亚像素级别的实时动态肿瘤图像的定位与匹配方法组成比例

本发明专利技术公开了一种亚像素级别的实时动态肿瘤图像的定位与匹配方法，属于医学图像处理领域，要解决的技术问题为如何快速精确的对实时动态图像中的肿瘤组织进行匹配和定位；包括如下步骤：对获取的肿瘤图像进行预处理，肿瘤图像包括原图像和待匹配图像；对预处理后的肿瘤图像进行扫描、并获取肿瘤图像中肿瘤所在区域的边缘坐标，从而对原图像和待匹配图像进行整像素级别匹配，并计算待匹配图像上的肿瘤中心点的整像素级坐标；利用梯度算法对原图像和待匹配图像进行亚像素级别匹配，并计算待匹配图像上的肿瘤中心点的亚像素级坐标。该方法可实现对肿瘤位置的精确匹配及定位。

【技术实现步骤摘要】
亚像素级别的实时动态肿瘤图像的定位与匹配方法
本专利技术涉及医学图像处理领域，具体地说是一种亚像素级别的实时动态肿瘤图像的定位与匹配方法。
技术介绍
借助计算机视觉技术，对获得的肿瘤图像进行分析、识别与匹配，可以快速精确的检测肿瘤，帮助医疗专家进行诊疗。目前对于肿瘤的识别与匹配的主要三大类方法有神经网络学习法、传统滑窗方法、特征值法等。现在普遍的肿瘤识别技术是利用神经网络提前进行肿瘤组织的外观学习，之后应用于肿瘤识别上。这种方法的弊端如下：1)需要大量的肿瘤组织数据来供神经网络进行学习，学习过程需要花费大量时间；2)如果数据样本不够，在识别的过程中也会遇到识别结果不理想等困难；3)在学习过程中，需要一定的存储空间来进行数据的存储；4)由于肿瘤的个体差异，对于神经网络的学习也起到一定阻碍作用；5)其识别与匹配结果的精确度为整像素级别。对于传统滑窗法和特征值法，虽然可以避免神经网络的学习过程，但如果直接在癌症识别与匹配中进行应用，其弊端如下：1)滑窗方法匹配结果相对准确，但其算法的时间复杂度和空间复杂度很高，导致图像匹配时间较长。2)对于一些辅助诊疗的设备，若精度只能匹配到整像素点，会导致辅助判断结果不好。3)特征值法是一种较为快速的匹配方法，但需要保证两组匹配图像的大小一致。等上述问题会大大降低对于癌症的诊疗效率；并加大医生的诊疗压力和患者的痛苦。基于上述，如何快速精确的对实时动态图像中的肿瘤组织进行定位，是需要解决的技术问题。
技术实现思路
本专利技术的技术任务是针对以上不足，提供一种亚像素级别的实时动态肿瘤图像的定位与匹配方法，来解决如何快速精确的对实时动态图像中的肿瘤组织进行匹配和定位的问题。本专利技术的技术任务是按以下方式实现的：亚像素级别的实时动态肿瘤图像的定位与匹配方法，包括如下步骤：S1、对获取的肿瘤图像进行预处理，肿瘤图像包括原图像和待匹配图像，原图像为具有肿瘤组织的图像，待匹配图像为通过仪器观察到的动态图像；S2、对预处理后的肿瘤图像进行扫描、并获取肿瘤图像中肿瘤所在区域的边缘坐标，从而对原图像和待匹配图像进行整像素级别匹配，并计算待匹配图像上的肿瘤中心点的整像素级坐标；S3、通过构建原图像中肿瘤的整像素级中心点与待匹配图像中肿瘤的整像素级中心点之间的梯度公式，对原图像和待匹配图像进行亚像素级别匹配，并计算待匹配图像上的肿瘤中心点的亚像素级坐标。进一步的，原图像为从诊断过程中拍摄的带有肿瘤组织的图像中截取的肿瘤组织图像。进一步的，步骤S1中对获取的肿瘤图像进行预处理为对获取的肿瘤图像依次进行边缘检测、去边处理和纵-横成像处理，得到肿瘤组织明显的肿瘤图像。进一步的，去边处理包括如下步骤：从肿瘤图像的边缘开始，对肿瘤图像中的像素逐一进行像素值计算，直至遇到像素值为255的像素；并在上述过程中对像素值为0的像素进行改变，将其像素值由0变为255。进一步的，纵-横成像处理包括如下步骤：对肿瘤图像进行初次扫描，并在初次扫描过程中对肿瘤图像中的黑色区域逐一进行判断优化，得到初次扫描图像；对初次扫描图像进行二次扫描，并在二次扫描过程中对肿瘤图像中的黑色区域逐一进行判断优化，得到纵-横成像处理后的肿瘤图像；上述初次扫描和二次扫描中其中一次扫描为纵向扫描、另一次扫描为横向扫描；对肿瘤图像中的黑色区域逐一进行判断优化，包括如下步骤：对肿瘤图像中当前黑色区域的像素总量值与阈值H进行比对，如果当前黑色区域的像素总量值小于阈值H，将所述黑色区域变为白色区域，如果当前黑色区域的像素总量大于或等于阈值H，保留所述黑色区域。进一步的，步骤S2包括如下步骤：S21、对预处理后的肿瘤图像进行纵向扫描和横向扫描，在每次扫描过程中依据像素量对肿瘤图像中黑色连续区域逐一进行优选、并记肿瘤图像中优选的黑色连续区域的坐标，得到肿瘤图像中肿瘤的行坐标组和列坐标组；S22、计算肿瘤图像中肿瘤所在区域的边缘坐标：从肿瘤图像中肿瘤所在区域的行坐标组中选取坐标值最大的行坐标以及坐标值最小的行坐标，得到肿瘤图像中肿瘤所在区域的行边缘坐标，并从肿瘤图像中肿瘤所在区域的列坐标组中选取坐标值最大的列坐标以及坐标值最小的列坐标，得到肿瘤图像中肿瘤所在区域的列边缘坐标；S23、根据肿瘤图像中肿瘤所在区域的行边缘坐标和肿瘤图像中肿瘤所在区域的列边缘坐标在肿瘤图像中构建矩形区域；S24、通过分析计算原图像中矩形区域与待匹配图像中矩形区域之间的长度比值和宽度比值实现对原图像中肿瘤与待匹配图像中肿瘤进行整像素级匹配，并得到待匹配图像的整像素级中心点坐标；所述肿瘤图像中黑色连续区域为肿瘤图像中连续排布的黑色区域组成的区域。步骤S21中在每次扫描过程中依据像素量对肿瘤图像中黑色连续区域逐一进行优选、并记录肿瘤图像中优选的黑色连续区域的坐标，包括如下步骤：对肿瘤图像进行纵向扫描，在扫描过程中对肿瘤图像中当前黑色连续区域的像素总量值与阈值Z进行比对，如果当前黑色连续区域的像素总量值大于阈值Z，则记录当前黑色连续区域对应的列坐标；对肿瘤图像进行横向扫描，在扫描过程中对肿瘤图像中当前黑色连续区域的像素总量值与阈值进行比对，如果当前黑色连续区域的像素总量值大于阈值Z，则记录当前黑色连续区域对应的行坐标。步骤S24包括如下步骤：计算原图像中矩形区域的宽度与待匹配图像中矩形区域的宽度之间的宽度比值，并记为宽度比值Ky，计算原图像中矩形区域的长度与待匹配图像中矩形区域的长度之间的长度比值，并记为长度比值Kx；如果宽度比值Ky和长度比值Kx均为1或均近似为1，待匹配图像中矩形区域的中心点坐标为：其中，BXk为待匹配图像中矩形区域的最小行坐标，BX1为待匹配图像中矩形区域的最大行坐标，BYk为待匹配图像中矩形区域的最小列坐标，BY1为待匹配图像的中矩形区域的最大列坐标；如果宽度比值Ky≥2或长度比值Kx≥2，将待匹配图像中矩形区域划分为L个子矩形区域，且待匹配图像中每个子矩形区域的宽度与原图像中矩形区域的宽度之间的宽度比值为1或近似为1，待匹配图像中每个子矩形区域的长度与原图像中矩形区域的长度之间的长度比值为1或近似为1，计算待匹配图像中每个子矩形区域的中心点坐标，得到待匹配图像的中心点坐标组，待匹配图像中第i个子矩形区域的中心点坐标为：其中，0＜i＜L，BXki为待匹配图像中第i个子矩形区域的最小行坐标，BX1i为待匹配图像中第i个子矩形区域的最大行坐标，BYki为待匹配图像中第i个子矩形区域的最小列坐标，BY1i为待匹配图像中第i个子矩形区域的最大列坐标。步骤S3中包括如下步骤：构建待匹配图像中矩形区域的整像素级中心点坐标与原图像中矩形区域的整像素级中心点坐标之间的梯度公式，并计算待匹配图像中矩形区域的中心点相对于原图像中矩形区域的中心点的亚像素位移，得到待匹配图像中矩形区域的亚像素级中心点坐标；待匹配图像中矩形区域的中心点坐标与原图像中矩形区域的中心点坐标之间的梯度公式为：X1＝X+u+dxY1＝Y+v+dy其中，X1为待匹配图像中矩形区域的中心点在x轴方向上的坐标，X1＝(BXk-BX1)/2，Y1为待匹配图像中矩形区域的中心点在y轴方向上的坐标，Y1＝(BYk-BY1)/2，X为原图像中矩形区域的中心点在x轴方向上的坐标，X＝(AXk-AX1)/2，Y为原图像中矩形区域的中心本文档来自技高网...

【技术保护点】
1.亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于包括如下步骤：S1、对获取的肿瘤图像进行预处理，肿瘤图像包括原图像和待匹配图像，原图像为具有肿瘤组织的图像，待匹配图像为通过仪器观察到的动态图像；S2、对预处理后的肿瘤图像进行扫描、并获取肿瘤图像中肿瘤所在区域的边缘坐标，从而对原图像和待匹配图像进行整像素级别匹配，并计算待匹配图像上的肿瘤中心点的整像素级坐标；S3、通过构建原图像中肿瘤的整像素级中心点与待匹配图像中肿瘤的整像素级中心点之间的梯度公式，对原图像和待匹配图像进行亚像素级别匹配，并计算待匹配图像上的肿瘤中心点的亚像素级坐标。

【技术特征摘要】
1.亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于包括如下步骤：S1、对获取的肿瘤图像进行预处理，肿瘤图像包括原图像和待匹配图像，原图像为具有肿瘤组织的图像，待匹配图像为通过仪器观察到的动态图像；S2、对预处理后的肿瘤图像进行扫描、并获取肿瘤图像中肿瘤所在区域的边缘坐标，从而对原图像和待匹配图像进行整像素级别匹配，并计算待匹配图像上的肿瘤中心点的整像素级坐标；S3、通过构建原图像中肿瘤的整像素级中心点与待匹配图像中肿瘤的整像素级中心点之间的梯度公式，对原图像和待匹配图像进行亚像素级别匹配，并计算待匹配图像上的肿瘤中心点的亚像素级坐标。2.根据权利要求1所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于原图像为从诊断过程中拍摄的带有肿瘤组织的图像中截取的肿瘤组织图像。3.根据权利要求1或2所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于步骤S1中对获取的肿瘤图像进行预处理为对获取的肿瘤图像依次进行边缘检测、去边处理和纵-横成像处理，得到肿瘤组织明显的肿瘤图像。4.根据权利要求3所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于去边处理包括如下步骤：从肿瘤图像的边缘开始，对肿瘤图像中的像素逐一进行像素值计算，直至遇到像素值为255的像素；并在上述过程中对像素值为0的像素进行改变，将其像素值由0变为255。5.根据权利要求3所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于纵-横成像处理包括如下步骤：对肿瘤图像进行初次扫描，并在初次扫描过程中对肿瘤图像中的黑色区域逐一进行判断优化，得到初次扫描图像；对初次扫描图像进行二次扫描，并在二次扫描过程中对肿瘤图像中的黑色区域逐一进行判断优化，得到纵-横成像处理后的肿瘤图像；上述初次扫描和二次扫描中其中一次扫描为纵向扫描、另一次扫描为横向扫描；对肿瘤图像中的黑色区域逐一进行判断优化，包括如下步骤：对肿瘤图像中当前黑色区域的像素总量值与阈值H进行比对，如果当前黑色区域的像素总量值小于阈值H，将所述黑色区域变为白色区域，如果当前黑色区域的像素总量大于或等于阈值H，保留所述黑色区域。6.根据权利要求1所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于步骤S2包括如下步骤：S21、对预处理后的肿瘤图像进行纵向扫描和横向扫描，在每次扫描过程中依据像素量对肿瘤图像中黑色连续区域逐一进行优选、并记肿瘤图像中优选的黑色连续区域的坐标，得到肿瘤图像中肿瘤的行坐标组和列坐标组；S22、计算肿瘤图像中肿瘤所在区域的边缘坐标：从肿瘤图像中肿瘤所在区域的行坐标组中选取坐标值最大的行坐标以及坐标值最小的行坐标，得到肿瘤图像中肿瘤所在区域的行边缘坐标，并从肿瘤图像中肿瘤所在区域的列坐标组中选取坐标值最大的列坐标以及坐标值最小的列坐标，得到肿瘤图像中肿瘤所在区域的列边缘坐标；S23、根据肿瘤图像中肿瘤所在区域的行边缘坐标和肿瘤图像中肿瘤所在区域的列边缘坐标在肿瘤图像中构建矩形区域；S24、通过分析计算原图像中矩形区域与待匹配图像中矩形区域之间的长度比值和宽度比值实现对原图像中肿瘤与待匹配图像中肿瘤进行整像素级匹配，并得到待匹配图像的中心点的整像素级坐标；所述肿瘤图像中黑色连续区域为肿瘤图像中连续排布的黑色区域组成的区域。7.根据权利要求6所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于步骤S21中在每次扫描过程中依据像素量对肿瘤图像中黑色连续区域逐一进行优选、并记录肿瘤图像中优选的黑色连续区域的坐标，包括如下步骤：对肿瘤图像进行纵向扫描，在扫描过程中对肿瘤图像中当前黑色连续区域的像素总量值与阈值Z进行比对，如果当前黑色连续区域的像素总量值大于阈值Z，则记录当前黑色连续区域对应的列坐标；对肿瘤图像进行横向扫描，在扫描过程中对肿瘤图像中当前黑色连续区域的像素总量值与阈值Z进行比对，如果当前黑色连续区域的像素总量值大于阈值Z，则记录当前黑色连续区域对应的行坐标。8.根据权利要求6所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于步骤S24包括如下步骤：计算原图像中矩形区域的宽度与待匹配图像中矩形区域的宽度之间的宽度比值，并记为宽度比值Ky，计算原图像中矩形区域的长度与待匹配图像中矩形区域的长度之间的长度比值，并记...

【专利技术属性】
技术研发人员：王春鹏，夏之秋，马宾，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东,37