CN116468641A - 一种红外血管图像增强处理方法 - Google Patents
一种红外血管图像增强处理方法 Download PDFInfo
- Publication number
- CN116468641A CN116468641A CN202310587642.5A CN202310587642A CN116468641A CN 116468641 A CN116468641 A CN 116468641A CN 202310587642 A CN202310587642 A CN 202310587642A CN 116468641 A CN116468641 A CN 116468641A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- threshold
- value
- gradient
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000002146 bilateral effect Effects 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 210000003462 vein Anatomy 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims abstract description 6
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002792 vascular Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 2
- 239000004973 liquid crystal related substance Substances 0.000 claims 2
- 230000011218 segmentation Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000001629 suppression Effects 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/70—
-
- G06T5/94—
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,特别涉及一种红外血管图像增强处理方法,包括通过红外图像采集设备获取血管原始红外图像;使用双边滤波器对图像进行滤波去噪,消除在静脉图像上的孤立像素点或者噪点,实现图像的平滑去噪;使用基于自适应阈值的局部直方图均衡方法对图像进行对比度增强处理;采用canny算子进行血管图像边缘检测,确定图像的边缘点,完成图像增强;本发明根据原图像的统计直方图获取局部极大值序列,从而实现上下限阈值的自适应性获取,在抑制了背景噪声的同时又提高图像的对比度,并且强化了图像细节,同时利用线性双插法抑制了传统局部直方图不重叠子块分割导致的边界效应。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种红外血管图像增强处理方法。
背景技术
红外成像技术目前广泛应用与各个领域、例如军事和民生医疗。特别在于医疗健康领域,受限于图像采集设备的不足,获取的红外血管图像存在细节模糊对比度底下、受到多种噪声干扰等等问题,难以提供准确有效的视觉信息,无法满足人们的实际应用需求,因此应该采用一套新的图像增强处理方法,进一步提高红外血管图像的使用价值。
目前对于红外血管图像采取的增强处理方法有平台直方图算法等改进算法,阈值选取非常重要关乎最终的图像处理情况,如果上限阈值选择过大将无法限制背景,如果下限阈值选择过小则会导致弱小目标和细节信息的丢失。对于上限阈值的选取,常取总像素的20%-30%,下限阈值的选取为总像素的5%-10%,固定阈值会导致图像增强效果较差,对背景噪声的抑制不明显、部分细节信息丢失等等。固定阈值对不同的红外图像处理效果好,不具有普适性。
发明内容
为了提升图像处理的普适性,使得对于不同的红外血管图像也能有较好的增强处理效果,本发明提出一种红外血管图像增强处理方法,具体包括以下步骤:
通过红外图像采集设备获取血管原始红外图像;
使用双边滤波器对图像进行滤波去噪,消除在静脉图像上的孤立像素点或者噪点,实现图像的平滑去噪;
使用基于自适应阈值的局部直方图均衡方法对图像进行对比度增强处理;
采用canny算子进行血管图像边缘检测,确定图像的边缘点,完成图像增强。
本发明方法在基于局部直方图均衡化的基础上,改变了分割的子块的处理方法,与传统算法使用固定阈值或者按照经验进行设定不同,自适应获取上下限阈值对原始统计直方图进行修正;本发明根据原图像的统计直方图获取局部极大值序列,从而实现上下限阈值的自适应性获取,在抑制了背景噪声的同时又提高图像的对比度,并且强化了图像细节,同时利用线性双插法抑制了传统局部直方图不重叠子块分割导致的边界效应。
附图说明
图1为本发明一种红外血管图像增强处理方法总体框架图;
图2为本发明一种红外血管图像增强处理方法中双边滤波器实现流程示意图;
图3为本发明中基于自适应阈值的局部直方图均衡化方法流程示意图;
图4为本发明中自适应阈值求取原理示意图;
图5为本发明中双线性插值法原理示意图;
图6为本发明中canny算子实现原理流程图;
图7为本发明中梯度比较原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出一种红外血管图像增强处理方法,具体包括以下步骤:
通过红外图像采集设备获取血管原始红外图像;
使用双边滤波器对图像进行滤波去噪,消除在静脉图像上的孤立像素点或者噪点,实现图像的平滑去噪;
使用基于自适应阈值的局部直方图均衡方法对图像进行对比度增强处理;
采用canny算子进行血管图像边缘检测,确定图像的边缘点,完成图像增强。
参考图1,为本发明一种红外血管图像增强处理方法总体框架图,其中主要包括图像增强模块和边缘检测模块详述如下:
通过红外图像采集设备获取血管原始红外图像;
首先使用双边滤波器对图像进行滤波去噪,既能消除在静脉图像上的孤立像素点或者麻点,实现图像的平滑去噪,还能友好的保存边缘,利于后期的边缘检测。根据图2示意,首先利用二维高斯函数(1)生成距离模板;
其中,(k,l)为模板窗口的中心坐标(k,l),(i,j)为模板窗口除了中心坐标以外的其他坐标;σd为高斯函数的标准差;
然后使用一维高斯函数(2)生成值域模板;
其中,f(·)表示原始图像,f(x,y)表示原始图像在坐标(x,y)处的像素值;其中(k,l)为模板窗口的中心坐标;(i,j)为模板窗口的其他系数的坐标;σr为高斯函数的标准差;
结和上述两个公式的乘积获得双边滤波器的模板:
w(i,j,k,l)=d(i,j,k,l)×r(i,j,k,l) (3)
对输入图像进行局部加权平均得到输出图像的像素值,其公式如下所示:
经过滤波器处理后得到平滑图像,再使用基于自适应阈值的局部直方图均衡方法对图像进行对比度增强处理,结合图3流程图所示,主要的操作步骤如下:
首先,分割子块。本实施例按照子块不重叠的局部直方图均衡的原理对图像进行分块,将原始大小为(M×N)的图像均匀切分为(4×4)个子块。然后对每一个单独切分子块进行相应处理:
1.获取图像的统计直方图值
2.自适应获取上限平台和下限平台的阈值T1和T2
所述的自适应获取上限平台和下限平台的阈值方法,参考图4内容,其方法描述如下:
根据输入图像获取其有效灰度集合;
利用一维窗对有效灰度集合进行遍历,获取局部极大值序列(该序列中的元素即一维窗中的最大值);
计算局部极大值的均值,根据局部极大值的均值以及局部极大值序列确定上限平台和下限平台的阈值。
当上限平台阈值取得过大,就会起不到限制背景并且使得噪声过度增强,因此上限平台阈值T1的选取应该尽量接近图像统计直方图目标所对应的峰值p(kt),并且小于背景所对应的峰值p(kb),即p(kt)<T1<p(kb)。根据上限平台阈值理应更接近目标对应的峰值推出:
上述公式中p(kt)、p(kb)分别为目标信息和背景信息所对应的统计直方图值峰值,T1表示上限平台阈值。
p(kt)、p(kb)以统计直方图中有效灰度级的局部极大值形式体现,并且通常对于血管图像背景对应的峰值即是整个图像统计直方图有效灰度级的最大值,采用1×2的一维窗W对集合H(s)进行遍历得到局部极大值序列也就是MAX(r)。
式中,MAX(r)为有效灰度级的局部极大值集合,H(s)为图像统计直方图的有效灰度集合,L为非零项个数。
对于红外血管图像而言,血管的细节和目标灰度值都较小可认为p(kt)<<p(kb),同时红外图像统计直方图函数一般为凸函数因此结合此前公式可推导出其中MAXavg表示有效灰度级局部极大值集合的平均值,因此选取MAXavg作为上限平台的阈值。
为保留原图像中的弱小目标和细节信息并且增强,避免较小的灰度级被合并下限平台阈值的设定需要保证原直方图相邻灰度在修正后的直方图中,间隔至少为1。
式中,D为修正后的直方图有效灰度级集合中两相邻灰度的间隔,L为总灰度级,s(k)为修正后图像的累积直方图,s(L)为修正后图像总累积直方图值,s(k)-s(k-1)即为修正后k灰度的统计直方图值P(k)。取T2=MAXmin,可知由T2作为下限平台值后,修正后的图像将不会丢失任何原图像的灰度信息,从而保证了MAXmin表示有效灰度级局部极大值集合中的最小值。
3.根据获得的阈值对图像原统计直方图进行修正,公式如下:
根据公式8,如果统计直方图值大于阈值T1将灰度级k的统计直方图值置为T1,若处于T2和T1之间则维持不变,小于T2则置为T2。
4.计算图像累计直方图其中n表示图像像素的总数,L是总共的灰度级,sk是第k级灰度映射后的灰度值。
5.对变换后的灰度级进行取整运算sk=[sk],确定映射关系以后进行灰度像素的替换,获得处理后的图像
本实施例中,为了消除对图像分割造成的块效应,利用双线性插值法对图像进行分割后得到的子块进行处理。参考图5,为本发明中双线性插值法原理示意图,使用双线性插值法抑制图像块效应,根据修正直方图获取图像像素和坐标,具体包括以下步骤:
分别计算相邻四个子块距目标点垂直距离,根据公式得出目标点P的像素。所述线性双插法公式如下:
其中,Gi(p)表示第i个子块的映射关系函数(即前述将原图像的灰度级转换为另一个灰度级,可以采用调用现有工具完成),xi表示目标点p距离第i个邻近子块边缘的垂直距离(如图5所示的x1、x2、x3、x4),i={1,2,3,4}表示相邻四个子块。
为了找到图像中静脉边缘信息部分,通过对图像进行滤波去噪、对比度增强等操作,使得边缘信息突出易于分辨,因此最后一步就是对静脉图像进行边缘分割,主要从频域角度出发通过检测灰度变化运用微分算子的卷积来检测图像的静脉边缘信息。本发明采用canny算子进行血管图像边缘检测,其主要算法流程如图6所示,本发明中canny算子进行血管图像边缘检测的过程包括:
1.使用高斯滤波函数平滑图像
高斯滤波的高斯核具有x,y两个维度,两个维度上标准差一般取相同其形式如下:
尺寸为3×3,σ=1的高斯核为:
将高斯核与原图像f(x,y)做卷积得到平滑后的图像G(x,y),卷积公式如下:
g(x,y)=G(x,y)*f(x,y) (12)
2.计算图像梯度幅值和方向
根据数学偏导数公式分别计算出点(x,y)在水平和垂直方向上的偏导数,具体包括:
依据偏导数值计算梯度幅值和方向:
式中,Gxy(x,y)表示点(x,y)的梯度幅值,Gx表示水平方向(x轴方向)上的偏导数,Gy表示垂直方向(y轴方向)上的偏导数;θ为点(x,y)的方向。
3.应用非极大值抑制
将目标像素梯度强度与沿正负梯度方向上的相邻梯度强度进行比较,如果目标梯度最大,则保留为边缘点否则该像素则被抑制,不作为边缘点,参考图7,将像素的邻接情况分为四个区域,包含两个部分,中心像素点梯度强度为gxy(i,j)。根据中心像素的梯度大小和方向使用线性双插法获取两个参与比较邻点的梯度大小,公式如下:
4.采用高低阈值进行滞后处理
采用高低阈值来解决杂散效应,选取高阈值Th和低阈值Tl对边缘像素进行过滤,高低阈值比在2:1到3:1之间。如果边缘像素的梯度大于高阈值,则被标记为强边缘点,如果像素小于低阈值,则被标记为非边缘像素,处于两者之间则被标记为弱边缘点留待下一步孤立性分析。
5.孤立弱边缘抑制
对于第四步留存的弱边缘像素点,可根据查看其8个邻域像素是否与强边缘点相连接来进行判断,通常只要有一个邻域像素是强边缘点就可以将此弱边缘点保留为真实边缘点。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种红外血管图像增强处理方法,其特征在于,具体包括以下步骤:
通过红外图像采集设备获取血管原始红外图像;
使用双边滤波器对图像进行滤波去噪,消除在静脉图像上的孤立像素点或者噪点,实现图像的平滑去噪;
使用基于自适应阈值的局部直方图均衡方法对图像进行对比度增强处理;
采用canny算子进行血管图像边缘检测,确定图像的边缘点,完成图像增强。
2.根据权利要求1所述的一种红外血管图像增强处理方法,其特征在于,构建双边滤波器并利用构建的双边滤波器对图像进行滤波的过程包括:
利用二维高斯函数生成距离模板、一维高斯函数生成值域模板;
将距离模板和值域模板相乘获得双边滤波器的模板;
根据获得的滤波器模板对输入图像进行局部加权平均得到输出图像的像素值,输出滤波过后的图像。
3.根据权利要求2所述的一种红外血管图像增强处理方法,其特征在于,对输入图像进行局部加权平均得到输出图像的像素值,输出滤波过后的图像表示为:
其中,为滤波后图像中像素点(i,j)的值;f(k,l)为图像中心像素点(k,l)处的像素值,w(i,j,k,l)为双边滤波器的模板。
4.根据权利要求3所述的一种红外血管图像增强处理方法,其特征在于,双边滤波器的模板w(i,j,k,l)表示为:
w(i,j,k,l)=d(i,j,k,l)×r(i,j,k,l)
其中,r(i,j,k,l)为值域模板,f(i,j)表示图像在像素点(i,j)处的像素值,为二维高斯函数中高斯函数的标准差;d(i,j,k,l)为距离模板,/>为一维高斯函数中高斯函数的标准差;(k,l)为模板窗口的中心坐标;(i,j)为模板窗口除中心坐标以外的其他坐标。
5.根据权利要求1所述的一种红外血管图像增强处理方法,其特征在于,使用基于自适应阈值的局部直方图均衡方法对图像进行对比度增强处理包括:
按照子块不重叠的局部直方图均衡的原理对图像进行分块,将原始大小为(M×N)的图像均匀切分为(4×4)个子块;
对每个子块进行双线性差值,消除图像分割成多个子块后导致的块效应;
对每个单独切分子块统计直方图值,并获取上限平台和下限平台的阈值;
根据获取的阈值对图像原统计直方图进行修正;
计算修正后图像累计直方图,即获取每一级灰度映射后的灰度值,并对灰度值进行取整运算,得到处理后的图像。
6.根据权利要求5所述的一种红外血管图像增强处理方法,其特征在于,根据获取的阈值对图像原统计直方图进行修正包括:
其中,P(k)为利用平台阈值修正后图像的统计直方图值;p(k)为原始图像的统计直方图值;T1为上限平台阈值;T2为下限平台阈值。
7.根据权利要求5或6所述的一种红外血管图像增强处理方法,其特征在于,上限平台阈值T1的值域为:
下限平台阈值T2=MAXmin;
其中,p(kt)为目标信息对应的统计直方图值峰值;p(kb)为背景信息对应的统计直方图值峰值;MAXmin表示有效灰度级局部极大值集合中的最小值。
8.根据权利要求1所述的一种红外血管图像增强处理方法,其特征在于,采用canny算子进行血管图像边缘检测包括以下步骤:
使用高斯滤波函数对图像进行平滑处理;
计算图像梯度幅值和方向;
将目标像素梯度强度与沿正负梯度方向上的相邻梯度强度进行比较,如果目标梯度最大,则保留为边缘点否则该像素则被抑制,不作为边缘点;
选取高阈值和低阈值,如果边缘像素的梯度大于高阈值,则被标记为强边缘点,如果像素小于低阈值,则被标记为非边缘像素,处于两者之间则被标记为弱边缘点;
查看弱边缘像素点的8个邻域像素是否与强边缘点相连接,若存在一个邻域像素为强边缘点就将此弱边缘点保留为真实边缘点。
9.根据权利要求8所述的一种红外血管图像增强处理方法,其特征在于,根据中心像素的梯度大小和方向使用线性双插法获取两个参与比较邻点的梯度大小,包括:
gup(i,j)=(1-tanθ)·gxy(i,j+1)+tanθ·gxy(i-1,j+1)
gdown(i,j)=(1-tanθ)·gxy(i,j-1)+tanθ·gxy(i+1,j-1)
其中,gup(i,j)为正梯度方向上相邻像素的梯度强度,θ为图像中像素点(i,j)对应的方向,gxy(i,j)为当前像素点的梯度强度,gdown(i,j)为负梯度方向上相邻像素的梯度强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310587642.5A CN116468641A (zh) | 2023-05-23 | 2023-05-23 | 一种红外血管图像增强处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310587642.5A CN116468641A (zh) | 2023-05-23 | 2023-05-23 | 一种红外血管图像增强处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468641A true CN116468641A (zh) | 2023-07-21 |
Family
ID=87175574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310587642.5A Pending CN116468641A (zh) | 2023-05-23 | 2023-05-23 | 一种红外血管图像增强处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468641A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703784A (zh) * | 2023-08-02 | 2023-09-05 | 济南宝林信息技术有限公司 | 一种心脏超声图像视觉增强方法 |
CN116883401A (zh) * | 2023-09-07 | 2023-10-13 | 天津市生华厚德科技有限公司 | 一种工业产品生产质量检测系统 |
CN117237243A (zh) * | 2023-11-16 | 2023-12-15 | 大连壹致科技有限公司 | 一种心血管造影图像局部自适应增强方法 |
CN117611459A (zh) * | 2024-01-23 | 2024-02-27 | 广东省农业科学院农业生物基因研究中心 | 一种炎症性肠炎微细结构增强方法及系统 |
CN117788300A (zh) * | 2024-02-23 | 2024-03-29 | 中国医学科学院北京协和医院 | 一种输尿管镜碎石用影像增强的优化方法 |
CN117788300B (zh) * | 2024-02-23 | 2024-05-10 | 中国医学科学院北京协和医院 | 一种输尿管镜碎石用影像增强的优化方法 |
-
2023
- 2023-05-23 CN CN202310587642.5A patent/CN116468641A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703784A (zh) * | 2023-08-02 | 2023-09-05 | 济南宝林信息技术有限公司 | 一种心脏超声图像视觉增强方法 |
CN116703784B (zh) * | 2023-08-02 | 2023-10-20 | 济南宝林信息技术有限公司 | 一种心脏超声图像视觉增强方法 |
CN116883401A (zh) * | 2023-09-07 | 2023-10-13 | 天津市生华厚德科技有限公司 | 一种工业产品生产质量检测系统 |
CN116883401B (zh) * | 2023-09-07 | 2023-11-10 | 天津市生华厚德科技有限公司 | 一种工业产品生产质量检测系统 |
CN117237243A (zh) * | 2023-11-16 | 2023-12-15 | 大连壹致科技有限公司 | 一种心血管造影图像局部自适应增强方法 |
CN117237243B (zh) * | 2023-11-16 | 2024-01-26 | 大连壹致科技有限公司 | 一种心血管造影图像局部自适应增强方法 |
CN117611459A (zh) * | 2024-01-23 | 2024-02-27 | 广东省农业科学院农业生物基因研究中心 | 一种炎症性肠炎微细结构增强方法及系统 |
CN117611459B (zh) * | 2024-01-23 | 2024-03-26 | 广东省农业科学院农业生物基因研究中心 | 一种炎症性肠炎微细结构增强方法及系统 |
CN117788300A (zh) * | 2024-02-23 | 2024-03-29 | 中国医学科学院北京协和医院 | 一种输尿管镜碎石用影像增强的优化方法 |
CN117788300B (zh) * | 2024-02-23 | 2024-05-10 | 中国医学科学院北京协和医院 | 一种输尿管镜碎石用影像增强的优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN103116875B (zh) | 自适应双边滤波图像去噪方法 | |
JP5315157B2 (ja) | 情報処理装置、ライン状ノイズ低減処理方法、及びプログラム | |
CN107507173A (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN105787902B (zh) | 利用分块排序检测噪声的图像降噪方法 | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN108470343A (zh) | 一种改进的图像边缘检测方法 | |
CN113592782B (zh) | 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 | |
CN105894474A (zh) | 一种非线性图像增强方法及边缘检测方法 | |
Karanwal | Implementation of edge detection at multiple scales | |
CN109636822A (zh) | 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法 | |
CN110930330B (zh) | 一种基于图像分割和区域增长的椒盐噪声降噪算法 | |
CN116912115A (zh) | 一种水下图像自适应增强方法、系统、设备及存储介质 | |
Malik et al. | Contrast enhancement and smoothing of CT images for diagnosis | |
CN102521804A (zh) | 基于窗口改进的多级中值滤波的图像边缘检测方法 | |
CN112329674B (zh) | 基于多纹理特征融合的结冰湖泊检测方法和装置 | |
Batna | Comparative study between wavelet thresholding techniques (hard, soft and invariant-translation) in ultrasound images | |
CN108961290B (zh) | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 | |
Chen et al. | A pilot study on a new image enhancement method using spatial statistics | |
Reddy et al. | Guided image filtering for image enhancement | |
Kashyap et al. | Edge detection using sobel method with median filter | |
Nema et al. | Edge detection operators on digital image |
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 |