CN105957042B - 内镜图像的高光区域消除方法 - Google Patents
内镜图像的高光区域消除方法 Download PDFInfo
- Publication number
- CN105957042B CN105957042B CN201610397007.0A CN201610397007A CN105957042B CN 105957042 B CN105957042 B CN 105957042B CN 201610397007 A CN201610397007 A CN 201610397007A CN 105957042 B CN105957042 B CN 105957042B
- Authority
- CN
- China
- Prior art keywords
- image
- highlight area
- high light
- endoscopic image
- highlight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000005381 potential energy Methods 0.000 claims description 8
- 239000004615 ingredient Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 9
- 230000008439 repair process Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 238000001579 optical reflectometry Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004040 coloring Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 244000061408 Eugenia caryophyllata Species 0.000 description 1
- 235000016639 Syzygium aromaticum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种内镜图像的高光区域消除方法,包括如下步骤:S10,对内镜图像进行预处理;S20,提供图像融合操作所需的最终权重模板;S30,提供内镜图像的细节弱化的无高光图像;S40,以最终权重模板作为融合修复的权重因子,将细节弱化的无高光图像和内镜图像的原图像进行融合修复,获得高光消除并保留图像主要细节的无高光图像。本发明的目的在于提供一种内镜图像的高光区域消除方法,能够在高光区域较大的时候实现内镜图像的自然修复。
Description
技术领域
本发明涉及一种医学内镜图像高光消除方法,可用于医学内镜成像诊疗过程中辅助医生更好的进行观察和病情诊断。
背景技术
内窥镜成像过程中,人体器官表面发生的高光反射,通常表现为亮度饱和的高亮区域,这些高亮区域将会降低图像质量并对手术过程的观察以及病灶判断造成较大的影响,甚至成为许多基于视觉分析算法误差的源头,并对许多基于梯度的计算机视觉算法造成消极影响。
在过去的几十年中,大量的算法被提出以检测和修复内镜图像中的高光反射。Arnold,et al.等基于全局非线性滤波和颜色阈值的方法进行高光区域的检测,使用距离高光像素特定距离处像素的颜色信息作为该高光像素的颜色信息。该算法可有效的选择出图像中的高光区域,并对高光区域进行一定的修复。但基于全局阈值的方法对整幅图像进行单一阈值的分割,在高光像素拥有一定动态范围的时候,很难精确做出精确的判断。利用高光像素临近像素的颜色信息对高光区域进行补色的方法,在高光区域较小时可以得到较好的效果,但随着高光区域的增大,由于高光中心区域难以找到适合的临近像素信息,补色结果将产生较大的人为痕迹。
为解决众多基于全局阈值的分割方法以及基于邻近像素颜色传递的修复方法存在的缺陷,从该算法中衍生出多种改进算法。一些学者在全图应用一个固定大小的滑动窗口,在窗口中应用局部阈值的方法进行高光区域的分割,并且利用基于自适应窗口动态搜索的方法,使得高光像素可以使用尽量多的非高光像素信息进行颜色的修复。虽然目前提出的算法可在一定程度上解决现存内镜图像高光像素检测和修复算法的缺陷,但反射高光像素提取的效果有待提高,应用邻域信息进行补色的算法,在高光区域较大的时候难以实现自然修复的效果。
因此本领域需要一种有效的内镜图像的高光区域消除方法,解决在高光区域较大的时候难以实现内镜图像自然修复的问题难以实现自然修复内镜图像的问题。
发明内容
针对相关技术中存在的问题,本发明的目的在于提供一种内镜图像的高光区域消除方法,能够在高光区域较大的时候可以实现内镜图像的自然修复自然修复内镜图像。
本发明提供了一种内镜图像的高光区域消除方法,包括如下步骤:
S10,对内镜图像进行预处理;
S20,提供图像融合操作所需的最终权重模板;
S30,提供内镜图像的细节弱化的无高光图像;
S40,以最终权重模板作为融合修复的权重因子,将细节弱化的无高光图像和内镜图像的原图像进行融合修复,获得高光消除并保留图像主要细节的无高光图像。
根据本发明,步骤S10包括如下子步骤:
S101,利用非线性滤波的方法增加图像中高光和正常区域的对比,以获得增强图像;
S102,将增强图像进行基于小波分析的降噪算法,滤除内镜图像采集及处理过程中的随机噪声,以获得去噪图像;
S103,将去噪图像由RGB颜色空间转换到HSV颜色空间。
根据本发明,步骤S20包括如下子步骤:
S201,对内镜图像进行全局高光检测,以得到粗分割的高光区域;
S202,对内镜图像进行局部高光检测,以得到精细分割的高光区域;
S203,对粗分割的高光区域和精细分割的高光区域进行融合,得到高光区域的二值权重模板;
S204,对二值权重模板利用形态学操作和电势场势能图理论,通过迭代求解拉普拉斯方程实现二值权重模板边缘的均匀渐变,以获得最终权重模板。
根据本发明,子步骤S201执行为,联合亮度和饱和度空间,利用基于直方图的二值化阈值算法进行全局高光检测。
根据本发明,子步骤S202执行为,基于超像素分割的方法,将高光像素粗略聚类到同一超像素内部,结合全局阈值以及OTSU二值化处理自适应阈值的方法,在每一个超像素内部进行高光像素的检测和分割,得到精细分割的高光区域。
根据本发明,二值权重模板为最终的高光区域的二值化图像。
根据本发明,子步骤S204执行为,
S2041,对二值权重模板进行形态学膨胀,得到膨胀模板;
S2042,用膨胀模板和原始的二值权重模板相减,得到膨胀环带区域;
S2043,对膨胀环带区域赋值为两侧均值;
S2044,迭代应用如下方法,得到权重值均匀渐变的环带区域,以此渐变模板作为最终权重模板:
Ti+1(x,y)=[Ti(x+Δx,y)+Ti(x-Δx,y)+Ti(x,y+Δy)+Ti(x,y-Δy)]/4。
根据本发明,步骤S30包括如下子步骤:
S301,基于用户反馈以及非线性拟合的RPCA获得最优参数估计经验公式,可用于估计内镜图像应用RPCA时的最优权重参数;
S302,应用RPCA理论,建立高光图像中低秩特征成分与高光噪声的能量函数,利用最优化理论迭代求解低秩成分的最优解,以得到细节弱化的无高光图像。
根据本发明,步骤S301执行为:
S3011,人工合成包含不同尺寸高光区域的测试图像;
S3012,对RPCA权重参数在一定范围内采样,获得权重参数序列;
S3013,对原始图像和合成图像应用参数序列中的权重参数,分别进行图像的低秩特征分解,得到对应的低秩本征图像;
S3014,计算不同参数下,合成图像低秩成分和原图像本征成分的相似性值;
S3015,根据用户选择和视觉效果,确定不同高光尺寸情况下,得到细节保留和噪声去除效果平衡的权重参数值;
S3016,对最优的权重参数和其对应的高光尺寸进行非线性拟合,以获得内镜图像中的最大高光区域连通域面积在全图所占比例和RPCA的最优权重参数之间的量化公式;
S3017,对于给定一幅含高光图像,计算其包含最大高光区域连通域占全图面积比例,带入量化公式,便可以得到内镜图像应用RPCA时的最优权重参数。
根据本发明,步骤S40执行为:
通过势能图理论得到所述最终权重模板T并作为融合修复的权重因子W1,进而通过RPCA获得细节弱化的无高光图像Id之后,结合原高光图像Io,便可根据如下融合策略得到高光消除并保留图像主要细节的无高光图像:
Isf=W1Id+W2Io,W2=1-W1。
本发明的有益技术效果在于:
本发明的内镜图像的高光区域消除方法,首先对内镜图像进行预处理;然后提供图像融合操作的最终权重模板和内镜图像的细节弱化的无高光图像;最后以最终权重模板作为融合修复的权重因子,将细节弱化的无高光图像和内镜图像的原图像进行融合修复,获得高光消除并保留图像主要细节的无高光图像。本方法能够实现:(1)高光反射区域的精确检测与分割;(2)反射高光区域的去除和自然修复。
附图说明
图1是示出的本发明的内镜图像的高光区域消除方法的流程图。
图2是示出的本发明的内镜图像的高光区域消除方法的详细流程图。
具体实施方式
参考附图公开示出的实施例。然而,应当理解,所公开的实施例仅为可以以各种和替代形式显示的实施例。附图未必按比例绘制,并且可能放大或缩小一些特征来显示特定部件的细节。所公开的具体结构和功能性细节不应解释为限制,而是作为用于教导本领域技术人员如何实践本公开的代表性基础。
为克服现有内镜图像高光检测修复算法中存在的不足,本发明提供一种基于超像素和大津(OTSU)阈值的内镜图像的高光区域消除方法,本方法是基于低秩特征融合的内镜图像高光区域消除方法,能够实现局部高光自适应阈值的精确检测分割;在本方法中运用一种基于用户反馈和非线性拟合的方法,自动确定鲁棒主成分分析(Robust PrincipalComponent Analysis,RPCA)算法的最优权重参数,然后利用RPCA和图像融合的方法,得到高光区域的自然修复。
参照图1,本发明提供了一种内镜图像的高光区域消除方法,包括如下步骤:
S10,对内镜图像进行预处理;
S20,提供图像融合操作所需的最终权重模板;
S30,提供内镜图像的细节弱化的无高光图像;
S40,以最终权重模板作为融合修复的权重因子,将细节弱化的无高光图像和内镜图像的原图像进行融合修复,获得高光消除并保留图像主要细节的无高光图像。
具体而言,本方法在经过预处理后的内镜图像的基础上,提供内镜图像的最终权重模板和内镜图像的细节弱化的无高光图像,最后进行融合修复以获得高光消除并保留图像主要细节的无高光图像。本方法能够实现:(1)高光反射区域的精确检测与分割;(2)反射高光区域的去除和自然修复。
参照图2,步骤S10包括子步骤S101、S102、S103。
子步骤S101,利用非线性滤波的方法增加图像中高光和正常区域的对比,增强高光区域和浅色组织器官之间的差异性,以获得增强图像;
其中,在子步骤S101中,对于含有高光的内镜图像定义其饱和度则应用以下非线性滤波增加图像中高光和正常区域的对比,增强高光区域和浅色组织器官之间的差异性:
式(1)中为滤波后图像,R,G,B为图像三通道强度值。
子步骤S102,将增强图像进行基于小波分析的降噪算法,滤除内镜图像采集及处理过程中的随机噪声,以获得去噪图像,减弱随机噪声对高光区域分割的影响。
子步骤S103,考虑到图像中的高光区域具有高亮度低饱和度的特性,将去噪图像由RGB颜色空间转换到HSV颜色空间,分别在亮度通道和饱和度通道对高光区域进行检测提取,以实现高光区域的精确检测。
根据本发明的方法,步骤S20包括子步骤S201、S202、S203、S204:
子步骤S201,对内镜图像进行全局高光检测,以得到粗分割的高光区域。具体而言,子步骤S201执行为,联合亮度和饱和度空间,利用基于直方图的二值化阈值算法进行全局高光检测。也就是说,分别选取较高的亮度阈值和较低的饱和度阈值,对高光区域进行初步检测提取,得到高光区域的粗分割结果。
子步骤S202,对内镜图像进行局部高光检测,以得到精细分割的高光区域。具体而言,子步骤S202执行为,基于超像素分割的方法,将高光像素粗略聚类到同一超像素内部,结合全局阈值以及OTSU二值化处理自适应阈值的方法,在每一个超像素内部进行高光像素的检测和分割,得到精细分割的高光区域。在超像素内部可以实现高光像素更为精确的检测。也就是说,使用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)算法对图像进行超像素分割,该算法基于K均值(k-means)聚类的思想将图像局部具有相似颜色和亮度特征的像素聚类到同一超像素内部。在超像素内部,结合全局阈值和OTSU自适应阈值的方法对像素进行可能的二值分类,精细分割出高光区域,OTSU算法使用聚类的思想,把图像的灰度数按灰度级分成两个部分,使得两个部分之间的灰度值差异最大,其中每个部分内部的各个像素之间的灰度值差异最小。采用该算法可以实现自动选取阈值进行二值化,类间方差最大的分割意味着错分概率最小。
子步骤S203,对粗分割的高光区域和精细分割的高光区域进行融合,得到高光区域的二值权重模板;该二值权重模板为最终的高光区域的二值化图像,并作为基于图像融合高光消除的权重模板。
子步骤S204,对二值权重模板利用形态学操作和电势场势能图理论,通过迭代求解拉普拉斯(Laplace)方程实现二值权重模板边缘的均匀渐变,以获得最终权重模板。该最终权重模板作为图像融合高光消除最终的权重模板,实现高光区域边缘自然融合的效果。本发明通过结合形态学操作和电势场势能图理论,实现了高光区域边缘的渐变衰减,可用于图像融合的权重模板,实现融合边缘的自然过渡,得到更自然的视觉效果。
具体而言,为消除二值权重边缘的突变造成的不自然痕迹,本发明结合形态学操作和电势场理论中势能图的方法,在区域边缘构建Laplace方程,并迭代的求解其雅克比(Jacobi)解,实现边缘权重的平滑渐变衰减。
Ti+1(x,y)=[Ti(x+Δx,y)+Ti(x-Δx,y)
+Ti(x,y+Δy)+Ti(x,y-Δy)]/4;
其中,Ti(x,y),Ti+1(x,y)分别为第i次和第i+1次迭代后,获得二值权重模板的平滑结果。
更为具体地,在一个可能的实例中,子步骤S204执行为:
S2041,对二值权重模板进行形态学膨胀,得到膨胀模板;
S2042,用膨胀模板和原始的二值权重模板相减,得到膨胀环带区域;
S2043,对膨胀环带区域赋值为两侧均值。例如,即:高光区域1,正常区域0,环带区域0.5;
S2044,迭代应用如下方法,得到权重值均匀渐变的环带区域,以此渐变模板作为最终权重模板,此最终权重模板作为图像融合权重,实现融合边缘的自然过渡,得到更好的视觉效果:
Ti+1(x,y)=[Ti(x+Δx,y)+Ti(x-Δx,y)+Ti(x,y+Δy)+Ti(x,y-Δy)]/4。
继续参照图2,步骤S30包括子步骤S301、S302:
子步骤S301,基于用户反馈以及非线性拟合的RPCA最优参数估计经验公式,估计出内镜图像应用RPCA时的最优权重参数;具体而言,本发明通过基于用户反馈和非线性拟合的方法获得图像中最大高光连通域面积S对应RPCA最优参数λ之间的关系,得到可用于自动平衡RPCA过程中细节保留和噪声去除效果的λ-S量化关系曲线:
λ=a·log10(b·S)+c
其中,a,b,c均为实数,对于输入的内镜高光图像,在分割出其高光区域后,只需计算其高光部分最大连通区域的面积S,既可以根据以上关系确定RPCA过程的最优权重参数λ。
更为具体地,在一个可能的实例中,子步骤S301执行为:
S3011,人工合成包含不同尺寸高光区域的测试图像,该不同尺寸是指占全图像面积的不同尺寸;
S3012,对RPCA权重参数在一定范围内采样,获得权重参数序列;
S3013,对原始图像和合成图像应用参数序列中的权重参数,分别进行图像的低秩特征分解,得到对应的低秩本征图像;
S3014,计算不同参数下,合成图像低秩成分和原图像本征成分的相似性值;
S3015,根据用户选择和视觉效果,确定不同高光尺寸情况下,得到细节保留和噪声去除效果平衡的权重参数值;
S3016,对最优的权重参数和其对应的高光尺寸进行非线性拟合,以获得内镜图像中的高光区域面积在全图所占比例和RPCA的最优权重参数之间的量化公式;
S3017,对于给定一幅含高光图像,计算其包含最大高光区域连通域占全图面积,带入量化公式,便可以得到内镜图像应用RPCA时的最优权重参数。本发明提出一种自动选取RPCA过程权重参数的方法,可以实现噪声去除效果和图像细节保留之间的平衡。
根据本发明的一个可能的实施例,子步骤S302,应用RPCA理论,建立高光图像中低秩特征成分与高光噪声的能量函数,利用最优化理论迭代求解低秩成分的最优解,以得到细节弱化的无高光图像,用于图像的融合修复。本发明采用融合原图像和无高光细节弱化图像的方法得到最终的高光修复图像。为此,采用RPCA理论,对高光图像进行分解,得到相应的细节弱化的无高光主成分和噪声分量。该过程可通过求解以下最优化问题获得:
其中,||A||*为图像主成分矩阵核范数(矩阵特征值的和),||E||1为噪声矩阵l1范数(矩阵元素绝对值的和),λ是一个正值的权重因子。
根据本发明的方法,步骤S40执行为:
通过势能图理论得到融合修复的权重因子W1以及通过RPCA获得细节弱化的无高光图像Id之后,结合原高光图像Io,便可根据如下融合策略得到高光消除并保留图像主要细节的无高光图像:
Isf=W1Id+W2Io,W2=1-W1,其中W1等于步骤S2044中的T。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种内镜图像的高光区域消除方法,其特征在于,包括如下步骤:
S10,对所述内镜图像进行预处理;
S20,提供图像融合操作所需的最终权重模板;
S30,提供所述内镜图像的细节弱化的无高光图像;
S40,以所述最终权重模板作为融合修复的权重因子,将所述细节弱化的无高光图像和所述内镜图像的原图像进行融合修复,获得高光消除并保留图像主要细节的无高光图像;
其中,所述步骤S20包括如下子步骤:
S201,对所述内镜图像进行全局高光检测,以得到粗分割的高光区域;
S202,对所述内镜图像进行局部高光检测,以得到精细分割的高光区域;
S203,对所述粗分割的高光区域和所述精细分割的高光区域进行融合,得到所述高光区域的二值权重模板;
S204,对所述二值权重模板利用形态学操作和电势场势能图理论,通过迭代求解拉普拉斯方程实现所述二值权重模板边缘的均匀渐变,以获得所述最终权重模板。
2.根据权利要求1所述的内镜图像的高光区域消除方法,其特征在于,所述步骤S10包括如下子步骤:
S101,利用非线性滤波的方法增加图像中高光和正常区域的对比,以获得增强图像;
S102,将所述增强图像进行基于小波分析的降噪算法,滤除所述内镜图像采集及处理过程中的随机噪声,以获得去噪图像;
S103,将所述去噪图像由RGB颜色空间转换到HSV颜色空间。
3.根据权利要求1所述的内镜图像的高光区域消除方法,其特征在于,所述子步骤S201执行为:联合亮度和饱和度空间,利用基于直方图的二值化阈值算法进行全局高光检测。
4.根据权利要求1所述的内镜图像的高光区域消除方法,其特征在于,所述子步骤S202执行为:基于超像素分割的方法,将高光像素粗略聚类到同一超像素内部,结合全局阈值以及OTSU二值化处理自适应阈值的方法,在每一个所述超像素内部进行高光像素的检测和分割,得到所述精细分割的高光区域。
5.根据权利要求1所述的内镜图像的高光区域消除方法,其特征在于,所述二值权重模板为最终的高光区域的二值化图像。
6.根据权利要求1所述的内镜图像的高光区域消除方法,其特征在于,所述步骤S30包括如下子步骤:
S301,基于用户反馈以及非线性拟合获得RPCA最优参数估计经验公式,用于估计所述内镜图像应用RPCA时的最优权重参数;
S302,应用RPCA理论,建立高光图像中低秩特征成分与高光噪声的能量函数,利用最优化理论迭代求解低秩成分的最优解,以得到所述细节弱化的无高光图像。
7.根据权利要求1所述的内镜图像的高光区域消除方法,其特征在于,所述步骤S40执行为:
通过势能图理论得到所述最终权重模板T并作为融合修复的权重因子W1,进而通过RPCA获得细节弱化的无高光图像Id之后,结合原高光图像Io,根据如下融合策略得到所述高光消除并保留图像主要细节的无高光图像:
Isf=W1Id+W2Io,W2=1-W1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610397007.0A CN105957042B (zh) | 2016-06-07 | 2016-06-07 | 内镜图像的高光区域消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610397007.0A CN105957042B (zh) | 2016-06-07 | 2016-06-07 | 内镜图像的高光区域消除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957042A CN105957042A (zh) | 2016-09-21 |
CN105957042B true CN105957042B (zh) | 2019-02-15 |
Family
ID=56908651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610397007.0A Active CN105957042B (zh) | 2016-06-07 | 2016-06-07 | 内镜图像的高光区域消除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957042B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650794B (zh) * | 2016-11-24 | 2019-10-01 | 北京理工大学 | 一种受物体表面高光反射影响的图像高光消除方法及系统 |
CN107256376A (zh) * | 2017-03-22 | 2017-10-17 | 武汉布偶猫科技有限公司 | 一种基于序贯主分量分析的人脸高光区处理方法 |
CN107369145B (zh) * | 2017-06-16 | 2020-07-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置及终端设备 |
CN107392859B (zh) * | 2017-06-16 | 2020-08-04 | Oppo广东移动通信有限公司 | 高光区域的消除方法、装置及终端 |
CN107330866B (zh) * | 2017-06-16 | 2021-03-05 | Oppo广东移动通信有限公司 | 高光区域的消除方法、装置及终端 |
CN107516298B (zh) * | 2017-07-21 | 2020-04-03 | 安徽航天生物科技股份有限公司 | 一种内窥镜影像处理方法 |
CN107845080B (zh) * | 2017-11-24 | 2020-03-20 | 信雅达系统工程股份有限公司 | 卡片图像增强方法 |
CN108109138B (zh) * | 2017-12-15 | 2021-08-06 | 华南理工大学 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
CN107945140A (zh) * | 2017-12-20 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种图像修复方法、装置及设备 |
WO2019205008A1 (en) * | 2018-04-25 | 2019-10-31 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining a reflective area in an image |
CN109194873B (zh) * | 2018-10-29 | 2021-02-02 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
CN109801239B (zh) * | 2019-01-14 | 2022-06-17 | 浙江未来技术研究院(嘉兴) | 一种显微手术影像的高光区域消除方法及装置 |
CN109859125B (zh) * | 2019-01-14 | 2022-10-21 | 广东工业大学 | 基于形态学检测与小波变换的图像高光修复方法 |
CN110346116B (zh) * | 2019-06-14 | 2021-06-15 | 东南大学 | 一种基于图像采集的场景照度计算方法 |
CN110866873A (zh) * | 2019-10-18 | 2020-03-06 | 北京航空航天大学 | 内腔镜图像的高光消除方法及装置 |
CN110827311B (zh) * | 2019-11-05 | 2023-07-21 | 中铁十一局集团电务工程有限公司 | 一种基于成像法的电缆导体截面积测量方法及系统 |
CN110855889B (zh) * | 2019-11-21 | 2021-04-13 | 重庆金山医疗技术研究院有限公司 | 图像处理方法、装置、图像处理设备及存储介质 |
CN112508806B (zh) * | 2020-11-24 | 2022-06-07 | 北京航空航天大学 | 一种基于非凸低秩矩阵分解的内镜图像高光去除方法 |
CN112561830B (zh) * | 2020-12-23 | 2022-11-18 | 安徽大学 | 一种内窥镜图像高亮点修复方法及装置 |
CN113469996B (zh) * | 2021-07-16 | 2023-06-20 | 四川大学华西医院 | 一种内窥镜黏膜图像反光区域检测与修复系统 |
CN114067122B (zh) * | 2022-01-18 | 2022-04-08 | 深圳市绿洲光生物技术有限公司 | 一种两级式二值化图像处理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100535943C (zh) * | 2007-06-29 | 2009-09-02 | 北京大学 | 一种用于视觉凸壳绘制的高光亮斑消除方法及其装置 |
US8457389B2 (en) * | 2008-09-03 | 2013-06-04 | Nec Corporation | Image processing device, image processing method and image processing program |
CN103530848A (zh) * | 2013-09-27 | 2014-01-22 | 中国人民解放军空军工程大学 | 一种非均匀光照图像二次曝光的实现方法 |
CN105389781A (zh) * | 2015-10-30 | 2016-03-09 | 哈尔滨工程大学 | 一种基于显著性检测和Criminisi算法的车辆光照修复方法 |
-
2016
- 2016-06-07 CN CN201610397007.0A patent/CN105957042B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105957042A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105957042B (zh) | 内镜图像的高光区域消除方法 | |
Pnevmatikakis et al. | Simultaneous denoising, deconvolution, and demixing of calcium imaging data | |
CN110033456B (zh) | 一种医疗影像的处理方法、装置、设备和系统 | |
JP4986250B2 (ja) | ノイズ除去機能付きのデジタル画像処理増強システム及び方法 | |
Krawczyk et al. | Lightness perception in tone reproduction for high dynamic range images | |
Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
CN106683080B (zh) | 一种视网膜眼底图像预处理方法 | |
Mandal et al. | Segmentation of blood smear images using normalized cuts for detection of malarial parasites | |
CN108710910A (zh) | 一种基于卷积神经网络的目标识别方法及系统 | |
WO2015156378A1 (en) | Image processing apparatus, image processing method, and image processing system | |
CN106650794A (zh) | 一种受物体表面高光反射影响的图像高光消除方法及系统 | |
Zhang et al. | Colorful image enhancement algorithm based on guided filter and Retinex | |
Das et al. | A comparative study of single image fog removal methods | |
Claveau et al. | Structure-dependent amplification for denoising and background correction in Fourier ptychographic microscopy | |
Trongtirakul et al. | Non-linear contrast stretching with optimizations | |
CN116883303A (zh) | 基于特征差分补偿与融合的红外与可见光图像融合方法 | |
WO2019181072A1 (ja) | 画像処理方法、コンピュータプログラムおよび記録媒体 | |
Liao et al. | Low illumination color image enhancement based on improved Retinex | |
Hu et al. | A low-illumination image enhancement algorithm based on morphological-Retinex (MR) operator | |
Poostchi et al. | Diabetic retinopathy dark lesion detection: preprocessing phase | |
Piórkowski | Best-fit segmentation created using flood-based iterative thinning | |
Muneera et al. | Edge Preserving Filter Selection for Noise Removal and Histogram Equalization | |
Ma et al. | Solid waste surface feature enhancement method based on gamma correction and wavelet transform | |
Ismail et al. | A simple approach to determine the best threshold value for automatic image thresholding | |
CN109214363A (zh) | 一种基于YCbCr与连通区域分析的变电站工人人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |