CN114693682A - 一种基于图像处理的脊椎特征识别方法 - Google Patents
一种基于图像处理的脊椎特征识别方法 Download PDFInfo
- Publication number
- CN114693682A CN114693682A CN202210610910.6A CN202210610910A CN114693682A CN 114693682 A CN114693682 A CN 114693682A CN 202210610910 A CN202210610910 A CN 202210610910A CN 114693682 A CN114693682 A CN 114693682A
- Authority
- CN
- China
- Prior art keywords
- frequency
- spine
- frequency pixel
- pixel points
- edge
- 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 32
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000013507 mapping Methods 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 210000000988 bone and bone Anatomy 0.000 description 3
- 201000005671 spondyloarthropathy Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- XCWPUUGSGHNIDZ-UHFFFAOYSA-N Oxypertine Chemical compound C1=2C=C(OC)C(OC)=CC=2NC(C)=C1CCN(CC1)CCN1C1=CC=CC=C1 XCWPUUGSGHNIDZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/20—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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种基于图像处理的脊椎特征识别方法,通过语义分割获取健康成年人的站立式全脊柱侧位图中的全脊椎影像图,利用sobel算子检测全脊椎影像图,得到全脊椎影像图的梯度边缘图像,对全脊椎影像图进行分频滤波,得到全脊椎影像图中的高频像素点和低频像素点,利用梯度边缘像素点将高频像素点分为高频脊椎边缘像素点和高频非脊椎边缘像素点,根据这三类像素点对应的灰度级在直方图均衡化中的频率对灰度级进行权重分配,构建累加映射函数对全脊椎影像图进行直方图均衡化,得到对比清晰且细节完整的全脊椎影像图。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种基于图像处理的脊椎特征识别方法。
背景技术
对于脊椎疾病,需要拍摄医疗影像来诊断病情,常常由于医疗设备尺寸不同,拍摄的脊椎图像大部分是线片,只能观察到局部段的脊椎情况。而站立式全脊柱图则可以拍摄完整的脊柱图像,但图像越大信息越复杂,感光元件的动态范围有限,一些关键细节处对比度有限,不易于人为观察。
因此,为了更清晰的观察到完整脊椎图像,本发明在机器视觉的基础上,利用图像处理技术对脊椎医疗影像中的脊椎图像特征进行优化和增强,得到脊椎和骨骼纹理、肌肉轮廓对比清晰的图像,并且图像细节信息也得到了保留,方法智能而精准。
发明内容
本发明提供一种基于图像处理的脊椎特征识别方法,解决医疗影像中全脊柱图像中存在不清晰的问题,采用如下技术方案:
获取全脊柱侧位影像图,对全脊柱侧位影像图进行语义分割得到全脊椎影像图;
利用sobel算子检测全脊椎影像图,得到全脊椎影像图的梯度边缘像素点;
对全脊椎影像图进行分频滤波,得到全脊椎影像图的高频像素点和低频像素点;
利用梯度边缘像素点确定出高频像素点中的脊椎边缘高频像素点和非脊椎边缘高频像素点;
分别将脊椎边缘高频像素点、非脊椎边缘高频像素点、低频像素点对应灰度级作为脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级、低频像素点灰度级;
根据脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级、低频像素点灰度级在全脊椎影像图中出现的频率得到灰度直方图;
获取灰度直方图中所有低频像素点灰度级的平均频率和每个脊椎边缘高频像素点灰度级的频率;
根据所有低频像素点灰度级的平均频率和每个脊椎边缘高频像素点灰度级的频率得到所有低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比;
