声图像包括属性信息。
具体的，待评测的超声图像一般是在乡镇、农村等医疗机构中获取的。而通常对比图像相似度和颜色关系不是很大，所以本实施例将超声图像处理为灰度图，减少后期计算的复杂度。具体可以使用cvtColor接口将待评测的超声图像转变为灰度图Img_gray。当然，也可以根据特殊需求则保留图像色彩。
具体的，所述超声图像的属性信息包括打图部位和病灶名称。
步骤S2、根据待评测的所述超声图像的属性信息在预设的模板图像库中进行匹配，得出匹配后的模板图像。
具体的，匹配后的模板图像采用template表示，还需要通过shape[:2]的方式获取所述模板图像template的宽度和高度，以便于后续的计算。具体代码如下：
template_h,template_w＝template.shape[:2]
参阅图2所示，本实施例中预设的模板图像库的建立步骤包括：
步骤S20、创建动态数组，所述动态数组用于收集所有同类型的超声模板图像的宽度和高度。具体的，动态数组通过代码可以表示为：
double*ImageQ＝new double[Img_Width*Img_Height*number]
其中，Img_Width、Img_Height分别是每张超声模板图像的宽和高，而number是模板数量。
步骤S21、通过拼接算法将所述动态数组内的所有同类型的超声模板图像拼接成一张图片。
具体的，是通过opencv拼接算法Stitcher将所以模板拼接成一张图片ImageQ，实现代码如下：
Ptr stitcher＝Stitcher::create(mode)；
Stitcher::Status status＝stitcher->stitch(imgs,pano)；
其中，第一行代码是创建拼接Stitcher的指针，第二行代码是调用拼接算法，imgs表示的输入参数，是一系列Mat对象的vector，pano表示的输出结果，是拼接之后的Mat对象。
步骤S22、重复步骤S20-S21获取不同所有不同类型的超声图像所拼接的图像，并将所有图像形成模板图像库。
步骤S3、将灰度处理后的所述超声图像与匹配后的所述模板图像采用归一化的相关系数匹配，以得到结果矩阵。
具体的，是将灰度处理后的所述超声图像Img_gray与匹配后的所述模板图像template接入模板匹配函数matchTemplate中(为一个接口)，所述模板匹配函数采用归一化的相关系数匹配法。得到一个结果矩阵result。具体的，实现代码如下：
matchTemplate(InputArray image,InputArray templ,OutputArray result,int method)
image：输入一个待匹配的经过灰度处理后的超声图像，支持8U或者32F。
templ：输入一个模板图像，与image相同类型。
result：输出保存结果的矩阵，32F类型。
method：要使用的数据比较方法，本实施例中采用归一化的相关系数匹配法。
具体的，在匹配时，是以模板图像大小的搜索框依次遍历所述模板图像的整张图片，每行的遍历次数为W-w+1次，每列遍历H-h+1次，匹配得到的所述结果矩阵result为(W-w+1，H-h+1)，其中，W和H分别为待评测的超声图像的宽度和高度，w和h分别为模板图像的高度和宽度。
具体的，本实施例中所述归一化的相关系数匹配法的公式为：
Figure BDA0003511738730000051
其中，T为模板图像，I为待评测的超声图像，x，y为当前搜索框在I矩阵中左上角元素的坐标，x'，y'为T和搜索框框出来的I的矩阵的元素坐标。
采用归一化的相关系数匹配法：完全匹配会得到1，完全负相关匹配会得到-1，完全不匹配会得到0。
步骤S4、在所述结果矩阵中选择匹配结果大于预设阈值的匹配结果，并统计所述匹配结果的数量占比所述模板图像库中模板数量是否符合预设要求，若符合则待评测的所述超声图像符合评测要求，否则不符合评测要求。
具体的，所述预设阈值为90％，即从结果中选出匹配都大于90％的匹配结果，在所述匹配结果的数量占比所述模板图像库中模板数量大于20％时为符合预设要求。
参阅图3所示，本发明还提供一种根上述超声扫查规范性测评方法的***，包括：获取模块1，用于获取待评测的超声图像并对所述超声图像进行灰度处理，所述超声图像包括属性信息；第一匹配模块2，用于根据待评测的所述超声图像的属性信息在预设的模板图像库中进行匹配，得出匹配后的模板图像；第二匹配模块3，用于将灰度处理后的所述超声图像与匹配后的所述模板图像采用归一化的相关系数匹配，以得到结果矩阵；判断选择模块4，用于在所述结果矩阵中选择匹配结果大于预设阈值的匹配结果，并统计所述匹配结果的数量占比所述模板图像库中模板数量是否符合预设要求，若符合则待评测的所述超声图像符合评测要求，否则不符合评测要求；所述获取模块1、第一匹配模块2、第二匹配模块3和判断选择模块4依次连接。
参阅图4所示，为本发明的具体应用的***架构图，***架构可以包括终端设备101、102、基层端103，网络104和服务器105。网络104用以在终端设备101、102、基层端103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、、基层端103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。终端设备101、102、基层端103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group AudioLayer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。服务器105可以是提供各种服务的服务器，例如对终端设备101、102、基层端103上显示的页面提供支持的后台服务器。服务器105可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是，本申请实施例所提供的超声扫查规范性测评方法一般由服务器105执行，相应地，超声扫查规范性测评方法***一般设置于终端设备101、102中。而基层端40为接入乡镇、农村等基层医疗机构的，用于存储一些待评测的超声图像。在超声扫查规范性测评***的页面中有“评测”按钮，通过点击“评测”按钮即可选择调用基层端40中的待评测的超声图像进行匹配。
应该理解，图1中的终端设备、基层端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、基层端、网络和服务器。
本发明可以协助基层医生判断打图质量是否符合要求，以便于更快速、熟练的掌握超声图像的打图技巧，提高打图质量和效率，节约了人工成本。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (9)

1.一种超声扫查规范性测评方法，其特征在于，包括以下步骤：
S1、获取待评测的超声图像并对所述超声图像进行灰度处理，所述超声图像包括属性信息；
S2、根据待评测的所述超声图像的属性信息在预设的模板图像库中进行匹配，得出匹配后的模板图像；
S3、将灰度处理后的所述超声图像与匹配后的所述模板图像采用归一化的相关系数匹配，以得到结果矩阵；
S4、在所述结果矩阵中选择匹配结果大于预设阈值的匹配结果，并统计所述匹配结果的数量占比所述模板图像库中模板数量是否符合预设要求，若符合则待评测的所述超声图像符合评测要求，否则不符合评测要求。
2.根据权利要求1所述的超声扫查规范性测评方法，其特征在于，所述步骤S1中超声图像的属性信息包括打图部位和病灶名称。
3.根据权利要求1所述的超声扫查规范性测评方法，其特征在于，所述步骤S2中预设的模板图像库的建立步骤包括：
S20、创建动态数组，所述动态数组用于收集所有同类型的超声模板图像的宽度和高度；
S21、通过拼接算法将所述动态数组内的所有同类型的超声模板图像拼接成一张图片；
S22、重复步骤S20-S21获取不同所有不同类型的超声图像所拼接的图像，并将所有图像形成模板图像库。
4.根据权利要求1所述的超声扫查规范性测评方法，其特征在于，所述步骤2在得出匹配后的模板图像后还包括：获取所述模板图像的宽度和高度。
5.根据权利要求1所述的超声扫查规范性测评方法，其特征在于，所述步骤S3具体为：将灰度处理后的所述超声图像与匹配后的所述模板图像接入模板匹配函数中，所述模板匹配函数采用归一化的相关系数匹配法。
6.根据权利要求1所述的超声扫查规范性测评方法，其特征在于，所述步骤S3中匹配的步骤为，以模板图像大小的搜索框依次遍历所述模板图像的整张图片，每行的遍历次数为W-w+1次，每列遍历H-h+1次，匹配得到的所述结果矩阵为(W-w+1，H-h+1)，其中，W和H分别为待评测的超声图像的宽度和高度，w和h分别为模板图像的高度和宽度。
7.根据权利要求1所述的超声扫查规范性测评方法，其特征在于，所述归一化的相关系数匹配法的公式为：
Figure FDA0003511738720000021
其中，T为模板图像，I为待评测的超声图像，x，y为当前搜索框在I矩阵中左上角元素的坐标，x'，y'为T和搜索框框出来的I的矩阵的元素坐标。
8.根据权利要求1所述的超声扫查规范性测评方法，其特征在于，所述步骤S4中的预设阈值为90％，在所述匹配结果的数量占比所述模板图像库中模板数量大于20％时为符合预设要求。
9.一种根据权利要求1-8任意一项所述超声扫查规范性测评方法的***，其特征在于，包括：
获取模块，用于获取待评测的超声图像并对所述超声图像进行灰度处理，所述超声图像包括属性信息；
第一匹配模块，用于根据待评测的所述超声图像的属性信息在预设的模板图像库中进行匹配，得出匹配后的模板图像；
第二匹配模块，用于将灰度处理后的所述超声图像与匹配后的所述模板图像采用归一化的相关系数匹配，以得到结果矩阵；
判断选择模块，用于在所述结果矩阵中选择匹配结果大于预设阈值的匹配结果，并统计所述匹配结果的数量占比所述模板图像库中模板数量是否符合预设要求，若符合则待评测的所述超声图像符合评测要求，否则不符合评测要求；
所述获取模块、第一匹配模块、第二匹配模块和判断选择模块依次连接。
CN202210154032.1A 2022-02-20 2022-02-20 一种超声扫查规范性测评方法及*** Pending CN114549458A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210154032.1A CN114549458A (zh) 2022-02-20 2022-02-20 一种超声扫查规范性测评方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210154032.1A CN114549458A (zh) 2022-02-20 2022-02-20 一种超声扫查规范性测评方法及***

Publications (1)

Publication Number Publication Date
CN114549458A true CN114549458A (zh) 2022-05-27

Family

ID=81675556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210154032.1A Pending CN114549458A (zh) 2022-02-20 2022-02-20 一种超声扫查规范性测评方法及***

Country Status (1)

Country Link
CN (1) CN114549458A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101309645A (zh) * 2005-11-15 2008-11-19 株式会社日立医药 超声波诊断装置
CN101556695A (zh) * 2009-05-15 2009-10-14 广东工业大学 一种图像匹配方法
CN104680481A (zh) * 2013-11-28 2015-06-03 深圳迈瑞生物医疗电子股份有限公司 一种超声辅助扫查方法和***
CN105745650A (zh) * 2013-11-18 2016-07-06 微软技术许可有限责任公司 内容拼接模板
CN107679574A (zh) * 2017-09-29 2018-02-09 深圳开立生物医疗科技股份有限公司 超声图像处理方法及***
CN108245194A (zh) * 2017-12-21 2018-07-06 四川省人民医院 基于布谷鸟优化策略的超声图像心脏流场运动估计方法
CN110210565A (zh) * 2019-06-05 2019-09-06 中科新松有限公司 归一化互相关图像模板匹配实现方法
CN111657997A (zh) * 2020-06-23 2020-09-15 无锡祥生医疗科技股份有限公司 超声辅助引导方法、装置及存储介质
CN111816281A (zh) * 2020-06-23 2020-10-23 无锡祥生医疗科技股份有限公司 超声影像查询装置
CN113205145A (zh) * 2021-05-18 2021-08-03 广州大学 基于归一化互相关的模板匹配方法、***、装置及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101309645A (zh) * 2005-11-15 2008-11-19 株式会社日立医药 超声波诊断装置
CN101556695A (zh) * 2009-05-15 2009-10-14 广东工业大学 一种图像匹配方法
CN105745650A (zh) * 2013-11-18 2016-07-06 微软技术许可有限责任公司 内容拼接模板
CN104680481A (zh) * 2013-11-28 2015-06-03 深圳迈瑞生物医疗电子股份有限公司 一种超声辅助扫查方法和***
CN107679574A (zh) * 2017-09-29 2018-02-09 深圳开立生物医疗科技股份有限公司 超声图像处理方法及***
CN108245194A (zh) * 2017-12-21 2018-07-06 四川省人民医院 基于布谷鸟优化策略的超声图像心脏流场运动估计方法
CN110210565A (zh) * 2019-06-05 2019-09-06 中科新松有限公司 归一化互相关图像模板匹配实现方法
CN111657997A (zh) * 2020-06-23 2020-09-15 无锡祥生医疗科技股份有限公司 超声辅助引导方法、装置及存储介质
CN111816281A (zh) * 2020-06-23 2020-10-23 无锡祥生医疗科技股份有限公司 超声影像查询装置
CN113205145A (zh) * 2021-05-18 2021-08-03 广州大学 基于归一化互相关的模板匹配方法、***、装置及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
熊有伦: "《机器人学建模、控制与视觉》", 31 March 2018, 华中科技大学出版社, pages: 365 - 366 *
罗伊·希尔克罗特（ROY SHILKROT），大卫·米兰（DAVID MILLAN ESCRIVA）: "《深入理解OpenCV:实用计算机视觉项目解析 原书第3版》", 31 January 2020, 机械工业出版社, pages: 210 - 212 *

Similar Documents

Publication Publication Date Title
CN109508681B (zh) 生成人体关键点检测模型的方法和装置
CN109146892B (zh) 一种基于美学的图像裁剪方法及装置
US20220067441A1 (en) Training image-to-image translation neural networks
CN109215017B (zh) 图片处理方法、装置、用户终端、服务器及存储介质
EP4040401A1 (en) Image processing method and apparatus, device and storage medium
CN110276366A (zh) 使用弱监督模型来检测对象
CN115457531A (zh) 用于识别文本的方法和装置
CN110990390B (zh) 数据协同处理方法、装置、计算机设备和存储介质
CN110796143A (zh) 一种基于人机协同的场景文本识别方法
CN106446568A (zh) 一种实现远程病理会诊的方法及装置
CN110490959B (zh) 三维图像处理方法及装置、虚拟形象生成方法以及电子设备
CN109272543B (zh) 用于生成模型的方法和装置
CN107910060A (zh) 用于生成信息的方法和装置
CN107403014A (zh) 图像文件的显示方法、装置及***
Li et al. Single image dehazing with an independent detail-recovery network
Yan et al. PCNet: Partial convolution attention mechanism for image inpainting
CN115064254A (zh) 基于医学影像的远程快速诊断***
Ullah et al. Subjective assessment of objective image quality metrics range guaranteeing visually lossless compression
CN114821140A (zh) 基于曼哈顿距离的图像聚类方法、终端设备及存储介质
CN113516697A (zh) 图像配准的方法、装置、电子设备及计算机可读存储介质
CN114549458A (zh) 一种超声扫查规范性测评方法及***
US20200311901A1 (en) Classifying panoramic images
CN112270350B (zh) 组织机构的画像方法、装置、设备及存储介质
CN116823700A (zh) 一种图像质量的确定方法和装置
Zhang et al. Content-aware retargeted image quality assessment

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