CN110197487A - 一种基于皮肤图像检测色斑的方法 - Google Patents

一种基于皮肤图像检测色斑的方法 Download PDF

Info

Publication number
CN110197487A
CN110197487A CN201910166075.XA CN201910166075A CN110197487A CN 110197487 A CN110197487 A CN 110197487A CN 201910166075 A CN201910166075 A CN 201910166075A CN 110197487 A CN110197487 A CN 110197487A
Authority
CN
China
Prior art keywords
image
color spot
skin
transformation
skin image
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
CN201910166075.XA
Other languages
English (en)
Inventor
黄俊茗
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.)
Shanghai Business Network Technology Co Ltd
Original Assignee
Shanghai Business Network Technology 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 Shanghai Business Network Technology Co Ltd filed Critical Shanghai Business Network Technology Co Ltd
Priority to CN201910166075.XA priority Critical patent/CN110197487A/zh
Publication of CN110197487A publication Critical patent/CN110197487A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • G06T2207/30088—Skin; Dermal
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于皮肤图像检测色斑的方法，包括以下步骤:S1:通过图像采集设备进行拍摄获取人脸皮肤图像,并将所述皮肤图像转变为灰度图像;S2:采用基于小波变换同态滤波校正法对所述灰度图像进行预处理以消除光照不均匀的影响;S3:通过形态学高帽变换、低帽变换和对比度拉伸增强图像的对比度;S4:用自适应灰度动态阈值分割检测色斑;S5:采用形态学开运算和闲运算以消除检测后仍存在的杂散点，得到色斑的检测结果。通过该方法，能够采用普通摄像设备所采集的皮肤图像，在不接触皮肤的情况下，安全可靠，准确率较高检测皮肤的色斑。

Description

一种基于皮肤图像检测色斑的方法
技术领域
本发明涉及一种基于皮肤图像检测色斑的方法。
背景技术
色斑医学名为“色素障碍性皮肤病”，它是由于各种内因或外因影响所致皮肤黏膜色素代谢异常而出现的一组色素疾患，最主要的表现是色斑区域和正常皮肤的颜色不同。色斑不仅仅影响人的容貌，有些色斑疾病严重影响人的健康，色斑的检测在皮肤病诊断中十分重要，精确的检测是皮肤病快速治愈的前提。在评价化妆品功效和医学美容中皮肤评价中，色斑也是非常重要的依据。因此，在皮肤病诊断、化妆品功效判定和皮肤评价中都需要精确地检测色斑。
目前，大多色斑检测都是通过临床医师、美容师的视觉诊断，都是主观、非定量的检测。此外，专业的检测方法则是通过测色仪检测皮肤的色素沉着状况，但是该设备对成像的要求是比较高的，并且费用高昂，需要专业人员进行操作才能使用。
因此,如何提供一种通过普通的相机或手机所拍摄的图像,就可以较为精确地有效检索色斑状况的方法成为亟待解决的问题.
发明内容
本发明针对现有技术的不足，提出一种基于皮肤图像检测色斑的方法，述方法包括以下步骤:S1:通过图像采集设备进行拍摄获取人脸皮肤图像,并将所述皮肤图像转变为灰度图像；S2:采用基于小波变换同态滤波校正法对所述灰度图像进行预处理以消除光照不均匀的影响；S3:通过形态学高帽变换、低帽变换和对比度拉伸增强图像的对比度；S4:用自适应灰度动态阈值分割检测色斑；S5:采用形态学开运算和闲运算以消除检测后仍存在的杂散点，得到色斑的检测结果。
优选地，所述基于小波变换同态滤波校正法的处理步骤为:
(1)对滤波后图像进行一层小波分解得到HLI，LHI，HHI，LLl；
(2)对LLl作小波分解，得到HL2，LH2，HH2，IJL2；
(3)对LL2低频小波系数作线性均衡调整LL2＝(rl—r2)(k(x-m)+m)，式中x代表区上的小波系数，n代表LL2上的小波系数的平均值，对比度调节因子k满足0≤k≤1；并作小波分解得到HL3，LH3，HH3，LL3；
(4)依次对1-3层高频系数作加权滤波处理
分解级数；其中,2J反映了相应的分辨率:Kc称为截止系数:Wh和Wv分别称为水平权系数和垂直权系数,对于LHj，Wh:0；Wv＝l；对于HLj，Wh＝l，Wv＝0；对于HHj，Wh＝l，Wv＝l；对于LLn，Wh＝0，Wv＝0；
(5)逆序重构，得到恢复图像。
优选地，所述高帽变换是从原图像中减去开运算后的图像，提取图像中灰度较亮的区域，从而能够补偿不均匀的背景亮度。
优选地，所述低帽变换是原图像减去闭运算后的图像，提取图像中灰度较低的区域，原图像加上高帽变换后的图像，再减去低帽变换后的图像，使图像亮区更亮，暗区更暗，使得原本不明显的色斑也比较突出。
优选地，所述自适应灰度动态阈值分割是指将图像分块处理，分别计算每块中所有像素的均值，将各像素和该均值比较，差值大于一定值的像素为色斑。
优选地，所述开运算是先对图像腐蚀后膨胀，从而去除比结构元素更小的亮色细节，同时补偿不均匀的背景亮度。
优选地，所述闭运算是先对图像膨胀后腐蚀，以去除比结构元素更小的暗色细节。
优选地，所述图像采集设备为数码相机或手机。
优选地，所述灰度图像以双精度类型显示。
与现有技术相比，本发明提供的基于皮肤图像检测色斑的方法，是基于图像的色斑检测，不接触皮肤，安全可靠，所用的成像没备是标准的皮肤测试检测设备，与昂贵的光学设备相比，价钱便宜，同时又能够较为精确地检测色斑。
附图说明
图1为本发明所提供的一种基于皮肤图像检测色斑的方法的流程图。
图2为以双精度显示所采集的皮肤图像的示意图。
图3为经过预处理的皮肤图像的示意图。
图4为经过形态学的高帽低帽变换后的皮肤图像的示意图。
图5为经过对比度拉伸后的皮肤图像的示意图。
图6为经过动态阈值提取色斑后的皮肤图像的示意图。
图7为经过开运算和闭运算来消除杂散点后的皮肤图像的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明针对现有技术的不足，提出一种基于皮肤图像检测色斑的方法，述方法包括以下步骤:S1:通过图像采集设备进行拍摄获取人脸皮肤图像,并将所述皮肤图像转变为灰度图像；S2:采用基于小波变换同态滤波校正法对所述灰度图像进行预处理以消除光照不均匀的影响；S3:通过形态学高帽变换、低帽变换和对比度拉伸增强图像的对比度；S4:用自适应灰度动态阈值分割检测色斑；S5:采用形态学开运算和闲运算以消除检测后仍存在的杂散点，得到色斑的检测结果。
具体而言，在获取人脸皮肤图像这个步骤，首先用标准图像采集设备近距离拍摄人脸皮肤，可以是整张脸，也可以为脸部的一部分。接着将图片通过数据传输存储在云端服务器上。例如，从中选择含有色斑的一块矩形皮肤，不包含眼睛。鼻子，嘴巴。接着，将图片由彩色变成灰度图像，以双精度类型显示。图像的双精度比整形显示更清楚，图2就是截取的图片以双精度显示，在图片上像素值较大的点就是斑点，但还有许多色斑的颜色和周围皮肤相差不大，因此还需要后续的处理。
在进行预处理这个步骤，主要是尽量地消除光照不均匀的影响，使图片像素的亮度一样。具体而言，由于人脸不是平坦的，而且脸上存在或多或少的分泌物.以及一些光照和成像的原因造成了拍摄的图片照度不均匀，特别是在脸部突出的部分出现亮光，凹陷的地方像素偏暗，这些对后面的检测带来很大的影响，因此图片的预处理是必需的。本发明采用的是基于小波变换同态滤波校正法进行预处理。其中，小波变换具有空域和频域“变焦距”特性，二维图像经小波变换后，可形成三个具有方向选择性的高频带HL、LH、HH.和一个低频带LL。对低频带u.继续分解。可得到多级分解层次。低频反映了图像各主要空域范围的亮度分布和基本面貌，高频反应了图像的细节。选择合适的分界次数.使光照不均匀引起的缓变信息主要体现在LIJl区域的小波系数中。对不同分辨率下的小波分解系数进行类似的高通滤波处理。衰减低频信息，增强高频信息。具体处理步骤为:
(1)对滤波后图像进行一层小波分解得到HLI，LHI，HHI，LLl；
(2)对LLl作小波分解，得到HL2，LH2，HH2，IJL2；
(3)对LL2低频小波系数作线性均衡调整LL2＝(rl—r2)(k(x-m)+m)，式中x代表区上的小波系数，n代表LL2上的小波系数的平均值，对比度调节因子k满足0≤k≤1；并作小波分解得到HL3，LH3，HH3，LL3；
(4)依次对1-3层高频系数作加权滤波处理
分解级数；其中,2J反映了相应的分辨率:Kc称为截止系数:Wh和Wv分别称为水平权系数和垂直权系数,对于LHj，Wh:0；Wv＝l；对于HLj，Wh＝l，Wv＝0；对于HHj，Wh＝l，Wv＝l；对于LLn，Wh＝0，Wv＝0；
(5)逆序重构，得到恢复图像。
通过预处理所得到的图像具体如图3所示。
由于一些色斑和周围皮肤颜色差别不是很大。色斑与周围皮肤的边界不是很明显，它们之间是一个灰度连续变换的，并且基于小波变换同态滤波校正后，色斑的边界更加模糊，因此，为了便于后面的检测，需进行对比度增强，将色斑和周围皮肤的像素差值变大，使色斑更突出。具体而言，本发明采用综合形态学的高帽低帽变换和灰度拉伸的方法增强对比度。其中，高帽变化是从原图像中减去开运算后的图像，提取图像中灰度较亮的区域，这里开运算能够补偿不均匀的背景亮度；低帽变换是原图像减去闭运算后的图像，提取图像中灰度较低的区域，原图像加上高帽变换后的图像，再减去低帽变换后的图像，使图像亮区更亮，暗区更暗，并且便一些本来很不明显的色斑也比较突出，如图4所示。由于小波同态滤波后的图片比较模糊，所以高帽低帽变换后的图片仍有些模糊，像素比较集中，用算法再进行一次对比度拉伸。是图片像素在0—255均匀分布，这样得到的图片亮度均匀，斑点突出，如图5所示。
在图片经过小波同态滤波、高帽低帽变换和对比度托伸后，由于色斑和正常皮肤的差别较大，因此，可以直接用阈值分割就可以提取色斑。但是由于对比度增强后的图片的直方图均匀变化，没有波峰波谷，这里不能用全局阈值。本发明采用与左边相关的一组阈值来对图像各部份分别进行分割，即动态阈值分割。所谓动态阈值分割是指对每个像素确定以它为中心的一个窗口，计算窗口内的最大值和最小值，再取均值作为该点的阈值。本发明将图像分块处理，分别计算每块中所有像素的均值，因为像素的灰度值差别较大，这个均值并不适合作为阈值，而是将各像素和这个均值比较，差值大于一定值的像素为色斑。如图6所示，其为动态阈值提取的色斑。
但是，由于图片本身的特点以及前而的多次处理引入的噪声，导致检测结果有许多杂点。为了精确地提取色斑，需要消除这些非色斑的杂点。本发明采用形态学的开运算和闭运算来消除杂散点，开运算是先对图像腐蚀后膨胀，它能去除比结构元素更小的亮色细节，也可以补偿不均匀的背景亮度。闭运算是先对图像膨胀后腐蚀，它可以去除比结构元素更小的暗色细节。将开运算和闭运算组合在一起用来平滑图像并去除噪声。由于斑点是网形，这里选择的结果元素为平坦的圆盘型元索，半径为1，结果如图7所示，杂散点明显消除。
综上所述，本发明的方法的核心流程为：截取图片一基于小波的同态滤波高帽低帽变换一对比度拉伸一灰度动态阈值分割一开运算和闭运算一获得色斑的检测结果。在一个优选实施例中，滤波器参数为:r1＝2.6，r2＝1.3，k＝0.81，Kc＝1/6；高帽低帽变换的结构元素为平坦的圆盘型元素，半径为5；开运算和闭运算的结构元素为平坦的网盘型元素，半径为1。
如图2到图7所示，通过采用本发明所提供的检测方法可以看到，对比开、闭运算后的最终检测图和原图，检测结果是比较理想的，不仅检测出颜色较深的色斑，许多颜色很浅的色斑也被检测出。原图像上部分比较暗，下部分教亮。而右上角由于是眼角处，凹陷并且有皱纹存在，由结果可以看出，经过小波同态滤波和高帽低帽变换后。这些都对检测的影响不大，小波同态滤波不仅可以很好地消除光照的不均匀，也考虑到图像的空间信息，小波同态滤波后原图像的凹陷不明显了。尽管灰度拉伸后图片与原图像的差别比较大，但是可以很好的增加色斑和周围皮肤的对比度，有利于阈值分割。通过本发明所提供的方法，实现了色斑检测，多大多数色斑，即使颜色很浅的色斑也能较好的检测出。
与现有技术相比，本发明提供的基于皮肤图像检测色斑的方法，是基于图像的色斑检测，不接触皮肤，安全可靠，所用的成像没备是标准的皮肤测试检测设备，与昂贵的光学设备相比，价钱便宜，同时又能够较为精确地检测色斑。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (9)

1.一种基于皮肤图像检测色斑的方法，其特征在于，所述方法包括以下步骤:
S1:通过图像采集设备进行拍摄获取人脸皮肤图像,并将所述皮肤图像转变为灰度图像；
S2:采用以消除光照不均匀的影响；
S3:通过形态学高帽变换、低帽变换和对比度拉伸增强图像的对比度；
S4:用自适应灰度动态阈值分割检测色斑；
S5:采用形态学开运算和闲运算以消除检测后仍存在的杂散点，得到色斑的检测结果。
2.如权利要求1所述的基于皮肤图像检测色斑的方法，其特征在于，所述基于小波变换同态滤波校正法的处理步骤为:
(1)对滤波后图像进行一层小波分解得到HLI，LHI，HHI，LLl；
(2)对LLl作小波分解，得到HL2，LH2，HH2，IJL2；
(3)对LL2低频小波系数作线性均衡调整LL2＝(rl—r2)(k(x-m)+m)，式中x代表区上的小波系数，n代表LL2上的小波系数的平均值，对比度调节因子k满足0≤k≤1；并作小波分解得到HL3，LH3，HH3，LL3；
(4)依次对1-3层高频系数作加权滤波处理
分解级数；其中,2J反映了相应的分辨率:Kc称为截止系数:Wh和Wv分别称为水平权系数和垂直权系数,对于LHj，Wh:0；Wv＝l；对于HLj，Wh＝l，Wv＝0；对于HHj，Wh＝l，Wv＝l；对于LLn，Wh＝0，Wv＝0；
(5)逆序重构，得到恢复图像。
3.如权利要求1所述的基于皮肤图像检测色斑的方法，其特征在于，所述高帽变换是从原图像中减去开运算后的图像，提取图像中灰度较亮的区域，从而能够补偿不均匀的背景亮度。
4.如权利要求1所述的基于皮肤图像检测色斑的方法，其特征在于，所述低帽变换是原图像减去闭运算后的图像，提取图像中灰度较低的区域，原图像加上高帽变换后的图像，再减去低帽变换后的图像，使图像亮区更亮，暗区更暗，使得原本不明显的色斑也比较突出。
5.如权利要求1所述的基于皮肤图像检测色斑的方法，其特征在于，所述自适应灰度动态阈值分割是指将图像分块处理，分别计算每块中所有像素的均值，将各像素和该均值比较，差值大于一定值的像素为色斑。
6.如权利要求1所述的基于皮肤图像检测色斑的方法，其特征在于，所述开运算是先对图像腐蚀后膨胀，从而去除比结构元素更小的亮色细节，同时补偿不均匀的背景亮度。
7.如权利要求1所述的基于皮肤图像检测色斑的方法，其特征在于，所述闭运算是先对图像膨胀后腐蚀，以去除比结构元素更小的暗色细节。
8.如权利要求1所述的基于皮肤图像检测色斑的方法，其特征在于，所述图像采集设备为数码相机或手机。
9.如权利要求1所述的基于皮肤图像检测色斑的方法，其特征在于，所述灰度图像以双精度类型显示。
CN201910166075.XA 2019-03-06 2019-03-06 一种基于皮肤图像检测色斑的方法 Pending CN110197487A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910166075.XA CN110197487A (zh) 2019-03-06 2019-03-06 一种基于皮肤图像检测色斑的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910166075.XA CN110197487A (zh) 2019-03-06 2019-03-06 一种基于皮肤图像检测色斑的方法

Publications (1)

Publication Number Publication Date
CN110197487A true CN110197487A (zh) 2019-09-03

Family

ID=67751796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910166075.XA Pending CN110197487A (zh) 2019-03-06 2019-03-06 一种基于皮肤图像检测色斑的方法

Country Status (1)

Country Link
CN (1) CN110197487A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738984A (zh) * 2020-05-29 2020-10-02 北京工商大学 基于分水岭和种子填充的皮肤图像斑点评估方法及系统
CN112435251A (zh) * 2020-12-04 2021-03-02 黄珍珍 一种视网膜眼底图像的渗出液检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750682A (zh) * 2012-07-17 2012-10-24 中国矿业大学(北京) 一种处理矿工人脸图像与煤面光照不均的图像预处理方法
CN103954897A (zh) * 2014-05-20 2014-07-30 电子科技大学 基于紫外成像的智能电网高压绝缘损坏监控系统及方法
CN106529429A (zh) * 2016-10-27 2017-03-22 中国计量大学 一种基于图像识别的面部皮肤分析系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750682A (zh) * 2012-07-17 2012-10-24 中国矿业大学(北京) 一种处理矿工人脸图像与煤面光照不均的图像预处理方法
CN103954897A (zh) * 2014-05-20 2014-07-30 电子科技大学 基于紫外成像的智能电网高压绝缘损坏监控系统及方法
CN106529429A (zh) * 2016-10-27 2017-03-22 中国计量大学 一种基于图像识别的面部皮肤分析系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
储霞，吴效明，黄岳山 *
储霞;吴效明;黄岳山;: "一种基于人脸皮肤图像的色斑检测算法" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738984A (zh) * 2020-05-29 2020-10-02 北京工商大学 基于分水岭和种子填充的皮肤图像斑点评估方法及系统
CN111738984B (zh) * 2020-05-29 2023-08-18 北京工商大学 基于分水岭和种子填充的皮肤图像斑点评估方法及系统
CN112435251A (zh) * 2020-12-04 2021-03-02 黄珍珍 一种视网膜眼底图像的渗出液检测方法

Similar Documents

Publication Publication Date Title
CN105654436B (zh) 一种基于前景背景分离的背光图像增强去噪方法
CN104240194B (zh) 一种基于抛物线函数的低照度图像增强算法
Palanisamy et al. An improved luminosity and contrast enhancement framework for feature preservation in color fundus images
CN106558031B (zh) 一种基于成像模型的彩色眼底图的图像增强方法
CN108288258A (zh) 一种针对恶劣天气条件下的低质图像增强方法
CN110232670B (zh) 一种基于高低频分离的图像视觉效果增强的方法
CN113837974B (zh) 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法
CN110163807B (zh) 一种基于期望亮通道的低照度图像增强方法
Li et al. Low illumination video image enhancement
CN110197487A (zh) 一种基于皮肤图像检测色斑的方法
CN111223110A (zh) 一种显微图像增强方法、装置及计算机设备
CN105427255A (zh) 一种基于grhp的无人机红外图像细节增强方法
Bataineh et al. Enhancement method for color retinal fundus images based on structural details and illumination improvements
CN112330613A (zh) 一种细胞病理数字图像质量的评价方法及系统
Jia et al. Research on the decomposition and fusion method for the infrared and visible images based on the guided image filtering and Gaussian filter
Ali et al. Medical images enhanced by using fuzzy logic depending on contrast stretch membership function
Ein-shoka et al. Quality enhancement of infrared images using dynamic fuzzy histogram equalization and high pass adaptation in DWT
Zeng et al. High dynamic range infrared image compression and denoising
Chakour et al. Blood vessel segmentation of retinal fundus images using dynamic preprocessing and mathematical morphology
CN110020999B (zh) 一种基于同态滤波的非制冷红外热像自适应映射方法
Zheng et al. Near-infrared Image Enhancement Method in IRFPA Based on Steerable Pyramid.
CN116350198A (zh) 一种远距离移动目标心率实时监测方法
CN110136085A (zh) 一种图像的降噪方法及装置
Hemalatha et al. A comparison of filtering and enhancement methods in malignant melanoma images
Mazlan et al. Enhancement of retinal images for microaneurysms detection in diabetic retinopathy

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190903