CN104700375A - 一种基于主成分分析的病理图像视觉效果改善方法 - Google Patents
一种基于主成分分析的病理图像视觉效果改善方法 Download PDFInfo
- Publication number
- CN104700375A CN104700375A CN201510140162.XA CN201510140162A CN104700375A CN 104700375 A CN104700375 A CN 104700375A CN 201510140162 A CN201510140162 A CN 201510140162A CN 104700375 A CN104700375 A CN 104700375A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- image
- visual effect
- principal component
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于主成分分析的病理图像视觉效果改善方法,首先将病理图像采集到计算机中,然后将数字图像数据整理成观测矩阵形式,然后对其进行主成分分析,将矩阵的数据投影到主成分空间;在主成分空间对数据的第一主成分进行线性拉伸,从而增强数据间的区分度;然后将处理后的数据反投影回原来的空间,最后转换为图像存储形式,取得达到增强视觉效果的目的。本发明可用于病理图像视觉效果改善,对染色或成像过程中造成的病理图像视觉效果缺陷有着重要意义,具有广阔的市场前景和应用价值。
Description
技术领域
本发明是属于数字图像处理领域,特别涉及彩色图像增强的数字图像处理技术,具体设计一种基于主成分分析的病理图像视觉效果改善方法。
背景技术
病理切片的色彩是通过染色剂染色而得到的,其中最常用的染色方法是苏木精伊红染色。但是,由于染色过程中人工操作手法、染色剂配比的差异以及切片扫描过程中光照环境的差异,使最终用于诊断的病理图像颜色具有很大的差异,图像颜色过暗或过亮的情况都会导致其对比度下降,对医生的诊断造成影响。据此,需要一种病理图像的自动改善方法,来提高图像的视觉效果。
主成分分析是一种通过对多维数据线性变换,找出最能表达数据间相对关系的主要成分的方法,常被用于高维数据降维、数据挖掘等领域。将图像变换到主成分空间进行增强处理,在经过逆变换还原到彩色空间的方法可以在保持彩色图像原有色调的基础上取得图像增强的效果。
发明内容
针对上述技术问题,本发明提出一种基于主成分分析的病理图像视觉效果改善方法,本方法利用主成分分析对RGB彩色图像进行线性变换,在主成分空间对图像进行了增强处理,然后将增强后的主成分经过逆变换还原到RGB彩色空间,从而达到改善病理图像视觉效果的作用。
为达到上述目的,本发明所提出的技术方案为:一种基于主成分分析的病理图像视觉效果改善方法,其特征在于包括如下步骤:
步骤1:通过病理切片扫描仪对病理切片扫描到计算机中,存储为RGB三通道彩色图像;
步骤2:以RGB彩色病理图像的像素点为单位,将图像的每个通道拉伸成向量表示,共可得到三个向量,即将每个像素点看成一个数据点,每个数据点是一个三维向量;
步骤3:对步骤2构造的数据进行主成分分析,变换到三维的主成分空间;
步骤4:对第一主成分的数据进行线性拉伸,增加数据间的差异,保持第二、第三主成分不作处理;
步骤5:将处理后的三个主成分经过逆变换还原到RGB彩色空间,以达到增强效果。
采用上述技术方案,本发明所述的基于主成分分析的病理图像视觉效果改善方法,借助主成分分析的方法进行病理图像视觉效果改善,将图像投影到主成分空间,利用第一主成分代表数据最主要信息这一性质,按照观察需要对其进行线性拉伸,起到了增强数据间区分度的目的。在将处理后的主成分空间经过反变换转换到原空间时,对数据间区分度的增强转换为对病理图像对比度的增强,达到改善图像视觉效果的目的;利用本发明方法在改善视觉效果的同时并不会改变图像的色调,不会影响人对图像的认知习惯;算法较为简单,计算速度快,易于应用到工程中。总之,本发明方法可高效地对病理图像进行视觉效果改善,具有广阔的应用价值和市场前景。
附图说明
图1为本发明所述的基于主成分分析的病理图像视觉效果改善方法流程图;
图2为本发明实验用图,其中(a)为原始图像,(b)和(c)为不同程度上的改善效果;
图3为实施例1病理切片原始图像示意图;
图4为实施例1矩阵D的每行所表示的图像数据示意图;
图5为实施例1数据在主成分空间的可视化效果示意图;
图6为实施例1拉伸后的第一主成分示意图;
图7为实施例1病理图像视觉效果改善前后对比视图;
图8为本发明所述的病理图像视觉效果改善方法流程图像示意图。
具体实施方式
为了更好地理解本发明的技术方案,下面结合附图及具体实施例详细介绍本发明。
本发明是一种基于主成分分析的病理图像视觉效果改善方法,包括如下步骤:
步骤1:通过病理切片扫描仪将病理切片扫描到计算机中,存储为RGB三通道彩色图像;
步骤2:将每个像素看成一个三维的数据点,即红绿蓝三通道数据,然后将这些数据点按其在图像上从左到右,先行后列排列,最终形成一个行数为3,列数为图像像素数的一个观测矩阵;
步骤3:对步骤2中的观测矩阵进行中心化处理,然后计算其协方差矩阵,方式为观测矩阵右乘观测矩阵的转置,协方差矩阵为三阶方阵;
步骤4:计算协方差矩阵的特征值与特征向量,其中,特征值对应主成分分析中的各成分,特征值对应的特征向量即为将数据投影到这一成分上的投影向量,将特征向量按其所对应的特征值依从大到小的顺序进行排列,即可得到将观测矩阵转换到主成分空间的投影矩阵;
步骤5:利用投影矩阵将观测矩阵变换到主成分空间,观测矩阵在主成分空间的形式同样是一个行数为3,列数为图像像素数的矩阵,矩阵的第一行即为数据的第一主成分;
步骤6:对数据的第一主成分进行线性拉伸,扩大数据间的区分度;
步骤7:将处理后的主成分空间数据反投影回彩色空间;
步骤8:将数据经返中心化后重新排布成图像形式。
具体的,本发明方法的具体实现流程如图1,病理图像视觉效果改善方法流程图像示意图如图8所示,各步骤具体实施细节如下:
步骤1:将病理切片扫描到计算机中
想要使用计算机处理病理切片,首先要对病理切片进行扫描,当前的切片扫描技术已经能够便捷快速的将病理切片导入到计算机中;数字病理图像一般存储为RGB三通道彩色图像;
步骤2:将图像数据整理为一个观测矩阵
想要用矩阵的方法处理彩色图像,首先要将图像整理成一个二维矩阵,将一个大小为M×N的图像看作一个数据集合,集合中的数据可以表示为gi,j,c,其中i图像的横坐标,j为图像的纵坐标,c取R、G或B代表彩色图像的三个通道;
定义观测矩阵为:
步骤3:计算观测矩阵的协方差矩阵
协方差矩阵是主成分分析的必要步骤,在计算协方差之前需要对数据提前进行中心化处理,另矩阵D每一行的均值:
用D中每个元素dij减去对应行的均值mi得到中心化观测矩阵Dcenter。协方差矩阵:
为一个3×3矩阵;
步骤4:计算协方差矩阵的特征值与特征向量以及投影矩阵
设协方差矩阵C的特征值集合为{λ1,λ2,λ3},对应的特征向量集合为{x1,x2,x3},将特征向量按xi按照其对应的特征值λi从大到小的顺序排列组成投影矩阵:
P=[x′1,x′2,x′3] (4)
步骤5:将观测矩阵投影到主成分空间
有了投影矩阵就可以实现主成分空间转换了,另观测矩阵在投影空间的矩阵为:
E=(ei,j)3×MN=PTDcenter (5)
其中,ei,j代表数据i的在第j个成分的数值,矩阵E的第一行为数据的主成分;
步骤6:对数据的第一主成分进行线性拉伸,扩大数据间的区分度
令数据第一主成分分量为e1=[e1,1,e1,2,...,e1,MN],对其进行线性拉伸,拉伸结果:
e′1=αe1 (6)
其中,α为拉伸系数,实验表明,当α取1.2~1.5时效果较好;
步骤7:将处理后的主成分空间数据反投影回彩色空间
使用拉伸后的主成分分量e′代替矩阵E的第一行,令结果为E′,经反投影即可获得与中心化的观测矩阵Dcenter对应的增强结果D′center;
步骤8:将数据经返中心化后重新排布成图像形式
将D′center的每一行加上所对应维度的均值mi,然后按照公式(1)中列出的对应关系将其转换为RGB图像格式即可获得改善效果。
实施例1
如图3所示,图3为本实施例病理切片的原始图像,按步骤2将原图(图3)像转换为矩阵形式,其中i图像的横坐标,j为图像的纵坐标,c取R、G或B代表彩色图像的三个通道,用矩阵D表示。
其中矩阵D的每一行为图像的每个通道的数据,以灰度图像显示如图4所示。
进行按照步骤3至步骤5将矩阵D转换为主成分空间
E=(ei,j)3×MN
矩阵E的规模和原图像数据矩阵D相同,每一行代表一个成分,由3经过变换对应的主成分空间数据对应的可视化效果如图5所示。
按照步骤6将第一主成分进行线性拉伸,拉伸后的第一主成分如图6所示。
按照步骤7至步骤8将增强后的数据返回到RGB彩色空间,结果如图7所示,在不改变图像基础色调的基础上明显改善了图像视觉效果。
综上所述,本发明可应用于数字病理图像的视觉效果改善,可以在不改变图像基础色调基础上改善图像视觉效果,算法数学基础扎实,简单快捷,具有重要的意义,具有广阔的市场前景和应用价值。
Claims (5)
1.一种基于主成分分析的病理图像视觉效果改善方法,其特征在于,包括如下步骤:
步骤1:通过病理切片扫描仪将病理切片扫描到计算机中,存储为RGB三通道彩色图像;
步骤2:以RGB彩色病理图像的像素点为单位,将图像的每个通道拉伸成向量表示,共可得到三个向量,即将每个像素点看成一个数据点,每个数据点是一个三维向量;
步骤3:对步骤2构造的数据进行主成分分析,变换到三维的主成分空间;
步骤4:对第一主成分的数据进行线性拉伸,增加数据间的差异,保持第二、第三主成分不作处理;
步骤5:将处理后的三个主成分经过逆变换还原到RGB彩色空间,以达到增强效果。
2.根据权利要求1所述的一种基于主成分分析的病理图像视觉效果改善方法,其特征在于:所述步骤2将RGB彩色病理图像整理为一个观测矩阵,定义为:
其中gi,j,c为图像横坐标为i,纵坐标为j,通道为c的图像数据,c取R、G或B代表彩色图像的三个通道。
3.根据权利要求1所述的一种基于主成分分析的病理图像视觉效果改善方法,其特征在于:所述步骤3对观测矩阵D进行主成分分析;首先需要对数据提前进行中心化处理,另矩阵D每一行的均值
用D中每个元素dij减去对应行的均值mi得到中心化观测矩阵Dcenter;协方差矩阵
为一个3×3矩阵;
设协方差矩阵C的特征值集合为{λ1,λ2,λ3},对应的特征向量集合为{x1,x2,x3},将特征向量按xi按照其对应的特征值λi从大到小的顺序排列组成投影矩阵:
P=[x′1,x′2,x′3] (4)
有了投影矩阵就可以实现主成分空间转换了,另观测矩阵在投影空间的矩阵为:
E=(ei,j)3×MN=PTDcenter (5)
其中,ei,j代表数据i的在第j个成分的数值,矩阵E的第一行为数据的主成分。
4.根据权利要求1所述的一种基于主成分分析的病理图像视觉效果改善方法,其特征在于:所述步骤4对第一主成分的数据进行线性拉伸,增加数据间的差异,保持第二、第三主成分不作处理;
令数据第一主成分分量为e1=[e1,1,e1,2,...,e1,MN],对其进行线性拉伸,拉伸结果
e′1=αe1 (6)
其中,α为拉伸系数,使用拉伸后的主成分分量e′代替矩阵E的第一行,令结果为E′,经反投影即可获得与中心化的观测矩阵Dcenter对应的增强结果D′center。
5.根据权利要求1所述的一种基于主成分分析的病理图像视觉效果改善方法,其特征在于:所述步骤5将处理后的三个主成分经过逆变换还原到RGB彩色空间,即将D′center的每一行加上所对应维度的均值mi,然后按照公式(1)中列出的对应关系将其转换为RGB图像格式即可获得改善效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510140162.XA CN104700375A (zh) | 2015-03-27 | 2015-03-27 | 一种基于主成分分析的病理图像视觉效果改善方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510140162.XA CN104700375A (zh) | 2015-03-27 | 2015-03-27 | 一种基于主成分分析的病理图像视觉效果改善方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104700375A true CN104700375A (zh) | 2015-06-10 |
Family
ID=53347463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510140162.XA Pending CN104700375A (zh) | 2015-03-27 | 2015-03-27 | 一种基于主成分分析的病理图像视觉效果改善方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700375A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741266A (zh) * | 2016-01-22 | 2016-07-06 | 北京航空航天大学 | 一种病理图像细胞核快速定位方法 |
CN107705336A (zh) * | 2017-04-15 | 2018-02-16 | 北京航空航天大学 | 一种病理图像染色成分调节方法 |
CN110267038A (zh) * | 2019-06-28 | 2019-09-20 | 广东中星微电子有限公司 | 编码方法及装置、解码方法及装置 |
CN112750493A (zh) * | 2020-12-22 | 2021-05-04 | 深思考人工智能机器人科技(北京)有限公司 | 基于巴氏染色方式的dna倍体定量分析方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886553A (zh) * | 2014-03-10 | 2014-06-25 | 广东威创视讯科技股份有限公司 | 图像非局部均值去噪方法和*** |
-
2015
- 2015-03-27 CN CN201510140162.XA patent/CN104700375A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886553A (zh) * | 2014-03-10 | 2014-06-25 | 广东威创视讯科技股份有限公司 | 图像非局部均值去噪方法和*** |
Non-Patent Citations (2)
Title |
---|
HADZLI HASHIM ET AL: "《A Study on RGB Color Extraction of Psoriasis Lesion using Principle Component Analysis(PCA)》", 《4TH STUDENT CONFERENCE ON RESEARCH AND DEVELOPMENT(SCORED 2006》 * |
卫亚星等: "《遥感图像增强方法分析》", 《测绘与空间地理信息》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741266A (zh) * | 2016-01-22 | 2016-07-06 | 北京航空航天大学 | 一种病理图像细胞核快速定位方法 |
CN105741266B (zh) * | 2016-01-22 | 2018-08-21 | 北京航空航天大学 | 一种病理图像细胞核快速定位方法 |
CN107705336A (zh) * | 2017-04-15 | 2018-02-16 | 北京航空航天大学 | 一种病理图像染色成分调节方法 |
CN107705336B (zh) * | 2017-04-15 | 2021-08-06 | 北京航空航天大学 | 一种病理图像染色成分调节方法 |
CN110267038A (zh) * | 2019-06-28 | 2019-09-20 | 广东中星微电子有限公司 | 编码方法及装置、解码方法及装置 |
CN112750493A (zh) * | 2020-12-22 | 2021-05-04 | 深思考人工智能机器人科技(北京)有限公司 | 基于巴氏染色方式的dna倍体定量分析方法及*** |
CN112750493B (zh) * | 2020-12-22 | 2024-05-03 | 深思考人工智能机器人科技(北京)有限公司 | 基于巴氏染色方式的dna倍体定量分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Image super-resolution using a dilated convolutional neural network | |
Du et al. | Fully convolutional measurement network for compressive sensing image reconstruction | |
CN102903089B (zh) | 一种Linux环境下生成遥感图像快视图的方法 | |
CN104700375A (zh) | 一种基于主成分分析的病理图像视觉效果改善方法 | |
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 | |
CN105631807A (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
CN102436655B (zh) | 一种基于svd的超分辨率重建图像质量评价方法 | |
US20190266395A1 (en) | Method and device for segmenting lines in line chart | |
CN111161274B (zh) | 腹部图像分割方法、计算机设备 | |
CN102110289A (zh) | 基于变分框架的彩色图像对比度增强方法 | |
CN105513033A (zh) | 一种非局部联合稀疏表示的超分辨率重建方法 | |
CN113139904B (zh) | 一种图像盲超分辨率方法及*** | |
CN104036498B (zh) | 一种基于逐层分级的oct图像质量快速评价方法 | |
CN101183460B (zh) | 彩色图像背景杂波量化方法 | |
CN114049314A (zh) | 一种基于特征重排和门控轴向注意力的医学图像分割方法 | |
CN106169174A (zh) | 一种图像放大方法 | |
Han et al. | Structural information-based image quality assessment using LU factorization | |
CN104091364B (zh) | 单幅图像超分辨重建方法 | |
CN110473177B (zh) | 皮肤色素分布预测方法、图像处理***及存储介质 | |
CN114677377A (zh) | 显示屏缺陷检测方法、训练方法、装置、设备及介质 | |
CN103020936A (zh) | 一种人脸图像超分辨率重构方法 | |
CN111583412B (zh) | 构建书法浮雕深度学习网络的方法及构建书法浮雕的方法 | |
CN106530253B (zh) | 一种sar图像压缩感知重建样本的构建方法 | |
CN113298714B (zh) | 一种基于深度学习的图像跨尺度超分辨率方法 | |
CN115439397A (zh) | 用于无卷积图像处理的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150610 |