CN114022879A - 一种基于光纤显微内镜图像的鳞状细胞结构增强方法 - Google Patents
一种基于光纤显微内镜图像的鳞状细胞结构增强方法 Download PDFInfo
- Publication number
- CN114022879A CN114022879A CN202010680459.6A CN202010680459A CN114022879A CN 114022879 A CN114022879 A CN 114022879A CN 202010680459 A CN202010680459 A CN 202010680459A CN 114022879 A CN114022879 A CN 114022879A
- Authority
- CN
- China
- Prior art keywords
- image
- squamous cell
- module
- enhancement
- enhanced
- 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 45
- 239000013307 optical fiber Substances 0.000 title claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 54
- 230000002708 enhancing effect Effects 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000016776 visual perception Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 210000000981 epithelium Anatomy 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 2
- 238000004195 computer-aided diagnosis Methods 0.000 abstract 1
- 230000001575 pathological effect Effects 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005253 cladding Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 208000025402 neoplasm of esophagus Diseases 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B1/273—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 for the upper alimentary canal, e.g. oesophagoscopes, gastroscopes
- A61B1/2733—Oesophagoscopes
-
- 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
- G06T7/0002—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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Gastroenterology & Hepatology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于光纤显微内镜图像的食管鳞状细胞结构增强的方法及系统,其中系统包括图像滤波预处理模块,多尺度增强模块,鳞状细胞分割、增强模块。本发明可以应用在鉴别良性、病变上皮组织的计算机辅助诊断系统中,还能够即时处理,将帮助内镜医生实现高准确度和一致性的实时、现场诊断,减轻医生工作和训练负担,提升临床效率。
Description
技术领域
本发明涉及医学图像处理及应用领域,具体地说,涉及一种基于光纤显微内镜图像的食管鳞状细胞结构增强。
背景技术
食管道肿瘤是世界范围内常见的恶性疾病,早期发现是改善患者生存率和生活质量的关键。
基于光纤束的光纤显微内镜具有亚细胞实时成像能力,包括共聚焦荧光显微内镜、高清显微内镜等。在食管粘膜筛查应用领域,已有不少研究表明光纤显微内镜将产生有用的临床数据,能帮助早期检测食管道上皮的癌前病变和癌性病变。因此,光纤显微内镜在食管道病变早期检测方面有巨大的临床应用价值。
在食管道病变方面,鳞状细胞是其诊断的重要结构。异常食管皮组织是紊乱的,鳞状细胞随着上皮不规则增厚而密集,而正常的食管皮组织的鳞状细胞分布较均匀。目前,大部分的研究的方法在对低对比度的光纤显微内镜图像增强时,需要通过多次强度自适应对比度增强实验选择出最佳参数组合,增加了临床应用的复杂度。
因此,需要开发出一种更加有效便捷的图像分析方法。
发明内容
本发明是为了解决上述技术问题而做出的,其目的是提供一种更加有效、便捷的基于光纤显微内镜图像的食管鳞状细胞结构增强方法。
为了实现上述目的,本发明提供了一种基于光纤显微内镜图像的食管鳞状细胞结构增强方法方法,包括以下步骤:
(1)使用双边滤波方法,对原始光纤显微内镜图像进行滤波预处理,以消除图像像素化的问题,并保持图像的边缘;
(2)对图像进行多尺度增强:
(2.1)首先,对滤波后的图像进行三次不同核的高斯滤波操作,得到三幅不同的模糊图像;
B1=G1*I
B2=G2*I
B3=G3*I
其中,G1、G2、G3分别为不同高斯核函数,I是需要增强的图像,B1、B2、B3是滤波后的图像;
(2.2)然后,提取精细的细节图像D1,中间的细节图像D2,粗糙的细节图像D3:
D1=I-B1
D2=B1-B2
D3=B2-B3
(2.3)最后,通过合并三个图层来生成整体细节图像,从而得到加强原图信息的能力:
D=(1-ω1×sgn(D1))×D1+ω2×D2+ω3×D3
其中ω1、ω2和ω3分别固定为0.5、0.5和0.25。细节增强使得对比度的视觉感知更加清晰,没有任何明显的人为痕迹。
(3)对图像进行分割增强,输出增强的食管鳞状细胞结构图像:
(3.1)对图像使用较小核的高斯滤波核和较大核的均值滤波,得到两幅不同的模糊图像,由于两种滤波方式不同,高斯滤波在卷积核的锚点为极值,在所有方向上单调递减。均值滤波是将一个窗口区域中的像素计算平均值,然后将窗口中计算得到的均值设置为锚点上的像素值。这样在对比度较大的细胞区域,通过两图的差值得到初步的食管鳞状细胞区域;
(3.2)通过幂指数函数的非线性拉伸,对差值图进行放大,初步增强食管鳞状细胞对比度的信息;
(3.3)对得到初步增强细胞区域的图像进行高斯滤波,使图像更平滑,避免个别像素点过大或过小引起增强效果的偏差;
(3.4)使用CLAHE方法,对滤波后的图像进行第二次增强操作,有效增强细胞区域;
(3.5)通过基于阈值的自动分割方法将增强后的图像转为二值化图像,分割出前景(白色,常用灰度值1或255表示)和背景(黑色,常用灰度值0表示),其中灰度值较低的干扰部分被分为背景,鳞状细胞区域则为前景;
(3.6)通过先腐蚀后膨胀的形态学滤波运算,主要是为了提取真实的鳞状细胞区域;
(3.7)对(3.4)和(3.6)的结果进行与操作,目的获取真实细胞区域的增强的灰度值;
(3.8)在得到真实细胞区域的增强的灰度值后与原始图像进行叠加,输出增强的鳞状细胞结构图象。
作为本发明的进一步改进,步骤(2.1)中的不同高斯滤波核大小呈递增状态,即G1<G2<G3。
作为本发明的进一步改进,步骤(2.3)中的sgn()函数是一种阶跃函数。
作为本发明的进一步改进,步骤(3.4)中的CLAHE算法实现过程中,采用双线性插值以降低算法的时间复杂度,插值时,需要将图像分割成M列×N行大小相等、连续不重叠的子图像区域。
作为本发明的进一步改进,所述M列×N行取值8×8。
作为本发明的进一步改进,步骤(3.5)中的基于阈值的自动分割方法可以采用Ostu方法。
本发明还提供一种基于光纤显微内镜图像的食管鳞状细胞结构增强系统,该系统包括图像滤波预处理模块,多尺度增强模块,鳞状细胞分割、增强模块;
所述图像滤波预处理模块用于对载入的原始光纤显微内镜图像进行滤波预处理;
所述多尺度增强模块用于对图像滤波预处理模块所得到的滤波后的图像进行增强操作,提高鳞状细胞与周围区域的对比度;
所述鳞状细胞分割、增强模块用于对多尺度增强模块所得到的增强后的图像进行分割,提取出鳞状细胞区域并在原图上进行增强显示。
作为本发明的进一步改进,所述多尺度增强模块包括一个多尺度的高斯滤波增强模块,通过加入高频分量来扩大动态范围以改善局部可见性,对不同尺度的高斯滤波核获取模糊程度不同的图像,对模糊图像做差值可以获得不同程度的细节图像,最后在原图上组合出高频的细节信息,得到最终的增强后的图像,并提供给鳞状细胞分割、增强模块。
所述鳞状细胞分割、增强模块包括鳞状细胞滤波差分模块,幂指数运算模块,CLAHE增强模块,图像二值化模块,图像形态学运算模块,图像与运算模块、鳞状细胞结构增强模块;
所述图像鳞状细胞滤波差分模块,采用不同的滤波方式获得模糊程度不同的图像,通过两图的差值得到初步的的鳞状细胞区域;
所述幂指数运算模块和CLAHE增强主要通过非线性运算,拉大鳞状细胞区域与背景区域的对比,为二值化模块做好准备;
所述图像二值化模块基于阈值的自动分割方法将对比度增强模块所得到的增强后的图像转为二值化图像,分割出前景(白色,常用灰度值1或255表示)和背景(黑色,常用灰度值0表示),其中灰度值较低的干扰部分被分为背景,鳞状细胞区域则为前景;
所述图像形态学运算模块用于在图像二值化模块所得到的二值化图像上,通过先腐蚀后膨胀的滤波运算,提取真实的鳞状细胞区域;
所述鳞状细胞结构增强模块进行与操作,获取真实细胞区域增强的灰度值,与原始图像进行叠加,输出增强的鳞状细胞结构图象。
本发明中光纤显微内镜系统使用光纤束作为显微成像的探头,由于光纤束中单根光纤纤芯和包层光透过率不同,采集到的图像会有明显的像素化(明暗变化),降低了系统分辨率。常用的去像素化方法是高斯滤波,这种方法虽然简单、快速、有效,但同时会模糊整个图像而影响了对细节的分辨。双边滤波器是针对高斯平滑的提升版本,其不仅考虑了像素在空间距离上的关系,同时加入了像素间的灰度相似程度考虑,因此其在对图像平滑滤波的同时具有保边特性。
另外,光纤显微内镜图像通常整体灰度值低且对比度不明显,大大影响了鳞状细胞的可辨识度。因此,本发明在鳞状细胞结构分割之前,需要对图像进行增强操作。现有的采用自适应直方图均衡方法(Adaptive Histogram Equalization,以下简称AHE)增强光纤显微内镜图像对比度,但AHE有过度放大图像中相同区域的噪声的问题。近年来,在低能见度图像分析领域,对比度受限自适应直方图均衡(Contrast Limited Adaptive HistogramEqualization,以下简称CLAHE)受到了广泛的关注,其作为AHE的优化,通过在计算累计分布函数(Cumulative Distribution Function,CDF)前用预先定义的阈值(通常取值为3~4)来裁剪直方图,以达到限制噪声放大的目的。
在医学图像处理领域,阈值是图像分割中的常用方法,许多研究者提出了自动阈值分割算法,如Otsu,N.提出的Otsu方法是一种图像灰度自适应的自动阈值分割经典算法。
与现有技术相比,本发明具备以下有益效果:
本发明提供了一种基于光纤显微内镜图像的食管鳞状细胞结构增强方法,本发明可以应用在实时的图像处理系统中,帮助内镜医生实现高准确度和一致性的实时、现场诊断,减轻医生工作和训练负担,提升临床效率。
附图说明
图1为本发明基于光纤显微内镜图像的食管鳞状细胞结构增强方法的流程图;
图2为本发明实施实验图像滤波预处理的结果示意图;
图3为本发明基于光纤显微内镜图像的食管鳞状细胞结构增强方法进行多尺度增强的结果示意图;
图4为本发明基于光纤显微内镜图像的食管鳞状细胞结构增强方法进行鳞状细胞结构增强的流程图;
图5为本发明基于光纤显微内镜图像的食管鳞状细胞结构增强系统的结构示意图。
具体实施方式
下面将参考附图来对本发明做进一步的阐述。
参图1,本实施方式提供了一种基于光纤显微内镜图像的食管鳞状细胞结构增强方法,包括以下步骤:
使用双边滤波方法,对原始光纤显微内镜图像进行滤波预处理,以消除图像像素化的问题,并保持图像的边缘;
滤波结果如图2所示,其中,(a)为人正常食管的原始高清显微内镜图像,(b)为(a)的局部放大图,(c)为滤波后的图像,(d)为(c)的局部放大图。
(2)对图像进行多尺度增强:
(2.1)首先,对滤波后的图像进行三次不同核的高斯滤波操作,得到三幅不同的模糊图像;
B1=G1*I
B2=G2*I
B3=G3*I
其中,G1、G2、G3分别为不同高斯核函数,I是需要增强的图像,B1、B2、B3是滤波后的图像;
(2.2)然后,我们提取精细的细节图像D1,中间的细节图像D2,粗糙的细节图像D3:
D1=I-B1
D2=B1-B2
D3=B2-B3
(2.3)最后,我们通过合并三个图层来生成整体细节图像,从而得到加强原图信息的能力:
D=(1-ω1×sgn(D1))×D1+ω2×D2+ω3×D3
其中ω1、ω2和ω3分别固定为0.5、0.5和0.25。细节增强使得对比度的视觉感知更加清晰,没有任何明显的人为痕迹。
图3(a)为双边滤波后的图像,(b)为(a)的局部放大图,(c)为多尺度增强后的图像,(d)为(c)的局部放大图,由此可以看出采用多尺度增强后可以提高图像的对比度,使前景更加突出,抑制背景的干扰。
其中,步骤(2.1)中的不同高斯滤波核大小呈递增状态,即G1<G2<G3。
步骤(2.3)中的sgn()函数是一种阶跃函数。
(3)参图4所示,对图像进行分割,增强鳞状细胞结构:
(3.1)对图像使用较小核的高斯滤波核和较大核的均值滤波,得到两幅不同的模糊图像,由于两种滤波方式不同,高斯滤波在卷积核的锚点为极值,在所有方向上单调递减。均值滤波是将一个窗口区域中的像素计算平均值,然后将窗口中计算得到的均值设置为锚点上的像素值。这样在对比度较大的细胞区域,通过两图的差值得到初步的食管鳞状细胞区域;
(3.2)通过幂指数函数的非线性拉伸,对差值图进行放大,初步增强食管鳞状细胞对比度的信息;
(3.3)对得到初步增强细胞区域的图像进行高斯滤波,使图像更平滑,避免个别像素点过大或过小引起增强效果的偏差;
(3.4)使用CLAHE方法,对滤波后的图像进行第二次增强操作,有效增强细胞区域;
(3.5)通过基于阈值的自动分割方法将增强后的图像转为二值化图像,分割出前景(白色,常用灰度值1或255表示)和背景(黑色,常用灰度值0表示),其中灰度值较低的干扰部分被分为背景,鳞状细胞区域则为前景;
(3.6)通过先腐蚀后膨胀的形态学滤波运算,主要是为了提取真实的鳞状细胞区域;
(3.7)对(3.4)和(3.6)的结果进行与操作,目的获取真实细胞区域的增强的灰度值
(3.8)在得到真实细胞区域的增强的灰度值后与原始图像进行叠加,输出增强的鳞状细胞结构图象。
其中,步骤(3.4)中的CLAHE算法实现过程中,采用双线性插值以降低算法的时间复杂度,插值时,需要将图像分割成M列×N行大小相等、连续不重叠的子图像区域,所述M列×N行取值8×8。
步骤(3.5)中的基于阈值的自动分割方法可以采用Ostu方法。
参图5,本实施方式还提供一种基于光纤显微内镜图像的食管鳞状细胞结构增强方法系统,该系统包括图像滤波预处理模块,多尺度增强模块,鳞状细胞分割、增强模块;
所述图像滤波预处理模块用于对载入的原始光纤显微内镜图像进行滤波预处理;
所述多尺度增强模块用于对图像滤波预处理模块所得到的滤波后的图像进行增强操作,提高鳞状细胞与周围区域的对比度;
所述鳞状细胞分割、增强模块用于对多尺度增强模块所得到的增强后的图像进行分割,提取出鳞状细胞区域并在原图上进行增强显示;
所述多尺度增强模块包括一个多尺度的高斯滤波增强模块,通过加入高频分量来扩大动态范围以改善局部可见性,对不同尺度的高斯滤波核获取模糊程度不同的图像,对模糊图像做差值可以获得不同程度的细节图像,最后在原图上组合出高频的细节信息,得到最终的增强后的图像,并提供给鳞状细胞分割、增强模块。
所述鳞状细胞分割、增强模块包括鳞状细胞滤波差分模块,幂指数运算模块,CLAHE增强模块,图像二值化模块,图像形态学运算模块,图像与运算模块、鳞状细胞结构增强模块;
所述图像鳞状细胞滤波差分模块,采用不同的滤波方式获得模糊程度不同的图像,通过两图的差值得到初步的的鳞状细胞区域;
所述幂指数运算模块和CLAHE增强主要通过非线性运算,拉大鳞状细胞区域与背景区域的对比,为二值化模块做好准备;
所述图像二值化模块基于阈值的自动分割方法将对比度增强模块所得到的增强后的图像转为二值化图像,分割出前景(白色,常用灰度值1或255表示)和背景(黑色,常用灰度值0表示),其中灰度值较低的干扰部分被分为背景,鳞状细胞区域则为前景;
所述图像形态学运算模块用于在图像二值化模块所得到的二值化图像上,通过先腐蚀后膨胀的滤波运算,提取真实的鳞状细胞区域;
所述鳞状细胞结构增强模块进行与操作,获取真实细胞区域增强的灰度值,与原始图像进行叠加,输出增强的鳞状细胞结构图象。
如上参照附图以示例的方式描述了根据本发明所述的一种基于光纤显微内镜图像的食管鳞状细胞结构增强方法及系统。但是,本领域技术人员应当理解,对于上述本发明所提出的一种基于光纤显微内镜图像的食管鳞状细胞结构方法及系统,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (9)
1.一种基于光纤显微内镜图像的食管鳞状细胞结构增强方法,其特征在于包括以下步骤:
