CN117974652A - 基于机器视觉的超声影像辅助定位方法 - Google Patents
基于机器视觉的超声影像辅助定位方法 Download PDFInfo
- Publication number
- CN117974652A CN117974652A CN202410370986.5A CN202410370986A CN117974652A CN 117974652 A CN117974652 A CN 117974652A CN 202410370986 A CN202410370986 A CN 202410370986A CN 117974652 A CN117974652 A CN 117974652A
- Authority
- CN
- China
- Prior art keywords
- curve
- expansion
- filtered
- connected domain
- pixel point
- 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 66
- 210000004185 liver Anatomy 0.000 claims abstract description 26
- 238000002604 ultrasonography Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 6
- 230000003902 lesion Effects 0.000 description 13
- 210000000056 organ Anatomy 0.000 description 12
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于机器视觉的超声影像辅助定位方法,包括:获取肝脏超声图像;对肝脏超声图像进行阈值分割得到若干个连通域;对每个连通域进行膨胀处理,获取每个膨胀后连通域;根据每个膨胀后连通域的灰度波动曲线的特征值和异常灰度波动曲线的数量,获取每个膨胀后连通域的膨胀有效因子;根据膨胀有效因子获取所有目标膨胀后连通域;根据每个待滤波像素点的窗口调整因子,获取每个待滤波像素点的搜索窗口大小;通过滤波后的肝脏超声图像辅助医生定位目标组织和结构。本发明提高了通过超声影像进行辅助定位的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的超声影像辅助定位方法。
背景技术
基于机器视觉的超声影像辅助定位方法是利用图像处理和计算机视觉技术,结合超声影像来辅助医生进行手术定位和导航;它可以提高手术的准确性和安全性,帮助医生更好的理解病变位置、周围结构以及操作区域;由于超声图像中通常存在着一定程度的噪声,需要对超声影像进行去噪操作;非局部均值滤波(Non-local Means Filtering)算法是一种常用的去噪算法,它通过构建一个搜索窗口,计算待滤波像素点和搜索窗口内其它像素点的相似性,根据相似性来确定搜索窗口内每个像素点的权重值,然后对搜索窗口内的所有像素点进行加权平均获取待滤波像素点的滤波后值。
传统的非局部均值滤波算法在对图像进行滤波的过程中,每一个待滤波像素点的搜素窗口的大小都是相同的;若对医学超声影像中器官或者病变边缘区域的待滤波点搜索窗口设置的过大,会导致边缘像素点和背景区域像素点融合,造成边缘模糊,影响后续的辅助定位。
发明内容
为了解决上述问题,本发明提供基于机器视觉的超声影像辅助定位方法,所述方法包括:
获取肝脏超声图像;对肝脏超声图像进行图像分割得到若干个连通域;
对每个连通域进行膨胀处理获取每个膨胀后连通域;获取每个膨胀后连通域的若干个灰度波动曲线;根据每个灰度波动曲线中像素点的灰度分布情况,获取每个灰度波动曲线的特征值;根据每个灰度波动曲线的特征值,获取每个膨胀后连通域的膨胀有效因子;根据膨胀有效因子获取所有目标膨胀后连通域;
将所有目标膨胀后连通域中所有像素点均记为待滤波像素点;获取每个待滤波像素点的边缘程度值;根据每个待滤波像素点的边缘程度值,获取每个待滤波像素点的窗口调整因子;根据窗口调整因子,获取每个待滤波像素点的搜索窗口大小;
根据搜索窗口大小获取每个待滤波像素点的邻域窗口大小;根据搜索窗口大小与邻域窗口大小,对肝脏超声图像中每个待滤波像素点进行滤波,得到滤波后的肝脏超声图像;通过滤波后的肝脏超声图像进行辅助定位。
优选的,所述获取每个膨胀后连通域的若干个灰度波动曲线,包括的具体方法为:
对于任意一个连通域,对所述连通域进行形态学膨胀处理,得到膨胀后连通域,对膨胀后连通域和所述连通域进行边缘检测,分别得到膨胀后连通域的所有边缘像素点和所述连通域的所有边缘像素点,将膨胀后连通域的所有边缘像素点记为待组合像素点,将所述连通域的所有边缘像素点记为初始像素点;将每个待组合像素点与膨胀后连通域的中心像素点进行直线连接,获得若干个直线段,所述每个直线段经过一个初始像素点;
对于任意一个直线段,以所述直线段中每个像素点从左到右的排列序号为横轴,以像素点的灰度值为纵轴;将所述直线段中所有像素点输入二维坐标系中,获取若干数据点,根据所有数据点构建一条贝塞尔曲线,并记为灰度波动曲线。
优选的,所述根据每个灰度波动曲线中像素点的灰度分布情况,获取每个灰度波动曲线的特征值,包括的具体方法为:
对于任意一个灰度波动曲线,将所述灰度波动曲线中初始像素点与待组合像素点之间的所有像素点组成的曲线段,记为所述灰度波动曲线的膨胀区域曲线段,将所述灰度波动曲线中初始像素点与中心像素点之间的所有像素点组成的曲线段,记为所述灰度波动曲线的初始连通域曲线段;获取每个灰度波动曲线的初始连通域曲线段和膨胀区域曲线段的所有子直线段;根据每个灰度波动曲线中膨胀区域曲线段和初始连通域曲线段的所有子直线段斜率,获取每个灰度波动曲线的特征值的计算方法为:
式中,表示任意一个灰度波动曲线的特征值;/>表示灰度波动曲线中膨胀区域曲线段内所有像素点的灰度值的均值;/>表示灰度波动曲线中初始连通域曲线段内所有像素点的灰度值的均值;/>表示灰度波动曲线中膨胀区域曲线段的所有子直线段斜率的最大值;/>表示灰度波动曲线中初始连通域曲线段的所有子直线段斜率的最大值;/>表示灰度波动曲线中膨胀区域曲线段的所有子直线段斜率绝对值的均值;/>表示灰度波动曲线中初始连通域曲线段的所有子直线段斜率绝对值的均值;/>表示取绝对值;/>表示预设的超参数。
优选的,所述获取每个灰度波动曲线的初始连通域曲线段和膨胀区域曲线段的所有子直线段,包括的具体方法为:
对于任意一个灰度波动曲线,利用牛顿法获取所述灰度波动曲线的膨胀区域曲线段的所有极值点和所述灰度波动曲线的初始连通域曲线段的所有极值点,对于膨胀区域曲线段的任意两个相邻的极值点,将所述两个相邻的极值点进行连接,得到膨胀区域曲线段的一个子直线段,对于初始连通域曲线段的任意两个相邻的极值点,将所述两个相邻的极值点进行连接,得到初始连通域曲线段的一个子直线段。
优选的,所述根据每个灰度波动曲线的特征值,获取每个膨胀后连通域的膨胀有效因子,包括的具体方法为:
利用孤立森林算法获取每个膨胀后连通域的每个灰度波动曲线的特征值的异常值,对于任意一个灰度波动曲线,若所述灰度波动曲线的特征值的异常值小于特征值,将所述灰度波动曲线记为异常灰度波动曲线;根据每个膨胀后连通域的灰度波动曲线的特征值和异常灰度波动曲线的数量,获取每个膨胀后连通域的膨胀有效度的计算方法为:
式中,表示任意一个膨胀后连通域的膨胀有效度;/>表示膨胀后连通域的所有灰度波动曲线总数量;/>表示膨胀后连通域的所有异常灰度波动曲线总数量;/>表示膨胀后连通域的第/>个灰度波动曲线的特征值;
获取所有膨胀后连通域的膨胀有效度,将所有膨胀有效度进行线性归一化后的每个膨胀有效度记为膨胀有效因子。
优选的,所述根据膨胀有效因子获取所有目标膨胀后连通域,包括的具体方法为:
对于任意一个膨胀后连通域,若所述膨胀后连通域的膨胀有效因子大于有效参数,将所述膨胀后连通域进行形态学膨胀,获得第二次膨胀后连通域;若第二次膨胀后连通域的膨胀有效因子大于有效参数/>,将第二次膨胀后连通域行形态学膨胀,获得第三次膨胀后连通域;直至,最新一次膨胀后连通域的膨胀有效因子小于或等于有效参数/>,停止膨胀,并将最新一次膨胀后连通域记为目标膨胀后连通域。
优选的,所述获取每个待滤波像素点的边缘程度值,包括的具体方法为:
对于任意一个待滤波像素点,将所述待滤波像素点与所属目标膨胀后连通域的中心像素点的欧式距离,作为所述待滤波像素点的边缘程度值。
优选的,所述根据每个待滤波像素点的边缘程度值,获取每个待滤波像素点的窗口调整因子的具体公式为:
式中,表示任意一个待滤波像素点的窗口调整因子;/>表示待滤波像素点的边缘程度值;/>表示所有待滤波像素点的边缘程度值的最小值;/>为预设窗口参数;/>表示取绝对值;/>表示向上取整;/>表示预设的超参数。
优选的,所述根据窗口调整因子,获取每个待滤波像素点的搜索窗口大小,包括的具体方法为:
对于任意一个待滤波像素点,若所述待滤波像素点的窗口调整因子为奇数,将与所述待滤波像素点的窗口调整因子的和,作为所述待滤波像素点的搜索窗口大小;若所述待滤波像素点的窗口调整因子为偶数,将/>与所述待滤波像素点的窗口调整因子的和,记为第一和值,将第一和值与1的差值,作为所述待滤波像素点的搜索窗口大小。
优选的,所述根据搜索窗口大小获取每个待滤波像素点的邻域窗口大小,包括的具体方法为:
预设一个邻域参数,对于任意一个待滤波像素点,将所述待滤波像素点的搜索窗口大小与邻域参数/>的差值,作为所述待滤波像素点的邻域窗口大小。
