CN117911304A - 一种基于计算关注区域权重的分段灰度变换方法和系统 - Google Patents
一种基于计算关注区域权重的分段灰度变换方法和系统 Download PDFInfo
- Publication number
- CN117911304A CN117911304A CN202410309411.2A CN202410309411A CN117911304A CN 117911304 A CN117911304 A CN 117911304A CN 202410309411 A CN202410309411 A CN 202410309411A CN 117911304 A CN117911304 A CN 117911304A
- Authority
- CN
- China
- Prior art keywords
- image
- segmented
- gray level
- region
- segmentation
- 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
- 238000011426 transformation method Methods 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
一种基于计算关注区域权重的分段灰度变换方法和系统,涉及图像处理领域,解决现有技术在图像采集中,难以清晰捕获荧光特征信号的问题。本发明包括以下技术方案:所述分段灰度变换方法包括:采用图像分割技术将图像分为数个区域,计算数个分割区域中关注区域的权重,用于显示每个分割区域中的荧光特征图像;每个荧光特征图像逐层进行灰度映射,调整原图像中荧光特征的灰度,即,完成分段灰度变化。所述系统包括分割模块,用于采用图像分割技术将图像分为数个区域,计算数个分割区域中关注区域的权重,显示模块,用于显示分段灰度变化。适用于需要强调特定区域信息的图像增强应用以及目标检测、物体识别领域中。
Description
技术领域
本发明涉及图像处理技术领域。
背景技术
分段灰度变换方法是一种常用的图像处理技术,用于调整图像的亮度和对比度。它通过将图像的灰度级分为多个不同的区间,并对每个区间应用不同的灰度变换函数来实现。
现有技术中分段灰度变换方法的基本步骤如下:
灰度级分段:首先将图像的灰度级分为多个不同的区间。常见的分段方法包括等间隔分段、直方图分段和自适应分段等。等间隔分段是将灰度级均匀地分为若干个区间,直方图分段是根据图像的直方图信息进行分段,自适应分段是根据图像的局部特征进行分段。 灰度变换函数:对于每个灰度级区间,分段灰度变换方法会应用不同的灰度变换函数。常见的灰度变换函数包括线性变换、对数变换、幂次变换和直方图均衡化等。线性变换是最简单的灰度变换函数,通过调整斜率和截距来改变图像的亮度和对比度。对数变换可以增强图像的低灰度级细节。幂次变换可以调整图像的对比度和亮度。直方图均衡化可以使图像的灰度分布更均匀,增强图像的对比度。 参数选择:分段灰度变换方法中的参数选择对于调整图像的亮度和对比度非常重要。参数的选择可以根据图像的特点和需求进行调整,以达到最佳的效果。例如,对于线性变换,可以通过调整斜率和截距来控制亮度和对比度的变化。分段灰度变换方法广泛应用于图像增强、图像对比度增强、图像调整和图像预处理等领域。它可以改善图像的视觉效果,提高图像的质量和可读性。分段灰度变换可以通过增强图像中的特定灰度级区间来帮助解决在图像采集中清晰捕获荧光特征信号的问题。荧光信号通常比较微弱,并且可能会在图像的某些特定灰度级区间内更加明显。通过分段灰度变换的应用,我们可以针对性地增强这些包含荧光信号的灰度级区间,从而提高信号的可见性和识别度。
发明内容
本发明针对现有技术中在图像采集中,难以清晰捕获荧光特征信号的问题,为解决上述技术问题本发明是通过以下技术方案实现的:
本发明提出了以下技术方案:
方案一、一种基于计算关注区域权重的分段灰度变换方法,所述分段灰度变换方法包括:
S1、采用图像分割技术将图像分为数个区域,计算数个分割区域中关注区域的权重,用于显示每个分割区域中的荧光特征图像;
S2、每个荧光特征图像逐层进行灰度映射,调整原图像中荧光特征的灰度,即,完成分段灰度变化。
进一步的,提供一种优选实施方式,所述图像分割技术包括阈值分割、边缘检测、区域生长中的一种。
进一步的,提供一种优选实施方式,所述S2中灰度映射的范围通过对分割区域的最大值和频率进行增强图像的映射范围。
进一步的,提供一种优选实施方式,所述分割区域最大值使用SciPy函数实现。
进一步的,提供一种优选实施方式,所述S2中对每个荧光特征图像逐层进行灰度映射,调整原图像中荧光特征的灰度包括:
加载所述荧光特征的灰度图像;
建立与所述荧光特征的灰度图像相同大小的零矩阵;
基于所述零矩阵定义分割区域的最大值的领域大小,并计算所述分割区域的最大值;
将灰度图像调整为大小为(256, 256)的新图像;
将所述新图像输入深度学习模型中进行处理。
进一步的,提供一种优选实施方式,S2中所述关注区域中增加有注意力机制,所述注意力机制包括数个通道,通过注意力机制调整对数个通道分配占比,即获取关键区域内的荧光特征的显著特征。
进一步的,提供一种优选实施方式,所述S2中完成分段灰度变化包括以下步骤:
S2.1、创建所述关注区域模型,使用所述模型对输入的灰度图像进行预测;
S2.2、对所述预测后的灰度图像进行扩展处理,将所述扩展后的灰度图像输入到所述关注区域模型中,得到输入特征图;
S2.3、使用channel_attention的函数,接收所述输入特征图;
S2.4、将输入特征的通道数存储在变量channel中,通过多维数组,计算获取输入特征的通道数;
S2.5、基于计算获取关键区域的通道数,创建两个共享的全连接层,设置所述全连接层的参数;
S2.6、对所述全连接层的参数进行全局平均池优化;
S2.7、将所述全局平均池优化和最大池优化的通道数进行逐元素相加,并通过Sigmoid激活函数获得最终的基于通道的关注图;
S2.8、将输入特征图逐元素与通道关注图相乘,计算输入特征图在空间维度上的平均池化和最大池优化;
S2.9、将输入特征图逐元素与空间关注图相乘,用于将输入特征图分别应用通道关注和空间关注,得到处理后的特征图;将灰度图像和计算的分割区域最大值执行的像素值转换操作。
方案二、一种基于计算关注区域权重的分段灰度变换系统,所述系统包括:
分割模块,用于采用图像分割技术将图像分为数个区域,计算数个分割区域中关注区域的权重,用于显示每个分割区域中的荧光特征图像;
显示模块,用于每个荧光特征图像逐层进行灰度映射,调整原图像中荧光特征的灰度,即,完成分段灰度变化。
方案三、计算机可读存储介质,所述计算机可读存储介质用于储存计算机程序,
所述计算机程序执行方案一中任一项所述的基于计算关注区域权重的分段灰度变换方法。
方案四、计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行根据方案一中任一项中所述的基于计算关注区域权重的分段灰度变换方法。
本发明的有益之处在于:
本发明通过采用逐层灰度映射的方法解决现有技术中存在难以清晰捕获荧光特征信号的问题。
本发明通过对每个荧光特征图像逐层进行灰度映射,调整原始图像中荧光特征的灰度,从而增强每一层次的荧光特征信号强度。
同时,应用关注区域权重技术,突出图像中的荧光特征,使得在图像中更加显著,从而进一步提高每个图像层样本中荧光特征信号的强度。
本发明所述的分段灰度变换方法不仅有助于解决荧光特征信号捕获不清晰的问题,还能够有效突显关键特征,为图像分析和后续处理提供更准确的信息。
本发明还适用于需要强调特定区域信息的图像增强应用以及目标检测、物体识别领域中。
附图说明
图1为实施方式一所述的基于计算关注区域权重的分段灰度变换方法中原图与荧光特征增强示意图。
图2为实施方式一中所述的基于计算关注区域权重的分段灰度变换方法中原图与网络补偿示意图。
图3为实施方式五所述的基于计算关注区域权重的分段灰度变换方法中深度学习损失函数各模型分布示意图。
具体实施方式
为使本申请实施方式的目的、技术方案和优点更加清楚,下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本申请一部分实施方式,而不是全部实施方式。
实施方式一、本实施方式提供了一种基于计算关注区域权重的分段灰度变换方法,所述分段灰度变换方法包括:
S1、采用图像分割技术将图像分为数个区域,计算数个分割区域中关注区域的权重,用于显示每个分割区域中的荧光特征图像;
S2、每个荧光特征图像逐层进行灰度映射,调整原图像中荧光特征的灰度,即,完成分段灰度变化。
参见图1和图2说明本实施方式,本实施方式所述的一种基于计算关注区域权重的分段灰度变换方法具体包括:
为了凸显图像中的荧光特征细节,同时消除背景等干扰因素,以及提高荧光特征的对比度,本实施方式对灰度线性变换的映射范围进行了改进,以赋予其更强的自适应性。通过这种改进,本实施方式能够更具针对性地处理图像,根据实际的灰度和对比度情况进行调整,从而实现对图像亮度的均匀化。这样的处理方式能够更好地满足不同图像条件下的需求,使得荧光特征更为清晰可见,同时有效减少了背景噪声的影响。
步骤二:通过对局部最大值和频率进行自适应增强图像的映射范围,我们可以在计算关注区域权重模块中引入注意力机制,以提升特征的表现能力。这一过程允许对不同通道分配权重,以获取二值图像中荧光特征的更显著特征。
本实施方式中将图像划分为不同的区域,每个区域在进行灰度变换时根据其在图像中的重要性或关注度分配权重。首先,采用图像分割技术将图像分为若干区域,本实施方式中通过阈值分割、边缘检测、区域生长等方法实现。针对每个分割出的区域,通过计算关注区域的权重,本实施方式利用区域的特征如颜色、纹理、对比度等来确定其在整体图像中的重要性。在灰度变换过程中,对于每个区域,应用不同的灰度变换函数,使得对关注区域进行更为显著的调整,而对其他区域进行保持或较轻微的调整,这种精细的灰度调整有助于突出图像中特定区域的细节,提高图像的对比度和视觉效果。
本实施方式所述的一种基于计算关注区域权重的分段灰度变换方法适用于需要强调特定区域信息的图像增强应用领域中,以及在计算机视觉任务中提高对关键区域的注意力,例如在目标检测、物体识别等方面有潜在的应用。
实施方式二、本实施方式是对实施方式一所述的一种基于计算关注区域权重的分段灰度变换方法的进一步限定,所述图像分割技术包括阈值分割、边缘检测、区域生长中的一种。
本实施方式所采用的图像分割技术的方式不唯一,可以为阈值分割、边缘检测、区域生长等等。
实施方式三、本实施方式是对实施方式一所述的一种基于计算关注区域权重的分段灰度变换方法的进一步限定,所述S2中灰度映射的范围通过对分割区域的最大值和频率进行增强图像的映射范围。
本实施方式通过对每个荧光特征图像逐层进行灰度映射,调整原始图像中荧光特征的灰度,从而增强每一层次的荧光特征信号强度。同时,应用关注区域权重技术,突出图像中的荧光特征,使得在图像中更加显著,从而进一步提高每个图像层样本中荧光特征信号的强度。
实施方式四、本实施方式是对实施方式三所述的一种基于计算关注区域权重的分段灰度变换方法的进一步限定,所述分割区域最大值使用SciPy函数实现。
实施方式五、本实施方式是对实施方式一所述的一种基于计算关注区域权重的分段灰度变换方法的进一步限定,所述S2中对每个荧光特征图像逐层进行灰度映射,调整原图像中荧光特征的灰度包括:
加载所述荧光特征的灰度图像;
建立与所述荧光特征的灰度图像相同大小的零矩阵;
基于所述零矩阵定义分割区域的最大值的领域大小,并计算所述分割区域的最大值;
将灰度图像调整为大小为(256, 256)的新图像;
将所述新图像输入深度学习模型中进行处理。
参见图3说明本实施方式,本实施方式具体包括以下步骤:
S2.1、加载图像:使用变量path定义图像路径,使用变量img_path加载图像到NumPy数组。使用OpenCV的cv2.imread函数读取深度图像,并赋值给gray_img变量。
S2.2、创建与灰度图像相同大小的零矩阵:使用NumPy库创建了一个零矩阵(全零的二维数组),其形状与名为gray_img的图像灰度矩阵相同,数据类型为无符号8位整数(np.uint8)。gray_img.shape[0]:这表示gray_img的行数(图像的高度)。gray_img.shape返回一个包含两个元素的元组,第一个元素是行数,第二个元素是列数。
gray_img.shape[1]:这表示gray_img的列数(图像的宽度)。
np.zeros((gray_img.shape[0], gray_img.shape[1]), dtype=np.uint8):这部分使用NumPy的zeros函数创建一个全零矩阵。函数的第一个参数是一个元组,指定了矩阵的形状,即行数和列数。第二个参数dtype指定了矩阵中元素的数据类型,这里设置为无符号8位整数,即范围在0到255之间的整数。
S2.3、定义局部最大值的邻域大小并计算局部最大值:使用SciPy的maximum_filter函数,对灰度图像gray_img进行局部最大值滤波。footprint参数指定了局部区域的形状,是一个3x3的全1数组,表示正方形的邻域。函数返回的结果是图像中每个像素点的局部最大值。用 local_maxima 布尔掩模对原始图像进行索引。结果是一个包含局部最大值对应位置的像素值的一维数组,并赋值给local_maxima_values。
使用NumPy的 np.max函数计算了局部最大值 local_maxima_values 中的最大值。它定义了参数 r1, s1, r2, s2 并计算了 k1, k2, k3。r1, s1 是第一个线性变换的起始点,分别表示输入和输出的起始值。
r2,s2是第二个线性变换的起始点,分别表示输入和输出的起始值。r1和s1分别设置为50.0和0,r2设置为局部最大值max_value,s2 设置为255。
k1是第一个线性变换的斜率,表示输入值r2对应的输出值s1。k2是第二个线性变换的斜率,表示输入值从r1 到r2对应的输出值的变化。k3是第三个线性变换的斜率,表示输入值从r2到250对应的输出值的变化。
S2.4、使用OpenCV的resize函数将灰度图像gray_img调整为大小为(256, 256)的新图像。这通常是为了将图像大小调整为模型的输入要求。将调整大小后的图像转换为float32类型,并进行归一化。通常,在神经网络中,将图像像素值缩放到[0, 1]的范围。使用np.expand_dims在数组上添加维度,将二维图像数组扩展为具有形状 (1, 256, 256,1) 的四维数组,赋值给img_expanded。
S2.5、定义了一个 Keras 模型的输入层 input_img,其形状为 (256, 256, 1)。这个输入层将用作神经网络的输入。整个过程是为了准备图像以输入深度学习模型进行处理。其中,图3中1为本发明所采用的网络模型,2和3分别为现有技术中深度学习所采用CyceGan和Gan网络模型。
实施方式六、本实施方式是对实施方式一所述的基于计算关注区域权重的分段灰度变换方法的进一步限定,S2中所述关注区域中增加有注意力机制,所述注意力机制包括数个通道,所述注意力机制对数个通道分配占比,用于获取关键区域内的荧光特征的显著特征。
实施方式七、本实施方式是对实施方式一所述的基于计算关注区域权重的分段灰度变换方法的进一步限定,所述S2中完成分段灰度变化包括以下步骤:
S2.1、创建所述关注区域模型,使用所述模型对输入的灰度图像进行预测;
S2.2、对所述预测后的灰度图像进行扩展处理,将所述扩展后的灰度图像输入到所述关注区域模型中,得到输入特征图;
S2.3、使用channel_attention的函数,接收所述输入特征图;
S2.4、将输入特征的通道数存储在变量channel中,通过多维数组,计算获取输入特征的通道数;
S2.5、基于计算获取关键区域的通道数,创建两个共享的全连接层,设置所述全连接层的参数;
S2.6、对所述全连接层的参数进行全局平均池优化;
S2.7、将所述全局平均池优化和最大池优化的通道数进行逐元素相加,并通过Sigmoid激活函数获得最终的基于通道的关注图;
S2.8、将输入特征图逐元素与通道关注图相乘,计算输入特征图在空间维度上的平均池化和最大池优化;
S2.9、将输入特征图逐元素与空间关注图相乘,用于将输入特征图分别应用通道关注和空间关注,得到处理后的特征图;将灰度图像和计算的分割区域最大值执行的像素值转换操作。
S2.1、创建关注区域权重的模型,并使用该模型对输入的图像进行预测,调用了model_block函数,将input_img作为输入,得到了输出 x。
S2.2、创建了一个 Keras模型 model_block,其中的输入是input_img,输出是通过模型处理后的 x。
S2.3:使用predict方法将扩展后的图像数组img_expanded输入到模型中,得到了经过模型处理的图像model_image。这个图像应该包含了输入图像的一些特征增强。
定义一个名为channel_attention的函数,接受一个输入特征图(input_feature)和一个可选参数 ratio,默认值为 8。
S2.4、将输入特征的通道数存储在变量channel中,通过input_feature多维数组,计算获取输入特征的通道数。
S2.5、创建一个共享的全连接层 (Dense),其中包含以下参数和设置:channel //ratio:输出单元数为输入通道数 (channel) 除以 ratio 的结果。这通过使用整数除法来确定共享层的输出大小。这里的 // 是 Python 中的整数除法运算符。
activation='relu':激活函数使用 ReLU(修正线性单元),这是一种常用于深度学习中的非线性激活函数。
kernel_initializer='he_normal':使用He正态分布初始化器来初始化权重矩阵,这是一种常用于深度神经网络的初始化方法。use_bias=True:启用偏置项,允许模型学习输入数据的平移。
bias_initializer='zeros':使用零初始化器初始化偏置项。密集层(shared_layer_one),其单元数为 channel // ratio,使用ReLU激活函数,'he_normal' 内核初始化,启用偏置,零偏置初始化。
创建另一个共享的全连接层 (Dense),具体设置如下:
channel: 输出单元数等于输入通道数 (channel)。这表示该共享层的输出大小与输入通道数相同。
kernel_initializer='he_normal':使用He正态分布初始化器来初始化权重矩阵。
use_bias=True:启用偏置项,允许模型学习输入数据的平移。
bias_initializer='zeros':使用零初始化器初始化偏置项。
S2.6、全局平均池化 (GlobalAveragePooling2D):
GlobalAveragePooling2D()(input_feature):对输入特征进行全局平均池化操作,将每个通道的特征图的所有值取平均。这将产生一个长度为通道数的一维向量。
重塑 (Reshape) 操作:
Reshape((1, 1, channel))(avg_pool): 将全局平均池化的结果进行形状调整,变成形状为 (1, 1, channel) 的张量。这是为了将一维向量扩展为与输入通道数相同的三维张量。
共享全连接层的应用:
shared_layer_one(avg_pool):将重塑后的张量通过共享的第一个全连接层(shared_layer_one),执行线性变换并应用 ReLU 激活函数。
shared_layer_two(avg_pool):将结果再次通过共享的第二个全连接层(shared_layer_two),执行另一次线性变换。将其形状改为 (1, 1, channel),应用先前定义的共享层,并获得基于通道的关注分数。
全局最大池化 (GlobalMaxPooling2D):
GlobalMaxPooling2D()(input_feature):对输入特征进行全局最大池化操作,将每个通道的特征图的最大值提取出来。这将产生一个长度为通道数的一维向量。
重塑 (Reshape) 操作:
Reshape((1, 1, channel))(max_pool):将全局最大池化的结果进行形状调整,变成形状为 (1, 1, channel) 的张量。这是为了将一维向量扩展为与输入通道数相同的三维张量。
共享全连接层的应用:
shared_layer_one(max_pool):将重塑后的张量通过共享的第一个全连接层(shared_layer_one),执行线性变换并应用ReLU激活函数。
shared_layer_two(max_pool):将结果再次通过共享的第二个全连接层(shared_layer_two),执行另一次线性变换。目的是在全局最大池化后,使用共享的全连接层来生成一组权重,这些权重将用于对输入通道进行加权,从而产生一个全局上下文感知的特征表示。
S2.7、将平均池化和最大池化版本的通道关注分数进行逐元素相加,并通过Sigmoid激活函数获得最终的基于通道的关注图。
将输入特征图逐元素与通道关注图相乘,根据通道的重要性应用关注。定义一个名为spatial_attention的函数,接受一个输入特征图(input_feature)。
S2.8、计算输入特征图在空间维度上的平均池化和最大池化版本(axis=3对应通道维度)。平均池化和最大池化版本沿通道维度连接,应用一个 7x7 的卷积层,步幅为 1,填充为 “same”,激活函数为 Sigmoid,以获得空间关注图。
S2.9、将输入特征图逐元素与空间关注图相乘,根据空间位置的重要性应用关注。定义一个名为 model_block的函数,接受一个输入特征图(input_feature)和一个可选参数 ratio,默认值为 8。这一部分将输入特征图分别应用通道关注和空间关注,得到处理后的特征图。返回模块的最终处理特征图。
将灰度图像gray_img和之前计算的参数(r1, r2, k1, k2, k3)执行的像素值转换操作。
如果像素值gray_img[i, j]位于阈值范围[r1, r2]内,使用线性变换 k2*(gray_img[i, j] - r1) 计算新的像素值,并赋值给 photoshape_img[i, j]。
如果像素值 gray_img[i, j]小于阈值 r1,使用线性变换 k1*gray_img[i, j]计算新的像素值,并赋值给 photoshape_img[i, j]。
如果像素值gray_img[i, j]大于阈值 r2,使用线性变换 k3*(gray_img[i, j]-r2)计算新的像素值,并赋值给photoshape_img[i, j]。
通过np.max函数计算图像 (model_image) 中的最大值,将结果存储在变量 max_weight中。用np.array将photoshape_img转换为NumPy数组,将结果存储在变量image_array中。使用np.ones_like创建一个与max_weight相同形状的全1数组,将结果存储在变量 multiply_array中。对photoshape_img中的每个像素值与multiply_array中对应位置的元素相乘,将结果存储在result_array中。用Image.fromarray将NumPy数组result_array转换为图像对象。
实施方式八、本实施方式提出了一种基于计算关注区域权重的分段灰度变换系统,所述系统包括:
分割模块,用于采用图像分割技术将图像分为数个区域,计算数个分割区域中关注区域的权重,用于显示每个分割区域中的荧光特征图像;
显示模块,用于每个荧光特征图像逐层进行灰度映射,调整原图像中荧光特征的灰度,即,完成分段灰度变化。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和可以进行多种组合。所有这些组合均落入本公开的范围。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念, 则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例 以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改 动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于计算关注区域权重的分段灰度变换方法,其特征在于,所述分段灰度变换方法包括:
S1、采用图像分割技术将图像分为数个区域,计算数个分割区域中关注区域的权重,用于显示每个分割区域中的荧光特征图像;
S2、每个荧光特征图像逐层进行灰度映射,调整原图像中荧光特征的灰度,即,完成分段灰度变化。
2.根据权利要求1所述的基于计算关注区域权重的分段灰度变换方法,其特征在于,所述图像分割技术包括阈值分割、边缘检测、区域生长中的一种。
3.根据权利要求1所述的基于计算关注区域权重的分段灰度变换方法,其特征在于,所述S2中灰度映射的范围通过对分割区域的最大值和频率进行增强图像的映射范围。
4.根据权利要求3所述的基于计算关注区域权重的分段灰度变换方法,其特征在于,所述分割区域最大值使用SciPy函数实现。
5.根据权利要求1所述的基于计算关注区域权重的分段灰度变换方法,其特征在于,所述S2中对每个荧光特征图像逐层进行灰度映射,调整原图像中荧光特征的灰度包括:
加载所述荧光特征的灰度图像;
建立与所述荧光特征的灰度图像相同大小的零矩阵;
基于所述零矩阵定义分割区域的最大值的领域大小,并计算所述分割区域的最大值;
将灰度图像调整为大小为(256, 256)的新图像;
将所述新图像输入深度学习模型中进行处理。
6.根据权利要求1所述的基于计算关注区域权重的分段灰度变换方法,其特征在于,S1中所述关注区域中还包括有注意力机制,所述注意力机制包括数个通道,通过注意力机制调整对数个通道分配占比,即获取关键区域内的荧光特征的显著特征。
7.根据权利要求1所述的基于计算关注区域权重的分段灰度变换方法,其特征在于,所述S2中完成分段灰度变化包括以下步骤:
S2.1、创建所述关注区域模型,使用所述模型对输入的灰度图像进行预测;
S2.2、对所述预测后的灰度图像进行扩展处理,将所述扩展后的灰度图像输入到所述关注区域模型中,得到输入特征图;
S2.3、使用channel_attention的函数,接收所述输入特征图;
S2.4、将输入特征的通道数存储在变量channel中,通过多维数组,计算获取输入特征的通道数;
S2.5、基于计算获取关键区域的通道数,创建两个共享的全连接层,设置所述全连接层的参数;
S2.6、对所述全连接层的参数进行全局平均池优化;
S2.7、将所述全局平均池优化和最大池优化的通道数进行逐元素相加,并通过Sigmoid激活函数获得最终的基于通道的关注图;
S2.8、将输入特征图逐元素与通道关注图相乘,计算输入特征图在空间维度上的平均池化和最大池优化;
S2.9、将输入特征图逐元素与空间关注图相乘,用于将输入特征图分别应用通道关注和空间关注,得到处理后的特征图;将灰度图像和计算的分割区域最大值执行的像素值转换操作。
8.一种基于计算关注区域权重的分段灰度变换系统,其特征在于,所述系统包括:
分割模块,用于采用图像分割技术将图像分为数个区域,计算数个分割区域中关注区域的权重,用于显示每个分割区域中的荧光特征图像;
显示模块,用于每个荧光特征图像逐层进行灰度映射,调整原图像中荧光特征的灰度,即,完成分段灰度变化。
9.计算机可读存储介质,其特征在于,所述计算机可读存储介质用于储存计算机程序,所述计算机程序执行权利要求1-7任一项所述的基于计算关注区域权重的分段灰度变换方法。
10.计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行根据权利要求1-7中任一项中所述的基于计算关注区域权重的分段灰度变换方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309411.2A CN117911304A (zh) | 2024-03-19 | 2024-03-19 | 一种基于计算关注区域权重的分段灰度变换方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309411.2A CN117911304A (zh) | 2024-03-19 | 2024-03-19 | 一种基于计算关注区域权重的分段灰度变换方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117911304A true CN117911304A (zh) | 2024-04-19 |
Family
ID=90685541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410309411.2A Pending CN117911304A (zh) | 2024-03-19 | 2024-03-19 | 一种基于计算关注区域权重的分段灰度变换方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911304A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303561A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种图像预处理的灰度空间划分方法 |
CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
CN112419195A (zh) * | 2020-11-26 | 2021-02-26 | 华侨大学 | 一种非线性变换的图像增强方法 |
CN113674291A (zh) * | 2021-08-16 | 2021-11-19 | 北京理工大学 | 一种全类型主动脉夹层真假腔图像分割方法及系统 |
CN115393641A (zh) * | 2022-08-18 | 2022-11-25 | 北京知见生命科技有限公司 | 免疫荧光图像分类方法及装置、设备、存储介质 |
WO2023019555A1 (zh) * | 2021-08-20 | 2023-02-23 | 深圳先进技术研究院 | 细胞荧光图像阈值化方法、系统、终端及存储介质 |
CN116664452A (zh) * | 2023-07-28 | 2023-08-29 | 吉林省星博医疗器械有限公司 | 一种多通道荧光图像多尺度增强方法和系统 |
-
2024
- 2024-03-19 CN CN202410309411.2A patent/CN117911304A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303561A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种图像预处理的灰度空间划分方法 |
CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
CN112419195A (zh) * | 2020-11-26 | 2021-02-26 | 华侨大学 | 一种非线性变换的图像增强方法 |
CN113674291A (zh) * | 2021-08-16 | 2021-11-19 | 北京理工大学 | 一种全类型主动脉夹层真假腔图像分割方法及系统 |
WO2023019555A1 (zh) * | 2021-08-20 | 2023-02-23 | 深圳先进技术研究院 | 细胞荧光图像阈值化方法、系统、终端及存储介质 |
CN115393641A (zh) * | 2022-08-18 | 2022-11-25 | 北京知见生命科技有限公司 | 免疫荧光图像分类方法及装置、设备、存储介质 |
CN116664452A (zh) * | 2023-07-28 | 2023-08-29 | 吉林省星博医疗器械有限公司 | 一种多通道荧光图像多尺度增强方法和系统 |
Non-Patent Citations (3)
Title |
---|
刘世晶;王帅;唐荣;陈军;刘兴国;周海燕;: "基于荧光效应和调色板均衡化的小球藻自动计数方法研究", 渔业现代化, no. 06, 20 December 2016 (2016-12-20) * |
程玉宝;徐海萍;: "基于小波重构和灰度分段的红外图像放大增强", 红外技术, no. 10, 20 October 2008 (2008-10-20) * |
赵俊成;赵亦工;: "基于分段直方图的图像对比度增强算法", 电子科技, no. 01, 15 January 2014 (2014-01-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507993B (zh) | 一种基于生成对抗网络的图像分割方法、装置及存储介质 | |
US10007865B1 (en) | Learning method and learning device for adjusting parameters of CNN by using multi-scale feature maps and testing method and testing device using the same | |
Celik | Spatial entropy-based global and local image contrast enhancement | |
WO2022199583A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN110728197B (zh) | 基于深度学习的单木级树种识别方法 | |
CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
CN110895682B (zh) | 一种基于深度学习的sar目标识别方法 | |
CN111986126B (zh) | 一种基于改进vgg16网络的多目标检测方法 | |
CN108364297B (zh) | 血管图像分割方法、终端、存储介质 | |
CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
CN111325728B (zh) | 产品缺陷检测方法、装置、设备及存储介质 | |
Abdulazeez et al. | Leaf identification based on shape, color, texture and vines using probabilistic neural network | |
Li et al. | A novelty harmony search algorithm of image segmentation for multilevel thresholding using learning experience and search space constraints | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN113033106A (zh) | 一种基于ebsd与深度学习方法的钢铁材料性能预测方法 | |
CN117911304A (zh) | 一种基于计算关注区域权重的分段灰度变换方法和系统 | |
CN112966757A (zh) | 训练样本的扩展方法、装置、存储介质及设备 | |
CN109615590B (zh) | 基于模糊算法与分数阶微分算法的声呐图像增强方法 | |
CN108447066B (zh) | 胆道图像分割方法、终端、存储介质 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
CN100371944C (zh) | 基于反射或透射光强分布特性的灰度图像分割方法 | |
CN115631211A (zh) | 一种基于无监督分割的高光谱图像小目标检测方法 | |
Bai et al. | A Global-to-Local Thresholding Method for Object Enhancement in SAR Images | |
CN113688655A (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
He et al. | A new grey mapping function and its adaptive algorithm for low-light image enhancement |
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 |