[发明专利]一种从视频中提取目标物体信息的方法

说明书

本发明涉及一种从视频中提取目标物体信息的方法，应用于透射成像视频，在所述视频的成像过程中，所述目标物体对成像光线有衰减作用，该方法包括以下步骤：S1、在原始视频中的每一帧图像中，考虑背景低秩特性和目标前景稀疏异常特性，结合低秩稀疏分解算法和目标特征细节增强及局部自适应滤波算法，分割出包含所述目标物体的目标区域；S2、根据所述原始视频，通过背景补全估算所述目标区域中像素的背景灰度值；S3、用所述原始视频在所述目标区域中像素的原始灰度值，减去或除以所述目标区域中像素的所述背景灰度值，得到所述目标区域中像素的前景灰度值。与现有技术相比，本发明具有有效去除噪声影响、目标复原精度高等优点。

技术领域

本发明涉及信息提取技术领域，尤其是涉及一种从视频中提取目标物体信息的方法。

背景技术

在信息领域，经常需要在带有噪声的视频序列的基础上提取有用信息。如X射线视频序列是一种视频序列，其中准确的血管图像是技术人员需要获取的对象，准确提取显影前景运动物的路径轨迹以及运动物灰度浓度信息是包括X射线血管造影医学成像在内的各种运动成像的本质核心。由于X射线投影成像机理，该造影投影图像中包含了除造影剂流经血管以外的众多结构，包括骨骼、肺、隔膜等人体组织的投影以及成像过程中的噪声。这些背景及噪声干扰了对血管的识别，从而影响医学研究以及对血管图像的进一步分析。因此需要将背景层与血管层分离，以得到更易识别血管的血管图像。

目前，以鲁棒主成分分析(robust principle component analysis)为代表的一类低秩稀疏分解(low-rank and sparse decomposition)算法是进行前景运动物提取，包括造影剂流经血管层提取效果最好的算法[Jin,M.,Li,R.,Jiang,J.and Qin,B.,2017.Extracting contrast-filled vessels in X-ray angiography by graduatedRPCA with motion coherency constraint.Pattern Recognition,63,pp.653-666.]。该算法将动态成像的视频数据矩阵分解为一个低秩背景矩阵和一个稀疏前景矩阵的和，该低秩矩阵反映了视频序列中相似性较大、运动变化较小的低秩背景，稀疏矩阵则对应视频中剧烈运动变化的前景运动物体。对应到X射线血管造影成像，流经造影剂的血管层运动变化最剧烈，因此可以通过鲁棒主成分分析将血管层作为稀疏分量和具有低秩特性的背景矩阵分离开。该血管层图像中，背景噪声极大减弱，血管得到了增强。但是，各种运动成像场景中，也存在了背景的运动变化。如X射线血管造影成像背景中的人体组织和器官也存在着运动；而运动成像时，前景运动物路径轨迹上的部分信号也有一定的低秩特性。如，血管层中紧贴血管壁的造影剂部分在各帧图像中运动变化相对缓慢，在各帧图像中也反映出一定的低秩特性。因此，基于鲁棒主成分分析模型，单纯利用低秩加稀疏分解对前景运动和背景层进行分离，也会有部分前景运动物物信息残留在背景层。如，X射线血管成像中也会有部分造影剂流经血管的残余信息遗留在背景层，因此单纯基于低秩稀疏矩阵分解原理的鲁棒主成分分析方法还无法精确地分离开前景运动物和背景层。

此外，也有一些图像增强技术被用于凸显前景运动物，提高前景运动图像的视觉质量。常用的方法有Gabor滤波、匹配滤波、形态学方法等。这些方法通常是基于前景运动物的形状特征，如血管的管状结构形态特征，对血管形状特征进行提取，从而得到更加清晰的血管结构。这些方法注重于提取前景运动物体的结构信息或形态学特征，但运动物的灰度信息往往被忽略。同时，背景中的部分噪声也具有类运动物的结构，无法被区分。

因此，现有前景运动物提取方法都无法精确地还原出前景运动物路径形状及灰度信息，因而也难以开展基于前景运动物路径形状及灰度浓度复原的量化及功能分析，如流动造影剂的流量分析，基于造影剂流量分析的心肌灌注功能分析等等。总体而言，现有的前景运动物提取算法的缺陷归纳如下：

1、提取出的前景运动物路径形状中仍然包含许多噪声和复杂背景干扰，如血管造影血管图像提取的血管形状还不够准确全面