CN110136161A - 图像特征提取分析方法、***及装置 - Google Patents
图像特征提取分析方法、***及装置 Download PDFInfo
- Publication number
- CN110136161A CN110136161A CN201910472505.0A CN201910472505A CN110136161A CN 110136161 A CN110136161 A CN 110136161A CN 201910472505 A CN201910472505 A CN 201910472505A CN 110136161 A CN110136161 A CN 110136161A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- processing
- module
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 87
- 230000002708 enhancing effect Effects 0.000 claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 239000013307 optical fiber Substances 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000010030 laminating Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 abstract description 6
- 238000012549 training Methods 0.000 abstract description 4
- 239000000835 fiber Substances 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 230000003902 lesion Effects 0.000 description 5
- 210000000981 epithelium Anatomy 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000968 intestinal effect Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000004347 intestinal mucosa Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000003313 weakening effect Effects 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10068—Endoscopic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像特征提取分析方法、***及装置,其中,所述图像特征提取分析方法包括如下步骤:对通过光纤显微内镜采集的图像进行滤波预处理;对经过滤波预处理后的图像进行对比度增强处理;对经过对比度增强处理的图像进行分割处理,提取分割后的目标特征结构;对提取的目标特征结构进行叠加处理,并对叠加处理后的图像的边界进行强化处理。本发明有利于增强光纤显微内镜图像中鳞状细胞的形态特征,有利于辅助内镜医生的工作,进而减轻医生工作和训练负担,提升临床效率。
Description
技术领域
本发明涉及一种医学图像处理及应用领域,尤其涉及一种基于光纤显微内镜图像的食管鳞状细胞特征提取分析方法、***及装置。
背景技术
基于光纤束的光纤显微内镜(以下简称光纤显微内镜)具有亚细胞实时成像能力。在食管肠粘膜筛查应用领域,已有不少研究表明光纤显微内镜将产生有用的临床数据,能帮助早期检测食管的癌前病变和癌性病变。因此,光纤显微内镜在食管病变早期检测方面有巨大的临床应用价值。
与其他先进的食管内镜技术一样,光纤显微内镜的学***培训和丰富经验,这些阻碍了其在疾病筛查中的应用推广。
近年来,以计算机辅助诊断技术为核心的内镜图像定量分析被认为将是一种有效方法而受到关注。前期,光纤显微内镜图像的量化分析集中在口腔、食管病变的诊断方面,结果表明图像定量分析作为一种客观的分类方法,能提供准确、一致性高的结果辅助光纤显微内镜图像诊断,其表现与经验丰富的内镜医师的评估能力相当。
在食管病变方面,腺体鳞状细胞是其诊断的重要结构。异常食管肠上皮组织是紊乱的,鳞状细胞结构随着上皮不规则增厚而拉长,而正常的食管肠上皮组织的鳞状细胞为类圆形结构,且分布较均匀,因此,与异常图像相比,正常图像中的鳞状细胞结构更接近于圆形,同时面积偏小,间距相对一致。量化鳞状细胞的上述形态特征降将帮助区分正常和异常的食管肠上皮组织。鳞状细胞的形态特征对食管内镜图像诊断的价值已在光纤显微内镜等其他先进内镜设备上得到证实。
然而,基于鳞状细胞形态特征的光纤显微内镜图像分析应用中,在对低对比度的光纤显微内镜图像增强时,需要通过多次强度自适应对比度增强实验选择出最佳参数组合,增加了临床应用的复杂度。因此,针对上述问题,有必要提出进一步的解决方案。
发明内容
本发明的目的在于提供一种图像特征提取分析方法、***及装置,以克服现有技术中存在的不足。
为实现上述发明目的,本发明提供一种图像特征提取分析方法,其包括如下步骤:
对通过光纤显微内镜采集的图像进行滤波预处理;
对经过滤波预处理后的图像进行对比度增强处理;
对经过对比度增强处理的图像进行分割处理,提取分割后的目标特征结构;
对提取的目标特征结构进行叠加处理,并对叠加处理后的图像的边界进行强化处理。
优选地,进行滤波预处理包括如下步骤:
