1.本发明涉及一种计算机技术领域，尤其是颅脑横断面影像图片排序、传输方法及装置、存储介质。
背景技术：
2.卒中目前已经成为中国第一位死亡原因，其中缺血性脑卒中占约80%。近年来，在急性缺血性脑卒中（acute ischemic stroke,ais）救治方面研究有了一定进展，但结果并不令人满意。一个重要的原因是，急救车从接到患者到送往医院的过程中，往往担误很长时间，在医疗现场又再做确认、治疗指导性检查，又会担误平均约20分钟时间，而卒中患者最佳的抢救时间总共才4小时，而且越是提前抢救，患者的术后恢复良好情况呈指数级增长。
3.因检查与监测等技术手段的前移有助于缩短ais患者获得有效救治方法的时间，为了解决这个问题，已经有技术人员在研究包括有ct装置在内的多种诊断工具的救护车。救护车接到病人后立即开展确诊、入院过程。而指导医生在医院办公室内依据于检查结果（主要是ct影像）对救护车上的患者进行会诊。
4.然而，救护车行驶过程中，车辆的运动状态不平稳（具有加速、减速、过弯等综合复杂情况），以及停止不移动的救护车上具有工作人员走动、设备振动，引起车辆较大晃动，使救护车上生成的部分ct成像图片的效果并不佳。为此，本技术人提供的中国专利cn112957062a公开的基于5g传输的车载ct成像系统及成像方法，提供了将模糊图片删除，将清晰图片传输到固定服务中心的方法，以减少网络传输的速度的影响。
5.但是删除模糊图片又会减少脑部断层信息，使脑部断层图片不连续，假如固定服务中心只收到少数几张清晰的图片，就会影响诊断。
6.另外，在其它一些场景，例如教学场景，或者从数据库中调用以往的图片等，获得的现有的若干排序杂乱的颅脑横断面影像图片，不利于观看。
7.为此，需要解决这一问题。
技术实现要素：
8.为了解决上述技术问题，本发明提供了颅脑横断面影像图片排序方法，以及将医疗车上的图片传输到固定服务器的方法，以及图片处理、传输装置和存储介质。
9.第一方面，本发明提供的颅脑横断面影像图片排序的方法，通过具有处理器的计算机装置实现，所述方法步骤为：s1:导入若干图片；所述图片为人体颅脑横断面医学影像图片，以人体颅脑前额影像一侧为图片上方，人体颅脑后脑影像一侧为图片下方，其余为图片的左侧和右侧；s2:针对每一张图片，在图片中提取所有白色连通域并找到最大连通域；s3:将最大连通域的上部中具有两个及以上空缺的图片划分到第二组；其余图片划分到第一组；s4:针对第一组图片，按最大连通域的外接矩形的面积由小到大进行排序；针对第
二组的图片，按尖突点与对应点之间的间距由大到小进行排序；所述尖突点属于最大连通域的一部分，并且在最大连通域下部位于左右方向居中处，并向图片上方突出；所述对应点为位于尖突点上方并距离尖突点最近的白色连通域；s5:将第一组图片排在第二组图片前，获得所有图片的最终排序。
10.本技术第一方面的一个实施例中，所述图片为如下之一：通过ct、核磁共振获得的dicom格式图片；通过dicom格式图片转换成的jpeg图片、bmp图片、png图片、tiff图片； jpeg图片、bmp图片、png图片、tiff图片。
11.本技术第一方面的一个实施例中，所述提取所有白色连通域并找到最大连通域，具体方法为：对图片进行二值化处理，保留灰度图模式下全白像素形成的白色连通域，其余全部像素点置为黑色像素并形成黑色连通域；比较所有白色连通域的高度，具有最大高度的白色连通域为最大连通域。
12.本技术第一方面的一个实施例中，所述空缺为在最大连通域中以交叉、嵌套方式存在的黑色连通域；所述的具有两个及以上空缺的认定方法为：通过计算最大连通域高度，定位到最大连通域的上部五分之一的部分；在最大连通域的上部五分之一的部分中，查找到两个及两个以上黑色连通域的，视为具有两个及以上空缺；或者，在最大连通域的上部五分之一的部分中仅查找到一个黑色连通域，并且黑色连通域中又存在白色连通域的，视为具有两个及以上空缺。
13.本技术第一方面的一个实施例中，所述的尖突点通过以下方法查找：s41:选定尖突点所在区域：通过计算最大连通域高度，定位到最大连通域的下部五分之一以内的部分；并且，通过计算最大连通域宽度，定位到最大连通域的中部五分之一以内的部分；最大连通域的下部五分之一以内的部分与中部五分之一以内的部分形成的交集区域为尖突点所在区域；s42:按如下方法之一，在所述区域中查找尖突点：纵向统计所述区域中的每一列像素中具有的白色像素，其中白色像素最多的像素列为尖突点所在列，尖突点所在列最上方的属于最大连通域的像素点为尖突点；在所述区域中，属于最大连通域的最上方的像素行，为尖突点所在行，所在行内属于最大连通域的像素点中，处于中间点的像素点为尖突点。
