[发明专利]基于栅格化图像处理方法的骨科耗材检测方法及系统

说明书

本发明属于医学图像和图像处理技术领域，涉及基于栅格化图像处理方法的骨科耗材检测方法及系统。对原始数据图像数量和质量都没有严格的要求，通过分阶段检测的方法，分阶段检测骨科耗材外盒和骨科耗材，大大提高了检测的准确率。只需要先检测骨科耗材外盒类型，根据外盒类型进行对应骨科耗材的检测，准确率提升50%‑60%。提出了一种在仅有少量数据下进行目标检测的方法，在精确标注数据量不足时，采用先检测骨科耗材外盒再检测骨科耗材的方法，优于只采用检测骨科耗材的单一方法。本发明可以在数据集较少的情况下，具有较高的准确率。

技术领域

本发明属于医学图像和图像处理技术领域，涉及一种基于图像识别技术对医学图像中的骨科耗材盒中的钉子定位识别系统，具体涉及一种基于栅格化图像处理方法的骨科耗材检测方法及系统。

背景技术

目标检测即在图片中找出感兴趣的目标，并且确定其位置和类别。目标检测技术发展至今，主要有两类方法：传统的经典目标检测方法以及人工智能相关的深度学习方法。

传统目标检测方法主要包含以下三个步骤：①区域选择②特征提取③分类器。目前传统的目标检测技术中主要存在以下技术问题：

在区域选择过程中，由于目标可能出现在图像任何位置，并且目标的大小，长宽比例也不能确定，所以一般采用的是滑窗法（Sliding Window）的策略对整幅图像进行遍历。这种方法的缺点较为突出：对整幅图像进行遍历，产生了大量重叠区域从而带来了冗余计算，严重影响后续特征提取和分类的计算速度。因此，若想加速计算效率，就需要在保证计算准确性的同时，减少冗余计算，而现有技术并没有专门针对这方面的研究报道。

在特征提取中，通常使用SIFT, HOG特征，但是由于目标形态多样性、光照变化多样性、背景多样性等原因导致提取的特征难以对图像进行准确描述。因此，需要针对骨钉检测问题，寻找特定的特征提取方法，从而提升特征提取的准确性。

在分类器中，主要使用SVM, Adaboost分类器等。这些方法具有一定的鲁棒性，但是其控制参数的选择没有统一的标准，因此需要针对骨钉检测问题，选择合适的分类器参数。

发明内容

本发明针对传统的目标检测技术中存在的问题提出一种新型的基于栅格化图像处理方法的骨科耗材检测方法。

为了达到上述目的，本发明是采用下述的技术方案实现的：

一种基于栅格化图像处理方法的骨科耗材检测方法,包括如下步骤:

步骤1：标准匹配模板库

获取训练用的骨科耗材图像数据，进行图像去噪、图像增强等操作，提高图像的质量。将所有的图像数据存入到程序运行的文件夹中，作为标准匹配模板，并标定每一张图片的类别。

步骤2：待识别骨钉盒分类

输入一种待识别的骨钉盒图片，使用K近邻算法进行类别判定，在K近邻算法中使用欧式距离，来衡量待识别的骨钉盒图片与模板图片的距离，从而确定图片的分类。所采用的公式如下：

其中，L是图片与模板之间的欧式距离，

n是图片中像素的个数，

xi是图片上的像素值

yi是模板上的像素值。

通过计算出的欧式距离，根据多次的实验结果，得到效果比较好的K值。

步骤3：感兴趣区域提取

分类后的图片使用霍夫圆形检测，根据圆形聚集的区域，计算出骨钉盒的方向，并且将摆放骨钉的区域划分出来，对此区域进行裁剪。