根据所有低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比确定出低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的权重;
根据低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的权重构建累加映射函数,利用累加映射函数对全脊椎影像图进行直方图均衡化,得到处理后的全脊椎影像图。
所述确定出高频像素点中的脊椎边缘高频像素点和非脊椎边缘高频像素点的方法为:
将全脊椎影像图的梯度边缘像素点作为高频像素点中的脊椎边缘高频像素点;
高频像素点中除了脊椎边缘高频像素点之外的其他像素点为非脊椎边缘高频像素点。
所述所有低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比的获取方法为:
计算灰度直方图中的所有低频像素点灰度级的平均频率;
根据所有低频像素点灰度级的平均频率得到所有低频像素点灰度级的熵的平均值;
获取每个脊椎边缘高频像素点灰度级的频率;
将每个脊椎边缘高频像素点灰度级的频率与所有低频像素点灰度级的熵的平均值的比值作为低频像素点灰度级与每个脊椎边缘高频像素点灰度级的权重比。
所述确定出低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的权重的方法为:
根据低频像素点灰度级与每个脊椎边缘高频像素点灰度级的权重比计算出脊椎边缘高频像素点灰度级的权重均值;
将脊椎边缘高频像素点灰度级的权重均值与所有非脊椎边缘高频像素点灰度级权重的比例设为1:2;
根据低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比、脊椎边缘高频像素点灰度级的权重均值与所有非脊椎边缘高频像素点灰度级权重比计算出低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的权重。
所述累加映射函数如下:
式中,为脊椎边缘高频像素点灰度级的权重,为非脊椎边缘高频像素点灰度级的权重,为低频像素点灰度级的权重,为直方图均衡化后的图像的灰度累积分布函数, 表示第个灰度级时原图像与均衡化图像的映射函数,表示在原图像中第个灰度级出现的频率,为像素点总个数,为原始图像灰度级,为原始图像中的灰度级数量,为归一化后的灰度级,,, ,分别表示原图中灰度级为,,,的像素点的个数。
本发明的有益效果是:基于图像处理,利用sobel算子检测全脊椎影像图,得到全脊椎影像图的梯度边缘图像,对全脊椎影像图进行分频滤波,得到全脊椎影像图中的高频像素点和低频像素点,根据高频像素点和全脊椎影像图的梯度边缘像素点将高频像素点分为脊椎边缘高频像素点和非脊椎边缘高频像素点,根据脊椎边缘高频像素点和非脊椎边缘高频像素点及低频像素点在灰度直方图中灰度级分布的频率,对脊椎边缘高频像素点和非脊椎边缘高频像素点及低频像素点所在的灰度级进行权重分配,通过权重分配得到映射累加函数对全脊椎影像图进行直方图均衡化得到对比清晰且细节完整的全脊椎影像图,方法提高了脊椎医疗影像图像的辨识度。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于图像处理的脊椎特征识别方法流程示意图;
图2a是本发明的一种基于图像处理的脊椎特征识别方法的全脊柱影像示意图;
图2b是本发明的一种基于图像处理的脊椎特征识别方法的直方图均衡化后的全脊柱影像示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种基于图像处理的脊椎特征识别方法的实施例,如图1所示,包括:
步骤一:获取全脊柱侧位影像图,语义分割得到全脊椎影像图;
该步骤的目的是,采集医疗影像中的全脊柱图像,提取出其中的脊椎部分图像,作为后续数据分析的基础。
需要说明的是:从医院的数据库里获取全脊柱片,包括从颈椎到股骨干的全部骨骼,它是由类似一张“胸片”和一张“腰片”拼接而成的。但不是单独的胸片,也不是单独的腰片,因为是多次成像,焦距难以对位吻合,两张片子的椎体图像无法衔接,其角度测量也是不准的。
其中,语义分割的方法为:
对于全脊椎影像图的处理,尽量去除非目标区域的影响,采用CNN语义分割:
(1)CNN为Encoder-Decoder网络,按7:3的比例将数据集分为训练集和测试集。
(2)将脊椎区域标记为1,其他区域全部标注0。
(3)网络所用loss函数为交叉熵损失函数。
通过语义分割可以得到全脊椎影像图和背景图像。
步骤二:利用sobel算子检测全脊椎影像图,得到全脊椎影像图的梯度边缘像素点;对全脊椎影像图进行分频滤波,得到全脊椎影像图的高频像素点和低频像素点;
该步骤的目的是对图像进行边缘检测和分频将图像中的像素点进行分类。
需要说明的是,因为要提高脊椎段图像的识别效果,就需要对脊椎的边缘及纹理细节进行增强,但直接对一张完整的全脊柱医疗影像做直方图均衡化处理,就会丢失大量脊椎的细节信息,如图2a为全脊椎影像图,图2b为2a经过直方图均衡化后的图像,可以看出图像中丢失了大量的细节信息,比如腰椎末端亮度过高轮廓信息丢失、颈椎偏暗丢失了骨刺的纹理、还有骨头边缘变得粗糙不光滑等,这是因为直方图均衡化的过程中图像中分布较少的像素点容易被分布较多的像素点淹没,被淹没是由于在直方图均衡化过程中原图像被映射到输出图像时,累积结果近似的少量灰度级被四舍五入合并,灰度范围被压缩,因此只要保留这些低分布的灰度级,就可以保留细节特征。
