CN110752013A - 一种宫颈癌激光图像的数据预处理系统 - Google Patents
一种宫颈癌激光图像的数据预处理系统 Download PDFInfo
- Publication number
- CN110752013A CN110752013A CN201911040054.XA CN201911040054A CN110752013A CN 110752013 A CN110752013 A CN 110752013A CN 201911040054 A CN201911040054 A CN 201911040054A CN 110752013 A CN110752013 A CN 110752013A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- cervical
- cervical cancer
- data preprocessing
- 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
- 206010008342 Cervix carcinoma Diseases 0.000 title claims abstract description 27
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 title claims abstract description 27
- 201000010881 cervical cancer Diseases 0.000 title claims abstract description 27
- 238000007781 pre-processing Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 230000035479 physiological effects, processes and functions Effects 0.000 claims abstract description 16
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种宫颈癌激光图像的数据预处理系统,该系统包括:图像采集模块,用于采集宫颈激光图像;灰度化模块,用于采用人体生理学加权平均法对宫颈激光图像进行灰度化处理;图像空间变换模块,用于采用双三次插值法对灰度化处理后的图像进行空间变换;图像增强模块,用于采用空间域与频域相结合方法对变换后的图像进行增强。
Description
技术领域
本发明属于图像处理领域,具体涉及一种针对宫颈癌激光图像的数据预处理系统。
背景技术
宫颈癌是常见的妇科恶性肿瘤之一,发病率在我国女性恶性肿瘤中居第二位。随着技术发展,现在已可以根据宫颈的激光图像来对宫颈癌进行筛查检测,在对宫颈图像特征抽取、图像分割、匹配和识别前,首先需要对其进行图像预处理,主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据。
发明人在研发过程中发现,现有的图像预处理方法仅仅是对图像进行滤波去燥处理,无法完全消除图像中无关的信息,无法得到真实有效的信息,使得后续数据处理还存在一定复杂性,导致图像处理的不准确性。
发明内容
为了克服上述现有技术的不足,本发明提供了一种宫颈癌激光图像的数据预处理系统。
本发明所采用的技术方案是:
一种宫颈癌激光图像的数据预处理系统,该系统包括:
图像采集模块,用于采集宫颈激光图像;
灰度化模块,用于采用人体生理学加权平均法对宫颈激光图像进行灰度化处理;
图像空间变换模块,用于采用双三次插值法对灰度化处理后的图像进行空间变换;
图像增强模块,用于采用空间域与频域相结合方法对变换后的图像进行增强。
进一步的,所述灰度化模块包括:
人体生理学加权模块,用于构建人体生理学加权平均计算公式;
灰度值计算模块,用于利用人体生理学加权平均计算公式计算宫颈激光图像的灰度值。
进一步的,所述人体生理学加权平均计算公式为:
Gray=0.11B+0.59G+0.3R
其中,R、G、B为宫颈激光图像中每个像素点的三个分量。
进一步的,所述人体生理学加权平均计算公式为:
Gray=(77*R+151*G+28*B)shr8
其中,R、G、B为宫颈激光图像中每个像素点的三个分量。
进一步的,所述双三次插值法为:
其中,aij为系数,x,y为宫颈激光图像中顶点的二维空间位置坐标。
进一步的,所述系数aij的计算方法为:
根据双三次插值函数的导数,使用图像的四个顶点的高度以及图像的每个顶点的两个一阶导数和二阶相互导数,计算系数aij。
进一步的,所述图像增强模块包括:
高频加强滤波器构建模块,用于建立高频加强滤波器;
第一增强处理模块,用于利用高频加强滤波器对图像进行了增强处理;
第二增强处理模块,用于利用时域直方图均衡法对增强处理后的图像再次进行增强处理。
