CN114863498A - 一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 - Google Patents
一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 Download PDFInfo
- Publication number
- CN114863498A CN114863498A CN202210592459.XA CN202210592459A CN114863498A CN 114863498 A CN114863498 A CN 114863498A CN 202210592459 A CN202210592459 A CN 202210592459A CN 114863498 A CN114863498 A CN 114863498A
- Authority
- CN
- China
- Prior art keywords
- image
- frangi
- agc
- algorithm
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/14—Vascular patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
Abstract
本发明涉及手部静脉图像增强与分割的医疗技术领域,公开了一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法,该方法首先采集红外光照射下的手部静脉图像,然后对初始图像进行引导滤波,起到锐化图像边缘的作用,再通过AGC拉伸图像的对比度,接着对处理后的图像进行多尺度高斯滤波降噪处理,然后对处理后图像运用Frangi算法进行血管识别,提取出管状的血管轮廓,最后对图像依次进行局部二值化分割和开运算降噪,得到视觉效果明显的分割后的血管形状。本发明将AGC算法与Frangi算法创新性的结合,二者结合可以有效减少Frangi处理后产生的断点,从而提升整体的图像增强与分割的效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法。
背景技术
静脉红外图像处理技术在医疗领域中有着广泛的应用,它可以用来观察患者的静脉图像,帮助医护人员更好地进行静脉穿刺,提高穿刺效率。
现有技术中,静脉红外图像增强方法主要有以下几种:提升图像对比度的方法、增强图像纹理特征的方法以及基于图像融合的增强方法。提升图像对比度方法主要为各种改进的直方图均衡法;增强图像纹理特征的方法主要基于一系列滤波技术;基于图像融合的增强方法主要为将不同方法处理的多张图像进行融合,由于不同方法处理的图像在某些特征上效果明显,通过图像融合可以把每张图像的增强效果明显区域叠加,同时减弱单张图像的噪声部分,进而得到效果要优于初始每张图像的图像。
本申请发明人在实施本发明的过程中,发现现有技术中的静脉图像增强方法,存在如下技术问题:
局限于对某一部位的静脉图像进行处理,对不同部位的静脉图像处理效果差别较大,并且伴随着有噪声较大问题。
发明内容
本发明提供一种基于AGC和Frangi的手部静脉红外图像的分割方法,用以解决或者至少部分解决现有技术中存在的对不同部位的静脉图像处理效果差别较大,并且伴随着有噪声较大的技术问题。
本发明公开了一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法,包括:
S1:采集红外光照射下的手部静脉图像,作为初始图像;
S2:对初始图像进行引导滤波,得到增强后的图像P1;
S3:对增强后的图像P1运用AGC算法进行对比度拉伸,得到自适应处理后的图像P2,其中,AGC算法为自适应伽马校正算法;
S4:对自适应处理后的图像P2进行多尺度高斯滤波降噪处理,得到降噪处理后的图像P3;
S5:采用Frangi算法对降噪处理后的图像P3进行血管特征提取,提取出管状的血管轮廓,作为Frangi算法处理后的图像P4;
S6:对Frangi算法处理后的图像P4进行局部阈值的二值化分割,得到分割后的图像P5;
S7:对分割后的图像P5进行开运算降噪,得到最终的图像P6。
在一种实施方式中,S2包括:
对初始图像进行ROI区域提取,将提取的图像作为输入图像;
对输入图像进行引导滤波得到增强后的图像P1。
在一种实施方式中,在步骤S3对增强后的图像运用AGC算法进行对比度拉伸时,通过获取图像像素的均值和方差,制定图像对比度的判断标准,并根据图像对比度的判断标准选取不同的伽马值对增强后的图像P1进行对比度拉伸。
在一种实施方式中,步骤S4包括:
对自适应处理后的图像P2的三个通道进行加权的多尺度高斯滤波,