(1)使用双边滤波方法,对原始光纤显微内镜图像进行滤波预处理,以消除图像像素化的问题,并保持图像的边缘;
(2)对图像进行多尺度增强:
(2.1)首先,对滤波后的图像进行三次不同核的高斯滤波操作,得到三幅不同的模糊图像;
B1=G1*I
B2=G2*I
B3=G3*I
其中,G1、G2、G3分别为不同高斯核函数,I是需要增强的图像,B1、B2、B3是滤波后的图像;
(2.2)然后,提取精细的细节图像D1,中间的细节图像D2,粗糙的细节图像D3:
D1=I-B1
D2=B1-B2
D3=B2-B3
(2.3)最后,通过合并三个图层来生成增强图像,从而得到加强原图信息的能力:
D=(1-ω1×sgn(D1))×D1+ω2×D2+ω3×D3
其中ω1、ω2和ω3分别固定为0.5、0.5和0.25。细节增强使得对比度的视觉感知更加清晰,没有任何明显的人为痕迹。
(3)对图像进行分割增强,输出增强的食管鳞状细胞结构图像:
(3.1)对图像使用较小核的高斯滤波核和较大核的均值滤波,得到两幅不同的模糊图像,由于两种滤波方式不同,高斯滤波在卷积核的锚点为极值,在所有方向上单调递减。均值滤波是将一个窗口区域中的像素计算平均值,然后将窗口中计算得到的均值设置为锚点上的像素值。这样在对比度较大的细胞区域,通过两图的差值得到初步的食管鳞状细胞区域;
(3.2)通过幂指数函数的非线性拉伸,对差值图进行放大,初步增强食管鳞状细胞对比度的信息;
(3.3)对得到初步增强细胞区域的图像进行高斯滤波,使图像更平滑,避免个别像素点过大或过小引起增强效果的偏差;
(3.4)使用CLAHE方法,对滤波后的图像进行第二次增强操作,有效增强细胞区域;
(3.5)通过基于阈值的自动分割方法将增强后的图像转为二值化图像,分割出前景(白色,常用灰度值1或255表示)和背景(黑色,常用灰度值0表示),其中灰度值较低的干扰部分被分为背景,鳞状细胞区域则为前景;
(3.6)通过先腐蚀后膨胀的形态学滤波运算,主要是为了提取真实的鳞状细胞区域;
(3.7)对(3.4)和(3.6)的结果进行与操作,目的获取真实细胞区域的增强的灰度值;
(3.8)在得到真实细胞区域的增强的灰度值后与原始图像进行叠加,输出增强的鳞状细胞结构图象。
2.根据权利要求1所述的基于光纤显微内镜图像的鳞状细胞结构增强方法,其特征在于:步骤(2.1)中的不同高斯滤波核大小呈递增状态,即G1<G2<G3。
3.根据权利要求1所述的基于光纤显微内镜图像的鳞状细胞结构增强方法,其特征在于:步骤(2.3)中的sgn()函数是一种阶跃函数。
4.根据权利要求1所述的基于光纤显微内镜图像的鳞状细胞结构增强方法,其特征在于:步骤(3.4)中的CLAHE算法实现过程中,采用双线性插值以降低算法的时间复杂度,插值时,需要将图像分割成M列×N行大小相等、连续不重叠的子图像区域。
5.根据权利要求4所述的基于光纤显微内镜图像的鳞状细胞结构增强方法,其特征在于:所述M列×N行取值8×8。
6.根据权利要求1所述的基于光纤显微内镜图像的鳞状细胞结构增强方法,其特征在于:步骤(3.5)中的基于阈值的自动分割方法可以采用Ostu方法。
7.一种如权利要求1-6中任意一项所述基于光纤显微内镜图像的鳞状细胞结构增强方法,其特征在于:该系统包括图像滤波预处理模块,多尺度增强模块,鳞状细胞分割、增强模块;
所述图像滤波预处理模块用于对载入的原始光纤显微内镜图像进行滤波预处理;
所述多尺度增强模块用于对图像滤波预处理模块所得到的滤波后的图像进行增强操作,提高鳞状细胞与周围区域的对比度;
所述鳞状细胞分割、增强模块用于对多尺度增强模块所得到的增强后的图像进行分割,提取出鳞状细胞区域并在原图上进行增强显示。
8.根据权利要求7所述的基于光纤显微内镜图像的鳞状细胞结构增强系统,其特征在于:所述多尺度增强模块包括一个多尺度的高斯滤波增强模块,通过加入高频分量来扩大动态范围以改善局部可见性,对不同尺度的高斯滤波核获取模糊程度不同的图像,对模糊图像做差值可以获得不同程度的细节图像,最后在原图上组合出高频的细节信息,得到最终的增强后的图像,并提供给鳞状细胞分割、增强模块。
9.根据权利要求8所述的基于光纤显微内镜图像的鳞状细胞结构增强方法的系统,其特征在于:所述鳞状细胞分割、增强模块包括鳞状细胞滤波差分模块,幂指数运算模块,CLAHE增强模块,图像二值化模块,图像形态学运算模块,图像与运算模块、鳞状细胞结构增强模块;
所述图像鳞状细胞滤波差分模块,采用不同的滤波方式获得模糊程度不同的图像,通过两图的差值得到初步的的鳞状细胞区域;
所述幂指数运算模块和CLAHE增强主要通过非线性运算,拉大鳞状细胞区域与背景区域的对比,为二值化模块做好准备;
所述图像二值化模块基于阈值的自动分割方法将对比度增强模块所得到的增强后的图像转为二值化图像,分割出前景(白色,常用灰度值1或255表示)和背景(黑色,常用灰度值0表示),其中灰度值较低的干扰部分被分为背景,鳞状细胞区域则为前景;
所述形态学闭运算模块用于在图像二值化模块所得到的二值化图像上,通过先腐蚀后膨胀的滤波运算,提取真实的鳞状细胞区域;
所述鳞状细胞结构增强模块进行与操作,获取真实细胞区域增强的灰度值,与原始图像进行叠加,输出增强的鳞状细胞结构图象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680459.6A CN114022879A (zh) | 2020-07-15 | 2020-07-15 | 一种基于光纤显微内镜图像的鳞状细胞结构增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680459.6A CN114022879A (zh) | 2020-07-15 | 2020-07-15 | 一种基于光纤显微内镜图像的鳞状细胞结构增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114022879A true CN114022879A (zh) | 2022-02-08 |
Family
ID=80053978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010680459.6A Pending CN114022879A (zh) | 2020-07-15 | 2020-07-15 | 一种基于光纤显微内镜图像的鳞状细胞结构增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022879A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372308A (zh) * | 2023-12-04 | 2024-01-09 | 华侨大学 | 一种相衬细胞显微图像清晰度增强方法及系统 |
-
2020
- 2020-07-15 CN CN202010680459.6A patent/CN114022879A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372308A (zh) * | 2023-12-04 | 2024-01-09 | 华侨大学 | 一种相衬细胞显微图像清晰度增强方法及系统 |
CN117372308B (zh) * | 2023-12-04 | 2024-03-12 | 华侨大学 | 一种相衬细胞显微图像清晰度增强方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Natarajan et al. | Tumor detection using threshold operation in MRI brain images | |
JP4409166B2 (ja) | 画像処理装置 | |
JP5113841B2 (ja) | 内視鏡からの映像を用いるコンピュータ支援解析 | |
Kayal et al. | A new dynamic thresholding based technique for detection of hard exudates in digital retinal fundus image | |
CN114529475B (zh) | 基于二维伽马校正和色调映射的图像增强方法及系统 | |
CA2474417A1 (en) | Image processing using measures of similarity | |
CN110136161A (zh) | 图像特征提取分析方法、系统及装置 | |
US8351667B2 (en) | Methods of contrast enhancement for images having blood vessel structures | |
CN111223110B (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN109255775A (zh) | 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及系统 | |
Fabijańska | Corneal endothelium image segmentation using feedforward neural network | |
CN114155202A (zh) | 基于特征融合和迁移学习的甲状腺结节超声图像分类方法 | |
Ali et al. | Medical images enhanced by using fuzzy logic depending on contrast stretch membership function | |
You et al. | A simple and effective multi-focus image fusion method based on local standard deviations enhanced by the guided filter | |
Khan et al. | Multi-level GAN based enhanced CT scans for liver cancer diagnosis | |
CN114022879A (zh) | 一种基于光纤显微内镜图像的鳞状细胞结构增强方法 | |
Mehidi et al. | A high accuracy segmentation method for retinal blood vessel detection based on hybrid filters and an adaptive thresholding | |
CN113139929A (zh) | 包含信息筛选与融合修复的胃肠道内窥镜图像预处理方法 | |
Aldoury et al. | A new X-ray images enhancement method using a class of fractional differential equation | |
CN116071337A (zh) | 一种基于超像素分割的内镜图像质量评价方法 | |
CN109377461A (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
Tie-Rui et al. | The research of X-ray bone fracture image enhancement algorithms | |
Huang et al. | Deep polyp image enhancement using region of interest with paired supervision | |
CN109767396B (zh) | 一种基于图像动态分割的口腔cbct图像去噪方法 | |
CN110264418A (zh) | 图像对比度增强方法、系统及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 215127 No. 104-106, Wanlong building, No. 29, Xinfa Road, Suzhou area, China (Jiangsu) pilot Free Trade Zone, Suzhou City, Jiangsu Province, 1st floor, auxiliary building (this address shall not be engaged in retail) Applicant after: Suzhou Oupu Mandi Technology Co.,Ltd. Address before: 215123 unit 302, building A6, biomedical industrial park, 218 Xinghu street, Suzhou Industrial Park, Jiangsu Province Applicant before: SUZHOU JINGGUAN MEDICAL TECHNOLOGY CO.,LTD. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |