CN116342588A - 一种脑血管图像增强方法 - Google Patents
一种脑血管图像增强方法 Download PDFInfo
- Publication number
- CN116342588A CN116342588A CN202310572357.6A CN202310572357A CN116342588A CN 116342588 A CN116342588 A CN 116342588A CN 202310572357 A CN202310572357 A CN 202310572357A CN 116342588 A CN116342588 A CN 116342588A
- Authority
- CN
- China
- Prior art keywords
- gray scale
- image
- gray
- enhancement
- block
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000006185 dispersion Substances 0.000 claims abstract description 27
- 230000002708 enhancing effect Effects 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 abstract description 10
- 230000002490 cerebral effect Effects 0.000 description 16
- 210000004204 blood vessel Anatomy 0.000 description 15
- 210000004556 brain Anatomy 0.000 description 7
- 230000002792 vascular Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Processing (AREA)
Abstract
本发明涉及图像增强处理技术领域,具体涉及一种脑血管图像增强方法。该方法获取脑血管图像,将脑血管图像划分为灰度块;获取灰度块中的连通域,根据连通域之间的距离,获得连通域分布离散度;获取灰度块的灰度值方差,根据灰度值方差,获得灰度块的细节丰富程度值;根据连通域分布离散度、细节丰富程度值和梯度幅值集合,获取灰度块的图像增强权值集合;根据灰度块的图像增强权值集合,以及通过预设直方图均衡增强算法对灰度块进行增强后的增强结果,获取灰度块最终增强结果;将灰度块的最终增强结果进行融合,得到脑血管图像的增强图像。本发明通过自适应获取灰度块的最终增强结果,保留了脑血管图像中的细节信息,使得增强效果更好。
Description
技术领域
本发明涉及图像增强处理技术领域,具体涉及一种脑血管图像增强方法。
背景技术
为了帮助实习医生快速精准地掌握脑血管图像的结构组成信息,需要采集脑血管图像,并将采集到的脑血管图像通过显示屏展示给实习医生,以向实习医生讲解脑血管图像的结构组成。
一般情况下,直接采集到的脑血管图像由于存在大量细小血管,会导致图像不清晰,无法清楚展示脑血管图像的结构组成,相应地,就需要对脑血管图像进行增强。最为常用的图像增强算法为直方图均衡化脑血管图像增强法。但是,由于采集的脑血管图像的边缘部分存在着大量细小血管,细节信息众多,传统的直方图均衡化脑血管图像增强法虽然可以提高脑血管图像的全局对比度,但会出现灰度级简并现象,导致脑血管图像中的细节信息丢失,图像增强效果不佳。
发明内容
为了解决脑血管图像中的细节信息丢失,导致最终脑血管图像增强效果不佳的技术问题,本发明的目的在于提供一种脑血管图像增强方法,所采用的技术方案具体如下:
本发明提出了一种脑血管图像增强方法,方法包括:
获取脑血管图像,将所述脑血管图像划分为至少两个预设大小的灰度块;
获取每个所述灰度块中的连通域,根据所述连通域之间的距离,获得每个所述灰度块的连通域分布离散度;
获取每个所述灰度块内像素点的灰度值方差,根据所述灰度值方差,获得每个所述灰度块的细节丰富程度值;
根据所述连通域分布离散度、所述细节丰富程度值和所述灰度块的梯度幅值集合,获取所述灰度块的图像增强权值集合;
根据所述灰度块的所述图像增强权值集合,以及通过预设直方图均衡增强算法对所述灰度块进行增强后的增强结果,获取所述灰度块最终增强结果;
将所有所述灰度块的最终增强结果进行融合,得到所述脑血管图像的增强图像。
进一步地,所述连通域分布离散度的获取方法,包括:
任选一个灰度块作为目标块,获取所述目标块的二值图,根据所述二值图获得所述目标块中的连通域;
计算目标块中任意两个连通域的中心点之间的欧式距离作为第一距离;获取所述目标块中所述第一距离的均值作为所述目标块的连通域分布离散度。
进一步地,所述细节丰富程度值的获取方法,包括:
将所述灰度块内像素点的灰度值方差作为第一方差;
获取所述脑血管图像中像素点的灰度值方差作为第二方差;
将每个所述灰度块的所述第一方差与所述第二方差的比值,作为对应所述灰度块的细节丰富程度值。
进一步地,所述梯度幅值集合的获取方法,包括:
使用Sobel算子获取每个所述灰度块内的每个像素点的梯度幅值;
设置梯度幅值阈值,将每个所述灰度块内小于梯度幅值阈值的梯度幅值统一设置为0;
将每个所述灰度块内的梯度幅值构成的集合作为对应灰度块的梯度幅值集合。
进一步地,所述图像增强权值集合的获取方法,包括:
将所述细节丰富程度值与预设常数的差值作为分布预判值;
设定预设大小的初始权值系数,计算所述初始权值系数和所述分布预判值的乘积作为分子,将所述连通域分布离散度作为分母,计算所述分子与所述分母的比值作为第一系数;
将所述第一系数与所述梯度幅值集合的乘积作为图像增强权值集合。
进一步地,所述最终增强结果的获取方法,包括:
将每个所述灰度块的所述增强结果与所述图像增强权值集合的相加结果,作为对应所述灰度块的最终增强结果。
进一步地,所述将所有所述灰度块的最终增强结果进行融合的方法,包括:
根据每个所述灰度块的最终增强结果,获取对应的最终增强灰度块;
将每个最终增强灰度块按照脑血管图像中对应灰度块位置进行组合。
本发明具有如下有益效果:
将脑血管图像划分为至少两个预设大小的灰度块,对每个灰度块进行分析,避免了灰度块之间的干扰;获取每个灰度块中的连通域,根据连通域之间的距离,获得每个灰度块的连通域分布离散度,确定灰度块内脑血管细节信息的分布程度,避免噪声点的干扰;获取每个灰度块内像素点的灰度值方差,确定每个灰度块内灰度值的差异情况,进而根据灰度值方差,获得每个灰度块的细节丰富程度值,更能突出表现每个灰度块内的脑血管细节信息;根据连通域分布离散度、细节丰富程度值和灰度块的梯度幅值集合,获取灰度块的图像增强权值集合,使得灰度块内的脑血管的细节信息更完整;根据灰度块的图像增强权值集合,以及通过预设直方图均衡增强算法对灰度块进行增强后的增强结果,自适应获取灰度块最终增强结果,结合整体脑血管信息和脑血管细节信息,共同对灰度块进行调整,不仅可以提高脑血管图像的对比度,而且可以保留更多的脑血管细节信息,因此,将所有灰度块的最终增强结果进行融合,得到脑血管图像的增强图像,使得增强图像的增强效果更好,增强后的脑血管图像更准确完整。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种脑血管图像增强方法的流程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种脑血管图像增强方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种脑血管图像增强方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种脑血管图像增强方法的流程示意图,该方法包括以下步骤:
步骤S1:获取脑血管图像,将脑血管图像划分为至少两个预设大小的灰度块。
具体的,采用磁共振成像MRI扫描采集脑血管图像,磁共振成像MRI是利用强磁场和无线电波来生成图像。对于脑血管成像一般采用3D核磁共振血管成像技术(3D-MRA),可以提供非侵入性和高分辨率的脑血管图像。其中,获取的脑血管图像为灰度图像。对脑血管图像进行预处理,包括去除噪声等处理,进而去除噪声干扰,便于后续提高脑血管图像的对比度,使得脑血管信息显现的更明显。其中,本发明实施例中去除噪声采用中值滤波器的方法,以便后续对脑血管图像的分析和处理。其中,中值滤波器为公知技术,在此不进行赘述。
本发明另一个实施例中,可以使用高斯滤波、TV法去噪等其他方法对灰度图像进行去噪处理,在此不做限定。
通过分析脑血管图像发现利用直方图均衡化算法进行脑血管图像增强运算相对简单,可扩展脑血管图像中像素点灰度值的动态范围,使得脑血管图像具有较高的全局对比度。直方图均衡化算法仅依赖脑血管图像中像素点的灰度分布信息,不需要额外的参数信息,计算更加方便。但全局的直方图均衡化算法可能会导致脑血管图像中的对比度过高或过低,同时,容易导致脑血管图像中的细节信息丢失,因此,本发明实施例提出一种自适应直方图均衡化图像增强法,即将脑血管图像划分为至少两个预设大小的灰度块,对每个灰度块进行自适应直方图均衡化增强,将自适应直方图均衡化增强的灰度块进行合并,构成最终增强的最终脑血管图像。最终脑血管图像是在直方图均衡化算法增强图像的基础上,尽可能地保留脑血管图像中的细节信息,不仅可以提高脑血管图像中的对比度,而且可以突出脑血管图像中的细节信息,解决了后续的脑血管图像分割遇到的大部分问题,可以快速获取到清晰完整的脑血管信息。其中,直方图均衡化算法为公知技术,在此不进行赘述。
本发明实施例将预设大小的灰度块设置为,实施者可根据实际情况进行调
整,在此不进行限定。灰度块在脑血管图像的左上角开始滑动,直至脑血管图像的右下角停
止。其中,灰度块的大小设置要结合脑血管图像的大小,使的脑血管图像中的灰度块为整数
个,且灰度块可将脑血管图像完整划分。对于特殊情况为脑血管图像中的边界像素点无法
构成灰度块,则将边界像素点的灰度块与其他灰度块进行叠加。至此,获取脑血管图像中的
所有灰度块。
步骤S2:获取每个灰度块中的连通域,根据连通域之间的距离,获得每个灰度块的连通域分布离散度。
具体的,每个灰度块的细节信息,不仅由细小的脑血管细节信息决定,噪声也可以决定灰度块的细节信息程度,灰度块的噪声越多其细节信息程度也越丰富。但是,噪声与脑血管细节信息存在直观的区别:噪声对应的连通域呈点状且分布离散,而脑血管细节信息构成的连通域呈树杈状且分布集中;因此,可以通过连通域的分布确定灰度块中脑血管的细节信息的分布程度,进而自适应确定灰度块中的连通域分布离散度。
优选地,获取连通域分布离散度的方法为:任选一个灰度块作为目标块,获取目标块的二值图,根据二值图获得目标块中的连通域。计算目标块中任意两个连通域的中心点之间的欧式距离作为第一距离;获取目标块中第一距离的均值作为目标块的连通域分布离散度。其中,欧式距离为公知技术,在此不再进行赘述。
作为一个示例,任选一个灰度块作为目标块,通过大津法获得目标块的二值图,将目标块划分为白色和黑色两部分,其中脑血管对应的区域为白色,背景对应的区域为黑色,更加便于对脑血管信息进行分析。通过连通域算法获取目标块中的白色部分的连通域即脑血管对应的连通域,利用OpenCV确定目标块中的所有连通域的中心点坐标。计算目标块中任意两个连通域对应的中心点坐标之间的欧式距离即为第一距离,获取目标块中第一距离的均值即为目标块的连通域分布离散度。其中,大津法、连通域算法以及OpenCV为现有技术,在此不进行过多赘述。
根据获取目标块的连通域分布离散度的方法,获取每个灰度块的分布离散度。
步骤S3:获取每个灰度块内像素点的灰度值方差,根据灰度值方差,获得每个灰度块的细节丰富程度值。
具体的,灰度块内像素点的灰度值方差是衡量灰度块内像素点的灰度值差异性的度量值,用于反映灰度块内灰度值的分布情况,灰度块内像素点的灰度值方差越大,说明灰度块内灰度值的差异越大,对应灰度块内的细节信息越丰富。
优选地,根据灰度值方差获取细节丰富程度值的方法为:将灰度块内像素点的灰度值方差作为第一方差;获取脑血管图像中像素点的灰度值方差作为第二方差;将每个灰度块的第一方差与第二方差的比值,作为对应灰度块的细节丰富程度值。
将第一方差与第二方差进行比较,可以得出灰度块内是否包含更多的细节信息。若第一方差明显高于第二方差,则说明灰度块内的像素点的灰度值分布更为分散,区间分布也相对更广泛,灰度块内包含更多的细节信息;若第一方差明显低于第二方差,则说明灰度块内的像素点分布相对均匀,包含的细节信息相对较少。进而根据第一方差与第二方差获取灰度块的细节丰富程度值。
作为一个示例,以步骤S2中的目标块为例,获取目标块内的灰度值方差即第一方差;获取脑血管图像中的灰度值方差即第二方差;根据第一方差与第二方差获取目标快的细节丰富程度值c的公式为;
需要说明的是,表示目标块内的灰度值方差和脑血管图像中的灰度值方差之
比即目标块的细节丰富程度值,当细节丰富程度值大于1时,说明目标块内的细节信息丰
富,需要增加直方图均衡化算法的增强程度;当细节丰富程度值小于或者等于1时,说明目
标块内的细节信息程度不高,需要负增强或降低直方图均衡化算法的增强程度,防止灰度
块内的对比度过高。
根据获取目标块的细节丰富程度值的方法,获取脑血管图像中每个灰度块的细节丰富程度值。
步骤S4:根据连通域分布离散度、细节丰富程度值和灰度块的梯度幅值集合,获取灰度块的图像增强权值集合。
具体的,由于各个灰度块内的细节信息不同,因此,本发明实施例自适应获取每个灰度块内的每个像素点的图像增强权值即图像增强权值集合。其中,获取每个灰度块的图像增强权值集合的具体方法为;
(1)获取梯度幅值集合。
Sobel算子可以有效地检测出灰度块中每个像素点的水平和垂直方向的边缘信息,从而提高了灰度块的清晰度和辨别度。在每个灰度块内使用Sobel算子可以更好地保留灰度块的细节特征。
优选地,获取梯度幅值集合的方法为:使用Sobel算子获取每个灰度块内的每个像素点的梯度幅值;设置梯度幅值阈值,将每个灰度块内小于梯度幅值阈值的梯度幅值统一设置为0;将每个灰度块内的梯度幅值构成的集合作为对应灰度块的梯度幅值集合。其中,Sobel算子为公知技术,在此不进行过多赘述。
通过Sobel算子计算灰度块内每个像素点在水平和垂直方向上的梯度绝对值作为对应像素点的梯度幅值。采用二值化对梯度幅值进行处理并保留较强的细节信息,即设置一个梯度幅值阈值,将低于梯度幅值阈值的梯度幅值统一设置为0,将每个灰度块内的梯度幅值构成的集合作为对应灰度块的梯度幅值集合,每个像素点在梯度幅值集合中均有对应的元素。其中,梯度幅值阈值的设置需要根据具体情况和实验效果来确定,在此不进行限定。至此,获取每个灰度块的梯度幅值集合。
(2)获取图像增强权值集合。
为了自适应获取每个灰度块内的最终增强结果,需要对灰度块内的每个像素点进行分析,进而确定灰度块内每个像素点的图像增强权值,即灰度块的图像增强权值集合。
优选地,获取图像增强权值集合的方法为:将细节丰富程度值与预设常数的差值作为分布预判值;设定预设大小的初始权值系数,计算初始权值系数和分布预判值的乘积作为分子,将连通域分布离散度作为分母,计算分子与分母的比值作为第一系数;将第一系数与梯度幅值集合的乘积作为图像增强权值集合。
作为一个示例,以步骤S2中的目标块为例,本发明实施例将目标块的细节丰富程
度值与预设常数1的差值作为目标块的分布预判值,根据分布预判值确定目标块中的细节
信息分布程度。其中,本发明实施例设定预设常数为1,实施者可根据实际情况进行设定,在
此不进行限定。本发明实施例设定预设大小的初始权值系数为2,实施者可以根据实际情况
进行设定,在此不进行限定。根据初始权值系数、分布预判值以及连通域分布离散度获取第
一系数,根据第一系数和梯度幅值集合获取目标块的图像增强权值集合的公式为:
需要说明的是,当分布预判值大于0时,说明目标块内的脑血管细节信息越
多,需要直方图均衡化算法增强的程度越大,第一系数越大且为正数;当分布预判值小于0时,说明目标块内的脑血管细节信息越少,需要直方图均衡化算法增强的程度
越小,第一系数为负数,避免了目标块内的脑血管细节信息因为直方图均衡化算法增
强的程度过大,导致脑血管细节信息丢失;当分布预判值等于0时,第一系数为
0,说明目标块内的脑血管细节信息不需要进行调整;l越小,说明目标块内的噪声点越少,
目标块内的连通域越密集,目标块内分布的脑血管的细节信息越多,目标块内需要增强的
程度越大,第一系数越大;因此,第一系数越大,目标块内的脑血管的细节信息
越多,目标块内需要直方图均衡化算法增强的程度越大,对应像素点的增强程度越大。第一
系数对每个像素点的图像增强权值起决定作用,即对目标块的图像增强权值集合起
整体作用。
根据获取目标块的图像增强权值集合的方法,获取脑血管图像中每个灰度块的图像增强权值集合。
步骤S5:根据灰度块的图像增强权值集合,以及通过预设直方图均衡增强算法对灰度块进行增强后的增强结果,获取灰度块最终增强结果。
对于每个灰度块,若单独的使用直方图均衡化算法,会导致灰度块过度增强或者细节信息丢失的问题,从而影响脑血管图像的增强效果;若根据每个灰度块的图像增强权值集合得到增强程度,再结合直方图均衡化算法的增强程度进行叠加,进而得到灰度块的总体增强程度即最终增强结果,可以解决灰度块内过度增强或者细节信息丢失的问题。
优选地,获取最终增强结果的方法为:将每个灰度块的增强结果与图像增强权值集合的相加结果,作为对应灰度块的最终增强结果。
作为一个示例,以步骤S2中的目标块为例,获取目标块通过预设直方图均衡化算
法增强后的结果即目标块的增强结果,其中预设直方图均衡化算法为现有的直方图均衡化
算法,为公知技术,如以下网址https://blog.csdn.net/qq_15971883/article/details/
88699218中的直方图均衡化算法。增强结果为一个集合,且本发明实施例中,目标块的增强
结果中每个像素点对应的元素位置,始终与目标块的梯度幅值集合中相同像素点对应的元
素位置保持一致,即目标块的增强结果与目标块的梯度幅值集合中相同位置的元素对应的
是目标块中的同一个像素点。根据目标块的增强结果与图像增强权值集合获取目标块的最
终增强结果的公式为:
需要说明的是,决定目标块中每个脑血管像素点的整体信息,决定
目标块中每个脑血管像素点需要调整的程度,将与中同一位置的元素进行相
加,获取最终增强结果也是一个集合,进而对对应的脑血管像素点进行准确的
调整;其中,中的元素越大,说明目标块内对应的脑血管像素点最终需要增强的
程度越大。
根据获取目标块的最终增强结果的方法,获取脑血管图像中每个灰度块的最终增强结果。
步骤S6:将所有灰度块的最终增强结果进行融合,得到脑血管图像的增强图像。
具体的,根据每个灰度块的最终增强结果,获取每个灰度块增强后的最终增强灰度块,采用插值方法,按照脑血管图像中各个灰度块原本对应的位置融合成为一幅完整的增强后的脑血管图像。其中,插值法为公知技术,在此不进行过多赘述。
优选地,将所有灰度块的最终增强结果进行融合的方法为:根据每个灰度块的最终增强结果,获取对应的最终增强灰度块;将每个最终增强灰度块按照脑血管图像中对应灰度块位置进行组合。
本发明实施例将最终增强灰度块,按照脑血管图像中对应的灰度块中像素点的位置通过插值法进行插入,获得脑血管图像的增强图像。其中,对于重合的灰度块部分,在插值时,可以采用双线性插值或双三次插值等方法进行处理,从而得到较为准确且平滑的脑血管图像的增强图像,提高增强效果。其中,双线性插值以及双三次插值均为公知技术,在此不进行赘述。
将脑血管图像的增强图像做阈值分割处理,进而得出完整清晰的脑血管信息。其中,阈值分割为现有技术,在此不进行过多赘述。
至此,本发明完成。
综上,本发明实施例获取脑血管图像,将脑血管图像划分为灰度块;获取灰度块中的连通域,根据连通域之间的距离,获得连通域分布离散度;获取灰度块的灰度值方差,根据灰度值方差,获得灰度块的细节丰富程度值;根据连通域分布离散度、细节丰富程度值和梯度幅值集合,获取灰度块的图像增强权值集合;根据灰度块的图像增强权值集合,以及通过预设直方图均衡增强算法对灰度块进行增强后的增强结果,获取灰度块最终增强结果;将灰度块的最终增强结果进行融合,得到脑血管图像的增强图像。本发明通过自适应获取灰度块的最终增强结果,保留了脑血管图像中的细节信息,使得增强效果更好。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (7)
1.一种脑血管图像增强方法,其特征在于,该方法包括以下步骤:
获取脑血管图像,将所述脑血管图像划分为至少两个预设大小的灰度块;
获取每个所述灰度块中的连通域,根据所述连通域之间的距离,获得每个所述灰度块的连通域分布离散度;
获取每个所述灰度块内像素点的灰度值方差,根据所述灰度值方差,获得每个所述灰度块的细节丰富程度值;
根据所述连通域分布离散度、所述细节丰富程度值和所述灰度块的梯度幅值集合,获取所述灰度块的图像增强权值集合;
根据所述灰度块的所述图像增强权值集合,以及通过预设直方图均衡增强算法对所述灰度块进行增强后的增强结果,获取所述灰度块最终增强结果;
将所有所述灰度块的最终增强结果进行融合,得到所述脑血管图像的增强图像。
2.如权利要求1所述的一种脑血管图像增强方法,其特征在于,所述连通域分布离散度的获取方法,包括:
任选一个灰度块作为目标块,获取所述目标块的二值图,根据所述二值图获得所述目标块中的连通域;
计算目标块中任意两个连通域的中心点之间的欧式距离作为第一距离;获取所述目标块中所述第一距离的均值作为所述目标块的连通域分布离散度。
3.如权利要求1所述的一种脑血管图像增强方法,其特征在于,所述细节丰富程度值的获取方法,包括:
将所述灰度块内像素点的灰度值方差作为第一方差;
获取所述脑血管图像中像素点的灰度值方差作为第二方差;
将每个所述灰度块的所述第一方差与所述第二方差的比值,作为对应所述灰度块的细节丰富程度值。
4.如权利要求1所述的一种脑血管图像增强方法,其特征在于,所述梯度幅值集合的获取方法,包括:
使用Sobel算子获取每个所述灰度块内的每个像素点的梯度幅值;
设置梯度幅值阈值,将每个所述灰度块内小于梯度幅值阈值的梯度幅值统一设置为0;
将每个所述灰度块内的梯度幅值构成的集合作为对应灰度块的梯度幅值集合。
5.如权利要求1所述的一种脑血管图像增强方法,其特征在于,所述图像增强权值集合的获取方法,包括:
将所述细节丰富程度值与预设常数的差值作为分布预判值;
设定预设大小的初始权值系数,计算所述初始权值系数和所述分布预判值的乘积作为分子,将所述连通域分布离散度作为分母,计算所述分子与所述分母的比值作为第一系数;
将所述第一系数与所述梯度幅值集合的乘积作为图像增强权值集合。
6.如权利要求1所述的一种脑血管图像增强方法,其特征在于,所述最终增强结果的获取方法,包括:
将每个所述灰度块的所述增强结果与所述图像增强权值集合的相加结果,作为对应所述灰度块的最终增强结果。
7.如权利要求1所述的一种脑血管图像增强方法,其特征在于,所述将所有所述灰度块的最终增强结果进行融合的方法,包括:
根据每个所述灰度块的最终增强结果,获取对应的最终增强灰度块;
将每个最终增强灰度块按照脑血管图像中对应灰度块位置进行组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572357.6A CN116342588B (zh) | 2023-05-22 | 2023-05-22 | 一种脑血管图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572357.6A CN116342588B (zh) | 2023-05-22 | 2023-05-22 | 一种脑血管图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342588A true CN116342588A (zh) | 2023-06-27 |
CN116342588B CN116342588B (zh) | 2023-08-11 |
Family
ID=86884337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310572357.6A Active CN116342588B (zh) | 2023-05-22 | 2023-05-22 | 一种脑血管图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342588B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542883A (zh) * | 2023-07-07 | 2023-08-04 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116993731A (zh) * | 2023-09-27 | 2023-11-03 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 基于图像的盾构机刀头缺陷检测方法 |
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117649371A (zh) * | 2024-01-30 | 2024-03-05 | 西安交通大学医学院第一附属医院 | 一种脑血管介入手术模拟器图像处理方法及装置 |
CN117934474A (zh) * | 2024-03-22 | 2024-04-26 | 自贡市第一人民医院 | 一种肠胃镜检影像增强处理方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5793883A (en) * | 1995-09-29 | 1998-08-11 | Siemens Medical Systems, Inc. | Method for enhancing ultrasound image |
US7840066B1 (en) * | 2005-11-15 | 2010-11-23 | University Of Tennessee Research Foundation | Method of enhancing a digital image by gray-level grouping |
CN103767698A (zh) * | 2014-01-22 | 2014-05-07 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱技术的静脉动态特性分析装置及其分析方法 |
CN106447645B (zh) * | 2016-04-05 | 2019-10-15 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
CN108376391B (zh) * | 2018-01-29 | 2022-04-05 | 江苏宇特光电科技股份有限公司 | 一种智能化红外图像场景增强方法 |
CN108846319A (zh) * | 2018-05-25 | 2018-11-20 | 平安科技(深圳)有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
CN109345491B (zh) * | 2018-09-26 | 2021-07-27 | 中国科学院西安光学精密机械研究所 | 一种融合梯度和灰度信息的遥感图像增强方法 |
WO2020177126A1 (zh) * | 2019-03-07 | 2020-09-10 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
CN110533609B (zh) * | 2019-08-16 | 2022-05-27 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像增强方法、装置和存储介质 |
CN111126403B (zh) * | 2019-11-13 | 2023-10-24 | 中国科学院计算技术研究所 | 一种基于磁共振血管造影图像的脑血管分割方法和系统 |
CN112150477B (zh) * | 2019-11-15 | 2021-09-28 | 复旦大学 | 脑影像动脉全自动分割方法及装置 |
CN111815574B (zh) * | 2020-06-18 | 2022-08-12 | 南通大学 | 一种基于粗糙集神经网络的眼底视网膜血管图像分割方法 |
CN113554665A (zh) * | 2021-07-07 | 2021-10-26 | 杭州深睿博联科技有限公司 | 一种血管分割方法及装置 |
CN114187335A (zh) * | 2021-11-09 | 2022-03-15 | 北京东软医疗设备有限公司 | 多视图医学图像的配准方法、装置及设备 |
CN114049283A (zh) * | 2021-11-16 | 2022-02-15 | 上海无线电设备研究所 | 一种自适应的灰度梯度直方图均衡遥感图像增强方法 |
CN114648530B (zh) * | 2022-05-20 | 2022-08-16 | 潍坊医学院 | 一种ct图像处理方法 |
CN115311176B (zh) * | 2022-10-12 | 2023-03-07 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115861135B (zh) * | 2023-03-01 | 2023-05-23 | 铜牛能源科技(山东)有限公司 | 一种应用于箱体全景探测的图像增强及识别方法 |
-
2023
- 2023-05-22 CN CN202310572357.6A patent/CN116342588B/zh active Active
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542883A (zh) * | 2023-07-07 | 2023-08-04 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116542883B (zh) * | 2023-07-07 | 2023-09-05 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116993731A (zh) * | 2023-09-27 | 2023-11-03 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 基于图像的盾构机刀头缺陷检测方法 |
CN116993731B (zh) * | 2023-09-27 | 2023-12-19 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 基于图像的盾构机刀头缺陷检测方法 |
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117557460B (zh) * | 2024-01-12 | 2024-03-29 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117649371A (zh) * | 2024-01-30 | 2024-03-05 | 西安交通大学医学院第一附属医院 | 一种脑血管介入手术模拟器图像处理方法及装置 |
CN117649371B (zh) * | 2024-01-30 | 2024-04-09 | 西安交通大学医学院第一附属医院 | 一种脑血管介入手术模拟器图像处理方法及装置 |
CN117934474A (zh) * | 2024-03-22 | 2024-04-26 | 自贡市第一人民医院 | 一种肠胃镜检影像增强处理方法 |
CN117934474B (zh) * | 2024-03-22 | 2024-06-11 | 自贡市第一人民医院 | 一种肠胃镜检影像增强处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116342588B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116342588B (zh) | 一种脑血管图像增强方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN108921800A (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
US6885762B2 (en) | Scale-based image filtering of magnetic resonance data | |
CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
WO2019071734A1 (zh) | 一种图像局部对比度增强的方法 | |
CN117649357B (zh) | 一种基于图像增强的超声图像处理方法 | |
CN109584198B (zh) | 一种人脸图像质量评价方法、装置及计算机可读存储介质 | |
CN108550145A (zh) | 一种sar图像质量评估方法和装置 | |
CN108470343A (zh) | 一种改进的图像边缘检测方法 | |
CN114757950B (zh) | 超声图像处理方法、装置以及计算机可读存储介质 | |
CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
CN112991197A (zh) | 一种基于暗通道的细节保留的低照度视频增强方法及装置 | |
CN110084818B (zh) | 动态下采样图像分割方法 | |
CN109919922B (zh) | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 | |
Gambino et al. | Automatic skull stripping in MRI based on morphological filters and fuzzy c-means segmentation | |
CN113298763B (zh) | 一种基于显著性窗口策略的图像质量评估方法 | |
Isa et al. | New image enhancement technique for WMH segmentation of MRI FLAIR image | |
CN108346128B (zh) | 一种美颜磨皮的方法和装置 | |
CN109492587A (zh) | 图像处理方法及装置 | |
CN109636749B (zh) | 图像处理方法 | |
CN112446889A (zh) | 一种基于超声的医学视频读取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |