CN116245770B - 一种内窥镜图像边缘锐利度增强方法、装置、电子设备及存储介质 - Google Patents
一种内窥镜图像边缘锐利度增强方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116245770B CN116245770B CN202310283779.1A CN202310283779A CN116245770B CN 116245770 B CN116245770 B CN 116245770B CN 202310283779 A CN202310283779 A CN 202310283779A CN 116245770 B CN116245770 B CN 116245770B
- Authority
- CN
- China
- Prior art keywords
- image
- result
- edge
- recognition
- carrying
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 59
- 230000002776 aggregation Effects 0.000 claims abstract description 51
- 238000004220 aggregation Methods 0.000 claims abstract description 51
- 238000003709 image segmentation Methods 0.000 claims abstract description 37
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000003702 image correction Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 27
- 230000009467 reduction Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000006116 polymerization reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 8
- 238000012795 verification Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013316 zoning Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10068—Endoscopic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Endoscopes (AREA)
Abstract
本发明公开了一种内窥镜图像边缘锐利度增强方法、装置、电子设备及存储介质，涉及数据处理技术领域，该方法包括：获得待处理内窥镜图像，识别得到图像特征识别结果；根据畸变识别结果进行图像校正；对校正图像进行边缘轮廓识别，获得边缘识别结果；对校正图像进行特征识别，构建边缘识别结果的关联特征；对边缘识别结果进行相似聚合，通过相似聚合结果生成图像分割结果；将聚合特征标识输入边缘锐化控制模型，输出分区域控制结果；通过分区域控制结果进行对应图像分割结果的锐利度增强处理。本发明解决了现有技术中存在内窥镜图像边缘锐利度不够导致图像质量低的技术问题，达到了智能化的提高图像边缘锐利度，提高处理效率的技术效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种内窥镜图像边缘锐利度增强方法、装置、电子设备及存储介质。
背景技术
内窥镜是现在广泛应用的医疗仪器，通过玻璃纤维导光束进行照明，进而利用内窥镜前端的微型图像传感器进行图像传递。在内窥镜的使用过程中由于观察角度等原因导致图像的亮度会发生差别，同时由于图像存在比较严重的光学畸变，都导致图像质量不够高。
目前，也有通过对图像进行质量提高处理，通过去除图片噪声等操作，然后在对图像进行处理的过程中，处理的效率比较低，在进行图像分割的过程中，分割的准确度不够，导致图像处理质量比较低。现有技术中存在内窥镜图像边缘锐利度不够导致图像质量低的技术问题。
发明内容
本申请提供了一种内窥镜图像边缘锐利度增强方法、装置、电子设备及存储介质，用于针对解决现有技术中存在内窥镜图像边缘锐利度不够导致图像质量低的技术问题。
鉴于上述问题，本申请提供了一种内窥镜图像边缘锐利度增强方法、装置、电子设备及存储介质。
本申请的第一个方面，提供了一种内窥镜图像边缘锐利度增强方法，所述方法包括：
获得待处理内窥镜图像，对所述待处理内窥镜图像进行图像特征识别，获得图像特征识别结果；
通过所述图像特征识别结果进行畸变识别，根据畸变识别结果进行图像校正；
对校正图像进行边缘轮廓识别，获得边缘识别结果，其中，所述边缘识别结果带有位置标识；
对所述校正图像进行特征识别，构建所述边缘识别结果的关联特征；
根据所述关联特征对所述边缘识别结果进行相似聚合，通过相似聚合结果生成图像分割结果，其中，所述图像分割结果带有聚合特征标识；
将所述聚合特征标识输入边缘锐化控制模型，输出分区域控制结果；
通过所述分区域控制结果进行对应图像分割结果的锐利度增强处理。
本申请的第二个方面，提供了一种内窥镜图像边缘锐利度增强装置，所述装置包括：
特征识别结果获得模块，所述特征识别结果获得模块用于获得待处理内窥镜图像，对所述待处理内窥镜图像进行图像特征识别，获得图像特征识别结果；
图像校正模块，所述图像校正模块用于通过所述图像特征识别结果进行畸变识别，根据畸变识别结果进行图像校正；
边缘识别结果获得模块，所述边缘识别结果获得模块用于对校正图像进行边缘轮廓识别，获得边缘识别结果，其中，所述边缘识别结果带有位置标识；
关联特征构建模块，所述关联特征构建模块用于对所述校正图像进行特征识别，构建所述边缘识别结果的关联特征；
图像分割结果生成模块，所述图像分割结果生成模块用于根据所述关联特征对所述边缘识别结果进行相似聚合，通过相似聚合结果生成图像分割结果，其中，所述图像分割结果带有聚合特征标识；
控制结果输出模块，所述控制结果输出模块用于将所述聚合特征标识输入边缘锐化控制模型，输出分区域控制结果；
锐利度增强处理模块，所述锐利度增强处理模块用于通过所述分区域控制结果进行对应图像分割结果的锐利度增强处理。
本申请的第三个方面，提供了一种内窥镜图像边缘锐利度增强电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使电子设备以执行如第一方面所述方法的步骤。
本申请的第四个方面，提供了一种计算机可读存储介质，所述存储介质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如第一方面所述方法的步骤。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过获得待处理内窥镜图像，对待处理内窥镜图像进行图像特征识别，获得图像特征识别结果，然后通过图像特征识别结果进行畸变识别，根据畸变识别结果进行图像校正，进而对校正图像进行边缘轮廓识别，获得边缘识别结果，其中，边缘识别结果带有位置标识，然后对校正图像进行特征识别，构建边缘识别结果的关联特征，根据关联特征对边缘识别结果进行相似聚合，通过相似聚合结果生成图像分割结果，其中，图像分割结果带有聚合特征标识，然后将聚合特征标识输入边缘锐化控制模型，输出分区域控制结果，进而通过分区域控制结果进行对应图像分割结果的锐利度增强处理。达到了对内窥镜图像进行分区域边缘锐利度增强，提高增强处理的质量的技术效果。
附图说明
为了更清楚地说明本发明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仅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为本申请实施例提供的一种内窥镜图像边缘锐利度增强方法流程示意图；
图2为本申请实施例提供的一种内窥镜图像边缘锐利度增强方法中根据像素坐标变换结果获得所述校正图像的流程示意图；
图3为本申请实施例提供的一种内窥镜图像边缘锐利度增强方法中获得所述相似聚合结果的流程示意图；
图4为本申请实施例提供的一种内窥镜图像边缘锐利度增强装置结构示意图；
图5为本申请示例性电子设备的结构示意图。
附图标记说明：特征识别结果获得模块11，图像校正模块12，边缘识别结果获得模块13，关联特征构建模块14，图像分割结果生成模块15，控制结果输出模块16，锐利度增强处理模块17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请通过提供了一种内窥镜图像边缘锐利度增强方法，用于针对解决现有技术中存在内窥镜图像边缘锐利度不够导致图像质量低的技术问题。
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，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了一种内窥镜图像边缘锐利度增强方法，所述方法包括：
步骤S100：获得待处理内窥镜图像，对所述待处理内窥镜图像进行图像特征识别，获得图像特征识别结果；
进一步的，对所述内窥镜图像进行图像特征识别之前，本申请实施例步骤S100还包括：
步骤S110：对所述待处理内窥镜图像进行图像筛选，判断所述待处理内窥镜图像是否为合格图像；
步骤S120：当判断所述待处理内窥镜图像为合格图像后，对所述待处理内窥镜图像进行初始特征提取，获得初始特征提取结果；
步骤S130：根据所述初始特征提取结果进行所述待处理内窥镜图像的降噪处理，获得降噪图像；
步骤S140：通过所述降噪图像进行所述图像特征识别。
具体而言，所述待处理内窥镜图像是进行需要进行图像增强处理的图像。通过从内窥镜的光源中发出的光，经过聚光镜会聚在照明光纤的输入断面，进而光能经传光束到输出端，通过发散镜照亮物体，由物体反射回的光，经过物镜在CCD的光敏面上成像，对成像进行采集，得到所述待处理内窥镜图像。
具体的，通过对所述待处理内窥镜图像从清晰度、完整度、光斑数量等角度进行图像筛选，当满足清晰度要求、完整度要求和光斑数量要求后，将满足的图像设定为合格图像，不满足的图像进行剔除。对所述待处理内窥镜图像进行初始特征提取，即对图像的形状特征、纹理特征和空间关系特征进行提取，将三个特征的提取结果作为所述初始特征提取结果。然后利用图像降噪处理技术，以所述初始特征提取结果为需要保留的特征对图像中的噪声进行处理，降噪处理方法包括小波降噪、高斯滤波降噪、均值滤波降噪等。所述降噪图像是所述待处理内窥镜图像经过降噪处理后，提高图像的清晰度之后得到的图像。通过根据所述降噪图像进行图像特征识别。将识别的结果作为所述图像特征识别结果。其中，所述图像特征识别结果是对待处理内窥镜图像进行识别后得到的结果，包括形状特征、纹理特征和空间关系特征等。
步骤S200：通过所述图像特征识别结果进行畸变识别，根据畸变识别结果进行图像校正；
进一步的，如图2所示，本申请实施例步骤S200还包括：
步骤S210：采集获得历史处理图像，其中，所述历史处理图像和所述待处理内窥镜图像为同一设备参数拍摄图像；
步骤S220：对所述历史处理图像进行畸形校正分析，根据校正分析结果设定校正匹配点和像素位移数据；
步骤S230：通过所述校正匹配点和所述畸变识别结果确定映射特征点，根据所述映射特征点和所述像素位移数据进行所述待处理内窥镜图像的像素坐标变换；
步骤S240：根据像素坐标变换结果获得所述校正图像。
具体而言，所述历史处理图像是对于所述待处理内窥镜图像为同一设备参数拍摄的图像，通过以该设备参数和内窥镜图像为索引，在大数据中进行图像搜索，得到所述历史处理图像。进而，对所述历史处理图像进行畸形校正分析，即对历史处理图像的正常图像与发生畸变后的历史处理图像进行比对，确定进行校正操作时的信息，将其作为所述校正分析结果。所述校正分析结果包括对图像进行校正的程度和校正参数。进而，通过对所述校正分析结果进行分析，确定进行畸形校正时的校正匹配点和像素位移数据。
具体的，所述校正匹配点是进行校正的基准点。所述像素位移数据是历史处理图像发生畸变后，图像中的像素偏离的方向和大小。通过所述校正匹配点和所述畸变识别结果确定所述映射特征点。其中，所述映射特征点即发生畸变后需要进行校正的点在图像上进行几何变化后对应的点。通过根据所述映射特征点和所述像素位移数据，对所述待处理内窥镜图像进行像素坐标变化，换句话说，是以所述映射特征点作为变换主要点，以像素位移数据作为变换点移动的方向和距离大小，从而得到所述校正图像。
步骤S300：对校正图像进行边缘轮廓识别，获得边缘识别结果，其中，所述边缘识别结果带有位置标识；
具体而言，对所述校正图像的边缘轮廓进行识别，得到校正后的图像边缘，即所述边缘识别结果。其中，所述边缘识别结果带有位置标识。通过所述位置标识可以对边缘识别结果中的每一个边缘在校正图像中的位置进行定位。
步骤S400：对所述校正图像进行特征识别，构建所述边缘识别结果的关联特征；
具体的，对所述校正图像中的特征进行识别，得到校正图像特征，其中，所述校正图像特征是对图像校正后图像的形状、颜色和空间位置特征。进而，根据所述校正图像特征确定与边缘识别结果相关联的特征，其中，所述关联特征包括亮度特征和形状特征。所述亮度特征是指在图像边缘灰度值会有一个明显的变化。所述形状特征是对图像边缘的形状进行描述的特征。
步骤S500：根据所述关联特征对所述边缘识别结果进行相似聚合，通过相似聚合结果生成图像分割结果，其中，所述图像分割结果带有聚合特征标识；
进一步的，如图3所示，本申请实施例步骤S500还包括：
步骤S510：设定增强控制精度约束值；
步骤S520：对所述关联特征进行特征分布相邻差值统计，获得相邻差值统计数据；
步骤S530：根据所述增强控制精度约束值和所述相邻差值统计数据设定相似聚合约束阈值；
步骤S540：根据所述相似聚合约束阈值进行相似聚合，获得所述相似聚合结果。
具体而言，所述增强控制精度约束值是设定的对图像边缘进行锐利度增强时的精度进行约束的值，约束值越高，对应图像增强的精度越高。根据所述关联特征对特征分布相邻差值进行统计，得到所述相邻差值统计数据。其中，所述相邻差值统计数据反映了图像边缘特征差值的分布情况。进而，根据所述增强控制精度约束值和所述相邻差值统计数据设定相似聚合约束阈值，其中，所述相似聚合约束阈值是对边缘识别结果进行相似聚合的过程中，每一类相似度的范围。然后，利用所述相似聚合约束阈值对边缘识别结果进行相似聚合，将相似的聚集为一类，从而得到所述图像分割结果。示例性的，如果图像边缘比较光滑，没有比较尖锐的角出现，则边缘对应的特征比较相似，则可以根据相似聚类结果中不同类别的边缘进行图像分割，得到所述图像分割结果。所述图像分割结果带有聚合特征标识，从而对分割结果中的每一类所属于的特征进行标识。
步骤S600：将所述聚合特征标识输入边缘锐化控制模型，输出分区域控制结果；
具体而言，所述边缘锐化控制模型是对图像边缘的锐利度进行增强处理的功能模型，输入数据为聚合特征标识，输出数据为分区域控制结果。其中，所述分区域控制结果是对每个不同聚合特征标识，按照标识的种类不同，进行锐利度增强控制的参数，包括像素加强值。
具体的，通过大数据获得历史聚合特征标识和历史分区域控制结果。通过以历史聚合特征标识和所述历史分区域控制结果作为构建数据，对以卷积神经网络为网络结构的所述边缘锐化控制模型进行训练。将所述历史聚合特征标识和所述历史分区域控制结果作为样本数据集，按照一定的比例将所述样本数据集划分为训练集和验证集，划分比例可以为2:1。进而，利用所述训练集对所述边缘锐化控制模型进行训练，直至训练至收敛，然后将验证集中的历史聚合特征标识输入收敛的边缘锐化控制模型中，得到验证分区域控制结果，将所述验证分区域控制结果与所述历史分区域控制结果进行匹配，将匹配成功的数量比上历史分区域控制结果的数量，得到验证准确率，当验证准确率符合要求，则输出边缘锐化控制模型，当验证准确率不符合要求时，将获取更多构建数据对所述边缘锐化控制模型进行增量学习，直至验证准确率符合要求。
步骤S700：通过所述分区域控制结果进行对应图像分割结果的锐利度增强处理。
进一步的，本申请实施例步骤S700还包括：
步骤S710：对所述边缘识别结果进行边缘方向识别，获得方向标识结果；
步骤S720：当进行所述边缘识别结果的边缘锐利度增强处理时，通过所述方向标识结果确定调整像素方向；
步骤S730：判断所述调整像素方向是否与所述边缘识别结果对应的分区域控制结果存在区域跃迁冲突；
步骤S740：当不存在区域跃迁冲突时，则通过所述调整像素方向和所述分区域控制结果对所述边缘识别结果进行边缘锐利度增强处理。
进一步的，本申请实施例步骤S700还包括：
步骤S750：当所述调整像素方向与所述边缘识别结果对应的分区域控制结果存在区域跃迁冲突时，则将所述调整像素方向的反方向作为新增调整像素方向；
步骤S760：通过所述新增调整像素方向和所述分区域控制结果对所述边缘识别结果进行边缘锐利度增强处理。
具体而言，通过根据所述分区域控制结果中的控制参数对对应的图像分割结果中的锐利度进行增强。所述方向标识结果是根据所述边缘识别结果确定边缘在图像中所处的方向，从内向边缘的方向进行标识得到的，反映了边缘所处的方位。将所述方向标识结果作为所述调整像素的方向。示例性的，利用平移差分算法增强内窥镜图像中的垂直方向边缘，通过将图像左移N格像素，然后用原图像减去平移后的图像。当增强内窥镜图像中的水平方向边缘，通过将图像上移N格像素，然后用原图像减去平移后的图像。
具体的，判断所述调整像素方向是否与所述边缘识别结果对应的分区域控制结果存在区域跃迁冲突，即像素调整的方向与分区域控制结果的调整方向不存在冲突时，将所述调整像素方向和所述分区域控制结果对所述边缘识别结果进行边缘锐利度增强处理。当存在冲突时，将调整像素方向的反方向作为新增调整像素方向，所述新增调整像素反方向是指与调整像素方向相反的方向。然后根据新增调整像素方向和所述分区域控制结果对所述边缘识别结果进行边缘锐利度增强处理。即，按照所述新增调整像素方向进行像素调整，且根据分区域控制结果中的参数进行边缘锐利度增强处理。
进一步的，本申请实施例步骤S700还包括：
步骤S770：获得锐利度增强图像；
步骤S780：通过所述增强控制精度约束值对所述锐利度增强图像进行增强效果匹配标识；
步骤S790：根据所述增强效果匹配标识进行边缘锐化控制模型的模型反馈调整。
具体而言，所述锐利度增强图像是进行增强后的边缘图像，进而通过所述增强控制精度约束值对所述锐利度增强图像进行增强效果匹配标识，换句话说，是通过根据增强控制精度约束值对锐利度增强图像中的增强效果进行匹配。优选的，所述匹配标识包括匹配成功标识和匹配不成功标识。当为所述匹配成功标识时，所述边缘锐化控制模型可以继续使用。当为所述匹配不成功标识时，根据增强控制精度约束值与增强效果的偏差值，对所述边缘锐化控制模型进行反馈调整。以偏差值为调整目标，进行优化调整。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过对待处理内窥镜图像进行获取，然后对待处理内窥镜图像中的特征进行识别，实现了对图像特征进行识别，为后续进行图像处理提供依据的目标，然后通过图像特征识别结果进行畸变识别，根据畸变的程度和类型对图像进行校正，然后对校正后的图像边缘进行特征识别，实现了为后续进行锐利度处理提供对象的目标，然后对校正图像进行特征识别，构建边缘识别结果的关联特征，根据关联特征对边缘识别结果进行相似聚合，通过相似聚合结果生成图像分割结果，其中，图像分割结果带有聚合特征标识，然后将聚合特征标识输入边缘锐化控制模型，输出分区域控制结果，进而通过分区域控制结果进行对应图像分割结果的锐利度增强处理。达到了提高锐利度增强的效率，缩短反馈时间，提高图像处理质量的技术效果。
实施例二
基于与前述实施例中一种内窥镜图像边缘锐利度增强方法相同的发明构思，如图4所示，本申请提供了一种内窥镜图像边缘锐利度增强装置，本申请实施例中的装置与方法实施例基于同样的发明构思。其中，所述装置包括：
特征识别结果获得模块11，所述特征识别结果获得模块11用于获得待处理内窥镜图像，对所述待处理内窥镜图像进行图像特征识别，获得图像特征识别结果；
图像校正模块12，所述图像校正模块12用于通过所述图像特征识别结果进行畸变识别，根据畸变识别结果进行图像校正；
边缘识别结果获得模块13，所述边缘识别结果获得模块13用于对校正图像进行边缘轮廓识别，获得边缘识别结果，其中，所述边缘识别结果带有位置标识；
关联特征构建模块14，所述关联特征构建模块14用于对所述校正图像进行特征识别，构建所述边缘识别结果的关联特征；
图像分割结果生成模块15，所述图像分割结果生成模块15用于根据所述关联特征对所述边缘识别结果进行相似聚合，通过相似聚合结果生成图像分割结果，其中，所述图像分割结果带有聚合特征标识；
控制结果输出模块16，所述控制结果输出模块16用于将所述聚合特征标识输入边缘锐化控制模型，输出分区域控制结果；
锐利度增强处理模块17，所述锐利度增强处理模块17用于通过所述分区域控制结果进行对应图像分割结果的锐利度增强处理。
进一步的，所述装置还包括：
历史处理图像采集单元，所述历史处理图像采集单元用于采集获得历史处理图像，其中，所述历史处理图像和所述待处理内窥镜图像为同一设备参数拍摄图像；
畸形校正分析单元，所述畸形校正分析单元用于对所述历史处理图像进行畸形校正分析，根据校正分析结果设定校正匹配点和像素位移数据；
坐标变化单元，所述坐标变化单元用于通过所述校正匹配点和所述畸变识别结果确定映射特征点，根据所述映射特征点和所述像素位移数据进行所述待处理内窥镜图像的像素坐标变换；
校正图像获得单元，所述校正图像获得单元用于根据像素坐标变换结果获得所述校正图像。
进一步的，所述装置还包括：
精度约束值设定单元，所述精度约束值设定单元用于设定增强控制精度约束值；
统计数据获得单元，所述统计数据获得单元用于对所述关联特征进行特征分布相邻差值统计，获得相邻差值统计数据；
聚合约束阈值设定单元，所述聚合约束阈值设定单元用于根据所述增强控制精度约束值和所述相邻差值统计数据设定相似聚合约束阈值；
相似聚合结果获得单元，所述相似聚合结果获得单元用于根据所述相似聚合约束阈值进行相似聚合，获得所述相似聚合结果。
进一步的，所述装置还包括：
方向标识结果获得单元，所述方向标识结果获得单元用于对所述边缘识别结果进行边缘方向识别，获得方向标识结果；
调整像素方向确定单元，所述调整像素方向确定单元用于当进行所述边缘识别结果的边缘锐利度增强处理时，通过所述方向标识结果确定调整像素方向；
跃迁冲突判断单元，所述跃迁冲突判断单元用于判断所述调整像素方向是否与所述边缘识别结果对应的分区域控制结果存在区域跃迁冲突；
边缘锐利度增强处理单元，所述边缘锐利度增强处理单元用于当不存在区域跃迁冲突时，则通过所述调整像素方向和所述分区域控制结果对所述边缘识别结果进行边缘锐利度增强处理。
进一步的，所述装置还包括：
新增调整像素方向设定单元，所述新增调整像素方向设定单元用于当所述调整像素方向与所述边缘识别结果对应的分区域控制结果存在区域跃迁冲突时，则将所述调整像素方向的反方向作为新增调整像素方向；
边缘增强处理单元，所述边缘增强处理单元用于通过所述新增调整像素方向和所述分区域控制结果对所述边缘识别结果进行边缘锐利度增强处理。
进一步的，所述装置还包括：
合格图像判断单元，所述合格图像判断单元用于对所述待处理内窥镜图像进行图像筛选，判断所述待处理内窥镜图像是否为合格图像；
初始特征提取单元，所述初始特征提取单元用于当判断所述待处理内窥镜图像为合格图像后，对所述待处理内窥镜图像进行初始特征提取，获得初始特征提取结果；
降噪图像获得单元，所述降噪图像获得单元用于根据所述初始特征提取结果进行所述待处理内窥镜图像的降噪处理，获得降噪图像；
图像特征识别单元，所述图像特征识别单元用于通过所述降噪图像进行所述图像特征识别。
进一步的，所述装置还包括：
增强图像获得单元，所述增强图像获得单元用于获得锐利度增强图像；
匹配标识单元，所述匹配标识单元用于通过所述增强控制精度约束值对所述锐利度增强图像进行增强效果匹配标识；
模型反馈调整单元，所述模型反馈调整单元用于根据所述增强效果匹配标识进行边缘锐化控制模型的模型反馈调整。
实施例三
基于与前述实施例中一种内窥镜图像边缘锐利度增强方法相同的发明构思，本申请还提供了一种计算机可读存储介质，所述存储介质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如实施例一内的方法。
示例性电子设备
下面参考图5来描述本申请的电子设备。
基于与前述实施例中一种内窥镜图像边缘锐利度增强方法相同的发明构思，本申请还提供了一种内窥镜图像边缘锐利度增强电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得电子设备以执行实施例一所述方法的步骤。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdiscread-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种内窥镜图像边缘锐利度增强方法。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(SolidState Disk，SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种内窥镜图像边缘锐利度增强方法，其特征在于，所述方法包括：
获得待处理内窥镜图像，对所述待处理内窥镜图像进行图像特征识别，获得图像特征识别结果；
通过所述图像特征识别结果进行畸变识别，根据畸变识别结果进行图像校正；
对校正图像进行边缘轮廓识别，获得边缘识别结果，其中，所述边缘识别结果带有位置标识；
对所述校正图像进行特征识别，构建所述边缘识别结果的关联特征；
根据所述关联特征对所述边缘识别结果进行相似聚合，通过相似聚合结果生成图像分割结果，其中，所述图像分割结果带有聚合特征标识；
将所述聚合特征标识输入边缘锐化控制模型，输出分区域控制结果；
通过所述分区域控制结果进行对应图像分割结果的锐利度增强处理。
2.如权利要求1所述的方法，其特征在于，所述方法包括：
采集获得历史处理图像，其中，所述历史处理图像和所述待处理内窥镜图像为同一设备参数拍摄图像；
对所述历史处理图像进行畸形校正分析，根据校正分析结果设定校正匹配点和像素位移数据；
通过所述校正匹配点和所述畸变识别结果确定映射特征点，根据所述映射特征点和所述像素位移数据进行所述待处理内窥镜图像的像素坐标变换；
根据像素坐标变换结果获得所述校正图像。
3.如权利要求1所述的方法，其特征在于，所述方法包括：
设定增强控制精度约束值；
对所述关联特征进行特征分布相邻差值统计，获得相邻差值统计数据；
根据所述增强控制精度约束值和所述相邻差值统计数据设定相似聚合约束阈值；
根据所述相似聚合约束阈值进行相似聚合，获得所述相似聚合结果。
4.如权利要求3所述的方法，其特征在于，所述方法包括：
对所述边缘识别结果进行边缘方向识别，获得方向标识结果；
当进行所述边缘识别结果的边缘锐利度增强处理时，通过所述方向标识结果确定调整像素方向；
判断所述调整像素方向是否与所述边缘识别结果对应的分区域控制结果存在区域跃迁冲突；
当不存在区域跃迁冲突时，则通过所述调整像素方向和所述分区域控制结果对所述边缘识别结果进行边缘锐利度增强处理。
5.如权利要求4所述的方法，其特征在于，所述方法包括：
当所述调整像素方向与所述边缘识别结果对应的分区域控制结果存在区域跃迁冲突时，则将所述调整像素方向的反方向作为新增调整像素方向；
通过所述新增调整像素方向和所述分区域控制结果对所述边缘识别结果进行边缘锐利度增强处理。
6.如权利要求1所述的方法，其特征在于，对所述内窥镜图像进行图像特征识别之前，还包括：
对所述待处理内窥镜图像进行图像筛选，判断所述待处理内窥镜图像是否为合格图像；
当判断所述待处理内窥镜图像为合格图像后，对所述待处理内窥镜图像进行初始特征提取，获得初始特征提取结果；
根据所述初始特征提取结果进行所述待处理内窥镜图像的降噪处理，获得降噪图像；
通过所述降噪图像进行所述图像特征识别。
7.如权利要求3所述的方法，其特征在于，所述方法包括：
获得锐利度增强图像；
通过所述增强控制精度约束值对所述锐利度增强图像进行增强效果匹配标识；
根据所述增强效果匹配标识进行边缘锐化控制模型的模型反馈调整。
8.一种内窥镜图像边缘锐利度增强装置，其特征在于，所述装置包括：
特征识别结果获得模块，所述特征识别结果获得模块用于获得待处理内窥镜图像，对所述待处理内窥镜图像进行图像特征识别，获得图像特征识别结果；
图像校正模块，所述图像校正模块用于通过所述图像特征识别结果进行畸变识别，根据畸变识别结果进行图像校正；
边缘识别结果获得模块，所述边缘识别结果获得模块用于对校正图像进行边缘轮廓识别，获得边缘识别结果，其中，所述边缘识别结果带有位置标识；
关联特征构建模块，所述关联特征构建模块用于对所述校正图像进行特征识别，构建所述边缘识别结果的关联特征；
图像分割结果生成模块，所述图像分割结果生成模块用于根据所述关联特征对所述边缘识别结果进行相似聚合，通过相似聚合结果生成图像分割结果，其中，所述图像分割结果带有聚合特征标识；
控制结果输出模块，所述控制结果输出模块用于将所述聚合特征标识输入边缘锐化控制模型，输出分区域控制结果；
锐利度增强处理模块，所述锐利度增强处理模块用于通过所述分区域控制结果进行对应图像分割结果的锐利度增强处理。
9.一种内窥镜图像边缘锐利度增强电子设备，其特征在于，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使电子设备以执行如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质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权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310283779.1A CN116245770B (zh) | 2023-03-22 | 2023-03-22 | 一种内窥镜图像边缘锐利度增强方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310283779.1A CN116245770B (zh) | 2023-03-22 | 2023-03-22 | 一种内窥镜图像边缘锐利度增强方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116245770A CN116245770A (zh) | 2023-06-09 |
| CN116245770B true CN116245770B (zh) | 2024-03-22 |
Family
ID=86624255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310283779.1A Active CN116245770B (zh) | 2023-03-22 | 2023-03-22 | 一种内窥镜图像边缘锐利度增强方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116245770B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1889562A1 (en) * | 2005-06-08 | 2008-02-20 | Konica Minolta Medical & Graphic, Inc. | Medical capsule endoscope |
| CN113592776A (zh) * | 2021-06-30 | 2021-11-02 | 北京旷视科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
| JP2023033982A (ja) * | 2021-08-30 | 2023-03-13 | 株式会社エビデント | 画像処理装置、画像処理システム、画像の鮮鋭化方法、及び、プログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7627189B2 (en) * | 2004-10-20 | 2009-12-01 | Fujinon Corporation | Sharpness adjustment method and program and electronic endoscope apparatus |
| WO2020194693A1 (ja) * | 2019-03-28 | 2020-10-01 | Hoya株式会社 | 内視鏡用プロセッサ、情報処理装置、内視鏡システム、プログラム及び情報処理方法 |
-
2023
- 2023-03-22 CN CN202310283779.1A patent/CN116245770B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1889562A1 (en) * | 2005-06-08 | 2008-02-20 | Konica Minolta Medical & Graphic, Inc. | Medical capsule endoscope |
| CN113592776A (zh) * | 2021-06-30 | 2021-11-02 | 北京旷视科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
| JP2023033982A (ja) * | 2021-08-30 | 2023-03-13 | 株式会社エビデント | 画像処理装置、画像処理システム、画像の鮮鋭化方法、及び、プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116245770A (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
| CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
| JP6493991B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
| CN110728201B (zh) | 用于指纹识别的图像处理方法及装置 | |
| JP5509278B2 (ja) | 被写体位置判定方法およびシステム | |
| CN117522719B (zh) | 基于机器学习的支气管镜图像辅助优化系统 | |
| CN111444773B (zh) | 一种基于图像的多目标分割识别方法及系统 | |
| JP2006285956A (ja) | 赤目検出方法および装置並びにプログラム | |
| CN112204957A (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
| JP7403562B2 (ja) | スラップ／指前景マスクを生成するための方法 | |
| CN117496560A (zh) | 一种基于多维向量的指纹纹线识别方法及装置 | |
| CN116245770B (zh) | 一种内窥镜图像边缘锐利度增强方法、装置、电子设备及存储介质 | |
| CN111915645B (zh) | 影像匹配方法、装置、计算机设备及计算机可读存储介质 | |
| CN113658238B (zh) | 一种基于改进特征检测的近红外静脉图像高精度匹配方法 | |
| CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
| CN112435186B (zh) | 一种基于双规则矩阵方向场的指纹图像增强方法 | |
| CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
| CN114820707A (zh) | 一种用于摄像头目标自动追踪的计算方法 | |
| CN114972540A (zh) | 目标定位方法、装置、电子设备及存储介质 | |
| CN113033256B (zh) | 一种指尖检测模型的训练方法和设备 | |
| Jule et al. | Micrarray Image Segmentation Using Protracted K-Means Net Algorithm in Enhancement of Accuracy and Robustness | |
| CN114491131B (zh) | 对候选图像进行重新排序的方法、装置和电子设备 | |
| EP4322120A1 (en) | Method for photographing object for identifying companion animal, and electronic device | |
| US20230334629A1 (en) | Method for labeling image object and circuit system | |
| CN113139936B (zh) | 一种图像分割处理方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |