CN107016640A - 基于多尺度分解的图片能量归一化处理方法及系统 - Google Patents
基于多尺度分解的图片能量归一化处理方法及系统 Download PDFInfo
- Publication number
- CN107016640A CN107016640A CN201710221989.2A CN201710221989A CN107016640A CN 107016640 A CN107016640 A CN 107016640A CN 201710221989 A CN201710221989 A CN 201710221989A CN 107016640 A CN107016640 A CN 107016640A
- Authority
- CN
- China
- Prior art keywords
- image
- normalized
- sub
- resolution decomposition
- module
- 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.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 49
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 4
- 210000000038 chest Anatomy 0.000 description 18
- 238000010801 machine learning Methods 0.000 description 6
- 230000000717 retained effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/20—Linear translation of whole images or parts thereof, e.g. panning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明申请公开了基于多尺度分解的图片能量归一化处理方法，其特征在于:包括如下步骤：步骤（1）：对原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像；步骤（2）：对步骤（1）中得到的各级子带图像分别进行归一化处理；步骤（3）：对步骤（2）得到的归一化处理后的各级子带图像进行多尺度重建，得到重建后的图像；步骤（4）：将步骤（3）中重建后的图像中的各点性变换归一化为取值在[0 1]之间,进而得到最终处理后的图像。本发明申请还可公开了基于多尺度分解的图片能量归一化处理系统，具有最终得到的图像能量分布更均匀且更大可能的保留了图像的原有信息的技术效果。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于多尺度分解的图片能量归一化处理方法及系统。
背景技术
随着数字技术的发展，图像被数字化为大量像素点组成的点阵，像素点的光学特性则由像素值表征。
数字化后的图像，方便计算机处理，为基于机器学习的各类检测系统提供了先决条件。
现在，基于机器学习的检测系统，被应用到各个领域；以医学领域为例，检测系统通过对大量数字化的医学检测影像的学习，可以实现智能的轮廓分离，疾病检测等功能；例如，X线胸部平片(简称胸片)是肺部疾病检测的基本影像手段之一，通过以大量数字化的胸片(扫描或通过直接数字化X线摄像系统得到)作为样本进行机器学习，智能检测系统可以智能的对肺病疾病进行检测，如肺结节检测。
然而，在进行检测时，由于采集胸片的机器和时间的不同，胸片图像中的能量分布往往具有较大差异性，这就给智能检测带来了障碍，因此，在将图像输入基于机器学习的智能检测系统前，需要对图像进行归一化预处理。
类似的，针对于其他图片的机器学习系统也存在着需要对输入的图像进行归一化预处理的问题。
现有，对图像进行归一化处理的方法主要有以下三种：
1、最值归一化：
通过一定的代数变换将图像中的像素值控制在一定范围内。如线性函数变换，表达式为y＝(x-MinValue)/(MaxValue-MinValue)，其中x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值；对数函数变换，表达式为y＝log10(x)；反余切函数变换，表达式为y＝arctan(x)*2/PI。这种归一化方法适用于本来就分布在有限范围内的数据，但该方法只是对图像做了简单的线性变换处理，没有考虑图像本身的结构信息,处理后得到的图像可能会存在空洞或分布不均匀的现象；
2、均值方差归一化：
通过将像素值减去均值除以方差，来将均值归一化到0，方差归一化到1；适用于分布没有明显边界的情况，然而该方法仅计算图像的均值和方差然后做的线性变换处理，没有考虑可能存在的局部强信号当图像中有明显边界时处理后可能会使边缘模糊化；
3、直方图统计归一化：
通过统计图像像素的直方图累计分布，去掉分布谱上前面1％和后面2％的直方图成分，然后在新的直方图范围内调整像素值范围；当该方法只考虑图像的像素值分布，没有考虑图像本身的能量，导致图片信息的丢失；
现在，亟需一种对图像进行有效能量归一化的处理方法及系统，以克服现有技术的缺陷，使得归一化处理后最终得到的图像能量分布更均匀，且更大可能的保留了图像的原有信息。
发明内容
本发明所要解决的技术问题是提供一种对图像进行有效能量归一化的处理方法及系统，对图像进行多尺度分解，各个尺度分别归一化处理，使得最终得到的图像能量分布更均匀，且更大可能的保留了图像的原有信息。
为解决上述技术问题，本发明提出以下技术方案：
基于多尺度分解的图片能量归一化处理方法，包括如下步骤：
步骤(1)：对原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像；
步骤(2)：对步骤(1)中得到的各级子带图像分别进行归一化处理；
步骤(3)：对步骤(2)得到的归一化处理后的各级子带图像进行多尺度重建，得到重建后的图像。
步骤(4)：将步骤(3)中重建后的图像中的各点性变换归一化为取值在[0 1]之间,进而得到最终处理后的图像。
本发明中所称的图像均是指数字图像或模拟图像的数字化后的图像。
数字图像本身既包含大尺度信息如轮廓等，又包含小尺度上的细节信息如边缘等，这些信息一起构成图像的总体效果，缺一不可。如果直接在原图上进行归一化处理，可能会丢失其中的一些信息。因此，上述技术方案的特点是：先对图像进行多尺度分解，充分提取出图像在不同尺度上的结构和信息，最大可能地保留图像各个层次的信息，大的尺度保留图像中的轮廓等大致信息，小的尺度保留边缘等细节；而后，各个尺度分别归一化处理使得最终得到的图像能量分布更均匀且更大可能的保留了图像的原有信息，可快速高效地实现图像的能量归一化处理。
进一步，所述步骤(4)中，根据设定的有效百分位数值的上限和下限，将重建后的图像中百分位数值等于上限和下限的各点以及上限和下限之间的各点线，线性变换归一化为取值在[0 1]之间；高于上限的点则取值1，低于下限的点则取值0，进而得到最终处理后的图像。
此处所述的有效百分位数值是一个范围值，设图像中的像素值的最大值为MaxValue，则百分位数值＝像素值/MaxValue*100％；因此，所有百分位数值处于有效百分位数值范围以内的点，称为有效点，线性变换归一化则针对这些有效点进行，这样，百分位数值等于有效百分位数值上限的点被线性变化为1，其他点则相应线性缩放；
通过设定这样的范围值，对那些值过大(高于有效百分位数值上限)的点直接取值1，对于那些过小(低于有效百分位数值下限)的点则直接取值0，这样不仅提高了归一化系统的鲁棒性，也提高了应用归一化图像的机器学习系统的鲁棒性。
进一步，所述步骤(1)中采用拉普拉斯金字塔分解，对原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像。
该算法能较好地解析出图像在不同尺度上的信息，既能通过大的尺度保留图像中的轮廓等大致信息，又能通过小的尺度保留边缘等细节。
进一步，所述步骤(1)中采用小波变换，对原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像。
该算法能较好地解析出图像在不同尺度上的信息，既能通过大的尺度保留图像中的轮廓等大致信息，又能通过小的尺度保留边缘等细节。
进一步，在对图像进行多尺度分解前，还包括对图像进行降采样的步骤。
降采样使得需要处理的像素数量降低，提高了归一化处理的效率。
进一步，还包括，分别计算每个尺度的能量或平均绝对偏差的统计量的步骤，进而，所述步骤(2)中，计算所述统计量与子带图像平均能量的比例，将对应尺度上的原子带图乘以该比例的开方数，以得到归一化处理后的各级子带图像。
通过统计大量图像的各子带的能量或平均绝对偏差，可以计算得到统计量；这样，在测试时，给定任意一幅图，将前面统计得到的统计量作为整个图像空间上的平均值标准，来进行线性变换归一化处理；开方处理，则是因为图像的能量值是与像素值的平方成正比，而子带图中的值其实代表的是像素值，因此用原子带图乘以比例的开方数。
进一步，所述统计量为中值、均值以90分位值中的任意一种。
这样采用不同的统计值，可以适用于不同要求的系统。本发明所述的90分位值定义如下：设某一图片内的像素值的最大值为MaxValue，则90分位值＝MaxValue*0.9。
进一步，所述步骤(2)中先对各级子带图像其进行裁剪，获取中心区域的图像信息，将该区域内的图像平均能量用于所述的比例计算。
图像的中心区以一般集中的图像的主要能量，通过裁去边缘部分，既可减少运算量，获得的平均能量值也相对较高，与统计量的比值也更能反应子带图在重建后的图像中所占比例。
本发明还提出了一种基于多尺度分解的图片能量归一化处理系统，包括：
输入模块，用于输入原始图像；
分解模块，用于对输入模块发送来的原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像；
归一化处理模块，用于对从分解模块得到的各级子带图像分别进行归一化处理；
重建模块，用于对归一化处理模块得到的归一化处理后的各级子带图像进行多尺度重建，得到重建后的图像；
输出模块，用于将从重建模块中得到的重建后的图像中的各点线性变换归一化为取值在[0 1]之间,进而得到最终处理后的图像输出。
数字图像本身既包含大尺度信息如轮廓等，又包含小尺度上的细节信息如边缘等，这些信息一起构成图像的总体效果，缺一不可。如果直接在原图上进行归一化处理，可能会丢失其中的一些信息。因此，上述技术方案的特点是：先对图像进行多尺度分解，充分提取出图像在不同尺度上的结构和信息，最大可能地保留图像各个层次的信息，大的尺度保留图像中的轮廓等大致信息，小的尺度保留边缘等细节；而后，各个尺度分别归一化处理使得最终得到的图像能量分布更均匀且更大可能的保留了图像的原有信息，可快速高效地实现图像的能量归一化处理。
进一步，还包括统计模块，用于计算和统计分解模块分解后的每个尺度的图片的能量或平均绝对偏差的统计量，并发送给所述归一化处理模块；所述归一化处理模块，用于计算所述统计量与子带图像平均能量的比例，将对应尺度上的原子带图乘以该比例的开方数，以得到归一化处理后的各级子带图像。
通过统计大量图像的各子带的能量或平均绝对偏差，可以计算得到统计量；这样，在测试时，给定任意一幅图，将前面统计得到的统计量作为整个图像空间上的平均值标准，来进行线性变换归一化处理；开方处理，则是因为图像的能量值是与像素值的平方成正比，而子带图中的值其实代表的是像素值，因此用原子带图乘以比例的开方数。
附图说明
图1为本发明实施例1中所用方法的流程图。
图2为本发明实施例1中各个步骤所得图像结果的示意图。
图3为本发明实施例2中各个步骤所得图像结果的示意图。
图4为本发明实施例1中的基于多尺度分解的图片能量归一化处理系统的示意性框图。
具体实施方式
下面通过具体实施方式对本发明作进一步详细的说明：
实施例1
本实施例中的基于多尺度分解的图片能量归一化处理系统采用大致如图1中所示的方法，对X线胸片图像进行多尺度分解的能量归一化，X线胸片图像为黑白图像，每个像素的像素值为其灰度值，具体步骤为：
S01:输入胸片图像
如图2所示，从临床上采集的原始X线胸片图大小为2048*2048，像素分辨率为0.175*2mm；先用双立方差值法对原始胸片图进行降采样使得像素分辨率为0.5mm，大小为1024*1024；
S02：胸片图像多尺度分解
对降采样后的胸片图像进行多尺度分解，本实施例中采用拉普拉斯金字塔分解，分别得到从精细到粗糙尺度的N级子带以及各个子带的大小。
如图2所示，本实施例中，输入的胸片图像被分解为6个尺度的子带图，其大小分别为：10242，5122，2562，1282，642，322。
S03：各子带能量归一化处理
对步骤S02中得到的N级子带分别进行归一化处理。
其中，对于任一级子带Ii，先对其进行裁剪，获取子带图中一定区域的图像信息Ii'，本实施例中，裁剪后的子带图像位于原子带图像的正中，裁剪前后图像的宽度比为7/8，高度比为15/16，
然后计算Ii'的平均能量Ei：
当i＜N时，Ei＝mean(I'i 2)，此处为了加快计算，将mean(I'i)近似为0，减少运算量；
当i＝N时，Ei＝mean((I'i-mean(I'i))2)，N级子带为最接近原图的子带；
在此之前，系统通过统计多张X线胸片图采用同样的尺度分级后的各尺度子带图的能量或MAD(Mean absolute deviation平均绝对偏差)值，得到了诸如均值、中值或90分位点等统计值，这些统计值都可以用来调整子带的能量分布；统计的样本数量越多，则统计量越准确。
本实施例中，需要事先对超过200张的X线胸片图进行统计，而用于调整子带能量分布的统计值优选的采用能量的均值；
设对所有统计图像的i级子带进行统计后得到的能量均值表示为EnerMedi，则调整后子带图的表达式为：
S04：多尺度重建胸片图像。
由步骤S04得到的新的各级子带INew进行多尺度重建，得到重建后的图像imi。
S05：提取有效百分位数值。
图像中的像素值的最大值为MaxValue，则百分位数值＝像素值/MaxValue*100％。
本实施例中，提取的有效百分位数值设定为1％～99％；即，像素值小于图像imi中的最高值×1％的点会在归一化中取0，大于该最高值×99％的点将在归一化中取1，其余点则为有效点。
S06：输出归一化后图像。
对图像imi进行线性变换归一化处理，使每个图像点的值处于[0 1]之间,进而得到最终处理后的胸片图像。
值得注意的是，在另一些实施例中，步骤S02中，多尺度分解的程度N值的设置可根据图像具体情况适当增大或减小；
而在另一些实施例中，步骤S01中对于子带Ii的裁剪可视具体情况而定，可以不进行裁剪；
在另一些实施例中，步骤S04中对imi的有效百分位值的选取可适当调整。
还有，本发明中的多尺度分解方式可用在不同部位、不同解剖位置的X线图像上，实现不同部位图像的归一化处理。
在一些实施例中，本发明的归一化方法可对彩色图像进行归一化；
彩色图像的每个像素的像素值由为红、绿、蓝三个颜色的值组成的向量，因此对于彩色图像的归一化，只需将图像分解为红、绿、蓝三个通道，再对每个通道分别归一化，而后再合并即可。
本实施例中的方法是用如图4所示的基于多尺度分解的图片能量归一化处理系统来实施的；
该系统包括：输入模块，用于输入原始图像；
分解模块，用于对输入模块发送来的原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像；
统计模块，用于计算、统计分解模块分解后的每个尺度的图片的统计值，并发送给所述归一化处理模块；
归一化处理模块，用于对从分解模块得到的各级子带图像分别进行归一化处理：
重建模块，用于对归一化处理模块得到的归一化处理后的各级子带图像进行多尺度重建，得到重建后的图像；
输出模块，用于将从重建模块中得到的重建后的图像中的各点线性变换归一化为取值在[0 1]之间,进而得到最终处理后的图像输出。
因此，该系统的输入模块，用于完成本实施例的步骤S01；
分解模块，用于完成本实施例的步骤S02；
归一化处理模块，用于完成本实施例的步骤S03；
重建模块，用于完成本实施例的步骤S04；
输出模块，用于完成本实施例的步骤S05和S06；
而本实施例中所使用的统计值的获取，则通过输入模块、分解模块以及统计模块来完成：在使用本系统来进行归一化处理前，需要事先输入超过200张的X线胸片图进行降采样和多尺度分解，而后将分解得到的各尺度的子带图输入到统计模块中；统计模块用于首先计算出每张图片的能量值或MAD(Mean absolute deviation平均绝对偏差)值，再统计出均值、中位值、90分位值这些统计值，用于对而后的胸片图像归一化处理；本实施例中，统计模块计算并统计出所有输入图像各尺度的子带图的能量均值，并将该均值发送给归一化处理模块。
由此可知，统计量是可以进行更新的，系统每次处理X线胸片图像时，均可通过统计模块对各尺度的子带图的能量值或MAD值进行计算，当累计到一定数量(例如200个)的计算值后，则可以重新计算统计值用以归一化处理。
实施例2
本实施与实施例1的不同在于:步骤S02中，采用基于Daubechies小波基db4的小波变换对降采样后图像进行多尺度分解；
如图2所示，分解得到3个尺度的子带图，其大小分别为：5152，2612，1342，其中前两阶子带分别有H,V,D三个方向上的高频系数(3副子带图)，最后一阶子带上有A,H,V,D四个方向的小波系数(4副子带图)；
相应的，步骤S04中，然后将3个尺度上的共10条子带归一化后的子带图进行基于Daubechies小波基db4的小波重建；
进而，用于实施本实施例的基于多尺度分解的图片能量归一化处理系统中，分解模块和重建模块所使用的算法也作相应调整；
另外，本实施例中的统计值优选的采用能量的中位数，进而本实施例所用系统中的统计模块的算法和输出也作相应调整；
对所有输入的图片的所有i级子带进行统计后得到的能量中位数表示为EnerMedi，则调整后子带图的表达式为：
以上所述的仅是本发明的实施例，方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于多尺度分解的图片能量归一化处理方法，其特征在于: 包括如下步骤：
步骤（1）：对原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像；
步骤（2）：对步骤（1）中得到的各级子带图像分别进行归一化处理；
步骤（3）：对步骤（2）得到的归一化处理后的各级子带图像进行多尺度重建，得到重建后的图像；
步骤（4）：将步骤（3）中重建后的图像中的各点线性变换归一化为取值在[0 1]之间,进而得到最终处理后的图像。
2.根据权利要求1所述的基于多尺度分解的图片能量归一化处理方法，其特征在于，所述步骤（4）中，根据设定的有效百分位数值的上限和下限，将重建后的图像中百分位数值等于上限和等于下限的各点以及上限和下限之间的各点，线性变换归一化为取值在[0 1]之间；高于上限的点则取值1，低于下限的点则取值0，进而得到最终处理后的图像。
3.根据权利要求1所述的基于多尺度分解的图片能量归一化处理方法，其特征在于：所述步骤（1）中采用拉普拉斯金字塔分解，对原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像。
4.根据权利要求1所述的基于多尺度分解的图片能量归一化处理方法，其特征在于：所述步骤（1）中采用小波变换，对原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像。
5.根据权利要求1所述的基于多尺度分解的图片能量归一化处理方法，其特征在于：在对图像进行多尺度分解前，还包括对图像进行降采样的步骤。
6.根据权利要求1所述的基于多尺度分解的图片能量归一化处理方法，其特征在于：还包括，分别计算每个尺度的能量或平均绝对偏差的统计量的步骤，进而，所述步骤（2）中，计算所述统计量与子带图像平均能量的比例，将对应尺度上的原子带图乘以该比例的开方数，以得到归一化处理后的各级子带图像。
7.根据权利要求6所述的基于多尺度分解的图片能量归一化处理方法，其特征在于：所述统计量为中值、均值以90分位值中的任意一种。
8.根据权利要求6所述的基于多尺度分解的图片能量归一化处理方法，其特征在于：所述步骤（2）中先对各级子带图像进行裁剪，获取中心区域的图像信息，将该区域内的图像平均能量用于所述的比例计算。
9.一种基于多尺度分解的图片能量归一化处理系统，其特征在于，包括：
输入模块，用于输入原始图像；
分解模块，用于对输入模块发送来的原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像；
归一化处理模块，用于对从分解模块得到的各级子带图像分别进行归一化处理；
重建模块，用于对归一化处理模块得到的归一化处理后的各级子带图像进行多尺度重建，得到重建后的图像；
输出模块，用于将从重建模块中得到的重建后的图像中的各点线性变换归一化为取值在[0 1]之间,进而得到最终处理后的图像输出。
10.根据权利要求9所述的基于多尺度分解的图片能量归一化处理系统，其特征在于，还包括统计模块，用于计算和统计分解模块分解后的每个尺度的图片的能量或平均绝对偏差的统计量，并发送给所述归一化处理模块；所述归一化处理模块，用于计算所述统计量与子带图像平均能量的比例，将对应尺度上的原子带图乘以该比例的开方数，以得到归一化处理后的各级子带图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710221989.2A CN107016640A (zh) | 2017-04-06 | 2017-04-06 | 基于多尺度分解的图片能量归一化处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710221989.2A CN107016640A (zh) | 2017-04-06 | 2017-04-06 | 基于多尺度分解的图片能量归一化处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107016640A true CN107016640A (zh) | 2017-08-04 |
Family
ID=59445378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710221989.2A Pending CN107016640A (zh) | 2017-04-06 | 2017-04-06 | 基于多尺度分解的图片能量归一化处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107016640A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127926A (zh) * | 2007-09-14 | 2008-02-20 | 西安电子科技大学 | 基于多尺度几何分析的图像质量评测方法 |
| CN101866497A (zh) * | 2010-06-18 | 2010-10-20 | 北京交通大学 | 基于双目立体视觉的智能三维人脸重建方法及系统 |
| CN102063713A (zh) * | 2010-11-11 | 2011-05-18 | 西北工业大学 | 基于邻域归一化梯度和邻域标准差的多聚焦图像融合方法 |
| US8411938B2 (en) * | 2007-11-29 | 2013-04-02 | Sri International | Multi-scale multi-camera adaptive fusion with contrast normalization |
| CN104285239A (zh) * | 2012-05-14 | 2015-01-14 | 独立行政法人科学技术振兴机构 | 图像处理装置、图像处理方法、程序、印刷介质以及记录介质 |
| CN104574284A (zh) * | 2013-10-24 | 2015-04-29 | 南京普爱射线影像设备有限公司 | 一种数字x射线图像对比度增强处理方法 |
| CN104599273A (zh) * | 2015-01-22 | 2015-05-06 | 南京理工大学 | 基于小波多尺度交叉运算的海空背景红外小目标检测方法 |
| CN106530277A (zh) * | 2016-10-13 | 2017-03-22 | 中国人民解放军理工大学 | 一种基于小波方向相关系数的图像融合方法 |
-
2017
- 2017-04-06 CN CN201710221989.2A patent/CN107016640A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127926A (zh) * | 2007-09-14 | 2008-02-20 | 西安电子科技大学 | 基于多尺度几何分析的图像质量评测方法 |
| US8411938B2 (en) * | 2007-11-29 | 2013-04-02 | Sri International | Multi-scale multi-camera adaptive fusion with contrast normalization |
| CN101866497A (zh) * | 2010-06-18 | 2010-10-20 | 北京交通大学 | 基于双目立体视觉的智能三维人脸重建方法及系统 |
| CN102063713A (zh) * | 2010-11-11 | 2011-05-18 | 西北工业大学 | 基于邻域归一化梯度和邻域标准差的多聚焦图像融合方法 |
| CN104285239A (zh) * | 2012-05-14 | 2015-01-14 | 独立行政法人科学技术振兴机构 | 图像处理装置、图像处理方法、程序、印刷介质以及记录介质 |
| CN104574284A (zh) * | 2013-10-24 | 2015-04-29 | 南京普爱射线影像设备有限公司 | 一种数字x射线图像对比度增强处理方法 |
| CN104599273A (zh) * | 2015-01-22 | 2015-05-06 | 南京理工大学 | 基于小波多尺度交叉运算的海空背景红外小目标检测方法 |
| CN106530277A (zh) * | 2016-10-13 | 2017-03-22 | 中国人民解放军理工大学 | 一种基于小波方向相关系数的图像融合方法 |
Non-Patent Citations (3)
| Title |
|---|
| HAIFENG HU: "Multiscale illumination normalization for face recognition using dual-tree", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 * |
| YAO LU 等: "Multiscale regularized reconstruction for enhancing microcalcification in digital breast tomosynthesis", 《MEDICAL IMAGING 2012: PHYSICS OF MEDICAL IMAGING》 * |
| 甘新胜 等: "一种基于多尺度分解的快速相关跟踪算法", 《指挥控制与仿真》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106296612B (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 | |
| CN106127688B (zh) | 一种超分辨率图像重建方法及其系统 | |
| CN101201937B (zh) | 基于小波重构与分解的数字图像增强方法及其装置 | |
| JP5941674B2 (ja) | 細胞輪郭線形成装置及びその方法、細胞輪郭線形成プログラム | |
| CN104751456B (zh) | 基于条件直方图码书的盲图像质量评价方法 | |
| CN104756152B (zh) | 用于加速图像校正的图像校正装置及其方法 | |
| CN105118048A (zh) | 翻拍证件图片的识别方法及装置 | |
| CN111798396A (zh) | 一种基于小波变换的多功能图像处理方法 | |
| CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
| CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
| CN100433046C (zh) | 一种基于稀疏变换的图像盲源分离方法 | |
| JP2013105245A (ja) | 画像処理方法、装置及びプログラム | |
| CN114418904A (zh) | 一种基于改进直方图均衡化和增强高通滤波的红外图像增强方法 | |
| CN105654088B (zh) | 基于局部对称关系的烟梗提取方法 | |
| CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
| CN104240259A (zh) | 基于轮廓分割的高拍仪凭证智能裁边校正系统及方法 | |
| CN104091309A (zh) | 一种平板x射线图像的均衡显示方法及系统 | |
| CN106557729A (zh) | 用于处理人脸图像的设备和方法 | |
| CN107392202A (zh) | 一种指针型读数识别方法和系统 | |
| CN107330431B (zh) | 一种基于K-means聚类拟合的显著性检测优化方法 | |
| JP2001043368A (ja) | 画像検索装置及び画像検索方法及びコンピュータ読み取り可能な記憶媒体 | |
| CN106202930B (zh) | 一种基于ss-elm的肺结节患病风险预测系统 | |
| CN105427279A (zh) | 一种基于计算机视觉及物联网的草原旱情监测系统和方法 | |
| CN102768758B (zh) | 一种改进的彩色图像usm锐化方法 | |
| US20030072480A1 (en) | Image processing method and apparatus |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20210312 |
|
| AD01 | Patent right deemed abandoned |