14.本技术第一方面的一个实施例中，所述的对应点通过以下方法查找：以最大连通域每一像素行的中点的连接线为中心线；以距离尖突点最近的白色连通域的下边缘与所述中心线的交点为对应点；其中，所述最大连通域每一像素行的中点为：最大连通域每一像素行最左侧与最右侧像素点的列索引号的平均值所在像素点；其中，所述距离尖突点最近的白色连通域为：以尖突点所在像素行为起点，沿中心线向上查找到的第一个白色连通域。
15.本技术第一方面的一个实施例中，将第一组图片排在第二组图片前，获得所有图片的最终排序，具体为：
利用第一组图片的排序对第一组图片打上顺序标签；利用第二组图片的排序对第二组图片打上顺序标签，其中第二组图片的开始标签紧接第一组图片的末位标签。
16.第二方面，本发明提供了图片传输方法，步骤为，在医疗车上的计算机装置选择清晰的图片传输到固定服务器；固定服务器将图片传输到显示装置并显示图片；其中，所述的图片为针对人体颅脑进行一次以上扫描获得的若干图片；所述的步骤还包括，在医疗车上的计算机装置按第一方面的方法对图片进行排序。
17.第三方面，本发明提供了图片传输方法，步骤为，在医疗车上的计算机装置选择清晰的图片传输到固定服务器；固定服务器将图片传输到显示装置并显示图片；其中，所述的图片为针对人体颅脑进行一次以上扫描获得的若干图片；所述的步骤还包括，固定服务器收到所述图片后，按第一方面的方法对图片进行排序。
18.第四方面，本发明提供了图片传输的装置，包括处理器、通信接口、存储器，所述存储器中存储有计算机程序，其中，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面所述的颅脑横断面影像图片排序的方法。
19.第五方面，本发明提供了一种存储介质，存储有计算机程序，其中，所述计算机程序被硬件执行以实现第一方面所述的颅脑横断面影像图片排序的方法。
20.本发明有益效果如下：在卒中抢救治疗场景中，本发明可以通过两次或两次以上的针对脑部进行扫描获得的图片，可以从中得到更多清晰图片。各次扫描的图片之间相互补充脑部断层图片，使断层图片连续。各次扫描的图片自动排序，按照图片在脑部生成的位置进行排序，使断层图片之间不错层。以人脑颅骨顶部开始，向下，至人脑的颅底，有序地从按图片获取的具体位置自动排序，为提高医疗效率提供有利支撑。
21.以及，在其它一些场景，例如教学场景，或者从数据库中调用以往的图片等，可以将获得的现有的若干排序杂乱的颅脑横断面影像图片进行排序，运用于研究或教学，利于观看。
22.按本发明的处理方法形成的算法简单，效率高，可以减少占用计算资源。
附图说明
23.图1是颅脑顶部仅具有颅骨及脑神经组织的横断面医学影像图；图2是第一组图片中查找最大连通域示意图；图3是第二组的横断面医学影像示意图，出现眼框、鼻腔、视束，或者额窦、上颌窦、后床突枕骨、颅底骨图像；图4是第二组图片中，最大连通域具有两个及以上空缺，以及尖突点和对应点示意图；图5是查找空缺的最大连通域的上部五分之一的部分；以及尖突点所在区域示意图；图6是通过最大连通域每一像素行查找中心线示意图；图7是最大连通域中的中心线、尖突点、对应点示意图；
图8是图片排序方法的流程图。
24.其中：最大连通域1；外接矩形2；空缺3；最大连通域的上部五分之一以内的部分4；对应点5；尖突点6；尖突点所在区域7；中心线8；孤立点9；第一间距e；第二间距f；最大连通域高度h；最大连通域宽度n;最大连通域每一像素行x1。
具体实施方式
25.以下参考图1-图8，对本发明的实施方法进行说明。
26.示例一：在移动医疗车上，选择清晰的图片传输到固定服务中心，通过固定服务中心的至少具有处理器的计算机装置进行处理后，并显示在固定服务中心的显示装置上。因此，要实施本发明，必须要具备相应的硬件设施。这些硬件设施包括：1、医疗车上的图片获取装置，医疗车上的计算机装置，有必要还可以准备图片初步处理（或者叫前处理）装置。2、固定服务器，设置在医院等固定场所。3、5g网络连接装置，将医疗车上的计算机装置与固定服务器进行连接，使两者可以5g通信，传输数据。
27.固定服务器最有可能的是安装在医院，尤其是医院的数据中心，当然，本发明的服务器也可以是网上云服务器，但无论如何，本发明的服务器都是固定的，因此本发明称之为固定服务器。
