CN116977214A - 图像优化方法、装置、介质和计算设备 - Google Patents
图像优化方法、装置、介质和计算设备 Download PDFInfo
- Publication number
- CN116977214A CN116977214A CN202310905608.8A CN202310905608A CN116977214A CN 116977214 A CN116977214 A CN 116977214A CN 202310905608 A CN202310905608 A CN 202310905608A CN 116977214 A CN116977214 A CN 116977214A
- Authority
- CN
- China
- Prior art keywords
- image
- laparoscopic
- matrix
- parameter
- value
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008859 change Effects 0.000 claims abstract description 89
- 230000000007 visual effect Effects 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims description 126
- 238000012545 processing Methods 0.000 claims description 52
- 238000013507 mapping Methods 0.000 claims description 34
- 230000002829 reductive effect Effects 0.000 claims description 17
- 230000008030 elimination Effects 0.000 claims description 15
- 238000003379 elimination reaction Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002357 laparoscopic surgery Methods 0.000 abstract description 14
- 230000003902 lesion Effects 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000001629 suppression Effects 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 6
- 230000000740 bleeding effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003780 insertion Methods 0.000 description 4
- 230000037431 insertion Effects 0.000 description 4
- 208000003464 asthenopia Diseases 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 210000003815 abdominal wall Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012966 insertion method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008733 trauma 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Endoscopes (AREA)
Abstract
本申请的实施方式提供了一种图像优化方法、装置、介质和计算设备。该方法包括：获取待优化的腹腔镜图像；腹腔镜图像由白光镜头采集得到；基于腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务；其中，图像变化特征基于腹腔镜图像中连续的多个图像帧得到；图像优化任务用于调整腹腔镜图像中的图像参数；图像参数的目标数值随图像变化特征的数值变化而变化；执行目标任务，以优化腹腔镜图像的视觉效果。本申请能够实现对腹腔镜图像的视觉效果的自动优化，降低病变漏诊或误诊的概率，辅助提高腹腔镜手术的精确度和成功率。
Description
技术领域
本申请的实施方式涉及计算机视觉领域，更具体地，本申请的实施方式涉及一种图像优化方法、装置、介质和计算设备。
背景技术
本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
腹腔镜手术，是一种微创手术方法，具有安全、便捷、快速、低创伤等优势。腹腔镜手术可以有效减少手术病人的痛苦，缩短恢复期，降低手术后并发症的发生率。
腹腔镜手术中，通常使用内窥镜来观察手术腔。目前，白光镜头是一种普遍使用的内窥镜，主要是采用白色光源照亮腔内，从而便于医生观察组织以及器官的表面形态、颜色、血管等特征。然而，手术腔内空间有限，手术腔内常常会因白色光源的过度照明，导致腹腔镜图像过于明亮或者过于阴暗。即光源集中照明的区域对应的图像亮度较高，而光源未集中照明的其他区域的图像亮度较低。此外，手术腔内部分区域受到周围组织的遮挡，也会出现腹腔镜图像亮度过低的问题。而腹腔镜图像的亮度过高或过低均会影响医生的观察视野，因此，基于白光镜头采集的腹腔镜图像进行检查诊断的过程较为依赖医生自身的技术和经验，容易造成病变被漏诊或误诊。
综上，亟需一种技术方案，用以在现有的白光内窥镜设备的硬件基础上，实现腹腔镜图像的视觉效果优化，降低病变漏诊或误诊的概率。
发明内容
在本上下文中，本申请的实施方式期望提供一种图像优化方法、装置、介质和计算设备，用以优化对腹腔镜图像的视觉效果，降低病变漏诊或误诊的概率，辅助提高腹腔镜手术的精确度和成功率。
在本申请实施方式的第一方面中，提供了一种图像优化方法，包括：
获取待优化的腹腔镜图像；所述腹腔镜图像由白光镜头采集得到；
基于所述腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务；其中，所述图像变化特征基于所述腹腔镜图像中连续的多个图像帧得到；所述图像优化任务用于调整所述腹腔镜图像中的图像参数；所述图像参数的目标数值随所述图像变化特征的数值变化而变化；
执行所述目标任务，以优化所述腹腔镜图像的视觉效果。
在本申请实施方式的第二方面中，提供了一种图像优化装置，包括：
获取单元，用于获取待优化的腹腔镜图像；所述腹腔镜图像由白光镜头采集得到；
确定单元，用于基于所述腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务；其中，所述图像变化特征基于所述腹腔镜图像中连续的多个图像帧得到；所述图像优化任务用于调整所述腹腔镜图像中的图像参数；所述图像参数的目标数值随所述图像变化特征的数值变化而变化；
执行单元，用于执行所述目标任务，以优化所述腹腔镜图像的视觉效果。
在本申请实施方式的第三方面中，提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行第一方面中任一项所述的方法。
在本申请实施方式的第四方面中，提供了一种计算设备，所述计算设备包括：至少一个处理器、存储器和输入输出单元；其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行第一方面中任一项所述的方法。
本申请实施例中，提供了一种图像优化方法、装置、介质和计算设备。本申请实施例中，可以获取待优化的腹腔镜图像，该腹腔镜图像可以是白光镜头采集到的视频图像。进而，基于腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务。由于图像变化特征是基于腹腔镜图像中连续的多个图像帧得到的，因而，基于该图像变化特征能够监测到在这些图像帧中需要增强优化的视觉效果，从而从多种图像优化任务中选取更具有针对性的图像优化任务来调整需要增强的图像参数，提升腹腔镜图像中对应的视觉效果。并且，图像参数的目标数值随图像变化特征的数值变化而变化，使腹腔镜图像在视觉效果上的过渡更为自然流畅。最后，执行目标任务，以优化腹腔镜图像的视觉效果。
本申请实施例中，结合腹腔镜图像的图像变化特征自动执行匹配的图像优化任务，实现了对腹腔镜图像的视觉效果的自动优化，降低病变漏诊或误诊的概率，辅助提高腹腔镜手术的精确度和成功率。并且，通过上述实施例无需更新升级硬件即可优化腹腔镜图像的视觉效果，大大降低内窥镜设备的改造成本。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，其中：
图1为本申请一实施例提供的一种图像优化方法的流程示意图；
图2为本申请一实施例提供的一种目标任务确定方法的流程示意图；
图3为本申请一实施例提供的一种参数监测界面的示意图；
图4为本申请一实施例提供的另一种参数监测界面的示意图；
图5为本申请一实施例提供的一种参数调整方法的流程示意图；
图6为本申请一实施例提供的一种反光点掩码的示意图；
图7为本申请一实施例提供的一种反光点掩码分量的示意图；
图8为本申请一实施例提供的一种反光点消除结果的示意图；
图9为本申请一实施例提供的一种防红溢出处理前腹腔镜图像的示意图；
图10为本申请一实施例提供的一种防红溢出处理后腹腔镜图像的示意图；
图11为本申请一实施例提供的一种基于多线程处理方式的图像优化方法的流程示意图；
图12为本申请一实施例提供的一种图像优化装置的结构示意图；
图13为本申请一实施例提供的一种介质的结构示意图；
图14为本申请一实施例提供的一种计算设备的结构示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本申请的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
相关技术的腹腔镜手术场景中，通常使用内窥镜来观察手术腔。目前，白光镜头是一种普遍使用的内窥镜，采用白色光源可以照亮腔内，从而便于医生观察组织以及器官的表面形态、颜色、血管等特征。然而，手术腔内空间有限，手术腔内常常会因白色光源的过度照明，导致腹腔镜图像过于明亮或者过于阴暗。即光源集中照明的区域对应的图像亮度较高，而光源未集中照明的其他区域的图像亮度较低。此外，手术腔内部分区域受到周围组织的遮挡，也会出现腹腔镜图像亮度过低的问题。而腹腔镜图像的亮度过高或过低均会影响医生的观察视野，因此，基于白光镜头采集的腹腔镜图像进行检查诊断的过程较为依赖医生自身的技术和经验，容易造成病变被漏诊或误诊。
虽然，可以使用显影剂、光学滤镜等方式实现腹腔镜图像的视觉增强效果，但此类技术方案需要对白光镜头的内窥镜设备进行升级改造，比如，从白光镜头更换到电子染色镜头，需要更换配套的光源、镜头镀膜、光学传感器、内窥镜主机等设备，无法直接应用到现有白光镜头的内窥镜设备上，设备改造难度大，推广成本高。
综上，亟需一种技术方案，用以在现有的白光内窥镜设备的硬件基础上，实现腹腔镜图像的视觉效果优化，降低病变漏诊或误诊的概率。
本申请实施例提供了一种图像优化方法、装置、介质和计算设备。本申请实施例中，可以获取待优化的腹腔镜图像，该腹腔镜图像可以是白光镜头采集到的视频图像。进而，基于腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务。由于图像变化特征是基于腹腔镜图像中连续的多个图像帧得到的，因而，基于该图像变化特征能够监测到在这些图像帧中需要增强优化的视觉效果，从而从多种图像优化任务中选取更具有针对性的图像优化任务来调整需要增强的图像参数，提升对应的视觉效果。并且，图像参数的目标数值随图像变化特征的数值变化而变化，使腹腔镜图像在视觉效果上的过渡更为自然流畅。最后，执行目标任务，以优化腹腔镜图像的视觉效果。
本申请实施例中，结合腹腔镜图像的图像变化特征自动执行匹配的图像优化任务，实现了对腹腔镜图像的视觉效果的自动优化，降低病变漏诊或误诊的概率，辅助提高腹腔镜手术的精确度和成功率。并且，通过上述实施例无需更新升级硬件即可优化腹腔镜图像的视觉效果，大大降低内窥镜设备的改造成本。
一些实施方式中，图像优化装置是一个，也可以是多个。多个图像优化装置可以采用分布式部署，也可以采用集中式部署。在医疗场景下，图像优化装置与医疗设备相结合。例如，可以实现为部署在医疗设备中的一个模块，包括软件模块和/或硬件模块；也可以实现为与医疗设备相连的独立设备；还可以实现为接入医疗设备的软件服务，如云服务等，本申请实施例并不限定。
需要说明的是，本申请实施例涉及的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请实施例涉及的终端设备，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。例如，个人通信业务(Personal Communication Service，PCS)电话、无绳电话、会话发起协议(SessionInitialization Protocol，SIP)话机、无线本地环路(Wireless Local Loop，WLL)站、个人数字助理(Personal Digital Assistant，PDA)等设备。
需要说明的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本申请的若干代表性实施方式，详细阐释本申请的原理和精神。
下面参考图1，图1为本申请一实施例提供的图像优化方法的流程示意图。需要注意的是，本申请的实施方式可以应用于适用腹腔镜的任何场景。
图1所示的本申请一实施例提供的图像优化方法的流程，包括：
步骤S101，获取待优化的腹腔镜图像。
本申请实施例中，待优化的腹腔镜图像包括但不限于：内窥镜设备采集到的图像。例如，可以是通过白光镜头采集的腹腔镜图像，也可以是通过其他设备采集的腹腔镜图像。为进一步提高图像视觉效果，可以采用高分辨率的腹腔镜图像作为待优化的腹腔镜图像。上述实现方式与具体的应用场景相关，本申请实施例对此不做限定。
作为一个可选的实施例，待优化的腹腔镜图像可以是通过白光镜头采集的腹腔镜图像。具体来说，从白光镜头配套的内窥镜设备中获取腹腔镜图像，作为待优化的腹腔镜图像。例如，通过内窥镜设备的数据接口实时读取其采集到的腹腔镜图像，以便及时对待优化的腹腔镜图像作出后续图像优化处理，保证电子染色图像的实时性。上述数据接口比如可以是USB接口、专用数据接口、WiFi接口等。
举例来说，在内窥镜设备中，通过视频采集卡获取腹腔镜输入的视频流。具体地，调用视频采集卡驱动，获取当前刷新的视频帧对应内存区域中的索引地址(记为ptr)，并读取ptr。进而，根据视频分辨率，比如宽度w、高度h、通道数量channel，以ptr为起始地址从内存区域中读取一维数组arr，该一维数组的长度为len。其中，len＝w×h×channel。具体而言，假设彩色图像由红、绿、蓝三个颜色通道组成，即通道数量为3。假设每个颜色通道的像素值都采用0至255之间的整数表示。基于此，大小为(h，w)的彩色图像的每个像素值可表示为：张量(3，h，w)。
另一可选实施例中，待优化的腹腔镜图像也可以是由内窥镜设备采集并上传至云端的，以便后续调用统一的云服务执行图像优化处理，进一步降低内窥镜设备的改造成本。这种处理方式适用于对实时性要求不高的应用场景中，例如，内窥镜检查之后的病例分析场景、医学研究的辅助场景等。
步骤S102，基于腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务。
其中，图像变化特征基于腹腔镜图像中连续的多个图像帧得到，图像优化任务用于调整腹腔镜图像中的图像参数，图像参数的目标数值随图像变化特征的数值变化而变化。
步骤S103，执行目标任务，以优化腹腔镜图像的视觉效果。
作为一个可选的实施例，上述步骤S102中基于腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务的步骤，参见图2，可以实现为以下步骤S201至S203：
步骤S201，获取多个图像帧对应的图像参数平均值；
步骤S202，对比图像参数平均值是否超过对应的参数阈值，以得到待调整的目标参数；
步骤S203，从多种图像优化任务中选取目标参数匹配的图像优化任务，作为目标任务。
具体来说，图像变化特征可以根据图像参数的变化趋势来展现，因而，在步骤S201中，监测多个连续图像帧各自对应的图像参数值以及多个连续图像帧对应的时长，进而，基于图像参数在连续图像帧对应时长内的平均值，作为多个图像帧对应的图像参数平均值。此处，图像参数均值能够有效减少噪声因素的影响，从而，更准确地反映出多个连续图像帧对应的时长内图像参数值的真实情况，提升后续图像优化效果。本申请实施例中，图像参数平均值包括但不限于以下之一或多个：亮度参数均值、红色通道值均值、对比度均值、饱和度均值。
值得说明的是，多种图像优化任务可以是根据多种图像参数设置的，每一种图像优化任务均用于调整对应图像参数的具体数值，从而达到改善图像参数对应视觉效果的目的。实际应用中，需要监测的图像参数可以根据应用场景确定，例如，为解决白光镜头过度照明所导致的亮度问题，可以对亮度参数均值进行监测，从而调整亮度参数存在异常的图像区域，改善腹腔镜图像的视觉效果。
以亮度参数为例，在步骤S202中，对比亮度参数平均值是否超出亮度参数上限和亮度参数下限(即参数阈值)。若亮度参数平均值高于亮度参数上限或者低于亮度参数下限，说明当前腹腔镜图像亮度存在异常，因而需要对亮度参数进行调整。此情况下，步骤S203中可以从多种图像优化任务中选取亮度参数匹配的图像优化任务，作为目标任务。若亮度参数平均值处于亮度参数上、下限之间，说明当前腹腔镜图像亮度正常，无需调整亮度参数，可保持监测状态。
通过步骤S201至S203，通过图像参数平均值准确反应出腹腔镜图像中多个图像帧的图像变化特征，以便监测在这些图像帧中需要增强优化的视觉效果，进而，从多种图像优化任务中选取更具有针对性的图像优化任务来调整需要增强的图像参数，提升腹腔镜图像中对应的视觉效果。
举例来说，在执行步骤S201之前，还可以创建以下几个数组，用于实现对亮度参数和红色通道值的监测。即，创建用于记录时间信息的时间数组tA，用于存储一个时间段内亮度参数值的亮度数组briArr，用于存放红色通道均值的单色通道数组rArr，用于亮度参数变化率的变化率数组rateArr。
首先，将腹腔镜图像复制到GPU中，例如采用循环体程序将腹腔镜视频实时复制到GPU的变量Img中。进而，在GPU中将变量Img(即腹腔镜图像)分离红绿蓝三个颜色通道值各自对应的颜色通道值矩阵。其中，三个颜色通道值矩阵分别记为rA、gA、bA，表示为：
rA(x,y)＝Img(x,y,0)
gA(x,y)＝Img(x,y,1)
bA(x,y)＝Img(x,y,2)
分别对上述三个颜色通道值矩阵rA、gA、bA进行求平均值的计算，得到各自对应的颜色通道均值rAvg、rAvg和bAvg。计算过程可表示为如下公式，即：
接着，将红色通道均值rAvg采用尾插入方式添加至红色通道值数组rA中，并同步将当前时间点信息以尾插入方式记录到时间数组tA中。
相关技术中，灰度处理算法通常会将图像先转换为灰度图，再对图像求平均值。本申请实施例中，先对每个颜色通道矩阵进行求平均值的计算处理，因此，可以直接对这些颜色通道矩阵各自的均值相加之后，再求平均，从而得到当前腹腔镜图像对应的亮度参数值briAvg，并将该亮度参数值briAvg以尾插入形式记入亮度参数数组briArr中。上述尾插法的执行过程是，从一个空表开始，重复读入数据，生成新结点，读入数据存放在新结点的数据域中。然后，将新结点插入到当前链表的表尾上，直到读入结束标志为止。其中，此处亮度参数值briAvg计算过程可表示为：
相较于相关技术，本申请实施例中的亮度参数值确定方式，无需进行图像转换，有效节省了用于图像转换的计算资源，进一步提高了图像优化效率。
基于上述示例，在步骤S201中，获取多个图像帧对应的图像参数平均值。假设图像参数为当前图像帧对应的红色通道均值rAvg和亮度参数值briAvg，那么，计算红色通道均值rAvg和亮度参数值briAvg在设定时长内各自对应的平均值。比如，计算红色通道均值rAvg在设定更新时长N秒内的均值R。以及，亮度参数值briAvg在N秒内的均值B。
进而，步骤S202中，对比图像参数平均值是否超过对应的参数阈值，以得到待调整的目标参数。继续上例，根据为红色通道值设置的上限rUp以及下限rLow，判断均值R是否超出红色通道值的设定范围。同样地，根据亮度参数范围的上限K1和下限K2，判断均值B是否超出亮度参数值的设定范围。
接着，步骤S203中，从多种图像优化任务中选取目标参数匹配的图像优化任务，作为目标任务。基于上例，如果均值R或均值B超出对应范围，则将针对红色通道值或亮度参数的参数调节任务作为目标任务。如果均值R或均值B处于对应范围内，则将针对红色通道值或亮度参数的参数还原任务作为目标任务。
从而，通过上述步骤，可以确定腹腔镜图像中需要调整的红色通道值或亮度参数，进一步提升图像优化任务的针对性，提升图像优化效果。
进一步地，在获取上文介绍的图像参数之后，还可以在显示设备中展示图像参数的变化趋势(即图像变化特征)。仍以上文介绍的图像参数为例，读取数组tA中记录的时间点信息，判断是否满足显示条件。若当前时刻距离开始时刻达到预定显示时长(如设定为每隔N秒进行刷新和更新)，那么，将数组tA中的各个时刻信息作为坐标系的横轴，并将亮度参数值briAvg和红色通道均值rAvg作为坐标系的纵轴，在目标界面中显示该坐标系以及对应的变化曲线。若当前时刻距离开始时刻未达到预定显示时长(如N秒)，那么，继续等待。其中，目标界面包括但不限于：医疗设备的主显示器、副显示器、远程终端、设备监控液晶、OLED显示屏。示例性地，用于展示亮度参数值briAvg和红色通道均值rAvg的目标界面可以实现为图3所展示的界面。图3中，纵轴为亮度值(Brightness)，横轴为帧编号(FrameNumber)，亮度参数值briAvg和红色通道均值rAvg的变化趋势分别对应于图3示出的波形。
此外，还可以进一步对图像参数的变化率进行展示。在完成计算亮度参数值briAvg之后，将当前图像帧对应的亮度参数值briAr1与上一图像帧对应的亮度参数值briAr0相除，得到亮度参数值的变化率rate。此处计算过程可以表示为：rate＝briAr1/briAr0。
进而，将亮度参数值的变化率rate以尾插入形式添加至数组rateArr。同样地，可以在目标界面中展示该亮度参数值的变化率rate的变化趋势，即以数组rateArr中各个变化率rate作为坐标系的纵轴，将数组tA中各个时刻信息作为坐标系的横轴，在目标界面中显示该坐标系以及对应的变化曲线。示例性地，用于展示亮度参数值变化率rate的目标界面可以实现为图4所展示的界面。图4中，纵轴为亮度参数值变化率rate，横轴为帧编号(Frame Number)，亮度参数值变化率rate的变化趋势对应于图4示出的波形。
进一步地，在图像参数更新并显示之后，可以周期性清除上述数组中记录的数值，从而，便于在定长范围内显示图像参数的变化趋势以及相关图像参数值。
实际应用中，为使腹腔镜图像的视觉效果过渡得更为自然流畅，图像参数的调整幅度可以参考图像参数平均值以及目标数值来确定。在本申请的一个可选实施例中，上述对比所述图像参数平均值是否超过对应的参数阈值之后，若图像参数平均值超过对应的参数阈值，则还可以确定目标参数的单位变化率，以便及时调整视觉增强过程，保证腹腔镜图像的流畅度。具体来说，参见图5，可执行如下步骤S501至S503：
S501，获取目标参数与参数阈值的差值；
S502，基于目标参数与参数阈值的差值，确定目标参数在每一图像帧中的单位变化率；
S503，基于单位变化率设置目标参数对应的目标数值。
其中，所述目标参数包括但不限于以下参数中的一个或多个：目标亮度参数、红色通道值、对比度、饱和度。
在一可能的示例中，假设需要调整的目标参数是亮度参数。假设目标亮度参数的调整参数为Br0，目标亮度参数的调节值为Br1。此处调节值可以是动态变化的。假设k为下一个图像参数调整周期所包含的图像帧的数量。
基于上述假设，若当前目标任务为针对亮度参数的参数还原任务，那么，接下来每个图像帧对应的亮度参数调节值_Br(即单位变化率)。如果当前亮度参数Br达到目标调整值Br0，则调节停止亮度参数。此处可表示为如下公式：
Br＝Br-_Br
若当前目标任务为针对亮度参数的参数调节任务，那么，如果当前亮度参数Br高于设置阈值范围上限K2，则接下来每个图像帧对应的亮度参数调节值_Br(即单位变化率)。如果当前亮度参数Br达到了调整值Br1，即可调节停止亮度参数。此处可表示为如下公式：
Br＝Br+_Br
如果当前亮度参数Br低于设置阈值范围下限K1，则接下来每个图像帧对应的亮度参数调节值_Br，如果当前亮度参数Br达到了调整值Br1，即可调节停止亮度参数。此处可表示为如下公式：
Br＝Br-_Br
从而，通过上述两种任务可以设置不同的单位变化率对处于不同状态下的亮度参数进行调整，将当前亮度参数平滑过度到目标亮度参数。
另一示例中，假设需要调整的目标参数是红色通道值。假设目标红色通道的调整参数为P0，目标红色通道值的调节值为P1。假设k为下一个图像参数调整周期所包含的图像帧的数量。
如果当前目标任务为针对红色通道值的参数调节任务，则接下来每个图像帧对应的红色通道调节值_P(即单位变化率)。如果当前红色通道值P达到调整值P1，即可调节停止红色通道值。此处可表示为如下公式：
P＝P+_P
如果当前目标任务为针对红色通道值的参数还原任务，则接下来每个图像帧对应的红色通道调节值_P(即单位变化率)。如果当前红色通道值P达到调整值P0，即可调节停止红色通道值。此处可表示为如下公式：
P＝P-_P
从而，通过上述两种任务可以设置不同的单位变化率对处于不同状态下的红色通道值进行调整，将当前红色通道值平滑过度到目标红色通道值。
另一可选实施例中，也可以直接设置目标参数对应的目标数值，以便控制腹腔镜图像中视觉效果的优化过程。具体来说，可以操作硬件模块调整目标参数对应的目标数值。硬件模块包括但不限于：触摸屏、设备硬件按钮、鼠标、键盘、旋钮、滑块，等等。例如，假设目标参数是目标亮度参数Br以及红色通道补偿参数P，那么，上述两个参数的调整可以通过触摸屏所显示的交互控件实现。例如，通过触控屏中的滑动条控制两个参数。或者，也可以通过设备键盘或者软键盘，直接输入上述两个参数的具体数值。此外，在其他可选实施例中，还可以采用机械装置(例如滑块、旋转齿轮、拉杆等装置)来控制上述两个参数。
步骤S103，执行目标任务，以优化腹腔镜图像的视觉效果。
本申请实施例中所要执行的目标任务，包括但不限于：暗区调整任务、高亮抑制任务(或称为动态补光任务)、反光点消除任务、防红溢出任务。作为本申请的一个可选实施例，上述执行目标任务的步骤可以实现为：采用伽马映射数组对所述腹腔镜图像进行非线性变化处理，得到第一图像矩阵，该伽马映射数组基于预设的伽马参数变换得到；采用目标亮度参数调整所述第一图像矩阵，到得第二图像矩阵；和/或，基于所述第一图像矩阵中的反光点元素，对所述第一图像矩阵进行反光点消除处理，得到第三图像矩阵；和/或，基于预设的通道数量取值范围，调整所述第一图像矩阵中红色通道的数量，得到第四图像矩阵。
可以理解的是，为了提高处理速度，节省CPU的计算资源，上述图像优化任务均可以在GPU中执行。上述图像优化任务均可以独立执行，也可以组合执行。举例来说，假设组合执行上述图像优化任务，那么，在一个线程中顺序执行上述四个图像优化任务，执行顺序例如是：暗区调整任务、高光抑制/动态补光任务、反光点消除任务、防红溢出任务。
下面分别介绍如何实现上述四个图像优化任务。
首先，结合具体示例介绍对腹腔镜图像执行的暗区调整任务。
在腹腔镜手术过程中，光源照明装置通常安排在内窥镜的镜头上，距离镜头越近，光线越亮，距离越远，光线越亮。当有器官或组织遮挡时，光线遮挡物后就会产生阴影，腹腔镜图像中处于阴影中的区域即为本申请中涉及的暗区。而暗区改善是指单独对暗区亮度进行提升，而不是对腹腔镜图像整体的亮度进行提升。否则，对腹腔镜图像整体进行亮度提升容易出现白雾现象。因此，本申请实施例中，提供了一种暗区调整任务，用以实现上述需求。即，基于伽马参数采用非线性变换算法对腹腔镜图像中的暗区亮度进行提升。
在本实施方式的一个实施例中，所述采用伽马映射数组对所述腹腔镜图像进行非线性变化处理之前，还可以获取预先设置的伽马参数。进而，对所述伽马参数进行量化处理，将处理后的伽马标准参数构建为伽马映射数组。进而，将所述伽马映射数组输入到GPU中。为进一步减少计算量，伽马映射数组通常不会重新生成，并在生成之后传入GPU中作为暗区调整的亮度调整标准。
本申请实施中，所述伽马参数用于表示所述腹腔镜图像中图像亮度的非线性变化趋势。简单来说，伽马参数是一个用来描述图像亮度非线性变化的参数。在数字图像处理中，伽马参数通常用来描述显示设备的亮度响应曲线，而显示设备的亮度响应曲线是指输出亮度与输入亮度之间的关系。在显示设备的亮度响应曲线中，伽马值越大，显示设备的亮度响应曲线就越陡峭，图像亮度变化就越明显。可以理解的是，本申请实施例中，所述伽马参数的数值越大，所述腹腔镜图像的对比度越大。
进而，获取到伽马映射数组之后，上文介绍的暗区调整任务中，可以采用伽马映射数组对所述腹腔镜图像进行非线性变化处理，得到第一图像矩阵，从而实现对腹腔镜图像中的暗区亮度提升。具体来说，通过GPU将所述腹腔镜图像从矩阵形式压缩为一维数组形式，得到第一一维图像数组；将所述第一一维图像数组映射到所述伽马映射数组中，得到第二一维图像数组；将所述第二一维图像数组从一维数组形式还原为矩阵形式，得到所述第一图像矩阵；所述第一图像矩阵的行列数与所述腹腔镜图像的行列数一致。这样，通过伽马映射数组以及上述映射过程，可以将腹腔镜图像对应的图像数组中各个暗区元素的亮度调整到正常范围内，而不改变本属于正常范围内的元素的亮度，从而，达到在不改变腹腔镜图像整体亮度的情况下，单独对腹腔镜中组织器官或其他组织遮挡造成的暗区进行改善的效果。
进一步可选地，上述通过GPU将所述腹腔镜图像从矩阵形式压缩为一维数组形式，得到第一一维图像数组的步骤，可以实现为：将所述腹腔镜图像中每一行的收尾元素拼接到下一行的起始元素处，以构建得到所述第一一维图像数据。
示例性地，读取γ变量中指定的伽马值(即预先设置的伽马参数)，然后通过将伽马值除以100来计算伽马标准参数gr，量化过程可表示为如下公式：
进而，通过以下公式，基于伽马标准参数gr，生成一个伽马映射数组line，并传入GPU中。伽马映射数组的生成过程可表示为如下公式：
在获取到伽马映射数组之后，在GPU中将腹腔镜图像Img中每一行收尾元素拼接到下一行的起始元素处，比如将首行中的收尾元素im1n拼接到第二行的起始元素im21处，从而，将腹腔镜图像Img压缩至第一一维数组imFlat，上述过程表示为如下公式：
接着，在GPU中将第一一维图像数组imFlat中各个元素映射到伽马映射数组line中，得到第二一维图像数组lines，上述过程表示为如下公式：
将第二一维图像数组lines按照腹腔镜图像Img中行数m和列数n还原为第一图像矩阵。具体地，在GPU中按每行m个元素对第二一维图像数组lines进行复制，直到复制得到n列，最终还原为第一图像矩阵I，即：
相对于相关技术，本申请实施例中的暗区调整任务，无需对腹腔镜图像进行归一化和反归一化操作，并且全程在GPU进行处理，伽马映射数组line也仅生成一次。从而，在大大减少暗区调整任务中非线性算法的计算量的情况下，使用GPU可以对腹腔镜图像进行批量运算，提升了腹腔镜图像的处理速度。
其次，结合具体示例介绍对腹腔镜图像执行的高亮抑制任务。或者也可称为动态补光任务。
由于腹腔镜手术中的内窥镜的光线亮度是由内窥镜主机去设置的，但手术在进行中临时遇到了局部出血或临时进行一些补救操作，内窥镜图像下背景的亮度也会发生一些变化。然而，在这种临时性的操作下，调整主机参数实现亮度补偿，不仅操作复杂，还会影响后续手术过程中的亮度参数。因而，本申请实施例中，针对上述情况，提供了一种高量抑制任务，或动态补光任务，用于自动对腹腔镜图像的背景亮度进行高亮抑制和动态补光。
在本实施方式的一个实施例中，上文介绍的高亮抑制任务/动态补光任务中，采用目标亮度参数调整所述第一图像矩阵，到得第二图像矩阵。
具体来说，获取当前设置的目标亮度参数；对所述目标亮度参数进行量化处理，并将处理后的目标亮度参数与所述第一图像矩阵中各个元素相乘，以得到所述第一图像矩阵中各个元素对应的乘积；按照预设的取色范围，对所述第一图像矩阵中各个元素对应的乘积进行取整处理，得到所述第二图像矩阵。
示例性地，读取需要设置的目标亮度参数Br(即当前设置的目标亮度参数)。进而，对目标亮度参数Br进行量化处理，并将处理后的目标亮度参数Br与所述第一图像矩阵I中各个元素相乘，以得到所述第一图像矩阵I中各个元素对应的乘积ImgBr。值得说明的是，如果在此任务之前腹腔镜图像经历过暗区调整任务，则处理对象为第一图像矩阵I；如果在此任务之前没有经历过暗区调整任务或其他图像优化任务，则处理对象仍为腹腔镜图像Img。上述过程可表示为如下公式：
ImgBr＝I*(1+Br/255)
进而，按照预设的取色范围，对所述第一图像矩阵中各个元素对应的乘积ImgBr进行取整处理，得到所述第二图像矩阵ImgBr(x，y)。
具体地，由于上述计算结果ImgBr中会出现小数，而色值的取值范围是0到255的整数，所以还需要通过round函数对计算结果ImgBr进行四舍五入取整操作。具体公式如下：
ImgBr(x,y)＝round(ImgBr(x,y))
对于上述公式中的计算结果ImgBr，进一步可选地，还可查询计算结果ImgBr中每个元素对应的红绿蓝三个颜色通道值。若颜色通道值大于预设上限数值(比如255)，则将当前颜色通道值设置为255。若颜色通道值小于预设下限数值(比如0)，则将当前颜色通道值设置为0。这样，有助于避免计算结果ImgBr中出现异常显示的情况，修正动态补光或高光抑制处理之后出现的图像噪声，提升显示效果。
相对于相关技术，本申请实施例中的高亮抑制任务/动态补光任务，全程在GPU进行处理，通过随着图像变化特征动态调整的目标亮度参数，在使用GPU对腹腔镜图像进行批量运算的情况下，有效提升了腹腔镜图像中的亮度处理效果，加快了腹腔镜图像的处理速度。
再次，结合具体示例介绍对腹腔镜图像执行的反光点消除任务。
在腹腔镜镜头下，只要是在腹腔镜中的操作，内窥镜镜头下的光源照射到任何表面湿润的器官和组织都会产生反光点，影响手术医生在手术腔内的观察质量。而规模较大的反光点(比如肝脏、腹壁)，会对医生的观察造成严重干扰。而亮度调整通常是针对整体腹腔镜图像的，虽然能够降低腹腔镜图像的亮度，使反光点消失，但同时也会损失较多有效画面信息。因而，本申请实施例中，提出了一种反光点消除任务，用于在不改变整体亮度的情况下，单独对腹腔镜图像中的反光点进行实时高速的消除处理，从而降低反光点(尤其是规模较大的反光点)对腹腔镜手术的干扰。
在本实施方式的一个实施例中，上文介绍的反光点消除任务中，基于所述第一图像消除矩阵中的反光点元素，对所述第一图像矩阵进行反光点消除处理，得到第三图像矩阵。具体来说，从所述第一图像矩阵中提取反光点元素，得到反光点遮罩图；所述反光点遮罩图包括反光点元素和无反光元素；扩大所述反光点遮罩图中的反光点元素所占的像素区域，并对扩大后的反光点元素进行模糊处理，得到模糊掩码；采用所述模糊掩码提取所述腹腔镜图像中包含反光点的第一待处理图像以及不包含反光点的第二待处理图像；降低所述第一待处理图像的对比度和饱和度；将降低对比度和饱和度之后的第一待处理图像，与所述第二待处理图像进行叠加，得到所述第三图像矩阵。
上述实施例中，从所述第一图像矩阵中提取反光点元素，得到反光点遮罩图的一种可选实现方式，可以是：将所述第一图像矩阵从红绿蓝(Red Green Blue，RGB)格式转换到色相饱和度色明度(Hue Saturation Value，HSV)格式；将转换后的第一图像矩阵中的各个元素按照HSV分离为三个通道值，得到HSV空间矩阵；基于预先设置的HSV阈值，分别对比各个元素在所述HSV空间矩阵中对应的三个通道值，并选取三个通道值超出所述HSV阈值的元素，作为所述反光点元素；基于所述反光点元素构建二值化图像，作为所述反光点遮罩图。
示例性地，在GPU中将第一图像矩阵从RGB格式的图像矩阵转为HSV格式的图像矩阵，进而，在HSV空间中按照通道类型将各个元素分解为H、S、V三个通道值，并存储到各通道对应的矩阵元素中。
预先设置参数lowB和参数upB作为HSV阈值，对HSV空间图像中的反光点特征进行提取，最终得到反光点掩码mask(即反光点遮罩图)。反光点掩码mask的获取过程表示为如下公式：
其中，参数lowB和参数upB分别用于表示阈值范围的下限和上限。实际上，lowB是一个三元组[lowH，lowS，lowV]，而upB是一个三元组[upH，upS，upV]。上述公式中，符号≤用于表示逐个元素比较的操作，即将每一元素在HSV空间中的三个通道值分别于阈值范围的上下限作比较，即lowH≤H(i,j)、lowS≤S(i,j)、lowV≤V(i,j)以及H(i,j)≤upH、S(i,j)≤upS、V(i,j)≤upV。若元素处于阈值范围内，将该元素设置为二值化图像中的白色元素，即高亮掩码。若元素不处于阈值范围内，将该元素设置为二值化图像中的黑色元素。该二值化图像即反光点掩码mask。示例性地，反光点掩码mask的效果如图6所示。
进而，通过膨胀算法扩大反光点掩码mask中高亮掩码的白色部分面积。上述过程表示为如下公式：
Gmask(x,y)＝max[(s,t)∈S]mask(x+s,y+t)
其中，mask为初始的反光点掩码，Gmask为膨胀后的多膨胀掩码，S为结构元素，s和t分别为结构素的行和列偏移量。
接着，通过卷积元操作多膨胀掩码Gmask进行模糊处理，得到模糊掩码blur。上述过程表示为如下公式：
其中，blur(x，y)表示多膨胀掩码Gmask中像素(x，y)经过模糊处理得到的输出值，Gmask(i+x，j+y)表示多膨胀掩码Gmask中像素(x，y)像素经过膨胀之后的数值，k表示模糊核的半径，ks表示用于模糊处理的卷积核中元素的数量，即ks＝(2k+1)^2。
将模糊掩码blur和第一图像矩阵I进行按位和运算，得到第一图像矩阵中反光点部分的分量I1，过程如下：
I1(x,y)＝blur(x,y)AND I(x,y)
其中，blur(x，y)表示模糊掩码blur中(x，y)像素的值，I(x，y)表示第一图像矩阵I中像素(x，y)的值，I1(x，y)表示输出图像中像素(x，y)的值。模糊掩码blur为二值化图像，表示在计算时要考虑的像素位置。即，若mask(x，y)＝255，则表示像素(x，y)可进行上述和运算；若mask(x,y)＝0，则表示像素(x，y)无需进行上述和运算。
采用如下公式对分量I1进行计算，以同步调整分量I1的对比度和饱和度。具体公式如下：
G(x,y)＝JC[α·I1(x,y)+β]·z
上述公式中，I1(x，y)表示分量I1中像素(x，y)的值，G(x，y)表示输出图像中像素(x，y)的值，α、β和z作为预先设置的输入参数。上述公式中，JC函数表示将I1(x，y)进行如下公式所示的转换：
J(x,y)＝round(I(x,y))
G(x,y)＝clip(J(x,y),0,255)
其中，round函数用于对浮点数I(x，y)进行取整，clip函数用于将J(x，y)限制在[0,255]范围内。G(x，y)表示输出图像中(x,y)像素的值，clip函数用于对J(x，y)计算结果进行范围限制，也即，将相加后的像素值限制在[0，255]范围内，以确保输出图像中的像素值不会超过255或者0。
进而，对第一图像矩阵I和反光点掩码mask按位进行或运算，得到反光点掩码mask中没有高亮部分的分量I2，运算过程参见如下公式：
I2(x,y)＝mask(x,y)OR I(x,y)
示例性地，分量I2的效果参见图7。
对膨胀模糊处理后包含反光点的分量I1和不包含反光点的分量I2进行叠加，将叠加结果重新写入第一图像矩阵I。叠加过程参见如下公式：
I(x,y)＝I1(x,y)AND I2(x,y)
示例性地，叠加结果的效果参见图8。
相对于相关技术，本申请实施例中的反光点消除任务，全程在GPU进行处理，能够在不改变图像整体亮度的情况下，对腹腔镜图像中的反光点进行实时、高速地消除处理，从而降低反光点(尤其是规模较大的反光点)对腹腔镜手术中观察视野的干扰，提高腹腔镜图像的画面质量。
最后，结合具体示例介绍对腹腔镜图像执行的防红溢出任务。
相关技术中，进入腹腔镜体内后，手术进行过程中，需要对患者体内的器官和组织进行解刨，无可避免的会出现出血的情况。而红色较为醒目，容易刺激眼睛，引起视疲劳。因而，本申请实施例中，针对上述情况，提供了一种防红溢出任务，用于对腹腔镜图像中的大面积出血情况进行处理，避免视觉疲劳。具体来说，分离腹腔镜图像中各个颜色通道值，进而降低红色通道值，达到降低腹腔镜图像中红色份量的目的。
在本实施方式的一个实施例中，上文介绍的防红溢出任务中，基于预设的通道数量取值范围，调整所述第一图像矩阵中红色通道的数量，得到第四图像矩阵。示例性地，防红溢出任务处理前的效果如图9，处理后的效果如图10。
具体来说，将所述第一图像矩阵中的各个元素按照RGB分离为三个颜色通道值，得到RGB空间矩阵；基于预设的红色通道值的取值范围，分别对比各个元素在所述RGB空间中对应的红色通道值，并调整红色通道值超出所述取值范围的元素，使所述元素的红色通道值处于所述取值范围；重新合成调整后的RGB空间矩阵中各个元素的三个颜色通道值，得到所述第四图像矩阵。
示例性地，将第一图像矩阵分离为RGB三个颜色通道，分别对应红绿蓝三个颜色。值得说明的是，如果在此任务之前腹腔镜图像经历过暗区调整任务，则处理对象为第一图像矩阵I；如果在此任务之前腹腔镜图像经历过高光抑制任务或动态补光任务，则处理对象为第二图像矩阵ImgBr；如果在此任务之前腹腔镜图像经历过反光点消除任务，则处理对象为第三图像矩阵；如果在此任务之前没有经历过其他图像优化任务，则处理对象为腹腔镜图像Img。上述分离过程可表示为如下公式：
r(x,y)＝I(x,y,0)
g(x,y)＝I(x,y,1)
b(x,y)＝I(x,y,2)
进而，基于上述分离矩阵，降低或恢复红色通道数值。具体地，可以将r(x,y)中的红色通道数值与参数p按位进行和运算，如果运算得到的p为负数，则进一步判断当前红色通道值是否小于0或大于255(即基于预设的红色通道值的取值范围，分别对比各个元素在所述RGB空间中对应的红色通道值)。如果当前红色通道值小于0，则将当前红色通道值设置为0；如果当前红色通道值大于255，则将当前红色通道值设置为255。
进而，处理完所有元素之后，重新合成各个元素的三个颜色通道值，并重新合并为腹腔镜图像I。上述过程表示为如下公式：
I(x,y,0)＝r(x,y)
I(x,y,1)＝g(x,y)
I(x,y,2)＝b(x,y)
相较于相关技术，本申请实施例中的防红溢出任务，能够对腹腔镜图像中的大面积出血情况进行处理，有效降低异常出血等情况下腹腔镜图像中的红色份量，避免视觉疲劳，降低手术失败率。
以上所有图像优化任务的处理都在GPU中进行运算，当执行完上述一个或多个图像优化任务之后，将处理得到的腹腔镜图像从GPU传输回到CPU中。
值得说明的是，本申请实施例中为进一步提高图像优化效率，保证腹腔镜图像的实时性，实现高效的腹腔镜图像后处理流程，可以采用多线程实现上文介绍的各个步骤。
作为一个可选实施例，创建两个线程分别用于实现不同步骤。参见图11，第一线程用于实现步骤S102，确定需要执行的目标任务，从而，实现图像优化任务的动态调度。第二线程用于实现步骤S103，在第一线程的实时调度下，执行目标任务，完成对腹腔镜图像的优化。目标任务的类型和执行顺序均为示例，此处并不限制。
进一步地，为了进一步提高图像优化效率，还可以基于不同类型的图像优化任务设置更多线程，从而，由第一线程调度其他多个线程同时执行不同类型的图像优化任务，进一步提高图像优化效率。
本申请实施例，结合腹腔镜图像的图像变化特征自动执行匹配的图像优化任务，实现了对腹腔镜图像的视觉效果的自动优化，降低病变漏诊或误诊的概率，辅助提高腹腔镜手术的精确度和成功率。并且，通过上述实施例无需更新升级硬件即可优化腹腔镜图像的视觉效果，大大降低内窥镜设备的改造成本，有利于内窥镜设备的普及、推广。
在介绍了本申请示例性实施方式的方法之后，接下来，参考图12对本申请示例性实施方式的一种图像优化装置进行说明，该装置包括：
获取单元1201，用于获取待优化的腹腔镜图像；所述腹腔镜图像由白光镜头采集得到；
确定单元1202，用于基于所述腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务；其中，所述图像变化特征基于所述腹腔镜图像中连续的多个图像帧得到；所述图像优化任务用于调整所述腹腔镜图像中的图像参数；所述图像参数的目标数值随所述图像变化特征的数值变化而变化；
执行单元1203，用于执行所述目标任务，以优化所述腹腔镜图像的视觉效果。
作为一种可选的实施方式，所述执行单元1203，被配置为：
采用伽马映射数组对所述腹腔镜图像进行非线性变化处理，得到第一图像矩阵；所述伽马映射数组基于预设的伽马参数变换得到；
采用目标亮度参数调整所述第一图像矩阵，到得第二图像矩阵；和/或，基于所述第一图像矩阵中的反光点元素，对所述第一图像矩阵进行反光点消除处理，得到第三图像矩阵；和/或，基于预设的通道数量取值范围，调整所述第一图像矩阵中红色通道的数量，得到第四图像矩阵。
作为一种可选的实施方式，所述执行单元1203，还被配置为：
在采用伽马映射数组对所述腹腔镜图像进行非线性变化处理之前，获取预先设置的伽马参数；所述伽马参数用于表示所述腹腔镜图像中图像亮度的非线性变化趋势；所述伽马参数的数值越大，所述腹腔镜图像的对比度越大；对所述伽马参数进行量化处理，并将处理后的伽马标准参数构建为伽马映射数组；将所述伽马映射数组输入到GPU中。
所述执行单元1203在采用伽马映射数组对所述腹腔镜图像进行非线性变化处理，得到第一图像矩阵时，被配置为：
通过GPU将所述腹腔镜图像从矩阵形式压缩为一维数组形式，得到第一一维图像数组；将所述第一一维图像数组映射到所述伽马映射数组中，得到第二一维图像数组；将所述第二一维图像数组从一维数组形式还原为矩阵形式，得到所述第一图像矩阵；所述第一图像矩阵的行列数与所述腹腔镜图像的行列数一致。
作为一种可选的实施方式，所述执行单元1203通过GPU将所述腹腔镜图像从矩阵形式压缩为一维数组形式，得到第一一维图像数组时，被配置为：
所述腹腔镜图像中每一行的收尾元素拼接到下一行的起始元素处，以构建得到所述第一一维图像数据。
作为一种可选的实施方式，所述执行单元1203采用目标亮度参数调整所述第一图像矩阵，到得第二图像矩阵时，被配置为：
获取当前设置的目标亮度参数；对所述目标亮度参数进行量化处理，并将处理后的目标亮度参数与所述第一图像矩阵中各个元素相乘，以得到所述第一图像矩阵中各个元素对应的乘积；按照预设的取色范围，对所述第一图像矩阵中各个元素对应的乘积进行取整处理，得到所述第二图像矩阵。
作为一种可选的实施方式，所述执行单元1203基于所述第一图像矩阵中的反光点元素，对所述第一图像矩阵进行反光点消除处理，得到第三图像矩阵时，被配置为：
从所述第一图像矩阵中提取反光点元素，得到反光点遮罩图；所述反光点遮罩图包括反光点元素和无反光元素；扩大所述反光点遮罩图中的反光点元素所占的像素区域，并对扩大后的反光点元素进行模糊处理，得到模糊掩码；采用所述模糊掩码提取所述腹腔镜图像中包含反光点的第一待处理图像以及不包含反光点的第二待处理图像；降低所述第一待处理图像的对比度和饱和度；将降低对比度和饱和度之后的第一待处理图像，与所述第二待处理图像进行叠加，得到所述第三图像矩阵。
作为一种可选的实施方式，所述执行单元1203从所述第一图像矩阵中提取反光点元素，得到反光点遮罩图时，被配置为：
将所述第一图像矩阵从RGB格式转换到HSV格式；将转换后的第一图像矩阵中的各个元素按照HSV分离为三个通道值，得到HSV空间矩阵；基于预先设置的HSV阈值，分别对比各个元素在所述HSV空间矩阵中对应的三个通道值，并选取三个通道值超出所述HSV阈值的元素，作为所述反光点元素；基于所述反光点元素构建二值化图像，作为所述反光点遮罩图。
作为一种可选的实施方式，所述执行单元1203基于预设的通道数量取值范围，调整所述第一图像矩阵中红色通道的数量，得到第四图像矩阵时，被配置为：
将所述第一图像矩阵中的各个元素按照RGB分离为三个颜色通道值，得到RGB空间矩阵；基于预设的红色通道值的取值范围，分别对比各个元素在所述RGB空间中对应的红色通道值，并调整红色通道值超出所述取值范围的元素，使所述元素的红色通道值处于所述取值范围；重新合成调整后的RGB空间矩阵中各个元素的三个颜色通道值，得到所述第四图像矩阵。
作为一种可选的实施方式，所述确定单元1202，被配置为：
获取所述多个图像帧对应的图像参数平均值；所述图像参数平均值包括亮度参数均值和/或红色通道值均值；对比所述图像参数平均值是否超过对应的参数阈值，以得到待调整的目标参数；从所述多种图像优化任务中选取所述目标参数匹配的图像优化任务，作为所述目标任务。
作为一种可选的实施方式，所述确定单元1202，还被配置为：
对比所述图像参数平均值是否超过对应的参数阈值，以得到待调整的目标参数之后，若所述图像参数平均值超过对应的参数阈值，则获取所述目标参数与所述参数阈值的差值；基于所述目标参数与所述参数阈值的差值，确定所述目标参数在每一图像帧中的单位变化率；基于所述单位变化率设置所述目标参数对应的目标数值；其中，所述目标参数包括以下之一或多个：目标亮度参数、红色通道值、对比度、饱和度。
本申请实施例中，通过图像优化装置，结合腹腔镜图像的图像变化特征自动执行匹配的图像优化任务，实现了对腹腔镜图像的视觉效果的自动优化，降低病变漏诊或误诊的概率，辅助提高腹腔镜手术的精确度和成功率。并且，通过上述实施例无需更新升级硬件即可优化腹腔镜图像的视觉效果，大大降低内窥镜设备的改造成本。
在介绍了本申请示例性实施方式的方法和装置之后，接下来，参考图13对本申请示例性实施方式的计算机可读存储介质进行说明，请参考图13，其示出的计算机可读存储介质为光盘100，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会实现上述方法实施方式中所记载的各步骤，例如，获取待优化的腹腔镜图像；所述腹腔镜图像由白光镜头采集得到；基于所述腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务；其中，所述图像变化特征基于所述腹腔镜图像中连续的多个图像帧得到；所述图像优化任务用于调整所述腹腔镜图像中的图像参数；所述图像参数的目标数值随所述图像变化特征的数值变化而变化；执行所述目标任务，以优化所述腹腔镜图像的视觉效果。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
在介绍了本申请示例性实施方式的方法、介质和装置之后，接下来，参考图14对本申请示例性实施方式的用于图像优化的计算设备。
图14示出了适于用来实现本申请实施方式的示例性计算设备110的框图，该计算设备110可以是计算机系统或服务器。图14显示的计算设备110仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图14所示，计算设备110的组件可以包括但不限于：一个或者多个处理器或者处理单元1101，系统存储器1102，连接不同系统组件(包括系统存储器1102和处理单元1101)的总线1103。
计算设备110典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算设备110访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器1102可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)11021和/或高速缓存存储器11022。计算设备110可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM11023可以用于读写不可移动的、非易失性磁介质(图14中未显示，通常称为“硬盘驱动器”)。尽管未在图14中示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线1103相连。系统存储器1102中可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块11024的程序/实用工具11025，可以存储在例如系统存储器1102中，且这样的程序模块11024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块11024通常执行本申请所描述的实施例中的功能和/或方法。
计算设备110也可以与一个或多个外部设备1104(如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(I/O)接口1105进行。并且，计算设备110还可以通过网络适配器1106与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图14所示，网络适配器1106通过总线1103与计算设备110的其它模块(如处理单元1101等)通信。应当明白，尽管图14中未示出，可以结合计算设备110使用其它硬件和/或软件模块。
处理单元1101通过运行存储在系统存储器1102中的程序，从而执行各种功能应用以及数据处理，例如，获取待优化的腹腔镜图像；所述腹腔镜图像由白光镜头采集得到；基于所述腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务；其中，所述图像变化特征基于所述腹腔镜图像中连续的多个图像帧得到；所述图像优化任务用于调整所述腹腔镜图像中的图像参数；所述图像参数的目标数值随所述图像变化特征的数值变化而变化；执行所述目标任务，以优化所述腹腔镜图像的视觉效果。各步骤的具体实现方式在此不再重复说明。应当注意，尽管在上文详细描述中提及了图像优化装置的若干单元/模块或子单元/子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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通信接口，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。
所述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例方案的目的。
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。
所述功能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，可以存储在一个处理器可执行的非易失的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，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
Claims (10)
1.一种图像优化方法，其特征在于，包括：
获取待优化的腹腔镜图像；所述腹腔镜图像由白光镜头采集得到；
基于所述腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务；其中，所述图像变化特征基于所述腹腔镜图像中连续的多个图像帧得到；所述图像优化任务用于调整所述腹腔镜图像中的图像参数；所述图像参数的目标数值随所述图像变化特征的数值变化而变化；
执行所述目标任务，以优化所述腹腔镜图像的视觉效果。
2.根据权利要求1所述的方法，其特征在于，所述执行所述目标任务，包括：
采用伽马映射数组对所述腹腔镜图像进行非线性变化处理，得到第一图像矩阵；所述伽马映射数组基于预设的伽马参数变换得到；
采用目标亮度参数调整所述第一图像矩阵，到得第二图像矩阵；和/或
基于所述第一图像矩阵中的反光点元素，对所述第一图像矩阵进行反光点消除处理，得到第三图像矩阵；和/或
基于预设的通道数量取值范围，调整所述第一图像矩阵中红色通道的数量，得到第四图像矩阵。
3.根据权利要求2所述的方法，其特征在于，所述采用伽马映射数组对所述腹腔镜图像进行非线性变化处理之前，所述方法还包括：
获取预先设置的伽马参数；所述伽马参数用于表示所述腹腔镜图像中图像亮度的非线性变化趋势；所述伽马参数的数值越大，所述腹腔镜图像的对比度越大；
对所述伽马参数进行量化处理，并将处理后的伽马标准参数构建为伽马映射数组；
将所述伽马映射数组输入到GPU中；
所述采用伽马映射数组对所述腹腔镜图像进行非线性变化处理，得到第一图像矩阵，包括：
通过GPU将所述腹腔镜图像从矩阵形式压缩为一维数组形式，得到第一一维图像数组；
将所述第一一维图像数组映射到所述伽马映射数组中，得到第二一维图像数组；
将所述第二一维图像数组从一维数组形式还原为矩阵形式，得到所述第一图像矩阵；所述第一图像矩阵的行列数与所述腹腔镜图像的行列数一致。
4.根据权利要求3所述的方法，其特征在于，所述通过GPU将所述腹腔镜图像从矩阵形式压缩为一维数组形式，得到第一一维图像数组，包括：
将所述腹腔镜图像中每一行的收尾元素拼接到下一行的起始元素处，以构建得到所述第一一维图像数据。
5.根据权利要求2所述的方法，其特征在于，所述采用目标亮度参数调整所述第一图像矩阵，到得第二图像矩阵，包括：
获取当前设置的目标亮度参数；
对所述目标亮度参数进行量化处理，并将处理后的目标亮度参数与所述第一图像矩阵中各个元素相乘，以得到所述第一图像矩阵中各个元素对应的乘积；
按照预设的取色范围，对所述第一图像矩阵中各个元素对应的乘积进行取整处理，得到所述第二图像矩阵。
6.根据权利要求2所述的方法，其特征在于，所述基于所述第一图像矩阵中的反光点元素，对所述第一图像矩阵进行反光点消除处理，得到第三图像矩阵，包括：
从所述第一图像矩阵中提取反光点元素，得到反光点遮罩图；所述反光点遮罩图包括反光点元素和无反光元素；
扩大所述反光点遮罩图中的反光点元素所占的像素区域，并对扩大后的反光点元素进行模糊处理，得到模糊掩码；
采用所述模糊掩码提取所述腹腔镜图像中包含反光点的第一待处理图像以及不包含反光点的第二待处理图像；
降低所述第一待处理图像的对比度和饱和度；
将降低对比度和饱和度之后的第一待处理图像，与所述第二待处理图像进行叠加，得到所述第三图像矩阵。
7.根据权利要求6所述的方法，其特征在于，所述从所述第一图像矩阵中提取反光点元素，得到反光点遮罩图，包括：
将所述第一图像矩阵从红绿蓝RGB格式转换到色相饱和度色明度HSV格式；
将转换后的第一图像矩阵中的各个元素按照HSV分离为三个通道值，得到HSV空间矩阵；
基于预先设置的HSV阈值，分别对比各个元素在所述HSV空间矩阵中对应的三个通道值，并选取三个通道值超出所述HSV阈值的元素，作为所述反光点元素；
基于所述反光点元素构建二值化图像，作为所述反光点遮罩图。
8.一种图像优化装置，其特征在于，包括：
获取单元，用于获取待优化的腹腔镜图像；所述腹腔镜图像由白光镜头采集得到；
确定单元，用于基于所述腹腔镜图像的图像变化特征，从多种图像优化任务中确定待执行的目标任务；其中，所述图像变化特征基于所述腹腔镜图像中连续的多个图像帧得到；所述图像优化任务用于调整所述腹腔镜图像中的图像参数；所述图像参数的目标数值随所述图像变化特征的数值变化而变化；
执行单元，用于执行所述目标任务，以优化所述腹腔镜图像的视觉效果。
9.一种计算机可读存储介质，其特征在于，包括指令，当所述介质在计算机上运行时，使得计算机基于所述指令执行如权利要求1至7中的任一项所述的图像优化方法。
10.一种计算设备，其特征在于，所述计算设备包括：
至少一个处理器、存储器和输入输出单元；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1至7中任一项所述的图像优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310905608.8A CN116977214A (zh) | 2023-07-21 | 2023-07-21 | 图像优化方法、装置、介质和计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310905608.8A CN116977214A (zh) | 2023-07-21 | 2023-07-21 | 图像优化方法、装置、介质和计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116977214A true CN116977214A (zh) | 2023-10-31 |
Family
ID=88478969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310905608.8A Pending CN116977214A (zh) | 2023-07-21 | 2023-07-21 | 图像优化方法、装置、介质和计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116977214A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080158410A1 (en) * | 2006-12-28 | 2008-07-03 | Altek Corporation | Brightness adjusting method |
| CN102984463A (zh) * | 2012-09-14 | 2013-03-20 | 旗瀚科技有限公司 | 图像处理方法及系统 |
| CN109035181A (zh) * | 2017-06-08 | 2018-12-18 | 泰邦泰平科技（北京）有限公司 | 一种基于图像平均亮度的宽动态范围图像处理方法 |
| CN110458768A (zh) * | 2019-07-16 | 2019-11-15 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和可读存储介质 |
| KR20200089410A (ko) * | 2019-01-17 | 2020-07-27 | 정인호 | 최적의 감마보정 기반 저조도 영상 보정방법 |
| US20220261968A1 (en) * | 2020-06-28 | 2022-08-18 | Tencent Technology (Shenzhen) Company Limited | Image optimization method and apparatus, computer storage medium, and electronic device |
| CN115578291A (zh) * | 2022-11-01 | 2023-01-06 | 中国科学院深圳理工大学(筹) | 图像的亮度校正方法、存储介质及电子设备 |
| CN115965603A (zh) * | 2022-12-30 | 2023-04-14 | 苏州中科华影健康科技有限公司 | 内窥镜图像的图像处理方法、装置、终端及可读存储介质 |
| US20230117976A1 (en) * | 2021-10-18 | 2023-04-20 | Pixelworks Semiconductor Technology (Shanghai) Co., Ltd. | Methods and systems for improving a quality of digital images |
| CN116167932A (zh) * | 2022-12-27 | 2023-05-26 | 惠州市德赛西威汽车电子股份有限公司 | 一种图像质量优化方法、装置、设备及存储介质 |
| CN116208862A (zh) * | 2022-12-06 | 2023-06-02 | 杭州魔点科技有限公司 | 一种自适应图像处理方法、系统、电子装置和存储介质 |
| WO2023098251A1 (zh) * | 2021-12-03 | 2023-06-08 | 腾讯音乐娱乐科技（深圳）有限公司 | 图像处理方法、设备及可读存储介质 |
-
2023
- 2023-07-21 CN CN202310905608.8A patent/CN116977214A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080158410A1 (en) * | 2006-12-28 | 2008-07-03 | Altek Corporation | Brightness adjusting method |
| CN102984463A (zh) * | 2012-09-14 | 2013-03-20 | 旗瀚科技有限公司 | 图像处理方法及系统 |
| CN109035181A (zh) * | 2017-06-08 | 2018-12-18 | 泰邦泰平科技（北京）有限公司 | 一种基于图像平均亮度的宽动态范围图像处理方法 |
| KR20200089410A (ko) * | 2019-01-17 | 2020-07-27 | 정인호 | 최적의 감마보정 기반 저조도 영상 보정방법 |
| CN110458768A (zh) * | 2019-07-16 | 2019-11-15 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和可读存储介质 |
| US20220261968A1 (en) * | 2020-06-28 | 2022-08-18 | Tencent Technology (Shenzhen) Company Limited | Image optimization method and apparatus, computer storage medium, and electronic device |
| US20230117976A1 (en) * | 2021-10-18 | 2023-04-20 | Pixelworks Semiconductor Technology (Shanghai) Co., Ltd. | Methods and systems for improving a quality of digital images |
| WO2023098251A1 (zh) * | 2021-12-03 | 2023-06-08 | 腾讯音乐娱乐科技（深圳）有限公司 | 图像处理方法、设备及可读存储介质 |
| CN115578291A (zh) * | 2022-11-01 | 2023-01-06 | 中国科学院深圳理工大学(筹) | 图像的亮度校正方法、存储介质及电子设备 |
| CN116208862A (zh) * | 2022-12-06 | 2023-06-02 | 杭州魔点科技有限公司 | 一种自适应图像处理方法、系统、电子装置和存储介质 |
| CN116167932A (zh) * | 2022-12-27 | 2023-05-26 | 惠州市德赛西威汽车电子股份有限公司 | 一种图像质量优化方法、装置、设备及存储介质 |
| CN115965603A (zh) * | 2022-12-30 | 2023-04-14 | 苏州中科华影健康科技有限公司 | 内窥镜图像的图像处理方法、装置、终端及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| PHILIP J. ALLEN 等: "A Method for Removing Imaging Artifact from Continuous EEG Recorded during Functional MRI", 《DOI:10.1006/NIMG.2000.0599》 * |
| 方丽萍 等: "声分辨扫描光声图像的优化处理", 《光学技术》 * |
| 柯新华 等: "医学摄影图片的网络化管理", 《中国医学教育技术》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533609B (zh) | 适用于内窥镜的图像增强方法、装置和存储介质 | |
| CN109783178B (zh) | 一种界面组件的颜色调整方法、装置、设备和介质 | |
| US20200279373A1 (en) | Ai systems for detecting and sizing lesions | |
| US10467738B2 (en) | Display gray scale curve correction system and method for molybdenum target mammography | |
| US20100141673A1 (en) | Medical imaging viewer | |
| US20220012915A1 (en) | Apparatuses, systems, and methods for managing auto-exposure of image frames depicting signal content against a darkened background | |
| CN108697310B (zh) | 图像处理装置、图像处理方法和记录了程序的介质 | |
| US20240087113A1 (en) | Recording Medium, Learning Model Generation Method, and Support Apparatus | |
| CN111935454B (zh) | 省流量图像流传输方法及电子设备 | |
| CN116977214A (zh) | 图像优化方法、装置、介质和计算设备 | |
| US11361406B2 (en) | Image processing apparatus, image processing method, and non-transitory computer readable recording medium | |
| CN115861147B (zh) | 一种内窥镜暗区域增强方法、装置、电子设备及存储介质 | |
| JP7162744B2 (ja) | 内視鏡用プロセッサ、内視鏡システム、情報処理装置、プログラム及び情報処理方法 | |
| CN117314872A (zh) | 一种视网膜图像的智能分割方法及装置 | |
| US20210042897A1 (en) | Local histogram matching with global regularization and motion exclusion for multi-exposure image fusion | |
| CN114584675B (zh) | 一种自适应视频增强方法和装置 | |
| US11816818B2 (en) | Systems and methods for emulating far-range lighting for an operational scene illuminated by close-range light | |
| JP2022521136A (ja) | 歯の骨年齢を決定するための装置、方法及び命令を記録した記録媒体 | |
| CN116681788B (zh) | 图像电子染色方法、装置、介质和计算设备 | |
| US11936989B2 (en) | Apparatuses, systems, and methods for gaze-based auto-exposure management of image frames | |
| CN114125225B (zh) | 一种内窥镜亮度自动调节方法及装置、系统、电子设备 | |
| CN114926448A (zh) | 一种胶囊内窥镜图像特征点提取方法 | |
| WO2021039180A1 (ja) | 画像処理装置、画像処理方法、及びコンピュータ読み取り可能な記録媒体 | |
| CN111739008A (zh) | 图像处理方法、装置、设备及可读存储介质 | |
| EP4028986A1 (en) | Systems and methods for smoke-reduction in images |
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 |