CN110060222B - 一种图像校正方法、装置及内窥镜系统 - Google Patents
一种图像校正方法、装置及内窥镜系统 Download PDFInfo
- Publication number
- CN110060222B CN110060222B CN201910355599.3A CN201910355599A CN110060222B CN 110060222 B CN110060222 B CN 110060222B CN 201910355599 A CN201910355599 A CN 201910355599A CN 110060222 B CN110060222 B CN 110060222B
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- saturation
- channel image
- original
- 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.)
- Active
Links
- 238000003702 image correction Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 239000013589 supplement Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像校正方法、装置及内窥镜系统。该方法包括如下步骤：获取并将原始RGB图像转换为HSV颜色空间图像；从HSV颜色空间图像中提取第一V通道图像、第一S通道图像和第一H通道图像；对第一V通道图像进行局部自适应均衡处理，获得第二V通道图像；和/或对第一S通道图像进行饱和度调整，获得第二S通道图像；合并三个通道图像，将合并后的图像转换为RGB格式输出，得到校正后的图像。对V通道和/或S通道进行分别处理，不引入新噪声，简单高效，处理速度快；对V通道进行局部自适应均衡处理可消除图像亮度不均衡问题，提高清晰度和对比度；对S通道进行颜色饱和度调整，使其色彩信息饱和丰富起来。
Description
技术领域
本发明涉及医疗设备图像处理领域，特别是涉及一种图像校正方法、装置及内窥镜系统。
背景技术
物体表面呈现的颜色与光源特性和光照条件有关，随着光照、视角的不同产生不同的颜色图像。人的视觉系统能够在一定程度上自动消除和补偿光照条件等对颜色的影响，以正确地获取物体本身所固有的颜色。
因人的体腔较小，医用内窥镜的硬件设备体积很小，自身电源电量有限，补光灯功率较小，存在因补光不足使图片具有颜色偏差；此外，因人体腔道的复杂性，同一图片中距离灯光近处会出现过曝，距离灯光远处存在补光不足会出现偏暗偏黑的情况，曝光过度或曝光不足均会引起非线性的颜色失真。上述问题会影响医生读片，因此，对内镜图像进行颜色校正，可以有效改善图片的因为补光引起的曝光不均匀和图片颜色失真的问题，有利于提高医生读片的快速性准确性。
现有技术中，对图像颜色的校正一种方法是找出待校正图像和所期望的图像的颜色之间的映射关系，利用多项式来构造它们之间的颜色变换模型。构造多项式映射模型需要选取一定的样本进行训练来达到校正的效果，单一构造的颜色模型，只能解决部分颜色失真问题，不能够对所有图像有效。
另一种方式是采用直方图均衡的方法，通过直方图均衡可以得到图像灰度范围、每个灰度的频度和灰度的分布、整幅图像的平均明暗和对比度等。对图像进行非线性拉伸,重新分配图像素值,使得在某个灰度级区间像素内分布就变均匀来完成图像颜色的校正，使得灰度值的差别变大，如果图像值分布较小的话,会产生粗略分类的视觉效果，若图像大部分像素集中在低暗区域，或者高亮过曝区域,则直方图均衡处理后也会引起图像颜色失真等问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种图像校正方法、装置及内窥镜系统。
为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种图像校正方法，包括：
步骤S1，获取原始RGB图像，将原始RGB图像转换为HSV颜色空间图像；
步骤S2，分别从HSV颜色空间图像中提取V通道、S通道、和H通道的图像，并记为第一V通道图像、第一S通道图像和第一H通道图像；
步骤S3，对第一V通道图像进行局部自适应均衡处理，获得第二V通道图像；
和/或对第一S通道图像进行饱和度调整，获得第二S通道图像；
步骤S4，合并第一H通道图像、第二V通道图像和第二S通道图像，或者合并第一H通道图像、第一V通道图像和第二S通道图像，或者合并第一H通道图像、第二V通道图像和第一S通道图像；
将合并后的图像转换为RGB格式输出，得到校正后的图像。
上述技术方案的有益效果为：充分利用在HSV颜色模型中三个通道分别独立进行图像处理后会影响其它通道的优点，根据原始图像质量对V通道和/或S通道进行处理，处理后再合成新的图像，不会引入新噪声，这样处理流程简单高效，图像处理速度快；对V通道进行局部自适应均衡处理可以消除因补光引起的曝光不均匀问题带来的图像亮度不均衡问题，提高清晰度和对比度，图像原来亮度较暗的区域被增亮，过曝的区域得到抑制；对S通道进行颜色饱和度调整，使其色彩信息饱和丰富起来。
在本发明的一种优选实施方式中，所述步骤S3中，对第一V通道图像进行局部自适应均衡处理，获得第二V通道图像的步骤包括：
步骤S31，对第一V通道图像进行低频滤波，获得低频图像；在所述低频图像中，在以位置坐标为(m,n)的像素点为中心，r为半径的局部区域内的像素点的像素值相同，记为L(m,n)；
步骤S32，求取第一V通道图像中以位置坐标为(m,n)的像素点为中心，r为半径的局部区域的亮度方差为：
其中，所述P(x,y)为第一V通道图像中以位置坐标为(m,n)的像素点为中心，r为半径的局部区域中位置坐标为(x,y)的像素点的像素值；
步骤S33，将第一V通道图像减去低频图像得到高频图像，基于局部方差设置自适应系数，在高频图像中通过下式进行局部自适应均衡处理，获得第二V通道图像：
其中，
为自适应系数；C为预设值，其取值为常数；σ(m,n)为第一V通道图像中以位置坐标为(m,n)的像素点为中心；r为半径的局部区域的亮度标准差；f(x,y)为第二V通道图像中位置坐标为(x,y)的像素点的像素值；P(x,y)-L(m,n)为高频图像中位置坐标为(x,y)的像素点的像素值。
上述技术方案的有益效果为：将第一V通道图像分成高频图像和低频图像，低频图像在局部区域内的像素值相同，提高了处理速度；在第一V通道图像的像素值变化比较大的区域或者是图像边缘区域的地方，自适应系数的值较小，这样校正后就不会产生振铃效应。该局部自适应均衡处理方法对第一V通道图像的暗区域进行拉伸，对过曝区域即过亮区域进行抑制，使图像更清晰，对比度更高；降低低频区域，突出高频区域来提高清晰度和对比度；通过引入自适应系数可以有效抑制图像颜色校正产生的噪音，最后得到清晰的增强的图像。在本发明的一种优选实施方式中，在所述低频图像中以位置坐标为(m,n)的像素点为中心，r为半径的局部区域中的像素点的像素值为所述局部区域内所有像素点像素值的平均值或中值或最小值或最大值。
上述技术方案的有益效果为：便于计算，运算量较少。
在本发明的一种优选实施方式中，所述步骤S3中，对第一S通道图像进行饱和度调整，获得第二S通道图像的步骤包括：
步骤S34，选取多个原始图像，对每个原始图像进行饱和度修正获得修正图像，分别将原始图像及其对应的修正图像转换为HSV空间色彩图像并提取出S通道图像；
将原始图像的S通道图像与所述原始图像的修正图像的S通道图像相互关联并分别作为输入样本和输出样本得到训练集；
步骤S35，通过训练集对支持向量机SVM模型进行训练，获得支持向量机SVM模型的核函数参数；
步骤S36，将第一S通道图像输入支持向量机SVM模型，支持向量机SVM模型输出饱和度调整后的第二S通道图像。
上述技术方案的有益效果为：通过SVM神经网络来进行第一S通道图像的饱和度校正，能够处理图像的非线性映射问题，对所有颜色失真图片有效。
在本发明的一种优选实施方式中，所述核函数为：
f(s)＝as3+bs2+cs+d；
其中，f(s)为第二S通道图像，s为第一S通道图像，a、b、c和d均为核函数参数。
上述技术方案的有益效果为：核函数能够避免SVM神经网络映射函数的求解，该核函数公式能够极大的减少运算量，加快处理速度。
在本发明的一种优选实施方式中，所述步骤S34中，对每个原始图像进行饱和度修正获得修正图像的方法为：
设置饱和度阈值；调节原始图像的饱和度，当其饱和度达到饱和度阈值时，将此时获得的调节后的图像记为所述原始图像的修正图像。
上述技术方案的有益效果为：简单易行，运算量少。
在本发明的一种优选实施方式中，所述原始图像包含饱和度高于饱和度阈值的图像、饱和度等于饱和度阈值的图像和饱和度低于饱和度阈值的图像。
上述技术方案的有益效果为：满足样本多样性最大化原则，增加SVM模型输出结果的可靠性。
为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种图像校正装置，包括图像校正单元，所述图像校正单元接收图像并按照本发明所述的图像校正方法对接收到的图像进行校正处理。
上述技术方案的有益效果为：具有本发明所述的图像校正方法的有益效果。
为了实现本发明的上述目的，根据本发明的第三个方面，本发明提供了一种内窥镜系统，包括本发明所述的图像校正装置和伸入人体或待测管道的图像传感器，所述图像传感器采集图像并传输给图像校正装置，所述图像校正装置接收图像传感器输出的图像信号并按照本发明所述的图像校正方法对接收到的图像进行校正处理。
上述技术方案的有益效果为：除具有本发明所述的图像校正方法和装置的有益效果外，还具有校正后的图片更清晰，对比度更高，使原有的不饱和的色彩信息变得饱和、丰富起来，视觉效果更好，更有利于人眼观察，有利于医生读片时对异常病变部位进一部的观察，提高医生诊断的准确性的有益效果。
附图说明
图1是本发明一具体实施方式中图像校正方法的流程示意图；
图2是本发明一种应用场景中图像校正方法的执行流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明公开了一种图像校正方法，如图1所示为其流程示意图，在一种优选实施方式中，该方法具体的包括：
步骤S1，获取原始RGB图像，将原始RGB图像转换为HSV颜色空间图像；
步骤S2，分别从HSV颜色空间图像中提取V通道、S通道、和H通道的图像，并记为第一V通道图像、第一S通道图像和第一H通道图像；
步骤S3，对第一V通道图像进行局部自适应均衡处理，获得第二V通道图像；
和/或对第一S通道图像进行饱和度调整，获得第二S通道图像；
步骤S4，合并第一H通道图像、第二V通道图像和第二S通道图像，或者合并第一H通道图像、第一V通道图像和第二S通道图像，或者合并第一H通道图像、第二V通道图像和第一S通道图像；
将合并后的图像转换为RGB格式输出，得到校正后的图像。
在本实施方式中，HSV(Hue,Saturation,Value)是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是：色调(H)，饱和度(S)，明度(V)。在HSV颜色模型中色调H表示颜色角度度量，取值范围为0°～360°，饱和度S表示接近光谱色的程度，明度V表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关，三个通道分别独立进行图像处理，处理后也不会影响其它通道。
在本实施方式中，根据原始图像的颜色问题可选择对S通道和/或V通道进行处理，如因为补光问题，引起原始图像存在一定的颜色偏差，距离补光灯近处，会出现过曝，距离补光灯远处补光不足，出现偏暗偏黑的情况，曝光过度或曝光不足会引起非线性的颜色失真，这时，优选的，同时对V通道和S通道的图像进行处理。
在本实施方式中，对第一V通道图像进行局部自适应均衡处理，获得第二V通道图像的步骤，对第一S通道图像进行饱和度调整，获得第二S通道图像的步骤，两者可以同时进行或分时进行，根据选用的处理器的数量和计算能力确定。
在一种优选实施方式中，步骤S3中，对第一V通道图像进行局部自适应均衡处理，获得第二V通道图像的步骤包括：
步骤S31，对第一V通道图像进行低频滤波，获得低频图像；在低频图像中，在以位置坐标为(m,n)的像素点为中心，r为半径的局部区域内的像素点的像素值相同，记为L(m,n)；1≤m≤M1，1≤n≤N1，M1为原始图像的横向长度，N1为原始图像的纵向长度，r＞0。
步骤S32，求取第一V通道图像中以位置坐标为(m,n)的像素点为中心，r为半径的局部区域的亮度方差为：
其中，P(x,y)为第一V通道图像中以位置坐标为(m,n)的像素点为中心，r为半径的局部区域中位置坐标为(x,y)的像素点的像素值；
步骤S33，将第一V通道图像减去低频图像得到高频图像，基于局部方差设置自适应系数，在高频图像中通过下式进行局部自适应均衡处理，获得第二V通道图像：
其中，
为自适应系数；C为预设值，其取值为常数；σ(m,n)为第一V通道图像中以位置坐标为(m,n)的像素点为中心；r为半径的局部区域的亮度标准差；f(x,y)为第二V通道图像中位置坐标为(x,y)的像素点的像素值；P(x,y)-L(m,n)为高频图像中位置坐标为(x,y)的像素点的像素值。
在本实施方式中，为了能够看清楚内镜图像的更多细节部分，使得图像更加清晰，对比度更高。将图像分成高频部分和低频部分。
在本实施方式中，常数C的值可按照经验预设，如在2到8之间取值。
在本实施方式中，进一步的，在低频图像中以位置坐标为(m,n)的像素点为中心，r为半径的局部区域中的像素点的像素值为局部区域内所有像素点像素值的平均值或中值或最小值或最大值。优选的，为了提高计算处理速度，低频部分用图像的平均值来代替，低频滤波公式如下：
在本实施方式中，将第一V通道图像分为低频图像和高频图像在高频图像中通过下式进行局部自适应均衡处理，通过降低低频区域，突出高频区域来提高清晰度和对比度。
在一种优选实施方式中，步骤S3中，对第一S通道图像进行饱和度调整，获得第二S通道图像的步骤包括：
步骤S34，选取多个原始图像，对每个原始图像进行饱和度修正获得修正图像，分别将原始图像及其对应的修正图像转换为HSV空间色彩图像并提取出S通道图像；
将原始图像的S通道图像与所述原始图像的修正图像的S通道图像相互关联并分别作为输入样本和输出样本得到训练集；
步骤S35，通过训练集对支持向量机SVM模型进行训练，获得支持向量机SVM模型的核函数参数；
步骤S36，将第一S通道图像输入支持向量机SVM模型，支持向量机SVM模型输出饱和度调整后的第二S通道图像。
在本实施方式中，在步骤S34中，从原始图像库中,人工选取不同的原始图像，按照样本多样性最大化原则，平均选取多样样本，如在原始图像为内窥镜拍摄图像时，可选择不同性别和年龄段的个体的图像，具体到每个个体时，还要对不同时间段，不同部位的原始图像做进一步的筛选，平均选取正常的饱和度的图片，还有饱和度比较低的图像，以及颜色饱和度比较好的图片。
在本实施方式中，优选的，对每个原始图像进行饱和度修正获得修正图像的方法为：
设置饱和度阈值；调节原始图像的饱和度，当其饱和度达到饱和度阈值时，将此时获得的调节后的图像记为所述原始图像的修正图像。饱和度阈值可根据观察人员的习惯、应用环境、和图片拍摄对象设置一个或多个，如不同的拍摄对象选择不同的饱和度阈值来进行饱和度调节。具体的，可通过ps软件(如photoshop软件)调节原始图像的饱和度使其达到饱和度阈值。将选取好的原始图像通过ps软件，手动调整图像的饱和度，使其饱和度达到设定的饱和阈值，在该饱和度阈值具有人眼观察比较好的满意效果，将每一张图像形成原始图像和饱和度修正后的图像。这样提取原始图像的S通道图像和修正后图像的S通道图像输入到支持向量机SVM中来进行训练拟合。
在本实施方式中，优选的，原始图像包含饱和度高于饱和度阈值的图像、饱和度等于饱和度阈值的图像和饱和度低于饱和度阈值的图像。
在本实施方式中，支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器。
在一种优选实施方式中，核函数为：
f(s)＝as3+bs2+cs+d；
其中，f(s)为第二S通道图像，s为第一S通道图像，a、b、c和d均为核函数参数。
在本发明的图像校正方法的一种应用场景中，其执行流程图如图2所示，在该应用场景中，V通道和S通道时串行的，对V通道做局部自适应均衡处理和对S通道饱和度调整处理为串行的。
本发明还公开了一种图像校正装置，包括图像校正单元，图像校正单元接收图像并按照本发明的图像校正方法对接收到的图像进行校正处理。
在本实施方式中，图像校正单元优选但不限于为FPGA或ARM等微处理器，也可为台式电脑或笔记本电脑等。
本发明还提供了一种内窥镜系统，包括本发明的图像校正装置和伸入人体或待测管道的图像传感器，图像传感器采集图像并传输给图像校正装置，图像校正装置接收图像传感器输出的图像信号并按照本发明的图像校正方法对接收到的图像进行校正处理。
在本实施方式中，图像传感器优选但不限于为CMOS摄像头，图像传感器的图像信号可通过有线或无线传输至图像校正装置。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种图像校正方法，其特征在于，包括：
步骤S1，获取原始RGB图像，将原始RGB图像转换为HSV颜色空间图像；
步骤S2，分别从HSV颜色空间图像中提取V通道、S通道和H通道的图像，并记为第一V通道图像、第一S通道图像和第一H通道图像；
步骤S3，对第一V通道图像进行局部自适应均衡处理，获得第二V通道图像；
和/或对第一S通道图像进行饱和度调整，获得第二S通道图像；
步骤S4，合并第一H通道图像、第二V通道图像和第二S通道图像，或者合并第一H通道图像、第一V通道图像和第二S通道图像，或者合并第一H通道图像、第二V通道图像和第一S通道图像；
将合并后的图像转换为RGB格式输出，得到校正后的图像；
所述步骤S3中，对第一V通道图像进行局部自适应均衡处理，获得第二V通道图像的步骤包括：
步骤S31，对第一V通道图像进行低频滤波，获得低频图像；在所述低频图像中，在以位置坐标为(m,n)的像素点为中心，r为半径的局部区域内的像素点的像素值相同，记为L(m,n)；
步骤S32，求取第一V通道图像中以位置坐标为(m,n)的像素点为中心，r为半径的局部区域的亮度方差为：
其中，所述P(x,y)为第一V通道图像中以位置坐标为(m,n)的像素点为中心，r为半径的局部区域中位置坐标为(x,y)的像素点的像素值；
步骤S33，将第一V通道图像减去低频图像得到高频图像，基于局部方差设置自适应系数，在高频图像中通过下式进行局部自适应均衡处理,获得第二V通道图像：
其中，
为自适应系数；C为预设值，其取值为常数；σ(m,n)为第一V通道图像中以位置坐标为(m,n)的像素点为中心；r为半径的局部区域的亮度标准差；f(x,y)为第二V通道图像中位置坐标为(x,y)的像素点的像素值；P(x,y)-L(m,n)为高频图像中位置坐标为(x,y)的像素点的像素值。
2.如权利要求1所述的图像校正方法，其特征在于，在所述低频图像中以位置坐标为(m,n)的像素点为中心，r为半径的局部区域中的像素点的像素值为所述局部区域内所有像素点像素值的平均值或中值或最小值或最大值。
3.如权利要求1所述的图像校正方法，其特征在于，所述步骤S3中，对第一S通道图像进行饱和度调整，获得第二S通道图像的步骤包括：
步骤S34，选取多个原始图像，对每个原始图像进行饱和度修正获得修正图像，分别将原始图像及其对应的修正图像转换为HSV空间色彩图像并提取出S通道图像；
将原始图像的S通道图像与所述原始图像的修正图像的S通道图像相互关联并分别作为输入样本和输出样本得到训练集；
步骤S35，通过训练集对支持向量机SVM模型进行训练，获得支持向量机SVM模型的核函数参数；
步骤S36，将第一S通道图像输入支持向量机SVM模型，支持向量机SVM模型输出饱和度调整后的第二S通道图像。
4.如权利要求3所述的图像校正方法，其特征在于，所述核函数为：
f(s)＝as3+bs2+cs+d；
其中，f(s)为第二S通道图像，s为第一S通道图像，a、b、c和d均为核函数参数。
5.如权利要求3所述的图像校正方法，其特征在于，所述步骤S34中，对每个原始图像进行饱和度修正获得修正图像的方法为：
设置饱和度阈值；调节原始图像的饱和度，当其饱和度达到饱和度阈值时，将此时获得的调节后的图像记为所述原始图像的修正图像。
6.如权利要求5所述的图像校正方法，其特征在于，所述原始图像包含饱和度高于饱和度阈值的图像、饱和度等于饱和度阈值的图像和饱和度低于饱和度阈值的图像通过人眼观察认为饱和度正常的图像、饱和度较低的图像和饱和度较高的图像。
7.一种图像校正装置，其特征在于，包括图像校正单元，所述图像校正单元接收图像并按照权利要求1-6之一所述的图像校正方法对接收到的图像进行校正处理。
8.一种内窥镜系统，其特征在于，包括权利要求7所述的图像校正装置和伸入人体或待测管道的图像传感器，所述图像传感器采集图像并传输给图像校正装置，所述图像校正装置接收图像传感器输出的图像信号并按照权利要求1-6之一所述的图像校正方法对接收到的图像进行校正处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910355599.3A CN110060222B (zh) | 2019-04-29 | 2019-04-29 | 一种图像校正方法、装置及内窥镜系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910355599.3A CN110060222B (zh) | 2019-04-29 | 2019-04-29 | 一种图像校正方法、装置及内窥镜系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110060222A CN110060222A (zh) | 2019-07-26 |
| CN110060222B true CN110060222B (zh) | 2022-05-06 |
Family
ID=67321687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910355599.3A Active CN110060222B (zh) | 2019-04-29 | 2019-04-29 | 一种图像校正方法、装置及内窥镜系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110060222B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112598607B (zh) * | 2021-01-06 | 2022-11-18 | 安徽大学 | 基于改进加权clahe的内窥镜图像血管增强算法 |
| CN113570519B (zh) * | 2021-07-27 | 2024-03-22 | 重庆金山医疗技术研究院有限公司 | 一种hdr图像快速映射显示方法 |
| CN113537154B (zh) * | 2021-08-20 | 2022-08-12 | 中国美术学院 | 无人机建筑航拍图神经网络自动校色方法 |
| CN113744151A (zh) * | 2021-08-31 | 2021-12-03 | 平安科技（深圳）有限公司 | 待诊图像处理方法、装置、设备及存储介质 |
| CN113870151B (zh) * | 2021-12-03 | 2022-02-18 | 武汉楚精灵医疗科技有限公司 | 内镜图像的矫正方法、装置、设备及存储介质 |
| CN117075730B (zh) * | 2023-08-18 | 2024-04-30 | 广东早安文化发展有限公司 | 一种基于图像识别技术的3d虚拟展厅控制系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930512A (zh) * | 2012-09-25 | 2013-02-13 | 哈尔滨工程大学 | 基于HSV色彩空间结合Retinex的水下图像增强方法 |
| CN107798661A (zh) * | 2017-10-17 | 2018-03-13 | 华南理工大学 | 一种自适应的图像增强方法 |
| CN108416741A (zh) * | 2018-01-23 | 2018-08-17 | 浙江工商大学 | 基于亮度对比度增强和饱和度补偿的快速图像去雾方法 |
| CN108665430A (zh) * | 2018-05-08 | 2018-10-16 | 深圳市唯特视科技有限公司 | 一种基于色彩空间和支持向量机的镜面反射检测方法 |
| CN108711140A (zh) * | 2018-05-16 | 2018-10-26 | 广东欧谱曼迪科技有限公司 | 一种基于类间方差描述的图像亮度均匀性实时恢复方法 |
| CN108960259A (zh) * | 2018-07-12 | 2018-12-07 | 浙江工业大学 | 一种基于hsv的车牌预处理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7835572B2 (en) * | 2003-09-30 | 2010-11-16 | Sharp Laboratories Of America, Inc. | Red eye reduction technique |
-
2019
- 2019-04-29 CN CN201910355599.3A patent/CN110060222B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930512A (zh) * | 2012-09-25 | 2013-02-13 | 哈尔滨工程大学 | 基于HSV色彩空间结合Retinex的水下图像增强方法 |
| CN107798661A (zh) * | 2017-10-17 | 2018-03-13 | 华南理工大学 | 一种自适应的图像增强方法 |
| CN108416741A (zh) * | 2018-01-23 | 2018-08-17 | 浙江工商大学 | 基于亮度对比度增强和饱和度补偿的快速图像去雾方法 |
| CN108665430A (zh) * | 2018-05-08 | 2018-10-16 | 深圳市唯特视科技有限公司 | 一种基于色彩空间和支持向量机的镜面反射检测方法 |
| CN108711140A (zh) * | 2018-05-16 | 2018-10-26 | 广东欧谱曼迪科技有限公司 | 一种基于类间方差描述的图像亮度均匀性实时恢复方法 |
| CN108960259A (zh) * | 2018-07-12 | 2018-12-07 | 浙江工业大学 | 一种基于hsv的车牌预处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于沙尘环境下视频图像清晰化算法的研究;延婷;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20160315(第03期);第I138-6779页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110060222A (zh) | 2019-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060222B (zh) | 一种图像校正方法、装置及内窥镜系统 | |
| CN110505459B (zh) | 适用于内窥镜的图像颜色校正方法、装置和存储介质 | |
| US9852499B2 (en) | Automatic selection of optimum algorithms for high dynamic range image processing based on scene classification | |
| US10134359B2 (en) | Device or method for displaying image | |
| US8300051B2 (en) | Apparatus and method for enhancing images in consideration of region characteristics | |
| KR101309497B1 (ko) | 높은 동작 범위 이미지 매핑을 위한 히스토그램 조정 | |
| KR101309498B1 (ko) | 높은 동적 범위 이미지 매핑을 위한 히스토그램 조정 | |
| CN108711140B (zh) | 一种基于类间方差描述的图像亮度均匀性实时恢复方法 | |
| KR100707270B1 (ko) | Ｒｇｂ값을 이용한 영상 콘트라스트 개선 방법 및 장치 | |
| EP2899688A1 (en) | Image processing device, image display device, image capture device, image printing device, gradation conversion method, and program | |
| CN108198155B (zh) | 一种自适用色调映射方法及系统 | |
| TWI573126B (zh) | 可依據不同環境執行最佳化調整的影像調整方法及其顯示器 | |
| CN110175969B (zh) | 图像处理方法及图像处理装置 | |
| CN105744118B (zh) | 一种基于视频帧自适应的视频增强方法及视频增强系统 | |
| Jang et al. | Adaptive color enhancement based on multi-scaled Retinex using local contrast of the input image | |
| US10771709B2 (en) | Evaluation device, evaluation method, and camera system | |
| WO2008102296A2 (en) | Method for enhancing the depth sensation of an image | |
| KR20090111065A (ko) | 영상 합성 장치 | |
| KR101585187B1 (ko) | Cielab 색 공간에서의 통합된 멀티 스케일 레티넥스를 수행하는 이미지 처리 방법 및 장치 | |
| EP2802139B1 (en) | Image color adjusting method and electronic device using the same | |
| JP5975819B2 (ja) | 画像処理装置 | |
| TWI438718B (zh) | 適應性反雙曲線影像處理方法及其系統 | |
| CN110852977B (zh) | 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 | |
| David | Low illumination image enhancement algorithm using iterative recursive filter and visual gamma transformation function | |
| CN108022226B (zh) | 基于生物视觉机理的高动态图像显示方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210917 Address after: 401120 1-1, 2-1, 3-1, building 5, No. 18, Cuiping Lane 2, Huixing street, Yubei District, Chongqing Applicant after: Chongqing Jinshan Medical Technology Research Institute Co.,Ltd. Address before: 401120 1 office buildings, Jinshan International Industrial City, 18 of Nei sang Road, Hui Xing street, Yubei District, Chongqing. Applicant before: CHONGQING JINSHAN MEDICAL APPLIANCE Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221013 Address after: 401120 18 neon Road, two Road Industrial Park, Yubei District, Chongqing Patentee after: CHONGQING JINSHAN SCIENCE & TECHNOLOGY (GROUP) Co.,Ltd. Address before: 401120 1-1, 2-1, 3-1, building 5, No. 18, Cuiping Lane 2, Huixing street, Yubei District, Chongqing Patentee before: Chongqing Jinshan Medical Technology Research Institute Co.,Ltd. |