從圖像中檢測對象的設備和方法
【專利摘要】一種從圖像中檢測對象的設備和方法。所述設備包括：顯著區(qū)域檢測器，從圖像中檢測顯著區(qū)域；第一特征提取器，從檢測的顯著區(qū)域提取第一圖像特征；第一識別器，利用第一分類器來基于提取的第一圖像特征識別第一對象所在的區(qū)域；圖像劃分器，將圖像劃分為多個塊；第二特征提取器，從分割的塊提取第二圖像特征；第二識別器，利用第二分類器來基于提取的第二圖像特征識別第二對象所在的區(qū)域；提取器，基于第一對象所在的區(qū)域和第二對象所在的區(qū)域提取第二對象的輪廓。
【專利說明】從圖像中檢測對象的設備和方法
【技術領域】
[0001]本發(fā)明涉及視覺和模式識別領域。更具體地講，涉及一種從圖像中檢測對象的設備和方法。
【背景技術】
[0002]對象檢測是視覺技術中的一個重要技術，其在智能視頻監(jiān)視、基于內容的圖像/視頻檢索、圖像/視頻注釋、輔助的人機交互中有非常重要的應用。
[0003]對象檢測主要基于經(jīng)驗的技術和基于學習的技術?；诮?jīng)驗的技術著眼于低層次圖像特征，例如灰度、梯度等，利于預先設定的規(guī)則、門限等完成對象的提取和分割。根據(jù)所處理的數(shù)據(jù)不同，分為二維技術和三維技術?；趯W習的技術利用較高層次的圖像特征，例如紋理、小波、圓度等，使用訓練集訓練出分類器，而后在需要處理的圖像上進行檢測。
[0004]現(xiàn)有的對象檢測技術主要存在如下問題:只針對特定應用場景中的于某一類或少數(shù)幾類結果，不能擴展到形狀、尺寸、外觀不同的對象；現(xiàn)有技術不能精確提取目標邊界和輪廓；現(xiàn)有技術速度慢，不能實時運行。
[0005]因此，需要一種能夠克服上述至少一個缺點的對象檢測方案。

【發(fā)明內容】

[0006]本發(fā)明的目的在于提供一種從圖像中檢測對象的設備和方法，以克服上述至少一個缺點。
[0007]本發(fā)明的一方面提供一種從圖像中檢測對象的設備，其特征在于，包括:顯著區(qū)域檢測器，從圖像中檢測顯著區(qū)域；第一特征提取器，從檢測的顯著區(qū)域提取第一圖像特征；第一識別器，利用第一分類器來基于提取的第一圖像特征識別第一對象所在的區(qū)域；圖像劃分器，將圖像劃分為多個塊；第二特征提取器，從分割的塊提取第二圖像特征；第二識別器，利用第二分類器來基于提取的第二圖像特征識別第二對象所在的區(qū)域；提取器，基于第一對象所在的區(qū)域和第二對象所在的區(qū)域提取第二對象的輪廓。
[0008]可選地，提取器包括:候選區(qū)域產(chǎn)生單元，利用第一對象所在的區(qū)域和第二對象所在的區(qū)域之間的位置關系，生成候選區(qū)域；代價圖生成單元，生成描述所述輪廓的可能位置的代價圖；路徑提取單元，從代價圖中提取總代價最小的路徑作為所述輪廓。
[0009]可選地，第二識別器將被分類為第二對象的塊所組成的聯(lián)通域之中的面積最大的聯(lián)通域識別為第二對象所在的區(qū)域。
[0010]可選地，第一分類器是利用第一對象的樣本集基于第一圖像特征訓練得到的，第二分類器是利用第二對象的樣本集基于第二圖像特征訓練得到的，其中，在圖像中，第二對象的尺寸大于第一對象的尺寸和/或包含第一對象。
[0011]可選地，第一對象的樣本集是解剖結構中的特征組織的樣本集，第二對象的樣本集是解剖結構中的器官組織的樣本集。
[0012]可選地，所述設備還包括:分割器，用于細化識別的第一對象所在的區(qū)域的邊界。[0013]可選地，圖像劃分器將圖像劃分為多個超像素作為所述多個塊。
[0014]本發(fā)明的另一方面提供一種從圖像中檢測對象的方法，其特征在于，包括:從圖像中檢測顯著區(qū)域；從檢測的顯著區(qū)域提取第一圖像特征；利用第一分類器來基于提取的第一圖像特征識別第一對象所在的區(qū)域；圖像劃分器，將圖像劃分為多個塊；從分割的塊提取第二圖像特征；利用第二分類器來基于提取的第二圖像特征識別第二對象所在的區(qū)域；基于第一對象所在的區(qū)域和第二對象所在的區(qū)域提取第二對象的輪廓。
[0015]可選地，基于第一對象所在的區(qū)域和第二對象所在的區(qū)域提取第二對象的輪廓的步驟包括:利用第一對象所在的區(qū)域和第二對象所在的區(qū)域之間的位置關系，生成候選區(qū)域；生成描述所述輪廓的可能位置的代價圖；從代價圖中提取總代價最小的路徑作為所述輪廓。
[0016]可選地，將被分類為第二對象的塊所組成的聯(lián)通域之中的面積最大的聯(lián)通域識別為第二對象所在的區(qū)域。
[0017]可選地，第一分類器是利用第一對象的樣本集基于第一圖像特征訓練得到的，第二分類器是利用第二對象的樣本集基于第二圖像特征訓練得到的，其中，在圖像中，第二對象的尺寸大于第一對象的尺寸和/或包含第一對象。
[0018]可選地，第一對象的樣本集是解剖結構中的特征組織的樣本集，第二對象的樣本集是解剖結構中的器官組織的樣本集。
[0019]可選地，所述方法還包括:用于細化識別的第一對象所在的區(qū)域的邊界。
[0020]可選地，將圖像劃分為多個超像素作為所述多個塊。
[0021]根據(jù)本發(fā)明的實施例的從圖像中檢測對象的設備和方法，對于形狀、尺寸、外觀不同的對象可以直接進行檢測，不需要人工調試。此外，本發(fā)明可以精確提取目標邊界和輪廓。此外，本發(fā)明可以同時檢測多種對象，并且需要的計算量較少，提高了檢測速度，可以實現(xiàn)在線檢測。
[0022]將在接下來的描述中部分闡述本發(fā)明另外的方面和/或優(yōu)點，還有一部分通過描述將是清楚的，或者可以經(jīng)過本發(fā)明的實施而得知。
【專利附圖】

【附圖說明】
[0023]通過下面結合附圖進行的詳細描述，本發(fā)明的上述和其它目的、特點和優(yōu)點將會變得更加清楚，其中:
[0024]圖1示出根據(jù)本發(fā)明的一個實施例的從圖像中檢測對象的設備的框圖；
[0025]圖2示出根據(jù)本發(fā)明的實施例的顯著區(qū)域的示例；
[0026]圖3示出根據(jù)本發(fā)明的實施例的圖像劃分結果的示例；
[0027]圖4示出根據(jù)本發(fā)明的實施例的提取器的框圖；
[0028]圖5示出根據(jù)本發(fā)明的實施例的候選區(qū)域的示例；
[0029]圖6示出根據(jù)本發(fā)明的實施例的輪廓的示例；
[0030]圖7示出根據(jù)本發(fā)明的另一個實施例的從圖像中檢測對象的設備的框圖；
[0031]圖8示出根據(jù)本發(fā)明的實施例的從圖像中檢測對象的方法的流程圖；
[0032]圖9示出根據(jù)本發(fā)明的實施例的提取第二對象的輪廓的流程圖；
[0033]圖10示出圖像中存在多種對象的一個示例。【具體實施方式】
[0034]現(xiàn)在，將參照附圖更充分地描述不同的示例實施例，其中，一些示例性實施例在附圖中示出。在附圖中，相同的標號表示相同的組件。
[0035]圖1示出根據(jù)本發(fā)明的一個實施例的從圖像中檢測對象的設備的框圖。
[0036]根據(jù)本發(fā)明的從圖像中檢測對象的設備可以通過對圖像中存在的多種對象的初步檢測結果進行綜合處理來最終精確地檢測出至少一種對象。
[0037]如圖1所示，根據(jù)本發(fā)明的從圖像中檢測對象的設備100包括:顯著區(qū)域檢測器110、第一特征提取器120、第一識別器130、圖像劃分器140、第二特征提取器150、第二識別器160、提取器170。
[0038]顯著區(qū)域檢測器110從圖像中檢測顯著區(qū)域。顯著區(qū)域是指與背景存在一定對比的區(qū)域。
[0039]顯著區(qū)域檢測器110可使用各種顯著區(qū)域提取算法(例如，MSER檢測方法、邊緣檢測方法或者Harris-affine檢測方法)從圖像中檢測與背景存在對比的顯著區(qū)域。
[0040]圖2示出根據(jù)本發(fā)明的實施例的顯著區(qū)域的一個示例。如圖2所示，檢測出的顯著區(qū)域以粗實線為輪廓標出。
[0041]與傳統(tǒng)對象檢測中使用掃描窗方法來獲得區(qū)域的方式相比，進行顯著區(qū)域檢測所得到的區(qū)域的有效區(qū)域數(shù)量多、區(qū)域總數(shù)少、并且所需的處理時間少。
[0042]第一特征提取器120從顯著區(qū)域檢測器110所檢測的每個顯著區(qū)域提取圖像特征(以下，為了描述方便，稱為第一圖像特征)。
[0043]可提取至少一種用于表現(xiàn)對象特性的圖像特征。圖像特征可以是例如邊緣能量、面積周長比、不同部分平均灰度等中的至少一個，但本發(fā)明不限于此，也可使用其他用于表現(xiàn)對象特性的圖像特征。
[0044]第一識別器130利用第一分類器來基于提取的第一圖像特征識別第一對象所在的區(qū)域。此時，可以初步檢測到第一對象。
[0045]可利用第一對象的訓練樣本集基于第一圖像特征來預先訓練出第一分類器。為了識別多種類型的第一對象，第一分類器可采用多類分類器，例如隨機森林分類器或多類SVM分類器。由于利用從訓練樣本集提取的圖像特征訓練分類器的技術是已知的，將不再詳述。
[0046]圖像劃分器140將圖像劃分為多個塊。圖像劃分器140可利用各種圖像劃分算法來將圖像劃分為多個塊。例如，可以將圖像劃分為尺寸類似或相同的多個塊。
[0047]在一個示例中，使用超像素(super pixel)算法將圖像劃分為多個尺寸類似或相同的多個塊。圖3示出根據(jù)本發(fā)明的實施例的圖像劃分結果的一個示例。如圖3所示，每個超像素的面積較小，包含的內容相對簡單。通過這樣的劃分處理，便于隨后檢測圖像中可能包含有的第一對象的第二對象。
[0048]第二特征提取器150從每個劃分的塊提取圖像特征(以下，為了描述方便，稱為第二圖像特征)?？商崛≈辽僖环N用于表現(xiàn)對象特性的圖像特征。
[0049]第二識別器160利用第二分類器來基于提取的第二圖像特征識別第二對象所在的區(qū)域。
[0050]可利用第二對象的訓練樣本集基于第二圖像特征來預先訓練出第二分類器。[0051]在一個示例中，第二識別器160可采用二類分類器，用于將劃分的塊歸類為第二對象或背景。此外，第二識別器160將被分類為第二對象的塊所組成的聯(lián)通域之中的面積最大的聯(lián)通域識別為第二對象所在的區(qū)域。
[0052]提取器170基于第一對象所在的區(qū)域和第二對象所在的區(qū)域提取第二對象的輪廓。具體地說，提取器170可基于第一對象所在的區(qū)域和第二對象所在的區(qū)域的位置關系提取第二對象的輪廓，從而更精確地檢測第二對象。
[0053]下面參照圖4描述根據(jù)本發(fā)明的提取器170的一個示例。圖4示出根據(jù)本發(fā)明的實施例的提取器的框圖。
[0054]如圖4所示，根據(jù)本發(fā)明的提取器170包括:候選區(qū)域產(chǎn)生單元171、代價圖生成單元172、路徑提取單元173。
[0055]候選區(qū)域產(chǎn)生單元171利用第一對象所在的區(qū)域和第二對象所在的區(qū)域，生成第二對象的輪廓所在的候選區(qū)域。具體地說，選區(qū)域產(chǎn)生單元171利用第一對象所在的區(qū)域和第二對象所在的區(qū)域之間的位置關系，確定第二對象的輪廓所在的候選區(qū)域。通常可以確定第二對象的輪廓所在的候選區(qū)域位于第一對象所在的區(qū)域和第二對象所在的區(qū)域之間的區(qū)域中。
[0056]例如，在第一對象是解剖結構中的特征組織，第二對象是解剖結構中的器官組織的情況下，可以根據(jù)由第一識別器130識別出的特征組織和由第二識別器160識別出的器官組織之間的位置關系，來大概確定器官組織的輪廓所在的區(qū)域。
[0057]圖5示出根據(jù)本發(fā)明的實施例的候選區(qū)域的一個示例。在圖5中，豎直虛線區(qū)域為由第二識別器160識別出的肝臟區(qū)域，傾斜虛線區(qū)域為由第一識別器130識別出的隔膜區(qū)域，根據(jù)隔膜區(qū)域和肝臟區(qū)域的位置關系，可以確定肝臟的輪廓所在的區(qū)域存在于隔膜區(qū)域與肝臟區(qū)域之間的區(qū)域(如粗實線圍繞的區(qū)域所示)。
[0058]代價圖生成單元172生成描述輪廓可能位置的代價圖，也即，可能的輪廓的代價圖。代價圖生成單元172可利用各種圖像信息來生產(chǎn)代價圖。例如，代價圖生成單元172可利用沿輪廓的灰度值的連續(xù)性、垂直于輪廓的梯度強度、輪廓與第一對象所在的區(qū)域和第二對象所在的區(qū)域的位置關系中的至少一個來生成代價圖。由于生成代價圖的技術是已知的，不再詳述。
[0059]當利用多種信息產(chǎn)生代價圖時，每個像素的代價是所述多種信息產(chǎn)生的代價的加權和。
[0060]路徑提取單元173從代價圖中提取總代價最小的路徑作為所述輪廓?？墒褂米疃搪贩椒?例如，Di jkstra算法或Bellman-Ford算法)從代價圖中提取總代價最小的路徑。圖6示出根據(jù)本發(fā)明的實施例的輪廓的一個示例。在圖6中，提取的輪廓由粗實線示出。
[0061]圖7示出根據(jù)本發(fā)明的另一個實施例的從圖像中檢測對象的設備的框圖。
[0062]與圖1所示的實施例相比，圖7所示的從圖像中檢測對象的設備還包括分割器180。分割器180用于細化識別的第一對象所在的區(qū)域的邊界?？衫矛F(xiàn)有的分割算法(例如，水平集方法)來細化第一對象所在的區(qū)域的邊界。
[0063]根據(jù)本發(fā)明的顯著區(qū)域檢測器、第一特征提取器、第一識別器、圖像劃分器、第二特征提取器、第二識別器、提取器、分割器、候選區(qū)域產(chǎn)生單元、代價圖生成單元、路徑提取單元代表硬件組件，可由諸如模塊執(zhí)行特定任務的現(xiàn)場可編程門陣列(FPGA)或專用集成電路(ASIC)來實現(xiàn)。本領域技術人員根據(jù)說明書對這些器件的描述可以容易地實現(xiàn)對應的FPGA或ASIC的結構。
[0064]圖8示出根據(jù)本發(fā)明的實施例的從圖像中檢測對象的方法的流程圖。
[0065]在步驟801，從圖像中檢測顯著區(qū)域。顯著區(qū)域是指與背景存在預定對比的區(qū)域。
[0066]可使用各種顯著區(qū)域提取算法(例如，MSER檢測方法，邊緣檢測方法或者Harris-affine檢測方法)從圖像中檢測與背景存在對比的顯著區(qū)域。
[0067]在步驟802，從在步驟801所檢測的每個顯著區(qū)域提取第一圖像特征。
[0068]可提取至少一種用于表現(xiàn)對象特性的圖像特征。圖像特征可以是例如邊緣能量、面積周長比、不同部分平均灰度等中的至少一個，但本發(fā)明不限于此，也可使用其他用于表現(xiàn)對象特性的圖像特征。
[0069]在步驟803，利用第一分類器來基于提取的第一圖像特征識別第一對象所在的區(qū)域。此時，可以初步檢測到第一對象。
[0070]可利用第一對象的訓練樣本集基于第一圖像特征來預先訓練出第一分類器。為了識別多種類型的第一對象，第一分類器可采用多類分類器，例如隨機森林分類器或多類SVM分類器。
[0071]在步驟804，將圖像劃分為多個塊?？衫酶鞣N圖像劃分算法來將圖像劃分為多個塊。例如，可以將圖像劃分為多個尺寸類似的多個塊。
[0072]在一個示例中，使用超像素(super pixel)算法將圖像劃分為多個尺寸類似的多個塊。
[0073]在步驟805，從每個劃分的塊提取第二圖像特征?？商崛≈辽僖环N用于表現(xiàn)對象特性的圖像特征。
[0074]在步驟806，利用第二分類器來基于提取的第二圖像特征識別第二對象所在的區(qū)域。
[0075]可利用第二對象的訓練樣本集基于第二圖像特征來預先訓練出第二分類器。
[0076]在一個示例中，可采用二類分類器，以將劃分的塊歸類為第二對象或背景。此外，可將被分類為第二對象的塊所組成的聯(lián)通域之中的面積最大的聯(lián)通域識別為第二對象所在的區(qū)域。
[0077]在步驟807，基于第一對象所在的區(qū)域和第二對象所在的區(qū)域提取第二對象的輪廓。具體地說，可基于第一對象所在的區(qū)域和第二對象所在的區(qū)域的位置關系提取第二對象的輪廓。
[0078]應該理解，步驟801-803與步驟804-806的先后執(zhí)行并且執(zhí)行次序可以交換或者步驟801-803與步驟804-806可以并行或同時進行。
[0079]此外，圖8所示的方法還可包括細化在步驟803識別的第一對象所在的區(qū)域的邊界的步驟?？衫矛F(xiàn)有的分割算法(例如，水平集方法)來細化第一對象所在的區(qū)域的邊界。
[0080]下面參照圖9描述基于第一對象所在的區(qū)域和第二對象所在的區(qū)域提取第二對象的輪廓的一個示例。圖9示出根據(jù)本發(fā)明的實施例的提取第二對象的輪廓的流程圖。[0081 ] 在步驟901，利用第一對象所在的區(qū)域和第二對象所在的區(qū)域，生成第二對象的輪廓所在的候選區(qū)域。具體地說，可利用第一對象所在的區(qū)域和第二對象所在的區(qū)域之間的位置關系，確定第二對象的輪廓所在的候選區(qū)域。[0082]在步驟902，生成描述輪廓可能位置的代價圖，也即，可能的輪廓的代價圖?？衫酶鞣N圖像信息來生產(chǎn)代價圖。例如，可利用沿輪廓的灰度值的連續(xù)性、垂直于輪廓的梯度強度、輪廓與第一對象所在的區(qū)域和第二對象所在的區(qū)域的位置關系中的至少一個來生成代價圖。
[0083]當利用多種信息產(chǎn)生代價圖時，每個像素的代價是所述多種信息產(chǎn)生的代價的加權和。
[0084]在步驟903，從代價圖中提取總代價最小的路徑作為所述輪廓?？墒褂米疃搪贩椒?例如，Dijkstra算法或Bellman-Ford算法)從代價圖中提取總代價最小的路徑。圖6示出根據(jù)本發(fā)明的實施例的輪廓的一個示例。
[0085]根據(jù)本發(fā)明的實施例的從圖像中檢測對象的設備和方法可以通過對圖像中存在的多種對象的初步檢測結果進行綜合處理，來最終精確地檢測出至少一種對象。例如，圖10示出圖像中存在多種對象的一個示例。
[0086]在圖10中示出的圖像為一個醫(yī)學圖像，標號a指示的對象為特征組織(例如，血管、結節(jié)、隔膜、腫瘤、囊腫等)，標號b指示的區(qū)域為器官組織(例如，肝臟、肺、膽囊、腎臟等)。在醫(yī)學圖像中，由于特征組織尺寸較小，與背景對比突出，并且內部一般不包含其他結構，而器官組織所占面積較大，通常會包含著特征組織，因此根據(jù)現(xiàn)有的技術很難從圖像中識別出器官組織。根據(jù)本發(fā)明的實施例的從圖像中檢測對象的設備和方法，針對醫(yī)學圖像中特征組織和器官組織的特點，可以首先初步檢測出作為第一對象的特征組織并初步檢測出作為第二對象的器官組織，然后最終結合初步檢測的特征組織和器官組織來最終精確地檢測出器官組織。
[0087]此外，除了上面作為示例的醫(yī)學圖像之外，本發(fā)明也可應用于其他的具有多種類型的對象的圖像，特別適應于在圖像中至少一個類型的對象的尺寸較小并且可能包含在另一種類型的對象中的情況。
[0088]根據(jù)本發(fā)明的實施例的從圖像中檢測對象的設備和方法，對于形狀、尺寸、外觀不同的對象可以直接進行檢測，不需要人工調試。此外，本發(fā)明可以精確提取目標邊界和輪廓。此外，本發(fā)明可以同時檢測多種對象，并且需要的計算量較少，提高了檢測速度，可以實現(xiàn)在線檢測。
[0089]盡管已經(jīng)參照其示例性實施例具體顯示和描述了本發(fā)明，但是本領域的技術人員應該理解，在不脫離權利要求所限定的本發(fā)明的精神和范圍的情況下，可以對其進行形式和細節(jié)上的各種改變。
【權利要求】
1.一種從圖像中檢測對象的設備，其特征在于，包括: 顯著區(qū)域檢測器，從圖像中檢測顯著區(qū)域； 第一特征提取器，從檢測的顯著區(qū)域提取第一圖像特征； 第一識別器，利用第一分類器來基于提取的第一圖像特征識別第一對象所在的區(qū)域； 圖像劃分器，將圖像劃分為多個塊； 第二特征提取器，從分割的塊提取第二圖像特征； 第二識別器，利用第二分類器來基于提取的第二圖像特征識別第二對象所在的區(qū)域； 提取器，基于第一對象所在的區(qū)域和第二對象所在的區(qū)域提取第二對象的輪廓。
2.根據(jù)權利要求1所述的設備，其中，提取器包括: 候選區(qū)域產(chǎn)生單元，利用第一對象所在的區(qū)域和第二對象所在的區(qū)域之間的位置關系，生成候選區(qū)域； 代價圖生成單元，生成描述所述輪廓的可能位置的代價圖； 路徑提取單元，從代價圖中提取總代價最小的路徑作為所述輪廓。
3.根據(jù)權利要求1所述的設備，其中，第二識別器將被分類為第二對象的塊所組成的聯(lián)通域之中的面積最大的聯(lián)通域識別為第二對象所在的區(qū)域。
4.根據(jù)權利要求1所述的設備，其中，第一分類器是利用第一對象的樣本集基于第一圖像特征訓練得到的，第二分類器是利用第二對象的樣本集基于第二圖像特征訓練得到的，其中，在圖像中，第二對象的尺寸大于第一對象的尺寸和/或包含第一對象。
5.根據(jù)權利要求4所述的設備，其中，第一對象的樣本集是解剖結構中的特征組織的樣本集，第二對象的樣本集是解剖結構中的器官組織的樣本集。
6.根據(jù)權利要求1所述的設備，還包括: 分割器，用于細化識別的第一對象所在的區(qū)域的邊界。
7.根據(jù)權利要求1所述的設備，其中，圖像劃分器將圖像劃分為多個超像素作為所述多個塊。
8.一種從圖像中檢測對象的方法，其特征在于，包括: 從圖像中檢測顯著區(qū)域； 從檢測的顯著區(qū)域提取第一圖像特征； 利用第一分類器來基于提取的第一圖像特征識別第一對象所在的區(qū)域； 圖像劃分器，將圖像劃分為多個塊； 從分割的塊提取第二圖像特征； 利用第二分類器來基于提取的第二圖像特征識別第二對象所在的區(qū)域； 基于第一對象所在的區(qū)域和第二對象所在的區(qū)域提取第二對象的輪廓。
9.根據(jù)權利要求8所述的方法，其中，基于第一對象所在的區(qū)域和第二對象所在的區(qū)域提取第二對象的輪廓的步驟包括: 利用第一對象所在的區(qū)域和第二對象所在的區(qū)域之間的位置關系，生成候選區(qū)域； 生成描述所述輪廓的可能位置的代價圖； 從代價圖中提取總代價最小的路徑作為所述輪廓。
10.根據(jù)權利要求9所述的方法，其中，將被分類為第二對象的塊所組成的聯(lián)通域之中的面積最大的聯(lián)通域識別為第二對象所在的區(qū)域。
11.根據(jù)權利要求9所述的方法，其中，第一分類器是利用第一對象的樣本集基于第一圖像特征訓練得到的，第二分類器是利用第二對象的樣本集基于第二圖像特征訓練得到的，其中，在圖像中，第二對象的尺寸大于第一對象的尺寸和/或包含第一對象。
12.根據(jù)權利要求11所述的方法，其中，第一對象的樣本集是解剖結構中的特征組織的樣本集，第二對象的樣本集是解剖結構中的器官組織的樣本集。
13.根據(jù)權利要求9所述的方法，還包括: 用于細化識別的第一對象所在的區(qū)域的邊界。
14.根據(jù)權利要求9所述的方法，其中，將圖像劃分為多個超像素作為所述多個塊。
【文檔編號】G06K9/46GK103914710SQ201310001556
【公開日】2014年7月9日 申請日期:2013年1月5日 優(yōu)先權日:2013年1月5日
【發(fā)明者】沈曉璐, 馮雪濤, 王強, 郝志會, 金培亭, 金智淵 申請人:北京三星通信技術研究有限公司, 三星電子株式會社