进一步的,所述高频加强滤波器的传递函数为:
Hhfe(u,v)=a+bHhp(u,v)
其中,系数a≥0且系数b>a,系数a的典型值为[0.25,0.5],系数b的典型值为[1.5,2.0],Hhp(u,v)为巴特沃斯型高通滤波器的传递函数。
进一步的,所述利用高频加强滤波器对图像进行了增强处理的方法为:
对输入的图像进行中心变换;
计算中心变换后的图像的傅里叶变换;
将高频加强滤波器的传递函数与得到的图像的离散傅里叶变换相乘,并对相乘后的图像进行离散傅立叶反变换;
采用(-1)x+y与图像的离散傅立叶反变换的实部相乘,得到增强后的图像。
通过上述技术方案,本发明的有益效果是:
(1)本发明消除图像中与宫颈诊断无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进特征抽取、图像分割、匹配和识别的可靠性,为图像后处理和宫颈癌筛查奠定基础;
(2)本发明通过简化的基于人体生理学角度的加权平均算法对宫颈图像进行灰度化处理,不仅有利于后期根据宫颈图像对宫颈癌进行筛查,而且提高了图像处理效率,保证了质量与效率的统一;
(3)本发明采用双三次差值算法对宫颈图像进行空间变换,能够得到比双线性插值更平滑的图像边缘,可以对原图像或原图像的某些区域进行放大,能比占主导地位的双线性滤波算法保留更好的细节质量;
(4)本发明采用空间域与频域结合技术使图像亮度得到加强,并且细节特征更加明显,更加锐化,这是单纯使用频域法或者空间域法不能达到的。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本申请,并不构成对本发明的不当限定。
图1是根据一种或多种实施方式的宫颈癌激光图像的数据预处理系统的结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种或多种实施例提供一种宫颈癌激光图像的数据预处理系统,将原始图像依次进行灰度化、图像空间变换(几何变换)、图像增强等预处理,消除图像中与宫颈诊断无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进特征抽取、图像分割、匹配和识别的可靠性,为图像后处理和宫颈癌筛查奠定基础。
图1是本实施例涉及的宫颈癌激光图像的数据预处理系统的结构图。请参阅附图1,该系统包括图像采集模块、灰度化模块、图像空间变换模块和图像增强模块,其中:
所述图像采集模块,用于采集宫颈激光图像;
所述灰度化模块,用于采用人体生理学加权平均法对宫颈激光图像进行灰度化处理;
所述图像空间变换模块,用于采用双三次插值算法对灰度化处理后的图像进行空间变换;
所述图像增强模块,用于采用空间域与频域相结合方法对变换后的图像进行增强。
具体地,所述灰度化模块的具体实现过程为:
将宫颈癌激光图像定义为RGB空间的彩色图,其每个像素点的色彩由R、G、B三个分量共同决定,每个分量在内存所占的位数共同决定了图像深度,即每个像素点所占的字节数。
以常见的24深度彩色RGB图来说,其三个分量各占1个字节,这样每个分量可以取值为0~255,这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。
对这样一幅彩色图来说,其对应的灰度图则是只有8位的图像深度(可认为它是RGB三个分量相等),这也说明了灰度图图像处理所需的计算量确实要少。不过虽然丢失了一些颜色等级,但是从整幅图像的整体和局部的色彩以及亮度等级分布特征来看,灰度图描述与彩色图的描述是一致的。
对于RGB格式的宫颈癌激光图像进行灰度化,就是对宫颈癌激光图像的RGB三个分量进行加权平均得到最终的灰度值。
人眼对绿色的敏感最高,对蓝色敏感最低,从人体生理学角度所提出的一种权值计算公式如下:
Gray=0.11B+0.59G+0.3R (1)
上述方法所采用的是浮点运算。而在图像处理中,实时性往往是很重要的指标,这就要求在实现算法时必须考虑到灰度化处理效率问题,所以在图像处理中尽量减少浮点运算。
因此,上述灰度值计算公式可以等效的优化为:
Gray=(30*Red+59*Green+11*Blue)/100 (2)
这样可以有效避免浮点运算,因此可以提高灰度化处理效率。
上述灰度值计算公式还可以等效的优化为:
Gray=HiByte(77*Red+151*Green+28*Blue) (3)
其中77,151,28分别除以256,即为三个系数。
同样的,上述灰度值计算公式还可以等效的优化为:
Gray=(77*Red+151*Green+28*Blue)shr8 (4)
这种方法实现了移位运算,避免了除法,提高灰度化处理效率。
具体地,所述图像空间变换模块的具体实现方法为:
采用双三次插值进行计算,其计算公式为:
其中,aij为系数,x,y为宫颈激光图像上每个顶点的二维空间坐标位置。
根据插值函数的导数,使用图像的四个顶点的高度以及图像的每个顶点的三个导数,计算系数aij,具体实现方式如下:
一阶导数h′x与h′y表示x与y方向的表面斜率,二阶相互导数表示同时在x与y方向的斜率,这些值可以通过分别连续对x与y向量取微分得到。对于网格单元的每个顶点,将局部坐标带入方程,再解这16个方程。
具体地,所述图像增强模块的具体实现方法为:
在数字图像增强处理中,一个最简单并且最有用的工具是灰度直方图。灰度直方图是灰度级的函数,描述的是图像中具有某个灰度级象素的个数(或频率)。灰度级为[0,L-1]范围的数字图像的直方图是离散函数h(rk)=nk,其中rk是第k级灰度,nk是图像中灰度级为rk的像素的个数。经常以图像中像素的总数(用nk表示)来除它的每一个值,以得到归一化的直方图。因此一个归一化的直方图由式(6)给出,表示灰度级rk所发生的概率估计值。
P(rk)=nk/nk=0,1,2,…,L-1 (6)。
直方图增强技术利用修改给定图像直方图的方法来增强图像,最后得到的图像增强程度取决于所采用的直方图。直方图均衡化能够自动确定变换的函数,该函数寻求产生有均匀直方图的输出图形,这一技术便于对图像进行自动增强。
实际中经常处理的是离散数字图像,所以在此只对离散的数字图像作一简单介绍。对于离散数字图像,令灰度级rk的概率值为P(rk),直方图的变换函数为:
频域图像处理变换为傅里叶变换(DFT),虽然傅里叶变换的数据运算量比较大,但是快速傅里叶变换(FFT)的出现使傅里叶变换在图像处理中的应用得到了长远的发展。对于一个图像尺寸为M×N的图像函数f(x,y),它的离散傅里叶变换定义由式(8)给出:
其中:u=0,1,2,…,M-1;ν=0,1,2,…,N-1
同样,它的离散傅立叶反变换定义由式(9)给出:
其中:x=0,1,2,…,M-1;y=0,1,2,…,N-1。
将一幅图像进行傅里叶变换之后就可以在频域中对其进行处理了,由于灰度级边缘和图像中急剧变化与高频成分有关,所以图像的增强能够在频域用高通滤波器(HPF)处理实现,而衰减低频成分并不会扰乱傅里叶变换的高频信息。
高频加强滤波器设计及其实现常用的高通滤波器有3种,分别为理想高通滤波器、巴特沃斯型高通滤波器和高斯型高通滤波器。在巴特沃斯型高通滤波器的基础上设计了高频加强滤波器,用来对图像进行锐化处理,从而得到图像中变化更为细节的信息。
n阶且截止频率距原点为D0的巴特沃斯型高通滤波器(BHPF)的传递函数由式(9)给出:
其中:D(u,v)=[(u-M/2)2+(v-N/2)2]0.5表示(u,ν)点距频率矩形中心的距离。
在此基础之上建立高频加强滤波器的传递函数为:
Hhfe(u,v)=a+bHhp(u,v)
其中:a≥0且b>a,a的典型值为[0.25,0.5],b的典型值为[1.5,2.0]。当b>1时,高频得以加强,从而形成了一个高频加强滤波器。
利用高频加强滤波器进行图像增强的一般步骤如下:
(1)用(-1)x+y对输入图像进行中心变换,这样可以保证图像的全部信息都在第一象限内;
(2)基于中心变换后的图像,计算图像的DFT,即F(u,ν);
(3)用高频加强滤波器的传递函数Hhfe(u,ν)乘以F(u,ν);
(4)计算步骤(3)中结果的反DFT;
(5)得到步骤(4)中结果的实部;
(6)用(-1)x+y乘以式步骤(5)中的结果。
经过初步处理后虽然图像仍然很暗,但是显示出了图像中微弱的边缘,并且灰度级色调由于低频分量的保持而没有丢失,这一点为进一步进行的直方图均衡处理提供了有力的支持。
在此基础之上,再对高频加强滤波后的图像进一步使用直方图均衡技术,图像不仅亮度得到加强并且细部特征更加明显,更加锐化,这一效果是用单一的图像增强技术(空间域或频率域)所不能达到的。
本实施例在图像增强方面,采用空间域与频域结合技术,建立了高频加强滤波器,利用高频加强滤波器对图像进行了增强处理,在此基础上使用时域直方图均衡技术再对图像进行处理,使图像亮度得到加强,并且细节特征更加明显,更加锐化。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种宫颈癌激光图像的数据预处理系统,其特征是,包括:
图像采集模块,用于采集宫颈激光图像;
灰度化模块,用于采用人体生理学加权平均法对宫颈激光图像进行灰度化处理;
图像空间变换模块,用于采用双三次插值法对灰度化处理后的图像进行空间变换;
图像增强模块,用于采用空间域与频域相结合方法对变换后的图像进行增强。
2.根据权利要求1所述的宫颈癌激光图像的数据预处理系统,其特征是,所述灰度化模块包括:
人体生理学加权模块,用于构建人体生理学加权平均计算公式;
灰度值计算模块,用于利用人体生理学加权平均计算公式计算宫颈激光图像的灰度值。
3.根据权利要求2所述的宫颈癌激光图像的数据预处理系统,其特征是,所述人体生理学加权平均计算公式为:
Gray=0.11B+0.59G+0.3R
其中,R、G、B为宫颈激光图像中每个像素点的三个分量。
4.根据权利要求2所述的宫颈癌激光图像的数据预处理系统,其特征是,所述人体生理学加权平均计算公式为:
Gray=(77*R+151*G+28*B)shr8
其中,R、G、B为宫颈激光图像中每个像素点的三个分量。
6.根据权利要求5所述的宫颈癌激光图像的数据预处理系统,其特征是,所述系数aij的计算方法为:
根据双三次插值函数的导数,使用图像的四个顶点的高度以及图像的每个顶点的两个一阶导数和二阶相互导数,计算系数aij。
7.根据权利要求1所述的宫颈癌激光图像的数据预处理系统,其特征是,所述图像增强模块包括:
高频加强滤波器构建模块,用于建立高频加强滤波器;
第一增强处理模块,用于利用高频加强滤波器对图像进行了增强处理;
第二增强处理模块,用于利用时域直方图均衡法对增强处理后的图像再次进行增强处理。
8.根据权利要求7所述的宫颈癌激光图像的数据预处理系统,其特征是,所述高频加强滤波器的传递函数为:
Hhfe(u,v)=a+bHhp(u,v)
其中,系数a≥0且系数b>a,系数a的典型值为[0.25,0.5],系数b的典型值为[1.5,2.0],Hhp(u,v)为巴特沃斯型高通滤波器的传递函数。
9.根据权利要求7所述的宫颈癌激光图像的数据预处理系统,其特征是,所述利用高频加强滤波器对图像进行了增强处理的方法为:
对输入的图像进行中心变换;
计算中心变换后的图像的傅里叶变换;
将高频加强滤波器的传递函数与得到的图像的离散傅里叶变换相乘,并对相乘后的图像进行离散傅立叶反变换;
采用(-1)x+y与图像的离散傅立叶反变换的实部相乘,得到增强后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040054.XA CN110752013A (zh) | 2019-10-29 | 2019-10-29 | 一种宫颈癌激光图像的数据预处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040054.XA CN110752013A (zh) | 2019-10-29 | 2019-10-29 | 一种宫颈癌激光图像的数据预处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110752013A true CN110752013A (zh) | 2020-02-04 |
Family
ID=69280953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911040054.XA Pending CN110752013A (zh) | 2019-10-29 | 2019-10-29 | 一种宫颈癌激光图像的数据预处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110752013A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474150A (zh) * | 2020-04-08 | 2020-07-31 | 华南师范大学 | 一种sted超分辨图像背景噪声差分抑制方法 |
CN112908015A (zh) * | 2021-02-03 | 2021-06-04 | 湖南海龙国际智能科技股份有限公司 | 一种应用于智慧园区的智能交通指示系统及方法 |
CN117541482A (zh) * | 2024-01-10 | 2024-02-09 | 中国人民解放军空军军医大学 | 一种宫颈图像增强系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202736125U (zh) * | 2012-06-15 | 2013-02-13 | 黄淮学院 | 一种医学图像的边缘检测系统 |
CA3067078A1 (en) * | 2017-06-14 | 2018-12-20 | Chunhua JIANG | System and method for image processing |
-
2019
- 2019-10-29 CN CN201911040054.XA patent/CN110752013A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202736125U (zh) * | 2012-06-15 | 2013-02-13 | 黄淮学院 | 一种医学图像的边缘检测系统 |
CA3067078A1 (en) * | 2017-06-14 | 2018-12-20 | Chunhua JIANG | System and method for image processing |
Non-Patent Citations (4)
Title |
---|
JOAMING: "图像处理之预处理方法", 《HTTPS://BLOG.CSDN.NET/JOAMING/ARTICLE/DETAILS/82146604》 * |
岳鑫 等: "基于奇异值分解和双三次插值的图像缩放算法改进", 《西安邮电大学学报》 * |
沙宪政 等: "《生物医学工程学实验教程》", 30 September 2010, 人民军医出版社 * |
韩九强 等: "《数字图像处理 基于XAVIS组态软件》", 30 September 2018, 西安交通大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474150A (zh) * | 2020-04-08 | 2020-07-31 | 华南师范大学 | 一种sted超分辨图像背景噪声差分抑制方法 |
CN111474150B (zh) * | 2020-04-08 | 2022-03-22 | 华南师范大学 | 一种sted超分辨图像背景噪声差分抑制方法 |
CN112908015A (zh) * | 2021-02-03 | 2021-06-04 | 湖南海龙国际智能科技股份有限公司 | 一种应用于智慧园区的智能交通指示系统及方法 |
CN117541482A (zh) * | 2024-01-10 | 2024-02-09 | 中国人民解放军空军军医大学 | 一种宫颈图像增强系统 |
CN117541482B (zh) * | 2024-01-10 | 2024-03-26 | 中国人民解放军空军军医大学 | 一种宫颈图像增强系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175964B (zh) | 一种基于拉普拉斯金字塔的Retinex图像增强方法 | |
Pei et al. | Nighttime haze removal using color transfer pre-processing and dark channel prior | |
CN107358586B (zh) | 一种图像增强方法、装置及设备 | |
Lee et al. | A space-variant luminance map based color image enhancement | |
CN102222328B (zh) | 一种边缘保持的自然场景图像自适应加权滤波方法 | |
CN110752013A (zh) | 一种宫颈癌激光图像的数据预处理系统 | |
CN109360148B (zh) | 基于混合随机降采样的遥感影像超分辨率重构方法和装置 | |
Khan et al. | Localization of radiance transformation for image dehazing in wavelet domain | |
JPH06245113A (ja) | ノイズ及び他のアーティファクトを除去して画像をより向上させるための装置 | |
CN111260580B (zh) | 图像去噪方法、计算机装置及计算机可读存储介质 | |
CN112801904B (zh) | 一种基于卷积神经网络的混合退化图像增强方法 | |
CN107993189B (zh) | 一种基于局部分块的图像色调动态调节方法和装置 | |
US9280811B2 (en) | Multi-scale large radius edge-preserving low-pass filtering | |
CN112184591A (zh) | 一种基于深度学习图像摩尔纹消除的图像复原方法 | |
CN111353955A (zh) | 一种图像处理方法、装置、设备和存储介质 | |
CN115578660A (zh) | 基于遥感图像的土地地块分割方法 | |
CN103595933B (zh) | 一种图像的降噪方法 | |
CN110807748A (zh) | 一种基于高动态范围的新色调映射图像增强方法 | |
CN116630198A (zh) | 一种结合自适应伽马校正的多尺度融合水下图像增强方法 | |
CN108492264B (zh) | 一种基于sigmoid变换的单帧图像快速超分辨方法 | |
US9275446B2 (en) | Large radius edge-preserving low-pass filtering | |
CN115937302A (zh) | 结合边缘保持的高光谱图像亚像元定位方法 | |
CN115456912A (zh) | 一种基于多尺度wls滤波融合的色调映射方法 | |
CN113379611B (zh) | 图像处理模型的生成方法、处理方法、存储介质及终端 | |
CN111080560B (zh) | 一种图像的处理与识别方法 |
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 |