将滤波处理后的三个通道的图像进行融合,得到降噪处理后的图像P3。
在一种实施方式中,在对自适应处理后的图像P2的三个通道进行加权的多尺度高斯滤波时,选择三个高斯核对图像进行加权处理,三个高斯核的σ值分别选取15、80、200,对应权重分别为1/2、1/4、1/4。
在一种实施方式中,步骤S5包括:
S5.1:根据降噪处理后的图像P3的像素点求解Hessian矩阵的特征值λ1和λ2,Hessian矩阵特征值和特征向量分别代表该点处沿某一方向上图形曲率的大小和方向;
S5.2:根据求得的特征值,将P3分为三类:背景、孤立的点和血管,其中,提取出的血管部分处理成管状结构,即管状的血管轮廓,作为Frangi算法处理后的图像P4。
在一种实施方式中,步骤S5.2包括:
当任意方向上λ1和λ2符合第一预设条件时,灰度分布均匀,归为背景区域;
当任意方向上λ1和λ2符合第二预设条件时,归为孤立的点;
当任意方向上λ1和λ2符合第三预设条件时,归类为血管区域。
相对于现有技术,本发明的优点和有益的技术效果如下:
本发明采集红外光照射下的手部静脉图像后,对其进行引导滤波,起到锐化图像边缘的作用,再通过AGC(自适应伽马校正)拉伸图像的对比度,接着对处理后的图像进行多尺度高斯滤波降噪处理,然后对处理后图像运用Frangi算法进行血管识别,提取出管状的血管轮廓,最后对图像依次进行局部二值化分割和开运算降噪,得到视觉效果明显的分割后的血管形状。本发明将AGC算法与Frangi算法创新性的结合,二者结合可以有效减少Frangi处理后产生的断点。在进行Frangi算法处理后,图像存在很多断点,因此在进行Frangi算法处理前,需要对图像进行预处理,除了本发明使用的引导滤波、多尺度高斯滤波外,辅以AGC算法,能够更加明显的减少Frangi处理后产生的断点,从而提升对不同部位的静脉图像处理效果,并减少噪声。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。
图1为本发明实施例中基于AGC和Frangi的手部静脉红外图像的增强与分割方法的流程图;
图2为本发明实施例中多尺度高斯降噪处理的算法流程图。
具体实施方式
本发明的目的在于提供一种基于AGC和Frangi的手部静脉红外图像的分割方法,用以改善现有技术中存在的对不同部位的静脉图像处理效果差别较大,并且伴随着有噪声较大的技术问题。
本发明的主要构思和创新如下:
将AGC算法与Frangi算法创新性的结合,二者结合可以有效减少Frangi处理后产生的断点。在进行Frangi算法处理后,图像存在很多断点,因此在进行Frangi算法处理前,需要对图像进行预处理,除了本发明使用的引导滤波、多尺度高斯滤波外,辅以AGC算法,能够更加明显的减少Frangi处理后产生的断点。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例提供了一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法,包括:
S1:采集红外光照射下的手部静脉图像,作为初始图像;
S2:对初始图像进行引导滤波,得到增强后的图像P1;
S3:对增强后的图像P1运用AGC算法进行对比度拉伸,得到自适应处理后的图像P2,其中,AGC算法为自适应伽马校正算法;
S4:对自适应处理后的图像P2进行多尺度高斯滤波降噪处理,得到降噪处理后的图像P3;
S5:采用Frangi算法对降噪处理后的图像P3进行血管特征提取,提取出管状的血管轮廓,作为Frangi算法处理后的图像P4;
S6:对Frangi算法处理后的图像P4进行局部阈值的二值化分割,得到分割后的图像P5;
S7:对分割后的图像P5进行开运算降噪,得到最终的图像P6。
请参见图1,为基于AGC和Frangi的手部静脉红外图像的增强与分割方法的流程图。
具体来说,步骤S1利用红外光照射皮肤表面,通过红外相机设备将皮肤反射或透射的红外辐射图像采集,将采集到的图像作为初始静脉红外图像(初始图像)。
步骤S2对对初始图像提取ROI区域后,作为输入图像,进行引导滤波。
步骤S3对增强后的图像P1运用自适应伽马校正(AGC)进行对比度拉伸,与传统针对全局的校正相比,AGC算法更有效的增加图像与背景的对比度。
步骤S4对图像P2进行多尺度高斯滤波,将图像的各个通道分离开,分别用不同大小的卷积核进行高斯滤波处理,再选取最优的权重对高斯滤波处理后的图像进行加权融合,得到图像P3。
步骤S5对处理后图像运用Frangi算法进行血管识别,提取出管状的血管轮廓。在做Frangi处理后,一些噪声被转换成小的管状结构,仍需通过进行局部二值化分割并做开运算去除噪声。因此通过步骤S6和S7对图像依次进行局部二值化分割和开运算降噪,得到视觉效果明显的分割后的血管形状。
在一种实施方式中,S2包括:
对初始图像进行ROI区域提取,将提取的图像作为输入图像;
对输入图像进行引导滤波得到增强后的图像P1。
其中,ROI区域为感兴趣区域,对输入图像进行引导滤波,从而实现增强图像边缘的效果。
在一种实施方式中,在步骤S3对增强后的图像运用AGC算法进行对比度拉伸时,通过获取图像像素的均值和方差,制定图像对比度的判断标准,并根据图像对比度的判断标准选取不同的伽马值对增强后的图像P1进行对比度拉伸。
在一种实施方式中,步骤S4包括:
对自适应处理后的图像P2的三个通道进行加权的多尺度高斯滤波,
将滤波处理后的三个通道的图像进行融合,得到降噪处理后的图像P3。
请参见图2,为本发明多尺度高斯降噪处理的算法流程示意图。
在一种实施方式中,在对自适应处理后的图像P2的三个通道进行加权的多尺度高斯滤波时,选择三个高斯核对图像进行加权处理,三个高斯核的σ值分别选取15、80、200,对应权重分别为1/2、1/4、1/4。
通过上述处理,使得处理后得到的图像血管部分更加清晰。对比于现有的多尺度高斯滤波,本发明创新点在于σ值和权重的选取,根据大量实验数据对比,当高斯核数目为3时,图像增强效果最好,同时,三个σ值选取覆盖了低、中、高三个尺度空间,并对其进行了最优权重融合,不同于现有的直接选取最大增强值,直接选取最大增强值容易造成信息损失,本发明选取权重融合,可以尽可能多保留信息。
在一种实施方式中,步骤S5包括:
S5.1:根据降噪处理后的图像P3的像素点求解Hessian矩阵的特征值λ1和λ2,Hessian矩阵特征值和特征向量分别代表该点处沿某一方向上图形曲率的大小和方向;
S5.2:根据求得的特征值,将P3分为三类:背景、孤立的点和血管,其中,提取出的血管部分处理成管状结构,即管状的血管轮廓,作为Frangi算法处理后的图像P4。
在一种实施方式中,步骤S5.2包括:
当任意方向上λ1和λ2符合第一预设条件时,灰度分布均匀,归为背景区域;
当任意方向上λ1和λ2符合第二预设条件时,归为孤立的点;
当任意方向上λ1和λ2符合第三预设条件时,归类为血管区域。
具体来说,第一预设条件、第二预设条件和第三预设条件可以根据情况调整。
例如,任意方向上λ1和λ2都较小时(|λ1|≈0,|λ2|≈0),则符合第一预设条件,此时灰度分布均匀,属于背景区域;λ1和λ2都很大时(|λ1|>>0,|λ2|>>0),则符合第二预设条件,属于孤立的点;λ1和λ2一小一大时(|λ1|≈0,|λ2|>>|λ1|),则符合第三预设条件,属于血管区域。据此便可将血管区域部分提取并处理。对比于现有的Frangi算法,利用Hessian矩阵特征值对图像进行增强的技术,本发明的创新点主要在于对图像进行自适应伽马校正AGC的预处理,将Frangi算法与AGC算法相结合。对图像进行AGC处理后,解决了图像照度不均的问题,同时使得血管信息增强,减少了利用Frangi进行血管识别时的错误率。
下面结合具体示例对本发明提供的基于AGC和Frangi的手部静脉红外图像的增强与分割方法进行详细说明。
整体的流程如图1所示。S1,获取红外光照射下的静脉图像。可见获得的图像对比度低,且光照不均匀,为此需要对图像进行进一步处理。
S2,利用引导滤波锐化图像边缘,保边滤波。
S3,AGC自适应对比度拉伸。
S4,多尺度高斯降噪处理。
S5,2D图像血管状识别。
S6,二值化分割。
S7,二值化噪点去除。
S8,通过算法处理,输出图像或者实时视频。
步骤1:获取近红外光照射下的单张手部静脉图像,对图像进行ROI感兴趣区域提取,获取大小为320x240的图像区域。
实现效果:采集的图像中不仅含有手部静脉的感兴趣区域,还含有背景等冗余信息,这些信息会导致图像处理的精确度的降低,同时在后续的算法处理时会增加不必要的计算量,进而降低处理速度。对图像进行ROI区域提取可以有效地解决这一问题。
步骤2:对ROI区域进行引导滤波,其中用输入图像作为引导图像,从而达到保持边缘的效果。
其中i(x,y)是经滤波后的图像,Gi(x,y)是引导图像,k表示引导图像某一点的像素,ωk是以点k为中心,半径为r的局部方形窗口,ak(x,y)和bk(x,y)是引导图像在ωk内的线性系数。
实现效果:经步骤一的得到图像存在光照不均匀、对比度低等问题,因此需要对图像进行进一步处理。运用引导滤波达到了增强图像边缘的效果。引导滤波的过程中保留了图像的边缘信息,同时抑制了图像的噪声,对图像有增强效果,处理后的图像边缘部分加深,静脉血管更加明显,图像对比度有提升,然而部分噪声的边缘也一并放大,所以需要更进一步处理。
步骤3:运用自适应伽马校正(AGC)进行对比度拉伸。将图像色彩空间转换至HSV,提取H分量,对H分量进行自适应伽马校正,之后进行通道融合。其中伽马值根据图像特点确定,即根据图像对比度和亮度将图像分为四种。
实现效果:由于图像是光照不均匀的,所以传统的灰度拉伸方法是针对全局的校正方法,会产生过亮的曝光区域或是过暗的阴影区域。为了克服以上缺点,因而利用自适应的方法来处理图像。经过算法处理后的血管部分与背景有着更加明显的对比度,便于后续处理。
步骤4:对步骤三进行多尺度高斯模糊,经测试验证得到合适的高斯核参数以及相应权重。本发明选择三个高斯核对图像进行加权处理。三个高斯核的σk值分别选取15、80、200,对应权重为1/2、1/4、1/4。
具体公式如下,
其中,G(x,y,σ)为高斯函数,x、y、σ为高斯函数的参数。
其中P(x,y)为输出图像P在像素点(x,y)处的灰度值,G(x,y,15)为σ值为15的高斯函数,G(x,y,80)为σ值为80的高斯函数,G(x,y,200)为σ值为200的高斯函数,s(x,y)为输入源图像s在像素点(x,y)处的灰度值。
实现效果:经步骤三处理得到对比度较高三通道的图像,虽然血管部分更加清晰,但是图像中部分噪声也被放大。对此采用多尺度高斯滤波的算法,分别对三个通道进行加权的多尺度高斯滤波,不断调试找到最好的去噪效果,从而得到噪点较少的图像,将分别处理后的三个通道的图像进行融合。
步骤5:利用Frangi二维滤波器,对血管特征进行提取,从而区分血管和噪点,增强图像中的静脉信息。
具体操作是对图像中的像素点求解其Hessian矩阵特征值,即λ1和λ2。Hessian矩阵特征值和对应的特征向量分别代表该点处沿某一方向上图形曲率大小和方向。
图像中像素点(x,y)的Hessian矩阵H如下,
根据线性尺度空间理论(LOG),可以将Hessian矩阵中的元素求解,函数f(x,y)的导数等于函数f(x,y)与高斯函数的导数卷积。即,
经上述处理后得到图像的海森矩阵,进而可以求得海森矩阵的特征值λ1和λ2(选取λ1为较小的值,即λ1<λ2)。
根据求得的特征值λ1和λ2,将图像形态大致分为三类:
1)背景,它们的灰度分布较均匀。任意方向上特征值λ1和λ2都较小。
2)孤立的点,它在任意方向上的特征值λ1和λ2都很大。
3)血管,血管处所得的特征值λ1、λ2一小一大。
根据λ1、λ2的值构建两个参数RB、S:
其中,λ1、λ2为所求特征值。
定义响应函数v0(RB,S)如下,
特别说明,若β很大,则对孤立区域抑制就减弱。若β很小,A很容易受到Rb的影响趋于0,那么在血管的弯曲处,也容易被抑制。参数c影响滤波后图像的整体平滑程度。如果c较大,图像就变得平滑。c很小,那么滤波后的图像就变得波动较大。根据实验测试,本发明选取β值为0.9,c为23。
响应函数受到σ值的影响,因而本发明选取一系列σ值,并求取不同σ值下像素点(x,y)的特征增强值,并选取最大特征增强值作为像素点(x,y)的特征增强值,并根据所得特征增强值对图像进行增强。根据实验测试,本发明选取的σ值为2、4、6。
实现效果:经过该算法处理后的图像能将血管部分与背景区分,形成管状结构,进一步滤去了非血管形态的噪声。处理后的图像还存在着一些问题,例如图片中还存在着背景与血管结构区分度不明显的问题,一些噪声被转换为较小的管状结构,这些都需要进一步处理来去除。
步骤6:进行局部阈值的二值化分割(NiBlack)处理,对像素点选取rxr的邻域,计算rxr邻域内的均值和方差,并结合修正值得到图像分割的阈值,计算公式如下:
T(x,y)=m(x,y)+k*s(x,y)
其中,T(x,y)为所求局部阈值,m(x,y)为局部均值,s(x,y)为局部方差。根据测试,本发明中的参数选取r=20,k=-0.2。
实现效果:分割后的图像,血管与背景黑白分明,比较好辨认,较原图像有着很好的提高效果。由于同时当进行图像遍历时,如果域r×r范围内都是背景,经NiBlack计算后必有一部分被确定为目标,产生伪噪声。为去除产生的伪噪声,需要对图像进行进一步的处理。
步骤7:对得到的图像进行开运算,具体实施方法是对图像先进行腐蚀,选取的腐蚀核的大小为5x5,消除小的噪点,再对图像进行膨胀,膨胀核的大小为3x3。
实现效果:经过开运算,图像中的噪点明显减少,且血管的尺寸几乎无变化,达到了对图像进行优化的目的。
步骤8:将处理后的图像输出,便于后续进行对比工作。
本发明提供的一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法,将AGC算法与Frangi算法创新性的结合,二者结合可以有效减少Frangi处理后产生的断点。在进行Frangi算法处理后,图像存在很多断点,因此在进行Frangi算法处理前,需要对图像进行预处理,除了本发明使用的引导滤波、多尺度高斯滤波外,辅以AGC算法,能够更加明显的减少Frangi处理后产生的断点。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法,其特征在于,包括:
S1:采集红外光照射下的手部静脉图像,作为初始图像;
S2:对初始图像进行引导滤波,得到增强后的图像P1;
S3:对增强后的图像P1运用AGC算法进行对比度拉伸,得到自适应处理后的图像P2,其中,AGC算法为自适应伽马校正算法;
S4:对自适应处理后的图像P2进行多尺度高斯滤波降噪处理,得到降噪处理后的图像P3;
S5:采用Frangi算法对降噪处理后的图像P3进行血管特征提取,提取出管状的血管轮廓,作为Frangi算法处理后的图像P4;
S6:对Frangi算法处理后的图像P4进行局部阈值的二值化分割,得到分割后的图像P5;
S7:对分割后的图像P5进行开运算降噪,得到最终的图像P6。
2.如权利要求1所述的基于AGC和Frangi的手部静脉红外图像的增强与分割方法,其特征在于,S2包括:
对初始图像进行ROI区域提取,将提取的图像作为输入图像;
对输入图像进行引导滤波得到增强后的图像P1。
3.如权利要求1所述的基于AGC和Frangi的手部静脉红外图像的增强与分割方法,其特征在于,在步骤S3对增强后的图像运用AGC算法进行对比度拉伸时,通过获取图像像素的均值和方差,制定图像对比度的判断标准,并根据图像对比度的判断标准选取不同的伽马值对增强后的图像P1进行对比度拉伸。
4.如权利要求1所述的基于AGC和Frangi的手部静脉红外图像的增强与分割方法,其特征在于,步骤S4包括:
对自适应处理后的图像P2的三个通道进行加权的多尺度高斯滤波,
将滤波处理后的三个通道的图像进行融合,得到降噪处理后的图像P3。
5.如权利要求4所述的基于AGC和Frangi的手部静脉红外图像的增强与分割方法,其特征在于,在对自适应处理后的图像P2的三个通道进行加权的多尺度高斯滤波时,选择三个高斯核对图像进行加权处理,三个高斯核的σ值分别选取15、80、200,对应权重分别为1/2、1/4、1/4。
6.如权利要求1所述的基于AGC和Frangi的手部静脉红外图像的增强与分割方法,其特征在于,步骤S5包括:
S5.1:根据降噪处理后的图像P3的像素点求解Hessian矩阵的特征值λ1和λ2,Hessian矩阵特征值和特征向量分别代表该点处沿某一方向上图形曲率的大小和方向;
S5.2:根据求得的特征值,将P3分为三类:背景、孤立的点和血管,其中,提取出的血管部分处理成管状结构,即管状的血管轮廓,作为Frangi算法处理后的图像P4。
7.如权利要求6所述的基于AGC和Frangi的手部静脉红外图像的增强与分割方法,其特征在于,步骤S5.2包括:
当任意方向上λ1和λ2符合第一预设条件时,灰度分布均匀,归为背景区域;
当任意方向上λ1和λ2符合第二预设条件时,归为孤立的点;
当任意方向上λ1和λ2符合第三预设条件时,归类为血管区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592459.XA CN114863498A (zh) | 2022-05-27 | 2022-05-27 | 一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592459.XA CN114863498A (zh) | 2022-05-27 | 2022-05-27 | 一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114863498A true CN114863498A (zh) | 2022-08-05 |
Family
ID=82640665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210592459.XA Pending CN114863498A (zh) | 2022-05-27 | 2022-05-27 | 一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863498A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272684A (zh) * | 2022-09-29 | 2022-11-01 | 山东圣点世纪科技有限公司 | 一种静脉图像增强过程中伪噪声的处理方法 |
CN115631195A (zh) * | 2022-12-20 | 2023-01-20 | 新光维医疗科技(苏州)股份有限公司 | 血管轮廓提取方法、血管轮廓提取装置及内窥镜系统 |
-
2022
- 2022-05-27 CN CN202210592459.XA patent/CN114863498A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272684A (zh) * | 2022-09-29 | 2022-11-01 | 山东圣点世纪科技有限公司 | 一种静脉图像增强过程中伪噪声的处理方法 |
CN115272684B (zh) * | 2022-09-29 | 2022-12-27 | 山东圣点世纪科技有限公司 | 一种静脉图像增强过程中伪噪声的处理方法 |
CN115631195A (zh) * | 2022-12-20 | 2023-01-20 | 新光维医疗科技(苏州)股份有限公司 | 血管轮廓提取方法、血管轮廓提取装置及内窥镜系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghani et al. | Enhancement of low quality underwater image through integrated global and local contrast correction | |
CN113436168B (zh) | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 | |
CN114863498A (zh) | 一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 | |
CN111209952A (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
US20190163950A1 (en) | Large scale cell image analysis method and system | |
JP2022528539A (ja) | ビデオ内視鏡検査における品質評価 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN110503617B (zh) | 一种基于高、低频信息融合的水下图像增强方法 | |
CN111368661A (zh) | 一种基于图像处理的手指静脉图像增强方法 | |
CN112733929A (zh) | 一种改进Yolo水下图像小目标和遮挡目标的检测方法 | |
Mudassar et al. | Extraction of blood vessels in retinal images using four different techniques | |
CN116703784B (zh) | 一种心脏超声图像视觉增强方法 | |
CN114549492A (zh) | 一种基于多粒度图像信息内容的质量评价方法 | |
CN111583286B (zh) | 基于Flow-XDoG算子的腹部MRI图像轮廓提取方法 | |
CN110910317B (zh) | 一种舌象图像增强方法 | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN112381084B (zh) | 断层图像的轮廓自动识别方法 | |
JP2017018339A (ja) | 胸部x線画像における肺結節明瞭化法 | |
CN112750089A (zh) | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 | |
CN112330613A (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
Al-Ameen | Expeditious contrast enhancement for grayscale images using a new swift algorithm | |
CN115660998A (zh) | 基于深度学习和传统先验知识融合的图像去雾方法 | |
Hashmi et al. | Contrast Enhancement in Mammograms Using Convolution Neural Networks for Edge Computing Systems | |
CN113362280B (zh) | 一种基于医学造影的动态目标跟踪方法 | |
CN115272184A (zh) | 基于优化工业图像质量的缺陷识别方法 |
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 |