使用高斯低通滤波算法,对图像进行滤波预处理,去除图像主高频信息,保留图像次高频信息,并保持图像的边缘;
使用高斯低通滤波算法,再次对图像进行滤波处理,去除图像的所有高频信息,保留图像的低频信息。
优选地,进行对比度增强处理包括如下步骤:
使用CLAHE算法,对滤波后的图像进行增强处理;
对增强处理后的图像,进行非线性灰度变换,并计算图像上每一个像素点非线性灰度变换后的灰度值,获得新图像;
基于获得的新图像,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像。
优选地,对增强处理后的图像,使用Gamma变换函数进行非线性灰度变换,对图像上每一个像素点按如下公式计算非线性灰度变换后的灰度值,获得新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,g(x,y)为处理前像素点的原始灰度值,γ为变换指数。
优选地,基于获得的新图像,采用最小值最大值标准化处理,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像:
g(x,y)=255×(g(x,y)-Pmin)÷Pmax
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前像素点的原始灰度值,Pmin为图像最小灰度值,Pmax为图像最大灰度值。
优选地,计算灰度变换后的灰度值,获得新图像之后还包括:
对获得的新图像再次使用CLAHE算法进行增强处理。
优选地,在CLAHE算法实现过程中,采用双线性插值,插值时,将图像分割成M列×N行大小相等、连续不重叠的子图像区域。
优选地,图像分割、提取目标特征结构包括:
通过基于阈值的自动分割方法将增强后的图像转为二值化图像,分割出背景和代表目标特征结构的前景;
通过先腐蚀后膨胀的开运算,去除图像阈值分割后的毛刺噪声。
优选地,叠加、边界强化处理包括:
对分割后的图像进行归一化处理,生成掩码图像,把得到的掩码图像再与Gmma变换后的图像进行逐像素点相乘,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码图像像素点的原始灰度值,g(x,y)为Gamma变换后图像的原始灰度值;
基于进行逐像素点相乘得到的新图像,对其与Gamma变换得到的图像进行叠加,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码筛选后图像像素点的原始灰度值,g(x,y)为Gamma变换标准化处理后图像的原始灰度值;
基于叠加后得到的新图像,通过先腐蚀后膨胀的开运算,在不明显改变前景和背景的面积的情况下对上述区域的边界进行强化处理。
为实现上述发明目的,本发明提供一种图像特征提取***,其包括:
波预处理模块,其用于对通过光纤显微内镜采集的图像进行滤波预处理;
对比度增强模块,其用于对经过滤波预处理后的图像进行对比度增强处理;
分割提取模块,其用于对经过对比度增强处理的图像进行分割处理,提取分割后的目标特征结构
叠加强化模块,其用于对提取的目标特征结构进行叠加处理,并对叠加处理后的图像的边界进行强化处理。
优选地,所述滤波预处理模块具体用于:
使用高斯低通滤波算法,对图像进行滤波预处理,去除图像主高频信息,保留图像次高频信息,并保持图像的边缘;
使用高斯低通滤波算法,再次对图像进行滤波处理,去除图像的所有高频信息,保留图像的低频信息。
优选地,所述对比度增强模块包括:CLAHE增强模块、非线性灰度变换模块、标准化处理模块;
所述CLAHE增强模块使用CLAHE算法,对滤波后的图像进行增强处理;所述非线性灰度变换模块对增强处理后的图像,进行非线性灰度变换,并计算图像上每一个像素点非线性灰度变换后的灰度值,获得新图像;所述标准化处理模块基于获得的新图像,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像。
优选地,所述非线性灰度变换模块对增强处理后的图像,使用Gamma变换函数进行非线性灰度变换,对图像上每一个像素点按如下公式计算非线性灰度变换后的灰度值,获得新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,g(x,y)为处理前像素点的原始灰度值,γ为变换指数。
优选地,所述标准化处理模块基于获得的新图像,采用最小值最大值标准化处理,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像:
g(x,y)=255×(g(x,y)-Pmin)÷Pmax
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前像素点的原始灰度值,Pmin为图像最小灰度值,Pmax为图像最大灰度值。
优选地,所述非线性灰度变换模块对获得的新图像再次使用CLAHE算法进行增强处理。
优选地,在CLAHE算法实现过程中,采用双线性插值,插值时,将图像分割成M列×N行大小相等、连续不重叠的子图像区域。
优选地,所述分割提取模块通过基于阈值的自动分割方法将增强后的图像转为二值化图像,分割出背景和代表目标特征结构的前景,并通过先腐蚀后膨胀的开运算,去除图像阈值分割后的毛刺噪声。
优选地,所述叠加强化模块包括:归一化模块、叠加模块、开运算模块;
所述归一化模块对分割后的图像进行归一化处理,生成掩码图像,把得到的掩码图像再与Gmma变换后的图像进行逐像素点相乘,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码图像像素点的原始灰度值,g(x,y)为Gamma变换后图像的原始灰度值;
所述叠加模块基于进行逐像素点相乘得到的新图像,对其与Gamma变换得到的图像进行叠加,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码筛选后图像像素点的原始灰度值,g(x,y)为Gamma变换标准化处理后图像的原始灰度值;
