CN116579954B - 一种超高清内窥镜图像智能增强方法 - Google Patents
一种超高清内窥镜图像智能增强方法 Download PDFInfo
- Publication number
- CN116579954B CN116579954B CN202310849898.9A CN202310849898A CN116579954B CN 116579954 B CN116579954 B CN 116579954B CN 202310849898 A CN202310849898 A CN 202310849898A CN 116579954 B CN116579954 B CN 116579954B
- Authority
- CN
- China
- Prior art keywords
- image
- enhancement
- processed
- pixel point
- difference
- 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 33
- 230000002708 enhancing effect Effects 0.000 title claims description 6
- 230000000694 effects Effects 0.000 claims abstract description 81
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000003708 edge detection Methods 0.000 claims abstract description 18
- 230000015654 memory Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000013 bile duct Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000001835 viscera Anatomy 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
- G06T5/70—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
- G06T7/13—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)
Abstract
本发明提供一种超高清内窥镜图像智能增强方法，本发明提出的内窥镜图像增强方法，包括：利用内窥镜获取待处理图像，并利用图像增强参数对所述待处理图像进行图像增强，得到第一图像；对所述第一图像以及所述待处理图像分别进行边缘检测，确定所述第一图像的边缘信息和所述待处理图像的边缘信息的差异程度；以及确定所述待处理图像的噪声情况，确定图像增强的去噪效果；基于所述图像增强的去噪效果以及所述边缘信息的差异对整体增强效果进行评价，得到评价结果；如果所述评价结果满足预设要求，则利用所述图像增强参数对内窥镜获取的图像进行增强处理。该方案能够使得不同图像均能获取较好的增强效果。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种超高清内窥镜图像智能增强方法。
背景技术
光学成像是腔镜设备最关键的部分，腔镜手术者的操作完全依赖腔镜设备获取的图像，图像的清晰度直接关系到术中对疾病的判断，对血管胆管等组织结构的辨认，以及操作的准确性和精确性，总体上光学成像与手术的安全性密切相关。
内窥镜是辅助医生观察患者身体内部信息的医疗仪器。医护人员在患者身上切开小块区域或者利用人体自然腔道，通过内窥镜得到患者身体内部器官的组织形态图像。这些图像可以帮助医生对病情做出准确的诊断。
在使用现有图像增强算法过程中，算法中存在不确定参数，对于不同场景下可能对应不同的参数，使得最终得到的图像效果存在差异。
发明内容
本发明提供一种超高清内窥镜图像智能增强方法，该方案能够使得不同图像均能获取较好的增强效果。