28.固定服务器是存在于网络中能对其它机器提供某些服务的计算机装置系统，主要的硬件构成仍然包含如下几个主要部分：中央处理器、内存、芯片组、i/o总线、i/o设备、电源、机箱和相关软件，相关软件是指至于能存入、搜索、读取jpeg图片、bmp图片、png图片、tiff图片软件，例如看图软件，或者还要有能读取dicom格式图片的软件，或者至少有将dicom格式的ct图片转换成的jpeg图片、bmp图片、png图片、tiff图片的软件。由于服务器在网络中提供服务，那么这个服务的质量对承担多种应用的网络计算环境是非常重要的，承担这个服务的计算机硬件必须有能力保障服务质量。这个服务首先要有一定的容量，能响应单位时间内合理数量的服务器请求，同时这个服务对单个服务请求的响应时间要尽量快，还有这个服务要在要求的时间范围内一直存在。作为服务器硬件必须具备如下的特点：性能，使服务器能够在单位时间内处理相当数量的服务器请求并保证每个服务的响应时间；可靠性，使得服务器能够不停机；可扩展性，使服务器能够随着用户数量的增加不断提升性能。同时服务器还具有物理存储装置，用于存储软件代码、其它数据、图片的数据库，以及物理存储装置需要进行物理位置分区，至少具有文件库备存图片。服务器还可以设置有输入设备，例如键盘和鼠标。服务器端还可以连接有显示装置，也就是显示屏。
29.医疗车上的计算机装置与固定服务器置进行连接，使两者可以5g通信，传输数据；因此医疗车上必须要有5g信息发送模块（无线信息传输硬件，通过天线连接于基站，通过5g信息连接于互联网，实现数据发送与交换），服务器也必须连接于互联网。
30.本发明的医疗车指的医院的救护车辆，包括野外、军营、救灾现场的其它可移动的车辆。这一类车辆的主要工作是将病患者运送到固定医疗场所内进行治疗。
31.医疗车上的具有医疗车上的计算机装置，具体可以是个人pc、平板电脑、计算机。具体为：安装有一个处理图片的处理器（具有cpu），同时安装有软件，因此医疗车上的具有处理器的计算机装置具有数据处理能力，支持实现本发明处理方法的步骤。
32.本发明的医疗车具有获取图片的ct成像装置：参考专利cn209713433u，一种带ct
设备的脑卒中救护车。该公开文件中提供的“ct机构”可用于本专利，尤其是针对脑部进行扫描一次以上获得的图片。专利cn209713433u公开了一种带ct设备的脑卒中救护车，包括车体和厢体，厢体固定在车体的上面，车体用于对厢体提供动力和电力支持，厢体的内部底面靠近车体驾驶室的一侧安装有ct机构，厢体的内侧中间活动连接有检查平台，检查平台与ct机构相互之间配套使用用于完成对患者ct检查的过程。ct机构包括安装台和ct检查端，安装台固定在厢体的内侧一端，ct检查端滑动连接在安装台的上面用于完成不同身高的患者ct检查的需要。检查平台包括电动平台和担架床，电动平台固定在厢体内侧中间，担架床卡接在电动平台的顶面，且担架床靠近ct检查端的一侧滑动连接有头部伸缩机构，通过电动平台的升降机构以及担架床的头部伸缩机构相互配套使用完成患者ct检查时对患者的支撑以及调整过程。还包括，座椅，车载电脑，其中，座椅包括旋转底座和座椅架，旋转底座固定在厢体的内部一侧，座椅架通过螺栓安装在旋转底座的上面，且座椅至少设置有两个；车载电脑通过折叠支架活动连接在厢体的内侧顶端用于在急救过程中医护人员与医院急救中心完成远程信息的交互。
33.本实施例使用的ct成像装置需要专用控制面板，手动控制设施，这个控制面板集成了各种操作手柄、按键、方向键、点动开关、字符与控制命令输入键盘。面板控制板用于实现控制并传输，pcb板包含5个区域：i/o接口、电源处理区、cpu处理区、物理按键控制区和触控面板控制区，其中，i/o接口用于手持控制面板与ct设备中央处理器之间的互联，接口内包含电源通路和信号通路；电源处理区用于将来自ct设备中央处理器的电源进行分配，给面板控制板内所有器件或芯片提供所需的电源，并满足系统对电源稳定性的要求，cpu处理区用于实现所有的控制功能信息处理，面板控制板的外接接口用于将手持控制面板与主控计算机连接，实现供电和通讯，通讯协议可以是串口方式如rs232/rs422/rs485，或can通讯。在本发明中，使用到删除模糊图片技术，实现方法可以参考中国专利cn112957062a公开的基于5g传输的车载ct成像系统及成像方法。该方法中，将医疗车上的计算机装置中设置有用于检测成像对象位移状态的位移状态判定单元，从位移状态判定单元获取成像对象的位移状态，将成像对象处于相对静止期间创建的图像认定为清晰图像。
34.位移状态判定单元获取到成像对象的位移状态，位移状态包括相对移动和相对静止两种状态。位移状态判定单元与距离检测装置连接。距离检测装置固定在ct成像装置上，获得成像对象与ct成像装置相对的距离变化情况，并提供于位移状态判定单元。距离检测装置用于实时检测成像对象与ct成像装置的相对距离，当成像对象的头部移动时，距离检测装置就可以测量得到头部移动的数据。
35.删除模糊图片的方法为：处理器将成像对象处于相对静止期间创建的图像认定为清晰图像，并通过5g网络单元发送到服务器。认定为清晰图像的方法为：处理器从位移状态判定单元获取到成像对象位移状态，位移状态具体为：成像对象相对于ct成像装置处于相对移动或相对静止，其中成像对象处于相对静止期间创建的图像为清晰图像。如果在某一张图像创建期间，成像对象发生了位移，那么这一张图像就认为不清晰，在某一张图像创建期间，未发生成像对象位移情况，就会认定该图像是清晰的。
36.示例二：在教学使用中，通过在各个数据库中查找到可能是不同的人体的颅脑横断面影像图片，将这些图片运用到本发明中，采用本发明的方法进行自动排序后，输出。在
这种场景中，导入的图片是现有的图片。其中，需要用到的是用于运行的具有处理器的计算机装置实现。具有处理器的计算机装置结构与功能以及运行方法参考示例一中的计算装置。
37.示例三：在医疗复诊、案例采集或研究等过程中，将原有的颅脑横断面影像图片调出，由于数据量大，为了便于观看图片，因此将图片进行排序。在这种场景中，导入的图片是现有的图片。其中，数据库为医院的固定服务器，需要用到的是用于运行的具有处理器的计算机装置实现。具有处理器的计算机装置结构与功能以及运行方法参考示例一中的计算装置。
38.示例四：本发明的图片中包含有非常多的信息量，这些信息可能存在于图片属性中，这些信息中，包括有时间标签，例如：产生这个图象的数据获得开始的日期/图象数据开始创建的时间/图象数据创建结束的时间/曝光时间。这些图片的大小数据一般具有2mb的数据量，当然，也可以是200kb以上的图片信息。
39.本发明的图片为dicom格式，一般由ct成像装置产生，或者核磁共振装置产生。然而一般计算机不具有读取或处理dicom格式的ct图片的软件，因此，如果计算机不具有读取或处理dicom格式的ct图片的能力，则ct成像装置或者医疗车上的计算机装置就应当可以将dicom图片转换成的jpeg图片、bmp图片、png图片、tiff图片。
40.针对图片，本发明导入的图片是灰度图，在二值化以前，灰度图具有灰度值0-255个灰阶，其中灰度值0代表全黑，灰度值255代表全白。
41.参考图1、图3，本发明的图片是通过ct装置作断层扫描颅脑形成的，由于ct装置获得的图片中，质地越是紧密、坚硬的物体，在图片上的显示越亮，即灰度值越高，因此扫描人脑形成的图片中，颅骨以及人脑中的其它骨质体或紧密质体形成高亮图像，全白色像素；而其它软组织，例如大脑神经组织则以灰色表示，具有一定的灰度值；而空腔（例如鼻腔）、眼框、液体形成的图像则为无亮度(完全为黑色）。
42.图片中，以靠近表示人脑前额的影像的这一方向，为图片上方，以靠近表示人脑后脑方向的图像的一边为图片下方。两侧的方向（两耳方向）为图片的左侧和右侧。
43.参考图1（a）、图1（b）、图1（c），由于人体颅脑大致为球形体，在颅脑顶部，仅具有颅骨及脑神经组织，因此在颅脑顶部扫描的图像大至为外圈一圈颅骨形成的高亮图像，中部为灰色的（低亮度）的脑神经组织图像；而从颅脑顶部继续向下断层扫描，则颅骨形成的一圈的高亮图像的直径逐渐变大，断层越过颅脑额部以后，颅骨形成的一圈的高亮图像的直径又基本不再变化了。
44.由于在颅脑顶部，仅具有颅骨及脑神经组织，因此在颅脑顶部扫描的图像大至为外圈一圈颅骨形成的高亮图像，中部为灰色的（低亮度）的脑神经组织图像；扫描断层越过人脑额部以后，由眼框、鼻腔、视束，或者额窦、上颌窦、后床突等部位，又会形成视觉上杂乱的低亮度、高亮、无亮度的杂乱形态。
45.参考图3（a）、图3（b）、图3（c），扫描断层越过颅脑额部以后，由眼框、鼻腔、视束，或者额窦、上颌窦、后床突等部位挤占颅脑空间，因此在图像上显示的外圈一圈颅骨形成的高亮图像越来越小，脑组织也越来越小。脑后部的枕骨在图像上也越来越明显，同时可能出现颅底骨等其它部分。
46.示例五：本示例是图片传输方法，步骤如下。
47.步骤1、先是在医疗车上，针对脑部进行ct扫描，获得的若干颅脑横断面医学影像图片，这些图片中，有可能是全部清晰的。如果全部是清晰的，就将这些图片全部传输到固定服务器；固定服务器将图片传输到显示装置并显示图片，这里直到略过以下的步骤2、3。
48.另一个可能是：因为车辆摇晃导致图片模糊，就当发起第二次脑部断层扫描。如果全部是模糊的，或者模糊图片数量过大，就当发起第三次脑部断层扫描。因此需要进行步骤2和步骤3。
49.步骤2、扫描后，通过上示例一中提到的方法，删除模糊的图片。
50.步骤3、图片排序。图片排序分两个子步骤：第1子步骤，分组。
51.将选择清晰的图片分为两组。分组标准：其中第一组图片是图像中的颅骨形成的颅骨轮廓没有空缺的图片（准确地定义为颅骨轮廓中的空缺少于2个的图片）。
52.其余的图片划分到第二组，颅骨形成的颅骨轮廓具有空缺3的图片，也就是显示在图片中的颅骨在图片上方具有由眼框、鼻腔、视束，或者额窦、上颌窦等部位，形成视觉上杂乱的低亮度、高亮、无亮度的杂乱形态的图片，眼框、鼻腔、视束，或者额窦、上颌窦等部位在颅骨轮廓中形成多个空缺3。
53.第2子步骤，图片排序。
54.因为是针对同一扫描对象（病人）经过两次或两次以上扫描的图片，并删除了一些模糊图片，而删除的这些图片位置是不可预知的，也就是不知道是哪一断层的图片被删除，因此两次的图片被放到一起来显示时，有必要进行排序，按脑部断层位置进行排序。提供给医生参考时，医生就可以看到一个完全按人体颅脑横断面位置来排列的医学图像。
55.步骤4、最后将排序的图片传输到固定服务器，通过固定服务器的计算机装置进行处理，处理过程包括信息合成等，然后在显示装置显示，供服务中心的医疗人员诊断参考。
56.示例六：本示例是图片传输方法，部分参考步骤五，步骤如下。
57.步骤1、在医疗车上针对脑部进行ct扫描，获得的若干颅脑横断面医学影像图片。
58.步骤2、扫描后，将所有图片传输到固定服务器。
59.步骤3、通过固定服务器的计算机装置进行处理，处理过程包括：删除了一些模糊图片，对图片进行信息合成等。因为是发超了两次或以上扫描的，所需还包括固定服务器按脑部断层位置进行图片排序。如果图片全部是清晰的，就将这些图片全部传输到固定服务器；固定服务器将图片传输到显示装置并显示图片。这里直到略过删除一些模糊图片步骤。
60.另一个可能是：图片模糊，就当发起第二次脑部断层扫描甚至第三次脑部断层扫描。因此需要删除一些模糊图片步骤。
61.步骤5、然后固定服务传输到显示装置上显示，供服务中心的医疗人员诊断参考。
62.示例六与示例五不同之处在于，示例五是将图片在医疗车上进行排序后，再通过5g传输到服务器并显示，这样有利减少5g数据传输压力，但会占用医疗车上的计算装置的有限的算力。示例六是将所有图片传输到服务器后，由服务器进行排序，这样有会大量占用5g数据传输渠道，但会节约医疗车上有限的算力，而服务器的算力一般较大，不会产生对服务器算力的影响。
63.示例七：本示例提供图片排序的方法，因为在示例五、示例六中，均需要进行图片排序。除此之外，在其它一些场景，例如教学场景，或者从数据库中调用以往的图片等，获得
的若干排序杂乱的颅脑横断面影像图片，不利于观看。因此本示例提供颅脑横断面影像图片排序的方法。
64.通过至少具有处理器的计算机装置执行，这里的所指的具有处理器计算机装置，可以是医疗车上的计算装置，例如与ct装置通过数据连接的计算机。也可以是固定服务中心的与移动医疗车连接并交换数据的服务器。
65.图片排序执行步骤如下：步骤1、将所有断层扫描的图片导入。每张图片中的可视信息，仅具有一个脑部横断面图像（也就是脑部的断层图像），即排除了一张图片上出现两个横断面图像的情况，也排除了一张图片上还存在其它非脑部横断面图像的情况，以便于后期的图像处理，避免干扰，而事实上脑部的断层ct图片一般均为仅具有一个脑部横断面图像的情况。
66.找出骨质部分（包括颅骨、颅底骨、其它骨质部分）在图片上形成的白色连通域，与腔体部分（眼框、鼻腔、脑组织等）形成的黑色连通域。其中的查找白色连通域方法参考示例八。
67.在找到了所有白色连通域中，提取具有纵向尺寸最大连通域1（表示的是颅骨轮廓)，如果在图片中，具有多个孤立的白色连通域，则相互比较这些孤立的白色连通域的高度，具有高度最大的孤立的白色连通域，为本示例的最大连通域1，也就是颅骨轮廓。
68.步骤2、接下来是根据查找到的颅骨轮廓进行分组。分为第一组和第二组。分组标准如下：将最大连通域中不存在两个以上空缺的图片，划分到第一组；其中，这里定义的空缺3为：在最大连通域中，以交叉、嵌套等方式存在的黑色连通域，形成黑色连通域与最大连通域（白色连通域）相互交叉、相互嵌套的情况。也就是在图片上方具有由眼框、鼻腔、视束，或者额窦、上颌窦等部位，形成视觉上杂乱的低亮度、高亮、无亮度的杂乱形态的图片，眼框、鼻腔、视束，或者额窦、上颌窦等部位在颅骨轮廓中形成多个空缺3。
69.这里定义的两个以上空缺3，主要是在最大连通域的上部五分之一以内的部分4中查找，方法是：参考图5，计算最大连通域高度h，然后选取最大连通域的上部五分之一以内的部分4中，查找到具有以下之一情况的，认定具有两个以上空缺3：1、参考图4（a），图4（b），在最大连通域的上部五分之一的部分中，查找到两个及两个以上黑色连通域的，视为具有两个及以上空缺3；2、参考图4(c)，仅存在一个黑色连通域，并且黑色连通域中又存在孤立点9的，视为具有两个及以上空缺3。
70.这里需要在最大连通域的上部五分之一以内的部分4中查找，查找的具体方法可以是：其中一个方法：孤立的白色连通域、黑色连通域，采用示例七的方法可以查找到，查找到后统计数量。
71.其中一个方法：在最大连通域的上部五分之一以内的部分4中，进行横向扫描每一行像素，统计该像素行中，交叉出现白色像素与黑色像素的频率，例如一部分像素中，白色像素与黑色像素分段交叉出现，并至少各出现了3次，则可以认定为具有两个及以上空缺。
72.对于颅骨，靠近后脑部分因为不具有眼框、鼻腔、视束，或者额窦、上颌窦等部位，
仅有颅骨，因此所有的脑部横断面图片中，靠近后脑的图像均只有光亮的颅骨，而且颅骨平滑、为圆弧形，不具有区别特点，计算机不易识别，而主要容易将第一组与第二组图片区分的，就是在前额部分，也就是ct图片的上边部分，为了近一步缩小识别范围，提高识别速度以及排除干扰，所以将识别区域尽量缩小，因此选择在前额部分，其位置大约处于颅骨轮廓的上部五分之一以内。在这一区域中，查找颅骨轮廓形成的最大连通域1中，是否以交叉、嵌套等方式存在空缺。这里分两种情况：（1）、存在两个及两个以上空缺的，这两个空缺极有可能是眼框、鼻腔形成的黑色部分，在ct图像上显示为被包含在颅骨轮廓形成的最大连通域1中。因此这种情况认定为具有两个空缺，划分到第二组图片。
73.（2）、仅存在一个空缺，并且空缺中又存在孤立点9的。这种情况下，一般为眼框、鼻腔形成的黑色部分，黑色部分中又可能包括扫描到的其它骨质区域，因此这种情况会出现视觉上杂乱的低亮度、高亮、无亮度的杂乱形态，总结而言，就是黑色中存在孤立的白色（孤立点9），黑色连通域中又存在孤立的白色连通域的。因此这种情况认定为具有两个空缺，划分到第二组图片。
74.将最大连通域中不存在两个以上空缺的图片，划分到第一组。
75.在本发明分组的意义在于：参考本发明示例四，由于在人脑大致为球形体，在人脑顶部，仅具有颅骨及脑神经组织，因此在人脑顶部扫描的图像大至为外圈一圈颅骨形成的高亮图像，中部为灰色的（低亮度）的脑神经组织图像；而从人脑顶部继续向下断层扫描，则颅骨形成的一圈的高亮图像的直径逐渐变大，因此这一部分图片可以采用外接矩形面积来排序，于是就可以区分哪一张图片来自于靠近颅顶部分，哪一张图片靠近颅底部分。因此将这一部分的图片分为第一组。
76.参考图1、图3，断层越过人脑额部以后，颅骨形成的一圈的高亮图像的直径又基本不再变化了。因此参考外接矩形面积来排序的方法可能带来误区。因些将这一部分图片分为第二组。断层越过人脑额部以后，由眼框、鼻腔、视束，或者额窦、上颌窦等部位挤占颅脑空间，因此在图像上显示的外圈一圈颅骨形成的高亮图像越来越小，脑组织也越来越小。脑后部的枕骨在图像上也越来越明显。因此可以采用计算脑组织尺寸（尖突点6与对应点5的间距）来排序第二组照片。
77.步骤3、分组完成后，对第一组的图片采用如下方法进行排序，参考图2：s31：将每个图片中的所述颅骨轮廓确定外接矩形2。
78.外接矩形查找方法可以通过opencv的源代码实现，先求凸包，然后用旋转卡盘算法求解，其理论依据为：最小外接矩形的边一定经过凸包的顶点，最小外接矩形至少有一个边与凸包的边重合，因此本示例中的外接矩形2也为最小外接矩形。
79.另一个实施例是，外接矩形不是opencv源代码实现的最小外接矩形。而是通过下面的方法：查找最大连通域1最左侧像素所在的像素列为外接矩形的左边缘，查找最大连通域1最右侧像素所在的像素列为外接矩形的右边缘，最大连通域最上方像素所在的像素行为外接矩形的上边缘，最大连通域最下方像素所在的像素行为外接矩形的下边缘；这里的左边缘、右边缘、上边缘、下边缘构成的矩形，就是实施例查找到的外接矩形2。
80.s32：然后每一张图均进行统计外接矩形2内的所有像素点数量。参考图2(a）、图2(b）、图2(c），得到每一张图片的外接矩形2面积（面积可以按像素点数量表示）。
81.对比每个图片的所述外接矩形的面积，将外接矩形的面积从小到大进行面积排序，并将面积排序设定为第一组的图片的排序。例如：图片p1的所述外接矩形的面积6010像素点，图片p2的所述外接矩形的面积6210像素点，图片p3的所述外接矩形的面积6015像素点；因此排序为：第一位为图片p1、第二位为图片p3、第三位为图片p2。最后利用第一组的图片的排序，对应地对第一组原始图片打上顺序标签。
82.步骤4：对第二组的图片采用如下方法进行排序：s41：圈定尖突点所在区域7。
83.参考图5，查找处于颅骨轮廓下部中的且处于颅骨轮廓内侧，且处于颅骨轮廓左右方向的居中处的，颅骨轮廓上的尖突点；尖突点为脑后部的枕骨，枕骨与颅骨为一体，随着断层扫描靠近颅底，其中枕骨在图像上也越来越明显，越来越尖突。在横断面的断层ct图片中，枕骨一定是处于颅骨轮廓内侧，且处于整个图像的下部中，因此查找区域限定于：颅骨轮廓下部中，且处于颅骨轮廓内侧，且处于颅骨轮廓左右方向的居中处的。具体的尖突点所在区域满足以下（1）、（2）两个条件：（1）、计算最大连通域高度h，然后选取最大连通域的下部五分之一以内的部分；例如外轮廓高度为1000像素行，则取下部五分之一以内的部分，也就是外轮廓底部第一行像素开始，并向上推200像素行后，这之间的部分。
84.（2）、计算最大连通域宽度n，选取最大连通域的左右方向的居中处，并占颅骨轮廓宽度的五分之一以内的部分；例如外轮廓宽度为500像素列，则取左右方向的居中处，也就是第200-300像素列之间的部分。
85.上面（1）、（2）两个条件形成的交集区域为尖突点所在区域7。
86.s42：在尖突点所在区域7中，查找到所述的尖突点6。
87.查找到所述的尖突点的其中一个示例是：直方图统计，纵向统计区域内每一列像素中具有的白色像素点，获得直方图，在直方图上查找峰值，其中白色像素最多的像素列为尖突点所在列，尖突点所在列中最上方的并且是在区域内的属于最大连通域1的像素点，即为尖突点6。
88.其中另一个查找到所述的尖突点的示例是：在所述区域中，属于最大连通域1的最上方的像素行，为尖突点所在行，所在行内可能具有一个属于最大连通域的像素点，那么这一个点就是尖突点，所在行中，可能存在多个属于最大连通域的像素点，此时需在查找这些像素点的中间点，查找方法为统计这些像素点的每一个点的像素列索引号，将这些像素列索引号求得平均值，也就是找到这些像素点最中间点，为尖突点6。
89.实际运行中，第一个方法查找到的尖突点一般更为快捷，为优先示例。但第二个方法更准确。
90.s43：圈定对应点的位置。
91.在图像上，对应点5处于尖突点上方，对应点为人体脑部中的额窦骨形成的高亮区域，或者是颅底骨、后床突形成的高亮区域，或者框顶形成的高亮区域。如果图像中仅出现框顶，没有出现后床突、额窦骨，这时侯框顶（白色）与枕骨具有很长的距离，随着断层向下，框顶与枕骨距离变小；如果图像同时又出现后床突，这时侯后床突（白色像素）与枕骨的距离就更小，并随着断层向下，后床突与枕骨的距离越来越小。在出现了后床突时，就可以不考虑额窦骨、框顶与枕骨的距离了，因为这些部分的位置不会比后床突与枕骨的距离更小，
在识别时，总之是在枕骨向额前找到的第一个白色连通域，因此对比这一距离，可以找准当前ct图片的断层的排序。
92.参考图6，圈定对应点的位置后，在这个位置中找到对应点为：1、计算每一像素行中，颅骨轮廓左右的中点，这里以最大连通域1外边缘线为准，作为一个大致为圆形有颅骨，左右两边缘大致对称，对应点也处于中心对称线处，因此要找准最大连通域每一像素行x1中左右的中点。因为不确定对应点会出现在哪一像素行，因此每一像素行均进行查找。
93.找准最大连通域每一像素行x1中左右的中点，示例为，例如最大连通域左侧到右侧共1000列像素，那么中点就处于第500列像素。计算方法是通过列索引号来求得平均值，平均值所在索引号就是中点。将最大连通域每一像素行x1查找的中点边接起来就形成图像中心线8，中心线8不一定是直线，大概率是一条弯曲的线段，但不影响向上查找对应点。
94.参考图7，对应点位于最大连通域1左右方向的中部处。以尖突点所在像素行（不以是尖突点向上查找，因为尖突点不一定在中心线上），向上沿中心线方向，以中心线两侧（例如中心线两侧20像素范围内），查找到的第一个白色连通域，该色块连通域的下方的第一个像素点，为对应点5，如果最下方不只一个像素点，而是这一像素行有多个像素点，则取中间的像素点。这个对应点有可能是脑部后床突，有可能是、额窦骨、框顶。
95.s44：获得尖突点6与对应点5之间的间距；这里的间距为直线间距，即使中心线8为曲线的情况下，间距也采用直线间距。直线间距可以由多少个像素点代替。
96.参考图4（a），如果对应点是额窦骨,那么尖突点（枕骨）与对应点将会形成第一间距e；参考图4（a）、图4（b），如果对应点是颅底骨，那么尖突点（枕骨）与对应点将会形成第二间距f。
97.s45：对比间距的长度，以间距由长到短进行排序，参考图4（a）、图4（b）、图4（c）；并将间距排序设定为第二组的图片的排序。第一间距e大于第二间距f，即认为以间距由长到短进行排。
98.例如图片p6的间距为1000像素，图片p7的间距为1010像素，图片p8的间距为900像素，则排序为：第一位为图片p7、第二位为图片p6、第三位为图片p8。利用第二组的图片的排序，对应地对第二组原始图片打上顺序标签。
99.步骤5、将第一组的图片排在第二组图片顺序前，获得所有图片的最终排序。第二组图片的顺序标签的开始标签为紧接第一组图片顺序标签的末位标签。例如：第一组图片排序为：第一位为图片p1、第二位为图片p3、第三位为图片p2；第二组图片排序为：第一位为图片p7、第二位为图片p6、第三位为图片p8。
100.那么第二组紧接第一组图片顺序的末位标签，第一组图片顺序的末位标签为“第三位”，因此第二组起始标签为“第四位”，第二组图片顺位排序为：第四位为图片p7、第五位为图片p6、第六位为图片p8。最后排序为：第一位为图片p1、第二位为图片p3、第三位为图片p2、第四位为图片p7、第五位为图片p6、第六位为图片p8。
101.示例八：在示例七中，在对图片进行排序前，需要对图片进行前处理，前处理过程主要是识别出图像中的白色连通域，以及黑色连通域，仅这两个灰度为本示例的感兴趣区域，其余区域均不是本示例要查找的对像。
102.因此，查找这两种灰度的区域，可以有很多种方法。
103.第一种方法是matlab中连通区域标记函数bwlabel中使的算法，在该种方法中，一
次扫描整个图片，并记下每一行和每一列中连续的团和标记的等价对，然后通过等价对，对原来的图像进行重新标记，该种方法效率高，但是方法里用到了稀疏矩阵与dulmage-mendelsohn分解算法用来消除等价对，原理比较麻烦。
104.第二种算法是现在开源库cvblob中使用的标记算法，通过定位连通区域的内外轮廓来标记整个图像，这个算法的核心是轮廓的搜索算法。其方法为：1、逐行查找整个图像，把每一行中连续的白色像素组成一个序列称为一个团(run)，并记下它的起点start、它的终点end以及它所在的行号。
105.2、对于除了第一行外的所有行里的团，如果它与前一行中的所有团都没有重合区域，则给它一个新的标号；如果它仅与上一行中一个团有重合区域，则将上一行的那个团的标号赋给它；如果它与上一行的2个以上的团有重叠区域，则给当前团赋一个相连团的最小标号，并将上一行的这几个团的标记写入等价对，说明它们属于一类。
106.3、将等价对转换为等价序列，每一个序列需要给一相同的标号，因为它们都是等价的。从1开始，给每个等价序列一个标号。
107.4、遍历开始团的标记，查找等价序列，给予它们新的标记。
108.5、将每个团的标号填入标记图像中，完成连通域查找。
109.第三种算法：将图片归一化处理，使图像的像素归一化在0-255之间，对图像的像素点进行灰度映射获得对应的灰度直方图，根据灰度直方图获得分割阈值。在图像中查找所有白色像素点，提取所述像素点对应的图像，该图像为脑ct图像中的脑骨骼，也就是白色连通域。在图像中查找所有黑色像素点，提取所述像素点对应的图像，该图像为脑ct图像中的由眼框、鼻腔、视束，或者额窦、上颌窦等部位形成视觉无亮度区域，也就是黑色连通域。第三种算法中，将灰度图模式下全白像素形成的白色连通域，包括颅脑内的多个骨骼，例如颅骨、脑底骨、枕骨；除此之外的其它所有像素点全部置0，成为全黑像素。
110.除此之处，还有例如opencv用cvfindcontours查找到所有连通域，找出ct中的颅骨部分白色连通域与腔体部分形成的黑色连通域。
111.以上为实施本发明列举的各个实施例。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
112.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
113.本发明实现上述实施例方法，是通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
114.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含
在本发明的保护范围之内。
115.以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。