CN107967466A - 一种突显血管的图像处理算法 - Google Patents

一种突显血管的图像处理算法 Download PDF

Info

Publication number
CN107967466A
CN107967466A CN201810005570.8A CN201810005570A CN107967466A CN 107967466 A CN107967466 A CN 107967466A CN 201810005570 A CN201810005570 A CN 201810005570A CN 107967466 A CN107967466 A CN 107967466A
Authority
CN
China
Prior art keywords
image
blood vessel
vessel
blood
image processing
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
Application number
CN201810005570.8A
Other languages
English (en)
Inventor
樊金根
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.)
Shenzhen City Sentence Energy Electronics Co Ltd
Original Assignee
Shenzhen City Sentence Energy Electronics Co Ltd
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 Shenzhen City Sentence Energy Electronics Co Ltd filed Critical Shenzhen City Sentence Energy Electronics Co Ltd
Priority to CN201810005570.8A priority Critical patent/CN107967466A/zh
Publication of CN107967466A publication Critical patent/CN107967466A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0062—Arrangements for scanning
    • A61B5/0064—Body surface scanning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Human Computer Interaction (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种突显血管的图像处理算法，该方法包括以下步骤：血管图像捕捉步骤：利用红外光线照射皮肤，采集红外光线反射的数字图像信息，并将该图片进行保存；血管图像处理步骤：对保存后的图片进行图像优化，突出显示血管，输出显示结果。本发明的有益效果是，将皮肤组织和血管有效的放大这一差别，更突显静脉血管部分。

Description

一种突显血管的图像处理算法
技术领域
本发明涉及图像处理方法改进，特别是一种突显血管的图像处理算法。
背景技术
静脉注射是最常规的西医医疗手段，但很多患者(比如糖尿病，肾病，肥胖者，小孩以及特殊血管人群等)静脉血管特别难找，给医护人员带来烦扰，给患者带来痛苦甚至恐惧，设计一种利用红外投影的原理采集图像后，突出显示血管的算法是亟待解决的问题。
发明内容
本发明的目的是为了解决上述问题，设计了一种突显血管的图像处理算法。
实现上述目的本发明的技术方案为，一种突显血管的图像处理算法，该方法包括以下步骤：
血管图像捕捉步骤：利用红外光线照射皮肤，采集红外光线反射的数字图像信息，并将该图片进行保存；
血管图像处理步骤：对保存后的图片进行图像优化，突出显示血管，输出显示结果。
作为优选，所述利用红外光线照射皮肤，采集红外光线反射的数字图像信息，并将该图片进行保存，其具体方法为：判断红外灯是否开启，如果开启，则采集红外光线反射的数字图像，并将该图像进行保存；如果未开启，停止捕捉图像，关闭显示。
作为优选，所述血管图像处理步骤，其具体包括以下步骤：
数字黑底补偿步骤：自动调整曝光值在±2-3EV之间，以控制光圈和曝光时间；
暗角补偿步骤：将图像的亮度进行对数映射，将对数映射后的色阶进行信息统计，计算对数映射后的图像的对数熵，采集图像的每一点坐标(x,y),计算该图像的补偿系数；
3D降噪步骤：使用自然图像中普遍存在的冗余信息来去噪声，以图像块为单位在图像中寻找相似区域，再对这些区域求平均值；
坏点修正步骤：先判断坏点，然后根据判断结果，基于bayer图像，将图像分为R，G，B三幅图像，分别进行坏点矫正；
灰度等级判断步骤：对坏点修正后的图片进行灰度等级判断；
图像中血管突出显示步骤：判断图像中的内容，是否为血管，并将血管突出显示处理后，输出显示。
作为优选，所述将图像的亮度进行对数映射，将对数映射后的色阶进行信息统计，计算对数映射后的图像的对数熵，采集图像的每一点坐标(x,y),计算该图像的补偿系数，其具体的方法为：首先将亮度进行对数映射：
i(L)＝(N-1)log(1+L)/log256 N＝256；
由于映射后的色阶已经是浮点数了，因此，直方图以下列公式进行信息统计:
计算新图像的对数熵，计算方法如下：
补偿系数一下公式计算：
ga,b,c(r)＝1+ar2+br4+cr6
其中：
g为计算出的补偿系数，x和y是图像每一点的坐标，r则表示暗角的中心位置
a、b、c根据实测和经验分别取：0.3、0.4、0.5。
作为优选，所述使用自然图像中普遍存在的冗余信息来去噪声，以图像块为单位在图像中寻找相似区域，再对这些区域求平均值，其具体方法为：NL-Means的滤波过程可以用下面公式来表示：
u～(x)＝∑y∈Ωxw(x,y)v(y).u～(x)＝∑y∈Ωxw(x,y)v(y)。
作为优选，所述先判断是否存在坏点，然后根据判断结果，基于 bayer图像，将图像分为R，G，B三幅图像，分别进行坏点矫正，其具体方法为：坏点分为静态坏点和动态坏点，其中，
静态坏点判断步骤：
静态坏点分为亮点和暗点，其中，
判断亮点的步骤为：一般来说像素点的亮度值是正比于入射光的，而亮点的亮度值明显大于入射光乘以相应比例，并且随着曝光时间的增加，该点的亮度会显著增加；
判断暗点的步骤为：判断该点是否在任何光线下，该点的值接近于0；
动态坏点的判断方法：在一定像素范围内，该点表现正常，而超过这一范围，该点表现的比周围像素要亮。
作为优选，所述图像中血管突出显示步骤，其具体方法为：判断该图像中的内容是否为血管，若是血管，则按权重比例增加灰度等级；若不是血管，则权重比例增加黑电平。
一种突显血管的图像处理装置，包括血管图像捕捉模块和血管图像处理模块，所述血管图像捕捉模块和血管图像处理模块相连接，其中，
血管图像捕捉模块，用于利用红外光线照射皮肤，采集红外光线反射的数字图像信息，并将该图片进行保存；
血管图像捕捉模块，用于对保存后的图片进行图像优化，突出显示血管，输出显示结果。
利用本发明的技术方案制作的突显血管的图像处理算法，将皮肤组织和血管有效的放大这一差别，更突显静脉血管部分。
附图说明
图1是本发明所述突显血管的图像处理算法的逻辑步骤示意图；
图2是本发明所述突显血管的图像处理算法实施例一的逻辑步骤示意图；
图3是本发明所述突显血管的图像处理装置的结构示意图；
图中，1、血管图像捕捉模块；2、血管图像捕捉模块。
具体实施方式
下面结合附图对本发明进行具体描述，如图1-3所示，一种突显血管的图像处理算法，该方法包括以下步骤：
血管图像捕捉步骤：利用红外光线照射皮肤，采集红外光线反射的数字图像信息，并将该图片进行保存；
血管图像处理步骤：对保存后的图片进行图像优化，突出显示血管，输出显示结果。
实施例一
如图2所示，在本实施方案中，
在步骤S01中，判断红外灯是否开启，如果开启，则退出步骤01，进入步骤S02，如果未开启，则退出步骤01，进入步骤03
在步骤S02中，采集红外光线反射的数字图像，并将该图像进行保；在步骤S03中，停止捕捉图像，关闭显示。
在步骤S04中，自动调整曝光值在±2-3EV之间，以控制光圈和曝光时间，进入步骤S05；
在步骤S05中，将图像的亮度进行对数映射，将对数映射后的色阶进行信息统计，计算对数映射后的图像的对数熵，采集图像的每一点坐标(x,y),计算该图像的补偿系数，进入步骤S06，
首先将亮度进行对数映射：
i(L)＝(N-1)log(1+L)/log256 N＝256；
由于映射后的色阶已经是浮点数了，因此，直方图以下列公式进行信息统计:
计算新图像的对数熵，计算方法如下：
补偿系数一下公式计算：
ga,b,c(r)＝1+ar2+br4+cr6
其中：
g为计算出的补偿系数，x和y是图像每一点的坐标，r则表示暗角的中心位置
a、b、c根据实测和经验分别取：0.3、0.4、0.5。
在步骤06中，使用自然图像中普遍存在的冗余信息来去噪声，以图像块为单位在图像中寻找相似区域，再对这些区域求平均值，进入步骤S07，
NL-Means的滤波过程可以用下面公式来表示：
u～(x)＝∑y∈Ωxw(x,y)v(y).u～(x)＝∑y∈Ωxw(x,y)v(y)；
在步骤S07中，先判断坏点，然后根据判断结果，基于bayer 图像，将图像分为R，G，B三幅图像，分别进行坏点矫正；
坏点分为静态坏点和动态坏点，其中，
静态坏点判断步骤：
静态坏点分为亮点和暗点，其中，
判断亮点的步骤为：一般来说像素点的亮度值是正比于入射光的，而亮点的亮度值明显大于入射光乘以相应比例，并且随着曝光时间的增加，该点的亮度会显著增加；
判断暗点的步骤为：判断该点是否在任何光线下，该点的值接近于0；
动态坏点的判断方法：在一定像素范围内，该点表现正常，而超过这一范围，该点表现的比周围像素要亮。
坏点分为静态坏点和动态坏点，其中，
静态坏点判断步骤：
静态坏点分为亮点和暗点，其中，
判断亮点的步骤为：一般来说像素点的亮度值是正比于入射光的，而亮点的亮度值明显大于入射光乘以相应比例，并且随着曝光时间的增加，该点的亮度会显著增加；
判断暗点的步骤为：判断该点是否在任何光线下，该点的值接近于0；
动态坏点的判断方法：在一定像素范围内，该点表现正常，而超过这一范围，该点表现的比周围像素要亮。
在步骤S08中，对坏点修正后的图片进行灰度等级判断；
在步骤S09中，判断图像中的内容，是否为血管，若是血管，则退出步骤S09，进入步骤S10，若不是血管，则退出步骤S09，进入步骤S11；
在步骤S10中，则按权重比例增加灰度等级，进入步骤S12；
在步骤S11中，则权重比例增加黑电平，进入步骤S12；
在步骤S12中，将血管突出显示处理后，输出显示。
实施例二
如图3所示，一种突显血管的图像处理装置，包括血管图像捕捉模块1和血管图像处理模块2，所述血管图像捕捉模块1和血管图像处理模块2相连接，其中，
血管图像捕捉模块1，用于利用红外光线照射皮肤，采集红外光线反射的数字图像信息，并将该图片进行保存；
血管图像捕捉模块2，用于对保存后的图片进行图像优化，突出显示血管，输出显示结果。
上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。

Claims (8)

1.一种突显血管的图像处理算法，其特征在于，该方法包括以下步骤：
血管图像捕捉步骤：利用红外光线照射皮肤，采集红外光线反射的数字图像信息，并将该图片进行保存；
血管图像处理步骤：对保存后的图片进行图像优化，突出显示血管，输出显示结果。
2.根据权利要求1所述的突显血管的图像处理算法，其特征在于，所述利用红外光线照射皮肤，采集红外光线反射的数字图像信息，并将该图片进行保存，其具体方法为：判断红外灯是否开启，如果开启，则采集红外光线反射的数字图像，并将该图像进行保存；如果未开启，停止捕捉图像，关闭显示。
3.根据权利要求1所述的突显血管的图像处理算法，其特征在于，所述血管图像处理步骤，其具体包括以下步骤：
数字黑底补偿步骤：自动调整曝光值在±2-3EV之间，以控制光圈和曝光时间；
暗角补偿步骤：将图像的亮度进行对数映射，将对数映射后的色阶进行信息统计，计算对数映射后的图像的对数熵，采集图像的每一点坐标(x,y),计算该图像的补偿系数；
3D降噪步骤：使用自然图像中普遍存在的冗余信息来去噪声，以图像块为单位在图像中寻找相似区域，再对这些区域求平均值；
坏点修正步骤：先判断坏点，然后根据判断结果，基于bayer图像，将图像分为R，G，B三幅图像，分别进行坏点矫正；
灰度等级判断步骤：对坏点修正后的图片进行灰度等级判断；
图像中血管突出显示步骤：判断图像中的内容，是否为血管，并将血管突出显示处理后，输出显示。
4.根据权利要求3所述的突显血管的图像处理算法，其特征在于，所述将图像的亮度进行对数映射，将对数映射后的色阶进行信息统计，计算对数映射后的图像的对数熵，采集图像的每一点坐标(x,y),计算该图像的补偿系数，其具体的方法为：首先将亮度进行对数映射：
i(L)＝(N-1)log(1+L)/log256 N＝256；
由于映射后的色阶已经是浮点数了，因此，直方图以下列公式进行信息统计:
计算新图像的对数熵，计算方法如下：
<mrow> <mi>H</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>k</mi> </munder> <msub> <mover> <mi>p</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mi>l</mi> <mi>o</mi> <mi>g</mi> <msub> <mover> <mi>p</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> </mrow>
补偿系数一下公式计算：
ga,b,c(r)＝1+ar2+br4+cr6
其中：
g为计算出的补偿系数，x和y是图像每一点的坐标，r则表示暗角的中心位置
a、b、c根据实测和经验分别取：0.3、0.4、0.5。
5.根据权利要求3所述的突显血管的图像处理算法，其特征在于，所述使用自然图像中普遍存在的冗余信息来去噪声，以图像块为单位在图像中寻找相似区域，再对这些区域求平均值，其具体方法为：NL-Means的滤波过程可以用下面公式来表示：
u～(x)＝∑y∈Ωxw(x,y)v(y).u～(x)＝∑y∈Ωxw(x,y)v(y)。
6.根据权利要求3所述的突显血管的图像处理算法，其特征在于，所述先判断是否存在坏点，然后根据判断结果，基于bayer图像，将图像分为R，G，B三幅图像，分别进行坏点矫正，其具体方法为：坏点分为静态坏点和动态坏点，其中，
静态坏点判断步骤：
静态坏点分为亮点和暗点，其中，
判断亮点的步骤为：一般来说像素点的亮度值是正比于入射光的，而亮点的亮度值明显大于入射光乘以相应比例，并且随着曝光时间的增加，该点的亮度会显著增加；
判断暗点的步骤为：判断该点是否在任何光线下，该点的值接近于0；
动态坏点的判断方法：在一定像素范围内，该点表现正常，而超过这一范围，该点表现的比周围像素要亮。
7.根据权利要求3所述的突显血管的图像处理算法，其特征在于，所述图像中血管突出显示步骤，其具体方法为：判断该图像中的内容是否为血管，若是血管，则按权重比例增加灰度等级；若不是血管，则权重比例增加黑电平。
8.一种突显血管的图像处理装置，其特征在于，包括血管图像捕捉模块(1)和血管图像处理模块(2)，所述血管图像捕捉模块(1)和血管图像处理模块(2)相连接，其中，
血管图像捕捉模块(1)，用于利用红外光线照射皮肤，采集红外光线反射的数字图像信息，并将该图片进行保存；
血管图像捕捉模块(2)，用于对保存后的图片进行图像优化，突出显示血管，输出显示结果。
CN201810005570.8A 2018-01-03 2018-01-03 一种突显血管的图像处理算法 Pending CN107967466A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810005570.8A CN107967466A (zh) 2018-01-03 2018-01-03 一种突显血管的图像处理算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810005570.8A CN107967466A (zh) 2018-01-03 2018-01-03 一种突显血管的图像处理算法

Publications (1)

Publication Number Publication Date
CN107967466A true CN107967466A (zh) 2018-04-27

Family

ID=61994047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810005570.8A Pending CN107967466A (zh) 2018-01-03 2018-01-03 一种突显血管的图像处理算法

Country Status (1)

Country Link
CN (1) CN107967466A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111284A (zh) * 2019-05-14 2019-08-09 四川大学 一种渐晕图像校正的方法、装置、电子设备和存储介质
WO2020001006A1 (zh) * 2018-06-26 2020-01-02 京东方科技集团股份有限公司 图像信息生成方法、脉搏波测量系统和电子装置
CN110909595A (zh) * 2019-10-12 2020-03-24 平安科技（深圳）有限公司 面部动作识别模型训练方法、面部动作识别方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1042065A (zh) * 1988-10-27 1990-05-16 株式会社岛津制作所 X射线摄影装置
CN101779961A (zh) * 2009-01-19 2010-07-21 株式会社东芝 X射线图像诊断装置及x射线图像诊断装置的控制方法
CN102592110A (zh) * 2010-11-12 2012-07-18 株式会社日立制作所 个人认证装置及方法
CN102727158A (zh) * 2011-04-01 2012-10-17 富士胶片株式会社 内窥镜系统以及校准方法
CN202821303U (zh) * 2012-08-15 2013-03-27 王庆源 一种红外静脉血管显像装置
CN103126654A (zh) * 2013-02-05 2013-06-05 杭州柏拉图科技有限公司 一种近红外体表血管检测仪的检测系统
CN103810709A (zh) * 2014-02-25 2014-05-21 南京理工大学 基于血管的眼底图像与sd-oct投影图像配准方法
CN103886282A (zh) * 2014-02-26 2014-06-25 中国船舶重工集团公司第七一〇研究所 一种手指静脉图像采集方法
CN104434033A (zh) * 2014-11-28 2015-03-25 深圳元华医疗设备技术有限公司 近红外血管显像仪
CN104504711A (zh) * 2014-12-29 2015-04-08 西安交通大学 一种基于圆形轮廓图极性的血管图像处理方法
CN104983400A (zh) * 2015-07-23 2015-10-21 王庆源 可佩戴式红外静脉血管显像装置
CN106937864A (zh) * 2016-01-05 2017-07-11 财团法人工业技术研究院 皮肤组织估计方法及应用其的系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1042065A (zh) * 1988-10-27 1990-05-16 株式会社岛津制作所 X射线摄影装置
CN101779961A (zh) * 2009-01-19 2010-07-21 株式会社东芝 X射线图像诊断装置及x射线图像诊断装置的控制方法
CN102592110A (zh) * 2010-11-12 2012-07-18 株式会社日立制作所 个人认证装置及方法
CN102727158A (zh) * 2011-04-01 2012-10-17 富士胶片株式会社 内窥镜系统以及校准方法
CN202821303U (zh) * 2012-08-15 2013-03-27 王庆源 一种红外静脉血管显像装置
CN103126654A (zh) * 2013-02-05 2013-06-05 杭州柏拉图科技有限公司 一种近红外体表血管检测仪的检测系统
CN103810709A (zh) * 2014-02-25 2014-05-21 南京理工大学 基于血管的眼底图像与sd-oct投影图像配准方法
CN103886282A (zh) * 2014-02-26 2014-06-25 中国船舶重工集团公司第七一〇研究所 一种手指静脉图像采集方法
CN104434033A (zh) * 2014-11-28 2015-03-25 深圳元华医疗设备技术有限公司 近红外血管显像仪
CN104504711A (zh) * 2014-12-29 2015-04-08 西安交通大学 一种基于圆形轮廓图极性的血管图像处理方法
CN104983400A (zh) * 2015-07-23 2015-10-21 王庆源 可佩戴式红外静脉血管显像装置
CN106937864A (zh) * 2016-01-05 2017-07-11 财团法人工业技术研究院 皮肤组织估计方法及应用其的系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GUOFEI20: "图像自动去暗角算法", 《CSDN》 *
PAUL_0920: "ISP-坏点矫正（DPC）", 《CSDN》 *
机器之心: "学界|Facebook何恺明等人最新论文提出非局部神经网络", 《微信公众号》 *
黄熵琳: "便携式电子鼻咽喉镜的研发", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020001006A1 (zh) * 2018-06-26 2020-01-02 京东方科技集团股份有限公司 图像信息生成方法、脉搏波测量系统和电子装置
US11497408B2 (en) 2018-06-26 2022-11-15 Beijing Boe Technology Development Co., Ltd. Image information generation method, pulse wave measurement system and electronic device
CN110111284A (zh) * 2019-05-14 2019-08-09 四川大学 一种渐晕图像校正的方法、装置、电子设备和存储介质
CN110111284B (zh) * 2019-05-14 2020-11-20 四川大学 一种渐晕图像校正的方法、装置、电子设备和存储介质
CN110909595A (zh) * 2019-10-12 2020-03-24 平安科技（深圳）有限公司 面部动作识别模型训练方法、面部动作识别方法
CN110909595B (zh) * 2019-10-12 2023-04-18 平安科技（深圳）有限公司 面部动作识别模型训练方法、面部动作识别方法

Similar Documents

Publication Publication Date Title
CN110264424B (zh) 一种基于生成对抗网络的模糊视网膜眼底图像增强方法
Zhou et al. Color retinal image enhancement based on luminosity and contrast adjustment
CN109166126A (zh) 一种基于条件生成式对抗网络在icga图像上分割漆裂纹的方法
CN107967466A (zh) 一种突显血管的图像处理算法
CN110648344B (zh) 一种基于局部病灶特征的糖尿病视网膜病变分类装置
CN106651818A (zh) 基于改进的直方图均衡化低照度图像增强算法
Esmaeili et al. A new curvelet transform based method for extraction of red lesions in digital color retinal images
FR2903211A1 (fr) Procedes et dispositifs de correction d&#39;une mammographie a implant et de segmentation d&#39;un implant
CN110786824B (zh) 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统
Yadav et al. Comparative analysis of fundus image enhancement in detection of diabetic retinopathy
CN106683080A (zh) 一种视网膜眼底图像预处理方法
CN114881962A (zh) 一种基于改进U-Net网络的视网膜图像血管分割方法
Oh et al. Automatic computer-aided diagnosis of retinal nerve fiber layer defects using fundus photographs in optic neuropathy
Subramani et al. Fuzzy contextual inference system for medical image enhancement
CN108447031A (zh) 一种红外图像热背景噪声校正的方法
CN106558031A (zh) 一种基于成像模型的彩色眼底图的图像增强方法
Naveen et al. Diabetic retinopathy detection using image processing
Cao et al. Detail-richest-channel based enhancement for retinal image and beyond
Satyanarayana et al. A quantitative analysis of histogram equalization-based methods on fundus images for diabetic retinopathy detection
Bhandari et al. Gamma corrected reflectance for low contrast image enhancement using guided filter
CN107945128B (zh) 一种基于Retinex的彩色图像增强方法
Zhang et al. A fundus image enhancer based on illumination-guided attention and optic disc perception GAN
Weizhen et al. The applications of improved retinex algorithm for X-ray medical image enhancement
Jin et al. Learn to enhance the low-light image via a multi-exposure generation and fusion method
CN115049561B (zh) 基于非理想光照图像的真实影像再现方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180427