本实施例利用分频滤波器对细节信息进行处理,通过阻止这部分的灰度级被合并,然后再均衡化实现脊椎图像的增强,使得扩大对比度的同时,尽量保留关键处细节。可以很好的保留脊椎的细节特征,以便机器的识别和提取。
其中,全脊椎影像图的梯度边缘像素点获取方法为:
其中,全脊椎影像图中的高频像素点和低频像素点的获取方法为:
使用分频滤波器将图像分为低频部分和高频,因为在医学影像拍摄过程,会产生大量的噪声,这些噪声类型也各种各样,有的会使图像模糊,有的会聚集变成坏点破坏图像细节,并且直方图均衡化时还会放大图像中这些噪声,本实施例主要保护的是图像边缘轮廓以及细节信息,所以采用中值滤波算法,可以克服其他线性滤波模糊细节的问题。
步骤三:利用梯度边缘像素点确定出高频像素点中的脊椎边缘高频像素点和非脊椎边缘高频像素点;
该步骤的目的是对图像的高频信息中的像素点进行分类,保存图像中的细节特征,
其中,将高频像素点分为脊椎边缘高频像素点和非脊椎边缘高频像素点的方法为:
步骤四:分别将脊椎边缘高频像素点、非脊椎边缘高频像素点、低频像素点对应的灰度级作为脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级、低频像素点灰度级;根据脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级、低频像素点灰度级在全脊椎影像图中出现的频率得到灰度直方图;获取灰度直方图中所有低频像素点灰度级的平均频率和每个脊椎边缘高频像素点灰度级的频率;根据所有低频像素点灰度级的平均频率和每个脊椎边缘高频像素点灰度级的频率得到所有低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比;根据所有低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比确定出低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的权重;
该步骤的目的是,根据不同种类的像素点对应的灰度级在直方图中的频率计算出灰度级的权重。
其中,脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级、低频像素点灰度级是指,脊椎边缘高频像素点的灰度值对应的灰度级、非脊椎边缘高频像素点灰度值对应的灰度级、低频像素点灰度值对应的灰度级,并根据脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级、低频像素点灰度级在全脊椎影像图中出现的频率,得到灰度直方图,对脊椎边缘高频像素点灰度级赋予权重,对非脊椎边缘高频像素点灰度级赋予权重,对低频像素点灰度级赋予权重。
其中,所有低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比的获取方法为:
公式中,为每个脊椎边缘高频像素点灰度级与低频像素点灰度级的权重比,为低频像素点灰度级的熵平均值与每个脊椎边缘高频像素点灰度级的比值,为灰度级出现的频率,为脊椎边缘高频像素点灰度级的频率,为低频像素点灰度级的平均频率,当脊椎边缘高频像素点灰度级出现的频率等于低频的灰度级平均频率,那么它们就可以像大部分低频信息一样被保留下来。
需要说明的是,首先对于重要程度最高的高频脊椎边缘部分,当每个灰度级出现的频率相等,才是直方图均衡化的最理想状态。然而像素点总数是固定的,在直方图均衡化时必然会因为合并而消失掉很多低分布的灰度级,那么不需要理会低频信息中被合并的灰度级,仅对高频的和做保留处理, 仅仅调整频率,势必造成灰度级合并的不确定性,若低频像素点灰度级的平均频率偏大,为了让=,则会有更多的低分布灰度级被合并,这样会忽略掉灰度级的丰富性。本发明引入熵值来优化这个缺陷,熵描述的是***的混乱程度,熵值越大,***的不确定性越大,从而图像信息量越大,当对每一个容易被吞没的高频低分布灰度级赋予权值后,其熵值等于低频像素点灰度级熵的平均值,就可以保留这些高频灰度级。
其中,低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的权重的获取方法为:
(1)本实施例对非脊椎边缘高频像素点对应的非脊椎边缘高频像素点灰度级赋予一个统一的权值,即计算出所有脊椎边缘高频像素点灰度级的权重均值,将非脊椎边缘高频像素点灰度级权重与所有脊椎边缘高频像素点灰度级的权重均值的比例设为;
(2)根据所有低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比即和之比、非脊椎边缘高频像素点灰度级权重与所有脊椎边缘高频像素点灰度级的权重均值的比例关系即和之比,则可得到脊椎边缘高频像素点灰度级权重和低频像素点灰度级权重及非脊椎边缘高频像素点灰度级之间的比例关系即、、之间的比例关系,根据比例关系进行权重分配。
