一种图像定位方法、装置、计算机及存储介质与流程

本发明实施例涉及图像定位技术，尤其涉及一种图像定位方法、装置、计算机及存储介质。

背景技术：

随着图像处理技术的不断发展，图像处理技术广泛应用于医学图像、机器人视觉、航空航天以及通信等领域。

在医学领域通过各种医学图像辅助医生获取病人的病情，例如医学图像包括ct图像、磁共振图像和超声图像等。在医学图像的后处理中，对医学图像中单个或者多个目标的定位是图像分割以及图像配准等处理应用的前提步骤，具有重要的临床应用价值，但是由于医学图像的成像质量易受各种因素的影响，例如成像过程中的噪声、病人的病理、位置、姿态动作或者所服用的造影剂等均会影响医学图像的成像质量，增加图像目标定位的难度。

近年来，以机器学习为代表的人工智能技术得到不断的发展，并逐渐应用于医学图像的目标定位中。目前，以单一树模型为基础进行分类学习，学习模型鲁棒性差，定位精度低。

技术实现要素：

本发明实施例提供一种图像定位方法、装置、计算机及存储介质，以实现提高图像定位的鲁棒性。

第一方面，本发明实施例提供了一种图像定位方法，该方法包括：

获取医学图像，并确定所述医学图像的各像素点的特征信息；

根据所述特征信息和随机概率提升森林分类器对所述各像素点进行分类，并计算所述各像素点属于目标位置的概率；

将满足预设概率条件的像素点的位置信息确定为所述目标位置的定位结果。

进一步的，在根据随机概率提升树森林分类器对所述各像素点进行分类之前，还包括：

确定满足目标位置对应的灰度值范围的像素点。

进一步的，计算所述各像素点属于目标位置的概率，包括：

计算所述各像素点在随机概率提升森林中各概率提升树根节点的概率，确定为所述各像素点在所述概率提升树根节点中属于目标位置的概率，其中，所述各像素点在各概率提升树根节点的概率等于所述概率提升树的子树根节点的概率和其对应根节点的权重乘积之和；

将所述随机概率提升森林中各概率提升树根节点的概率的平均值确定为所述各像素点的概率。

进一步的，在获取医学图像之前，还包括：

获取至少两个训练样本集，根据所述训练样本集训练随机概率提升森林分类器。

进一步的，根据所述训练样本集训练随机概率提升森林分类器，包括：

将所述训练样本根据所述随机概率提升森林分类器进行分类，将分类结果与所述训练样本集的金标准进行比对，确定所述随机概率提升森林的训练误差；

若所述随机概率提升森林的训练误差大于预设误差阈值，则在误分类样本所在的位置区域增加样本采集数量，更新所述训练样本集；

根据更新后的训练样本集训练所述随机概率提升森林分类器。

在根据所述训练样本集训练随机概率提升森林分类器之后，还包括：

根据随机概率提升森林中除当前概率提升树之外的其他概率提升树的训练样本集测试所述当前概率提升树分类器，获取测试结果；

根据所述测试结果更新所述当前概率提升树的训练结果。

进一步的，所述医学图像包括：血管造影图像或心脏造影图像；

相应的，所述目标位置包括血管种子点或主动脉瓣。

第二方面，本发明实施例还提供了一种图像定位装置，该装置包括：

图像获取模块，用于获取医学图像，并确定所述医学图像的各像素点的特征信息；

概率确定模块，根据所述特征信息和随机概率提升森林分类器对所述各像素点进行分类，并计算所述各像素点属于目标位置的概率；

定位结果确定模块，用于将满足预设概率条件的像素点的位置信息确定为所述目标位置的定位结果。

进一步的，所述装置还包括：

像素点确定模块，用于在根据随机概率提升森林分类器对所述各像素点进行分类之前，确定满足目标位置对应的灰度值范围的像素点。

进一步的，测试模块具体用于：

计算所述各像素点在随机概率提升森林中各概率提升树根节点的概率，确定为所述各像素点在概率提升树根节点中属于目标位置的概率，其中，所述各像素点在各概率提升树根节点的概率等于所述概率提升树的子树根节点的概率和其对应根节点的权重乘积之和；

将所述随机概率提升森林种各预设概率提升树根节点的概率的平均值确定为所述各像素点的概率。

进一步的，所述装置还包括：

概率提升树训练模块，用于在获取医学图像之前，获取至少两个训练样本集，根据所述训练样本集训练随机概率提升森林分类器。

进一步的，所述装置还包括：

训练误差确定模块，用于在根据所述训练样本集训练随机概率提升森林分类器之后，将所述训练样本根据所述随机概率提升森林分类器进行分类，将分类结果与所述训练样本进行比对，确定各训练样本在概率提升树中的训练误差；

样本集更新模块，用于若所述训练样本的训练误差大于预设误差阈值，则增加所述样本所在位置区域的样本采集数量，更新所述训练样本集；

分类器循环训练模块，根据更新后的训练样本集训练随机概率提升森林分类器。

进一步的，所述装置还包括：

随机概率提升森林测试模块，用于在根据所述训练样本集训练随机概率提升森林分类器之后，根据随机概率提升森林中除当前概率提升树之外的其他概率提升树的训练样本集测试所述当前概率提升树的分类器，获取测试结果；

训练结果更新模块，用于根据所述测试结果更新所述当前概率提升树的训练结果。

进一步的，所述医学图像包括：血管造影图像或心脏造影图像；

相应的，所述目标位置包括血管种子点或主动脉瓣。

第三方面，本发明实施例还提供了一种计算机，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-7任一所述的方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-7任一所述的方法。

本发明实施例通过将待定位图像的特征信息输入随机概率提升森林，确定各像素点属于目标位置的概率，根据预设概率条件，确定为目标位置的定位结果，通过随机概率提升森林替代了传统分类树，同时避免了单一分类树可能存在误差的情况，解决了现有技术中图像定位精确度低、鲁棒性差的问题，提高了图像定位的精度与鲁棒性。

附图说明

图1是本发明实施例一提供的一种图像定位方法的流程图；

图2是本发明实施例二提供的一种图像定位方法的流程图；

图3是本发明实施例三提供的一种图像定位装置的结构示意图；

图4是本发明实施例四提供的一种计算机的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种图像定位方法的流程图，本实施例可适用于对图像进行准确定位的情况，该方法可以由本发明实施例提供的图像定位装置来执行，该装置可采用软件和/或硬件的方式实现。参见图1，该方法具体包括：

s110、获取医学图像，并确定医学图像的各像素点的特征信息。

其中，医学图像可以是由医学成像设备采集的医学图像。示例性的，医学图像可以是mri(magneticresonanceimaging，磁共振技术)图像、ct(computedtomography，电子计算机x射线断层扫描技术)图像、或者超声图像等。本实施例中，医学图像为灰度图像，若采集的图像为彩色图像，则将该彩色图像转换为灰度图像。

其中，医学图像的特征信息指的是通过各像素点的像素灰度值、像素灰度梯度或者各像素灰度值之间的关系表征图像内容信息的特征。可选的，医学图像的特征信息为各像素的haar特征，优选的，医学图像的特征信息为3d(threedimensions，三维)类haar特征。其中，haar特征能够表征图像的灰度变化，haar特征模板可以是边缘特征、线性特征、中心特征和对角线特征组成的模板，特征模板内包含有白色和黑色两种矩阵，haar特征值为白色矩形像素和与黑色矩形像素和的差值。3d类haar特征是在时序的多帧图像之间计算的haar特征值，可更好的描述场景的运动信息，捕捉图像中物体的运动模式，本实施例中，若待定位图像为医学图像，则3d类haar特征能够更好的描述患者体内各器官的搏动情况或者患者的呼吸等生理现象导致的身体不自主运动，提高了待定位图像特征的提取的准确度，提高了图像定位精度。

本实施例中，通过如下方式采集待定位图像的特征信息：以当前像素点为样本点，以该样本点为中心的矩形图像块中，计算两个任意位置和任意大小的矩形图像块的像素灰度值之和，再计算两者的差值，得到当前样本点的3d类haar特征。

s120、根据特征信息和随机概率提升森林分类器对各像素点进行分类，并计算各像素点属于目标位置的概率。

其中，树图指的是一种无环路的连通图，包括根、枝、节点以及末梢等特征，例如包括二叉树或者决策树等。概率树指的是各分支上标注有各分支的概率的随机现象的树图形，其中，一个根节点的所有子节点的概率和为1。本实施例中，概率提升树是概率树的优化，区别于普通概率树、二叉树或者决策树等，每一个根节点设置有概率间隔，概率提升树的每一个根节点可以是包含多个子节点，可选的，概率提升树的每一个根节点包含左、右两个子节点。示例性的，一个根节点包括两个子节点，对于普通概率树，若采样点的概率大于0.5，则将该采样点划分至左子节点，若采样点的概率小于中间概率值0.5，则将该采样点划分至右子节点。对于概率提升树，例如概率间隔设置为0.1，若采样点的概率小于0.4，即中间概率值与采样点概率的差值大于概率间隔的，则将该采样点划分至左子节点；若采样点的概率大于0.6，即采样点概率值与中间概率值的差值大于概率间隔，则将该采样点划分至右子节点；若采样点的概率小于等于0.6，且大于等于0.4，即采样点概率值与中间概率值的差值小于概率间隔，则同时将该采样点划分至右子节点和左子节点，并对两个子节点进行下一级的概率分类。其中，概率间隔的设定需要根据具体地定位任务确定，例如定位主动脉瓣的任务中，所述概率间隔可以设置为0.1。

本实施例中，随机概率提升森林中包含有至少两棵概率提升树，每一棵概率提升树在训练时所使用的训练样本集均从总体样本集进行有放回抽样得到，每一棵概率提升树在训练时所使用的特征集均从总体的特征集进行随机抽样得到。在测试阶段，随机概率提升森林中的每一棵概率提升树均可对测试样本得到其定位概率值，对每一棵概率提升树求平均即可得到随机概率提升森林对测试样本的最终定位概率值。

本实施例中，通过概率提升树替代了普通概率树、二叉树或者决策树等树结构，通过设置概率间隔将采样点划分至左、右子节点中，避免了由于训练样本有限导致的过拟合现象，以及由于系统误差导致采样点误分类的情况，提高了分类模型的鲁棒性以及采样点分类精度。

其中，目标位置指的是待定位图像中的待定位区域，本实施例中，将图像的特征信息输入随机概率提升森林的每一棵概率提升树中，随机概率提升森林的输出信息为待定位图像中各像素点是定位信息的概率值。

可选的，计算各像素点属于目标位置的概率，包括：

计算所述各像素点在随机概率提升森林中各概率提升树根节点的概率，确定为所述各像素点在随机概率提升森林中各概率提升树根节点中属于目标位置的概率，其中，所述各像素点在各概率提升树根节点的概率等于所述概率提升树的子树根节点的概率和其对应根节点的权重乘积之和，由此递归计算到概率提升树的叶子节点；将所述随机概率提升森林种各概率提升树根节点的概率的平均值确定为各像素点的概率。

本实施例中，随机概率提升森林中各概率提升树中的子节点分为分叉节点和叶子节点。在分叉节点中包含有分类器，示例性的，所述分类器可以为adaboost分类器。通过所述adaboost分类器可以获取样本点的目标概率并根据目标概率值将其划分至子节点中。在叶子节点中，不包含分类器，仅仅包含样本点到达此节点时的先验目标概率。示例性的，在二分类任务中，假如随机概率提升森林中的一棵概率提升树仅仅包含一个根节点以及两个叶子节点，在根节点中包含有一个adaboost分类器，该分类器在左右叶子节点中的正标签概率分别为0.2和0.8。假设一个未知标签的测试样本通过根节点的adaboost分类器得到的正标签概率值为0.55，则根据概率提升树的算法，其划分到右子树的概率为0.55，划分到左子树的概率为0.45，二者概率之和为1。其最终的正标签概率值为0.45*0.2+0.55*0.8＝0.53。所述正标签为属于目标位置的像素点，所述负标签为不属于目标位置的像素点。在本示例中，概率提升树的根节点的概率根据树中所有叶子节点的概率逐级计算确定，提高了分类的精确度。

本实施例中，将同一待定位图像输入随机概率提升森林，随机概率提升森林中各概率提升树可输出该定位图像中各像素点属于目标位置的概率，将各对应的像素点的概率值均值确定为最终的输出结果。综合随机概率提升森林中多棵概率提升树的检测结果，避免了单一概率提升树存在分类误差或者计算误差的情况，提高了概率提升树模型的鲁棒性，提高了图像定位精度。

s130、将满足预设概率条件的像素点的位置信息确定为目标位置的定位结果。

其中，预设概率条件指的是用于筛选目标位置定位结果的概率值条件。可选的，预设概率条件为最大概率值或者预设概率值范围。示例性的，通过随机概率提升森林生成待定位图像中各像素点属于目标位置的概率值，将最大概率值的像素点确定为属于目标位置的像素点，记录该像素点的坐标位置。示例性的，若目标位置对应的像素点数量大于1，则将满足预设概率值范围的概率值对应的多个像素点确定为属于目标位置，记录各像素点的坐标位置。

可选的，医学图像包括：血管造影图像或心脏造影图像；

相应的，目标位置包括血管种子点或主动脉瓣。

其中，血管造影图像与心脏造影图像可以是通过将含有机化合物在x线照射下透明的造影剂快速注入血流，使心脏和大血管腔在x线照射下显影，同时快速获取的图像。血管种子点或主动脉瓣通常是血管造影图像或心脏造影图像的检测目标。本实施例中以心脏造影图像为例进行描述，示例性的，在对心脏的临床检测或者临床手术中，需要确定主动脉瓣的位置以及范围，首先需要对主动脉瓣进行定位，并根据定位结果对在心脏造影图像中对主动脉瓣进行图像分割以及配准等操作。高精度的图像定位的是后续精准操作的前提，本实施例中通过提高图像定位的精度与鲁棒性，提高了医学临床操作的准确度，减少医学失误。

本实施例的技术方案，通过将待定位图像的特征信息输入随机概率提升森林，确定各像素点属于目标位置的概率，根据预设概率条件，确定为目标位置的定位结果，通过随机概率提升森林替代了传统分类树，同时避免了单一分类树可能存在误差的情况，解决了现有技术中图像定位精确度低、鲁棒性差的问题，提高了图像定位的精度与鲁棒性。

在上述技术方案的基础上，可选的，步骤s120之前还包括：

确定满足目标位置对应的灰度值范围的像素点。

本实施例中，在将待定位图像输入随机概率提升森林之前，根据各像素的像素灰度值排除目标位置范围内的像素区域。示例性的，在心脏造影图像中主动脉瓣的区域的灰度值分布在50-800，则筛选在该灰度范围的像素点区域，作为定位区域。

本实施例中，通过目标位置的像素灰度值范围筛选定位单位，减少了带计算的像素点数量，避免了非必要像素点的干扰，加速了图像定位速度，提高了图像定位效率。

实施例二

图2是本发明实施例二提供的一种图像定位方法的流程图，在上述实施例的基础上，进一步的对图像定位方法进行了优化，

s210、获取至少两个训练样本集，根据训练样本集训练随机概率提升森林分类器。

本实施例中，在对图像进行定位之前，训练随机概率提升森林。本实施例中，随机概率提升森林中各概率提升树的训练过程是相互独立的，且随机概率提升森林中每一棵概率提升树对应独立的训练样本集，有利于提高每一棵概率提升树的独立性，提高随机概率提升森林的综合定位结果的准确度。训练每一棵概率提升树的训练样本集是从总样本进行有放回抽样获取，随机概率提升森林中各棵概率提升树的训练样本集之间可能有部分样本点重叠，各棵概率提升树的训练样本集的重复率由抽样样本占总体抽样的比例决定。

s220、将训练样本根据随机概率提升森林分类器进行分类，将分类结果与训练样本集的金标准进行比对确定随机概率提升森林的训练误差。

其中，训练样本的金标准是训练样本中各像素点的真实标签值，在二分类问题中，金标准对应一幅二值图像，即前景和背景，前景为1背景为0。

本实施例中，将分类结果中的目标位置与训练样本中已知目标位置进行比对，确定分类正确和分类错误的像素点数量，将分类错误的像素点数量与像素点总数量的比值确定为该训练样本的分类误差。

可选的，通过有放回的抽样在训练样本集中选择训练样本。

s230、若训练样本的分类误差大于预设误差阈值，则在误分类样本所在的位置区域增加样本采集数量，更新训练样本集。

其中，预设误差阈值可以是根据历史分类结果确定，若训练样本的分类误差大于预设误差阈值，则确定当前随机概率提升森林分类器的分类精度低，需进一步优化训练。本实施例中，通过增加相应的训练样本进行优化训练。可选的，对该分类误差大于预设误差阈值的训练样本进行区域划分，确定分类误差较大的区域，增加包含该区域对应内容的训练样本，更新训练样本集。

本实施例中，根据分类误差有目的性的增加训练样本，提高优化训练的针对性，加速了随机概率提升森林分类器的训练过程，提高了训练效率。

s240、根据更新后的训练样本集训练随机概率提升森林分类器。

根据更新的训练样本对随机概率提升森林分类器进行优化迭代训练，提高随机概率提升森林分类器的分类精度，提高随机概率提升森林的定位能力。

s250、获取医学图像，并确定医学图像的各像素点的特征信息。

s260、根据特征信息和随机概率提升森林分类器对各像素点进行分类，并计算各像素点属于目标位置的概率。

s270、将满足预设概率条件的像素点的位置信息确定为目标位置的定位结果。

在上述实施例的基础上，在步骤s240之后，且步骤s250之前包括：

根据随机概率提升森林中除当前概率提升树之外的其他概率提升树的训练样本集测试当前概率提升树分类器，获取测试结果，根据测试结果更新当前概率提升树的训练结果，用以增强模型的鲁棒性。

例如若当前概率提升树的分类器对其它概率提升树的训练样本集的测试结果与当前概率提升树发训练样本集的测试结果相差大于预设阈值，采用其他概率提升树的训练样本集获取的测试结果。

本实施例中，在随机概率提升森林分类器训练成功后，根据随机概率提升森林中除当前概率提升树之外的其他概率提升树的训练样本集对当前概率提升树的分类器进行测试。在测试过程中，将测试结果更新为当前概率提升树的训练结果，避免了训练过程中出现过拟合现象，导致训练过程中分类误差很小，甚至分类误差为零，但是实际定位精度低的情况，提高了概率提升树的定位精度。

需要说明的是，本实施例中通过s210-s270执行图像定位方法，只是一个优选的实施例，在其他实施例中，也可以是通过s210、s250-s270执行图像定位方法。

本实施例的技术方案，通过不同的训练样本集单独对不同的概率提升树分类器进行训练，并检测训练过程中的误分类情况，根据误分类增加相应的训练样本，根据更新后的训练样本集对概率提升树分类器进行进一步的优化训练，提高了随机概率提升森林的定位精度。

实施例三

图3是本发明实施例三提供的一种图像定位装置的结构示意图，该装置具体包括：

图像获取模块310，用于获取医学图像，并确定医学图像的各像素点的特征信息；

概率确定模块320，用于根据特征信息和随机概率提升森林分类器对各像素点进行分类，并计算各像素点属于目标位置的概率；

定位结果确定模块330，用于将满足预设概率条件的像素点的位置信息确定为目标位置的定位结果。

进一步的，装置还包括：

像素点确定模块，用于在根据随机概率提升森林分类器对各像素点进行分类之前，确定满足目标位置对应的灰度值范围的像素点。

进一步的，概率确定模块320具体用于：

计算所述各像素点在随机概率提升森林中各概率提升树根节点的概率，确定为所述各像素点在随机概率提升森林中各概率提升树根节点中属于目标位置的概率，其中，所述各像素点在随机概率提升森林中各概率提升树根节点的概率等于所述概率提升树的子树根节点的概率和其对应根节点的权重乘积之和；

将随机概率提升森林中各概率提升树根节点的概率的平均值确定为各像素点的概率。

进一步的，装置还包括：

分类器训练模块，用于在获取医学图像之前，获取至少两个训练样本集，根据训练样本集训练随机概率提升森林分类器。

进一步的，装置还包括：

分类误差确定模块，用于将所述训练样本根据所述随机概率提升森林分类器进行分类，将分类结果与所述训练样本集的金标准进行比对，确定所述概率提升树的训练误差；

样本集更新模块，用于若所述随机概率提升森林的训练误差大于预设误差阈值，则在误分类样本所在的位置区域增加样本采集数量，更新所述训练样本集；

分类器循环训练模块，根据更新后的训练样本集训练随机概率提升森林分类器。

进一步的，装置还包括：

分类器测试模块，用于在根据训练样本集训练随机概率提升森林分类器之后，根据随机概率提升森林中除当前概率提升树之外的其他概率提升树的训练样本集测试当前概率提升树的分类器；

训练结果更新模块，用于将测试结果更新当前概率提升树的训练结果。

进一步的，医学图像包括：血管造影图像或心脏造影图像；

相应的，目标位置包括血管种子点或主动脉瓣。

本发明实施例提供的图像定位装置可执行本发明任意实施例所提供的图像定位方法，具备执行图像定位方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四提供的一种计算机的结构示意图，图4示出了适于用来实现本发明实施方式的示例性医学成像设备的框图，图4显示的计算机仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

计算机400可以被用于实现实施本发明一些实施例中披露的特定方法和装置。本实施例中的特定装置利用功能框图展示了一个包含显示模块的硬件平台。在一些实施例中，计算机400可以通过其硬件设备、软件程序、固件以及它们的组合来实现本发明一些实施例的具体实施。在一些实施例中，计算机400可以是一个通用目的的计算机，或一个有特定目的的计算机。

如图4所示，计算机400可以包括内部通信总线401，处理器(processor)402，只读存储器(rom)403，随机存取存储器(ram)404，通信端口405，输入/输出组件406，硬盘407，以及用户界面408。内部通信总线401可以实现计算机400组件间的数据通信。处理器402可以进行判断和发出提示。在一些实施例中，处理器402可以由一个或多个处理器组成。通信端口405可以实现计算机400与其他部件(图中未示出)例如：外接设备、图像采集设备、数据库、外部存储以及图像处理工作站等之间进行数据通信。在一些实施例中，计算机400可以通过通信端口405从网络发送和接受信息及数据。输入/输出组件406支持计算机400与其他部件之间的输入/输出数据流。用户界面408可以实现计算机400和用户之间的交互和信息交换。计算机400还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘407，只读存储器(rom)403，随机存取存储器(ram)404，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的程序指令。

所述处理器执行程序时可用于执行一种图像定位方法，所述方法包括：

获取医学图像，并确定所述医学图像中各像素点的特征信息；

根据所述特征信息和随机概率提升森林分类器对所述各像素点进行分类，并计算所述各像素点属于目标位置概率；

将满足预设概率条件的像素点的位置信息确定为所述目标位置的定位结果。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“子模块”、“引擎”、“单元”、“子单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

实施例五

本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的图像定位方法，该方法包括：

获取医学图像，并确定所述医学图像中各像素点的特征信息；

根据所述特征信息和随机概率提升森林分类器对所述各像素点进行分类，并计算所述各像素点属于目标位置概率；

将满足预设概率条件的像素点的位置信息确定为所述目标位置的定位结果。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。