本发明的技术方案的有益效果是:本发明根据每个待滤波像素点的边缘程度值,获取每个待滤波像素点的窗口调整因子;根据窗口调整因子,获取每个待滤波像素点的搜索窗口大小,根据边缘程度来自适应设定每个待滤波像素点的搜索窗口大小,以此可以在去噪的同时保留超声图像的边缘细节特征,使得在后续进行辅助定位时,可以得到更准确的结果,进而提高了通过超声影像进行辅助定位的准确性。
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为本发明基于机器视觉的超声影像辅助定位方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于机器视觉的超声影像辅助定位方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于机器视觉的超声影像辅助定位方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的超声影像辅助定位方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取肝脏超声图像;对肝脏超声图像进行阈值分割得到若干个连通域。
需要说明的是,由于获取的超声图像中通常具有一定程度的噪声,因此需要对超声图像进行增强去噪处理,通过增强后的超声图像进行辅助定位,可以帮助医生更好的理解病变位置、周围结构以及操作区域。
具体的,首先需要采集肝脏超声图像,具体过程为:
通过超声设备获取人体的肝脏超声图像。
需要说明的是,由于肝脏超声图像中通常存在着斑点噪声,并且噪声可能存在于器官边缘区域或者病变边缘区域;在使用非局部均值滤波方法进行滤波的过程中,若器官边缘或者病变边缘区域的搜索窗口设置的过大,会导致器官和病变的轮廓被过度滤波,导致器官边缘不清楚,对后续肝脏的定位和辅助诊断造成困难;因此需要对器官边缘区域或者病变边缘区域的搜索窗口大小设计的小一点,其它区域的搜索窗口设计的大一点。
具体的,利用大津阈值分割法对肝脏超声图像进行阈值分割,获取若干个连通域。
其中,大津阈值分割法为现有技术,本实施例此处不作过多赘述。
至此,通过上述方法得到肝脏超声图像的若干个连通域。
步骤S002:对每个连通域进行膨胀处理,获取每个膨胀后连通域;根据每个膨胀后连通域的灰度波动曲线的特征值和异常灰度波动曲线的数量,获取每个膨胀后连通域的膨胀有效因子;根据膨胀有效因子获取所有目标膨胀后连通域。
需要说明的是,将肝脏超声图像进行阈值分割后,连通域之间中会存在局部断开的情况,并且由于器官或者病变边缘模糊等情况,会导致连通域不完整,因此需要对二值化分割后的连通域进行扩大处理。
具体的,对于任意一个连通域,对所述连通域进行形态学膨胀处理,得到膨胀后连通域;将膨胀后连通域与连通域进行相减得到区域记为膨胀区域;对膨胀后连通域和所述连通域进行边缘检测,分别得到膨胀后连通域的所有边缘像素点和所述连通域的所有边缘像素点,将膨胀后连通域的所有边缘像素点记为待组合像素点,将所述连通域的所有边缘像素点记为初始像素点;将每个待组合像素点与膨胀后连通域的中心像素点进行直线连接,获得若干个直线段,所述每个直线段经过一个初始像素点。
对于任意一个直线段,以所述直线段中每个像素点从左到右的排列序号为横轴,以像素点的灰度值为纵轴;将所述直线段中所有像素点输入二维坐标系中,获取若干数据点,根据所有数据点构建一条贝塞尔曲线,并记为灰度波动曲线,进而获取若干个灰度波动曲线。
对于任意一个灰度波动曲线,将所述灰度波动曲线中初始像素点与待组合像素点之间的所有像素点组成的曲线段,记为所述灰度波动曲线的膨胀区域曲线段,将所述灰度波动曲线中初始像素点与中心像素点之间的所有像素点组成的曲线段,记为所述灰度波动曲线的初始连通域曲线段。
其中,形态学膨胀、边缘检测和构建贝塞尔曲线为现有技术,本实施例此处不作过多赘述。
至此,获得每个膨胀后连通域的每个灰度波动曲线的初始连通域曲线段和膨胀区域曲线段。
需要说明的是,膨胀操作完成后的结果有以下几种可能性:膨胀完成后连通区域还在疑似器官或者病变区域内,对应的膨胀区域曲线段和初始连通域曲线段的差异应该是比较小的;或者膨胀完成后,刚好把疑似器官或者病变区域的边缘部分包含进来,由于超声图像中器官或者病变区域边缘的像素点灰度值通常要大于区域内部的像素点灰度值,因此膨胀区域曲线段和初始连通域曲线段的差异就比较大;或者膨胀完成后,将部分背景像素点包含了进来,由于背景像素点的灰度值要大于疑似器官或者病变区域的像素点灰度值;因此膨胀区域曲线段和初始连通域曲线段的差异会更大。
具体的,利用牛顿法获取膨胀区域曲线段的所有极值点和初始连通域曲线段的所有极值点,对于膨胀区域曲线段的任意两个相邻的极值点,将所述两个相邻的极值点进行连接,得到膨胀区域曲线段的一个子直线段,对于初始连通域曲线段的任意两个相邻的极值点,将所述两个相邻的极值点进行连接,得到初始连通域曲线段的一个子直线段;进而获得膨胀区域曲线段的若干个子直线段和初始连通域曲线段的若干个子直线段;根据每个灰度波动曲线中膨胀区域曲线段和初始连通域曲线段的所有子直线段斜率,获取每个灰度波动曲线的特征值。
作为一种示例,获取每个灰度波动曲线的特征值的计算方法为:
式中,表示任意一个灰度波动曲线的特征值;/>表示灰度波动曲线中膨胀区域曲线段内所有像素点的灰度值的均值;/>表示灰度波动曲线中初始连通域曲线段内所有像素点的灰度值的均值;/>表示灰度波动曲线中膨胀区域曲线段的所有子直线段斜率的最大值;/>表示灰度波动曲线中初始连通域曲线段的所有子直线段斜率的最大值;/>表示灰度波动曲线中膨胀区域曲线段的所有子直线段斜率绝对值的均值;/>表示灰度波动曲线中初始连通域曲线段的所有子直线段斜率绝对值的均值;/>表示取绝对值;/>表示预设的超参数,本实施预设/>,用于防止分母为0。
需要说明的是,的值越小,表示膨胀区域曲线段和初始连通域曲线段中像素点的灰度值差异越小,对应的两个曲线段为相似区域的可能性越大,对应的灰度波动曲线的特征值越大;/>越大表示膨胀区域中像素点的最大突变程度越大,由于疑似器官和病变区域内部的像素点灰度值较小,并且其边缘部分的像素点灰度值要略大于内部像素灰度值,但是背景像素点灰度值要明显大于上述两者的灰度值;因此/>越大对应的膨胀区域为有效区域的可能性就越小;同时/>越大表示膨胀区域曲线段所有子直线段的斜率绝对值均值越大,对应的膨胀区域的像素点波动程度越高;由于初始连通域曲线段中像素点的灰度值都比较接近因此像素点的波动程度也比较小,因此/>的值越小表示膨胀区域曲线段和初始连通域曲线段中的像素点越相似,则对应的灰度波动曲线的特征值越大。
其中,牛顿法为现有技术,本实施例此处不作过多赘述。
至此,获得每个膨胀后连通域的每个灰度波动曲线的特征值。
具体的,利用孤立森林算法获取每个膨胀后连通域的每个灰度波动曲线的特征值的异常值,对于任意一个灰度波动曲线,若所述灰度波动曲线的特征值的异常值小于特征值,将所述灰度波动曲线记为异常灰度波动曲线;根据每个膨胀后连通域的灰度波动曲线的特征值和异常灰度波动曲线的数量,获取每个膨胀后连通域的膨胀有效因子。
作为一种示例,获取每个膨胀后连通域的膨胀有效度的计算方法为:
式中,表示任意一个膨胀后连通域的膨胀有效度;/>表示膨胀后连通域的所有灰度波动曲线总数量;/>表示膨胀后连通域的所有异常灰度波动曲线总数量;/>表示膨胀后连通域的第/>个灰度波动曲线的特征值。
进一步的,获取所有膨胀后连通域的膨胀有效度,将所有膨胀有效度进行线性归一化后的每个膨胀有效度记为膨胀有效因子。
其中,孤立森林算法为现有技术,本实施例此处不作过多赘述。
至此,获得每个膨胀后连通域的膨胀有效因子。
预设一个有效参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于任意一个膨胀后连通域,若所述膨胀后连通域的膨胀有效因子大于有效参数,将所述膨胀后连通域进行形态学膨胀,获得第二次膨胀后连通域;若第二次膨胀后连通域的膨胀有效因子大于有效参数/>,将第二次膨胀后连通域行形态学膨胀,获得第三次膨胀后连通域;若第三次膨胀后连通域的膨胀有效因子大于有效参数/>,将第三次膨胀后连通域进行形态学膨胀,获得第四次膨胀后连通域;直至,最新一次膨胀后连通域的膨胀有效因子小于或等于有效参数/>,停止膨胀,并将最新一次膨胀后连通域记为目标膨胀后连通域;进而获取所有目标膨胀后连通域。
至此,通过上述方法得到目标膨胀后连通域。
步骤S003:根据每个待滤波像素点的窗口调整因子,获取每个待滤波像素点的搜索窗口大小。
具体的,将所有目标膨胀后连通域中所有像素点均记为待滤波像素点;对于任意一个待滤波像素点,将所述待滤波像素点与所属目标膨胀后连通域的中心像素点的欧式距离,作为所述待滤波像素点的边缘程度值。
需要说明的是,对于边缘程度值比较大的待滤波像素点,要将搜索窗口设定的小一点,避免边缘像素与邻域区域的像素进行融合,导致图像模糊或者失真;对于边缘程度值较小的待滤波像素点,要将搜索窗口设定的大一点,以获取较多的邻域信息,提高去噪的效果。
预设两个窗口参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,根据每个待滤波像素点的边缘程度值,获取每个待滤波像素点的窗口调整因子。
作为一种示例,获取每个待滤波像素点的窗口调整因子的计算方法为:
式中,表示任意一个待滤波像素点的窗口调整因子;/>表示待滤波像素点的边缘程度值;/>表示所有待滤波像素点的边缘程度值的最小值;/>为预设窗口参数;/>表示取绝对值;/>表示向上取整;/>表示预设的超参数,本实施预设/>,用于防止分母为0。
进一步的,对于任意一个待滤波像素点,若所述待滤波像素点的窗口调整因子为奇数,将与所述待滤波像素点的窗口调整因子的和,作为所述待滤波像素点的搜索窗口大小;若所述待滤波像素点的窗口调整因子为偶数,将/>与所述待滤波像素点的窗口调整因子的和,记为第一和值,将第一和值与1的差值,作为所述待滤波像素点的搜索窗口大小。
至此,通过上述方法得到每个待滤波像素点的搜索窗口大小。
步骤S004:通过滤波后的肝脏超声图像进行辅助定位。
预设一个邻域参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于任意一个待滤波像素点,将所述待滤波像素点的搜索窗口大小与邻域参数的差值,作为所述待滤波像素点的邻域窗口大小;根据搜索窗口大小与邻域窗口大小,利用非局部均值滤波算法对肝脏超声图像中每个待滤波像素点进行滤波,得到滤波后的肝脏超声图像。
其中,根据搜索窗口大小与邻域窗口大小进行滤波的过程是非局部均值滤波算法的公知内容,本实施例此处不作过多赘述。
进一步的,通过滤波后的肝脏超声图像辅助医生定位目标组织和结构。
至此,本实施例完成。
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 (10)
1.基于机器视觉的超声影像辅助定位方法,其特征在于,该方法包括以下步骤:
获取肝脏超声图像;对肝脏超声图像进行图像分割得到若干个连通域;
对每个连通域进行膨胀处理获取每个膨胀后连通域;获取每个膨胀后连通域的若干个灰度波动曲线;根据每个灰度波动曲线中像素点的灰度分布情况,获取每个灰度波动曲线的特征值;根据每个灰度波动曲线的特征值,获取每个膨胀后连通域的膨胀有效因子;根据膨胀有效因子获取所有目标膨胀后连通域;
将所有目标膨胀后连通域中所有像素点均记为待滤波像素点;获取每个待滤波像素点的边缘程度值;根据每个待滤波像素点的边缘程度值,获取每个待滤波像素点的窗口调整因子;根据窗口调整因子,获取每个待滤波像素点的搜索窗口大小;
根据搜索窗口大小获取每个待滤波像素点的邻域窗口大小;根据搜索窗口大小与邻域窗口大小,对肝脏超声图像中每个待滤波像素点进行滤波,得到滤波后的肝脏超声图像;通过滤波后的肝脏超声图像进行辅助定位。
2.根据权利要求1所述基于机器视觉的超声影像辅助定位方法,其特征在于,所述获取每个膨胀后连通域的若干个灰度波动曲线,包括的具体方法为:
对于任意一个连通域,对连通域进行形态学膨胀处理,得到膨胀后连通域,对膨胀后连通域和连通域进行边缘检测,分别得到膨胀后连通域的所有边缘像素点和连通域的所有边缘像素点,将膨胀后连通域的所有边缘像素点记为待组合像素点,将连通域的所有边缘像素点记为初始像素点;将每个待组合像素点与膨胀后连通域的中心像素点进行直线连接,获得若干个直线段,每个直线段经过一个初始像素点;
对于任意一个直线段,以直线段中每个像素点从左到右的排列序号为横轴,以像素点的灰度值为纵轴;将直线段中所有像素点输入二维坐标系中,获取若干数据点,根据所有数据点构建一条贝塞尔曲线,并记为灰度波动曲线。
3.根据权利要求2所述基于机器视觉的超声影像辅助定位方法,其特征在于,所述根据每个灰度波动曲线中像素点的灰度分布情况,获取每个灰度波动曲线的特征值,包括的具体方法为:
对于任意一个灰度波动曲线,将灰度波动曲线中初始像素点与待组合像素点之间的所有像素点组成的曲线段,记为灰度波动曲线的膨胀区域曲线段,将灰度波动曲线中初始像素点与中心像素点之间的所有像素点组成的曲线段,记为灰度波动曲线的初始连通域曲线段;获取每个灰度波动曲线的初始连通域曲线段和膨胀区域曲线段的所有子直线段;根据每个灰度波动曲线中膨胀区域曲线段和初始连通域曲线段的所有子直线段斜率,获取每个灰度波动曲线的特征值的计算方法为:
式中,表示任意一个灰度波动曲线的特征值;/>表示灰度波动曲线中膨胀区域曲线段内所有像素点的灰度值的均值;/>表示灰度波动曲线中初始连通域曲线段内所有像素点的灰度值的均值;/>表示灰度波动曲线中膨胀区域曲线段的所有子直线段斜率的最大值;/>表示灰度波动曲线中初始连通域曲线段的所有子直线段斜率的最大值;/>表示灰度波动曲线中膨胀区域曲线段的所有子直线段斜率绝对值的均值;/>表示灰度波动曲线中初始连通域曲线段的所有子直线段斜率绝对值的均值;/>表示取绝对值;/>表示预设的超参数。
4.根据权利要求3所述基于机器视觉的超声影像辅助定位方法,其特征在于,所述获取每个灰度波动曲线的初始连通域曲线段和膨胀区域曲线段的所有子直线段,包括的具体方法为:
对于任意一个灰度波动曲线,利用牛顿法获取灰度波动曲线的膨胀区域曲线段的所有极值点和灰度波动曲线的初始连通域曲线段的所有极值点,对于膨胀区域曲线段的任意两个相邻的极值点,将两个相邻的极值点进行连接,得到膨胀区域曲线段的一个子直线段,对于初始连通域曲线段的任意两个相邻的极值点,将两个相邻的极值点进行连接,得到初始连通域曲线段的一个子直线段。
5.根据权利要求1所述基于机器视觉的超声影像辅助定位方法,其特征在于,所述根据每个灰度波动曲线的特征值,获取每个膨胀后连通域的膨胀有效因子,包括的具体方法为:
利用孤立森林算法获取每个膨胀后连通域的每个灰度波动曲线的特征值的异常值,对于任意一个灰度波动曲线,若灰度波动曲线的特征值的异常值小于特征值,将灰度波动曲线记为异常灰度波动曲线;根据每个膨胀后连通域的灰度波动曲线的特征值和异常灰度波动曲线的数量,获取每个膨胀后连通域的膨胀有效度的计算方法为:
式中,表示任意一个膨胀后连通域的膨胀有效度;/>表示膨胀后连通域的所有灰度波动曲线总数量;/>表示膨胀后连通域的所有异常灰度波动曲线总数量;/>表示膨胀后连通域的第/>个灰度波动曲线的特征值;
获取所有膨胀后连通域的膨胀有效度,将所有膨胀有效度进行线性归一化后的每个膨胀有效度记为膨胀有效因子。
6.根据权利要求1所述基于机器视觉的超声影像辅助定位方法,其特征在于,所述根据膨胀有效因子获取所有目标膨胀后连通域,包括的具体方法为:
对于任意一个膨胀后连通域,若膨胀后连通域的膨胀有效因子大于有效参数,将膨胀后连通域进行形态学膨胀,获得第二次膨胀后连通域;若第二次膨胀后连通域的膨胀有效因子大于有效参数/>,将第二次膨胀后连通域行形态学膨胀,获得第三次膨胀后连通域;直至,最新一次膨胀后连通域的膨胀有效因子小于或等于有效参数/>,停止膨胀,并将最新一次膨胀后连通域记为目标膨胀后连通域。
7.根据权利要求1所述基于机器视觉的超声影像辅助定位方法,其特征在于,所述获取每个待滤波像素点的边缘程度值,包括的具体方法为:
对于任意一个待滤波像素点,将待滤波像素点与所属目标膨胀后连通域的中心像素点的欧式距离,作为待滤波像素点的边缘程度值。
8.根据权利要求1所述基于机器视觉的超声影像辅助定位方法,其特征在于,所述根据每个待滤波像素点的边缘程度值,获取每个待滤波像素点的窗口调整因子的具体公式为:
式中,表示任意一个待滤波像素点的窗口调整因子;/>表示待滤波像素点的边缘程度值;/>表示所有待滤波像素点的边缘程度值的最小值;/>为预设窗口参数;/>表示取绝对值;/>表示向上取整;/>表示预设的超参数。
9.根据权利要求8所述基于机器视觉的超声影像辅助定位方法,其特征在于,所述根据窗口调整因子,获取每个待滤波像素点的搜索窗口大小,包括的具体方法为:
对于任意一个待滤波像素点,若待滤波像素点的窗口调整因子为奇数,将与待滤波像素点的窗口调整因子的和,作为待滤波像素点的搜索窗口大小;若待滤波像素点的窗口调整因子为偶数,将/>与待滤波像素点的窗口调整因子的和,记为第一和值,将第一和值与1的差值,作为待滤波像素点的搜索窗口大小。
10.根据权利要求1所述基于机器视觉的超声影像辅助定位方法,其特征在于,所述根据搜索窗口大小获取每个待滤波像素点的邻域窗口大小,包括的具体方法为:
预设一个邻域参数,对于任意一个待滤波像素点,将待滤波像素点的搜索窗口大小与邻域参数/>的差值,作为待滤波像素点的邻域窗口大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410370986.5A CN117974652B (zh) | 2024-03-29 | 2024-03-29 | 基于机器视觉的超声影像辅助定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410370986.5A CN117974652B (zh) | 2024-03-29 | 2024-03-29 | 基于机器视觉的超声影像辅助定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974652A true CN117974652A (zh) | 2024-05-03 |
CN117974652B CN117974652B (zh) | 2024-06-14 |
Family
ID=90849981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410370986.5A Active CN117974652B (zh) | 2024-03-29 | 2024-03-29 | 基于机器视觉的超声影像辅助定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974652B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108292428A (zh) * | 2015-12-11 | 2018-07-17 | 上海联影医疗科技有限公司 | 图像重建的***和方法 |
CN109598680A (zh) * | 2018-10-19 | 2019-04-09 | 浙江工业大学 | 基于快速非局部均值和tv-l1模型的剪切波变换医学ct图像去噪方法 |
CN110033471A (zh) * | 2019-04-19 | 2019-07-19 | 福州大学 | 一种基于连通域分析和形态学操作的框线检测方法 |
US20190311530A1 (en) * | 2018-04-05 | 2019-10-10 | Canon Medical Systems Corporation | Imaging data processing apparatus and method |
CN113538502A (zh) * | 2021-01-13 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 图片裁剪方法、装置、电子设备及存储介质 |
CN115546232A (zh) * | 2022-10-12 | 2022-12-30 | 什维新智医疗科技(上海)有限公司 | 一种肝脏超声图像工作区域提取方法、***及电子设备 |
CN116385859A (zh) * | 2023-04-06 | 2023-07-04 | 杭州群核信息技术有限公司 | 图元识别方法、装置、计算机设备及其介质 |
CN117115075A (zh) * | 2023-04-12 | 2023-11-24 | 福州大学 | 融合多方向多元宇宙局部分割的金属表面锈斑检测方法 |
CN117422628A (zh) * | 2023-12-18 | 2024-01-19 | 三亚中心医院(海南省第三人民医院、三亚中心医院医疗集团总院) | 一种心脏血管超声检查数据优化增强方法 |
CN117649357A (zh) * | 2024-01-29 | 2024-03-05 | 深圳市恩普电子技术有限公司 | 一种基于图像增强的超声图像处理方法 |
CN117710399A (zh) * | 2024-02-06 | 2024-03-15 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
-
2024
- 2024-03-29 CN CN202410370986.5A patent/CN117974652B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108292428A (zh) * | 2015-12-11 | 2018-07-17 | 上海联影医疗科技有限公司 | 图像重建的***和方法 |
US20190311530A1 (en) * | 2018-04-05 | 2019-10-10 | Canon Medical Systems Corporation | Imaging data processing apparatus and method |
CN109598680A (zh) * | 2018-10-19 | 2019-04-09 | 浙江工业大学 | 基于快速非局部均值和tv-l1模型的剪切波变换医学ct图像去噪方法 |
CN110033471A (zh) * | 2019-04-19 | 2019-07-19 | 福州大学 | 一种基于连通域分析和形态学操作的框线检测方法 |
CN113538502A (zh) * | 2021-01-13 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 图片裁剪方法、装置、电子设备及存储介质 |
CN115546232A (zh) * | 2022-10-12 | 2022-12-30 | 什维新智医疗科技(上海)有限公司 | 一种肝脏超声图像工作区域提取方法、***及电子设备 |
CN116385859A (zh) * | 2023-04-06 | 2023-07-04 | 杭州群核信息技术有限公司 | 图元识别方法、装置、计算机设备及其介质 |
CN117115075A (zh) * | 2023-04-12 | 2023-11-24 | 福州大学 | 融合多方向多元宇宙局部分割的金属表面锈斑检测方法 |
CN117422628A (zh) * | 2023-12-18 | 2024-01-19 | 三亚中心医院(海南省第三人民医院、三亚中心医院医疗集团总院) | 一种心脏血管超声检查数据优化增强方法 |
CN117649357A (zh) * | 2024-01-29 | 2024-03-05 | 深圳市恩普电子技术有限公司 | 一种基于图像增强的超声图像处理方法 |
CN117710399A (zh) * | 2024-02-06 | 2024-03-15 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
Non-Patent Citations (2)
Title |
---|
YINGYUE ZHOU等: ""An iterative speckle filtering algorithm for ultrasound images based on bayesian nonlocal means filter model"", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》, 28 February 2019 (2019-02-28), pages 104 - 117 * |
曾顶等: ""基于融合距离的极化SAR图像非局部均值滤波"", 《***工程与电子技术》, 7 October 2023 (2023-10-07), pages 1 - 14 * |
Also Published As
Publication number | Publication date |
---|---|
CN117974652B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133959B (zh) | 一种快速的血管边界三维分割方法及*** | |
Manniesing et al. | Level set based cerebral vasculature segmentation and diameter quantification in CT angiography | |
US8682074B2 (en) | Method for checking the segmentation of a structure in image data | |
WO2022088581A1 (zh) | 图像检测模型的训练方法及相关装置、设备、存储介质 | |
CN114119549A (zh) | 一种多模态医学图像三维点云配准优化方法 | |
CN113421226B (zh) | 基于互信息的ct-dr多模态食管图像配准方法及*** | |
Xia et al. | A robust edge-preserving stereo matching method for laparoscopic images | |
CN108898578B (zh) | 一种医疗图像的处理方法、装置及计算机存储介质 | |
CN114693710A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
Lee et al. | Unsupervised segmentation of lung fields in chest radiographs using multiresolution fractal feature vector and deformable models | |
CN116258784A (zh) | Ct图像金属伪影校正和消融可视化方法及*** | |
CN112116623B (zh) | 图像分割方法及装置 | |
CN112651984A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
CN117974652B (zh) | 基于机器视觉的超声影像辅助定位方法 | |
CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
CN109919098B (zh) | 目标对象的识别方法和装置 | |
Szmul et al. | Supervoxels for graph cuts-based deformable image registration using guided image filtering | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN116934885A (zh) | 肺部分割方法、装置、电子设备及存储介质 | |
CN112258533B (zh) | 一种超声图像中小脑蚓部的分割方法 | |
CN116912098A (zh) | 用于介入手术医学影像处理方法、***、装置及存储介质 | |
CN112767332B (zh) | 一种基于cta影像的血管区域判断方法及*** | |
CN117078711A (zh) | 医学图像分割方法、***、电子设备和存储介质 | |
CN114792296A (zh) | 一种核磁共振图像与超声图像融合方法与*** |
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 |