CN115578291A - 图像的亮度校正方法、存储介质及电子设备 - Google Patents
图像的亮度校正方法、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115578291A CN115578291A CN202211358795.4A CN202211358795A CN115578291A CN 115578291 A CN115578291 A CN 115578291A CN 202211358795 A CN202211358795 A CN 202211358795A CN 115578291 A CN115578291 A CN 115578291A
- Authority
- CN
- China
- Prior art keywords
- image
- brightness correction
- corrected
- sequence
- observation
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 76
- 238000001000 micrograph Methods 0.000 claims description 17
- 239000000654 additive Substances 0.000 claims description 14
- 230000000996 additive effect Effects 0.000 claims description 14
- 230000004888 barrier function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 239000002585 base Substances 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000012458 free base Substances 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06T5/80—Geometric correction
-
- 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像的亮度校正方法、存储介质及电子设备,该方法包括:获取需要进行亮度校正的待校正图像;获取对应待校正图像的图像采集设备的亮度校正参数,其中,亮度校正参数根据观测序列和估计序列确定得到,观测序列由对应图像采集设备的不同样本观测图像在不同像素位置进行像素值排序得到,估计序列根据观测序列和平均图确定得到,平均图根据不同像素位置的观测序列的像素均值得到;根据亮度校正参数对待校正图像进行亮度校正处理,得到校正后图像。本申请能够高效地对图像进行亮度校正。
Description
技术领域
本申请涉及图像亮度校正技术领域,具体涉及一种图像的亮度校正方法、存储介质及电子设备。
背景技术
在对生物组织进行成像的过程中,各种外界因素会影响图像采集设备对生物组织进行图像采集,使得采集得到的观测图像和真实图像的成像效果差距较大,比如,观测图像存在亮度不均匀现象。其中,各种外界因素包括但不限于图像采集设备的使用不规范、环境灰尘、光照不均匀等。
为解决此类问题,现有技术中常使用调整拍摄参数、增强光照等方式,其中,调整拍摄参数则需要在拍摄条件变化时不断进行参数调整,而增强光照的方式会造成观测图像的强光噪点较高。
如此看来,现有的方式还存在亮度校正效率低的弊端。
发明内容
本申请实施例提供一种图像的亮度校正方法、存储介质及电子设备,能够提高对图像亮度进行校正的效率。
第一方面,本申请实施例提供一种图像的亮度校正方法,方法包括:
获取需要进行亮度校正的待校正图像;
获取对应待校正图像的图像采集设备的亮度校正参数,其中,亮度校正参数根据观测序列和估计序列确定得到,观测序列由对应图像采集设备的不同样本观测图像在不同像素位置进行像素值排序得到,估计序列根据观测序列和平均图确定得到,平均图根据不同像素位置的观测序列的像素均值得到;
根据亮度校正参数对待校正图像进行亮度校正处理,得到校正后图像。
第二方面,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,当计算机程序在计算机上运行时,使得计算机执行如本申请任一实施例提供的图像的亮度校正方法。
第三方面,本申请实施例还提供一种电子设备,包括处理器和存储器,存储器有计算机程序,处理器通过调用计算机程序,用于执行如本申请任一实施例提供的图像的亮度校正方法。
本申请实施例提供的技术方案,通过根据对应图像采集设备的不同样本观测图像得到观测序列和估计序列,其中,观测序列是由不同样本观测图像在不同像素位置进行像素值排序得到,之后,根据不同像素位置的观测序列的像素均值得到平均图,进而根据平均图和观测序列得到估计序列。在得到观测序列和估计序列之后,基于两者之间的映射关系即可得到图像采集设备的亮度校正参数,该亮度校正参数能够表征因图像采集设备和环境因素在采集图像时造成亮度不均匀的影响因素。之后,使用亮度校正参数对待校正图像进行亮度校正处理,以得到校正后图像。本申请通过亮度校正参数能够对后续采集的待校正图像进行统一校正,从而实现便捷、统一地对待校正图像进行亮度校正。且相较于现有技术而言,本申请的亮度校正参数可以在后续采集的待校正图像中通用,并不需要如现有技术中所言不断调整拍摄参数,更不会造成较高的图像强光噪点。以此,在提高了对待校正图像进行亮度校正的效率的基础上,还能够得到更高质量的校正后图像。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域技术人员来讲,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为本申请实施例提供的图像的亮度校正方法的应用场景示意图。
图2为本申请实施例提供的图像的亮度校正方法的流程示意图。
图3为本申请实施例提供的图像的亮度校正方法中待校正图像和校正后图像的对比示意图。
图4为本申请实施例提供的图像的亮度校正方法中确定亮度校正参数的流程示意图。
图5为本申请实施例提供的图像的亮度校正方法中根据样本观测图像确定观测序列的示意图。
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
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,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供一种图像的亮度校正方法,该图像的亮度校正方法的执行主体可以是本申请实施例提供的电子设备。其中,该电子设备可以是智能手机、折叠屏手机、平板电脑、掌上电脑、台式电脑等设备,还可以是各类图像采集设备,其中,图像采集设备包括但不限于:显微镜、扫描仪、相机、摄像机、摄像头等。
为更好地解释本申请实施例提供的方案,此处先提供一个应用场景进行解释说明,请参阅图1,图1为本申请实施例提供的图像的亮度校正方法的应用场景示意图。该图中,以显微镜作为电子设备,在显微镜对生物组织进行成像过程中,由于显微镜使用不规范、显微镜的光源不均匀或者实验环境存在灰尘等原因,会造成成像得到的生物显微图像的亮度不均匀,从而影响后续对生物显微图像的研究。
因此,本申请提供的方案为根据显微镜前期采集的生物显微图像分析显微镜的亮度校正参数,然后以亮度校正参数对显微镜后期采集的生物显微图像进行亮度校正处理,从而改善亮度不均匀的图像的亮度,以提高图像质量,且该方法具有普适性,在实验场景等需要大量对图像亮度进行校正的场景中的作用显著,能够明显提高对图像的处理效率。
可以理解地,此处应用场景中的显微镜仅限于举例,并不用于对本申请方案的应用场景进行限定,本申请的方案可以应用于各类需要对采集的图像进行亮度校正的场景中,在以下实施例中,则以电子设备为显微镜为例继续解释本申请的方案。
其中,显微镜的种类有多种,包括但不限于:金相显微镜、生物显微镜、体视显微镜、偏光显微镜、荧光显微镜、立体显微镜等。各种显微镜根据其种类具有不同的用途,比如,以荧光显微镜中的光片荧光显微镜为例,光片荧光显微镜(LSFM)是一种流行的发育生物学,神经科学和病理学研究成像方法,广泛应用于各种生物医学样品切片进行快速和高分辨率的成像。
具体地,请参阅图2,图2为本申请实施例提供的图像的亮度校正方法的流程示意图。本申请实施例提供的图像的亮度校正方法的具体流程可以如下:
110、获取需要进行亮度校正的待校正图像。
其中,需要进行亮度校正的待校正图像可为一个或一组,而待校正图像可以通过图像采集设备采集得到,其中,图像采集设备可以为同一个设备,也可以为同型号、同拍摄环境的不同设备,具体实施方式此处并不进行限定。
示例性地,在通过图像采集设备得到图像之后,也可以先从图像中筛选出需要进行亮度校正的待校正图像,从而提高对图像进行亮度校正的效率。
120、获取对应待校正图像的图像采集设备的亮度校正参数,其中,亮度校正参数根据观测序列和估计序列确定得到,观测序列由对应图像采集设备的不同样本观测图像在不同像素位置进行像素值排序得到,估计序列根据观测序列和平均图确定得到,平均图根据不同像素位置的观测序列的像素均值得到。
其中,可以将另一个图像采集设备的亮度校正参数用于对待校正图像进行亮度校正。比如,采集待校正图像的图像采集设备为A,图像采集设备B为图像采集设备A为同型号或同类型且拍摄环境相同的另一设备,可以将图像采集设备B的亮度校正参数应用于图像采集设备A,以对图像采集设备A采集的待校正图像进行亮度校正处理。当然地,也可以通过图像采集设备A的亮度校正参数对其采集的待校正图像进行亮度校正处理,具体的实施方式此处并不进行限定。
以下以通过图像采集设备A的亮度校正参数对其采集的待校正图像进行亮度校正处理为例,对本申请实施例提供的方案进行描述。
具体地,还对图像采集设备A采集的历史图像进行分析,以得到图像采集设备A的亮度校正参数,其中,图像采集设备A采集的历史图像称为样本观测图像。本实施例中,通过对样本观测图像进行分析,以得到样本观测图像对应的观测序列和估计序列。
示例性地,观测序列通过对不同的样本观测图像在不同像素位置进行像素值排序得到。其中,像素位置可以值图像维度的最小单元。而每一样本观测图像的尺寸是一致的,若一个样本观测图像由H×W个像素点组成,则像素位置有H×W个,其中,H表示样本观测图像在长度方向上的像素点数量,W表示样本观测图像在宽度方向上的像素点数量。当对不同的样本观测图像在不同像素位置进行像素值排序之后,可以得到H×W个观测序列。
其中,对像素值进行排序的依据可以指像素值的大小,也可指像素点的亮度值,具体实施方式此处并不进行限定。
进一步地,还通过分别求取不同像素位置的观测序列的像素均值,以不同像素位置的像素均值构成平均图,进而根据平均图和观测序列确定出估计序列,其中,观测序列和估计序列具有像素位置上的对应关系,通过对两者进行分析,能够得到图像采集设备的不同像素位置上的亮度特性,该不同像素位置上的亮度特性即为本申请实施例中提及的亮度校正参数。
进而可以通过亮度校正参数对图像采集设备所采集的、且需要进行亮度校正的待校正图像进行亮度校正处理,从而使得校正后图像的亮度均匀,从而降低了因图像采集设备或其环境因素对所采集的图像的亮度的影响。
