TWI501754B - 影像辨識方法及影像辨識系統 - Google Patents

影像辨識方法及影像辨識系統 Download PDF

Info

Publication number
TWI501754B
TWI501754B TW101138719A TW101138719A TWI501754B TW I501754 B TWI501754 B TW I501754B TW 101138719 A TW101138719 A TW 101138719A TW 101138719 A TW101138719 A TW 101138719A TW I501754 B TWI501754 B TW I501754B
Authority
TW
Taiwan
Prior art keywords
image
gradation
value
image recognition
recognition method
Prior art date
Application number
TW101138719A
Other languages
English (en)
Other versions
TW201416062A (zh
Inventor
Ching Wei Wang
Original Assignee
Univ Nat Taiwan Science Tech
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 Univ Nat Taiwan Science Tech filed Critical Univ Nat Taiwan Science Tech
Priority to TW101138719A priority Critical patent/TWI501754B/zh
Priority to CN201310079125.3A priority patent/CN103767728A/zh
Priority to US13/829,331 priority patent/US9020252B2/en
Publication of TW201416062A publication Critical patent/TW201416062A/zh
Application granted granted Critical
Publication of TWI501754B publication Critical patent/TWI501754B/zh

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • 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
    • G06T2207/30044—Fetus; Embryo

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Gynecology & Obstetrics (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pregnancy & Childbirth (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Description

影像辨識方法及影像辨識系統
本發明係關於一種影像辨識方法及影像辨識系統，尤其是超音波影像自動化辨識、分析、量測方法及系統，其中超音波影像包含胎兒超音波影像；具體而言，本發明係關於一種可分析影像、提高辨識效率及能夠自動化量測之影像辨識、分析、量測方法及影像辨識、分析、量測系統。
由於超音波檢測具有即時、低成本、容易使用及非侵入性等優點，普遍應用於生醫領域，尤其是應用在偵測孕婦子宮內胎兒的成長狀況。一般而言，醫師係使用超音波檢測器偵測胎兒的超音波動態影像，並嘗試捕捉最佳角度以擷取即時影像。在實際應用中，超音波檢測器包含影像辨識系統，且影像辨識系統能夠讀取擷取後即時影像的內容且提供數個影像分析工具。然而，上述影像分析工具需由使用者手動控制以判讀影像內容，且需手動量測影像內容。
舉例而論，醫師需目視搜尋目標影像，其中目標影像包含頭顱、股骨或其他器官。需說明的是，若目標影像過於模糊，則目視搜尋的方法容易產生誤差，難以判斷目標影像的正確位置，進而影響目標影像之判讀結果。
此外，當醫師藉由影像分析工具量測目標影像時，係採用手動拖曳尺規的方式進行量測目標影像之長度。值得注意的是，此 方法容易費時，無法有效提供較佳的醫療品質。除此之外，若目標影像之判讀結果誤差過大，更影響後續量測尺寸的結果。綜合上述諸多因素，傳統式的影像辨識系統仍存在許多缺點。
有鑑於上述先前技術的問題，本發明提出一種可分析影像並提高辨識效率的影像辨識方法及影像辨識系統，用以辨識、分析及量測影像，尤其用以分析超音波影像。
於一方面，本發明提供一種具有統計色階分佈資訊函數之影像辨識方法，以提高影像辨識效率。
於一方面，本發明提供一種使用向量分析物件邊緣之影像辨識方法，以偵測目標結構影像。
於一方面，本發明提供一種判斷目標影像尺寸之影像量測方法，並能將量測結果自動轉換為尺寸(由像素單位轉換為尺寸單位)，以提升影像量測效率。
於一方面，本發明提供一種可自動化辨識並快速量測之影像辨識系統，以提高影像分析之準確度。
於另一方面，本發明提供一種影像辨識可讀媒體，其中影像辨識可讀媒體儲存影像辨識方法或影像辨識系統，具有辨識影像及量測影像內容之功效。
本發明之一方面提供一種影像辨識方法，應用於影像，其中影像包含複數個像素單元，影像辨識方法包含下列步驟：(a)以濾波運算子調整影像以減少雜訊並均勻化(同質化)相同物件 結構之像素表現；(b)藉由統計色階分佈資訊函數分析影像並根據統計色階分佈資訊函數之最大資訊亂度狀態將該等像素單元分類為疑似前景像素單元與背景像素單元；以及(c)於疑似前景像素單元中以形狀輪廓設定值搜尋並辨識一目標結構影像。在實際情況中，該目標結構影像可以是組織影像、構造影像或器官結構影像，但不以此為限。
本發明之另一方面提供一種影像辨識方法，應用於影像，包含下列步驟：(a)以邊緣運算子偵測該影像中之向性邊緣；(b)強化向性邊緣；(c)反轉色階；以及(d)以形狀輪廓設定值搜尋目標結構影像，其中形狀輪廓設定值對應相連結構。在一實施例中，向性邊緣係指水平方向邊緣，但不以此例為限。
本發明之一方面提供一種影像辨識系統，用以辨識影像，其中影像包含複數個像素單元，且影像辨識系統包含影像處理模組、分析模組及辨識模組。影像處理模組具有濾波運算子，其中濾波運算子調整影像以減少雜訊並均勻化(同質化)相同物件結構之像素表現。分析模組連接於影像處理模組並內存第一運算模式，其中第一運算模式具有統計色階分佈資訊函數，且分析模組於第一運算模式中藉由統計色階分佈資訊函數分析影像並根據最大資訊亂度狀態，將該等像素單元分類為疑似前景像素單元與背景像素單元。此外，影像辨識系統依據物件的型態和分佈特性，選擇最佳物件做為目標物件。
相較於先前技術，根據本發明之影像辨識方法及影像辨識系統係利用統計色階分佈資訊函數以定義像素單元，進而辨識目標物件影像結構，以達到提升影像辨識度之功效。此外，影 像辨識方法可透過邊緣運算子分析影像，並使用形狀輪廓設定值辨識目標結構影像。在實際應用中，影像辨識系統更具有量測影像之功能，且平均約2.28秒完成分析、辨識及量測。
關於本發明之優點與精神可以藉由以下的發明詳述及所附圖式得到進一步的瞭解。
根據本發明之一具體實施例係為一種影像辨識方法，應用於影像。在此方法中，該影像可以為超音波影像，但不以胎兒超音波為限。
請參照圖1，圖1係為本發明之影像辨識方法之實施例流程圖。如圖1所示，該影像辨識方法首先執行步驟S100，以濾波運算子調整影像以減少雜訊並均勻化(同質化)相同物件結構之像素表現。在實際情況中，影像包含複數個像素單元，其中像素單元係為影像中呈矩陣陣列排列的像素點。在原始影像中，該等像素單元中之色塊變異性極大，故以濾波運算子降低影像的變異性及將影像銳利化或平滑化，以簡化影像的結構資訊。在實際應用中，濾波運算子可以是影像運算矩陣，可調整各像素單元之色塊，但不以此為限。換言之，濾波運算子可減少影像中不必要的雜訊，係為影像辨識的前置處理。
接著，影像辨識方法執行步驟S200，藉由統計色階分佈資訊函數分析影像，並根據統計色階分佈資訊函數之最大資訊亂度狀態將該等像素單元分類為疑似前景像素單元與背景像 素單元。需說明的是，統計色階分佈資訊函數係為一種影像分析工具，能夠大幅過濾影像，達到影像辨識之功效。至於統計色階分佈資訊函數及最大亂度狀態之詳細實施方法，將於本文之另一實施例中說明。
然後，影像辨識方法執行步驟S300，於疑似前景像素單元中以形狀輪廓設定值搜尋並辨識目標結構影像。需說明的是，目標結構影像包含頭骨(skull)、股骨(femur)或其他器官之影像，且各器官具有相對應之形狀輪廓設定值。舉例而言，股骨的輪廓具有長形結構，而頭骨具有類似圓形的結構，其中股骨跟頭骨分別具有對應之股骨輪廓設定值及頭骨輪廓設定值，使得該影像辨識方法根據股骨輪廓設定值或頭骨輪廓設定值以辨識股骨目標影像或頭骨目標影像。此外，在此流程中，可透過股骨長形結構的兩端具有圓形結構定義形狀輪廓設定值，進而辨識目標結構影像。
以股骨目標影像為例，請參照圖2A~圖2C，其中圖2A係為本發明之原始影像示意圖；圖2B係為本發明之統計色階分佈資訊函數處理後之影像示意圖；圖2C係為本發明之辨識目標結構影像之影像示意圖。在實際情況中，使用者可透過超音波偵測裝置擷取超音波影像，圖2A係揭示超音波影像之原始影像。值得注意的是，經影像辨識方法執行步驟S100及S200後，圖2B所示之影像具有清楚的股骨輪廓及其他類似輪廓。此外，經影像辨識方法執行步驟S300後，可辨識出如圖2C中之股骨目標影像。
除圖1之影像辨識方法外，本發明更藉由數個步驟詳細說明統計色階分佈資訊函數之分析方法。請參照圖3，圖3係為本發 明之影像辨識方法之另一實施例流程圖。如圖3所示，影像辨識方法於步驟S100後執行步驟S201，標準化影像以擷取該等像素單元之複數個色階值及各色階值之顯像頻率。具體而論，色階值之範圍為0~2 c -1，其中色階值為0對應之顏色為黑色，且色階值為2 c -1對應之顏色為白色。c係為位元數值(bit number)，用以編碼影像像素表現。舉例而言，8bits超音波影像，其中c=8；16bits超音波影像，其中c=16。在此步驟中，影像辨識方法擷取各像素單元之色階值，且各色階值之顯像頻率係為各色階值出現的頻率。
接著，影像辨識方法執行步驟S203，產生對應顯像頻率之顯像機率。需說明的是，在步驟S201中，該方法取得各色階值之顯像頻率，則步驟S203產生各色階值出現之機率，即為顯像頻率。
然後，影像辨識方法執行步驟S205，於統計色階分佈資訊函數輸入該等色階值及對應該等色階值之顯像機率。在此方法中，統計色階分佈資訊函數係為亂度資訊函數(entropy information theory)，但不以此為限。進一步而論，影像辨識方法係使用亂度資訊函數判斷可用的像素單元，進而辨識目標結構影像。
舉例而論，影像辨識方法執行標準化影像後，可得到顯像頻率P及其範圍p 0 ~，其中色階值j範圍係為0到2 c -1，且影像熵值(image entropy)H(P)可由以下方程式[1]~[4]求得： ；以及 其中色階值j{0...2 c -1}，A{0...j}，B{2 c -1...j}。
接著，影像辨識方法執行步驟S207，產生最大資訊亂度狀態時，決定對應最大資訊亂度狀態之色階值為色階分界值。在本方法中，當統計色階分佈資訊函數產生最大資訊亂度狀態時，則決定對應最大資訊亂度狀態之色階值為色階分界值。需說明的是，色階分界值係為疑似前景像素單元及背景像素單元的分類色階界值。進一步而論，影像辨識方法係透過方程式[1]-[4]計算出可區分疑似前景與背景之色階分界值，進而選定所需的疑似前景像素單元。
影像辨識方法執行步驟S209，轉換大於或等於色階分界值之該等色階值為色階極大值並轉換小於色階分界值之該等色階值為色階極小值以二值化分類疑似前景像素單元及背景像素單元。需說明的是，色階極大值係為2 c -1，對應顏色為白色；色階極小值係為0，對應顏色為黑色。舉例而言，如圖2A及圖2B所示，其中大於或等於色階分界值之色階值被轉換為白 色，且小於截止色階值之色階值被轉換為黑色。此外，若為8bits影像，則c為8，且色階極大值為255。
接著，影像辨識方法執行步驟S211，定義對應色階極大值之該等像素單元為疑似前景像素單元。本方法透過定義上述該等像素單元為疑似前景像素單元，進而執行進階影像辨識之動作。此外，如前所述，本方法透過步驟S300以於選取之該等像素單元中辨識目標結構影像。需說明的是，本發明之影像辨識方法係透過亂度資訊函數選定色階分界值，以提高影像辨識之效率。
請參照圖4，圖4係為本發明之影像辨識方法之另一實施例流程圖。如圖4所示，影像辨識方法於步驟S300後更執行步驟S400，是否辨識目標結構影像。若該方法於步驟S300無法辨識目標結構影像，則執行步驟S600。在實際情況中，由於影像辨識方法可能於步驟100中過濾太多有效資訊，使得後續的影像辨識失效，故需要另一組辨識方法。換言之，若影像辨識方法於步驟S100~S400無法辨識目標結構影像，則執行步驟S600，以邊緣運算子偵測影像中之向性邊緣。需說明的是，向性邊緣可以是水平方向邊緣、垂直方向邊緣或斜向方向邊緣。在此實施例中，向性邊緣係為水平方向邊緣。值得注意的是，步驟S600並未使用如步驟S100中之濾波運算子進行前置影像處理，故能夠保留原始影像中之細節。換言之，該等步驟S600~S900係針對原始影像之該等像素單元之各色階值直接進行計算，具有高度的辨識結果。
此外，上述邊緣運算子可以係為矩陣運算子，尤其是旋積 運算子(convolution operator)。舉例而言，以股骨(femur)目標影像為例，其對應之邊緣運算子與原始影像之關係式為：
其中I為處理後之影像，Is 為原始影像，且矩陣運算子為邊緣運算子。在此流程中，由於影像中之股骨結構具有水平方向性，而上述邊緣運算子係用以偵測水平方向的邊緣以偵測股骨之位置。
接著，影像辨識方法執行步驟S700，強化向性邊緣。請參照圖5A及圖5B，其中圖5A係為本發明之原始影像示意圖，且圖5B係為本發明之強化向性邊緣後之影像示意圖。如圖5A及圖5B所示，圖5B中之向性邊緣的輪廓明顯地銳利化。
此外，影像辨識方法執行步驟S800，反轉色階；以及步驟S900，以形狀輪廓設定值搜尋目標結構影像，其中形狀輪廓設定值對應相連結構。請參照圖5C，圖5C係為本發明之辨識目標結構影像之影像示意圖。在此流程中，目標結構影像係為股骨，但不以此為限。如圖5B及圖5C所示，圖5B中之股骨結構係為黑色連續長形物體，經反轉色階後，圖5C之股骨結構係為白色連續長形物體。需說明的是，圖5C中之股骨目標影像係透過形狀輪廓設定值搜尋後之結果。至於步驟S900中之形狀輪廓設定值及其搜尋方法，與步驟S300相同，在此不加以贅述。
除圖4之影像辨識方法外，本發明更藉由數個步驟詳細說明邊緣偵測之分析方法。請參照圖6A及圖6B，圖6A及圖6B係為本發明之影像辨識方法之另一實施例流程圖。如圖6A及圖6B所示，影像辨識方法於步驟S600後執行步驟S701，伸張向性邊緣以強化向性邊緣。
在步驟S600中，可透過以下方程式[5]~[7]強化向性邊緣：
其中Gx 係為橫向運算子，Gy 係為縱向運算子，且步驟S701藉由上述運算子強化影像中之向性邊緣，可提高影像中之向性邊緣結構的銳利度及對比程度。需說明的是，圖5A中股骨結構的色階與圖5B不同，故需執行步驟S801A及步驟S801B。值得注意的是，影像包含該等像素單元，各像素單元具有色階值，且該等色階值係介於色階極大值與色階極小值之間。
在此流程中，影像辨識方法執行步驟S801A，若色階值較接近色階極大值，轉換色階值為色階極小值；以及步驟S801B，若色階值較接近色階極小值，轉換色階值為色階極大值。如前所述，色階極大值係為2 c -1，對應顏色為白色；色 階極小值係為0，對應顏色為黑色。換言之，若原色階值較接近白色，則轉換為黑色；若原色階值較接近黑色，則轉換為白色。如圖5B及圖5C所示，轉換色階並辨識目標結構影像後，影像辨識方法能夠得到精確的結果。相對於圖1及圖3之影像辨識方法，圖4及圖6A及圖6B之影像辨識方法係能夠提高目標結構影像的辨識度，進而達到提高影像辨識效率之功效。
需說明的是，在其他流程中，影像辨識方法可省略步驟S100~步驟S400，而僅執行圖4中之步驟S600~步驟S900或執行圖6A及圖6B中之步驟S600~步驟S900。舉例而言，請參照圖7，圖7係為本發明之影像辨識方法之實施例流程圖。如圖7所示，影像辨識方法僅具有如圖4中之步驟S600~步驟S900。換句話說，影像辨識方法可單一使用邊緣運算方法進行影像偵測，而不使用統計色階分佈資訊函數的分析方法，並無特定之限制。
除此之外，本發明更提供進階實施例流程圖以說明影像辨識方法具有提升量測效率之功效。請參照圖8A及圖8B，圖8A及圖8B係為本發明之影像辨識方法之另一實施例流程圖。如圖8A及圖8B所示，相對於圖4之流程圖，圖8A及圖8B於執行步驟S400或步驟S900後更執行步驟S1000，擷取目標結構影像之相對之第一頂點座標及第二頂點座標。以股骨目標影像為例，第一頂點座標及第二頂點座標係為股骨結構相對兩端之座標。
