CN111242880B - 一种用于显微镜的多景深图像叠加方法、设备及介质 - Google Patents

一种用于显微镜的多景深图像叠加方法、设备及介质 Download PDF

Info

Publication number
CN111242880B
CN111242880B CN201911387695.2A CN201911387695A CN111242880B CN 111242880 B CN111242880 B CN 111242880B CN 201911387695 A CN201911387695 A CN 201911387695A CN 111242880 B CN111242880 B CN 111242880B
Authority
CN
China
Prior art keywords
image
feature
images
superposition
depth
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.)
Active
Application number
CN201911387695.2A
Other languages
English (en)
Other versions
CN111242880A (zh
Inventor
张春旺
曹江中
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.)
Guangzhou Youai Intelligent Technology Co ltd
Guangzhou Micro Shot Technology Co ltd
Original Assignee
Guangzhou Youai Intelligent Technology Co ltd
Guangzhou Micro Shot 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 Guangzhou Youai Intelligent Technology Co ltd, Guangzhou Micro Shot Technology Co ltd filed Critical Guangzhou Youai Intelligent Technology Co ltd
Priority to CN201911387695.2A priority Critical patent/CN111242880B/zh
Publication of CN111242880A publication Critical patent/CN111242880A/zh
Application granted granted Critical
Publication of CN111242880B publication Critical patent/CN111242880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Abstract

本发明提供的一种用于显微镜的多景深图像叠加方法，包括获取显微镜根据预设采集顺序采集到的不同高度载物平台上同一样本的若干张显微图像初筛选，根据预设采集顺序在图像序列中筛选出两张显微图像作为叠加运算图像，将两张叠加运算图像进行景深叠加处理，得到景深叠加图像；判断已筛选图像序列中是否含有显微图像，若是，根据预设采集顺序在已筛选图像序列中剩余的显微图像中筛选一张显微图像，将非首次筛选图像和景深叠加图像均作为叠加运算图像，返回执行步骤图像处理，若否，则将景深叠加图像作为多景深叠加结果图输出；本发明的一种用于显微镜的多景深图像叠加方法，使整个图像叠加过程高效精准，减少了时间成本和人工成本。

Description

一种用于显微镜的多景深图像叠加方法、设备及介质
技术领域
本发明涉及图像处理领域，尤其涉及一种用于显微镜的多景深图像叠加方法、设备及介质。
背景技术
在医学检测领域中，各类生物切片的样本虽然在经涂片、铺片、磨片等处理后呈薄片状，但是这些样本在物理上仍具有微小量的厚度，无法在显微镜单一的景深下清晰地呈现视野中全部样本细节。目前，行业内主要通过图像目标提取,图像清晰度评价与图像融合等算法实现多景深显微镜图像的图像叠加，其中，有要求载物平台具有较高平整度的变步爬山搜索方法，也有叠加效率较低的像素点融合方法，还有叠加效果粗糙的分块融合方法，以及使用前准备工作繁琐的载物台平整度学习叠加方法。上述的多景深图像叠加方法中图像叠加效率与叠加效果是一对互斥量，为调整两者的平衡往往会加大准备工作的复杂度，浪费调试时间及人工成本。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种用于显微镜的多景深图像叠加方法，其能解决传统的多景深图像叠加方法中图像叠加效率与叠加效果是一对互斥量，为调整两者的平衡往往会加大准备工作的复杂度，浪费调试时间及人工成本问题。
本发明的目的之二在于提供一种电子设备，其能解决传统的多景深图像叠加方法中图像叠加效率与叠加效果是一对互斥量，为调整两者的平衡往往会加大准备工作的复杂度，浪费调试时间及人工成本问题。
本发明的目的之三在于提供一种计算机可读存储介质，其能解决传统的多景深图像叠加方法中图像叠加效率与叠加效果是一对互斥量，为调整两者的平衡往往会加大准备工作的复杂度，浪费调试时间及人工成本问题。
本发明的目的之一采用以下技术方案实现：
一种用于显微镜的多景深图像叠加方法，包括以下步骤：
获取图像序列，获取显微镜根据预设采集顺序采集到的不同高度载物平台上同一样本的若干张显微图像，得到含有若干张显微图像的图像序列；
图像初筛选，根据所述预设采集顺序在所述图像序列中筛选出两张显微图像作为叠加运算图像，将所述图像序列作为已筛选图像序列；
图像处理，将两张所述叠加运算图像进行景深叠加处理，得到景深叠加图像；
图像判断，判断所述已筛选图像序列中是否含有显微图像，若是，执行步骤图像再筛选，若否，则将所述景深叠加图像作为多景深叠加结果图输出；
图像再筛选，根据预设采集顺序在所述已筛选图像序列中剩余的显微图像中筛选一张显微图像，将所述显微图像作为非首次筛选图像，将所述非首次筛选图像和所述景深叠加图像均作为叠加运算图像，返回执行步骤图像处理。
进一步地，所述图像处理包括以下子步骤：
边缘特征提取处理，对两张所述叠加运算图像进行边缘特征提取处理，得到对应的特征点位置信息，根据所述特征点位置信息生成与张所述叠加运算图像对应的两张边缘特征映射图像；
均值滤波处理，根据预设滤波模板分别对两张所述边缘特征映射图像进行均值滤波处理，得到与两张所述边缘特征映射图像对应的两特征均值映射图像组，所述预设滤波模板包括预设第一滤波模板、预设第二滤波模板以及预设第三滤波模板，每个所述特征均值映射图像组包括第一特征均值映射图像、第二特征均值映射图像以及第三特征均值映射图像；
特征值比对，将两所述特征均值映射图像组中的第一特征均值映射图像进行特征值比对处理，得到第一特征权重图像，将两所述特征均值映射图像组中的第二特征均值映射图像进行特征值比对处理，得到第二特征权重图像，将两所述特征均值映射图像组中的第三特征均值映射图像进行特征值比对处理，得到第三特征权重图像；
导向滤波处理，根据预设第一导向滤波模板对所述第一特征权重图像进行导向滤波处理，得到第一特征导向映射图像，根据预设第二导向滤波模板对所述第二特征权重图像进行导向滤波处理，得到第二特征导向映射图像，根据预设第三导向滤波模板对所述第三特征权重图像进行导向滤波处理，得到第三特征导向映射图像；
生成权重图像，将所述第一特征导向映射图像、所述第二特征导向映射图像、所述第三特征导向映射图像中的各个像素点的像素值进行比较并选取最大像素值，得到权重图像；
生成景深叠加图像，根据所述权重图像的每个像素值、两张所述叠加运算图像的每个像素值生成景深叠加图像。
进一步地，所述边缘特征提取处理为检测所述叠加运算图像中有变化的边缘或者不连续的区域，得到对应的特征点位置信息，并根据所述特征点位置信息描述所述边缘或所述区域的二值图像，得到边缘特征映射图像。
进一步地，所述边缘特征提取处理之前还包括归一化处理，对两张所述叠加运算图像分别进行像素归一化处理。
进一步地，所述归一化处理为将两所述叠加运算图像的像素值从整数域映射到0与1区间的浮点数域。
进一步地，当所述图像序列中显微图像的像素尺寸超过预设处理阈值时，对所述显微图像进行预处理。
进一步地，所述预处理为重构所述显微图像的像素尺寸。
本发明的目的之二采用以下技术方案实现：
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行本申请的一种用于显微镜的多景深图像叠加方法。
本发明的目的之三采用以下技术方案实现：
一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行本申请的一种用于显微镜的多景深图像叠加方法。
相比现有技术，本发明的有益效果在于：本申请的一种用于显微镜的多景深图像叠加方法，包括获取图像序列，获取显微镜根据预设采集顺序采集到的不同高度载物平台上同一样本的若干张显微图像，得到含有若干张显微图像的图像序列；图像初筛选，根据预设采集顺序在图像序列中筛选出两张显微图像作为叠加运算图像，将图像序列作为已筛选图像序列；图像处理，将两张叠加运算图像进行景深叠加处理，得到景深叠加图像；图像判断，判断已筛选图像序列中是否含有显微图像，若是，执行步骤图像再筛选，若否，则将景深叠加图像作为多景深叠加结果图输出；图像再筛选，根据预设采集顺序在已筛选图像序列中剩余的显微图像中筛选一张显微图像，将显微图像作为非首次筛选图像，将非首次筛选图像和景深叠加图像均作为叠加运算图像，返回执行步骤图像处理。通过将不同的显微图像依次进行景深叠加处理，使整个图像叠加过程高效精准，减少了时间成本和人工成本。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的一种用于显微镜的多景深图像叠加方法流程示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1所示，本申请的一种用于显微镜的多景深图像叠加方法，包括以下步骤：
获取图像序列，获取显微镜根据预设采集顺序采集到的不同高度载物平台上同一样本的若干张显微图像，得到含有若干张显微图像的图像序列。在本实施例中，预设采集顺序即为根据载物台由高到低采集样本的显微图像，即显微镜载物平台在平面不移动的前提下，一边自由地调节载物平台的高度，将载物平台的高度由高到低进行调节，直至调节至预设最低点，将载物平台每调节至一个高度即采集一张此高度对应的样本的显微图像。
图像初筛选，根据预设采集顺序在图像序列中筛选出两张显微图像作为叠加运算图像，将图像序列作为已筛选图像序列。本实施例中图像的采集先后顺序由载物平台的高度的高低决定，即首先选取载物平台处于最高处和次高处时采集的显微图像作为叠加运算图像，本实施例中将其举例说明为第一张叠加运算图像和第二张叠加运算图像。
图像处理，将两张叠加运算图像进行景深叠加处理，得到景深叠加图像。本实施例中，图像处理具体为：
归一化处理，对两张叠加运算图像分别进行像素归一化处理，得到两张阈值对应的归一化叠加运算图像。本实施例中将叠加运算图像的像素值从整数域映射到0与1区间的浮点数域。
边缘特征提取处理，对两张叠加运算图像进行边缘特征提取处理，实质即为对上述的两张归一化叠加运算图像进行边缘特征提取处理，得到对应的特征点位置信息，根据特征点位置信息生成与张叠加运算图像对应的两张边缘特征映射图像。具体为：检测两张归一化叠加运算图像中有变化的边缘或者不连续的区域，得到对应的特征点位置信息，并根据特征点位置信息描述边缘或区域的二值图像，得到边缘特征映射图像。在本实施例中根据以下公式(1)计算出每一个边缘特征映射图像的像素值：
Figure BDA0002344034850000061
其中，
Figure BDA0002344034850000062
为边缘特征映射图像的像素值，f为归一化叠加运算图像的像素值，x为归一化叠加运算图像中像素点的行坐标，y为归一化叠加运算图像中像素点的列坐标。
均值滤波处理，根据预设滤波模板分别对两张边缘特征映射图像进行均值滤波处理，得到与两张边缘特征映射图像对应的两特征均值映射图像组，预设滤波模板包括预设第一滤波模板、预设第二滤波模板以及预设第三滤波模板，每个特征均值映射图像组包括三个特征均值映射图像，具体为第一特征均值映射图像、第二特征均值映射图像以及第三特征均值映射图像。本实施例中预设滤波模板是根据模板的大小而设定，预设第一滤波模板为较大的滤波模板，预设第二滤波模板为中等的滤波模板，预设第三滤波模板为较小的滤波模板，三者大小关系为：预设第一滤波模板＞预设第二滤波模板＞预设第三滤波模板。具体的特征均值映射图像的像素值计算如公式(2)：
Figure BDA0002344034850000071
其中，其中x是边缘特征映射图像的像素值，y是特征均值映射图像的像素值，i是图像行序，j是图像列序，n为预设滤波模板大小。
特征值比对，将两特征均值映射图像组中的第一特征均值映射图像进行特征值比对处理，得到第一特征权重图像，将两特征均值映射图像组中的第二特征均值映射图像进行特征值比对处理，得到第二特征权重图像，将两特征均值映射图像组中的第三特征均值映射图像进行特征值比对处理，得到第三特征权重图像。在本实施例中，将两叠加运算图像中先采集到的叠加运算图像对应的特征均值映射图像组作为基准，当次特征均值映射图像组中的第一特征权重图像的特征值大于另一特征均值映射图像组中的第一特征权重图像的特征值时，两者权重取1，若小于等于则权重取0，从而获得对应的第一特征权重图像；根据上述方法分别将两特征均值映射图像组中的第二特征均值映射图像以及第三特征均值映射图像进行上述处理分别得到第二特征权重图像和第三特征权重图像。
导向滤波处理，根据预设第一导向滤波模板对第一特征权重图像进行导向滤波处理，得到第一特征导向映射图像，根据预设第二导向滤波模板对第二特征权重图像进行导向滤波处理，得到第二特征导向映射图像，根据预设第三导向滤波模板对第三特征权重图像进行导向滤波处理，得到第三特征导向映射图像。本实施例中，预设导向滤波模板是根据模板的大小而设定，预设第一导向滤波模板为较大的导向滤波模板，预设第二导向滤波模板为中等的导向滤波模板，预设第三导向滤波模板为较小的导向滤波模板，三者大小关系为：预设第一导向滤波模板＞预设第二导向滤波模板＞预设第三导向滤波模板。在本步骤中使用公式(3)：
Figure BDA0002344034850000081
其中，p代表输入图像，q代表输出图像，I为引导图像，Wij(I)为由引导图像I来确定加权平均运算中所采用的权值，i是图像行序，j是图像列序，本实施例中引导图像I可以是单独的一幅图像，也可以是输入图像p本身。
生成权重图像，将第一特征导向映射图像、第二特征导向映射图像、第三特征导向映射图像中的各个像素点的像素值进行比较并选取最大像素值，得到权重图像。
生成景深叠加图像，根据权重图像的每个像素值、两张叠加运算图像的每个像素值生成景深叠加图像。具体为：在本实施例中，将权重图像的每个像素值与先采集的叠加运算图像的每个像素值依次相乘，得到先采集的叠加运算图像的叠加分量图像；将1减去权重图像的每个像素值的差值与两叠加运算图像中的后采集的图像的每个像素值依次相乘，得到后采集叠加运算图像的叠加分量图像，将两张叠加分量图像的像素值依次相加得到景深叠加图像的像素值，从而生成景深叠加图像。在本实施例中两张叠加运算图像为叠加运算图像或景深叠加图像，当叠加运算图像为景深叠加图像时，将此景深叠加图像作为先采集的叠加运算图像。在本实施例中，当图像序列中显微图像的像素尺寸超过预设处理阈值时，重构显微图像的像素尺寸。
本发明提供一种电子设备，包括：处理器；
存储器；以及程序，其中程序被存储在存储器中，并且被配置成由处理器执行，程序包括用于执行本申请的一种用于显微镜的多景深图像叠加方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于：计算机程序被处理器执行本申请的一种用于显微镜的多景深图像叠加方法。
本申请的一种用于显微镜的多景深图像叠加方法，包括获取图像序列，获取显微镜根据预设采集顺序采集到的不同高度载物平台上同一样本的若干张显微图像，得到含有若干张显微图像的图像序列；图像初筛选，根据预设采集顺序在图像序列中筛选出两张显微图像作为叠加运算图像，将图像序列作为已筛选图像序列；图像处理，将两张叠加运算图像进行景深叠加处理，得到景深叠加图像；图像判断，判断已筛选图像序列中是否含有显微图像，若是，执行步骤图像再筛选，若否，则将景深叠加图像作为多景深叠加结果图输出；图像再筛选，根据预设采集顺序在已筛选图像序列中剩余的显微图像中筛选一张显微图像，将显微图像作为非首次筛选图像，将非首次筛选图像和景深叠加图像均作为叠加运算图像，返回执行步骤图像处理。通过将不同的显微图像依次进行景深叠加处理，使整个图像叠加过程高效精准，减少了时间成本和人工成本。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (8)

1.一种用于显微镜的多景深图像叠加方法，其特征在于，包括以下步骤：
获取图像序列，获取显微镜根据预设采集顺序采集到的不同高度载物平台上同一样本的若干张显微图像，得到含有若干张显微图像的图像序列；
图像初筛选，根据所述预设采集顺序在所述图像序列中筛选出两张显微图像作为叠加运算图像，将所述图像序列作为已筛选图像序列；
图像处理，将两张所述叠加运算图像进行景深叠加处理，得到景深叠加图像；
图像判断，判断所述已筛选图像序列中是否含有显微图像，若是，执行步骤图像再筛选，若否，则将所述景深叠加图像作为多景深叠加结果图输出；
图像再筛选，根据预设采集顺序在所述已筛选图像序列中剩余的显微图像中筛选一张显微图像，将所述显微图像作为非首次筛选图像，将所述非首次筛选图像和所述景深叠加图像均作为叠加运算图像，返回执行步骤图像处理；
所述图像处理包括以下子步骤：
边缘特征提取处理，对两张所述叠加运算图像进行边缘特征提取处理，得到对应的特征点位置信息，根据所述特征点位置信息生成与张所述叠加运算图像对应的两张边缘特征映射图像；
均值滤波处理，根据预设滤波模板分别对两张所述边缘特征映射图像进行均值滤波处理，得到与两张所述边缘特征映射图像对应的两特征均值映射图像组，所述预设滤波模板包括预设第一滤波模板、预设第二滤波模板以及预设第三滤波模板，每个所述特征均值映射图像组包括第一特征均值映射图像、第二特征均值映射图像以及第三特征均值映射图像；
特征值比对，将两所述特征均值映射图像组中的第一特征均值映射图像进行特征值比对处理，得到第一特征权重图像，将两所述特征均值映射图像组中的第二特征均值映射图像进行特征值比对处理，得到第二特征权重图像，将两所述特征均值映射图像组中的第三特征均值映射图像进行特征值比对处理，得到第三特征权重图像；
导向滤波处理，根据预设第一导向滤波模板对所述第一特征权重图像进行导向滤波处理，得到第一特征导向映射图像，根据预设第二导向滤波模板对所述第二特征权重图像进行导向滤波处理，得到第二特征导向映射图像，根据预设第三导向滤波模板对所述第三特征权重图像进行导向滤波处理，得到第三特征导向映射图像；
生成权重图像，将所述第一特征导向映射图像、所述第二特征导向映射图像、所述第三特征导向映射图像中的各个像素点的像素值进行比较并选取最大像素值，得到权重图像；
生成景深叠加图像，根据所述权重图像的每个像素值、两张所述叠加运算图像的每个像素值生成景深叠加图像。
2.如权利要求1所述的一种用于显微镜的多景深图像叠加方法，其特征在于：所述边缘特征提取处理为检测所述叠加运算图像中有变化的边缘或者不连续的区域，得到对应的特征点位置信息，并根据所述特征点位置信息描述所述边缘或所述区域的二值图像，得到边缘特征映射图像。
3.如权利要求1所述的一种用于显微镜的多景深图像叠加方法，其特征在于：所述边缘特征提取处理之前还包括归一化处理，对两张所述叠加运算图像分别进行像素归一化处理。
4.如权利要求3所述的一种用于显微镜的多景深图像叠加方法，其特征在于：所述归一化处理为将两所述叠加运算图像的像素值从整数域映射到0与1区间的浮点数域。
5.如权利要求1所述的一种用于显微镜的多景深图像叠加方法，其特征在于：当所述图像序列中显微图像的像素尺寸超过预设处理阈值时，对所述显微图像进行预处理。
6.如权利要求5所述的一种用于显微镜的多景深图像叠加方法，其特征在于：所述预处理为重构所述显微图像的像素尺寸。
7.一种电子设备，其特征在于包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行权利要求1-6任意一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1-6任意一项所述的方法。
CN201911387695.2A 2019-12-30 2019-12-30 一种用于显微镜的多景深图像叠加方法、设备及介质 Active CN111242880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911387695.2A CN111242880B (zh) 2019-12-30 2019-12-30 一种用于显微镜的多景深图像叠加方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911387695.2A CN111242880B (zh) 2019-12-30 2019-12-30 一种用于显微镜的多景深图像叠加方法、设备及介质

Publications (2)

Publication Number Publication Date
CN111242880A CN111242880A (zh) 2020-06-05
CN111242880B true CN111242880B (zh) 2023-05-02

Family

ID=70871852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911387695.2A Active CN111242880B (zh) 2019-12-30 2019-12-30 一种用于显微镜的多景深图像叠加方法、设备及介质

Country Status (1)

Country Link
CN (1) CN111242880B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152132B (zh) * 2023-04-19 2023-08-04 山东仕达思医疗科技有限公司 一种显微镜图像的景深叠加方法、装置及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102465A (zh) * 2018-08-22 2018-12-28 周泽奇 一种显著性景深特征的内容敏感图像自动缩放的计算方法
CN109523480A (zh) * 2018-11-12 2019-03-26 上海海事大学 一种海雾图像的去雾方法、装置、计算机存储介质及终端

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5793888A (en) * 1994-11-14 1998-08-11 Massachusetts Institute Of Technology Machine learning apparatus and method for image searching
US8411910B2 (en) * 2008-04-17 2013-04-02 Biometricore, Inc. Computationally efficient feature extraction and matching iris recognition
CN101394487B (zh) * 2008-10-27 2011-09-14 华为技术有限公司 一种合成图像的方法与系统
CN102129676B (zh) * 2010-01-19 2013-05-29 中国科学院空间科学与应用研究中心 一种基于二维经验模态分解的显微图像融合方法
CN101930606A (zh) * 2010-05-14 2010-12-29 深圳市海量精密仪器设备有限公司 一种图像边缘检测的景深扩展方法
CN102609931B (zh) * 2012-02-01 2014-04-09 广州市明美光电技术有限公司 一种显微图像的景深扩展方法及装置
CN103308452B (zh) * 2013-05-27 2015-05-06 中国科学院自动化研究所 一种基于景深融合的光学投影断层成像图像获取方法
CN104463817A (zh) * 2013-09-12 2015-03-25 华为终端有限公司 一种图像处理方法及装置
CN103473542B (zh) * 2013-09-16 2017-01-11 清华大学 多线索融合的目标跟踪方法
CN103499879A (zh) * 2013-10-16 2014-01-08 北京航空航天大学 一种超景深显微图像获取方法
CN104200450B (zh) * 2014-08-25 2017-08-25 华南理工大学 一种红外热图像清晰度增强方法
CN106339998B (zh) * 2016-08-18 2019-11-15 南京理工大学 基于对比度金字塔变换的多聚焦图像融合方法
CN106327442A (zh) * 2016-08-22 2017-01-11 上海奥通激光技术有限公司 多光谱显微成像的景深扩展方法及系统
CN107610218B (zh) * 2017-08-25 2020-10-23 武汉工程大学 一种面向立体结构网点三维图像重建的层面数据获取方法
CN108550130A (zh) * 2018-04-23 2018-09-18 南京邮电大学 一种图像金字塔模型的多尺度透射图融合方法
CN109741322A (zh) * 2019-01-08 2019-05-10 南京蓝绿物联科技有限公司 一种基于机器学习的能见度测量方法
CN110390659B (zh) * 2019-08-01 2021-02-26 易普森智慧健康科技（深圳）有限公司 应用于明视野显微镜的全聚焦图像成像方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102465A (zh) * 2018-08-22 2018-12-28 周泽奇 一种显著性景深特征的内容敏感图像自动缩放的计算方法
CN109523480A (zh) * 2018-11-12 2019-03-26 上海海事大学 一种海雾图像的去雾方法、装置、计算机存储介质及终端

Also Published As

Publication number Publication date
CN111242880A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
JP5198476B2 (ja) 合焦位置を決定する方法及びビジョン検査システム
Toh et al. Automated fish counting using image processing
US20200349716A1 (en) Interactive image matting method, computer readable memory medium, and computer device
US20110317924A1 (en) Image processing apparatus, image processing method, and image processing program
CN112037185B (zh) 染色体分裂相图像筛选方法、装置及终端设备
CN109685142A (zh) 一种图像匹配方法及装置
CN111738045B (zh) 一种图像检测方法、装置、电子设备及存储介质
Kiruthika et al. Matching of different rice grains using digital image processing
CN114781514A (zh) 一种融合注意力机制的漂浮物目标检测方法及系统
CN111027343A (zh) 条形码区域定位方法和装置
US8873839B2 (en) Apparatus of learning recognition dictionary, and method of learning recognition dictionary
CN111462056B (zh) 工件表面缺陷检测方法、装置、设备及存储介质
CN111242880B (zh) 一种用于显微镜的多景深图像叠加方法、设备及介质
CN111062916B (zh) 显微图像的清晰度评价方法及装置
CN112991374A (zh) 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN107578001B (zh) 测试指纹采集设备的分辨率的方法及装置
CN105654108A (zh) 分类方法、检查方法和检查装置
CN109448012A (zh) 一种图像边缘检测方法及装置
JP2019164450A (ja) 画像処理方法、コンピュータプログラムおよび記録媒体
CN105719269B (zh) 一种目标物体确定方法及装置
Aravinth et al. Implementation of Blur Image to Sharp Image Conversion using Laplacian Approach
CN108010020B (zh) 一种硅片的滑道检测方法及装置
Barus et al. Macroscopic wood blurred image analysis to determine the factors of causing blur
WO2015089564A1 (en) Thickness estimation for microscopy
CN113688699B (zh) 一种目标对象的检测方法、装置、存储介质以及电子设备

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