CN110021031A - 一种基于图像金字塔的x射线图像增强方法 - Google Patents
一种基于图像金字塔的x射线图像增强方法 Download PDFInfo
- Publication number
- CN110021031A CN110021031A CN201910247876.9A CN201910247876A CN110021031A CN 110021031 A CN110021031 A CN 110021031A CN 201910247876 A CN201910247876 A CN 201910247876A CN 110021031 A CN110021031 A CN 110021031A
- Authority
- CN
- China
- Prior art keywords
- image
- pyramid
- max
- value
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 20
- 230000001965 increasing effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- DSGIVWSDDRDJIO-ZXXMMSQZSA-N Thr-Thr Chemical compound C[C@@H](O)[C@H](N)C(=O)N[C@@H]([C@@H](C)O)C(O)=O DSGIVWSDDRDJIO-ZXXMMSQZSA-N 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000003389 potentiating effect Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 6
- 239000010931 gold Substances 0.000 description 6
- 229910052737 gold Inorganic materials 0.000 description 6
- 230000003014 reinforcing effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于图像金字塔的X射线图像增强方法,该方法主要包括图像分割,高斯金字塔和拉普拉斯金字塔构建,图像细节增强,图像重构融合,背景还原等步骤。本发明的优点在于:在保证X射线图像背景不变的前提下,针对图像灰度值差异很小的黑色区域,可显著提高其对比度,使图像内部物体的轮廓清晰可见。
Description
技术领域
本发明涉及辐射成像领域中的图像处理技术,尤其涉及辐射图像中较暗区域对比度增强的图像处理方法。
背景技术
辐射成像采用辐射透视扫描成像技术,生成待扫描物体的灰度图像,即X射线图像。X射线图像像素的数据类型一般为12位或16位的整数。辐射成像技术广泛应用于海关车辆安全检查、医学诊断等领域。根据其成像原理,物体对射线的吸收率随着物体的厚度和密度增加呈指数增长,所以越厚或密度越大的物体在图像中对应的灰度值越小,且灰度值较低的区域其差异也越不明显。所以在X射线图中较暗区域(灰度值较低)的内部轮廓肉眼几乎无法正常识别。而在海关等边境车辆安全检查中,图像的较暗区域是审图人员的重点检查区域,所以必须使用计算机图像增强技术使其内部轮廓清晰可见。
图像增强技术即为改善图像的质量、提高图像的对比度,使原本不清晰的图像细节能够清晰的呈现出来,从而提升图像的可判读性。常见的图像增强方法有边缘增强、对数变换、拉普拉斯算子锐化、直方图均衡等。上述方法都是针对图像的空间域进行全局的数学运算,即对图像中每个像素进行一次相同的数学变换,改变原来的像素值,达到提高图像对比度和提升图像质量的目的。传统的方法虽然能一定程度上提高图像的对比度,但对于辐射成像图像中原本灰度值差异非常小的较暗区域的对比度提升有限,达不到清晰显示暗区域内部的轮廓的目的。
发明内容
本发明的目的在于提供一种基于图像金字塔的X射线图像增强方法,该方法基于图像金字塔的X射线图像增强,是对输入的X射线图像进行不同分辨率的层级分解,并对分解出来的各层细节图像进行有针对性的增强处理,最后再把所有增强处理后的各层级图像进行重构融合,最终输出和原分辨率相同的增强图像,使图像中原本像素值差异很小的细节轮廓清晰可见。。
本发明的技术方案为:一种基于图像金字塔的X射线图像增强方法,其步骤:
1.图像分割:
在X射线图像中,待扫描的物体成像后称为目标,目标物体之外的区域称为背景。由于背景中X射线没有被任何物体吸收,所以其像素的灰度值较大,表现为白色区域。目标图像分割是将背景区域的像素值置为0,而目标物体像素值保持不变。背景图像分割是保持背景区域的像素值不变,将目标物体像素值置为0。本方法后续的图像增强处理只针对目标图像进行。
步骤1.1:设定分割阈值thr。
thr=c*Max。
其中系数c的取值范围为c∈[0.85,0.95],Max为原始图像src的最大值。
步骤1.2:新建一个和原始图像尺寸、数据类型一致的标记图像flag,图像内所有像素值的所有数据位都置为1。
步骤1.3:根据阈值thr,生成最终的标记图flag。设标记图像flag每个像素的值为flag(x,y),设原始图像src每个像素的值为src(x,y),其运算公式如下:
步骤1.4:根据步骤1.3获得的flag,获得目标图像dst和背景图像bak,目标图像dst采用公式获得:
背景图像bak采用公式获得:
2.图像金字塔构建:
图像金字塔构建是通过下采样方式把目标图像dst分解成不同分辨率的一组图像序列。分辨率最大的图像位于底层,称为金字塔塔底,分辨率最小的图像位于顶层,称为金字塔尖。金字塔从下至上,图像尺寸逐级递减,下层图像宽和高是上层图像宽、高的2倍,即面积是上层图像的4倍。目标图像dst的金字塔构建最终获得高斯金字塔和拉普拉斯金子塔。
步骤2.1:对目标图像dst做归一化处理,将dst的12位或16位的整数数据归一化到取值范围为[0,1.0]的浮点型数据,这样便于后续增强处理的数学运
算。归一化处理公式如下:dst(x,y)=(dst(x,y)-Minval)/(Maxval-Minval)
公式中Maxval和Minval分别为归一化前目标图像dst中像素灰度最大值和最小值。
步骤2.2:计算目标图像dst可构建金字塔的最大层数Lev_Max,设塔尖层图像的尺寸≥2×2,则计算公式如下:
Lev_Max=[ln(min(width,height))/ln2]
公式中min(width,height)为取目标图像dst宽、高中的较小值。
步骤2.3:构建高斯金子塔。高斯金字塔是通过高斯模糊和下采样获得一系列呈金字塔形状排列的图像,将步骤2.1中归一化后的目标图像dst做为高斯金字塔第0层(塔底)。假设第i(i=0,1,…,Lev_Max-1)层图像通过高斯模糊、下采样处理,可获得i+1层图像。具体构建步骤如下:
2.3.1.使用5×5高斯模板对i层图像进行高斯内核卷积。
2.3.2.下采样:将卷积后图像的所有偶数行和列去除,得到i+1层图像。i+1层图像是i层图像的1/4。
对以上步骤进行Lev_Max次迭代,就可得到图像的整个高斯金字塔,设为Gi(i=0,1,2Λ,Lev_Max)。
步骤2.4:构建拉普拉斯金子塔。拉普拉斯金子塔是在高斯金字塔的基础上对每层图像(第0层除外)进行上采样,然后再和其下层图像相减而得到的一系列呈金字塔形状排列的图像。设拉普拉斯金子塔为Li,其构建的数学公式如下:
Li=Gi-Up(G(i+1))
公式中Up(G(i+1))为上采样处理,即图像的宽和高都增加至原图像的2倍,对上采样图像的空白像素点使用双线性插值法进行填充,上采样处理后的图像面积为原图像的4倍,最终得到拉普拉斯金字塔Li(i=0,1,2Λ,Lev_Max-1)。可见高斯金字塔比拉普拉斯金字塔多了塔尖层图像。拉普拉斯金字塔实际得到的是图像在不同尺度(分辨率)下的一系列细节图像,即目标物体的轮廓细节,图像像素的取值范围为[-1,1]。
3.图像细节增强:
图像细节增强是针对拉普拉斯金字塔的每层图像进行数学运算,提高其对比度,使其轮廓细节更突出。本方法使用幂函数进行图像增强,设金子塔第i层图像每个像素值用Li(x,y)表示,则增强的数学公式如下:
由于拉普拉斯金字塔靠近塔尖的图像尺寸较小,其轮廓细节也非常有限,大量的轮廓细节集中在拉普拉斯金字塔最下面3层,故公式中的系数p可按下面公式取值:
在拉普拉斯金字塔最下面3层图像(i=0,1,2)中p的取值范围为p∈[4,10],值越大,增强效果越明显。公式中a的取值范围为a∈(0,1),a值越小增强的效果越明显。
4.图像重构融合
图像重构融合为高斯金子塔和拉普拉斯金字塔分解的逆过程,首先将高斯金字塔塔尖层图像GLev_Max移到拉普拉斯金字塔的塔尖,然后整个图像的重构只针对拉普拉斯金字塔进行。
步骤4.1:图像重构:从塔尖层图像开始,具体重构步骤如下:
4.1.1.对上层图像Li采用双线性插值法进行上采样,这样图像尺寸就和下层图像Li+1保持一致。
4.1.2.将Li和Li+1相加,将相加的结果替换原来的Li+1,即Li+1=Li+Li+1。将i增1,然后再重新执行第1步。
对以上步骤进行Lev_Max次迭代,最终可得到和原始图像尺寸一致的增强图像L0。
步骤4.2:由于增强后的图像L0数据类型为浮点型,需将其转换为原来的12位或16位整数类型。设转换后的图像为E,其像素取值范围为E(x,y)∈[0,Emax]。转换公式如下:
E(x,y)=INT(Emax*(L0(x,y)-Lmin)/(Lmax-Lmin))
公式中INT()为取整操作,Emax为转换后的12位或16位图像的最大像素值,如果为16位,则Emax取65535。Lmax和Lmin分别为转换前L0中像素灰度最大值和最小值。
步骤4.3:转换后增强图像E中的背景区域像素为非0值,故需将背景剔除,即将背景区域像素值置为0,采用如下公式:
步骤4.4:背景还原:剔除背景后需加上之前图像分割步骤4中的背景图像bak,即可得到最终的和原始图像背景保持一致的增强图像,公式如下:
E(x,y)=E(x,y)+bak(x,y)。
本发明的优点在于:该方法基于图像金字塔的X射线图像增强,是对输入的X射线图像进行不同分辨率的层级分解,并对分解出来的各层细节图像进行有针对性的增强处理,最后再把所有增强处理后的各层级图像进行重构融合,最终输出和原分辨率相同的增强图像,使图像中原本像素值差异很小的细节轮廓清晰可见。
附图说明
图1是本方法的流程框图;
图2是高斯金字塔和拉普拉斯金子塔构建原理框图;
图3是图像幂函数增强效果图。
具体实施方式
一种基于图像金字塔的X射线图像增强方法,其步骤:
1.图像分割:
图像分割的目的是把原始图像分割成目标图像和背景图像,在X射线图像中,待扫描的物体成像后称为目标,目标物体之外的区域称为背景。由于背景中X射线没有被任何物体吸收,所以其像素的灰度值较大,表现为白色区域。目标图像分割是将背景区域的像素值置为0,而目标物体像素值保持不变。背景图像分割是保持背景区域的像素值不变,将目标物体像素值置为0。本方法后续的图像增强处理只针对目标图像进行。
步骤1.1:设定分割阈值thr。
thr=c*Max。
其中系数c的取值范围为c∈[0.85,0.95],Max为原始图像src的最大值。
步骤1.2:新建一个和原始图像尺寸、数据类型一致的标记图像flag,图像内所有像素值的所有数据位都置为1。
步骤1.3:根据阈值thr,生成最终的标记图flag。设标记图像flag每个像素的值为flag(x,y),设原始图像src每个像素的值为src(x,y),其运算公式如下:
步骤1.4:根据步骤1.3获得的flag,获得目标图像dst和背景图像bak,目标图像dst采用公式获得:
背景图像bak采用公式获得:
2.图像金字塔构建:
图像金字塔构建是通过下采样方式把目标图像dst分解成不同分辨率的一组图像序列。分辨率最大的图像位于底层,称为金字塔塔底,分辨率最小的图像位于顶层,称为金字塔尖。金字塔从下至上,图像尺寸逐级递减,下层图像宽和高是上层图像宽、高的2倍,即面积是上层图像的4倍。目标图像dst的金字塔构建最终获得高斯金字塔和拉普拉斯金子塔。
步骤2.1:对目标图像dst做归一化处理,将dst的12位或16位的整数数据归一化到取值范围为[0,1.0]的浮点型数据,这样便于后续增强处理的数学运
算。归一化处理公式如下:dst(x,y)=(dst(x,y)-Minval)/(Maxval-Minval)
公式中Maxval和Minval分别为归一化前目标图像dst中像素灰度最大值和最小值。
步骤2.2:计算目标图像dst可构建金字塔的最大层数Lev_Max,设塔尖层图像的尺寸≥2×2,则计算公式如下:
Lev_Max=[ln(min(width,height))/ln2]
公式中min(width,height)为取目标图像dst宽、高中的较小值。
步骤2.3:构建高斯金子塔。高斯金字塔是通过高斯模糊和下采样获得一系列呈金字塔形状排列的图像,将步骤2.1中归一化后的目标图像dst做为高斯金字塔第0层(塔底)。假设第i(i=0,1,…,Lev_Max-1)层图像通过高斯模糊、下采样处理,可获得i+1层图像。具体构建步骤如下:
2.3.1.使用5×5高斯模板对i层图像进行高斯内核卷积。
2.3.2.下采样:将卷积后图像的所有偶数行和列去除,得到i+1层图像。i+1层图像是i层图像的1/4。
对以上步骤进行Lev_Max次迭代,就可得到图像的整个高斯金字塔,设为Gi(i=0,1,2Λ,Lev_Max)。
步骤2.4:构建拉普拉斯金子塔。拉普拉斯金子塔是在高斯金字塔的基础上对每层图像(第0层除外)进行上采样,然后再和其下层图像相减而得到的一系列呈金字塔形状排列的图像。设拉普拉斯金子塔为Li,其构建的数学公式如下:
Li=Gi-Up(G(i+1))
公式中Up(G(i+1))为上采样处理,即图像的宽和高都增加至原图像的2倍,对上采样图像的空白像素点使用双线性插值法进行填充,处理后的图像面积为原图像的4倍,最终得到拉普拉斯金字塔Li(i=0,1,2Λ,Lev_Max-1)。可见高斯金字塔比拉普拉斯金字塔多了塔尖层图像。拉普拉斯金字塔实际得到的是图像在不同尺度(分辨率)下的一系列细节图像,即目标物体的轮廓细节,图像像素的取值范围为[-1,1]。
3.图像细节增强:
图像细节增强是针对拉普拉斯金字塔的每层图像进行数学运算,提高其对比度,使其轮廓细节更突出。本方法使用幂函数进行图像增强,设金子塔第i层图像每个像素值用Li(x,y)表示,则增强的数学公式如下:
由于拉普拉斯金字塔靠近塔尖的图像尺寸较小,其轮廓细节也非常有限,大量的轮廓细节集中在拉普拉斯金字塔最下面3层,故公式中的系数p可按下面公式取值:
在拉普拉斯金字塔最下面3层图像(i=0,1,2)中p的取值范围为p∈[4,10],值越大,增强效果越明显。公式中a的取值范围为a∈(0,1),a值越小增强的效果越明显。当p=1,a=0.5时,幂函数增强效果如图3所示。
4.图像重构融合
图像重构融合为高斯金子塔和拉普拉斯金字塔分解的逆过程,首先将高斯金字塔塔尖层图像GLev_Max移到拉普拉斯金字塔的塔尖,然后整个图像的重构只针对拉普拉斯金字塔进行。
步骤4.1:图像重构:从塔尖层图像开始,具体重构步骤如下:
4.1.1.对上层图像Li采用双线性插值法进行上采样,这样图像尺寸就和下层图像Li+1保持一致。
4.1.2.将Li和Li+1相加,将相加的结果替换原来的Li+1,即Li+1=Li+Li+1。将i增1,然后再重新执行第1步。
对以上步骤进行Lev_Max次迭代,最终可得到和原始图像尺寸一致的增强图像L0。
步骤4.2:由于增强后的图像L0数据类型为浮点型,需将其转换为原来的12位或16位整数类型。设转换后的图像为E,其像素取值范围为E(x,y)∈[0,Emax]。转换公式如下:
E(x,y)=INT(Emax*(L0(x,y)-Lmin)/(Lmax-Lmin))
公式中INT()为取整操作,Emax为转换后的12位或16位图像的最大像素值,如果为16位,则Emax取65535。Lmax和Lmin分别为转换前L0中像素灰度最大值和最小值。
步骤4.3:转换后增强图像E中的背景区域像素为非0值,故需将背景剔除,即将背景区域像素值置为0,采用如下公式:
步骤4.4:背景还原:剔除背景后需加上之前图像分割步骤4中的背景图像bak,即可得到最终的和原始图像背景保持一致的增强图像,公式如下:
E(x,y)=E(x,y)+bak(x,y)。
Claims (1)
1.一种基于图像金字塔的X射线图像增强方法,其步骤:
1.图像分割:
在X射线图像中,待扫描的物体成像后称为目标,目标物体之外的区域称为背景;由于背景中X射线没有被任何物体吸收,所以其像素的灰度值较大,表现为白色区域;目标图像分割是将背景区域的像素值置为0,而目标物体像素值保持不变;背景图像分割是保持背景区域的像素值不变,将目标物体像素值置为0;本方法后续的图像增强处理只针对目标图像进行;
步骤1.1:设定分割阈值thr
thr=c*Max,
其中系数c的取值范围为c∈[0.85,0.95],Max为原始图像src的最大值;
步骤1.2:新建一个和原始图像尺寸、数据类型一致的标记图像flag,图像内所有像素值的所有数据位都置为1;
步骤1.3:根据阈值thr,生成最终的标记图flag,设标记图像flag每个像素的值为flag(x,y),设原始图像src每个像素的值为src(x,y),其运算公式如下:
步骤1.4:根据步骤1.3获得的flag,获得目标图像dst和背景图像bak,目标图像dst采用公式获得:
背景图像bak采用公式获得:
2.图像金字塔构建:
图像金字塔构建是通过下采样方式把目标图像dst分解成不同分辨率的一组图像序列,分辨率最大的图像位于底层,称为金字塔塔底,分辨率最小的图像位于顶层,称为金字塔尖,金字塔从下至上,图像尺寸逐级递减,下层图像宽和高是上层图像宽、高的2倍,即面积是上层图像的4倍,目标图像dst的金字塔构建最终获得高斯金字塔和拉普拉斯金子塔;
步骤2.1:对目标图像dst做归一化处理,将dst的12位或16位的整数数据归一化到取值范围为[0,1.0]的浮点型数据,这样便于后续增强处理的数学运算,归一化处理公式如下:dst(x,y)=(dst(x,y)-Minval)/(Maxval-Minval)
公式中Maxval和Minval分别为归一化前目标图像dst中像素灰度最大值和最小值;
步骤2.2:计算目标图像dst可构建金字塔的最大层数Lev_Max,设塔尖层图像的尺寸≥2×2,则计算公式如下:
Lev_Max=[ln(min(width,height))/ln2]
公式中min(width,height)为取目标图像dst宽、高中的较小值;
步骤2.3:构建高斯金子塔:高斯金字塔是通过高斯模糊和下采样获得一系列呈金字塔形状排列的图像,将步骤2.1中归一化后的目标图像dst做为高斯金字塔第0层(塔底),假设第i(i=0,1,…,Lev_Max-1)层图像通过高斯模糊、下采样处理,可获得i+1层图像,具体构建步骤如下:
2.3.1.使用5×5高斯模板对i层图像进行高斯内核卷积;
2.3.2.下采样:将卷积后图像的所有偶数行和列去除,得到i+1层图像,i+1层图像是i层图像的1/4,
对以上步骤进行Lev_Max次迭代,就可得到图像的整个高斯金字塔,设为Gi(i=0,1,2Λ,Lev_Max);
步骤2.4:构建拉普拉斯金子塔:拉普拉斯金子塔是在高斯金字塔的基础上对每层图像(第0层除外)进行上采样,然后再和其下层图像相减而得到的一系列呈金字塔形状排列的图像,设拉普拉斯金子塔为Li,其构建的数学公式如下:
Li=Gi-Up(G(i+1))
公式中Up(G(i+1))为上采样处理,即图像的宽和高都增加至原图像的2倍,对上采样图像的空白像素点使用双线性插值法进行填充,上采样处理后的图像面积为原图像的4倍,最终得到拉普拉斯金字塔Li(i=0,1,2Λ,Lev_Max-1),可见高斯金字塔比拉普拉斯金字塔多了塔尖层图像,拉普拉斯金字塔实际得到的是图像在不同尺度(分辨率)下的一系列细节图像,即目标物体的轮廓细节,图像像素的取值范围为[-1,1];
3.图像细节增强:
图像细节增强是针对拉普拉斯金字塔的每层图像进行数学运算,提高其对比度,使其轮廓细节更突出,本方法使用幂函数进行图像增强,设金子塔第i层图像每个像素值用Li(x,y)表示,则增强的数学公式如下:
由于拉普拉斯金字塔靠近塔尖的图像尺寸较小,其轮廓细节也非常有限,大量的轮廓细节集中在拉普拉斯金字塔最下面3层,故公式中的系数p可按下面公式取值:
在拉普拉斯金字塔最下面3层图像(i=0,1,2)中p的取值范围为p∈[4,10],值越大,增强效果越明显,公式中a的取值范围为a∈(0,1),a值越小增强的效果越明显;
4.图像重构融合
图像重构融合为高斯金子塔和拉普拉斯金字塔分解的逆过程,首先将高斯金字塔塔尖层图像GLev_Max移到拉普拉斯金字塔的塔尖,然后整个图像的重构只针对拉普拉斯金字塔进行;
步骤4.1:图像重构:从塔尖层图像开始,具体重构步骤如下:
4.1.1.对上层图像Li采用双线性插值法进行上采样,这样图像尺寸就和下层图像Li+1保持一致;
4.1.2.将Li和Li+1相加,将相加的结果替换原来的Li+1,即Li+1=Li+Li+1,将i增1,然后再重新执行第1步;
对以上步骤进行Lev_Max次迭代,最终可得到和原始图像尺寸一致的增强图像L0;
步骤4.2:由于增强后的图像L0数据类型为浮点型,需将其转换为原来的12位或16位整数类型,设转换后的图像为E,其像素取值范围为E(x,y)∈[0,Emax],转换公式如下:
E(x,y)=INT(Emax*(L0(x,y)-Lmin)/(Lmax-Lmin))
公式中INT()为取整操作,Emax为转换后的12位或16位图像的最大像素值,如果为16位,则Emax取65535,Lmax和Lmin分别为转换前L0中像素灰度最大值和最小值;
步骤4.3:转换后增强图像E中的背景区域像素为非0值,故需将背景剔除,即将背景区域像素值置为0,采用如下公式:
步骤4.4:背景还原:剔除背景后需加上之前图像分割步骤4中的背景图像bak,即可得到最终的和原始图像背景保持一致的增强图像,公式如下:
E(x,y)=E(x,y)+bak(x,y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247876.9A CN110021031B (zh) | 2019-03-29 | 2019-03-29 | 一种基于图像金字塔的x射线图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247876.9A CN110021031B (zh) | 2019-03-29 | 2019-03-29 | 一种基于图像金字塔的x射线图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110021031A true CN110021031A (zh) | 2019-07-16 |
CN110021031B CN110021031B (zh) | 2023-03-10 |
Family
ID=67190212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910247876.9A Active CN110021031B (zh) | 2019-03-29 | 2019-03-29 | 一种基于图像金字塔的x射线图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110021031B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598613A (zh) * | 2019-09-03 | 2019-12-20 | 长安大学 | 一种高速公路团雾监测方法 |
CN110942431A (zh) * | 2019-10-31 | 2020-03-31 | 南京邮电大学 | 一种图像细节的增强方法 |
CN111104841A (zh) * | 2019-09-16 | 2020-05-05 | 平安科技(深圳)有限公司 | 暴力行为检测方法及系统 |
CN112053279A (zh) * | 2020-09-03 | 2020-12-08 | 五邑大学 | 高光谱图像的降维方法、装置及存储介质 |
CN112381736A (zh) * | 2020-11-17 | 2021-02-19 | 深圳市歌华智能科技有限公司 | 一种基于场景分块的图像增强方法 |
CN112561909A (zh) * | 2020-12-28 | 2021-03-26 | 南京航空航天大学 | 一种基于融合变异的图像对抗样本生成方法 |
CN112884855A (zh) * | 2021-01-13 | 2021-06-01 | 中广核贝谷科技有限公司 | 一种安检ct重建图像的处理方法和装置 |
CN112967209A (zh) * | 2021-04-23 | 2021-06-15 | 上海大学 | 一种基于多倍采样的内窥镜图像血管纹理增强方法 |
CN113724144A (zh) * | 2020-05-22 | 2021-11-30 | 北京小米移动软件有限公司 | 一种图像处理方法及终端设备上的图像信号处理器 |
WO2022033088A1 (zh) * | 2020-08-14 | 2022-02-17 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
CN114841903A (zh) * | 2022-07-05 | 2022-08-02 | 黄海造船有限公司 | 基于图像处理的船体表面腐蚀程度评估方法 |
CN116777768A (zh) * | 2023-05-25 | 2023-09-19 | 珠海移科智能科技有限公司 | 一种鲁棒且高效的扫描文档图像增强方法及其装置 |
CN118501187A (zh) * | 2024-07-16 | 2024-08-16 | 宁波东方电缆股份有限公司 | 一种用于海洋脐带缆绝缘层的质量检测方法与系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000013407A1 (en) * | 1998-08-28 | 2000-03-09 | Sarnoff Corporation | Method and apparatus for electronically enhancing images |
CN1889125A (zh) * | 2006-07-26 | 2007-01-03 | 深圳市嘉易通医疗科技有限公司 | 一种医疗放射图像的细节增强方法 |
US20090169102A1 (en) * | 2007-11-29 | 2009-07-02 | Chao Zhang | Multi-scale multi-camera adaptive fusion with contrast normalization |
DE102010008630A1 (de) * | 2010-02-18 | 2011-08-18 | ESW GmbH, 22880 | Verfahren zu Verarbeitung von mehrkanaligen Bildaufnahmen für die Detektion von verborgenen Gegenständen bei der optoelektronischen Personenkontrolle |
CN102473290A (zh) * | 2009-06-29 | 2012-05-23 | 汤姆逊许可证公司 | 对比度增强 |
CN103578091A (zh) * | 2013-10-10 | 2014-02-12 | 中国科学院上海技术物理研究所 | 一种基于拉普拉斯金字塔的红外偏振图像融合方法 |
US8811764B1 (en) * | 2012-10-25 | 2014-08-19 | Google Inc. | System and method for scene dependent multi-band blending |
CN104408700A (zh) * | 2014-11-21 | 2015-03-11 | 南京理工大学 | 基于形态学和pca的轮廓波红外与可见光图像融合方法 |
CN104504666A (zh) * | 2015-01-16 | 2015-04-08 | 成都品果科技有限公司 | 一种基于拉普拉斯金字塔的色调映射方法 |
US20160063821A1 (en) * | 2011-08-30 | 2016-03-03 | Digimarc Corporation | Methods and arrangements for identifying objects |
CN106960428A (zh) * | 2016-01-12 | 2017-07-18 | 浙江大立科技股份有限公司 | 可见光和红外双波段图像融合增强方法 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109064501A (zh) * | 2018-09-14 | 2018-12-21 | 南京理工技术转移中心有限公司 | 一种污水处理监控系统的工作方法 |
-
2019
- 2019-03-29 CN CN201910247876.9A patent/CN110021031B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000013407A1 (en) * | 1998-08-28 | 2000-03-09 | Sarnoff Corporation | Method and apparatus for electronically enhancing images |
CN1889125A (zh) * | 2006-07-26 | 2007-01-03 | 深圳市嘉易通医疗科技有限公司 | 一种医疗放射图像的细节增强方法 |
US20090169102A1 (en) * | 2007-11-29 | 2009-07-02 | Chao Zhang | Multi-scale multi-camera adaptive fusion with contrast normalization |
CN102473290A (zh) * | 2009-06-29 | 2012-05-23 | 汤姆逊许可证公司 | 对比度增强 |
DE102010008630A1 (de) * | 2010-02-18 | 2011-08-18 | ESW GmbH, 22880 | Verfahren zu Verarbeitung von mehrkanaligen Bildaufnahmen für die Detektion von verborgenen Gegenständen bei der optoelektronischen Personenkontrolle |
US20160063821A1 (en) * | 2011-08-30 | 2016-03-03 | Digimarc Corporation | Methods and arrangements for identifying objects |
US8811764B1 (en) * | 2012-10-25 | 2014-08-19 | Google Inc. | System and method for scene dependent multi-band blending |
CN103578091A (zh) * | 2013-10-10 | 2014-02-12 | 中国科学院上海技术物理研究所 | 一种基于拉普拉斯金字塔的红外偏振图像融合方法 |
CN104408700A (zh) * | 2014-11-21 | 2015-03-11 | 南京理工大学 | 基于形态学和pca的轮廓波红外与可见光图像融合方法 |
CN104504666A (zh) * | 2015-01-16 | 2015-04-08 | 成都品果科技有限公司 | 一种基于拉普拉斯金字塔的色调映射方法 |
CN106960428A (zh) * | 2016-01-12 | 2017-07-18 | 浙江大立科技股份有限公司 | 可见光和红外双波段图像融合增强方法 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109064501A (zh) * | 2018-09-14 | 2018-12-21 | 南京理工技术转移中心有限公司 | 一种污水处理监控系统的工作方法 |
Non-Patent Citations (2)
Title |
---|
TAO MEI 等: "Improved multiscale image enhancement via Laplacian pyramid", 《SECOND INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS》 * |
朱伟 等: "基于高斯-拉普拉斯金字塔的DR图像增强改进算法研究", 《中国医疗器械杂志》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598613A (zh) * | 2019-09-03 | 2019-12-20 | 长安大学 | 一种高速公路团雾监测方法 |
CN111104841A (zh) * | 2019-09-16 | 2020-05-05 | 平安科技(深圳)有限公司 | 暴力行为检测方法及系统 |
WO2021051547A1 (zh) * | 2019-09-16 | 2021-03-25 | 平安科技(深圳)有限公司 | 暴力行为检测方法及系统 |
CN111104841B (zh) * | 2019-09-16 | 2024-09-10 | 平安科技(深圳)有限公司 | 暴力行为检测方法及系统 |
CN110942431A (zh) * | 2019-10-31 | 2020-03-31 | 南京邮电大学 | 一种图像细节的增强方法 |
CN110942431B (zh) * | 2019-10-31 | 2022-08-30 | 南京邮电大学 | 一种图像细节的增强方法 |
CN113724144A (zh) * | 2020-05-22 | 2021-11-30 | 北京小米移动软件有限公司 | 一种图像处理方法及终端设备上的图像信号处理器 |
WO2022033088A1 (zh) * | 2020-08-14 | 2022-02-17 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
CN112053279A (zh) * | 2020-09-03 | 2020-12-08 | 五邑大学 | 高光谱图像的降维方法、装置及存储介质 |
CN112381736A (zh) * | 2020-11-17 | 2021-02-19 | 深圳市歌华智能科技有限公司 | 一种基于场景分块的图像增强方法 |
CN112561909B (zh) * | 2020-12-28 | 2024-05-28 | 南京航空航天大学 | 一种基于融合变异的图像对抗样本生成方法 |
CN112561909A (zh) * | 2020-12-28 | 2021-03-26 | 南京航空航天大学 | 一种基于融合变异的图像对抗样本生成方法 |
CN112884855A (zh) * | 2021-01-13 | 2021-06-01 | 中广核贝谷科技有限公司 | 一种安检ct重建图像的处理方法和装置 |
CN112967209A (zh) * | 2021-04-23 | 2021-06-15 | 上海大学 | 一种基于多倍采样的内窥镜图像血管纹理增强方法 |
CN114841903A (zh) * | 2022-07-05 | 2022-08-02 | 黄海造船有限公司 | 基于图像处理的船体表面腐蚀程度评估方法 |
CN114841903B (zh) * | 2022-07-05 | 2022-09-09 | 黄海造船有限公司 | 基于图像处理的船体表面腐蚀程度评估方法 |
CN116777768A (zh) * | 2023-05-25 | 2023-09-19 | 珠海移科智能科技有限公司 | 一种鲁棒且高效的扫描文档图像增强方法及其装置 |
CN116777768B (zh) * | 2023-05-25 | 2024-05-31 | 珠海移科智能科技有限公司 | 一种鲁棒且高效的扫描文档图像增强方法及其装置 |
CN118501187A (zh) * | 2024-07-16 | 2024-08-16 | 宁波东方电缆股份有限公司 | 一种用于海洋脐带缆绝缘层的质量检测方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110021031B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110021031A (zh) | 一种基于图像金字塔的x射线图像增强方法 | |
Chen et al. | Low-dose CT with a residual encoder-decoder convolutional neural network | |
Kang et al. | A deep convolutional neural network using directional wavelets for low‐dose X‐ray CT reconstruction | |
Liu et al. | Low-dose CT restoration via stacked sparse denoising autoencoders | |
Huang et al. | CaGAN: A cycle-consistent generative adversarial network with attention for low-dose CT imaging | |
CN108898642B (zh) | 一种基于卷积神经网络的稀疏角度ct成像方法 | |
Huang et al. | Data consistent artifact reduction for limited angle tomography with deep learning prior | |
Van Eyndhoven et al. | An iterative CT reconstruction algorithm for fast fluid flow imaging | |
Van Aarle et al. | Super-resolution for computed tomography based on discrete tomography | |
CN107133933B (zh) | 基于卷积神经网络的乳腺x线图像增强方法 | |
Chen et al. | Low-dose CT image denoising using residual convolutional network with fractional TV loss | |
US11935160B2 (en) | Method of generating an enhanced tomographic image of an object | |
Gou et al. | Gradient regularized convolutional neural networks for low-dose CT image enhancement | |
Pan et al. | Iterative residual optimization network for limited-angle tomographic reconstruction | |
Tang et al. | Generative adversarial network-based sinogram super-resolution for computed tomography imaging | |
Yang et al. | Low‐light image enhancement based on Retinex decomposition and adaptive gamma correction | |
He et al. | Downsampled imaging geometric modeling for accurate CT reconstruction via deep learning | |
Ma et al. | Learning image from projection: A full-automatic reconstruction (FAR) net for computed tomography | |
Zhang et al. | Spectral CT image-domain material decomposition via sparsity residual prior and dictionary learning | |
Wang et al. | An effective sinogram inpainting for complementary limited-angle dual-energy computed tomography imaging using generative adversarial networks | |
Feng et al. | Dual residual convolutional neural network (DRCNN) for low-dose CT imaging | |
Xia et al. | Deep residual neural network based image enhancement algorithm for low dose CT images | |
Chen et al. | A fractional-order variational residual CNN for low dose CT image denoising | |
WO2022027216A1 (zh) | 一种图像降噪方法及其应用 | |
Zhang | A selection of image processing techniques: from fundamentals to research front |
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 |