CN117221505A - 基于深度学习的数字显微镜白平衡校正方法及存储介质 - Google Patents
基于深度学习的数字显微镜白平衡校正方法及存储介质 Download PDFInfo
- Publication number
- CN117221505A CN117221505A CN202310948867.9A CN202310948867A CN117221505A CN 117221505 A CN117221505 A CN 117221505A CN 202310948867 A CN202310948867 A CN 202310948867A CN 117221505 A CN117221505 A CN 117221505A
- Authority
- CN
- China
- Prior art keywords
- image
- white balance
- deep learning
- reference image
- digital microscope
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013135 deep learning Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000012472 biological sample Substances 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000386 microscopy Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 12
- 238000001000 micrograph Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的数字显微镜白平衡校正方法及存储介质,方法包括:通过数字显微镜拍摄得到生物样本的参考图像;通过全局白平衡方法计算出色彩校正参数;将色彩校正参数应用于参考图像得到白平衡校正数据;获取对白平衡校正数据的标注,得到标注数据集;将得到的标注数据集输入深度学习网络中训练,得到训练好的深度学习网络;将待校正图像输入至训练好的深度学习网络中,输出校正后的图像。通过色彩校正参数对参考图像进行校正后,输入深度学习网络尽心训练,可提高对数字显微镜的待校正图像的色彩准确性及真实性,能够克服传统方法的局限性,提供更好的白平衡校正效果。
Description
技术领域
本申请涉及数字显微镜图像处理技术领域,具体涉及一种基于深度学习的数字显微镜白平衡校正方法及存储介质。
背景技术
数字显微镜作为一种先进的显微镜技术,已经广泛应用于生物学、医学、材料科学等领域。数字显微镜通过将传统显微镜与数字成像技术相结合,实现了高清晰度、高分辨率的图像采集和显示。然而,由于光源的色温和光谱分布的不同,数字显微镜图像的色彩会受到影响,导致图像的色彩偏差和失真。
传统的白平衡校正方法主要依赖于人工干预和调整,通过调整图像的色温和色彩平衡参数来消除图像中的色彩偏差。然而,传统方法存在一些局限性。首先,传统方法需要依赖人工主观判断来确定色彩平衡参数,容易受到操作者的个人偏好和经验的影响,导致结果的不一致性。其次,传统方法无法准确分析和衡量图像中的色彩偏差,因此无法实现精确的白平衡校正。
近年来,随着计算机视觉和图像处理技术的快速发展,基于图像分析和算法的数字显微镜白平衡校正方法逐渐得到了广泛关注。这些方法通过利用图像处理算法和机器学习技术,自动分析和提取图像中的颜色信息,进而实现自动化的白平衡校正。
然而,数字显微镜的白平衡校正仍然面临一些挑战。例如,数字显微镜的光源种类和光谱分布多样,导致不同场景下的白平衡校正效果有差异。此外,数字显微镜图像中的噪声和复杂背景也会对白平衡校正的准确性和鲁棒性造成影响。
发明内容
鉴于上述问题,本申请提供了一种基于深度学习的数字显微镜白平衡校正方法及存储介质,解决现有传统方法无法准确分析和衡量数字显微镜采集的图像中的色彩偏差的问题。
为实现上述目的,发明人提供了一种基于深度学习的数字显微镜白平衡校正方法,包括:
通过数字显微镜拍摄得到生物样本的参考图像;
通过全局白平衡方法计算出色彩校正参数;
将色彩校正参数应用于参考图像得到白平衡校正数据;
获取对白平衡校正数据的标注,得到标注数据集;
将得到的标注数据集输入深度学习网络中训练,得到训练好的深度学习网络;
将待校正图像输入至训练好的深度学习网络中,输出校正后的图像。
在一些实施例中,所述通过数字显微镜拍摄得到生物样本的参考图像包括以下步骤:
通过数字显微镜拍摄得到生物样本的原始图像;
对原始图像进行提取缩略图,所述缩略图与所述原始图像之间的比例不大于预设比例。
在一些实施例中,还包括以下步骤:
通过将缩略图从RGB空间转换到HSV空间得到参考图像。
在一些实施例中,所述通过全局白平衡方法计算出色彩校正参数具体包括以下步骤:
获取参考图像中最亮的点;
将所述最亮的点调整为参考白色;
根据参考白色与参考图像中的原始颜色通道的值计算得到色彩校正参数。
在一些实施例中,所述根据参考白色与参考图像中的原始颜色通道的值计算得到色彩校正参数具体包括以下步骤:
将参考白色除以参考图像的每个原始颜色通道的值得到每个颜色通道的比例因子;
或者计算参考图像的所有原始颜色通道的值的平均值;
将参考白色除以平均值得到比例因子。
还提供了另一个技术方案,一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器运行时执行以下步骤:
通过数字显微镜拍摄得到生物样本的参考图像;
通过全局白平衡方法计算出色彩校正参数;
将色彩校正参数应用于参考图像得到白平衡校正数据;
获取对白平衡校正数据的标注,得到标注数据集;
将得到的标注数据集输入深度学习网络中训练,得到训练好的深度学习网络;
将待校正图像输入至训练好的深度学习网络中,输出校正后的图像。
在一些实施例中,所述通过数字显微镜拍摄得到生物样本的参考图像包括以下步骤:
通过数字显微镜拍摄得到生物样本的原始图像;
对原始图像进行提取缩略图,所述缩略图与所述原始图像之间的比例不大于预设比例。
在一些实施例中,还包括以下步骤:
通过将缩略图从RGB空间转换到HSV空间得到参考图像。
在一些实施例中,所述通过全局白平衡方法计算出色彩校正参数具体包括以下步骤:
获取参考图像中最亮的点;
将所述最亮的点调整为参考白色;
根据参考白色与参考图像中的原始颜色通道的值计算得到色彩校正参数。
在一些实施例中,所述根据参考白色与参考图像中的原始颜色通道的值计算得到色彩校正参数具体包括以下步骤:
将参考白色除以参考图像的每个原始颜色通道的值得到每个颜色通道的比例因子;
或者计算参考图像的所有原始颜色通道的值的平均值;
将参考白色除以平均值得到比例因子。
区别于现有技术,上述技术方案,通过数字显微镜拍摄生物样本得到参考图像,然后通过全局白平衡方法计算出色彩校正参数,然后通过色彩校正参数对参考图像进行校正得到白平衡校正数据,获取对白平衡校正数据的标注,得到标注数据集,然后将标注数据集输入到深度学习网络中进行训练,得到训练好的深度学习网络,然后将待校正图像输入到训练好的深度学习网络中,输出校正后的图像。通过色彩校正参数对参考图像进行校正后,输入深度学习网络尽心训练,可提高对数字显微镜的待校正图像的色彩准确性及真实性,同时通过结合图像处理算法和机器学习技术,具有自动化、精确性高及鲁棒性强等优点,能够克服传统方法的局限性,提供更好的白平衡校正效果,能够广泛应用于数字显微镜的图像处理和分析中。
上述发明内容相关记载仅是本申请技术方案的概述,为了让本领域普通技术人员能够更清楚地了解本申请的技术方案,进而可以依据说明书的文字及附图记载的内容予以实施,并且为了让本申请的上述目的及其它目的、特征和优点能够更易于理解,以下结合本申请的具体实施方式及附图进行说明。
附图说明
附图仅用于示出本申请具体实施方式以及其他相关内容的原理、实现方式、应用、特点以及效果等,并不能认为是对本申请的限制。
在说明书附图中:
图1为具体实施方式所述基于深度学习的数字显微镜白平衡校正方法的一种流程示意图;
图2为具体实施方式所述待校正的图像的一种示意图;
图3为具体实施方式所述校正后的图像的一种示意图;
图4为具体实施方式所述步骤S110的一种流程示意图;
图5为具体实施方式所述存储介质的一种结构示意图。
上述各附图中涉及的附图标记说明如下:
