一种用于外科护理的患者伤口智能识别系统

技术领域

本发明涉及图像增强技术领域，具体涉及一种用于外科护理的患者伤口智能识别系统。

背景技术

在对患者的伤口区域进行治理护理的过程中，需要对患者伤处所采集的图像中的伤口区域进行观察，观察对象需要是清晰、准确且明显的伤口区域，以便于确定伤口的恢复程度和患者后续的护理方案。现有通常利用非局部均值滤波算法对患者伤处所采集的图像进行处理，在将图像中多余的影响因素过滤的同时，将图像中具有高相似度的像素点的灰度值进行更新，促使患者伤处在图像中表现的更为明显，便于对伤口进行检查。

非局部均值滤波对图像中目标区域进行增强的过程中，图像中可能存在与目标区域灰度近似的噪声点，如低灰度的毛发，其影响非局部均值滤波算法处理过程中参考块与邻域块的相似程度的计算准确性，进一步造成在计算窗口对应像素点的权重时出现误差，导致患者伤处所采集图像的滤波效果较差，也就是不符合预期患者伤处在图像中表现的明显程度，最终的伤口区域识别的准确性低下。

发明内容

为了解决上述患者伤处所采集图像的伤口区域的识别准确性低下的技术问题，本发明的目的在于提供一种用于外科护理的患者伤口智能识别系统，所采用的技术方案具体如下：

本发明一个实施例提供了一种用于外科护理的患者伤口智能识别系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取待识别的患者伤口灰度图像；根据患者伤口灰度图像中每个像素点的灰度值和R通道值，确定每个像素点属于伤口区域的概率；根据概率筛选出各个待滤波像素点；

将以待滤波像素点作为中心构建的预设尺寸的窗口区域作为待滤波窗口；根据各个待滤波窗口内每个像素点的灰度值，分析待滤波窗口与其本身以外的其他各个待滤波窗口之间的相似性，确定各个待滤波窗口对应的各相似窗口；

对于任意一个待滤波窗口，根据待滤波窗口对应的各相似窗口内每个像素点属于伤口区域的概率和灰度值，确定各相似窗口的伤口表现程度；根据伤口表现程度、各相似窗口内每个像素点的位置以及各个待滤波像素点的位置，确定各相似窗口的伤口重叠程度；

根据待滤波窗口与其对应的各相似窗口之间的距离、各相似窗口的伤口表现程度和伤口重叠程度、待滤波窗口与其对应的各相似窗口之间的相似性，确定各相似窗口对应像素灰度的权重；

根据各相似窗口对应像素灰度的权重和各相似窗口内每个像素点的灰度值进行加权均值计算，确定待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值；

确定各个待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值，获得新的患者伤口灰度图像；对新的患者伤口灰度图像进行伤口识别。

进一步地，根据患者伤口灰度图像中每个像素点的灰度值和R通道值，确定每个像素点属于伤口区域的概率，包括：

确定患者伤口灰度图像中各个低灰度区域，进而获得面积最大的低灰度区域，所述低灰度区域中每个像素点的灰度值均小于预设灰度值；对于患者伤口灰度图像中任意一个像素点，将像素点的R通道值与灰度值的比值作为第一概率因子，将像素点与面积最大的低灰度区域之间的距离的反比例值作为第二概率因子；计算第一概率因子和第二概率因子的乘积，将两个概率因子乘积的归一化值作为对应的像素点属于伤口区域的概率。

进一步地，根据各个待滤波窗口内每个像素点的灰度值，分析待滤波窗口与其本身以外的其他各个待滤波窗口之间的相似性，确定各个待滤波窗口对应的各相似窗口，包括：

根据各个待滤波窗口内每个像素点的灰度值，计算各个待滤波窗口的灰度均值为第一相似因子；确定各个待滤波窗口内灰度值小于预设灰度值的像素点个数为第二相似因子；

对于任意一个待滤波窗口，根据待滤波窗口与其对应的各候选相似窗口的第一相似因子、第二相似因子之间的差异，确定待滤波窗口与其对应的各候选相似窗口之间的相似程度；其中，所述候选相似窗口是指患者伤口灰度图像中除待滤波窗口本身以外的其他待滤波窗口；

设置相似阈值，将相似程度大于相似阈值的候选相似窗口作为对应的待滤波窗口的相似窗口，获得待滤波窗口对应的各相似窗口。

进一步地，所述待滤波窗口与其对应的各候选相似窗口之间的相似程度的计算公式为：

；式中，/>

进一步地，根据待滤波窗口对应的各相似窗口内每个像素点属于伤口区域的概率和灰度值，确定各相似窗口的伤口表现程度，包括：

对于待滤波窗口对应的任意一个相似窗口，计算相似窗口内所有像素点属于伤口区域的概率的平均值为第一伤口表现因子；确定相似窗口内面积最大的低灰度区域为目标灰度区域，将目标灰度区域面积与相似窗口面积的比值作为第二伤口表现因子；计算第一伤口表现因子和第二伤口表现因子的乘积作为相似窗口的伤口表现程度。

进一步地，根据伤口表现程度、各相似窗口内每个像素点的位置以及各个待滤波像素点的位置，确定各相似窗口的伤口重叠程度，包括：

对于待滤波窗口对应的任意一个相似窗口，确定相似窗口内所有像素点的位置集合与所有待滤波像素点的位置集合之间的交集和并集，将交集内元素个数与并集内元素个数的比值作为初始伤口重叠程度；计算相似窗口的初始伤口重叠程度与伤口表现程度的乘积，作为对应的相似窗口的伤口重叠程度。

进一步地，所述各相似窗口对应像素灰度的权重的计算公式为：

；式中，/>

进一步地，根据各相似窗口对应像素灰度的权重和各相似窗口内每个像素点的灰度值进行加权均值计算，确定待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值，包括：

根据各相似窗口内每个像素点的灰度值计算各相似窗口的平均灰度值；根据各相似窗口对应像素灰度的权重和各相似窗口的平均灰度值，计算各相似窗口的平均灰度值与其对应权重的乘积，作为第一乘积；将待滤波窗口对应的所有相似窗口的第一乘积的平均值，作为待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值。

进一步地，对新的患者伤口灰度图像进行伤口识别，包括：

利用阈值分割算法，对新的患者伤口灰度图像进行图像处理，获得待识别的伤口区域。

进一步地，根据概率筛选出各个待滤波像素点，包括：

将概率大于预设概率阈值的像素点作为待滤波像素点，获得各个待滤波像素点。

本发明具有如下有益效果：

本发明提供了一种用于外科护理的患者伤口智能识别系统，该系统先基于患者伤口的灰度特征，从患者伤口灰度图像的所有像素点中筛选出各个待滤波像素点，该步骤在一定程度上避免对图像中的所有像素点进行分析，其有助于减少计算量、提高伤口区域滤波增强的效率，同时也为后续进行自适应确定滤波权重提供基础；然后，结合各个待滤波窗口内每个像素点的灰度值，分析待滤波窗口与其本身以外的其他各个待滤波窗口之间的相似性，获得待滤波窗口对应的各相似窗口，相邻窗口即为非局部均值算法中的邻域块，其可以用于实现对待滤波像素点的灰度更新；接着，由于获得的所有待滤波像素点中并非全部为伤口区域的像素点，即存在与伤口区域灰度值相近的其他区域的像素点，该像素点将影响参考块与邻域块的相似程度，促使滤波结果出现误差，因此，本发明通过确定的各相似窗口的伤口表现程度和伤口重叠程度、待滤波窗口与其对应的各相似窗口之间的距离以及相似性，自适应确定各相似窗口对应像素灰度的权重，其提高了权重数值准确性的同时，也提升了患者伤口图像滤波增强的鲁棒性；最后，基于权重进行加权均值计算，获得各个待滤波像素点对应的更新后的灰度值，进而获得新的患者伤口灰度图像，新的患者伤口灰度图像更易观察伤口区域，有助于增强患者伤处所采集图像的伤口区域的识别准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一种用于外科护理的患者伤口智能识别系统的执行流程图；

图2为本发明实施例中的患者伤口灰度图像。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明所针对的具体场景为：

在利用非局部均值滤波对患者伤口区域进行增强识别的过程中，相机所采集到的图像中除了患者的伤口以外还可能存在患者的毛发等影响识别伤口区域的因素，其导致图像增强效果较差，降低了伤口区域识别的准确性。

为了克服伤口区域识别的准确性低下的缺陷，本实施例提供了一种用于外科护理的患者伤口智能识别系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取待识别的患者伤口灰度图像；根据患者伤口灰度图像中每个像素点的灰度值和R通道值，确定每个像素点属于伤口区域的概率；根据概率筛选出各个待滤波像素点；

将以待滤波像素点作为中心构建的预设尺寸的窗口区域作为待滤波窗口；根据各个待滤波窗口内每个像素点的灰度值，分析待滤波窗口与其本身以外的其他各个待滤波窗口之间的相似性，确定各个待滤波窗口对应的各相似窗口；

对于任意一个待滤波窗口，根据待滤波窗口对应的各相似窗口内每个像素点属于伤口区域的概率和灰度值，确定各相似窗口的伤口表现程度；根据伤口表现程度、各相似窗口内每个像素点的位置以及各个待滤波像素点的位置，确定各相似窗口的伤口重叠程度；

根据待滤波窗口与其对应的各相似窗口之间的距离、各相似窗口的伤口表现程度和伤口重叠程度、待滤波窗口与其对应的各相似窗口之间的相似性，确定各相似窗口对应像素灰度的权重；

根据各相似窗口对应像素灰度的权重和各相似窗口内每个像素点的灰度值，确定待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值；

确定各个待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值，获得新的患者伤口灰度图像；对新的患者伤口灰度图像进行伤口识别。

下面对上述各个步骤进行详细展开：

参考图1，示出了本发明一种用于外科护理的患者伤口智能识别系统的执行流程图，包括以下步骤：

S1，获取待识别的患者伤口灰度图像；根据患者伤口灰度图像中每个像素点的灰度值和R通道值，确定每个像素点属于伤口区域的概率；根据概率筛选出各个待滤波像素点。

需要说明的是，本实施例并非对患者伤口灰度图像中所有的像素点进行滤波处理，仅对伤口区域的像素点进行滤波增强处理，故通过对患者伤口灰度图像中像素点的灰度特征进行分析，判断每个像素点是否符合伤口区域的特征，根据判断结果可以获得各个待滤波像素点，其有效减少了滤波过程中的计算量，提高滤波效率。

第一步，获取待识别的患者伤口灰度图像。

在本实施例中，为了可以实现远程诊断患者的伤口恢复情况，利用相机对患者的待识别伤口进行拍摄，得到患者伤口区域的图像，在该图像中除了患者的伤口以外还可能存在患者的毛发等其他低灰度像素点，低灰度像素点是指图像中灰度值小于预设灰度值的像素点。为了便于后续进行图像信息计算，对患者伤口区域的图像进行灰度化处理，可以获得待识别的患者伤口灰度图像，患者伤口灰度图像如图2所示。其中，灰度化处理的实现方法包括但不限于：加权平均值法、平均值法、最大值法以及最小值法等，灰度化处理的实现过程为现有技术，此处不再进行详细阐述。

第二步，根据患者伤口灰度图像中每个像素点的灰度值和R通道值，确定每个像素点属于伤口区域的概率。

需要说明的是，患者伤口灰度图像中的伤口区域的像素灰度特征与正常皮肤区域的像素灰度特征存在差异，因此可以通过对患者伤口灰度图像中每个像素点的灰度情况进行分析，确定患者伤口灰度图像中每个像素点属于伤口区域的概率大小。

在本实施例中，患者的伤口区域一般呈现红色，所以伤口区域中像素点的R通道值在灰度值中的占比较高，另外伤口区域的像素点大多呈现低灰度值；像素点与伤口区域的远近程度也可以作为像素点属于伤口区域的概率的计算因子，距离越近，像素点属于伤口区域的概率越大。基于上述伤口区域的像素灰度特征，计算患者伤口灰度图像中每个像素点属于伤口区域的概率，具体实现步骤可以包括：

第一子步骤，确定患者伤口灰度图像中各个低灰度区域，获得面积最大的低灰度区域。

在本实施例中，利用区域生长算法，以患者伤口灰度图像中任意一个灰度值均小于预设灰度值的像素点为种子点进行区域生长处理，可以获得各个生长区域，将生长区域作为低灰度区域，低灰度区域中每个像素点的灰度值均小于预设灰度值。统计各个低灰度区域中的像素个数，将最大像素个数对应的低灰度区域作为面积最大的低灰度区域。

其中，预设灰度值可以基于伤口区域的像素灰度设置，本实施例将预设灰度值设置为160，实施者可以根据具体实际情况设置，不做具体限定；生长准则为：将种子点邻域内灰度值小于预设灰度值的像素点合并到一个区域。区域生长算法的实现过程为现有技术，此处不再进行详细阐述。

第二子步骤，对于患者伤口灰度图像中任意一个像素点，将像素点的R通道值与灰度值的比值作为第一概率因子，将像素点与面积最大的低灰度区域之间的距离的反比例值作为第二概率因子；计算第一概率因子和第二概率因子的乘积，将两个概率因子乘积的归一化值作为对应的像素点属于伤口区域的概率。

在本实施例中，遍历患者伤口灰度图像中的每个像素点，统计像素点的灰度值以及其在R通道的灰度值，R通道的灰度值即为R通道值。以患者伤口灰度图像中任意一个像素点为例，确定像素点属于伤口区域的概率，其计算公式可以为：

；式中，/>

在像素点属于伤口区域的概率的计算公式中，第m个像素点属于伤口区域的概率越大，说明第m个像素点为待滤波像素点的可能性越大，其进行滤波处理的必要性越大；第m个像素点的灰度值越小、R通道值越高，第一概率因子越大，像素点属于伤口区域的可能性越大，进行滤波的必要性越高；关于第m个像素点与面积最大的低灰度区域之间的距离，可以量化为过第m个像素点作到面积最大的低灰度区域的垂线，将垂线距离作为第m个像素点与面积最大的低灰度区域之间的距离，当然，实施者也可以采用其他方法衡量像素点到面积最大的低灰度区域的距离大小；第m个像素点与面积最大的低灰度区域之间的距离越短，说明第m个像素点属于伤口区域的概率越大；参考上述第m个像素点属于伤口区域的概率的计算过程，可以获得患者伤口灰度图像中每个像素点属于伤口区域的概率。

需要说明的是，对于面积最大的低灰度区域中的各个像素点，其在计算第二概率因子时，可以直接赋值为0。

第三步，根据概率筛选出各个待滤波像素点。

在本实施例中，获得患者伤口灰度图像中每个像素点属于伤口区域的概率后，将概率大于预设概率阈值的像素点作为待滤波像素点，获得各个待滤波像素点。其中，预设概率阈值可以设置为0.6，实施者可以根据具体实际情况设置，这里不做具体限定。

需要说明的是，患者伤口区域附近可能存在低灰度的毛发区域或其他区域，其灰度值与伤口区域内像素点的灰度值相近，而且可能距离伤口区域较短，所以获得的各个待滤波像素点中仍然可能存在不属于伤口区域的像素点。

至此，本实施例通过对患者伤口灰度图像中像素点的灰度特征进行分析，获得了患者伤口灰度图像中的各个待滤波像素点。

S2，确定各个待滤波像素点对应的待滤波窗口；根据各个待滤波窗口内每个像素点的灰度值，分析待滤波窗口与其本身以外的其他各个待滤波窗口之间的相似性，确定各个待滤波窗口对应的各相似窗口。

需要说明的是，为了对各个待滤波像素点的灰度值进行更新，实现伤口区域增强处理，基于各个待滤波窗口互相之间的伤口特征的相似程度，确定单个待滤波窗口对应的一个或多个相似窗口，具体实现步骤可以包括：

第一步，确定各个待滤波像素点对应的待滤波窗口。

在本实施例中，以各个待滤波像素点为中心点构建预设尺寸的窗口，将窗口区域作为待滤波窗口，获得各个待滤波像素点对应的待滤波窗口，即各个待滤波窗口。其中，预设尺寸可以设置为10，那么待滤波窗口大小可以为

第二步，根据各个待滤波窗口内每个像素点的灰度值，确定各个待滤波窗口与其对应的各候选相似窗口之间的相似程度。

在本实施例中，可以通过待滤波窗口与其对应的各候选相似窗口的灰度均值差异和低灰度区域面积差异，衡量待滤波窗口与其对应的各候选相似窗口之间的相似程度，所述候选相似窗口是指患者伤口灰度图像中除待滤波窗口本身以外的其他待滤波窗口；相似程度越大，说明对应的候选相似窗口越有可能是相似窗口，确定相似程度的具体实现步骤可以包括：

第一子步骤，确定各个待滤波窗口的第一相似因子和第二相似因子。

根据各个待滤波窗口内每个像素点的灰度值，计算各个待滤波窗口的灰度均值为第一相似因子；确定各个待滤波窗口内灰度值小于预设灰度值的像素点个数为第二相似因子。

第二子步骤，根据各个待滤波窗口的第一相似因子和第二相似因子，确定各个待滤波窗口与其对应的各候选相似窗口之间的相似程度。

在本实施例中，对于任意一个待滤波窗口，待滤波窗口与其对应的各候选相似窗口之间的相似程度的计算公式可以为：

；式中，/>

在相似程度的计算公式中，通过统计窗口内小于预设灰度值的像素点个数来衡量窗口区域内低灰度区域面积，即第二相似因子，该预设灰度值与上述步骤S1中低灰度区域确定过程中的预设灰度值一致，均可以为160；

第三步，根据各个待滤波窗口与其对应的各候选相似窗口之间的相似程度，确定各个待滤波窗口对应的各相似窗口。

在本实施例中，设置相似阈值对待滤波窗口对应的各候选相似窗口进行筛选，将相似程度大于相似阈值的候选相似窗口作为对应的待滤波窗口的相似窗口，获得待滤波窗口对应的各相似窗口，相似窗口是指与其对应的待滤波窗口较为相似的窗口区域。其中，相似阈值可以设置为0.5，实施者可以根据具体实际情况设置相似阈值，此处不做具体限定。

至此，本实施例通过分析各个待滤波窗口的灰度均值和低灰度区域，确定各个待滤波窗口对应的各相似窗口。

S3，根据各个待滤波窗口对应的各相似窗口的伤口图像特征，确定各个待滤波窗口对应的各相似窗口的伤口表现程度和伤口重叠程度。

需要说明的是，由于在已获得的待滤波像素点中可能存在不属于伤口区域的像素点，若对属于伤口区域的像素点赋予权重进行加权处理，则可能会导致滤波结果无法达到最佳，因此需要量化各相似窗口与伤口区域的关联程度，即伤口表现程度和伤口重叠程度，以便于后续基于各相似窗口与伤口区域的关联程度，确定各相似窗口对应像素灰度的滤波权重。

第一步，对于任意一个待滤波窗口，根据待滤波窗口对应的各相似窗口内每个像素点属于伤口区域的概率和灰度值，确定各相似窗口的伤口表现程度。

在本实施例中，相似窗口内存在伤口的可能性越大，说明相似窗口的伤口表现特征越明显，为了使属于伤口区域的像素点在进行滤波处理后更加明显，后续将为对应的相似窗口对应像素灰度赋予更高的权重。基于相似窗口中每个像素点属于伤口区域的可能性和低灰度区域在相似窗口中的占比情况，衡量相似窗口内存在伤口的可能性，确定相似窗口的伤口表现程度。

对于待滤波窗口对应的任意一个相似窗口，计算相似窗口内所有像素点属于伤口区域的概率的平均值为第一伤口表现因子；确定相似窗口内面积最大的低灰度区域为目标灰度区域，将目标灰度区域面积与相似窗口面积的比值作为第二伤口表现因子；计算第一伤口表现因子和第二伤口表现因子的乘积作为相似窗口的伤口表现程度。

作为示例，相似窗口的伤口表现程度的计算公式可以为：

；式中，/>

在伤口表现程度的计算公式中，目标灰度区域面积可以表征相似窗口内灰度值小于预设灰度值的像素点组成的所有连通域中的面积最大值，目标灰度区域面积越大，说明相似窗口位于伤口区域内部的可能性越大，伤口表现程度就会越高；伤口区域并非完全连通的区域，而且还可能存在毛发等低灰度区域，所以相似窗口内存在多个低灰度连通域的情况；

第二步，根据伤口表现程度、各相似窗口内每个像素点的位置集合以及各个待滤波像素点的位置集合，确定待滤波窗口对应的各相似窗口的伤口重叠程度。

需要说明的是，相似窗口与伤口区域之间的重复的像素点数量越多，则说明相似窗口与伤口区域的重叠面积越大，即该相似窗口内像素点所处位置越靠近伤口所处位置。其中，伤口区域内像素点可以大致表征为步骤S1获得的所有待滤波像素点，故此处的伤口区域为大致伤口区域。

本实施例通过相似窗口与大致伤口区域像素点坐标集合的交集和并集的比值，量化相似窗口与大致伤口区域的重叠程度，当相似窗口与大致伤口区域的重叠程度越大，则交集内的元素越多，其说明当前相似窗口越靠近伤口区域内部。同时，为了增强重叠程度计算的可信度，将相似窗口的伤口表现程度作为交集和并集的比值的权值，伤口表现程度越大，相似窗口与伤口区域的重叠情况越可信，伤口重叠程度越大。当然，通过统计相似窗口内待滤波像素点的个数，也可以表征相似窗口与大致伤口区域的重叠程度。确定待滤波窗口对应的各相似窗口的伤口重叠程度的实现步骤可以包括：

对于待滤波窗口对应的任意一个相似窗口，确定相似窗口内所有像素点的位置集合与所有待滤波像素点的位置集合之间的交集和并集，将交集内元素个数与并集内元素个数的比值作为初始伤口重叠程度；计算相似窗口的初始伤口重叠程度与伤口表现程度的乘积，作为对应的相似窗口的伤口重叠程度。

作为示例，相似窗口的伤口重叠程度的计算公式可以为：

；式中，/>

在伤口重叠程度的计算公式中，伤口表现程度越大，待滤波窗口对应的第c个相似窗口与大致伤口区域的重叠情况越可信，相似窗口的伤口重叠程度越高；

至此，本实施例获得了各个待滤波窗口对应的各相似窗口的伤口表现程度和伤口重叠程度。

S4，根据各个待滤波窗口与其对应的各相似窗口之间的距离、各相似窗口的伤口表现程度和伤口重叠程度、待滤波窗口与其对应的各相似窗口之间的相似性，确定各个待滤波窗口对应的各相似窗口对应像素灰度的权重。

在本实施例中，结合待滤波窗口与其对应的各相似窗口之间的距离、伤口程度差异以及相似窗口与伤口区域之间的位置关系，分析待滤波窗口与其对应的各个相似窗口之间的关系，计算各个待滤波窗口对应的各相似窗口对应像素灰度的权重，即相似窗口整体像素对应的滤波权重。

作为示例，对于任意一个待滤波窗口，待滤波窗口对应的第j个相似窗口对应像素灰度的权重的计算公式可以为：

；式中，/>

在相似窗口对应像素灰度的权重的计算公式中，

至此，本实施例通过窗口中伤口的表现程度、窗口与伤口区域的重叠程度以及窗口间的相似程度，得到各相似窗口对应像素灰度的权重。

S5，根据各个待滤波窗口对应的各相似窗口对应像素灰度的权重和各相似窗口内每个像素点的灰度值进行加权均值计算，确定各个待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值，获得新的患者伤口灰度图像，对新的患者伤口灰度图像进行伤口识别。

第一步，根据各个待滤波窗口对应的各相似窗口对应像素灰度的权重和各相似窗口内每个像素点的灰度值进行加权均值计算，获得新的患者伤口灰度图像。

在本实施例中，获得待滤波窗口对应的各相似窗口对应像素灰度的权重后，根据各相似窗口对应像素灰度的权重，对相似窗口对应像素灰度进行加权，并将得到的结果更新为待滤波窗口对应像素点的灰度值，获得新的患者伤口灰度图像，也就是伤口区域滤波增强后的患者伤口灰度图像。对于任意一个待滤波窗口，确定待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值，具体实现步骤可以包括：

根据各相似窗口内每个像素点的灰度值计算各相似窗口的平均灰度值；根据各相似窗口对应像素灰度的权重和各相似窗口的平均灰度值，计算各相似窗口的平均灰度值与其对应权重的乘积，作为第一乘积；将待滤波窗口对应的所有相似窗口的第一乘积的平均值，作为待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值。

作为示例，待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值的计算公式可以为：

；式中，Q为待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值，F为待滤波窗口对应的相似窗口个数，/>

需要说明的是，待滤波窗口即为非局部均值算法中提及的参考块，相似窗口即为邻域块。参考任意一个待滤波窗口内中心位置处的待滤波像素点对应的更新后的灰度值的计算过程，可以获得各个更新后的灰度值，将更新后的灰度值映射到患者伤口灰度图像中对应位置的像素点，从而获得新的患者伤口灰度图像。

第二步，对新的患者伤口灰度图像进行伤口识别。

在本实施例中，利用阈值分割算法，如大津法，对新的患者伤口灰度图像进行图像处理。由于伤口区域表现为低灰度区域，在滤波增强后伤口区域的灰度值将会更低，故可以将小于阈值的像素点标记为伤口区域的像素点，从而获得待识别的伤口区域。阈值分割算法的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

至此，本实施例通过结合像素点对应窗口的相似程度、位置关系以及窗口存在伤口的可能性对像素点对应滤波权重进行确定，实现了对患者伤口灰度图像中伤口区域像素点的增强，完成了对患者伤口区域的识别，提高了患者伤口区域的识别准确性。

以上所述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范围，均应包含在本发明的保护范围之内。