CN112634180B - 一种图像增强方法、图像增强装置和计算机可读存储介质 - Google Patents
一种图像增强方法、图像增强装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112634180B CN112634180B CN202110243135.0A CN202110243135A CN112634180B CN 112634180 B CN112634180 B CN 112634180B CN 202110243135 A CN202110243135 A CN 202110243135A CN 112634180 B CN112634180 B CN 112634180B
- Authority
- CN
- China
- Prior art keywords
- image
- scale factor
- current
- value
- processing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 210000003462 vein Anatomy 0.000 description 45
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 1
- 108010063499 Sigma Factor Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像增强方法、图像增强装置和计算机可读存储介质,该方法包括:对灰度图像进行处理得到第一处理图像;将预先设置的初始尺度因子作为当前尺度因子;基于当前尺度因子对第一处理图像进行处理以构建当前滤波器;利用当前滤波器对第一处理图像进行滤波生成第一滤波图像;若当前尺度因子不大于最大尺度因子,将当前尺度因子与预设尺度步长的和作为当前尺度因子,并返回基于当前尺度因子对第一处理图像进行处理的步骤,直至当前尺度因子大于最大尺度因子;对第一滤波图像进行处理得到增强图像。通过上述方式,本申请能够有效地提升图像增强的效果。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像增强方法、图像增强装置和计算机可读存储介质。
背景技术
在手肘静脉注射、采血或穿刺等场景下,需要准确且快速地确定静脉位置,大量病人在这个过程中不易观察到静脉,由此衍生出一系列的静脉观察设备,目前市面上主流的静脉观察设备有:静脉成像仪与静脉投影仪,静脉成像仪可采集体表静脉图像,对图像进行增强后在显示屏中显示出来,方便治疗和诊断;静脉投影仪对采集到的静脉图像处理后,将其投影到体表,更加直观的观察,这两类设备均需要对采集到的静脉图像进行处理,增强观察效果。目前对于静脉图像的处理来说多是在单一尺度空间对静脉图像进行增强,以达到更好的观察效果,比如直方图均衡或者通过对静脉部位进行图像分割等,但由于不同静脉的直径粗细不同,图像增强的效果不佳,且处理后的图像存在静脉轮廓线模糊、静脉边缘不光滑、图像中存在大量非静脉噪声以及畸变严重等问题。
发明内容
本申请提供一种图像增强方法、图像增强装置和计算机可读存储介质,能够有效地提升图像增强的效果。
为解决上述技术问题,本申请采用的技术方案是:提供一种图像增强方法,该方法包括:对获取到的灰度图像进行处理,得到第一处理图像;设置一初始尺度因子,将初始尺度因子作为当前尺度因子;基于当前尺度因子对第一处理图像进行处理以构建当前滤波器;利用当前滤波器对第一处理图像进行滤波,生成第一滤波图像;判断当前尺度因子是否大于最大尺度因子;若当前尺度因子小于或等于最大尺度因子,则将当前尺度因子与预设尺度步长相加,得到新的尺度因子,将新的尺度因子作为当前尺度因子,并返回基于当前尺度因子对第一处理图像进行处理,以构建当前滤波器的步骤,直至当前尺度因子大于最大尺度因子;对第一滤波图像进行处理得到增强图像。
为解决上述技术问题,本申请采用的另一技术方案是:提供一种图像增强装置,该图像增强装置包括互相连接的存储器和处理器,其中,存储器用于存储计算机程序,计算机程序在被处理器执行时,用于实现上述技术方案中的图像增强方法。
为解决上述技术问题,本申请采用的另一技术方案是:提供一种计算机可读存储介质,该计算机可读存储介质用于存储计算机程序,计算机程序在被处理器执行时,用于实现上述技术方案中的图像增强方法。
通过上述方案,本申请的有益效果是:可先获取原始图像,再对该原始图像进行灰度化处理以生成灰度图像;然后对灰度图像进行处理以生成第一处理图像;然后利用当前尺度因子对第一处理图像进行处理以构建当前滤波器,以便采用该当前滤波器对第一处理图像进行滤波,生成第一滤波图像;然后判断当前尺度因子是否大于最大尺度因子;若当前尺度因子小于或等于最大尺度因子,则利用预设尺度步长对当前尺度因子进行更新,继续执行获取第一滤波图像的操作,直至当前尺度因子大于最大尺度因子;最后利用多张第一滤波图像来生成第二滤波图像,并将其与灰度图像叠加得到增强后的图像。由于对原始图像进行了灰度化,可以消除不必要的颜色通道带来的计算量,降低复杂度,而且滤波器对不同尺度因子下的图像均有更好的过滤增强效果,处理后的图像背景均匀,提升了图像增强的效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请提供的图像增强方法一实施例的流程示意图;
图2是本申请提供的图像增强方法另一实施例的流程示意图;
图3是图2所示的实施例中步骤202的流程示意图;
图4是图2所示的实施例中步骤204的流程示意图;
图5是图2所示的实施例中边缘区域、中间区域以及拐角区域的示意图;
图6(a)是本申请提供的灰度图像的示意图;
图6(b)是本申请提供的第二滤波图像的示意图;
图6(c)是本申请提供的增强图像的示意图;
图7是本申请提供的图像增强装置一实施例的结构示意图;
图8是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,图1是本申请提供的图像增强方法一实施例的流程示意图,该方法包括:
步骤11:对获取到的灰度图像进行处理,得到第一处理图像。
对获取到的原始图像进行灰度化处理,得到灰度图像;具体地,可通过对待测物体或人体进行拍照,生成原始图像,或者从现有数据库中获取原始图像,如果原始图像为彩色图像或非灰度图像(比如深度图像),则可对该原始图像进行灰度化处理,生成一灰度图像,以便消除不必要的颜色通道带来的计算量较多,可简化计算;例如,可以在波长为850nm的近红外光的照射下,利用带有波长为850nm的近红外滤光片的摄像头采集人体手肘部位的图像,得到原始图像。可以理解地,如果原始图像为灰度图像,则无需再进行灰度化处理。
在对原始图像进行处理,生成灰度图像后,再对该灰度图像进行自适应伽马变换、滤波以及直方图均衡等处理,生成第一处理图像。
步骤12:设置一初始尺度因子,将初始尺度因子作为当前尺度因子。
可预先设置一初始尺度因子、最大尺度因子以及预设尺度步长,初始尺度因子小于最大尺度因子,将该初始尺度因子作为当前尺度因子,以便进行后续操作,初始尺度因子的具体数值可以根据需要进行设置,比如,初始尺度因子可以为1。
步骤13:基于当前尺度因子对第一处理图像进行处理,以构建当前滤波器。
先基于当前尺度因子对第一处理图像进行处理,得到当前海瑟(Hessian)矩阵;然后计算当前海瑟矩阵的特征值,基于当前海瑟矩阵构建当前滤波器;具体地,利用当前尺度因子对第一处理图像进行处理,生成一个与当前尺度因子对应的海瑟矩阵(即当前海瑟矩阵);在获取到与当前尺度因子对应的海瑟矩阵后,可利用矩阵求解方法对当前海瑟矩阵进行求解,得到当前海瑟矩阵的特征值(即当前特征值),然后利用该当前特征值来构建与当前尺度因子对应的滤波器(即当前滤波器),即利用当前特征值来求取当前滤波器的滤波参数。
步骤14:利用当前滤波器对第一处理图像进行滤波,生成第一滤波图像。
在获取到当前滤波器的滤波参数后,可利用该当前滤波器对第一处理图像进行滤波处理,得到相应的第一滤波图像。
步骤15:判断当前尺度因子是否大于最大尺度因子。
可判断当前尺度因子是否大于预先设置的最大尺度因子,最大尺度因子的具体数值可以根据需要进行设置,比如,最大尺度因子可以为10。
步骤16:若当前尺度因子小于或等于最大尺度因子,则将当前尺度因子与预设尺度步长相加,得到新的尺度因子,将新的尺度因子作为当前尺度因子。
如果检测到当前尺度因子小于或等于最大尺度因子,则表明还需要继续进行计算以获取第一滤波图像,此时可返回执行基于当前尺度因子对第一处理图像进行处理,得到当前海瑟矩阵,即返回步骤13,直至当前尺度因子大于最大尺度因子。
步骤17:对第一滤波图像进行处理得到增强图像。
每一个当前尺度因子对应一张第一滤波图像,第一滤波图像的数量至少为一张,在检测到当前尺度因子大于最大尺度因子时,可对所有第一滤波图像进行处理,生成增强图像,比如,从所有第一滤波图像中选择一张图像质量最好的图像作为增强图像,或者再构建一滤波器,对所有第一滤波图像进行滤波,然后合成一张增强图像。
在其他实施例中,还可基于第一滤波图像构建第二滤波图像,即利用获取到的至少一张第一滤波图像来生成第二滤波图像,然后将第二滤波图像与灰度图像进行叠加,从而得到增强后的图像,即增强图像。
本实施例提供了一种近红外手肘静脉图像的增强方法,能够有效解决在近红外光照射下采集的手肘静脉图像对比度低、静脉边缘不清晰以及肘部具有垂直于静脉的折痕等问题,处理后的静脉图像中静脉边缘光滑,对于不同直径的静脉均有较好的增强效果,叠加后的静脉图像有更好的显示效果;另外,本实施例所提供的方法还可作为静脉识别的预处理方案,能够用于提取清晰、完整的静脉结果,从而提高静脉识别的准确率。
请参阅图2,图2是本申请提供的图像增强方法另一实施例的流程示意图,该方法包括:
步骤201:对灰度图像进行自适应伽马变换,生成第二处理图像。
对灰度图像进行自适应伽马变换的目的是为了平衡图像在采集过程中出现光照不均匀的现象,减轻光照不均匀带来的影响,可采用如图3所示的方案进行处理,具体包括以下步骤:
步骤31:对灰度图像进行归一化处理,得到归一化图像。
可采用如下公式将灰度图像的像素值(即灰度值)进行归一化:
I Norm (x,y)=I In (x,y)/(L-1),0≤x<W,0≤y<H(1)
其中,I In (x,y)为灰度图像的像素值,(x,y)为像素位置,W为灰度图像的宽度,H为灰度图像的高度,L为图像灰度级。
步骤32:将归一化图像的每个像素点的像素值与预设角度相乘,得到相位角,并将像素点的相位角与第二预设值进行叠加,得到伽马值。
预设角度可以为π,第二预设值可以为1,伽马值由灰度图像在相应像素点的像素值计算得到,计算方式如下所示:
φ(x,y)=π×I Norm (x,y) (2)
γ(x,y)=1+a×cos[φ(x,y)] (3)
其中,φ(x,y)为位置(x,y)处的相位角,γ(x,y)为位置(x,y)处的伽马值,a为第一比例因子,a的取值为[0.4,0.6],比如,实际使用中a可以为0.5。
步骤33:基于伽马值对归一化图像进行处理,得到第二处理图像。
采用以下公式利用伽马值进行伽马变换,并映射回相应的灰度级:
I Gamma (x,y)=I Norm (x,y) γ(φ(x,y))(4)
I out (x,y)=I Gamma (x,y)×(L-1) (5)
其中,I Gamma (x,y)为伽马变换后的图像的像素值,I Out (x,y)为第二处理图像的像素值。
步骤202:对第二处理图像进行双边滤波处理,生成第三处理图像。
在进行自适应伽马变换后,可对第二处理图像进行双边滤波处理,以去除部分成像噪声,在保留图像中边缘信息的同时过滤掉颗粒状的噪声,双边滤波的滤波窗口可以根据具体应用场景进行设置,比如,滤波窗口可以为5×5的矩形窗口。
步骤203:对第三处理图像进行对比度限制的自适应直方图均衡化处理,生成第一处理图像。
利用对比度限制的自适应直方图均衡化方法来初步提高图像对比度,可采用图4所示的方案进行处理,具体包括以下步骤:
步骤41:对第三处理图像进行分块,得到多个图像子块。
在生成第三处理图像后,可将第三处理图像分成多块,且图像子块的大小相同且互不重叠;以第三处理图像的大小为W×H为例,可将整幅图像均匀划分为m×n个图像子块,图像子块的宽度为w=W/m,图像子块的高度为h=H/n;例如,对于大小为640*480的图像来说,可将其划分为大小为64*48的图像子块进行计算。
步骤42:对图像子块的像素值进行统计,得到灰度直方图。
对于每个图像子块来说,可进行直方图统计,生成灰度直方图,该灰度直方图包括图像子块的像素点的像素值以及与像素值对应的数量。
步骤43:判断灰度直方图中每个像素值对应的数量是否大于裁剪阈值。
可预先设置一裁剪阈值,然后判断每个灰度直方图中每个灰度级对应的数量是否大于裁剪阈值,以便对超过裁剪阈值的灰度级进行裁剪,进而实现直方图均衡。
步骤44:若灰度直方图中每个像素值对应的数量大于裁剪阈值,则计算像素值对应的数量与裁剪阈值的差值,将差值与像素值的总数相除得到均分数量,将均分数量与每个像素值对应的数量相加,生成新的灰度直方图。
如果灰度直方图中某个像素值对应的数量大于裁剪阈值,则可将裁剪部分均匀分配到每一个灰度级上;例如,灰度直方图对应的像素值为{A,B,C},其对应的数量分别为{30,60,45},裁剪阈值为51,则均分数量为:(60-51)/3=3,新的灰度直方图中各个像素值对应的数量分别为{33,54,48}。
步骤45:利用新的灰度直方图对相应的图像子块进行直方图均衡化处理,得到第四处理图像。
在对每个图像子块对应的灰度直方图进行裁剪后,可利用裁剪后的灰度直方图对相应的图像子块进行直方图均衡化,即将图像子块的像素值设置成与裁剪后的灰度直方图匹配。
步骤46:对第四处理图像进行去块效应处理,得到第一处理图像。
为了去除将图像分块以进行均衡化所导致的图像整体产生的棋盘格效应,可利用直接赋值、线性插值以及双线性插值结合的方式对均衡化后的图像进行处理;具体地,如图5所示,第四处理图像包括中间区域51、边缘区域52以及拐角区域53,可对中间区域51的像素值进行双线性插值处理,对边缘区域52的像素值进行线性差值处理,将拐角区域53的像素值直接赋值给第一处理图像中相应的像素。
步骤204:设置一初始尺度因子,将初始尺度因子作为当前尺度因子。
步骤204与步骤12相同,在此不再赘述。
步骤205:将第一处理图像与当前卷积核进行卷积,生成卷积值,利用卷积值构建当前海瑟矩阵,并计算当前海瑟矩阵的特征值。
将二阶海瑟矩阵与高斯函数结合,引入空间尺度因子,使得直径不同的静脉能够在不同的尺度空间下进行增强;具体地,卷积核为高斯函数的二阶偏导数,当前尺度因子为高斯函数的参数,特征值包括最大特征值与最小特征值。
进一步地,海瑟矩阵为图像数据与不同窗口大小的高斯函数的二阶偏导数的卷积,即采用以下公式来计算海瑟矩阵:
G(x,y;σ)=(1/2πσ 2)×exp[-(x 2+y 2)/2σ 2] (6)
I ab =IU(∂2 G(x,y;σ)/(∂a∂b),a∈{x,y},b∈{x,y} (7)
由此图像中某个像素点的海瑟矩阵为:
=[I xx ,I xy ;I yx ,I yy ] (8)
其中,G(x,y;σ)为高斯函数,I xx 、I xy 、I yx 以及I yy 分别为该像素点在x轴方向的二阶偏导数,xy方向的二阶偏导数、yx方向的二阶偏导数以及y轴方向的二阶偏导数;σ为尺度因子,也是高斯函数的标准差,用于卷积的滤波器窗口的半宽为3σ,σ的取值可以为0-10,当尺度因子与血管直径相匹配时,增强效果最佳。
在计算出二阶海瑟矩阵后,可进一步计算二阶海瑟矩阵的两个特征值:λ 1与λ 2,然后对λ 1与λ 2进行排序,再存入不同矩阵,以便后续直接进行调用;以原始图像为具有管状结构的血管图像为例,其对应的海瑟矩阵的特征值的大小关系为:|λ 1|≈0,|λ 2|>>|λ 1|,该像素点位于管状结构上时,λ 2>0;该像素点位于其他部位时,λ 2≥0。
步骤206:将最小特征值与最大特征值相除,得到第一滤波系数;计算最小特征值与最大特征值的平方和,对平方和开根号,得到第二滤波系数;基于第一滤波系数与第二滤波系数构建当前滤波器,并利用当前滤波器对第一处理图像进行滤波,生成第一滤波图像。
可以构建用于过滤血管结构的滤波器,该滤波器的表达式为:
其中,V(x,y;σ)为滤波器的输出,β为第二比例因子,R为第一滤波系数,R=|λ 1|/|λ 2|,S为第二滤波系数,S=(λ 1 2+λ 2 2)1/2,实际使用过程中β可取固定值0.5,d为能够自适应调整的第三比例因子,在不同尺度因子下可以通过调整d值来控制滤波器的输出大小,d的取值与输入图像的灰度范围有关,灰度范围越大,d值越大,滤波器对该部分的抑制强度也就越大;灰度范围越小,d值越小。
进一步地,通过统计灰度图像的灰度直方图中像素点在各灰度级中的分布来获得该图像的灰度范围,即统计灰度直方图中像素个数不为0的灰度级个数d rank ,0≤d rank ≤255,d的数学表达式为:
d=d rank /σ i (10)
步骤207:判断当前尺度因子是否大于最大尺度因子。
步骤208:若当前尺度因子小于或等于最大尺度因子,则将当前尺度因子与预设尺度步长相加,得到新的尺度因子,将新的尺度因子作为当前尺度因子。
步骤207-步骤208与上述实施例中步骤15-步骤16相同,在此不再赘述。
步骤209:对多个第一滤波图像的像素值进行统计,得到每个像素值的最大值。
在不同尺度因子的作用下同一个像素点经过滤波器滤波后存在不同的输出,可筛选出不同尺度因子作用下滤波器的最大输出,如下所示:
其中,σ min为初始尺度因子,σ max为最大尺度因子,V dst (x,y;σ i )为与位置(x,y)对应的多个滤波值中的最大值。
步骤210:对像素值的最大值进行映射处理,生成新的像素值,将新的像素值作为第二滤波图像中相应的像素值。
由于滤波器的输出值在[0,1]之间,为了便于显示图像,需要将其映射回[0,255],映射方式如下所示:
G(x,y)=255×[g(x,y)-g min]/[g max-g min] (12)
其中,G(x,y)为第二滤波图像中位置(x,y)处的像素值,g(x,y)为位置(x,y)处的V dst (x,y;σ i ),g min为所有V dst (x,y;σ i )中的最小值,g max为所有V dst (x,y;σ i )中的最大值。
步骤211:将第二滤波图像与灰度图像进行叠加,得到增强图像。
判断灰度图像的像素值是否大于第二滤波图像中相应的像素值;若灰度图像的像素值大于第二滤波图像中相应的像素值,则将灰度图像的像素值与第二滤波图像中相应的像素值进行加权求和,得到增强图像的像素值;若灰度图像的像素值小于或等于第二滤波图像中相应的像素值,则将与灰度图像的像素值对应的增强图像的像素值设置为第一预设值,该第一预设值为0,即采用如下公式对第二滤波图像与灰度图像进行叠加融合:
其中,O(x,y)为增强图像中位置(x,y)处的像素值,I src (x,y)为灰度图像中位置(x,y)处的像素值,I filter 为第二滤波图像中位置(x,y)处的像素值,ω为比例系数,实际使用中ω可取-0.6。
对本实施例所提供的方案进行测试,假设灰度图像如图6(a)所示,则第二滤波图像如图6(b)所示,增强图像如图6(c)所示,由此可以看出,本方案可以使得静脉更加明显。
本实施例所提供的方法可应用于近红外手肘静脉图像增强,首先对原始图像进行灰度化,以消除不必要的颜色通道带来的计算量,简化计算;接着进行自适应伽马变换,减轻光照不均匀带来的影响;再进行双边滤波以去除部分成像噪声;然后进行对比度限制的直方图均衡化,提高静脉与周边皮肤的对比度;再通过基于海瑟矩阵的静脉滤波器过滤出静脉结构,得到静脉结构图像;最后将灰度图像与静脉结构图像以特定比例进行叠加融合,增强静脉显示效果。利用自适应伽马变换能够将图像上不同位置的像素值自适应地变换为所需的伽马值,避免了采用单一固定值对全图进行伽马变换造成的像素值过度拉伸或过度压缩的问题,提高图像增强效果。自适应直方图均衡化方法采用划分互不重叠的图像子块的方式计算灰度直方图,减少计算量;在完成直方图均衡化之后,分别采用直接赋值、线性插值以及双线性插值对图像进行处理,从而消除图像棋盘格化。基于海瑟矩阵的静脉滤波器引入了根据图像灰度等级分布计算出的第三比例因子及当次循环处理的尺度因子所组成的自适应参数,使得滤波器对不同尺度因子下的静脉图像有更好的过滤增强效果。不同于其他的静脉图像增强方案,处理后的静脉图像的背景均匀,不同直径的静脉均能得到较好的增强,而且静脉边缘光滑无毛刺,能够适用于手肘静脉观察或静脉识别等场景。
请参阅图7,图7是本申请提供的图像增强装置一实施例的结构示意图,图像增强装置70包括互相连接的存储器71和处理器72,存储器71用于存储计算机程序,计算机程序在被处理器72执行时,用于实现上述实施例中的图像增强方法。
请参阅图8,图8是本申请提供的计算机可读存储介质一实施例的结构示意图,计算机可读存储介质80用于存储计算机程序81,计算机程序81在被处理器执行时,用于实现上述实施例中的图像增强方法。
计算机可读存储介质80可以是服务端、U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施方式中,应该理解到,所揭露的方法以及设备,可以通过其它的方式实现。例如,以上所描述的设备实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种图像增强方法,其特征在于,包括:
对获取到的灰度图像进行归一化处理,得到归一化图像;
将所述归一化图像的每个像素点的像素值与预设角度相乘,得到相位角;
将所述像素点的相位角与第二预设值进行叠加,得到伽马值;
基于所述伽马值对所述归一化图像进行处理,得到第二处理图像;
对所述第二处理图像进行双边滤波处理,生成第三处理图像;
对所述第三处理图像进行对比度限制的自适应直方图均衡化处理,生成第一处理图像;
设置一初始尺度因子,将所述初始尺度因子作为当前尺度因子;
基于所述当前尺度因子对所述第一处理图像进行处理,以构建当前滤波器;
利用所述当前滤波器对所述第一处理图像进行滤波,生成第一滤波图像;
判断所述当前尺度因子是否大于最大尺度因子;
若否,则将所述当前尺度因子与预设尺度步长相加,得到新的尺度因子,将所述新的尺度因子作为所述当前尺度因子,并返回所述基于所述当前尺度因子对所述第一处理图像进行处理,以构建当前滤波器的步骤,直至所述当前尺度因子大于所述最大尺度因子;
对所述第一滤波图像进行处理得到增强图像。
2.根据权利要求1所述的图像增强方法,其特征在于,所述基于所述当前尺度因子对所述第一处理图像进行处理,以构建当前滤波器的步骤,包括:
基于所述当前尺度因子对所述第一处理图像进行处理,得到当前海瑟矩阵;
计算所述当前海瑟矩阵的特征值,基于所述当前海瑟矩阵构建所述当前滤波器。
3.根据权利要求2所述的图像增强方法,其特征在于,所述特征值包括最大特征值与最小特征值,所述基于所述特征值构建当前滤波器的步骤,包括:
将所述最小特征值与所述最大特征值相除,得到第一滤波系数;
计算所述最小特征值与所述最大特征值的平方和,对所述平方和开根号,得到第二滤波系数;
基于所述第一滤波系数与所述第二滤波系数构建所述当前滤波器。
4.根据权利要求1所述的图像增强方法,其特征在于,所述对所述第一滤波图像进行处理得到增强图像的步骤,包括:
基于所述第一滤波图像构建第二滤波图像,将所述第二滤波图像与所述灰度图像进行叠加,得到所述增强图像。
5.根据权利要求4所述的图像增强方法,其特征在于,所述基于所述第一滤波图像构建第二滤波图像的步骤,包括:
对多个所述第一滤波图像的像素值进行统计,得到每个像素值的最大值;
对所述像素值的最大值进行映射处理,生成新的像素值,将所述新的像素值作为所述第二滤波图像中相应的像素值。
6.根据权利要求4所述的图像增强方法,其特征在于,所述将所述第二滤波图像与所述灰度图像进行叠加,得到所述增强图像的步骤,包括:
判断所述灰度图像的像素值是否大于所述第二滤波图像中相应的像素值;
若是,则将所述灰度图像的像素值与所述第二滤波图像中相应的像素值进行加权求和,得到所述增强图像的像素值;
若否,则将与所述灰度图像的像素值对应的所述增强图像的像素值设置为第一预设值。
7.根据权利要求2所述的图像增强方法,其特征在于,所述对所述第一处理图像进行处理,得到当前海瑟矩阵的步骤,包括:
将所述第一处理图像与当前卷积核进行卷积,生成卷积值,利用所述卷积值构建所述当前海瑟矩阵;
其中,所述卷积核为高斯函数的二阶偏导数,所述当前尺度因子为所述高斯函数的参数。
8.根据权利要求1所述的图像增强方法,其特征在于,所述对所述第三处理图像进行对比度限制的自适应直方图均衡化处理,生成第一处理图像的步骤,包括:
对所述第三处理图像进行分块,得到多个图像子块,其中,所述图像子块的大小相同且互不重叠;
对所述图像子块的像素值进行统计,得到灰度直方图,其中,所述灰度直方图包括所述图像子块的像素点的像素值以及与所述像素值对应的数量;
判断所述灰度直方图中每个像素值对应的数量是否大于裁剪阈值;
若是,则计算所述像素值对应的数量与所述裁剪阈值的差值,将所述差值与所述像素值的总数相除得到均分数量,将所述均分数量与每个所述像素值对应的数量相加,生成新的灰度直方图;
利用所述新的灰度直方图对相应的所述图像子块进行直方图均衡化处理,得到第四处理图像;
对所述第四处理图像进行去块效应处理,得到所述第一处理图像。
9.根据权利要求8所述的图像增强方法,其特征在于,所述第四处理图像包括中间区域、边缘区域以及拐角区域,所述对所述第四处理图像进行去块效应处理,得到所述第一处理图像的步骤,包括:
对所述中间区域的像素值进行双线性插值处理;
对所述边缘区域的像素值进行线性差值处理;
将所述拐角区域的像素值直接赋值给所述第一处理图像中相应的像素。
10.一种图像增强装置,其特征在于,包括互相连接的存储器和处理器,其中,所述存储器用于存储计算机程序,所述计算机程序在被所述处理器执行时,用于实现权利要求1-9中任一项所述的图像增强方法。
11.一种计算机可读存储介质,用于存储计算机程序,其特征在于,所述计算机程序在被处理器执行时,用于实现权利要求1-9中任一项所述的图像增强方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110243135.0A CN112634180B (zh) | 2021-03-05 | 2021-03-05 | 一种图像增强方法、图像增强装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110243135.0A CN112634180B (zh) | 2021-03-05 | 2021-03-05 | 一种图像增强方法、图像增强装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634180A CN112634180A (zh) | 2021-04-09 |
CN112634180B true CN112634180B (zh) | 2021-08-03 |
Family
ID=75297572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110243135.0A Active CN112634180B (zh) | 2021-03-05 | 2021-03-05 | 一种图像增强方法、图像增强装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634180B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284232B (zh) * | 2021-06-10 | 2023-05-26 | 西北工业大学 | 一种基于四叉树的光流跟踪方法 |
CN113888436B (zh) * | 2021-10-13 | 2024-04-30 | 华南理工大学 | 大尺寸x射线图像增强方法、装置、电子设备和存储介质 |
CN117474823B (zh) * | 2023-12-28 | 2024-03-08 | 大连清东科技有限公司 | 一种儿科感染性炎症检测辅助用ct数据处理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761258A (zh) * | 2016-02-06 | 2016-07-13 | 上海市第人民医院 | 视网膜眼底图像的出血检测方法 |
US10019796B2 (en) * | 2015-10-16 | 2018-07-10 | General Electric Company | System and method for blood vessel analysis and quantification in highly multiplexed fluorescence imaging |
CN109448006A (zh) * | 2018-11-01 | 2019-03-08 | 江西理工大学 | 一种注意力机制u型密集连接视网膜血管分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340717A (zh) * | 2020-01-22 | 2020-06-26 | 哈尔滨新光光电科技股份有限公司 | 一种用于非制冷红外热像仪的图像预处理装置 |
CN111829458B (zh) * | 2020-07-20 | 2022-05-13 | 南京理工大学智能计算成像研究院有限公司 | 基于深度学习的伽马非线性误差矫正方法 |
-
2021
- 2021-03-05 CN CN202110243135.0A patent/CN112634180B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10019796B2 (en) * | 2015-10-16 | 2018-07-10 | General Electric Company | System and method for blood vessel analysis and quantification in highly multiplexed fluorescence imaging |
CN105761258A (zh) * | 2016-02-06 | 2016-07-13 | 上海市第人民医院 | 视网膜眼底图像的出血检测方法 |
CN109448006A (zh) * | 2018-11-01 | 2019-03-08 | 江西理工大学 | 一种注意力机制u型密集连接视网膜血管分割方法 |
Non-Patent Citations (3)
Title |
---|
基于多尺度自适应的近红外手肘静脉提取算法;朱翔翔 等;《红外技术》;20200520;第42卷(第5期);第494-500页 * |
基于神经网络的眼底血管分割技术研究;蒋雨梦;《中国优秀硕士论文全文数据库医药卫生科技辑》;20200115(第1期);正文第20-29页 * |
朱翔翔 等.基于多尺度自适应的近红外手肘静脉提取算法.《红外技术》.2020,第42卷(第5期),第494-500页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112634180A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634180B (zh) | 一种图像增强方法、图像增强装置和计算机可读存储介质 | |
Dai et al. | Retinal fundus image enhancement using the normalized convolution and noise removing | |
Kanwal et al. | Region based adaptive contrast enhancement of medical X-ray images | |
EP1743299A1 (en) | Method, computer program product and apparatus for enhancing a computerized tomography image | |
Kovesi | Phase preserving tone mapping of non-photographic high dynamic range images | |
CN114240797B (zh) | 一种oct图像去噪方法、装置、设备及介质 | |
Pham | Kriging-weighted laplacian kernels for grayscale image sharpening | |
CN116630762A (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
Sann et al. | An analysis of various image pre-processing techniques in butterfly image | |
WO2009047208A1 (en) | Method of generating a multiscale contrast enhanced image | |
WO2022016326A1 (zh) | 图像处理方法、电子设备和计算机可读介质 | |
Martens | Adaptive contrast enhancement through residue-image processing | |
CN111507912A (zh) | 乳腺图像增强方法、装置及计算机可读存储介质 | |
CN115796264A (zh) | 一种基于模糊自引导的结构保护生成对抗网络的方法 | |
Malik et al. | Contrast enhancement and smoothing of CT images for diagnosis | |
CN115239836A (zh) | 一种基于端到端神经网络的极端稀疏视角ct重建方法 | |
Ben Gharsallah et al. | Phase congruency-based filtering approach combined with a convolutional network for lung CT image analysis | |
Negi et al. | Survey of various image enhancement techniques in spatial domain using MatLab | |
He et al. | Bilateral edge detection on a virtual hexagonal structure | |
CN114450710A (zh) | 用于噪声降低的方法和装置 | |
Judson et al. | Efficient and robust non-local means denoising methods for biomedical images | |
CN116523810B (zh) | 一种超声图像处理方法、装置、设备及介质 | |
Sridhar et al. | A generalised unsharp masking algorithm using bilateral filter | |
CN114757847A (zh) | 多信息提取的扩展U-Net及其在低剂量X射线成像的应用方法 | |
Soora et al. | Filtering Techniques to remove Noises from an Image |
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 |