CN107622482A - 一种基于白带显微成像的图像融合方法 - Google Patents

一种基于白带显微成像的图像融合方法 Download PDF

Info

Publication number
CN107622482A
CN107622482A CN201710820005.2A CN201710820005A CN107622482A CN 107622482 A CN107622482 A CN 107622482A CN 201710820005 A CN201710820005 A CN 201710820005A CN 107622482 A CN107622482 A CN 107622482A
Authority
CN
China
Prior art keywords
image
picture
variance
coefficient
sequence numbers
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.)
Granted
Application number
CN201710820005.2A
Other languages
English (en)
Other versions
CN107622482B (zh
Inventor
张静
夏翔
田济铭
陆宋晗
钟亚
杜晓辉
刘娟秀
倪光明
刘霖
刘永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710820005.2A priority Critical patent/CN107622482B/zh
Publication of CN107622482A publication Critical patent/CN107622482A/zh
Application granted granted Critical
Publication of CN107622482B publication Critical patent/CN107622482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Microscoopes, Condenser (AREA)

Abstract

该发明公开了一种基于白带显微成像的图像融合方法,涉及的是一种基于白带显微成像的图像融合算法，具体的说是一种可以将白带的多张不同对焦的显微图像融合为一张清晰图像的方法。本发明通过采用图像融合的方式，将不同焦距下的清晰图像融合到同一张图像中，从而实现超景深的效果。在此前白带的自动识别中，为了保证识别的准确率，细胞及微生物的识别算法需要对同一视野下不同对焦层的多张图进行算法识别，既增加了识别的难度，也增大了识别的复杂度。本发明的实现可以使算法只对一张清晰图像进行处理，在很大的程度上减小了算法识别的难度，降低了识别的时间，提高了检测的效率。

