CN115511744A - 图像处理方法、装置、计算机设备和存储介质 - Google Patents

图像处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115511744A
CN115511744A CN202211183232.6A CN202211183232A CN115511744A CN 115511744 A CN115511744 A CN 115511744A CN 202211183232 A CN202211183232 A CN 202211183232A CN 115511744 A CN115511744 A CN 115511744A
Authority
CN
China
Prior art keywords
image
initial
processing
fusion
initial 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
Application number
CN202211183232.6A
Other languages
English (en)
Inventor
刘安逸
李传东
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.)
Wuhan United Imaging Healthcare Co Ltd
Original Assignee
Wuhan United Imaging Healthcare 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 Wuhan United Imaging Healthcare Co Ltd filed Critical Wuhan United Imaging Healthcare Co Ltd
Priority to CN202211183232.6A priority Critical patent/CN115511744A/zh
Priority to PCT/CN2022/139501 priority patent/WO2023138273A1/zh
Publication of CN115511744A publication Critical patent/CN115511744A/zh
Priority to US18/346,253 priority patent/US20230351557A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G06T2207/10136—3D ultrasound 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种图像处理方法、装置、计算机设备和存储介质，所述方法包括：获取初始图像；对所述初始图像分别进行斑噪抑制处理和边缘增强处理，得到所述初始图像对应的去噪图像和增强图像；对所述去噪图像和所述增强图像进行融合处理，得到第一融合图像；对所述第一融合图像和所述初始图像进行融合处理，得到第二融合图像；将所述第二融合图像作为新的初始图像，并返回对所述初始图像分别进行斑噪抑制处理和边缘增强处理的步骤，直至达到预设的迭代结束条件，得到所述初始图像对应的目标图像。采用本方法能够在对图像进行三维斑噪抑制、三维边缘增强的同时，能进一步的保留三维图像的原始信息。

Description

图像处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及超声成像技术领域，特别是涉及一种图像处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
超声成像是指用超声波获得物体可见图像的方法，超声系统接收被扫查结构的回声信号，将反射信号的强度以亮度形式进行显示。由于回波的干涉效应及散射回来的超声波束两者之间存在相互干扰性，所以当相关的反射源反射出的两束回波发生重叠时，在超声图像中就会产生明暗不同的颗粒、纹理，这就是斑点噪声的由来。斑点噪声的存在会极大地影响成像的质量，因此，对斑点噪声进行抑制是超声图像处理的一个重要步骤。
目前的针对超声图像的斑点噪声进行抑制的方法多是采用滤波，例如，均值滤波、中值滤波、局部滤波等，这些方法是通过用一个窗口内的像素的统计值(如均值、中值)来代替噪声像素。然而，这些方法对图像的各部分区域不加区分，在滤除噪声的同时，也会替换掉非噪声像素的像素信息，导致图像的一些细节被消除。
因此，这种传统的三维超声图像增强方法在去除图像斑点噪声的同时容易造成图像过度模糊，无法同时满足斑点噪声的抑制和图像的清晰度。
发明内容
基于此，有必要针对上述超声图像增强方法在去除图像斑点噪声的同时容易造成图像过度模糊，无法同时满足斑点噪声的抑制和图像的清晰度的技术问题，提供一种图像处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种图像处理方法。所述方法包括：
获取初始图像；
对所述初始图像分别进行斑噪抑制处理和边缘增强处理，得到所述初始图像对应的去噪图像和增强图像；
对所述去噪图像和所述增强图像进行融合处理，得到第一融合图像；
对所述第一融合图像和所述初始图像进行融合处理，得到第二融合图像；
将所述第二融合图像作为新的初始图像，并返回对所述初始图像分别进行斑噪抑制处理和边缘增强处理的步骤，直至达到预设的迭代结束条件，得到所述初始图像对应的目标图像。
在其中一个实施例中，所述对所述去噪图像和所述增强图像进行融合处理，得到第一融合图像，包括：
通过预设的筛选方式，对所述增强图像的边缘增强结果进行筛选处理，得到筛选后的增强图像；
对所述去噪图像和所述筛选后的增强图像进行融合处理，得到所述第一融合图像。
在其中一个实施例中，所述对所述去噪图像和所述筛选后的增强图像进行融合处理，得到所述第一融合图像，包括：
获取所述筛选后的增强图像的第一权重；
基于所述筛选后的增强图像的第一权重，确定所述去噪图像的第二权重；其中，所述去噪图像的第二权重与所述第一权重成负相关关系；
按照所述第一权重和所述第二权重，对所述去噪图像和所述筛选后的增强图像进行融合处理，得到所述第一融合图像。
在其中一个实施例中，所述对所述第一融合图像和所述初始图像进行融合处理，得到第二融合图像，包括：
获取所述第一融合图像的第三权重和所述初始图像的第四权重；所述第三权重和所述第四权重的和为1；
按照所述第三权重和所述第四权重，对所述第一融合图像和所述初始图像进行融合处理，得到所述第二融合图像。
在其中一个实施例中，所述对初始图像分别进行斑噪抑制处理和边缘增强处理之前，还包括：
对所述初始图像进行滤波处理，得到所述初始图像对应的滤波图像；
所述对初始图像分别进行斑噪抑制处理和边缘增强处理，得到所述初始图像对应的去噪图像和增强图像，包括：
对所述初始图像对应的滤波图像，分别进行斑噪抑制处理和边缘增强处理，得到所述滤波图像的去噪图像和增强图像，对应作为所述初始图像对应的去噪图像和增强图像。
在其中一个实施例中，所述迭代结束条件基于图像处理速率需求和图像质量需求确定；
所述迭代结束条件为预设的迭代次数或相邻两次迭代得到的第二融合图像的灰度值变化程度小于阈值。
在其中一个实施例中，所述初始图像对应的去噪图像通过下述方式确定：
获取所述初始图像的扩散张量和图像梯度；
根据所述扩散张量和所述图像梯度，得到所述初始图像的各向异性扩散信息；所述各向异性扩散信息表示所述初始图像在某一时刻的图像灰度值的变化率；
基于所述各向异性扩散信息对所述初始图像进行斑噪抑制处理，得到所述初始图像对应的去噪图像。
在其中一个实施例中，所述获取所述初始图像的扩散张量，包括：
获取所述初始图像的结构张量的初始特征值和特征向量；所述初始特征值表示沿所述特征向量方向进行扩散的扩散系数；
对所述结构张量的初始特征值进行修正处理，得到修正后的特征值；
基于所述修正后的特征值和所述特征向量，得到所述初始图像的扩散张量。
在其中一个实施例中，所述特征向量为三维特征向量，所述初始特征值包括与所述三维特征向量对应的三个特征值；所述对所述结构张量的初始特征值进行修正处理，得到修正后的特征值，包括：
以在所述初始图像中的均匀组织区域，所述修正后的特征值包括的三个特征值趋近相等；在所述初始图像中的边缘区域，所述修正后的特征值包括的三个特征值中最大的特征值会停止扩散为修正目标，对所述初始特征值进行修正处理，得到修正后的特征值。
在其中一个实施例中，所述初始图像对应的增强图像通过下述方式确定：
获取所述初始图像的结构张量的修正后的特征值；
基于所述修正后的特征值，对所述初始图像进行边缘提取处理，得到所述初始图像的图像边缘区域；
对所述图像边缘区域进行边缘增强处理，得到所述初始图像对应的增强图像。
在其中一个实施例中，所述基于所述修正后的特征值，对所述初始图像进行边缘提取处理，得到所述初始图像的图像边缘区域，包括：
针对所述初始图像中的每个像素，从所述像素对应的三个修正后的特征值中，确定出所述像素的两个目标特征值；所述两个目标特征值包括所述三个修正后的特征值中数值最大的特征值和数值最小的特征值；
若所述两个目标特征值之间的差异信息大于阈值，则确定所述像素处于所述初始图像的图像边缘；
基于提取到的处于图像边缘的各个像素，得到所述初始图像的图像边缘区域。
第二方面，本申请还提供了一种图像处理装置。所述装置包括：
获取单元，用于获取初始图像；
处理单元，用于对所述初始图像分别进行斑噪抑制处理和边缘增强处理，得到所述初始图像对应的去噪图像和增强图像；
第一融合单元，用于对所述去噪图像和所述增强图像进行融合处理，得到第一融合图像；
第二融合单元，用于对所述第一融合图像和所述初始图像进行融合处理，得到第二融合图像；
确定单元，用于将所述第二融合图像作为新的初始图像，并返回对所述初始图像分别进行斑噪抑制处理和边缘增强处理的步骤，直至达到预设的迭代结束条件，得到所述初始图像对应的目标图像。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取初始图像；
对所述初始图像分别进行斑噪抑制处理和边缘增强处理，得到所述初始图像对应的去噪图像和增强图像；
对所述去噪图像和所述增强图像进行融合处理，得到第一融合图像；
对所述第一融合图像和所述初始图像进行融合处理，得到第二融合图像；
将所述第二融合图像作为新的初始图像，并返回对所述初始图像分别进行斑噪抑制处理和边缘增强处理的步骤，直至达到预设的迭代结束条件，得到所述初始图像对应的目标图像。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取初始图像；
对所述初始图像分别进行斑噪抑制处理和边缘增强处理，得到所述初始图像对应的去噪图像和增强图像；
对所述去噪图像和所述增强图像进行融合处理，得到第一融合图像；
对所述第一融合图像和所述初始图像进行融合处理，得到第二融合图像；
将所述第二融合图像作为新的初始图像，并返回对所述初始图像分别进行斑噪抑制处理和边缘增强处理的步骤，直至达到预设的迭代结束条件，得到所述初始图像对应的目标图像。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取初始图像；
对所述初始图像分别进行斑噪抑制处理和边缘增强处理，得到所述初始图像对应的去噪图像和增强图像；
对所述去噪图像和所述增强图像进行融合处理，得到第一融合图像；
对所述第一融合图像和所述初始图像进行融合处理，得到第二融合图像；
将所述第二融合图像作为新的初始图像，并返回对所述初始图像分别进行斑噪抑制处理和边缘增强处理的步骤，直至达到预设的迭代结束条件，得到所述初始图像对应的目标图像。
上述图像处理方法、装置、计算机设备、存储介质和计算机程序产品，在获取初始图像后，循环执行对初始图像分别进行斑噪抑制处理和边缘增强处理，得到初始图像对应的去噪图像和增强图像，对去噪图像和增强图像进行融合处理，得到第一融合图像；对第一融合图像和初始图像进行融合处理，得到第二融合图像的步骤，直至达到预设的迭代结束条件，得到初始图像对应的目标图像。该方法通过对进行斑噪抑制处理后的去噪图像和边缘增强处理的增强图像进行融合处理，使得可以在进行斑噪抑制的条件下，同时满足图像的边缘细节要求，通过对第一融合图像和初始图像进行融合处理，可以进一步弥补边缘增强未处理到的图像细节信息，通过如此的多次迭代，可以在对图像进行三维斑噪抑制、三维边缘增强的同时，能进一步的保留三维图像的原始信息，同时满足图像斑点噪声的抑制和图像的清晰度的需求。
附图说明
图1为一个实施例中图像处理方法的流程示意图；
图2为一个实施例中三维超声图像增强方法的完整流程示意图；
图3为一个实施例中三维超声图像增强系统的示意图；
图4为一个实施例中原始三维超声图像和采用本申请的增强方法进行增强处理后的效果对比图；
图5为一个实施例中图像处理装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。还需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
在一个实施例中，如图1所示，提供了一种图像处理方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤S110，获取初始图像。
其中，初始图像可以为三维超声图像。
可以理解的是，由于获取的三维超声图像会存在斑点噪声，因此，在得到初始的三维超声图像后，需要对其进行图像后处理，以提高图像质量。
步骤S120，对初始图像分别进行斑噪抑制处理和边缘增强处理，得到初始图像对应的去噪图像和增强图像。
具体实现中，对初始图像进行斑噪抑制处理，包括计算初始图像的结构张量，确定结构张量的初始特征值和特征向量，根据结构张量的初始特征值和特征向量，确定初始图像的扩散张量。在获取初始图像的图像梯度后，基于初始图像的图像梯度和扩散张量，得到初始图像的各向异性扩散信息，最后根据初始图像的各向异性扩散信息，对初始图像进行斑噪抑制处理，得到初始图像对应的去噪图像。更具体地，根据结构张量的初始特征值和特征向量，确定初始图像的扩散张量，还包括对结构张量的初始特征值进行修正处理，得到修正后的特征值，基于修正后的特征值和特征向量，得到初始图像的扩散张量。
对初始图像进行边缘增强处理，可以对整个初始图像进行边缘增强处理，也可以提取初始图像的边缘区域后，仅对边缘区域进行边缘增强处理，以缩小边缘增强处理的范围，提高图像处理效率。
步骤S130，对去噪图像和增强图像进行融合处理，得到第一融合图像。
具体实现中，对去噪图像和增强图像的融合可以为加权融合，即可以确定去噪图像的第一权重和增强图像的第二权重，通过第一权重和第二权重，对去噪图像和增强图像同一位置的像素的像素值进行加权求和处理，得到每个像素的第一加权像素值，基于各个像素的第一加权像素值，得到第一融合图像。
本步骤中，通过对初始图像的去噪图像和增强图像进行融合处理，可以实现在去除图像的斑噪抑制的同时，保留图像的边缘细节信息。
步骤S140，对第一融合图像和初始图像进行融合处理，得到第二融合图像。
具体实现中，对第一融合图像和初始图像的融合也可以为加权融合，即可以确定第一融合图像的第三权重和初始图像的第四权重，通过第三权重和第四权重，对第一融合图像和初始图像同一位置的像素的像素值进行加权求和处理，得到每个像素的第二加权像素值，基于各个像素的第二加权像素值，得到第二融合图像。
步骤S150，将第二融合图像作为新的初始图像，并返回对初始图像分别进行斑噪抑制处理和边缘增强处理的步骤，直至达到预设的迭代结束条件，得到初始图像对应的目标图像。
其中，迭代结束条件可以基于图像处理速率需求和图像质量需求确定，以保证在满足图像速率需求的条件下，尽可能高地提高图像质量。
举例说明，迭代结束条件可以为预设的迭代次数，具体地，对帧频(每秒钟放映或显示的帧或图像的数量)要求较高时，可设置较小的迭代次数(例如，1次)；对帧频要求较低时，可设置较大的迭代次数(例如，3-5次)。迭代结束条件也可以为相邻两次迭代得到的第二融合图像的灰度值变化程度小于阈值。
具体实现中，在得到第二融合图像后，可将第二融合图像作为新的初始图像，并返回步骤S120，重新执行步骤S120至步骤S140的过程，直至达到预设的迭代次数，将最后一次迭代得到的第二融合图像，确定为初始图像对应的目标图像。
上述图像处理方法中，在获取初始图像后，循环执行对初始图像分别进行斑噪抑制处理和边缘增强处理，得到初始图像对应的去噪图像和增强图像，对去噪图像和增强图像进行融合处理，得到第一融合图像；对第一融合图像和初始图像进行融合处理，得到第二融合图像的步骤，直至达到预设的迭代结束条件，得到初始图像对应的目标图像。该方法通过对进行斑噪抑制处理后的去噪图像和边缘增强处理的增强图像进行融合处理，使得可以在进行斑噪抑制的条件下，同时满足图像的边缘细节要求，通过对第一融合图像和初始图像进行融合处理，可以进一步弥补边缘增强未处理到的图像细节信息，通过如此的多次迭代，可以在对图像进行三维斑噪抑制、三维边缘增强的同时，能进一步的保留三维图像的原始信息，同时满足图像斑点噪声的抑制和图像的清晰度的需求。
在一示例性实施例中，对去噪图像和增强图像进行融合处理，得到第一融合图像，包括：通过预设的筛选方式，对增强图像的边缘增强结果进行筛选处理，得到筛选后的增强图像；对去噪图像和筛选后的增强图像进行融合处理，得到第一融合图像。
具体实现中，由于边缘增强通常只需要增强大的纹理区域，为避免边缘增强过程引入过多的噪声，因此，还需要对增强图像的边缘增强结果进一步筛选，具体可通过用于对边缘增强结果进行筛选的findContours函数进行筛选，筛选的方法可以有多种，例如，形态学运算、基于轮廓面积周长等特征的筛选，以及使用机器学习对轮廓进行分类等，对得到的筛选后的增强图像与去噪图像进行融合处理，得到第一融合图像。
进一步地，在一示例性实施例中，对去噪图像和筛选后的增强图像进行融合处理，得到第一融合图像，包括：获取筛选后的增强图像的第一权重；基于筛选后的增强图像的第一权重，确定去噪图像的第二权重；其中，去噪图像的第二权重与第一权重成负相关关系；按照第一权重和第二权重，对去噪图像和筛选后的增强图像进行融合处理，得到第一融合图像。
具体地，设进行边缘增强处理后得到的增强图像为E，筛选后的增强图像可表示为：findContours(E)，假定筛选后的增强图像的第一权重为w，去噪图像为R，去噪图像的第二权重与第一权重成负相关关系，具体地，第二权重可表示为1-d1w，则按照第一权重和第二权重，对去噪图像和筛选后的增强图像进行加权求和，得到第一融合图像，用关系式可表示为：
(1-d1w)R+w﹒findContours(E)
其中，d1为设置的系数，d1和w共同决定斑噪抑制后的去噪图像R的权重，斑噪抑制的权重需随着边缘增强权重的增大而减小。
本实施例中，通过对边缘增强结果进行筛选，可以提高图像的处理效率，通过对初始图像的去噪图像和增强图像进行融合处理，可以实现在去除图像的斑噪抑制的同时，保留图像的边缘细节信息。
在一示例性实施例中，对第一融合图像和初始图像进行融合处理，得到第二融合图像，包括：获取第一融合图像的第三权重和初始图像的第四权重；按照第三权重和第四权重，对第一融合图像和初始图像进行融合处理，得到第二融合图像。
具体实现中，由于在获取初始图像后，还需对初始图像进行滤波得到滤波图像，基于滤波图像进行后处理，因此，对第一融合图像和初始图像进行融合处理实际为对第一融合图像和滤波图像进行融合处理，具体可按照第一融合图像的第三权重和滤波图像的第四权重进行加权融合。
设第一融合图像的第三权重为d2，初始图像(滤波图像)的第四权重为1-d2，滤波图像为S，则第二融合图像H的融合过程可表示为：
H＝(1－d2)S+d2[(1－d1w)R+w﹒findContours(E)]
本实施例中，通过对由去噪图像和增强图像融合得到的第一融合图像与初始图像再次进行融合处理，可以实现在对图像进行三维斑噪抑制、三维边缘增强的同时，能进一步的保留三维图像的原始信息。
在一示例性实施例中，上述步骤S120对初始图像分别进行斑噪抑制处理和边缘增强处理之前，还包括：对初始图像进行滤波处理，得到初始图像对应的滤波图像；
步骤S120，还包括：对初始图像对应的滤波图像，分别进行斑噪抑制处理和边缘增强处理，得到滤波图像的去噪图像和增强图像，对应作为初始图像对应的去噪图像和增强图像。
本实施例中，在获取初始图像后，可首先对初始图像进行滤波处理，例如，三维高斯滤波，得到初始图像对应的滤波图像，之后对滤波图像分别进行斑噪抑制处理和边缘增强处理，得到滤波图像的去噪图像和增强图像，对应作为初始图像对应的去噪图像和增强图像，该方法先对初始图像进行滤波，实现在尽量保留图像细节特征的条件下对图像的噪声进行初步抑制，以提高后续图像处理和分析的有效性和可靠性。
在一示例性实施例中，初始图像对应的去噪图像的确定可包括：获取初始图像的扩散张量和图像梯度；根据扩散张量和图像梯度，得到初始图像的各向异性扩散信息；各向异性扩散信息表示初始图像在某一时刻的图像灰度值的变化率；基于各向异性扩散信息对初始图像进行斑噪抑制处理，得到初始图像对应的去噪图像。
其中，扩散张量用于控制图像的扩散，可用一个3维的矩阵表示如下：
Figure BDA0003867634860000111
其中，图像梯度计算的是图像变化的速度，对于图像的边缘部分，其灰度值变化较大，梯度值也较大；对于图像中比较平滑的部分，其灰度值变化较小，相应的梯度值也小。若将图像看作二维离散函数，图像梯度可以理解为这个二维离散函数的求导。图像梯度一般通过计算像素值的差来得到梯度的近似值(近似导数值)。
其中，三维各向异性扩散方程可以表示为：
Figure BDA0003867634860000121
其中，
Figure BDA0003867634860000122
表示图像的图像梯度，D表示扩散张量，div表示散度函数，散度是矢量分析中的一个矢量算子，将矢量空间上的一个矢量场对应到一个标量场上，散度描述的是矢量场里一个点是汇聚点还是发源点。各向异性扩散方程可以理解为t时刻图像灰度值的变化率。
具体实现中，在得到初始图像的扩散张量和图像梯度后，可通过将扩散张量和图像梯度代入三维各向异性扩散方程中，得到初始图像的各向异性扩散信息，可用关系式表示为：
Figure BDA0003867634860000123
其中，上式中的
Figure BDA0003867634860000124
可表示各向异性扩散信息，div表示散度函数，I表示初始图像，
Figure BDA0003867634860000125
分别表示初始图像在x、y、z三个方向的扩散信息。
进一步，基于各向异性扩散信息对初始图像进行斑噪抑制处理，即可将各向异性扩散信息与时间的乘积看作一个增量，与初始图像相加，得到斑噪抑制后的去噪图像，用公式可表示为：
Figure BDA0003867634860000126
其中，I*表示去噪图像，I表示初始图像，
Figure BDA0003867634860000127
表示各向异性扩散信息对应的增量。
本实施例中，先通过初始图像的扩散张量和图像梯度，得到各向异性扩散信息，进一步基于各向异性扩散信息对初始图像进行斑噪抑制处理，能够在保留图像细节的同时对图像边缘进行一定程度的增强。
进一步地，在一示例性实施例中，获取初始图像的扩散张量，包括：步骤S2101，获取初始图像的结构张量的初始特征值和特征向量；初始特征值表示沿特征向量方向进行扩散的扩散系数；步骤S2102，对结构张量的初始特征值进行修正处理，得到修正后的特征值；步骤S2103，基于修正后的特征值和特征向量，得到初始图像的扩散张量。
其中，结构张量(structure tensor)主要用于区分图像的平坦区域、边缘区域与角点区域。图像的结构张量可以看作一个关于图像的结构矩阵。
其中，结构张量的特征值也可以理解为在特征向量方向上扩散程度的大小。
具体实现中，可通过对初始图像的结构张量进行特征分解，得到结构张量的初始特征值μ1、μ2、μ3和特征向量v1、v2、v3：
Figure BDA0003867634860000131
Figure BDA0003867634860000132
其中，
Figure BDA0003867634860000133
表示结构张量，
Figure BDA0003867634860000134
表示图像的图像梯度，Ix、Iy、Iz分别表示初始图像在x、y、z三个方向的图像梯度。
进一步，对结构张量的初始特征值μ1、μ2、μ3进行修正处理，得到修正后的特征值λ1、λ2、λ3，根据修正后的特征值λ1、λ2、λ3和特征向量v1、v2、v3计算得到扩散张量D，用公式表示为：
Figure BDA0003867634860000135
进一步地，特征向量为三维特征向量，修正后的特征值包括与三维特征向量对应的三个特征值；在初始图像中的均匀组织区域，修正后的特征值包括的三个特征值趋近相等；在初始图像中的边缘区域，修正后的特征值包括的三个特征值中最大的特征值会停止扩散。
其中，最大的特征值是否停止扩散可以通过最大的特征值是否趋近于零进行确定，最大的特征值越小，越趋近于零，表明越接近停止扩散的目标。
具体地，对初始特征值进行修正的关系式可表示为：
λ1＝c1
λZ＝c1
Figure BDA0003867634860000141
其中，C＝(μ1-μ3)2，C可表示3个初始特征值μ1、μ2、μ3中的最大值和最小值的差的平方。α是一个决定扩散量的常数，可以与λ1、λ2、λ3相等，α常设为1，β是一个决定边缘增强量的负数，β的绝对值决定边缘增强量，绝对值越大，边缘越模糊，其取值范围为[-1，-0.1]。K和c1为设置的常数，K值越大，组织越模糊。其中，c1的取值范围为[0，0.5]。
可以理解的是，在均匀组织区域，C的值会很小，此时沿三个特征向量方向的扩散系数近似相等，即特征值近似相等。在边缘区域，扩散系数会停止扩散甚至会进行边缘增强，因为此时修正后的特征值λ3为负值。其中，由于扩散系数决定了扩散量，因此当边缘区域扩散量为负数时，一定程度上可以增强边缘。
上述实施例，在得到结构张量的初始特征值和特征向量后，通过均匀组织区域和边缘区域不同的特点，对初始特征值进行修正处理，使得修正后的特征值更加符合图像的特点，以保证后续根据修正后的特征值确定的各向异性扩散信息的准确性。
在一示例性实施例中，初始图像对应的增强图像通过下述方式确定：获取初始图像的结构张量的修正后的特征值；基于修正后的特征值，对初始图像进行边缘提取处理，得到初始图像的图像边缘区域；对图像边缘区域进行边缘增强处理，得到初始图像对应的增强图像。
具体实现中，对初始图像进行边缘提取可以通过初始图像的结构张量的修正后的特征值实现，每个像素均对应有3个分别沿3个特征向量方向的特征值，可通过计算3个修正后的特征值中最大特征值与最小特征值之间的差值，将该差值与预设阈值进行比对，基于比对结果提取出处于图像边缘区域的像素，得到初始图像的图像边缘区域，进一步对提取的图像边缘区域进行边缘增强处理，得到初始图像对应的增强图像。
进一步地，在一示例性实施例中，基于修正后的特征值，对初始图像进行边缘提取处理，得到初始图像的图像边缘区域，包括：针对初始图像中的每个像素，从像素对应的三个修正后的特征值中，确定出像素的两个目标特征值；两个目标特征值包括三个修正后的特征值中数值最大的特征值和数值最小的特征值；若两个目标特征值之间的差异信息大于阈值，则确定像素处于初始图像的图像边缘；基于提取到的处于图像边缘的各个像素，得到初始图像的图像边缘区域。
具体地，在散斑噪声占主导地位的均匀区域中的像素具有各向同性性质。因此，对于图像中的每个像素，如果该像素的两个目标特征值之间的差异很小，则认为该像素是散斑噪声，若该像素的两个目标特征值之间的差异很大，可以认为该像素位于图像边缘区域。因此，可以利用设置阈值或者自动求取阈值的方式得到图像的边缘区域，其中一种实现方式可以表示为：
Figure BDA0003867634860000151
其中，M(x,y,z)表示在点(x,y,z)处的边缘信息，μ1(x,y,z)和μ2(x,y,z)表示点(x,y,z)对应的两个目标特征值，l、m和n分别表示初始图像的长宽高，
Figure BDA0003867634860000152
表示计算得到的阈值。
上述实施例，通过结构张量的修正后的特征值进行边缘提取，可以提高所提取的图像边缘区域的准确性。
在一个实施例中，为了便于本领域技术人员理解本申请实施例，以下将结合附图的具体示例进行说明。
参考图2，示出了一种三维超声图像增强方法的完整流程示意图，获取三维超声图像后，对三维超声图像进行三维滤波处理，将滤波后的超声图像作为迭代输入图像进行增强处理。具体地增强操作包括：先对迭代输入图像分别进行三维散斑噪声抑制和三维边缘增强处理，然后对斑噪抑制后的图像与边缘增强后的图像进行融合处理，得到第一融合图像；进一步对第一融合图像与滤波后的图像进行再次融合处理，得到第二融合图像。判断迭代次数与预设阈值N的关系，若迭代次数小于阈值N，则将第二融合图像作为新的迭代输入图像，再次进行增强操作，直至迭代次数大于阈值N，将最后一次迭代得到的第二融合图像作为最终的图像进行输出。由此实现对三维超声图像的增强，得到图像质量更优、立体效果更好的三维超声图像。
参考图3，示出了一种三维超声图像增强系统的示意图，包括：图像获取模块、三维滤波模块、斑噪抑制模块、边缘增强模块、图像融合模块和迭代控制模块，其中：
图像获取模块，用于获取三维超声图像。
三维滤波模块，用于对获取到的三维超声图像进行滤波处理。
斑噪抑制模块，用于对滤波后的图像进行三维散斑噪声抑制处理。
边缘增强模块，用于对滤波后的图像进行三维边缘增强处理。
图像融合模块，用于将斑噪抑制后的图像与边缘增强后的图像进行融合，得到第一融合图像，以及将第一融合图像与滤波后的图像进行融合，得到第二融合图像。
迭代控制模块，用于控制迭代次数，迭代次数达到设定值时停止迭代，输出最终结果图。
本申请提供的三维超声图像增强算法的目的为提高图像质量，这种改进可以通过视觉来主观评估，例如，如图4所示，为原始三维超声图像和采用本申请的增强方法进行增强处理后的效果对比图，图中左侧图像为原始三维超声图像，右侧图像为采用本申请的增强方法进行增强处理后的，对比可以看出采用本申请的增强方法后，三维超声图像更加平滑，斑点噪声得以消除，同时原始图像的细节信息仍得以保留。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的图像处理方法的图像处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个图像处理装置实施例中的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种图像处理装置，包括：
获取单元510，用于获取初始图像；
处理单元520，用于对初始图像分别进行斑噪抑制处理和边缘增强处理，得到初始图像对应的去噪图像和增强图像；
第一融合单元530，用于对去噪图像和增强图像进行融合处理，得到第一融合图像；
第二融合单元540，用于对第一融合图像和初始图像进行融合处理，得到第二融合图像；
确定单元550，用于将第二融合图像作为新的初始图像，并返回对初始图像分别进行斑噪抑制处理和边缘增强处理的步骤，直至达到预设的迭代结束条件，得到初始图像对应的目标图像。
在一个实施例中，上述第一融合单元530，还用于通过预设的筛选方式，对增强图像的边缘增强结果进行筛选处理，得到筛选后的增强图像；对去噪图像和筛选后的增强图像进行融合处理，得到第一融合图像。
在一个实施例中，上述第一融合单元530，还用于获取筛选后的增强图像的第一权重；基于筛选后的增强图像的第一权重，确定去噪图像的第二权重；其中，去噪图像的第二权重与第一权重成负相关关系；按照第一权重和第二权重，对去噪图像和筛选后的增强图像进行融合处理，得到第一融合图像。
在一个实施例中，上述第二融合单元540，还用于获取第一融合图像的第三权重和初始图像的第四权重；按照第三权重和第四权重，对第一融合图像和初始图像进行融合处理，得到第二融合图像。
在一个实施例中，上述装置还包括滤波单元，用于对初始图像进行滤波处理，得到初始图像对应的滤波图像；
上述处理单元520，还用于对初始图像对应的滤波图像，分别进行斑噪抑制处理和边缘增强处理，得到滤波图像的去噪图像和增强图像，对应作为初始图像对应的去噪图像和增强图像。
在一个实施例中，迭代结束条件基于图像处理速率需求和图像质量需求确定；迭代结束条件为预设的迭代次数或相邻两次迭代得到的第二融合图像的灰度值变化程度小于阈值。
在一个实施例中，上述处理单元520，包括抑制子单元，用于获取初始图像的扩散张量和图像梯度；根据扩散张量和图像梯度，得到初始图像的各向异性扩散信息；各向异性扩散信息表示初始图像在某一时刻的图像灰度值的变化率；基于各向异性扩散信息对初始图像进行斑噪抑制处理，得到初始图像对应的去噪图像。
在一个实施例中，上述抑制子单元，还用于获取初始图像的结构张量的初始特征值和特征向量；初始特征值表示沿特征向量方向进行扩散的扩散系数；对结构张量的初始特征值进行修正处理，得到修正后的特征值；基于修正后的特征值和特征向量，得到初始图像的扩散张量。
在一个实施例中，上述抑制子单元，还用于以在所述初始图像中的均匀组织区域，所述修正后的特征值包括的三个特征值趋近相等；在所述初始图像中的边缘区域，所述修正后的特征值包括的三个特征值中最大的特征值会停止扩散为修正目标，对所述初始特征值进行修正处理，得到修正后的特征值。
在一个实施例中，上述处理单元520，还包括增强子单元，用于获取初始图像的结构张量的修正后的特征值；基于修正后的特征值，对初始图像进行边缘提取处理，得到初始图像的图像边缘区域；对图像边缘区域进行边缘增强处理，得到初始图像对应的增强图像。
在一个实施例中，上述增强子单元，还用于针对初始图像中的每个像素，从像素对应的三个修正后的特征值中，确定出像素的两个目标特征值；两个目标特征值包括三个修正后的特征值中数值最大的特征值和数值最小的特征值；若两个目标特征值之间的差异信息大于阈值，则确定像素处于初始图像的图像边缘；基于提取到的处于图像边缘的各个像素，得到初始图像的图像边缘区域。
上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (14)

1.一种图像处理方法，其特征在于，所述方法包括：
获取初始图像；
对所述初始图像分别进行斑噪抑制处理和边缘增强处理，得到所述初始图像对应的去噪图像和增强图像；
对所述去噪图像和所述增强图像进行融合处理，得到第一融合图像；
对所述第一融合图像和所述初始图像进行融合处理，得到第二融合图像；
将所述第二融合图像作为新的初始图像，并返回对所述初始图像分别进行斑噪抑制处理和边缘增强处理的步骤，直至达到预设的迭代结束条件，得到所述初始图像对应的目标图像。
2.根据权利要求1所述的方法，其特征在于，所述对所述去噪图像和所述增强图像进行融合处理，得到第一融合图像，包括：
通过预设的筛选方式，对所述增强图像的边缘增强结果进行筛选处理，得到筛选后的增强图像；
对所述去噪图像和所述筛选后的增强图像进行融合处理，得到所述第一融合图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述去噪图像和所述筛选后的增强图像进行融合处理，得到所述第一融合图像，包括：
获取所述增强图像的第一权重；
基于所述增强图像的第一权重，确定所述去噪图像的第二权重；其中，所述去噪图像的第二权重与所述第一权重成负相关关系；
按照所述第一权重和所述第二权重，对所述去噪图像和所述增强图像进行融合处理，得到所述第一融合图像。
4.根据权利要求1所述的方法，其特征在于，所述对所述第一融合图像和所述初始图像进行融合处理，得到第二融合图像，包括：
获取所述第一融合图像的第三权重和所述初始图像的第四权重；所述第三权重和所述第四权重的和为1；
按照所述第三权重和所述第四权重，对所述第一融合图像和所述初始图像进行融合处理，得到所述第二融合图像。
5.根据权利要求1所述的方法，其特征在于，所述对初始图像分别进行斑噪抑制处理和边缘增强处理之前，还包括：
对所述初始图像进行滤波处理，得到所述初始图像对应的滤波图像；
所述对初始图像分别进行斑噪抑制处理和边缘增强处理，得到所述初始图像对应的去噪图像和增强图像，包括：
对所述初始图像对应的滤波图像，分别进行斑噪抑制处理和边缘增强处理，得到所述滤波图像的去噪图像和增强图像，对应作为所述初始图像对应的去噪图像和增强图像。
6.根据权利要求1所述的方法，其特征在于，所述迭代结束条件基于图像处理速率需求和图像质量需求确定；
所述迭代结束条件为预设的迭代次数或相邻两次迭代得到的第二融合图像的灰度值变化程度小于阈值。
7.根据权利要求1所述的方法，其特征在于，所述初始图像对应的抑制图像去噪图像通过下述方式确定：
获取所述初始图像的扩散张量和图像梯度；
根据所述扩散张量和所述图像梯度，得到所述初始图像的各向异性扩散信息；所述各向异性扩散信息表示所述初始图像在某一时刻的图像灰度值的变化率；
基于所述各向异性扩散信息对所述初始图像进行斑噪抑制处理，得到所述初始图像对应的抑制图像去噪图像。
8.根据权利要求7所述的方法，其特征在于，所述获取所述初始图像的扩散张量，包括：
获取所述初始图像的结构张量的初始特征值和特征向量；所述初始特征值表示沿所述特征向量方向进行扩散的扩散系数；
对所述结构张量的初始特征值进行修正处理，得到修正后的特征值；
基于所述修正后的特征值和所述特征向量，得到所述初始图像的扩散张量。
9.根据权利要求8所述的方法，其特征在于，所述特征向量为三维特征向量，所述修正后的特征值包括与所述三维特征向量对应的三个特征值；所述对所述结构张量的初始特征值进行修正处理，得到修正后的特征值，包括：
以在所述初始图像中的均匀组织区域，所述修正后的特征值包括的三个特征值趋近相等；在所述初始图像中的边缘区域，所述修正后的特征值包括的三个特征值中最大的特征值会停止扩散为修正目标，对所述初始特征值进行修正处理，得到修正后的特征值。
10.根据权利要求1所述的方法，其特征在于，所述初始图像对应的增强图像通过下述方式确定：
获取所述初始图像的结构张量的修正后的特征值；
基于所述修正后的特征值，对所述初始图像进行边缘提取处理，得到所述初始图像的图像边缘区域；
对所述图像边缘区域进行边缘增强处理，得到所述初始图像对应的增强图像。
11.根据权利要求10所述的方法，其特征在于，所述修正后的特征值包括三个特征值，所述基于所述修正后的特征值，对所述初始图像进行边缘提取处理，得到所述初始图像的图像边缘区域，包括：
针对所述初始图像中的每个像素，从所述像素对应的三个修正后的特征值中，确定出所述像素的两个目标特征值；所述两个目标特征值包括所述三个修正后的特征值中数值最大的特征值和数值最小的特征值；
若所述两个目标特征值之间的差异信息大于阈值，则确定所述像素处于所述初始图像的图像边缘；
基于提取到的处于图像边缘的各个像素，得到所述初始图像的图像边缘区域。
12.一种图像处理装置，其特征在于，所述装置包括：
获取单元，用于获取初始图像；
处理单元，用于对所述初始图像分别进行斑噪抑制处理和边缘增强处理，得到所述初始图像对应的去噪图像和增强图像；
第一融合单元，用于对所述去噪图像和所述增强图像进行融合处理，得到第一融合图像；
第二融合单元，用于对所述第一融合图像和所述初始图像进行融合处理，得到第二融合图像；
确定单元，用于将所述第二融合图像作为新的初始图像，并返回对所述初始图像分别进行斑噪抑制处理和边缘增强处理的步骤，直至达到预设的迭代结束条件，得到所述初始图像对应的目标图像。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的图像处理方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的图像处理方法的步骤。
CN202211183232.6A 2022-01-18 2022-09-27 图像处理方法、装置、计算机设备和存储介质 Pending CN115511744A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202211183232.6A CN115511744A (zh) 2022-09-27 2022-09-27 图像处理方法、装置、计算机设备和存储介质
PCT/CN2022/139501 WO2023138273A1 (zh) 2022-01-18 2022-12-16 图像增强方法和系统
US18/346,253 US20230351557A1 (en) 2022-01-18 2023-07-02 Method and system for image enhancement

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211183232.6A CN115511744A (zh) 2022-09-27 2022-09-27 图像处理方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN115511744A true CN115511744A (zh) 2022-12-23

Family

ID=84505347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211183232.6A Pending CN115511744A (zh) 2022-01-18 2022-09-27 图像处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115511744A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523775A (zh) * 2023-04-14 2023-08-01 海的电子科技(苏州)有限公司 高速图像信号的增强优化方法和设备、存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523775A (zh) * 2023-04-14 2023-08-01 海的电子科技(苏州)有限公司 高速图像信号的增强优化方法和设备、存储介质
CN116523775B (zh) * 2023-04-14 2023-11-07 海的电子科技(苏州)有限公司 高速图像信号的增强优化方法和设备、存储介质

Similar Documents

Publication Publication Date Title
Guo et al. LIME: Low-light image enhancement via illumination map estimation
Chen et al. Robust image and video dehazing with visual artifact suppression via gradient residual minimization
Ancuti et al. Single-scale fusion: An effective approach to merging images
Park et al. Retinex method based on adaptive smoothing for illumination invariant face recognition
CN110706174B (zh) 一种图像增强方法、终端设备及存储介质
JP7030493B2 (ja) 画像処理装置、画像処理方法およびプログラム
Pal et al. A brief survey of recent edge-preserving smoothing algorithms on digital images
Ren et al. Partial deconvolution with inaccurate blur kernel
Rabin et al. Removing artefacts from color and contrast modifications
Liu et al. Single nighttime image dehazing based on image decomposition
Wang et al. Low-light image enhancement based on virtual exposure
Sun et al. Image Structure Retrieval via $ L_0 $ Minimization
Tan et al. Multipoint filtering with local polynomial approximation and range guidance
Singh et al. Illumination estimation for nature preserving low-light image enhancement
Baraha et al. A systematic review on recent developments in nonlocal and variational methods for SAR image despeckling
Yang et al. A novel gradient attenuation Richardson–Lucy algorithm for image motion deblurring
CN116645305A (zh) 基于多注意力机制与Retinex的低光照图像增强方法
He et al. Multi-stage image denoising based on correlation coefficient matching and sparse dictionary pruning
CN115511744A (zh) 图像处理方法、装置、计算机设备和存储介质
Pandey et al. A fast and effective vision enhancement method for single foggy image
Zhang et al. Single image haze removal based on a simple additive model with haze smoothness prior
Buades Image and film denoising by non-local means
Tallon et al. Space-variant blur deconvolution and denoising in the dual exposure problem
Khan et al. Multi‐scale GAN with residual image learning for removing heterogeneous blur
Bahraini et al. Edge preserving range image smoothing using hybrid locally kernel-based weighted least square

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