CN111738928A - 一种基于概率优化和神经网络的内窥镜去雾方法及装置 - Google Patents
一种基于概率优化和神经网络的内窥镜去雾方法及装置 Download PDFInfo
- Publication number
- CN111738928A CN111738928A CN202010370770.0A CN202010370770A CN111738928A CN 111738928 A CN111738928 A CN 111738928A CN 202010370770 A CN202010370770 A CN 202010370770A CN 111738928 A CN111738928 A CN 111738928A
- Authority
- CN
- China
- Prior art keywords
- image
- defogging
- channel
- endoscope
- neural network
- 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 32
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000003313 weakening effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 5
- 239000003595 mist Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002674 endoscopic surgery Methods 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 238000012978 minimally invasive surgical procedure Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Closed-Circuit Television Systems (AREA)
- Endoscopes (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于概率优化和神经网络的内窥镜去雾方法及装置,包括以下步骤:采集内窥镜摄像头视野图像数据;转换图像的色彩空间为YCbCr图像;根据YCbCr图像中Y通道图像的亮光点估算环境光值A;建立并优化时空概率代价函数,计算暗通道图D(x)优化的最优参数w和b;利用训练好的卷积神经网络估算透射图T的最优参数ω;根据计算与估算的各项最优参数,采用改进暗通道先验的方法,完成Y通道图像雾气去除;将完成图像雾气去除的Y通道,混合Cb、Cr通道,形成最终图像。本发明与现有技术相比具有更快的运算速度,对视频序列的时空连续性有了更好的优化,对参数有更好的估计方式,从而使得去雾后的图像质量更高,偏色问题更小。
Description
技术领域
本发明属于手术内窥镜雾气去除技术领域,具体涉及一种基于概率优化和神经网络的内窥镜去雾方法及装置。
背景技术
在医疗行业中,超高清电子医用内窥镜(endoscopy)是现代微创化外科手术必须的医疗器械。但在内窥镜手术环境中,由于人体与内窥镜内部温度的差异,内窥镜镜头上会产生明显的雾气,影响手术视野,导致手术不够准确。
在对单幅图片进行去雾的研究方面,暗通道先验法(DCP)是较为成熟有效的方案。虽然单幅图片DCP传统算法在处理单幅图像时具有一定的效果,但在处理视频连续图像时存在不能保持时间和空间连续一致性的问题,同时计算复杂度较高,不适合超高清医用内窥镜的应用场景,对部分参数的估计方法在超高清医用内窥镜场景下也不奏效。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于概率优化和神经网络的内窥镜去雾方法及装置。
为实现上述技术目的,本发明采取的技术方案为:
一种基于概率优化和神经网络的内窥镜去雾方法,其特征在于,包括如下步骤:
步骤S1:采集内窥镜摄像头视野图像数据;
步骤S2:转换图像色彩空间为YCbCr图像;
步骤S3:根据YCbCr图像中Y通道图像的亮光点估算环境光值A;
步骤S4:根据相邻帧图像,建立并优化时空概率代价函数,计算暗通道图D(x)优化的最优线性变换参数w和b;
步骤S5:利用训练好的卷积神经网络估算最优去雾程度参数ω;
步骤S6:根据计算与估算的各项最优参数,采用改进暗通道先验的方法,完成Y通道图像雾气去除;
步骤S7:将完成图像雾气去除的Y通道,混合Cb、Cr通道,形成最终图像。
为优化上述技术方案,采取的具体措施还包括:
进一步地,步骤3中,将Y通道图作降采样以及大尺度最小值滤波削弱亮点,选取最亮的0.2%~0.1%区间的灰度平均值作为参考值,结合遗忘率r估计环境光值A,使图像平滑过渡;
Anew=rAold+(1-r)Anow,r∈[0,1]
其中:Anew表示最终应用的环境光值,Anow表示该帧估计出的环境光值,Aold表示前一帧的环境光值。
进一步地,步骤4具体为:
建立时空概率代价函数:
其中:t表示视频时间点,w和b是用于透射图T优化的线性变换参数,k为常数;x是像素点,τ表示一定的时间邻域,Z是时间邻域权重配分函数,y表示一定的空间邻域;D为暗通道图,I为Y通道原图;
通过最大似然估计算法求解该代价函数,得到最优参数w与b,如图3所示。
进一步地,步骤5具体为:
预先搭建一任务为回归的浅层卷积神经网络,使用大量标注了最佳去雾程度参数ω值的内窥镜雾气图像的Y通道图进行训练得到合适模型;
将当前Y通道图缩小后带入该模型,计算获得透射图T的最优去雾程度参数ω值,如图4所示。
进一步地,步骤6具体为:将暗通道图按雾气浓度进行加权:
计算透射图:
使用暗通道先验公式来计算去雾后的图像:
式中,A为环境光,t0为阈值,T为透射图,I为原图,J为去雾后图像。
一种基于概率优化和神经网络的内窥镜去雾装置,包括:
数据采集模块,用于获取内窥镜摄像头图像数据;
色彩空间转换模块,借助简单的线性变化转换色彩空间到YCbCr;
环境光值估计模块,用于估计当前合适的环境光值;
暗通道图优化模块,用于解最大似然估计结果,获得最优参数,优化暗通道图;
卷积神经网络调用模块,用于利用卷积神经网络获取合适的ω值;
改进暗通道先验去雾模块,用于解改进暗通道先验去雾方程,获得去雾后的图像;
色彩混合模块,用于混合Y、Cb、Cr通道图像,获得最终结果图像。
进一步地,色彩空间转换模块、暗通道图精细化模块、改进暗通道先验去雾模块、色彩混合模块均采用并行化计算技术进行加速。
本发明的有益效果:
本发明与现有技术相比具有更快的运算速度,对视频序列的时空连续性有了更好的优化,对参数有更好的估计方式,从而使得去雾后的图像质量更高,偏色问题更小。
附图说明
图1是本发明的流程示意图;
图2是本发明方法去雾的效果图;
图3是暗通道图优化与未优化的对比图;
图4是采用的卷积神经网络图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
如图1所示,本发明为一种基于概率优化和神经网络的内窥镜去雾方法,包括如下步骤:
步骤S1:采集内窥镜摄像头视野图像数据;
步骤S2:转换图像色彩空间为YCbCr图像;
具体为:利用线性变换将采集到的RGB图像转换为YCbCr图像。后续仅处理Y通道图像,减少了约三分之二的计算复杂度,同时保留原始的色通道图像能减少偏色问题,
步骤S3:根据YCbCr图像中Y通道图像的亮光点估算环境光值A;
具体为:肉体组织的湿润部分在探照顶灯的作用下,会形成许多小的亮点。鉴于亮点数量少且分布分散,视野内人体组织颜色相对均一的先验知识,首先将Y通道图作降采样以及大尺度最小值滤波削弱亮点,然后取最亮的0.2%~0.1%区间的灰度平均值作为当前A的估计。这种方法估计出来的A值更加准确。
为了使A值平滑过渡,引入遗忘因子r(r∈[0,1]),利用公式计算当前最终采用的A值,
Anew=rAold+(1-r)Anow。
步骤S4:根据相邻帧图像,建立并优化时空概率代价函数,计算暗通道图D(x)优化的最优线性变换参数w和b;
具体为:建立时空概率代价函数:
式中,t表示视频时间点,w和b是用于透射图T优化的线性变换参数,k为常数;x是像素点,τ表示一定的时间邻域,Z是时间邻域权重配分函数,y表示一定的空间邻域;D为暗通道图,I为Y通道原图;
通过最大似然估计算法求解该代价函数,得到最优参数w与b,如图3所示。
步骤S5:利用训练好的卷积神经网络估算最优去雾程度参数ω;
具体为:预先搭建一任务为回归的浅层卷积神经网络,使用大量标注了最佳去雾程度参数ω值的内窥镜雾气图像的Y通道图进行训练得到合适模型;
将当前Y通道图缩小后带入该模型,计算获得透射图T的最优去雾程度参数ω值,如图4所示。
步骤S6:根据计算与估算的各项最优参数,采用改进暗通道先验的方法,完成Y通道图像雾气去除;
具体为:将暗通道图按雾气浓度进行加权;
jdark(x)=Idark(x)·(1.0-Idark(x)+base)
计算透射图:
使用暗通道先验公式计算去雾后的图像:
式中,A为环境光,t0为阈值,T为透射图,I为原图,J为去雾后图像。
步骤S7:将完成图像雾气去除的Y通道,混合Cb、Cr通道,形成最终图像。
本实施例还提供了一种基于概率优化和神经网络的内窥镜去雾装置,包括:
数据采集模块,用于获取内窥镜摄像头图像数据;
色彩空间转换模块,借助简单的线性变化转换色彩空间到YCbCr;
环境光值估计模块,用于估计当前合适的环境光值;
透射图精细化模块,用于解最大似然估计结果,获得最优参数,优化透射图;
卷积神经网络调用模块,用于利用卷积神经网络获取合适的ω值;
暗通道先验去雾模块,用于解暗通道先验去雾方程,获得去雾后的图像;
色彩混合模块,用于混合Y、Cb、Cr通道,获得结果图像。
进一步的,色彩空间转换模块、透射图精细化模块、暗通道先验去雾模块、色彩混合模块均采用并行化计算技术进行加速。
如图2所示为本发明方法下图片的处理流程,由图中清晰可见,通过本方法进行Y通道去雾处理后,图片质量更高,偏色问题更小。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于概率优化和神经网络的内窥镜去雾方法,其特征在于,包括如下步骤:
步骤S1:采集内窥镜摄像头视野图像数据的图像色彩空间;
步骤S2:转换图像色彩空间为YCbCr图像;
步骤S3:根据YCbCr图像中Y通道图像的亮光点估算环境光值A;
步骤S4:根据相邻帧图像,建立并优化时空概率代价函数,计算暗通道去雾透射图D(x)优化的最优线性变换参数w和b;
步骤S5:利用训练好的卷积神经网络估算最优去雾程度参数ω;
步骤S6:根据计算与估算的各项最优参数,采用改进暗通道先验的方法,完成Y通道图像雾气去除;
步骤S7:将完成图像雾气去除的Y通道,混合Cb、Cr通道,形成最终图像。
2.根据权利要求1所述的一种基于概率优化和神经网络的内窥镜去雾方法,其特征在于:所述步骤3中,将Y通道图作降采样以及大尺度最小值滤波削弱亮点,选取最亮的0.2%~0.1%区间的灰度平均值作为参考值,结合遗忘率r估计环境光值A,使图像平滑过渡;
Anew=rAold+(1-r)Anow,r∈[0,1]
其中:Anew表示最终应用的环境光值,Anow表示该帧估计出的环境光值,Aold表示前一帧的环境光值。
4.根据权利要求3所述的一种基于概率优化和神经网络的内窥镜去雾方法,其特征在于,所述步骤5具体为:
预先搭建一任务为回归的浅层卷积神经网络,使用大量标注了最佳去雾程度参数ω值的内窥镜雾气图像的Y通道图进行训练得到合适模型;
将当前Y通道图缩小后带入该模型,计算获得透射图T的最优去雾程度参数ω值。
6.一种基于概率优化和神经网络的内窥镜去雾装置,其特征在于,包括:
数据采集模块,用于获取内窥镜摄像头图像数据;
色彩空间转换模块,借助简单的线性变化转换色彩空间到YCbCr;
环境光值估计模块,用于估计当前合适的环境光值;
透射图精细化模块,用于解最大似然估计结果,获得最优参数,优化透射图;
卷积神经网络调用模块,用于利用卷积神经网络获取合适的ω值;
暗通道先验去雾模块,用于解暗通道先验去雾方程,获得去雾后的图像;
色彩混合模块,用于混合Y、Cb、Cr通道图像,获得最终结果图像。
7.根据权利要求6所述的一种基于概率优化和神经网络的内窥镜去雾装置,其特征在于:所述色彩空间转换模块、透射图精细化模块、暗通道先验去雾模块、色彩混合模块均采用并行化计算技术进行加速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370770.0A CN111738928B (zh) | 2020-04-30 | 2020-04-30 | 一种基于概率优化和神经网络的内窥镜去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370770.0A CN111738928B (zh) | 2020-04-30 | 2020-04-30 | 一种基于概率优化和神经网络的内窥镜去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738928A true CN111738928A (zh) | 2020-10-02 |
CN111738928B CN111738928B (zh) | 2021-04-13 |
Family
ID=72646997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010370770.0A Active CN111738928B (zh) | 2020-04-30 | 2020-04-30 | 一种基于概率优化和神经网络的内窥镜去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738928B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215849A (zh) * | 2020-10-31 | 2021-01-12 | 郑州航空工业管理学院 | 一种基于色彩空间的图像无监督分割优化方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329767A (zh) * | 2008-07-11 | 2008-12-24 | 西安交通大学 | 基于学习的视频中显著物体序列自动检测方法 |
CN102073866A (zh) * | 2010-12-27 | 2011-05-25 | 清华大学 | 一种利用时空马尔科夫随机场模型的视频超分辨方法 |
CN104427349A (zh) * | 2013-08-20 | 2015-03-18 | 清华大学 | 一种Bayer图像压缩方法 |
CN105631831A (zh) * | 2016-03-14 | 2016-06-01 | 北京理工大学 | 一种雾霾条件下视频图像增强方法 |
CN105701783A (zh) * | 2016-01-14 | 2016-06-22 | 浙江大学 | 一种基于环境光模型的单幅图像去雾方法及装置 |
CN105898111A (zh) * | 2016-05-06 | 2016-08-24 | 西安理工大学 | 一种基于谱聚类的视频去雾方法 |
US20170134722A1 (en) * | 2013-05-21 | 2017-05-11 | Magna Electronics Inc. | Vehicle vision system with targetless camera calibration |
CN107527329A (zh) * | 2017-09-19 | 2017-12-29 | 重庆邮电大学 | 一种基于暗通道先验和马尔可夫随机场的图像去雾方法 |
CN107609460A (zh) * | 2017-05-24 | 2018-01-19 | 南京邮电大学 | 一种融合时空双重网络流和attention机制的人体行为识别方法 |
CN107798670A (zh) * | 2017-09-20 | 2018-03-13 | 中国科学院长春光学精密机械与物理研究所 | 一种利用图像引导滤波器的暗原色先验图像去雾方法 |
CN107862672A (zh) * | 2017-12-20 | 2018-03-30 | 上海富瀚微电子股份有限公司 | 图像去雾的方法及装置 |
CN108154482A (zh) * | 2017-10-24 | 2018-06-12 | 天津大学 | 基于暗通道先验和多方向加权tv的图像盲去模糊方法 |
CN108269244A (zh) * | 2018-01-24 | 2018-07-10 | 东北大学 | 一种基于深度学习和先验约束的图像去雾系统 |
CN108288257A (zh) * | 2018-02-11 | 2018-07-17 | 江苏金羿智芯科技有限公司 | 一种基于人工智能的内窥镜图像去雾方法 |
CN108652675A (zh) * | 2018-02-11 | 2018-10-16 | 江苏金羿智芯科技有限公司 | 一种基于人工智能的内窥镜图像去雾系统 |
CN109781092A (zh) * | 2019-01-19 | 2019-05-21 | 北京化工大学 | 一种危险化工事故中移动机器人定位与建图方法 |
CN110097519A (zh) * | 2019-04-28 | 2019-08-06 | 暨南大学 | 基于深度学习的双监督图像去雾方法、系统、介质和设备 |
CN110547752A (zh) * | 2019-09-16 | 2019-12-10 | 北京数字精准医疗科技有限公司 | 内窥镜系统、混合光源、视频采集装置及图像处理器 |
-
2020
- 2020-04-30 CN CN202010370770.0A patent/CN111738928B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329767A (zh) * | 2008-07-11 | 2008-12-24 | 西安交通大学 | 基于学习的视频中显著物体序列自动检测方法 |
CN102073866A (zh) * | 2010-12-27 | 2011-05-25 | 清华大学 | 一种利用时空马尔科夫随机场模型的视频超分辨方法 |
US20170134722A1 (en) * | 2013-05-21 | 2017-05-11 | Magna Electronics Inc. | Vehicle vision system with targetless camera calibration |
CN104427349A (zh) * | 2013-08-20 | 2015-03-18 | 清华大学 | 一种Bayer图像压缩方法 |
CN105701783A (zh) * | 2016-01-14 | 2016-06-22 | 浙江大学 | 一种基于环境光模型的单幅图像去雾方法及装置 |
CN105631831A (zh) * | 2016-03-14 | 2016-06-01 | 北京理工大学 | 一种雾霾条件下视频图像增强方法 |
CN105898111A (zh) * | 2016-05-06 | 2016-08-24 | 西安理工大学 | 一种基于谱聚类的视频去雾方法 |
CN107609460A (zh) * | 2017-05-24 | 2018-01-19 | 南京邮电大学 | 一种融合时空双重网络流和attention机制的人体行为识别方法 |
CN107527329A (zh) * | 2017-09-19 | 2017-12-29 | 重庆邮电大学 | 一种基于暗通道先验和马尔可夫随机场的图像去雾方法 |
CN107798670A (zh) * | 2017-09-20 | 2018-03-13 | 中国科学院长春光学精密机械与物理研究所 | 一种利用图像引导滤波器的暗原色先验图像去雾方法 |
CN108154482A (zh) * | 2017-10-24 | 2018-06-12 | 天津大学 | 基于暗通道先验和多方向加权tv的图像盲去模糊方法 |
CN107862672A (zh) * | 2017-12-20 | 2018-03-30 | 上海富瀚微电子股份有限公司 | 图像去雾的方法及装置 |
CN108269244A (zh) * | 2018-01-24 | 2018-07-10 | 东北大学 | 一种基于深度学习和先验约束的图像去雾系统 |
CN108288257A (zh) * | 2018-02-11 | 2018-07-17 | 江苏金羿智芯科技有限公司 | 一种基于人工智能的内窥镜图像去雾方法 |
CN108652675A (zh) * | 2018-02-11 | 2018-10-16 | 江苏金羿智芯科技有限公司 | 一种基于人工智能的内窥镜图像去雾系统 |
CN109781092A (zh) * | 2019-01-19 | 2019-05-21 | 北京化工大学 | 一种危险化工事故中移动机器人定位与建图方法 |
CN110097519A (zh) * | 2019-04-28 | 2019-08-06 | 暨南大学 | 基于深度学习的双监督图像去雾方法、系统、介质和设备 |
CN110547752A (zh) * | 2019-09-16 | 2019-12-10 | 北京数字精准医疗科技有限公司 | 内窥镜系统、混合光源、视频采集装置及图像处理器 |
Non-Patent Citations (4)
Title |
---|
HE 等: "Single Image Haze Removal Using Dark Channel Prior", 《2009 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
WANG YANGANG 等: "An efficient algorithm and FPGA implementation of video luminance transient improvement", 《HIGH TECHNOLOGY LETTERS》 * |
周丁华 等: "胶囊内窥镜系统图像压缩算法设计及实现", 《中国医学装备》 * |
陈阳 等: "雾霾图像复原技术研究", 《现代计算机(专业版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215849A (zh) * | 2020-10-31 | 2021-01-12 | 郑州航空工业管理学院 | 一种基于色彩空间的图像无监督分割优化方法 |
CN112215849B (zh) * | 2020-10-31 | 2023-07-07 | 郑州航空工业管理学院 | 一种基于色彩空间的图像无监督分割优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111738928B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110505459B (zh) | 适用于内窥镜的图像颜色校正方法、装置和存储介质 | |
CN110910319B (zh) | 一种基于大气散射模型的手术视频实时去雾增强方法 | |
KR20090078583A (ko) | 저조도 영상 처리 방법 및 시스템 | |
CN107958465A (zh) | 一种基于深度卷积神经网络的单幅图像去雾方法 | |
Suman et al. | Image enhancement using geometric mean filter and gamma correction for WCE images | |
CN107146221B (zh) | 基于视觉感知的颜色纹理描述子的wce彩色视频中主要地形边界的定位方法 | |
CN111784668A (zh) | 基于感知哈希算法的消化内镜检查影像自动冻结的方法 | |
CN111784596A (zh) | 基于生成对抗神经网络的通用内窥镜图像增强方法及装置 | |
Nguyen et al. | Psenet: Progressive self-enhancement network for unsupervised extreme-light image enhancement | |
CN111738928B (zh) | 一种基于概率优化和神经网络的内窥镜去雾方法 | |
CN114022397B (zh) | 一种内窥镜图像去雾方法、装置、电子设备及存储介质 | |
CN112183419A (zh) | 一种基于光流生成网络和重排序的微表情分类方法 | |
Xiong et al. | An efficient underwater image enhancement model with extensive Beer-Lambert law | |
CN113824945B (zh) | 一种基于深度学习的快速自动白平衡和颜色矫正方法 | |
CN112488968B (zh) | 一种分程度直方图均衡融合的图像增强方法 | |
CN112907470A (zh) | 基于Lab色域变换、分类及白平衡的水下图像恢复方法 | |
Hua et al. | Low-light image enhancement based on joint generative adversarial network and image quality assessment | |
WO2012153661A1 (ja) | 画像補正装置、画像補正表示装置、画像補正方法、プログラム、及び、記録媒体 | |
CN116433657A (zh) | 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法 | |
CN111489333A (zh) | 一种无参考夜间自然图像质量评价方法 | |
CN108305252B (zh) | 用于便携式电子内镜的图像融合方法 | |
CN115797276A (zh) | 用于内窥镜的病灶图像处理方法、装置、电子设备及介质 | |
CN113744266B (zh) | 一种病灶检测框的显示方法、装置、电子设备及存储介质 | |
CN110458223B (zh) | 一种内镜下支气管肿瘤自动检测方法及检测系统 | |
Long et al. | Image enhancement method based on adaptive fraction gamma transformation and color restoration for wireless capsule endoscopy |
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 |