Description

一种基于白带显微成像的图像融合方法
技术领域
本发明涉及的是一种基于白带显微成像的图像融合算法，具体的说是一种可以将白带的多张不同对焦的显微图像融合为一张清晰图像的方法。
背景技术
在白带检测的镜检过程中，显微镜为了获取更大的放大倍率，从而牺牲了显微镜的景深，由于白带样本液在载玻片上的涂抹层具有一定的厚度，因此所有细胞不能在同一焦距下清晰的显示在同一张图片中。显微镜下的识别算法很难处理这样的图片。通过图像融合技术可以使不同对焦层上的清晰位置融合到一张图上，使得算法可以方便的只对一张图来进行处理。
发明内容
本发明的目的在于克服上述缺陷，提供一种采用图像融合算法的方式，将不同焦距下的清晰图像融合到同一张图像中，从而实现超景深的效果。
为了实现上述目的，本发明采用的技术方案如下：一种基于白带显微成像的图像融合方法，包括以下步骤：
步骤1：通过显微镜以一定的间隔拍摄白带涂片在不同焦距下的灰度图像；
步骤2：保存图片清晰度最高的多张图作为图像融合的素材；
步骤3：将多张图片分别进行分解层数为2的小波分解；
步骤4：提取每张图片经小波分解后的第一层图像中各点的高频信息的水平分解系数和垂直分解系数，将水平分解系数在3*3邻域内行与行之间的方差和与垂直分解系数在3*3邻域内列与列之间的方差和相加，得到一个总的方差和矩阵；
步骤5：比较每张图在步骤4中相应位置的总方差和大小，记录下总方差和较大处所对应的分解系数、坐标以及图片序号；
步骤6：提取每张图片经小波分解后的第二层图像中各点的高频信息的水平分解系数和垂直分解系数，将水平分解系数在3*3邻域内行与行之间的方差和与垂直分解系数在3*3邻域内列与列之间的方差和相加，得到一个总的方差和矩阵；
步骤7：比较每张图在步骤6中相应位置的总方差和大小，记录下总方差和较大处所对应的分解系数、坐标以及图片序号；
步骤8：提取每张图片经小波分解后的第二层图像中各点的低频信息的水平分解系数和垂直分解系数，记录下步骤7中总方差和较大处所对应的分解系数、坐标以及图片序号；
步骤9：对步骤5、步骤7中保存的图片序号分别进行一致性的检查：如果待融合点周围的图片序号全部都相同，均为i时，则令该点处的图片序号为i；步骤5经一致性检查后得到的图片序号用作第一层高频融合系数的选取，步骤7经一致性检查后得到的图片序号用作第二层高频融合系数以及低频融合系数的选取；
步骤10：将步骤9中记录下的第一层分解图像的图片序号所对应的高频系数作为融合图像的第一层分解图像的高频融合系数，将步骤9中记录下的第二层分解图像的图片序号所对应的高频系数和低频系数分别作为融合图像的第二层分解图像的高频融合系数和低频融合系数。至此得到了用于进行图像融合的所有融合系数。
步骤11：根据新的融合系数重构出清晰的融合图像。
进一步的，所述步骤2中选取的多张素材图片应选择整体清晰度较高，模糊区域在其余图片中有清晰对应位置的图片。
本发明与现有技术相比，具有以下优点及有益效果：
(1)本发明通过采用图像融合的方式，将不同焦距下的清晰图像融合到同一张图像中，从而实现超景深的效果。在此前白带的自动识别中，为了保证识别的准确率，细胞及微生物的识别算法需要对同一视野下不同对焦层的多张图进行算法识别，既增加了识别的难度，也增大了识别的复杂度。本发明的实现可以使算法只对一张清晰图像进行处理，在很大的程度上减小了算法识别的难度，降低了识别的时间，提高了检测的效率。
(2)本发明采用小波变换的方式来实现图像融合，相比较其它图像融合的方法，小波变换在图像处理中有如下优点：完善的重构能力，保证信号在分解过程中没有信息损失和冗余信息；把图像分解成高频信息和低频信息的组合，分别代表了图像的不同结构，因此容易提取原始图像的结构信息和细节信息；小波分析提供了与人类视觉系统方向相吻合的选择性图像。
附图说明
图1为本发明的原理框图。
具体实施方式
下面结合实施例及其附图对本发明做进一步地详细说明，但本发明的实施方式不限于此。
光学的成像原理表明，显微镜的放大倍率越高景深就越小。显微镜景深过小的问题会对显微图像的检测造成显著的影响。在白带的自动检测中，白带样本液在载玻片上的涂抹层具有一定的厚度，导致细胞不能在同一焦距下清晰的显示在同一张图片中。显微镜下的识别算法很难处理这样的图片。基于此现象，本发明提出了通过采用图像融合算法的方式，将不同焦距下的清晰图像融合到同一张图像中，从而实现超景深的效果。该算法的实现能够使不同焦距层的细胞以及微生物在同一张图像中清晰的显示出来，在很大的程度上减小了算法识别的难度，提高了检测的效率。
如图1所示，一种基于白带显微成像的图像融合算法，该发明主要通过图像处理的方法，将白带检测中拍摄到的多张不同对焦的图像融合为一幅清晰的图像。具体的说，该方法包括以下步骤：
(1)通过电机控制显微镜平台以一定的间隔拍摄白带涂片在不同焦距下的灰度图像；
(2)选取整体清晰度较高，聚焦位置不同的三张图片用作图像融合的素材；
(3)将三张图片分别进行分解层数为2的小波分解；
(4)提取每张图片经小波分解后的第一层图像中各点的高频信息的水平分解系数和垂直分解系数，将水平分解系数在3*3邻域内行与行之间的方差和和垂直分解系数在3*3邻域内列与列之间的方差和相加，得到一个总的方差和矩阵；
(5)比较每张图在步骤(4)中相应位置的总方差和大小，记录下总方差和较大处所对应的分解系数、坐标以及图片序号；
(6)提取每张图片经小波分解后的第二层图像中各点的高频信息的水平分解系数和垂直分解系数，将水平分解系数在3*3邻域内行与行之间的方差和和垂直分解系数在3*3邻域内列与列之间的方差和相加，得到一个总的方差和矩阵；
(7)比较每张图在步骤(6)中相应位置的总方差和大小，记录下总方差和较大处所对应的分解系数、坐标以及图片序号；
(8)提取每张图片经小波分解后的第二层图像中各点的低频信息的水平分解系数和垂直分解系数，记录下步骤(7)中总方差和较大处所对应的分解系数、坐标以及图片序号，该分解系数作为最后进行图像重构时低频信息的融合系数；
(9)对步骤5、步骤7中保存的图片序号分别进行一致性的检查：如果待融合点周围的图片序号均为i，则令该点处的图片序号也为i。步骤5经一致性检查后得到的图片序号用作第一层高频融合系数的选取，步骤7经一致性检查后得到的图片序号用作第二层高频融合系数以及低频融合系数的选取。一致性的检查可以使融合的局部图像更为平滑，且能有效的减少图像的失真；
(10)将各层、各坐标点处较大方差和所对应的高频信息分解系数，以及步骤(8)中保存的第二层图像中的低频信息分解系数重构为一个新的分解系数作为图像重构的融合系数；
(11)根据新的融合系数重构出清晰的融合图像。
按照上述实例，即可很好的体现本发明。

