CN113870141A - 一种彩色眼底图像增强方法 - Google Patents
一种彩色眼底图像增强方法 Download PDFInfo
- Publication number
- CN113870141A CN113870141A CN202111173000.8A CN202111173000A CN113870141A CN 113870141 A CN113870141 A CN 113870141A CN 202111173000 A CN202111173000 A CN 202111173000A CN 113870141 A CN113870141 A CN 113870141A
- Authority
- CN
- China
- Prior art keywords
- space
- color
- component
- rgb
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000000717 retained effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000002087 whitening 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
- G06T5/90—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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种彩色眼底图像增强方法，步骤包括：对输入的RGB图像进行颜色空间转换，由RGB空间转为HSV空间，得到V分量；对V分量进行基于亮度的自适应幂律算法调整，实现亮度增强，将调整V分量后的HSV空间转为RGB空间；将所得到的RGB空间转换为Lab空间，得到L分量；对所述L分量进行CLAHE处理，实现细节增强；将对所述L分量进行处理后的Lab空间转换为RGB空间，输出增强的RGB图像。本发明通过色彩空间转换分离出颜色信息实现颜色保真；通过对亮度信息进行增强处理实现亮度、细节增强，最终保留到增强图像上并进一步转换为RGB图像；改善了眼底图像的颜色失真及对比度低的问题，提高了眼底图像的质量，对后期眼底图像的识别、分割和分类具有重要的意义。
Description
技术领域
本发明涉及数字图像处理技术领域，具体涉及一种彩色眼底图像增强方法。
背景技术
眼底是人体唯一可以无创直接观察到较深层次微血管的部位，通过获取眼底 图像不仅可以为眼底疾病诊断提供直接依据，也是全身性心脑血管疾病的重要诊 疗依据。然而，由于采集的过程中图像质量容易受到镜头、光照和采集人员的经 验等不可控因素的影响造成彩色眼底图像的对比度差、亮度低、细节信息模糊甚 至信息丢失等问题，使得图像的质量下降，影响临床的诊断和治疗的效果，因此， 对眼底图像进行增强处理，可以提高临床诊断的准确性和效率，对后期眼底图像 的识别、分割和分类具有重要的意义。
现有的眼底图像增强方法主要基于直方图均衡化算法、小波变换、对比度受 限自适应直方图均衡化、Retinex算法和形态学高帽变化等方法。眼底图像大部 分都是彩色图像，采用以上方法直接对眼底彩色图像进行处理，虽然从一定程度 上都能够增强图像的对比度和亮度，但经过处理后的彩色图像存在泛白、出现光 晕等色彩失真或过增强的问题。因此，目前的眼底图像增强方法大部分是将彩色 图像转变为仅有绿色通道的灰度图像后再进行增强处理，虽然灰度图像便于处理， 但却丢失了颜色信息和R、B通道的细节信息，增强后无法获取眼底的彩色信息， 影响后续的分割和识别；另一方面，现有眼底彩色增强技术增强后的图像颜色失 真较大，出现光晕或者由于图像的亮度不均匀增强后造成过增强的情况。
发明内容
为了解决上述现有技术中的不足，本发明提供一种彩色眼底图像增强方法， 实现眼底图像的颜色保真及提高图像的清晰度和对比度。
为实现上述技术目的一种彩色眼底图像增强方法，步骤包括：
步骤1、对输入的RGB图像进行颜色空间转换，由RGB空间转为HSV空间，得到 V分量；
步骤2、对所述V分量进行基于亮度的自适应幂律算法调整，实现亮度增强， 将调整V分量后的HSV空间转为RGB空间；
步骤3、将步骤2所得到的RGB空间转换为Lab空间，得到L分量；
步骤4、对所述L分量进行CLAHE处理，实现细节增强；
步骤5、将对所述L分量进行处理后的Lab空间转换为RGB空间，输出增强的RGB 图像。
进一步地，在步骤1中，将RGB颜色空间转为HSV颜色空间的具体计算方法为：
进一步地，在步骤2中，所述基于亮度的自适应幂律算法中伽马校正的自适 应参数计算方法为：
步骤2.1、计算图像的亮度平均值；
步骤2.2、计算图像的最佳亮度值；
步骤2.3、以图像的亮度平均值偏离最佳亮度值的归一化计算伽马校正的自 适应参数。
进一步地，所述图像的亮度平均值AL(i)的计算方法：
式中，L(i,x,y)表示第i颜色分量在点(x,y)的亮度，M表示x方向的像素点，N 表示y方向的像素点。
进一步地，所述最佳亮度值ALop根据式子(4)计算得出：
j表示灰度级。
进一步地，伽马校正的自适应参数的计算方法是：以图像的亮度平均值偏离 最佳亮度值的归一化处理；
进一步地，在步骤3中，将RGB空间转换为Lab空间的方法为：将RGB空间 先转换为XYZ空间，再转换为Lab空间，转换公式如(7)、(8)所示：
其中：
与现有技术相比，本发明的有益效果有：本发明的彩色眼底图像增强方法将 眼底图像增强分解为颜色保真任务和亮度、细节增强任务，对于颜色保真任务， 主要通过色彩空间转换分离出颜色信息；对于亮度、细节增强的任务，主要通过 对亮度信息进行增强处理，最终保留到增强图像上并进一步转换为RGB图像；与 其他的图像增强算法有更好的视觉效果，改善了眼底图像的颜色失真及对比度低 的问题，提高了眼底图像的质量，对后期眼底图像的识别、分割和分类具有重要 的意义。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用 的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此 不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例的算法流程图；
图2是原始图像与基于亮度的自适应幂律算法校正后的图及所对应的灰度谱；
图3是经基于亮度的自适应伽马矫正后和经CLAHE变换后图像的结果图像；
图4是DIABETED0数据库中几种算法处理结果图；
图5是MESSIDOR数据库中几种算法处理结果图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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 描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中 描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此， 以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本 申请的范围，而是仅仅表示本申请的选定实施例。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。
本发明公开一种彩色眼底图像增强方法，基本流程如图1所示，具体包括以 下步骤：
步骤1、对输入的RGB图像进行颜色空间转换，由RGB空间转为HSV空间，得到 V分量。
根据三原色原理，R(红色)、G(绿色)和B(蓝色)三种基本颜色按照不 同比例组合可形成成千上万的颜色。现有的许多增强算法对图像进行处理时，直 接对RGB色度进行处理，由于RGB的各个分量与亮度通道有密切的关系，因此对亮 度处理后直接合成可能会改变原图像色度通道间的比例，从而引起图像增强后产 生颜色失真现象，如果要保持颜色不失真，则需要保证所处理结果的各颜色通道 间的比例关系保持不变。HSV空间模型是由色调(H)、饱和度(S)和亮度(V)组成 的彩色空间模型，适用于对图像亮度进行增强。在本实施例中，首先将RGB转换 为HSV空间对亮度(V)分量进行自适应幂律算法调整，饱和度(S)分量和色调 (H)分量保持不变，使得眼底图像整体的亮度和对比度达到平衡。
将RGB颜色空间转为HSV颜色空间，具体的计算方法为：
步骤2、对V分量进行基于亮度的自适应幂律算法调整，实现亮度增强，将调 整V分量后的HSV空间转为RGB空间。
S＝crγ (2)
幂律算法中的γ参数,称之为伽马参数，是将较窄范围的暗输入值映射为较宽 范围的输出值，相反，对于输入高灰度值也是成立的。根据伽马值的不同，可以 输出不同程度的变换曲线，调整合适的γ值，使得图像的亮度和对比度达到一个 平衡。但由于所处理的眼底图像的亮度不同，传统的幂律算法中的γ值是预定义 的，因此可能导致每个图像的亮度变换程度不一致。为了解决这个问题，本实施 例提出了一种基于亮度的自适应的幂律伽马系数校正方法。
人的视觉特性是非线性的，因此适当的亮度，是评价图像质量的最重要的参 数。式(3)是图像亮度平均值AL(i)的计算方法：
式中，L(i,x,y)表示第i颜色分量在点(x,y)的亮度，M表示x方向的像素点，N表 示y方向的像素点。
最佳亮度值ALop可以根据式子(4)计算得出：
j表示灰度级；
我们采用此最佳亮度值ALop对伽马函数进行自适应变换。
首先，求出图像整体的亮度平均值AL(i)，并以此来判断图像的整体曝光 质量。具体的，以式子(4)中所得到的最佳亮度值ALop＝127.5为基准，如果图 像均值超过127.5，则视为偏亮，否则，视为偏暗。因此，以图像亮度平均值 偏离最佳亮度值127.5的归一化作为伽马校正的自适应参数：
如图2所示，图2(a)为原始图像及其色谱值，图2(b)为自适应伽马校正 后的图像及其色谱值。
步骤3、将步骤2所得到的RGB空间转换为Lab空间，得到L分量。
RGB空间无法直接转换为Lab空间，因此将RGB空间先转换为XYZ空间，再 转换为Lab空间，转换公式如(7)、(8)所示：
其中：
步骤4、对所述L分量进行CLAHE(限制对比度自适应直方图均衡)处理，实现 细节增强。
为了进一步提高眼底图像的质量，还需要对眼底图像的细节部分进行增强处 理。CLAHE(限制对比度自适应直方图均衡)是目前直方图增强方法中提高图像 局部对比度的最有效方法。本实施例采用CLAHE方法对眼底彩色图像进行增强。
若直接在RGB颜色空间中进行CLAHE方法的处理会使得彩色眼底图像失真， 因此本实施例将RGB空间转化为Lab空间对L分量进行CLAHE处理，由于只对L分量 进行处理，因此不会影响空间中另外两个分量的颜色信息。
步骤5、将对L分量进行处理后的Lab空间转换为RGB空间，输出增强的RGB图 像。
本发明的彩色眼底图像增强方法将RGB通道分别转换为HSV和Lab通道后再分 别进行增强处理，将亮度与色度的处理分开，使得处理后的眼底图像兼顾颜色保 真与细节亮度相匹配的眼底图像增强方法，有效提高了眼底图像的质量，对后期 眼底图像的识别、分割和分类具有重要的意义。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况 下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相 应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种彩色眼底图像增强方法，其特征在于：步骤包括：
步骤1、对输入的RGB图像进行颜色空间转换，由RGB空间转为HSV空间，得到V分量；
步骤2、对所述V分量进行基于亮度的自适应幂律算法调整，实现亮度增强，将调整V分量后的HSV空间转为RGB空间；
步骤3、将步骤2所得到的RGB空间转换为Lab空间，得到L分量；
步骤4、对所述L分量进行CLAHE处理，实现细节增强；
步骤5、将对所述L分量进行处理后的Lab空间转换为RGB空间，输出增强的RGB图像。
2.根据权利要求1所述的彩色眼底图像增强方法，其特征在于：
在步骤1中，将RGB颜色空间转为HSV颜色空间的具体计算方法为：
3.根据权利要求1所述的彩色眼底图像增强方法，其特征在于：
在步骤2中，所述基于亮度的自适应幂律算法中伽马校正的自适应参数计算方法为：步骤2.1、计算图像的亮度平均值；
步骤2.2、计算图像的最佳亮度值；
步骤2.3、以图像的亮度平均值偏离最佳亮度值的归一化计算伽马校正的自适应参数。
4.根据权利要求3所述的彩色眼底图像增强方法，其特征在于：所述图像的亮度平均值AL(i)的计算方法为：
式中，L(i,x,y)表示第i颜色分量在点(x,y)的亮度，M表示x方向的像素点，N表示y方向的像素点。
5.根据权利要求4所述的彩色眼底图像增强方法，其特征在于：所述最佳亮度值ALop根据式子(4)计算得出：
j表示灰度级。
6.根据权利要求5所述的彩色眼底图像增强方法，其特征在于：伽马校正的自适应参数的计算方法是：以图像的亮度平均值偏离最佳亮度值的归一化处理；
7.根据权利要求1所述的彩色眼底图像增强方法，其特征在于：在步骤3中，将RGB空间转换为Lab空间的方法为：将RGB空间先转换为XYZ空间，再转换为Lab空间，转换公式如(7)、(8)所示：
其中：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111173000.8A CN113870141A (zh) | 2021-10-08 | 2021-10-08 | 一种彩色眼底图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111173000.8A CN113870141A (zh) | 2021-10-08 | 2021-10-08 | 一种彩色眼底图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113870141A true CN113870141A (zh) | 2021-12-31 |
Family
ID=79002047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111173000.8A Pending CN113870141A (zh) | 2021-10-08 | 2021-10-08 | 一种彩色眼底图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113870141A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102376082A (zh) * | 2010-08-06 | 2012-03-14 | 株式会社理光 | 基于伽马校正的图像处理方法和装置 |
| WO2016000331A1 (zh) * | 2014-06-30 | 2016-01-07 | 京东方科技集团股份有限公司 | 一种图像增强方法、图像增强装置及显示装置 |
| CN109493291A (zh) * | 2018-10-29 | 2019-03-19 | 南京邮电大学 | 一种自适应伽马校正的彩色图像对比度增强方法 |
| CN110047051A (zh) * | 2019-04-24 | 2019-07-23 | 郑州轻工业学院 | 一种非均匀照明彩色图像增强方法 |
| CN111968065A (zh) * | 2020-10-23 | 2020-11-20 | 浙江科技学院 | 一种亮度不均匀图像的自适应增强方法 |
| CN112785532A (zh) * | 2021-01-12 | 2021-05-11 | 安徽大学 | 基于加权直方图分布伽玛校正的奇异值均衡图像增强算法 |
-
2021
- 2021-10-08 CN CN202111173000.8A patent/CN113870141A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102376082A (zh) * | 2010-08-06 | 2012-03-14 | 株式会社理光 | 基于伽马校正的图像处理方法和装置 |
| WO2016000331A1 (zh) * | 2014-06-30 | 2016-01-07 | 京东方科技集团股份有限公司 | 一种图像增强方法、图像增强装置及显示装置 |
| CN109493291A (zh) * | 2018-10-29 | 2019-03-19 | 南京邮电大学 | 一种自适应伽马校正的彩色图像对比度增强方法 |
| CN110047051A (zh) * | 2019-04-24 | 2019-07-23 | 郑州轻工业学院 | 一种非均匀照明彩色图像增强方法 |
| CN111968065A (zh) * | 2020-10-23 | 2020-11-20 | 浙江科技学院 | 一种亮度不均匀图像的自适应增强方法 |
| CN112785532A (zh) * | 2021-01-12 | 2021-05-11 | 安徽大学 | 基于加权直方图分布伽玛校正的奇异值均衡图像增强算法 |
Non-Patent Citations (2)
| Title |
|---|
| JUAN GABRIEL GOMILA SALAS,ET AL.: "Local Color Correction", 《IMAGE PROCESSING ON LINE》 * |
| 金玉多: "改进Gamma校正的人脸图像光照预处理算法", 《电脑知识与技术》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104182947B (zh) | 一种低照度图像增强方法和系统 | |
| CN106897972A (zh) | 一种白平衡与暗原色的自适应直方图水下图像增强方法 | |
| CN106504212A (zh) | 一种改进的hsi空间信息低照度彩色图像增强算法 | |
| CN106997584A (zh) | 一种雾霾天气图像增强方法 | |
| Jang et al. | Adaptive color enhancement based on multi-scaled Retinex using local contrast of the input image | |
| CN106651817A (zh) | 一种基于非抽样Contourlet的图像增强方法 | |
| Lee et al. | Color image enhancement using histogram equalization method without changing hue and saturation | |
| Daway et al. | Colour image enhancement by fuzzy logic based on sigmoid membership function | |
| CN106485674A (zh) | 一种基于融合技术的弱光图像增强方法 | |
| CN111968065A (zh) | 一种亮度不均匀图像的自适应增强方法 | |
| CN109886885B (zh) | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 | |
| CN109493289B (zh) | 一种具有亮度及饱和度双重非线性图像增强方法 | |
| CN114627009A (zh) | 一种基于亮度校正和融合通道先验的图像增强方法及系统 | |
| CN112598607B (zh) | 基于改进加权clahe的内窥镜图像血管增强算法 | |
| Wu et al. | Low-Light image enhancement algorithm based on HSI color space | |
| Jang et al. | Color correction by estimation of dominant chromaticity in multi-scaled retinex | |
| CN112465711A (zh) | 一种针对雾天环境下的降质图像增强方法 | |
| CN112233024A (zh) | 基于差异特征色彩映射的中长波双波段红外图像融合方法 | |
| CN111815548A (zh) | 一种中长波双波段红外图像融合方法 | |
| Yu et al. | Color constancy-based visibility enhancement in low-light conditions | |
| Asari et al. | Nonlinear enhancement of extremely high contrast images for visibility improvement | |
| CN113870141A (zh) | 一种彩色眼底图像增强方法 | |
| JP4719559B2 (ja) | 画質改善装置及びプログラム | |
| Singh et al. | Spatial domain color image enhancement based on local processing | |
| CN115293989A (zh) | 一种综合MsRcR和自动色阶的图像增强方法 |
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 |