CN105976342A - 一种自适应的灰度图像伪彩色处理方法 - Google Patents

Abstract

本发明公开了一种自适应的灰度图像伪彩色处理方法，首先对灰度图像的灰度值进行统计，得到图像中每个灰度值出现的概率分布，然后对图像在灰度值[0,255]的动态范围内进行扩展，得到图像的灰度均衡直方图，选取该均衡直方图中特征最为明显的三个峰值，分别作为红、绿、蓝三色高斯通道的均值，并根据此三个峰的分布判断高斯通道的方差，以及根据三个峰的概率的不同为高斯通道分配权值，从而得到红、绿、蓝三色高斯通道的函数表达式；最后将灰度图像通过红、绿、蓝三通道，对输出的图像进行合并，得到处理后的伪彩色图像。本发明利用图像灰度有近似高斯分布或多个高斯分布叠加的特点，解决了现有伪彩色处理技术视觉效果不连续的问题。

Description

一种自适应的灰度图像伪彩色处理方法

技术领域

本发明属于图像处理技术领域，特别是一种自适应的灰度图像伪彩色处理方法。

背景技术

在医学成像应用领域，大多数图像是灰度图像，如X线、CT、MRI、B超图像等，而人眼分辨灰度级能力较差，对一些灰度级相差不大，但包含重要细节信息的灰度图像，人眼往往无法准确提取这些信息。但是人眼对色彩的分辨率较高，通过将图像中的不同灰度级变换成不同的色彩，人眼将提取到更多的信息，从而达到图像增强的效果。为了利用人眼对色彩的分辨能力，诞生了图像的伪彩色处理技术，即把灰度图像变成彩色图像的技术。伪彩色处理技术在实际生产中有重要的应用，例如通过将医学灰度图像变成更利于人眼分辨的彩色图像，伪彩色图像处理技术为医护人员准确地诊断疾病提供了重要的技术支持。在遥感图像、卫星图像显示等领域，伪彩色处理技术也有重要的应用。

同时，图像的伪彩色处理技术作为一种重要的图像处理技术，也得到了广泛、深入的研究。其中，Campbell和Robson最先提出了人类视觉具有多通道和多分辨率的特征，因此近年来基于多通道、多分辨率的算法得到广泛的研究，并取得了一些成果，如Gabor滤波器、Wigner分布等(文献[1]：宁春玉的《基于目标增强的医学图像伪彩色处理算法》；文献[2]：蓝春生的《医学图像的伪彩色处理》；文献[3]：马桂珍的《伪彩色技术在核医学图像处理中的应用》等)。然而，现有图像伪彩色处理技术中依然存在以下几方面技术难题需要解决：(1)大多数伪彩色处理技术的灰度-彩色映射传递函数是非光滑的，虽然提高了图像的分辨率，却可能导致图像的细节信息缺失，同时使得处理后的图像色彩变化不连续，不符合人眼观察的习惯。(2)很多伪彩色处理技术不是自适应的，需要手动调节相关参数，不利于实际应用。

发明内容

本发明的目的在于提供一种自适应的灰度图像伪彩色处理方法，基于灰度图像的灰度概率分布，能够自适应地解析出红、绿、蓝三色的高斯颜色通道，得到灰度-彩色映射传递函数，明显提高了灰度图像的分辨率和对比度，从而得到适合人眼观测的伪彩色图像。

实现本发明目的的技术解决方案为：一种自适应的灰度图像伪彩色处理方法，首先对灰度图像的灰度值进行统计，得到图像中每个灰度值出现的概率分布，然后对图像在灰度值[0,255]的动态范围内进行扩展，得到图像的灰度均衡直方图，选取该均衡直方图中特征最为明显的三个峰值，分别作为红、绿、蓝三色高斯通道的均值，并根据此三个峰的分布判断高斯通道的方差，以及根据三个峰的概率的不同为高斯通道分配权值，从而得到红、绿、蓝三色高斯通道的函数表达式；最后将灰度图像通过红、绿、蓝三通道，对输出的图像进行合并，得到处理后的伪彩色图像。

本发明与现有技术相比，其显著优点：(1)基于灰度图像的灰度概率分布，利用图像灰度有近似高斯分布或多个高斯分布叠加的特点，采用具有高斯分布特征的灰度-彩色映射传递函数，解决了现有伪彩色处理技术视觉效果不连续的问题。(2)通过提取图像灰度分布曲线的相关特征参数，自适应解析出红、绿、蓝三色通道，解决了现有技术不能自适应调节的缺陷。(3)能够有效对灰度图像进行伪彩色处理，满足人眼对图像的观察习惯，显著提高图像的分辨率，明显增强了图像的对比度和图像细节信息。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明自适应灰度图像伪彩色处理的流程图。

图2a为人体脑部CT图像的灰度直方图，图2b为人体脑部CT图像经过均衡化处理后的对应直方图。

图3为利用人体脑部CT图像均衡直方图求取红、蓝、绿三色高斯通道函数的示意图。

图4为红、蓝、绿三色高斯通道(横坐标为灰度值，纵坐标为对应的红、蓝、绿三色的像素值)。

图5a为人体脑部的CT灰度图像，图5c为人体骨骼CT灰度图像，图5b、5d为本发明方法处理后的伪彩色图像。

具体实施方式

结合图1，本发明自适应的灰度图像伪彩色处理方法，首先对灰度图像的灰度值进行统计，得到图像中每个灰度值出现的概率分布，然后对图像在灰度值[0,255]的动态范围内进行扩展，得到图像的灰度均衡直方图，选取该均衡直方图中特征最为明显的三个峰值，分别作为红、绿、蓝三色高斯通道的均值，并根据此三个峰的分布判断高斯通道的方差，以及根据三个峰的概率的不同为高斯通道分配权值，从而得到红、绿、蓝三色高斯通道的函数表达式；最后将灰度图像通过红、绿、蓝三通道，对输出的图像进行合并，得到处理后的伪彩色图像。

其中，计算均衡后的灰度图像中出现概率最大的三个灰度值，作为红、绿、蓝三色高斯通道的均值μ_R、μ_G、μ_B，即

$({\mathrm{\μ}}_R,{\mathrm{\μ}}_g,{\mathrm{\μ}}_B)=P_w^{-1}\left\{max\right(P_w\left(n\right){|}_{\frac{{\mathrm{\ΔP}}_w\left(n\right)}{\mathrm{\Δ}n}=0},3\left)\right\}$

其中，P_w表示均衡直方图中灰度值为n的像素的概率分布函数，是其反函数，Δ是差分符号，表示求取满足的最大的3个P_w值。

根据均衡图像的直方图中最明显的三个峰，计算三个峰分别降为峰值时的分布范围，将此分布范围作为高斯通道的方差，记为具体如下：

${\mathrm{\σ}}_R^2=\left|\right|P_w^{-1}\[\frac{1}{\sqrt{2}}{P}_w\left({\mathrm{\μ}}_R\right)\]|{|}_{{\mathrm{\μ}}_R}$

${\mathrm{\σ}}_G^2=\left|\right|P_w^{-1}\[\frac{1}{\sqrt{2}}{P}_w\left({\mathrm{\μ}}_G\right)\]|{|}_{{\mathrm{\μ}}_G}$

${\mathrm{\σ}}_B^2=\left|\right|P_w^{-1}\[\frac{1}{\sqrt{2}}{P}_w\left({\mathrm{\μ}}_B\right)\]|{|}_{{\mathrm{\μ}}_B}$

其中||·||_μ表示求取以某个数μ为中心的左右两个值之差的绝对值。

为红、绿、蓝三色高斯通道分配不同的权值时，将直方图三个峰值对应的概率分别记为p_R、p_G、p_B，

即： $(p_R,p_G,p_B)=\max \left(P_w\right(n){|}_{\frac{{\mathrm{\ΔP}}_w\left(n\right)}{\mathrm{\Δ}n}=0},3).$

令红、绿、蓝三色高斯通道分配权值比例为p_R：p_G：p_B，则得到红、绿、蓝三色高斯通道函数如下，

$R\left(i,j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_R}{e}^{-\frac{{\left(I\left(i,j\right)-{\mathrm{\μ}}_R\right)}^2}{2{\mathrm{\σ}}_R^2}}\×\frac{p_R}{\max \left(p_R,p_G,p_B\right)}$

$G\left(i,j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_G}{e}^{-\frac{{\left(I\left(i,j\right)-{\mathrm{\μ}}_G\right)}^2}{2{\mathrm{\σ}}_G^2}}\×\frac{p_G}{\max \left(p_R,p_G,p_B\right)}$

$B\left(i,j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_B}{e}^{-\frac{{\left(I\left(i,j\right)-{\mathrm{\μ}}_B\right)}^2}{2{\mathrm{\σ}}_B^2}}\×\frac{p_G}{\max \left(p_R,p_G,p_B\right)}$

其中，I(i，j)为均衡后灰度图像上坐标为(i，j)的像素的灰度值，R(i，j)、G(i，j)、B(i，j)分别为坐标为(i，j)的红色、绿色和蓝色分量的像素值。

实施例

本发明自适应的灰度图像伪彩色处理方法，具体步骤实施如下：

步骤一：输入一幅待处理的人体脑部CT灰度图像；

步骤二：统计图像中每个灰度出现的概率，得到灰度图像的灰度直方图，如图2a所示；对图像进行均衡化处理，使图像的灰度分布均匀的扩展到[0,255]的范围内。图像均衡化的映射函数选用图像灰度值的累积分布函数，公式如下：

$\begin{array}{cc}S\left(k\right)=\underset{j=0}{\overset{k}{\Σ}}\frac{n_j}{N}& k=0,1,...,L\end{array}$

其中，N是图像中像素的总和，n_j是灰度值为j的像素个数，k，j表示灰度级数，L是图像中可能的灰度级总数。均衡后图像的直方图如图2b所示。

步骤三：在图2b中计算均衡后的图像中出现概率最大的三个灰度值，作为红、绿、蓝三色高斯通道的均值μ_R、μ_G、μ_B，即

$({\mathrm{\μ}}_R,{\mathrm{\μ}}_g,{\mathrm{\μ}}_B)=P_w^{-1}\left\{max\right(P_w\left(n\right){|}_{\frac{{\mathrm{\ΔP}}_w\left(n\right)}{\mathrm{\Δ}n}=0},3\left)\right\}$

标记如图3所示，三个值分别为13、50、200。其中，P_w表示均衡直方图中灰度值为n的像素的概率分布函数，是其反函数，Δ是差分符号，表示求取满足的最大的3个P_w值。这三个灰度值出现的概率分别记为p_R、p_G、p_B，则有在图3中的值为0.06、0.04、0.05。

步骤四：根据均衡图像的直方图中三个特征峰，在图3中计算三个峰分别降为峰值时的分布范围，将此分布范围作为高斯通道的方差计算如下：

${\mathrm{\σ}}_R^2=\left|\right|P_w^{-1}\[\frac{1}{\sqrt{2}}{P}_w\left({\mathrm{\μ}}_R\right)\]|{|}_{{\mathrm{\μ}}_R}$

${\mathrm{\σ}}_G^2=\left|\right|P_w^{-1}\[\frac{1}{\sqrt{2}}{P}_w\left({\mathrm{\μ}}_G\right)\]|{|}_{{\mathrm{\μ}}_G}$

${\mathrm{\σ}}_B^2=\left|\right|P_w^{-1}\[\frac{1}{\sqrt{2}}{P}_w\left({\mathrm{\μ}}_B\right)\]|{|}_{{\mathrm{\μ}}_B}$

其中，||·||_μ表示求取以某个数μ为中心的左右两个值之差的绝对值。则得到红、绿、蓝三色高斯通道函数如下式，

$R\left(i,j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_R}{e}^{-\frac{{\left(I\left(i,j\right)-{\mathrm{\μ}}_R\right)}^2}{2{\mathrm{\σ}}_R^2}}\×\frac{p_R}{\max \left(p_R,p_G,p_B\right)}$

$G\left(i,j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_G}{e}^{-\frac{{\left(I\left(i,j\right)-{\mathrm{\μ}}_G\right)}^2}{2{\mathrm{\σ}}_G^2}}\×\frac{p_G}{\max \left(p_R,p_G,p_B\right)}$

$B\left(i,j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_B}{e}^{-\frac{{\left(I\left(i,j\right)-{\mathrm{\μ}}_B\right)}^2}{2{\mathrm{\σ}}_B^2}}\×\frac{p_G}{\max \left(p_R,p_G,p_B\right)}$

其中，I(i，j)为均衡后灰度图像上坐标为(i，j)的像素的灰度值，R(i，j)、G(i，j)、B(i，j)分别为坐标为(i，j)的红色、绿色和蓝色分量的像素值。红、绿、蓝三色通道的灰度映射曲线如图4所示。

步骤五：将均衡后的灰度图像通过三色高斯通道后进行合并，得到处理后的伪彩色图像，处理效果如图5b所示。可见，处理后的伪彩色图像对比度和分辨率都比原图像大大提高。

根据以上步骤处理图5c人体骨骼CT灰度图像，处理效果如图5d所示，处理效果同样显著，图像细节得到明显增强。因此本发明方法不只是对一种图像有效，而是能够广泛应用的伪彩色处理方法。

本发明方法将灰度图像中的每个灰度值连续地映射到彩色空间，通过直方图均衡，将色彩扩展到[0，255]的动态范围，明显提高了颜色的层次感和对比度；对不同的图像能够自适应的生成不同的颜色通道，通过曲线拟合，最大限度地适应人眼对彩色图像是识别习惯，提高图像的彩色分辨率。本发明方法对灰度分布较符合高斯分布或多个高斯分布叠加的灰度图像，处理效果显著，能够极大提高相关人员对图像的识别准确度，提高工作效率。

Claims (4)

1.一种自适应的灰度图像伪彩色处理方法，其特征在于：首先对灰度图像的灰度值进行统计，得到图像中每个灰度值出现的概率分布，然后对图像在灰度值[0,255]的动态范围内进行扩展，得到图像的灰度均衡直方图，选取该均衡直方图中特征最为明显的三个峰值，分别作为红、绿、蓝三色高斯通道的均值，并根据此三个峰的分布判断高斯通道的方差，以及根据三个峰的概率的不同为高斯通道分配权值，从而得到红、绿、蓝三色高斯通道的函数表达式；最后将灰度图像通过红、绿、蓝三通道，对输出的图像进行合并，得到处理后的伪彩色图像。

2.根据权利要求1所述的自适应的灰度图像伪彩色处理方法，其特征在于：计算均衡后的灰度图像中出现概率最大的三个灰度值，作为红、绿、蓝三色高斯通道的均值μ_R、μ_G、μ_B，即

$({\mathrm{\μ}}_R,{\mathrm{\μ}}_g,{\mathrm{\μ}}_B)=P_w^{-1}\left\{max\right(P_w\left(n\right){|}_{\frac{{\mathrm{\ΔP}}_w\left(n\right)}{\mathrm{\Δ}n}=0},3\left)\right\}$

其中，P_w表示均衡直方图中灰度值为n的像素的概率分布函数，是其反函数，Δ是差分符号，表示求取满足的最大的3个P_w值。

3.根据权利要求1所述的自适应的灰度图像伪彩色处理方法，其特征在于：根据均衡图像的直方图中最明显的三个峰，计算三个峰分别降为峰值时的分布范围，将此分布范围作为高斯通道的方差，记为具体如下：

${\mathrm{\σ}}_R^2=\left|\right|P_w^{-1}\[\frac{1}{\sqrt{2}}{P}_w\left({\mathrm{\μ}}_R\right)\]|{|}_{{\mathrm{\μ}}_R}$

${\mathrm{\σ}}_G^2=\left|\right|P_w^{-1}\[\frac{1}{\sqrt{2}}{P}_w\left({\mathrm{\μ}}_G\right)\]|{|}_{{\mathrm{\μ}}_G}$

${\mathrm{\σ}}_B^2=\left|\right|P_w^{-1}\[\frac{1}{\sqrt{2}}{P}_w\left({\mathrm{\μ}}_B\right)\]|{|}_{{\mathrm{\μ}}_B}$

其中||·||_μ表示求取以某个数μ为中心的左右两个值之差的绝对值。

4.根据权利要求1所述的自适应的灰度图像伪彩色处理方法，其特征在于：为红、绿、蓝三色高斯通道分配不同的权值时，将直方图三个峰值对应的概率分别记为p_R、p_G、p_B，

即： $(p_R,p_G,p_B)=\max \left(P_w\right(n){|}_{\frac{{\mathrm{\ΔP}}_w\left(n\right)}{\mathrm{\Δ}n}=0},3).$

令红、绿、蓝三色高斯通道分配权值比例为p_R：p_G：p_B，则得到红、绿、蓝三色高斯通道函数如下，

$R\left(i,j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_R}{e}^{-\frac{{\left(I\left(i,j\right)-{\mathrm{\μ}}_R\right)}^2}{2{\mathrm{\σ}}_R^2}}\×\frac{p_R}{\max \left(p_R,p_G,p_B\right)}$

$G\left(i,j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_G}{e}^{-\frac{{\left(I\left(i,j\right)-{\mathrm{\μ}}_G\right)}^2}{2{\mathrm{\σ}}_G^2}}\×\frac{p_G}{\max \left(p_R,p_G,p_B\right)}$

$B\left(i,j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_B}{e}^{-\frac{{\left(I\left(i,j\right)-{\mathrm{\μ}}_B\right)}^2}{2{\mathrm{\σ}}_B^2}}\×\frac{p_G}{\max \left(p_R,p_G,p_B\right)}$

其中，I(i，j)为均衡后灰度图像上坐标为(i，j)的像素的灰度值，R(i，j)、G(i，j)、B(i，j)分别为坐标为(i，j)的红色、绿色和蓝色分量的像素值。