Claims (2)

1.一种基于白带显微成像的图像融合方法，包括以下步骤：
步骤1：通过显微镜以一定的间隔拍摄白带涂片在不同焦距下的灰度图像；
步骤2：保存图片清晰度最高的多张图片作为图像融合的素材；
步骤3：将多张图片分别进行分解层数为2的小波分解；
步骤4：提取每张图片经小波分解后的第一层图像中各点的高频信息的水平分解系数和垂直分解系数，将水平分解系数在3*3邻域内行与行之间的方差和与垂直分解系数在3*3邻域内列与列之间的方差和相加，得到一个总的方差和矩阵；
步骤5：比较每张图在步骤4中相应位置的总方差和大小，记录下总方差和较大处所对应的分解系数、坐标以及图片序号；
步骤6：提取每张图片经小波分解后的第二层图像中各点的高频信息的水平分解系数和垂直分解系数，将水平分解系数在3*3邻域内行与行之间的方差和与垂直分解系数在3*3邻域内列与列之间的方差和相加，得到一个总的方差和矩阵；
步骤7：比较每张图在步骤6中相应位置的总方差和大小，记录下总方差和较大处所对应的分解系数、坐标以及图片序号；
步骤8：提取每张图片经小波分解后的第二层图像中各点的低频信息的水平分解系数和垂直分解系数，记录下步骤7中总方差和较大处所对应的分解系数、坐标以及图片序号；
步骤9：对步骤5、步骤7中保存的图片序号分别进行一致性的检查：如果待融合点周围的图片序号全部都相同，均为i时，则令该点处的图片序号为i；步骤5经一致性检查后得到的图片序号用作第一层高频融合系数的选取，步骤7经一致性检查后得到的图片序号用作第二层高频融合系数以及低频融合系数的选取；
步骤10：将步骤9中记录下的第一层分解图像的图片序号所对应的高频系数作为融合图像的第一层分解图像的高频融合系数，将步骤9中记录下的第二层分解图像的图片序号所对应的高频系数和低频系数分别作为融合图像的第二层分解图像的高频融合系数和低频融合系数。至此得到了用于进行图像融合的所有融合系数。
步骤11：根据新的融合系数重构出清晰的融合图像。
2.如权利要求1所述的一种基于白带显微成像的图像融合方法,其特征在于所述步骤2中选取的多张素材图片应选择整体清晰度较高，模糊区域在其余图片中有清晰对应位置的图片。
CN201710820005.2A 2017-09-13 2017-09-13 一种基于白带显微成像的图像融合方法 Active CN107622482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710820005.2A CN107622482B (zh) 2017-09-13 2017-09-13 一种基于白带显微成像的图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710820005.2A CN107622482B (zh) 2017-09-13 2017-09-13 一种基于白带显微成像的图像融合方法

Publications (2)

Publication Number Publication Date
CN107622482A true CN107622482A (zh) 2018-01-23
CN107622482B CN107622482B (zh) 2020-11-17

Family

ID=61089541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710820005.2A Active CN107622482B (zh) 2017-09-13 2017-09-13 一种基于白带显微成像的图像融合方法

Country Status (1)

Country Link
CN (1) CN107622482B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520499A (zh) * 2018-03-28 2018-09-11 电子科技大学 一种基于白带显微成像的图像偏移矫正方法
CN110146974A (zh) * 2019-05-29 2019-08-20 电子科技大学 一种智能生物显微镜
CN112241953A (zh) * 2020-10-22 2021-01-19 江苏美克医学技术有限公司 基于多聚焦图像融合和hdr算法的样本图像融合方法及装置
CN113884489A (zh) * 2021-09-29 2022-01-04 电子科技大学 一种光栅尺辅助定位的厚液层细胞自动显微成像方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101968883A (zh) * 2010-10-28 2011-02-09 西北工业大学 一种基于小波变换和邻域特征的多聚焦图像融合方法
CN103093449A (zh) * 2013-02-28 2013-05-08 重庆大学 一种多分辨率融合的射线图像增强方法
CN104732504A (zh) * 2015-01-23 2015-06-24 天津大学 基于压缩感知和wbct变换的图像融合方法
WO2016105109A1 (ko) * 2014-12-24 2016-06-30 한국표준과학연구원 헤드 일체형 원자간력 현미경 및 이를 포함한 융합 현미경

