CN103839230A - 一种脑成像灰度图像的染色方法 - Google Patents

Abstract

本发明提出一种脑成像灰度图像的染色方法，将一幅待着色的灰度图像作为目标图像，用一幅彩色的实体图像作为源图像，为了使图像着色后得到的结果图像不会失真，该方法首先对颜色空间进行转换，使用了三个通道相关性最小的Lαβ空间，它的作用是改变其中任何一个通道，都不会对其他两个通道有影响。然后按行扫描目标图像每一像素，在源图像中搜索亮度最佳匹配像素进行自动取色，实现灰度图像着色。该方法在保持灰度图像原有信息的条件下能够成功地着色增强其真实感和视觉效果。

Description

一种脑成像灰度图像的染色方法

技术领域

本发明涉及灰度图像的染色方法，特别是一种脑成像灰度图像的染色方法。

背景技术

由于人眼对彩色的变化远比对灰度的变化敏感，因此黑白图像染色是图像处理中最常要解决的问题之一。在医学上对灰度图像，如MRI、X光和CT等着色，有利于充分显示这些图像的特征，及时发现病症。当前，对这些医疗图像进行伪彩色处理是一种非常有效的图像增强技术。灰度图像的等密度伪彩色编码实质上是建立图像的灰度级与颜色的一种影射关系，因此可以做到自动染色。但是伪彩色只是通过色阶把在灰度图像中不易分辨的一些细节在伪彩色图像中显现出来，它无法反映黑白图像的真实颜色。一方面，伪彩色没有唯一的编码方式，同一张图像的伪彩色图很可能根据医生的不同而改变。另一方面，由于伪彩色技术只适用于256级以下的灰度图像。对高于256级灰度的高分辨率图像来说,只能先将灰度级压缩影射为256级灰度,然后再进行编码,但压缩影射相当于降低了处理图像的灰度分辨率。

Tomihisa等人打破了必须由用户提供颜色信息的传统方法，提出通过两幅图像之间进行颜色传递为灰度图像着色的可行思路。将一幅待着色的灰度图像作为目标图像，用一幅彩色图像作为源图像，并自动从源图像取色，然后将其赋到目标图像上。汲业和刘洪波等人在该方法的基础上，使用泰勒公式对图像进行分析，通过对比源图像与目标图像纹理特征的相似程度，减少了用户的交互步骤，提高了图像的染色效果。

本发明提出一种基于亮度最佳匹配的脑成像灰度图像着色方法。该方法保持图像原有的信息不变，而增加了源图像的颜色和真实感。为了使图像着色后得到的结果图像不会失真，该方法首先对颜色空间进行转换，使用了三个通道相关性最小的Lαβ空间，它的作用是改变其中任何一个通道，都不会对其他两个通道有影响，然后进行匹配、取色和赋色，实现灰度图像着色。该方法在保持灰度图像原有信息的条件下能够成功地着色增强其真实感和视觉效果。

发明内容

为更好的满足用户的要求，本发明提出一种脑成像灰度图像的染色方法，在保持灰度图像原有信息的条件下能够成功地着色增强其真实感和视觉效果。

为了实现上述目的，本发明的技术方案如下：一种脑成像灰度图像的染色方法，包括以下步骤：

A、颜色空间变换

假定源图像和灰度图像均为或均被转换为RGB图像。在搜索最佳匹配、取色、赋色之前，需要将它们转换成Lαβ图像。因为Lαβ是LMS锥形空间的一种变换，所以RGB到Lαβ空间变换需要先转换到LMS空间，再通过自然对数消除变换过程中产生的空间变形，最后线性变换为Lαβ空间，其具体方法如下：

A1:由RGB变换到LMS空间：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1288& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

A2:通过自然对数消除A1变换过程中产生的空间变形：

L₁=ln(L)

M₁=ln(M)

S₁=ln(S)

A3:由工整的LMS空间变换到Lαβ。

$\left[\begin{array}{c}L\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]\left[\begin{array}{ccc}\frac{1}{\sqrt{3}}& 0& 0\\ 0& \frac{1}{\sqrt{6}}& 0\\ 0& 0& \frac{1}{\sqrt{2}}\end{array}\right]\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& -2\\ 1& -1& 0\end{array}\right]\left[\begin{array}{c}{L}_1\\ M_1\\ S_1\end{array}\right]$

对于一幅图像的亮度信息，使用二维矩阵表示为：

$L=\left[\begin{array}{ccccc}{L}_{\mathrm{1,1}}& L_{\mathrm{1,2}}& L_{\mathrm{1,3}}& \·\·\·\·\·\·& L_{1,m}\\ L_{\mathrm{2,1}}& L_{\mathrm{2,2}}& L_{\mathrm{2,3}}& \·\·\·\·\·\·& L_{2,m}\\ \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\\ L_{n,1}& L_{n,2}& L_{n,3}& \·\·\·\·\·\·& L_{n,m}\end{array}\right]$

其中n和m为图象像素的行列数，Li，j是像素点的亮度值。α和β通道的信息也可用相同的方法表示。

B、最佳匹配

在比较源图像和灰度图像的亮度之前，首先调整源图像的亮度直方图，使得源图像的亮度直方图和灰度图像的亮度直方图近似。使用Reinhard等人利用Lαβ颜色空间在两幅彩色图像之间进行颜色传递的方法。

灰度图像只包含亮度信息，所以在图像的匹配过程中，只有亮度信息可以利用。设源图像颜色信息为L(s)、α(s)和β(s)，分辨率为m×n；灰度图像亮度信息为L(d)。对于每一个灰度图像的像素点（i,j），设它与源图像所有像素点亮度值的差为ΔL，即ΔL_i,j=|L_i，j(d)-L_k,p(s)|

因此，ΔL使用矩阵表示为：

$\mathrm{\ΔL}=\left[\begin{array}{ccccc}\mathrm{\Δ}{L}_{\mathrm{1,1}}& \mathrm{\Δ}{L}_{\mathrm{1,2}}& \mathrm{\Δ}{L}_{\mathrm{1,3}}& \·\·\·\·\·\·& \mathrm{\Δ}{L}_{1,m}\\ {\mathrm{\ΔL}}_{\mathrm{2,1}}& \mathrm{\Δ}{L}_{\mathrm{2,2}}& \mathrm{\Δ}{L}_{\mathrm{2,3}}& \·\·\·\·\·\·& \mathrm{\Δ}{L}_{2,m}\\ \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\\ \mathrm{\Δ}{L}_{n,1}& {\mathrm{\ΔL}}_{n,2}& \mathrm{\Δ}{L}_{n,3}& \·\·\·\·\·\·& {\mathrm{\ΔL}}_{n,m}\end{array}\right]$

当ΔL_k,p=min{ΔL_1,1,ΔL_1,2......ΔL_m，n}时，则可以借用源图像中像素点（k,p）α和β通道的颜色信息，为灰度图像像素点（i,j）染色。

$\left.\begin{array}{c}{\mathrm{\α}}_{i,j}\left(d\right)={\mathrm{\α}}_{k,p}\left(s\right)\\ {\mathrm{\β}}_{i,j}\left(d\right)={\mathrm{\β}}_{k,p}\left(s\right)\end{array}\right\}$

最后将结果图像从Lαβ逆变换到RGB颜色空间，即可得到最终的结果图像。

与现有技术相比，本发明具有以下有益效果：

1、本发明使用Lαβ空间，它的三个通道相关性最小的，改变其中任何一个通道，都不会对其他两个通道有影响；

2、本发明提出的方法在保持脑图像原有信息的条件下能够成功地根据脑图像本身的信息着色增强视觉效果和真实感。

附图说明

本发明共有附图1张，其中：

图1是本发明中灰度图像染色的流程图；

具体实施方式

如图1所示首先对颜色空间进行转换，使用了三个通道相关性最小的Lαβ空间，它的作用是改变其中任何一个通道，都不会对其他两个通道有影响，然后进行匹配、取色和赋色，实现灰度图像着色。具体流程图如图1所示。

A、颜色空间变换

假定源图像和灰度图像均为或均被转换为RGB图像。在搜索最佳匹配、取色、赋色之前，需要将它们转换成Lαβ图像。因为Lαβ是LMS锥形空间的一种变换，所以RGB到Lαβ空间变换需要先转换到LMS空间，再通过自然对数消除变换过程中产生的空间变形，最后线性变换为Lαβ空间，其具体方法如下：

A1:由RGB变换到LMS空间：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1288& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

A2:通过自然对数消除A1变换过程中产生的空间变形：

L₁=ln(L)

M₁=ln(M)

S₁=ln(S)

A3:由工整的LMS空间变换到Lαβ。

$\left[\begin{array}{c}L\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]\left[\begin{array}{ccc}\frac{1}{\sqrt{3}}& 0& 0\\ 0& \frac{1}{\sqrt{6}}& 0\\ 0& 0& \frac{1}{\sqrt{2}}\end{array}\right]\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& -2\\ 1& -1& 0\end{array}\right]\left[\begin{array}{c}{L}_1\\ M_1\\ S_1\end{array}\right]$

对于一幅图像的亮度信息，使用二维矩阵表示为：

$L=\left[\begin{array}{ccccc}{L}_{\mathrm{1,1}}& L_{\mathrm{1,2}}& L_{\mathrm{1,3}}& \·\·\·\·\·\·& L_{1,m}\\ L_{\mathrm{2,1}}& L_{\mathrm{2,2}}& L_{\mathrm{2,3}}& \·\·\·\·\·\·& L_{2,m}\\ \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\\ L_{n,1}& L_{n,2}& L_{n,3}& \·\·\·\·\·\·& L_{n,m}\end{array}\right]$

其中n和m为图象像素的行列数，Li，j是像素点的亮度值。α和β通道的信息也可用相同的方法表示。

B、最佳匹配

在比较源图像和灰度图像的亮度之前，首先调整源图像的亮度直方图，使得源图像的亮度直方图和灰度图像的亮度直方图近似。使用Reinhard等人利用Lαβ颜色空间在两幅彩色图像之间进行颜色传递的方法。

灰度图像只包含亮度信息，所以在图像的匹配过程中，只有亮度信息可以利用。设源图像颜色信息为L(s)、α(s)和β(s)，分辨率为m×n；灰度图像亮度信息为L(d)。对于每一个灰度图像的像素点（i,j），设它与源图像所有像素点亮度值的差为ΔL，即ΔL_i，j=|L_i，j(d)-L_k，p(s)|

因此，ΔL使用矩阵表示为：

$\mathrm{\ΔL}=\left[\begin{array}{ccccc}\mathrm{\Δ}{L}_{\mathrm{1,1}}& \mathrm{\Δ}{L}_{\mathrm{1,2}}& \mathrm{\Δ}{L}_{\mathrm{1,3}}& \·\·\·\·\·\·& \mathrm{\Δ}{L}_{1,m}\\ {\mathrm{\ΔL}}_{\mathrm{2,1}}& \mathrm{\Δ}{L}_{\mathrm{2,2}}& \mathrm{\Δ}{L}_{\mathrm{2,3}}& \·\·\·\·\·\·& \mathrm{\Δ}{L}_{2,m}\\ \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\\ \mathrm{\Δ}{L}_{n,1}& {\mathrm{\ΔL}}_{n,2}& \mathrm{\Δ}{L}_{n,3}& \·\·\·\·\·\·& {\mathrm{\ΔL}}_{n,m}\end{array}\right]$

当ΔL_k，p=min{ΔL_1，1,ΔL_1，2......ΔL_m，n}时，则可以借用源图像中像素点（k,p）α和β通道的颜色信息，为灰度图像像素点（i,j）染色。

$\left.\begin{array}{c}{\mathrm{\α}}_{i,j}\left(d\right)={\mathrm{\α}}_{k,p}\left(s\right)\\ {\mathrm{\β}}_{i,j}\left(d\right)={\mathrm{\β}}_{k,p}\left(s\right)\end{array}\right\}$

最后将结果图像从Lαβ逆变换到RGB颜色空间，即可得到最终的结果图像。

Claims (1)

1.一种脑成像灰度图像的染色方法，其特征在于：包括以下步骤：

A、颜色空间变换

假定源图像和灰度图像均为或均被转换为RGB图像；在搜索最佳匹配、取色、赋色之前，需要将它们转换成Lαβ图像；因为Lαβ是LMS锥形空间的一种变换，所以RGB到Lαβ空间变换需要先转换到LMS空间，再通过自然对数消除变换过程中产生的空间变形，最后线性变换为Lαβ空间，其具体方法如下：

A1:由RGB变换到LMS空间：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1288& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

A2:通过自然对数消除A1变换过程中产生的空间变形：

L₁=ln(L)

M₁=ln(M)

S₁=ln(S)

A3:由工整的LMS空间变换到Lαβ；

$\left[\begin{array}{c}L\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]\left[\begin{array}{ccc}\frac{1}{\sqrt{3}}& 0& 0\\ 0& \frac{1}{\sqrt{6}}& 0\\ 0& 0& \frac{1}{\sqrt{2}}\end{array}\right]\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& -2\\ 1& -1& 0\end{array}\right]\left[\begin{array}{c}{L}_1\\ M_1\\ S_1\end{array}\right]$

对于一幅图像的亮度信息，使用二维矩阵表示为：

$L=\left[\begin{array}{ccccc}{L}_{\mathrm{1,1}}& L_{\mathrm{1,2}}& L_{\mathrm{1,3}}& \·\·\·\·\·\·& L_{1,m}\\ L_{\mathrm{2,1}}& L_{\mathrm{2,2}}& L_{\mathrm{2,3}}& \·\·\·\·\·\·& L_{2,m}\\ \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\\ L_{n,1}& L_{n,2}& L_{n,3}& \·\·\·\·\·\·& L_{n,m}\end{array}\right]$

其中n和m为图象像素的行列数，Li，j是像素点的亮度值；α和β通道的信息也可用相同的方法表示；

B、最佳匹配

在比较源图像和灰度图像的亮度之前，首先调整源图像的亮度直方图，使得源图像的亮度直方图和灰度图像的亮度直方图近似；使用Reinhard等人利用Lαβ颜色空间在两幅彩色图像之间进行颜色传递的方法；

灰度图像只包含亮度信息，所以在图像的匹配过程中，只有亮度信息可以利用；设源图像颜色信息为L(s)、α(s)和β(s)，分辨率为m×n；灰度图像亮度信息为L(d)；对于每一个灰度图像的像素点（i,j），设它与源图像所有像素点亮度值的差为ΔL，即ΔL_i,j=|L_i，j(d)-L_k,p(s)|

因此，ΔL使用矩阵表示为：

$\mathrm{\ΔL}=\left[\begin{array}{ccccc}\mathrm{\Δ}{L}_{\mathrm{1,1}}& \mathrm{\Δ}{L}_{\mathrm{1,2}}& \mathrm{\Δ}{L}_{\mathrm{1,3}}& \·\·\·\·\·\·& \mathrm{\Δ}{L}_{1,m}\\ {\mathrm{\ΔL}}_{\mathrm{2,1}}& \mathrm{\Δ}{L}_{\mathrm{2,2}}& \mathrm{\Δ}{L}_{\mathrm{2,3}}& \·\·\·\·\·\·& \mathrm{\Δ}{L}_{2,m}\\ \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\\ \mathrm{\Δ}{L}_{n,1}& {\mathrm{\ΔL}}_{n,2}& \mathrm{\Δ}{L}_{n,3}& \·\·\·\·\·\·& {\mathrm{\ΔL}}_{n,m}\end{array}\right]$

当ΔL_k,p=min{ΔL_1,1,ΔL_1,2......ΔL_m，n}时，则可以借用源图像中像素点（k,p）α和β通道的颜色信息，为灰度图像像素点（i,j）染色；

$\left.\begin{array}{c}{\mathrm{\α}}_{i,j}\left(d\right)={\mathrm{\α}}_{k,p}\left(s\right)\\ {\mathrm{\β}}_{i,j}\left(d\right)={\mathrm{\β}}_{k,p}\left(s\right)\end{array}\right\}$

最后将结果图像从Lαβ逆变换到RGB颜色空间，即可得到最终的结果图像。

Images