CN107492086A - 一种图像的融合方法和融合*** - Google Patents
一种图像的融合方法和融合*** Download PDFInfo
- Publication number
- CN107492086A CN107492086A CN201710852872.4A CN201710852872A CN107492086A CN 107492086 A CN107492086 A CN 107492086A CN 201710852872 A CN201710852872 A CN 201710852872A CN 107492086 A CN107492086 A CN 107492086A
- Authority
- CN
- China
- Prior art keywords
- image
- component
- fusion
- pixel
- picture
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 239000000523 sample Substances 0.000 claims abstract description 28
- 150000001875 compounds Chemical class 0.000 claims abstract description 23
- 238000002604 ultrasonography Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 19
- 238000004458 analytical method Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 25
- 239000007850 fluorescent dye Substances 0.000 description 6
- 206010006187 Breast cancer Diseases 0.000 description 4
- 208000026310 Breast neoplasm Diseases 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000029918 bioluminescence Effects 0.000 description 3
- 238000005415 bioluminescence Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000004043 dyeing Methods 0.000 description 3
- 210000004940 nucleus Anatomy 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 210000004292 cytoskeleton Anatomy 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开一种图像的融合方法和***。所述方法包括以下步骤：(1)使用高频超声复合扫描探针显微镜采集三个分量图像数据，包括形貌像、声学振幅像和声学相位像；(2)将采集得到的三个分量图像经过归一化处理后，采用RGB色彩融合模型，将三个分量图像融合成一幅彩色图像，融合后的图像能显示全部的样品外部和内部信息。高频超声复合扫描探针显微镜***的图像融合***包括图像采集模块、图像归一化模块、图像融合模块和图像背景调节模块。本发明解决了不同分量图像的融合分析问题，达到了对高频超声复合扫描探针显微镜***采集到的不同分量图像进行分析的目的。
Description
技术领域
本发明属于图像融合领域，更具体地，涉及一种高频超声复合扫描探针显微镜下同一结构不同分量图像的融合方法。
背景技术
高频超声复合扫描探针显微镜是在原子力显微镜的基础上发展起来的，可以得到表征样品外部形态的形貌像和探针起伏像，也可以得到能够表征内部结构的扫描声学振幅像和相位像，对于这些不同分量的图像处理尚没有比较好的融合方法。现有的方法并没有能够将不同分量的图像进行一个简单清晰的处理，使外部像和内部像同时表达在一幅图上，以便于观察和分析结果。因此，建立一种便于观察和分析的融合方法是十分重要的。
发明内容
针对现有的改进需求，本发明提供了一种针对不同分量的图像融合的方法。生物荧光体系中的荧光染色模型可以通过使用不同颜色染料标记来得到能够表征细胞骨架、细胞器和细胞核的图像，本发明模拟生物荧光染色模型，构建RGB模型引入到图像融合方法中，其目的在于通过把不同分量设定为不同的色彩通道，融合后能达到既可表征外部形貌，也可以表征内部结构的目的，目前尚无基于高频超声复合扫描探针显微镜所得到的无创原位的图像进行融合来表征全部信息的方法，由此提供了解决现阶段无法同时在一幅图上表征外部和内部结构信息问题的一种基于上述不同分量图像的融合方法。
为实现上述目的，按照本发明的一个方面，本发明提供了一种高频超声复合扫描探针显微镜***所得图像的融合方法，其特征在于，包括以下步骤：
(1)使用高频超声复合扫描探针显微镜采集同一结构在同一位置处的待融合的不同分量图像；
(2)将步骤(1)中获得的待融合的同一部位处的待融合的形貌像、声学振幅像和声学相位像的三种分量图像数据进行归一化处理；
(3)将步骤(2)中归一化后的不同分量图像融合成一幅彩色图像；先将归一化后的三种分量图像对应设定为R分量、G分量和B分量全排列中的一种，也即将归一化后的三种分量图像对应设定为红色分量、绿色分量和蓝色分量全排列中的一种；然后将三幅图像融合成一幅彩色图像，融合后的彩色图像像素点的颜色坐标满足以下公式：D＝(R,G,B)；其中D为融合后的彩色图像上的每个像素点的颜色坐标，R为红色分量图像每个像素点的灰度值，G为绿色分量图像每个对应的像素点的灰度值，B为蓝色分量图像每个对应的像素点的灰度值；
(4)对步骤(3)得到的融合彩色图像的背景进行调节，使目标图像与背景对比度最大，融合后的彩色图像能显示三张分量图像中全部的外部形貌和内部结构。
优选地，步骤(1)中所述的待融合的图像数据包括形貌像、声学振幅像和声学相位像。
优选地，所述步骤(2)归一化处理过程中计算图像中每个单独的像素点的值的公式为：
j＝(i/max)*256；
其中i为图像中每个像素点的数值，max为整幅图像中像素点的最大值，j为归一化后每个像素点的数值。由于高频超声复合扫描探针显微镜采集得到的图像为索引图像，因此融合前需要通过归一化处理，将索引图像转变为灰度图像。
将步骤(2)所述的设定分量图像对应的色彩通道，进行了六种组合的对比后，形貌像设为R分量；声学振幅像设为G分量，声学相位像设为B分量是最优选择，融合后目标的轮廓与内部结构信息量最大，边缘最清晰。组合如下所示：
形貌像—R分量，声学振幅像—G分量，声学相位—B分量；
形貌像—R分量，声学振幅像—B分量，声学相位—G分量；
形貌像—G分量，声学振幅像—R分量，声学相位—B分量；
形貌像—G分量，声学振幅像—B分量，声学相位—R分量；
形貌像—B分量，声学振幅像—G分量，声学相位—R分量；
形貌像—B分量，声学振幅像—R分量，声学相位—G分量；
优选地，步骤(4)所述的将融合彩色图像的背景进行调节，是通过分别修正三幅原始图像直方图即灰度分布来完成的，即将三幅原始图像进行灰度压缩，将单幅图像的灰度分布由[0,255]压缩为[130,255]。在初步进行彩色融合得到融合图像后，观察到目标与背景的对比度不大，由于融合图像为三个色彩通道，不能直接进行直方图的修正，因此返回融合前对三个灰度图像进行直方图的修正，再使用上述RGB模型进行融合，得到目标与背景的对比度最大的彩色图像。
优选地，步骤(1)所述的同一部位为同一细胞。
优选地，步骤(1)所述的同一部位为硅片上的刻槽样品的同一部位。
优选地，所述硅片的表面涂有金颗粒。
另一方面，本发明提供了一种高频超声复合扫描探针显微镜***的图像融合***，包括：
图像采集模块：用于采集同一部位处的待融合的形貌像、声学振幅像和声学相位像的三种分量图像；
图像归一化模块：用于将同一部位处的待融合的形貌像、声学振幅像和声学相位像的三种分量图像数据进行归一化处理；
图像融合模块：用于将归一化后的不同分量图像融合成一幅彩色图像；先将归一化后的三种分量图像对应设定为R分量、G分量和B分量全排列中的一种，也即将归一化后的三种分量图像对应设定为红色分量、绿色分量和蓝色分量全排列中的一种。然后将三幅图像融合成一幅彩色图像，融合后的彩色图像像素点的颜色坐标满足以下公式：D＝(R,G,B)；其中D为融合后的彩色图像上的每个像素点的颜色坐标，R为红色分量图像每个像素点的灰度值，G为绿色分量图像每个对应的像素点的灰度值，B为蓝色分量图像每个对应的像素点的灰度值；
图像背景调节模块：用于将融合后的彩色图像的背景进行调节，使目标图像与背景对比度最大，融合后的彩色图像能显示三张分量图像中全部的外部形貌和内部结构。
优选地，所述对融合后的彩色图像的背景进行调节，是通过分别修正三幅原始图像直方图即灰度分布来完成的，即将三幅原始图像进行灰度压缩，将单幅图像的灰度分布由[0,255]压缩为[130,255]。
本发明技术方案能够取得以下有益效果：
(1)构建RGB模型引入到不同分量的图像融合的问题中，将不同的分量设定为不同的色彩通道，由于不同分量图像提供了不同的外部和内部信息，从理论上和实验探索一种快速将多分量的图像融合成为一幅图像的方法，达到在一幅图像上同时显示外部信息和内部结构的目的，便于更直观地分析图像中目标的边缘信息和内部信息。
(2)图像的归一化处理，为得到能表征所有结构的彩色图像提供了保证，并对结果优化有重要影响。
(3)融合成彩色图像后，图像直方图的修正对得到更为清晰和结构更加突出的彩色图像十分重要，在灰度图中显示为目标与背景的对比度更明显。
附图说明
图1为本发明融合流程图；
图2为归一化处理效果图；
图3为RGB融合后的灰度图；
图4为生物荧光染色体系与RGB融合图像的对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明所述的针对不同分量的图像融合的方法包括以下步骤：
(1)采集待融合的不同分量的图像数据
使用高频超声复合扫描探针显微镜采集需要进行融合的不同分量的图像数据，得到同一部位的不同分量的图像，包括形貌像、声学振幅像和声学相位像；
(2)不同分量的图像融合方法
将步骤(1)中获得的待融合的不同分量的图像数据，进行归一化处理，构建RGB融合色彩模型，将三个分量融合成一幅彩色图像，并对背景色彩进行调节，使背景色彩接近黑色，融合后的彩色图像能显示三张分量图像中全部的外部形貌和内部结构。
步骤(1)中所述的待融合的图像数据为同一结构的不同分量，包括形貌像、声学振幅像和声学相位像。直接采用高频超声复合扫描探针显微镜采集待融合的不同分量的数据结构。
所述的不同分量的图像融合办法，步骤(2)所述归一化处理过程中计算图像中每个单独的像素点的值的公式为：
j＝(i/max)*256；
其中i为图像中每个像素点的数值，max为整幅图像中像素点的最大值，j为归一化后每个像素点的数值。
步骤(2)中所述根据RGB模型得到多分量融合的彩图，按照如下方法获取：
S1:将归一化后的三个分量的图像分别设为三个彩色通道；
S2:设好三个彩色通道的分量后，进行融合得到一幅彩色图像，调节彩色图像的背景，得到所述的不同分量的融合图像。
所述的不同分量的图像融合方法，步骤(2)所述的分量图像对应的色彩通道，进行了六种组合的对比后，形貌像设为R分量；声学振幅像设为G分量，声学相位像设为B分量是最优选择，融合后目标的轮廓与内部结构信息量最大，边缘最清晰。组合如下所示：
形貌像—R分量，声学振幅像—G分量，声学相位—B分量；
形貌像—R分量，声学振幅像—B分量，声学相位—G分量；
形貌像—G分量，声学振幅像—R分量，声学相位—B分量；
形貌像—G分量，声学振幅像—B分量，声学相位—R分量；
形貌像—B分量，声学振幅像—G分量，声学相位—R分量；
形貌像—B分量，声学振幅像—R分量，声学相位—G分量；
步骤(2)所述的不同分量的图像融合办法，其特征在于，设定三个分量通道后进行图像融合，输出的图像像素点的值对应色彩表中某一种特定的颜色，彩色图像像素点的颜色坐标满足以下公式：D＝(R,G,B)；
其中D为融合后的彩色图像上的每个像素点的颜色坐标，该颜色坐标在RGB色彩体系中对应一种特定的颜色，R为红色分量图像每个像素点的灰度值，G为绿色分量图像每个对应的像素点的灰度值，B为蓝色分量图像每个对应的像素点的灰度值。
所述的不同分量的图像融合方法，步骤(2)所述的得到彩色图像后要进行背景色的调节，是通过对图像直方图的修正来完成的。所述的修正图像的直方图方法，是通过分别修正三幅原始图像直方图即灰度分布来完成的，即将三幅原始图像进行灰度压缩，将单幅图像的灰度分布由[0,255]压缩为[130,255]。在初步进行彩色融合得到融合图像后，观察到目标与背景的对比度不大，由于融合图像为三个色彩通道，不能直接进行直方图的修正，因此返回融合前对三个灰度图像进行直方图的修正，再使用上述RGB模型进行融合，得到目标与背景的对比度最大的彩色图像。
实施例1
本发明所述的针对不同分量的图像融合的方法包括以下步骤：
(1)使用高频超声复合扫描探针显微镜采集待融合的不同图像数据
样品为乳腺癌细胞MD-MB-231，通过高频超声复合扫描探针显微镜扫描得到MD-MB-231细胞的形貌像、声学振幅像和声学相位像。
(2)将步骤(1)中获得的待融合的不同分量的图像数据，进行归一化处理，将形貌像设为R分量，将声学振幅像设为G分量，将声学相位像设为B分量，然后采用RGB融合色彩模型，将三个分量融合成一幅彩色图像，并对背景色彩进行调节，使目标与背景对比度最大，融合后的彩色图像能显示三张分量图像中全部的外部形貌和内部结构。
(3)所述根据RGB模型得到多分量融合的彩图，按照如下方法获取：
S1:对采集得到的MD-MB-231细胞的形貌像、声学振幅像和声学相位像进行归一化处理，将图像由索引图像归一化处理为灰度图，像素点的值在[0，255]之间；
S2:将归一化后的三个分量的图像分别设为三个彩色通道R通道、G通道、B通道；
S3:设好三个彩色通道的分量后，进行融合得到一幅彩色图像，调节彩色图像的背景，得到所述的不同分量的融合图像。
所述的不同分量的图像融合办法，步骤(2)所述归一化处理过程中计算图像中每个单独的像素点的值的公式为：
j＝(i/max)*256；
其中i为图像中每个像素点的数值，max为整幅图像中像素点的最大值，j为归一化后每个像素点的数值。
所述的不同分量的图像融合办法，步骤(2)所述的分量图像对应的色彩通道，进行了六种组合的对比后，形貌像设为R分量；声学振幅像设为G分量，声学相位像设为B分量是最优选择，融合后目标的轮廓与内部结构信息量最大，边缘最清晰。组合如下所示：
形貌像—R分量；声学振幅像—G分量，声学相位—B分量；
形貌像—R分量；声学振幅像—B分量，声学相位—G分量；
形貌像—G分量；声学振幅像—R分量，声学相位—B分量；
形貌像—G分量；声学振幅像—B分量，声学相位—R分量；
形貌像—B分量；声学振幅像—G分量，声学相位—R分量；
形貌像—B分量；声学振幅像—R分量，声学相位—G分量；
步骤(2)所述的不同分量的图像融合办法，其特征在于，设定三个分量通道后进行图像融合，输出的图像像素点的值对应色彩表中某一种特定的颜色，彩色图像像素点的的颜色坐标满足以下公式：D＝(R,G,B)；
其中D为融合后的彩色图像上的每个像素点的颜色坐标，该颜色坐标在RGB色彩体系中对应一种特定的颜色，R为红色分量图像每个像素点的灰度值，G为绿色分量图像每个对应的像素点的灰度值，B为蓝色分量图像每个对应的像素点的灰度值。
所述的不同分量的图像融合方法，其特征在于，步骤(2)所述的得到彩色图像后要进行背景色的调节，是通过对图像直方图的修正来完成的。所述的修正图像的直方图方法是通过分别修正三幅原始图像直方图即灰度分布来完成的。修正图像的灰度分布，是对图像进行灰度压缩，将单幅图像的灰度分布由[0,255]压缩为[130,255]。在初步进行彩色融合得到融合图像后，观察到目标与背景的对比度不大，由于融合图像为三个色彩通道，不能直接进行直方图的修正，因此返回融合前对三个灰度图像进行直方图的修正，再使用上述RGB模型进行融合，得到目标与背景的对比度最大的彩色图像。
为评价融合图像所带来的更多信息，具体如下：
我们选择将融合的RGB彩色图像与原AFM形貌图像进行对比，同时与光学荧光下的细胞图像进行对比，可以观察到融合后的图像确实比未融合前AFM形貌图像所展现的信息更大，同时通过与光学荧光染色的细胞图像对比后，也能发现融合后的图像能更清晰地表征细胞内的部分结构。
图2为图像处理中间步骤，将原索引图像进行归一化处理，使图像的像素值均为0-255之间，将原图像转换为灰度图像后再进行融合。归一化后原图像均由伪彩图变为灰度图像，得到的融合图像更加具有说服力。图2a是归一化处理后的形貌像的灰度图像，可以清晰辨别细胞的外部形态，图2b就是归一化处理后的声学振幅的灰度图像，图2c就是归一化处理后的声学相位的灰度图像，两幅声学像可以辨别出部分细胞内部结构。
图3a-c图像分别为乳腺癌细胞MD-MB-231的形貌像、声学振幅像和声学相位像的灰度图像，然后通过融合后得到了彩色图的灰度图像图3d-f，图3d三个分量图像的灰度分布均为0-255，并未进行直方图修正，因此彩色图中背景色较复杂，灰度图中可以看出目标和背景的对比度不大，经过直方图修正后，图3e的图像灰度分布为60-255，图3f的图像灰度分布为130-255，经过直方图修正后，从图3d-f彩色图中目标部分的信息更加明确和显著，目标与背景对比度更大，更利于识别目标的各种信息。从图3f的融合图像中可以看到，融合后的彩色图将三个不同分量的图像叠加在一起，所有的信息都在一幅图上得到显示，叠加后不仅显示出了形貌像的信息部分，也显示出了声学像的信息，叠加后的图像显著地突出了细胞外部轮廓和内部部分结构。在我们的实施例中可以清晰看到细胞的外部轮廓比单独形貌像的轮廓更加清晰、易于识别，而灰度图中高亮的两个圆点表征了细胞内部类似细胞核区域。
图4是对比本发明中的融合图像与生物荧光染色图像。图4a-c为经过荧光染色后所得到的乳腺癌细胞MD-MB-231的Confocal图像，图4a为细胞骨架图像，图4b为细胞核图像，图4c为荧光染色融合后可以显示完整细胞轮廓和细胞核位置的图像。图4d-f分别为乳腺癌细胞MD-MB-231的形貌像、声学振幅像和声学相位像的灰度图像。图4h为生物荧光染色融合后的灰度图，图4i为RGB模型融合后的彩色图像的灰度图。从图4h可以看到，在生物荧光染色体系下的乳腺癌细胞MD-MB-231的细胞核占细胞整体比例的一半，而我们通过融合高频超声复合扫描探针显微镜采集的不同分量的细胞图像所得到的RGB彩色图的灰度图4i中也能看到一个类似细胞核结构的区域，且比例大小与荧光染色体系中的基本一致。因此，在某种程度上，我们融合得到的RGB彩色图可能显示了细胞内部部分结构，且比例形态与生物荧光染色体系所得到的结果基本一致，单独的分量图像并不能同时表征细胞的外部和内部结构，经过融合后可以得到与生物荧光染色类似的结果，可以在一幅图像上同时表征多种结构信息。
从上述实验结果中和对比中可以看到，本发明通过使用高频超声复合扫描探针显微镜采集得到细胞的不同分量的图像，然后通过归一化处理和RGB融合后，能够在一幅图像上表征分量图像全部的结构信息，得到信息量更丰富的图像，并且从融合的图像中分辨出清晰的细胞轮廓和类似细胞核的内部结构。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种高频超声复合扫描探针显微镜***所得图像的融合方法，其特征在于，包括以下步骤：
(1)使用高频超声复合扫描探针显微镜采集同一部位处的待融合的形貌像、声学振幅像和声学相位像的三种分量图像；
(2)将步骤(1)中获得的待融合的同一部位处的待融合的形貌像、声学振幅像和声学相位像的三种分量图像数据进行归一化处理；
(3)将步骤(2)中归一化后的不同分量图像融合成一幅彩色图像；先将归一化后的三种分量图像对应设定为R分量、G分量和B分量全排列中的一种，也即将归一化后的三种分量图像对应设定为红色分量、绿色分量和蓝色分量全排列中的一种；然后将三幅图像融合成一幅彩色图像，融合后的彩色图像像素点的颜色坐标满足以下公式：D＝(R,G,B)；其中D为融合后的彩色图像上的每个像素点的颜色坐标，R为红色分量图像每个像素点的灰度值，G为绿色分量图像每个对应的像素点的灰度值，B为蓝色分量图像每个对应的像素点的灰度值；
(4)对步骤(3)得到的融合后的彩色图像的背景进行调节，使目标图像与背景对比度最大，得到融合后的彩色图像。
2.如权利要求1所述的高频超声复合扫描探针显微镜***所得图像的融合方法，其特征在于，步骤(2)所述归一化处理过程中计算图像中每个单独像素点的值的公式为：
j＝(i/max)*256；
其中i为图像中每个像素点的数值，max为整幅图像中像素点的最大值，j为归一化后每个单独像素点的数值。
3.如权利要求2所述的高频超声复合扫描探针显微镜***所得图像的融合方法，其特征在于，将所述形貌像设为R分量，将所述声学振幅像设为G分量，将所述声学相位像设为B分量。
4.如权利要求1所述的高频超声复合扫描探针显微镜***所得图像的融合方法，其特征在于，步骤(4)所述的将融合后的彩色图像的背景进行调节，是通过分别修正三幅原始图像直方图即灰度分布来完成的，即将三幅原始图像进行灰度压缩，将单幅图像的灰度分布由[0,255]压缩为[130,255]。
5.如权利要求1所述的高频超声复合扫描探针显微镜***所得图像的融合方法，其特征在于，步骤(1)所述的同一部位为同一细胞。
6.一种高频超声复合扫描探针显微镜***的图像融合***，其特征在于，包括：
图像采集模块：用于采集同一部位处的待融合的形貌像、声学振幅像和声学相位像的三种分量图像；
图像归一化模块：用于将同一部位处的待融合的形貌像、声学振幅像和声学相位像的三种分量图像数据进行归一化处理；
图像融合模块：用于将归一化后的不同分量图像融合成一幅彩色图像；先将归一化后的三种分量图像对应设定为R分量、G分量和B分量全排列中的一种，也即将归一化后的三种分量图像对应设定为红色分量、绿色分量和蓝色分量全排列中的一种；然后将三幅图像融合成一幅彩色图像，融合后的彩色图像像素点的颜色坐标满足以下公式：D＝(R,G,B)；其中D为融合后的彩色图像上的每个像素点的颜色坐标，R为红色分量图像每个像素点的灰度值，G为绿色分量图像每个对应的像素点的灰度值，B为蓝色分量图像每个对应的像素点的灰度值；
图像背景调节模块：用于将融合后的彩色图像的背景进行调节，使目标图像与背景对比度最大，融合后的彩色图像能显示三张分量图像中全部的外部形貌和内部结构。
7.如权利要求6所述的图像融合***，其特征在于，所述对融合后的彩色图像的背景进行调节，是通过分别修正三幅原始图像直方图即灰度分布来完成的，即将三幅原始图像进行灰度压缩，将单幅图像的灰度分布由[0,255]压缩为[130,255]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710852872.4A CN107492086B (zh) | 2017-09-20 | 2017-09-20 | 一种图像的融合方法和融合*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710852872.4A CN107492086B (zh) | 2017-09-20 | 2017-09-20 | 一种图像的融合方法和融合*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107492086A true CN107492086A (zh) | 2017-12-19 |
| CN107492086B CN107492086B (zh) | 2020-05-19 |
Family
ID=60653104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710852872.4A Active CN107492086B (zh) | 2017-09-20 | 2017-09-20 | 一种图像的融合方法和融合*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107492086B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765399A (zh) * | 2018-05-23 | 2018-11-06 | 平安科技（深圳）有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
| CN112907492A (zh) * | 2019-12-03 | 2021-06-04 | 顺丰科技有限公司 | 物体运动轨迹的生成方法及生成*** |
| CN114815207A (zh) * | 2022-05-24 | 2022-07-29 | 宾盛科技(武汉)有限公司 | 显微成像自动对焦的图像景深融合方法及相关设备 |
| CN117058014A (zh) * | 2023-07-14 | 2023-11-14 | 北京透彻未来科技有限公司 | 一种基于lab色彩空间匹配的染色归一化***及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150073276A1 (en) * | 2005-07-22 | 2015-03-12 | Zonare Medical Systems, Inc. | Aberration correction using channel data in ultrasound imaging system |
| CN105107067A (zh) * | 2015-07-16 | 2015-12-02 | 执鼎医疗科技江苏有限公司 | 一种红外引导超声定位的静脉穿刺*** |
| CN105286917A (zh) * | 2015-11-03 | 2016-02-03 | 华中科技大学 | 一种基于面阵探头的三维超声实时成像方法及*** |
-
2017
- 2017-09-20 CN CN201710852872.4A patent/CN107492086B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150073276A1 (en) * | 2005-07-22 | 2015-03-12 | Zonare Medical Systems, Inc. | Aberration correction using channel data in ultrasound imaging system |
| CN105107067A (zh) * | 2015-07-16 | 2015-12-02 | 执鼎医疗科技江苏有限公司 | 一种红外引导超声定位的静脉穿刺*** |
| CN105286917A (zh) * | 2015-11-03 | 2016-02-03 | 华中科技大学 | 一种基于面阵探头的三维超声实时成像方法及*** |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765399A (zh) * | 2018-05-23 | 2018-11-06 | 平安科技（深圳）有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
| WO2019223121A1 (zh) * | 2018-05-23 | 2019-11-28 | 平安科技（深圳）有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
| CN112907492A (zh) * | 2019-12-03 | 2021-06-04 | 顺丰科技有限公司 | 物体运动轨迹的生成方法及生成*** |
| CN114815207A (zh) * | 2022-05-24 | 2022-07-29 | 宾盛科技(武汉)有限公司 | 显微成像自动对焦的图像景深融合方法及相关设备 |
| CN117058014A (zh) * | 2023-07-14 | 2023-11-14 | 北京透彻未来科技有限公司 | 一种基于lab色彩空间匹配的染色归一化***及方法 |
| CN117058014B (zh) * | 2023-07-14 | 2024-03-29 | 北京透彻未来科技有限公司 | 一种基于lab色彩空间匹配的染色归一化***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107492086B (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107492086A (zh) | 一种图像的融合方法和融合*** | |
| CN103914699B (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
| CN105158887B (zh) | 基于可编程led阵列照明的多模式显微成像方法 | |
| EP2370951B1 (en) | Generation of a multicolour image of an unstained biological specimen | |
| CN104599271B (zh) | 基于CIE Lab彩色空间的灰度阈值分割方法 | |
| CN117975453A (zh) | 图像解析方法、装置、程序及学习完了深层学习算法的制造方法 | |
| CN107705336A (zh) | 一种病理图像染色成分调节方法 | |
| CN106388781A (zh) | 一种皮肤肤色及其色素沉淀情况的检测方法 | |
| CN104367380B (zh) | 视野可切换的双光路分子影像导航***及成像方法 | |
| CN106228545A (zh) | 一种佛像类唐卡一致性破损区域的自动分割方法 | |
| CN106067016B (zh) | 一种人脸图像眼镜检测方法及装置 | |
| CN106331662A (zh) | 一种图像撷取装置及图像撷取方法 | |
| CN107680114A (zh) | 一种基于计算机图像处理的草地盖度测算方法 | |
| CN107871302A (zh) | 一种基于yuv颜色空间的红外图像伪彩色处理方法 | |
| CN110349224A (zh) | 一种基于深度学习的牙齿颜色值判断方法及*** | |
| CA2227224A1 (en) | Multi-spectral segmentation for image analysis | |
| CN101882222A (zh) | 基于基元结构定义与区域生长技术的虹膜分区及阳光放射沟提取方法 | |
| CN109785943A (zh) | 一种病理监控和诊断信息处理***及方法 | |
| CN110246116A (zh) | 数字病理切片由he染色到ihc染色的计算机自动生成方法 | |
| CN107481183A (zh) | 一种基于多维数据关联规则的微光图像彩色化方法 | |
| CN101324955A (zh) | 基于颜色特征的植物根系图像分割方法 | |
| CN111209823A (zh) | 一种红外人脸对齐方法 | |
| CN103020198B (zh) | 一种在视频中搜索目标的方法 | |
| CN106341929B (zh) | 一种灯光与显示内容融合的方法 | |
| CN109241963A (zh) | 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法 |
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 | ||
| GR01 | Patent grant |