130、根据亮度校正参数对待校正图像进行亮度校正处理,得到校正后图像。
在通过亮度校正参数对待校正图像进行亮度校正处理时,可以先基于待校正图像中不同像素位置的像素值和亮度校正参数确定出校正值,继而以校正值替换待校正图像中不同像素位置对应的像素值。或者,还可根据亮度校正参数对待校正图像中不同像素位置的像素值进行调整,以完成对待校正图像的亮度校正。
可以理解地,图像采集设备可以采集各类生物图像,比如,细胞图像、脑组织图像、大脑图像,当然地,各类生物图像可以为二维图像,也可为三维图像。具体地,请参阅图3,图3为本申请实施例提供的图像的亮度校正方法中待校正图像和校正后图像的对比示意图。图3(1)显示了细胞图像在亮度校正之前(左侧)以及在亮度校正之后(右侧)的对比示意图。图3(2)显示了脑组织图像在亮度校正之前(左侧)以及在亮度校正之后(右侧)的对比示意图。图3(3)显示了大脑二维图像在亮度校正之前(左侧)以及在亮度校正之后(右侧)的对比示意图。图3(4)显示了大脑三维图像在亮度校正之前(左侧)以及在亮度校正之后(右侧)的对比示意图。
根据图示对比示意图,可以看出通过亮度校正参数对各类待校正图像进行亮度校正处理之后,校正后图像的亮度有了明显提升,且其亮度分布相较于校于亮度校正之前更均匀,且图像质量也得到了极大的改善。
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
通过本申请实施例中的图像的亮度校正方法,能够通过对图像采集设备的不同样本观测图像进行分析,以得到观测序列和估计序列,进而根据观测序列和估计序列确定图像采集设备的亮度校正参数,从而基于该亮度校正参数对后续采集的需要进行亮度校正的待校正图像进行处理,以得到亮度均匀且图像质量好的校正后图像。另外,本申请实施例提供的方案并不需要依赖用于调整图像采集设备参数的其它设备,也不需要对图像采集设备的拍摄参数进行调整,极大地方便了对待校正图像进行亮度校正,且该方法简洁、高效,适用于对大量的待校正图像进行同时校正,且亮度校正处理速度快,极大地提高了亮度校正的效率。
根据前面实施例所描述的方法,以下将举例作进一步详细说明。
在一些实施例中,请参阅图4,图4为本申请实施例提供的图像的亮度校正方法中确定亮度校正参数的流程示意图。获取对应待校正图像的图像采集设备的亮度校正参数之前,还包括:
210、获取对应图像采集设备的样本观测图像。
其中,样本观测图像可以为图像采集设备所采集的图像,也可以为另一图像采集设备所采集的图像,只要两个图像采集设备同类型以及拍摄环境相同即可。
而样本观测图像的数量可以根据实际情况选取,比如,选取2000张左右的样本观测图像进行分析。当然地,还可以能够得到准确且效果好的亮度校正参数为条件以选择相应数量的样本观测图像。或者,还可根据需要进行待校正图像的校正精度以选择相应数量的样本观测图像,比如,若需要的校正精度较低,可以选择较少数量的样本观测图像,若需要的校正精度较高,可以选择较多数量的样本观测图像。
220、在不同像素位置对样本观测图像进行像素值排序,得到不同像素位置对应的观测序列。
其中,将样本观测图像的数量视为N,像素位置为H×W,在不同像素位置对样本观测图像进行像素值排序,即可在H×W个像素位置对N个样本观测图像进行像素值排序,得到H×W个观测序列,其中,每一观测序列中像素点的数量为N。
在本实施例中,将观测序列即为q(x),x表示像素位置,x=1,2…H×W。其中,q(xi)={Io,s(1)(xi),Io,s(2)(xi),……,Io,s(N)(xi)},xi表示在第i个像素位置上的观测序列,Io,s(N)表示像素值及其顺序。
具体地,请参阅图5,图5为本申请实施例提供的图像的亮度校正方法中根据样本观测图像确定观测序列的示意图。图中左侧显示了N个样本观测图像,每一样本观测图像上像素点的位置为H×W,以其中一个像素位置为例,该像素位置的像素点在N个样本观测图像中均以黑色矩形表示,N个样本观测图像有N个黑色矩形,通过对N个黑色矩形指示的像素点的像素值进行排序,得到该像素位置对应的观测序列。
230、根据观测序列获取平均图,并确定平均图中像素值与像素均值之差位于预设范围内的目标像素位置。
其中,若将观测图像对应的真实图像记为Q*,则真实图像的像素点集合应为N×H×W,与观测图像的像素点集合相同。也即真实图像的真实序列如下:
Q*(xi)={It,s(1)(xi),It,s(2)(xi),……,It,s(N)(xi)};
其中,同一像素位置的观测序列和真实序列中同一像素点的排序位置相同。故而,存在如下关系式(1):
Q*(x1)=Q*(x2)=…=Q*(xH×W)=Q* (1);
而观测图像的观测序列和真实图像的真实序列之间存在如下关系式(2):
q(x)=v(x)Q*+z(x) (2);
其中,x∈1,…,H×W。真实序列为假定的一个序列。
示例性地,通过对观测序列q(x)求取其像素均值,以得到平均图,其中,平均图以mq()表示,平均图有H×W个像素点。
本实施例中,可以预先确定一个预设范围,以将平均图中像素值落入该预设范围内的像素位置确定目标像素位置,其中,该预设范围可以根据实际需求设定。
在另一实施例中,还可根据平均图的像素均值与平均图中各像素值的差值,以将差值落入该预设范围内的像素值对应的像素位置确定为目标像素位置。
240、根据目标像素位置从观测序列中筛选出目标观测序列,并根据目标观测序列确定估计序列。
其中,将目标像素位置的像素点集合记为而不同目标像素位置对应的目标观测序列记为q(m)。考虑到越大,获得的估计序列Q有可能偏大或者偏小,进而使得亮度校正参数偏大或者偏小,故而,通过将限定在合适范围内以提高校正参数的准确度。通过如下表达式(4)可以得到估计序列:
其中,Q表示估计序列,R表示像素点集合中像素点的数量。
250、确定观测序列和估计序列之间的函数关系。
真实序列和估计序列之间存在如下关系式(5):
Q*=Q-ZQ (5);
其中,Q*表示真实序列,Q表示估计序列,ZQ表示在无光源时所采集的样本观测图像的基础强度,其为一个常数。
根据真实序列和观测序列之间的关系式(2)和真实序列与估计序列之间的关系式(5),即可得到观测序列和估计序列之间的函数关系(6)。
其中,推导过程如下:
根据表达式(2):q(x)=v(x)Q*+z(x)
根据表达式(5):=v(x)Q+z(x)-v(x)ZQ
=v(x)Q+b(x)
其中,b(x)=z(x)-v(x)ZQ;
进而可以推导出观测序列和估计序列之间的函数关系,其中,亮度校正参数包括乘性校正参数和加性校正参数,函数关系(6)如下:
q(x)=v(x)Q+b(x) (6);
其中,x表示像素位置,q(x)表示观测序列,Q表示估计序列,v(x)表示乘性校正参数,z(x)表示加性校正参数,ZQ表示在无光源时所采集的样本观测图像的基础强度。
260、根据观测序列、估计序列以及函数关系,求解得到亮度校正参数。
具体地,通过观测序列和估计序列对函数关系进行求解,即可得到亮度校正参数,其中,亮度校正参数的项可以根据函数关系确定,若函数关系为线性关系,则亮度校正参数为一项,若函数关系为非线性关系,则亮度校正参数至少包括两项。
在一些实施例中,获取对应图像采集设备的样本观测图像,包括:
211、获取生物组织占比大于预设占比的第一生物显微图像。
212、获取不包含生物组织的第二生物显微图像。
213、根据第一生物显微图像和第二生物显微图像得到样本观测图像。
在本实施例中,样本观测图像为生物显微图像。在获取图像采集设备采集的历史图像之后,还可对其进行筛选,以将符合条件的历史图像作为样本观测图像。筛选方式如下:
首先,从历史图像中筛选出生物组织占比较高的第一生物显微图像,以及不包含生物组织的第二生物显微图像。
进一步地,还可对第一生物显微图像和第二生物显微图像的数量进行设定,比如,选取2000张左右的第一生物显微图像,选取50张以下的第二生物显微图像。进而将选取的第一生物显微图像和第二生物显微图像称为样本观测图像。
示例性地,还对样本观测图像的尺寸进行设定,以使得每一样本观测图像的尺寸相同。另外,样本观测图像还可为灰度图,能够提高后续分析过程的准确性。其中,若样本观测图像对彩色图像,可以对其进行灰度处理以转换成灰度图。
在一些实施例中,获取生物组织占比大于预设占比的第一生物显微图像,包括:
获取包括生物组织的候选生物显微图像;
从候选生物显微图像中筛选出不同图像区域的像素均值均大于各自对应的预设像素值的目标生物显微图像;
将目标生物显微图像确定为第一生物显微图像。
本实施例中,还可对包含生物组织的候选生物显微图像进行筛选以得到第一生物显微图像。
具体地,可为不同图像区域分别设置一个预设像素值,不同图像区域的预设像素值可以相同也可以不同,此处并不进行限定,对于每一候选生物显微图像,将该候选生物显微图像中每一图像区域的像素均值与其各自对应的预设像素值进行比较,若候选生物显微图像中所有图像区域的像素均值均大于各自对应的预设像素值,则将该候选生物显微图像作为目标生物显微图像。
此处进行举例说明,比如,将候选生物显微图像划分为9个图像区域,当9个图像区域的像素均值均大于其对应的预设像素值时,则视为9个图像区域的内容是充实的,此方式可以增加鲁棒性,使得后续得到的亮度校正参数更加准确。其中,预设像素值可以为具体数值,也可为一个数值范围,比如,可选预设像素值为300~2000的范围,也可将300设为预设像素值,当然地,还可以从300~2000的范围选择一个作为预设像素值。
可以理解地,筛选出的目标生物显微图像的数量如上述实施例提及的内容,可以预先从大量的历史显微图像中选出对应数量的目标生物显微图像。
在一些实施例中,将目标生物显微图像确定为第一生物显微图像,包括:
根据预设强度阈值从目标生物显微图像中确定出待处理区域;
确定待处理区域的关联像素点;
根据关联像素点对待处理区域中的像素点进行插值处理,得到处理后目标生物显微图像;
将处理后目标生物显微图像确定为第一生物显微图像。
在本实施例中,通过对目标生物显微图像的强度进行处理,进而将处理后目标生物显微图像作为第一生物显微图像。
首先,通过设定一个强度阈值,以当目标生物显微图像中存在像素值的强度值大于该强度阈值的目标像素点时,将该目标像素点在目标生物显微图像中的位置称为待处理区域,其中,待处理区域包含多个目标像素点。
待处理区域圈选的内容部分表示目标生物显微图像中强度较高的部分,该部分内容由于经过细胞染色处理指示其强度高于其它部分,故而,本申请实施例中,通过将强度值较高的部分通过待处理区域的方式圈选出来,以对该部分的强度进行处理,使得其强度和其它部分相当,以此避免了在使用第一生物显微图像得到亮度校正参数时的误差,能够提高使用亮度校正参数对待校正图像进行亮度校正时的校正效果,使得待校正图像的亮度均匀度显著提升。
示例性地,还可设置一个区域,以当待处理区域大于预设的区域时,确定待处理区域的关联像素点。其中,通过对目标像素点所围成的待处理区域的区域面积进行判定,能够确定出目标生物显微图像中是否存在强度高的细胞位置聚集的内容部分。当存在时,则对该待处理区域中像素点的强度进行处理。
其中,待处理区域的关联像素点即指示在待处理区域外围的像素点。在选取关联像素点时,还可选取在待处理区域轮廓上的像素点作为关联像素点。或者,还可以基于待处理区域向外扩选一个更大的区域,以将扩选的区域内的非待处理区域的像素点作为关联像素点,即关联像素点不包含待处理区域内的像素点。
在根据关联像素点对待处理区域中的像素点进行插值处理的方式有多种,比如,使用OpenCV(是一个基于Apache2.0许可发行的跨平台计算机视觉和机器学习软件库)中的图像修复函数(Inpaint函数)进行插值处理。
作为一种示例,可以基于关联像素点对待处理区域中像素点的强度进行插值优化。或者,基于关联像素点的强度降低待处理区域中像素点的强度。
作为另一种示例,可以将待处理区域的内容部分分割出去,以保留待处理区域的二进制掩码,进而通过图像修复的方式,根据关联像素点对待处理区域进行像素填充。
在一些实施例中,根据观测序列、估计序列以及函数关系,求解得到亮度校正参数,包括:
根据观测序列、估计序列以及函数关系,以最小化拟合损失函数为约束,求解得到亮度校正参数。
示例性地,拟合损失函数如下式(7):
本实施例中,考虑到估计序列Q与观测序列q(x)之间存在线性关联,可以通过过稳健回归以确定估计序列Q与观测序列q(x)之间的关系参数,其中,关系参数为v(x)与b(x)。
其中,对于每一对观测序列和估计序列,将其用于函数关系中求解即可得到一个函数值,而多对观测序列和估计序列对应有多个函数值,通过使用拟合损失函数对函数值进行拟合,以得到亮度校正参数。其中,在使用拟合损失函数进行拟合时,可以基于梯度下降算法得到最优解以最大程度地拟合各函数值。该最优解即为亮度校正参数。
在一些实施例中,根据观测序列、估计序列以及函数关系,以最小化拟合损失函数为约束,求解得到亮度校正参数,包括:
根据观测序列、估计序列以及函数关系,以最小化拟合损失函数和预设优化损失函数为约束,求解得到亮度校正参数。
本实施例中,在使用了拟合损失函数的基础上,还可再至少使用一个预设优化损失函数求解亮度校正参数。
其中,预设优化损失函数包括正则化损失函数、无光源基础强度损失函数以及壁垒损失函数中的至少一个。
示例性地,正则化损失函数如下式(8):
本实施例中,通过使用正则化损失函数,能够减小噪声对图像质量的影响,以保证乘性校正参数v(x)的光滑性。其中,通过对乘性校正参数v(x)进行高斯拉普拉斯滤波后,找出快速变化的区域,以最小化该区域的值。
示例性地,无光源基础强度损失函数如下式(9):
其中,Ez表示无光源基础强度损失函数,Zq表示无光源点,z(x)表示强度值,(ZQ,Zq)表示无光源点坐标。
本实施例中,考虑到在没有光源的情况下,图像采集设备所采集的样本观测图像的强度值z(x)是相同的,故而,本实施例通过设定一个无光源点Zq,使得无光源点与z(x)之间的损失值最小,从而减小z(x)受图像采集设备或噪音的影响。
示例性地,壁垒损失函数如下式(10):
Eb=β(ZQ)+β(Zq) (10),
其中,Eb表示壁垒损失函数,ZQ,Zq∈[0,min(q(x))],α1=0,α2=min(q(x)),w为自定义设置的宽度。
本实施例中,通过公式(11)将无光源点的强度值限定在一个范围内,即ZQ,Zq∈[0,min(q(x))],进而定义壁垒损失函数。
在一些实施例中,还可同时使用拟合损失函数Ef、正则化损失函数Er、无光源基础强度损失函数Ez以及壁垒损失函数Eb。
在同时使用上述实施例中提及的四个损失函数时,可通过如下表达式(12)表示总损失函数:
E=Ef+λrEr+λzEz+λbEb (12);
其中,E表示总损失函数,λr表示正则化损失函数Er的权重,λz表示无光源基础强度损失函数Ez的权重,λb表示壁垒损失函数Eb的权重。其中,λr、λz、λb是可以自定义设定的值。比如,可以设定λr=6,λz=0.5,λb=106,此处并不进行限定。
示例性地,还可以利用牛顿法(L-BFGS)来最小化损失函数E。即来获取v(x),b(x),ZQ,Zq四种参数,根据z(x)=b(x)+v(x)ZQ来获取参数z(x),以此,得到亮度校正参数v(x)和z(x)。
在一些实施例中,根据亮度校正参数对待校正图像进行亮度校正处理,得到校正后图像,包括:
根据亮度校正参数,按照亮度校正公式对待校正图像进行亮度校正处理,得到校正后图像;
亮度校正公式(13)如下:
其中,Imaget(x)表示校正后图像,Imageo(x)表示待校正图像,v(x)表示乘性校正参数,z(x)表示加性校正参数,x表示像素位置。
本实施例中,可以根据每一像素位置的加性校正参数和乘性校正参数对该像素位置的亮度值或像素值进行亮度校正处理,进而得到校正后图像。
示例性地,还可选择性地对待校正图像中的部分像素点的亮度进行校正处理,比如,仅处理包含生物组织内容部分的像素点,对于背景内容部分可不进行处理,从而提高处理效率。
其中,在对待校正图像进行亮度校正处理时,若待校正图像与样本观测图像的尺寸不一致,还可根据样本观测图像的尺寸对待校正图像进行调整,在调整时,以图像中心为基准进行调整。或者,在采集待校正图像时,直接以样本观测图像的尺寸采集同尺寸的待校正图像。
另外,还可对待校正图像进行灰度处理后再进行亮度校正处理。
进一步地,在得到校正后图像之后,还可进一步地对校正后图像进行分辨率优化调整、滤波处理等,以提高校正后图像的质量,具体实施例方式此处不再列举。
在一些实施例中,根据亮度校正参数对待校正图像进行亮度校正处理,得到校正后图像,包括:
根据亮度校正参数,按照亮度校正公式对待校正图像进行亮度校正处理,得到校正后图像;
亮度校正公式(14)如下:
本实施例中,还提供了另一种对待校正图像进行校正的方式,即视为在上述实施例的基础上,还通过减小待校正图像与样本观测图像的像素均值的差异,以对待校正图像进行亮度校正处理。以此,能够使得校正后图像的亮度分布更加均匀,以极大地提高亮度校正的效率。
在一些实施例中,在得到校正后图像之后,还可将校正后图像存储至指定位置,比如存储至计算机或计算机集群或服务器或云端服务器等。在后续执行神经追踪、细胞分割、三维成像等操作时调用。
为更好地理解本申请实施例提供的图像的亮度校正方法,以下还对本申请的方案做以详细介绍,以光片荧光显微镜为执行主体进行说明,具体如下:
1、通过光片荧光显微镜的光束扫描方法获取生物显微图像,其中,生物显微图像为灰度图、且尺寸统一。
2、从生物显微图像中选取生物组织占比大于预设占比的第一生物显微图像,以及选取不包含生物组织的第二生物显微图像。具体地,可通过对不同图像区域分布设置预设像素值,将包含生物组织的候选生物显微图像中不同图像区域的像素均值均大于各自对应的预设像素值的保留以作为目标生物显微图像,其余的舍弃,其中,选取的目标生物显微图像中包含生物组织的数量超过2000张,不包含生物组织的数量不超过50张。
3、预处理:考虑到生物组织的某些细胞经过染色后的强度值跟高,需要对其进行处理。具体地,通过设定预设强度阈值,以从目标生物显微图像中确定出强度值大于预设强度阈值的待处理区域,进而对待处理区域中的图像内容进行分割,并保留待处理区域的二进制掩码,之后通过图像修复的方式,利用待处理区域附近的像素信息对待处理图像进行填充,以得到第一生物显微图像,其中,第一生物显微图像和第二生物显微图像构成样本观测图像。
4、根据光片荧光显微镜的光学特性,假定真实图像It的光照均匀,其和拍摄所得的样本观测图像Io(光照不均匀)的关系式(14)如下:
Io(x)=It(x)v(x)+z(x) (14);
其中,v(x)为乘性参数,z(x)为加性参数,x为像素位置。
5、设定样本观测图像的数量为N,样本观测图像的尺寸为H×W,高度为H,宽度为W,在N的维度上进行像素排序,得到H×W个像素从小到大排列的观测序列,记为q(x)。
6、根据关系式(14),确定观测图像的观测序列q(x)和真实图像的真实序列Q*之间的关系式(2):q(x)=v(x)Q*+z(x)。
7、对观测序列在N的维度上求平均值,得到大小为H×W的平均图mq(x),并记录所有落在范围内的目标像素位置,并目标像素位置的集合记为可以得到如式(4)的估计序列:其中,真实序列Q*和估计序列Q之间存在关系式(5):Q*=Q-ZQ。
8、继而,可以得到观测序列q(x)和估计序列Q之间的函数关系(6):
q(x)=v(x)Q*+z(x)=v(x)Q+z(x)-v(x)ZQ=v(x)Q+b(x),其中,b(x)=z(x)-v(x)ZQ。
9、构建损失函数,其中,损失函数包括:拟合损失函数Ef、正则化损失函数Er、无光源基础强度损失函数Ez以及壁垒损失函数Eb,根据各损失函数得到总损失函数E=Ef+λrEr+λzEz+λbEb。
10、利用牛顿法最小化损失函数E,以获取v(x),b(x),ZQ,Zq四种参数,根据z(x)=b(x)+v(x)ZQ来获取参数z(x),以此,得到亮度校正参数v(x)和z(x)。
11、利用10得到的亮度校正参数v(x),z(x)对所有由光片荧光显微镜采集的待校正图像Imageo(x)进行亮度校正处理,校正公式如公式(13):
12、利用10得到的亮度校正参数v(x),z(x)对所有由光片荧光显微镜采集的待校正图像Imageo(x)进行亮度校正处理,校正公式如公式(14):以减小待校正图像与样本观测图像的像素均值之间的差异。
13、将校正后图像上传存储,存储位置可为本地存储或云端存储。
由上可知,本发明实施例提出的图像的亮度校正方法,能够通过对图像采集设备采集的历史显微图像进行内容筛选和强度优化处理,以得到样本观测图像。进而基于样本观测图像得到观测序列和估计序列,并通过对观测序列、估计序列和函数关系求解,得到的亮度校正参数能够准确且快速地对待校正图像进行亮度校正处理。另外,本实施例中还采用了损失函数作为约束条件以得到最优的亮度校正参数,避免校正后图像出现异常值、噪声等,以提高校正后图像的质量。
本申请实施例还提供一种电子设备,该电子设备可以是智能手机、折叠屏手机、平板电脑、掌上电脑、台式电脑等设备,还可以是各类图像采集设备,其中,图像采集设备包括但不限于:显微镜、扫描仪、相机、摄像机、摄像头等。如图6所示,图6为本申请实施例提供的电子设备的结构示意图。该电子设备300包括有一个或者一个以上处理核心的处理器310、有一个或一个以上计算机可读存储介质的存储器320及存储在存储器320上并可在处理器上运行的计算机程序。其中,处理器310与存储器320电性连接。本领域技术人员可以理解,图中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器310是电子设备300的控制中心,利用各种接口和线路连接整个电子设备300的各个部分,通过运行或加载存储在存储器320内的软件程序和/或模块,以及调用存储在存储器320内的数据,执行电子设备300的各种功能和处理数据,从而对电子设备300进行整体监控。
在本申请实施例中,电子设备300中的处理器310会按照如下的步骤,将一个或一个以上的应用程序的进程对应的指令加载到存储器320中,并由处理器310来运行存储在存储器320中的应用程序,从而实现各种功能:
获取需要进行亮度校正的待校正图像;
获取对应待校正图像的图像采集设备的亮度校正参数,其中,亮度校正参数根据观测序列和估计序列确定得到,观测序列由对应图像采集设备的不同样本观测图像在不同像素位置进行像素值排序得到,估计序列根据观测序列和平均图确定得到,平均图根据不同像素位置的观测序列的像素均值得到;
根据亮度校正参数对待校正图像进行亮度校正处理,得到校正后图像。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
由上可知,本实施例提供的电子设备,能够通过对图像采集设备采集的历史显微图像进行内容筛选和强度优化处理,以得到样本观测图像。进而基于样本观测图像得到观测序列和估计序列,并通过对观测序列、估计序列和函数关系求解,得到的亮度校正参数能够准确且快速地对待校正图像进行亮度校正处理。另外,本实施例中还采用了损失函数作为约束条件以得到最优的亮度校正参数,避免校正后图像出现异常值、噪声等,以提高校正后图像的质量。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,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步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括如下步骤:
获取需要进行亮度校正的待校正图像;
获取对应待校正图像的图像采集设备的亮度校正参数,其中,亮度校正参数根据观测序列和估计序列确定得到,观测序列由对应图像采集设备的不同样本观测图像在不同像素位置进行像素值排序得到,估计序列根据观测序列和平均图确定得到,平均图根据不同像素位置的观测序列的像素均值得到;
根据亮度校正参数对待校正图像进行亮度校正处理,得到校正后图像。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
上述的存储介质可以为ROM/RAM、磁碟、光盘等。由于该存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种图像的亮度校正方法中的步骤,因此,可以实现本申请实施例所提供的任一种图像的亮度校正方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种图像的亮度校正方法、介质及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种图像的亮度校正方法,其特征在于,所述方法包括:
获取需要进行亮度校正的待校正图像;
获取对应所述待校正图像的图像采集设备的亮度校正参数,其中,所述亮度校正参数根据观测序列和估计序列确定得到,所述观测序列由对应所述图像采集设备的不同样本观测图像在不同像素位置进行像素值排序得到,所述估计序列根据所述观测序列和平均图确定得到,所述平均图根据不同像素位置的观测序列的像素均值得到;
根据所述亮度校正参数对所述待校正图像进行亮度校正处理,得到校正后图像。
2.根据权利要求1所述的方法,其特征在于,所述获取对应所述待校正图像的图像采集设备的亮度校正参数之前,还包括:
获取对应所述图像采集设备的所述样本观测图像;
在不同像素位置对所述样本观测图像进行像素值排序,得到不同像素位置对应的观测序列;
根据所述观测序列获取所述平均图,并确定所述平均图中像素值与所述像素均值之差位于预设范围内的目标像素位置;
根据所述目标像素位置从所述观测序列中筛选出目标观测序列,并根据所述目标观测序列确定所述估计序列;
确定所述观测序列和所述估计序列之间的函数关系;
根据所述观测序列、所述估计序列以及所述函数关系,求解得到所述亮度校正参数。
3.根据权利要求2所述的方法,其特征在于,所述亮度校正参数包括乘性校正参数和加性校正参数,所述函数关系如下:
q(x)=v(x)Q+b(x),
b(x)=z(x)-v(x)ZQ;
其中,x表示像素位置,q(x)表示观测序列,Q表示估计序列,v(x)表示乘性校正参数,z(x)表示加性校正参数,ZQ表示在无光源时所采集的样本观测图像的基础强度。
4.根据权利要求3所述的方法,其特征在于,所述根据所述观测序列、所述估计序列以及所述函数关系,求解得到所述亮度校正参数,包括:
根据所述观测序列、所述估计序列以及所述函数关系,以最小化拟合损失函数为约束,求解得到所述亮度校正参数。
6.根据权利要求5所述的方法,其特征在于,所述根据所述观测序列、所述估计序列以及所述函数关系,以最小化拟合损失函数为约束,求解得到所述亮度校正参数,包括:
根据所述观测序列、所述估计序列以及所述函数关系,以最小化所述拟合损失函数和预设优化损失函数为约束,求解得到所述亮度校正参数;
其中,所述预设优化损失函数包括正则化损失函数、无光源基础强度损失函数以及壁垒损失函数中的至少一个。
8.根据权利要求2所述的方法,其特征在于,所述样本观测图像为生物显微图像;所述获取对应所述图像采集设备的所述样本观测图像,包括:
获取生物组织占比大于预设占比的第一生物显微图像;
获取不包含生物组织的第二生物显微图像;
根据所述第一生物显微图像和所述第二生物显微图像得到所述样本观测图像。
9.根据权利要求8所述的方法,其特征在于,所述获取生物组织占比大于预设占比的第一生物显微图像,包括:
获取包括生物组织的候选生物显微图像;
从所述候选生物显微图像中筛选出不同图像区域的像素均值均大于各自对应的预设像素值的目标生物显微图像;
将所述目标生物显微图像确定为所述第一生物显微图像。
10.根据权利要求8所述的方法,其特征在于,所述将所述目标生物显微图像确定为所述第一生物显微图像,包括:
根据预设强度阈值从所述目标生物显微图像中确定出待处理区域;
确定所述待处理区域的关联像素点;
根据所述关联像素点对所述待处理区域中的像素点进行插值处理,得到处理后目标生物显微图像;
将所述处理后目标生物显微图像确定为所述第一生物显微图像。
13.一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,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至12任一项所述的图像的亮度校正方法。
14.一种电子设备,包括处理器和存储器,所述存储器存储有计算机程序,其特征在于,所述处理器通过调用所述计算机程序,用于执行如权利要求1至12任一项所述的图像的亮度校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211358795.4A CN115578291A (zh) | 2022-11-01 | 2022-11-01 | 图像的亮度校正方法、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211358795.4A CN115578291A (zh) | 2022-11-01 | 2022-11-01 | 图像的亮度校正方法、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578291A true CN115578291A (zh) | 2023-01-06 |
Family
ID=84588857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211358795.4A Pending CN115578291A (zh) | 2022-11-01 | 2022-11-01 | 图像的亮度校正方法、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578291A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977214A (zh) * | 2023-07-21 | 2023-10-31 | 萱闱(北京)生物科技有限公司 | 图像优化方法、装置、介质和计算设备 |
-
2022
- 2022-11-01 CN CN202211358795.4A patent/CN115578291A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977214A (zh) * | 2023-07-21 | 2023-10-31 | 萱闱(北京)生物科技有限公司 | 图像优化方法、装置、介质和计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdelhamed et al. | A high-quality denoising dataset for smartphone cameras | |
US8411979B2 (en) | Digital image processing and enhancing system and method with function of removing noise | |
CN107507173A (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
WO2021057294A1 (en) | Method and apparatus for detecting subject, electronic device, and computer readable storage medium | |
CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、系统、设备及介质 | |
CN110838099A (zh) | 一种异物检测方法、装置、系统及终端设备 | |
CN114764189A (zh) | 用于评估图像处理结果的显微镜系统和方法 | |
CN115578291A (zh) | 图像的亮度校正方法、存储介质及电子设备 | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
CN109001902A (zh) | 基于图像融合的显微镜聚焦方法 | |
KR20140109801A (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
CN113237881B (zh) | 一种特定细胞的检测方法、装置和病理切片检测系统 | |
CN116580028B (zh) | 一种物体表面缺陷检测方法、装置、设备及存储介质 | |
JPWO2018203514A1 (ja) | 画像解析評価方法、コンピュータプログラム、画像解析評価装置 | |
JP2019144294A (ja) | 画像処理装置、顕微鏡システム、画像処理方法および画像処理プログラム | |
CN109961422B (zh) | 数字图像的对比度值的确定 | |
CN111415365B (zh) | 图像检测方法及装置 | |
JP3860540B2 (ja) | エントロピーフィルタ及び該フィルタを用いた領域抽出法 | |
CN113160082B (zh) | 一种基于参考图像的晕影校正方法、系统、装置及介质 | |
CN114972084A (zh) | 一种图像对焦准确度评价方法及系统 | |
CN114885095A (zh) | 图像采集控制方法及设备、图像采集系统和可读存储介质 | |
CN116071246A (zh) | 图像处理方法、图像处理设备及存储介质 | |
CN114841943A (zh) | 一种零件检测方法、装置、设备及存储介质 | |
CN115393330A (zh) | 摄像头图像模糊检测方法、装置、计算机设备及存储介质 | |
CN114092384A (zh) | 对图像亮度进行校正的方法、图像分析装置和分析系统 |
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 |