CN101546426A - 基于区域增强及区域提取的微弱发光图像处理方法 - Google Patents

Abstract

本发明涉及一种图像处理技术领域的基于区域增强及区域提取的微弱发光图像处理方法。首先将有照明条件下的背景图像和原始微弱发光图像的一维原始数据序列转为二维数组结构，并对其做对数变换。然后通过形态学加权中值滤波去除微弱发光图像的噪声，对微弱发光图像用Canny微分算子提取边缘，再用形态学模板闭合提取出的边缘填充发光区域。得到标出发光区域的二值化图像。将该图像的发光区域勾选出来，进行伪彩色处理后叠加到背景图像上。由图像发光亮度标定法给图像亮度加上标示。最后记录图像实验条件，图像来源及其他附加信息。本发明提供了一种可靠的微弱发光图像处理方法，实现了从原始图像数据序列输入到输出图像结果的处理过程。

Description

基于区域增强及区域提取的微弱发光图像处理方法

技术领域

本发明涉及一种图像处理技术领域的方法，具体是一种基于区域增强及区域提取的微弱发光图像处理方法。

背景技术

在微弱发光成像中，为了能使成像检测传感器输出的被检测样本原始微弱发光图像清楚直观地提供给实验研究人员查看，需要进行一系列的处理。目前一般方法是，首先由成像检测传感器采集被检测样本的微弱发光，把输入的一维微弱发光信号序列转换为二维发光图像，再对原始发光图像进行去噪处理，另外采集一幅有照明条件下的样本概貌图像作为背景图像，把上一幅图像中感兴趣区域提取出来叠加到背景图像上，以供定位样本中的微弱发光位置。为了增强视觉效果，常用的方法是对提取出来的微弱发光区域进行伪彩色处理。得到输出的伪彩色图像后，再对图像发光区域的亮度进行标示。通过这样的方法，实验人员可以形象地看到实验样本发光区域的位置，比较发光区域亮度，进行简单的统计分析。此类方法已经在微弱发光成像应用领域发挥很大的作用。

提取实验样本发光区域时使用的图像分割方法主要有以下几种：阈值分割方法、区域生长法、区域分裂合并法、基于统计学的方法。阈值分割法是最常见的直接检测区域的分割方法，阈值分割方法基于对灰度图像的一种假设，目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰。选取的阈值位于两个峰之间的谷，从而将两个峰分开。其优点是实现简单，对于不同类的物体灰度值区别很大时，它能有效地对图像进行分割。但对于微弱发光成像的图像数据，往往实验样本上极微弱的区域发光信号和背景噪声比较接近，难以取得较好的分割效果。区域生长和分裂合并是两种典型的串行区域分割方法，其特点是将分割过程分解为顺序的多个步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。区域生长的基本思想是将具有相似性质的像素集合起来构成区域，该方法需要先选取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域生长法的优点是计算简单，缺点是它需要人工交互以获得种子点。在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。区域分裂合并方法中，区域先从整幅图像开始分裂，然后将相邻的区域进行合并。分裂合并方法不需要预先指定种子点，但是，分裂技术可能会使分割区域的边界被破坏。基于统计学的方法实质是从统计学的角度出发对数字图像进行建模，把图像中各个像素的灰度值看作是具有一定概率分布的随机量。从观察到的图像中恢复实际物体或正确分割观察到的图像，从统计学的角度看就是要找出最有可能即最大概率得到该图像的物体组合，一般用于从几个不同发光源的成像组合信号中分离出目标光源信号。基于统计学的方法适用于多光谱成像的光谱分离，因此并不符合微弱发光图像处理的分割要求。

经对现有技术的文献检索发现，国际专利公开号WO2007/074929，中国专利公开号：CN101351735A，国际公开日：2007年7月5日，中国专利公开日，2009年1月21日。专利名称为：获取生物源样本的图像的装置和方法。该专利提供了一种使用光学成像设备对生物源的样本的发光现象成像的新装置和新方法。在该技术中，对通过照明样本获得的照明图像和不照明样本而对样本中细胞的发光现象发射的光获取的发光图像进行叠加，以产生叠加图像。在叠加图像中，确定发光分析区域。该技术分割图像使用的是阈值法，虽然加入了可人工调节的功能，但单一的阈值分割在微弱发光成像区域淹没在噪声信号时，则难以很好地区分发光区域和噪声背景，尤其在高灵敏度光学成像设备检测极其微弱发光需要调节高敏成像参数时，更容易导致检测噪声或成像探测器本身噪声发出的信号会和目标物发光信号亮度比较接近，则单一的阈值分割方法将很难奏效。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于区域增强及区域提取的微弱发光图像处理方法，使光学成像装置在微弱发光领域获得更广泛的应用。

本发明通过以下技术方案实现，本发明包括如下步骤：

1.首先利用维数转换转换图像原始数据序列，把在有照明条件下的背景图像和被检测样本原始微弱发光实验图像的一维原始数据序列转为二维数组结构。为了便于显示在显示输出设备上，对二维数组结构进行相应的变换，得到两个像素灰度数值均在显示设备可显示区间0-255上的图像矩阵。

2.通过形态学加权中值滤波去噪增强处理，同时完成去除噪声和增强微弱发光区域的微弱信号。

所述的形态学加权是指选用形态学加权模板，主要表示采集图像微弱发光区域的形状和大小及该区域的梯度信息。该模板因采集图像要求的区域不同而异，使用何种形状，何种大小的模板由用户根据一般实验成像的经验进行选择。

3.采用基于Canny微分算子的特征区域提取方法，对初步去除了噪声的实验图像用Canny微分算子提取出发光区域的边缘，用符合区域形态特征的形态学核心元素模板闭合该边缘，然后进行填充。新建一个和实验图像同样大小的图像矩阵，将处于填充后边缘内部的点定为1，其余点定为0，得到标示出发光区域的二值化图像。

所述的符合区域形态特征的形态学核心元素模板，主要包括采集图像区域的形状信息。因采集图像要求的区域不同而异。使用何种形状，何种大小的模板由用户根据一般实验成像的经验进行选择。

4.采用图像伪彩色处理及叠加方法，以得到的二值化图像为依据，将实验图像里处于二值化图像“1”的位置的发光区域勾选出来，进行伪彩色处理后叠加到背景图像上，得到供输出的图像数据矩阵。

5.根据标定好的图像像素灰度值和实际光强值关系，给实验图像标加上亮度标尺。

6.采用图像采集信息及其他附加信息的记录方法，记录图像实验条件，图像来源及其他附加信息给输出设备，对实验图像进行归档处理。

本发明所述的方法简单可行、适应性强，可以有效地发挥图像采集设备的性能。与其他技术相比，增加了基于发光区域团块特征的形态学加权中值滤波去噪方法，在进行发光实验图像区域提取时避免了使用单一阈值法，而使用基于Canny微分算子的边缘提取法，同时结合发光图像形态特征使用了形态学核心元素进行边缘闭合及填充，获得良好的发光图像的微弱发光区域提取效果。同时本发明对于图像采集的条件参数及附加信息等能够完整地和图像数据一起输出。

附图说明

图1是本发明的流程图

图2是本发明所用的空域伪彩色变换方法的分段函数曲线

具体实施方式

下面结合附图对本发明的优选实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例的具体步骤如下：

1.首先利用维数转换转换图像原始数据序列，把在有照明条件下的背景图像和被检测样本原始微弱发光实验图像的一维原始亮度数据序列转为二维数组结构。为了便于显示在输出设备上，本实施例中使用对数变换对原始亮度数据进行值区间映射，得到两个像素灰度数值均在显示设备可显示区间0-255上的图像矩阵。具体过程如下：

本实施例中采集设备输入512×512像素大小的实验图像序列。由于一般采集设备获取的检测信号量化精度都在8位以上，如大多数高敏CCD成像输出亮度信号的量化精度在16位，并且图像输出设备仅支持256级的灰度显示，因此本发明使用对数变换把实验图像原始亮度数据矩阵的元素数值映射到0-255之间，输出到一般图像显示设备的8位灰度阶范围内，突出微弱光信号段的亮度。对数变换公式如下：

$b\′={\log }_a(\frac{b-N}{M-N}\×(a-1)+1)\×255$

其中：b为图像原始亮度数据，b′为对数变换输出的灰度值，M为检测到信号的最高亮度值，N为检测到信号的最低亮度值，a为对数变换的基底值。

2.通过形态学加权中值滤波去噪增强处理，同时完成去除噪声和增强微弱发光区域的微弱信号。本实施例中样本目标点发出的微弱发光是向空间四周平均扩散衰减的，为了考虑发光区域亮度从中间点向四周扩散时，亮度向四周均匀衰减，本实施例中的形态学加权模板首选圆形形态学加权模板，因为圆形形态学加权模板各元素取值的梯度信息反映了光亮度向四周的均匀衰减。其加权中值滤波去噪过程如下：

首先：选用3×3的圆形形态学加权模板矩阵，其中间元素值为1，四角元素值为0.5，其余元素值为0.8，用此模板对实验图像进行加权处理，便于增强样本目标点向四周扩散发光时的圆形发光区域，然后使用经典的中值滤波算法进行初步去噪处理。具体为：

a.从图像的左上角开始，选定3×3像素区域，每个像素与上述3×3形态学加权模板矩阵对应元素相乘，得到加权后的图像区域。

b.对加权后的3×3图像区域像素点的灰度值排序，用该9个元素灰度值序列中处于中间位置的灰度值代替原3×3图像区域中间位置元素的灰度值。

c.向右、向下重复步骤a和步骤b，直到最周边1个像素宽度边框除外的整个图像区域都经过了加权滤波处理。

d.若用户对最终处理结果不满意，可以改用备选的5×5圆形模板，并调节四角元素和其他模板元素值，直到获得去噪增强处理结果。

3.首先，采用基于Canny微分算子的特征区域提取方法，对初步去除了噪声的实验图像用Canny微分算子提取出发光区域的边缘，具体为：采用一阶偏导的有限差分来计算图像发光区域的梯度幅值和方向，并对梯度幅值进行非极大值抑制，用双阈值算法检测和连接图像发光区域的边缘，则检测出发光区域的边缘。然后创建一个能表示圆型核心元素形状的8×8矩阵，其内切圆内的元素为1，内切圆上和圆外的元素为0，以此矩阵作为形态学核心元素模板，闭合所提取出的边缘并进行填充。创建一个与实验图像大小相同的512×512矩阵，处于填充后的区域内位置的元素设为1，区域外位置的元素设为0，得到标示出发光区域的二值化图像。

4.采用图像伪彩色处理及叠加方法，以步骤3得到的二值化图像为依据，将实验图像里处于二值化图像“1”的位置的区域勾选出来，进行伪彩色处理后叠加到背景图像上，得到供输出的图像数据矩阵。其具体处理过程如下：

a.把步骤2实验图像的每个像素点分别与步骤3中得到的二值图像对应位置像素灰度值相乘，得到的图像只包含发光区域，其他区域的像素灰度值均为0。

b.将上一过程中得到的只包含发光区域像素灰度值的图像的每个像素灰度值做空域伪彩色变换，其红(R)、绿(G)、蓝(B)三个分量值由以下公式对像素灰度值x进行转换得到：

$R\left(x\right)=\left\{\begin{array}{cc}0& (0\&le;x<128)\\ 4(x-128)& (128\&le;x<182)\\ 255& (182\&le;x\&le;255)\end{array}\right.$

$G\left(x\right)=\left\{\begin{array}{cc}4x& (0\&le;x<64)\\ 255& (64\&le;x<182)\\ -4(x-182)& (182\&le;x\&le;255)\end{array}\right.$

$B\left(x\right)=\left\{\begin{array}{cc}255& (0\&le;x<64)\\ -4(x-64)& (64\&le;x<128)\\ 0& (128\&le;x\&le;255)\end{array}\right.$

可以直观地用3个分段函数曲线表示如图2所示。

c.把所得到的伪彩色图像叠加到背景图像上，叠加后得到的图像在原来标示为不发光的区域显示为背景图像，发光区域显示为伪彩色图像。

5.根据标定好的图像像素灰度值和实际光强值关系，给实验图像标加上亮度标尺。本实施例通过基于标准亮度源标定数据的图像发光亮度标定方法，给图像亮度加上标示。具体为：从设备能检测到的最低亮度值开始，到一般肉眼能分辨的亮度范围，以一定的间隔先记录下对应亮度值，得到若干组图像亮度值和实际光强值对应的点，进行曲线拟合后，可以由实验图像的亮度值读出实际光强值，进而对图像亮度进行标示。

6.采用图像采集信息及其他附加信息的记录方法，即提供一个读取输入设备信息到写进输出设备的通道，把图像采集参数，图像实验条件，图像来源，图像采集时间及图像的显示数据一起输出到输出设备，并提供附加写入接口，使实验者可以附加相关信息，以供以后查看。最后对实验图像进行归档处理。

Claims (8)

1、一种基于区域增强及区域提取的微弱发光图像处理方法，其特征在于，包括如下步骤：

①.首先利用维数转换转换图像原始数据序列，把有照明的背景图像和被检测样本原始微弱发光实验图像的一维原始数据序列转为二维数组结构；为了便于显示在输出设备上，对二维数组结构进行相应的变换，得到两个像素灰度数值均在显示设备显示区间0-255上的图像矩阵；

②.通过形态学加权中值滤波去噪增强处理，同时完成去除噪声和增强微弱发光区域的微弱信号；

③.采用基于Canny微分算子的特征区域提取方法，对初步去除了噪声的实验图像用Canny微分算子提取出发光区域的边缘，用符合区域形态特征的形态学核心元素模板闭合该边缘，然后进行填充；新建一个和实验图像同样大小的图像矩阵，将处于填充后边缘内部的点定为1，其余点定为0，得到标示出发光区域的二值化图像；

④.采用图像伪彩色处理及叠加方法，以得到的二值化图像为依据，将实验图像里处于二值化图像“1”的位置的发光区域勾选出来，进行伪彩色处理后叠加到背景图像上，得到供输出的图像数据矩阵；

⑤.根据标定好的图像像素灰度值和实际光强值关系，给实验图像标加上亮度标尺；

⑥.采用图像采集信息及其他附加信息的记录方法，记录图像实验条件，图像来源及其他附加信息给输出设备，对实验图像进行归档处理。

2、根据权利要求1所述的基于区域增强及区域提取的微弱发光图像处理方法，其特征是，所述的相应的变换为使用对数变换把实验图像原始亮度数据矩阵的元素数值映射到0-255之间，对数变换公式如下：

$b\&prime;={\log }_a(\frac{b-N}{M-N}\&times;(a-1)+1)\&times;255$

其中：b为图像原始亮度数据，b′为对数变换输出的灰度值，M为检测到信号的最高亮度值，N为检测到信号的最低亮度值，a为对数变换的基底值。

3、根据权利要求1所述的基于区域增强及区域提取的微弱发光图像处理方法，其特征是，所述的形态学加权是指选用形态学加权模板，表示采集图像区域的形状和大小及该区域的梯度信息。

4、根据权利要求1所述的基于区域增强及区域提取的微弱发光图像处理方法，其特征是，所述的符合区域形态特征的形态学核心元素模板，包括采集图像区域的形状信息。

5、根据权利要求1所述的基于区域增强及区域提取的微弱发光图像处理方法，其特征是，所述的通过形态学加权中值滤波去噪增强处理为：首先选用3×3的圆形形态学加权模板矩阵，其中间元素值为1，四角元素值为0.5，其余元素值为0.8，用此模板对实验图像进行加权处理，然后用中值滤波算法进行初步去噪处理；具体处理过程为：

a.从图像的左上角开始，选定3×3像素区域，每个像素与上述3×3形态学加权模板矩阵对应元素相乘，得到加权后的图像区域；

b.对加权后的3×3图像区域像素点的灰度值排序，用该9个元素灰度值序列中处于中间位置的灰度值代替原3×3图像区域中间位置元素的灰度值；

c.向右、向下重复步骤a和步骤b，直到最周边1个像素宽度边框除外的整个图像区域都经过了加权滤波处理；

d.若用户对最终处理结果不满意，改用备选的5×5圆形模板，并调节四角元素，直到获得去噪增强处理结果。

6、根据权利要求1所述的基于区域增强及区域提取的微弱发光图像处理方法，其特征是，所述的伪色彩处理及叠加方法具体为：

a.把步骤②实验图像的每个像素点分别与步骤③中得到的二值图像对应位置像素灰度值相乘，得到的图像只包含发光区域，其他区域的像素灰度值均为0；

b.将上一过程中得到的只包含发光区域像素灰度值的图像的每个像素灰度值做空域伪彩色变换，其红(R)、绿(G)、蓝(B)三个分量值由以下公式对像素灰度值(x)进行转换得到：

$R\left(x\right)=\left\{\begin{array}{cc}0& (0\&le;x<128)\\ 4(x-128)& (128\&le;x<182)\\ 255& (182\&le;x\&le;255)\end{array}\right.$

$G\left(x\right)=\left\{\begin{array}{cc}4x& (0\&le;x<64)\\ 255& (64\&le;x<182)\\ -4(x-182)& (182\&le;x\&le;255)\end{array}\right.$

c.把所得到的伪彩色图像叠加到背景图像上，叠加后得到的图像在原来标示为不发光的区域显示为背景图像，发光区域显示为伪彩色图像。

7、据权利要求1所述的基于区域增强及区域提取的微弱发光图像处理方法，其特征是，所述的根据标定好的图像像素灰度值和实际光强值关系，给实验图像标加上亮度标尺采用的是基于标准亮度源标定数据的图像发光亮度标定方法。

8、据权利要求1所述的基于区域增强及区域提取的微弱发光图像处理方法，其特征是，所述的附加信息是指：图像采集参数，图像采集时间及图像的显示数据。

Images