CN118037739A - 数字病理图像的清晰度评价方法及其应用 - Google Patents
数字病理图像的清晰度评价方法及其应用 Download PDFInfo
- Publication number
- CN118037739A CN118037739A CN202410444858.0A CN202410444858A CN118037739A CN 118037739 A CN118037739 A CN 118037739A CN 202410444858 A CN202410444858 A CN 202410444858A CN 118037739 A CN118037739 A CN 118037739A
- Authority
- CN
- China
- Prior art keywords
- image
- definition
- pixel
- sharpness
- calculating
- 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.)
- Granted
Links
- 230000001575 pathological effect Effects 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 230000007170 pathology Effects 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 239000012535 impurity Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010186 staining Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007447 staining method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了数字病理图像的清晰度评价方法及其应用，包括首先，通过计算彩色图像各通道差值排除背景，形成初始区域P1；接着，转换并计算灰度‑彩色图像差值得到重点区域P2；再通过灰度图均值与方差筛选形成亮度均衡区域P3。之后，取P1、P2、P3交集确定最终分析区域P。最后，在该区域内计算像素清晰度并调整灰度值，以此划分清晰度等级，计算各等级占比，评价整体图像清晰度。能够分析评价数字病理图像的清晰度，为病理图像扫描设备提供重扫依据。
Description
技术领域
本发明涉及图像处理技术领域，特别是一种涉及数字病理图像的清晰度评价方法及其应用。
背景技术
病理切片作为病理标本的一种重要形式，在临床诊断中扮演着至关重要的角色。其制作过程涉及将组织样本进行化学处理以硬化，随后切成薄片并黏附于玻片上，最终进行染色处理。通过显微镜观察这些切片，医生能够进行病理诊断。随着技术的发展，病理切片扫描仪应运而生，它能够将病理切片转化为数字化图像，便于存储和分析。
图像的清晰程度对于病理诊断的准确性至关重要。然而，评估图像清晰度并非易事。目前，主要存在两种图像清晰度评价方法。第一种方法通过检测算子对整个图像进行卷积运算，并将运算结果的总和作为清晰度的衡量标准，再依据预设的阈值判断图像是否清晰。然而，这种方法得出的清晰度数值易受图像内容的影响，且难以通过单一阈值来普适地评判数字病理图像的清晰度。
第二种方法则依赖于图像处理技术、传统机器学习或深度学习算法来提取图像特征，进而使用分类器对图像进行清晰或模糊的判断。尽管这种方法在一定程度上提高了评估的准确性，但它仍然受限于训练数据的质量和数量，导致模型的泛化能力不足。此外，对于处于清晰与模糊边缘的图像，该方法的识别能力有限，且模型一旦训练完成，调整起来较为困难。
现有的评估方法还存在着将整张图像分割为多个小图像，并根据清晰与模糊小图像的比例来确定整幅图像的清晰度数值的问题。这种二分类的方式忽略了清晰度的连续性特征，从而导致评估结果的不精确。
综上所述，现行的图像清晰度评估方法并不完全适用于病理图像的特殊情况。因此，开发一种快速且准确的病理图像清晰度计算方法，是当前亟待解决的技术难题。
发明内容
本发明实施例提供了数字病理图像的清晰度评价方法及其应用，针对目前技术存在的并不完全适用于病理图像的特殊情况等问题。
本发明核心技术主要是利用图像处理算法选择需要关注的区域，基于检测算子计算图像清晰度，根据清晰度将小图分为清晰、不清晰和模糊三种，根据占比计算整张图的清晰度。
第一方面，本发明提供了数字病理图像的清晰度评价方法，所述方法包括以下步骤：
S00、背景区域排除：针对输入的彩色病理图像，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第一阈值计算形成初步的选择区域P1；若原始输入图像为灰度图则跳过此步骤并分别执行S10步骤和S20步骤；
S10、重点区域选择：将彩色病理图像转换为灰度图并执行S20步骤，再将灰度图转换为彩色图，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第二阈值计算形成重点区域P2；若原始输入图像为灰度图则将灰度图转换为彩色图，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第二阈值计算形成重点区域P2；
S20、亮度均衡处理：通过对灰度图的像素均值和方差进行计算，并进行像素筛选，通过设置第三阈值调整亮度不均匀的情况，形成选中区域P3；
S30、最终区域确定：求P1、P2、P3的交集P作为最终选择的区域；
S40、清晰度计算：用算子计算最终选择区域的每个像素的清晰度并通过像素灰度值调整计算结果；
S50、清晰度评价：划分清晰度等级，根据清晰度的计算结果计算不同清晰度等级的图像占完整输入图像的比例，从而评价完整输入图像的清晰度。
进一步地，步骤S00中，按以下公式计算P1：
其中，P1表示选择区域的像素集合，PB，PG，PR分别表示像素点上蓝、绿、红通道的值，λ1为第一阈值。
进一步地，步骤S10中，按以下公式计算P2：
其中，P2表示重点区域的像素集合，PB，PG，PR分别表示像素点上蓝、绿、红通道的值，λ2为第二阈值。
进一步地，步骤S20中，以下公式计算P3：
其中，P3表示选中区域的像素集合，mean表示均值，std表示方差，γ是第三阈值，用于调整亮度不均匀。
进一步地，步骤S40中，对于每个像素，以该像素为中心形成3X3的矩阵并将其与算子进行点乘计算，然后乘以中心像素和相邻像素的灰度值，除以255*255，最后求和并将其作为清晰度。
进一步地，步骤S40中，用最终选择区域内的每个像素点的均值表示清晰度。
进一步地，步骤S50中，将输入图像划分为多张子图，分别计算每张子图的清晰度，以所有子图清晰度所占完整输入图像的比例评价完整输入图像的总体清晰度。
第二方面，本发明提供了一种数字病理图像的清晰度评价装置，包括：
输入模块，用于输入病理图像；
背景区域排除模块，针对输入的彩色病理图像，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第一阈值计算形成初步的选择区域P1；输入的灰度图跳过此模块的处理；
重点区域选择模块，将彩色病理图像转换为灰度图，将灰度图转换为彩色图，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第二阈值计算形成重点区域P2；
亮度均衡处理模块，通过对灰度图的像素均值和方差进行计算，并进行像素筛选，通过设置第三阈值调整亮度不均匀的情况，形成选中区域P3；
最终区域确定模块，求P1、P2、P3的交集P作为最终选择的区域；
清晰度计算模块，用算子计算最终选择区域的每个像素的清晰度并通过像素灰度值调整计算结果；
清晰度评价模块，划分清晰度等级，根据清晰度的计算结果计算不同清晰度等级的图像占完整输入图像的比例，从而评价完整的输入图像的清晰度；
输出模块，输出输入的病理图像的清晰度。
第三方面，本发明提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的数字病理图像的清晰度评价方法。
第四方面，本发明提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的数字病理图像的清晰度评价方法。
本发明的主要贡献和创新点如下：1、与现有技术相比，本发明设计了一套独特的多阶段筛选机制，首先通过计算像素RGB通道差值排除背景（S00），再通过设定不同阈值（λ1和λ2）分别确定初步选择区域P1和重点区域P2，保证了仅对病理图像的关键区域进行清晰度评价，降低了背景和杂质的干扰。
2、与现有技术相比，本发明在S20步骤中，通过对灰度图的像素均值和方差分析，并设置第三阈值γ，实现了对亮度不均匀问题的智能调整，生成了更为准确的选中区域P3，这一处理有助于消除光照条件对图像清晰度判断的影响。
3、与现有技术相比，本发明在S40步骤中，采用新颖的点成计算方法，基于3x3矩阵和中心像素与其相邻像素的灰度值比对，计算出每个像素的局部清晰度指标，这种方法既能反映局部细节的清晰状况，又能综合考虑图像的整体特性。
4、与现有技术相比，本发明在S50步骤中，不仅针对单个像素点，而是将输入图像划分为多张子图，分别计算每张子图的清晰度，并通过子图清晰度在整个输入图像中的比例来综合评价完整图像的清晰度，这一方法能够全面、客观地反映整个病理图像的清晰度水平。能够分析评价数字病理图像的清晰度，为病理图像扫描设备提供重扫依据。
本发明的一个或多个实施例的细节在以下附图和描述中提出，以使本发明的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的数字病理图像的清晰度评价方法的简要流程；
图2是现有的病理图像示意图；
图3是根据本发明实施例的λ1参数实验图；
图4是根据本发明实施例的前景区域（选择区域P1）的示意图；
图5是根据本发明实施例的重点区域P2的示意图；
图6是根据本发明实施例的光强不均匀影响的调整前后的示意图；
图7是根据本发明实施例的γ对光强不平衡的效果图；
图8是根据本发明实施例的选中区域P3（白色）的示意图；
图9是根据本发明实施例的最终选择区域P的示意图；
图10是根据本发明实施例的整张图像清晰度评价示意图；
图11是根据本发明实施例的其他图像清晰度评价示意图；
图12是根据本发明实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本发明旨在提出数字病理图像的清晰度评价方法，可以，具体地，参考图1，所述方法包括：
第一步、输入图像；
在本实施例中，由于病理图像包含多种染色方式，颜色、亮度、面积占比都会影响清晰度的计算。此外，不同图像需要关注的区域都不相同。所以应该只计算关注的区域，避免无关区域的影响。病理图像如图2所示，实际上可以是彩色图或者灰度图。
第二步、判断是否为彩图；若是，执行第三步并进行前景选择（背景其余排除），也就是初步选择区域P1的选择；若否，则执行第四步和第六步；
在本实施例中，输入图像可以为彩色图像或灰度图。若输入图像为彩色图像：计算每个像素上，三个通道之间的差值并求差值的和，然后将和小于λ1对应的像素视为背景。如公式3-1.该步骤能将白色的背景和灰黑色的杂质排除。
（公式3-1）
其中，P1表示选择区域的像素集合。PB，PG，PR分别表示像素点上蓝、绿、红通道的值。统计不同染色方式的切片上，组织区域内像素的三个通道颜色之间差的和。组织区域由标注的掩码确定。如图3所示，计算出组织上的和都大于30，所以本系统默认λ1设为30。实际情况根据需要排除的区域颜色在0到255之间选取。λ1设为30时的结果见图4，白色的为选中区域P1。
其中，对于灰度图像：由于灰度图像只包含亮度信息，而不包含颜色信息，因此不存在多个通道的概念。在这种情况下，系统会直接跳过上述针对彩色图像的处理步骤，进入后续的图像处理流程。
第三步、将彩图转换为灰度图再分别执行第四步和第六步；第四步、将灰度图转换为彩图再执行第五步；
在本实施例中，由于关注的区域不是所有的前景区域，并且存在细胞质和脂肪的影响。所以需要选择重点区域。步骤如下：如果输入图像为彩色图像，先将其转化为灰度图。如果是灰度图则不用转换。然后将灰度图转换为彩色图。这里的第三步和第四步可同时进行，即如果同时有彩图和灰度图，那就同时进行彩图转灰度图，灰度图转彩图。
第五步、重点区域P2选择；
在本实施例中，计算灰度图转过来的彩色图每个像素上，三个通道之间的差值并求差值的和，然后将和小于λ2对应的像素视为背景。具体公式如下：
（公式3-2）
其中，P2表示选择区域的像素集合。通过设置不同的λ2数值，并观察不同染色方式下的结果。根据是否排除细胞质而保留边缘部分来判断参数是否合理。通过判断λ2可设置为6至10。本系统默认为6，结果见图5，白色的为重点区域P2，黑色为排除区域。
第六步、对灰度图进行亮度均衡处理；
在本实施例中，为了避免颜色较浅区域影响清晰度的计算，同时减少亮度的影响。该系统先计算输入图像灰度图的像素均值和方差，然后根据公式：
（公式3-3）
其中，P3表示选择区域的像素集合。mean表示均值，std表示方差。γ是参数，用于调整亮度不均匀。设置不同的γ为0，选择受光强不平衡影响导致的边缘处背景区域没被排除的图像（示例如图6）。同时选择不受影响的图像，以两张图像（a和b）相差的像素个数作为需要去除的像素个数。增大γ并计算白色区域的减少比例，结果如图7，由图7可知当为0.1时，边缘的背景被排除，且不会对前景产生影响。γ根据亮度不均衡的程度设置，范围0至1。结果见图8，白色的为选中区域P3。
第七步、确定最终区域P；
在本实施例中，求P1，P2和P3的交集P作为最终选择的区域，如图9所示。而正因为是求交集，图5和图9很像，但不一样，比如图5中中间黑带有个较多的白块，而图9的没有。
第八步、计算选择的最终区域的清晰度；
在本实施例中，用算子计算每个像素的清晰度。颜色较深的像素往往是边缘区域，周围有背景像素，所以计算出深色像素的清晰度较大。相反浅色像素清晰度较小。由于像素颜色深浅对计算结果影响较大，为了使不同染色的病理图像的清晰度标准统一，通过像素灰度值调整结果v。计算方式为：
（公式3-4）
其中，x和y像素的坐标，i和j是遍历图像时的坐标，p表示某坐标像素的灰度值。E是算子，定义如下：
（公式3-5）
其中，具体的实现方式为：对于每个像素，以该像素为中心形成3X3的矩阵并将其与算子进行点乘计算，然后乘以中心像素和相邻像素的灰度值，除以255*255。最后求和并将其作为清晰度。
由于清晰度只计算了选择区域P，所以用选择区域P内所有清晰度数值vp的均值表示清晰度S：
（公式3-6）
也就是上述步骤中，重点区域选择是对灰度图转换过来的彩图进行处理，亮度均衡处理是对灰度图进行处理，背景区域排除即初步区域选择是对原始就是彩图的图进行处理。
第八步、评价完整图像的清晰度。
在本实施例中，根据图像扫描时的相机参数将清晰度分数乘以系数，使清晰度分数分布到0~100的范围内。根据三种清晰度等级的图像占总图像的比例，评价完整图像的清晰度。清晰（S≥80）、不清晰（80＞S≥60）、模糊（S＜60）。具体计算公式如下：
（公式3-6）
其中，nc，nuc，nb分别为清晰、不清晰和模糊的子图数量。α是控制不清晰图像接受程度的参数。如图10所示，输入整张扫描图片，系统根据扫描参数将其划分成子图。然后计算每张子图的清晰度。然后根据子图的清晰度来评价整幅图的清晰度，而为了方便计数，将清晰的标记为1，将不清晰的标记为2，将模糊的标记为3，这样只要统计每个数字的数量，就可以分别方便地统计出三种清晰度等级的图像占总图像的比例，从而评价整幅图的清晰度，而图10中可见清晰的子图有114个，不清晰的为5个，模糊的为两个，因此清晰度就是96.3，这个总的分数在清晰度等级中可以划分为清晰，因为大于80。其他的图清晰度计算如11所示。
综上，本发明设计的清晰度计算公式能以相同的标准评价不同的病理图像。不仅能划分图像为清晰、不清晰或模糊，还能以分值的形式表现清晰度。同时，三种清晰度级别的占比能更准确地评价完整图像的清晰度。该系统能够分析评价数字病理图像的清晰度，为病理图像扫描设备提供重扫依据。
优选地，为了验证该系统的有效性与可靠性，用对焦序列图作为实验数据。对焦序列图是在一个视野下，按一定数值改变对焦高度情况下获取的图像。序列图像包括了不同清晰程度的图像。通过人眼判断最清晰的图像，以最清晰的图像作为清晰类型（S≥80）的图像。以清晰图像为中心，按序列顺序选取两侧的两张图像。作为不清晰类型（80＞S≥60）图像。继续向两侧选取两张图像作为模糊图像（S＜60）。从而进行测试，验证了本发明的方案能准确计算出每张图像的清晰度。
实施例二
基于相同的构思，本发明还提出了一种数字病理图像的清晰度评价装置，包括：
输入模块，用于输入病理图像；
背景区域排除模块，针对输入的彩色病理图像，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第一阈值计算形成初步的选择区域P1；输入的灰度图跳过此模块的处理；
重点区域选择模块，将彩色病理图像转换为灰度图，将灰度图转换为彩色图，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第二阈值计算形成重点区域P2；
亮度均衡处理模块，通过对灰度图的像素均值和方差进行计算，并进行像素筛选，通过设置第三阈值调整亮度不均匀的情况，形成选中区域P3；
最终区域确定模块，求P1、P2、P3的交集P作为最终选择的区域；
清晰度计算模块，用算子计算最终选择区域的每个像素的清晰度并通过像素灰度值调整计算结果；
清晰度评价模块，划分清晰度等级，根据清晰度的计算结果计算不同清晰度等级的图像占完整输入图像的比例，从而评价完整的输入图像的清晰度；
输出模块，输出输入的病理图像的清晰度。
实施例三
本实施例还提供了一种电子装置，参考图12，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地，上述处理器402可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecificIntegratedCircuit，简称为ASIC），或者可以被配置成实施本发明实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（Non-Volatile）存储器。在特定实施例中，存储器404包括只读存储器（Read-OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（StaticRandom-AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器404（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom-AccessMemory，简称SDRAM）等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意数字病理图像的清晰度评价方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是病理图像等，输出的信息可以是清晰度评价等。
实施例四
本实施例还提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据实施例一的数字病理图像的清晰度评价方法。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤，或者互连的逻辑电路、框和功能，或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质，以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以作出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。
Claims (10)
1.数字病理图像的清晰度评价方法，其特征在于，包括以下步骤：
S00、背景区域排除：针对输入的彩色病理图像，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第一阈值计算形成初步的选择区域P1；若原始输入图像为灰度图则跳过此步骤并分别执行S10步骤和S20步骤；
S10、重点区域选择：将所述彩色病理图像转换为灰度图并执行S20步骤，再将灰度图转换为彩色图，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第二阈值计算形成重点区域P2；若原始输入图像为灰度图，则将灰度图转换为彩色图，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第二阈值计算形成重点区域P2；
S20、亮度均衡处理：通过对灰度图的像素均值和方差进行计算，并进行像素筛选，通过设置第三阈值调整亮度不均匀的情况，形成选中区域P3；
S30、最终区域确定：求P1、P2、P3的交集P作为最终选择的区域；
S40、清晰度计算：用算子计算最终选择区域的每个像素的清晰度并通过像素灰度值调整计算结果；
S50、清晰度评价：划分清晰度等级，根据清晰度的计算结果计算不同清晰度等级的图像占完整输入图像的比例，从而评价完整输入图像的清晰度。
2.如权利要求1所述的数字病理图像的清晰度评价方法，其特征在于，步骤S00中，按以下公式计算P1：其中，P1表示选择区域的像素集合，PB，PG，PR分别表示像素点上蓝、绿、红通道的值，λ1为第一阈值。
3.如权利要求1所述的数字病理图像的清晰度评价方法，其特征在于，步骤S10中，按以下公式计算P2：
其中，P2表示重点区域的像素集合，PB，PG，PR分别表示像素点上蓝、绿、红通道的值，λ2为第二阈值。
4.如权利要求1所述的数字病理图像的清晰度评价方法，其特征在于，步骤S20中，以下公式计算P3：
其中，P3表示选中区域的像素集合，mean表示均值，std表示方差，γ是第三阈值，用于调整亮度不均匀。
5.如权利要求1所述的数字病理图像的清晰度评价方法，其特征在于，步骤S40中，对于每个像素，以该像素为中心形成3X3的矩阵并将其与算子进行点乘计算，然后乘以中心像素和相邻像素的灰度值，除以255*255，最后求和并将其作为清晰度。
6.如权利要求5所述的数字病理图像的清晰度评价方法，其特征在于，步骤S40中，用最终选择区域内的每个像素点的均值表示清晰度。
7.如权利要求1-6任意一项所述的数字病理图像的清晰度评价方法，其特征在于，步骤S50中，将输入图像划分为多张子图，分别计算每张子图的清晰度，以所有子图清晰度所占完整输入图像的比例评价完整输入图像的总体清晰度。
8.一种数字病理图像的清晰度评价装置，其特征在于，包括：
输入模块，用于输入病理图像；
背景区域排除模块，针对输入的彩色病理图像，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第一阈值计算形成初步的选择区域P1；输入的灰度图跳过此模块的处理；
重点区域选择模块，将彩色病理图像转换为灰度图，将灰度图转换为彩色图，通过计算像素三个通道之间的差值总和，识别并排除背景和杂质区域，设置第二阈值计算形成重点区域P2；
亮度均衡处理模块，通过对灰度图的像素均值和方差进行计算，并进行像素筛选，通过设置第三阈值调整亮度不均匀的情况，形成选中区域P3；
最终区域确定模块，求P1、P2、P3的交集P作为最终选择的区域；
清晰度计算模块，用算子计算最终选择区域的每个像素的清晰度并通过像素灰度值调整计算结果；
清晰度评价模块，划分清晰度等级，根据清晰度的计算结果计算不同清晰度等级的图像占完整输入图像的比例，从而评价完整的输入图像的清晰度；
输出模块，输出输入的病理图像的清晰度。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项所述的数字病理图像的清晰度评价方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至7任一项所述的数字病理图像的清晰度评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410444858.0A CN118037739B (zh) | 2024-04-15 | 数字病理图像的清晰度评价方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410444858.0A CN118037739B (zh) | 2024-04-15 | 数字病理图像的清晰度评价方法及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118037739A true CN118037739A (zh) | 2024-05-14 |
| CN118037739B CN118037739B (zh) | 2024-07-02 |
Family
ID=
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101123081A (zh) * | 2007-04-13 | 2008-02-13 | 四川长虹电器股份有限公司 | 亮度信号处理方法 |
| CN112150461A (zh) * | 2020-10-19 | 2020-12-29 | 北京百度网讯科技有限公司 | 用于评估细胞图像头尾清晰度的方法和装置 |
| CN112508887A (zh) * | 2020-11-26 | 2021-03-16 | 西安电子科技大学 | 一种图像清晰度评价方法、系统、存储介质、设备及应用 |
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101123081A (zh) * | 2007-04-13 | 2008-02-13 | 四川长虹电器股份有限公司 | 亮度信号处理方法 |
| CN112150461A (zh) * | 2020-10-19 | 2020-12-29 | 北京百度网讯科技有限公司 | 用于评估细胞图像头尾清晰度的方法和装置 |
| CN112508887A (zh) * | 2020-11-26 | 2021-03-16 | 西安电子科技大学 | 一种图像清晰度评价方法、系统、存储介质、设备及应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8295606B2 (en) | Device and method for detecting shadow in image | |
| JP4153108B2 (ja) | 画像処理方法、画像処理装置及び記録媒体 | |
| US8837836B2 (en) | Image processing device identifying attribute of region included in image | |
| JP5647878B2 (ja) | 鋼管内部腐食解析装置及び鋼管内部腐食解析方法 | |
| JP3506958B2 (ja) | 画像処理方法、画像処理装置及び記録媒体 | |
| US9042630B2 (en) | Biomarker evaluation through image analysis | |
| CN109658330B (zh) | 一种发色调整方法及装置 | |
| EP2638508B1 (en) | System and method for identifying complex tokens in an image | |
| CN110691226B (zh) | 图像处理方法、装置、终端及计算机可读存储介质 | |
| US20140294296A1 (en) | Spatially varying log-chromaticity normals for use in an image process | |
| US9235773B2 (en) | Image processing device capable of determining types of images accurately | |
| CN118037739B (zh) | 数字病理图像的清晰度评价方法及其应用 | |
| CN117576121A (zh) | 一种显微镜扫描区域自动分割方法、系统、设备及介质 | |
| CN118037739A (zh) | 数字病理图像的清晰度评价方法及其应用 | |
| Fry et al. | Bridging the gap between imaging performance and image quality measures | |
| WO2020107196A1 (zh) | 一种对拍摄装置的拍摄质量评测方法、装置及终端设备 | |
| US8655099B2 (en) | Relationship maintenance in an image process | |
| CN116958510B (zh) | 一种目标检测框获取方法、装置、设备及存储介质 | |
| KR101560830B1 (ko) | 이미지 분할 장치 및 방법 | |
| CN112801112B (zh) | 一种图像二值化处理方法、装置、介质及设备 | |
| WO2021201205A1 (ja) | 表面状態の評価方法、表面状態の評価装置、及び、プログラム | |
| Turkar et al. | Evaluation of image segmentation on various color spaces in view of image processing on mobile devices | |
| CN115546208A (zh) | 一种大田作物株高测量方法、装置及应用 | |
| CN118154554A (zh) | 基于数字病理荧光图像标定方法及其应用 | |
| US20140050394A1 (en) | Weighted entropy minimization for optimizing a log-chromaticity normal for use in an image process |
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 |