用于减少视频信号图像中的假阳性检测的方法、装置和计算机可读存储介质

摘要

本发明涉及计算(S101)视频信号的一系列图像的当前图像的部段的信息内容，其中所述视频信号必须馈送至算法以用于计算和指示所述视频信号中对象的检测。如果所述当前图像的所述部段的所述计算信息内容小于阈值(S103)，那么抑制(S105)所述系列图像的至少所述当前图像的所述部段或所述当前图像和其他图像的对象检测的所述计算和指示。

说明书

技术领域

本发明涉及一种用于减少视频信号图像中的假阳性检测的方法、装置和计算机可读存储介质。

背景技术

基于人工智能的对象检测算法对于非领域对象为特别敏感的，这些算法对于这些非领域对象尚未训练，诸如伪影、模糊图像等。由此产生的假阳性检测干扰了一般感知并且还可使实际信息模糊。

发明内容

本发明的一个目标是通过视频信号图像中的对象检测算法来减少假阳性检测。

根据本发明，该目标如附属权利要求书所规定来实现。

根据本发明的第一实施例，潜在假阳性检测的计算和指示(例如，显示)在无信息内容的视频信号的图像中受抑制。根据本发明的第二实施例，潜在假阳性检测的计算和指示(例如，显示)在无内容相关连接的视频信号的多个图像系列中进一步受抑制。

根据本发明，此类抑制增加了对象检测算法的检测特异性，特别是基于人工智能的对象检测算法。此外，可节省计算能力，因为对象检测算法仅需要对于具有特定信息内容的视频信号的图像执行检测的计算和指示。

附图说明

在下文中，本发明的实施例将参考附图进行更详细的描述。下文示出：

图1根据本发明的第一实施例示出了方法的流程图，该方法用于抑制视频信号的图像中对象的检测的计算和指示。

图2根据本发明的实施例示出了示意图，以解释对于视频信号的图像所执行的计算。

图3根据本发明的第二实施例示出了方法的流程图，该方法用于抑制视频信号的图像中对象的检测的计算和指示。

图4示出了电路装置的示意性框图，本发明的实施例可在该电路装置中实施。

具体实施方式

在下文中，第一实施例参考图1进行描述。

图1根据第一实施例示出了方法的流程图，该方法用于抑制视频信号的图像中对象的检测的计算和指示。

视频信号为例如内窥镜视频信号，该内窥镜视频信号利用内窥镜装置通过内窥镜检查(例如，胃和/或肠道)来检测，该视频信号从内窥镜装置输出。对象为例如诊断相关结构，诸如病灶、息肉等。根据本发明的一个应用实例，对象检测包括病灶、息肉等的检测。

内窥镜装置包括刚性内窥镜、柔性内窥镜和胶囊式内窥镜。

在视频信号已通过图1所示的方法进行处理之后，其馈送至算法，该算法计算并指示所处理视频信号的图像中对象的检测。例如，算法基于人工智能或利用机器学习技术。

在图1的进程S101，计算视频信号的一系列图像的当前图像的部段的信息内容。信息内容基于例如扩展熵度量进行计算。然后，继续进行进程S103。

图像或图像细节或图像部段的熵水平基于存在于该图像中的信息的概率分布(例如，8位灰度图像内的强度分布)。为确定与对象相关的信息内容，Shannon所描述的熵水平通过将额外组件包括于扩展熵度量中来扩展，诸如空间信息(例如，图像强度的一阶或二阶导数)或纹理信息(例如，Haralick特征或局部二进制模式)。

在进程S103，当前图像的部段的计算信息内容与阈值相比较。然后，继续进行进程S105。

上文所述及阈值例如针对具体领域或相对于对象进行确定，并且利用独立测试数据进行验证。因此，阈值优选地为可变阈值。

如果确定计算信息内容小于阈值，那么当前图像的部段的对象检测的计算和指示在进程S105中受抑制。根据一个实施例，对象检测的计算和指示不仅对于当前图像的部段而且对于当前图像之后的其他图像的对应部段受抑制。这些其他图像的数量包括例如从1个至1000个图像的选择。

例如，进程S101、S103和S105对于该系列所有图像进行重复。该系列图像可包括部分或完整视频信号。

例如，在用于当前图像N的进程S105之后，用于当前图像N+1的进程S101开始。此外，进程S101、S103和S105的并行处理(S101中的当前图像N+2、S130中的当前图像N+1和S105中的当前图像N)也是可能的。

例如，如果在进程S105中确定计算信息内容I大于或等于阈值t，那么对于当前图像N的部段或对于其他图像的对象检测的计算和指示可在某些条件下承认。

该部段包括例如当前图像的完整细节。另选地，该部段包括根据需要所精细地解析的当前图像的部分。例如，该部段包括当前图像的2×2、3×3等片段的部分。

图1所示的方法例如通过图4所示的电路装置40来实施，电路装置40将在下文更详细地描述。

现参考图2，图2根据本发明的实施例示出了示意图，以解释对于视频信号的图像所执行的计算。

在图1所示的方法中，信息内容I对于视频信号的一系列图像的当前图像N进行计算并且与阈值相比较。

根据第二实施例，除了当前图像N的信息内容I，还计算当前图像N的特性C。此外，相似性特性S经由视频信号的该系列图像的相邻(例如，先前)图像N-1、N-2、N-3等进行计算。需注意，“相邻图像”不限于“先前图像”。例如，在视频信号的非实时处理的情况下，图像N之后的图像也可考虑用于计算。

图3根据第二实施例示出了方法的流程图，该方法用于抑制视频信号的图像中对象的检测的计算和指示。

在进程S301中，输入视频信号的该系列图像的当前图像N。然后，继续进行进程S303，其中如同进程101，计算当前图像N的部段的信息内容I。信息内容I例如基于如上文所描述的扩展熵度量进行计算。

在随后进程S305中，如同在进程S103中，确定当前图像N的部段的计算信息内容I是否大于或等于阈值t。也就是说，信息内容I与阈值t相比较。如上文所描述，阈值t例如针对具体领域或相对于对象进行确定并且利用独立测试数据进行验证。优选地，阈值t为可变的。

如果在进程S305中确定计算信息内容I不大于或等于阈值t，那么这最终导致在进程S311中抑制对于该系列图像中的当前图像N的部段或当前图像N和其他图像的对象检测的计算和指示，类似于进程S105。

在第二实施例中，当信息内容I小于阈值t时，进程S305之后为进程S307。

在进程S307中，计算当前图像N的部段的特性C。在随后进程S309中，相似性特性S以当前图像N的部段的计算特性C进行更新。相似性特性S经由视频信号的该系列图像的相邻图像N-1、N-2、N-3等进行计算，这些相邻图像相邻于当前图像N，例如在其之前。最后，进程S309之后为进程S311。

如果在进程S305中确定计算信息内容I大于或等于阈值t，那么继续进行对应于进程S307的进程S313，其中计算当前图像N的部段的特性C。随后进程S315对应于进程S309，其中相似性特性S以当前图像N的部段的计算特性C进行更新。

需注意，进程S307或S313和S309或S315也可在进程S305之前执行。在第二实施例的此类配置中，进程S303还可在进程S307或S313之后，或在进程S309或S315之后执行。

在进程S315之后的进程S317中，确定更新相似性特性S是否类似于至少一个已知干扰特性。

如果在进程S317中确定更新相似性特性S类似于至少一个已知干扰特性，那么继续进行进程S311以用于抑制当前图像N的部段的对象检测的计算和指示。

如果在进程S305中确定计算信息内容I大于或等于阈值t，并且如果在进程S317中确定更新相似性特性S不类似于已知干扰特性，那么执行进程S319，其中允许对于当前图像N的部段的对象检测的计算和指示。

图3所示的进程例如对于该系列的所有图像进行重复。该系列的图像可包括视频信号的一部分或全部。

例如，在当前图像N的进程S311或S319之后，视频信号的该系列图像的当前图像N+1的进程S301开始。不过，在输入当前图像N+1之前，无需等待当前图像N的进程S311或S319的结束。

图3所示的进程还可并行执行。

进程S105和S311中检测的计算和指示的抑制包括，例如至少图像N未馈送至算法，该算法用于计算并指示对象的检测并且将其例如从该处理视频信号中移除，该处理视频信号输入至所述算法。另选地，至少图像N在进程S105和S311中标记为图像，该图像在馈送至算法的处理视频信号中未进行编辑。

在进程S319中允许检测的计算和指示包括例如，图像N保持于处理视频信号中，该处理视频信号馈送至算法以用于计算和指示对象的检测。

在进程S307或S313中，当前图像N的特性C利用例如视频信号的图像的典型特征进行计算。找出图像的典型特征，例如，取决于对象的类型。此类特征(类似于扩展熵度量)基于空间信息(例如，图像强度的一阶或二阶导数)或纹理信息(例如，Haralick特征或局部二进制模式)。根据一个实施实例，特性C为具有间隔的矢量。根据另一实施实例，特性C为一种决策树。

在进程S309或S315中，相似性特性S例如基于当前图像N的部段和相邻图像N-1、N-2、N-3等的部段之间的相似性度量进行更新。相似性特性S包括相邻图像N-1、N-2、N-3等的特性C。其取决于独立特性如何链接的特性类型。

相邻图像N-1、N-2、N-3等(相似性特性基于其进行计算)的数量包括例如一个图像至一百个图像。

在进程S317中，确定更新相似性特性S是否类似于至少一个已知干扰特性。

干扰特性为如上文所描述的特性的表达。干扰特性为例如具有间隔的矢量或决策树，其中在每个节点处决定计算特征(例如，Haralick特征)是否处于间隔内等。已知预限定干扰特性包括例如：漂洗水和漂洗伪影，当内窥镜装置的镜头直接地停留在粘膜上和因此可视的所有事物处于内窥镜装置的镜头的聚焦范围之外时所引起的模糊图像，通过在内窥镜检查期间的快速移动或内窥镜装置的镜头的污物所引起的模糊图像。

根据实施方式，为确定更新相似性特性S是否类似于至少一个已知干扰特性，间隔矢量或决策树进行比较并且决定它们是否充分地类似。例如，在两种情况下，间隔用于确定已知干扰特性是否包括于相似性特性S中，或反之亦然。

例如，已知干扰特性为具体表达，诸如，如上文所描述特征的矢量，并且相似性特性S包括间隔。如果矢量的独立数值处于相似性特性S的矢量间隔内，那么已知干扰特性和相似性特性S为类似的。

在另一方面，如果相似性特性S为具体表达并且已知干扰特性包括间隔(其构成一种优选实施方式)，那么在具体表达的数值包含于间隔内的情况下，特性为类似的。也就是说，如果相似性特性S包括于已知干扰特性的至少一者中，那么相似性特性与之类似。

根据第二实施例的配置，当前图像N的部段的计算特性C进行加权，并且相似性特性S以当前图像N的部段的该加权计算特性进行更新。因此，可控制图像对于相似性特性的影响。例如，应用加权法，该加权法对于当前图像具有相比于更早图像的较大影响。根据一个实施实例，这种关系为线性的。根据另一实施实例，这种关系关联于其他参数。

图3所示的方法例如通过图4所示的电路装置40来实施。

电路装置40包括处理器具(例如，处理电路)41(诸如一个或多个处理器，例如CPU)、存储器具(例如，存储电路)42(诸如一个或多个只读存储器(ROM)、一个或多个随机存取存储器(RAM)等)，和接口(例如，接口电路)43。

根据本发明的一个实施实例，存储器具42存储了程序，该程序当由处理器具41执行时实施图1所示的方法或图3所示的方法。

根据另一实施实例，图1或图3所示的方法通过专用电路结构来实施，该专用电路结构利用了处理器具41、存储器具42和接口43。例如，根据本发明的一个实施例，处理器具41和存储器具实施了装置的计算器具、确定器具、抑制器具或承认器具。

通过接口43，电路装置40在一个方面例如从内窥镜装置接收视频信号，并且在另一方面将该处理视频信号输出至算法，以用于计算和指示该处理视频信号中对象的检测。

根据本发明，视频信号基于其图像内容进行滤波，并且由此处理的视频信号馈送至算法，以用于计算和指示该处理视频信号中对象的检测。相比于基于检测的特性和分布的滤波，基于图像内容的滤波具有以下优点：算法中的检测指示未经历任何额外延迟。