CN115760773A - 一种用于高光谱医学图像采集的噪声抑制方法及系统 - Google Patents
一种用于高光谱医学图像采集的噪声抑制方法及系统 Download PDFInfo
- Publication number
- CN115760773A CN115760773A CN202211454491.8A CN202211454491A CN115760773A CN 115760773 A CN115760773 A CN 115760773A CN 202211454491 A CN202211454491 A CN 202211454491A CN 115760773 A CN115760773 A CN 115760773A
- Authority
- CN
- China
- Prior art keywords
- medical image
- hyperspectral medical
- wavelet
- hyperspectral
- initial
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种用于高光谱医学图像采集的噪声抑制方法及系统,涉及高光谱成像信号处理技术领域。通过对待检测样本进行预处理获得初始高光谱医学图像;利用预训练过的CNN网络筛选初始高光谱医学图像;对筛选出的初始高光谱医学图像,利用中值滤波和小波变换结合的除噪算法对选择出来的初始高光谱医学图像进行中值滤波,然后对滤波后的图像进行小波变换分解,得到小波系数矩阵,再根据中值滤波的原理更新生成新的小波系数矩阵,通过新的到的系数矩阵进行图像重构,最后根据小波阈值除噪,得到最终噪声抑制后的高光谱医学图像。本发明能够增强高光谱医学图像的边缘和细节特征,提高成像质量。
Description
技术领域
本发明涉及高光谱成像信号处理技术领域,尤其涉及一种用于高光谱医学图像采集的噪声抑制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
高光谱医学图像在提供空间域信息的基础上,还可以提供不同波长段的光谱域信息,包含了大量的临床诊疗信息,可以有效的辅助医生进行疾病诊断、手术方案确定以及术后评估等。然而高光谱医学图像在采集过程中受到环境、设备等影响,会导致图像出现噪声,降低了图像的可分辨性,对图像质量造成影响,使得图像边缘和细节变得模糊,以至某些特征不易辨别,进而影响医生诊断和对医学图像的后续分析和处理。
因此,高光谱医学图像的噪声抑制是一个至关重要的环节,然而现有技术中对于图像中噪声的抑制大多采取简单的处理步骤,如采用普通的图像处理方式或者插值法等单一的图像处理方法,没有考虑到高光谱医学图像的边缘和细节特征,抑制噪声的效果并不理想。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种用于高光谱医学图像采集的噪声抑制方法及系统,以抑制高光谱医学图像中存在的噪声干扰,从而增强高光谱医学图像的边缘和细节特征,提高成像质量。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明第一方面提供了一种用于高光谱医学图像采集的噪声抑制方法,包括以下步骤:
获得待检测样本,对待检测样本进行预处理获得初始高光谱医学图像;
利用预训练过的CNN网络筛选初始高光谱医学图像;
对筛选出的初始高光谱医学图像,利用中值滤波和小波变换结合的除噪算法去除噪声。
进一步的,预处理过程为去除高光谱设备成像过程中存在的环境光噪声,得到初始高光谱医学图像。
更进一步的,去除高光谱设备成像过程中存在的环境光噪声的具体步骤为:
检测由环境光产生的成像信号;
检测光源与环境光共同产生的成像信号;
将环境光产生的成像信号以及光源与环境光共同产生的成像信号做差,去除环境光产生的成像信号分量;
对成像信号进行进一步滤波,从而获得初始高光谱医学图像。
进一步的,利用预训练过的CNN网络筛选初始高光谱医学图像的具体步骤为:通过预训练使得CNN网络识别初始高光谱医学图像种类,进而根据种类选择出包含信息最多的波段范围,并将该范围内的初始高光谱医学图像选择出来作为后续除噪算法的输入。
进一步的,中值滤波和小波变换结合的除噪算法具体为:首先对选择出来的初始高光谱医学图像进行中值滤波,然后对滤波后的图像进行小波变换分解,得到小波系数矩阵,再根据中值滤波的原理更新生成新的小波系数矩阵,通过新的到的系数矩阵进行图像重构,最后根据小波阈值除噪,得到最终噪声抑制后的高光谱医学图像。
更进一步的,S1:使用中值滤波核对初始高光谱医学图像进行中值滤波;
S2:对中值滤波后的初始高光谱医学图像进行一层小波变换,得到一系列小波系数并对其进行更新;
S3:利用更新后的小波系数进行图像重构,得到第一去噪图像;
S4:对第一去噪图像进行三层小波分解,对得到的第二组小波系数进行筛选;
S5:利用筛选后的第二组小波系数进行图像重构,得到最终去噪图像。
更进一步的,中值滤波核的大小为3×3,小波变换中以Sym4小波作为母小波。
本发明第二方面提供了一种用于高光谱医学图像采集的噪声抑制系统,包括:
预处理模块,被配置为获得待检测样本,对待检测样本进行预处理获得初始高光谱医学图像;
图像筛选模块,被配置为利用预训练过的CNN模型筛选初始高光谱医学图像;
噪声抑制模块,被配置为对筛选出的初始高光谱医学图像,利用中值滤波和小波变换结合的除噪算法去除噪声。
本发明第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的用于高光谱医学图像采集的噪声抑制方法中的步骤。
本发明第四方面提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的用于高光谱医学图像采集的噪声抑制方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明公开了一种用于高光谱医学图像采集的噪声抑制方法及系统,对高光谱医学图像进行预处理,以消除环境光噪声的影响,并采用训练过的CNN网络进行筛选,减少计算量。再利用中值滤波和小波变换结合的除噪算法去除噪声,最终获得去除噪声干扰的高光谱医学图像。
本发明采用中值滤波和小波变换结合的除噪算法去除噪声,首先对选择出来的初始高光谱医学图像进行中值滤波,然后对滤波后的图像进行小波变换分解,得到小波系数矩阵,再根据中值滤波的原理更新生成新的小波系数矩阵,通过新的到的系数矩阵进行图像重构,最后根据小波阈值除噪,得到最终噪声抑制后的高光谱医学图像。能够增强高光谱医学图像的边缘和细节特征,提高成像质量。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一中用于高光谱医学图像采集的噪声抑制方法的流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合;
实施例一:
本发明实施例一提供了一种用于高光谱医学图像采集的噪声抑制方法,如图1所示,包括以下步骤:
步骤1:获得待检测样本,对待检测样本进行预处理获得初始高光谱医学图像。
作为进一步的技术方案,预处理过程为去除高光谱设备成像过程中存在的环境光噪声,得到初始高光谱医学图像。
步骤1-1:去除高光谱设备成像过程中存在的环境光噪声的具体步骤为:
检测由环境光产生的成像信号;
检测光源与环境光共同产生的成像信号;
将环境光产生的成像信号以及光源与环境光共同产生的成像信号做差,去除环境光产生的成像信号分量;
对成像信号进行进一步滤波,从而获得初始高光谱医学图像。
步骤2:利用预训练过的CNN网络筛选初始高光谱医学图像。
步骤2-1:通过预训练使得CNN网络识别初始高光谱医学图像种类,进而根据种类选择出包含信息最多的波段范围,并将该范围内的初始高光谱医学图像选择出来作为后续除噪算法的输入。
步骤3:对筛选出的初始高光谱医学图像,利用中值滤波和小波变换结合的除噪算法去除噪声。
作为进一步的技术方案,中值滤波和小波变换结合的除噪算法具体为:首先对选择出来的初始高光谱医学图像进行中值滤波,然后对滤波后的图像进行小波变换分解,得到小波系数矩阵,再根据中值滤波的原理更新生成新的小波系数矩阵,通过新的到的系数矩阵进行图像重构,最后根据小波阈值除噪,得到最终噪声抑制后的高光谱医学图像。
步骤3-1:S1:使用中值滤波核对初始高光谱医学图像进行中值滤波;
S2:对中值滤波后的初始高光谱医学图像进行一层小波变换,得到一系列小波系数并对其进行更新;
S3:利用更新后的小波系数进行图像重构,得到第一去噪图像;
S4:对第一去噪图像进行三层小波分解,对得到的第二组小波系数进行筛选;
S5:利用筛选后的第二组小波系数进行图像重构,得到最终去噪图像。
作为进一步的技术方案,中值滤波核的大小为3×3,小波变换中以Sym4小波作为母小波。
作为进一步的技术方案,S2中,将Sym4小波作为母小波对中值滤波后的图像进行一层小波分解,得到近似系数、水平细节系数、垂直细节系数以及对角细节系数。
作为进一步的技术方案,对S2提取出来的系数利用中值滤波原理进行处理,生成新的系数。
作为进一步的技术方案,S4中以Sym4小波作为母小波对第一去噪图像进行三层分解,得到得到第二组小波系数,并选用合适的阈值对每一层系数进行筛选。
实施例二:
本发明实施例二提供了一种用于高光谱医学图像采集的噪声抑制系统,包括:
预处理模块,被配置为获得待检测样本,对待检测样本进行预处理获得初始高光谱医学图像;
图像筛选模块,被配置为利用预训练过的CNN模型筛选初始高光谱医学图像;
噪声抑制模块,被配置为对筛选出的初始高光谱医学图像,利用中值滤波和小波变换结合的除噪算法去除噪声。
作为进一步的技术方案,预处理模块通过搭建硬件电路,去除高光谱设备成像过程中存在的环境光噪声,得到初始高光谱医学图像,预处理模块包括:环境光检测模块、目标检测模块、差分模块以及自适应滤波模块。
环境光检测模块用于通过CMOS图像传感器检测由环境光产生的成像信号。
目标检测模块用于通过高光谱成像设备的相机镜头检测光源与环境光共同产生的成像信号。
差分模块用于通过差分电路将前置两个模块得到的成像信号做差,去除环境光产生的成像信号分量。
自适应滤波模块用于通过自适应滤波电路对成像信号进行进一步滤波,更好的提高图像质量。
具体的,待检测样本首先进入预处理模块,分别经环境光检测模块和目标检测模块得到只存在环境光时的成像信号和光源与环境光均存在时的成像信号,两种成像信号进入差分模块逐像素点做差,得到去除环境光分量后的成像信号,之后通过自适应滤波模块进一步去除环境光的影响,得到初始高光谱医学图像。初始高光谱医学图像送入预训练好的CNN深度学习模型判断图像种类,根据种类选择出包含着最丰富且最具代表性信息的波段范围,在经筛选出来图像上应用除噪算法。除噪算法的流程包括:首先对筛选出来的初始高光谱医学图像进行中值滤波,滤波核的大小为3×3,然后以Sym4小波作为母小波对中值滤波后的图像进行二维小波变换分解,得到近似系数、水平细节系数、垂直细节系数以及对角细节系数构成小波系数矩阵,对该系数矩阵,根据中值滤波的原理对其进行更新,生成新的小波系数矩阵,通过新的到的系数矩阵进行图像重构,得到第一去噪图像,随后再次使用Sym4小波对图像进行分解,得到第二组小波系数矩阵,并选取合适的小波阈值对该系数矩阵进行筛选,利用筛选后的第二组小波系数矩阵进行图像重构,得到最终噪声抑制后的高光谱医学图像。
实施例三:
本发明实施例三提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例一所述的用于高光谱医学图像采集的噪声抑制方法中的步骤。
实施例四:
本发明实施例四提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例一所述的用于高光谱医学图像采集的噪声抑制方法中的步骤。
以上实施例二、三和四的中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种用于高光谱医学图像采集的噪声抑制方法,其特征在于,包括以下步骤:
获得待检测样本,对待检测样本进行预处理获得初始高光谱医学图像;
利用预训练过的CNN网络筛选初始高光谱医学图像;
对筛选出的初始高光谱医学图像,利用中值滤波和小波变换结合的除噪算法去除噪声。
2.如权利要求1所述的用于高光谱医学图像采集的噪声抑制方法,其特征在于,预处理过程为去除高光谱设备成像过程中存在的环境光噪声,得到初始高光谱医学图像。
3.如权利要求2所述的用于高光谱医学图像采集的噪声抑制方法,其特征在于,去除高光谱设备成像过程中存在的环境光噪声的具体步骤为:
检测由环境光产生的成像信号;
检测光源与环境光共同产生的成像信号;
将环境光产生的成像信号以及光源与环境光共同产生的成像信号做差,去除环境光产生的成像信号分量;
对成像信号进行进一步滤波,从而获得初始高光谱医学图像。
4.如权利要求1所述的用于高光谱医学图像采集的噪声抑制方法,其特征在于,利用预训练过的CNN网络筛选初始高光谱医学图像的具体步骤为:通过预训练使得CNN网络识别初始高光谱医学图像种类,进而根据种类选择出包含信息最多的波段范围,并将该范围内的初始高光谱医学图像选择出来作为后续除噪算法的输入。
5.如权利要求1所述的用于高光谱医学图像采集的噪声抑制方法,其特征在于,中值滤波和小波变换结合的除噪算法具体为:首先对选择出来的初始高光谱医学图像进行中值滤波,然后对滤波后的图像进行小波变换分解,得到小波系数矩阵,再根据中值滤波的原理更新生成新的小波系数矩阵,通过新的到的系数矩阵进行图像重构,最后根据小波阈值除噪,得到最终噪声抑制后的高光谱医学图像。
6.如权利要求5所述的用于高光谱医学图像采集的噪声抑制方法,其特征在于,S1:使用中值滤波核对初始高光谱医学图像进行中值滤波;
S2:对中值滤波后的初始高光谱医学图像进行一层小波变换,得到一系列小波系数并对其进行更新;
S3:利用更新后的小波系数进行图像重构,得到第一去噪图像;
S4:对第一去噪图像进行三层小波分解,对得到的第二组小波系数进行筛选;
S5:利用筛选后的第二组小波系数进行图像重构,得到最终去噪图像。
7.如权利要求6所述的用于高光谱医学图像采集的噪声抑制方法,其特征在于,中值滤波核的大小为3×3,小波变换中以Sym4小波作为母小波。
8.一种用于高光谱医学图像采集的噪声抑制系统,其特征在于,包括:
预处理模块,被配置为获得待检测样本,对待检测样本进行预处理获得初始高光谱医学图像;
图像筛选模块,被配置为利用预训练过的CNN模型筛选初始高光谱医学图像;
噪声抑制模块,被配置为对筛选出的初始高光谱医学图像,利用中值滤波和小波变换结合的除噪算法去除噪声。
9.一种计算机可读存储介质,其特征在于,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的用于高光谱医学图像采集的噪声抑制方法。
10.一种终端设备,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的用于高光谱医学图像采集的噪声抑制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211454491.8A CN115760773A (zh) | 2022-11-21 | 2022-11-21 | 一种用于高光谱医学图像采集的噪声抑制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211454491.8A CN115760773A (zh) | 2022-11-21 | 2022-11-21 | 一种用于高光谱医学图像采集的噪声抑制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760773A true CN115760773A (zh) | 2023-03-07 |
Family
ID=85333358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211454491.8A Pending CN115760773A (zh) | 2022-11-21 | 2022-11-21 | 一种用于高光谱医学图像采集的噪声抑制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760773A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474815A (zh) * | 2023-12-25 | 2024-01-30 | 山东大学 | 一种高光谱图像校准方法及系统 |
-
2022
- 2022-11-21 CN CN202211454491.8A patent/CN115760773A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474815A (zh) * | 2023-12-25 | 2024-01-30 | 山东大学 | 一种高光谱图像校准方法及系统 |
CN117474815B (zh) * | 2023-12-25 | 2024-03-19 | 山东大学 | 一种高光谱图像校准方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028163B (zh) | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 | |
CN109872288B (zh) | 用于图像去噪的网络训练方法、装置、终端及存储介质 | |
CN108805840B (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
CN109816599B (zh) | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 | |
JP4535125B2 (ja) | 画像処理方法 | |
WO2007116543A1 (ja) | 画像処理方法 | |
JP5352942B2 (ja) | 画像処理方法、画像処理プログラム、および画像処理装置 | |
CN111080541A (zh) | 基于比特分层和注意力融合机制的彩色图像去噪方法 | |
WO2007114363A1 (ja) | 画像処理方法 | |
JP6387646B2 (ja) | グレースケール画像の処理方法及び装置 | |
CN110782406B (zh) | 一种基于信息蒸馏网络的图像去噪方法及装置 | |
CN114240797B (zh) | 一种oct图像去噪方法、装置、设备及介质 | |
CN111008943B (zh) | 低剂量dr图像降噪方法及系统 | |
CN111768350B (zh) | 一种红外图像增强方法及系统 | |
JP5027757B2 (ja) | 動画像雑音除去装置、その方法およびそのプログラム | |
CN110992295B (zh) | 基于小波-red卷积神经网络的低剂量ct重建方法 | |
CN104318529A (zh) | 处理在恶劣环境中所拍摄低照度图像的方法 | |
Wang et al. | Low-light image joint enhancement optimization algorithm based on frame accumulation and multi-scale Retinex | |
CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
CN115760773A (zh) | 一种用于高光谱医学图像采集的噪声抑制方法及系统 | |
Malik et al. | Llrnet: A multiscale subband learning approach for low light image restoration | |
Anilet Bala et al. | Retinal image enhancement using adaptive histogram equalization tuned with nonsimilar grouping curvelet | |
CN116612032A (zh) | 基于自适应维纳滤波和2d-vmd的声呐图像去噪方法及设备 | |
Mittal et al. | Enhancement and removal of noise from medical images by wavelet transform method | |
Ahmed | Image enhancement and noise removal by using new spatial filters |
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 |