CN110930363A - 曲面模糊图像清晰度评价值确定方法、设备及存储介质 - Google Patents
曲面模糊图像清晰度评价值确定方法、设备及存储介质 Download PDFInfo
- Publication number
- CN110930363A CN110930363A CN201911036578.1A CN201911036578A CN110930363A CN 110930363 A CN110930363 A CN 110930363A CN 201911036578 A CN201911036578 A CN 201911036578A CN 110930363 A CN110930363 A CN 110930363A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- pixel
- analyzed
- evaluation value
- 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
Images
Classifications
-
- 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
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供一种曲面模糊图像清晰度评价值确定方法、设备及存储介质,包括:提取待分析图像中的有效区域,所述有效区域为包含有目标图像信息的区域;去除所述待分析图像的均匀背景噪声;确定有效区域中每个像素的目标梯度;根据每个像素的目标梯度和与该像素对应的预设权重确定整个待分析图像的清晰度评价值,所述清晰度评价值用于表征待分析图像中目标图像信息区域的清晰度。本申请实施例提供的曲面模糊图像清晰度评价值确定方法、设备及存储介质能够对非平面的探针图像进行评价。
Description
技术领域
本申请涉及图像处理技术,尤其涉及一种曲面模糊图像清晰度评价值确定方法、设备及存储介质。
背景技术
在一些医疗荧光显微镜的图像采集系统中,通常没有采用景深相机,因此在采集探针柱体曲表面图像时,探针的一部分位于图像的准焦区域内,另一部分位于图像的虚焦区域内,呈现出非平面特征。在应用过程中,通常会采集探针位于图像中心附近的图像,然后对采集到的图像进行清晰度评价,根据清晰度评价结果选取清晰度最高的图像作为目标图像,进行后续图像分析。常用的图像清晰度评价方法有方差法、方差乘积法、边缘梯度法等,这些方法均是对普通的平面图像内的所有区域进行整体评价,不适用对非平面的探针图像进行评价。
发明内容
本申请实施例中提供了一种曲面模糊图像清晰度评价值确定方法、设备及存储介质,能够对非平面的探针图像进行评价。
本申请第一方面实施例提供一种曲面模糊图像清晰度评价值确定方法,包括:
提取待分析图像中的有效区域,所述有效区域为包含有目标图像信息的区域;
去除所述待分析图像的均匀背景噪声;
确定有效区域中每个像素的目标梯度;
根据每个像素的目标梯度和与该像素对应的预设权重确定整个待分析图像的清晰度评价值,所述清晰度评价值用于表征待分析图像中目标图像信息区域的清晰度。
本申请第二方面实施例提供一种曲面模糊图像清晰度评价值确定设备,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如上所述的方法。
本申请第三方面实施例提供一种计算机可读存储介质,其上存储有计算机程序;所述计算机程序被处理器执行以实现如上所述的方法。
本申请实施例所提供的技术方案,通过提取待分析图像中的包含有目标图像信息的有效区域,然后去除待分析图像的均匀背景噪声,再确定有效区域中每个像素的目标梯度,并根据每个像素的目标梯度和与该像素对应的预设权重确定整个待分析图像的清晰度评价值,该清晰度评价值用于表征待分析图像中目标图像信息区域的清晰度,能够根据该清晰度评价值对待分析图像的清晰度进行评价,评价值越高则图像中有效区域的清晰度越高,以使对清晰度高的图像进行分析从而获得较为准确的结果。而且本实施例所提供的方法通过提取图像中的有效区域,也就是感兴趣区域,然后对该区域进行处理和分析,能够降低背景及噪声的干扰,还能够减少需要计算的像素的数量,加速图像处理速度,提供效率。
对于有效区域包含位于图像中心区域的曲面探针及其上附着的待检测物质的方案,采用本实施例所提供的方案,能够对位于图像中心区域的曲面探针整体进行分析,而不是像已有技术一样仅仅针对探针的清晰区域进行分析,能够提高对目标图像信息进行分析的完整性,更能提高准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例一提供的曲面模糊图像清晰度评价值确定方法的流程图;
图2为本申请实施例二提供的曲面模糊图像清晰度评价值确定方法的流程图;
图3为本申请实施例二提供的将待分析图像三等分的视图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供一种图像清晰度评价值确定方法,该方法可以通过计算机程序实现,例如,应用软件等;或者,该方法也可以实现为存储有相关计算机程序的介质,例如,U盘、云盘等;再或者,该方法还可以通过集成或安装有相关计算机程序的实体装置实现,例如,芯片、可移动智能设备等。其中,可移动智能设备包括但不限于具有移动功能的智能设备。
本实施例提供的图像清晰度评价值确定方法可以应用于对图像的清晰度进行评价,适应于需要对图像清晰度进行评价的任何场景。本实施例仅以应用在医疗荧光显微镜的图像采集系统为例,对该方法进行详细说明。技术人员可以将本实施例所提供的方法直接应用于其它领域中,也可以进行适应性修改后应用于其它领域。
图1为本申请实施例一提供的曲面模糊图像清晰度评价值确定方法的流程图。如图1所示,本实施例提供一种曲面模糊图像清晰度评价值确定方法,包括:
步骤101、提取待分析图像中的有效区域,有效区域为包含有目标图像信息的区域。
待分析图像可以由图像采集器来获取,图像采集器可以为数码相机、高速摄像机等设备。本实施例中,图像采集器为医疗荧光显微镜的图像采集系统中所采用的图像采集器,可以为已有的图像采集系统中常用的设备。
步骤101可以由曲面模糊图像清晰度评价值确定设备中的处理器来执行,该处理器可以为内置于医疗荧光显微镜中的处理器,也可以为能够与图像采集系统进行数据交互的外置的处理器。
处理器与图像采集器进行数据交互,从图像采集系统中获取采集到的待分析图像。待分析图像中的主要内容包括:背景、探针以及探针上附着的待检测物质,目标图像信息为位于图像中心区域内的探针及探针上附着的待检测物质。
处理器提取待分析图像中的有效区域,即将位于图像中心区域内的探针及探针上附着的待检测物质作为关心的区域提取出来,而将背景以及图像边缘的探针区域忽略掉。具体的实现方式是将位于图像中心区域内的探针及探针上附着的待检测物质与图像采集系统中的合作标志物(通常指有色衬板、有色光源之类的元素)分离,得到有效区域。有效区域既包括探针的清晰部分,也包括探针的模糊部分,且体现了探针为曲面的特点。
步骤102、去除待分析图像的均匀背景噪声。
该步骤也由上述处理器来执行。处理器对经过步骤101处理后的待分析图像中的均匀背景噪声进行去除,以降低背景噪声对目标图像信息的干扰。
步骤103、确定有效区域中每个像素的目标梯度。
该步骤也由上述处理器来执行。像素的梯度表征的是某个像素与相邻像素之间灰度值反差较大的特征,梯度值越大,反差越大。通过计算像素的梯度可以找到图像中纹理的边缘。
具体的,对有效区域中的每个像素的梯度值都进行计算,得到每个像素的目标梯度。梯度的计算方法有很多种,可参照已有技术中常用的算法来实现,例如采用一阶导数和Soble算子、二阶导数和拉普拉斯算子等方式。
步骤104、根据每个像素的目标梯度和与该像素对应的预设权重确定整个待分析图像的清晰度评价值,清晰度评价值用于表征待分析图像中目标图像信息区域的清晰度。
该步骤也由上述处理器来执行。
预设权重为预先设置的权重值,可以根据每个像素在有效区域中的位置来设定,例如:若某个像素位于有效区域的中心,则其对应的预设权重略大;若某个像素位于有效区域的边缘,则其对应的预设权重略小。
根据每个像素的目标梯度和该像素对应的预设权重来确定待分析图像的清晰度评价值,可采用计算乘积、求和等单一算法或组合算法进行计算。计算得到的清晰度评价值用于表征目标图像信息区域的清晰度,清晰度评价值越高表明目标图像信息区域的清晰度越高,根据清晰度较高的目标图像信息进行图像分析以确定探针上附着的待检测物质的特征则具有较高的准确度和较高的价值。
本实施例所提供的技术方案,通过提取待分析图像中的包含有目标图像信息的有效区域,然后去除待分析图像的均匀背景噪声,再确定有效区域中每个像素的目标梯度,并根据每个像素的目标梯度和与该像素对应的预设权重确定整个待分析图像的清晰度评价值,该清晰度评价值用于表征待分析图像中目标图像信息区域的清晰度,能够根据该清晰度评价值对待分析图像的清晰度进行评价,评价值越高则图像中有效区域的清晰度越高,以使对清晰度高的图像进行分析从而获得较为准确的结果。而且本实施例所提供的方法通过提取图像中的有效区域,也就是感兴趣区域,然后对该区域进行处理和分析,能够降低背景及噪声的干扰,还能够减少需要计算的像素的数量,加速图像处理速度,提供效率。
对于有效区域包含位于图像中心区域的曲面探针及其上附着的待检测物质的方案,采用本实施例所提供的方案,能够对位于图像中心区域的曲面探针整体进行分析,而不是像已有技术一样仅仅针对探针的清晰区域进行分析,能够提高对目标图像信息进行分析的完整性,更能提高准确性。
实施例二
本实施例是在上述实施例的基础上,对曲面模糊图像清晰度评价值确定方法进行优化,并提供具体的实现方式作为例子。
图2为本申请实施例二提供的曲面模糊图像清晰度评价值确定方法的流程图。如图2所示,首先,在处理器从图像采集设备获取到待分析图像后,执行如下步骤201。
步骤201、提取待分析图像中的有效区域。
有效区域的提取方式可以将位于图像中心区域内的探针及探针上附着的待检测物质与图像采集系统中的合作标志物分离,具体的分离方式有很多种,例如:通过最大熵、迭代法、全局阈值等方式。本实施例采用自适应阈值方法进行分离,例如可采用最大类间方差法(简称:OTSU),按照图像的灰度特性,将图像分成背景和有效区域两部分。
然后,执行步骤202:
步骤202、去除待分析图像中的均匀背景噪声。
去除均匀噪声的方式有多种,例如可采用均值滤波、中值滤波等方式。本实施例通过计算图像灰度直方图的方式来去除均匀背景噪声。具体的,计算待分析图像的灰度直方图,灰度直方图中具有两个明显的峰值,其中一个是有效区域的对应的峰值,另一个是背景对应的峰值。计算背景部分每个像素灰度值的平均值作为噪声均值,然后将有效区域中的每个像素的灰度值减去该噪声均值,达到去除均匀背景噪声的效果。
在去躁后,执行步骤203:
步骤203、计算待分析图像中每个像素在四个方向上的图像梯度,取四个方向上的图像梯度中的最大值作为该像素的图像梯度。
具体可计算每个像素在第一方向、第二方向、第三方向和第四方向上的初始梯度,然后确定第一方向、第二方向、第三方向和第四方向上的初始梯度中的最大值作为对应像素的图像梯度。梯度的计算方式可采用本领域常用的计算方法来实现。上述第一方向为0°,第二方向为45°,第三方向为90°,第四方向为135°,即:计算每个像素在0°、45°、90°和135°四个方向上的初始梯度,然后将四个方向初始梯度中的最大值作为该像素的图像梯度。
步骤204、根据预设的梯度阈值去除图像梯度中的干扰梯度,保留下来的图像梯度作为目标梯度。
具体的,对每一个像素进行相同的操作:判断每一个像素的图像梯度是否小于梯度阈值。若判断结果为是,则将图像梯度置为零;若判断结果为否,则保留该像素对应的图像梯度。梯度阈值可根据干扰梯度的影响因素来确定,将梯度阈值设定为干扰梯度的最大值,能够将小于梯度阈值的所有干扰梯度全部滤除。对于本实施例所提供的医疗荧光显微镜的图像采集系统,干扰梯度的最大值也即梯度阈值设为10,对于图像梯度小于10的像素,将其图像梯度设置为零,作为目标梯度;若像素梯度大于或等于10,则保留该图像梯度,作为目标梯度。采用此方案能够去除干扰因素的梯度对分析结果所造成的影响。
进一步的,在去除干扰因素的梯度之后,还可以进行如下处理:
步骤205、判断与每个像素相邻的八个相邻像素中是否存在至少两个相邻像素的像素梯度不为零,若否,则将像素的像素梯度置为零。
具体的,A为有效区域中的一个像素,对与A像素相邻的八个相邻像素进行遍历,获取八个相邻像素对应的像素梯度。判断出八个相邻像素中存在至少两个相邻像素的像素梯度不为零,则保留A像素的像素梯度;若判断结果为否,也即:当八个相邻像素中只有一个相邻像素的像素梯度不为零或八个相邻像素的像素梯度均为零时,将A像素的像素梯度置为零。这个过程用于对伪边缘进行抑制,能够进一步提高确定有效区域边缘的准确度,该过程能够确定出图像中模糊区域的边界,保留模糊图像中包含的有效信息。
在确定了目标梯度之后,执行步骤206:
步骤206、确定待分析图像的清晰度评价值。
图3为本申请实施例二提供的将待分析图像三等分的视图。如图3所示,可将待分析图像按照上中下三等分,中间区域的预设权重为K1,上方区域和下方区域的预设权重为K2。计算每个像素的像素梯度与该像素所在区域对应的预设权重之间的乘积作为评价元素参数,然后计算所有像素的评价元素参数之和,作为待分析图像的清晰度评价值。
本实施例中,设定K1=3K2,即:K1为K2数值的三倍,得到的评价值对待分析图像进行评价,能够达到如下效果:当有效区域在上中下三部分区域中都有分布时,使得中间区域最清晰;当有效区域没分布在中间区域时,使得上方区域和下方区域为对焦依据调节物距,重新获取图像并进行上述处理分析,不至于使图像整体失焦,以满足图像分析的要求。
上述方案在实施例一的基础上,增加了噪声抑制和伪边缘抑制的方法,并对待分析图像的不同区域进行评价,能够提高抗噪能力以及聚焦感兴趣区域的效果。
实施例三
本实施例提供一种曲面模糊图像清晰度评价值确定设备,包括:存储器、处理器及计算机程序。其中计算器程序存储在该存储器中,并被配置为由该处理器执行以实现上述任一内容所提供的方法。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行以实现如上任一内容所提供的方法。
本实施例所提供的曲面模糊图像清晰度评价值确定设备和计算机可读存储介质,通过执行提取待分析图像中的包含有目标图像信息的有效区域,然后去除待分析图像的均匀背景噪声,再确定有效区域中每个像素的目标梯度,并根据每个像素的目标梯度和与该像素对应的预设权重确定整个待分析图像的清晰度评价值,该清晰度评价值用于表征待分析图像中目标图像信息区域的清晰度,能够根据该清晰度评价值对待分析图像的清晰度进行评价,评价值越高则图像中有效区域的清晰度越高,以使对清晰度高的图像进行分析从而获得较为准确的结果。而且本实施例所提供的方法通过提取图像中的有效区域,也就是感兴趣区域,然后对该区域进行处理和分析,能够降低背景及噪声的干扰,还能够减少需要计算的像素的数量,加速图像处理速度,提供效率。
对于有效区域包含位于图像中心区域的曲面探针及其上附着的待检测物质的方案,采用本实施例所提供的方案,能够对位于图像中心区域的曲面探针整体进行分析,而不是像已有技术一样仅仅针对探针的清晰区域进行分析,能够提高对目标图像信息进行分析的完整性,更能提高准确性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (11)
1.一种曲面模糊图像清晰度评价值确定方法,其特征在于,包括:
提取待分析图像中的有效区域,所述有效区域为包含有目标图像信息的区域;
去除所述待分析图像的均匀背景噪声;
确定有效区域中每个像素的目标梯度;
根据每个像素的目标梯度和与该像素对应的预设权重确定整个待分析图像的清晰度评价值,所述清晰度评价值用于表征待分析图像中目标图像信息区域的清晰度。
2.根据权利要求1所述的方法,其特征在于,确定待分析图像中每个像素的目标梯度,包括:
计算待分析图像中每个像素的图像梯度;
根据预设的梯度阈值去除所述图像梯度中的干扰梯度,保留下来的图像梯度作为目标梯度。
3.根据权利要求2所述的方法,其特征在于,计算待分析图像中每个像素的图像梯度,包括:
计算待分析图像中每个像素分别在第一方向、第二方向、第三方向和第四方向上的初始梯度;
确定第一方向、第二方向、第三方向和第四方向上的初始梯度中的最大值作为对应像素的图像梯度。
4.根据权利要求2或3所述的方法,其特征在于,根据预设的梯度阈值去除所述图像梯度中的干扰梯度,包括:
判断图像梯度是否小于梯度阈值;所述梯度阈值为干扰梯度的最大值;
若判断结果为是,则将图像梯度置为零。
5.根据权利要求4所述的方法,其特征在于,根据预设的梯度阈值去除所述图像梯度中的干扰梯度之后,还包括:
判断与每个像素相邻的八个相邻像素中是否存在至少两个相邻像素的像素梯度不为零,若否,则将所述像素的像素梯度置为零。
6.根据权利要求3所述的方法,其特征在于,所述第一方向为0°,第二方向为45°,第三方向为90°,第四方向为135°。
7.根据权利要求1所述的方法,其特征在于,提取待分析图像中的有效区域,包括:
采用自适应阈值方法提取待分析图像中的有效区域。
8.根据权利要求1所述的方法,其特征在于,去除所述待分析图像的均匀背景噪声,包括:
计算待分析图像的灰度直方图;
根据所述灰度直方图计算有效区域之外的背景区域的噪声均值;
将有效区域中每个像素的灰度值减去所述噪声均值。
9.根据权利要求1所述的方法,其特征在于,根据每个像素的目标梯度和与该像素对应的预设权重确定整个待分析图像的清晰度评价值,包括:
计算每个像素的目标梯度与该像素对应的预设权重之间的乘积,作为评价元素参数;
计算所有像素对应的评价元素参数之和,作为待分析图像的清晰度评价值。
10.一种曲面模糊图像清晰度评价值确定设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-9任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机程序;所述计算机程序被处理器执行以实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911036578.1A CN110930363A (zh) | 2019-10-29 | 2019-10-29 | 曲面模糊图像清晰度评价值确定方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911036578.1A CN110930363A (zh) | 2019-10-29 | 2019-10-29 | 曲面模糊图像清晰度评价值确定方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110930363A true CN110930363A (zh) | 2020-03-27 |
Family
ID=69849741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911036578.1A Pending CN110930363A (zh) | 2019-10-29 | 2019-10-29 | 曲面模糊图像清晰度评价值确定方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930363A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798421A (zh) * | 2020-06-29 | 2020-10-20 | 浙江同善人工智能技术有限公司 | 一种图像质量判断方法、设备及存储介质 |
CN112561890A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 图像清晰度的计算方法、装置和计算机设备 |
CN113052815A (zh) * | 2021-03-23 | 2021-06-29 | Oppo广东移动通信有限公司 | 图像清晰度确定方法及装置、存储介质和电子设备 |
CN113066024A (zh) * | 2021-03-19 | 2021-07-02 | 北京达佳互联信息技术有限公司 | 图像模糊检测模型的训练方法、图像模糊检测方法及装置 |
CN113112432A (zh) * | 2021-05-13 | 2021-07-13 | 广州道一科学技术有限公司 | 自动识别图像条带的方法 |
CN113554628A (zh) * | 2021-07-27 | 2021-10-26 | 苏州微景医学科技有限公司 | 图像处理方法、装置及计算机可读存储介质 |
CN113596439A (zh) * | 2021-07-16 | 2021-11-02 | 北京科技大学 | 基于图像模糊评价的摄像头模组局部解析力失效检测方法 |
CN114242209A (zh) * | 2021-11-02 | 2022-03-25 | 深圳市智影医疗科技有限公司 | 一种医学图像预处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637064A (zh) * | 2015-02-28 | 2015-05-20 | 中国科学院光电技术研究所 | 一种基于边缘强度权重的离焦模糊图像清晰度检测方法 |
CN108961242A (zh) * | 2018-07-04 | 2018-12-07 | 北京临近空间飞行器系统工程研究所 | 一种荧光染色图像ctc智能识别方法 |
CN109116541A (zh) * | 2018-09-10 | 2019-01-01 | 广州鸿琪光学仪器科技有限公司 | 显微镜对焦方法、装置、计算机设备和存储介质 |
CN110244444A (zh) * | 2019-05-21 | 2019-09-17 | 深圳市智影医疗科技有限公司 | 显微镜的对焦方法、装置、终端设备及存储介质 |
-
2019
- 2019-10-29 CN CN201911036578.1A patent/CN110930363A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637064A (zh) * | 2015-02-28 | 2015-05-20 | 中国科学院光电技术研究所 | 一种基于边缘强度权重的离焦模糊图像清晰度检测方法 |
CN108961242A (zh) * | 2018-07-04 | 2018-12-07 | 北京临近空间飞行器系统工程研究所 | 一种荧光染色图像ctc智能识别方法 |
CN109116541A (zh) * | 2018-09-10 | 2019-01-01 | 广州鸿琪光学仪器科技有限公司 | 显微镜对焦方法、装置、计算机设备和存储介质 |
CN110244444A (zh) * | 2019-05-21 | 2019-09-17 | 深圳市智影医疗科技有限公司 | 显微镜的对焦方法、装置、终端设备及存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798421A (zh) * | 2020-06-29 | 2020-10-20 | 浙江同善人工智能技术有限公司 | 一种图像质量判断方法、设备及存储介质 |
CN112561890A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 图像清晰度的计算方法、装置和计算机设备 |
CN113066024A (zh) * | 2021-03-19 | 2021-07-02 | 北京达佳互联信息技术有限公司 | 图像模糊检测模型的训练方法、图像模糊检测方法及装置 |
CN113066024B (zh) * | 2021-03-19 | 2023-03-10 | 北京达佳互联信息技术有限公司 | 图像模糊检测模型的训练方法、图像模糊检测方法及装置 |
CN113052815A (zh) * | 2021-03-23 | 2021-06-29 | Oppo广东移动通信有限公司 | 图像清晰度确定方法及装置、存储介质和电子设备 |
CN113112432A (zh) * | 2021-05-13 | 2021-07-13 | 广州道一科学技术有限公司 | 自动识别图像条带的方法 |
CN113596439A (zh) * | 2021-07-16 | 2021-11-02 | 北京科技大学 | 基于图像模糊评价的摄像头模组局部解析力失效检测方法 |
CN113554628A (zh) * | 2021-07-27 | 2021-10-26 | 苏州微景医学科技有限公司 | 图像处理方法、装置及计算机可读存储介质 |
CN114242209A (zh) * | 2021-11-02 | 2022-03-25 | 深圳市智影医疗科技有限公司 | 一种医学图像预处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930363A (zh) | 曲面模糊图像清晰度评价值确定方法、设备及存储介质 | |
US20140037159A1 (en) | Apparatus and method for analyzing lesions in medical image | |
US7058233B2 (en) | Systems and methods for constructing an image having an extended depth of field | |
Wählby et al. | Combining intensity, edge and shape information for 2D and 3D segmentation of cell nuclei in tissue sections | |
CA2968024C (en) | Autofocus system and method in digital holography | |
JP2004164624A (ja) | 低被写界深度画像セグメンテーションの方法及び機器 | |
CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
GB2498331A (en) | Method of classifying images of animals based on their taxonomic group | |
CN107944403B (zh) | 一种图像中的行人属性检测方法及装置 | |
CA2989188A1 (en) | Method for ir or thermal image enchancement based on scene information for video analysis | |
JP2016505185A (ja) | エッジ選択機能を有するイメージプロセッサ | |
CN111192241A (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
EP3510526B1 (en) | Particle boundary identification | |
CN111311562B (zh) | 虚焦图像的模糊度检测方法及装置 | |
CN117315210B (zh) | 一种基于立体成像的图像虚化方法及相关装置 | |
CN109508641A (zh) | 一种城市水体的识别方法、装置、储存介质及设备 | |
CN111062954A (zh) | 一种基于差分信息统计的红外图像分割方法、装置及设备 | |
Wang et al. | Saliency-based adaptive object extraction for color underwater images | |
CN110020572B (zh) | 基于视频图像的人数统计方法、装置、设备及存储介质 | |
EP3803789A1 (en) | Method for an automatic segmentation and classification of relevant objects in a digital tissue sample image | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 | |
CN116152127A (zh) | 一种3d点云处理方法、装置、设备和介质 | |
Wang et al. | A modified watersheds image segmentation algorithm for blood cell | |
Taheri et al. | Automated single and multi-breast tumor segmentation using improved watershed technique in 2D MRI images | |
CN114845041B (zh) | 一种用于纳米颗粒成像的对焦方法、装置及存储介质 |
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: 20200327 |