CN111292256A - 一种基于显微高光谱成像的纹理增强算法 - Google Patents

一种基于显微高光谱成像的纹理增强算法 Download PDF

Info

Publication number
CN111292256A
CN111292256A CN202010035447.8A CN202010035447A CN111292256A CN 111292256 A CN111292256 A CN 111292256A CN 202010035447 A CN202010035447 A CN 202010035447A CN 111292256 A CN111292256 A CN 111292256A
Authority
CN
China
Prior art keywords
texture
image
frequency
gray level
band
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
Application number
CN202010035447.8A
Other languages
English (en)
Other versions
CN111292256B (zh
Inventor
张淼
冯迦炆
牛思聪
沈毅
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010035447.8A priority Critical patent/CN111292256B/zh
Publication of CN111292256A publication Critical patent/CN111292256A/zh
Application granted granted Critical
Publication of CN111292256B publication Critical patent/CN111292256B/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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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 using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种基于显微高光谱成像的纹理增强算法，解决了传统波段选择及图像融合方法对纹理特征针对性不强的问题。本发明的步骤为：一、计算每张光谱照片的灰度共生矩阵，得到所需要的纹理修正值；二、进行波段选择，按照各个修正值的侧重点对照片进行排序，选择所需数量的照片作为源图像；三、运用小波变换对所选照片进行分解和融合并评价图像质量，确保融合后的图像纹理特征好于任一张源图像。本发明的基本思想是从纹理特征出发，采用纹理修正值为波段选择提供依据，由此选出的源图像包含了丰富的纹理信息，对其进行波段图像融合时有利于纹理信息的保留和利用。本发明针对显微高光谱照片进行增强后纹理细节突出，非常有利于后续的医学诊断及实验分析。

Description

一种基于显微高光谱成像的纹理增强算法
技术领域
本专利涉及高光谱波段选择和融合领域的纹理增强方法。运用高光谱相机拍摄显微镜成 像的照片(或称图片)，经过波段选择后，将所选波段的照片融合成一张图片。经过波段选 择和融合后的光谱图片包含了丰富的纹理信息，有利于后续的医学诊断及实验分析。
背景技术
近年来，高光谱技术应用领域不断扩大。由于高光谱图像具有信息量大、能够识别目标 的光谱特征的优点，研究者将光谱学和医学、生物学等结合起来，使其在细胞研究领域有了 很大发展。因为不同细胞的纹理特征有一定差别，所以它可以用来区分细胞的种类，但是其 难点在于原图像的纹理特征不清晰。因此在进行分类前必须进行纹理增强。
一组高光谱图像可以包含几十甚至上百个波段，分辨率可以达到10纳米到20纳米。并 且相邻波段的数据相关度较高，造成信息冗余度大，部分波段会被噪声污染，在数据集中存 在许多非必要的数据。这给数据的存储和计算带来了不必要的麻烦。因此对高光谱图像进行 降维，即波段选择就显得尤为重要。
传统的高光谱波段选择方法，如k均值聚类法速度较慢，易受被噪声污染的波段的影响， 造成聚类中心偏移。改进的k中心值聚类法能够克服上述问题，但是选择的波段在纹理特征 上仍不尽如人意。
传统的特征提取方法，如主成分分析法(PCA)要对数据进行线性变换，破坏了光谱数 据的物理意义，而物理意义对于光谱图片来说又是非常重要的。因此不能用这种方法进行波 段选择。波段选择有以下原则：1)所选择的波段相关度应尽可能低。2)选择的波段包含了大 部分的纹理信息。3)保留光谱信息的物理意义。
纹理是物体的一种基本属性。不同物质由于分子结构、表面粗糙度等不同，对不同波长 的光的吸收率是不同的，因此不同物质的光谱特性不同，在图像中表现出不同的纹理特征。 基于此我们可以对图像内容进行分类。对图像进行纹理增强可以提高分类准确率。灰度共生 矩阵是获得图像纹理特征的重要方法。利用它计算得到的纹理修正值为波段选择提供了依据。 小波变换经常被用于图像的分解与融合过程中。选择合适的小波基和小波分解层数就能将多 张波段的图像很好的融合成一张多尺度图像，而不会损失图像的信息。
通常情况下这是一个顺序的过程，先进行波段选择然后进行波段融合最后进行纹理增强。 本专利从纹理特征出发，达到纹理增强的结果，具有更强的针对性，优化波段选择的步骤， 将纹理增强和波段选择紧密的结合在一起。
发明内容
本专利的目的为通过波段选择和波段融合算法增强图像的纹理。使用高光谱相机拍摄一 定范围波长的图片，每张图片有几十万个像素点，而每个像素点或每张图片又对应几十甚至 几百个波段。从所有的图片中选出其中几个波段的图片进行融合。与原始图像相比，经过处 理后的图像占用空间更小，显示更清晰，能够提高分类的准确率。
本专利的目的是通过以下的技术方案实现的：首先对拍摄的每一个波段的照片进行纹理 分析。由于显微镜成像的特点是中间的圆形区域，因此可以用掩膜技术提取感兴趣的位置来 进行纹理分析。运用灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)来描述纹理结 构性质，像元距离为1个像元，选择四个方向0°、45°、90°、135°(或0°、-45°、-90°、 -135°)，生成四个GLCM矩阵。一般采用如下修正值作为提取纹理的指标：基于掩膜的相 关性、方差、对比度和能量，改进的熵值和同质性。计算四个方向的纹理修正值，计算四个 方向的同一纹理修正值的均值。根据得到的纹理特征去除掉受噪声污染严重和纹理特征不明 显的波段。将剩余的波段进行波段融合。波段融合的目的是尽可能的保留源图像信息，丰富 图像的细节信息并提高图像的清晰度，增强图像的边缘、纹理等特征。利用多幅图像之间包 含的差异互补信息，将这些信息融合到一张图像上，有利于提高图像内容的分类精度。一般 波段融合采用小波变换的方法。小波变换具有精确重构能力、多分辨率分析且小波分解过程 与人类视觉分层次理解方式相近，所以在图像融合领域得到了非常广泛的应用。
本专利涉及到的实验设备有显微镜、高光谱采集系统和计算机。本发明的流程图如图1 所示。每个步骤具体如下：
步骤一：设置波段及分辨率，拍摄高光谱照片，并进行基于侧重点分析的纹理修正值计 算。具体步骤如下：
步骤1-1：使用高光谱采集系统在一定波长范围内，每间隔一定波长拍摄一张照片，并将 其存储在计算机中。
步骤1-2：将照片进行灰度处理，灰度共生矩阵的计算量为灰度级L的平方*行数M*列 数N，因此需要削减图片的灰度级，灰度级的设置需要综合考虑其对纹理特征的影响；选择 灰度级数后，为了避免灰度值集中造成图片难以分辨，需要先对图片进行直方图均衡化处理， 提高对比度；建立灰度共生矩阵，其中位于(i,j)的元素代表：相距为1，灰度为i而另一灰度 为j的像元对出现的次数P(i,j)，归一化后为像元对出现的概率p(i,j)，即
p(i,j)＝P(i,j)/R
其中R为像素对的数量，则得到了灰度共生矩阵，由此计算纹理修正值并进行纹理侧重 点分析。
步骤1-3：将所有的波段图像进行掩膜处理，选择其中的基于掩膜的能量和对比度，改进 的熵值和同质性作为纹理修正值(但不限于这些值)，计算每个纹理修正值。计算方法如下：
能量E：反映了局部图像的均匀性和纹理粗糙程度。E值大则代表图像灰度分布不均， 纹理变化规则，其值为灰度共生矩阵的所有元素的平方。
Figure BDA0002365689500000031
对比度CON：反映了像元间灰度的差值。该值越大代表图像对比度越强，纹理较明显。
Figure BDA0002365689500000032
熵ENT：反映了图像信息量的大小。纹理信息也属于图像信息，熵值越大代表图像的信 息量越大，纹理越复杂，灰度共生矩阵的值越分散；由于光谱图像相邻波段的信息冗余度较 大，因此采用熵变来衡量图像熵的大小，其中ENT0为选定的标准熵。
Figure BDA0002365689500000033
ΔENT＝|ENT0-ENT|
同质性H：反映图像纹理的局部变化程度。H值越大代表纹理的不同区间均匀，缺少变 化。H值越小代表纹理越丰富。
Figure BDA0002365689500000034
分别取四个方向0°、45°、90°、135°(或0°、-45°、-90°、-135°)计算四个灰 度共生矩阵。计算每个纹理的修正值。对每一个纹理特征在四个方向上的修正值取平均作为 得到的修正值。
步骤1-4：分别将所有图片的4个修正值拼成4个列向量Vi，i＝1,2,3,4。将这4个向量进行 标准化，避免数据差距过大在分析中造成影响。方法如下：
Figure BDA0002365689500000035
Figure BDA0002365689500000036
Figure BDA0002365689500000037
μ为4个向量的均值，σ2为4个向量的方差，Vi′为标准化后的向量。标准化后得到最终的纹理 修正值，侧重度按从小到大的顺序排列。
步骤二：进行自动波段选择。首先根据波段的数量和图片的特点，设置期望的波段数量。 利用第一步得到的结果进行波段选择，通过设计的终止条件自动停止波段选择过程。
步骤2-1：所有波段的集合设为C，选择波段集合设为U，不选择波段集合设为S。根据 总的波段数量按照一定比例确定波段选择的数量；选出的波段照片不仅要包含的纹理信息丰 富，还要求相关性少冗余度小，这为后续的纹理增强奠定了基础。
步骤2-2：根据步骤一得到的各个纹理修正值的侧重，将所有波段的4个纹理修正值按从 大到小进行排序；取期望数量的波段图片加入集合U，因为这些波段信息量大，纹理明显， 对特征提取作用较大，当取到期望数量的波段数时停止。
步骤2-3：对选择出的照片两两之间计算互信息I(F1,F2)，互信息是度量两张图片相似度 的一种表达方式，它的值越大代表两张图片的相似性越高。计算方法如下：
Figure BDA0002365689500000041
Figure BDA0002365689500000042
Figure BDA0002365689500000043
设置互信息的阈值，当任两张图之间的互信息值高于阈值则剔除掉其中一张图，重复步 骤2-2，当选择的照片满足互信息值时停止迭代。集合U中就是源图像。
步骤三：对选择的波段图像运用合适的小波基进行小波变换分解和融合。具体步骤如下：
步骤3-1：将集合U中波段的照片通过小波变换的方法融合成为一张清晰可识别的照片， 由于高光谱照片的成像条件都是相同的，所以在融合前不需要进行配准，而且照片之间的配 准精度很高通常在1像素之内，因此可以采用像素级的融合，像素级融合的优点是拥有更多 的细节信息，从而具备更高的可识别性；小波变换是一种基于多尺度分析的图像融合方法， 相比空间域算法清晰度更高细节特征更明显，选择合适的小波基，分别将选择出来的波段照 片Fn进行N层离散小波分解。小波基的选择和分解的层数根据照片的特点而有所不同。一般 的原则是分解层数和滤波器的次数尽量相同，分解后每张照片得到1个低频分量和3N个高 频分量。
Figure BDA0002365689500000044
Figure BDA0002365689500000051
代表第n张照片在第N层分解中的低频分量，
Figure BDA0002365689500000052
表示第n张照片在第i层分解中的 不同方向的高频分量，j＝1,2,3代表水平、垂直和对角线方向。
步骤3-2：分解完成后，使用低频融合规则对所有照片的第N层低频分量小波系数进行 融合，使用高频融合规则对所有照片的第N层高频分量的小波系数按三个方向分别进行融合， 依次递减，直到第1层，最终得到1张低频近似图像和3N张高频细节图像，它们共同构成 多尺度图像F′；将多尺度图像F′用相同的小波基进行离散小波逆变换，得到融合图像，这里 采取低频系数加权平均，高频系数方差取大的融合规则进行小波变换图像融合。
低频系数加权平均：将分解后的低频分量系数分别赋予适当的加权系数，假设得到的融 合图像为F，该融合规则的实现如下：
Figure BDA0002365689500000053
Figure BDA0002365689500000054
表示第n张照片在像素b处的低频分量小波系数。
Figure BDA0002365689500000055
表示融合后的图像在像素 b处的低频分量小波系数。ai为权值，0≤ai≤1。
区域方差取大：
Figure BDA0002365689500000056
表示高频系数矩阵中大小为m×n的区域的方差，其中j＝1,2,3 表示水平、垂直和对角线三个方向的高频分量，n为照片编号，N为层数。区域方差的计算 公式如下：
Figure BDA0002365689500000057
Figure BDA0002365689500000058
为在区域m*n的高频小波系数，
Figure BDA0002365689500000059
为在区域m*n的高频小波系数的均 值。取该区域中方差计算值最大的高频分量作为融合后的高频分量，将得到的低频分量和三 个方向的高频分量运用相同的小波基进行逆变换，融合成一张图片。
本发明与现有技术相比具有如下优点：
本专利从纹理特征出发指导波段的选择，将选择出来的波段进行融合达到纹理增强的目 的。首先建立灰度共生矩阵，计算纹理修正值，根据纹理修正值的特点选择符合条件的波段， 将所选波段运用小波变换进行融合，融合后图片纹理较原始图片有明显的增强，解决了显微 光谱中纹理模糊的缺点。
目前存在的一些基于波段选择和波段融合的纹理增强算法都是从波段选择出发，进行波 段融合，再计算纹理特征值，然后验证是否符合要求，如果不符合要对波段进行重新选择。 多数情况下都需要对波段进行多次选择，才能最终满足要求。从纹理特征的角度出发选择波 段其优点在于：纹理特征包含了图像的绝大部分信息，选出的波段纹理较强，这为波段选择 提供了依据，大大提高了一次波段选择就可以满足要求的概率，整个流程紧凑，提高了波段 选择的精度。
附图说明
图1为本发明方法的流程图。
图2为实施例显微高光谱成像系统的实物图。
图3为7号波段的拍摄照片。
图4为21号波段的拍摄照片。
图5为35号波段的拍摄照片。
图6为48号波段的拍摄照片。
图7为经过融合后的图像。
具体实施方式
下面用高速光谱采集系统和光学显微镜组成的系统阐述本发明的具体实施方式：
显微高光谱采集系统如图2所示。相机和显微镜的目镜由专门的零件连接在一起。显微 镜放大倍数为40倍。调节好相机的焦距和光圈使成像清晰。拍摄的照片为花粉玻片。
执行步骤一：设置光谱采集系统采集波长在420纳米-730纳米范围内的光谱图像，分辨 率为5纳米。一个周期拍摄64张图片，编号1-64，照片分辨率为640像素*480像素。
将照片进行灰度处理。综合考虑计算量和纹理特征选择灰度级L为16，则灰度共生矩阵 的大小为16*16。选择灰度级数后，为了避免灰度值集中造成图片难以分辨，需要先对图片 进行直方图均衡化处理，提高对比度。建立灰度共生矩阵，其中位于像素坐标(i,j)的元素代 表：相距为1，灰度为i而另一灰度为j的像元对出现的次数P(i,j)，归一化后为像元对出现 的概率p(i,j)，即
p(i,j)＝P(i,j)/R
其中R为像素对的数量。则得到了灰度共生矩阵，选择基于掩膜的能量和相关度，改进 的熵值和同质性作为纹理修正值，代入公式计算，对每一个纹理特征在四个方向上的修正值 取平均作为得到的修正值。将得到的特征值进行标准化，进行排序然后侧重点分析。
执行步骤二：一共有64张图片，按照1:15的比例，期望选出4张源图像。根据得到的各个纹理修正值的侧重点，其中标准熵取32号波段的熵值为标准熵，将所有波段的4个纹理修正值按从大到小进行排序。选择出较大的4个波段并计算它们的互信息。
由此选择出4张纹理较清晰的波段图像。它们是7号、21号、35号和48号波段。其图像如图3至图6所示。计算它们的灰度共生矩阵，各个纹理修正值如表1至表4所示。
表1 7号波段的纹理修正值及其平均值
方向 能量 熵 对比度 同质性
0 0.099141 3.195566 0.570231 0.815608
45 0.092286 3.342306 0.865487 0.778378
90 0.099351 3.181762 0.545275 0.819388
135 0.092376 3.343136 0.850406 0.775356
平均值 0.095789 3.265693 0.707850 0.797183
表2 21号波段的纹理修正值及其平均值
方向 能量 熵 对比度 同质性
0 0.112168 2.973647 0.322791 0.868410
45 0.104987 3.130095 0.492280 0.827171
90 0.112586 2.963186 0.306903 0.871933
135 0.105037 3.117866 0.471284 0.828148
平均值 0.108695 3.046199 0.398315 0.848916
表3 35号波段的纹理修正值及其平均值
方向 能量 熵 对比度 同质性
0 0.132471 2.732818 0.476180 0.879455
45 0.124129 2.876145 0.733212 0.842833
90 0.132423 2.724763 0.437906 0.882184
135 0.124832 2.858417 0.680526 0.846658
平均值 0.128464 2.798036 0.581956 0.862783
表4 48号波段的纹理修正值及其平均值
方向 能量 熵 对比度 同质性
0 0.11164 2.959318 0.298968 0.877863
45 0.103884 3.103338 0.451055 0.843043
90 0.110934 2.958883 0.291492 0.878391
135 0.104425 3.090837 0.429770 0.845103
平均值 0.107721 3.028094 0.367821 0.861100
相邻波段的互信息值一般较大，互信息的阈值以26号波段自身的互信息值为标准，其值 为1.6066。取标准值的40％，约为0.7作为互信息的阈值。当两张图片的互信息值低于0.7 时，我们认为这两个波段图片相关度不高，信息冗余度小。
表5任两张图的互信息值
序号 7 21 35 48
7 - 0.3989 0.3820 0.3836
21 - - 0.5206 0.4978
35 - - - 0.6504
48 - - - -
执行步骤三：将四张图片用bior2.4小波基进行分解。其中Nr＝2和Nd＝4是有关重构和 分解的滤波器参数。然后按照低频加权平均，高频区域方差取大的原则进行融合。使用相同 的小波基进行融合。融合后的图像如图7所示。计算其灰度共生矩阵，并计算纹理修正值， 如表6所示。
表6融合后的图片纹理修正值及其平均值
方向 能量 熵 对比度 同质性
0 0.106807 3.101746 0.459789 0.837759
45 0.099401 3.249415 0.686525 0.798460
90 0.106362 3.096729 0.448817 0.841086
135 0.099618 3.231308 0.642206 0.802008
平均值 0.103047 3.169800 0.559334 0.819828
下面对融合后的图像进行评价。评价分为主观评价和客观评价，主观评价是基于人眼的 视觉效果来做出判断，包括对比度、清晰度、亮度等指标。客观评价要对图像的一些指标进 行量化处理。包括信息熵、空间频率、平均梯度和清晰度等。这些数值能够分辨出融合图像 细微的差别，具有更好的参考意义。其中熵前面已经计算过了。
空间频率：空间频率(SF)方法用来表征一张图像的整体活跃程度，SF值越大，则图像 越清晰。令图像行频率为RF，图像列频率为CF，计算公式如下：
Figure BDA0002365689500000081
Figure BDA0002365689500000082
Figure BDA0002365689500000083
平均梯度：图像的微小差异和纹理变化规律能够通过平均梯度(AG)反映出来，因此它 可被用于评价图像的层次感。图像的细节特征越明显则图像的平均梯度越大，图像的层次感 越强，图像清晰度越高。平均梯度的计算公式如下：
ΔFx(m,n)＝F(m+1,n)-F(m,n)
ΔFy(m,n)＝F(m,n+1)-F(m,n)
Figure BDA0002365689500000084
其中，ΔFx(x,y)表示中心像元与水平方向像元的灰度差，ΔFy(x,y)表示中心像元与垂 直方向像元的灰度差。
清晰度G：衡量图像相邻像素灰度的差异。其值越高差异越大，图像在观感上越清晰， 纹理也更明显。
Figure BDA0002365689500000085
从主观角度看，融合后的图片更为清晰，纹理特征较明显。下面从客观角度评价融合后 的图片。分别计算四张单波段图像和融合后的图像的空间频率、平均梯度和清晰度。并进行 对比。如表7所示。
表7融合前后图片的空间频率和平均梯度
信息熵 空间频率 平均梯度 清晰度
融合前平均值 3.034506 3.537250 1.098175 0.904275
融合后 3.169800 3.853000 1.421600 1.169000
从表7数据可以看到，融合后的图像信息熵、空间频率、平均梯度和清晰度均有提高。 由于显微成像的特点，即一张照片只有中间的圆形区域是有效的，因此由上表可以得到结论： 融合后的图片纹理特征明显增强，本专利针对显微高光谱图像达到了增强纹理的目的。

Claims (4)

1.一种基于显微高光谱成像的纹理增强算法，其特征在于它包含以下步骤：
步骤一：设置波段及分辨率，拍摄高光谱照片，并将照片进行灰度处理，设置灰度值，分别取四个方向0°、45°、90°、135°(或0°、-45°、-90°、-135°)计算灰度共生矩阵，然后计算纹理修正值，最后进行侧重点分析；
步骤二：进行自动波段选择，根据波段的数量和图片的特点，设置期望的波段数量，利用第一步得到的结果进行波段选择，通过设计的终止条件自动停止波段选择过程；
步骤三：选择合适的小波基，分别将选择出来的波段照片进行N层离散小波分解，按一定的融合规则分别将低频和高频分量融合成为一张图像，并对融合后的图像进行评价。
2.根据权利要求1所述的基于显微高光谱成像的纹理增强算法，其特征在于所述的步骤一具体包括：
步骤1-1：使用光谱采集系统在一定波长范围内，每间隔一定波长拍摄一张照片；将照片进行灰度处理，灰度级的设置需要综合考虑其对纹理特征的影响和计算量的大小；选择灰度级数后，需要先对图片进行直方图均衡化处理，提高对比度，建立灰度共生矩阵；
p(i,j)＝P(i,j)/R
其中位于(i,j)的元素代表：相距为1，灰度为i而另一灰度为j的像元对出现的次数P(i,j)，归一化后为像元对出现的概率p(i,j)，R为像素对的数量；
步骤1-2：由此计算纹理修正值包括但不限于基于掩膜的能量和对比度、改进熵和同质性，设置标准熵，在灰度共生矩阵中，计算每个方向的纹理修正值，对每一个纹理特征在四个方向上的修正值取平均作为最终的值；
步骤1-3：分别将所有图片的修正值拼成n个列向量Vi，将每个向量进行标准化；标准化后得到最终的纹理修正值，侧重度按从小到大的顺序排列，标准化方法如下：
Figure FDA0002365689490000011
Figure FDA0002365689490000012
Figure FDA0002365689490000013
μ为4个向量的均值，σ2为4个向量的方差，Vi′为标准化后的向量。
3.根据权利要求1所述的基于显微高光谱成像的纹理增强算法，其特征在于所述的步骤二具体包括：
步骤2-1：所有波段的集合设为C，选择波段集合设为U，不选择波段集合设为S，根据总的波段数量按照一定比例确定波段选择的数量；
步骤2-2：根据得到的各个纹理修正值的侧重，将所有波段的纹理修正值按从大到小进行排序，取期望数量的波段图片加入集合U，当取到期望数量的波段数时停止；
步骤2-3：所选图片两两之间计算互信息I(F1,F2)，设置互信息的阈值；互信息计算方法如下：
Figure FDA0002365689490000021
Figure FDA0002365689490000022
Figure FDA0002365689490000023
当任两张图之间的互信息值高于阈值则剔除掉其中一张图，重复步骤2-2，当选择的照片满足互信息值时停止迭代，集合U中就是源图像。
4.根据权利要求1所述的基于显微高光谱成像的纹理增强算法，其特征在于所述的步骤三具体包括：
步骤3-1：选择合适的小波基，分别将选择出来的波段照片进行N层离散小波分解，分解后每张照片得到1个低频分量和分别为水平、垂直和对角线方向的3N个高频分量；
步骤3-2：使用低频融合规则对所选照片的第N层低频分量小波系数进行融合，使用高频融合规则对所选照片的第N层高频分量的小波系数按三个方向分别进行融合，依次递减，直到第1层，最终得到1张低频近似图像和3N张高频细节图像，低频规则如下：
Figure FDA0002365689490000024
Figure FDA0002365689490000025
表示第n张照片在像素b处的低频分量小波系数，
Figure FDA0002365689490000026
表示融合后的图像在像素b处的低频分量小波系数，ai为权值，0≤ai≤1，高频规则如下：
Figure FDA0002365689490000027
Figure FDA0002365689490000028
为在区域m*n的高频小波系数，
Figure FDA0002365689490000029
为在区域m*n的高频小波系数的均值，j＝1,2,3表示水平、垂直和对角线三个方向的高频分量；用相同的小波基按照低频系数加权平均，高频系数方差取大的融合规则进行离散小波逆变换，得到融合图像；
步骤3-3：对融合后的图像进行评价，对图像的信息熵、空间频率、平均梯度和清晰度等进行量化计算，若这四个值均有提高则证明融合后的图像纹理确实有了增强。
CN202010035447.8A 2020-01-14 2020-01-14 一种基于显微高光谱成像的纹理增强算法 Active CN111292256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010035447.8A CN111292256B (zh) 2020-01-14 2020-01-14 一种基于显微高光谱成像的纹理增强算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010035447.8A CN111292256B (zh) 2020-01-14 2020-01-14 一种基于显微高光谱成像的纹理增强算法

Publications (2)

Publication Number Publication Date
CN111292256A true CN111292256A (zh) 2020-06-16
CN111292256B CN111292256B (zh) 2023-06-06

Family

ID=71026406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010035447.8A Active CN111292256B (zh) 2020-01-14 2020-01-14 一种基于显微高光谱成像的纹理增强算法

Country Status (1)

Country Link
CN (1) CN111292256B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884689A (zh) * 2021-02-25 2021-06-01 景德镇陶瓷大学 强反射表面图像高光去除方法
CN113989143A (zh) * 2021-10-26 2022-01-28 中国海洋大学 一种基于推扫式水下高光谱原始图像的高精度快速检焦方法
CN116935384A (zh) * 2023-09-18 2023-10-24 上海大学 一种细胞异常样本智能化检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697231A (zh) * 2009-10-29 2010-04-21 西北工业大学 一种基于小波变换和多通道pcnn的高光谱图像融合方法
US20140064554A1 (en) * 2011-11-14 2014-03-06 San Diego State University Research Foundation Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697231A (zh) * 2009-10-29 2010-04-21 西北工业大学 一种基于小波变换和多通道pcnn的高光谱图像融合方法
US20140064554A1 (en) * 2011-11-14 2014-03-06 San Diego State University Research Foundation Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋冬梅等: "基于子空间-粗集法的高光谱数据光谱与纹理特征优选", 《遥感技术与应用》 *
张筱晗等: "结合局部能量与边缘信息的高光谱图像融合方法", 《舰船电子工程》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884689A (zh) * 2021-02-25 2021-06-01 景德镇陶瓷大学 强反射表面图像高光去除方法
CN112884689B (zh) * 2021-02-25 2023-11-17 景德镇陶瓷大学 强反射表面图像高光去除方法
CN113989143A (zh) * 2021-10-26 2022-01-28 中国海洋大学 一种基于推扫式水下高光谱原始图像的高精度快速检焦方法
CN113989143B (zh) * 2021-10-26 2024-04-26 中国海洋大学 一种基于推扫式水下高光谱原始图像的高精度快速检焦方法
CN116935384A (zh) * 2023-09-18 2023-10-24 上海大学 一种细胞异常样本智能化检测方法
CN116935384B (zh) * 2023-09-18 2023-12-08 上海大学 一种细胞异常样本智能化检测方法

Also Published As

Publication number Publication date
CN111292256B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN109325550B (zh) 基于图像熵的无参考图像质量评价方法
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN108830818B (zh) 一种快速多聚焦图像融合方法
CN111292256B (zh) 一种基于显微高光谱成像的纹理增强算法
CN108053396B (zh) 一种多失真图像质量的无参考评价方法
CN110826467B (zh) 一种电子显微镜图像重建系统及其方法
CN110021019B (zh) 一种aga临床图像的ai辅助毛发的粗细分布分析方法
CN111127316A (zh) 一种基于sngan网络的单幅人脸图像超分辨方法及系统
CN112348059A (zh) 基于深度学习的多种染色病理图像分类方法及系统
CN109190571B (zh) 一种放牧绵羊采食典型植物种类的检测识别方法及其装置
Li et al. A novel hyperspectral imaging and modeling method for the component identification of woven fabrics
CN112330613A (zh) 一种细胞病理数字图像质量的评价方法及系统
WO2004046994A1 (en) Histological assessment of nuclear pleomorphism
Gupta et al. Analysis of image enhancement techniques for astrocytoma MRI images
CN117409407A (zh) 一种多层次感知注意力机制的细胞微核分类方法
Guo et al. Pathological detection of micro and fuzzy gastric cancer cells based on deep learning
Karthik et al. SVM and CNN based skin tumour classification using WLS smoothing filter
Najjar et al. Histogram features extraction for edge detection approach
Bai et al. A convolutional neural network combined with color deconvolution for mitosis detection
Quintana et al. Blur-specific no-reference image quality assesment for microscopic hyperspectral image focus quantification
Quintana-Quintana et al. Blur-specific image quality assessment of microscopic hyperspectral images
Gill Detection of diseased section in leaves using image processing
Suganyadevi et al. A Robust Image-Driven CNN Algorithm to Detect Skin Disease in Healthcare Systems
CN114757892B (zh) 基于人工智能的透视材料缺陷检测方法与系统
Quintana et al. Blur-specific image quality assessment of microscopic hyperspectral 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
GR01 Patent grant
GR01 Patent grant