所述开运算模块基于叠加后得到的新图像,通过先腐蚀后膨胀的开运算,在不明显改变前景和背景的面积的情况下对上述区域的边界进行强化处理。
为实现上述发明目的,本发明提供一种图像特征提取装置,其包括:
处理器;
用于存储所述处理器执行指令的存储器;
其中,所述处理器被配置为:
对通过光纤显微内镜采集的图像进行滤波预处理;
对经过滤波预处理后的图像进行对比度增强处理;
对经过对比度增强处理的图像进行分割处理,提取分割后的目标特征结构;
对提取的目标特征结构进行叠加处理,并对叠加处理后的图像的边界进行强化处理。
与现有技术相比,本发明的有益效果是:本发明有利于增强光纤显微内镜图像中鳞状细胞的形态特征,有利于辅助内镜医生的工作,进而减轻医生工作和训练负担,提升临床效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的图像特征提取分析方法的方法流程示意图;
图2-9为本发明实施实验图像滤波预处理的结果示意图;
图10为本发明中进行对比度增强处理的流程图;
图11为本发明中图像分割、提取目标特征结构的流程图;
图12为本发明的图像特征提取分析***的模块示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
本发明中光纤显微内镜***使用光纤束作为显微成像的探头,由于光纤束中单根光纤纤芯和包层光透过率不同,采集到的图像会有明显的像素化(明暗变化),降低了***分辨率。常用的去像素化方法是高斯滤波,这种方法虽然简单、快速、有效,但同时会模糊整个图像而影响了对细节的分辨。
对此,本发明基于傅里叶变换的高斯带通滤波是在单纯的高斯滤波基础上进项优化的,其不仅能够去除图像中的像素化问题,同时也能够很好地去除图像的背景信息,因此其在对图像平滑滤波的同时具有较好的保留特征的目的,同时具有较好的运行速度,提高了整个过程的处理速度。
另外,光纤显微内镜图像通常整体灰度值低且对比度不明显,大大影响了鳞状细胞的可辨识度。因此,本发明在鳞状细胞结构分割和量化之前,需要对图像进行增强操作。现有的采用自适应直方图均衡方法(Adaptive Histogram Equalization,以下简称AHE)增强光纤显微内镜图像对比度,但AHE有过度放大图像中相同区域的噪声的问题。
对此,本发明采用对比度受限自适应直方图均衡算法(Contrast LimitedAdaptive Histogram Equalization,以下简称CLAHE),其作为AHE的优化,通过在计算累计分布函数(Cumulative Distribution Function,CDF)前用预先定义的阈值(通常取值为3~4)来裁剪直方图,以达到限制噪声放大的目的。
如图1所示,基于上述技术构思,本发明提供一种图像特征提取分析方法,其包括如下步骤:
对通过光纤显微内镜采集的图像进行滤波预处理;
对经过滤波预处理后的图像进行对比度增强处理;
对经过对比度增强处理的图像进行分割处理,提取分割后的目标特征结构;
对提取的目标特征结构进行叠加处理,并对叠加处理后的图像的边界进行强化处理。
【滤波预处理】
上述进行滤波预处理包括如下步骤:
使用高斯低通滤波算法,对图像进行滤波预处理,去除图像主高频信息,保留图像次高频信息,以消除图像像素化的问题,并保持图像的边缘;
使用高斯低通滤波算法,再次对图像进行滤波处理,去除图像的所有高频信息,保留图像的低频信息,以消除图像背景使得提取的特征更加明显。
从而,上述滤波预处理是使用双边滤波方法,对原始光纤显微内镜图像进行滤波预处理,以消除图像像素化的问题,并保持图像的边缘;
滤波结果如如图2-图9所示,其中,图2为原始光纤显微内镜图像,图3为图2的局部放大图,图4为第一次滤波后的图像,图5为图4的局部放大图,图6为第二次滤波后的图像,图7为图6的局部放大图,图8为两次相作用的带通滤波图像,图9为局部放大图。
【对比度增强处理】
如图10所示,上述进行对比度增强处理包括如下步骤:
使用CLAHE算法,对滤波后的图像进行增强处理。
对增强处理后的图像,进行非线性灰度变换,并计算图像上每一个像素点非线性灰度变换后的灰度值,获得新图像;
基于获得的新图像,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像。
其中,对增强处理后的图像,使用Gamma变换函数进行非线性灰度变换,使得图像的直方图往两端扩散,拉大图像前景和背景的对比度,对图像上每一个像素点按如下公式计算非线性灰度变换后的灰度值,获得新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,g(x,y)为处理前像素点的原始灰度值,γ为变换指数。
基于获得的新图像,采用最小值最大值标准化处理,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像:
g(x,y)=255×(g(x,y)-Pmin)÷Pmax
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前像素点的原始灰度值,Pmin为图像最小灰度值,Pmax为图像最大灰度值。
此外,计算灰度变换后的灰度值,获得新图像之后还包括:对获得的新图像再次使用CLAHE算法进行增强处理。
在CLAHE算法实现过程中,采用双线性插值,插值时,将图像分割成M列×N行大小相等、连续不重叠的子图像区域。优选地,所述M列×N行取值12×12。
【图像分割、提取目标特征结构】
如图11所示,上述图像分割、提取目标特征结构包括:
通过基于阈值的自动分割方法将增强后的图像转为二值化图像,分割出前景(白色,常用灰度值1或255表示)和背景(黑色,常用灰度值0表示),其中灰度值较高的是鳞状细胞核部分为前景,其余则为背景。其中,基于阈值的自动分割方法可以采用Ostu方法。
通过先腐蚀后膨胀的开运算,去除图像阈值分割后的毛刺噪声,使图像中目标特生更加的突出。
【叠加、边界强化处理】
上述叠加、边界强化处理包括:
对分割后的图像进行归一化处理,生成掩码图像,把得到的掩码图像再与Gmma变换后的图像进行逐像素点相乘,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码图像像素点的原始灰度值,g(x,y)为Gamma变换后图像的原始灰度值;
基于进行逐像素点相乘得到的新图像,对其与Gamma变换得到的图像进行叠加,如此使得掩码处理损失的有效背景得到补偿,同时也强化了目标弱化了背景,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码筛选后图像像素点的原始灰度值,g(x,y)为Gamma变换标准化处理后图像的原始灰度值;
基于叠加后得到的新图像,通过先腐蚀后膨胀的开运算,在不明显改变前景和背景的面积的情况下对上述区域的边界进行强化处理。
需要说明的是,首先是对图像进行阈值化操作,完成之后得到的图像具有较多的毛刺噪声点的存在,这样不利于图像目标体的特征信息,所以之后需要对阈值分割后的图像进行先腐蚀后膨胀的开运算,然后把开运算的结果进行归一化操作,形成掩码,对原图像通过此掩码进行筛选。
本实施方式是基于C++语言在计算机(Intel(R)Xeon(R)E3-1230 V2 3.30GHzCPU,16GB RAM)上执行,从原始光纤显微内镜图像图输入到获取图结果耗时125~500ms,满足内镜检查要求的实时性,若用Cuda加速的C++语言,方法的执行速度将进一步提升,由此可以看出本发明中的分析方法相比较现有的在耗时上具有显著的进步。
如图12所示,基于相同的技术构思,本发明还提供一种图像特征提取***,其包括:波预处理模块1、对比度增强模块2、分割提取模块3、叠加强化模块4。
所述波预处理模块1用于对通过光纤显微内镜采集的图像进行滤波预处理;
所述对比度增强模块2用于对经过滤波预处理后的图像进行对比度增强处理;
所述分割提取模块3用于对经过对比度增强处理的图像进行分割处理,提取分割后的目标特征结构
所述叠加强化模块4用于对提取的目标特征结构进行叠加处理,并对叠加处理后的图像的边界进行强化处理。
其中,所述滤波预处理模块1具体用于:
使用高斯低通滤波算法,对图像进行滤波预处理,去除图像主高频信息,保留图像次高频信息,并保持图像的边缘;
使用高斯低通滤波算法,再次对图像进行滤波处理,去除图像的所有高频信息,保留图像的低频信息。
所述对比度增强模块2包括:CLAHE增强模块21、非线性灰度变换模块22、标准化处理模块23;
所述CLAHE增强模块21使用CLAHE算法,对滤波后的图像进行增强处理;所述非线性灰度变换模块22对增强处理后的图像,进行非线性灰度变换,并计算图像上每一个像素点非线性灰度变换后的灰度值,获得新图像;所述标准化处理模块23基于获得的新图像,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像。
所述非线性灰度变换模块22对增强处理后的图像,使用Gamma变换函数进行非线性灰度变换,对图像上每一个像素点按如下公式计算非线性灰度变换后的灰度值,获得新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,g(x,y)为处理前像素点的原始灰度值,γ为变换指数。
所述标准化处理模块23基于获得的新图像,采用最小值最大值标准化处理,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像:
g(x,y)=255×(g(x,y)-Pmin)÷Pmax
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前像素点的原始灰度值,Pmin为图像最小灰度值,Pmax为图像最大灰度值。
所述非线性灰度变换模块22对获得的新图像再次使用CLAHE算法进行增强处理。在CLAHE算法实现过程中,采用双线性插值,插值时,将图像分割成M列×N行大小相等、连续不重叠的子图像区域。
所述分割提取模块3通过基于阈值的自动分割方法将增强后的图像转为二值化图像,分割出背景和代表目标特征结构的前景,并通过先腐蚀后膨胀的开运算,去除图像阈值分割后的毛刺噪声。
所述叠加强化模块4包括:归一化模块41、叠加模块42、开运算模块43。
所述归一化模块41对分割后的图像进行归一化处理,生成掩码图像,把得到的掩码图像再与Gmma变换后的图像进行逐像素点相乘,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码图像像素点的原始灰度值,g(x,y)为Gamma变换后图像的原始灰度值;
所述叠加模块42基于进行逐像素点相乘得到的新图像,对其与Gamma变换得到的图像进行叠加,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码筛选后图像像素点的原始灰度值,g(x,y)为Gamma变换标准化处理后图像的原始灰度值;
所述开运算模块43基于叠加后得到的新图像,通过先腐蚀后膨胀的开运算,在不明显改变前景和背景的面积的情况下对上述区域的边界进行强化处理。
基于相同的技术构思,本发明还提供一种图像特征提取装置,其包括:处理器;用于存储所述处理器执行指令的存储器。
其中,所述处理器被配置为:
对通过光纤显微内镜采集的图像进行滤波预处理;
对经过滤波预处理后的图像进行对比度增强处理;
对经过对比度增强处理的图像进行分割处理,提取分割后的目标特征结构;
对提取的目标特征结构进行叠加处理,并对叠加处理后的图像的边界进行强化处理。
综上所述,本发明有利于增强光纤显微内镜图像中鳞状细胞的形态特征,有利于辅助内镜医生的工作,进而减轻医生工作和训练负担,提升临床效率。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (19)
1.一种图像特征提取分析方法,其特征在于,所述图像特征提取分析方法包括如下步骤:
对通过光纤显微内镜采集的图像进行滤波预处理;
对经过滤波预处理后的图像进行对比度增强处理;
对经过对比度增强处理的图像进行分割处理,提取分割后的目标特征结构;
对提取的目标特征结构进行叠加处理,并对叠加处理后的图像的边界进行强化处理。
2.根据权利要求1所述的图像特征提取分析方法,其特征在于,进行滤波预处理包括如下步骤:
使用高斯低通滤波算法,对图像进行滤波预处理,去除图像主高频信息,保留图像次高频信息,并保持图像的边缘;
使用高斯低通滤波算法,再次对图像进行滤波处理,去除图像的所有高频信息,保留图像的低频信息。
3.根据权利要求1所述的图像特征提取分析方法,其特征在于,进行对比度增强处理包括如下步骤:
使用CLAHE算法,对滤波后的图像进行增强处理;
对增强处理后的图像,进行非线性灰度变换,并计算图像上每一个像素点非线性灰度变换后的灰度值,获得新图像;
基于获得的新图像,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像。
4.根据权利要求3所述的图像特征提取分析方法,其特征在于,对增强处理后的图像,使用Gamma变换函数进行非线性灰度变换,对图像上每一个像素点按如下公式计算非线性灰度变换后的灰度值,获得新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,g(x,y)为处理前像素点的原始灰度值,γ为变换指数。
5.根据权利要求3所述的图像特征提取分析方法,其特征在于,基于获得的新图像,采用最小值最大值标准化处理,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像:
g(x,y)=255×(g(x,y)-Pmin)÷Pmax
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前像素点的原始灰度值,Pmin为图像最小灰度值,Pmax为图像最大灰度值。
6.根据权利要求3所述的图像特征提取分析方法,其特征在于,计算灰度变换后的灰度值,获得新图像之后还包括:
对获得的新图像再次使用CLAHE算法进行增强处理。
7.根据权利要求3或6所述的图像特征提取分析方法,其特征在于,在CLAHE算法实现过程中,采用双线性插值,插值时,将图像分割成M列×N行大小相等、连续不重叠的子图像区域。
8.根据权利要求1所述的图像特征提取分析方法,其特征在于,图像分割、提取目标特征结构包括:
通过基于阈值的自动分割方法将增强后的图像转为二值化图像,分割出背景和代表目标特征结构的前景;
通过先腐蚀后膨胀的开运算,去除图像阈值分割后的毛刺噪声。
9.根据权利要求4所述的图像特征提取分析方法,其特征在于,叠加、边界强化处理包括:
对分割后的图像进行归一化处理,生成掩码图像,把得到的掩码图像再与Gmma变换后的图像进行逐像素点相乘,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码图像像素点的原始灰度值,g(x,y)为Gamma变换后图像的原始灰度值;
基于进行逐像素点相乘得到的新图像,对其与Gamma变换得到的图像进行叠加,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码筛选后图像像素点的原始灰度值,g(x,y)为Gamma变换标准化处理后图像的原始灰度值;
基于叠加后得到的新图像,通过先腐蚀后膨胀的开运算,在不明显改变前景和背景的面积的情况下对上述区域的边界进行强化处理。
10.一种图像特征提取***,其特征在于,所述图像特征提取***包括:
波预处理模块,其用于对通过光纤显微内镜采集的图像进行滤波预处理;
对比度增强模块,其用于对经过滤波预处理后的图像进行对比度增强处理;
分割提取模块,其用于对经过对比度增强处理的图像进行分割处理,提取分割后的目标特征结构
叠加强化模块,其用于对提取的目标特征结构进行叠加处理,并对叠加处理后的图像的边界进行强化处理。
11.根据权利要求10所述的图像特征提取***,其特征在于,所述滤波预处理模块具体用于:
使用高斯低通滤波算法,对图像进行滤波预处理,去除图像主高频信息,保留图像次高频信息,并保持图像的边缘;
使用高斯低通滤波算法,再次对图像进行滤波处理,去除图像的所有高频信息,保留图像的低频信息。
12.根据权利要求10所述的图像特征提取***,其特征在于,所述对比度增强模块包括:CLAHE增强模块、非线性灰度变换模块、标准化处理模块;
所述CLAHE增强模块使用CLAHE算法,对滤波后的图像进行增强处理;所述非线性灰度变换模块对增强处理后的图像,进行非线性灰度变换,并计算图像上每一个像素点非线性灰度变换后的灰度值,获得新图像;所述标准化处理模块基于获得的新图像,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像。
13.根据权利要求12所述的图像特征提取***,其特征在于,所述非线性灰度变换模块对增强处理后的图像,使用Gamma变换函数进行非线性灰度变换,对图像上每一个像素点按如下公式计算非线性灰度变换后的灰度值,获得新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,g(x,y)为处理前像素点的原始灰度值,γ为变换指数。
14.根据权利要求12所述的图像特征提取***,其特征在于,所述标准化处理模块基于获得的新图像,采用最小值最大值标准化处理,削去图像最低像素的值,标准化最高像素值,以图像像素最小值和最大值为标准,使像素值标准化在0-255之间,获得新图像:
g(x,y)=255×(g(x,y)-Pmin)÷Pmax
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前像素点的原始灰度值,Pmin为图像最小灰度值,Pmax为图像最大灰度值。
15.根据权利要求12所述的图像特征提取***,其特征在于,所述非线性灰度变换模块对获得的新图像再次使用CLAHE算法进行增强处理。
16.根据权利要求12或15所述的图像特征提取***,其特征在于,在CLAHE算法实现过程中,采用双线性插值,插值时,将图像分割成M列×N行大小相等、连续不重叠的子图像区域。
17.根据权利要求10所述的图像特征提取***,其特征在于,所述分割提取模块通过基于阈值的自动分割方法将增强后的图像转为二值化图像,分割出背景和代表目标特征结构的前景,并通过先腐蚀后膨胀的开运算,去除图像阈值分割后的毛刺噪声。
18.根据权利要求13所述的图像特征提取***,其特征在于,所述叠加强化模块包括:归一化模块、叠加模块、开运算模块;
所述归一化模块对分割后的图像进行归一化处理,生成掩码图像,把得到的掩码图像再与Gmma变换后的图像进行逐像素点相乘,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码图像像素点的原始灰度值,g(x,y)为Gamma变换后图像的原始灰度值;
所述叠加模块基于进行逐像素点相乘得到的新图像,对其与Gamma变换得到的图像进行叠加,得到新图像:
其中,坐标(x,y)表示像素点的坐标,为像素点的新灰度值,f(x,y)为处理前掩码筛选后图像像素点的原始灰度值,g(x,y)为Gamma变换标准化处理后图像的原始灰度值;
所述开运算模块基于叠加后得到的新图像,通过先腐蚀后膨胀的开运算,在不明显改变前景和背景的面积的情况下对上述区域的边界进行强化处理。
19.一种图像特征提取装置,其特征在于,所述图像特征提取装置包括:
处理器;
用于存储所述处理器执行指令的存储器;
其中,所述处理器被配置为:
对通过光纤显微内镜采集的图像进行滤波预处理;
对经过滤波预处理后的图像进行对比度增强处理;
对经过对比度增强处理的图像进行分割处理,提取分割后的目标特征结构;
对提取的目标特征结构进行叠加处理,并对叠加处理后的图像的边界进行强化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910472505.0A CN110136161A (zh) | 2019-05-31 | 2019-05-31 | 图像特征提取分析方法、***及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910472505.0A CN110136161A (zh) | 2019-05-31 | 2019-05-31 | 图像特征提取分析方法、***及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110136161A true CN110136161A (zh) | 2019-08-16 |
Family
ID=67579615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910472505.0A Pending CN110136161A (zh) | 2019-05-31 | 2019-05-31 | 图像特征提取分析方法、***及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136161A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264418A (zh) * | 2019-05-31 | 2019-09-20 | 苏州精观医疗科技有限公司 | 图像对比度增强方法、***及装置 |
CN111179282A (zh) * | 2019-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、存储介质与电子设备 |
CN111832423A (zh) * | 2020-06-19 | 2020-10-27 | 北京邮电大学 | 一种票据信息识别方法、装置及*** |
CN111968136A (zh) * | 2020-08-18 | 2020-11-20 | 华院数据技术(上海)有限公司 | 一种煤岩显微图像分析方法及分析*** |
CN112132616A (zh) * | 2020-09-23 | 2020-12-25 | 范玲珍 | 一种基于大数据的移动多媒体广告智能推送管理*** |
CN112966620A (zh) * | 2021-03-15 | 2021-06-15 | 北京鹰瞳科技发展股份有限公司 | 眼底图像处理方法、模型训练方法及设备 |
CN113191961A (zh) * | 2021-03-19 | 2021-07-30 | 聚融医疗科技(杭州)有限公司 | 一种基于双边滤波和特征识别的超声去噪方法及*** |
CN113205480A (zh) * | 2021-03-19 | 2021-08-03 | 哈工大机器人(中山)无人装备与人工智能研究院 | 一种用于显示面板缺陷检测的周期提取方法、装置及*** |
CN114022879A (zh) * | 2020-07-15 | 2022-02-08 | 苏州精观医疗科技有限公司 | 一种基于光纤显微内镜图像的鳞状细胞结构增强方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6185320B1 (en) * | 1995-03-03 | 2001-02-06 | Arch Development Corporation | Method and system for detection of lesions in medical images |
CN101702019A (zh) * | 2009-11-26 | 2010-05-05 | 上海电机学院 | Sar图像中居民区的提取方法 |
CN102968768A (zh) * | 2012-11-26 | 2013-03-13 | 北京理工大学 | 一种气体红外图像的热调制方法 |
US20160148375A1 (en) * | 2014-11-21 | 2016-05-26 | Samsung Electronics Co., Ltd. | Method and Apparatus for Processing Medical Image |
CN106157266A (zh) * | 2016-07-07 | 2016-11-23 | 江苏城乡建设职业学院 | 一种果园果实图像获取方法 |
CN106780520A (zh) * | 2015-11-18 | 2017-05-31 | 周兴祥 | 一种mri腰椎图像中椎骨的自动提取方法 |
CN107507215A (zh) * | 2017-08-07 | 2017-12-22 | 广东电网有限责任公司珠海供电局 | 一种基于自适应量化增强的电力设备红外热图分割方法 |
CN107527359A (zh) * | 2017-08-07 | 2017-12-29 | 沈阳东软医疗***有限公司 | 一种pet图像重建方法及pet成像设备 |
CN109255775A (zh) * | 2018-07-18 | 2019-01-22 | 苏州精观医疗科技有限公司 | 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及*** |
-
2019
- 2019-05-31 CN CN201910472505.0A patent/CN110136161A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6185320B1 (en) * | 1995-03-03 | 2001-02-06 | Arch Development Corporation | Method and system for detection of lesions in medical images |
CN101702019A (zh) * | 2009-11-26 | 2010-05-05 | 上海电机学院 | Sar图像中居民区的提取方法 |
CN102968768A (zh) * | 2012-11-26 | 2013-03-13 | 北京理工大学 | 一种气体红外图像的热调制方法 |
US20160148375A1 (en) * | 2014-11-21 | 2016-05-26 | Samsung Electronics Co., Ltd. | Method and Apparatus for Processing Medical Image |
CN106780520A (zh) * | 2015-11-18 | 2017-05-31 | 周兴祥 | 一种mri腰椎图像中椎骨的自动提取方法 |
CN106157266A (zh) * | 2016-07-07 | 2016-11-23 | 江苏城乡建设职业学院 | 一种果园果实图像获取方法 |
CN107507215A (zh) * | 2017-08-07 | 2017-12-22 | 广东电网有限责任公司珠海供电局 | 一种基于自适应量化增强的电力设备红外热图分割方法 |
CN107527359A (zh) * | 2017-08-07 | 2017-12-29 | 沈阳东软医疗***有限公司 | 一种pet图像重建方法及pet成像设备 |
CN109255775A (zh) * | 2018-07-18 | 2019-01-22 | 苏州精观医疗科技有限公司 | 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及*** |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264418A (zh) * | 2019-05-31 | 2019-09-20 | 苏州精观医疗科技有限公司 | 图像对比度增强方法、***及装置 |
CN111179282A (zh) * | 2019-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、存储介质与电子设备 |
CN111179282B (zh) * | 2019-12-27 | 2024-04-23 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、存储介质与电子设备 |
CN111832423A (zh) * | 2020-06-19 | 2020-10-27 | 北京邮电大学 | 一种票据信息识别方法、装置及*** |
CN114022879A (zh) * | 2020-07-15 | 2022-02-08 | 苏州精观医疗科技有限公司 | 一种基于光纤显微内镜图像的鳞状细胞结构增强方法 |
CN111968136A (zh) * | 2020-08-18 | 2020-11-20 | 华院数据技术(上海)有限公司 | 一种煤岩显微图像分析方法及分析*** |
CN112132616A (zh) * | 2020-09-23 | 2020-12-25 | 范玲珍 | 一种基于大数据的移动多媒体广告智能推送管理*** |
CN112966620A (zh) * | 2021-03-15 | 2021-06-15 | 北京鹰瞳科技发展股份有限公司 | 眼底图像处理方法、模型训练方法及设备 |
CN113191961A (zh) * | 2021-03-19 | 2021-07-30 | 聚融医疗科技(杭州)有限公司 | 一种基于双边滤波和特征识别的超声去噪方法及*** |
CN113205480A (zh) * | 2021-03-19 | 2021-08-03 | 哈工大机器人(中山)无人装备与人工智能研究院 | 一种用于显示面板缺陷检测的周期提取方法、装置及*** |
CN113191961B (zh) * | 2021-03-19 | 2022-10-25 | 聚融医疗科技(杭州)有限公司 | 一种基于双边滤波和特征识别的超声去噪方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136161A (zh) | 图像特征提取分析方法、***及装置 | |
Natarajan et al. | Tumor detection using threshold operation in MRI brain images | |
CN110033456B (zh) | 一种医疗影像的处理方法、装置、设备和*** | |
Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
EP2104059B1 (en) | Apparatus and method for processing image | |
CN109255775A (zh) | 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及*** | |
Tirpude et al. | Automated detection and extraction of brain tumor from MRI images | |
CN117522719B (zh) | 基于机器学习的支气管镜图像辅助优化*** | |
CN115359066B (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
CN108121946B (zh) | 一种指纹图像预处理方法及装置 | |
Sarrafzade et al. | Skin lesion detection in dermoscopy images using wavelet transform and morphology operations | |
CN110264418A (zh) | 图像对比度增强方法、***及装置 | |
Queiroz et al. | Endoscopy image restoration: A study of the kernel estimation from specular highlights | |
CN114022879A (zh) | 一种基于光纤显微内镜图像的鳞状细胞结构增强方法 | |
CN114677713A (zh) | 一种基于近红外光的手臂静脉采血点的识别方法及*** | |
Tyagi et al. | Comparative study of image enhancement and analysis of thermal images using image processing and wavelet techniques | |
Zhu et al. | An improved method to reduce over-segmentation of watershed transformation and its application in the contour extraction of brain image | |
CN110010228A (zh) | 一种基于图像分析的脸部皮肤透视算法 | |
CN118247277B (zh) | 一种肺部ct影像自适应增强方法 | |
CN113221909B (zh) | 图像处理方法、装置及计算机可读存储介质 | |
CN104778729A (zh) | 不均匀光照条件下的虹膜提取方法及设备 | |
CN117523649B (zh) | 矿用虹膜安全识别检测方法、***、介质及终端 | |
Gavhande et al. | Image segmentation and identification of brain tumor from MRI image | |
CN116934776B (zh) | 一种fish显微图像信号点区域提取方法、装置、设备及介质 | |
CN114298206B (zh) | 一种眼底图像域转换方法及*** |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 215127 No. 104-106, Wanlong building, No. 29, Xinfa Road, Suzhou area, China (Jiangsu) pilot Free Trade Zone, Suzhou City, Jiangsu Province, 1st floor, auxiliary building (this address shall not be engaged in retail) Applicant after: Suzhou Oupu Mandi Technology Co.,Ltd. Address before: 215123 unit 302, building A6, biomedical industrial park, 218 Xinghu street, Suzhou Industrial Park, Jiangsu Province Applicant before: SUZHOU JINGGUAN MEDICAL TECHNOLOGY CO.,LTD. |