接著，影像辨識方法執行步驟S1001，根據第一頂點座標及第二頂點座標量測目標結構影像之長度。舉例而言，可透過 點座標與另一點座標之距離計算方法計算第一頂點座標與第二頂點座標之距離，進而得到目標結構影像之長度。具體而論，圖8A及圖8B所示之影像辨識方法具有量測目標結構影像尺寸之功效。此外，步驟S1000及步驟S1001可依照實際需求於圖1、圖3、圖6A及圖6B或圖7執行，使得上述影像辨識方法更具有量測之功效。具體而論，步驟S1000及步驟S1001可於圖1之步驟S300後、圖3之步驟S300後、圖6A及圖6B之步驟S400或步驟S900後、或圖7之步驟S900後執行，並無特定之限制。
需說明的是，除了圖8A及圖8B之影像辨識方法藉由頂點座標之計算方法取得目標結構影像之長度，本發明更提供另一種影像辨識方法以說明其他量測方法。請參照圖9A及圖9B，圖9A及圖9B係為本發明之影像辨識方法之另一實施例流程圖。如圖9A及圖9B所示，步驟S2000，以矩形圖框套合並切齊目標結構影像之邊緣。舉例而言，可如圖10A及圖10B所示，其中圖10A及圖10B分別係為本發明之影像辨識方法使用矩形圖框量測之實施例示意圖。如圖10A所示，矩形圖框10A套合並切齊股骨目標影像20A之邊緣。在另一實施例中，如圖10B所示，矩形圖框10B套合並切齊股骨目標影像20B之邊緣。
接著，影像辨識方法更執行步驟S2001，根據矩形圖框之長寬比例，決定矩形圖框之對角距離或長邊距離為目標結構影像之長度。舉例而言，可如圖10A所示，矩形圖框10A之長寬具有狹長形狀，則決定矩形圖框10A之長邊距離200A為股 骨目標影像20A之長度。此外，可如圖10B所示，矩形圖框10B之長寬並非具有狹長形狀，則決定矩形圖框10B之對角距離200B為股骨目標影像20B之長度。
相對於圖8A及圖8B之步驟S1000~步驟S1001，圖9A及圖9B之步驟S2000~步驟S2001係使用矩形圖框量測目標結構影像之長度，更達到簡化量測方法並能提高量測效率之功效。在實際情況中，圖9A及圖9B之影像辨識方法平均約2.28秒可完成步驟S100~步驟2001，但不以此為限。此外，步驟S2000及步驟S2001可依照實際需求於圖1、圖3、圖6A及圖6B或圖7執行，使得上述影像辨識方法更具有量測之功效。具體而論，步驟S2000及步驟S2001可於圖1之步驟S300後、圖3之步驟S300後、圖6A及圖6B之步驟S400或步驟S900後、或圖7之步驟S900後執行，並無特定之限制。
根據本發明之一具體實施例係為一種影像辨識系統用以辨識影像，其中影像包含複數個像素單元。在此實施例中，該影像可以係為超音波影像，其中超音波影像包含胎兒超音波影像，但不以此為限。
請參照圖11，圖11係為本發明之影像辨識系統之實施例示意圖。在實際應用中，影像辨識系統1可設置於動態影像讀取裝置2中或連接於動態影像讀取裝置2，其中動態影像讀取裝置2可以是超音波影像讀取裝置，但不以此為限。在此實施例中，影像辨識系統1係設置於動態影像讀取裝置2，且動態影像讀取裝置2傳送影像至影像辨識系統1；或影像辨識系統1傳送指令至動態影像讀取裝置2，使得動態影像 讀取裝置2傳送影像至影像辨識系統1。
如圖11所示，影像辨識系統1包含影像處理模組30、分析模組40及辨識模組50。影像處理模組30具有濾波運算子，其中濾波運算子調整影像以減少雜訊並均勻化相同物件結構之像素表現。
分析模組40連接於影像處理模組30並內存第一運算模式，其中第一運算模式具有統計色階分佈資訊函數，且分析模組40於第一運算模式中藉由統計色階分佈資訊函數分析影像並根據最大資訊亂度狀態將該等像素單元分類為疑似前景像素單元與背景像素單元。辨識模組50連接於分析模組40並內存至少一形狀輪廓設定值，其中辨識模組50於疑似前景像素單元中以至少一形狀輪廓設定值搜尋並辨識目標結構影像。
需說明的是，於第一運算模式中，分析模組40標準化影像以擷取該等像素單元之複數個色階值及各色階值之顯像頻率並產生對應顯像頻率之顯像機率。在實際情況中，影像包含該等像素單元，其中像素單元係為影像中呈矩陣陣列排列的像素點。在原始影像中，該等像素單元中之色塊變異性極大，故影像處理模組30以濾波運算子降低影像的變異性及將影像銳利化或平滑化，以簡化影像的結構資訊。在實際應用中，濾波運算子可以是影像運算矩陣，可調整各像素單元之色塊，但不以此為限。換言之，濾波運算子可減少影像中不必要的雜訊，係為影像辨識的前置處理。
在此實施例中，影像處理模組30傳送處理後之影像至分析模組40，且分析模組40標準化影像以擷取該等像素單元之 複數個色階值及各色階值之顯像頻率。具體而論，色階值之範圍為0~2 c -1，其中色階值為0對應之顏色為黑色，且色階值為2 c -1對應之顏色為白色。在此實施例中，影像辨識系統1使用分析模組40擷取各像素單元之色階值，且各色階值之顯像頻率係為各色階值出現的頻率。此外，若為8bits影像，則c為8，且色階極大值為255。
此外，分析模組根據該等顯像頻率產生對應顯像頻率之顯像機率，其中各色階值出現之機率，即為顯像頻率。在實際情況中，分析模組40將該等色階值及對應該等色階值之顯像機率輸入於統計色階分佈資訊函數。在此實施例中，統計色階分佈資訊函數係為亂度資訊函數(entropy information theory)，但不以此為限。進一步而論，影像辨識系統1係使用亂度資訊函數判斷可用的像素單元，進而辨識目標結構影像。
舉例而論，分析模組40標準化影像後，可得到顯像頻率P及其範圍p 0 ~，其中色階值j範圍係為2 c -1，c係為8，且影像熵值(image entropy)H(P)可透過上述影像辨識方法中之方程式[1]~[4]求得。值得注意的是，當統計色階分佈資訊函數根據該等色階值及對應該等色階值之顯像機率產生最大資訊亂度狀態時，分析模組40決定對應最大資訊亂度狀態之色階值為色階分界值。在本實施例中，當統計色階分佈資訊函數產生最大資訊亂度狀態時，亦即亂度資訊函數發生最大亂度，則決定對應最大資訊亂度狀態之色階值為色階分界值。進一步而論，分析模組40係透過方程式[1]-[4]計算出可區分疑似前景與背景之色階分界值，進而選定所需疑似前景像素單元。
需說明的是，分析模組40轉換大於或等於色階分界值之該等色階值為色階極大值並轉換小於色階分界值之該等色階值為色階極小值。需說明的是，當c係為8，則色階極大值係為255，對應顏色為白色；色階極小值係為0，對應顏色為黑色。舉例而言，如圖2A及圖2B所示，其中大於或等於色階分界值之色階值被轉換為白色，且小於截色階分界值之色階值被轉換為黑色。
此外，辨識模組50選取對應色階極大值之該等像素單元，進而辨識目標結構影像。需說明的是，目標結構影像包含頭骨(skull)、股骨(femur)或其他器官之影像，且各器官具有相對應之形狀輪廓設定值。舉例而言，股骨的輪廓具有長形結構，而頭骨具有類似圓形的結構，其中股骨跟頭骨分別具有對應之股骨輪廓設定值及頭骨輪廓設定值，使得該影像辨識方法根據股骨輪廓設定值或頭骨輪廓設定值以辨識股骨目標影像或頭骨目標影像。此外，在此實施例中，可透過股骨長形結構的兩端具有圓形結構定義輪廓設定值，進而辨識目標結構影像。
以股骨目標影像為例，請參照圖2A~圖2C，其中圖2A係為本發明之原始影像示意圖；圖2B係為本發明之統計色階分佈資訊函數處理後之影像示意圖；圖2C係為本發明之辨識目標結構影像之影像示意圖。在實際情況中，使用者可透過動態影像讀取裝置2擷取超音波影像，且圖2A係揭示超音波影像之原始影像。值得注意的是，經分析模組40使用統計色階分佈資訊函數分析影像後，圖2B所示之影像具有清楚的股骨輪廓及其他類似輪廓。此外，辨識模組50以形狀輪廓設定值辨識影像後，可辨 識出如圖2C中之股骨目標影像。
在此實施例中，分析模組40更內存第二運算模式，且第二運算模式具有邊緣運算子。在實際情況中，當分析模組40於第一運算模式中無法辨識目標結構影像，則分析模組40進行第二運算模式中藉由邊緣運算子偵測影像中之向性邊緣，且分析模組40反轉該等像素單元之色階並以輪廓設定值搜尋目標結構影像。需說明的是，向性邊緣可以是水平方向邊緣、垂直方向邊緣或斜向方向邊緣。在此實施例中，向性邊緣係為水平方向邊緣。在實際情況中，由於影像處理模組可能過濾太多有效資訊，使得辨識模組50無法辨識目標結構影像，故需要於第二運算模式中重新辨識影像。當辨識模組50無法辨識目標結構影像，則分析模組40重新讀取原始影像，而非使用影像處理模組30處理後之影像，且分析模組40於第二運算模式中以邊緣運算子偵測該影像中之向性邊緣。
值得注意的是，於第二運算模式中，分析模組40係使用原始影像，故能夠保留原始影像中之細節。換言之，分析模組40係針對原始影像之該等像素單元之各色階值直接進行計算，具有高度的辨識結果。
此外，上述邊緣運算子可以係為矩陣運算子，尤其是旋積運算子(convolution operator)。至於旋積運算子與影像之關係式之說明，與影像辨識方法中之邊緣運算子相同，在此不加以贅述。
需說明的是，分析模組40偵測影像中之邊緣後，於第二運算模式中伸張向性邊緣以強化向性邊緣。如圖5A及圖5B所 示，圖5B中之向性邊緣的輪廓明顯地銳利化。
進一步而論，分析模組40係透過上述影像辨識方法中之上述方程式[5]~[7]強化邊緣，進而提高影像中之邊緣結構的銳利度及對比程度。至於詳細的強化邊緣方式，已經於前文說明，在此不加以贅述。
需說明的是，圖5A中股骨結構的色階與圖5B不同，需要轉換色階。值得注意的是，影像包含該等像素單元，各像素單元具有色階值，且該等色階值係介於色階極大值與色階極小值之間。在實際情況中，當分析模組40判斷色階值較接近色階極大值，則轉換色階值為色階極小值；當分析模組40判斷色階值較接近色階極小值，則轉換色階值為色階極大值。
如前所述，色階極大值係為255，對應顏色為白色；色階極小值係為0，對應顏色為黑色。換言之，若原色階值較接近白色，則轉換為黑色；若原色階值較接近黑色，則轉換為白色。
此外，辨識模組50以輪廓設定值搜尋該目標結構影像，其中形狀輪廓設定值對應相連結構。請參照圖5C，圖5C係為本發明之影像辨識方法之辨識目標結構影像之影像示意圖。在此流程中，目標結構影像係為股骨，但不以此為限。如圖5B及圖5C所示，圖5B中之股骨結構係為黑色，經反轉色階後，圖5C之股骨結構係為白色連續長形物體。需說明的是，圖5C中之股骨目標影像係透過形狀輪廓設定值搜尋後之結果。至於形狀輪廓設定值及其搜尋方法，如前所述，在此不加以贅述。如圖5B及圖5C所示，分析模組40轉換色階，且辨識模組50辨識目標結構影像後，影像辨識系統1能夠得到精確的結果。 相對於第一運算模式，第二運算模式係能夠提高目標結構影像的辨識度，進而達到提高影像辨識效率之功效。
如圖11所示，顯示裝置3連接於動態影像讀取裝置2及影像辨識系統1，其中顯示裝置3用以顯示動態影像讀取裝置2輸出之動態影像及影像辨識系統1輸出之該等影像。在實際應用中，使用者可透過顯示裝置3接收原始影像、分析後之影像及/或辨識後之影像，並無特定之限制。
請參照圖12，圖12係為本發明之影像辨識系統之另一實施例示意圖。相對於影像辨識系統1，圖12之影像辨識系統1A僅具有分析模組40及辨識模組50。換言之，影像辨識系統1A並非進行原始影像之前置處理，直接使用分析模組40分析原始影像，可於上述第二運算模式進行分析。
請參照圖13，圖13係為本發明之影像辨識系統之另一實施例示意圖。相對於影像辨識系統1，圖13之影像辨識系統1B更包含頂點量測模組610及圖框量測模組620。如圖13所示，頂點量測模組610連接於辨識模組50，其中頂點量測模組610擷取目標結構影像之相對之第一頂點座標及第二頂點座標並根據第一頂點座標及第二頂點座標量測目標結構影像之長度。具體而論，辨識模組50傳送目標結構影像至頂點量測模組610，且頂點量測模組610根據第一頂點座標及第二頂點座標量測目標結構影像之長度。以股骨目標影像為例，第一頂點座標及第二頂點座標係為股骨結構相對兩端之座標。
接著，頂點量測模組610根據第一頂點座標及第二頂點座標量測目標結構影像之長度。舉例而言，可透過點座標與另一 點座標之距離計算方法計算第一頂點座標與第二頂點座標之距離，進而得到目標結構影像之長度。具體而論，影像辨識系統1B具有量測目標結構影像尺寸之功效。
此外，圖框量測模組620連接於辨識模組50，其中圖框量測模組620以矩形圖框套合並切齊目標結構影像之邊緣並根據矩形圖框之長寬比例決定矩形圖框之對角距離或長邊距離為目標結構影像之長度。舉例而言，可如圖10A所示，矩形圖框10A套合並切齊股骨目標影像20A之邊緣；或如圖10B所示，矩形圖框10B套合並切齊股骨目標影像20B之邊緣。在實際情況中，圖框量測模組620根據矩形圖框之長寬比例，決定矩形圖框之對角距離或長邊距離為目標結構影像之長度。舉例而言，可如圖10A所示，矩形圖框10A之長寬具有狹長形狀，則決定矩形圖框10A之長邊距離200A為股骨目標影像20A之長度。此外，可如圖10B所示，矩形圖框10B之長寬並非具有狹長形狀，則決定矩形圖框10B之對角距離200B為股骨目標影像20B之長度。
相對於頂點量測模組610，圖框量測模組620係使用矩形圖框量測目標結構影像之長度，更達到簡化量測方法並能提高量測效率之功效。在實際情況中，影像辨識系統1B能夠平均約2.28秒完成原始影像之辨識及量測，但不以此為限。此外，請參照圖14，圖14係為本發明之影像辨識系統之另一實施例示意圖。相對於影像辨識模組1B，影像辨識模組1C僅使用分析模組40之第二運算模式分析影像並使用頂點量測模組610或圖框量測模組620量測目標結構影像，以達到辨識及量測之 功效。需說明的是，影像辨識系統1B及影像辨識系統1C量測目標結構影像之長度後，將長度資訊傳送至顯示裝置3，利於使用者觀看量測結果。
值得注意的是，本發明之影像辨識方法及影像辨識系統可實施為電腦程式產品之電腦可讀媒體。進一步而論，本發明提供一種影像辨識可讀媒體，其中影像辨識可讀媒體儲存影像辨識方法或影像辨識系統，且影像辨識可讀媒體具有辨識影像及量測影像內容之功效。
換句話說，影像辨識方法及影像辨識系統可以實施為各種形式，例如：硬體實施例、軟體實施例(包含韌體、常駐軟體或微程式碼等)。此外，影像辨識方法及影像辨識系統可以實施為軟體與硬體之實施例，例如：影像辨識電子模組、影像辨識嵌入式系統，但不以此為限。在實際應用中，本發明之影像辨識方法及影像辨識系統可透過有形之媒體形式實施為電腦程式產品，其中電腦程式產品具有複數個影像程式碼，且該等影像程式碼包含上述影像辨識方法或上述影像辨識系統。
一個或更多個電腦可使用或可讀取媒體的組合都可以利用。舉例來說，電腦可使用或可讀取媒體可以是(但並不限於)電子的、磁的、光學的、電磁的、紅外線的或半導體的系統、裝置、設備或傳播媒體。更具體的電腦可讀取媒體實施例可以包括下列所示(非限定的例示)：由一個或多個連接線所組成的電氣連接、可攜式的電腦磁片、硬碟機、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可抹除程式化唯讀記憶體(EPROM或快閃記憶體)、光纖、可攜式光碟片(CD-ROM)、光學儲存裝 置、傳輸媒體(例如網際網路(Internet)或內部網路(intranet)之基礎連接)、或磁儲存裝置。需注意的是，電腦可使用或可讀取媒體更可以為紙張或任何可用於將程式列印於其上而使得該程式可以再度被電子化之適當媒體，例如藉由光學掃描該紙張或其他媒體，然後再編譯、解譯或其他合適的必要處理方式，然後可再度被儲存於電腦記憶體中。在本文中，電腦可使用或可讀取媒體可以是任何用於保持、儲存、傳送、傳播或傳輸程式碼的媒體，以供與其相連接的指令執行系統、裝置或設備來處理。電腦可使用媒體可包括其中儲存有電腦可使用程式碼的傳播資料訊號，不論是以基頻(baseband)或是部分載波的型態。電腦可使用程式碼之傳輸可以使用任何適體的媒體，包括(但並不限於)無線、有線、光纖纜線、射頻(RF)等。
用於執行本發明操作的電腦程式碼可以使用一種或多種程式語言的組合來撰寫，包括物件導向程式語言(例如Java、Smalltalk、C++或其他類似者)以及傳統程序程式語言(例如C程式語言或其他類似的程式語言)。程式碼可以獨立軟體套件的形式完整的於使用者的電腦上執行或部分於使用者的電腦上執行，或部分於使用者電腦而部分於遠端電腦，或者全部於遠端電腦或伺服器上執行。在後面的情況，遠端電腦可以任何形式的網路連接至使用者的電腦，包括區域網路(LAN)或廣域網路(WAN)，或者也可利用外部電腦來做連結(例如利用網際網路服務提供者來連接至網際網路)。
本發明的相關敘述會參照依據本發明具體實施例之系統、裝置、方法及電腦程式產品之流程圖及/或方塊圖來進行 說明。當可理解每一個流程圖及/或方塊圖中的每一個方塊，以及流圖及/或方塊圖中方塊的任何組合，可以使用電腦程式指令來實施。這些電腦程式指令可供通用型電腦或特殊電腦的處理器或其他可程式化資料處理裝置所組成的機器來執行，而指令經由電腦或其他可程式化資料處理裝置處理以便實施流程圖及/或方塊圖中所說明之功能或操作。
這些電腦程式指令亦可被儲存在電腦可讀取媒體上，以便指示電腦或其他可程式化資料處理裝置來進行特定的功能，而這些儲存在電腦可讀取媒體上的指令構成一製成品，其內包括之指令可實施流程圖及/或方塊圖中所說明之功能或操作。
電腦程式指令亦可被載入到電腦上或其他可程式化資料處理裝置，以便於電腦或其他可程式化裝置上進行一系統操作步驟，而於該電腦或其他可程式化裝置上執行該指令時產生電腦實施程序以達成流程圖及/或方塊圖中所說明之功能或操作。
在圖式中顯示依據本發明各種實施例的系統、裝置、方法及電腦程式產品可實施的架構、功能及操作之流程圖及方塊圖。因此，流程圖或方塊圖中的每個方塊可表示一模組、區段、或部分的程式碼，其包含一個或多個可執行指令，以實施指定的邏輯功能。另當注意者，某些其他的實施例中，方塊所述的功能可以不依圖中所示之順序進行。舉例來說，兩個圖示相連接的方塊事實上亦可以同時執行，或依所牽涉到的功能在某些情況下亦可以依圖示相反的順序執行。此外亦需注意者，每個方塊圖及/或流程圖的方塊，以及方塊圖及/或流程圖中方塊之 組合，可藉由基於特殊目的硬體的系統來實施，或者藉由特殊目的硬體與電腦指令的組合，來執行特定的功能或操作。
相較於先前技術，根據本發明之影像辨識方法及影像辨識系統係利用統計色階分佈資訊函數以定義疑似前景像素單元，進而辨識目標結構影像，以達到提升影像辨識度之功效。此外，影像辨識方法可透過邊緣運算子分析影像，並使用形狀輪廓設定值辨識目標結構影像。在實際應用中，影像辨識系統更具有量測影像之功能，且平均約2.28秒完成分析、辨識及量測。
藉由以上較佳具體實施例之詳述，係希望能更加清楚描述本發明之特徵與精神，而並非以上述所揭露的較佳具體實施例來對本發明之範疇加以限制。相反地，其目的是希望能涵蓋各種改變及具相等性的安排於本發明所欲申請之專利範圍的範疇內。
1、1A、1B、1C‧‧‧影像辨識系統
2‧‧‧動態影像讀取裝置
3‧‧‧顯示裝置
10A‧‧‧矩形圖框
10B‧‧‧矩形圖框
20A‧‧‧股骨目標影像
20B‧‧‧股骨目標影像
30‧‧‧影像處理模組
40‧‧‧分析模組
50‧‧‧辨識模組
200A‧‧‧長邊距離
200B‧‧‧對角距離
610‧‧‧頂點量測模組
620‧‧‧圖框量測模組
步驟S100~步驟S2001
圖1係為本發明之影像辨識方法之實施例流程圖；圖2A係為本發明之原始影像示意圖；圖2B係為本發明之統計色階分佈資訊函數處理後之影像示意圖；圖2C係為本發明之辨識目標結構影像之影像示意圖；圖3係為本發明之影像辨識方法之另一實施例流程圖；圖4係為本發明之影像辨識方法之另一實施例流程圖；圖5A係為本發明之原始影像示意圖；圖5B係為本發明之強化向性邊緣後之影像示意圖；圖5C係為本發明之辨識目標結構影像之影像示意圖；圖6A及圖6B係為本發明之影像辨識方法之另一實施例流程圖；圖7係為本發明之影像辨識方法之實施例流程圖；圖8A及圖8B係為本發明之影像辨識方法之另一實施例流程圖；圖9A及圖9B係為本發明之影像辨識方法之另一實施例流程圖；圖10A係為本發明之影像辨識方法使用矩形圖框量測之實施例示意圖；圖10B係為本發明之影像辨識方法使用矩形圖框量測之實施例示意圖； 圖11係為本發明之影像辨識系統之實施例示意圖；圖12係為本發明之影像辨識系統之另一實施例示意圖；圖13係為本發明之影像辨識系統之另一實施例示意圖；以及圖14係為本發明之影像辨識系統之另一實施例示意圖。
步驟S100~步驟S900

Claims (23)

  1. 一種影像辨識方法，應用於一影像，包含下列步驟：(a)以一邊緣運算子偵測該影像中之一向性邊緣；(b)強化該影像中該向性邊緣；(c)反轉被強化後之該影像的色階；以及(d)以一形狀輪廓設定值於被反轉色階之該影像中搜尋一目標結構影像，其中該形狀輪廓設定值對應一相連結構。
  2. 如申請專利範圍第1項所述之影像辨識方法，於(b)步驟中包含：伸張該向性邊緣以強化該向性邊緣。
  3. 如申請專利範圍第1項所述之影像辨識方法，其中該影像包含複數個像素單元，各像素單元具有一色階值，且該等色階值係介於一色階極大值與一色階極小值之間，該影像辨識方法於(c)步驟中包含：若該色階值較接近該色階極大值，轉換該色階值為該色階極小值；以及若該色階值較接近該色階極小值，轉換該色階值為該色階極大值。
  4. 如申請專利範圍第1項所述之影像辨識方法，於(d)步驟後進一步包含：擷取該目標結構影像之相對之一第一頂點座標及一第二頂點座標；以及根據該第一頂點座標及該第二頂點座標量測該目標結構影像之一長度。
  5. 如申請專利範圍第1項所述之影像辨識方法，於(d)步驟後進一步包含：以一矩形圖框套合並切齊該目標結構影像之邊緣；以及根據該矩形圖框之長寬比例，決定該矩形圖框之一對角距離或一長邊距離為該目標結構影像之一長度。
  6. 一種影像辨識方法，應用於一影像，其中該影像包含複數個像素單元，該影像辨識方法包含下列步驟：(a)以一濾波運算子調整該影像以減少雜訊並均勻化相同物件結構之像素表現；(b)藉由一統計色階分佈資訊函數分析被調整過的該影像，並根據該統計色階分佈資訊函數之一最大資訊亂度狀態將該等像素單元分類為一疑似前景像素單元與一背景像素單元；以及(c)於該疑似前景像素單元中以一形狀輪廓設定值搜尋並辨識一目標結構影像。
  7. 如申請專利範圍第6項所述之影像辨識方法，其中於(b)步驟包含：標準化該影像以擷取該等像素單元之複數個色階值及各色階值之一顯像頻率；以及產生對應該顯像頻率之一顯像機率。
  8. 如申請專利範圍第7項所述之影像辨識方法，其中於(b)步驟包含：於該統計色階分佈資訊函數輸入該等色階值及對應該等色階值之該顯像機率； 產生該最大資訊亂度狀態時，決定對應該最大資訊亂度狀態之該色階值為一色階分界值；轉換大於或等於該色階分界值之該等色階值為一色階極大值並轉換小於該色階分界值之該等色階值為一色階極小值以二值化分類該疑似前景像素單元及該背景像素單元；以及定義對應該色階極大值之該等像素單元為該疑似前景像素單元。
  9. 如申請專利範圍第6項所述之影像辨識方法，其中該統計色階分佈資訊函數係為一亂度資訊函數。
  10. 如申請專利範圍第6項所述之影像辨識方法，其中(c)步驟後進一步包含：(d1)若無法辨識該目標結構影像，以一邊緣運算子偵測該影像中之向性邊緣；(d2)強化該影像中偵測到的向性邊緣；(d3)反轉被強化之該影像的色階；以及(d4)以一形狀輪廓設定值於被反轉色階之該影像中搜尋該目標結構影像，其中該形狀輪廓設定值對應一相連結構。
  11. 如申請專利範圍第10項所述之影像辨識方法，於(d2)步驟中包含：伸張該向性邊緣以強化該向性邊緣。
  12. 如申請專利範圍第10項所述之影像辨識方法，其中各像素單元具有一色階值，且該等色階值係介於一色階極大值與一色階極小值之間，該影像辨識方法於(d3)步驟中包含： 若該色階值較接近該色階極大值，轉換該色階值為該色階極小值；以及若該色階值較接近該色階極小值，轉換該色階值為該色階極大值。
  13. 如申請專利範圍第6或10項所述之影像辨識方法，於(c)步驟後或於(d4)步驟後進一步包含：擷取該目標結構影像之相對之一第一頂點座標及一第二頂點座標；以及根據該第一頂點座標及該第二頂點座標量測該目標結構影像之一長度。
  14. 如申請專利範圍第6或10項所述之影像辨識方法，於(c)步驟後或於(d4)步驟後進一步包含：以一矩形圖框套合並切齊該目標結構影像之邊緣；以及根據該矩形圖框之長寬比例，決定該矩形圖框之一對角距離或一長邊距離為該目標結構影像之一長度。
  15. 一種影像辨識系統，用以辨識一影像，其中該影像包含複數個像素單元，且該影像辨識系統包含：一影像處理模組，具有一濾波運算子，其中該濾波運算子調整該影像以減少雜訊並均勻化相同物件結構之像素表現；一分析模組，連接於該影像處理模組並內存一第一運算模式，其中該第一運算模式具有一統計色階分佈資訊函數，且該分析模組於該第一運算模式中藉由該統計色階 分佈資訊函數分析該影像並根據一最大資訊亂度狀態將該等像素單元分類為一疑似前景像素單元與一背景像素單元；以及一辨識模組，連接於該分析模組並內存至少一形狀輪廓設定值，其中該辨識模組於該疑似前景像素單元中以該至少一形狀輪廓設定值搜尋並辨識一目標結構影像，且該形狀輪廓設定值對應一相連結構。
  16. 如申請專利範圍第15項所述之影像辨識系統，其中於該第一運算模式中，該分析模組標準化該影像以擷取該等像素單元之複數個色階值及各色階值之一顯像頻率並產生對應該顯像頻率之一顯像機率。
  17. 如申請專利範圍第16項所述之影像辨識系統，其中該統計色階分佈資訊函數根據該等色階值及對應該等色階值之該顯像機率產生該最大資訊亂度狀態，且該分析模組決定對應該最大資訊亂度狀態之該色階值為一色階分界值並轉換大於或等於該色階分界值之該等色階值為一色階極大值，轉換小於該色階分界值之該等色階值為一色階極小值。
  18. 如申請專利範圍第15項所述之影像辨識系統，其中該統計色階分佈資訊函數係為一亂度資訊函數。
  19. 如申請專利範圍第15項所述之影像辨識系統，其中該分析模組更內存一第二運算模式，且該第二運算模式具有一邊緣運算子；當該分析模組於該第一運算模式中無法辨識該目標結構影像，則該分析模組於該第二運算模式中藉由該邊緣運算子偵測 該影像中之一向性邊緣，且該分析模組反轉該等像素單元之色階並以一形狀輪廓設定值搜尋該目標結構影像。
  20. 如申請專利範圍第19項所述之影像辨識系統，其中該分析模組於該第二運算模式中伸張該向性邊緣以強化該向性邊緣。
  21. 如申請專利範圍第19項所述之影像辨識系統，其中各像素單元具有一色階值，且該等色階值係介於一色階極大值與一色階極小值之間；當該分析模組判斷該色階值較接近該色階極大值，則轉換該色階值為該色階極小值；當該分析模組判斷該色階值較接近該色階極小值，則轉換該色階值為該色階極大值。
  22. 如申請專利範圍第15或19項所述之影像辨識系統，進一步包含：一頂點量測模組，連接於該辨識模組，其中該頂點量測模組擷取該目標結構影像之相對之一第一頂點座標及一第二頂點座標並根據該第一頂點座標及該第二頂點座標量測該目標結構影像之一長度。
  23. 如申請專利範圍第15或19項所述之影像辨識系統，進一步包含：一圖框量測模組，連接於該辨識模組，其中該圖框量測模組以一矩形圖框套合並切齊該目標結構影像之邊緣並根據該矩形圖框之長寬比例決定該矩形圖框之一對角距離或一長邊距離為該目標結構影像之一長度。
TW101138719A 2012-10-19 2012-10-19 影像辨識方法及影像辨識系統 TWI501754B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW101138719A TWI501754B (zh) 2012-10-19 2012-10-19 影像辨識方法及影像辨識系統
CN201310079125.3A CN103767728A (zh) 2012-10-19 2013-03-13 影像辨识方法及影像辨识***
US13/829,331 US9020252B2 (en) 2012-10-19 2013-03-14 Image recognition method and image recognition system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW101138719A TWI501754B (zh) 2012-10-19 2012-10-19 影像辨識方法及影像辨識系統

Publications (2)

Publication Number Publication Date
TW201416062A TW201416062A (zh) 2014-05-01
TWI501754B true TWI501754B (zh) 2015-10-01

Family

ID=50485392

Family Applications (1)

Application Number Title Priority Date Filing Date
TW101138719A TWI501754B (zh) 2012-10-19 2012-10-19 影像辨識方法及影像辨識系統

Country Status (3)

Country Link
US (1) US9020252B2 (zh)
CN (1) CN103767728A (zh)
TW (1) TWI501754B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI550268B (zh) * 2015-05-22 2016-09-21 Method of Improving Sensitivity of Quantitative Tissue Characteristic of Ultrasonic
JP6486493B2 (ja) * 2015-10-30 2019-03-20 株式会社日立製作所 超音波診断装置、及び方法
TWI582710B (zh) * 2015-11-18 2017-05-11 Bravo Ideas Digital Co Ltd The method of recognizing the object of moving image and the interactive film establishment method of automatically intercepting target image
KR101823208B1 (ko) * 2015-12-04 2018-01-29 엘지전자 주식회사 공기 조화기 및 그 제어방법
CN106910225B (zh) * 2015-12-23 2020-05-01 安克生医股份有限公司 超声波多普勒影像之分群、噪声抑制及可视化方法
US10382383B2 (en) 2017-07-28 2019-08-13 Upheaval LLC Social media post facilitation systems and methods
CN107741231B (zh) * 2017-10-11 2020-11-27 福州大学 一种基于机器视觉的多运动目标快速测距方法
TWI674557B (zh) 2018-07-31 2019-10-11 瑞昱半導體股份有限公司 影像處理裝置及其方法
US10777318B2 (en) * 2018-08-13 2020-09-15 Biosense Webster (Israel) Ltd. Physician related selective data compression
CN112241714B (zh) * 2020-10-22 2024-04-26 北京字跳网络技术有限公司 图像中指定区域的识别方法、装置、可读介质和电子设备
CN113076888B (zh) * 2021-04-09 2021-10-26 中国电子科技集团公司第二十八研究所 一种多尺度局部二值模型光电图像目标检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5605155A (en) * 1996-03-29 1997-02-25 University Of Washington Ultrasound system for automatically measuring fetal head size
US20060173317A1 (en) * 2005-01-12 2006-08-03 Medison Co., Ltd. Ultrasound diagnostic system for automatically detecting a boundary of a target object and method of using the same
WO2012090208A2 (en) * 2010-12-29 2012-07-05 Diacardio Ltd. Automatic left ventricular function evaluation

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3003261B2 (ja) * 1991-05-14 2000-01-24 富士ゼロックス株式会社 カラー画像認識装置
JP2000048184A (ja) * 1998-05-29 2000-02-18 Canon Inc 画像処理方法及び顔領域抽出方法とその装置
US6832824B1 (en) * 1998-10-30 2004-12-21 Hewlett-Packard Development Company, L.P. Color-calibration sensor system for incremental printing
CN100470581C (zh) * 2005-12-29 2009-03-18 电子科技大学 基于轮廓的车型识别方法
TWI419082B (zh) * 2010-12-20 2013-12-11 Ind Tech Res Inst 偵測視訊序列中的移動物體影像的方法以及影像處理系統
CN102135417B (zh) * 2010-12-26 2013-05-22 北京航空航天大学 一种全自动三维特征提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5605155A (en) * 1996-03-29 1997-02-25 University Of Washington Ultrasound system for automatically measuring fetal head size
US20060173317A1 (en) * 2005-01-12 2006-08-03 Medison Co., Ltd. Ultrasound diagnostic system for automatically detecting a boundary of a target object and method of using the same
WO2012090208A2 (en) * 2010-12-29 2012-07-05 Diacardio Ltd. Automatic left ventricular function evaluation

Also Published As

Publication number Publication date
US20140112578A1 (en) 2014-04-24
US9020252B2 (en) 2015-04-28
TW201416062A (zh) 2014-05-01
CN103767728A (zh) 2014-05-07

Similar Documents

Publication Publication Date Title
TWI501754B (zh) 影像辨識方法及影像辨識系統
CN107480677B (zh) 一种识别三维ct图像中感兴趣区域的方法及装置
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
CN111583320B (zh) 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、***及存储介质
CN102542564B (zh) 图像处理装置以及图像处理方法
CN110176010B (zh) 一种图像检测方法、装置、设备及存储介质
US20210393240A1 (en) Ultrasonic imaging method and device
CN109363697B (zh) 一种乳腺影像病灶识别的方法及装置
CN102860814B (zh) 一种oct合成眼底图视盘中心定位方法及设备
CN108765438A (zh) 一种肝脏边界的识别方法及***
CN111374708B (zh) 一种胎儿心率检测方法及超声成像装置、存储介质
CN108601509B (zh) 图像处理装置、图像处理方法以及记录有程序的介质
KR20150063995A (ko) 영상 처리 장치 및 방법
CN111257329A (zh) 一种智能手机摄像头缺陷检测方法以及检测***
CN114022554A (zh) 一种基于yolo的按摩机器人穴位检测与定位方法
WO2020215485A1 (zh) 胎儿生长参数测量方法、***及超声设备
CN113012127A (zh) 基于胸部医学影像的心胸比测量方法
JP2006230910A (ja) 画像処理装置及び画像処理方法
WO2019223121A1 (zh) 病变部位识别方法及装置、计算机装置及可读存储介质
CN107928707B (zh) 一种适用于便携式超声设备的面积快速测量方法及***
CN113793316B (zh) 一种超声扫查区域提取方法、装置、设备和存储介质
WO2021120059A1 (zh) 三维体数据的测量方法、测量***、医疗器械及存储介质
CN115813433A (zh) 基于二维超声成像的卵泡测量方法和超声成像***
CN113229850A (zh) 超声盆底成像方法和超声成像***
KR100825960B1 (ko) 두부계측 방사선사진 상에 계측점을 지정하는 방법

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees