CN110232700A - 基于暗通道强度比的c型白内障图像反光的移除方法 - Google Patents
基于暗通道强度比的c型白内障图像反光的移除方法 Download PDFInfo
- Publication number
- CN110232700A CN110232700A CN201910530176.0A CN201910530176A CN110232700A CN 110232700 A CN110232700 A CN 110232700A CN 201910530176 A CN201910530176 A CN 201910530176A CN 110232700 A CN110232700 A CN 110232700A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- reflective
- label
- tone
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于暗通道强度比的C型白内障图像反光的移除方法,包括:A.获取原始图像暗通道;B.计算移除反光后图像的初始估计值ID;C.基于所述的初始估计值ID,根据像素伪色调矩阵和像素伪色调矩阵距离,结合像素聚类,计算出每个像素点的标签;D.获取最大色调强度通道,并计算出像素强度比,根据像素强度比和所述的标签,计算原始图像的反光分量IS;E.从原始图像中分离出所述的反光分量IS,得到移除反光后图像IR。本发明能够保持C型白内障图像反光移除后病变区域信息,并且有效提高了反光移除能力,明显降低了局部对比度的影响。
Description
技术领域
本发明涉及图像处理的方法,具体讲是基于暗通道强度比的C型白内障图像反光的移除方法。
背景技术
白内障是一种常见致盲性眼部疾病,当晶状体中蛋白质积聚时会引发白内障,出现晶状体混浊,这会阻挡光线透过晶状体,导致视力下降。根据白内障出现的区域,可以分为将白内障分为三种类型:核性白内障(N型),皮质性白内障(C型)和后囊型白内障(P型)。其中N型白内障是最常见的白内障类型,它在晶状体的焦点区域(核)深处形成,通常与细胞衰老有关。C型白内障是由于晶状体皮层(外层)变得不透明引起的,当晶状体周边的水含量改变时穿线裂缝时会发生这种情况。P型白内障发生在晶状体后部,患有糖尿病的人或服用高剂量类固醇药物的人患这种类型的白内障的风险更大。大多数老年人患有这三种类型的白内障中的一种。因此,如果眼科疾病被自动系统大规模筛选,对医生和病人来说都意义重大。
皮质型(C型)白内障图像包括全部角膜、虹膜、睫状体、晶状体等多个眼睛结构,其中白内障病变区域仅出现在晶状体;图像的采集仅由眼科医生完成,故图像的质量受医生习惯、拍摄环境等影响较大,所以图像质量差别较大,其中皮质型白内障图像反光区域面积大,造成了病变区域与背景区域对比度降低,使得病变检测难度提高,故可采用反光移除方法将反光区域从原始图像中分离。目前,常用的反光移除算法分为以下几类:
(1)极化滤波:大多数物体表面可以分为金属材料和介电材料。不同材料的导电特性不同会导致光照在这些表面的反射差异。对于一些介电材料的漫反射颜色,光照渗入物体表面,通过表面内部的折射作用,最后反射出来,从而得到漫反射颜色成分。而金属材料的导电性很强,光进入其表面后几乎被完全吸收,只有少量的光被反射出来,因此金属材料漫反射成分较弱,一般有很强的镜面反射。根据光度线索,人类视觉可以很容易的辨别出金属材料和介电材料,因此极化滤波最早提出是为了区分金属材料和介电材料的。后来被用到和颜色信息相结合来进行高光去除的研究。
(2)颜色分割:基于颜色的反光移除方法基本都采用了双色反射模型,模型表示镜面反射和漫反射成分有不同的光谱分布,镜面反射的光谱分布与光源一致,而漫反射的光谱分布代表物体表面颜色的分布。因次,物体表面像素点的颜色可以看作是颜色空间中两个不同方向的向量之和。双肢法认为物体表面像素点分布呈现双肢的形状,其中一个“肢体”代表漫反射像素点而另一个“肢体”代表镜面反射像素点;奇异值分解法,通过改变光照方向产生的局部颜色特征,利用奇异值分解将颜色特征分解为漫反射和镜面反射成分,但是这种方法需要在不同方向的光源下拍摄一系列图像;稀疏表示法,利用不同光源位置下的稀疏图像来解决分离问题。当图像可进行颜色分割时,可以得到较好的结果,但是,皮质型白内障图像颜色变化较小,且各结构边缘不清晰,很难进行颜色分割,导致结果异常。
(3)非颜色分割:这类方法对于镜面反射和漫反射的研究可以分为RGB颜色空间、S颜色空间、Maximun Chromaticity Intensity颜色空间、SUV颜色空间、Ch-CV颜色空问和HIS颜色空间几种。其中RGB颜色空间,在这个颜色空间中,拥有不同色调的像素值汇聚在不同的平面集内,所有这些平面的相交的方向就是光源颜色的方向。但是这个颜色空间中会将相同色调不同饱和度的像素点投影到同一个平面中,且易受噪声影响,因此存在明显的不足;S空间的构造需要测量传感器的光谱响应,并确定基函数的三个轴,分光光度计的使用使得这个方法在大多数场合是不适用的;Maximun Chromaticity Intensity空间,是一个两维颜色空间,在这个颜色空间中,物体的最大反射色度和强度虽然呈非线性关系,但是当漫反射像素和高光像素被投影到这个颜色空间中,呈现出可分离的趋势。
为了保持白内障病变区域结构稳定的同时提高反光抑制能力,考虑到C型白内障图像局部对比度较低全局对比度高的问题,显然,传统的颜色分割方法,计算复杂且需要多光照条件下拍摄的图像,无法用于C型白内障图像;而传统的非颜色分割的图像反光移除方法只考虑像素绝对强度易将损失对比度低区域的信息;由于考虑像素的空间信息能更好的保护C型白内障图像的细节信息,同时为了更好抑制背景区域反光,需要一种基于暗通道强度比的C型白内障图像反光移除方法。
发明内容
本发明提供了一种基于暗通道强度比的C型白内障图像反光的移除方法,用以克服现有方法易受局部对比度影响导致C型白内障图像反光移除丢失病变区域信息的问题,并且提高反光移除能力,降低局部对比度影响。
本发明基于暗通道强度比的C型白内障图像反光的移除方法,包括:
A.获取原始图像暗通道;
B.计算移除反光后图像的初始估计值ID;
C.基于所述的初始估计值ID,根据像素伪色调矩阵和像素伪色调矩阵距离,结合像素聚类,计算出每个像素点的标签;
D.获取最大色调强度通道,并计算出像素强度比,根据像素强度比和所述的标签,计算原始图像的反光分量IS;
E.从原始图像中分离出所述的反光分量IS,得到移除反光后图像IR。
具体的,步骤A包括:
A1.获取C型白内障的原始图像I∈Rm×n×3,其中,m和n分别表示原始图像的长和宽,R表示矩阵空间;
A2.计算得到C型白内障的原始图像I的暗通道D。
进一步的,步骤A2中计算C型白内障图像I的暗通道D为:定义D∈Rm×n,
其中,暗通道D由元素D(x)构成,D(x)为像素点x在暗通道的值,c属于RGB颜色通道中某一个通道,用r,g,b分别代表红、绿、蓝三个颜色通道,Ic(y)表示像素y在c代表的颜色通道的值,Ω(x)表示以像素x为中心的局部图像块。
进一步的,步骤B中所述的计算初始估计值ID为:定义ID∈Rm×n×3,
Ic D=Ic-D+mean(D),c∈{r,g,b}
其中,m和n分别表示原始图像的长和宽,R表示矩阵空间,c属于RGB颜色通道中某一个通道,用r,g,b分别代表红、绿、蓝三个颜色通道,Ic D表示移除反光后图像的初始估计值ID∈Rm×n×3在c表示的颜色通道的初始估计值,Ic表示原始图像I在c表示的颜色通道的图像,mean(D)表示暗通道内所有像素的均值。
进一步的,步骤C包括:移除反光后图像的初始估计值ID的色调ΛD∈R3×1,其中,R表示矩阵空间;再计算移除反光后图像的初始估计值ID的每个像素的伪色调矩阵,并定义初始估计值ID的每个像素标签Label∈Rm×n,设置迭代次数,在迭代中计算每个像素的伪色调矩阵的伪色调与第l聚类平均伪色调的距离,根据该距离的最小值与设定阈值的大小关系更新像素标签Label、最小聚类平均伪色调、聚类总数和最大聚类平均伪色调,迭代结束后输出像素标签Label。
具体的,步骤C包括:
C1.移除反光后图像的初始估计值ID的色调ΛD∈R3×1:
其中,c属于RGB颜色通道中某一个通道,用r,g,b分别代表红、绿、蓝三个颜色通道,表示在像素点x在颜色通道c的色调值,分别表示像素点x在初始反光移除图像中R、G、B三个通道的值,T表示矩阵的转置;
C2.计算移除反光后图像的初始估计值ID的每个像素的伪色调矩阵ΛP(x)∈R2×1:
其中,和分别表示像素点x在RGB三颜色通道的三个色调值的最小值和最大值;
C3.定义移除反光后图像的初始估计值ID每个像素的像素标签Label∈Rm×n,聚类的类总数L,第l类的平均伪色调ml∈R2×1,初始化如下:
l=1
L=1
Label(x0)=l
ml=ΛP(x0)
其中,x0表示移除反光后图像的初始估计ID的第1个像素,Label(x0)表示像素x0的像素标签;
C4.设置迭代次数i=0,迭代总次数为sum=m×n-1;
C5.在第i+1次迭代中,计算第i+1个像素xi+1的伪色调矩阵ΛP(xi+1)的伪色调与第l类平均伪色调ml的距离dl(xi+1),计算如下:
dl(xi+1)=||ΛP(xi+1)-ml||1,1≤l≤L
dl(xi+1)表示了像素xi+1到第l类的距离;
C6.定义像素xi+1到所有类的距离的最小距离值为dmin(xi+1),与像素xi+1距离为dmin(xi+1)的类为lmin,计算dmin(xi+1)和lmin的计算如下:
dmin=min{d1(xi+1),d2(xi+1),…dl(xi+1),…dL(xi+1)}
C7.设置第一阈值Tc,如果dmin(xi+1)≤TC,则令Label(xi+1)=lmin,更新
s.t Label(y)=lmin
其中y表示不同于x的像素;
C8.如果dmin(xi+1)>TC,则更新类总数L和第L类的平均伪色调mL,并分配给像素xi+1的像素标签Label(xi+1),公式如下所示:
L=L+1
Label(xi+1)=L
mL=ΛP(xi+1);
C9.迭代次数i=i+1;
C10.判断i是否大于sum,若是则停止迭代,输出像素标签Label;否则转到步骤C5循环迭代。
进一步的,步骤D包括:计算图像最大值色调通道Imax∈Rm×n,R表示矩阵空间,m和n分别表示原始图像的长和宽,然后根据计算出的图像最大值色调通道Imax计算图像强度比通道Q∈Rm×n;由图像强度比通道Q计算出像素反光强度比Qd∈Rm×n,根据像素反光强度比Qd得到原始图像的反光分量IS”∈Rm×n,最后对原始图像的反光分量IS”进行高斯滤波,得到新的反光分量IS。
具体的,步骤D包括:
D1.计算图像最大值色调通道Imax:
Imax(x)=max{Ir(x),Ig(x),Ib(x)}
其中,Ir(x),Ig(x),Ib(x)分别表示像素x在红、绿、蓝三个颜色通道的值;
D2.计算图像强度比通道Q:
其中,D(x)为像素x的暗通道;
D3.设置第二阈值Tp,计算像素反光强度比Qd:
其中,[·]表示取最邻近的整数,表示对于所有标签Label(x)=l的像素x按其强度比Q(x)从小到大排序,其中为第[Tp×Sul]个像素,Sul表示所有标签为Label(x)=l的像素;
D4.计算原始图像的反光分量IS”∈Rm×n:
IS”(x)=max{Imax(x)-Qd(x)×(Imax(x)-D(x))}
D5.对原始图像的反光分量IS”进行高斯滤波,得到新的反光分量IS。
具体的,步骤E包括:从原始图像I中分离出反光分量IS得到移除反光后图像IR,公式为:
获得最终的移除反光后的结果图,其中c属于RGB颜色通道中某一个通道,用r,g,b分别代表红、绿、蓝三个颜色通道,Ic(x)表示像素x在c代表的颜色通道的值,IS(x)为像素x的反光分量。
本发明的有益效果包括:
1.充分考虑到了C型白内障生长于晶状体,且形态各异、与背景区域颜色强度差异较小、局部颜色对比度低的特点,因此本发明基于暗通道和最大色调通道分离出镜面反射成分,有效解决了现有方法由于只考虑像素绝对强度导致病变区域信息损失的问题,明显提高了镜面反射像素估计准确率;
2.针对同时具有漫反射和镜面反射分量的像素专门引入了像素聚类。像素聚类通过一种新的色调矩阵将所有像素划分为多个类,每类像素具有相似的反射分量,能够更好的反应C型白内障图像的反光特点,有效弥补了现有方法只能分离出单纯镜面反射像素的缺陷,大幅度提高了C型白内障图像反光移除的准确率和均匀性;
3.通过暗通道和最大色调强度通道计算的像素强度比估计像素镜面分量所占比例,反应了反光强度在C型白内障图像中均匀变化的特点,有效提高了反光移除图像平滑型和结构稳定性;
4.计算简单。通过简单的矩阵运算和像素聚类就能够计算出每个像素反光成分,使得算法复杂度大幅度降低,显著的提高了计算效率。
以下结合实施例的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。在不脱离本发明上述技术思想情况下,根据本领域普通技术知识和惯用手段做出的各种替换或变更,均应包括在本发明的范围内。
附图说明
图1为本发明基于暗通道强度比的C型白内障图像反光的移除方法的流程图。
图2为含有C型白内障病变的眼前节图像。
图3为图1通过本发明计算出暗通道图像。
图4为图1通过本发明计算出最大色调强度通道图像。
图5为本发明计算出的移除反光后图像的初始估计值。
图6为本发明计算出的最终像素反光强度图。
图7为通过本发明获得最终的反光移除结果图。
具体实施方式
如图1所示本发明基于暗通道强度比的C型白内障图像反光的移除方法,包括:
A.获取原始图像暗通道,具体包括:
A1.获取C型白内障的原始图像I∈Rm×n×3,大小为2592×1728×3,其中m和n分别表示原始图像的长和宽,R表示矩阵空间;
A2.计算得到C型白内障的原始图像I的暗通道D。
进一步的,步骤A2中计算C型白内障图像I的暗通道D为:定义D∈R2592×1728,
其中,D(x)为像素点x在暗通道的值,c属于RGB颜色通道中某一个通道,用r,g,b分别代表红、绿、蓝三个颜色通道,Ic(y)表示像素y在c代表的颜色通道的值,Ω(x)表示以像素x为中心的局部图像块,在本实施例为以像素x为中心的15×15的局部图像块。
图2表示了一副含有C型白内障病变的眼前节图像,除了瞳孔区域内的白内障病变之外,还有亮度很高的白色光斑、黄色的弥散光,瞳孔外还有眼皮、巩膜等结构;
图3表示由图2计算出的原始图I的暗通道图像D。
B.计算移除反光后图像的初始估计值ID:定义ID∈R2592×1728×3,
其中,Ic D表示移除反光后图像的初始估计值ID∈R2592×1728×3在c表示的颜色通道的初始估计值,Ic表示原始图像I在c表示的颜色通道的图像,mean(D)表示暗通道内所有像素的均值。
C.基于所述的初始估计值ID,根据像素伪色调矩阵和像素伪色调矩阵距离,结合像素聚类,计算出每个像素点的标签。具体包括:
C1.移除反光后图像的初始估计值ID的色调ΛD∈R3×1:
其中,表示在像素点x在颜色通道c的色调值,分别表示像素点x在初始反光移除图像中R、G、B三个通道的值,T表示矩阵的转置;
C2.计算移除反光后图像的初始估计值ID的每个像素的伪色调矩阵ΛP(x)∈R2×1:
其中,和分别表示像素点x在RGB三颜色通道的三个色调值的最小值和最大值;
C3.定义移除反光后图像的初始估计值ID每个像素的像素标签Label∈Rm×n,聚类的类总数为L,第l类的平均伪色调ml∈R2×1,初始化如下:
l=1
L=1
Label(x0)=l
ml=ΛP(x0)
其中,x0表示移除反光后图像的初始估计ID的第1个像素,Label(x0)表示像素x0的像素标签;
C4.设置迭代次数i=0,迭代总次数为sum=m×n-1;
C5.在第i+1次迭代中,计算第i+1个像素xi+1的伪色调矩阵ΛP(xi+1)的伪色调与第l类平均伪色调ml的距离dl(xi+1),计算如下:
dl(xi+1)=||ΛP(xi+1)-ml||1,1≤l≤L
dl(xi+1)表示了像素xi+1到第l类的距离;
C6.定义像素xi+1到所有类的距离的最小距离值为dmin(xi+1),与像素xi+1距离为dmin(xi+1)的类为lmin,计算dmin(xi+1)和lmin的计算如下:
dmin=min{d1(xi+1),d2(xi+1),…dl(xi+1),…dL(xi+1)}
C7.设置第一阈值Tc,如果dmin(xi+1)≤TC,则令Label(xi+1)=lmin,更新
s.t Label(y)=lmin
其中y表示不同于x的像素;
C8.如果dmin(xi+1)>TC,则更新类总数L和第L类的平均伪色调mL,并分配给像素xi+1的像素标签Label(xi+1),公式如下所示:
L=L+1
Label(xi+1)=L
mL=ΛP(xi+1);
C9.迭代次数i=i+1;
C10.判断i是否大于sum,若是则停止迭代,输出像素标签Label;否则转到步骤C5循环迭代。
D.获取最大色调强度通道,并计算出像素强度比,根据像素强度比和所述的标签,计算原始图像的反光分量IS。如图4所示,为计算出的原始图的最大色调强度通道图像;图5表示出了通过图3和图4计算的移除反光后图像的初始估计值;图6为经过步骤4计算出最终像素反光强度图;图7为获得的最终反光移除结果图。具体包括:
D1.计算图像最大值色调通道Imax∈R2592×1728:
Imax(x)=max{Ir(x),Ig(x),Ib(x)}
其中,Ir(x),Ig(x),Ib(x)分别表示像素x在红、绿、蓝三个颜色通道的值;
D2.计算图像强度比通道Q∈Rm×n:
其中,D(x)为像素x的暗通道;
D3.设置第二阈值Tp,计算像素反光强度比Qd∈Rm×n:
其中,[·]表示取最邻近的整数,表示对于所有标签Label(x)=l的像素x按其强度比Q(x)从小到大排序,其中为第[Tp×Sul]个像素,Sul表示所有标签为Label(x)=l的像素;
D4.计算原始图像的反光分量IS”∈R2592×1728:
IS”(x)=max{Imax(x)-Qd(x)×(Imax(x)-D(x))}
D5.对原始图像的反光分量IS”进行高斯滤波,得到新的反光分量IS。
E.从原始图像I中分离出反光分量IS得到移除反光后图像IR∈R2592×1728,公式为:
获得最终的移除反光后的结果图,其中c属于RGB颜色通道中某一个通道,用r,g,b分别代表红、绿、蓝三个颜色通道,Ic(x)表示像素x在c代表的颜色通道的值,IS(x)为像素x的反光分量。如图6~7所示,通过本发明的方法经过计算和处理获得的反光移除图像,其病变区域信息完整,且图像平滑,符合白内障图像的反光特点。
为了提高C型(皮质型)白内障图像像素反光成分估计准确率,需要克服现有反光移除方法难以处理的低对比度病变区域导致病变区域信息损失的问题,本发明利用了暗通道和最大色调强度通道进行反光分离,充分考虑了局部对比度和绝对强度信息,解决了现有方法导致无反光成分像素数目估计偏少的问题;再采用像素聚类,估计每个具有反光成分像素反光强度,降低了现有方法对像素反光成分估计的偏差,使得估计出的反光图像更加均匀,从而提高了C型白内障图像放光移除准确率。
Claims (9)
1.基于暗通道强度比的C型白内障图像反光的移除方法,其特征包括:
A.获取原始图像暗通道;
B.计算移除反光后图像的初始估计值ID;
C.基于所述的初始估计值ID,根据像素伪色调矩阵和像素伪色调矩阵距离,结合像素聚类,计算出每个像素点的标签;
D.获取最大色调强度通道,并计算出像素强度比,根据像素强度比和所述的标签,计算原始图像的反光分量IS;
E.从原始图像中分离出所述的反光分量IS,得到移除反光后图像IR。
2.如权利要求1所述的基于暗通道强度比的C型白内障图像反光的移除方法,其特征为:步骤A包括:
A1.获取C型白内障的原始图像I∈Rm×n×3,其中,m和n分别表示原始图像的长和宽,R表示矩阵空间;
A2.计算得到C型白内障的原始图像I的暗通道D。
3.如权利要求2所述的基于暗通道强度比的C型白内障图像反光的移除方法,其特征为:步骤A2中计算C型白内障图像I的暗通道D为:定义D∈Rm×n,
其中,暗通道D由元素D(x)构成,D(x)为像素点x在暗通道的值,c属于RGB颜色通道中某一个通道,用r,g,b分别代表红、绿、蓝三个颜色通道,Ic(y)表示像素y在c代表的颜色通道的值,Ω(x)表示以像素x为中心的局部图像块。
4.如权利要求1所述的基于暗通道强度比的C型白内障图像反光的移除方法,其特征为:步骤B中所述的计算初始估计值ID为:定义ID∈Rm×n×3,
其中,m和n分别表示原始图像的长和宽,R表示矩阵空间,c属于RGB颜色通道中某一个通道,用r,g,b分别代表红、绿、蓝三个颜色通道,Ic D表示移除反光后图像的初始估计值ID∈Rm×n×3在c表示的颜色通道的初始估计值,Ic表示原始图像I在c表示的颜色通道的图像,mean(D)表示暗通道内所有像素的均值。
5.如权利要求1所述的基于暗通道强度比的C型白内障图像反光的移除方法,其特征为:步骤C包括:移除反光后图像的初始估计值ID的色调ΛD∈R3×1,其中,R表示矩阵空间;再计算移除反光后图像的初始估计值ID的每个像素的伪色调矩阵,并定义初始估计值ID的每个像素标签Label∈Rm×n,设置迭代次数,在迭代中计算每个像素的伪色调矩阵的伪色调与第l聚类平均伪色调的距离,根据该距离的最小值与设定阈值的大小关系更新像素标签Label、最小聚类平均伪色调、聚类总数和最大聚类平均伪色调,迭代结束后输出像素标签Label。
6.如权利要求5所述的基于暗通道强度比的C型白内障图像反光的移除方法,其特征为:步骤C包括:
C1.移除反光后图像的初始估计值ID的色调ΛD∈R3×1:
其中,c属于RGB颜色通道中某一个通道,用r,g,b分别代表红、绿、蓝三个颜色通道,表示在像素点x在颜色通道c的色调值,分别表示像素点x在初始反光移除图像中R、G、B三个通道的值,T表示矩阵的转置;
C2.计算移除反光后图像的初始估计值ID的每个像素的伪色调矩阵ΛP(x)∈R2×1:
其中,和分别表示像素点x在RGB三颜色通道的三个色调值的最小值和最大值;
C3.定义移除反光后图像的初始估计值ID每个像素的像素标签Label∈Rm×n,聚类的类总数L,第l类的平均伪色调ml∈R2×1,初始化如下:
l=1
L=1
Label(x0)=l
ml=ΛP(x0)
其中,x0表示移除反光后图像的初始估计ID的第1个像素,Label(x0)表示像素x0的像素标签;
C4.设置迭代次数i=0,迭代总次数为sum=m×n-1;
C5.在第i+1次迭代中,计算第i+1个像素xi+1的伪色调矩阵ΛP(xi+1)的伪色调与第l类平均伪色调ml的距离dl(xi+1),计算如下:
dl(xi+1)=||ΛP(xi+1)-ml||1,1≤l≤L
dl(xi+1)表示了像素xi+1到第l类的距离;
C6.定义像素xi+1到所有类的距离的最小距离值为dmin(xi+1),与像素xi+1距离为dmin(xi+1)的类为lmin,计算dmin(xi+1)和lmin的计算如下:
dmin=min{d1(xi+1),d2(xi+1),…dl(xi+1),…dL(xi+1)}
C7.设置第一阈值Tc,如果dmin(xi+1)≤TC,则令Label(xi+1)=lmin,更新
s.t Label(y)=lmin
其中y表示不同于x的像素;
C8.如果dmin(xi+1)>TC,则更新类总数L和第L类的平均伪色调mL,并分配给像素xi+1的像素标签Label(xi+1),公式如下所示:
L=L+1
Label(xi+1)=L
mL=ΛP(xi+1);
C9.迭代次数i=i+1;
C10.判断i是否大于sum,若是则停止迭代,输出像素标签Label;否则转到步骤C5循环迭代。
7.如权利要求1所述的基于暗通道强度比的C型白内障图像反光的移除方法,其特征为:步骤D包括:计算图像最大值色调通道Imax∈Rm×n,R表示矩阵空间,m和n分别表示原始图像的长和宽,然后根据计算出的图像最大值色调通道Imax计算图像强度比通道Q∈Rm×n;由图像强度比通道Q计算出像素反光强度比Qd∈Rm×n,根据像素反光强度比Qd得到原始图像的反光分量IS”∈Rm×n,最后对原始图像的反光分量IS”进行高斯滤波,得到新的反光分量IS。
8.如权利要求7所述的基于暗通道强度比的C型白内障图像反光的移除方法,其特征为:步骤D包括:
D1.计算图像最大值色调通道Imax:
Imax(x)=max{Ir(x),Ig(x),Ib(x)}
其中,Ir(x),Ig(x),Ib(x)分别表示像素x在红、绿、蓝三个颜色通道的值;
D2.计算图像强度比通道Q:
其中,D(x)为像素x的暗通道;
D3.设置第二阈值Tp,计算像素反光强度比Qd:
其中,[·]表示取最邻近的整数,表示对于所有标签Label(x)=l的像素x按其强度比Q(x)从小到大排序,其中为第[Tp×Sul]个像素,Sul表示所有标签为Label(x)=l的像素;
D4.计算原始图像的反光分量IS”∈Rm×n:
IS”(x)=max{Imax(x)-Qd(x)×(Imax(x)-D(x))}
D5.对原始图像的反光分量IS”进行高斯滤波,得到新的反光分量IS。
9.如权利要求1所述的基于暗通道强度比的C型白内障图像反光的移除方法,其特征为:步骤E包括:从原始图像I中分离出反光分量IS得到移除反光后图像IR,公式为:
获得最终的移除反光后的结果图,其中c属于RGB颜色通道中某一个通道,用r,g,b分别代表红、绿、蓝三个颜色通道,Ic(x)表示像素x在c代表的颜色通道的值,IS(x)为像素x的反光分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530176.0A CN110232700A (zh) | 2019-06-19 | 2019-06-19 | 基于暗通道强度比的c型白内障图像反光的移除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530176.0A CN110232700A (zh) | 2019-06-19 | 2019-06-19 | 基于暗通道强度比的c型白内障图像反光的移除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110232700A true CN110232700A (zh) | 2019-09-13 |
Family
ID=67856207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910530176.0A Pending CN110232700A (zh) | 2019-06-19 | 2019-06-19 | 基于暗通道强度比的c型白内障图像反光的移除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232700A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111449684A (zh) * | 2020-04-09 | 2020-07-28 | 济南康硕生物技术有限公司 | 心脏超声标准扫查切面快速获取方法及系统 |
CN112437216A (zh) * | 2020-11-13 | 2021-03-02 | 珠海大横琴科技发展有限公司 | 一种图像优化方法和装置 |
CN113870263A (zh) * | 2021-12-02 | 2021-12-31 | 湖南大学 | 一种路面缺陷损伤实时监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102525404A (zh) * | 2010-11-05 | 2012-07-04 | 尼德克株式会社 | 眼科装置 |
CN109068973A (zh) * | 2016-04-28 | 2018-12-21 | 亚历克斯·阿尔茨约科维奇 | 用于白内障手术的可拆卸微型显微镜安装的角膜曲率计 |
CN109410204A (zh) * | 2018-10-31 | 2019-03-01 | 电子科技大学 | 一种基于cam的皮质白内障图像处理及增强方法 |
-
2019
- 2019-06-19 CN CN201910530176.0A patent/CN110232700A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102525404A (zh) * | 2010-11-05 | 2012-07-04 | 尼德克株式会社 | 眼科装置 |
CN109068973A (zh) * | 2016-04-28 | 2018-12-21 | 亚历克斯·阿尔茨约科维奇 | 用于白内障手术的可拆卸微型显微镜安装的角膜曲率计 |
CN109410204A (zh) * | 2018-10-31 | 2019-03-01 | 电子科技大学 | 一种基于cam的皮质白内障图像处理及增强方法 |
Non-Patent Citations (2)
Title |
---|
HUI-LIANG SHEN等: "Real-time highlight removal using intensity ratio", 《APPLIED OPTICS》 * |
李芳: "基于偏振光原理的图像高光消除方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111449684A (zh) * | 2020-04-09 | 2020-07-28 | 济南康硕生物技术有限公司 | 心脏超声标准扫查切面快速获取方法及系统 |
CN112437216A (zh) * | 2020-11-13 | 2021-03-02 | 珠海大横琴科技发展有限公司 | 一种图像优化方法和装置 |
CN113870263A (zh) * | 2021-12-02 | 2021-12-31 | 湖南大学 | 一种路面缺陷损伤实时监测方法及系统 |
CN113870263B (zh) * | 2021-12-02 | 2022-02-25 | 湖南大学 | 一种路面缺陷损伤实时监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232700A (zh) | 基于暗通道强度比的c型白内障图像反光的移除方法 | |
US7027662B2 (en) | Method and apparatus for the removal of flash artifacts | |
CN105046663B (zh) | 一种模拟人类视觉感知的自适应低照度图像增强方法 | |
Spencer et al. | Physically-based glare effects for digital images | |
CN102129673B (zh) | 一种随意光照下彩色数字图像增强和去噪方法 | |
US20030052978A1 (en) | Automatic white balancing via illuminant scoring autoexposure by neural network mapping | |
CN106919911A (zh) | 使用脸部检测的自动脸部和皮肤修饰 | |
CN107483906B (zh) | 图像的白平衡处理方法、装置和终端设备 | |
GB2375676A (en) | Reducing the effects of specular reflections appearing in an image | |
CN106485674A (zh) | 一种基于融合技术的弱光图像增强方法 | |
CN105812762A (zh) | 一种处理图像偏色的自动白平衡方法 | |
Xiong et al. | Seeing in extra darkness using a deep-red flash | |
ITRM20090669A1 (it) | Metodo ed apparato di filtraggio di artefatti da occhi rossi e/o gialli | |
CN110087051A (zh) | 基于hsv色彩空间的彩色图眩光去除方法及系统 | |
US10613418B2 (en) | Proximity and color-based lighting for controlled subject distortion in film and photography | |
JP2005028138A (ja) | 色盲補正メガネおよび色盲補正メガネの製造方法 | |
Toresa et al. | The cuckoo optimization algorithm enhanced visualization of morphological features of diabetic retinopathy | |
Cao et al. | Detail-richest-channel based enhancement for retinal image and beyond | |
CN109919882B (zh) | 基于眼底彩照图像的图像优化方法及相关设备 | |
US8270715B2 (en) | Method for correcting red-eye | |
Francois et al. | Image-based modeling of the human eye | |
Kehtarnavaz et al. | Development and real-time implementation of auto white balancing scoring algorithm | |
CN110148097B (zh) | 白内障图像的颜色校正方法 | |
US6829374B2 (en) | Methods for measuring iris color over time | |
Kumar et al. | Image Enhancement using NHSI Model Employed in 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |