CN113920042A - 图像处理系统及胶囊内窥镜 - Google Patents

图像处理系统及胶囊内窥镜 Download PDF

Info

Publication number
CN113920042A
CN113920042A CN202111126445.0A CN202111126445A CN113920042A CN 113920042 A CN113920042 A CN 113920042A CN 202111126445 A CN202111126445 A CN 202111126445A CN 113920042 A CN113920042 A CN 113920042A
Authority
CN
China
Prior art keywords
image
matrix
image matrix
rgb
biological characteristic
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
CN202111126445.0A
Other languages
English (en)
Other versions
CN113920042B (zh
Inventor
夏波
王建平
阚述贤
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.)
Shenzhen Jifu Medical Technology Co ltd
Original Assignee
Shenzhen Jifu Medical Technology Co ltd
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 Shenzhen Jifu Medical Technology Co ltd filed Critical Shenzhen Jifu Medical Technology Co ltd
Priority to CN202111126445.0A priority Critical patent/CN113920042B/zh
Publication of CN113920042A publication Critical patent/CN113920042A/zh
Application granted granted Critical
Publication of CN113920042B publication Critical patent/CN113920042B/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
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
    • A61B1/041—Capsule endoscopes for imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T2207/30028—Colon; Small intestine
    • 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
    • G06T2207/30092—Stomach; Gastric

Abstract

本发明公开一种图像处理系统，包括胶囊内窥镜和终端设备，该胶囊内窥镜的图像采集模块采集目标区域的第一图像数据及第二图像数据，分别得到第一RGB图像矩阵S1和第二RGB图像矩阵S2；该胶囊内窥镜的图像处理模块提取该矩阵S2中每个像素点的生物特征信息，生成生物特征图像矩阵M，并分别对该矩阵S1和该矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′；该终端设备分别对该矩阵S1′和该矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″；该终端设备对该矩阵S1″和该矩阵M″进行增强融合处理，得到RGB特征融合图像Starget，有利于病灶的识别和诊断，提高了胶囊内窥镜检测结果的准确性。

Description

图像处理系统及胶囊内窥镜
技术领域
本发明涉及医疗器械技术领域，尤其涉及一种图像处理系统及胶囊内窥镜。
背景技术
胶囊内窥镜采集的原始图像数据传输到体外的过程中因受到射频传输带宽和电池电量的限制，在传输之前，原始图像数据需经高倍压缩之后，再通过射频模块传输到体外，之后，经终端设备解压缩及色彩增强处理来还原原始图像数据，得到还原后的图像数据。经过上述处理，还原后的图像数据与原始图像数据相比，清晰度降低，图像失真，尤其是重要的生物特征信息丢失，从而影响病灶的识别和诊断，进而影响胶囊内窥镜的检测结果的准确性。
发明内容
为了解决现有技术中存在的上述至少一个技术问题，本发明实施例提供一种图像处理系统及胶囊内窥镜，实现了对传输到体外的胶囊内窥镜拍摄的第一图像数据和第二图像数据的增强处理，防止了体内目标区域的第一图像数据和第二图像数据中的重要的生物特征信息经压缩和传输而丢失，传输到体外的第一图像数据和第二图像数据经增强处理后有利于病灶的识别和诊断，进而提高了胶囊内窥镜的检测结果的准确性。
本发明实施例提供一种图像处理系统，包括胶囊内窥镜和终端设备，所述胶囊内窥镜包括图像采集模块和图像处理模块，
所述图像采集模块采集目标区域的第一图像数据，得到第一RGB图像矩阵S1；所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2；
所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M，其中i∈(1，M)，j∈(1，N)，M和N分别为正整数；
所述图像处理模块分别对所述第一RGB图像矩阵S1和所述生物特征图像矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′；
所述终端设备分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″；
所述终端设备对所述解压后的第一RGB图像矩阵S1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到RGB特征融合图像Starget。
在一些实施例中，所述胶囊内窥镜包括照明模块，所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2之前包括：
所述照明模块提供预设光源分量配比的光源Ldefine。
在一些实施例中，所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2包括：
所述图像采集模块在所述预设光源分量配比的光源Ldefine下，关闭AWB(自动白平衡)模块和CCM(色彩校正矩阵)模块，并采集所述目标区域的所述第二图像数据，得到所述第二RGB图像矩阵S2。
在一些实施例中，所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M包括：
所述图像处理模块对所述第二RGB图像矩阵S2中每个像素点采用生物特征指数公式，得到每个所述像素点的生物特征数值，并生成初始生物特征图像矩阵M1；
所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2；
所述图像处理模块对所述初始生物特征图像矩阵M1和所述腐蚀后的图像矩阵M2进行异或运算，得到所述生物特征图像矩阵M。
在一些实施例中，所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2之前还包括：
所述图像处理模块过滤所述初始生物特征图像矩阵M1中偏离均值超过第一预设阈值的像素点，得到过滤后的初始生物特征图像矩阵M1′。
在一些实施例中，所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2之前还包括：
所述图像处理模块对所述初始生物特征图像矩阵M1进行二值化处理，得到二值化后的初始生物特征图像矩阵M1″。
在一些实施例中，所述图像处理模块分别对所述第一RGB图像矩阵S1和所述生物特征图像矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′包括：
所述图像处理模块对所述第一RGB图像矩阵S1进行有损压缩处理，得到所述压缩后的第一RGB图像矩阵S1′；
所述图像处理模块对所述生物特征图像矩阵M进行无损压缩处理，得到所述压缩后的生物特征图像矩阵M′。
在一些实施例中，所述图像处理模块对所述生物特征图像矩阵M进行无损压缩处理，得到所述压缩后的生物特征图像矩阵M′ij包括：
所述图像处理模块对所述生物特征图像矩阵M进行降维处理，得到所述压缩后的生物特征图像矩阵M′，所述压缩后的生物特征图像矩阵M′包括S子矩阵S*，V子矩阵V*和D子矩阵D*。
在一些实施例中，所述胶囊内窥镜还包括射频模块，所述终端设备分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″之前还包括：
所述图像处理模块将所述压缩后的第一RGB图像矩阵S1′、所述S子矩阵S*、所述V子矩阵V*和所述D子矩阵D*合成数据包；
所述射频模块将所述数据包发送到体外；
所述终端设备接收所述数据包。
在一些实施例中，所述终端设备分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″包括：
所述终端设备对所述压缩后的第一RGB图像矩阵S1′进行解压缩处理，得到所述解压后的第一RGB图像矩阵S1″；
所述终端设备对所述S子矩阵S*，所述V子矩阵V*和所述D子矩阵D*进行矩阵乘法运算，得到所述解压后的生物特征图像矩阵M″。
在一些实施例中，所述终端设备对所述解压后的第一RGB图像矩阵S1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到RGB特征融合图像Starget包括：
所述终端设备将所述解压后的第一RGB图像S1″转换为第一HSV图像N1″，获取所述第一HSV图像N1″中Hchannel、Schannel、Vchannel通道数据，得到H通道数据H1″、S通道数据S1″、V通道数据V1″；
所述终端设备对所述V通道数据V1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到增强融合后的矩阵Venhance；
所述终端设备将所述H通道数据H1″、所述S通道数据S1″和所述矩阵Venhance转换到RGB颜色空间，得到所述RGB特征融合图像Starget。
本发明实施例提供一种胶囊内窥镜，包括图像采集模块、图像处理模块和射频模块，
所述图像采集模块采集目标区域的第一图像数据，得到第一RGB图像矩阵S1；所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2；
所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M，其中i∈(1，M)，j∈(1，N)，M和N分别为正整数；
所述图像处理模块分别对所述第一RGB图像矩阵S1和所述生物特征图像矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′；
所述射频模块将所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′发送到体外，以使终端设备分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″，以及使所述终端设备对所述解压后的第一RGB图像矩阵S1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到RGB特征融合图像Starget。
在一些实施例中，所述胶囊内窥镜包括照明模块，所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2之前包括：
所述照明模块提供预设光源分量配比的光源Ldefine。
在一些实施例中，所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2包括：
所述图像采集模块在所述预设光源分量配比的光源Ldefine下，关闭AWB(自动白平衡)模块和CCM(色彩校正矩阵)模块，并采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2。
在一些实施例中，所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M包括：
所述图像处理模块对所述第二RGB图像矩阵S2中每个像素点RGB2ij采用生物特征指数公式，得到每个所述像素点的生物特征数值，并生成初始生物特征图像矩阵M1；
所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2；
所述图像处理模块对所述初始生物特征图像矩阵M1和所述腐蚀后的图像矩阵M2进行异或运算，得到所述生物特征图像矩阵M。
在一些实施例中，所述图像处理模块对所述生物特征图像矩阵M进行压缩处理，得到压缩后的生物特征图像矩阵M′包括：
所述图像处理模块对所述生物特征图像矩阵M进行降维处理，得到所述压缩后的生物特征图像矩阵M′，所述压缩后的生物特征图像矩阵M′包括S子矩阵S*，V子矩阵V*和D子矩阵D*。
本发明实施例提供的一种图像处理系统，胶囊内窥镜采集目标区域的第一图像数据，得到第一RGB图像矩阵S1，采集目标区域的第二图像数据，得到第二RGB图像矩阵S2，通过胶囊内窥镜的图像处理模块以及终端设备对所述第一RGB图像矩阵S1和所述第二RGB图像矩阵S2进行处理，得到RGB特征融合图像Starget，实现了对传输到体外的第一图像数据和第二图像数据的增强处理，防止了目标区域的第一图像数据和第二图像数据中的重要的生物特征信息经压缩和传输而丢失，传输到体外的第一图像数据和第二图像数据经增强处理后有利于病灶的识别和诊断，进而提高了胶囊内窥镜的检测结果的准确性。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。
图1为本发明实施例提供的一种图像处理系统的示意图；
图2为本发明实施例提供的另一种图像处理系统中的胶囊内窥镜的示意图。在附图中：
胶囊内窥镜1、终端设备2。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供一种图像处理系统，包括胶囊内窥镜1和终端设备2，所述胶囊内窥镜1包括图像采集模块和图像处理模块，所述图像采集模块采集目标区域的第一图像数据，得到第一RGB图像矩阵S1；所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2；所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M，其中i∈(1，M)，j∈(1，N)，M和N分别为正整数；所述图像处理模块分别对所述第一RGB图像矩阵S1和所述生物特征图像矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′；所述终端设备2分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″；所述终端设备2对所述解压后的第一RGB图像矩阵S1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到RGB特征融合图像Starget。
具体地，所述图像处理系统包括胶囊内窥镜1和终端设备2，所述终端设备2可以是但不限于各种智能手机、平板电脑、笔记本电脑、台式计算机等。所述胶囊内窥镜1包括图像采集模块和图像处理模块。所述受检者吞服胶囊内窥镜1，所述胶囊内窥镜1在受检者的消化道内采集图像数据，可以采集食道、胃部、小肠、大肠等的图像数据。所述胶囊内窥镜1的照明模块可以是RGB彩色LED灯，经硬件管脚控制输出RED、GREEN和BLUE占比相同的白色光源照射于受检者的目标区域，该目标区域可以是胃部的24部位中的任意一部位，胶囊内窥镜1的图像采集模块采集该目标区域的第一图像数据，该图像采集模块可以是CMOS(Complementary Metal-Oxide-Semiconductor)摄像头，图像处理模块对所述图像数据进行校准，得到M*N分辨率的第一RGB图像矩阵
Figure BDA0003277795790000071
M和N分别为正整数，其中校准可以包括BPF(Bayer Pattern Filter，掩膜阵列)、BLC(Black LevelCorrection，暗电流校准)、LSC(Lens Shading Correction，镜头暗角校准)、BPC(BadPoint Correction，坏点校准)、AE(Auto Exprosure，自动曝光)、DNR(Digital NoiseReduction，降噪)、EE(Edge Enhance，增强)、Demosaic(去马赛克)、AWB(Auto WhiteBalance，自动白平衡)、CCM(Color Correction Matix，色彩校正矩阵)、GC(GammaCorrection，非线性映射)中一个或者多个算法。
在一些实施例中，所述照明模块提供预设光源分量配比的光源Ldefine。所述图像采集模块在所述预设光源分量配比的光源Ldefine下，关闭AWB模块和CCM模块，并采集所述目标区域的所述第二图像数据，得到所述第二RGB图像矩阵S2。具体地，本发明实施例中的所述生物特征信息可以是血管特征信息，也可以是其它生物特征信息。根据血管在生物体内的分布深度，且血管上的血红蛋白对蓝色和绿色波长光源的吸收系数的差异，使用预设分量配比的灯源，采集第二图像数据。所述照明模块控制RGB管脚供电系统，按照预设光源分量配比，即RED、GREEN和BLUE各分量按照预设占比，输出特殊调试色温后的灯源Ldefine，其中RED、GREEN和BLUE各分量的预设占比可以根据需要进行设定，在极短时间内，也即第一图像数据对应的视场场景不变的最短时间内，使用灯源Ldefine，关闭AWB(自动白平衡)模块和CCM(色彩校正矩阵)模块，并采集所述目标区域的所述第二图像数据，得到同样M*N分辨率的第二RGB图像矩阵
Figure BDA0003277795790000081
第二RGB图像矩阵S2为血红蛋白预处理图像矩阵。在预设光源分量配比的光源Ldefine下采集目标区域的所述第二图像数据，得到血红蛋白预处理图像，提升了图像增强处理的效果，更有利于病灶的识别和诊断，进一步提高了胶囊内窥镜1的检测结果的准确性。
所述图像处理模块提取所述RGB图像矩阵S中每个像素点RGBij的生物特征信息，生成生物特征图像矩阵M，其中i∈(1，M)，j∈(1，N)，M和N分别为正整数，其中生物特征信息，比如可以是血管特征信息。所述图像处理模块分别对所述第一RGB图像矩阵S1和所述生物特征图像矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′。
所述终端设备2分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″。
所述终端设备2对所述解压后的第一RGB图像矩阵S1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到RGB特征融合图像Starget。
本发明实施例提供的一种图像处理系统，胶囊内窥镜1在正常光源下采集目标区域的第一图像数据，得到第一RGB图像矩阵S1，在预设光源分量配比的光源Ldefine采集目标区域的第二图像数据，得到第二RGB图像矩阵S2，通过胶囊内窥镜1的图像处理模块以及终端设备2对所述第一RGB图像矩阵S1和所述第二RGB图像矩阵S2进行处理，得到RGB特征融合图像Starget，实现了对传输到体外的第一图像数据和第二图像数据的增强处理，防止了目标区域的第一图像数据和第二图像数据中的重要的生物特征信息经压缩和传输而丢失，传输到体外的第一图像数据和第二图像数据经增强处理后有利于病灶的识别和诊断，进而提高了胶囊内窥镜1的检测结果的准确性。
在一些实施例中，所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M包括：所述图像处理模块对所述第二RGB图像矩阵S2中每个像素点采用生物特征指数公式，得到每个所述像素点的生物特征数值，并生成初始生物特征图像矩阵M1；所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2；所述图像处理模块对所述初始生物特征图像矩阵M1和所述腐蚀后的图像矩阵M2进行异或运算，得到所述生物特征图像矩阵M。
具体地，本发明实施例中生物特征信息以血管特征为例，则生物特征指数公式如下：
Figure BDA0003277795790000091
其中，IHbij为血红蛋白吸收指数，Rij为像素点的Red值，Gij为像素点的Green值。
对所述第二RGB图像矩阵S2中像素点RGB2ij应用上述生物特征指数公式进行遍历运算，依次得到每个像素点的IHbij值，并生成所述初始生物特征图像矩阵
Figure BDA0003277795790000092
所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2。具体地，所述图像处理模块对所述初始生物特征图像矩阵M1执行预设邻域的尺寸大小的腐蚀运算，该预设邻域可以根据需要设定，比如可以是3*3的邻域，n次迭代直到初始生物特征图像M1被腐蚀完全消失。统计每次迭代消失像素点量Pdie_n，得到点云W[log(n)，log(Pdie_n)]，并在空间坐标系中标记。以所述点云的初始点为极坐标的原点，将该点云转换到极坐标系ρ-θ,统计极角度的方差，获取方差小于某个阈值下的点集W*，使得W*分布具有某个一致的方向，并记录此时的迭代数Ndie，此时的映射关系满足线性，并可以在空间坐标系中拟合为直线。
在映射图中，随着n增大，血管形态不断被腐蚀，且与消失像素点的对数成线性关系。在上述极坐标统计的时刻Ndie，其中Ndie为人体内血管形态迭代消失的总次数，当这种线性关系被破坏，即表明此时血管形态被腐蚀完全，得到腐蚀后的图像矩阵M2。可以理解的是Ndie＝N。
对所述初始生物特征图像矩阵M1和所述腐蚀后的图像矩阵M2按行列坐标做矩阵元素异或运算，分割出血管形态特征图像矩阵M。
在一些实施例中，所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2之前还包括：所述图像处理模块过滤所述初始生物特征图像矩阵M1中偏离均值超过第一预设阈值的像素点，得到过滤后的初始生物特征图像矩阵M1′。
具体地，所述图像处理模块对所述初始生物特征图像矩阵M1中的所有值按照如下公式做平均值统计，得到mean(M1)：
Figure BDA0003277795790000101
遍历所述初始生物特征图像矩阵M1中每个元素，使用条件阈值算法，过滤掉偏离均值mean(M)超过第一预设阈值的元素，该第一预设阈值可以根据需要进行设定，被过滤的元素的位置用0替代，得到过滤后的初始生物特征图像矩阵M1′，
Figure BDA0003277795790000102
过滤掉偏离均值的元素，可以提升图像增强效果。在一些实施例中，所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2之前还包括：所述图像处理模块对所述初始生物特征图像矩阵M1进行二值化处理，得到二值化后的初始生物特征图像矩阵M1″，
Figure BDA0003277795790000103
在一些实施例中，所述图像处理模块分别对所述第一RGB图像矩阵S1和所述生物特征图像矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′包括：所述图像处理模块对所述第一RGB图像矩阵S1进行有损压缩处理，得到所述压缩后的第一RGB图像矩阵S1′；所述图像处理模块对所述生物特征图像矩阵M进行无损压缩处理，得到所述压缩后的生物特征图像矩阵M′。有损压缩可以是进行jpeg压缩，无损压缩可以是奇异值分解(Singular Value Decomposition，以下简称SVD)。
在一些实施例中，所述图像处理模块对所述生物特征图像矩阵M进行无损压缩处理，得到所述压缩后的生物特征图像矩阵M′ij包括：所述图像处理模块对所述生物特征图像矩阵M进行降维处理，得到所述压缩后的生物特征图像矩阵M′，所述压缩后的生物特征图像矩阵M′包括S子矩阵S*，V子矩阵V*和D子矩阵D*。
具体地，对所述生物特征图像矩阵M进行SVD分解，生成高度压缩的S子矩阵S*，V子矩阵V*和D子矩阵D*。
在一些实施例中，所述胶囊内窥镜1还包括射频模块，所述终端设备2分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″之前还包括：所述图像处理模块将所述压缩后的第一RGB图像矩阵S1′、所述S子矩阵S*、所述V子矩阵V*和所述D子矩阵D*合成数据包；所述射频模块将所述数据包发送到体外；所述终端设备2接收所述数据包。
在一些实施例中，所述终端设备2分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″包括：所述终端设备2对所述压缩后的第一RGB图像矩阵S1′进行解压缩处理，得到所述解压后的第一RGB图像矩阵S1″；所述终端设备2对所述S子矩阵S*，所述V子矩阵V*和所述D子矩阵D*进行矩阵乘法运算，得到所述解压后的生物特征图像矩阵M″。
具体地，所述终端设备2可以通过decodeJPEG对所述压缩后的第一RGB图像矩阵S1′进行解压缩处理，得到所述解压后的第一RGB图像矩阵S1″。所述终端设备2通过SVD算法对所述S子矩阵S*，所述V子矩阵V*和所述D子矩阵D*进行矩阵乘法运算，得到所述解压后的生物特征图像矩阵M″，可以理解的是，所述解压后的生物特征图像矩阵M″与所述生物特征图像矩阵M相同。
在一些实施例中，所述终端设备2对所述解压后的第一RGB图像矩阵S1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到RGB特征融合图像Starget包括：所述终端设备2将所述解压后的第一RGB图像S1″转换为第一HSV图像N1″，获取所述第一HSV图像N1″中Hchannel、Schannel、Vchannel通道数据，得到H通道数据H1″、S通道数据S1″、V通道数据V1″；所述终端设备2对所述V通道数据V1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到增强融合后的矩阵Venhance；所述终端设备2将所述H通道数据H1″、所述S通道数据S1″和所述矩阵Venhance转换到RGB颜色空间，得到所述RGB特征融合图像Starget。
具体地，基于HSV-RGB的相互转换运算，将所述解压后的第一RGB图像S1″转换到HSV空间得到HSV图像N1″，获取所述HSV图像N1″中Hchannel、Schannel、Vchannel通道数据，得到H通道数据H1″、S通道数据S1″、V通道数据V1″。按照如下公式对所述V通道数据V1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到增强融合后的矩阵Venhance：Venhance(i,j)＝δ1V1″(i,j)+δ2M″(i,j)，
其中，δ1为所述V通道数据V1″的融合系数，δ2为所述解压后的生物特征图像矩阵M″的融合系数，且δ1+δ2＝1。
可以理解的是
Figure BDA0003277795790000121
基于HSV-RGB的相互转换运算，所述终端设备2将所述H通道数据H1″、所述S通道数据S1″和所述矩阵Venhance转换到RGB颜色空间，得到所述RGB特征融合图像Starget。
本发明实施例提供的一种图像处理系统，包括胶囊内窥镜1和终端设备2，所述胶囊内窥镜1在正常光源下采集目标区域的第一图像数据，在特定光源下采集目标区域第二图像数据，该第二图像数据是包含明显生物特征的图像数据，提取出所述第二图像数据中的生物特征图像并进行无损压缩和传输到体外，对所述目标区域的第一图像数据进行压缩和传输到体外，在体外，所述终端设备2对接收的以上两者的压缩图像进行解压缩及融合处理，得到RGB特征融合图像Starget，该RGB特征融合图像Starget包含明显的生物特征信息，有助于医护人员对病灶的识别和诊断，进而提高了胶囊内窥镜1的检测结果的准确性；同时保证了数据从体内到体外传输的高压缩率和实时性。
如图2所示，本发明实施例提供一种胶囊内窥镜1，包括图像采集模块、图像处理模块和射频模块，所述图像采集模块采集目标区域的第一图像数据，得到第一RGB图像矩阵S1；所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2；所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M，其中i∈(1，M)，j∈(1，N)，M和N分别为正整数；所述图像处理模块分别对所述第一RGB图像矩阵S1和所述生物特征图像矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′；所述射频模块将所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′发送到体外，以使终端设备2分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″，以及使所述终端设备2对所述解压后的第一RGB图像矩阵S1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到RGB特征融合图像Starget。
在一些实施例中，所述胶囊内窥镜1包括照明模块，所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2之前包括：所述照明模块提供预设光源分量配比的光源Ldefine。
在一些实施例中，所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2包括：所述图像采集模块在所述预设光源分量配比的光源Ldefine下，关闭AWB(自动白平衡)模块和CCM(色彩校正矩阵)模块，并采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2。
在一些实施例中，所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M包括：所述图像处理模块对所述第二RGB图像矩阵S2中每个像素点RGB2ij采用生物特征指数公式，得到每个所述像素点的生物特征数值，并生成初始生物特征图像矩阵M1；所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2；所述图像处理模块对所述初始生物特征图像矩阵M1和所述腐蚀后的图像矩阵M2进行异或运算，得到所述生物特征图像矩阵M。
在一些实施例中，所述图像处理模块对所述生物特征图像矩阵M进行压缩处理，得到压缩后的生物特征图像矩阵M′包括：所述图像处理模块对所述生物特征图像矩阵M进行降维处理，得到所述压缩后的生物特征图像矩阵M′，所述压缩后的生物特征图像矩阵M′包括S子矩阵S*，V子矩阵V*和D子矩阵D*。
所述胶囊内窥镜1的各个功能模块以及终端设备2如何实现上述功能，请详见上述图像处理系统的实施例的描述，在此不再赘述。
本发明实施例提供一种胶囊内窥镜1，所述胶囊内窥镜1在正常光源下采集目标区域的第一图像数据，在特定光源下采集目标区域第二图像数据，该第二图像数据是包含明显生物特征的图像数据，提取出所述第二图像数据中的生物特征图像并进行无损压缩和传输到体外，对所述目标区域的第一图像数据进行压缩和传输到体外，以使所述终端设备2对接收的以上两者的压缩图像进行解压缩及融合处理，得到RGB特征融合图像Starget，该RGB特征融合图像Starget包含明显的生物特征信息，有助于医护人员对病灶的识别和诊断，进而提高了胶囊内窥镜1的检测结果的准确性；同时保证了数据从体内到体外传输的高压缩率和实时性。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一种计算机可以存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (16)

1.一种图像处理系统，其特征在于，包括胶囊内窥镜和终端设备，所述胶囊内窥镜包括图像采集模块和图像处理模块，
所述图像采集模块采集目标区域的第一图像数据，得到第一RGB图像矩阵S1；
所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2；
所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M，其中i∈(1，M)，j∈(1，N)，M和N分别为正整数；
所述图像处理模块分别对所述第一RGB图像矩阵S1和所述生物特征图像矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′；
所述终端设备分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″；
所述终端设备对所述解压后的第一RGB图像矩阵S1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到RGB特征融合图像Starget。
2.根据权利要求1所述的图像处理系统，其特征在于，所述胶囊内窥镜包括照明模块，所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2之前包括：
所述照明模块提供预设光源分量配比的光源Ldefine。
3.根据权利要求2所述的图像处理系统，其特征在于，所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2包括：
所述图像采集模块在所述预设光源分量配比的光源Ldefine下，关闭AWB(自动白平衡)模块和CCM(色彩校正矩阵)模块，并采集所述目标区域的所述第二图像数据，得到所述第二RGB图像矩阵S2。
4.根据权利要求1所述的图像处理系统，其特征在于，所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M包括：
所述图像处理模块对所述第二RGB图像矩阵S2中每个像素点采用生物特征指数公式，得到每个所述像素点的生物特征数值，并生成初始生物特征图像矩阵M1；
所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2；
所述图像处理模块对所述初始生物特征图像矩阵M1和所述腐蚀后的图像矩阵M2进行异或运算，得到所述生物特征图像矩阵M。
5.根据权利要求4所述的图像处理系统，其特征在于，所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2之前还包括：
所述图像处理模块过滤所述初始生物特征图像矩阵M1中偏离均值超过第一预设阈值的像素点，得到过滤后的初始生物特征图像矩阵M1′。
6.根据权利要求4所述的图像处理系统，其特征在于，所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2之前还包括：
所述图像处理模块对所述初始生物特征图像矩阵M1进行二值化处理，得到二值化后的初始生物特征图像矩阵M1″。
7.根据权利要求1所述的图像处理系统，其特征在于，所述图像处理模块分别对所述第一RGB图像矩阵S1和所述生物特征图像矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′包括：
所述图像处理模块对所述第一RGB图像矩阵S1进行有损压缩处理，得到所述压缩后的第一RGB图像矩阵S1′；
所述图像处理模块对所述生物特征图像矩阵M进行无损压缩处理，得到所述压缩后的生物特征图像矩阵M′。
8.根据权利要求7所述的图像处理系统，其特征在于，所述图像处理模块对所述生物特征图像矩阵M进行无损压缩处理，得到所述压缩后的生物特征图像矩阵M′ij包括：
所述图像处理模块对所述生物特征图像矩阵M进行降维处理，得到所述压缩后的生物特征图像矩阵M′，所述压缩后的生物特征图像矩阵M′包括S子矩阵S*，V子矩阵V*和D子矩阵D*。
9.根据权利要求8所述的图像处理系统，其特征在于，所述胶囊内窥镜还包括射频模块，所述终端设备分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″之前还包括：
所述图像处理模块将所述压缩后的第一RGB图像矩阵S1′、所述S子矩阵S*、所述V子矩阵V*和所述D子矩阵D*合成数据包；
所述射频模块将所述数据包发送到体外；
所述终端设备接收所述数据包。
10.根据权利要求8所述的图像处理系统，其特征在于，所述终端设备分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″包括：
所述终端设备对所述压缩后的第一RGB图像矩阵S1′进行解压缩处理，得到所述解压后的第一RGB图像矩阵S1″；
所述终端设备对所述S子矩阵S*，所述V子矩阵V*和所述D子矩阵D*进行矩阵乘法运算，得到所述解压后的生物特征图像矩阵M″。
11.根据权利要求10所述的图像处理系统，其特征在于，所述终端设备对所述解压后的第一RGB图像矩阵S1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到RGB特征融合图像Starget包括：
所述终端设备将所述解压后的第一RGB图像S1″转换为第一HSV图像N1″，获取所述第一HSV图像N1″中Hchannel、Schannel、Vchannel通道数据，得到H通道数据H1″、S通道数据S1″、V通道数据V1″；
所述终端设备对所述V通道数据V1"和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到增强融合后的矩阵Venhance；
所述终端设备将所述H通道数据H1″、所述S通道数据S1″和所述矩阵Venhance转换到RGB颜色空间，得到所述RGB特征融合图像Starget。
12.一种胶囊内窥镜，其特征在于，包括图像采集模块、图像处理模块和射频模块，
所述图像采集模块采集目标区域的第一图像数据，得到第一RGB图像矩阵S1；
所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2；
所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M，其中i∈(1，M)，j∈(1，N)，M和N分别为正整数；
所述图像处理模块分别对所述第一RGB图像矩阵S1和所述生物特征图像矩阵M进行压缩处理，得到压缩后的第一RGB图像矩阵S1′和压缩后的生物特征图像矩阵M′；
所述射频模块将所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′发送到体外，以使终端设备分别对所述压缩后的第一RGB图像矩阵S1′和所述压缩后的生物特征图像矩阵M′进行解压缩处理，得到解压后的第一RGB图像矩阵S1″和解压后的生物特征图像矩阵M″，以及使所述终端设备对所述解压后的第一RGB图像矩阵S1″和所述解压后的生物特征图像矩阵M″进行增强融合处理，得到RGB特征融合图像Starget。
13.根据权利要求12所述的胶囊内窥镜，其特征在于，所述胶囊内窥镜包括照明模块，所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2之前包括：
所述照明模块提供预设光源分量配比的光源Ldefine。
14.根据权利要求13所述的胶囊内窥镜，其特征在于，所述图像采集模块采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2包括：
所述图像采集模块在所述预设光源分量配比的光源Ldefine下，关闭AWB(自动白平衡)模块和CCM(色彩校正矩阵)模块，并采集所述目标区域的第二图像数据，得到第二RGB图像矩阵S2。
15.根据权利要求12所述的胶囊内窥镜，其特征在于，所述图像处理模块提取所述第二RGB图像矩阵S2中每个像素点RGB2ij的生物特征信息，生成生物特征图像矩阵M包括：
所述图像处理模块对所述第二RGB图像矩阵S2中每个像素点RGB2ij采用生物特征指数公式，得到每个所述像素点的生物特征数值，并生成初始生物特征图像矩阵M1；
所述图像处理模块对所述初始生物特征图像矩阵M1执行腐蚀运算，当迭代N次，生物特征形态消失时，得到腐蚀后的图像矩阵M2；
所述图像处理模块对所述初始生物特征图像矩阵M1和所述腐蚀后的图像矩阵M2进行异或运算，得到所述生物特征图像矩阵M。
16.根据权利要求12所述的胶囊内窥镜，其特征在于，所述图像处理模块对所述生物特征图像矩阵M进行压缩处理，得到压缩后的生物特征图像矩阵M′包括：
所述图像处理模块对所述生物特征图像矩阵M进行降维处理，得到所述压缩后的生物特征图像矩阵M′，所述压缩后的生物特征图像矩阵M′包括S子矩阵S*，V子矩阵V*和D子矩阵D*。
CN202111126445.0A 2021-09-24 2021-09-24 图像处理系统及胶囊内窥镜 Active CN113920042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111126445.0A CN113920042B (zh) 2021-09-24 2021-09-24 图像处理系统及胶囊内窥镜

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111126445.0A CN113920042B (zh) 2021-09-24 2021-09-24 图像处理系统及胶囊内窥镜

Publications (2)

Publication Number Publication Date
CN113920042A true CN113920042A (zh) 2022-01-11
CN113920042B CN113920042B (zh) 2023-04-18

Family

ID=79235900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111126445.0A Active CN113920042B (zh) 2021-09-24 2021-09-24 图像处理系统及胶囊内窥镜

Country Status (1)

Country Link
CN (1) CN113920042B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1864623A (zh) * 2006-05-23 2006-11-22 重庆大学 基于jpeg2000的按需式无线内窥镜胶囊
JP2007329946A (ja) * 2007-07-10 2007-12-20 Olympus Corp カプセル内視鏡システム
CN101365986A (zh) * 2005-10-26 2009-02-11 卡普索影像股份有限公司 带有板上数据存储器或者数字无线传送的体内自主相机
US20090074310A1 (en) * 2007-09-19 2009-03-19 Chung Shan Institute Of Science And Technology, Armaments Bureau, M.N.D. Image data compression method
JP2011024946A (ja) * 2009-07-29 2011-02-10 Hoya Corp 医療用画像管理システム、電子内視鏡装置、および画像管理サーバ
CN103190881A (zh) * 2012-01-04 2013-07-10 清华大学 胶囊式内窥镜及其图像处理方法
CN103989459A (zh) * 2014-05-20 2014-08-20 曾堃 用于鉴别恶性肿瘤的形成过程的光学观测设备及内窥镜
CN104470416A (zh) * 2012-07-17 2015-03-25 Hoya株式会社 图像处理装置和内窥镜装置
US20150087903A1 (en) * 2013-09-23 2015-03-26 Fujifilm Corporation Endoscope system and operating method thereof
CN104537373A (zh) * 2015-01-13 2015-04-22 哈尔滨工业大学 舌下络脉诊断用多光谱舌下图像特征提取方法
CN105283117A (zh) * 2013-03-15 2016-01-27 奥利弗医疗公司 使用远侧端帽进行校正
CN105913075A (zh) * 2016-04-05 2016-08-31 浙江工业大学 一种基于脉冲耦合神经网络的内窥图像中病灶识别方法
CN107292347A (zh) * 2017-07-06 2017-10-24 中冶华天南京电气工程技术有限公司 一种胶囊内窥镜图像识别方法
CN107625513A (zh) * 2017-09-30 2018-01-26 华中科技大学 增强显示窄带成像内窥镜系统及其成像方法
CN109635871A (zh) * 2018-12-12 2019-04-16 浙江工业大学 一种基于多特征融合的胶囊内窥镜图像分类方法
CN109873665A (zh) * 2017-12-01 2019-06-11 华为技术有限公司 数据传输的方法和设备
CN110136071A (zh) * 2018-02-02 2019-08-16 杭州海康威视数字技术股份有限公司 一种图像处理方法、装置、电子设备及存储介质
CN110717888A (zh) * 2019-09-06 2020-01-21 天津大学 一种血管内光学相干层析成像血管壁内轮廓自动识别方法
CN111932586A (zh) * 2020-08-03 2020-11-13 深圳市资福医疗技术有限公司 一种胶囊内窥镜的帧率调节系统和方法
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
CN113208546A (zh) * 2021-05-13 2021-08-06 北京天星博迈迪医疗器械有限公司 内窥镜固定装置及内窥镜组件、摄影系统以及定位方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101365986A (zh) * 2005-10-26 2009-02-11 卡普索影像股份有限公司 带有板上数据存储器或者数字无线传送的体内自主相机
CN1864623A (zh) * 2006-05-23 2006-11-22 重庆大学 基于jpeg2000的按需式无线内窥镜胶囊
JP2007329946A (ja) * 2007-07-10 2007-12-20 Olympus Corp カプセル内視鏡システム
US20090074310A1 (en) * 2007-09-19 2009-03-19 Chung Shan Institute Of Science And Technology, Armaments Bureau, M.N.D. Image data compression method
JP2011024946A (ja) * 2009-07-29 2011-02-10 Hoya Corp 医療用画像管理システム、電子内視鏡装置、および画像管理サーバ
CN103190881A (zh) * 2012-01-04 2013-07-10 清华大学 胶囊式内窥镜及其图像处理方法
CN104470416A (zh) * 2012-07-17 2015-03-25 Hoya株式会社 图像处理装置和内窥镜装置
CN105283117A (zh) * 2013-03-15 2016-01-27 奥利弗医疗公司 使用远侧端帽进行校正
US20150087903A1 (en) * 2013-09-23 2015-03-26 Fujifilm Corporation Endoscope system and operating method thereof
CN103989459A (zh) * 2014-05-20 2014-08-20 曾堃 用于鉴别恶性肿瘤的形成过程的光学观测设备及内窥镜
CN104537373A (zh) * 2015-01-13 2015-04-22 哈尔滨工业大学 舌下络脉诊断用多光谱舌下图像特征提取方法
CN105913075A (zh) * 2016-04-05 2016-08-31 浙江工业大学 一种基于脉冲耦合神经网络的内窥图像中病灶识别方法
CN107292347A (zh) * 2017-07-06 2017-10-24 中冶华天南京电气工程技术有限公司 一种胶囊内窥镜图像识别方法
CN107625513A (zh) * 2017-09-30 2018-01-26 华中科技大学 增强显示窄带成像内窥镜系统及其成像方法
CN109873665A (zh) * 2017-12-01 2019-06-11 华为技术有限公司 数据传输的方法和设备
CN110136071A (zh) * 2018-02-02 2019-08-16 杭州海康威视数字技术股份有限公司 一种图像处理方法、装置、电子设备及存储介质
CN109635871A (zh) * 2018-12-12 2019-04-16 浙江工业大学 一种基于多特征融合的胶囊内窥镜图像分类方法
CN110717888A (zh) * 2019-09-06 2020-01-21 天津大学 一种血管内光学相干层析成像血管壁内轮廓自动识别方法
CN111932586A (zh) * 2020-08-03 2020-11-13 深圳市资福医疗技术有限公司 一种胶囊内窥镜的帧率调节系统和方法
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
CN113208546A (zh) * 2021-05-13 2021-08-06 北京天星博迈迪医疗器械有限公司 内窥镜固定装置及内窥镜组件、摄影系统以及定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ABDULLAH AL MAMUN,ET AL.: "Discretion Way for Bleeding Detection in Wireless Capsule Endoscopy Images", 《IEEE》 *
卞仕雅，等: "荧光内窥镜的肿瘤明场图像标记实现方法", 《半导体光电》 *
杨爱萍: "基于色调映射和暗通道融合的弱光图像增强", 《天津大学学报》 *
赵少鹏: "数字式胶囊内窥镜系统及图像插值算法研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN113920042B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN113920041A (zh) 图像处理系统及胶囊内窥镜
CN108737728B (zh) 一种图像拍摄方法、终端及计算机存储介质
CN107317967B (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN110619593A (zh) 一种基于动态场景的双曝光视频成像系统
KR20090039824A (ko) 이미지 정보를 필터링하기 위한 적응적 공간 이미지 필터
CN111741281A (zh) 图像处理方法、终端及存储介质
CA3153067C (en) Picture-detecting method and apparatus
CN107451963B (zh) 多光谱鼻腔内窥镜实时图像增强方法及内窥镜成像系统
CN110738655A (zh) 影像报告生成方法、装置、终端及存储介质
CN111163268A (zh) 一种图像处理方法、装置以及计算机存储介质
US20210390658A1 (en) Image processing apparatus and method
CN112767291A (zh) 可见光图像和红外图像融合方法、设备及可读存储介质
US9860456B1 (en) Bayer-clear image fusion for dual camera
CN114998122A (zh) 一种低照度图像增强方法
KR20200056709A (ko) 3차원 영상을 렌더링하는 방법, 상기 방법을 사용하는 영상처리장치, 상기 영상처리장치와 연동하는 촬영장치, 상기 촬영장치의 촬영방법, 및 3차원 영상을 렌더링하는 시스템
CN113920042B (zh) 图像处理系统及胶囊内窥镜
CN107392870B (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN107341782B (zh) 图像处理方法、装置、计算机设备和计算机可读存储介质
WO2024027287A9 (zh) 图像处理系统及方法、计算机可读介质和电子设备
CN113920039A (zh) 图像处理系统及胶囊内窥镜
CN107392871B (zh) 图像去雾方法、装置、移动终端及计算机可读存储介质
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
CN109584317B (zh) 基于hsv色彩空间直方图的车身颜色识别方法
JP2013240701A (ja) 画像処理装置、画像処理装置の作動方法および画像処理プログラム
Ganesan et al. Performance evaluation of a generative adversarial network for deblurring mobile-phone cervical 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