CN106530279B - 一种图像处理方法及*** - Google Patents
一种图像处理方法及*** Download PDFInfo
- Publication number
- CN106530279B CN106530279B CN201610899416.0A CN201610899416A CN106530279B CN 106530279 B CN106530279 B CN 106530279B CN 201610899416 A CN201610899416 A CN 201610899416A CN 106530279 B CN106530279 B CN 106530279B
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- processing
- scanning
- threshold
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像处理方法及***,所述方法包括以下步骤:步骤1、采集图像并对采集到的图像进行预处理;步骤2、对预处理后的图像进行对比度优化处理,提高目标图像与背景图像的对比度;步骤3、生成初始扫描掩模;步骤4、对步骤2处理后的图像进行掩模扫描二值化处理;步骤5、对二值化处理后的图像进行质量评估,若质量指标未达到预设的范围则生成新的扫描掩模并返回步骤4;若质量指标达到预设的范围则输出最终二值化图像。所述***包括光源、图像采集单元、图像预处理单元、图像数据处理单元、图像显示单元等,本发明方法的泛用性好,对于同一原始图像数据阵列,可施行更准确的目标图像分割。
Description
技术领域
本发明属于图像处理领域,特别是一种掩模扫描式最大类间方差阈值分割法及***。
背景技术
近红外血管成像技术,广泛应用于临床静脉血管成像和定位,安防***的血管成像和虹膜检测和识别,以及病理诊断和健康护理等众多领域。
通常的近红外血管成像经常受到硬件***器件特性和外部环境的影响,使得所采集到的原始图像信息里含有器件和***的固有噪声、外部环境的背景光噪声、光电转换的量子噪声等多种噪声。而这些噪声使得成像对比度和分辨率都比较低,结果不能满足临床应用、检测和鉴别、诊断和护理的要求。
目前针对上述问题,已经有很多方法和技术被提出来,用以处理含有各种噪声成分的原始图像数据,以区分真实血管图像的信号和噪声信号,提高血管图像数据与周围肌体组织图像数据的对比度,从而能够准确定位血管结构,生成清晰鲜明的目标血管图像。
其中常用的方法有经典单阈值分割法、直方图均衡化、高通锐化、以及全局大津阈值分割法等等。对图像原始数据进行信号处理时,最常用到的像素分割方法是基于阈值二值化的分割法,即通过设定单个或多个阈值,将图像的每个像素值分别归类于目标像素和背景像素两个类别,每个类别的像素赋予同一个值,生成仅含有高低两种值的图像作为分割结果。
上述图像分割法中,直方图双峰法(Prewitt J M S.Object enhancement andextraction[J].Picture processing and Psychopictorics,1970,10(1),pp.15-19.)是一种基于直方图的阈值确定方法。该方法假定所获得图像数据中的目标像素和背景像素在灰度上有较为明显的差异,其直方图呈双峰分布,故可选取两峰之间的谷底对应的灰度作为阈值。但是该方法采用图像全局处理的方法,对于整个图像产生单一阈值进行分割,在图像细节丰富以及对比度较低时无法有效地分割出目标信息。
日本人大津展之提出了一种全局大津阈值分割法(Nobuyuki Ootsu,“Athreshold selection method from gray-level histograms”,IEEE Trans.Syst ManCybern Vol.SMC-9,1,Jan.1979,pp.62-66.),这是一种全局自适应二值化法确定阈值的方法,即最大类间方差阈值法。这种方法按图像的灰度特性设定阈值,根据灰度阈值将图像数据分为目标像素和背景像素两大部类,对这两类像素进行类间方差最大化的分割,即根据双模直方图假定包含两类像素(目标像素和背景像素),通过计算获取能将两类像素区分开来的阈值,使得它们的类内方差最小;而由于像素间欧式距离恒定,所以在此阈值下它们的类间方差最大,该阈值定义为最佳阈值。
但在这类图像分割方法中,确定阈值是一个极为重要却较为困难的环节。使用广泛的传统大津阈值分割法,也仅仅针对图像全局考虑,生成单一阈值。这种全域单一阈值方法,对低对比度的原始图像处理,经常表现出力不从心,即不容易分辨目标图像和背景图像的轮廓差异,不易恢复再生清晰的目标图像。
发明内容
本发明所解决的技术问题在于提供一种图像处理***及方法。
实现本发明目的的技术解决方案为:一种图像处理方法,包括以下步骤:
步骤1、采集图像并对采集到的图像进行预处理;
步骤2、对预处理后的图像进行对比度优化处理,提高目标图像与背景图像的对比度;
步骤3、生成初始扫描掩模;
步骤4、对步骤2处理后的图像进行掩模扫描二值化处理;
步骤5、对二值化处理后的图像进行质量评估,若质量指标未达到预设的范围则生成新的扫描掩模并返回步骤4;若质量指标达到预设的范围则输出最终二值化图像。
一种实现上述处理方法的***,包括
光源,用于对目标物体进行照射;
图像采集单元,用于对目标图像进行采集;
图像预处理单元,接收图像采集单元采集的原始图像,并对图像进行灰度量化和高斯平滑滤波处理,滤除图像中的高频噪声;
图像数据处理单元,用于对图像进行直方图均衡化处理后再对图像进行掩模二值化处理,生成处理后的二值化图像;
图像显示单元,用于对处理后的图像进行显示;
中央处理器,用于对上述各单元进行协调控制。
本发明与现有技术相比,其显著优点为:1)本发明方法的泛用性好,对于同一原始图像数据阵列,可施行更准确的目标图像分割;2)用本发明方法处理后的图像对比度高,对于同一原始图像数据阵列,可得到更高的图像对比度、更多的图像细节,具有更高的信噪比;3)本发明方法的分辨度高,对于低对比度的原始图像数据阵列,有更好的目标图像分割性能,能更明确区分目标图像特征与背景图像特征的差异,得到更清晰的目标图像;4)本发明方法的广谱稳定性好,不仅适用于近红外光谱,对可见光等其他波段的图像数据阵列也有稳定的改善效果;5)本发明方法的可移植性强,本发明的核心算法可在上位机编制和实行,也可上位机和下位机***集成实行,还可嵌入下位机实行可携带全自动智能化集成***;6)本发明尤其适用于在***噪声和背景噪声严重影响图像质量的条件下,能够在低对比度的血管图像中区分所测目标血管与其它肌体组织,对血管结构进行精确定位和还原,以生成更为精确的血管二维分布图像和三维构造图像,从而可提供血管分布和构造的更为精确的信息。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明的图像处理方法流程图。
图2是本发明的图像处理***结构框图。
图3是本发明的图像处理***的功能架构示意图。
图4是本发明的图像处理***的前端处理模块。
图5是本发明的图像处理***的后端处理模块。
图6是使用本发明方法处理的结果与其它方法处理结果的对比图,其中上左图:波长810nm光照下的手背原始图像,上中图:直方图均衡化处理后的成像结果图;上右图:直方图双峰法单阈值分割处理后的成像结果图;下左图:高通锐化处理后的成像结果图,下中图:传统全局大津法处理后的成像结果图,下右图:本发明方法处理后的成像结果图。
图7是使用本发明方法处理的结果与其它方法处理结果的指标定量比较图。
具体实施方式
一种图像处理方法,包括以下步骤:
步骤1、采集图像并对采集到的图像进行预处理;对采集的图像进行预处理具体是对图像进行灰度量化和高斯平滑滤波处理,滤除图像信号里的高频噪声。
步骤2、对预处理后的图像进行对比度优化处理,提高目标图像与背景图像的对比度;对预处理后的图像进行对比度优化处理具体是对图像进行直方图均衡化处理,从而提高目标图像与背景图像的对比度。
步骤3、生成初始扫描掩模;具体包括以下步骤:
步骤3-1、设置初始化二值化统计映射表,该映射表大小与所处理图像尺寸相同,该映射表的初始值设置为零;
步骤3-2、掩模设置,取尺寸大小为m*m的掩模作为图像二值化处理的最小单元,m代表掩模边长占用的像素数目,其数值小于矩形对象图像的最小边长占用的像素数目。
步骤4、对步骤2处理后的图像进行掩模扫描二值化处理;具体包括以下步骤:
步骤4-1、掩模扫描,掩模左边缘与图像左上角边缘对齐,以图像左上角第一块与掩模尺寸一致的区域为起始子域,以从左至右、从上至下的方式,以预置的扫描步长进行扫描,直至遍历至掩模右边缘与图像右下角边缘对齐,扫描结束;
掩模扫描过程中,以预置的扫描步长进行扫描时,新的掩模位置跟前次掩模位置边界相连,或跟前次掩模位置存在重合,保证图像处理的连续性。
步骤4-2、对于每步扫描掩模覆盖的区域,进行基于最大类间方差法的阈值二值化分割处理,具体为:对于每步扫描掩模覆盖的区域使用大津法找出该区域的最优二值化阈值,然后根据此阈值对图像进行二值化处理,高于该阈值的像素赋值为1,低于该阈值的像素赋值为0,并将该区域的像素值叠加到步骤3-1中二值化统计映射表的对应位置中,每步扫描均会生成一个二值图像阵列,该图像阵列大小和对应的掩模大小相同,其像素值均一一映射叠加至二值化统计映射表的对应位置;
步骤4-3、对二值化统计映射表各像素进行判别处理,具体是结合扫描步长,确定每个点被扫描到参与掩模运算的次数,根据每个点被扫描到的次数,生成一个与像素位置一一对应的阈值映射表,将二值化统计映射表的像素值与阈值映射表对应位置的值进行比较,大于阈值者设定为1,小于阈值者设定为0,生成该次处理的二值化图像。
阈值映射表中的阈值与每个点被扫描到次数存在比率关系k,该比率关系根据需要进行调整,调整该比率即可改变阈值映射表,所述比率关系k不为0。
步骤5、对二值化处理后的图像进行质量评估,若质量指标未达到预设的范围则生成新的扫描掩模并返回步骤4;若质量指标达到预设的范围则输出最终二值化图像。对二值化处理后的图像进行质量评估时,质量评估的内容包括归一化平均梯度、信噪比、对比度噪声比。
一种实现上述处理方法的***,包括
光源,用于对目标物体进行照射,用于发出可见光或不可见光;
图像采集单元,用于对目标图像进行采集;
图像预处理单元,接收图像采集单元采集的原始图像,并对图像进行灰度量化和高斯平滑滤波处理,滤除图像中的高频噪声;
图像数据处理单元,用于对图像进行直方图均衡化处理后再对图像进行掩模二值化处理,生成处理后的二值化图像;
图像显示单元,用于对处理后的图像进行显示;
中央处理器,用于对上述各单元进行协调控制。
该***还包括依次连接的波长选择单元和准直和分光单元,设置在光源和目标物体之间。
下面进行更详细的描述。
本发明公开一种图像处理方法。本发明公开的图像处理和图像成像方法是一种掩模扫描式最大类间方差阈值分割法图像处理和成像方法,该方法包含一种对原始数字图像信号阵列全域施行掩模扫描、在掩模覆盖的子域内对原始图像含有的目标图像信息和背景图像信息进行二值分割、对原始图像全域进行自适应掩模扫描分割的算法以及实现自适应掩模扫描分割的信号处理流程,对二维或三维图像全域的信号进行掩模扫描式最大类间方差阈值分割处理,抑制混杂在原始图像信号里的各种背景光噪声和器件以及***噪声的影响,抽出高对比度的图像信息,生成高清晰度的目标图像。基于本发明的图像处理和成像***,所得到的图像细节丰富,具有更高的对比度,使得目标图像的视觉效果更为清晰。本发明尤其适用于处理原始对比度较低的图像,通过扫描分割提取目标图像的有效位置信息以提高图像对比度。
本发明的图像处理方法可用于处理光谱图像包括可见光和不可见光产生的图像,也可处理其它方式所获取信号包括但不限于电磁信号和声音信号,目标是生成高清晰度的图像。本发明不仅可用于二维图像,还可用于三维图像。本发明的实施例涉及一种生物医用图像处理方法,尤其是一种近红外静脉血管图像处理方法以及实现该方法的高分辨度静脉血管成像***。以下以一种近红外静脉血管二维图像处理方法以及实现该方法的高分辨度静脉二维血管成像***为例对本发明做详细的描述。
本发明的目的是增强目标图像的信噪比、抽提并强化目标图像与背景图像的边界差异即提高目标图像轮廓的清晰度、提高图像成像质量指标的归一化平均梯度和对比度噪声比。所述图像处理的核心内容包括掩模扫描式最大类间方差阈值分割法(在不致误解的前提下,所述掩模扫描式最大类间方差阈值分割法将在本发明中简称为掩模扫描分割法,基于所述掩模扫描分割法生成高分辨度图像的过程和结果称为掩模扫描分割法成像)以及施行该方法的算法、步骤和实现方法与方案。所述***结构是基于前述掩模扫描分割法成像技术的高分辨度成像***结构,包含硬件结构和软件架构以及通信线路和接口。本发明的实现方案和核心结构包含下述功能结构和步骤,即视频或图像信号的连续采集和图像信号按帧读取、图像信号预处理、对比度初步优化、掩模参数设置、掩模扫描最大类间方差二值化分割、自适应优化。本发明将人体静脉血管图像信号成分称为目标图像,将静脉血管周围其它肌体的图像信号成分称为背景图像。根据应用要求和光源与图像信号生成的关系,本发明的图像信号采集方式可以是反射式、透射式、散射式或非线性波长生成包括荧光图像等。所述光源的波长范围可以是可见光或不可见光波段。根据实际应用,所述图像可以是静止图像或动态图像,包括视频图像信号。所述图像将按帧读入所实现的图像处理***,其特征是对每帧读入图像进行帧信号完整性的判断,以避免信号不完整或像素缺失带来的不利影响。
本发明包含一种对原始数字图像信号的像素阵列进行掩模扫描、像素分类的方法,该方法对二维原始图像的像素阵列进行掩模设置、对掩模下的图像信号进行扫描式最大类间方差阈值分割处理,抑制混杂在原始图像信号里各种背景光噪声和器件以及***噪声的影响,抽出高对比度的图像信息,生成高清晰度的目标图像。本发明适用于但不限于近红外血管成像***,包括静脉成像,手指、手掌、手背、面部血管成像,以及其它肌体部位的血管成像***,上述成像包括二维和三维成像。最直接的临床应用,包括但不限于静脉穿刺辅助定位、静脉血管三维成像、针刺定位等等,以及血管特征识别、眼睛识别、面部识别等检测和鉴定应用。
本发明原理为:对于含有多重图像信号成分的生物医学图像,施行掩模扫描式最大类间方差阈值分割,实现自适应局部最佳处理,提高对比信噪比等图像质量评估指标,生成高分辨度的目标图像。本发明原理的主要技术步骤包括:对低对比度的原始图像信号,施行直方图均衡化,以实现对比度的初步提高;再通过设置掩模和扫描掩模的方法对掩模覆盖图像的每个局部像素进行二值化处理,实现局部自适应而非全局的处理方式;对于每个掩模区域内的处理,假定图像包含两类像素(目标像素和背景像素),通过计算获取能将两类像素分开的阈值,使得它们的类内方差最小;由于像素间欧氏距离恒定,所以它们的类间方差最大,该阈值即为最佳阈值;据此最佳阈值,通过经典二值化的方式,可将掩模区域中目标静脉血管特征与非静脉血管的背景肌体特征更鲜明地区分出来;对整幅图像中所有像素点在掩模扫描过程中的二值化结果进行统计优化判别,可以得到每一像素的最佳二值化结果,从而实现全图的最佳分割处理。本发明实行过程中,将根据前述分割结果对所生成图像的质量施行定量评估;所述评估采用的技术指标,包括但不限于归一化平均梯度、信噪比、对比度噪声比等等;所述评估指标达到预设最佳指标范围内时,认定设置的掩模为最佳掩模;为获取最佳掩模,可能需要重复多个扫描二值化和图像质量评估过程,这个过程在本发明技术中称为自适应优化过程。
图2是本发明一个实现和测试方案的***结构图,所包含的主要单元分别说明如下。中央处理器1000,其功能和结构包括内存储器、控制器、处理器、界面接口,用以存储相关软件程序、控制和驱动程序、存储、处理、输出数据等等。该中央处理器可以是上位机,可以是上位机和下位机的结合,也可以是专用处理器或嵌入式处理器***;本公开的案例中采用上位机即泛用计算机作为中央处理器,本发明技术相关的图像处理算法、控制程序、输出输入界面、分析和显示程序,就预置于该计算机内或通过该计算机进行控制和施行。光源120及其驱动和控制单元110、以及波长选择单元130;本发明适用的光源包括可见光和不可见光,本发明实现及测试和评估案例将采用近红外光源为例。目标物体150;本发明中将以人体组织为例,更具体地,以人体手背为目标物体。反射光160;本发明技术适用于各种透射、散射、反射成像的图像,在方案实施案例中,以反射光成像的图像为例。图像采集单元220及其驱动与控制单元210,包含光信号检测器、相关光学组件和电子组件以及驱动和控制组件;本方案将用CCD阵列组件模块来采集图像信号。图像预处理单元310,其功能包含通过预置软件程序对所述***所采集的图像信号进行滤波平滑处理、经该预处理的图像信号送入中央处理器1000。图像处理单元320,由预置于中央处理器的软件程序进行解析、施行本发明技术的处理。图像显示单元400,包含显示软件程序、信号界面与接口、显示屏。操作单元500,在本实现案例中为操作键盘或触控屏幕、相关的操作按钮和光机电控制按钮以及所需界面接口。外存储媒介610及其接口620,本实现方案中以预置于计算机的磁盘及其USB接口为例。
结合图3,所述软件***的前端功能结构和处理机制含有控制模块单元和显示模块单元,所述软件***的后端功能结构和处理机制含有图像采集通信单元、信号解析模块单元、图像处理模块单元。所述软件***具有移植性,即可在上位机实行,也可嵌入于下位机实现。本实现方案以上位机实现为例。上位机接收到***所采集的图像信号(本发明实现方案中为视频图像信号)后,***软件对原始视频信号进行初始化处理,包括上位机软件对视频信号进行解析,将视频转化为图像序列,对每一帧图像进行处理。
图3是本发明技术软件架构的前端功能结构及其处理机制,该前端结构及其功能包括用户控制指令的交互(I/O)、与后端处理机制的交互、图像显示。该前端处理机制的实现基于上位机的集成开发环境与商用图形界面开发框架。前端功能程序采用面向对象设计,XML用于存储传输给前端的数据,Javascript用于前端界面的渲染。
图4显示本发明软件***后端功能结构及其处理机制,该后端结构功能包括实时视频图像数据采集、视频图像信号解析和帧图像转换、图像像素信息的分类和存储、目标图像的生成和输出。本发明实现方案中,后端功能结构的实现基于Visual Studio 2012集成开发环境,并配置开源计算机视觉开发工具OpenCV,为视频解析与图像处理模块提供应用程序接口。后端软件开发也可采用C++面向对象程序设计,使得程序具备一定的模块特性和可移植特性。
结合图1,本发明的图像处理方法,包括以下步骤:
1.将三通道彩色图像转化为单通道灰度图像,并进行灰度量化;
2.对灰度图像进行高斯平滑滤波。主要目的是减少乃至去除原始图像中的噪声影响;
3.对滤波后的图像进行直方图均衡化处理。由于采集到的原始信号对比度较低,该功能的主要目的是扩展原始图像的像素取值的动态范围,提高图像对比度,从而强化目标静脉血管与非静脉血管肌体部分的轮廓差异;
4.对直方图均衡化后的图像进行掩模扫描二值化处理,目的是将图像数据中目标血管像素与非血管肌体部分的像素以二值的形式进行分类。该处理过程细分步骤如下:
4.1)设置初始化二值化统计映射表:该映射表大小与所处理图像尺寸相同,该映射表的初始值设置为零,该映射表将用于统计最终各对应位置的像素被分类为目标像素(或背景像素)的次数。
4.2)掩模设置:取尺寸大小为m*m的掩模作为图像二值化处理的最小单元,m代表掩模边长占用的像素数目,其数值小于矩形对象图像的最小边长占用的像素数目。
4.3)掩模扫描:掩模左边缘与图像左上角边缘对齐,以图像左上角第一块与掩模尺寸一致的区域为起始子域,以从左至右、从上至下的方式,以预置的扫描步长进行扫描,直至遍历至掩模右边缘与图像右下角边缘对齐,扫描结束;
4.4)对于每步扫描掩模覆盖的区域,进行基于最大类间方差法的阈值二值化分割处理。对于每个区域使用大津法找出该区域的最优二值化阈值,然后根据此阈值对图像进行二值化,高于该阈值的像素赋值为1(此为归一化后灰度图的最大值),低于该阈值的像素赋值为0,并将该区域的像素值叠加到4.1)中初始化生成的二值化统计映射表的对应位置中。每步扫描会生成一个二值图像阵列,该图像阵列大小和对应的掩模大小相同,其像素值将一一映射叠加至二值化统计映射表的对应位置;
4.5)对二值化统计映射表各像素进行判别处理。扫描结束后,二值化统计映射表的像素值保存着该位置的像素值被判定为1的次数,而最终生成的二值图像需要对每个位置的像素值取值为1还是0进行判别。结合扫描步长,可以得出每个点被扫描到参与掩模运算的次数,根据每个点被扫描到的次数,可以生成一个与像素位置一一对应的阈值映射表,我们这里可以将阈值设定为每个点被扫描到次数的一定比率,调整这个比率即可改变阈值映射表。将第三方图像的像素值与阈值映射表对应位置的值进行比较,大于阈值者设定为1,小于阈值者设定为0,生成该次处理的二值化图像。
5.***对输出的二值化图像进行质量指标的定量评估。如果质量指标尚未达到预设最佳指标范围,则重新生成新的扫描掩模,再次进入扫描二值化处理。当质量指标达到预设最佳指标范围内时,认定所设置的掩模为最佳掩模,***输出最终二值化图像。
实施例
本实施例中使用近红外光作为光源照射目标肌体后生成的图像作为处理对象。光源波长为810nm,目标图像为人体手背的静脉血管。手背皮肤下面有血管分布,血管包括静脉血管,本实施例中的目标图像以静脉血管图像为例。
所述实施例使用覆盖可见光和近红外波段的矩阵光检测器接收来自手背的反射光信号,该反射光信号包含静脉反射光信号、非静脉肌体的反射光信号、各种器件噪声以及背景光噪声信号成分;所述实施例对采集到的反射光图像数据进行信号预处理,该处理包括平滑化滤波去除噪声;通过直方图均衡化,初步提高目标血管图像与周围肌体图像的对比度,以增强显示血管图像与周围肌体组织图像的轮廓差异。所述实施例在图像信号预处理后,对直方图均衡化的图像像素阵列设定掩模,对每个掩模下的图像像素进行二值化处理,在所述每个掩模二值化的过程中采用类间方差最大化的方法来确定掩模局部最优二值化阈值。所述实施例对于整个图像的每个子域产生一套自适应的二值化阈值,进而完成二值化分割出静脉血管与非静脉血管部分。
图6是用5种不同技术处理所得结果的效果图比较,图6的右下角是本发明技术所得的图像处理和成像结果。在同一噪声背景下,本发明得到了视觉效果最为清晰的静脉血管图像。图7是对同一原始图像用5种不同技术处理所得结果的定量图示,即对图6所示图像进行指标定量图示的结果。对应于图7,表1也列出了各指标具体定量结果。比较各指标可见,在保持信噪比几乎不变的条件下,基于本发明技术和实现方案的图像处理结果,归一化平均梯度比其它技术和结构分别提高6.8%~46.5%,对比度噪声比分别提高2%~143%。
表1 各种图像处理技术的定量指标比较
由图6和表1可知,本发明方法处理后的目标图像与背景图像的轮廓差异(边界清晰度)明显得到强化。由上可知,本发明基于经典的阈值二值化思想,提出一种掩模扫描式最大类间方差阈值分割法,以局部确定最佳分割阈值的方式对图像局部进行二值分割,结合统计学判别的方法实现全局二值化分割,并通过自适应的方法实现最优分割性能。本发明的方法对采集到的图像原始数据进行扫描式分割处理,可以将血管与周围组织的信号分离开来。原始图像数据经过本发明方法的处理,图像对比度得到提高,所生成的血管图像跟周围肌体组织图像有更加清晰明显的分界,血管图像的分辨度即可识别度得到明显提高。基于本发明技术的***图像处理结果表明,图像定量评价指标,如归一化平均梯度和对比度噪声比相比其它技术和结构都得到了提高。
Claims (9)
1.一种图像处理方法,其特征在于,包括以下步骤:
步骤1、采集图像并对采集到的图像进行预处理;
步骤2、对预处理后的图像进行对比度优化处理,提高目标图像与背景图像的对比度;
步骤3、生成初始扫描掩模;
步骤4、对步骤2处理后的图像进行掩模扫描二值化处理,具体包括以下步骤:
步骤4-1、掩模扫描,掩模左边缘与图像左上角边缘对齐,以图像左上角第一块与掩模尺寸一致的区域为起始子域,以从左至右、从上至下的方式,以预置的扫描步长进行扫描,直至遍历至掩模右边缘与图像右下角边缘对齐,扫描结束;
步骤4-2、对于每步扫描掩模覆盖的区域,进行基于最大类间方差法的阈值二值化分割处理,具体为:对于每步扫描掩模覆盖的区域使用大津法找出该区域的最优二值化阈值,然后根据此阈值对图像进行二值化处理,高于该阈值的像素赋值为1,低于该阈值的像素赋值为0,并将该区域的像素值叠加到步骤3-1中二值化统计映射表的对应位置中,每步扫描均会生成一个二值图像阵列,该图像阵列大小和对应的掩模大小相同,其像素值均一一映射叠加至二值化统计映射表的对应位置;
步骤4-3、对二值化统计映射表各像素进行判别处理,具体是结合扫描步长,确定每个点被扫描到参与掩模运算的次数,根据每个点被扫描到的次数,生成一个与像素位置一一对应的阈值映射表,将二值化统计映射表的像素值与阈值映射表对应位置的值进行比较,大于阈值者设定为1,小于阈值者设定为0,生成该次处理的二值化图像;
步骤5、对二值化处理后的图像进行质量评估,若质量指标未达到预设的范围则生成新的扫描掩模并返回步骤4;若质量指标达到预设的范围则输出最终二值化图像。
2.根据权利要求1所述的图像处理方法,其特征在于,步骤1中对采集的图像进行预处理具体是对图像进行灰度量化和高斯平滑滤波处理,滤除图像信号里的高频噪声。
3.根据权利要求1所述的图像处理方法,其特征在于,步骤2对预处理后的图像进行对比度优化处理具体是对图像进行直方图均衡化处理,从而提高目标图像与背景图像的对比度。
4.根据权利要求1所述的图像处理方法,其特征在于,步骤3生成初始扫描掩模具体包括以下步骤:
步骤3-1、设置初始化二值化统计映射表,该映射表大小与所处理图像尺寸相同,该映射表的初始值设置为零;
步骤3-2、掩模设置,取尺寸大小为m*m的掩模作为图像二值化处理的最小单元,m代表掩模边长占用的像素数目,其数值小于矩形对象图像的最小边长占用的像素数目。
5.根据权利要求1所述的图像处理方法,其特征在于,步骤4-1中掩模扫描过程中,以预置的扫描步长进行扫描时,新的掩模位置跟前次掩模位置边界相连,或跟前次掩模位置存在重合,保证图像处理的连续性。
6.根据权利要求1所述的图像处理方法,其特征在于,步骤4-3阈值映射表中的阈值与每个点被扫描到次数存在比率关系k,该比率关系根据需要进行调整,调整该比率即可改变阈值映射表,所述比率关系k不为0。
7.根据权利要求1所述的图像处理方法,其特征在于,步骤5对二值化处理后的图像进行质量评估时,质量评估的内容包括归一化平均梯度、信噪比、对比度噪声比。
8.一种实现权利要求1~7所述处理方法的***,其特征在于,包括
光源,用于对目标物体进行照射,用于发出可见光或不可见光;
图像采集单元,用于对目标图像进行采集;
图像预处理单元,接收图像采集单元采集的原始图像,并对图像进行灰度量化和高斯平滑滤波处理,滤除图像中的高频噪声;
图像数据处理单元,用于对图像进行直方图均衡化处理后再对图像进行掩模二值化处理,生成处理后的二值化图像;
图像显示单元,用于对处理后的图像进行显示;
中央处理器,用于对上述各单元进行协调控制。
9.根据权利要求8所述的***,其特征在于,还包括依次连接的波长选择单元和准直和分光单元,设置在光源和目标物体之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610899416.0A CN106530279B (zh) | 2016-10-15 | 2016-10-15 | 一种图像处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610899416.0A CN106530279B (zh) | 2016-10-15 | 2016-10-15 | 一种图像处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530279A CN106530279A (zh) | 2017-03-22 |
CN106530279B true CN106530279B (zh) | 2019-04-16 |
Family
ID=58331965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610899416.0A Active CN106530279B (zh) | 2016-10-15 | 2016-10-15 | 一种图像处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530279B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358224B (zh) * | 2017-08-18 | 2021-01-05 | 北京工业大学 | 一种白内障手术中虹膜外轮廓检测的方法 |
CN111357013B (zh) * | 2017-11-28 | 2023-05-02 | 指纹卡安娜卡敦知识产权有限公司 | 生物计量成像***和使用生物计量成像***确定生物计量对象的特性的方法 |
CN108630303A (zh) * | 2018-04-28 | 2018-10-09 | 江苏医像信息技术有限公司 | 云标注*** |
CN108648189B (zh) * | 2018-05-15 | 2022-04-05 | 北京五八信息技术有限公司 | 图像模糊检测方法、装置、计算设备及可读存储介质 |
CN110675325B (zh) * | 2018-07-03 | 2023-04-28 | 柯鑫 | 一种增强眼底图像的方法和装置 |
CN109238238B (zh) * | 2018-09-05 | 2020-12-11 | 浙江大丰实业股份有限公司 | 舞台表演者自动定位*** |
CN109685739A (zh) * | 2018-12-25 | 2019-04-26 | 中国科学院苏州生物医学工程技术研究所 | 伤口创面图像处理方法及采用该方法的伤口创面治疗*** |
CN109767398A (zh) * | 2019-01-10 | 2019-05-17 | 江西财经大学 | 一种计算机图像处理*** |
CN110033441A (zh) * | 2019-03-22 | 2019-07-19 | 无锡中微掩模电子有限公司 | 一种无损、高精度掩模图形的分层提取方法 |
CN112907164A (zh) * | 2019-12-03 | 2021-06-04 | 北京京东乾石科技有限公司 | 物体定位方法和装置 |
CN111583159B (zh) * | 2020-05-29 | 2024-01-05 | 北京金山云网络技术有限公司 | 一种图像补全方法、装置及电子设备 |
CN113516035A (zh) * | 2021-05-06 | 2021-10-19 | 佛山市南海区广工大数控装备协同创新研究院 | 一种多接口融合的指纹图像前处理方法 |
CN113888537B (zh) * | 2021-12-03 | 2022-04-12 | 深圳市网旭科技有限公司 | 掩模提取方法、装置、设备及存储介质 |
CN114627146A (zh) * | 2022-03-15 | 2022-06-14 | 平安科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114581443B (zh) * | 2022-05-06 | 2022-08-26 | 中科慧远视觉技术(北京)有限公司 | 一种图像处理方法、装置、计算机设备和可读存储介质 |
CN117575950A (zh) * | 2023-11-22 | 2024-02-20 | 魅杰光电科技(上海)有限公司 | 一种图像预处理方法、装置、设备及其存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096821A (zh) * | 2010-04-15 | 2011-06-15 | 西安理工大学 | 基于复杂网络理论的强干扰环境下的车牌识别方法 |
CN102122354A (zh) * | 2011-03-15 | 2011-07-13 | 上海交通大学 | 基于自适应特征块选择的步态识别方法 |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN104463161A (zh) * | 2013-09-24 | 2015-03-25 | 柯尼卡美能达美国研究所有限公司 | 使用自动图像修补的彩色文档图像分割和二值化 |
CN105608708A (zh) * | 2016-03-02 | 2016-05-25 | 浙江宇视科技有限公司 | 基于分块平面拟合的图像二值化方法及装置 |
-
2016
- 2016-10-15 CN CN201610899416.0A patent/CN106530279B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096821A (zh) * | 2010-04-15 | 2011-06-15 | 西安理工大学 | 基于复杂网络理论的强干扰环境下的车牌识别方法 |
CN102122354A (zh) * | 2011-03-15 | 2011-07-13 | 上海交通大学 | 基于自适应特征块选择的步态识别方法 |
CN104463161A (zh) * | 2013-09-24 | 2015-03-25 | 柯尼卡美能达美国研究所有限公司 | 使用自动图像修补的彩色文档图像分割和二值化 |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN105608708A (zh) * | 2016-03-02 | 2016-05-25 | 浙江宇视科技有限公司 | 基于分块平面拟合的图像二值化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106530279A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530279B (zh) | 一种图像处理方法及*** | |
Barata et al. | A system for the detection of pigment network in dermoscopy images using directional filters | |
Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
CN108416344A (zh) | 眼底彩照视盘与黄斑定位识别方法 | |
Antohe et al. | Implications of digital image processing in the paraclinical assessment of the partially edentated patient | |
CN105426843B (zh) | 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 | |
Sinha et al. | Medical image processing | |
Deligiannidis et al. | Emerging trends in image processing, computer vision and pattern recognition | |
Jan et al. | Retinal image analysis aimed at blood vessel tree segmentation and early detection of neural-layer deterioration | |
CN107958453A (zh) | 乳腺图像病变区域的检测方法、装置及计算机存储介质 | |
CN107273812B (zh) | 一种用于身份认证的活体虹膜防伪方法 | |
CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
CN111260641A (zh) | 一种基于人工智能的掌上超声成像***及其方法 | |
Uribe-Valencia et al. | Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model | |
CN106940904B (zh) | 基于人脸识别和语音识别的考勤*** | |
Javed et al. | Statistical histogram decision based contrast categorization of skin lesion datasets dermoscopic images | |
Pourreza et al. | Segmentation of blood vessels in fundus color images by Radon transform and morphological reconstruction | |
CN114677713A (zh) | 一种基于近红外光的手臂静脉采血点的识别方法及*** | |
CN104616260A (zh) | 静脉图像增强方法及装置 | |
Xiong et al. | Modeling of human skin by the Use of Deep Learning | |
Lee et al. | Enhancement of blood vessels in retinal imaging using the nonsubsampled contourlet transform | |
Mouzai et al. | Xray-Net: Self-supervised pixel stretching approach to improve low-contrast medical imaging | |
Goyal | Gaussian filtering based image integration for improved disease diagnosis and treatment planning | |
Taha et al. | Digital Vein Mapping Using Augmented Reality. | |
Khattar et al. | Investigation of Denoising Techniques for Removal of Hair and Noise from Dermoscopic Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |