CN109919873A - 一种基于图像分解的眼底图像增强方法 - Google Patents
一种基于图像分解的眼底图像增强方法 Download PDFInfo
- Publication number
- CN109919873A CN109919873A CN201910171243.4A CN201910171243A CN109919873A CN 109919873 A CN109919873 A CN 109919873A CN 201910171243 A CN201910171243 A CN 201910171243A CN 109919873 A CN109919873 A CN 109919873A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- eye fundus
- tomographic image
- picture breakdown
- 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
Links
Abstract
本发明公开一种基于图像分解的眼底图像增强方法,应用于医学图像处理领域,针对现有技术虽然在一定程度上避免噪声放大,但不能去噪,同时对图像细节的增强效果较差的问题,本发明通过对每个颜色通道进行图像分解,获得结构层图像和噪声层图像;然后设定具体参数进一步对结构层图像进行图像分解,获得基底层图像和细节层图像;再次,通过颜色空间变换从基底层图像中提取亮度通道,并对亮度通道进行光照矫正;最后将矫正后的基底层图像与细节层图像进行加权融合,获得增强后的眼底图像;实现了在去除噪声的同时增强眼底图像细节信息的效果。
Description
技术领域
本发明属于医学图像处理领域,特别涉及一种彩色眼底视网膜图像的增强技术。
背景技术
在医学图像中,彩色眼底照相能够为眼科疾病的诊断提供非常重要的信息。然而,由于病人眼底状况复杂以及临床操作水平的限制,由机器设备获取到的眼底视网膜图像往往出现对比度低、光照不均匀等干扰。例如,白内障病人晶状体浑浊,使得获取的眼底图像对比度很低。图像质量问题往往会干扰临床医生基于眼底图像的诊断。因此,在临床应用中,对采集到的眼底视网膜图像进行视觉增强处理(如去噪、光照矫正、细节增强等)具有重要意义。
比较典型的眼底图像增强方法有对比度受限直方图均衡化算法(CLAHE),参见文献S.K.Shome and S.R.K.Vadali,“Enhancement of diabetic retinopathy imageryusing contrast limited adaptive histogram equalization,”International Journalof Computer Science and Information Technologies,vol.2,no.6,pp.2694–2699,2011。该方法是著名的直方图均衡化方法的改进版本,基于局部区域执行直方图均衡化,并且为了限制对比度,将大于一定阈值的部分平均分配到直方图的其他地方,从而有效地限制噪声放大的情形。该方法计算简单,能在一定程度上避免噪声放大,但不能去噪;同时对图像细节的增强效果较差。
发明内容
为解决上述技术问题,本发明提出一种基于图像分解的眼底图像增强方法,去噪的同时,提高了对眼底图像细节增强效果。
本发明采用的技术方案为:一种基于图像分解的眼底图像增强方法,包括:
S1、估计眼底图像每个颜色通道的噪声水平;具体为:提取待处理眼底图像的红、绿、蓝三个颜色通道,并对每个颜色通道的图像进行噪声估计,得到反映每个颜色通道全局噪声水平的估计值。
S2、根据眼底图像估计得到的每个颜色通道的噪声水平将眼底图像各通道分解为结构层图像与噪声层图像;具体为:将眼底图像估计得到的每个颜色通道的噪声水平作为正则化参数;基于全变分模型分别对每个通道的眼底图像进行分解,获得每个通道分解后的结构层图像和噪声层图像。
S3、舍弃各颜色通道的噪声层图像,将各颜色通道的结构层图像分解为基底层图像与细节层图像;
S4、对各颜色通道的基底层图像进行光照矫正;步骤S4具体为:利用颜色空间变换,从步骤S3中获得的基底层图像中提取亮度通道图像,并对亮度通道图像进行光照矫正处理,用光照矫正后的亮度通道图像替换原始亮度通道图像,然后反变换到RGB空间,获得光照矫正后的基底层图像。
S5、将各颜色通道的细节层图像与矫正后的基底层图像进行加权融合,得到增强后的眼底图像。
步骤S1中所述全局噪声水平的估计值表达式为:
其中,c∈{R,G,B},Ic为待处理图像,(x,y)表示图像像素点坐标,表示卷积运算,W表示图像的宽,H表示图像的高。
步骤S3所述将结构层图像分解为基底层图像与细节层图像,具体为:根据设定的正则化参数,基于全变分模型分别对结构层图像的每个颜色通道进行分解,获得每个通道分解后的基底层图像和细节层图像。所述设定的正则化参数取值范围为[0,1]。
步骤S4所述对亮度通道图像进行光照矫正处理的表达式为:
其中,Mg为原始亮度通道图像的像素均值,Sg原始亮度通道图像像素的标准差,Lin为从基底层图像中提取的亮度通道图像,Lout为光照矫正后的亮度通道图像。
步骤S5所述加权融合包括对每个颜色通道设置权重系数,所述各颜色通道权重系数取值范围为[0,∞)。设置蓝色通道的权重系数为0。
本发明的有益效果:首先对待处理图像的红、绿、蓝三个通道进行噪声估计,并以该组噪声水平估计值作为参数对每个通道进行图像分解,获得结构层图像和噪声层图像;然后通过设定具体参数进一步对结构层图像进行图像分解,获得基底层图像和细节层图像。通过颜色空间变换从基底层图像中提取亮度通道,并对亮度通道进行光照矫正,将矫正后的亮度通道图像反变换到原始颜色空间,获得矫正后的基底层图像;最后将矫正后的基底层图像与细节层图像进行加权融合,获得增强后的眼底图像;本发明的方法能够同时抑制图像噪声和来自蓝色通道的伪迹,且具有更好的细节增强效果等特点,非常适合于对临床上获得的眼底视网膜图像进行增强处理。
附图说明
图1为本发明的方案流程图;
图2为本发明实施例提供的某幅眼底图像分别采用本发明方法与现有技术进行增强后的效果对比图;
其中,图2(a)为原始眼底图像,图2(b)为采用现有技术得到的增强图像,图2(c)为采用本发明方法得到的增强图像。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
从目前公开的眼底视网膜图像库DIARETDB0(下载地址:http://www.it.lut.fi/project/imageret/)中选择一幅眼底图像(编号:image027)作为实施对象,图像大小为1500×1152×3,格式为24位png格式图像。具体计算方法的流程如图1所示,具体过程如下:
S1.估计图像每个通道的噪声水平:提取待处理眼底图像的红(R)、绿(G)、蓝(B)三个颜色通道,并对每个通道的图像进行噪声估计。
步骤S1中对每个颜色通道进行全局噪声水平估计的计算方法为:
其中,c∈{R,G,B},Ic为待处理图像,(x,y)表示图像像素点坐标,表示卷积运算,W和H分别表示图像的宽和高(像素)。
本实施例中,得到红、绿、蓝三个通道的噪声水平估计值分别为:0.0031、0.0030、0.0031。
S2.将眼底图像分解为结构层图像与噪声层图像:以步骤S1得到的红、绿、蓝通道图像噪声水平估计值作为正则化参数(即),基于全变分模型分别对每个通道图像进行分解,获得每个通道分解后的结构层图像和噪声层图像。以像素点(500,500)为例,该像素点在输入图像中红、绿、蓝三个通道的灰度值分别为0.5388、0.2136、0.0049。经过图像分解后,该像素点在结构层图像中三个通道的灰度值分别为0.5393、0.2136、0.0064,而在噪声层图像三个通道的值分别为-0.00050274、0.000032968、-0.0016。最后,舍弃每个通道的噪声层图像,仅保留结构层图像,从而实现眼底图像的噪声去除。
S3.将结构层图像分解为基底层图像与细节层图像:本步骤中设置正则化参数为使用与步骤S2中相同的基于全变分模型,对步骤S2得到的结构层图像的每个颜色通道的进行再一次分解。步骤S2获得的结构层图像中像素点(500,500)位置处三个通道的灰度值分别为0.5393、0.2136、0.0064,经过图像分解后,该像素点在基底层图像中三通道的灰度值分别为0.5327、0.2174、0.0157,而在细节层图像中,三通道的灰度值分别为0.0066、-0.0038、-0.0093。
步骤S2、S3中所采用的全变分模型的方法,即通过求解优化问题:c∈{R,G,B},获得分解后图像的低频成分对应的高频成分表示为其中λc,c∈{R,G,B}为正则化参数,▽表示梯度运算符,(x,y)表示图像像素点坐标。在步骤S2中,低频成分为结构层图像,高频成分为噪声层图像,正则化参数为各颜色通道图像噪声水平估计值;在步骤S3中,低频成分为基底层图像,高频成分为细节层图像,正则化参数为设定的值
S4.对基底层图像的进行光照矫正:利用颜色空间变换,从步骤S3中获得的基底层图像中提取亮度通道,并对亮度通道图像进行光照矫正。
对亮度通道进行光照矫正的方法为:
其中,Mg为原始亮度通道图像的像素均值,Sg原始亮度通道图像像素的标准差,Lin为从基底层图像中提取的亮度通道图像,Lout为光照矫正后的亮度通道图像。
本实施例中,将步骤S3中获得的基底层图像(RGB图像)转换到HSV颜色空间,并提取V通道作为亮度通道,对亮度通道图像进行光照矫正。例如,在亮度通道中像素点(500,500)位置处的值为0.5327;对亮度通道图像进行光照矫正后,像素点(500,500)位置处的亮度值0.7745。最后,利用矫正后通道图像替换原HSV空间图像的V通道,并反变换到RGB空间,获得光照矫正后的基底层图像。例如,光照矫正后的基底层图像在像素点(500,500)位置处的灰度值分别为0.7745、0.3161、0.0228。
步骤S3中获得的基底层图像还可以转换到Lab颜色空间或HSI颜色空间进行处理。
S5.基底层图像与细节图像的加权融合:通过对每个颜色通道设置不同的加权系数,然后用步骤S4中计算得到的光照矫正后的基底层图像加上步骤S3中得到的细节层图像与对应通道加权系数的乘积,得到增强后的眼底图像。
加权系数设置过程中,每个通道设定的权重系数取值范围为:[0,∞)。
本实施例中,分别设置红、绿、蓝三个颜色通道的加权系数为:10、10、0,步骤S4中计算得到的光照矫正后的基底层图像中像素点(500,500)位置处的灰度值分别为:0.7745、0.3161、0.0228,步骤S3中得到的细节层图像中,三通道的灰度值分别为:0.0066、-0.0038、-0.0093,因此三通道中细节层图像与权重系数的对应乘积分别为:0.0665、-0.0384、0。最后基底层图像加上细节层图像与权重系数的对应乘积,获得最终增强后的眼底图像,像素点(500,500)位置处的灰度值分别为:0.8410、0.2777、0.0228。本实施例中设置蓝色通道的权重系数为0,从而有效地去除眼底图像中的伪迹。
测试结果如图2所示,其中:图2(a)原始眼底图像,图2(b)由对比方法(CLAHE)计算得到的增强图像,图2(c)由本发明的图像增强方法计算得到的增强图像。从图2中可以清楚看出,采用本发明方法对眼底图像进行增强能够得到更多、更清晰的图像细节信息。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。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权利要求范围之内。
Claims (10)
1.一种基于图像分解的眼底图像增强方法,其特征在于,包括:
S1、估计眼底图像每个颜色通道的噪声水平;
S2、根据眼底图像估计得到的每个颜色通道的噪声水平将眼底图像各通道分解为结构层图像与噪声层图像;
S3、舍弃各颜色通道的噪声层图像,将各颜色通道的结构层图像分解为基底层图像与细节层图像;
S4、对各颜色通道的基底层图像进行光照矫正;
S5、将各颜色通道的细节层图像与矫正后的基底层图像进行加权融合,得到增强后的眼底图像。
2.根据权利要求1所述的一种基于图像分解的眼底图像增强方法,其特征在于,所述步骤S2具体为:将眼底图像估计得到的每个颜色通道的噪声水平作为正则化参数;基于全变分模型分别对每个通道的眼底图像进行分解,获得每个通道分解后的结构层图像和噪声层图像。
3.根据权利要求1所述的一种基于图像分解的眼底图像增强方法,其特征在于,步骤S3所述将结构层图像分解为基底层图像与细节层图像,具体为:根据设定的正则化参数,基于全变分模型分别对结构层图像的每个颜色通道进行分解,获得每个通道分解后的基底层图像和细节层图像。
4.根据权利要求3所述的一种基于图像分解的眼底图像增强方法,其特征在于,所述设定的正则化参数取值范围为[0,1]。
5.根据权利要求3所述的一种基于图像分解的眼底图像增强方法,其特征在于,步骤S4具体为:利用颜色空间变换,从步骤S3中获得的基底层图像中提取亮度通道图像,并对亮度通道图像进行光照矫正处理,用光照矫正后的亮度通道图像替换原始亮度通道图像,然后反变换到RGB空间,获得光照矫正后的基底层图像。
6.根据权利要求5所述的一种基于图像分解的眼底图像增强方法,其特征在于,所述对亮度通道图像进行光照矫正处理的表达式为:
其中,Mg为原始亮度通道图像的像素均值,Sg原始亮度通道图像像素的标准差,Lin为从基底层图像中提取的亮度通道图像,Lout为光照矫正后的亮度通道图像。
7.根据权利要求6所述的一种基于图像分解的眼底图像增强方法,其特征在于,步骤S5所述加权融合包括对每个颜色通道设置权重系数,所述各颜色通道权重系数取值范围为[0,∞)。
8.根据权利要求7所述的一种基于图像分解的眼底图像增强方法,其特征在于,设置蓝色通道的权重系数为0。
9.根据权利要求1所述的一种基于图像分解的眼底图像增强方法,其特征在于,根步骤S1具体为:提取待处理眼底图像的红、绿、蓝三个颜色通道,并对每个颜色通道的图像进行噪声估计,得到反映每个颜色通道全局噪声水平的估计值。
10.根据权利要求9所述的一种基于图像分解的眼底图像增强方法,其特征在于,全局噪声水平的估计值表达式为:
其中,c∈{R,G,B},Ic为待处理图像,(x,y)表示图像像素点坐标,表示卷积运算,W表示图像的宽,H表示图像的高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910171243.4A CN109919873B (zh) | 2019-03-07 | 2019-03-07 | 一种基于图像分解的眼底图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910171243.4A CN109919873B (zh) | 2019-03-07 | 2019-03-07 | 一种基于图像分解的眼底图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919873A true CN109919873A (zh) | 2019-06-21 |
CN109919873B CN109919873B (zh) | 2020-12-29 |
Family
ID=66963738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910171243.4A Active CN109919873B (zh) | 2019-03-07 | 2019-03-07 | 一种基于图像分解的眼底图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919873B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363116A (zh) * | 2019-06-28 | 2019-10-22 | 上海交通大学 | 基于gld-gan的不规则人脸矫正方法、系统及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013011418A2 (en) * | 2011-07-15 | 2013-01-24 | Koninklijke Philips Electronics N.V. | Spectral ct |
WO2014121400A1 (en) * | 2013-02-08 | 2014-08-14 | Sunnybrook Health Sciences Centre | System and method for medical image quality enhancement using multiscale total variation flow |
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 |
CN105354799A (zh) * | 2015-09-22 | 2016-02-24 | 华中师范大学 | 一种盲目反卷积红外光谱图超分辨率复原方法 |
CN106683080A (zh) * | 2016-12-15 | 2017-05-17 | 广西师范大学 | 一种视网膜眼底图像预处理方法 |
CN107169942A (zh) * | 2017-07-10 | 2017-09-15 | 电子科技大学 | 一种基于鱼类视网膜机制的水下图像增强方法 |
CN107220948A (zh) * | 2017-05-23 | 2017-09-29 | 长春工业大学 | 一种视网膜图像增强的方法 |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
-
2019
- 2019-03-07 CN CN201910171243.4A patent/CN109919873B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013011418A2 (en) * | 2011-07-15 | 2013-01-24 | Koninklijke Philips Electronics N.V. | Spectral ct |
WO2014121400A1 (en) * | 2013-02-08 | 2014-08-14 | Sunnybrook Health Sciences Centre | System and method for medical image quality enhancement using multiscale total variation flow |
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 |
CN105354799A (zh) * | 2015-09-22 | 2016-02-24 | 华中师范大学 | 一种盲目反卷积红外光谱图超分辨率复原方法 |
CN106683080A (zh) * | 2016-12-15 | 2017-05-17 | 广西师范大学 | 一种视网膜眼底图像预处理方法 |
CN107220948A (zh) * | 2017-05-23 | 2017-09-29 | 长春工业大学 | 一种视网膜图像增强的方法 |
CN107169942A (zh) * | 2017-07-10 | 2017-09-15 | 电子科技大学 | 一种基于鱼类视网膜机制的水下图像增强方法 |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
Non-Patent Citations (4)
Title |
---|
IMMERKAER J: "Fast Noise Variance Estimation", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 * |
M.F.FAHM ET AL.: "C18:A New Total Variation Based Image Denoising and Deblurring Technique", 《30TH NATIONAL RADIO SCIENCE CONFERENCE》 * |
吴玲达 等: "一种图像去模糊正则化恢复算法参数确定方法", 《国防科技大学学报》 * |
邱鑫威: "指静脉识别系统的仿冒攻击检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363116A (zh) * | 2019-06-28 | 2019-10-22 | 上海交通大学 | 基于gld-gan的不规则人脸矫正方法、系统及介质 |
CN110363116B (zh) * | 2019-06-28 | 2021-07-23 | 上海交通大学 | 基于gld-gan的不规则人脸矫正方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109919873B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Color retinal image enhancement based on luminosity and contrast adjustment | |
AU2017213456B2 (en) | Diagnosis assisting device, and image processing method in diagnosis assisting device | |
Joshi et al. | Colour retinal image enhancement based on domain knowledge | |
CN106683080B (zh) | 一种视网膜眼底图像预处理方法 | |
Hsu et al. | Medical image enhancement using modified color histogram equalization | |
WO2014193080A1 (ko) | 단일영상 내의 안개 제거 방법 및 장치 | |
Cao et al. | Enhancement of blurry retinal image based on non-uniform contrast stretching and intensity transfer | |
Palanisamy et al. | A hybrid feature preservation technique based on luminosity and edge based contrast enhancement in color fundus images | |
Chen et al. | Blood vessel enhancement via multi-dictionary and sparse coding: Application to retinal vessel enhancing | |
WO2018166083A1 (zh) | 一种对比度增强和视觉显著度优化方法在高尔夫球场图中的应用 | |
Reddy et al. | Retinal fundus image enhancement using piecewise gamma corrected dominant orientation based histogram equalization | |
CN108629773B (zh) | 建立训练识别心脏血管类型的卷积神经网络数据集的方法 | |
KR20140109801A (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
CN109919873A (zh) | 一种基于图像分解的眼底图像增强方法 | |
CN106529420B (zh) | 综合眼底图像边缘信息和亮度信息的视盘中心定位方法 | |
Joshi et al. | Review of preprocessing techniques for fundus image analysis | |
JPWO2011021518A1 (ja) | 画像処理方法、画像処理装置及びプログラム | |
Poostchi et al. | Diabetic retinopathy dark lesion detection: preprocessing phase | |
Zhang et al. | A fundus image enhancer based on illumination-guided attention and optic disc perception GAN | |
Vonghirandecha et al. | Contrast and color balance enhancement for non-uniform illumination retinal images | |
ElMahmoudy et al. | Wavelet-based retinal image enhancement | |
James et al. | Devignetting fundus images via Bayesian estimation of illumination component and gamma correction | |
CN113554660B (zh) | 一种用于检测眼底微动脉瘤的检测方法 | |
CN116205940B (zh) | 基于医学检验的数字图像目标检测方法及系统 | |
Han et al. | Enhancement method with naturalness preservation and artifact suppression based on an improved Retinex variational model for color retinal images |
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 |