CN111862096B - 图像分割方法、装置、电子设备及存储介质 - Google Patents
图像分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111862096B CN111862096B CN202011009316.9A CN202011009316A CN111862096B CN 111862096 B CN111862096 B CN 111862096B CN 202011009316 A CN202011009316 A CN 202011009316A CN 111862096 B CN111862096 B CN 111862096B
- Authority
- CN
- China
- Prior art keywords
- image
- target area
- segmentation
- template
- standard
- 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.)
- Active
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 230000008030 elimination Effects 0.000 claims abstract description 16
- 238000003379 elimination reaction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 51
- 238000005315 distribution function Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 238000010606 normalization Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Analysis (AREA)
Abstract
本发明涉及一种图像处理技术领域，揭露了一种图像分割方法，包括：获取原始图像，利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像；将所述目标区域图像与预设的模板图像进行直方图匹配，得标准图像；对所述标准图像进行噪声消除处理，得到降噪图像；利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。本发明还提出一种图像分割装置、电子设备以及存储介质。此外，本发明还涉及区块链技术，所述模板图像可存储于区块链中。本发明可以用于对医疗图像的分割。本发明可以提高图像分割的准确性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像分割方法、装置、电子设备及计算机可读存储介质。
背景技术
在数据爆炸式增长的现代社会，对于各种医疗图像的图像分割技术逐渐成为人们研究的热点，由于医疗图像采集的背景不同、扫描设备不同以及后处理技术不同均可能导致不同特点的图像呈现，比如不同来源X光胸片图像，对比度不同、亮度不同的图像等，这些影响差异显著，从而导致训练出来的图像分割模型的效果总是不尽人意。
针对上述问题，现有的图像分割技术通常会采用窗宽窗位法对图像进行归一化处理，然而，由于很多图像，尤其是医疗图像会存在窗宽窗位的缺失或者错误的情况，直接利用归一化方法去处理医疗图像效果并不明显，从而会导致根据这些医疗图像训练出的图像分割模型的准确性不高，进而会影响图像分割的准确性。
发明内容
本发明提供一种图像分割方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高图像分割的准确性。
为实现上述目的，本发明提供的一种图像分割方法，包括：
获取原始图像，利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像；
将所述目标区域图像与预设的模板图像进行直方图匹配，得标准图像；
对所述标准图像进行噪声消除处理，得到降噪图像；
利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。
可选地，所述利用训练完成的目标框检测模型所述原始图像进行目标区域检测，得到目标区域图像，包括：
利用所述目标框检测模型的卷积层对所述原始图像进行图像特征提取，得到特征图像；
利用所述目标框检测模型的批标准化层对所述特征图像集进行标准化，得到标准特征图像；
利用所述目标框检测模型的融合层将所述原始图像的底层特征与所述标准特征图像进行融合，得到目标特征图像；
利用所述目标框检测模型的激活函数输出所述目标特征图像的检测结果；
根据所述检测结果，选取目标区域图像，得到目标区域图像。
可选地，所述将所述目标区域图像与预设的模板图像进行直方图匹配，得到标准图像，包括：
对所述目标区域图像及模板图像分别进行直方图均衡化处理，得到目标区域均衡图像及模板均衡图像；
对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合，得到所述标准图像。
可选地，所述对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合，包括：
利用下述方法对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合：
其中，
表示标准图像，G表示目标区域图像与模板图像的平均图像灰度阶数，
表示目标区域均衡图像，
表示模板均衡图像。
可选地，所述对所述标准图像进行噪声消除处理，得到降噪图像，包括：
将所述标准图像划分为多个标准图像子块，并计算每一个标准图像子块的特征值；
根据所述特征值，识别出标准图像中的主维度特征值和冗余维度特征值；
计算所述冗余维度特征值的噪声方差，及计算所述主维度特征值和冗余维度特征值的平均噪声；
识别出所述平均噪声与所述噪声方差是否相等；
若所述平均噪声与所述噪声方差相等，则将所述标准图像作为降噪图像；
若所述平均噪声与所述噪声方差不相等，则删除相应的所述主维度特征值，直至所述平均噪声与所述噪声方差保持相等时，得到降噪图像。
可选地，所述利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果之前，还包括：
获取训练图像集，将所述训练图像集输入至预构建的图像分割模型进行迭代训练，得到迭代训练值；
计算所述迭代训练值与所述训练图像集中对应标签的损失函数值；
当所述损失函数值不小于预设差异阈值时，对所述预构建的图像分割模型的超参数进行更新，直至所述损失函数值小于预设差异阈值时，得到训练完成的图像分割模型
可选地，所述原始图像为胸部CT图像或X光图像。
为了解决上述问题，本发明还提供一种图像分割装置，所述装置包括：
检测模块，用于获取原始图像，利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像；
匹配模块，用于将所述目标区域图像与预设的模板图像进行直方图匹配，得标准图像；
降噪模块，用于对所述标准图像进行噪声消除处理，得到降噪图像；
分割模块，用于利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的图像分割方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的图像分割方法。
本发明实施例首先利用训练完成的目标框检测模型对获取的原始图像进行目标区域检测，得到目标区域图像，可以提取出所述原始图像中用户感兴趣的目标区域；其次，本发明实施例对所述目标区域图像进行直方图匹配以及噪声消除处理，得到降噪图像，使得图像既保留了原始图像中的图像信息又减少了因不同数据来源导致的有所差异的问题，同时，减少了图像中噪声对图像分割的准确性影响，进而提高了图像分割的准确性；进一步地，本发明实施例利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。因此，本发明提出的一种图像分割方法、装置、电子设备以及计算机可读存储介质可以提高图像分割的准确性。
附图说明
图1为本发明实施例提供的图像分割方法的流程示意图；
图2为本发明实施例中图1提供的图像分割方法中其中一个步骤的详细流程示意图；
图3为本发明实施例中图1提供的图像分割方法中另外一个步骤的详细流程示意图；
图4为本发明实施例中图1提供的图像分割方法中另外一个步骤的详细流程示意图；
图5为本发明实施例提供的图像分割装置的模块示意图；
图6为本发明实施例提供的实现图像分割方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种图像分割方法。所述图像分割方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述图像分割方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的图像分割方法的流程示意图。在本发明实施例中，所述图像分割方法包括：
S1、获取原始图像，利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像。
本发明较佳实施例中，所述原始图像指的是医学图像，其包括：胸部CT图像或X光图像等。优选地，本发明实施例通过医学图像采集设备采集所述原始图像，例如通过X射线设备采集人体胸部等部位的图像。以下实施例中，以所述原始图像为医学图像为示例，对本案实施方式进行说明。
应该了解，每个医学图像可能包含多个器官部位，例如人体胸部图像包括：肋骨、心脏以及肺野等，因此，本发明基于用户需求，提取出所述原始图像中用户感兴趣的目标区域，以更加准确的分割出目标区域中图像异常区域，从而可以更加准确的识别出目标区域中的病灶变化情况，帮助医生做出更好的医疗诊断。
本发明实施例中，利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像。
本发明实施例中，所述目标框检测模型包括YOLOv3网络。较佳地，本发明中所述目标框检测模型包括：卷积层、批标准化层、融合层及激活函数等。
详细地，参阅图2所示，所述利用训练完成的目标框检测模型所述原始图像进行目标区域检测，得到目标区域图像，包括：
S10、利用所述卷积层对所述原始图像进行图像特征提取，得到特征图像；
S11、利用所述批标准化层（Batch Normalization，BN）对所述特征图像集进行标准化操作，得到标准特征图像；
S12、利用所述融合层将所述原始图像的底层特征与所述标准特征图像进行融合，得到目标特征图像；
S13、利用所述激活函数输出所述目标特征图像的检测结果；
S14、根据所述检测结果，选取目标区域图像，得到目标区域图像。
所述卷积层对图像进行卷积操作，可以实现图像特征提取。本发明其中一个实施例中，所述图像特征提取可以是通过对输入图像的张量进行卷积操作实现。
所述批标准化层对提取的图像特征进行标准化，可以加速模型的收敛。
本发明其中一个实施例中，所述标准化操作可以表示为：
其中，
为批标准化后的标准特征图像集，
为特征图像，
为特征图像的均值，
为特征图像集的方差，
为无穷小的随机数。
所述融合层将图像的底层特征融合至提取的图像特征中，可以减小对不同增益引起的图像灰度变化影响。所述底层特征指的是所述原始图像的基本特征，例如、颜色、长度、宽度等等。较佳地，本发明实施例中所述融合通过所述融合层中的CSP（Cross-Stage-Partial-connections，跨阶段部分连接）模块实现。
本发明其中一个实施例中，所述激活函数包括：
其中，
表示激活后的目标特征图像，s表示目标特征图像。优选地，本发明较佳实施中，所述检测结果包括：x、y、高、宽以及类别等，其中，x、y表示目标特征图像的中心点，类别表示目标特征图像是否为目标区域，即类别0表示不是目标区域，类别1表示预测区域是目标区域，于是，本发明实施例选取类别为1的目标特征图像作为目标区域，从而生成所述目标区域图像。
S2、将所述目标区域图像与预设的模板图像进行直方图匹配，得到标准图像。
应该了解，图像的图像信息通过图像灰度值进行表示。为了减少因不同数据来源导致所述目标区域图像中图像灰度值有所差异的问题，本发明实施例中，利用预设的模板图像对所述目标区域图像进行直方图匹配，使得所述目标区域图像既保留了原始图像中的图像信息又减少了因不同数据来源导致的有所差异的问题，从而避免了目标区域图像出现图像窗位的缺失或者错误的情况，提高目标区域图像的分割准确性。其中，所述直方图匹配又称为直方图规定化，是指将一幅图像的直方图变成规定形状的直方图而进行的图像增强方法。
其中，所述模板图像指的是与所述目标区域图像相对应的一个标准图像，例如，所述目标区域图像为肺野图像，则模板图像为标准肺野图像。在本发明中，所述模板图像用于作为所述目标区域图像的标准参照，优选地，本发明中所述模板图像从区块链节点中获取。
详细地，参阅图3所示，所述将所述目标区域图像与预设的模板图像进行直方图匹配，得到标准图像，包括：
S20、对所述目标区域图像及模板图像分别进行直方图均衡化处理，得到目标区域均衡图像及模板均衡图像；
S21、对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合，得到所述标准图像。
本发明其中一个实施例中，利用下述方法对所述目标区域图像进行直方图均衡化处理：
其中，
表示目标区域均衡图像，r表示目标区域均衡图像的图像灰度阶数，
灰度概率密度函数。
一个优选实施例中，利用下述方法对所述模板图像进行直方图均衡化处理：
其中，
表示模板均衡图像，m表示模板均衡图像的图像灰度阶数，
灰度概率密度函数。
一个优选实施例中，利用下述方法执行所述目标区域均衡图像和所述模板均衡图像的直方图匹配：
其中，
表示标准图像，G表示目标区域图像与模板图像的平均图像灰度阶数，
表示目标区域均衡图像，
表示模板均衡图像。
S3、对所述标准图像进行噪声消除处理，得到降噪图像。
本发明较佳实施例中，通过对所述标准图像进行噪声消除处理，可以减少标准图像中噪声对图像分割的准确性影响。
详细地，参阅图4所示，所述S3包括：
S30、将所述标准图像划分为多个标准图像子块，计算每一个标准图像子块的特征值；
S31、根据所述特征值，识别出标准图像中的主维度特征值和冗余维度特征值；
S32、计算所述冗余维度特征值的噪声方差，及计算所述主维度特征值和冗余维度特征值的平均噪声；
S33、识别出所述平均噪声与所述噪声方差是否相等；
S34、若所述平均噪声与所述噪声方差相等，则表示所述标准图像中无噪声特征值，将所述标准图像作为降噪图像；
S35、若所述平均噪声与所述噪声方差不相等，则删除相应的所述主维度特征值，直至所述平均噪声与所述噪声方差保持相等时，得到降噪图像。
本发明其中一个实施例中，所述标准图像子块的特征值通过协方差矩阵计算得到。
本发明其中一个实施例中，将特征值数量最多的标准图像子块作为标准图像中的主维度，剩余的标准图像子块作为标准图像中的冗余维度。
本发明其中一个实施例中，所述噪声方差通过高斯分布函数计算得到，所述平均噪声通过均值函数计算得到。
S4、利用训练完成的的图像分割模型对所述降噪图像进行分割处理，得到分割结果。
本发明较佳实施例中，所述图像分割模型包括Res34-Unet网络。
进一步地，所述S4之前，包括：
获取训练图像集，将所述训练图像集输入至预构建的图像分割模型进行迭代训练，得到迭代训练值；
利用损失函数计算所述迭代训练值与所述训练图像集中对应标签的损失函数值；
当所述损失函数值不小于预设差异阈值时，利用梯度下降算法对所述预构建的图像分割模型的超参数进行更新，直至所述损失函数值小于预设差异阈值时，得到训练完成的图像分割模型。
本发明其中一个实施例中，所述损失函数包括：
其中，
表示损失函数值，
表示训练图像集中训练图像的数量， T表示训练图像集中训练图像的总像素值，
表示训练图像集中第
张训练图像的第j个像素的预测值，
表示训练图像集中第
张训练图像的第j个像素的分割金标准值。
本发明施例中，所述超参数包括：学习率衰减规律参数、优化方法选择参数、损失函数选取参数等，对所述超参数更新的目的在于选择一组合适的参数使图像分割模型的性能达到最优。
其中，所述梯度下降算法包括，但不限于：批量梯度下降算法、随机梯度下降算法、小批量梯度下降算法。较佳地，本发明实施例可以利用小批量梯度下降算法对所述超参数进行更新，通过所述小批量梯度下降算法可以减少超参数更新时的变化，能够提高超参数收敛时的稳定性。
进一步地，本发明实施例利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。
本发明实施例首先利用训练完成的目标框检测模型对获取的原始图像进行目标区域检测，得到目标区域图像，可以提取出所述原始图像中用户感兴趣的目标区域；其次，本发明实施例对所述目标区域图像进行直方图匹配以及噪声消除处理，得到降噪图像，使得图像既保留了原始图像中的图像信息又减少了因不同数据来源导致的有所差异的问题，从而避免了图像出现图像窗位的缺失或者错误的情况，同时，减少了图像中噪声对图像分割的准确性影响，进而提高了图像分割的准确性；进一步地，本发明实施例利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。因此，本发明提出的一种图像分割方法可以提高图像分割的准确性。
如图5所示，是本发明图像分割装置的功能模块图。
本发明所述图像分割装置100可以安装于电子设备中。根据实现的功能，所述图像分割装置可以包括检测模块101、匹配模块102、降噪模块103以及分割模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述检测模块101，用于获取原始图像，利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像。
本发明较佳实施例中，所述原始图像指的是医学图像，其包括：胸部CT图像或X光图像等。优选地，本发明实施例通过医学图像采集设备采集所述原始图像，例如通过X射线设备采集人体胸部等部位的图像。以下实施例中，以所述原始图像为医学图像为示例，对本案实施方式进行说明。
应该了解，每个医学图像可能包含多个器官部位，例如人体胸部图像包括：肋骨、心脏以及肺野等，因此，本发明基于用户需求，所述检测模块101提取出所述原始图像中用户感兴趣的目标区域，以更加准确的分割出目标区域中图像异常区域，从而可以更加准确的识别出目标区域中的病灶变化情况，帮助医生做出更好的医疗诊断。
本发明实施例中，所述检测模块101利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像。
本发明实施例中，所述目标框检测模型包括YOLOv3网络。较佳地，本发明中所述目标框检测模型包括：卷积层、特征提取层、批标准化层、融合层及激活函数等。
详细地，所述检测模块101采用下述方式执行利用训练完成的目标框检测模型所述原始图像进行目标区域检测，得到目标区域图像：
步骤A、利用所述卷积层对所述原始图像进行卷积操作，得到特征图像；
步骤B、利用所述批标准化层（Batch Normalization，BN）对所述特征图像集进行标准化操作，得到标准特征图像；
步骤C、利用所述融合层将所述原始图像的底层特征与所述标准特征图像进行融合，得到目标特征图像；
步骤D、利用所述激活函数输出所述目标特征图像的检测结果；
步骤E、根据所述检测结果，选取目标区域图像，得到目标区域图像。
所述卷积层对图像进行卷积操作，可以实现图像特征提取。本发明其中一个实施例中，所述图像特征提取可以是通过对输入图像的张量进行卷积操作实现。
所述批标准化层对提取的图像特征进行标准化，可以加速模型的收敛。
本发明其中一个实施例中，所述标准化操作可以表示为：
其中，
为批标准化后的标准特征图像集，
为特征图像，
为特征图像的均值，
为特征图像集的方差，
为无穷小的随机数。
所述融合层将图像的底层特征融合至提取的图像特征中，可以减小对不同增益引起的图像灰度变化影响。所述底层特征指的是所述原始图像的基本特征，例如、颜色、长度、宽度等等，较佳地，本发明实施例中所述融合通过所述融合层中的CSP（Cross-Stage-Partial-connections，跨阶段部分连接）模块实现。
本发明其中一个实施例中，所述激活函数包括：
其中，
表示激活后的目标特征图像，s表示目标特征图像。优选地，本发明较佳实施中，所述检测结果包括：x、y、高、宽以及类别等，其中，x、y表示目标特征图像的中心点，类别表示目标特征图像是否为目标区域，即类别0表示不是目标区域，类别1表示预测区域是目标区域，于是，本发明实施例选取类别为1的目标特征图像作为目标区域，从而生成所述目标区域图像。
所述匹配模块102，用于将所述目标区域图像与预设的模板图像进行直方图匹配，得到标准图像。
应该了解，图像的图像信息通过图像灰度值进行表示。为了减少因不同数据来源导致所述目标区域图像中图像灰度值有所差异的问题，本发明实施例，所述匹配模块102利用预设的模板图像对所述目标区域图像进行直方图匹配，使得所述目标区域图像既保留了原始图像中的图像信息又减少了因不同数据来源导致的有所差异的问题，从而避免了目标区域图像出现图像窗位的缺失或者错误的情况，提高目标区域图像的分割准确性。其中，所述直方图匹配又称为直方图规定化，是指将一幅图像的直方图变成规定形状的直方图而进行的图像增强方法。
其中，所述模板图像指的是与所述目标区域图像相对应的一个标准图像，例如，所述目标区域图像为肺野图像，则模板图像为标准肺野图像。在本发明中，所述模板图像用于作为所述目标区域图像的标准参照，优选地，本发明中所述模板图像从区块链节点中获取。
详细地，所述匹配模块102采用下述方式执行将所述目标区域图像与预设的模板图像进行直方图匹配，得到标准图像：
步骤I、对所述目标区域图像及模板图像分别进行直方图均衡化处理，得到目标区域均衡图像及模板均衡图像；
步骤II、对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合，得到所述标准图像。
本发明其中一个实施例中，所述匹配模块102利用下述方法对所述目标区域图像进行直方图均衡化处理：
其中，
表示目标区域均衡图像，r表示目标区域均衡图像的图像灰度阶数，
灰度概率密度函数。
本发明其中一个实施例中，所述匹配模块102利用下述方法对所述模板图像进行直方图均衡化处理：
其中，
表示模板均衡图像，m表示模板均衡图像的图像灰度阶数，
灰度概率密度函数。
本发明其中一个实施例中，所述匹配模块102利用下述方法执行所述目标区域均衡图像和所述模板均衡图像的直方图匹配：
其中，
表示标准图像，G表示目标区域图像与模板图像的平均图像灰度阶数，
表示目标区域均衡图像，
表示模板均衡图像。
所述降噪模块103，用于对所述标准图像进行噪声消除处理，得到降噪图像。
本发明较佳实施例中，所述降噪模块103通过对所述标准图像进行噪声消除处理，可以减少标准图像中噪声对图像分割的准确性影响。
详细地，所述降噪模块103采用下述方式执行对所述标准图像进行噪声消除处理，得到降噪图像，：
步骤a、将所述标准图像划分为多个标准图像子块，计算每一个标准图像子块的特征值；
步骤b、根据所述特征值，识别出标准图像中的主维度特征值和冗余维度特征值；
步骤c、计算所述冗余维度特征值的噪声方差，及计算所述主维度特征值和冗余维度特征值的平均噪声；
步骤d、识别出所述平均噪声与所述噪声方差是否相等；
步骤e、若所述平均噪声与所述噪声方差相等，则表示所述标准图像中无噪声特征值，将所述标准图像作为降噪图像；
步骤f、若所述平均噪声与所述噪声方差不相等，则删除相应的所述主维度特征值，直至所述平均噪声与所述噪声方差保持相等时，得到降噪图像。
本发明其中一个实施例中，所述标准图像子块的特征值通过协方差矩阵计算得到。
本发明其中一个实施例中，所述降噪模块103将特征值数量最多的标准图像子块作为标准图像中的主维度，剩余的标准图像子块作为标准图像中的冗余维度。
本发明其中一个实施例中，所述噪声方差通过高斯分布函数计算得到，所述平均噪声通过均值函数计算得到。
所述分割模块104，用于利用训练完成的的图像分割模型对所述降噪图像进行分割处理，得到分割结果。
本发明较佳实施例中，所述图像分割模型包括Res34-Unet网络。
进一步地，在执行所述利用训练完成的的图像分割模型对所述降噪图像进行分割处理之前，所述分割模块104还用于：
获取训练图像集，将所述训练图像集输入至预构建的图像分割模型进行迭代训练，得到迭代训练值；
利用损失函数计算所述迭代训练值与所述训练图像集中对应标签的损失函数值；
当所述损失函数值不小于预设差异阈值时，利用梯度下降算法对所述预构建的图像分割模型的超参数进行更新，直至所述损失函数值小于预设差异阈值时，得到训练完成的图像分割模型。
本发明其中一个实施例中，所述损失函数包括：
其中，
表示损失函数值，
表示训练图像集中训练图像的数量， T表示训练图像集中训练图像的总像素值，
表示训练图像集中第
张训练图像的第j个像素的预测值，
表示训练图像集中第
张训练图像的第j个像素的分割金标准值。
本发明施例中，所述超参数包括：学习率衰减规律参数、优化方法选择参数、损失函数选取参数等，对所述超参数更新的目的在于选择一组合适的参数使图像分割模型的性能达到最优。
其中，所述梯度下降算法包括，但不限于：批量梯度下降算法、随机梯度下降算法、小批量梯度下降算法。较佳地，本发明实施例可以利用小批量梯度下降算法对所述超参数进行更新，通过所述小批量梯度下降算法可以减少超参数更新时的变化，能够提高超参数收敛时的稳定性。
进一步地，本发明实施例，所述分割模块104利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。
本发明实施例首先利用训练完成的目标框检测模型对获取的原始图像进行目标区域检测，得到目标区域图像，可以提取出所述原始图像中用户感兴趣的目标区域，以更加准确的分割出目标区域中图像异常区域；其次，本发明实施例对所述目标区域图像进行直方图匹配以及噪声消除处理，得到降噪图像，使得图像既保留了原始图像中的图像信息又减少了因不同数据来源导致的有所差异的问题，从而避免了图像出现图像窗位的缺失或者错误的情况，同时，减少了图像中噪声对图像分割的准确性影响，进而提高了图像分割的准确性；进一步地，本发明实施例利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。因此，本发明提出的一种图像分割装置可以提高图像分割的准确性。
如图6所示，是本发明实现图像分割方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如图像分割程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如图像分割的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行图像分割等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的图像分割12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始图像，利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像；
将所述目标区域图像与预设的模板图像进行直方图匹配，得到标准图像；
对所述标准图像进行噪声消除处理，得到降噪图像；
利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种图像分割方法，其特征在于，所述方法包括：
获取原始图像，利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像；
将所述目标区域图像与预设的模板图像进行直方图匹配，得到标准图像，其中，所述将所述目标区域图像与预设的模板图像进行直方图匹配，得到标准图像，包括：
对所述目标区域图像及模板图像分别进行直方图均衡化处理，得到目标区域均衡图像及模板均衡图像；
对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合，得到所述标准图像；
对所述目标区域图像进行直方图均衡化处理包括：
其中，T(r)表示目标区域均衡图像，r表示目标区域均衡图像的图像灰度阶数，P r (r)灰度概率密度函数；
对所述模板图像进行直方图均衡化处理包括：
其中，R(m)表示模板均衡图像，m表示模板均衡图像的图像灰度阶数，P m (m)灰度概率密度函数；
所述对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合，包括：
利用下述方法对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合：
其中，z表示标准图像，G表示目标区域图像与模板图像的平均图像灰度阶数，T(r)表示目标区域均衡图像，R(m)表示模板均衡图像；
对所述标准图像进行噪声消除处理，得到降噪图像；
获取训练图像集，将所述训练图像集输入至预构建的图像分割模型进行迭代训练，得到迭代训练值；
计算所述迭代训练值与所述训练图像集中对应标签的损失函数值；
当所述损失函数值不小于预设差异阈值时，对所述预构建的图像分割模型的超参数进行更新，直至所述损失函数值小于预设差异阈值时，得到训练完成的图像分割模型；
所述损失函数包括：
其中，L seg 表示损失函数值，M表示训练图像集中训练图像的数量， T表示训练图像集中训练图像的总像素值，p ij 表示训练图像集中第i张训练图像的第j个像素的预测值，g ij 表示训练图像集中第i张训练图像的第j个像素的分割金标准值；
利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。
2.如权利要求1所述的图像分割方法，其特征在于，所述利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像，包括：
利用所述目标框检测模型的卷积层对所述原始图像进行图像特征提取，得到特征图像；
利用所述目标框检测模型的批标准化层对所述特征图像进行标准化，得到标准特征图像；
利用所述目标框检测模型的融合层将所述原始图像的底层特征与所述标准特征图像进行融合，得到目标特征图像；
利用所述目标框检测模型的激活函数输出所述目标特征图像的检测结果；
根据所述检测结果，选取目标区域图像，得到目标区域图像。
3.如权利要求1所述的图像分割方法，其特征在于，所述对所述标准图像进行噪声消除处理，得到降噪图像，包括：
将所述标准图像划分为多个标准图像子块，并计算每一个标准图像子块的特征值；
根据所述特征值，识别出标准图像中的主维度特征值和冗余维度特征值；
计算所述冗余维度特征值的噪声方差，及计算所述主维度特征值和冗余维度特征值的平均噪声；
识别出所述平均噪声与所述噪声方差是否相等；
若所述平均噪声与所述噪声方差相等，则将所述标准图像作为降噪图像；
若所述平均噪声与所述噪声方差不相等，则删除相应的所述主维度特征值，直至所述平均噪声与所述噪声方差保持相等时，得到降噪图像。
4.如权利要求1至3中任意一项所述的图像分割方法，其特征在于，所述原始图像为胸部CT图像或X光图像。
5.一种图像分割装置，其特征在于，所述装置包括：
检测模块，用于获取原始图像，利用训练完成的目标框检测模型对所述原始图像进行目标区域检测，得到目标区域图像；
匹配模块，用于将所述目标区域图像与预设的模板图像进行直方图匹配，得到标准图像，其中，所述将所述目标区域图像与预设的模板图像进行直方图匹配，得到标准图像，包括：
对所述目标区域图像及模板图像分别进行直方图均衡化处理，得到目标区域均衡图像及模板均衡图像；
对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合，得到所述标准图像；
对所述目标区域图像进行直方图均衡化处理包括：
其中，T(r)表示目标区域均衡图像，r表示目标区域均衡图像的图像灰度阶数，P r (r)灰度概率密度函数；
对所述模板图像进行直方图均衡化处理包括：
其中，R(m)表示模板均衡图像，m表示模板均衡图像的图像灰度阶数，P m (m)灰度概率密度函数；
所述对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合，包括：
利用下述方法对所述目标区域均衡图像和所述模板均衡图像进行累积分布函数混合：
其中，z表示标准图像，G表示目标区域图像与模板图像的平均图像灰度阶数，T(r)表示目标区域均衡图像，R(m)表示模板均衡图像；
降噪模块，用于对所述标准图像进行噪声消除处理，得到降噪图像；
分割模块，用于获取训练图像集，将所述训练图像集输入至预构建的图像分割模型进行迭代训练，得到迭代训练值；
计算所述迭代训练值与所述训练图像集中对应标签的损失函数值；
当所述损失函数值不小于预设差异阈值时，对所述预构建的图像分割模型的超参数进行更新，直至所述损失函数值小于预设差异阈值时，得到训练完成的图像分割模型；
所述损失函数包括：
其中，L seg 表示损失函数值，M表示训练图像集中训练图像的数量， T表示训练图像集中训练图像的总像素值，p ij 表示训练图像集中第i张训练图像的第j个像素的预测值，g ij 表示训练图像集中第i张训练图像的第j个像素的分割金标准值；
所述分割模块还用于利用训练完成的图像分割模型对所述降噪图像进行分割处理，得到分割结果。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任意一项所述的图像分割方法。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011009316.9A CN111862096B (zh) | 2020-09-23 | 2020-09-23 | 图像分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011009316.9A CN111862096B (zh) | 2020-09-23 | 2020-09-23 | 图像分割方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111862096A CN111862096A (zh) | 2020-10-30 |
| CN111862096B true CN111862096B (zh) | 2021-06-18 |
Family
ID=72967648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011009316.9A Active CN111862096B (zh) | 2020-09-23 | 2020-09-23 | 图像分割方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111862096B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580646A (zh) * | 2020-12-08 | 2021-03-30 | 北京农业智能装备技术研究中心 | 番茄果实成熟度分割方法及采摘机器人 |
| CN112634273B (zh) * | 2021-03-10 | 2021-08-13 | 四川大学 | 一种基于深度神经网络的脑转移瘤分割系统及其构建方法 |
| CN113111883B (zh) * | 2021-03-23 | 2023-06-06 | 浙江大华技术股份有限公司 | 车牌检测方法、电子设备及存储介质 |
| CN113222890B (zh) * | 2021-03-30 | 2023-09-15 | 平安科技（深圳）有限公司 | 小目标物检测方法、装置、电子设备及存储介质 |
| CN112991377A (zh) * | 2021-04-22 | 2021-06-18 | 辽宁向日葵教育科技有限公司 | 一种基于opencv和shader融合技术的抠像算法 |
| CN113689425A (zh) * | 2021-09-15 | 2021-11-23 | 心医国际数字医疗系统(大连)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN114463536A (zh) * | 2021-12-31 | 2022-05-10 | 浙江大华技术股份有限公司 | 目标检测方法及装置、存储介质、处理设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107036542A (zh) * | 2017-05-19 | 2017-08-11 | 佛山市南海区广工大数控装备协同创新研究院 | 一种齿环内外径外观检测方法及装置 |
| CN107730493A (zh) * | 2017-10-24 | 2018-02-23 | 广东天机工业智能系统有限公司 | 产品颜色差异检测方法、装置、介质以及计算机设备 |
| CN109360210A (zh) * | 2018-10-16 | 2019-02-19 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
| CN110796168A (zh) * | 2019-09-26 | 2020-02-14 | 江苏大学 | 一种基于改进YOLOv3的车辆检测方法 |
| US10657647B1 (en) * | 2016-05-20 | 2020-05-19 | Ccc Information Services | Image processing system to detect changes to target objects using base object models |
| CN111681162A (zh) * | 2020-06-09 | 2020-09-18 | 创新奇智(成都)科技有限公司 | 一种缺陷样本生成方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
-
2020
- 2020-09-23 CN CN202011009316.9A patent/CN111862096B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10657647B1 (en) * | 2016-05-20 | 2020-05-19 | Ccc Information Services | Image processing system to detect changes to target objects using base object models |
| CN107036542A (zh) * | 2017-05-19 | 2017-08-11 | 佛山市南海区广工大数控装备协同创新研究院 | 一种齿环内外径外观检测方法及装置 |
| CN107730493A (zh) * | 2017-10-24 | 2018-02-23 | 广东天机工业智能系统有限公司 | 产品颜色差异检测方法、装置、介质以及计算机设备 |
| CN109360210A (zh) * | 2018-10-16 | 2019-02-19 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
| CN110796168A (zh) * | 2019-09-26 | 2020-02-14 | 江苏大学 | 一种基于改进YOLOv3的车辆检测方法 |
| CN111681162A (zh) * | 2020-06-09 | 2020-09-18 | 创新奇智(成都)科技有限公司 | 一种缺陷样本生成方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111862096A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111862096B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN111932482B (zh) | 图像中目标物的检测方法、装置、电子设备及存储介质 | |
| WO2022121156A1 (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
| CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
| CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| WO2021189909A1 (zh) | 病灶检测分析方法、装置、电子设备及计算机存储介质 | |
| CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
| WO2022227192A1 (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN111696084A (zh) | 细胞图像分割方法、装置、电子设备及可读存储介质 | |
| CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN111783982A (zh) | 攻击样本的获取方法、装置、设备及介质 | |
| CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
| CN113298159A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN112579621B (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
| CN115937182A (zh) | 一种多视角机械缺陷视觉检测方法 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN111932595A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| CN114494800A (zh) | 预测模型训练方法、装置、电子设备及存储介质 | |
| CN112101481A (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
| CN115294426B (zh) | 介入医学设备的跟踪方法、装置、设备及存储介质 | |
| CN111932563A (zh) | 图片区域分割方法、装置、电子设备及存储介质 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN114240935B (zh) | 一种空频域特征融合的医学影像特征识别方法及装置 | |
| CN112233194B (zh) | 医学图片优化方法、装置、设备及计算机可读存储介质 |
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 |