举例说明脊椎边缘高频像素点灰度级权重和低频像素点灰度级权重及非脊椎边缘高频像素点灰度级权重的计算方法:
步骤五:根据低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的权重构建累加映射函数,利用累加映射函数对全脊椎影像图进行直方图均衡化,得到处理后的全脊椎影像图。
该步骤的目的是根据非脊椎边缘高频像素点灰度级权重和脊椎边缘高频像素点灰度级权重及低频像素点灰度级权重,修改直方图均衡化的映射累加函数,进行直方图均衡化,对图像进行增强。
其中,直方图均衡化时加入权重分配后的累加映射函数为:
公式中,为直方图均衡化后的图像的灰度累积分布函数, 表示第个灰度级时原图像与均衡化图像的映射函数,表示在原图像中第个灰度级出现的频率,为像素点总个数,为原始图像灰度级,为原始图像中的灰度级数量,为归一化后的灰度级,,, ,分别表示原图中灰度级为,,,的像素点的个数。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于图像处理的脊椎特征识别方法,其特征在于,包括:
获取全脊柱侧位影像图,对全脊柱侧位影像图进行语义分割得到全脊椎影像图;
利用sobel算子检测全脊椎影像图,得到全脊椎影像图的梯度边缘像素点;
对全脊椎影像图进行分频滤波,得到全脊椎影像图的高频像素点和低频像素点;
利用梯度边缘像素点确定出高频像素点中的脊椎边缘高频像素点和非脊椎边缘高频像素点;
分别将脊椎边缘高频像素点、非脊椎边缘高频像素点、低频像素点对应的灰度级作为脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级、低频像素点灰度级;
根据脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级、低频像素点灰度级在全脊椎影像图中出现的频率得到灰度直方图;
获取灰度直方图中所有低频像素点灰度级的平均频率和每个脊椎边缘高频像素点灰度级的频率;
根据所有低频像素点灰度级的平均频率和每个脊椎边缘高频像素点灰度级的频率得到所有低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比;
根据所有低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比确定出低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的权重;
根据低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的权重构建累加映射函数,利用累加映射函数对全脊椎影像图进行直方图均衡化,得到处理后的全脊椎影像图。
2.根据权利要求1所述的一种基于图像处理的脊椎特征识别方法,其特征在于,所述确定出高频像素点中的脊椎边缘高频像素点和非脊椎边缘高频像素点的方法为:
将全脊椎影像图的梯度边缘像素点作为高频像素点中的脊椎边缘高频像素点;
高频像素点中除了脊椎边缘高频像素点之外的其他像素点为非脊椎边缘高频像素点。
3.根据权利要求1所述的一种基于图像处理的脊椎特征识别方法,其特征在于,所述所有低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比的获取方法为:
计算灰度直方图中的所有低频像素点灰度级的平均频率;
根据所有低频像素点灰度级的平均频率得到所有低频像素点灰度级的熵的平均值;
获取每个脊椎边缘高频像素点灰度级的频率;
将每个脊椎边缘高频像素点灰度级的频率与所有低频像素点灰度级的熵的平均值的比值作为低频像素点灰度级与每个脊椎边缘高频像素点灰度级的权重比。
4.根据权利要求3所述的一种基于图像处理的脊椎特征识别方法,其特征在于,所述确定出低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的权重的方法为:
根据低频像素点灰度级与每个脊椎边缘高频像素点灰度级的权重比计算出脊椎边缘高频像素点灰度级的权重均值;
根据低频像素点灰度级和每个脊椎边缘高频像素点灰度级的权重比、脊椎边缘高频像素点灰度级的权重均值与所有非脊椎边缘高频像素点灰度级的权重比例得到低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的比例关系;
根据低频像素点灰度级、脊椎边缘高频像素点灰度级、非脊椎边缘高频像素点灰度级的比例关系进行权重分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210610910.6A CN114693682B (zh) | 2022-06-01 | 2022-06-01 | 一种基于图像处理的脊椎特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210610910.6A CN114693682B (zh) | 2022-06-01 | 2022-06-01 | 一种基于图像处理的脊椎特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693682A true CN114693682A (zh) | 2022-07-01 |
CN114693682B CN114693682B (zh) | 2022-08-26 |
Family
ID=82131266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210610910.6A Active CN114693682B (zh) | 2022-06-01 | 2022-06-01 | 一种基于图像处理的脊椎特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693682B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
CN117745722A (zh) * | 2024-02-20 | 2024-03-22 | 北京大学 | 一种医疗健康体检大数据优化增强方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10336657A (ja) * | 1997-05-29 | 1998-12-18 | Ricoh Co Ltd | 画像処理装置 |
JPH11136521A (ja) * | 1997-10-31 | 1999-05-21 | Ricoh Co Ltd | 画像データ処理装置 |
CN106651818A (zh) * | 2016-11-07 | 2017-05-10 | 湖南源信光电科技有限公司 | 基于改进的直方图均衡化低照度图像增强算法 |
CN108230260A (zh) * | 2017-12-06 | 2018-06-29 | 天津津航计算技术研究所 | 一种新型红外图像与微光图像的融合方法 |
CN109919929A (zh) * | 2019-03-06 | 2019-06-21 | 电子科技大学 | 一种基于小波变换的舌裂纹特征提取方法 |
CN110852977A (zh) * | 2019-10-29 | 2020-02-28 | 天津大学 | 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 |
WO2020103601A1 (en) * | 2018-11-21 | 2020-05-28 | Zhejiang Dahua Technology Co., Ltd. | Method and system for generating a fusion image |
CN111899205A (zh) * | 2020-08-10 | 2020-11-06 | 国科天成(北京)科技有限公司 | 一种场景自适应宽动态红外热成像的图像增强方法 |
CN114494256A (zh) * | 2022-04-14 | 2022-05-13 | 武汉金龙电线电缆有限公司 | 基于图像处理的电线生产缺陷检测方法 |
-
2022
- 2022-06-01 CN CN202210610910.6A patent/CN114693682B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10336657A (ja) * | 1997-05-29 | 1998-12-18 | Ricoh Co Ltd | 画像処理装置 |
JPH11136521A (ja) * | 1997-10-31 | 1999-05-21 | Ricoh Co Ltd | 画像データ処理装置 |
CN106651818A (zh) * | 2016-11-07 | 2017-05-10 | 湖南源信光电科技有限公司 | 基于改进的直方图均衡化低照度图像增强算法 |
CN108230260A (zh) * | 2017-12-06 | 2018-06-29 | 天津津航计算技术研究所 | 一种新型红外图像与微光图像的融合方法 |
WO2020103601A1 (en) * | 2018-11-21 | 2020-05-28 | Zhejiang Dahua Technology Co., Ltd. | Method and system for generating a fusion image |
CN109919929A (zh) * | 2019-03-06 | 2019-06-21 | 电子科技大学 | 一种基于小波变换的舌裂纹特征提取方法 |
CN110852977A (zh) * | 2019-10-29 | 2020-02-28 | 天津大学 | 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 |
CN111899205A (zh) * | 2020-08-10 | 2020-11-06 | 国科天成(北京)科技有限公司 | 一种场景自适应宽动态红外热成像的图像增强方法 |
CN114494256A (zh) * | 2022-04-14 | 2022-05-13 | 武汉金龙电线电缆有限公司 | 基于图像处理的电线生产缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
LIXIA CAO 等,: "Research on feature extraction algorithm of pavement disease", 《2021 INTERNATIONAL CONFERENCE ON ELECTRONIC INFORMATION ENGINEERING AND COMPUTER SCIENCE (EIECS)》 * |
张倩,: "PET/CT肺部成像过程中的衰减校正和分割方法的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
谷志鹏 等,: "耦合边缘检测与优化的多尺度遥感图像融合法", 《计算机工程与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
CN117745722A (zh) * | 2024-02-20 | 2024-03-22 | 北京大学 | 一种医疗健康体检大数据优化增强方法 |
CN117745722B (zh) * | 2024-02-20 | 2024-04-30 | 北京大学 | 一种医疗健康体检大数据优化增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114693682B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114648530B (zh) | 一种ct图像处理方法 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
US7218763B2 (en) | Method for automated window-level settings for magnetic resonance images | |
WO2021017297A1 (zh) | 基于人工智能的脊柱影像处理方法及相关设备 | |
CA2188394C (en) | Automated method and system for computerized detection of masses and parenchymal distortions in medical images | |
CN103026379B (zh) | 推算图像噪音水平的方法 | |
CN103249358B (zh) | 医用图像处理装置 | |
CN109410177A (zh) | 一种超分辨率图像的图像质量分析方法及*** | |
CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割*** | |
CN110910317B (zh) | 一种舌象图像增强方法 | |
CN117237591A (zh) | 一种心脏超声影像伪影智能去除方法 | |
CN111951215A (zh) | 一种图像检测方法、装置及计算机可读存储介质 | |
EP1577835A2 (en) | X-ray image processing apparatus and method | |
CN114972067A (zh) | 一种x光小牙片图像增强方法 | |
Kesuma et al. | Improved Chest X-Ray Image Quality Using Median and Gaussian Filter Methods | |
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 | |
CN114332255B (zh) | 一种医学图像处理方法及装置 | |
CN116029934A (zh) | 一种低剂量dr图像和ct图像去噪方法 | |
Yang et al. | Fusion of CT and MR images using an improved wavelet based method | |
CN115205241A (zh) | 一种用于视细胞密度的计量方法及*** | |
CN114418920B (zh) | 一种内窥镜多焦点图像融合方法 | |
CN116883270B (zh) | 一种碎石手术软镜清晰化成像*** | |
Sulochana et al. | Intensity Inhomogeneity Correction in Brain MR Images Based on Filtering Method | |
CN117876402B (zh) | 一种用于颞下颌关节紊乱病影像的智能分割方法 | |
CN117237342B (zh) | 一种呼吸康复ct影像智能分析方法 |
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 |