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101968883A (zh) * 2010-10-28 2011-02-09 西北工业大学 一种基于小波变换和邻域特征的多聚焦图像融合方法
CN103093449A (zh) * 2013-02-28 2013-05-08 重庆大学 一种多分辨率融合的射线图像增强方法
WO2016105109A1 (ko) * 2014-12-24 2016-06-30 한국표준과학연구원 헤드 일체형 원자간력 현미경 및 이를 포함한 융합 현미경
CN104732504A (zh) * 2015-01-23 2015-06-24 天津大学 基于压缩感知和wbct变换的图像融合方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520499A (zh) * 2018-03-28 2018-09-11 电子科技大学 一种基于白带显微成像的图像偏移矫正方法
CN108520499B (zh) * 2018-03-28 2020-02-18 电子科技大学 一种基于白带显微成像的图像偏移矫正方法
CN110146974A (zh) * 2019-05-29 2019-08-20 电子科技大学 一种智能生物显微镜
CN112241953A (zh) * 2020-10-22 2021-01-19 江苏美克医学技术有限公司 基于多聚焦图像融合和hdr算法的样本图像融合方法及装置
CN112241953B (zh) * 2020-10-22 2023-07-21 江苏美克医学技术有限公司 基于多聚焦图像融合和hdr算法的样本图像融合方法及装置
CN113884489A (zh) * 2021-09-29 2022-01-04 电子科技大学 一种光栅尺辅助定位的厚液层细胞自动显微成像方法
CN113884489B (zh) * 2021-09-29 2023-06-20 电子科技大学 一种光栅尺辅助定位的厚液层细胞自动显微成像方法

Also Published As

Publication number Publication date
CN107622482B (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN110033410B (zh) 图像重建模型训练方法、图像超分辨率重建方法及装置
CN107622482A (zh) 一种基于白带显微成像的图像融合方法
CN111832513B (zh) 基于神经网络的实时足球目标检测方法
CN111062892B (zh) 一种基于复合残差网络和深层监督的单幅图像去雨方法
CN111915531B (zh) 一种多层次特征融合和注意力引导的神经网络图像去雾方法
CN110570353A (zh) 密集连接生成对抗网络单幅图像超分辨率重建方法
US20180232857A1 (en) Method and device for super-resolution image reconstruction based on dictionary matching
CN101571950B (zh) 基于各向同性扩散和稀疏表示的图像修复方法
CN110223304B (zh) 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质
CN112990077B (zh) 基于联合学习与光流估计的面部动作单元识别方法及装置
CN111429433A (zh) 一种基于注意力生成对抗网络的多曝光图像融合方法
CN106157249A (zh) 基于光流法和稀疏邻域嵌入的单图像超分辨率重建算法
CN110738660A (zh) 基于改进U-net的脊椎CT图像分割方法及装置
CN112738533A (zh) 一种机巡图像分区域压缩方法
CN115082500B (zh) 基于多尺度与局部特征引导网络的角膜神经纤维分割方法
CN113034361A (zh) 一种基于改进esrgan的遥感影像超分重建方法
CN111105354A (zh) 基于多源深度残差网络的深度图像超分辨率方法及装置
CN112767246B (zh) 光场图像多倍率空间超分辨方法及装置
CN113052849B (zh) 腹部组织图像自动分割方法及系统
CN114092467A (zh) 一种基于轻量化卷积神经网络的划痕检测方法及系统
CN116468625A (zh) 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统
CN104123707B (zh) 一种基于局部秩先验的单幅图像超分辨率重建方法
CN117315336A (zh) 花粉颗粒识别方法、装置、电子设备及存储介质
CN111595737A (zh) 一种基于三维分支网络的光学全息粒子场颗粒点检测方法
CN115689918A (zh) 一种基于残差先验注意力机制的并行单幅图像去雨方法

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