第一方面，本申请提供一种超高清内窥镜图像智能增强方法，包括：利用内窥镜获取待处理图像，并利用图像增强参数对所述待处理图像进行图像增强，得到第一图像；对所述第一图像以及所述待处理图像分别进行边缘检测，确定所述第一图像的边缘信息和所述待处理图像的边缘信息的差异程度；以及确定所述待处理图像的噪声情况，确定图像增强的去噪效果；基于所述图像增强的去噪效果以及所述边缘信息的差异对整体增强效果进行评价，得到评价结果；如果所述评价结果满足预设要求，则利用所述图像增强参数对内窥镜获取的图像进行增强处理。
在一可选实施例中，所述方法还包括：如果所述评价结果不满足预设要求，则调整所述图像增强参数，并返回执行步骤：利用图像增强参数对所述待处理图像进行图像增强，得到第一图像。
在一可选实施例中，对所述第一图像以及所述待处理图像分别进行边缘检测，确定所述第一图像的边缘信息和所述待处理图像的边缘信息的差异程度，包括：对所述第一图像以及所述待处理图像分别进行纹理分析，确定所述第一图像的纹理信息和所述待处理图像的纹理信息的差异；基于所述纹理信息的差异确定图像增强效果；其中，所述纹理信息的差异越小，所述图像增强效果越好；基于第一图像和待处理图像的边缘线数量差异、第一图像和待处理图像的边缘线长度差异以及图像增强效果计算所述第一图像与所述待处理图像的边缘信息的差异程度。
在一可选实施例中，所述利用图像增强参数对所述待处理图像进行图像增强，得到第一图像，包括：利用图像增强算法对所述待处理图像中每一像素点进行处理，得到每一像素点对应的模糊隶属度特征；如果所述模糊隶属度特征处于[0，λ]，则对对应的所述像素点进行增强处理；如果所述模糊隶属度特征处于[λ，1]，则对对应的所述像素点进行抑制处理；其中，λ为图像增强参数，。
在一可选实施例中，确定所述待处理图像的噪声情况，确定图像增强的去噪效果，包括：基于当前像素点为噪声的可能性、以及当前像素点与邻域中对应像素点的灰度值差异值以及所述当前像素点处于反光区域的可能性确定图像增强的去噪效果。
在一可选实施例中，利用如下公式（1）确定图像增强的去噪效果：
（1）；
其中，表示当前像素点与邻域中对应像素点的灰度值差异值，T表示当前像素点为噪声的可能性，/>即为当前像素点与其最近的边缘线的距离构成的权值，/>表示当前像素点处于反光区域可能性；
其中，当前像素点为噪声的可能性T的计算方式如下：
（2）；
其中，a表示当前像素点邻域内包含的边缘线的端点像素点的数量，表示当前像素点邻域内包含的第h个端点像素点对应斜率与其它邻域内端点像素点对应斜率的平均差异；
其中，所述当前像素点处于反光区域的可能性的计算方式如下：
（3）；
其中c表示高亮像素点在图像内的分布密度，d表示像素点到图像中高亮像素点最密集区域的距离，高亮像素区域包括多个高亮像素点，高亮像素区域通过对像素点聚类得到，所述高亮像素区域为平均灰度指最大的类组成的区域。
在一可选实施例中，基于所述图像增强的去噪效果以及所述边缘信息的差异对整体增强效果进行评价，包括：
利用如下公式（4）对整体增强效果进行评价：
（4）；
其中，v表示第一图像中像素点数量，表示第一图像中第o个像素点为噪声可能性，Lr表征待处理图像的边缘信息的差异程度，Y表示评价结果。
第二方面，本申请提供一种超高清内窥镜图像智能增强装置，包括：图像增强模块，用于利用内窥镜获取待处理图像，并利用图像增强参数对所述待处理图像进行图像增强，得到第一图像；边缘检测模块，用于对所述第一图像以及所述待处理图像分别进行边缘检测，确定所述第一图像的边缘信息和所述待处理图像的边缘信息的差异程度；以及确定所述待处理图像的噪声情况，确定图像增强的去噪效果；评价模块，用于基于所述图像增强的去噪效果以及所述边缘信息的差异对整体增强效果进行评价，得到评价结果；处理模块，如果所述评价结果满足预设要求，则利用所述图像增强参数对内窥镜获取的图像进行增强处理。
第三方面，本申请提供一种电子设备，包括相互藕接的处理器及存储器，其中，所述存储器用于存储实现上述任意一项所述的方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令。
第四方面，本申请提供一种存储介质，存储有程序文件，所述程序文件能够被执行以实现上述任意一项所述的方法。
本发明的有益效果是：区别于现有技术，本发明提出的内窥镜图像增强方法，包括：利用内窥镜获取待处理图像，并利用图像增强参数对所述待处理图像进行图像增强，得到第一图像；对所述第一图像以及所述待处理图像分别进行边缘检测，确定所述第一图像的边缘信息和所述待处理图像的边缘信息的差异程度；以及确定所述待处理图像的噪声情况，确定图像增强的去噪效果；基于所述图像增强的去噪效果以及所述边缘信息的差异对整体增强效果进行评价，得到评价结果；如果所述评价结果满足预设要求，则利用所述图像增强参数对内窥镜获取的图像进行增强处理。该方案能够使得不同图像均能获取较好的增强效果。
附图说明
图1是本发明内窥镜图像增强方法的第一实施例的流程示意图；
图2是图1中步骤S12的一实施例的流程示意图；
图3是本发明内窥镜图像增强装置的一实施例的结构示意图；
图4是本发明电子设备的一实施例的结构示意图；
图5是本发明存储介质的结构示意图。
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的一部分实施例，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，都属于本申请保护的范围。
下面结合附图和实施例对本发明进行详细的说明。
请参见图1，为本申请内窥镜图像增强方法的一实施例的流程示意图，具体包括：
步骤S11：利用内窥镜获取待处理图像，并利用图像增强参数对所述待处理图像进行图像增强，得到第一图像。
使用现有的内窥镜设备采集检测目标的图像，并对采集到的图像进行灰度化处理，得到第一图像。
利用图像增强算法对第一图像进行增强处理。现有的图像增强算法例如pal-king算法中存在影响图像增强效果的参数，对不同的图像几乎没有有效的直接获取优选参数的方法，因而会使得不同图像具有不同的增强效果。本申请利用图像增强参数对所述待处理图像进行图像增强，得到第一图像，并评价第一图像的增强效果，如果增强效果不符合要求，则对图像增强参数进行调整，以此针对不同的图像选取适应的最优参数，使得每一图像都能够得到最优的增强效果。
具体的，本申请一实施例中，利用图像增强算法对所述待处理图像中每一像素点进行处理，得到每一像素点对应的模糊隶属度特征；如果所述模糊隶属度特征处于[0，λ]，则对对应的所述像素点进行增强处理；如果所述模糊隶属度特征处于（λ，1]，则对对应的所述像素点进行抑制处理；其中，λ为图像增强参数，。
具体的，第一图像为增强后的图像，第一图像中每一像素点表示为：
其中，表示像素点（i,j）使用pal-king算法过程中提取的模糊隶属度特征，/>图像增强参数，其决定了对对应的模糊隶属度特征增强还是抑制，本发明中设置参数，即共计10种参数作为选择，即通过使用不同对应参数带入原算法对图像进行增强，根据增强效果获取优选参数。
步骤S12：对所述第一图像以及所述待处理图像分别进行边缘检测，确定所述第一图像的边缘信息和所述待处理图像的边缘信息的差异程度；以及确定所述待处理图像的噪声情况，确定图像增强的去噪效果。
具体的，请结合图2，步骤S12包括：
步骤S21：对所述第一图像以及所述待处理图像分别进行纹理分析，确定所述第一图像的纹理信息和所述待处理图像的纹理信息的差异。
具体的，即图像中细节信息不仅存在于边缘区域，还存在于纹理信息中，故可以通过比较图像增强前后的边缘周围纹理信息的差异，进而获取图像增强效果。具体的，对所述第一图像以及所述待处理图像分别进行纹理分析，确定所述第一图像的纹理信息和所述待处理图像的纹理信息的差异。
在一实施例中，使用局部三值化lbp算子对待处理图像和第一图像分别进行处理，获取对待处理图像和第一图像对应的局部二值图像，即lbp图像。设置对应局部阈值η=10，根据对应lbp图像进行分析，获取待处理图像和第一图像对应的局部二值图像中lbp分布直方图，基于待处理图像和第一图像对应的局部二值图像的lbp分布直方图进行纹理分析，确定两者的纹理信息的差异。具体的，/>表示图像增强前后（待处理图像和第一图像）对应像素点周围第i个像素点对应lbp值的差异。
步骤S22：基于所述纹理信息的差异确定图像增强效果；其中，所述纹理信息的差异越小，所述图像增强效果越好。
具体的，图像增强前后图像细节变化差异即纹理信息的差异越小，则说明图像增强效果越好，细节保留越完整。
具体的，在一实施例中，统计对应lbp值出现概率，进而获取对应细节信息可能出现的情况，即当所求lbp值出现概率越大，且对应像素点周围lbp值与对应图像增强前像素点对应lbp值的差异越小，则说明当前像素点所在邻域细节增强效果越好。
具体的，图像增强效果Lb计算如下：
其中表示图像增强前后对应像素点周围第i个像素点对应lbp值的差异，即纹理信息的差异。/>表示当前像素点对应lbp值出现概率。
需要说明的是，当当前像素点在其邻域10*10内出现概率越大，则说明当前像素点越不可能为噪声像素点，即说明当前像素点为噪声像素点可能性越小，即说明当前图像增强效果越好。
步骤S23：基于第一图像和待处理图像的边缘线数量差异、第一图像和待处理图像的边缘线长度差异以及图像增强效果计算所述第一图像与所述待处理图像的边缘信息的差异程度。
具体的，对第一图像和待处理图像使用边缘检测进行分析，通过使用同样进行边缘检测的增强前的图像进行对比分析，即当图像在增强后，其对应边缘细节信息与增强前差异越小，则说明图像增强效果越好。
在一实施例中，基于第一图像和待处理图像的边缘线数量差异、第一图像和待处理图像的边缘线长度差异以及图像增强效果计算所述待处理图像的边缘信息的差异程度。具体的，第一图像与待处理图像的边缘信息的差异程度计算方式如下：
；
其中，表示待处理图像和第一图像使用边缘检测获取的第一图像和待处理图像中边缘线数量的差异，s表示第一图像和待处理图像对应的边缘线的数量，/>表示第一图像和待处理图像对应的第i条边缘线对应的边缘线长度差异, />表示边缘线上像素点数量，/>表示第一图像中第j个像素点对应图像增强效果。当边缘信息在图像增强前后变化差异越小，对应像素点纹理信息变化越小，则说明图像增强效果越好。当边缘检测下获取的边缘线的数量差异以及对应边缘的长度差异越小，则说明图像增强前后图像中边缘信息变化越小。
通过上述方式得到第一图像的边缘信息和所述待处理图像的边缘信息的差异程度，还需要进一步确定待处理图像的噪声情况，进而确定图像增强的去噪效果。具体的，基于当前像素点为噪声的可能性、以及当前像素点与邻域中对应像素点的灰度值差异值以及所述当前像素点处于反光区域的可能性确定图像增强的去噪效果。
在一实施例中，图像中可能存在大量噪声，故可以根据获取的图像对图像噪声进行分析，进而分析图像中的去噪效果。
噪声的存在可能会导致像素点与其周围像素点的信息的不同，即当出现噪声时，会导致区域对比度出现升高，同时，对于噪声像素点，其出现会破坏原有图像纹理信息，故可以根据图像中的区域比对度以及对应图像纹理信息连续性获取图像去噪效果。
例如，利用如下公式（1）确定图像增强的去噪效果：
（1）；
其中，表示当前像素点与邻域中对应像素点的灰度值差异值，T表示当前像素点为噪声的可能性，/>即为当前像素点与其最近的边缘线的距离构成的权值，/>表示当前像素点处于反光区域可能性。
当所求像素点（即当前像素点）所在3*3邻域内对应像素点对应灰度值差异越小，则说明该像素点越不可能为噪声像素点。同时，为了避免图像中灰度信息变化较大的区域，即血管等边缘区域，故可以根据像素点距离最近边缘线的距离给予其对应权值，进而避免将信息复杂的血管区域像素点误识为噪声像素点。T表示根据像素点邻域连续性获取的图像像素点为噪声可能性，/>即为当前分析像素点与其最近边缘线的距离构成的权值。即像素点距离其最近边缘线越近，则其权值越小，对应当其灰度值与其相邻像素点灰度值发生较大变化时其为噪声像素点可能性越小。/>表示为像素点处于反光区域可能性，默认为0。
其中，当前像素点为噪声的可能性T的计算方式如下：
（2）；
其中，a表示当前像素点邻域内包含的边缘线的端点像素点的数量，表示当前像素点邻域内包含的第h个端点像素点对应斜率与其它邻域内端点像素点对应斜率的平均差异。
根据图像分析可知，图像中边缘线密集区域遍布血管，故可以根据图像中血管区域对应连通性进行分析，即血管中毛细血管均为相互连接的，如果存在噪声像素点，则可能将一条毛细血管错开成两条，故本发明通过对图像中边缘线进行分析，获取边缘线端点周围可能存在另一个原本相连的边缘线的可能性，即当所求边缘线端点存在可能为同一边缘线的边缘线，那么对应的两边缘线之间的像素点便可能为噪声像素点。故可以根据像素点周围5*5邻域内包含边缘线端点的数量判断当前像素点为噪声像素点可能性T。具体的，上述公式（2）中，a表示像素点周围5*5邻域内包含的端点边缘像素点的数量，表示当前像素点5*5邻域内包含的第h个端点边缘像素点对应斜率与其它邻域内端点边缘像素点对应斜率的平均差异，即当所求a越大，对应/>越小，则说明当前像素点越可能为噪声像素点。
其中，所述当前像素点处于反光区域的可能性的计算方式如下：
（3）；
其中c表示高亮像素点所在高亮像素区域内的分布密度，d表示像素点到图像中高亮像素点最密集区域的距离，所述高亮像素区域通过对像素点聚类得到，所述高亮像素区域为平均灰度指最大的类组成的区域。
具体的，根据内窥镜图像进行分析，图像中由于内窥镜给予光源，导致获取的图像中可能使得图像中出现反光现象，对于较大的反光区域，在噪声识别时，图像可以很好的进行处理，但是对于一些较小的反光区域，在进行噪声识别时，很可能将这些反光区域误识别为噪声区域，进而可能使得最终获取的图像评价较差，故需要根据这些较小反光区域像素点进行分析，对这些像素点获取的噪声指标进行抑制。由于内窥镜光源大多为点光源，故本发明以点光源内窥镜进行举例，通过根据图像灰度分布直方图进行聚类分析后，聚类使用DBSCAN算法，获取其中平均灰度值最大的类，将平均灰度值最大的类作为高亮像素区域，通过上述公式（3）获取高亮像素区域中高亮像素点在图像中的分布情况c。公式（3）中，c表示当前高亮像素点所在高亮像素点的分布密度，即通过计算20*20范围内其包括的高亮像素点的数量获取，d表示像素点到图像中高亮像素点最密集区域的距离，即当所求像素点与最密集区域的距离越近，则说明当前像素点越可能为反光像素点,即若高亮像素点分布较为集中，则对应这些像素点为噪声像素点可能性较小，即对应将图像中这些像素点进行抑制。
步骤S13：基于所述图像增强的去噪效果以及所述边缘信息的差异对整体增强效果进行评价，得到评价结果。
在一实施例中，利用如下公式（4）对整体增强效果进行评价：
（4）；
其中，v表示第一图像中像素点数量，表示第一图像中第o个像素点为噪声可能性，Lr表征待处理图像的边缘信息的差异程度，Y表示评价结果。具体的，当第一图像中根据边缘信息获取图像边缘信息保留效果越好，即所求Lr越小，说明整体增强效果越好，对应的图像中所求像素点为噪声像素点可能性越小，则说明使用当前参数进行图像增强，整体增强效果越好。
步骤S14：如果所述评价结果满足预设要求，则利用所述图像增强参数对内窥镜获取的图像进行增强处理。
在一实施例中，如果所述评价结果满足预设要求，则利用所述图像增强参数对内窥镜获取的图像进行增强处理。如果所述评价结果不满足预设要求，则调整所述图像增强参数，并返回执行步骤：利用图像增强参数对所述待处理图像进行图像增强，得到第一图像。
在一实施例中，设置阈值δ=0.7，即当所求整体增强效果的评价结果Y小于阈值时，便可认为评价结果满足预设要求，此时对应的图像增强参数为优选参数，停止变换参数，使用此图像增强参数对应后续获取图像进行增强。如果整体增强效果的评价结果Y大于或等于阈值时，则说明评价结果不满足预设要求，此时调整所述图像增强参数λ，重新执行步骤利用图像增强参数对所述待处理图像进行图像增强，得到第一图像。
可以理解的，，如果初选的λ=0.25时，最终得到的整体增强效果的评价结果Y大于或等于阈值时，可以调整λ=0.3，继续进行上述步骤。也就是说λ有10种参数可供选择，分别为0.3、0.35、0.4、0.45、0.5、0.55、0.6、0.65、0.7、0.75。根据这10种参数，计算得到增强效果最优的参数，进而对不同的图像均得到最优的增强效果。
本发明算法通过结合图像增强前后图像细节的变化，以及图像增强前后其对应噪声水平的变化，同时考虑到本发明所处环境，避免在进行噪声识别过程中将反光像素点误识为噪声像素点的可能性，大大增加了本发明中对整体增强效果的描述效果，进而可以根据图像增强效果获取优选地图像增强参数，大大增加了对不同图像使用不同增强系数的智能化，使得不同图像均能获取较好的图像增强效果。
请参见图3，为本发明超高清内窥镜图像智能增强装置的一实施例的结构示意图。包括：图像增强模块31、边缘检测模块32、评价模块33以及处理模块34。
其中，图像增强模块31用于利用内窥镜获取待处理图像，并利用图像增强参数对所述待处理图像进行图像增强，得到第一图像。边缘检测模块32用于对所述第一图像以及所述待处理图像分别进行边缘检测，确定所述第一图像的边缘信息和所述待处理图像的边缘信息的差异程度；以及确定所述待处理图像的噪声情况，确定图像增强的去噪效果。评价模块33用于基于所述图像增强的去噪效果以及所述边缘信息的差异对整体增强效果进行评价，得到评价结果。处理模块34如果所述评价结果满足预设要求，处理模块则利用所述图像增强参数对内窥镜获取的图像进行增强处理。
请参见图4，为本发明电子设备的一实施例的结构示意图。电子设备包括相互连接的存储器52和处理器51。
存储器52用于存储实现上述任意一项的方法的程序指令。
处理器51用于执行存储器52存储的程序指令。
其中，处理器51还可以称为CPU（Central Processing Unit，中央处理单元）。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以为内存条、TF卡等，可以存储电子设备中全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器，电子设备才有记忆功能，才能保证正常工作。电子设备中的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等，能长期保存信息。内存指主板上的存储部件，用来存放当前正在执行的数据和程序，但仅用于暂时存放程序和数据，关闭电源或断电，数据会丢失。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，系统服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。
请参阅图5，为本发明存储介质的结构示意图。本申请的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种超高清内窥镜图像智能增强方法，其特征在于，包括：
利用内窥镜获取待处理图像，并利用图像增强参数对所述待处理图像进行图像增强，得到第一图像；
对所述第一图像以及所述待处理图像分别进行边缘检测，确定所述第一图像的边缘信息和所述待处理图像的边缘信息的差异程度；以及确定所述待处理图像的噪声情况，确定图像增强的去噪效果；
基于所述图像增强的去噪效果以及所述边缘信息的差异对整体增强效果进行评价，得到评价结果；
如果所述评价结果满足预设要求，则利用所述图像增强参数对内窥镜获取的图像进行增强处理。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
如果所述评价结果不满足预设要求，则调整所述图像增强参数，并返回执行步骤：利用图像增强参数对所述待处理图像进行图像增强，得到第一图像。
3.根据权利要求1所述的方法，其特征在于，对所述第一图像以及所述待处理图像分别进行边缘检测，确定所述第一图像的边缘信息和所述待处理图像的边缘信息的差异程度，包括：
对所述第一图像以及所述待处理图像分别进行纹理分析，确定所述第一图像的纹理信息和所述待处理图像的纹理信息的差异；
基于所述纹理信息的差异确定图像增强效果；其中，所述纹理信息的差异越小，所述图像增强效果越好；
基于第一图像和待处理图像的边缘线数量差异、第一图像和待处理图像的边缘线长度差异以及图像增强效果计算所述第一图像与所述待处理图像的边缘信息的差异程度。
4.根据权利要求1所述的方法，其特征在于，所述利用图像增强参数对所述待处理图像进行图像增强，得到第一图像，包括：
利用图像增强算法对所述待处理图像中每一像素点进行处理，得到每一像素点对应的模糊隶属度特征；
如果所述模糊隶属度特征处于[0，λ]，则对对应的所述像素点进行增强处理；
如果所述模糊隶属度特征处于[λ，1]，则对对应的所述像素点进行抑制处理；其中，λ为图像增强参数，。
5.根据权利要求1所述的方法，其特征在于，确定所述待处理图像的噪声情况，确定图像增强的去噪效果，包括：
基于当前像素点为噪声的可能性、以及当前像素点与邻域中对应像素点的灰度值差异值以及所述当前像素点处于反光区域的可能性确定图像增强的去噪效果。
6.根据权利要求5所述的方法，其特征在于，利用如下公式（1）确定图像增强的去噪效果：
（1）；
其中，表示当前像素点与邻域中对应像素点的灰度值差异值，T表示当前像素点为噪声的可能性，/>即为当前像素点与其最近的边缘线的距离构成的权值，/>表示当前像素点处于反光区域可能性；
其中，当前像素点为噪声的可能性T的计算方式如下：
（2）；
其中，a表示当前像素点邻域内包含的边缘线的端点像素点的数量，表示当前像素点邻域内包含的第h个端点像素点对应斜率与其它邻域内端点像素点对应斜率的平均差异；
其中，所述当前像素点处于反光区域的可能性的计算方式如下：
（3）；
其中c表示高亮像素点在图像内的分布密度，d表示像素点到图像中高亮像素点最密集区域的距离，高亮像素区域包括多个高亮像素点，高亮像素区域通过对像素点聚类得到，所述高亮像素区域为平均灰度指最大的类组成的区域。
7.根据权利要求1所述的方法，其特征在于，基于所述图像增强的去噪效果以及所述边缘信息的差异对整体增强效果进行评价，包括：
利用如下公式（4）对整体增强效果进行评价：
（4）；
其中，v表示第一图像中像素点数量，表示第一图像中第o个像素点为噪声可能性，Lr表征待处理图像的边缘信息的差异程度，Y表示评价结果。
8.一种超高清内窥镜图像智能增强装置，其特征在于，包括：
图像增强模块，用于利用内窥镜获取待处理图像，并利用图像增强参数对所述待处理图像进行图像增强，得到第一图像；
边缘检测模块，用于对所述第一图像以及所述待处理图像分别进行边缘检测，确定所述第一图像的边缘信息和所述待处理图像的边缘信息的差异程度；以及确定所述待处理图像的噪声情况，确定图像增强的去噪效果；
评价模块，用于基于所述图像增强的去噪效果以及所述边缘信息的差异对整体增强效果进行评价，得到评价结果；
处理模块，如果所述评价结果满足预设要求，则利用所述图像增强参数对内窥镜获取的图像进行增强处理。
9.一种电子设备，其特征在于，所述电子设备包括：相互藕接的处理器及存储器；
所述存储器用于存储实现如权利要求1~7任意一项所述的方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令。
10.一种存储介质，其特征在于，存储有程序文件，所述程序文件能够被执行以实现如权利要求1~7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310849898.9A CN116579954B (zh) | 2023-07-12 | 2023-07-12 | 一种超高清内窥镜图像智能增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310849898.9A CN116579954B (zh) | 2023-07-12 | 2023-07-12 | 一种超高清内窥镜图像智能增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116579954A CN116579954A (zh) | 2023-08-11 |
| CN116579954B true CN116579954B (zh) | 2023-09-05 |
Family
ID=87543459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310849898.9A Active CN116579954B (zh) | 2023-07-12 | 2023-07-12 | 一种超高清内窥镜图像智能增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579954B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758069B (zh) * | 2023-08-17 | 2023-11-14 | 济南宝林信息技术有限公司 | 用于肠道内镜的医学图像增强方法 |
| CN116883293B (zh) * | 2023-09-08 | 2023-11-17 | 青岛云智霄凡科技有限公司 | 一种用于神经麻醉穿刺的图像增强处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419167A (zh) * | 2020-09-28 | 2021-02-26 | 重庆港宇高科技开发有限公司 | 图像增强方法、装置及存储介质 |
| CN115984148A (zh) * | 2023-03-21 | 2023-04-18 | 吉林华瑞基因科技有限公司 | 一种高通量基因测序数据的去噪增强方法 |
| CN116168026A (zh) * | 2023-04-24 | 2023-05-26 | 山东拜尔检测股份有限公司 | 基于计算机视觉的水质检测方法及系统 |
| CN116269467A (zh) * | 2023-05-19 | 2023-06-23 | 中国人民解放军总医院第八医学中心 | 一种创伤患者清创术前信息采集系统 |
-
2023
- 2023-07-12 CN CN202310849898.9A patent/CN116579954B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419167A (zh) * | 2020-09-28 | 2021-02-26 | 重庆港宇高科技开发有限公司 | 图像增强方法、装置及存储介质 |
| CN115984148A (zh) * | 2023-03-21 | 2023-04-18 | 吉林华瑞基因科技有限公司 | 一种高通量基因测序数据的去噪增强方法 |
| CN116168026A (zh) * | 2023-04-24 | 2023-05-26 | 山东拜尔检测股份有限公司 | 基于计算机视觉的水质检测方法及系统 |
| CN116269467A (zh) * | 2023-05-19 | 2023-06-23 | 中国人民解放军总医院第八医学中心 | 一种创伤患者清创术前信息采集系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116579954A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116579954B (zh) | 一种超高清内窥镜图像智能增强方法 | |
| CN110197493B (zh) | 眼底图像血管分割方法 | |
| CN115359052B (zh) | 基于聚类算法的医疗影像增强方法 | |
| US8811676B2 (en) | Image processing apparatus, image processing method, and computer readable recording device | |
| CN108364297B (zh) | 血管图像分割方法、终端、存储介质 | |
| KR102176139B1 (ko) | 연속적인 딥 인코더-디코더 네트워크를 이용한 이미지 세그먼테이션 장치 및 그 방법 | |
| CN112613517B (zh) | 内窥镜仪器分割方法、装置、计算机设备及存储介质 | |
| CN110751636B (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
| CN111091536B (zh) | 医学图像处理方法、装置、设备、介质以及内窥镜 | |
| CN111968091A (zh) | 一种临床图像中病变区域的检测和分类方法 | |
| CN110880177A (zh) | 一种图像识别方法及装置 | |
| CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
| CN114140651A (zh) | 胃部病灶识别模型训练方法、胃部病灶识别方法 | |
| CN112634231A (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
| CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
| CN108447066B (zh) | 胆道图像分割方法、终端、存储介质 | |
| CN112861942A (zh) | 医学影像图像处理方法、装置、电子设备及介质 | |
| Bozdağ et al. | Pyramidal nonlocal network for histopathological image of breast lymph node segmentation | |
| CN112949712B (zh) | 一种基于多模态的甲状腺结节自动识别模型构建方法 | |
| CN116309264A (zh) | 造影图像判定方法及造影图像判定装置 | |
| CN112734701A (zh) | 眼底病灶检测方法、检测装置及终端设备 | |
| CN118247277B (zh) | 一种肺部ct影像自适应增强方法 | |
| Povoroznyuk et al. | Formalisation of the problem of the matched morphological filtering of biomedical signals and images | |
| CN113693739B (zh) | 肿瘤导航修正方法、装置及便携式荧光影像导航设备 | |
| CN118447014B (zh) | 用于消化内科辅助诊断的钡餐造影图像病灶识别系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |