本发明涉及图像处理领域，更具体地说，本发明涉及一种宫腔镜图像优化方法及系统。
背景技术：
1、宫腔镜作为一种用于检查和手术的内视镜设备，在妇科手术中扮演着重要角色。这种设备能够提供高清晰度的内部视图，使医生能够进行精准地诊断和治疗。然而，宫腔镜系统的图像处理质量和实时性对于手术的成功至关重要。在现有的宫腔镜系统中，图像处理通常依赖于高性能的硬件和软件算法，以确保实时性和图像质量。然而，当系统开启多功能或单一功能的性能要求过高时，处理复杂度增加，导致观察延时，影响实时性。此外，系统性能的过度依赖也增加了设备的成本和操作复杂性，限制了其广泛应用。
2、现有的宫腔镜系统在图像处理方面存在多个不足之处。首先，图像处理高度依赖高性能硬件，例如高级gpu和高速cpu，这使得系统成本高昂，并且对硬件环境有很高的要求，限制了其在资源有限的医疗机构中的普及。其次，当系统同时开启多个功能或某个功能的性能需求过高时，处理器的负载显著增加，导致图像处理的复杂性大幅提升。这种情况下，系统可能出现处理延时，直接影响图像的实时性和清晰度，从而影响医生的操作准确性和手术效果。
3、此外，现有系统的图像处理算法通常是固定的，缺乏动态调整能力，无法根据实时负载和具体手术需求进行优化。这样的静态处理方式在负载较高时容易导致系统性能瓶颈，图像处理质量下降，影响手术的安全性和效率。更重要的是，由于缺乏智能化的负载管理和资源分配机制，现有系统难以在不同负载条件下保持图像处理的最佳状态，容易出现资源浪费或不足的情况。
4、同时，现有的图像处理技术大多仅关注图像本身的质量提升，而忽略了处理实时性和硬件资源的综合利用。这种单一优化的方式无法满足复杂手术环境下对高效图像处理的需求，导致系统在实际应用中存在诸多局限性。此外，过度依赖高性能硬件也增加了系统的维护和升级成本，给医疗机构带来额外的经济负担。
5、综上所述，现有宫腔镜系统在图像处理方面的不足，主要体现在高性能硬件依赖、处理复杂度高、实时性差、缺乏动态优化能力和资源分配机制等方面。这些问题限制了宫腔镜系统的性能和应用范围，需要进一步的技术改进和优化，以提供更高效、更稳定的图像处理解决方案，满足临床手术的需求。
6、为了解决上述问题，现提供一种技术方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明的实施例提供一种宫腔镜图像优化方法及系统，通过动态资源分配和智能图像处理技术提高图像处理的实时性与质量。在启动阶段，自动执行硬件与软件的状态检查，包括验证图像捕获设备的状态。根据手术类型自动选择图像处理模式，利用深度学习算法分析历史操作数据以设定图像参数，并实时监测处理任务对cpu与gpu的负载，从而明确当前的图像处理压力。应用边缘检测和特征点匹配技术自动识别图像中的关键医疗区域，并根据预设或推荐将图像划分为主要和次要画面。基于压力级别评估结果，采用优先级队列算法优化资源分配，优先保障主画面的图像处理资源，以维持其清晰度与帧率，次要画面的资源分配则根据剩余资源进行调整，以保持可接受的图像质量。持续监控处理负载，并在负载减轻时自动增加次要画面的资源分配。同时，根据手术需求的实时变化，动态调整主要和次要画面的边界，确保适应手术过程中的视觉需求。通过上述步骤，本发明有效提高了宫腔镜的图像处理效率和质量，增强了手术操作的精确性和安全性，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、s1：在宫腔镜启动阶段，自动执行硬件与软件的状态检查，生成综合状态报告，确保所有硬件和软件组件正常工作。
4、s2：根据手术类型自动选择图像处理模式，利用深度学习算法分析相应的历史操作数据以设定图像参数，并且实时监测处理任务对cpu与gpu的负载，据此明确当前的图像处理压力。
5、s3：应用边缘检测和特征点匹配技术自动识别图像中的关键医疗区域，并根据设定或推荐将图像划分为主要和次要画面。
6、s4：根据压力级别评估结果，采用优先级队列算法优化资源分配，优先保障主画面的图像处理资源，以维持其清晰度与帧率，次要画面的资源分配根据剩余资源进行调整，以保持可接受的图像质量。
7、s5：连续监控图像处理压力，并在图像处理压力稳定且减轻的情况下动态调整主要和次要画面的边界，直到主要画面完全覆盖次要画面为止，反之，则维持之前步骤s3划分的主要和次要画面，并依据当前的图像处理压力大小给出对应的预警提示。
8、在一个优选的实施方式中，s2包括以下内容：
9、s2-1，根据手术计划自动识别当前手术类型，调用预设的图像处理模式库选择相应的处理模式；
10、s2-2，利用深度学习算法分析相应的历史操作数据，包括处理模式、图像质量参数和处理时间，提取出历史数据中的关键特征，应用以下公式生成当前操作的图像参数：
11、。
12、其中：
13、表示每秒处理的图像帧数。
14、表示图像的分辨率。
15、表示处理单帧图像所需的时间。
16、代表深度学习模型接受历史操作数据中的关键特征作为输入，包括帧率、分辨率和处理时间，然后输出预测的图像处理参数集合。
17、表示预测的图像处理参数集合。
18、在一个优选的实施方式中，s2-3，实时监测当前处理任务对cpu与gpu的负载，具体操作包括：
19、获取cpu使用率和gpu使用率。
20、计算当前负载指数：
21、。
22、其中：
23、表示cpu的当前使用率，用于监测cpu负载。
24、表示gpu的当前使用率，用于监测gpu负载。
25、表示当前cpu的运行频率，用于衡量cpu的工作强度。
26、表示当前gpu的运行频率，用于衡量gpu的工作强度。
27、表示当前cpu的温度，用于评估cpu的热状态。
28、表示当前gpu的温度，用于评估gpu的热状态。
29、s2-4，根据实时负载指数和图像处理模式下的预设负载阈值，判断当前的图像处理压力，图像处理压力指数通过以下公式计算：
30、；
31、根据图像处理压力指数，将压力级别分为三类：低负载、中等负载和高负载，以下是详细的压力评级过程：
32、当图像处理压力指数小于第一阈值时，标记为低负载；
33、当图像处理压力指数在第一阈值到第二阈值之间时，标记为中等负载；
34、当图像处理压力指数等于或大于第二阈值时，标记为高负载。
35、在一个优选的实施方式中，s3包括以下内容：
36、s3-1，首先，对输入的宫腔镜图像进行预处理；
37、s3-2，在图像预处理后，使用canny边缘检测算法检测图像中的边缘；
38、s3-3，检测到边缘后，识别图像中的特征点，使用harris角点检测算法来完成这一步骤，角点响应函数的计算如下：
39、；其中，为自相关矩阵，为经验常数，为矩阵的行列式，为矩阵的迹；
40、s3-4，结合边缘检测结果和特征点分布，使用聚类算法识别图像中的关键医疗区域，设定聚类中心数和迭代次数，通过以下公式计算聚类中心：
41、；其中，为第个聚类中心，为属于第个聚类中心的特征点集合，为特征点；
42、s3-5，根据识别的关键区域，将图像划分为主要和次要画面，主要画面聚焦于包含关键区域的部分，次要画面包含其余部分，通过以下公式进行划分：
43、，；其中，为主要画面区域，为次要画面区域，为像素点到最近聚类中心的距离。
44、在一个优选的实施方式中，s4包括以下内容：
45、s4-1，获得步骤s2得出的压力级别和步骤s3中得到的主要和次要画面；
46、s4-2，采用优先级队列来管理资源分配：主要画面被分配最高优先级，以保证其图像处理资源；次要画面根据剩余资源和当前负载状况进行动态调整；
47、s4-3，在低负载和中等负载情况下，主要画面的资源分配优先满足其最高需求，包括最大帧率和分辨率，在进行资源分配之前，需要根据图像处理压力指数进行校正，以确保资源分配的准确性和动态调整能力，具体计算如下：
48、；
49、其中，为校对后的主要画面区域，为系统总资源，为主要画面的最大需求，为图像处理压力指数；
50、s4-4，次要画面的资源分配根据剩余资源和当前负载状况进行调整：
51、在高负载情况下，优先保证主要画面的资源后，再根据剩余资源调整次要画面的帧率和分辨率，调整公式如下：
52、；
53、。
54、其中，和分别为次要画面的帧率和分辨率调整值，和分别为次要画面的最大帧率和最大分辨率。
55、在一个优选的实施方式中，s5包括以下内容：
56、s5-1，首先依据图像处理压力指数来连续监控宫腔镜的系统负载压力情况；
57、获取最近额定时间内的多个图像处理压力指数数据，构建当前分析数据集，计算得到标准差；
58、为了分析当前整体复杂的整体趋势，计算图像处理压力指数的斜率，通过对时间窗口内负载指数的线性回归，得到图像处理压力指数的斜率，公式如下：
59、；
60、其中，图像处理压力指数的斜率表示负载指数的变化趋势；
61、s5-2，综合考虑负载指数的波动性和趋势，通过综合图像处理压力指数的标准差、图像处理压力指数的平均值和图像处理压力指数的斜率来计算得到稳态负载递减系数，计算公式如下：
62、；稳态负载递减系数用于判断负载是否稳定且减轻。
63、在一个优选的实施方式中，s5-3，设主要和次要画面的初始边界为；
64、在每个时间间隔内，计算主要画面和次要画面的关键特征点数量和；
65、如果稳态负载递减系数小于失稳阈值，则使用稳态负载递减系数结合特征点数量动态调整边界，调整公式如下：
66、；其中，为边界调整量，为调整系数，用于控制调整幅度，和分别为主要画面和次要画面的特征点数量。
67、根据计算得到的边界调整量，更新主要和次要画面的边界位置，直到主要画面完全覆盖次要画面为止。
68、如果稳态负载递减系数大于或等于失稳阈值，在这种情况下，将维持之前步骤s3获得的边界作为主要和次要画面的界限，不进行调整，同时，如果仍然提示高负载，将发出预警提示。
69、一种宫腔镜图像优化系统，包括系统综检模块、模式智选模块、边缘识别模块、资源优化模块和负载调控模块。
70、系统综检模块在宫腔镜启动阶段，自动执行硬件与软件的状态检查，生成综合状态报告，确保所有硬件和软件组件正常工作，输出综合状态报告至模式智选模块。
71、模式智选模块根据手术类型自动选择图像处理模式，利用深度学习算法分析历史操作数据以设定图像参数，并且实时监测处理任务对cpu与gpu的负载，明确当前的图像处理压力，输出图像处理模式和初始负载压力数据，传递到边缘识别模块。
72、边缘识别模块应用边缘检测和特征点匹配技术自动识别图像中的关键医疗区域，并根据设定或推荐将图像划分为主要和次要画面，输出关键区域坐标和主要、次要画面的初始边界数据，递到资源优化模块。
73、资源优化模块根据压力级别评估结果，采用优先级队列算法优化资源分配，优先保障主要画面的图像处理资源，以维持其清晰度与帧率，次要画面的资源分配根据剩余资源进行调整，以保持可接受的图像质量，输出优化后的资源分配方案，传递到负载调控模块。
74、负载调控模块连续监控图像处理压力，分析最近时间内的压力数据，计算标准差和压力斜率，得到稳态负载递减系数；在图像处理压力稳定且减轻的情况下，动态调整主要和次要画面的边界，直到主要画面完全覆盖次要画面为止；反之，则维持之前划分的主要和次要画面，并依据当前的图像处理压力大小给出对应的预警提示。
75、本发明一种宫腔镜图像优化方法及系统的技术效果和优点：
76、1.本发明通过自动识别手术类型、分析历史操作数据、实时监测处理任务的负载，并动态调整图像处理参数，有效地优化了图像处理模式和性能。具体地，通过深度学习算法对历史数据的分析，可以准确预测和设定当前手术所需的最佳图像参数；实时监测cpu与gpu的负载状况，并计算出负载指数和处理压力，确保系统在高负载情况下仍能平稳运行；根据处理压力动态调整帧率和分辨率，以维持关键图像质量，同时避免系统过载。此过程保证了宫腔镜系统的高效性和稳定性，使医生能够获得高质量的图像支持，从而提升诊断和治疗的精确性。
77、2.本发明通过应用边缘检测和特征点匹配技术自动识别图像中的关键医疗区域，并根据设定或推荐将图像划分为主要和次要画面，从而确保关键区域的图像处理质量和实时性。在具体操作中，通过图像预处理去除噪声、增强对比度，再使用canny边缘检测算法精确识别图像边缘，接着通过harris角点检测算法识别显著特征点，并结合边缘检测结果和特征点分布，使用k-means聚类算法识别关键医疗区域，最后通过设定划分阈值将图像合理划分为主要和次要画面。这样，可以优先分配资源处理主要画面，保证医生在手术过程中获得清晰、实时的图像，提高手术的精确性和安全性，同时通过动态调整次要画面的处理，避免系统过载，优化整体图像处理效果。
78、3.本发明基于压力级别评估结果，采用优先级队列算法优化资源分配，优先保障主要画面的图像处理资源，维持其清晰度和帧率，同时根据剩余资源动态调整次要画面的处理。确保主要画面在低负载和中等负载情况下获得足够资源，在高负载情况下合理控制资源分配，避免系统过载；确保在高负载情况下优化次要画面的图像质量，减轻整体负载压力。这样，系统在高负载下仍能提供高质量的图像支持，优化宫腔镜手术的整体效果。通过这种动态优化资源分配的方式，系统能够在不同负载条件下提供高质量和高实时性的图像处理，提升手术的精确性和安全性，优化宫腔镜系统的整体性能。
79、4.本发明依据图像处理压力指数连续监控宫腔镜的系统负载压力情况，并计算标准差和斜率评估负载的波动性和趋势，得到稳态负载递减系数以判断负载是否稳定且减轻。当稳态负载递减系数小于失稳阈值时，系统自动扩大主要画面的尺寸，逐渐覆盖次要画面，提升图像质量；若大于或等于失稳阈值，则维持原有边界并在高负载情况下发出预警，建议关闭多个功能或降低某个功能的性能需求等级。这种智能化的负载管理和画面调整策略，有效提升了系统的实时性和性能稳定性，为医疗手术提供了可靠的图像支持。
1.一种宫腔镜图像优化方法，其特征在于：
2.根据权利要求1所述的一种宫腔镜图像优化方法，其特征在于：
3.根据权利要求2所述的一种宫腔镜图像优化方法，其特征在于：
4.根据权利要求3所述的一种宫腔镜图像优化方法，其特征在于：
5.根据权利要求4所述的一种宫腔镜图像优化方法，其特征在于：
6.根据权利要求5所述的一种宫腔镜图像优化方法，其特征在于：
7.根据权利要求6所述的一种宫腔镜图像优化方法，其特征在于：
8.一种宫腔镜图像优化系统，用于实现权利要求1-7任一项所述的宫腔镜图像优化方法，包括系统综检模块、模式智选模块、边缘识别模块、资源优化模块和负载调控模块；
