CN106780404B - 图像增强方法、装置及血管显像设备 - Google Patents
图像增强方法、装置及血管显像设备 Download PDFInfo
- Publication number
- CN106780404B CN106780404B CN201710079330.8A CN201710079330A CN106780404B CN 106780404 B CN106780404 B CN 106780404B CN 201710079330 A CN201710079330 A CN 201710079330A CN 106780404 B CN106780404 B CN 106780404B
- Authority
- CN
- China
- Prior art keywords
- image
- patterned feature
- enhancing
- module
- vessel
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000002583 angiography Methods 0.000 title claims abstract description 18
- 230000002708 enhancing effect Effects 0.000 claims abstract description 123
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 72
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 239000000284 extract Substances 0.000 abstract description 4
- 238000004904 shortening Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 230000002093 peripheral effect Effects 0.000 description 5
- 210000003462 vein Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012800 visualization 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医疗器械及图像处理增强技术领域,提供一种图像增强方法、装置及血管显像设备,将待增强区域分割为纹路特征图像和非纹路特征图像;其次对纹路特征图像和非纹路特征图像分别进行增强,得到两种增强结果图像;最后,将两种增强结果图像进行融合,得到待增强区域的增强结果图像,再将其与血管图像的其他区域的图像进行结合,得到结果血管图像。本发明提供的图像增强算法,在增加背景图像对比度的同时,提取出血管纹路信息,使得血管区域相比于周围皮肤组织区域更为清晰,便于识别辨认,同时缩短了算法运行的时间。
Description
技术领域
本发明涉及医疗器械及图像处理增强技术领域,具体而言,涉及一种图像增强方法、装置及血管显像设备。
背景技术
血管图像增强处理的目的在于对图像不清晰、图像分辨率较低或对比度较小的血管进行准确且快速地提取,使血管图像观察者能够从低质量原始图像中实时获得血管的相关信息,包括血管的准确位置及其走向和形状等。目前血管图像增强处理的方法主要是应用于辅助医疗诊断,诸如在静脉穿刺活动中,当适用人群是儿童、妇女、肥胖人群或皮肤较深的人,由于其血管较细或者血管较深,导致其血管不易看清,血管增强算法可以迅速获取相应的静脉血管图像,使之清晰化,使得医护人员能够快速准确地在其身上找到待静脉穿刺的血管位置。
目前的血管图像增强处理主要是针对图像对比度提升的增强算法,其主要针对的是本身图像已较为清晰的静脉血管,对于微弱纹路血管的识别显像能力较弱,无法得到理想的血管增强图像。
发明内容
本发明的目的在于提供一种图像增强方法,用以改善上述问题。
本发明的目的在于提供一种图像增强装置,用以改善上述问题。
本发明的目的在于提供一种血管显像设备,用以改善上述问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
本发明实施例提供了一种图像增强方法,用于对血管图像进行增强,所述方法包括:获取血管图像的待增强区域;将待增强区域分割为纹路特征图像和非纹路特征图像;对纹路特征图像进行纹路特征增强,得到第一增强结果图像,对非纹路特征图像进行对比度增强,得到第二增强结果图像;将第一增强结果图像和第二增强结果图像进行融合,得到待增强区域的增强结果图像;将待增强区域的增强结果图像和血管图像的其他区域的图像进行结合,得到结果血管图像。
本发明实施例还提供了一种图像增强装置,用于对血管图像进行增强,所述装置包括:图像获取模块,用于获取血管图像的待增强区域;图像分割模块,用于将待增强区域分割为纹路特征图像和非纹路特征图像;图像增强模块,用于对纹路特征图像进行纹路特征增强,得到第一增强结果图像,对非纹路特征图像进行对比度增强,得到第二增强结果图像;图像融合模块,用于将第一增强结果图像和第二增强结果图像进行融合,得到待增强区域的增强结果图像;图像输出模块,用于将待增强区域的增强结果图像和血管图像的其他区域的图像进行结合,得到结果血管图像。
本发明实施例还提供一种血管显像设备,所述血管显像设备包括:存储器;处理器;红外光源发生器;以及图像增强装置,用于对血管图像进行增强,所述图像增强装置存储于存储器中并包括一个或多个由处理器执行的软件功能模组,所述图像增强装置包括:图像获取模块,用于获取血管图像的待增强区域;图像分割模块,用于将待增强区域分割为纹路特征图像和非纹路特征图像;图像增强模块,用于对纹路特征图像进行纹路特征增强,得到第一增强结果图像,对非纹路特征图像进行对比度增强,得到第二增强结果图像;图像融合模块,用于将第一增强结果图像和第二增强结果图像进行融合,得到待增强区域的增强结果图像;图像输出模块,用于将待增强区域的增强结果图像和血管图像的其他区域的图像进行结合,得到结果血管图像。
相对现有技术,本发明具有以下有益效果:本发明提供的一种图像增强方法、装置及血管显像设备,首先,通过获取血管图像的待增强区域,并将待增强区域分割为纹路特征图像和非纹路特征图像;然后,对纹路特征图像进行纹路特征增强,得到第一增强结果图像,对非纹路特征图像进行对比度增强,得到第二增强结果图像,这样便将针对图像对比度提升的增强算法和针对图像纹路特征的增强算法结合起来,在增加背景图像对比度的同时,提取出血管纹路信息;最后,将第一增强结果图像和第二增强结果图像进行融合,得到待增强区域的增强结果图像,再将待增强区域的增强结果图像和血管图像的其他区域的图像进行结合,得到结果血管图像,与现有技术中针对图像对比度提升的增强算法相比,本发明提供的图像增强算法,可以实现在很短的时间内将较细或较深的血管进行增强处理,使得血管区域相比于周围皮肤组织区域更为清晰,便于识别辨认,同时缩短了算法运行的时间。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明较佳实施例提供的血管显像设备的方框示意图。
图2示出了本发明较佳实施例提供的图像增强方法流程图。
图3为图2示出的步骤S101的子步骤流程图。
图4为图2示出的步骤S102的子步骤流程图。
图5为图2示出的步骤S103的子步骤流程图。
图6为图5示出的子步骤S1033的子步骤流程图。
图7示出了本发明较佳实施例提供的图像增强装置的方框示意图。
图8为图7示出的图像增强装置中图像获取模块的方框示意图。
图9为图7示出的图像增强装置中图像分割模块的方框示意图。
图10为图7示出的图像增强装置中图像融合模块的方框示意图。
图11为图10示出的图像融合模块中第一图像增强模块的方框示意图。
图标:100-血管显像设备;101-存储器;102-存储控制器;103-处理器;104-外设接口;105-红外光源发生器;106-显示屏;200-图像增强装置;201-图像获取模块;202-图像分割模块;203-图像增强模块;204-图像融合模块;205-图像输出模块;2011-第一获取模块;2012-第二获取模块;2021-Frangi滤波模块;2022-提取模块;2023-设置模块;2024-分割模块;2031-模板指定模块;2032-滤波模块;2033-第一图像增强模块;2034-第二图像增强模块;20331-卷积获取模块;20332-特征获取模块;20333-确定模块;20334-第一图像输出模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1示出本发明较佳实施例提供的血管显像设备100的方框示意图。血管显像设备100优选为血管显像仪,所述血管显像设备100包括图像增强装置200、存储器101、存储控制器102、处理器103、外设接口104、红外光源发生器105及显示屏106。
所述存储器101、存储控制器102、处理器103、外设接口104、红外光源发生器105、显示屏106各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条信号线实现电性连接。所述图像增强装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述血管显像设备100的操作系统(operating system,OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块,例如所述图像增强装置200包括的软件功能模块或计算机程序。
其中,存储器101可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器101用于存储程序,所述处理器103在接收到执行指令后,执行所述程序,本发明任一实施例揭示的流程定义的服务器所执行的方法可以应用于处理器103中,或者由处理器103实现。
处理器103可以是一种集成电路芯片,具有信号处理能力。上述的处理器103可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)、语音处理器以及视频处理器等;还可以是数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
所述外设接口104用于将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中,外设接口104、处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
红外光源发生器105用于产生红外线。在本实施例中,所述红外光源发生器105可以包括红外线发生器、激光器等。
显示屏106用于显示经过增强的血管图像。
第一实施例
请参考图2,图2示出了本发明较佳实施例提供的图像增强方法流程图。图像增强方法包括以下步骤:
步骤S101,获取血管图像的待增强区域。
在本发明实施例中,待增强区域也就是使用图像增强方法进行增强处理的图像区域,待增强区域的大小可以调节,也就是说,可以设置为只有图像中的某一部分区域经过图像增强方法进行增强,待增强区域以外的图像仍然以原始图像的方式进行显示。
步骤S102,将待增强区域分割为纹路特征图像和非纹路特征图像。
在本发明实施例中,非纹路特征图像指的是包含有主要血管的图像,纹路特征图像指的是不包含或者包含有少量非主要血管的背景图像。
步骤S103,对纹路特征图像进行纹路特征增强,得到第一增强结果图像,对非纹路特征图像进行对比度增强,得到第二增强结果图像。
在本发明实施例中,第一增强结果是通过提取出纹路特征图像中的血管纹路信息进行增强处理,第二增强结果是通过对非纹路特征图像的对比度进行再提升,使得待增强区域与血管图像的其他区域区分开。
步骤S104,将第一增强结果图像和第二增强结果图像进行融合,得到待增强区域的增强结果图像。
步骤S105,将待增强区域的增强结果图像和血管图像的其他区域的图像进行结合,得到结果血管图像。
在本实施例中,血管图像的其他区域指的是血管区域周围的皮肤组织区域。
请参考图3,步骤S101还包括以下子步骤:
步骤S1011,获取图像尺寸信息。
步骤S1012,获得与图像尺寸信息对应尺寸的血管图像的待增强区域。
请参考图4,步骤S102还包括以下子步骤:
步骤S1021,利用Frangi滤波器对待增强区域进行滤波,获得结果值。
在本发明实施例中,Frangi滤波器是基于Hessian矩阵的一种滤波器,它主要被用来提取线性结构的对象,主要通过Hessian矩阵的各个特征值之间及其对应的线性目标的关系来完成相似性函数的构造,进而提取线性结构。
步骤S1022,根据结果值提取所述待增强区域中的线性结构。
步骤S1023,设置线性结构为纹路特征图像,线性结构以外的为非纹路特征图像。
步骤S1024,利用自适应阈值,对纹路特征图像与非纹路特征图像进行分割。
在本发明实施例中,自适应阈值,是一种改进了的阈值技术,其中阈值本身是一个变量,自适应阈值T(x,y)的每个像素点都不同,通过计算像素点周围的b*b区域的加权平均,然后减去一个常数来得到自适应阈值。
请参考图5,步骤S103还包括以下子步骤:
步骤S1031,根据sigma指定高斯模板。
在本发明实施例中,sigma是高斯分布的均方差。
步骤S1032,用高斯模板扫描纹路特征图像中的每一个像素点,用高斯模板确定的邻域内像素点的加权平均灰度值替代高斯模板中心像素点的值。
步骤S1033,通过Hessian矩阵对纹路特征图像进行增强,得到第一增强结果图像。
在本发明实施例中,Hessian矩阵的特征值和特征向量隐含了图像中相关纹路方向的一些信息,其中幅值最大的特征值对应的特征向量代表三位曲面曲率最大的方向,幅值最小的特征值对应的特征向量代表曲率最小的方向,特征值的值为对应的血管图像强度。对于二维图像,其Hessian矩阵为2×2的实对称矩阵,因而具有2个实数特征值,进而根据Hessian矩阵来确定静脉原始图像中静脉纹路的发现方向,然后通过求解法线方向上的极值点得到血管中心线的位置。
步骤S1034,对非纹路特征图像的灰度区域进行放大,使得非纹路特征图像的对比度得到增强,得到第二增强结果图像。
请参考图6,步骤S1033还包括以下子步骤:
步骤S10331,获取纹路特征图像中每一个像素点与高斯函数二阶微分的卷积。
步骤S10332,生成Hessian矩阵,并获取Hessian矩阵的特征值和特征向量。
步骤S10333,根据特征值确定纹路特征图像中的血管图像强度,并根据特征向量确定纹路特征图像中的血管方向。
步骤S10334,根据血管图像强度和血管方向,输出当前像素点的增强结果,依次遍历所述纹路特征图像中的每一个像素点,输出第一增强结果图像。
第二实施例
请参考图7,图7示出了本发明较佳实施例提供的图像增强装置200的方框示意图。图像增强装置200应用于血管显像设备100,其包括图像获取模块201、图像分割模块202、图像增强模块203、图像融合模块204及图像输出模块205。
图像获取模块201,用于获取血管图像的待增强区域。
在本发明实施例中,图像获取模块201可以用于执行步骤S101。
图像分割模块202,用于将待增强区域分割为纹路特征图像和非纹路特征图像。
在本发明实施例中,图像分割模块202可以用于执行步骤S102。
图像增强模块203,用于对纹路特征图像进行纹路特征增强,得到第一增强结果图像,对非纹路特征图像进行对比度增强,得到第二增强结果图像。
在本发明实施例中,图像增强模块203可以用于执行步骤S103。
图像融合模块204,用于将第一增强结果图像和第二增强结果图像进行融合,得到待增强区域的增强结果图像。
在本发明实施例中,图像融合模块204可以用于执行步骤S104。
图像输出模块205,用于将待增强区域的增强结果图像和血管图像的其他区域的图像进行结合,得到结果血管图像。
在本发明实施例中,图像输出模块205可以用于执行步骤S105。
请参考图8,图像获取模块201包括第一获取模块2011和第二获取模块2012。
第一获取模块2011,用于获取图像尺寸信息。
在本发明实施例中,第一获取模块2011可以用于执行步骤S1011。
第二获取模块2012,用于获得与图像尺寸信息对应尺寸的血管图像的待增强区域。
在本发明实施例中,第二获取模块2012可以用于执行步骤S1012。
请参考图9,图像分割模块202包括Frangi滤波模块2021、提取模块2022、设置模块2023及分割模块2024。
Frangi滤波模块2021,用于利用Frangi滤波器对待增强区域进行滤波,获得结果值。
在本发明实施例中,Frangi滤波模块2021可以用于执行步骤S1021。
提取模块2022,用于根据结果值提取所述待增强区域中的线性结构。
在本发明实施例中,提取模块2022可以用于执行步骤S1022。
设置模块2023,用于设置线性结构为纹路特征图像,线性结构以外的为非纹路特征图像。
在本发明实施例中,设置模块2023可以用于执行步骤S1023。
分割模块2024,用于利用自适应阈值,对纹路特征图像与非纹路特征图像进行分割。
在本发明实施例中,分割模块2024可以用于执行步骤S1024。
请参考图10,图像增强模块203包括模板指定模块2031、滤波模块2032、第一图像增强模块2033及第二图像增强模块2034。
模板指定模块2031,用于根据sigma指定高斯模板。
在本发明实施例中,模板指定模块2031可以用于执行步骤S1031。
滤波模块2032,用于用高斯模板扫描纹路特征图像中的每一个像素点,用高斯模板确定的邻域内像素点的加权平均灰度值替代高斯模板中心像素点的值。
在本发明实施例中,滤波模块2032可以用于执行步骤S1032。
第一图像增强模块2033,用于通过Hessian矩阵对纹路特征图像进行增强,得到第一增强结果图像。
在本发明实施例中,第一图像增强模块2033可以用于执行步骤S1033。
第二图像增强模块2034,用于对非纹路特征图像的灰度区域进行放大,使得非纹路特征图像的对比度得到增强,得到第二增强结果图像。
在本发明实施例中,第二图像增强模块2034可以用于执行步骤S1034。
请参考图11,第一图像增强模块2033包括卷积获取模块20331、特征获取模块20332、确定模块20333及第一图像输出模块20334。
卷积获取模块20331,用于获取纹路特征图像中每一个像素点与高斯函数二阶微分的卷积。
在本发明实施例中,卷积获取模块20331可以用于执行步骤S10331。
特征获取模块20332,用于生成Hessian矩阵,并获取Hessian矩阵的特征值和特征向量。
在本发明实施例中,特征获取模块20332可以用于执行步骤S10332。
确定模块20333,用于根据特征值确定纹路特征图像中的血管图像强度,并根据特征向量确定纹路特征图像中的血管方向。
在本发明实施例中,确定模块20333可以用于执行步骤S10333。
第一图像输出模块20334,用于根据血管图像强度和血管方向,输出当前像素点的增强结果,依次遍历所述纹路特征图像中的每一个像素点,输出第一增强结果图像。
在本发明实施例中,第一图像输出模块20334可以用于执行步骤S10334。
综上所述,本发明提供的一种图像增强方法、装置及血管显像设备,首先,通过获取血管图像的待增强区域,并将待增强区域分割为纹路特征图像和非纹路特征图像;然后,对纹路特征图像进行纹路特征增强,得到第一增强结果图像,对非纹路特征图像进行对比度增强,得到第二增强结果图像,最后,将第一增强结果图像和第二增强结果图像进行融合,得到待增强区域的增强结果图像,再将待增强区域的增强结果图像和血管图像的其他区域的图像进行结合,得到结果血管图像。与现有技术中针对图像对比度提升的增强算法相比,本发明提供的图像增强算法,加入了针对图像纹路特征的增强算法,在增加背景图像对比度的同时,提取出血管纹路信息,从而可以实现在很短的时间内将较细或较深的血管进行增强处理,使得血管区域相比于周围皮肤组织区域更为清晰,便于识别辨认,同时缩短了算法运行的时间。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述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。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种图像增强方法,其特征在于,用于对血管图像进行增强,所述方法包括:
获取所述血管图像的待增强区域;
将所述待增强区域分割为纹路特征图像和非纹路特征图像,其中,非纹路特征图像包含主要血管,纹路特征图像包含非主要血管;
对所述纹路特征图像进行纹路特征增强,得到第一增强结果图像,对所述非纹路特征图像进行对比度增强,得到第二增强结果图像;
将所述第一增强结果图像和所述第二增强结果图像进行融合,得到所述待增强区域的增强结果图像;
将所述待增强区域的增强结果图像和所述血管图像的其他区域的图像进行结合,得到结果血管图像。
2.如权利要求1所述的图像增强方法,其特征在于,所述获取所述血管图像的待增强区域的步骤,包括:
获取图像尺寸信息;
获得与所述图像尺寸信息对应尺寸的所述血管图像的待增强区域。
3.如权利要求1所述的图像增强方法,其特征在于,将所述待增强区域分割为纹路特征图像和非纹路特征图像的步骤,包括:
利用Frangi滤波器对所述待增强区域进行滤波,获得结果值;
根据所述结果值提取所述待增强区域中的线性结构;
设置所述线性结构为纹路特征图像,所述线性结构以外的为非纹路特征图像;
利用自适应阈值,对所述纹路特征图像与所述非纹路特征图像进行分割。
4.如权利要求1所述的图像增强方法,其特征在于,所述对所述纹路特征图像进行纹路特征增强,得到第一增强结果图像,同时对所述非纹路特征图像进行对比度增强,得到第二增强结果图像的步骤,包括:
根据sigma指定高斯模板;
用所述高斯模板扫描所述纹路特征图像中的每一个像素点,用所述高斯模板确定的邻域内像素点的加权平均灰度值替代所述高斯模板中心像素点的值;
通过Hessian矩阵对所述纹路特征图像进行增强,得到所述第一增强结果图像;
对所述非纹路特征图像的灰度区域进行放大,使得所述非纹路特征图像的对比度得到增强,得到所述第二增强结果图像。
5.如权利要求4所述的图像增强方法,其特征在于,所述通过Hessian矩阵对所述纹路特征图像进行增强,得到所述第一增强结果图像的步骤,包括:
获取所述纹路特征图像中每一个像素点与高斯函数二阶微分的卷积;
生成Hessian矩阵,并获取所述Hessian矩阵的特征值和特征向量;
根据所述特征值确定所述纹路特征图像中的血管图像强度,并根据所述特征向量确定所述纹路特征图像中的血管方向;
根据所述血管图像强度和所述血管方向,输出当前像素点的增强结果,依次遍历所述纹路特征图像中的每一个像素点,输出所述第一增强结果图像。
6.一种图像增强装置,其特征在于,用于对血管图像进行增强,所述装置包括:
图像获取模块,用于获取所述血管图像的待增强区域;
图像分割模块,用于将所述待增强区域分割为纹路特征图像和非纹路特征图像,其中,非纹路特征图像包含主要血管,纹路特征图像包含非主要血管;
图像增强模块,用于对所述纹路特征图像进行纹路特征增强,得到第一增强结果图像,对所述非纹路特征图像进行对比度增强,得到第二增强结果图像;
图像融合模块,用于将所述第一增强结果图像和所述第二增强结果图像进行融合,得到所述待增强区域的增强结果图像;
图像输出模块,用于将所述待增强区域的增强结果图像和所述血管图像的其他区域的图像进行结合,得到结果血管图像。
7.如权利要求6所述的图像增强装置,其特征在于,所述图像分割模块包括:
Frangi滤波模块,用于利用Frangi滤波器对所述待增强区域进行滤波,获得结果值;
提取模块,用于根据所述结果值提取所述待增强区域中的线性结构;
设置模块,用于设置所述线性结构为纹路特征图像,所述线性结构以外的为非纹路特征图像;
分割模块,用于利用自适应阈值,使所述纹路特征图像与所述非纹路特征图像进行分割。
8.如权利要求6所述的图像增强装置,其特征在于,所述图像增强模块包括:
模板指定模块,用于根据sigma指定高斯模板;
滤波模块,用于用所述高斯模板扫描所述纹路特征图像中的每一个像素点,用所述高斯模板确定的邻域内像素点的加权平均灰度值替代所述高斯模板中心像素点的值;
第一图像增强模块,用于通过Hessian矩阵对所述纹路特征图像进行增强,得到所述第一增强结果图像;
第二图像增强模块,用于对所述非纹路特征图像的灰度区域进行放大,使得所述非纹路特征图像的对比度得到增强,得到所述第二增强结果图像。
9.如权利要求8所述的图像增强装置,其特征在于,所述第一图像增强模块包括:
卷积获取模块,用于获取所述纹路特征图像中每一个像素点与高斯函数二阶微分的卷积;
特征获取模块,用于生成Hessian矩阵,并获取所述Hessian矩阵的特征值和特征向量;
确定模块,用于根据所述特征值确定所述纹路特征图像中的血管图像强度,并根据所述特征向量确定所述纹路特征图像中的血管方向;
第一图像输出模块,用于根据所述血管图像强度和所述血管方向,输出当前像素点的增强结果,依次遍历所述纹路特征图像中的每一个像素点,输出所述第一增强结果图像。
10.一种血管显像设备,其特征在于,所述血管显像设备包括:
存储器;
处理器;
红外光源发生器;以及
图像增强装置,用于对血管图像进行增强,所述图像增强装置存储于所述存储器中并包括一个或多个由所述处理器执行的软件功能模组,所述图像增强装置包括:
图像获取模块,用于获取所述血管图像的待增强区域;
图像分割模块,用于将所述待增强区域分割为纹路特征图像和非纹路特征图像,其中,非纹路特征图像包含主要血管,纹路特征图像包含非主要血管;
图像增强模块,用于对所述纹路特征图像进行纹路特征增强,得到第一增强结果图像,对所述非纹路特征图像进行对比度增强,得到第二增强结果图像;
图像融合模块,用于将所述第一增强结果图像和所述第二增强结果图像进行融合,得到所述待增强区域的增强结果图像;
图像输出模块,用于将所述待增强区域的增强结果图像和所述血管图像的其他区域的图像进行结合,得到结果血管图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710079330.8A CN106780404B (zh) | 2017-02-14 | 2017-02-14 | 图像增强方法、装置及血管显像设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710079330.8A CN106780404B (zh) | 2017-02-14 | 2017-02-14 | 图像增强方法、装置及血管显像设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106780404A CN106780404A (zh) | 2017-05-31 |
CN106780404B true CN106780404B (zh) | 2019-10-29 |
Family
ID=58957066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710079330.8A Expired - Fee Related CN106780404B (zh) | 2017-02-14 | 2017-02-14 | 图像增强方法、装置及血管显像设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780404B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109247910B (zh) * | 2017-07-12 | 2020-12-15 | 京东方科技集团股份有限公司 | 血管显示设备以及血管显示方法 |
CN107451986B (zh) * | 2017-08-10 | 2020-08-14 | 南京信息职业技术学院 | 一种基于融合技术的单幅红外图像增强方法 |
CN109712094B (zh) * | 2018-12-26 | 2022-07-08 | 新疆大学 | 图像处理方法及装置 |
CN110827967A (zh) * | 2019-11-14 | 2020-02-21 | 邓莉 | 药房空间占用比例鉴定平台、方法及存储介质 |
CN112085737A (zh) * | 2020-07-31 | 2020-12-15 | 新绎健康科技有限公司 | 一种用于获取红外血管图像增强图像的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715459A (zh) * | 2015-03-27 | 2015-06-17 | 浙江大学 | 血管图像增强方法 |
CN104881851A (zh) * | 2015-05-26 | 2015-09-02 | 河海大学 | 一种基于双高斯差模型的自适应图像目标增强方法 |
CN104899862A (zh) * | 2015-04-01 | 2015-09-09 | 武汉工程大学 | 基于全局与局部阈值的视网膜血管分割算法 |
CN106108925A (zh) * | 2015-05-04 | 2016-11-16 | 西门子保健有限责任公司 | 用于医学图像数据中全身骨移除和血管可视化的方法和系统 |
-
2017
- 2017-02-14 CN CN201710079330.8A patent/CN106780404B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715459A (zh) * | 2015-03-27 | 2015-06-17 | 浙江大学 | 血管图像增强方法 |
CN104899862A (zh) * | 2015-04-01 | 2015-09-09 | 武汉工程大学 | 基于全局与局部阈值的视网膜血管分割算法 |
CN106108925A (zh) * | 2015-05-04 | 2016-11-16 | 西门子保健有限责任公司 | 用于医学图像数据中全身骨移除和血管可视化的方法和系统 |
CN104881851A (zh) * | 2015-05-26 | 2015-09-02 | 河海大学 | 一种基于双高斯差模型的自适应图像目标增强方法 |
Non-Patent Citations (2)
Title |
---|
基于目标与背景信息分割的图像增强算法;李蕴奇.;《吉林大学学报(信息科学版)》;20110930;第29卷(第5期);第498-503页 * |
基于管状约束活动轮廓模型的血管分割方法研究;薛维琴.;《中国博士学位论文全文数据库 信息科技辑》;20131015(第10期);第I138-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106780404A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780404B (zh) | 图像增强方法、装置及血管显像设备 | |
US9811905B2 (en) | Anomaly detection in medical imagery | |
Amin et al. | Use of machine intelligence to conduct analysis of human brain data for detection of abnormalities in its cognitive functions | |
Julesz et al. | Inability of humans to discriminate between visual textures that agree in second-order statistics—revisited | |
CN106340021B (zh) | 血管提取方法 | |
CN102737250B (zh) | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 | |
Rangayyan et al. | Detection of blood vessels in the retina with multiscale Gabor filters | |
US20120184840A1 (en) | Automated Measurement of Brain Injury Indices Using Brain CT Images, Injury Data, and Machine Learning | |
Preetika et al. | MRI image based brain tumour segmentation using machine learning classifiers | |
CN111242933B (zh) | 视网膜图像动静脉的分类装置、设备及存储介质 | |
Jamil et al. | Melanoma segmentation using bio-medical image analysis for smarter mobile healthcare | |
Rehman et al. | Microscopic retinal blood vessels detection and segmentation using support vector machine and K‐nearest neighbors | |
Abdulsahib et al. | An automated image segmentation and useful feature extraction algorithm for retinal blood vessels in fundus images | |
Joshi et al. | Mathematical morphology for microaneurysm detection in fundus images | |
Mapayi et al. | Retinal vessel segmentation: a comparative study of fuzzy C-means and sum entropy information on phase congruency | |
CN111612792B (zh) | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 | |
Kübler et al. | Analysis of eye movements with eyetrace | |
Guan et al. | Fabric defect image segmentation based on the visual attention mechanism of the wavelet domain | |
Velmurugan et al. | Multimodality image fusion using centre-based genetic algorithm and fuzzy logic | |
Zhong et al. | Research on computer-aided analysis and reverse reconstruction for the weave pattern of fabric | |
Yahia et al. | Texture analysis of magnetic resonance brain images to assess multiple sclerosis lesions | |
Mankikar | A novel hybrid approach using Kmeans clustering and threshold filter for brain tumor detection | |
Xue et al. | Retinal blood vessel segmentation using saliency detection model and region optimization | |
Xu et al. | Feature-based image fusion with a uniform discrete curvelet transform | |
Manjula Gururaj Rao et al. | Data Analytics Based Multimodal System for Fracture Identification and Verification in CBIR Domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191029 Termination date: 20220214 |