CN102306307A - 一种彩色显微图像序列中固点噪声的定位方法 - Google Patents

Abstract

本发明公开了一种彩色显微图像序列中固点噪声的定位方法，通过结合少量帧图像计算各帧图像相同坐标位置处像素点的红色、绿色、蓝色分量的均值和方差，据此均值和方差来判断当前帧图像中对应像素点是否为固点噪声，本发明方法利用较少的N帧图像就能够精确定位彩色图像中固点噪声的位置，为下一步噪声抑制或滤除打下了良好地基础，而无需像基于高斯模型的统计法一样需要长时间、连续多帧图像作为样本来判断；此外，本发明方法无需经使用者的干预调整，具有较强的鲁棒性，对绝大部分的医学显微图像都适用。

Description

一种彩色显微图像序列中固点噪声的定位方法

技术领域

本发明涉及一种医学显微图像处理技术，尤其是涉及一种彩色显微图像序列中固点噪声的定位方法。

背景技术

医学显微图像中，有时载物台会有污渍污染，且因条件限制不能当场消除，从而会因为载物台污染而产生斑点噪声；另外，在医学显微图像的离线处理时，有时待处理的医学显微图像本身已经存在上述斑点噪声。严格意义上说，这种斑点不是噪声，而是一种类噪声现象。这种斑点噪声的最大特点就是位置形状基本固定，因此也称其为固点噪声。由于固点噪声的存在，会给视像拼接及拼接后完整视像的阅读带来极大干扰，严重的甚至会导致误读，因此，不管是在线实时噪声消除还是离线非实时噪声消除，均需研究如何滤除或抑制固点噪声的相关技术。

消除固点噪声一般主要有两个步骤：1)确定固点噪声所在位置；2)采用何种消除方法进行消除。其中，确定固点噪声所在位置实际上等同于确定显微图像序列的图像背景。

目前，确定显微图像序列图像背景的方法主要是在智能交通、运动目标检测等领域应用较多的基于高斯模型的统计法，该方法是图像背景提取的经典算法，它基于概率统计思想，认为在连续图像帧中，固定位置像素点的灰度值变化符合高斯分布，如果某一像素点长时间基本固定则认为其是背景像素点，该方法的基本过程为：假设图像中每个像素点都是相互独立，且服从一维正态分布，即

其中，x_ij表示坐标位置为(i，j)的像素点的灰度值，因为是序列图像，因此该像素点的灰度值会随着时间的变化而变化，也即每幅图像中坐标位置为(i，j)的像素点的灰度值均有可能会发生变化，因此引出下面两个统计值：均值μ_ij和方差σ_ij，μ_ij表示坐标位置为(i，j)的像素点的灰度值的均值，σ_ij表示坐标位置为(i，j)的像素点的灰度值的方差，P(x_ij)表示坐标位置为(i，j)的像素点的灰度值为x_ij的概率；如果当前像素点的灰度值为某一值的概率大于阈值Threshold，则判定该当前像素点为背景像素点，否则，判定该当前像素点为前景像素点。

在长时间运行中，上述基于高斯模型的统计法能够有效获取背景噪声。但由于这种统计法需要时间上有足够的图像帧(一般需要200～300帧图像)，而在显微图像序列处理时，需要快速确定噪声位置，也即只提供少量待处理图像，就要确定噪声位置，因此，这种基于高斯模型的统计法就不能有效应用于显微图像固点噪声的定位中。

发明内容

本发明所要解决的技术问题是提供一种鲁棒性好，且只需利用少量图像帧便能够精确的获取彩色显微图像序列中固点噪声的位置的定位方法。

本发明解决上述技术问题所采用的技术方案为：一种彩色显微图像序列中固点噪声的定位方法，其特征在于包括以下步骤：

①令Image^k表示当前彩色显微图像序列中的第k帧图像，将Image^k中坐标位置为(x，y)的像素点的红色分量的值记为R^k(x，y)，将Image^k中坐标位置为(x，y)的像素点的绿色分量的值记为G^k(x，y)，将Image^k中坐标位置为(x，y)的像素点的蓝色分量的值记为B^k(x，y)，其中，1≤k≤K，K表示当前彩色显微图像序列中包含的图像的帧数；

②定义当前彩色显微图像序列中当前待处理的图像为当前帧图像，记为Image^Current，其中，Current∈[N，K]，N为大于等于9的正整数；

③计算当前帧图像及其之前的N-1帧图像的红色分量的均值图像和方差图像，分别记为AR和SR，将当前帧图像及其之前的N-1帧图像的红色分量的均值图像AR中坐标位置为(x，y)的像素点的红色分量的值记为AR(x，y)，

将当前帧图像及其之前的N-1帧图像的红色分量的方差图像SR中坐标位置为(x，y)的像素点的红色分量的值记为SR(x，y)， $\mathrm{SR}(x,y)=\frac{1}{N}\underset{k^{\′}=0}{\overset{N-1}{\mathrm{\Σ}}}{(R^{\mathrm{Current}-k^{\′}}(x,y)-\mathrm{AR}(x,y))}^2,$ 其中，R^Current-k′(x，y)表示当前彩色显微图像序列中的第(Current-k′)帧图像中坐标位置为(x，y)的像素点的红色分量的值，N为大于等于9的正整数；

计算当前帧图像及其之前的N-1帧图像的绿色分量的均值图像和方差图像，分别记为AG和SG，将当前帧图像及其之前的N-1帧图像的绿色分量的均值图像AG中坐标位置为(x，y)的像素点的绿色分量的值记为AG(x，y)，

将当前帧图像及其之前的N-1帧图像的绿色分量的方差图像SG中坐标位置为(x，y)的像素点的绿色分量的值记为SG(x，y)， $\mathrm{SG}(x,y)=\frac{1}{N}\underset{k^{\′}=0}{\overset{N-1}{\mathrm{\Σ}}}{(G^{\mathrm{Current}-k^{\′}}(x,y)-\mathrm{AG}(x,y))}^2,$ 其中，G^Current-k′(x，y)表示当前彩色显微图像序列中的第(Current-k′)帧图像中坐标位置为(x，y)的像素点的绿色分量的值；

计算当前帧图像及其之前的N-1帧图像的蓝色分量的均值图像和方差图像，分别记为AB和SB，将当前帧图像及其之前的N-1帧图像的蓝色分量的均值图像AB中坐标位置为(x，y)的像素点的蓝色分量的值记为AB(x，y)，

将当前帧图像及其之前的N-1帧图像的蓝色分量的方差图像SB中坐标位置为(x，y)的像素点的蓝色分量的值记为SB(x，y)， $\mathrm{SB}(x,y)=\frac{1}{N}\underset{k^{\′}=0}{\overset{N-1}{\mathrm{\Σ}}}{(B^{\mathrm{Current}-k^{\′}}(x,y)-\mathrm{AB}(x,y))}^2,$ 其中，B^Current-k′(x，y)表示当前彩色显微图像序列中的第(Current-k′)帧图像中坐标位置为(x，y)的像素点的蓝色分量的值；

④计算当前帧图像及其之前的N-1帧图像的红色分量的阈值，记为ThresholdR，计算当前帧图像及其之前的N-1帧图像的绿色分量的阈值，记为ThresholdG，计算当前帧图像及其之前的N-1帧图像的蓝色分量的阈值，记为ThresholdB；

⑤计算当前帧图像及其之前的N-1帧图像的红色分量的方差阈值，记为ThresRSigma，计算当前帧图像及其之前的N-1帧图像的绿色分量的方差阈值，记为ThresGSigma，计算当前帧图像及其之前的N-1帧图像的蓝色分量的方差阈值，记为ThresBSigma；

⑥逐一判定当前帧图像中所有像素点，确定其是否为固点噪声，具体过程为：对于当前帧图像中坐标位置为(x，y)的像素点，判断当前帧图像及其之前的N-1帧图像中该坐标位置上的像素点的各个颜色分量的值是否同时满足以下条件： $\left\{\begin{array}{c}{R}^{k^{\&prime;\&prime;}}(x,y)<\mathrm{ThresholdR}\\ G^{k^{\&prime;\&prime;}}(x,y)<\mathrm{ThresholdG},\mathrm{Current}-(N-1)\&le;k^{\&prime;\&prime;}\&le;\mathrm{Current}\\ B^{k^{\&prime;\&prime;}}(x,y)<\mathrm{ThresholdB}\end{array}\right.,$ 并且当前帧图像及其之前的N-1帧图像的各个颜色分量的方差图像中该坐标位置上的像素点的对应颜色分量的值是否同时满足以下条件： $\left\{\begin{array}{c}\mathrm{SR}(x,y)<\mathrm{ThresRSigma}\\ \mathrm{SG}(x,y)<\mathrm{ThresGSigma}\\ \mathrm{SB}(x,y)<\mathrm{ThresBSigma}\end{array}\right.,$ 如果是，则认为当前帧图像中坐标位置为(x，y)的像素点为固点噪声，否则，认为当前帧图像中坐标位置为(x，y)的像素点不是固点噪声。

所述的步骤④中计算ThresholdR、ThresholdG和ThresholdB的具体过程为：

a1.计算AR的直方图，令HistR(i)表示AR中灰度值为i的像素点的个数；

a2.遍历计算寻找一个阈值Thres1，使下列条件得以满足IODR1(Thres1)≤IODR2(Thres1)并且IODR1(Thres1+1)＞IODR2(Thres1+1)，其中，IODR1(Thres1)表示AR中灰度值小于等于Thres1的所有像素点的综合光密度之和，

IODR1(Thres1+1)表示AR中灰度值小于等于Thres1+1的所有像素点的综合光密度之和， $\mathrm{IODR}1(\mathrm{Thres}1+1)=\underset{i=0}{\overset{\mathrm{Thres}1+1}{\mathrm{\&Sigma;}}}(i\&times;\mathrm{HistR}\left(i\right)),$ IODR2(Thres1)表示AR中灰度值大于Thres1的所有像素点的综合光密度之和， $\mathrm{IODR}2\left(\mathrm{Thres}1\right)=\underset{i=\mathrm{Thres}1+1}{\overset{L}{\mathrm{\&Sigma;}}}(i\&times;\mathrm{HistR}\left(i\right)),\mathrm{IODR}2(\mathrm{Thres}1+1)$ 表示AR中灰度值大于Thres1+1的所有像素点的综合光密度之和， $\mathrm{IODR}2(\mathrm{Thres}1+1)=\underset{i=\mathrm{Thres}1+1+1}{\overset{L}{\mathrm{\&Sigma;}}}(i\&times;\mathrm{HistR}\left(i\right)),$ L表示当前帧图像及其之前的N-1帧图像的各个颜色分量的均值图像的最高亮度级；

a3.将Thres1作为当前帧图像及其之前的N-1帧图像的红色分量的阈值ThresholdR；

a4.计算AG的直方图，令HistG(i)表示AG中灰度值为i的像素点的个数；

a5.遍历计算寻找一个阈值Thres2，使下列条件得以满足IODG1(Thres2)≤IODG2(Thres2)并且IODG1(Thres2+1)＞IODG2(Thres2+1)，其中，IODR1(Thres2)表示AG中灰度值小于等于Thres2的所有像素点的综合光密度之和，

IODR1(Thres2+1)表示AG中灰度值小于等于Thres2+1的所有像素点的综合光密度之和，

IODR2(Thres2)表示AG中灰度值大于Thres2的所有像素点的综合光密度之和，

IODR2(Thres2+1)表示AG中灰度值大于Thres2+1的所有像素点的综合光密度之和， $\mathrm{IODR}2(\mathrm{Thres}2+1)=\underset{i=\mathrm{Thres}2+1+1}{\overset{L}{\mathrm{\&Sigma;}}}(i\&times;\mathrm{HistG}\left(i\right));$

a6.将Thres2作为当前帧图像及其之前的N-1帧图像的绿色分量的阈值ThresholdG；

a7.计算AB的直方图，令HistB(i)表示AB中灰度值为i的像素点的个数；

a8.遍历计算寻找一个阈值Thres3，使下列条件得以满足IODB1(Thres3)≤IODB2(Thres3)并且IODB1(Thres3+1)＞IODB2(Thres3+1)，其中，IODR1(Thres3)表示AB中灰度值小于等于Thres3的所有像素点的综合光密度之和，

IODR1(Thres3+1)表示AB中灰度值小于等于Thres3+1的所有像素点的综合光密度之和，

IODR2(Thres3)表示AB中灰度值大于Thres3的所有像素点的综合光密度之和，

IODR2(Thres3+1)表示AB中灰度值大于Thres3+1的所有像素点的综合光密度之和， $\mathrm{IODR}2(\mathrm{Thres}3+1)=\underset{i=\mathrm{Thres}3+1+1}{\overset{L}{\mathrm{\&Sigma;}}}(i\&times;\mathrm{HistB}\left(i\right));$

a9.将Thres3作为当前帧图像及其之前的N-1帧图像的蓝色分量的阈值ThresholdB。

所述的步骤⑤中计算ThresRSigma、ThresGSigma和ThresBSigma的具体过程为：

b1.令maxSigmaR和minSigmaR分别表示SR中像素点的最大灰度值和最小灰度值，则ThresRSigma＝(maxSigmaR+minSigmaR)/2；b2.令maxSigmaG和minSigmaG分别表示SG中像素点的最大灰度值和最小灰度值，则ThresGSigma＝(maxSigmaG+minSigmaG)/2；b3.令maxSigmaB和minSigmaB分别表示SB中像素点的最大灰度值和最小灰度值，则ThresBSigma＝(maxSigmaB+minSigmaB)/2。

所述的N＝9。

与现有技术相比，本发明的优点在于通过结合少量帧图像计算各帧图像相同坐标位置处像素点的红色、绿色、蓝色分量的均值和方差，据此均值和方差来判断当前帧图像中对应像素点是否为固点噪声，本发明方法利用较少的N帧图像就能够精确定位彩色图像中固点噪声的位置，为下一步噪声抑制或滤除打下了良好地基础，而无需像基于高斯模型的统计法一样需要长时间、连续多帧图像作为样本来判断；此外，本发明方法无需经使用者的干预调整，具有较强的鲁棒性，对绝大部分的医学显微图像都适用。

附图说明

图1为本发明方法的流程示意图；

图2a为含固点噪声的裙带菜切片彩色显微图像序列中的第Current-8帧图像Image^Current-8；

图2b为含固点噪声的裙带菜切片彩色显微图像序列中的第Current-7帧图像Image^Current-7；

图2c为含固点噪声的裙带菜切片彩色显微图像序列中的第Current-6帧图像Image^Current-6；

图2d为含固点噪声的裙带菜切片彩色显微图像序列中的第Current-5帧图像Image^Current-5；

图2e为含固点噪声的裙带菜切片彩色显微图像序列中的第Current-4帧图像Image^Current-4；

图2f为含固点噪声的裙带菜切片彩色显微图像序列中的第Current-3帧图像Image^Current-3；

图2g为含固点噪声的裙带菜切片彩色显微图像序列中的第Current-2帧图像Image^Current-2；

图2h为含固点噪声的裙带菜切片彩色显微图像序列中的第Current-1帧图像Image^Current-1；

图2i为含固点噪声的裙带菜切片彩色显微图像序列中的第Current帧图像Image^Current；

图3a为图2a～图2i所示的9帧图像的红色分量的均值图像AR；

图3b为图2a～图2i所示的9帧图像的绿色分量的均值图像AG；

图3c为图2a～图2i所示的9帧图像的蓝色分量的均值图像AB；

图4a为图3a所示9帧图像的红色分量的均值图像的直方图；

图4b为图3b所示9帧图像的绿色分量的均值图像的直方图；

图4c为图3c所示9帧图像的蓝色分量的均值图像的直方图；

图5为利用综合光密度平分法获得的绿色分量的阈值的示意图；

图6为利用本发明方法对图2i所示的图像进行固点噪声定位后的结果示意图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明提出的一种彩色显微图像序列中固点噪声的定位方法，流程框图如图1所示，其主要包括以下步骤：

①令Image^k表示当前彩色显微图像序列中的第k帧图像，令R^k(x，y)表示当前彩色显微图像序列的第k帧图像Image^k中坐标为(x，y)的像素的红色分量的值，令G^k(x，y)表示当前彩色显微图像序列的第k帧图像Image^k中坐标为(x，y)的像素的绿色分量的值，令B^k(x，y)表示当前彩色显微图像序列的第k帧图像Image^k中坐标为(x，y)的像素的蓝色分量的值，其中，1≤k≤K，K表示当前彩色显微图像序列中包含的图像的帧数。

②定义当前彩色显微图像序列中当前待处理的图像为当前帧图像，记为Image^Current，它是当前彩色显微图像序列中的第Current帧图像，由于后续处理过程中需要当前帧图像及其之前的N-1帧图像的信息，所以在此Current∈[N，K]，N为大于等于9的正整数。图2a～图2i给出了含固点噪声的裙带菜切片彩色显微图像序列中连续的9帧图像。在本实施例中，图2i所示的图像Image^Current即为本实施例中的当前帧图像。

③计算当前帧图像及其之前的N-1帧图像的红色分量的均值图像和方差图像，分别记为AR和SR，将当前帧图像及其之前的N-1帧图像的红色分量的均值图像AR中坐标位置为(x，y)的像素点的红色分量的值记为AR(x，y)，

将当前帧图像及其之前的N-1帧图像的红色分量的方差图像SR中坐标位置为(x，y)的像素点的红色分量的值记为SR(x，y)， $\mathrm{SR}(x,y)=\frac{1}{N}\underset{k^{\&prime;}=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{(R^{\mathrm{Current}-k^{\&prime;}}(x,y)-\mathrm{AR}(x,y))}^2,$ 其中，R^Current-k′(x，y)表示当前彩色显微图像序列中的第(Current-k′)帧图像中坐标位置为(x，y)的像素点的红色分量的值，N为大于等于9的正整数。

计算当前帧图像及其之前的N-1帧图像的绿色分量的均值图像和方差图像，分别记为AG和SG，将当前帧图像及其之前的N-1帧图像的绿色分量的均值图像AG中坐标位置为(x，y)的像素点的绿色分量的值记为AG(x，y)，

将当前帧图像及其之前的N-1帧图像的绿色分量的方差图像SG中坐标位置为(x，y)的像素点的绿色分量的值记为SG(x，y)， $\mathrm{SG}(x,y)=\frac{1}{N}\underset{k^{\&prime;}=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{(G^{\mathrm{Current}-k^{\&prime;}}(x,y)-\mathrm{AG}(x,y))}^2,$ 其中，G^Current-k′(x，y)表示当前彩色显微图像序列中的第(Current-k′)帧图像中坐标位置为(x，y)的像素点的绿色分量的值。

计算当前帧图像及其之前的N-1帧图像的蓝色分量的均值图像和方差图像，分别记为AB和SB，将当前帧图像及其之前的N-1帧图像的蓝色分量的均值图像AB中坐标位置为(x，y)的像素点的蓝色分量的值记为AB(x，y)，

将当前帧图像及其之前的N-1帧图像的蓝色分量的方差图像SB中坐标位置为(x，y)的像素点的蓝色分量的值记为SB(x，y)， $\mathrm{SB}(x,y)=\frac{1}{N}\underset{k^{\&prime;}=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{(B^{\mathrm{Current}-k^{\&prime;}}(x,y)-\mathrm{AB}(x,y))}^2,$ 其中，B^Current-k′(x，y)表示当前彩色显微图像序列中的第(Current-k′)帧图像中坐标位置为(x，y)的像素点的蓝色分量的值。

在本实施例中，取N＝9，因此所述的计算当前帧图像及其之前的N-1帧图像的各个颜色分量的均值图像和方差图像也就是计算图2a～图2i所示的裙带菜切片彩色显微图像序列中的Image^Current及其之前的8帧图像的相应颜色分量的均值图像和方差图像。图3a、图3b和图3c分别给出了图2a～图2i所示的9帧图像的红色分量的均值图像AR、绿色分量的均值图像AG以及蓝色分量的均值图像AB。

④计算当前帧图像及其之前的N-1帧图像的红色分量的阈值，记为ThresholdR，计算当前帧图像及其之前的N-1帧图像的绿色分量的阈值，记为ThresholdG，计算当前帧图像及其之前的N-1帧图像的蓝色分量的阈值，记为ThresholdB。

在此，当前帧图像及其之前的N-1帧图像的红色分量的阈值ThresholdR的计算步骤如下：首先，计算当前帧图像及其之前的N-1帧图像的红色分量的均值图像AR的直方图，本实施例中，图3a的直方图如图4a所示，令HistR(i)表示当前帧图像及其之前的N-1帧图像的红色分量的均值图像AR中灰度值为i的像素点的个数；然后，遍历计算寻找一个阈值Thres1，使下列条件得以满足IODR1(Thres1)≤IODR2(Thres1)并且IODR1(Thres1+1)＞IODR2(Thres1+1)，其中，IODR1(Thres1)表示AR中灰度值小于等于Thres1的所有像素点的综合光密度之和，IODR1(Thres1+1)表示AR中灰度值小于等于Thres1+1的所有像素点的综合光密度之和，

IODR2(Thres1)表示AR中灰度值大于Thres1的所有像素点的综合光密度之和，

IODR2(Thres1+1)表示AR中灰度值大于Thres1+1的所有像素点的综合光密度之和，

L表示当前帧图像及其之前的N-1帧图像的各个颜色分量的均值图像的最高亮度级，对于24bit的真彩色图像，其红、绿、蓝各颜色分量均用8bit表示，因此L＝2⁸-1＝255；最后，将Thres1作为当前帧图像及其之前的N-1帧图像的红色分量的阈值ThresholdR。

在此，当前帧图像及其之前的N-1帧图像的绿色分量的阈值ThresholdG的计算步骤如下：首先，计算当前帧图像及其之前的N-1帧图像的绿色分量的均值图像AG的直方图，本实施例中，图3b的直方图如图4b所示，令HistG(i)表示当前帧图像及其之前的N-1帧图像的绿色分量的均值图像AG中灰度值为i的像素点的个数；然后，遍历计算寻找一个阈值Thres2，使下列条件得以满足IODG1(Thres2)≤IODG2(Thres2)并且IODG1(Thres2+1)＞IODG2(Thres2+1)，其中，IODR1(Thres2)表示AG中灰度值小于等于Thres2的所有像素点的综合光密度之和，IODR1(Thres2+1)表示AG中灰度值小于等于Thres2+1的所有像素点的综合光密度之和， $\mathrm{IODR}1(\mathrm{Thres}2+1)=\underset{i=0}{\overset{\mathrm{Thres}2+1}{\mathrm{\&Sigma;}}}(i\&times;\mathrm{HistG}\left(i\right)),$ IODR2(Thres2)表示AG中灰度值大于Thres2的所有像素点的综合光密度之和，

IODR2(Thres2+1)表示AG中灰度值大于Thres2+1的所有像素点的综合光密度之和， $\mathrm{IODR}2(\mathrm{Thres}2+1)=\underset{i=\mathrm{Thres}2+1+1}{\overset{L}{\mathrm{\&Sigma;}}}(i\&times;\mathrm{HistG}\left(i\right));$ 最后，将Thres2作为当前帧图像及其之前的N-1帧图像的绿色分量的阈值ThresholdG。

在此，当前帧图像及其之前的N-1帧图像的蓝色分量的阈值ThresholdB的计算步骤如下：首先，计算当前帧图像及其之前的N-1帧图像的蓝色分量的均值图像AB的直方图，本实施例中，图3c的直方图如图4c所示，令HistB(i)表示当前帧图像及其之前的N-1帧图像的蓝色分量的均值图像AB中灰度值为i的像素点的个数；然后，遍历计算寻找一个阈值Thres3，使下列条件得以满足IODB1(Thres3)≤IODB2(Thres3)并且IODB1(Thres3+1)＞IODB2(Thres3+1)，其中，IODR1(Thres3)表示AB中灰度值小于等于Thres3的所有像素点的综合光密度之和，

IODR1(Thres3+1)表示AB中灰度值小于等于Thres3+1的所有像素点的综合光密度之和， $\mathrm{IODR}1(\mathrm{Thres}3+1)=\underset{i=0}{\overset{\mathrm{Thres}3+1}{\mathrm{\&Sigma;}}}(i\&times;\mathrm{HistB}\left(i\right)),$ IODR2(Thres3)表示AB中灰度值大于Thres3的所有像素点的综合光密度之和，

IODR2(Thres3+1)表示AB中灰度值大于Thres3+1的所有像素点的综合光密度之和， $\mathrm{IODR}2(\mathrm{Thres}3+1)=\underset{i=\mathrm{Thres}3+1+1}{\overset{L}{\mathrm{\&Sigma;}}}(i\&times;\mathrm{HistB}\left(i\right));$ 最后，将Thres3作为当前帧图像及其之前的N-1帧图像的蓝色分量的阈值ThresholdB。

在此，本发明方法利用了综合光密度平分法来获取当前帧图像及其之前的N-1帧图像的各个颜色分量的阈值。综合光密度平分法就是在图像中找到一个灰度值，使得所有小于等于该灰度值的像素点的综合光密度之和与所有大于该灰度值的像素点的综合光密度之和相等。但是，在实际计算红色分量、绿色分量、蓝色分量的阈值的过程中，一般不会有一个灰度值正好使所有小于等于该灰度值的像素点的综合光密度之和与所有大于该灰度值的像素点的综合光密度之和相等，因此，在实际计算过程中一般取正好发生跳变时的值作为阈值。图5给出了利用综合光密度平分法获得当前帧图像及其之前的N-1帧图像的蓝色分量的阈值ThresholdB的示意图，图5中左边区域代表i在[0，Thres3]范围内变化时的蓝色分量的直方图，图5中右边区域代表i在[Thres3+1，255]范围内变化时的蓝色分量的直方图，图5中的左边区域最右边处对应的像素点的灰度值即为选定的当前帧图像及其之前的N-1帧图像的蓝色分量的阈值ThresholdB。

⑤计算当前帧图像及其之前的N-1帧图像的红色分量的方差阈值，记为ThresRSigma，计算当前帧图像及其之前的N-1帧图像的绿色分量的方差阈值，记为ThresGSigma，计算当前帧图像及其之前的N-1帧图像的蓝色分量的方差阈值，记为ThresBSigma，具体过程如下：令maxSigmaR和minSigmaR分别为当前帧图像及其之前的N-1帧图像的红色分量的方差图像SR中像素点的最大灰度值和最小灰度值，则当前帧图像及其之前的N-1帧图像的红色分量的方差阈值ThresRSigma＝(maxSigmaR+minSigmaR)/2；令maxSigmaG和minSigmaG分别为当前帧图像及其之前的N-1帧图像的绿色分量的方差图像SG中像素的最大灰度值和最小灰度值，则当前帧图像及其之前的N-1帧图像的绿色分量的方差阈值ThresGSigma＝(maxSigmaG+minSigmaG)/2；令maxSigmaB和minSigmaB分别为当前帧图像及其之前的N-1帧图像的蓝色分量的方差图像SB中像素的最大灰度值和最小灰度值，则当前帧图像及其之前的N-1帧图像的蓝色分量的方差阈值ThresBSigma＝(maxSigmaB+minSigmaB)/2。

⑥对当前帧图像中的所有像素点逐一进行判定，确定其是否为固点噪声，从而确定当前帧图像中的固点噪声的位置，具体过程如下：对于当前帧图像中坐标位置为(x，y)的像素点，判断当前帧图像及其之前的N-1帧图像中该坐标位置上的像素点的各个颜色分量的值是否同时满足以下条件： $\left\{\begin{array}{c}{R}^{k^{\&prime;\&prime;}}(x,y)<\mathrm{ThresholdR}\\ G^{k^{\&prime;\&prime;}}(x,y)<\mathrm{ThresholdG},\mathrm{Current}-(N-1)\&le;k^{\&prime;\&prime;}\&le;\mathrm{Current}\\ B^{k^{\&prime;\&prime;}}(x,y)<\mathrm{ThresholdB}\end{array}\right.,$ 并且当前帧图像及其之前的N-1帧图像的各个颜色分量的方差图像中该坐标位置上的像素点的对应颜色分量的值是否同时满足以下条件： $\left\{\begin{array}{c}\mathrm{SR}(x,y)<\mathrm{ThresRSigma}\\ \mathrm{SG}(x,y)<\mathrm{ThresGSigma}\\ \mathrm{SB}(x,y)<\mathrm{ThresBSigma}\end{array}\right.,$ 如果是，则认为当前帧图像中坐标位置为(x，y)的像素点为固点噪声，否则，认为当前帧图像中坐标位置为(x，y)的像素点不是固点噪声。

本发明方法利用当前帧图像及其之前的N-1帧图像的信息来确定当前帧图像中固点噪声的位置，一旦当前帧图像中固点噪声的位置确定后，所有在当前帧图像之前的图像中固点噪声的位置也被确定，当前帧图像之后的图像中固点噪声的位置也可确定。当然，如果当前彩色显微图像序列所包含的图像的帧数较多时，如有几十帧时，可以考虑令N取更大的值，如N＝20或30，这样所获取的固点噪声的位置将更加精确。在N＝9的情况下，则可将当前彩色显微图像序列中每隔7～10帧图像后的一帧作为当前帧图像，如当前彩色显微图像序列所包含的图像的帧数为25帧时，可将第8帧、第16帧、第25帧分别作为当前帧图像进行固点噪声的定位。图6给出了采用本发明方法对图2i所示的图像进行固点噪声定位后得到的结果示意图，从图6中可以清楚地看出固点噪声(白色部分)很好地被定位，从而说明了本发明方法是有效的和可行的。

Claims (4)

1.一种彩色显微图像序列中固点噪声的定位方法，其特征在于包括以下步骤：

①令Image^k表示当前彩色显微图像序列中的第k帧图像，将Image^k中坐标位置为(x，y)的像素点的红色分量的值记为R^k(x，y)，将Image^k中坐标位置为(x，y)的像素点的绿色分量的值记为G^k(x，y)，将Image^k中坐标位置为(x，y)的像素点的蓝色分量的值记为B^k(x，y)，其中，1≤k≤K，K表示当前彩色显微图像序列中包含的图像的帧数；

②定义当前彩色显微图像序列中当前待处理的图像为当前帧图像，记为Image^Current，其中，Current∈[N，K]，N为大于等于9的正整数；

③计算当前帧图像及其之前的N-1帧图像的红色分量的均值图像和方差图像，分别记为AR和SR，将当前帧图像及其之前的N-1帧图像的红色分量的均值图像AR中坐标位置为(x，y)的像素点的红色分量的值记为AR(x，y)，将当前帧图像及其之前的N-1帧图像的红色分量的方差图像SR中坐标位置为(x，y)的像素点的红色分量的值记为SR(x，y)， $\mathrm{SR}(x,y)=\frac{1}{N}\underset{k^{\&prime;}=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{(R^{\mathrm{Current}-k^{\&prime;}}(x,y)-\mathrm{AR}(x,y))}^2,$ 其中，R^Current-k′(x，y)表示当前彩色显微图像序列中的第(Current-k′)帧图像中坐标位置为(x，y)的像素点的红色分量的值，N为大于等于9的正整数；

计算当前帧图像及其之前的N-1帧图像的绿色分量的均值图像和方差图像，分别记为AG和SG，将当前帧图像及其之前的N-1帧图像的绿色分量的均值图像AG中坐标位置为(x，y)的像素点的绿色分量的值记为AG(x，y)，将当前帧图像及其之前的N-1帧图像的绿色分量的方差图像SG中坐标位置为(x，y)的像素点的绿色分量的值记为SG(x，y)， $\mathrm{SG}(x,y)=\frac{1}{N}\underset{k^{\&prime;}=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{(G^{\mathrm{Current}-k^{\&prime;}}(x,y)-\mathrm{AG}(x,y))}^2,$ 其中，G^Current-k′(x，y)表示当前彩色显微图像序列中的第(Current-k′)帧图像中坐标位置为(x，y)的像素点的绿色分量的值；

计算当前帧图像及其之前的N-1帧图像的蓝色分量的均值图像和方差图像，分别记为AB和SB，将当前帧图像及其之前的N-1帧图像的蓝色分量的均值图像AB中坐标位置为(x，y)的像素点的蓝色分量的值记为AB(x，y)，将当前帧图像及其之前的N-1帧图像的蓝色分量的方差图像SB中坐标位置为(x，y)的像素点的蓝色分量的值记为SB(x，y)， $\mathrm{SB}(x,y)=\frac{1}{N}\underset{k^{\&prime;}=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{(B^{\mathrm{Current}-k^{\&prime;}}(x,y)-\mathrm{AB}(x,y))}^2,$ 其中，B^Current-k′(x，y)表示当前彩色显微图像序列中的第(Current-k′)帧图像中坐标位置为(x，y)的像素点的蓝色分量的值；

④计算当前帧图像及其之前的N-1帧图像的红色分量的阈值，记为ThresholdR，计算当前帧图像及其之前的N-1帧图像的绿色分量的阈值，记为ThresholdG，计算当前帧图像及其之前的N-1帧图像的蓝色分量的阈值，记为ThresholdB；

⑤计算当前帧图像及其之前的N-1帧图像的红色分量的方差阈值，记为ThresRSigma，计算当前帧图像及其之前的N-1帧图像的绿色分量的方差阈值，记为ThresGSigma，计算当前帧图像及其之前的N-1帧图像的蓝色分量的方差阈值，记为ThresBSigma；

⑥逐一判定当前帧图像中所有像素点，确定其是否为固点噪声，具体过程为：对于当前帧图像中坐标位置为(x，y)的像素点，判断当前帧图像及其之前的N-1帧图像中该坐标位置上的像素点的各个颜色分量的值是否同时满足以下条件： $\left\{\begin{array}{c}{R}^{k^{\&prime;\&prime;}}(x,y)<\mathrm{ThresholdR}\\ G^{k^{\&prime;\&prime;}}(x,y)<\mathrm{ThresholdG},\mathrm{Current}-(N-1)\&le;k^{\&prime;\&prime;}\&le;\mathrm{Current}\\ B^{k^{\&prime;\&prime;}}(x,y)<\mathrm{ThresholdB}\end{array}\right.,$ 并且当前帧图像及其之前的N-1帧图像的各个颜色分量的方差图像中该坐标位置上的像素点的对应颜色分量的值是否同时满足以下条件： $\left\{\begin{array}{c}\mathrm{SR}(x,y)<\mathrm{ThresRSigma}\\ \mathrm{SG}(x,y)<\mathrm{ThresGSigma}\\ \mathrm{SB}(x,y)<\mathrm{ThresBSigma}\end{array}\right.,$ 如果是，则认为当前帧图像中坐标位置为(x，y)的像素点为固点噪声，否则，认为当前帧图像中坐标位置为(x，y)的像素点不是固点噪声。

2.根据权利要求1所述的一种彩色显微图像序列中固点噪声的定位方法，其特征在于所述的步骤④中计算ThresholdR、ThresholdG和ThresholdB的具体过程为：

a1.计算AR的直方图，令HistR(i)表示AR中灰度值为i的像素点的个数；

a2.遍历计算寻找一个阈值Thres1，使下列条件得以满足IODR1(Thres1)≤IODR2(Thres1)并且IODR1(Thres1+1)＞IODR2(Thres1+1)，其中，IODR1(Thres1)表示AR中灰度值小于等于Thres1的所有像素点的综合光密度之和，

IODR1(Thres1+1)表示AR中灰度值小于等于Thres1+1的所有像素点的综合光密度之和，

IODR2(Thres1)表示AR中灰度值大于Thres1的所有像素点的综合光密度之和，

IODR2(Thres1+1)表示AR中灰度值大于Thres1+1的所有像素点的综合光密度之和， $\mathrm{IODR}2(\mathrm{Thres}1+1)=\underset{i=\mathrm{Thres}1+1+1}{\overset{L}{\mathrm{\&Sigma;}}}(i\&times;\mathrm{HistR}\left(i\right)),$ L表示当前帧图像及其之前的N-1帧图像的各个颜色分量的均值图像的最高亮度级；

a3.将Thres1作为当前帧图像及其之前的N-1帧图像的红色分量的阈值ThresholdR；

a4.计算AG的直方图，令HistG(i)表示AG中灰度值为i的像素点的个数；

a5.遍历计算寻找一个阈值Thres2，使下列条件得以满足IODG1(Thres2)≤IODG2(Thres2)并且IODG1(Thres2+1)＞IODG2(Thres2+1)，其中，IODR1(Thres2)表示AG中灰度值小于等于Thres2的所有像素点的综合光密度之和，

IODR1(Thres2+1)表示AG中灰度值小于等于Thres2+1的所有像素点的综合光密度之和，IODR2(Thres2)表示AG中灰度值大于Thres2的所有像素点的综合光密度之和，

IODR2(Thres2+1)表示AG中灰度值大于Thres2+1的所有像素点的综合光密度之和，

a6.将Thres2作为当前帧图像及其之前的N-1帧图像的绿色分量的阈值ThresholdG；

a7.计算AB的直方图，令HistB(i)表示AB中灰度值为i的像素点的个数；

a8.遍历计算寻找一个阈值Thres3，使下列条件得以满足IODB1(Thres3)≤IODB2(Thres3)并且IODB1(Thres3+1)＞IODB2(Thres3+1)，其中，IODR1(Thres3)表示AB中灰度值小于等于Thres3的所有像素点的综合光密度之和，

IODR1(Thres3+1)表示AB中灰度值小于等于Thres3+1的所有像素点的综合光密度之和，

IODR2(Thres3)表示AB中灰度值大于Thres3的所有像素点的综合光密度之和，

IODR2(Thres3+1)表示AB中灰度值大于Thres3+1的所有像素点的综合光密度之和，

a9.将Thres3作为当前帧图像及其之前的N-1帧图像的蓝色分量的阈值ThresholdB。

3.根据权利要求1或2所述的一种彩色显微图像序列中固点噪声的定位方法，其特征在于所述的步骤⑤中计算ThresRSigma、ThresGSigma和ThresBSigma的具体过程为：

b1.令maxSigmaR和minSigmaR分别表示SR中像素点的最大灰度值和最小灰度值，则ThresRSigma＝(maxSigmaR+minSigmaR)/2；b2.令maxSigmaG和minSigmaG分别表示SG中像素点的最大灰度值和最小灰度值，则ThresGSigma＝(maxSigmaG+minSigmaG)/2；b3.令maxSigmaB和minSigmaB分别表示SB中像素点的最大灰度值和最小灰度值，则ThresBSigma＝(maxSigmaB+minSigmaB)/2。

4.根据权利要求1所述的一种彩色显微图像序列中固点噪声的定位方法，其特征在于所述的N＝9。

Images