CN102855611A - 一种尿沉渣图像分段非线形增强的方法 - Google Patents

Abstract

本发明公开了一种尿沉渣图像分段非线形增强的方法，具体步骤为：第一步骤：根据图像中细胞和背景在灰度空间的分布范围，利用遗传算法计算出分段点，将整幅图像根据分段点划分为背景段、目标段和过渡段，背景分布的灰度区间称为背景段；统计每种细胞分布的灰度区间，背景和细胞分布的灰度区间有重叠、交叉的区域，找到最合适的阈值对这两个区域进行划分，选择小于100个像素的灰度区域为过渡段；第二步骤：对背景段、目标段和过渡段采用不同的灰度变换法；有益效果：处理速度快，稳定可靠；对背景的噪音进行了很好的抑制，整幅图像看起来视觉效果明显。

Description

一种尿沉渣图像分段非线形增强的方法

技术领域

本发明涉及一种图像增强的方法，特别涉及一种尿沉渣图像分段非线形增强的方法。

背景技术

目前，图像增强方法比较多，主要包括空域法和频域法。空域法主要包括灰度变换、直方图均衡化、拉普拉斯锐化等；频域法主要包括同态滤波、小波变换等。这些方法的具体介绍如下：

(1)灰度变换。灰度变换是将原始图像f(x，y)中的灰度r映射成增强图像g(x，y)中的灰度s，使得图像灰度的动态范围得以扩展或压缩，从而增强图像对比度。常用的灰度变换有：线性变换，分段线性变换和非线性变换，其中常用的非线性变换有指数变换、对数变换以及指数和对数的组合变换。

(2)直方图均衡化。直方图均衡化实质是对图像中像素数多的灰度级进行拓宽，而对像素数少的灰度级进行缩减，从而达到调节图像亮度和对比度的目的。输出图像的概率密度函数累积等于输入图像的概率密度函数累积，且输出图像的概率密度函数保持均匀分布。

(3)拉普拉斯锐化。拉普拉斯算子是一种微分算子，它可增强图像边缘信息，即灰度值突变的区域。拉普拉斯锐化是图像锐化处理的最直接最简甲的处理方法，可以增强图像的边缘，使模糊图像更加清晰。

(4)同态滤波。同态滤波方法是利用图像的光照特性，减少光照不均匀对图像产生的影响。同态滤波根据照度-反射度模型理论，将图像看成是照度和反射度两部分的乘积。先将图像变换到频域，再利用照度-反射度模型进行处理，并通过灰度范围的扩展和压缩来改进图像的视觉效果。根据其高通滤波函数的不同可以将同态滤波分为高斯型同态滤波、巴特沃斯把同态滤波和指数型同态滤波。

(5)小波变换。小波变换可以将信号分解成一系列具有不同的分辨率、频率特性和方向特性的子带信号。小波变换对二维图像使用一个高通滤波器和一个低通滤波器，在不同尺度上进行小波分解，将分解后的低频分量通过小波合成得到增强图像。

在对这些增强方法的研究和实践过程中发现：这些方法都具有一定的局限性，不具有鲁棒性。直方图均衡化对部分偏暗和偏亮的图像增强效果不好，且容易放大噪声：拉普拉斯锐化只能增强图像边缘而不能增强图像的亮度和对比度；同态滤波可以增强图像的亮度但对图像的对比度增强效果不理想；小波变换同样对图像的对比度增强效果不够理想且计算复杂，难以用于实时增强系统中。虽然灰度变换法简单快速，经常用于实时增强系统中，但现有的几种灰度变换法都不能很好的区分背景和目标，往往在增强目标的同时，也增强了背景的噪声。

发明内容

本发明的目的是为了解决现有的图像增强方法的局限性，如不能满足实时性的要求、容易增大噪声等问题而提供的一种分段非线形变换的图像增强方法。

本发明所述的一种分段非线形变换的图像增强方法的具体步骤如下所述：

第一步骤：根据图像中细胞和背景在灰度空间的分布范围，利用遗传算法计算出分段点，将整幅图像根据分段点划分为背景段、目标段和过渡段，首先统计在仪器中采集到的尿沉渣细胞、背景的像素灰度分布，根据统计的所有尿沉渣图像中像素灰度值分布规律，将整幅图像划分为背景段、目标段和过渡段，背景分布的灰度区间称为背景段；统计每种细胞分布的灰度区间，背景和细胞分布的灰度区间有重叠、交叉的区域，找到最合适的阈值对这两个区域进行划分，采用遗传算法进行分段点的准确计算，遗传算法的目标函数为：

$f=w_0\left(t\right){({\mathrm{\σ}}_0^2\left(t\right)-{\mathrm{\σ}}^2)}^2-w_1\left(t\right){({\mathrm{\σ}}_1^2\left(t\right)-{\mathrm{\σ}}^2)}^2$

初始种群数目为60，交叉概率p=0.6，变异概率为0.05；

其中 ${\mathrm{\σ}}_0^2\left(t\right)=\frac{1}{w_0\left(t\right)}\underset{i=0}{\overset{t-1}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_0\left(t\right))}^{2}p\left(i\right)$ ；

${\mathrm{\σ}}_1^2\left(t\right)=\frac{1}{w_1\left(t\right)}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_1\left(t\right))}^{2}p\left(i\right)$ ;

${\mathrm{\σ}}^2=\underset{I-1}{\overset{L-1}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^{2}p\left(i\right)$

式中，w₀(t),w₁(t)分别为目标部分和背景部分的概率,

,w₁(t)=1-w₀(t);μ₀(t),μ₁(t)分别为目标部分的均值和背景部分的均值，

,

；μ为图像的总均值，μ=w₀(t)μ₀(t)+w₁(t)μ₁(t)，p(k)=n_k/N。其中，p是各灰度值的概率，n_k为灰度值为i的像素总和，N为总像素数；

选择小于100个像素的灰度区域为过渡段；

第二步骤：对背景段、目标段和过渡段采用不同的灰度变换法；

（1）、背景段：需要抑制函数来抑制噪声，将曲线抬升，使背景的整体灰度都达到一致性；

（2）、目标段：对灰度进行拉伸，把相邻的灰度级之间的差拉大，突出像素的对比度，此时曲线的gamma值取1.2；

（3）、过渡段：压缩像素的灰度值，用gamma曲线压缩到10个灰度级内。

本发明的有益效果：

1、本发明所述的方法计算简单，处理速度快，稳定可靠，可以用于实时图像增强系统中；

2、由于对所有的尿沉渣图像做了细胞和背景的灰度统计，使计算出来的分段点就具有普遍意义，可以应用到光学系统不变的尿沉渣图像；

3、本发明所述的方法在增强目标信息的同时，对背景的噪音进行了很好的抑制，整幅图像看起来视觉效果明显。

附图说明

图1为本发明所述方法的流程图。

图2为背景灰度分布图。

图3细胞灰度分布图。

图4分段灰度变换结果示意图。

具体实施方式

本发明所述的一种尿沉渣图像分段非线形增强的方法，具体步骤如下所述：

请参阅图1所示：

第一步骤：根据图像中细胞和背景在灰度空间的分布范围，利用遗传算法计算出分段点，将整幅图像根据分段点划分为背景段、目标段和过渡段，首先统计在仪器中采集到的尿沉渣细胞、背景的像素灰度分布，根据统计的所有尿沉渣图像中像素灰度值分布规律，将整幅图像划分为背景段、目标段和过渡段，背景分布的灰度区间称为背景段（如图2所示）；统计每种细胞分布的灰度区间，背景和细胞分布的灰度区间有重叠、交叉的区域，找到最合适的阈值对这两个区域进行划分，采用遗传算法进行分段点的准确计算，遗传算法的目标函数为：

$f=w_0\left(t\right){({\mathrm{\σ}}_0^2\left(t\right)-{\mathrm{\σ}}^2)}^2-w_1\left(t\right){({\mathrm{\σ}}_1^2\left(t\right)-{\mathrm{\σ}}^2)}^2$

初始种群数目为60，交叉概率p=0.6，变异概率为0.05；

其中 ${\mathrm{\σ}}_0^2\left(t\right)=\frac{1}{w_0\left(t\right)}\underset{i=0}{\overset{t-1}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_0\left(t\right))}^{2}p\left(i\right)$ ；

${\mathrm{\σ}}_1^2\left(t\right)=\frac{1}{w_1\left(t\right)}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_1\left(t\right))}^{2}p\left(i\right)$ ;

${\mathrm{\σ}}^2=\underset{I-1}{\overset{L-1}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^{2}p\left(i\right)$

式中，w₀(t),w₁(t)分别为目标部分和背景部分的概率,

,w₁(t)=1-w₀(t); μ₀(t),μ₁(t)分别为目标部分的均值和背景部分的均值，

,；μ为图像的总均值，μ=w₀(t)μ₀(t)+w₁(t)μ₁(t)，p(k)=n_k/N。其中，p是各灰度值的概率，n_k为灰度值为i的像素总和，N为总像素数；

选择小于100个像素的灰度区域为过渡段，请参阅图3所示；

第二步骤：对背景段、目标段和过渡段采用不同的灰度变换法；

（1）、背景段：请参阅图4所示，灰度204-255段，需要抑制函数来抑制噪声，将曲线抬升，使背景的整体灰度都达到一致性；

（2）、目标段：请参阅图4所示，灰度54-204段，对灰度进行拉伸，把相邻的灰度级之间的差拉大，突出像素的对比度，此时曲线的gamma值取1.2；

（3）、过渡段：请参阅图4所示，灰度0-54段，压缩像素的灰度值，用gamma曲线压缩到10个灰度级内。

Claims (1)

1.一种尿沉渣图像分段非线形增强的方法， 其特征在于：具体步骤如下所述：

第一步骤：根据图像中细胞和背景在灰度空间的分布范围，利用遗传算法计算出分段点，将整幅图像根据分段点划分为背景段、目标段和过渡段，首先统计在仪器中采集到的尿沉渣细胞、背景的像素灰度分布，根据统计的所有尿沉渣图像中像素灰度值分布规律，将整幅图像划分为背景段、目标段和过渡段，背景分布的灰度区间称为背景段；统计每种细胞分布的灰度区间，背景和细胞分布的灰度区间有重叠、交叉的区域，找到最合适的阈值对这两个区域进行划分，采用遗传算法进行分段点的准确计算，遗传算法的目标函数为：

$f=w_0\left(t\right){({\mathrm{\σ}}_0^2\left(t\right)-{\mathrm{\σ}}^2)}^2-w_1\left(t\right){({\mathrm{\σ}}_1^2\left(t\right)-{\mathrm{\σ}}^2)}^2$

初始种群数目为60，交叉概率p=0.6，变异概率为0.05；

其中 ${\mathrm{\σ}}_0^2\left(t\right)=\frac{1}{w_0\left(t\right)}\underset{i=0}{\overset{t-1}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_0\left(t\right))}^{2}p\left(i\right)$ ；

${\mathrm{\σ}}_1^2\left(t\right)=\frac{1}{w_1\left(t\right)}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_1\left(t\right))}^{2}p\left(i\right)$ ;

${\mathrm{\σ}}^2=\underset{I-1}{\overset{L-1}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^{2}p\left(i\right)$

式中，w₀(t),w₁(t)分别为目标部分和背景部分的概率,

,w₁(t)=1-w₀(t);μ₀(t),μ₁(t)分别为目标部分的均值和背景部分的均值，

,

；μ为图像的总均值，μ=w₀(t)μ₀(t)+w₁(t)μ₁(t)，p(k)=n_k/N；其中，p是各灰度值的概率，n_k为灰度值为i的像素总和，N为总像素数；

选择小于100个像素的灰度区域为过渡段；

第二步骤：对背景段、目标段和过渡段采用不同的灰度变换法；

（1）、背景段：需要抑制函数来抑制噪声，将曲线抬升，使背景的整体灰度都达到一致性；

（2）、目标段：对灰度进行拉伸，把相邻的灰度级之间的差拉大，突出像素的对比度，此时曲线的gamma值取1.2；

（3）、过渡段：压缩像素的灰度值，用gamma曲线压缩到10个灰度级内。

Images