CN110838093A - 一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法 - Google Patents
一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法 Download PDFInfo
- Publication number
- CN110838093A CN110838093A CN201911069126.3A CN201911069126A CN110838093A CN 110838093 A CN110838093 A CN 110838093A CN 201911069126 A CN201911069126 A CN 201911069126A CN 110838093 A CN110838093 A CN 110838093A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- noise
- frequency domain
- microscopic 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000001131 transforming effect Effects 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims description 21
- 239000000654 additive Substances 0.000 claims description 15
- 230000000996 additive effect Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000001000 micrograph Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 5
- 238000011551 log transformation method Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 210000004556 brain Anatomy 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000011218 segmentation 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
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法,与现有技术相比解决了频域滤波生成的伪条纹噪声难以去除的缺陷。本发明包括以下步骤:获取三维显微图像;分析条纹噪声频域分布特征;构建频域理想带状陷波滤波器;构建频域高斯带状陷波滤波器;将三维显微图像中的条纹噪声建模为伪乘性噪声;进行空间域至log域的转换;三维显微图像的频域转换;二维切片图的条纹噪声去除;滤波后显微图像的变换。本发明通过使得频域滤波后图像中不会出现的新的伪条纹噪声,提升了条纹噪声的去除质量;另一方面极大的降低了计算度复杂度,提高了条纹噪声的去除效率。
Description
技术领域
本发明涉及3D生物医学图像处理领域,具体来说是一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法。
背景技术
生物医学图像具有丰富的信息量,便于观察,十分直观,在现代医学临床诊断和实验研究中占据着越来越重要的地位。随着组织标注技术及三维显微成像技术的快速发展,对三维图像特别是三维显微图像进行分割、识别、配准和神经元重建等也成为了当前生物医学图像信息学研究的热点和前沿课题。
fMOST(荧光显微光学切片断层成像fluorescenceMicro-optical SectioningTomography,简称fMOST)/MOST(显微光学切片断层成像Micro-optical SectioningTomography,简称MOST)系统能够高通量地获取亚微米分辨率的三维显微成像数据,但是由于成像方式的限制其同时也会在获取的三维图像中引入条纹干扰噪声,这就为该类图像的后继观察、处理和分析带来了极大的困难,因此寻求合适的方法来高质量、高效地去除图像中存在的条纹噪声具有重要的研究意义。
目前针对图像条纹噪声去除方法的研究,主要有两种思路:一是在空间域直接滤除图像的条纹噪声。典型的空间域条纹噪声消除方法主要有直方图匹配法和矩匹配方法,其中直方图匹配对图像均匀性要求较高,而三维显微图像脑区结构明显,内部分布不均匀,去噪效果并不理想;矩匹配方法应用比较广泛,但三维显微图像结构复杂且条纹噪声分布的宽度和旋转角度都会各不相同,滤波后会产生带状效应。二是在频率域滤波图像。频域滤波通过快速傅立叶变换将图像直接转换到频率域,从而利用信号和噪声占有不同的频率成分来进行滤波,达到消除噪声的目的,更适用于三维显微图像的去噪。然而该种方法在对三维显微图像滤波后,往往会导致图像出现严重的振铃现象并产生新的伪条纹噪声,这极大的影响了去除条纹后的图像质量。对于滤波后出现的振铃效应,可以将频域理想滤波器转换为高斯滤波器,通过这一操作能有效避免振铃效应的产生。但是滤波后产生的新的伪条纹噪声,仍然难以去除。
因此,如何能够在完全去除不同分布的条纹噪声的同时,避免滤波后会产生新的条纹噪声,设计出一种高效、高质量的三维显微图像条纹噪声去除方法已经成为了急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中频域滤波生成的伪条纹噪声难以去除的缺陷,提供一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法,包括以下步骤:
11)获取三维显微图像:获取fMOST或MOST系统所得到的三维显微图像;
12)分析条纹噪声频域分布特征:针对三维显微图像进行处理,得到条纹噪声在频谱图中的宽度、旋转角度和截止频率;
13)构建频域理想带状陷波滤波器;
14)构建频域高斯带状陷波滤波器:将频域理想带状陷波滤波器转换为频域高斯带状陷波滤波器;
15)将三维显微图像中的条纹噪声建模为伪乘性噪声;
16)进行空间域至log域的转换:将原始三维显微图像转换成二维切片图的堆栈,并将二维切片图从空间域转换至log域;
17)三维显微图像的频域转换:将转换成log域的二维显微图像通过快速傅立叶变换至频域,并频谱中心化处理;
18)二维切片图的条纹噪声去除:用构建好的频域高斯带状陷波滤波器滤除所有二维切片图的条纹噪声;
19)滤波后显微图像的变换:将滤波后的二维切片图变换回时域并堆栈重新合成三维显微图像。
所述的分析条纹噪声频域分布特征包括以下步骤:
21)针对三维显微图像,提取出中间的一层二维切片图作为中层切片图;
22)对中层切片图进行gamma颜色矫正,其伽马变换的基本形式如下:
S=crγ,
其中,r为输入图像,S为输出图像,c为常数系数,γ为伽马系数;
23)用快速傅里叶变换将gamma颜色矫正后的中层切片图从空间域转换到频域,并将其频谱中心化;
24)根据条纹噪声的频谱分布设定滤波器的初始参数,确定条纹噪声在频谱图中的宽度、旋转角度和截止频率,其中宽度和截止频率是固定的参数,初始旋转角度先设置为0,然后在后续步骤中通过迭代自动获得旋转角度最佳值。
所述的构建频域理想带状陷波滤波器包括以下步骤:
31)根据条纹噪声的频谱信息设定陷波滤波器参数值,包括滤波器同横轴方向的夹角度数即旋转角度、截止频率、宽度半径;
32)构建理想水平带状陷波滤波器,生成原始频谱图四倍大小的空白图像,根据参数值确定需要滤波的区域赋零值,其余区域赋值为1;
33)构建理想旋转带状陷波滤波器,根据旋转参数值将理想水平带状陷波滤波器处理后得到的滤波器的频谱图进行相应的旋转并裁剪到和中层切片频谱图相同大小;
34)对提取的切片进行频域滤波:
设定滤波器的宽度和截止频率为固定参数,初始旋转角度先设置为0,一般三维显微图像中的条纹噪声有水平分布(0°),垂直分布(90°)和倾斜分布(0°~90°);
利用for循环进行迭代,旋转角度为变量,步长为3,最高迭代次数为30次,即从0开始,以3°为步长逐渐增加不超过90°;
用频域高斯带状陷波滤波器的频谱图与二维切片的频谱图对应像素相乘,得到的结果与上一次相乘的数值相比;
如果更小就说明旋转角度的参数比上次数值更优,继续迭代比较;
如果更大,就说明上一次的旋转角度值为最优参数;
利用for循环迭代直到数值不再下降为止,相乘结果最小的旋转参数则为最优参数;
利用迭代计算得到的参数构建,得到最终的频域高斯带状陷波滤波器。
所述进行空间域至log域的转换包括以下步骤:
41)将原始三维显微图像转换为二维切片图的堆栈;
42)对堆栈中所有二维切片图的体素值均加1并均做对数变换,将全部切片图从空间域转换到log域,同时也将伪乘性转换为加性噪声,其转换公式如下:
s=log(r+1)
其中r为二维切片图,S为输出图像。
所述滤波后显微图像的变换包括以下步骤:
51)对滤波后的二维切片进行逆频谱中心化操作;
52)对逆频谱中心化处理后的二维切片做逆fft变换,将所有二维切片图从频域变换回log域;
53)对逆fft变换后的二维切片做反log变换,将所有像素值减1,变换回空间域;
54)对堆栈内的二维切片图均进行51)步骤至53)步骤处理,得到处理后的二维切片图,合成为三维显微图像,得到最终的去条纹结果。
有益效果
本发明的一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法,与现有技术相比通过将fMOST/MOST三维显微图像中的条纹噪声设定为伪乘性噪声,并进而借助log变换将其转换为加性噪声,使得频域滤波后图像中不会出现的新的伪条纹噪声,提升了条纹噪声的去除质量;另一方面极大的降低了计算度复杂度,提高了条纹噪声的去除效率。
本发明综合考虑了3D显微图像中条纹噪声的分布状况和实际去条纹后会出现的振铃效应和新的伪条纹噪声,可以完全去除普通的横条纹、竖条纹以及任意旋转角度、不同宽度的干涉条纹而不影响原图像中有用的前景信息,成功实现高效、高质量、无条纹噪声的图像输出。
附图说明
图1为本发明的方法顺序图;
图2a为现有技术中去除竖条纹前的显微图像;
图2b为利用传统方法去除竖条纹后的显微图像;
图2c为利用fiji软件去除竖条纹后的显微图像;
图2d为本发明所述方法去除竖条纹后的显微图像;
图3a为现有技术中去除横条纹前的显微图像;
图3b为利用传统方法去除横条纹后的显微图像;
图3c为利用fiji软件去除横条纹后的显微图像;
图3d为利用本发明所述方法去除横条纹后的显微图像;
图4a为现有技术中去除斜条纹前的显微图像;
图4b为利用传统方法去除斜条纹后的显微图像;
图4c为利用fiji软件去除斜条纹后的显微图像;
图4d为利用本发明所述方法去除斜条纹后的显微图像。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法,包括以下步骤:
第一步,获取三维显微图像:获取fMOST或MOST系统所得到的三维显微图像。
第二步,分析条纹噪声频域分布特征:针对三维显微图像进行处理,得到条纹噪声在频谱图中的宽度、旋转角度和截止频率。其具体步骤如下:
(1)针对三维显微图像,按现有方法提取出中间的一层二维切片图作为中层切片图。
(2)对中层切片图进行gamma颜色矫正,其伽马变换的基本形式如下:
S=crγ,
其中,r为输入图像,S为输出图像,c为常数系数,γ为伽马系数。
(3)用快速傅里叶变换将gamma颜色矫正后的中层切片图从空间域转换到频域,并将其频谱中心化。
(4)根据条纹噪声的频谱分布设定滤波器的初始参数,确定条纹噪声在频谱图中的宽度、旋转角度和截止频率,其中宽度和截止频率是固定的参数,初始旋转角度先设置为0,然后在后续步骤中通过迭代自动获得旋转角度最佳值。
第三步,构建频域理想带状陷波滤波器。其具体步骤如下:
(1)根据条纹噪声的频谱信息设定陷波滤波器参数值,包括滤波器同横轴方向的夹角度数即旋转角度、截止频率、宽度半径。其中截止频率太高将导致低频条纹噪声不能完全消除,太低则会出现虚假纹理;滤波器的宽度半径较大时某些高亮区域周围也会出现虚假低频纹理,所以参数值需要慎重选取,这将直接影响去条纹效果的好坏。
(2)构建理想水平带状陷波滤波器,生成原始频谱图四倍大小的空白图像,根据参数值确定需要滤波的区域赋零值,其余区域赋值为1。
(3)构建理想旋转带状陷波滤波器,根据旋转参数值将理想水平带状陷波滤波器处理后得到的滤波器的频谱图进行相应的旋转并裁剪到和中层切片频谱图相同大小。
(4)对提取的切片进行频域滤波:滤波器的宽度和截止频率是固定的参数,初始旋转角度先设置为0,一般三维显微图像中的条纹噪声有水平分布(0°),垂直分布(90°)和倾斜分布(0°~90°)。利用for循环进行迭代,旋转角度为变量,步长为3,最高迭代次数为30次(从0开始,以3°为步长逐渐增加不超过90°),用频域高斯带状陷波滤波器的频谱图与二维切片的频谱图对应像素相乘,得到的结果与上一次相乘的数值相比,如果更小就说明旋转角度的参数比上次数值更优,继续迭代比较;如果更大,就说明上一次的旋转角度值为最优参数。利用for循环迭代直到数值不再下降为止,相乘结果最小的旋转参数则为最优参数。利用迭代计算得到的参数构建,得到最终的频域高斯带状陷波滤波器。
第四步,构建频域高斯带状陷波滤波器:按传统方法将频域理想带状陷波滤波器转换为频域高斯带状陷波滤波器,来有效消除振铃效应。
第五步,将三维fMOST/MOST显微图像中的条纹噪声建模为伪乘性噪声。
条纹噪声是一种普遍存在的噪声,在图像上表现为水平、垂直或倾斜方向上的条带状纹理,MOST和fMOST系统采集得到的图像同样也存在这样的问题。一般在去除条纹噪声时可以将条纹噪声看成是乘性噪声或加性噪声,在空域或者频域直接进行滤波即可去除。但是MOST/fmost系统采集的三维显微图像是生物医学图像,和普通图像相比更为复杂:图像中同时含有多种目标,有细胞包体、血管、脑室、脑内包埋剂和脑外包埋剂;目标尺寸变化大,脑的不同断面上或相同断面不同位置处出现的血管或脑室的形状尺寸均有较大变化。
正是以上两个图像特点,增加了图像的复杂性,使得常用的空域滤波和频域滤波并不适用于处理fMOST/MOST系统采集到的三维显微图像。因此,要想能够成功去除fMOST/MOST三维显微图像的条纹噪声,必须从图像和噪声的自身特性入手,寻找一种合适高效的去条纹方法,而不是将现有的空域和频域滤波方法直接生搬硬套到fMOST/MOST三维显微图像的条纹噪声处理中,这样显然是不合适的。
首先,从图像的成像特性来思考,三维显微图像中存在的条纹噪声是在采集显微图像的过程中引入的,这种独立于显微信号的噪声是由fMOST/MOST成像系统在摄像时造成的一种外部干扰信号,它是成像系统的背景噪声,是不可避免的噪声,所以显然这是一种加性噪声。但是另一方面从噪声的特性来考虑,乘性噪声一般由信道不理想引起,与信号的关系是相乘的,信号存在噪声就存在,信号不存在噪声就不存在;而加性噪声与信号的关系是相加的,不管有无信号噪声都存在。观察fMOST/MOST三维显微图像可以发现,只有在有图像信号的区域才存在条纹噪声,在背景区域并没有条纹噪声,所以显然这又符合乘性噪声的特点。综合以上两点,可以发现fMOST/MOST三维显微图像中的条纹噪声既符合加性噪声的定义,但从图像上看又更似乘性噪声,这一现象看似矛盾却又正好为去除fMOST/MOST三维显微图像中的条纹噪声提供了新的思路。
因此我们可以先将三维显微图像中的存在条纹噪声建模为伪乘性噪声,这一思想符合图像中只有前景区域才有噪声,背景区域没有噪声的特点;然后再在后续操作中进行伪乘性噪声到加性噪声的转换,这样又与图像成像原理中条纹噪声的加性特征相一致。
第六步,进行空间域至log域的转换:将原始三维显微图像从空间域转换至log域。乘性噪声一般由信道不理想引起,与信号的关系是相乘的,信号存在噪声就存在,信号不存在噪声就不存在;而加性噪声与信号的关系是相加的,不管有无信号噪声都存在。三维显微图像中存在的条纹噪声是在采集显微图像的过程中引入的,这种独立于显微信号的噪声是由成像系统在摄像时造成的干扰信号,在没有显微的背景区域也仍然存在,所以更加符合加性噪声的特性,如果简单的将其作为乘性噪声来处理会导致去噪后的图像周围出现新的伪条纹噪声。通过log变换可以将原始三维显微图像从空间域转换到log域同时图像中的伪乘性噪声也转换为加性噪声,因此在此进行log域的转换。其具体步骤如下:
(1)将原始三维显微图像转换为二维切片图的堆栈。
(2)对堆栈中所有二维切片图的体素值均加1并均做对数变换,将全部切片图从空间域转换到log域,同时也将伪乘性转换为加性噪声,其转换公式如下:
s=log(r+1)
其中r为二维切片图,S为输出图像。
第七步,二维显微图像的频域滤波:将转换成log域的二维显微图像通过传统的快速傅立叶变换至频域,并频谱中心化处理。
第八步,二维切片图的条纹噪声去除:用构建好的频域高斯带状陷波滤波器滤除所有二维切片图的条纹噪声。
第九步,滤波后显微图像的变换:将滤波后的显微图像变换回时域。其具体步骤如下:
(1)对滤波后的二维切片进行逆频谱中心化操作.
(2)对逆频谱中心化处理后的二维切片做逆fft变换,将所有二维切片图从频域变换回log域。
(3)对逆fft变换后的二维切片做反log变换,将所有像素值减1,变换回空间域。
(4)对堆栈内的二维切片图均进行上述第(1)步骤至第(3)步骤处理,得到处理后的二维切片图,合成为三维显微图像,得到最终的去条纹结果。
如图2a所示,图像是MOST系统采集得到的三维鼠脑图像的二维切片图,图像中分布了竖向的条纹噪声;如图2b所示,通过普通频域去条纹方法进行去条纹处理后,可以发现图像中的条纹噪声并没有完全去除,比如黑色箭头指向的脑区边缘区域,而且在脑区边缘处,如黑色方框标出的区域还产生了明显的伪条纹;如图2c所示,利用fiji软件的插件功能去条纹后,在图像左右两侧黑色箭头指向的区域出现了明显的竖向伪条纹;如图2d所示,利用本发明所述方法处理后,可以发现其条纹去除的十分干净且边缘处无新的伪条纹出现。
如图3a所示,图像是MOST系统采集得到的三维鼠脑图像的二维切片图,图像中分布了横向的条纹噪声;如图3b所示,通过普通频域去条纹方法进行去条纹处理后,可以发现图像中的条纹噪声并没有完全去除,比如黑色箭头指向的脑区边缘区域,而且在脑区边缘处,如黑色方框标出的区域还产生了明显的伪条纹;如图3c所示,利用fiji软件的插件功能去条纹后,在图像上下两侧以及黑色箭头所指向的脑区出现了明显的横向伪条纹;如图3d所示,利用本发明所述方法处理后,可以发现其条纹去除的十分干净且边缘处无新的伪条纹出现。
如图4a所示,图像是MOST系统采集得到的三维鼠脑图像的二维切片图,图像中分布了斜向的条纹噪声(与水平方向夹角约为20°);如图4b所示,通过普通频域去条纹方法进行去条纹处理后,可以发现图像中的条纹噪声并没有完全去除,比如黑色箭头指向的脑区,而且在图像边缘处,如黑色框标出的区域产生了明显的伪条纹;如图4c所示,利用fiji软件的插件功能去条纹后,图像中的斜向条纹几乎没有去除;如图4d所示,利用本发明所述方法处理后,可以发现其条纹去除的十分干净且边缘处无新的伪条纹出现。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法,其特征在于,包括以下步骤:
11)获取三维显微图像:获取fMOST或MOST系统所得到的三维显微图像;
12)分析条纹噪声频域分布特征:针对三维显微图像进行处理,得到条纹噪声在频谱图中的宽度、旋转角度和截止频率;
13)构建频域理想带状陷波滤波器;
14)构建频域高斯带状陷波滤波器:将频域理想带状陷波滤波器转换为频域高斯带状陷波滤波器;
15)将三维显微图像中的条纹噪声建模为伪乘性噪声;
16)进行空间域至log域的转换:将原始三维显微图像转换成二维切片图的堆栈,并将二维切片图从空间域转换至log域;
17)三维显微图像的频域转换:将转换成log域的二维显微图像通过快速傅立叶变换至频域,并频谱中心化处理;
18)二维切片图的条纹噪声去除:用构建好的频域高斯带状陷波滤波器滤除所有二维切片图的条纹噪声;
19)滤波后显微图像的变换:将滤波后的二维切片图变换回时域并堆栈重新合成三维显微图像。
2.根据权利要求1所述的一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法,其特征在于,所述的分析条纹噪声频域分布特征包括以下步骤:
21)针对三维显微图像,提取出中间的一层二维切片图作为中层切片图;
22)对中层切片图进行gamma颜色矫正,其伽马变换的基本形式如下:
S=crγ,
其中,r为输入图像,S为输出图像,c为常数系数,γ为伽马系数;
23)用快速傅里叶变换将gamma颜色矫正后的中层切片图从空间域转换到频域,并将其频谱中心化;
24)根据条纹噪声的频谱分布设定滤波器的初始参数,确定条纹噪声在频谱图中的宽度、旋转角度和截止频率,其中宽度和截止频率是固定的参数,初始旋转角度先设置为0,然后在后续步骤中通过迭代自动获得旋转角度最佳值。
3.根据权利要求1所述的一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法,其特征在于,所述的构建频域理想带状陷波滤波器包括以下步骤:
31)根据条纹噪声的频谱信息设定陷波滤波器参数值,包括滤波器同横轴方向的夹角度数即旋转角度、截止频率、宽度半径;
32)构建理想水平带状陷波滤波器,生成原始频谱图四倍大小的空白图像,根据参数值确定需要滤波的区域赋零值,其余区域赋值为1;
33)构建理想旋转带状陷波滤波器,根据旋转参数值将理想水平带状陷波滤波器处理后得到的滤波器的频谱图进行相应的旋转并裁剪到和中层切片频谱图相同大小;
34)对提取的切片进行频域滤波:
设定滤波器的宽度和截止频率为固定参数,初始旋转角度先设置为0,三维显微图像中的条纹噪声包括水平分布(0°)、垂直分布(90°)和倾斜分布(0°~90°);
利用for循环进行迭代,旋转角度为变量,步长为3,最高迭代次数为30次,即从0开始,以3°为步长逐渐增加不超过90°;
用频域高斯带状陷波滤波器的频谱图与二维切片的频谱图对应像素相乘,得到的结果与上一次相乘的数值相比;
如果更小就说明旋转角度的参数比上次数值更优,继续迭代比较;
如果更大,就说明上一次的旋转角度值为最优参数;
利用for循环迭代直到数值不再下降为止,相乘结果最小的旋转参数则为最优参数;
利用迭代计算得到的参数构建,得到最终的频域高斯带状陷波滤波器。
4.根据权利要求1所述的一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法,其特征在于,所述进行空间域至log域的转换包括以下步骤:
41)将原始三维显微图像转换为二维切片图的堆栈;
42)对堆栈中所有二维切片图的体素值均加1并均做对数变换,将全部切片图从空间域转换到log域,同时也将伪乘性转换为加性噪声,其转换公式如下:
s=log(r+1)
其中r为二维切片图,S为输出图像。
5.根据权利要求1所述的一种高效、高质量的fMOST或MOST显微图像条纹噪声去除方法,其特征在于,所述滤波后显微图像的变换包括以下步骤:
51)对滤波后的二维切片进行逆频谱中心化操作;
52)对逆频谱中心化处理后的二维切片做逆fft变换,将所有二维切片图从频域变换回log域;
53)对逆fft变换后的二维切片做反log变换,将所有像素值减1,变换回空间域;
54)对堆栈内的二维切片图均进行51)步骤至53)步骤处理,得到处理后的二维切片图,合成为三维显微图像,得到最终的去条纹结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911069126.3A CN110838093B (zh) | 2019-11-05 | 2019-11-05 | 一种fMOST或MOST显微图像条纹噪声去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911069126.3A CN110838093B (zh) | 2019-11-05 | 2019-11-05 | 一种fMOST或MOST显微图像条纹噪声去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110838093A true CN110838093A (zh) | 2020-02-25 |
CN110838093B CN110838093B (zh) | 2022-06-10 |
Family
ID=69576208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911069126.3A Active CN110838093B (zh) | 2019-11-05 | 2019-11-05 | 一种fMOST或MOST显微图像条纹噪声去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838093B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915515A (zh) * | 2020-07-21 | 2020-11-10 | 无锡声亚医疗科技有限公司 | 超声图像中噪声去除的方法、超声设备及存储介质 |
CN114693663A (zh) * | 2022-04-13 | 2022-07-01 | 北京明略软件系统有限公司 | 用于缺陷检测的方法、装置、检测设备和存储介质 |
CN114998126A (zh) * | 2022-05-24 | 2022-09-02 | 中国人民解放军国防科技大学 | 一种低波段星载sar图像电离层幅度闪烁条纹去除方法 |
CN117670842A (zh) * | 2023-12-07 | 2024-03-08 | 常州市宏发纵横新材料科技股份有限公司 | 一种布面横条检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679643A (zh) * | 2013-06-03 | 2014-03-26 | 哈尔滨工程大学 | 一种多条纹噪声定位滤除方法 |
CN104835123A (zh) * | 2015-05-04 | 2015-08-12 | 中国科学院自动化研究所 | 基于先验模型的光片显微成像条纹噪声去除方法 |
WO2017197618A1 (zh) * | 2016-05-19 | 2017-11-23 | 深圳大学 | 一种红外图像中条纹噪声的去除方法及系统 |
CN107481205A (zh) * | 2017-08-23 | 2017-12-15 | 电子科技大学 | 一种太赫兹图像条纹噪声处理方法及系统 |
CN109447920A (zh) * | 2018-11-12 | 2019-03-08 | 中国人民解放军国防科技大学 | 基于陷波滤波器的条带噪声自动去除方法 |
-
2019
- 2019-11-05 CN CN201911069126.3A patent/CN110838093B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679643A (zh) * | 2013-06-03 | 2014-03-26 | 哈尔滨工程大学 | 一种多条纹噪声定位滤除方法 |
CN104835123A (zh) * | 2015-05-04 | 2015-08-12 | 中国科学院自动化研究所 | 基于先验模型的光片显微成像条纹噪声去除方法 |
WO2017197618A1 (zh) * | 2016-05-19 | 2017-11-23 | 深圳大学 | 一种红外图像中条纹噪声的去除方法及系统 |
CN107481205A (zh) * | 2017-08-23 | 2017-12-15 | 电子科技大学 | 一种太赫兹图像条纹噪声处理方法及系统 |
CN109447920A (zh) * | 2018-11-12 | 2019-03-08 | 中国人民解放军国防科技大学 | 基于陷波滤波器的条带噪声自动去除方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915515A (zh) * | 2020-07-21 | 2020-11-10 | 无锡声亚医疗科技有限公司 | 超声图像中噪声去除的方法、超声设备及存储介质 |
CN114693663A (zh) * | 2022-04-13 | 2022-07-01 | 北京明略软件系统有限公司 | 用于缺陷检测的方法、装置、检测设备和存储介质 |
CN114998126A (zh) * | 2022-05-24 | 2022-09-02 | 中国人民解放军国防科技大学 | 一种低波段星载sar图像电离层幅度闪烁条纹去除方法 |
CN114998126B (zh) * | 2022-05-24 | 2024-05-24 | 中国人民解放军国防科技大学 | 一种低波段星载sar图像电离层幅度闪烁条纹去除方法 |
CN117670842A (zh) * | 2023-12-07 | 2024-03-08 | 常州市宏发纵横新材料科技股份有限公司 | 一种布面横条检测方法、装置、设备及存储介质 |
CN117670842B (zh) * | 2023-12-07 | 2024-06-04 | 常州市宏发纵横新材料科技股份有限公司 | 一种布面横条检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110838093B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110838093B (zh) | 一种fMOST或MOST显微图像条纹噪声去除方法 | |
Hoshyar et al. | The beneficial techniques in preprocessing step of skin cancer detection system comparing | |
KR100646715B1 (ko) | 후처리를 통한 2차원 초음파 영상의 화질 개선 방법 | |
US10168526B2 (en) | Cell contour formation apparatus and method of the same, and non-transitory computer readable storage medium storing a cell contour formation program | |
CN104616255B (zh) | 基于乳腺x线图像的自适应增强方法 | |
JP2001057677A (ja) | 画像処理方法および装置並びに記録媒体 | |
CN107437251B (zh) | 头部mri影像颅骨剥离模块 | |
Bhateja et al. | A novel weighted diffusion filtering approach for speckle suppression in ultrasound images | |
KR102195047B1 (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
CN114022444A (zh) | 超声图像的处理方法及装置 | |
CN111915515A (zh) | 超声图像中噪声去除的方法、超声设备及存储介质 | |
Lee et al. | Integrated spatio-spectral method for efficiently suppressing honeycomb pattern artifact in imaging fiber bundle microscopy | |
Xu et al. | An image-enhancement method based on variable-order fractional differential operators | |
Anilet Bala et al. | Retinal image enhancement using adaptive histogram equalization tuned with nonsimilar grouping curvelet | |
JP2001167264A (ja) | 画像処理方法および装置並びに記録媒体 | |
Renuka et al. | Adaptive shrinkage on dual-tree complex wavelet transform for denoising real-time MR images | |
CN113487505A (zh) | 一种基于噪声识别的红外图像混合降噪方法 | |
CN116363020A (zh) | 一种肺癌影像智能识别增强系统 | |
Wang et al. | Image enhancement | |
CN111640160A (zh) | 一种ct图像预处理方法 | |
Sivakumar et al. | Computed radiography skull image enhancement using Wiener filter | |
CN111242876A (zh) | 低对比度图像增强方法、装置及计算机可读存储介质 | |
CN112785520B (zh) | Ct图像伪影去除方法 | |
JP2010129077A (ja) | ウェーブレット変換を用いた全焦点画像の生成手段 | |
Al-Kindi et al. | Breast sonogram and mammogram enhancement using hybrid and repetitive smoothing-sharpening technique |
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 |