510、存储介质,
520、处理器。
具体实施方式
为详细说明本申请可能的应用场景,技术原理,可实施的具体方案,能实现目的与效果等,以下结合所列举的具体实施例并配合附图详予说明。本文所记载的实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中各个位置出现的“实施例”一词并不一定指代相同的实施例,亦不特别限定其与其它实施例之间的独立性或关联性。原则上,在本申请中,只要不存在技术矛盾或冲突,各实施例中所提到的各项技术特征均可以以任意方式进行组合,以形成相应的可实施的技术方案。
除非另有定义,本文所使用的技术术语的含义与本申请所属技术领域的技术人员通常理解的含义相同;本文中对相关术语的使用只是为了描述具体的实施例,而不是旨在限制本申请。
在本申请的描述中,用语“和/或”是一种用于描述对象之间逻辑关系的表述,表示可以存在三种关系,例如A和/或B,表示:存在A,存在B,以及同时存在A和B这三种情况。另外,本文中字符“/”一般表示前后关联对象是一种“或”的逻辑关系。
在本申请中,诸如“第一”和“第二”之类的用语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何实际的数量、主次或顺序等关系。
在没有更多限制的情况下,在本申请中,语句中所使用的“包括”、“包含”、“具有”或者其他类似的表述,意在涵盖非排他性的包含,这些表述并不排除在包括所述要素的过程、方法或者产品中还可以存在另外的要素,从而使得包括一系列要素的过程、方法或者产品中不仅可以包括那些限定的要素,而且还可以包括没有明确列出的其他要素,或者还包括为这种过程、方法或者产品所固有的要素。
与《审查指南》中的理解相同,在本申请中,“大于”、“小于”、“超过”等表述理解为不包括本数;“以上”、“以下”、“以内”等表述理解为包括本数。此外,在本申请实施例的描述中“多个”的含义是两个以上(包括两个),与之类似的与“多”相关的表述亦做此类理解,例如“多组”、“多次”等,除非另有明确具体的限定。
在本申请实施例的描述中,所使用的与空间相关的表述,诸如“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“垂直”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等,所指示的方位或位置关系是基于具体实施例或附图所示的方位或位置关系,仅是为了便于描述本申请的具体实施例或便于读者理解,而不是指示或暗示所指的装置或部件必须具有特定的位置、特定的方位、或以特定的方位构造或操作,因此不能理解为对本申请实施例的限制。
除非另有明确的规定或限定,在本申请实施例的描述中,所使用的“安装”“相连”“连接”“固定”“设置”等用语应做广义理解。例如,所述“连接”可以是固定连接,也可以是可拆卸连接,或成一体设置;其可以是机械连接,也可以是电连接,也可以是通信连接;其可以是直接相连,也可以通过中间媒介间接相连;其可以是两个元件内部的连通或两个元件的相互作用关系。对于本申请所属技术领域的技术人员而言,可以根据具体情况理解上述用语在本申请实施例中的具体含义。
请参阅图1,本实施例提供了一种基于深度学习的数字显微镜白平衡校正方法,包括:
步骤S110:通过数字显微镜拍摄得到生物样本的参考图像;
步骤S120:通过全局白平衡方法计算出色彩校正参数;
步骤S130:将色彩校正参数应用于参考图像得到白平衡校正数据;
步骤S140:获取对白平衡校正数据的标注,得到标注数据集;
步骤S150:将得到的标注数据集输入深度学习网络中训练,得到训练好的深度学习网络;
将待校正图像输入至训练好的深度学习网络中,输出校正后的图像。
通过数字显微镜拍摄生物样本得到参考图像,然后通过全局白平衡方法计算出色彩校正参数,然后通过色彩校正参数对参考图像进行校正得到白平衡校正数据,获取对白平衡校正数据的标注,得到标注数据集,然后将标注数据集输入到深度学习网络中进行训练,得到训练好的深度学习网络,然后将如图2所示的待校正图像输入到训练好的深度学习网络中,输出校正后的图像,如图3所示。通过色彩校正参数对参考图像进行校正后,输入深度学习网络尽心训练,可提高对数字显微镜的待校正图像的色彩准确性及真实性,同时通过结合图像处理算法和机器学习技术,具有自动化、精确性高及鲁棒性强等优点,能够克服传统方法的局限性,提供更好的白平衡校正效果,能够广泛应用于数字显微镜的图像处理和分析中。
请参阅图4,在一些实施例中,所述通过数字显微镜拍摄得到生物样本的参考图像包括以下步骤:
步骤S410:通过数字显微镜拍摄得到生物样本的原始图像;
步骤S420:对原始图像进行提取缩略图,所述缩略图与所述原始图像之间的比例不大于预设比例。
显微镜图像通常具有极高的分辨率,对全图直接进行操作对数据集容量负担较大,因此,首先提取与原始图像比例为不大于预设比例的缩略图,在缩略图上进行进一步操作。其中预设比例为1:16,即缩略图与原始图像的比例不大于1:16。
请参阅图4,在一些实施例中,还包括以下步骤:
步骤S430:通过将缩略图从RGB空间转换到HSV空间得到参考图像。
生物样本染色的部分在饱和度上会与背景部分有比较明显的区别。因此,对于图像的缩略图,利用以下公式将其从RGB空间转到HSV空间:
对每个像素点x=(r,g,b),计算r′=r/255,g′=g/255,b′=b/255及cmax=max(r′,g′,b′),cmin=min(r′,g′,b′),d=cmax-cmin;
转换后的x*=(h,s,v)应满足:
其中,r,g,b分别为该像素在红色(R),绿色(G)和蓝色(B)通道的值。h,s,v分别是该像素在HSV空间的色调H,饱和度S,明亮度V的数值。
在一些实施例中,所述通过全局白平衡方法计算出色彩校正参数具体包括以下步骤:
获取参考图像中最亮的点;
将所述最亮的点调整为参考白色;
根据参考白色与参考图像中的原始颜色通道的值计算得到色彩校正参数。
通过白点法进行白平衡,通过取参考图像中存在一个最亮的点,该点作为参考白色,通过将参考图像中最亮的点调整为参考白色,针对参考图像上每个像素,将其参考图像中的原始颜色值与参考白色进行比例调整。通过计算每个颜色通道的比例因子,将原始颜色值乘以相应的比例因子来实现校正,其中,比例因子即色彩校正参数。具体的,比例因子的计算方式可以是将参考白色除以参考图像的每个原始颜色通道的值得到每个颜色通道的比例因子;或者是计算参考图像的所有原始颜色通道的值的平均值,将参考白色除以平均值得到比例因子。
在一些实施例中,一种基于深度学习的数字显微镜白平衡校正方法,包括以下步骤:
步骤1:获取参考图像,使用数字显微镜拍摄显微镜下图像;
步骤3:计算色彩校正参数,使用全局白平衡方法,计算出色彩校正参数;
步骤4:应用色彩校正参数,通过将色彩校正参数应用于数字显微镜采集的图像,得到白平衡校正数据。
步骤5:将白平衡校正数据交给研究人员和医生进行白平衡效果评价标注,得到标注数据集。
步骤6:根据深度学习的原理,设计一个适合白平衡校正的网络架构,使用准备好的数据集,将图像对输入到网络中进行训练。通过优化损失函数,网络能够学习到图像中的白平衡校正规律,从而实现白平衡校正。
缩略图的提取:
显微镜图像通常具有极高的分辨率,对全图直接进行操作对数据集容量负担较大,因此,首先提取与原始图像比例为不大于1:16的缩略图,在缩略图上进行进一步操作。
颜色空间转换:
生物样本染色的部分在饱和度上会与背景部分有比较明显的区别。因此,对于图像的缩略图,利用以下公式将其从RGB空间转到HSV空间:
对每个像素点x=(r,g,b),计算
r′=r/255,g′=g/255,b′=b/255
cmax=max(r′,g′,b′),cmin=min(r′,g′,b′),d=cmax-cmin
转换后的x*=(h,s,v)应满足:
使用白点法进行白平衡:
取图像中存在一个最亮的点,该点应该是参考白色。通过将图像中最亮的点调整为参考白色,针对每个像素,将其原始颜色值与参考白色进行比例调整。计算每个颜色通道的比例因子,将原始颜色值乘以相应的比例因子来实现校正。比例因子的计算方式可以是参考白色除以原始颜色通道的值,或者是参考白色除以原始颜色通道的平均值。
数据标注:
对于计算出白平衡参数,和原始图像,处理后图像一起构建数据集,由研究人员和医生进行标注,获得标注后数据集。
构建深度学习网络:
设计一个适合白平衡校正的卷积神经网络。可以使用卷积层、池化层、全连接层等组件,以及适当的激活函数和正则化方法。网络的输出应该是校正后的图像。
调整图像大小,使其适应网络的输入要求。对图像进行归一化,确保输入图像的像素值在合适的范围内。
将准备好的图像对输入到网络中进行训练。定义适当的损失函数,如均方误差(MSE)或交叉熵损失,用于衡量网络输出与真实参考颜色卡之间的差异。使用梯度下降等优化算法,不断调整网络的权重和参数,使其最小化损失函数。
白平衡校正:
将待校正的图像输入已经训练好的网络中。网络将自动学习图像的色彩特征和色彩变换规律,并输出校正后的图像。
本申请中的一种数字显微镜的白平衡校正方法提高数字显微镜图像的色彩准确性和真实性,通过结合图像处理算法和机器学习技术,能够克服传统方法的局限性,并提供更好的白平衡校正效果。具有自动化、精确性高、鲁棒性强等优点,能够广泛应用于数字显微镜的图像处理和分析中。提高了数字显微镜图像的质量和可视化效果。通过消除色彩偏差和失真,数字显微镜图像的质量得到了显著提升。这将对后续的图像处理、分析和诊断工作产生积极影响,有助于更准确地观察和研究样本的结构和特征。同时,改善的图像质量也能够提升数字显微镜在教育、科研和医学诊断等领域的应用效果,为相关领域的研究人员和医生提供更好的工具和资源。
请参阅图5,另一实施例中,一种存储介质510,所述存储介质510存储有计算机程序,所述计算机程序被处理器520运行时执行以下步骤:
通过数字显微镜拍摄得到生物样本的参考图像;
通过全局白平衡方法计算出色彩校正参数;
将色彩校正参数应用于参考图像得到白平衡校正数据;
获取对白平衡校正数据的标注,得到标注数据集;
将得到的标注数据集输入深度学习网络中训练,得到训练好的深度学习网络;
将待校正图像输入至训练好的深度学习网络中,输出校正后的图像。
通过数字显微镜拍摄生物样本得到参考图像,然后通过全局白平衡方法计算出色彩校正参数,然后通过色彩校正参数对参考图像进行校正得到白平衡校正数据,获取对白平衡校正数据的标注,得到标注数据集,然后将标注数据集输入到深度学习网络中进行训练,得到训练好的深度学习网络,然后将如图2所示的待校正图像输入到训练好的深度学习网络中,输出校正后的图像,如图3所示。通过色彩校正参数对参考图像进行校正后,输入深度学习网络尽心训练,可提高对数字显微镜的待校正图像的色彩准确性及真实性,同时通过结合图像处理算法和机器学习技术,具有自动化、精确性高及鲁棒性强等优点,能够克服传统方法的局限性,提供更好的白平衡校正效果,能够广泛应用于数字显微镜的图像处理和分析中。
在一些实施例中,所述通过数字显微镜拍摄得到生物样本的参考图像包括以下步骤:
通过数字显微镜拍摄得到生物样本的原始图像;
对原始图像进行提取缩略图,所述缩略图与所述原始图像之间的比例不大于预设比例。
显微镜图像通常具有极高的分辨率,对全图直接进行操作对数据集容量负担较大,因此,首先提取与原始图像比例为不大于预设比例的缩略图,在缩略图上进行进一步操作。其中预设比例为1:16,即缩略图与原始图像的比例不大于1:16。
在一些实施例中,还包括以下步骤:
通过将缩略图从RGB空间转换到HSV空间得到参考图像。
生物样本染色的部分在饱和度上会与背景部分有比较明显的区别。因此,对于图像的缩略图,利用以下公式将其从RGB空间转到HSV空间:
对每个像素点x=(r,g,b),计算r′=r/255,g′=g/255,b′=b/255及cmax=max(r′,g′,b′),cmin=min(r′,g′,b′),d=cmax-cmin;
转换后的x*=(h,s,v)应满足:
在一些实施例中,所述通过全局白平衡方法计算出色彩校正参数具体包括以下步骤:
获取参考图像中最亮的点;
将所述最亮的点调整为参考白色;
根据参考白色与参考图像中的原始颜色通道的值计算得到色彩校正参数。
通过白点法进行白平衡,通过取参考图像中存在一个最亮的点,该点作为参考白色,通过将参考图像中最亮的点调整为参考白色,针对参考图像上每个像素,将其参考图像中的原始颜色值与参考白色进行比例调整。通过计算每个颜色通道的比例因子,将原始颜色值乘以相应的比例因子来实现校正,其中,比例因子即色彩校正参数。具体的,比例因子的计算方式可以是将参考白色除以参考图像的每个原始颜色通道的值得到每个颜色通道的比例因子;或者是计算参考图像的所有原始颜色通道的值的平均值,将参考白色除以平均值得到比例因子。最后需要说明的是,尽管在本申请的说明书文字及附图中已经对上述各实施例进行了描述,但并不能因此限制本申请的专利保护范围。凡是基于本申请的实质理念,利用本申请说明书文字及附图记载的内容所作的等效结构或等效流程替换或修改产生的技术方案,以及直接或间接地将以上实施例的技术方案实施于其他相关的技术领域等,均包括在本申请的专利保护范围之内。
Claims (10)
1.一种基于深度学习的数字显微镜白平衡校正方法,其特征在于,包括:
通过数字显微镜拍摄得到生物样本的参考图像;
通过全局白平衡方法计算出色彩校正参数;
将色彩校正参数应用于参考图像得到白平衡校正数据;
获取对白平衡校正数据的标注,得到标注数据集;
将得到的标注数据集输入深度学习网络中训练,得到训练好的深度学习网络;
将待校正图像输入至训练好的深度学习网络中,输出校正后的图像。
2.根据权利要求1所述的基于深度学习的数字显微镜白平衡校正方法,其特征在于,所述通过数字显微镜拍摄得到生物样本的参考图像包括以下步骤:
通过数字显微镜拍摄得到生物样本的原始图像;
对原始图像进行提取缩略图,所述缩略图与所述原始图像之间的比例不大于预设比例。
3.根据权利要求2所述的基于深度学习的数字显微镜白平衡校正方法,其特征在于,还包括以下步骤:
通过将缩略图从RGB空间转换到HSV空间得到参考图像。
4.根据权利要求1所述的基于深度学习的数字显微镜白平衡校正方法,其特征在于,所述通过全局白平衡方法计算出色彩校正参数具体包括以下步骤:
获取参考图像中最亮的点;
将所述最亮的点调整为参考白色;
根据参考白色与参考图像中的原始颜色通道的值计算得到色彩校正参数。
5.根据权利要求4所述的基于深度学习的数字显微镜白平衡校正方法,其特征在于,所述根据参考白色与参考图像中的原始颜色通道的值计算得到色彩校正参数具体包括以下步骤:
将参考白色除以参考图像的每个原始颜色通道的值得到每个颜色通道的比例因子;
或者计算参考图像的所有原始颜色通道的值的平均值;
将参考白色除以平均值得到比例因子。
6.一种存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行以下步骤:
通过数字显微镜拍摄得到生物样本的参考图像;
通过全局白平衡方法计算出色彩校正参数;
将色彩校正参数应用于参考图像得到白平衡校正数据;
获取对白平衡校正数据的标注,得到标注数据集;
将得到的标注数据集输入深度学习网络中训练,得到训练好的深度学习网络;
将待校正图像输入至训练好的深度学习网络中,输出校正后的图像。
7.根据权利要求6所述的存储介质,其特征在于,所述通过数字显微镜拍摄得到生物样本的参考图像包括以下步骤:
通过数字显微镜拍摄得到生物样本的原始图像;
对原始图像进行提取缩略图,所述缩略图与所述原始图像之间的比例不大于预设比例。
8.根据权利要求7所述的存储介质,其特征在于,还包括以下步骤:
通过将缩略图从RGB空间转换到HSV空间得到参考图像。
9.根据权利要求6所述的存储介质,其特征在于,所述通过全局白平衡方法计算出色彩校正参数具体包括以下步骤:
获取参考图像中最亮的点;
将所述最亮的点调整为参考白色;
根据参考白色与参考图像中的原始颜色通道的值计算得到色彩校正参数。
10.根据权利要求9所述的存储介质,其特征在于,所述根据参考白色与参考图像中的原始颜色通道的值计算得到色彩校正参数具体包括以下步骤:
将参考白色除以参考图像的每个原始颜色通道的值得到每个颜色通道的比例因子;
或者计算参考图像的所有原始颜色通道的值的平均值;
将参考白色除以平均值得到比例因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310948867.9A CN117221505A (zh) | 2023-07-31 | 2023-07-31 | 基于深度学习的数字显微镜白平衡校正方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310948867.9A CN117221505A (zh) | 2023-07-31 | 2023-07-31 | 基于深度学习的数字显微镜白平衡校正方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117221505A true CN117221505A (zh) | 2023-12-12 |
Family
ID=89048591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310948867.9A Pending CN117221505A (zh) | 2023-07-31 | 2023-07-31 | 基于深度学习的数字显微镜白平衡校正方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117221505A (zh) |
-
2023
- 2023-07-31 CN CN202310948867.9A patent/CN117221505A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734659B (zh) | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 | |
CN110675368B (zh) | 一种融合图像分割与分类的细胞图像语义分割方法 | |
CN110956581B (zh) | 一种基于双通道生成-融合网络的图像模态变换方法 | |
CN111562010B (zh) | 一种用于自动化图像色彩校准的方法和装置 | |
CN102138157B (zh) | 颜色恒常方法和系统 | |
CN101901474B (zh) | 改变图像的密度和对比度中的至少一个的方法 | |
Gaiani et al. | Securing color fidelity in 3D architectural heritage scenarios | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
JP5557091B2 (ja) | 画像処理装置、画像読取装置、画像処理方法及び画像処理プログラム | |
CN107169508B (zh) | 一种基于融合特征的旗袍图像情感语义识别方法 | |
CN109345601B (zh) | 基于低秩嵌入非负矩阵分解的病理图像颜色标准化的方法 | |
CN110136083B (zh) | 一种结合交互式的底图更新方法及装置 | |
CN107545550B (zh) | 细胞图像偏色校正方法 | |
CN113379764A (zh) | 一种基于域对抗自监督学习的病理图像分割方法 | |
CN115588055A (zh) | 数字病理图像的色彩标准化方法及系统 | |
CN106780333B (zh) | 一种图像超分辨率重建方法 | |
US9053552B2 (en) | Image processing apparatus, image processing method and non-transitory computer readable medium | |
CN109102510B (zh) | 一种基于半监督k-means算法的乳腺癌病理组织图像分割方法 | |
CN112184696B (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
CN111476857B (zh) | 基于深度学习的结构不变的病理图像颜色标准化方法 | |
CN110702615B (zh) | 一种彩色数码透射显微镜颜色校正方法 | |
CN104766068A (zh) | 一种多规则融合的随机游走舌像提取方法 | |
CN108735010A (zh) | 一种用于英语教学的智能型英语教学系统 | |
CN110298347B (zh) | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 | |
CN117221505A (zh) | 基于深度学习的数字显微镜白平衡校正方法及存储介质 |
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 |