CN112967209A - 一种基于多倍采样的内窥镜图像血管纹理增强方法 - Google Patents

一种基于多倍采样的内窥镜图像血管纹理增强方法 Download PDF

Info

Publication number
CN112967209A
CN112967209A CN202110443873.XA CN202110443873A CN112967209A CN 112967209 A CN112967209 A CN 112967209A CN 202110443873 A CN202110443873 A CN 202110443873A CN 112967209 A CN112967209 A CN 112967209A
Authority
CN
China
Prior art keywords
image
texture
sub
blocks
endoscope
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
CN202110443873.XA
Other languages
English (en)
Other versions
CN112967209B (zh
Inventor
周文举
顾小刚
任新振
王海宽
刘军
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.)
Alton Shanghai Medical Instruments Co ltd
Original Assignee
University of Shanghai for Science and 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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202110443873.XA priority Critical patent/CN112967209B/zh
Publication of CN112967209A publication Critical patent/CN112967209A/zh
Application granted granted Critical
Publication of CN112967209B publication Critical patent/CN112967209B/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
    • 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
    • G06T2207/10068—Endoscopic image
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Endoscopes (AREA)

Abstract

本发明公开了一种基于多倍采样的内窥镜图像血管纹理增强方法，包括纹理提取，纹理合成，纹理优化三个主要部分。纹理提取通过对输入的内窥镜图像及参考图像的多倍采样，将生成的图像拆分成若干个3×3的局部纹理图像；纹理合成首先生成一张空白图像，再按相似系数的阈值区间填充入合适的局部纹理图像；纹理优化通过搭建输入图像与合成图像的数学模型，迭代计算两个权重参数，得到优化后的内窥镜血管纹理增强图像。相比于现有技术，本发明针对现有技术中存在锯齿和块效应的缺陷，提出了一种基于多倍采样的内窥镜图像血管纹理增强方法，通过多倍采样及优化数学模型对现有图像的细微纹理进行推理恢复，实现内窥镜图像的清晰化显示，避免实际应用中因图像不清晰而引起的误操作，降低患者术中风险。

Description

一种基于多倍采样的内窥镜图像血管纹理增强方法
技术领域
本发明涉及图像处理领域，具体是指一种基于多倍采样的内窥镜图像血管纹理增强方法。
背景技术
一次性医用内窥镜系统在医学临床应用十分广泛，目前医用内窥镜采用柔性设计以适用各种的人体体内场景，一次性医用内窥镜的内部结构包括照明系统，成像系统，工作通道三个部分。鉴于一次性医用光学内窥镜成本低廉、体积小巧、随用随弃的特点，其内部的CCD成像元件在考虑成本限制后感光面积将大大减小，成像结果远低于可重复使用的高档内窥镜拍摄质量。内窥镜的分辨率低的缺点实际表现为，在观察或处理血管病症时需要多次反复操作，导致手术时间延长，增加术中风险。
多倍采样技术是对图像的多尺度表达，是一种以多种分辨率来多层次处理图像的方法。多倍采样通过对同一图像的不断采样，使得图像的分辨率增大或减小。多倍采样按不同采样系数可以分为下采样和上采样两种，下采样的采样系数小于1，采样后的图像尺寸和分辨率会逐步减小，上采样的采样系数大于1，采样后的图像尺寸和分辨率会逐步增大。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种满足高相似性、清晰度、适用范围较为广泛的一种基于多倍采样的内窥镜图像血管纹理增强方法。
为了实现上述目的，本发明的一种基于多倍采样的内窥镜图像血管纹理增强方法如下：
该基于多倍采样的内窥镜图像血管纹理增强方法，其主要特点是，包括纹理提取、纹理合成、纹理优化三个主要步骤，具体包括以下步骤：
步骤1，将内窥镜采集的图像作为输入图像；
步骤2，根据所在人体场景，选取一张合适的血管纹理参照图像；
步骤3，将所述输入图像进行上采样操作，使其达到期望的图像尺寸，作为图像a；
步骤4，将所述图像a拆分成m个3×3的局部纹理子块，构成局部纹理子块群1；
步骤5，原始的输入图像分别进行2倍上采样、4倍上采样、8倍上采样，生成图像a1、图像a2、图像a3，将所述图像a1、所述图像a2、所述图像a3分别拆分成o个、p个、q个3×3的子块；
步骤6，将所述参考图像进行下采样操作，使其达到期望的图像尺寸，作为图像b；
步骤7，将所述图像b拆分成n个3×3的局部纹理子块，与所述图像a1的o个子块、所述图像a2的p个子块、所述图像a3的q个子块构成局部纹理子块群2；
步骤8，计算所述局部纹理子块群1与局部纹理子块群2的相似系数；
步骤9，生成一张空白图像，使其为期望的图像尺寸；
步骤10，根据所述局部纹理子块群1与所述局部纹理子块群2的相似系数，判断当前的相似水平，若为强相似，将局部纹理子块群2对应的3×3子块填充至所述空白图像的相应位置，否则，将局部纹理子块群1对应的3×3子块填充至所述空白图像的对应位置；
步骤11，重复步骤10，直至空白图像被所述图像a、所述图像a1、所述图像a2、所述图像a3、所述图像b的子块完全填充，即生成一张血管纹理的合成图像；
步骤12，根据所述输入图像、所述合成图像的纹理，建立优化数学模型，通过迭代优化所述数学模型来增强血管的纹理，得到优化后的内窥镜血管纹理增强图像。
较佳地，步骤3～6涉及的特征纹理子块，通过多倍采样的方法，生成1/2倍，1/4倍或1/8倍的多尺度局部纹理图像。
较佳地，步骤2中将参照图像的纹理作为先验知识，辅助生成合成纹理图像。
较佳地，步骤9中采取阈值区间的方法，进行多区间的相似系数判断。
较佳地，步骤11中采用迭代优化目标损失函数，计算输入图像和合成图像的结构相干项，再计算输入图像和合成图像的纹理相干项，以此加入两个权重参数来进行迭代计算，损失最小或者达到结束时间，优化结束，生成清晰化后的图像。
采用了本发明的基于多倍采样的内窥镜图像血管纹理增强方法，本发明通过多倍采样的操作，对原尺度图像的局部纹理，变尺度图像的局部纹理进行提取，保证生成合成纹理自然连续和高相似性。本发明采取的纹理优化算法，建立数学模型进行优化，进一步提高血管纹理的清晰度。
附图说明
图1为本发明的基于多倍采样的内窥镜图像血管纹理增强方法的算法流程图。
图2为本发明的基于多倍采样的内窥镜图像血管纹理增强方法的原理示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
本发明的该基于多倍采样的内窥镜图像血管纹理增强方法，包括纹理提取、纹理合成、纹理优化三个主要步骤，具体包括以下步骤：
步骤1，将内窥镜采集的图像作为输入图像；
步骤2，根据所在人体场景，选取一张合适的血管纹理参照图像；
步骤3，将所述输入图像进行上采样操作，使其达到期望的图像尺寸，作为图像a；
步骤4，将所述图像a拆分成m个3×3的局部纹理子块，构成局部纹理子块群1；
步骤5，原始的输入图像分别进行2倍上采样、4倍上采样、8倍上采样，生成图像a1、图像a2、图像a3，将所述图像a1、所述图像a2、所述图像a3分别拆分成o个、p个、q个3×3的子块；
步骤6，将所述参考图像进行下采样操作，使其达到期望的图像尺寸，作为图像b；
步骤7，将所述图像b拆分成n个3×3的局部纹理子块，与所述图像a1的o个子块、所述图像a2的p个子块、所述图像a3的q个子块构成局部纹理子块群2；
步骤8，计算所述局部纹理子块群1与局部纹理子块群2的相似系数；
步骤9，生成一张空白图像，使其为期望的图像尺寸；
步骤10，根据所述局部纹理子块群1与所述局部纹理子块群2的相似系数，判断当前的相似水平，若为强相似，将局部纹理子块群2对应的3×3子块填充至所述空白图像的相应位置，否则，将局部纹理子块群1对应的3×3子块填充至所述空白图像的对应位置；
步骤11，重复步骤10，直至空白图像被所述图像a、所述图像a1、所述图像a2、所述图像a3、所述图像b的子块完全填充，即生成一张血管纹理的合成图像；
步骤12，根据所述输入图像、所述合成图像的纹理，建立优化数学模型，通过迭代优化所述数学模型来增强血管的纹理，得到优化后的内窥镜血管纹理增强图像。
较佳地，步骤3～6涉及的特征纹理子块，通过多倍采样的方法，生成1/2倍，1/4倍或1/8倍的多尺度局部纹理图像。
较佳地，步骤2中将参照图像的纹理作为先验知识，辅助生成合成纹理图像。
较佳地，步骤9中采取阈值区间的方法，进行多区间的相似系数判断。
较佳地，步骤11中采用迭代优化目标损失函数，计算输入图像和合成图像的结构相干项，再计算输入图像和合成图像的纹理相干项，以此加入两个权重参数来进行迭代计算，损失最小或者达到结束时间，优化结束，生成清晰化后的图像。
本发明的具体实施方式中，本发明解决现有问题所采用的技术方案是首先提取输入图像和参照图像的血管局部纹理，然后生成一张空白图像，度量输入图像与参照图像的局部纹理图像的相似系数，通过判断不同局部纹理图像的相似系数所处区间，将输入图像或者基准图像的局部纹理图像填充于空白图像的对应位置，最后建立数学模型优化合成纹理图像，生成清晰化的图像。本发明的具体步骤如下：
步骤1，将内窥镜采集的图像作为输入图像；
步骤2，根据所在人体场景，选取一张合适的血管纹理参照图像，该参照图像为高分辨率血管纹理图像，且参考图像的分辨率大于内窥镜图像清晰化后的分辨率。
步骤3，将所述输入图像进行上采样操作，使其达到期望的图像尺寸，作为图像a。
步骤4，将所述图像a拆分成m个3×3的局部纹理子块，构成局部纹理子块群1。
步骤5，原始的输入图像分别进行2倍上采样、4倍上采样、8倍上采样，生成图像a1、图像a2、图像a3，将所述图像a1、所述图像a2、所述图像a3分别拆分成o个、p个、q个3×3的子块。
步骤6，将所述参考图像进行下采样操作，使其达到期望的图像尺寸，作为图像b。
步骤7，将所述图像b拆分成n个3×3的局部纹理子块，与所述图像a1的o个子块、所述图像a2的p个子块、所述图像a3的q个子块构成局部纹理子块群2。
步骤8，计算所述局部纹理子块群1与局部纹理子块群2的相似系数Correlation(x,y)，记作Cr(x,y)。
进一步地，所述局部纹理子块间的相似系数计算公式具体实现如下：
Figure BDA0003036031880000041
其中，xi表示图像a子块的某点像素值，yi表示图像a1、图像a2、图像a3、图像b子块的某点像素值，
Figure BDA0003036031880000042
表示图像a子块的像素均值，
Figure BDA0003036031880000043
表示图像a1、图像a2、图像a3、图像b子块的像素均值，<·>表示求取内积的操作，||·||表示取模的操作。
步骤9，生成一张空白图像，使其为期望的图像尺寸。
步骤10，根据所述局部纹理子块群1与所述局部纹理子块群2的相似系数，判断当前的相似水平，若为强相似及以上，将局部纹理子块群2对应的3×3子块填充至所述空白图像的相应位置，否则，将局部纹理子块群1对应的3×3子块填充至所述空白图像的对应位置。
进一步地，参考阈值范围为0.8～1.0为极强相关，0.6～0.8为强相关，0.4～0.6为中等程度相关，0.2～0.4为弱相关，0.0～0.2为极弱相关或无相关；
步骤11，重复步骤10，直至空白图像被所述图像a、所述图像a1、所述图像a2、所述图像a3、所述图像b的子块完全填充，即生成一张血管纹理的合成图像；
进一步地，所述重复次数记为Cn次，具体的计算方法如下：
Cn＝m·(n+o+p+q)；
步骤12，根据所述输入图像、所述合成图像的纹理，建立优化数学模型，通过迭代优化所述数学模型来增强血管的纹理，得到优化后的内窥镜血管纹理增强图像。
进一步地，所述优化数学模型的具体建立方法如下：
Figure BDA0003036031880000051
Figure BDA0003036031880000052
Figure BDA0003036031880000053
其中，p表示输入图像的中心坐标，q表示合成纹理图像的中心坐标，λ1、λ2为两图像优化的权重，λ1是一个根据优化起止时间变化的量，ts为优化开始时间，te为优化结束时间，t为优化当前时间，β为初始化系数，
Figure BDA0003036031880000054
表示两图像对齐后对应纹理上点的欧氏距离，
Figure BDA0003036031880000055
为输入图像纹理上点的坐标，c为合成图像纹理上点的坐标，Ω′con为合成图像纹理点的集合，相应的输入图像纹理点的集合为Ωcon。
进一步地，Ccoh(p,q)为纹理相干项，表征目标图像中生成的血管纹理与合成图像中的血管纹理的一致连续性，数学模型如下：
Ccoh(p,q)＝||Tsty(Nq)-Ssty(f(Np))||2
Figure BDA0003036031880000056
Figure BDA0003036031880000057
其中，Tsty为目标图像，Ssty为合成图像，Nq为中心坐标q周围w×w大小的像素块，Np为中心坐标p周围w×w大小的像素块，γ＝{-1,1}表示是否翻转，H为旋转矩阵，f为旋转、平移、翻转的图像变换函数。
进一步地，Cstruct(q)为结构相干项，表征输入图像结构中的图像块与实时合成的目标图像中的图像块的结构相似性，数学模型如下：
Figure BDA0003036031880000061
Figure BDA0003036031880000062
Figure BDA0003036031880000063
其中，Tstruct为输入图像，
Figure BDA0003036031880000064
用来判断Nq的w×w范围内是否是一结构纹理，τ(Nq)用来统计Nq内存在的结构纹理个数。
参照附图1，本发明的具体实施方式描述如下。
步骤1，将内窥镜的图像信号作为输入图像，设定清晰化后的图像分辨率为u×v；
输入图像为内窥镜的RGB的三通道彩色图像信号；
步骤2，纹理提取：
(2a)根据所在人体场景，选取一张合适的血管纹理参照图像，该参照图像为高分辨率血管纹理图像，且参考图像的分辨率大于内窥镜图像清晰化后的分辨率u×v；
(2b)利用多倍采样的方法，对图像进行尺度变换，多倍采样的方法的具体实施步骤如下：
第1步，采用上采样对输入图像进行像素扩充，生成u×v的图像a，若上采样无法对齐u×v的分辨率将自动填充零值；
第2步，采用下采样对输入图像分别进行2倍下采样，4倍下采样，8倍下采样，生成图像a1、图像a2、图像a3；
第3步，采用下采样对参考图像组进行缩放，生成u×v的图像b，若下采样无法对齐u×v的分辨率将自动填充零值；
(2c)将(2b)中生成的图像分别进行拆分，拆分的具体步骤如下：
第1步，将图像a拆分成m个3×3的子块；
第2步，将图像a1、图像a2、图像a3分别拆分成o个、p个、q个3×3的子块；
第3步，将图像b拆分成n个3×3的子块；
步骤3，纹理合成：
(3a)生成一张大小为预期图像分辨率的空白图像；
(3b)按照下式度量(2c)中图像a与图像a1、图像a2、图像a3、图像b的若干子块图像的相似系数。
(3c)根据图像a的子块与图像a1、图像a2、图像a3、图像b子块的相似系数，判断当前的相似水平，若为极强相关和强相关，则将图像a1、图像a2、图像a3、图像b的局部纹理子块填充至空白图像的合适位置，否则，则将图像a的局部纹理子块填充至空白图像的合适位置；
(3d)经过上述操作后，将生成一个合成的纹理图像；
步骤4，纹理优化：
(4a)建立输入图像纹理优化的数学模型；
(4b)迭代优化建立的优化数学模型。
将纹理合成过程看作一个优化问题，以多尺度方式在每个尺度上利用最大期望值算法不断迭代优化目标函数，计算输入图像和合成图像的结构相干项,再计算输入图像和合成图像的纹理相干项，以此加入两个权重参数来进行迭代计算直至收敛，得到优化后的内窥镜血管纹理增强图像。
采用了本发明的基于多倍采样的内窥镜图像血管纹理增强方法，本发明通过多倍采样的操作，对原尺度图像的局部纹理，变尺度图像的局部纹理进行提取，保证生成合成纹理自然连续和高相似性。本发明采取的纹理优化算法，建立数学模型进行优化，进一步提高血管纹理的清晰度。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (5)

1.一种基于多倍采样的内窥镜图像血管纹理增强方法，其特征在于，包括纹理提取、纹理合成、纹理优化三个主要步骤，具体包括以下步骤：
步骤1，将内窥镜采集的图像作为输入图像；
步骤2，根据所在人体场景，选取一张合适的血管纹理参照图像；
步骤3，将所述输入图像进行上采样操作，使其达到期望的图像尺寸，作为图像a；
步骤4，将所述图像a拆分成m个3×3的局部纹理子块，构成局部纹理子块群1；
步骤5，原始的输入图像分别进行2倍上采样、4倍上采样、8倍上采样，生成图像a1、图像a2、图像a3，将所述图像a1、所述图像a2、所述图像a3分别拆分成o个、p个、q个3×3的子块；
步骤6，将所述参考图像进行下采样操作，使其达到期望的图像尺寸，作为图像b；
步骤7，将所述图像b拆分成n个3×3的局部纹理子块，与所述图像a1的o个子块、所述图像a2的p个子块、所述图像a3的q个子块构成局部纹理子块群2；
步骤8，计算所述局部纹理子块群1与局部纹理子块群2的相似系数；
步骤9，生成一张空白图像，使其为期望的图像尺寸；
步骤10，根据所述局部纹理子块群1与所述局部纹理子块群2的相似系数，判断当前的相似水平，若为强相似，将局部纹理子块群2对应的3×3子块填充至所述空白图像的相应位置，否则，将局部纹理子块群1对应的3×3子块填充至所述空白图像的对应位置；
步骤11，重复步骤10，直至空白图像被所述图像a、所述图像a1、所述图像a2、所述图像a3、所述图像b的子块完全填充，即生成一张血管纹理的合成图像；
步骤12，根据所述输入图像、所述合成图像的纹理，建立优化数学模型，通过迭代优化所述数学模型来增强血管的纹理，得到优化后的内窥镜血管纹理增强图像。
2.根据权利要求1所述的一种基于多倍采样的内窥镜图像血管纹理增强方法，其特征在于，步骤3～6涉及的特征纹理子块，通过多倍采样的方法，生成1/2倍，1/4倍或1/8倍的多尺度局部纹理图像。
3.根据权利要求1所述的一种基于多倍采样的内窥镜图像血管纹理增强方法，其特征在于，步骤2中将参照图像的纹理作为先验知识，辅助生成合成纹理图像。
4.根据权利要求1所述的一种基于多倍采样的内窥镜图像血管纹理增强方法，其特征在于，步骤9中采取阈值区间的方法，进行多区间的相似系数判断。
5.根据权利要求1所述的一种基于多倍采样的内窥镜图像血管纹理增强方法，其特征在于，步骤11中采用迭代优化目标损失函数，计算输入图像和合成图像的结构相干项，再计算输入图像和合成图像的纹理相干项，以此加入两个权重参数来进行迭代计算，损失最小或者达到结束时间，优化结束，生成清晰化后的图像。
CN202110443873.XA 2021-04-23 2021-04-23 一种基于多倍采样的内窥镜图像血管纹理增强方法 Active CN112967209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110443873.XA CN112967209B (zh) 2021-04-23 2021-04-23 一种基于多倍采样的内窥镜图像血管纹理增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110443873.XA CN112967209B (zh) 2021-04-23 2021-04-23 一种基于多倍采样的内窥镜图像血管纹理增强方法

Publications (2)

Publication Number Publication Date
CN112967209A true CN112967209A (zh) 2021-06-15
CN112967209B CN112967209B (zh) 2022-08-02

Family

ID=76281188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110443873.XA Active CN112967209B (zh) 2021-04-23 2021-04-23 一种基于多倍采样的内窥镜图像血管纹理增强方法

Country Status (1)

Country Link
CN (1) CN112967209B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070002071A1 (en) * 2005-06-30 2007-01-04 Microsoft Corporation Parallel texture synthesis by upsampling pixel coordinates
CN101872472A (zh) * 2010-06-02 2010-10-27 中国科学院自动化研究所 一种基于样本学习的人脸图像超分辨率重建方法
US20130286172A1 (en) * 2010-12-24 2013-10-31 Olympus Corporation Endoscope apparatus, information storage device, and image processing method
WO2014114635A1 (en) * 2013-01-24 2014-07-31 Thomson Licensing Method and apparatus for performing super-resolution of single images
CN104881862A (zh) * 2015-04-03 2015-09-02 南通大学 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
CN107330854A (zh) * 2017-06-15 2017-11-07 武汉大学 一种基于新型模板的图像超分辨率增强方法
CN107392854A (zh) * 2017-07-18 2017-11-24 西安交通大学 一种基于局部自适应增益因子的联合上采样方法
CN107578455A (zh) * 2017-09-02 2018-01-12 西安电子科技大学 基于卷积神经网络的任意尺寸样本纹理合成方法
CN110021031A (zh) * 2019-03-29 2019-07-16 中广核贝谷科技有限公司 一种基于图像金字塔的x射线图像增强方法
CN110490843A (zh) * 2019-07-23 2019-11-22 苏州国科视清医疗科技有限公司 一种眼底图像血管分割方法
CN112200795A (zh) * 2020-10-23 2021-01-08 苏州慧维智能医疗科技有限公司 一种基于深度卷积网络的大肠内窥镜息肉检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070002071A1 (en) * 2005-06-30 2007-01-04 Microsoft Corporation Parallel texture synthesis by upsampling pixel coordinates
CN101872472A (zh) * 2010-06-02 2010-10-27 中国科学院自动化研究所 一种基于样本学习的人脸图像超分辨率重建方法
US20130286172A1 (en) * 2010-12-24 2013-10-31 Olympus Corporation Endoscope apparatus, information storage device, and image processing method
WO2014114635A1 (en) * 2013-01-24 2014-07-31 Thomson Licensing Method and apparatus for performing super-resolution of single images
CN104881862A (zh) * 2015-04-03 2015-09-02 南通大学 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
CN107330854A (zh) * 2017-06-15 2017-11-07 武汉大学 一种基于新型模板的图像超分辨率增强方法
CN107392854A (zh) * 2017-07-18 2017-11-24 西安交通大学 一种基于局部自适应增益因子的联合上采样方法
CN107578455A (zh) * 2017-09-02 2018-01-12 西安电子科技大学 基于卷积神经网络的任意尺寸样本纹理合成方法
CN110021031A (zh) * 2019-03-29 2019-07-16 中广核贝谷科技有限公司 一种基于图像金字塔的x射线图像增强方法
CN110490843A (zh) * 2019-07-23 2019-11-22 苏州国科视清医疗科技有限公司 一种眼底图像血管分割方法
CN112200795A (zh) * 2020-10-23 2021-01-08 苏州慧维智能医疗科技有限公司 一种基于深度卷积网络的大肠内窥镜息肉检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周文举 等: "基于迭代学习和卡尔曼滤波的相机精确抓拍控制方法", 《仪器仪表学报》 *
姜鸿鹏 等: "一种血管内窥镜图像增强算法", 《光电工程》 *
张亚 等: "CT 纹理分析用于自身免疫性胰腺炎及胰腺癌鉴别诊断的可行性", 《现代医用影像学》 *

Also Published As

Publication number Publication date
CN112967209B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN109448041B (zh) 一种胶囊内镜图像三维重建方法及系统
CN111445390B (zh) 基于宽残差注意力的三维医学图像超分辨率重建方法
JP2015129987A (ja) 医用高解像画像形成システムおよび方法。
CN106934821A (zh) 一种基于icp算法和b样条的锥形束ct和ct图像配准方法
CN107590775B (zh) 一种利用回归树场的图像超分辨率放大方法
CN107809630B (zh) 基于改进虚拟视点合成的多视点视频超分辨率重建算法
CN111899165A (zh) 一种基于功能模块的多任务图像重建卷积网络模型
JP5709216B2 (ja) 画像処理プログラム、方法及び装置
CN112614169A (zh) 基于深度学习网络的2d/3d脊椎ct层级配准方法
CN112767243B (zh) 一种高光谱图像超分辨率的实现方法及系统
CN107330860A (zh) 一种基于ct图像边缘的有理插值缩放方法
CN117012344B (zh) 一种4cmos相机采集的图像分析方法
CN111178499A (zh) 一种基于生成对抗网络改进的医学图像超分辨率方法
CN108038840B (zh) 一种图像处理方法、装置、图像处理设备及存储介质
CN114792287A (zh) 一种基于多图像融合的医学超声图像超分辨率重建方法
CN114399527A (zh) 单目内窥镜无监督深度和运动估计的方法及装置
CN114663575A (zh) 图像处理的方法、设备和计算机可读存储介质
Yang et al. A survey of super-resolution based on deep learning
CN117392312A (zh) 基于可变形神经辐射场的单目内窥镜新视角图像生成方法
CN117237196A (zh) 基于隐式神经表征的脑部mri超分辨率重建方法及系统
Yang et al. Endoscopic image deblurring and super-resolution reconstruction based on deep learning
CN112967209B (zh) 一种基于多倍采样的内窥镜图像血管纹理增强方法
CN111476764B (zh) 一种运动模糊ct图像三维重建的方法
CN108242049A (zh) 一种针对gpu优化的全尺度dr影像增强处理方法
US20220351339A1 (en) Systems and methods for real-time de-hazing in 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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210817

Address after: 200949 building 24, No. 1688, Jinshao Road, Baoshan District, Shanghai

Applicant after: ALTON (SHANGHAI) MEDICAL INSTRUMENTS Co.,Ltd.

Address before: No.99 SHANGDA Road, Baoshan District, Shanghai 200044

Applicant before: Shanghai University

GR01 Patent grant
GR01 Patent grant