[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111192243B - 一种gdv能量图方向线计算方法及装置 - Google Patents

一种gdv能量图方向线计算方法及装置 Download PDF

Info

Publication number
CN111192243B
CN111192243B CN201911354995.0A CN201911354995A CN111192243B CN 111192243 B CN111192243 B CN 111192243B CN 201911354995 A CN201911354995 A CN 201911354995A CN 111192243 B CN111192243 B CN 111192243B
Authority
CN
China
Prior art keywords
image
gray
inner contour
gdv
coordinate information
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
Application number
CN201911354995.0A
Other languages
English (en)
Other versions
CN111192243A (zh
Inventor
汤青
宋臣
魏春雨
王雨晨
周枫明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ennova Health Technology Co ltd
Original Assignee
Ennova Health Technology Co ltd
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 Ennova Health Technology Co ltd filed Critical Ennova Health Technology Co ltd
Priority to CN201911354995.0A priority Critical patent/CN111192243B/zh
Publication of CN111192243A publication Critical patent/CN111192243A/zh
Application granted granted Critical
Publication of CN111192243B publication Critical patent/CN111192243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/20024—Filtering details
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种GDV能量图方向线计算方法，包括：采集GDV手指能量图；将所述GDV手指能量图转化为灰度图像，再对所述图像进行局部自适应二值化处理和膨胀处理，获得灰度均匀分布和域连通的灰度图像；获得所述灰度图像的内轮廓和内轮廓的质心点坐标信息，对所述灰度图像的内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息；根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标；将所述质心点与所述外边界中心点坐标进行连接，获得GDV手指能量图的方向线，解决目前对手指能量图能量分布的方向的获取的需求问题。

Description

一种GDV能量图方向线计算方法及装置
技术领域
本申请涉及图像处理领域，具体涉及一种GDV能量图方向线计算方法，同时涉及一种GDV能量图方向线计算装置。
背景技术
现代生物光子学的研究表明，人体能够自发地发出电子和光子，产生肉眼看不见的辉光。科学家把人体发出的电子和光子，视为人体能量的表现；人体自发产生的能量就构成了人体能量场，并且利用能量场检测设备可以检测到人体十根手指能量，进而可以对人体身体状况进行评估。采集到手指能量图像后，需要对手指能量图进行分析，其中就需要对手指的方向进行判断，确定能量图像样本中手指能量分布的方向后，下一步就可以对手指能量图进行扇区划分操作，手指能量图每一个扇区对应人体不同的部位与不同的器官，对每一个扇形区域能量的分析，就可以得到人体各个器官的状况，因此手指能量图能量分布的方向的获取至关重要。
发明内容
本申请提供一种GDV能量图方向线计算方法，解决目前对手指能量图能量分布的方向的获取的需求问题。
本申请提供一种GDV能量图方向线计算方法，包括：
采集GDV手指能量图；
将所述GDV手指能量图转化为灰度图像，再对所述图像进行局部自适应二值化处理和膨胀处理，获得灰度均匀分布和域连通的灰度图像；
获得所述灰度图像的内轮廓和内轮廓的质心点坐标信息，对所述灰度图像的内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息；
根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标；将所述质心点与所述上边界中心点坐标进行连接，获得GDV手指能量图的方向线。
优选的，将所述GDV手指能量图转化为灰度图像，包括：
将所述GDV手指能量图分解成R、G、B三个通道图像；R(x,y)、G(x,y)、B(x,y)分别表示R、G、B通道图像上的像素值；
计算R(x,y)、G(x,y)、B(x,y)的均值m
m＝(R(x,y)+G(x,y)+B(x,y))/3；
将均值m赋给原图I(x,y)
I(x,y)＝m；
完成所述GDV手指能量图转化为灰度图像。
优选的，对所述图像进行局部自适应二值化处理和膨胀处理的步骤之前，还包括：滤除小于灰度阈值的能量像素，具体为，
遍历所述灰度图像；
计算所述灰度图像中，像素灰度值大于0的所述像素灰度值总和I和像素灰度值大于0的像素个数S；
计算所述灰度图像的灰度平均强度，
ICP＝I/S
遍历所述灰度图像，当像素值P小于图像灰度平均强度ICP时，设置像素值P为0，完成小于灰度阈值的能量像素的滤除。
优选的，对所述图像进行局部自适应二值化处理和膨胀处理，获得灰度均匀分布和域连通的灰度图像，包括：
求每个像素邻域的平均值，像素点的邻域大小为blocksize*blocksize，sum为所有邻域内像素值的总和，avg为平均值；
设blocksize＝3，则有
sum＝I(x-1,y-1)+I(x-1,y)+…+I(x+1,y)+I(x+1,y+1)
avg＝sum/(3*3)；
I(x,y)是所处理的目标像素点，avg为阈值，得出局部自适应阈值函数，
通过上述步骤，遍历整个灰度图像，完成所述图像进行局部自适应二值化处理；
采用形态学膨胀的方法将所述灰度图像断裂的连通域进行连接，并加大延伸连接域的横向与竖向，完成所述灰度图像的膨胀处理。
优选的，获得所述灰度图像的内轮廓和内轮廓的质心点坐标信息，包括：
所述灰度图像的内轮廓的阶矩由下式所求，
其中，p,q＝0，1，2，3，…。p对应x纬度上的矩，q对应y纬度上的矩，I(x,y)表示灰度图像，M表示x纬度的最大取值，N表示y纬度的最大取值。
对于二值化图像，当p＝1，q＝0时，即轮廓矩的水平矩m10，
当p＝0，q＝1时，轮廓矩的垂直矩m01，
当p＝0，q＝0时，即轮廓的面积m00，
令xc、yc为内轮廓质心点的横坐标与纵坐标，
xc＝m10/m00
yc＝m01/m00
则质心表示为Hc,s(xc,yc)。
优选的，对所述灰度图像的内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息，包括：
采用OpenCV函数中的方法对所述灰度图像的内轮廓点的集合进行拟合，获得内轮廓的椭圆；
再采用OpenCV函数中的boundingRect，计算内轮廓椭圆的外接矩形的顶点坐标信息，进而获得外接矩形左上角与右上角的坐标信息。
优选的，根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标，包括：
根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标CenterPoint，
CenterPoint_x＝(LeftPoint_x+RightPoint_x)/2
CenterPoint_y＝(LeftPoint_y+RightPoint_y)/2
其中，LeftPoint_x，LeftPoint_y为左上角横坐标与纵坐标，RightPoint_x，RightPoint_y为右上角横坐标与纵坐标。
本申请同时提供一种GDV能量图方向线计算装置，包括：
采集单元，用于采集GDV手指能量图；
灰度处理单元，用于将所述GDV手指能量图转化为灰度图像，再对所述图像进行局部自适应二值化处理和膨胀处理，获得灰度均匀分布和域连通的灰度图像；
坐标获取单元，用于获得所述灰度图像的内轮廓和内轮廓的质心点坐标信息，对所述灰度图像的内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息；
方向线确定单元，用于根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标；将所述质心点与所述上边界中心点坐标进行连接，获得GDV手指能量图的方向线。
优选的，还包括：
滤除单元，用于滤除小于灰度阈值的能量像素。
优选的，坐标获取单元，包括：
内轮廓的获取子单元，用于采用OpenCV函数中的方法对所述灰度图像的内轮廓点的集合进行拟合，获得内轮廓的椭圆；
坐标信息获取子单元，用于再采用OpenCV函数中的boundingRect，计算内轮廓椭圆的外接矩形的顶点坐标信息，进而获得外接矩形左上角与右上角的坐标信息。
本申请提供一种GDV能量图方向线计算方法，通过对GDV手指能量图进行灰度处理、局部自适应二值化处理、膨胀处理后，获取灰度图像的内轮廓的质心点坐标，再通过对内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息，进而获得外接矩形上边界中心点坐标，将所述质心点与所述上边界中心点坐标进行连接，获得GDV手指能量图的方向线，解决目前对手指能量图能量分布的方向的获取的需求问题。
附图说明
图1是本申请提供的一种GDV能量图方向线计算方法的流程示意图；
图2是本申请涉及的GDV手指能量图的原图；
图3是本申请涉及的GDV手指能量图的灰度图像；
图4是本申请涉及的灰度图像滤除后的结果图；
图5是本申请涉及的灰度图像局部二值化处理后的结果图；
图6是本申请涉及的灰度图像膨胀处理后的结果图；
图7是本申请涉及的灰度图像内轮廓结果图；
图8是本申请涉及的灰度图像内轮廓质心结果图；
图9是本申请涉及的灰度图像拟合内轮廓椭圆结果图；
图10是本申请涉及的灰度图像外接矩形瑕边界别中心点结果图；
图11是本申请涉及的GDV手指能量图的方向线；
图12是本申请提供的一种GDV能量图方向线计算装置示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
图1为本申请提供的一种GDV能量图方向线计算方法的流程示意图，下面结合图1对本申请提供的方法进行详细说明。
步骤S101，采集GDV手指能量图。
GDV手指能量图，通过能量场检测设备所采集到的十根手指的能量图像样本，也称气体放电能量图。采集GDV手指能量图的原图，如图2所示。
现代生物光子学的研究表明，人体能够自发地发出电子和光子，产生肉眼看不见的辉光。科学家把人体发出的电子和光子，视为人体能量的表现；人体自发产生的能量就构成了人体能量场。
能量场检测设备是通过刺激物体表面的光子，电子放射为基础的。这种刺激来源于短的电脉冲。当物体处于一个电磁场时，它首先带电，到某一程度的光子从物体表面分离出来，这个过程叫做光电子放射过程。放射的颗粒在电磁场中加速，在介质板(玻璃)表面产生电子雪崩。这一过程叫做气体放电。这种放电导致周围气体中兴奋分子的光。这种光被能量场检测设备检查到。电压冲脉刺激光学电子放射，同时影响气体电子的放射。能量场检测设备测量人体系统和器官的电子密度，以及受激电子电流的特性。这些电子密度是生理能量的基本依据，因此可以说，能量场检测设备可以测量人体的潜在能量储备。
步骤S102，将所述GDV手指能量图转化为灰度图像，再对所述图像进行局部自适应二值化处理和膨胀处理，获得灰度均匀分布和域连通的灰度图像。
图像灰度化主要有四种方法，如：分量法、最大值法、平均值法以及加权平均法。本申请使用平均值法进行图像灰度化操作，即将RGB颜色空间下的彩色图像中的三分量亮度求平均得到一个灰度值。具体的，如下：
将所述GDV手指能量图分解成R、G、B三个通道图像；R(x,y)、G(x,y)、B(x,y)分别表示R、G、B通道图像上的像素值；
计算R(x,y)、G(x,y)、B(x,y)的均值m
m＝(R(x,y)+G(x,y)+B(x,y))/3；
将均值m赋给原图I(x,y)
I(x,y)＝m；
完成所述GDV手指能量图转化为灰度图像，灰度图像如图3所示。
接着，滤除小于灰度阈值的能量像素，在能量场检测设备采集到的GDV能量图像中，规定像素灰度值大于阈值ICP的能量像素为有效能量，因此对手指能量图像进行像素滤除操作，具体步骤如下所示：
(1)遍历手指能量图灰度图像
(2)计算灰度图像中像素灰度值大于0的所有像素灰度值总和I
(3)计算灰度图像中像素灰度值大于0的像素个数S
(4)计算手指能量图灰度平均强度：
ICP＝I/S
(5)遍历手指能量图灰度图像，当像素值P小于图像灰度平均强度ICP时，设置像素值P为0，完成小于灰度阈值的能量像素的滤除，其效果如图4所示。
接着再对完成小于灰度阈值的能量像素的滤除的灰义图像进行局部自适应二值化处理，由于光照的影响，图像的灰度可能不是均匀分布的，此时采用单一阈值的分割方法得出的效果不好。自适应阈值是一种局部方法，它的原理是根据每个像素的邻域计算阈值，将每个像素的值与邻域的平均值进行比较。
具体的，(1)求每个像素邻域的平均值，像素点的邻域大小为blocksize*blocksize，sum为所有邻域内像素值的总和，avg为平均值；
设blocksize＝3，则邻域示意图如下
sum＝I(x-1,y-1)+I(x-1,y)+…+I(x+1,y)+I(x+1,y+1)
avg＝sum/(3*3)；
(2)得出局部自适应阈值函数，I(x,y)是所处理的目标像素点，avg为阈值；
(3)重复第(1)与(2)步，遍历整个图像；
图像二值化处理后的结果如图5所示。
对手指能量图像进行局部自适应二值化后，图像中会有连通域断裂的现象，因此采用形态学膨胀的方法将断裂的连通域连接起来，并加大延伸连通域的横向与竖向，处理结果如图6所示。
步骤S103，获得所述灰度图像的内轮廓和内轮廓的质心点坐标信息，对所述灰度图像的内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息。
用图像矩计算闭合区域(内轮廓)即连接域的质心点。内轮廓的(p+q)阶矩可以由下式所求：
结果如图7所示。
其中，p,q＝0，1，2，3，…。p对应x纬度上的矩，q对应y纬度上的矩，I(x,y)表示灰度图像，M表示x纬度的最大取值，N表示y纬度的最大取值。
对于二值化图像，当p＝1，q＝0时，即轮廓矩的水平矩m10，
当p＝0，q＝1时，轮廓矩的垂直矩m01，
当p＝0，q＝0时，即轮廓的面积m00，
令xc、yc为内轮廓质心点的横坐标与纵坐标，
xc＝m10/m00
yc＝m01/m00
则质心表示为Hc,s(xc,yc)。结果如图8所示。
采用OpenCV函数中的方法对所述灰度图像的内轮廓点的集合进行拟合，获得内轮廓的椭圆；
再采用OpenCV函数中的boundingRect，计算内轮廓椭圆的外接矩形的顶点坐标信息，进而获得外接矩形左上角与右上角的坐标信息。结果如图9所示。
步骤S104，根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标；将所述质心点与所述上
边界中心点坐标进行连接，获得GDV手指能量图的方向线。
根据所述外接矩形的顶点坐标信息，左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标CenterPoint，
CenterPoint_x＝(LeftPoint_x+RightPoint_x)/2
CenterPoint_y＝(LeftPoint_y+RightPoint_y)/2
其中，LeftPoint_x，LeftPoint_y为左上角横坐标与纵坐标，RightPoint_x，RightPoint_y为右上角横坐标与纵坐标。外接矩形及上边界中心点结果图，如图10所示。
将所述质心点与所述上边界中心点坐标进行连接，获得GDV手指能量图的方向线，如图11所示。
本申请同时提供一种GDV能量图方向线计算装置1200，如图12所示，包括：
采集单元1210，用于采集GDV手指能量图；
灰度处理单元1220，用于将所述GDV手指能量图转化为灰度图像，再对所述图像进行局部自适应二值化处理和膨胀处理，获得灰度均匀分布和域连通的灰度图像；
坐标获取单元1230，用于获得所述灰度图像的内轮廓和内轮廓的质心点坐标信息，对所述灰度图像的内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息；
方向线确定单元1240，用于根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标；将所述质心点与所述上边界中心点坐标进行连接，获得GDV手指能量图的方向线。
优选的，还包括：
滤除单元，用于滤除小于灰度阈值的能量像素。
优选的，坐标获取单元，包括：
内轮廓的获取子单元，用于采用OpenCV函数中的方法对所述灰度图像的内轮廓点的集合进行拟合，获得内轮廓的椭圆；
坐标信息获取子单元，用于再采用OpenCV函数中的boundingRect，计算内轮廓椭圆的外接矩形的顶点坐标信息，进而获得外接矩形左上角与右上角的坐标信息。
本申请提供一种GDV能量图方向线计算方法，通过对GDV手指能量图进行灰度处理、局部自适应二值化处理、膨胀处理后，获取灰度图像的内轮廓的质心点坐标，再通过对内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息、左上角与右上角的坐标信息，进而获得外接矩形上边界中心点坐标，将所述质心点与所述上边界中心点坐标进行连接，获得GDV手指能量图的方向线，解决目前对手指能量图能量分布的方向的获取的需求问题。
最后应该说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种GDV能量图方向线计算方法，其特征在于，包括：
采集GDV手指能量图；
将所述GDV手指能量图转化为灰度图像，再对所述图像进行局部自适应二值化处理和膨胀处理，获得灰度均匀分布和域连通的灰度图像；
获得所述灰度图像的内轮廓和内轮廓的质心点坐标信息，对所述灰度图像的内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息；
根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标；将所述质心点与所述上边界中心点坐标进行连接，获得GDV手指能量图的方向线。
2.根据权利要求1所述的方法，其特征在于，将所述GDV手指能量图转化为灰度图像，包括：
将所述GDV手指能量图分解成R、G、B三个通道图像；R(x,y)、G(x,y)、B(x,y)分别表示R、G、B通道图像上的像素值；
计算R(x,y)、G(x,y)、B(x,y)的均值m
m＝(R(x,y)+G(x,y)+B(x,y))/3；
将均值m赋给原图I(x,y)
I(x,y)＝m；
完成所述GDV手指能量图转化为灰度图像。
3.根据权利要求1所述的方法，其特征在于，对所述图像进行局部自适应二值化处理和膨胀处理的步骤之前，还包括：滤除小于灰度阈值的能量像素，具体为，
遍历所述灰度图像；
计算所述灰度图像中，像素灰度值大于0的所述像素灰度值总和I和像素灰度值大于0的像素个数S；
计算所述灰度图像的灰度平均强度，
ICP＝I/S
遍历所述灰度图像，当像素值P小于图像灰度平均强度ICP时，设置像素值P为0，完成小于灰度阈值的能量像素的滤除。
4.根据权利要求1所述的方法，其特征在于，对所述图像进行局部自适应二值化处理和膨胀处理，获得灰度均匀分布和域连通的灰度图像，包括：
求每个像素邻域的平均值，像素点的邻域大小为blocksize*blocksize，sum为所有邻域内像素值的总和，avg为平均值；
设blocksize＝3，则有
sum＝I(x-1,y-1)+I(x-1,y)+…+I(x+1,y)+I(x+1,y+1)
avg＝sum/(3*3)；
I(x,y)是所处理的目标像素点，avg为阈值，得出局部自适应阈值函数，
通过上述步骤，遍历整个灰度图像，完成所述图像进行局部自适应二值化处理；
采用形态学膨胀的方法将所述灰度图像断裂的连通域进行连接，并加大延伸连接域的横向与竖向，完成所述灰度图像的膨胀处理。
5.根据权利要求1所述的方法，其特征在于，获得所述灰度图像的内轮廓和内轮廓的质心点坐标信息，包括：
所述灰度图像的内轮廓的阶矩由下式所求，
其中，p,q＝0，1，2，3，…；p对应x纬度上的矩，q对应y纬度上的矩，I(x,y)表示灰度图像，M表示x纬度的最大取值，N表示y纬度的最大取值；
对于二值化图像，当p＝1，q＝0时，即轮廓矩的水平矩m10，
当p＝0，q＝1时，轮廓矩的垂直矩m01，
当p＝0，q＝0时，即轮廓的面积m00，
令xc、yc为内轮廓质心点的横坐标与纵坐标，
xc＝m10/m00
yc＝m01/m00
则质心表示为Hc,s(xc,yc)。
6.根据权利要求1所述的方法，其特征在于，对所述灰度图像的内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息，包括：
采用OpenCV函数中的方法对所述灰度图像的内轮廓点的集合进行拟合，获得内轮廓的椭圆；
再采用OpenCV函数中的boundingRect，计算内轮廓椭圆的外接矩形的顶点坐标信息，进而获得外接矩形左上角与右上角的坐标信息。
7.根据权利要求1所述的方法，其特征在于，根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标，包括：
根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标CenterPoint，
CenterPoint_x＝(LeftPoint_x+RightPoint_x)/2
CenterPoint_y＝(LeftPoint_y+RightPoint_y)/2
其中，LeftPoint_x，LeftPoint_y为左上角横坐标与纵坐标，RightPoint_x，RightPoint_y为右上角横坐标与纵坐标。
8.一种GDV能量图方向线计算装置，其特征在于，包括：
采集单元，用于采集GDV手指能量图；
灰度处理单元，用于将所述GDV手指能量图转化为灰度图像，再对所述图像进行局部自适应二值化处理和膨胀处理，获得灰度均匀分布和域连通的灰度图像；
坐标获取单元，用于获得所述灰度图像的内轮廓和内轮廓的质心点坐标信息，对所述灰度图像的内轮廓进行拟合计算，获得所述内轮廓的外接矩形及所述外接矩形的顶点坐标信息；
方向线确定单元，用于根据所述外接矩形的左上角与右上角的坐标信息，获得所述外接矩形上边界中心点坐标；将所述质心点与所述上边界中心点坐标进行连接，获得GDV手指能量图的方向线。
9.根据权利要求8所述的装置，其特征在于，还包括：
滤除单元，用于滤除小于灰度阈值的能量像素。
10.根据权利要求8所述的装置，其特征在于，坐标获取单元，包括：
内轮廓的获取子单元，用于采用OpenCV函数中的方法对所述灰度图像的内轮廓点的集合进行拟合，获得内轮廓的椭圆；
坐标信息获取子单元，用于再采用OpenCV函数中的boundingRect，计算内轮廓椭圆的外接矩形的顶点坐标信息，进而获得外接矩形左上角与右上角的坐标信息。
CN201911354995.0A 2019-12-25 2019-12-25 一种gdv能量图方向线计算方法及装置 Active CN111192243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911354995.0A CN111192243B (zh) 2019-12-25 2019-12-25 一种gdv能量图方向线计算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911354995.0A CN111192243B (zh) 2019-12-25 2019-12-25 一种gdv能量图方向线计算方法及装置

Publications (2)

Publication Number Publication Date
CN111192243A CN111192243A (zh) 2020-05-22
CN111192243B true CN111192243B (zh) 2023-07-18

Family

ID=70707557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911354995.0A Active CN111192243B (zh) 2019-12-25 2019-12-25 一种gdv能量图方向线计算方法及装置

Country Status (1)

Country Link
CN (1) CN111192243B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614095B (zh) * 2020-12-15 2022-09-27 新绎健康科技有限公司 一种基于图像处理的分析肝经能量的方法及系统
CN113962136B (zh) * 2021-12-22 2022-04-15 广东工业大学 一种基于有限元的焊接后工件应力重构方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944451A (zh) * 2017-11-27 2018-04-20 西北民族大学 一种藏文古籍文档的行切分方法及系统
CN108734086A (zh) * 2018-03-27 2018-11-02 西安科技大学 基于眼部区域生成网络的眨眼频率和视线估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130253302A1 (en) * 2008-05-25 2013-09-26 Auraprobe, Inc. Electron Tunneling Putative Energy Field Analyzer
JP6119992B2 (ja) * 2013-08-23 2017-04-26 ブラザー工業株式会社 画像処理装置およびコンピュータプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944451A (zh) * 2017-11-27 2018-04-20 西北民族大学 一种藏文古籍文档的行切分方法及系统
CN108734086A (zh) * 2018-03-27 2018-11-02 西安科技大学 基于眼部区域生成网络的眨眼频率和视线估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A.A. Shulginov et.al.Recognition and Classification of Plasma Clots of Bioelectograms.《2018 Global Smart Industry Conference (GloSIC)》.2018,第1-5页. *
王华敏 等.基于图像处理技术的凸轮盘检测方法研究.《现代制造工程》.2017,第119页. *

Also Published As

Publication number Publication date
CN111192243A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
Su et al. Combination of document image binarization techniques
CN111985329B (zh) 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法
CN111192243B (zh) 一种gdv能量图方向线计算方法及装置
CN107516316B (zh) 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法
CN107784669A (zh) 一种光斑提取及其质心确定的方法
CN109325490A (zh) 基于深度学习和rpca的太赫兹图像目标识别方法
CN102013103A (zh) 实时动态嘴唇跟踪方法
CN111047559B (zh) 一种数字病理切片异常区域快速检测的方法
CN104933719B (zh) 一种积分图块间距离检测图像边缘方法
CN108875741A (zh) 一种基于多尺度模糊的声学图像纹理特征提取方法
Badriyah et al. Segmentation stroke objects based on CT scan image using thresholding method
CN114022554A (zh) 一种基于yolo的按摩机器人穴位检测与定位方法
Abdullah et al. A comparative study of image segmentation technique applied for lung cancer detection
Soni et al. CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation
CN106910166B (zh) 一种图像处理方法和装置
Smith et al. Effect of pre-processing on binarization
CN111242964B (zh) 一种gdv能量图的轮廓确定方法装置
JP2006325937A (ja) 画像判定装置、画像判定方法およびそのプログラム
CN111210437B (zh) 一种基于辅助圆划分气体放电能量图扇区的方法及系统
Somasundaram et al. Modified Otsu thresholding technique
CN111507977A (zh) 一种图像中钡剂信息提取方法
JP2014023566A (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
Bhosle et al. Comparative Analysis Between Different Lung Segmentation Techniques
EP2535001A1 (en) Method, a system and a computer program product for registration and identification of diagnostic images
Shankara et al. Artifact removal techniques for lung CT images in lung cancer detection

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