病患牲畜症状图片处理方法及装置与流程

本发明涉及数字图像处理技术，特别是涉及到数字图片特征提取
技术领域：
。
背景技术：
：现代农牧业中，为了提高产值、降低成本，畜牧养殖越来越朝着大规模、自动化的方向发展，例如现代养殖工业中，可能需要一个管理人员同时饲养数千头牲畜，因此需要采用现代的自动化养殖设备来辅助牲畜的管理。自动化养殖设备中，对于牲畜养殖过程中的上料、饲喂、清粪、诊断、屠宰等程序大部分依赖于自动控制设备来实现。这其中有一项重要的业务就是对于牲畜的远程诊断。通常意义上讲，远程诊断会诊在兽医和患病牲畜之间建立起全新的联系，使患病牲畜在原地即可接受远地兽医的会诊。远程诊断运用计算机、通信、医疗技术与设备，通过数据、文字、语音和图像资料的远距离传送，实现兽医对患病牲畜的诊断。远程诊断不仅仅是诊断问题，还包括通讯网络、数据库等各方面问题，并且需要把它们集成到网络系统中。首先，远程诊断在一定程度上缓解了我国兽医资源分布极不平衡的现状。利用远程会诊系统可以让欠发达地区的牲畜也能够接受兽医对其的兽病治疗。其次远程诊断缓解了偏远地区的牲畜疾病诊断费用高的问题。中国幅员辽阔，边远地区的牲畜养殖，由于当地的兽医力量比较薄弱，往往难以得到及时的治疗。而远程会诊系统可以无需兽医上门或者直接让牲畜在牲畜栏内就能得到相应的治疗，大大减少了相关费用和工作量。对于病患牲畜，一种较为常见的技术是采用远程图像或视频诊断，远程图像或视频诊断的方法是向远程的兽医传送图片或视频，由远程的兽医来根据图片或者视频分析、诊断牲畜的疾病状况。但是这种方法的缺点任然需要兽医的人工参与，因此这种方法受限于兽医的工作时间与个人经验，对于一些需要紧急处理或者兽医不具有足够的经验时，很难发挥出作用。另一方面，特征提取技术是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。技术实现要素：本发明的目的在于克服现有技术的缺点，提供一种病患牲畜症状图片处理方法及装置。所述病患牲畜症状图片处理方法及装置能够从大量的已知病患牲畜图片中提取特征，并对特征进行聚类整理，然后对于待诊断的牲畜的病患图像进行特征提取，以提供对于诊断病患有用的数据。为解决上述技术问题，本发明采用如下技术方案。一种病患牲畜症状图片处理方法，所述方法包括以下步骤：A、在元数据库中存储多张已知病患牲畜和正常牲畜的图片；B、将多张已知病患牲畜和正常牲畜的图片分割为子区域，确定对象子区域与背景子区域；C、对比多张已知病患牲畜和正常牲畜的对象子区域，从已知病患牲畜的对象子区域中提取病患特征，确定各种已知病患牲畜的对象子区域中各种病患特征出现的概率，建立多种已知病患与各种病患特征的对应关系数据库；D、对待处理病患牲畜症状图片，分割为子区域，确定对象子区域与背景子区域；E、基于多种已知病患与各种病患特征的对应关系数据库，从待处理病患牲畜症状图片中的对象子区域中搜集病患特征，并与多种已知病患与各种病患特征的对应关系数据库相匹配。其中，通过使用各个子区域的纹理属性、灰度属性和深度属性来确定被分割的子区域是对象子区域还是背景子区域。另外在步骤A之前，还包括对于已知病患牲畜和正常牲畜的图片进行预处理的步骤：A0、对图片进行降噪处理、并对降噪处理的图片进行增强，然后减小图片的大小；相应地，步骤D之前，也包括步骤D0：对待处理病患牲畜症状图片进行降噪处理、并对降噪处理的图片进行增强，然后减小图片的大小。特别地，从待处理病患牲畜症状图片中的对象子区域中，搜集病患特征，与多种已知病患与病患特征的对应关系数据库相匹配的方法是：将搜集到的待处理病患的病患特征与多种已知病患与各种病患特征的对应关系数据库中每一种已知病患对应的病患特征相匹配，计算搜集到的待处理病患的病患特征与已知病患对应的病患特征的匹配特征概率和，确定匹配特征概率和最大的已知病患。当待处理病患的病患特征与各种已知病患对应的病患特征的匹配特征概率和均小于预定阈值时，返回无法匹配的提升信息，并提示更新待处理病患牲畜症状图片。一种病患牲畜症状图片处理装置，所述装置包括：元数据库单元，用于存储多张已知病患牲畜和正常牲畜的图片；图片分割单元，用于将多张已知病患牲畜的图片、正常牲畜的图片、待处理病患牲畜症状图片分割为子区域；子区域区分单元，用于将图片分割单元分割的子区域划分为对象子区域与背景子区域；病患特征提取单元，用于对比多张已知病患牲畜和正常牲畜的对象子区域，从已知病患牲畜的对象子区域中提取病患特征，确定各种已知病患牲畜的对象子区域中各种病患特征出现的概率；已知病患与各种病患特征的对应关系数据库，用于存储各种已知病患牲畜的对象子区域中各种病患特征出现的概率；病患特征匹配单元，用于基于多种已知病患与各种病患特征的对应关系数据库，从待处理病患牲畜症状图片中的对象子区域中搜集病患特征，并与多种已知病患与各种病患特征的对应关系数据库相匹配。另外，所述装置还包括图片预处理装置，所述预处理装置用于对图片进行降噪处理、并对降噪处理的图片进行增强，然后减小图片的大小。特别地，所述病患特征匹配单元包括匹配特征概率和确定单元，所述匹配特征概率和确定单元用于将搜集到的待处理病患的病患特征与多种已知病患与各种病患特征的对应关系数据库中每一种已知病患对应的病患特征相匹配，计算搜集到的待处理病患的病患特征与已知病患对应的病患特征的匹配特征概率和，确定匹配特征概率和最大的已知病患。另外，所述装置还包括提示单元，所述提示单元用于当待处理病患的病患特征与各种已知病患对应的病患特征的匹配特征概率和均小于预定阈值时，返回无法匹配的提升信息，并提示更新待处理病患牲畜症状图片。首先，通过本发明的病患牲畜症状图片处理方法及装置，能够从大量的已知病患牲畜图片中提取特征，并对提取出的特征进行聚类整理，因此具有准确度较高的特点，相当于具有丰富经验的兽医对图片进行的人工识别的结果。其次，通过本发明的病患牲畜症状图片处理方法及装置，能够自动将接收到的病患牲畜图片进行特征分解，并与已经分析过的病患牲畜特征数据库进行自动匹配，无需兽医在场即可进行诊断。附图说明图1是根据本发明具体实施方式的病患牲畜症状图片处理方法的流程示意图。图2是根据本发明具体实施方式的病患牲畜症状图片处理装置的结构示意图。具体实施方式下面结合附图，对本发明作详细说明。以下公开详细的示范实施例。然而，此处公开的具体结构和功能细节仅仅是出于描述示范实施例的目的。然而，应该理解，本发明不局限于公开的具体示范实施例，而是覆盖落入本公开范围内的所有修改、等同物和替换物。在对全部附图的描述中，相同的附图标记表示相同的元件。参阅附图，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的位置限定用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。同时应该理解，如在此所用的术语“和/或”包括一个或多个相关的列出项的任意和所有组合。另外应该理解，当部件或单元被称为“连接”或“耦接”到另一部件或单元时，它可以直接连接或耦接到其他部件或单元，或者也可以存在中间部件或单元。此外，用来描述部件或单元之间关系的其他词语应该按照相同的方式理解(例如，“之间”对“直接之间”、“相邻”对“直接相邻”等)。如图1所示，本发明具体实施方式中包括了一种病患牲畜症状图片处理方法，所述方法包括以下步骤：A、在元数据库中存储多张已知病患牲畜和正常牲畜的图片；B、将多张已知病患牲畜和正常牲畜的图片分割为子区域，确定对象子区域与背景子区域；C、对比多张已知病患牲畜和正常牲畜的对象子区域，从已知病患牲畜的对象子区域中提取病患特征，确定各种已知病患牲畜的对象子区域中各种病患特征出现的概率，建立多种已知病患与各种病患特征的对应关系数据库；D、对待处理病患牲畜症状图片，分割为子区域，确定对象子区域与背景子区域；E、基于多种已知病患与各种病患特征的对应关系数据库，从待处理病患牲畜症状图片中的对象子区域中搜集病患特征，并与多种已知病患与各种病患特征的对应关系数据库相匹配。对于图像分割技术，现有技术中已有较多的实例，例如具体地讲，可采用由G.Mori提出的分级方法来实现图像分割操作。该过分割操作首先采用规格化切割，随后在关于现有边界的假设下通过应用k均值聚类来迭代地构建后面层。规格化切割往往会产生大致相同尺寸的补块，并且k均值聚类算法确保低的强度内部变化。通过上述图像过分割操作，获得一组具有多层结构的分段。来自不同层的特征被收集在一起来增强呈现能力。而其中所述特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。其中，通过使用各个子区域的纹理属性、灰度属性和深度属性来确定被分割的子区域是对象子区域还是背景子区域。例如，图片的纹理属性可包括空间灰度相关性和后部阴影等。灰度属性可包括平均值和方差等。在这些特征中，空间灰度相关性起到重要作用。空间灰度相关性是可从二维柱状图空间灰度相关性共生矩阵得出纹理属性。空间灰度相关性共生矩阵中的所有元素被定义为按照距离并沿方向θ分离的灰度级i和灰度级j的联合概率。可从具有不同距离d’和方向θ’的这些矩阵提取纹理特征。本领域内技术人员根据以上教导，能够明确使用各个子区域的纹理属性、灰度属性和深度属性来确定被分割的子区域是对象子区域还是背景子区域的具体步骤。另外在步骤A之前，还包括对于已知病患牲畜和正常牲畜的图片进行预处理的步骤：A0、对图片进行降噪处理、并对降噪处理的图片进行增强，然后减小图片的大小；相应地，步骤D之前，也包括步骤D0：对待处理病患牲畜症状图片进行降噪处理、并对降噪处理的图片进行增强，然后减小图片的大小。对于降噪处理处理流程，例如可通过以下方法来减小超声图像的斑点噪声：总变差扩散(TVdisffusion)、维纳滤波器(Wienerfilter)、高斯滤波和中间滤波等。以上列举出的降噪方法仅作为示例而非限制，本领域内技术人员应知，各种降低图像中的噪声的手段均可应用于此。另外，所述对降噪后的图像进行图像增强。图像增强是指将图像规则化以增强图像分割性能。可以使用的图像增强手段包括柱状图均衡、光照去除等。特别地，从待处理病患牲畜症状图片中的对象子区域中，搜集病患特征，与多种已知病患与病患特征的对应关系数据库相匹配的方法是：将搜集到的待处理病患的病患特征与多种已知病患与各种病患特征的对应关系数据库中每一种已知病患对应的病患特征相匹配，计算搜集到的待处理病患的病患特征与已知病患对应的病患特征的匹配特征概率和，确定匹配特征概率和最大的已知病患。举例说明，假设多种已知病患与各种病患特征的对应关系数据库如下。特征a特征b特征c特征d……特征x疾病A40％63％52％3％……15％疾病B2％80％42％91％……0％……………………………………疾病X30％39％0％0％……46％如果搜集到的待处理病患的病患特征包括特征b，特征d，则通过计算搜集到的待处理病患的病患特征与已知病患对应的病患特征的匹配特征概率和为疾病A为66％，疾病B为171％……疾病X为39％，因此确定匹配特征概率和最大的已知病患为疾病B。当待处理病患的病患特征与各种已知病患对应的病患特征的匹配特征概率和均小于预定阈值时，返回无法匹配的提升信息，并提示更新待处理病患牲畜症状图片。其中，所述预定阈值根据精确性来确定，例如可以设置为60％，也就是说，如果提供的待处理病患牲畜症状图片与各种已知病患对应的病患特征的匹配特征概率和均小于60％时，认为根据现有的待处理病患牲畜症状图片无法判断为某一种已知病患，因此需要进一步更新待处理病患牲畜症状图片。如图2所示，与本发明具体实施方式中的病患牲畜症状图片处理方法相对应，本发明具体实施方式中还包括了一种病患牲畜症状图片处理装置，所述装置包括：元数据库单元，用于存储多张已知病患牲畜和正常牲畜的图片；图片分割单元，用于将多张已知病患牲畜的图片、正常牲畜的图片、待处理病患牲畜症状图片分割为子区域；子区域区分单元，用于将图片分割单元分割的子区域划分为对象子区域与背景子区域；病患特征提取单元，用于对比多张已知病患牲畜和正常牲畜的对象子区域，从已知病患牲畜的对象子区域中提取病患特征，确定各种已知病患牲畜的对象子区域中各种病患特征出现的概率；已知病患与各种病患特征的对应关系数据库，用于存储各种已知病患牲畜的对象子区域中各种病患特征出现的概率；病患特征匹配单元，用于基于多种已知病患与各种病患特征的对应关系数据库，从待处理病患牲畜症状图片中的对象子区域中搜集病患特征，并与多种已知病患与各种病患特征的对应关系数据库相匹配。另外，所述装置还包括图片预处理装置，所述预处理装置用于对图片进行降噪处理、并对降噪处理的图片进行增强，然后减小图片的大小。特别地，所述病患特征匹配单元包括匹配特征概率和确定单元，所述匹配特征概率和确定单元用于将搜集到的待处理病患的病患特征与多种已知病患与各种病患特征的对应关系数据库中每一种已知病患对应的病患特征相匹配，计算搜集到的待处理病患的病患特征与已知病患对应的病患特征的匹配特征概率和，确定匹配特征概率和最大的已知病患。另外，所述装置还包括提示单元，所述提示单元用于当待处理病患的病患特征与各种已知病患对应的病患特征的匹配特征概率和均小于预定阈值时，返回无法匹配的提升信息，并提示更新待处理病患牲畜症状图片。首先，通过本发明的病患牲畜症状图片处理方法及装置，能够从大量的已知病患牲畜图片中提取特征，并对提取出的特征进行聚类整理，因此具有准确度较高的特点，相当于具有丰富经验的兽医对图片进行的人工识别的结果。其次，通过本发明的病患牲畜症状图片处理方法及装置，能够自动将接收到的病患牲畜图片进行特征分解，并与已经分析过的病患牲畜特征数据库进行自动匹配，无需兽医在场即可进行诊断。需要说明的是，上述实施方式仅为本发明较佳的实施方案，不能将其理解为对本发明保护范围的限制，在未脱离本发明构思前提下，对本发明所做的任何微小变化与修饰均属于本发明的保护范围。当前第1页1 2 3