CN108305252A - 用于便携式电子内镜的图像融合方法 - Google Patents

用于便携式电子内镜的图像融合方法 Download PDF

Info

Publication number
CN108305252A
CN108305252A CN201810158828.8A CN201810158828A CN108305252A CN 108305252 A CN108305252 A CN 108305252A CN 201810158828 A CN201810158828 A CN 201810158828A CN 108305252 A CN108305252 A CN 108305252A
Authority
CN
China
Prior art keywords
image
portable electronic
picture
electronic scope
sequence
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
CN201810158828.8A
Other languages
English (en)
Other versions
CN108305252B (zh
Inventor
孙刚
陈晓冬
肖禹泽
徐勇
郝福德
杨云生
张修礼
陈俊
栾哲
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.)
Chinese PLA General Hospital
Original Assignee
Chinese PLA General Hospital
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 Chinese PLA General Hospital filed Critical Chinese PLA General Hospital
Priority to CN201810158828.8A priority Critical patent/CN108305252B/zh
Publication of CN108305252A publication Critical patent/CN108305252A/zh
Application granted granted Critical
Publication of CN108305252B publication Critical patent/CN108305252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10068—Endoscopic image
    • 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
    • G06T2207/30092—Stomach; Gastric
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Endoscopes (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供一种用于便携式电子内镜的图像融合方法。本发明根据整体图像质量，如像素曝光质量、细节丰富程度，从图像序列中选择参考图像。从像素曝光质量、细节丰富程度及与参考图像之间的局部相似性三个角度对图像内容进行评价，并根据评价结果确定融合权重。采用拉普拉斯金字塔图像融合算法进行图像融合，从而得到高动态范围图像。

Description

用于便携式电子内镜的图像融合方法
技术领域
本发明涉及到图像融合技术，特别涉及便携式电子内镜中的图像融合方法。
背景技术
电子内镜系统是一种对人体内部的各种器官和组织的健康状态进行检查的医疗仪器，其插入人体内的一端装有由一小块硅片集成的CCD镜头，它能将待查部位的图像转化为数字化的电信号，输出至体外由图像监视器接收并显示。这一技术的应用使人体内部图像的贮存、再现、会诊以及管理成为可能。常用的电子内镜包含镜体、光源、图像处理单元、水气供给单元、显示器、图像处理工作站等设备，整套系统体积庞大，需要多人共同完成操作，因此并不适用于野战、救灾等特殊情况。
本发明涉及的便携式电子内镜系统体积小，其内部集成供电模块、水气模块、LED光源模块及嵌入式图像处理系统及界面，可单人携带、独立完成诊疗操作，机动性好。不受电子、电磁、辐射、高温、干燥等影响，对水、电、气要求低，环境适应性强，适合在一些恶劣环境下对病人的紧急检查和治疗。
便携式电子内镜主要对胃部环境进行检测，观察组织的病变情况。由于胃部环境狭窄不平整，可能出现某些部位很亮或者很暗的情况，图像中将不可避免地出现过度曝光或曝光不足的失真区域。内镜图像的最大亮度与最小亮度之比被称为动态范围，由于数字成像设备的动态范围远小于内镜检查环境，因此便携式电子内镜中需要一种高效的高动态范围(High Dynamic Range，HDR)的成像技术来应对病人胃部组织的检查。
多次曝光是获取HDR图像的一种常用方法。经典的HDR算法包含两个步骤，首先对相机的响应函数(Camera Response Function，CRF)进行估计，根据不同曝光时间的图像序列重建现实场景的辐射图，再对重建结果应用色调映射(Tone Mapping)算法，得到适用于常规显示设备的低动态范围图像(Low Dynamic Range，LDR)。与经典的HDR算法不同，曝光融合算法跳过合成HDR图像的过程，直接通过图像融合方法来重建与HDR成像效果类似的高质量图像。相比之下，曝光融合算法无需进行相机响应函数估计与色调映射，因而更加高效。由于体内环境中往往存在器官收缩舒张等生理现象，如何在实现高动态范围图像融合过程中排除运动物体的干扰，成为近年来研究的热点问题。2007年，T.Mertens等人提出了曝光融合的概念，根据图像局部对比度、饱和度和曝光质量计算权重，对不同曝光时间下的图像序列进行融合，但该方法仅对静态场景有效，当场景中存在动态目标时，融合结果中将出现运动模糊、鬼影等现象。2009年，Gallo等人利用相机响应曲线重建场景辐射图，通过图像序列与参考图像之间的关系来判别运动鬼影所在的区域，进而在融合过程中去除鬼影。但该方法需要重建相机响应曲线，并且在去除鬼影的同时往往会造成连同运动目标一起去除，导致融合结果与真实场景不符。2012年，Sen等人针对动态场景提出一种图像对齐与鬼影去除算法，该算法在图像序列中选择一帧参考图像，通过最小化能量方程获得局部最优相似性。该算法对鬼影具有较好的抑制效果，但同样需要重建相机响应曲线，并且重建结果仍会有少量区域存在过度曝光现象。
发明内容
本发明的目的是提供一种用于便携式电子内镜的动态场景曝光融合算法实现高动态范围的动态场景图像融合。本发明根据整体图像质量，如像素曝光质量、细节丰富程度，从图像序列中选择参考图像。从像素曝光质量、细节丰富程度及与参考图像之间的局部相似性三个角度对图像内容进行评价，并根据评价结果确定融合权重。采用拉普拉斯金字塔图像融合算法进行图像融合，从而得到高动态范围图像。
本发明的用于便携式电子内镜的图像融合方法，包括：
步骤1.利用便携式电子内镜，得到人体内部组织的图像序列；
步骤2.计算图像序列中每一副图像的曝光质量评价因子；
步骤3.计算图像序列中每一副图像的局部细节丰富程度评价因子；
步骤4.计算图像中所有像素点的局部曝光质量评价因子与局部细节丰富程度评价因子乘积的平均值，通过选取其中平均值最大的图像，作为参考图像；
步骤5.计算序列中所有图像与参考图像的相似性评价因子；
步骤6.通过计算局部曝光质量评价因子、局部细节丰富程度评价因子与相似性评价因子的乘积，得到参与图像融合的每一副图像的权重；
步骤7.通过权重与序列图像乘积的加和，得到动态场景图像；
优选的，步骤1中，通过电子内镜得到图像序列，并对图像序列进行编号：对于长度为P帧的图像序列，设Ii(x,y)表示第i帧图像在(x,y)位置的灰度值，其中i∈[0,P]为像素点坐标；(x,y)为像素点坐标；
优选的，步骤2中，采用高斯曲线的形式来评价像素点的曝光质量；曝光质量评价因子计算公式为：
其中，Ei(x,y)表示第i帧图像在(x,y)位置的曝光质量评价因子，σe为常数，对于彩色图像，将图像转换到YCbCr颜色空间，根据亮度分量Y来计算参数E；
优选的，步骤3中，利用梯度的幅值信息对图像的局部细节丰富程度进行评价，图像细节丰富程度评价因子Di计算公式如下：
上式中，ε表示很小的正数，Mi为第i帧图像(x,y)位置上的梯度大小；
优选的，步骤3中，采用Sobel算子作为梯度提取算子，分别计算水平和竖直两个方向的梯度值Gx、Gy，将二者的几何平均值作为该点的梯度幅值，第i帧图像(x,y)位置上的梯度大小Mi为：
优选的，步骤4中，计算图像中所有像素点局部曝光质量评价因子和局部细节丰富度评价因子的乘积，
Q＝E×D，
利用局部曝光质量评价因子E和局部细节丰富程度评价因子D的乘积Q作为参考图像的选择依据，计算图像中所有像素点Q值的平均值选择图像序列中值最大者作为参考图像；
优选的，步骤5中，参考图像的梯度方向图为θref，第i帧图像的梯度方向图为θi，第i帧图像在(x,y)位置上与参考图像之间的梯度方向差记为di(x,y)，则：
相应的相似性评价因子Si(x，y)为：
其中，σd为常数；在计算局部相似性评价因子过程中，为了降低图像噪声的影响，提高计算结果的可靠性，对图像进行分块处理；分块大小为(2l+1)(2l+1),其中k的取值由-l到l，表示每块图像中所有的像素点；
优选的，步骤6中，综合局部曝光质量、细节丰富程度以及与参考图像之间的相似性三方面因素的影响，基于图像质量评价因子的权重计算公式为：
Wi(x，y)＝Ei(x，y)·Di(x，y）·Si(x，y)。
优选的，步骤7中，对权重W进行归一化处理，得到新的权重矩阵为：
融合结果为：
本发明提出的用于便携式电子内镜的图像融合方法是一种新的动态场景曝光融合算法，以图像内容评价因子作为权重，将图像序列中的图像进行融合，算法兼顾高动态范围图像融合效果和运动鬼影的抑制效果。
附图说明
下面通过具体实施方式并参照附图介绍本发明的其它细节和优点，附图如下：
图1为本发明用于便携式电子内镜的图像融合方法的一种实施流程图；
图2.本发明用于便携式电子内镜的图像融合方法与其他算法处理结果对比图。其中(d)(e)(f)分别为(a)(b)(c)中右侧框所示区域放大的结果，(g)(h)(i)为(a)(b)(c)中左侧框所示区域放大的结果。
具体实施方式
本发明的具体实施方式如图1所示：
101.利用便携式电子内镜，得到人体内部组织的图像序列。对图像序列进行编号，对于长度为P帧的图像序列，设Ii(x,y)表示第i帧图像在(x,y)位置的灰度值，i∈[0,P]为像素点坐标；(x,y)为像素点坐标。
102.计算需要融合图像的曝光质量评价因子；
Ei(x，y)表示第i帧图像在(x,y)位置的曝光质量评价因子，σe为常数。当灰度值为0.5时，评价参数E取最大值1。曝光质量评价因子表达式为：
103.计算图像序列中每一副图像的局部细节丰富程度评价因子；
采用Sobel算子作为梯度提取算子，分别计算水平和竖直两个方向的梯度值Gx、Gy，将二者的几何平均值作为该点的梯度幅值。第i帧图像(x,y)位置上的梯度大小Mi为：
图像细节丰富程度评价因子Di计算公式如下：
上式中，ε表示很小的正数。
104.参考图像选取；
利用局部曝光质量评价因子E和局部细节丰富程度评价因子D的乘积Q作为参考图像的选择依据，计算图像中所有像素点Q值的平均值选择图像序列中值最大者作为参考图像。
105.计算图像序列中所有图像与参考图像的相似性评价因子；
参考图像的梯度方向图为θref，第i帧图像的梯度方向图为θi，第i帧图像在(x,y)位置上与参考图像之间的梯度方向差记为di(x,y)，σd为常数，则：
相应的相似性评价因子Si(x，y)为：
在计算局部相似性评价因子过程中，为了降低图像噪声的影响，提高计算结果的可靠性，对图像进行分块处理。分块大小为(2l+1)(2l+1),其中k的取值由-l到l，表示每块图像中所有的像素点；
106.计算每副图像在图像融合中的权重；
综合局部曝光质量、细节丰富程度以及与参考图像之间的相似性三方面因素的影响，基于图像质量评价因子的权重计算公式为：
Wi(x，y)＝Ei(x，y)·Di(x，y)·Si(x，y)
107.通过权重与序列图像乘积的加和，得到动态场景图像；
在进行图像融合之前，首先对权重W进行归一化处理，得到新的权重矩阵为：
对于长度为P帧的图像序列，设Ii(x,y)表示第i帧图像在(x,y)位置的灰度值，(x,y)为像素点坐标，其中i∈[1,P]；融合结果为R(x,y)为像素点坐标，则图像融合的基本过程为：
表1、表2采用本发明提供的动态场景曝光融合算法与其他方法的结果对比。表1为采用图像熵对处理结果进行评价；表2为采用局部结构相似性(SSIM)参数对处理结果进行评价。图像熵的大小可在一定程度上反映融合结果中包含的信息量大小；理想情况下，融合结果与参考图像中曝光正常的区域之间应具有较好的结构相似性，当融合结果中出现鬼影时，与参考图像之间的结构相似性将遭到破坏，因此通过考察融合结果与参考图像之间的局部结构相似性，可评价算法对鬼影的抑制效果。
表1
表2
从图2的结果中可以看出，Mertens等人的算法对像素的曝光质量控制得较好，融合结果中几乎不存在过度曝光的区域，但无法抑制运动场景的鬼影现象。Sen等人的算法有效地去除了鬼影，但图像中仍然存在较为明显的过曝区域，相比之下，本算法的处理结果在去除鬼影的前提下，对过曝现象控制得更为理想。
以上为本发明的最佳实施方式，依据本发明公开的内容，本领域普通技术人员能够显而易见想到一些雷同替代方案，均应落入本发明的保护范围。

Claims (9)

1.一种用于便携式电子内镜的图像融合方法，其包括：
步骤1.利用便携式电子内镜，得到人体内部组织的图像序列；
步骤2.计算图像序列中每一副图像的曝光质量评价因子；
步骤3.计算图像序列中每一副图像的局部细节丰富程度评价因子；
步骤4.计算图像中所有像素点的局部曝光质量评价因子与局部细节丰富程度评价因子乘积的平均值，通过选取其中平均值最大的图像，作为参考图像；
步骤5.计算序列中所有图像与参考图像的相似性评价因子；
步骤6.通过计算局部曝光质量评价因子、局部细节丰富程度评价因子与相似性评价因子的乘积，得到参与图像融合的每一副图像的权重；
步骤7.通过权重与序列图像乘积的加和，得到动态场景图像。
2.如权利要求1所述的用于便携式电子内镜的图像融合方法，其特征在于：步骤1中，通过电子内镜得到图像序列，并对图像序列进行编号：对于长度为P帧的图像序列，设Ii(x,y)表示第i帧图像在(x,y)位置的灰度值，其中i∈[0,P]为像素点坐标；(x,y)为像素点坐标。
3.如权利要求1所述的用于便携式电子内镜的图像融合方法，其特征在于：步骤2中，采用高斯曲线的形式来评价像素点的曝光质量；曝光质量评价因子计算公式为：
其中，Ei(x,y)表示第i帧图像在(x,y)位置的曝光质量评价因子，σe为常数，对于彩色图像，将图像转换到YCbCr颜色空间，根据亮度分量Y来计算参数E。
4.如权利要求1所述的用于便携式电子内镜的图像融合方法，其特征在于：步骤3中，利用梯度的幅值信息对图像的局部细节丰富程度进行评价，图像细节丰富程度评价因子Di计算公式如下：
上式中，ε表示很小的正数，Mi为第i帧图像(x,y)位置上的梯度大小。
5.如权利要求1所述的用于便携式电子内镜的图像融合方法，其特征在于：步骤3中，采用Sobel算子作为梯度提取算子，分别计算水平和竖直两个方向的梯度值Gx、Gy，将二者的几何平均值作为该点的梯度幅值，第i帧图像(x,y)位置上的梯度大小Mi为：
6.如权利要求1所述的用于便携式电子内镜的图像融合方法，其特征在于：步骤4中，计算图像中所有像素点局部曝光质量评价因子和局部细节丰富度评价因子的乘积，
Q＝E×D，
利用局部曝光质量评价因子E和局部细节丰富程度评价因子D的乘积Q作为参考图像的选择依据，计算图像中所有像素点Q值的平均值选择图像序列中值最大者作为参考图像。
7.如权利要求1所述的用于便携式电子内镜的图像融合方法，其特征在于：步骤5中，参考图像的梯度方向图为θref，第i帧图像的梯度方向图为θi，第i帧图像在(x,y)位置上与参考图像之间的梯度方向差记为di(x,y)，则：
相应的相似性评价因子Si(x，y)为：
其中，σd为常数；在计算局部相似性评价因子过程中，为了降低图像噪声的影响，提高计算结果的可靠性，对图像进行分块处理，分块大小为(2l+1)(2l+1),其中k的取值由-l到l，表示每块图像中所有的像素点。
8.如权利要求1所述的用于便携式电子内镜的图像融合方法，其特征在于：步骤6中，综合局部曝光质量、细节丰富程度以及与参考图像之间的相似性三方面因素的影响，基于图像质量评价因子的权重计算公式为：
Wi(x，y)＝Ei(x，y)·Di(x，y)·Si(x，y)。
9.如权利要求1所述的用于便携式电子内镜的图像融合方法，其特征在于：步骤7中，对权重W进行归一化处理，得到新的权重矩阵为：
融合结果为：
CN201810158828.8A 2018-02-26 2018-02-26 用于便携式电子内镜的图像融合方法 Active CN108305252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810158828.8A CN108305252B (zh) 2018-02-26 2018-02-26 用于便携式电子内镜的图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810158828.8A CN108305252B (zh) 2018-02-26 2018-02-26 用于便携式电子内镜的图像融合方法

Publications (2)

Publication Number Publication Date
CN108305252A true CN108305252A (zh) 2018-07-20
CN108305252B CN108305252B (zh) 2020-03-27

Family

ID=62848693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810158828.8A Active CN108305252B (zh) 2018-02-26 2018-02-26 用于便携式电子内镜的图像融合方法

Country Status (1)

Country Link
CN (1) CN108305252B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062923A (zh) * 2019-12-16 2020-04-24 中国科学院深圳先进技术研究院 图像处理方法及相关装置
CN111886625A (zh) * 2019-05-13 2020-11-03 深圳市大疆创新科技有限公司 图像融合方法、图像采集设备、可移动平台

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1577396A (zh) * 2003-07-18 2005-02-09 微软公司 用于从移动场景的多个曝光中生成高动态范围图像的系统和过程
CN103247036A (zh) * 2012-02-10 2013-08-14 株式会社理光 多曝光图像融合方法和装置
CN104077759A (zh) * 2014-02-28 2014-10-01 西安电子科技大学 一种基于色觉感知及全局质量因子的多曝光度图像融合方法
CN104616273A (zh) * 2015-01-26 2015-05-13 电子科技大学 一种基于拉普拉斯金字塔分解的多曝光图像融合方法
CN105551061A (zh) * 2015-12-09 2016-05-04 天津大学 高动态范围图像融合中保留无鬼影运动物体处理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1577396A (zh) * 2003-07-18 2005-02-09 微软公司 用于从移动场景的多个曝光中生成高动态范围图像的系统和过程
CN103247036A (zh) * 2012-02-10 2013-08-14 株式会社理光 多曝光图像融合方法和装置
CN104077759A (zh) * 2014-02-28 2014-10-01 西安电子科技大学 一种基于色觉感知及全局质量因子的多曝光度图像融合方法
CN104616273A (zh) * 2015-01-26 2015-05-13 电子科技大学 一种基于拉普拉斯金字塔分解的多曝光图像融合方法
CN105551061A (zh) * 2015-12-09 2016-05-04 天津大学 高动态范围图像融合中保留无鬼影运动物体处理方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GUO-CHENG YANG 等: "Exposure Image Fusion of Enhancing Detail Visibility Based on Contrast Adjustment", 《WSEAS TRANSACTIONS ON SIGNAL PROCESSING》 *
TOM MERTENS 等: "Exposure Fusion：a simple and practical alternative to high dynamic range photography", 《COMPUTER GRAPHIC FORUM 28》 *
WEI ZHANG 等: "Gradient-Directed Multiexposure Composition", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
WEI ZHANG 等: "Reference-guided exposure fusion in dynamic scenes", 《J. VIS. COMMUN. IMAGE R》 *
胡胜男 等: "高动态范围成像技术中的鬼影检测与去除方法综述", 《计算机科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111886625A (zh) * 2019-05-13 2020-11-03 深圳市大疆创新科技有限公司 图像融合方法、图像采集设备、可移动平台
WO2020227898A1 (zh) * 2019-05-13 2020-11-19 深圳市大疆创新科技有限公司 图像融合方法、图像采集设备、可移动平台
CN111062923A (zh) * 2019-12-16 2020-04-24 中国科学院深圳先进技术研究院 图像处理方法及相关装置
CN111062923B (zh) * 2019-12-16 2024-01-23 中国科学院深圳先进技术研究院 图像处理方法及相关装置

Also Published As

Publication number Publication date
CN108305252B (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN106102557B (zh) 图像处理装置
US7340034B2 (en) Image photographing apparatus and method
JP6143096B2 (ja) 眼底画像処理装置およびプログラム、並びに眼底画像撮影装置
CN108055452A (zh) 图像处理方法、装置及设备
TW200820123A (en) Method and system of generating high dynamic range image corresponding to specific scene
JP2008104673A (ja) 放射線断層画像取得装置および放射線断層画像取得方法
CN107205629B (zh) 图像处理装置和摄像系统
JP4485607B2 (ja) 副画像から画像を合成する方法
WO2022161145A1 (zh) 图像处理方法、电子设备及可读存储介质
CN111784596A (zh) 基于生成对抗神经网络的通用内窥镜图像增强方法及装置
CN108305252A (zh) 用于便携式电子内镜的图像融合方法
JP6743730B2 (ja) 動態解析システム
JP2007244737A (ja) 医用画像システム
WO2015037316A1 (ja) 器官画像撮影装置および器官画像撮影方法
CN110168604A (zh) 图像处理装置、图像处理方法和图像处理程序
CN105282454B (zh) 一种内窥镜成像系统及成像方法
CN114049934A (zh) 辅助诊断方法、装置、系统、设备和介质
JP7487566B2 (ja) プログラム、画像処理装置及び画像処理方法
CN114549368A (zh) 一种基于图像传感器的内窥镜成像系统及方法
CN107405050A (zh) 内窥镜系统以及评价值计算装置
Neophytou et al. The effect of color correction of endoscopy images for quantitative analysis in endometrium
Gurrala et al. Eliminating Vertical Fixed Pattern Noise in CMOS-Based Endoscopic Images using Modified Dark Frame Subtraction
AU2022230997B2 (en) Method of image enhancement for distraction deduction in endoscopic procedures
CN115908190B (zh) 一种用于视频图像画质增强的方法及系统
CN114418920B (zh) 一种内窥镜多焦点图像融合方法

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