CN110458761A - 一种脑部医学荧光视频图像修复方法 - Google Patents
一种脑部医学荧光视频图像修复方法 Download PDFInfo
- Publication number
- CN110458761A CN110458761A CN201910553524.6A CN201910553524A CN110458761A CN 110458761 A CN110458761 A CN 110458761A CN 201910553524 A CN201910553524 A CN 201910553524A CN 110458761 A CN110458761 A CN 110458761A
- Authority
- CN
- China
- Prior art keywords
- video image
- frame
- pixel value
- image
- fluorescence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 210000004556 brain Anatomy 0.000 title claims abstract description 33
- 239000003814 drug Substances 0.000 title claims abstract description 14
- 230000008859 change Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 description 5
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 229910001424 calcium ion Inorganic materials 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 206010029260 Neuroblastoma Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种脑部医学荧光视频图像修复方法,步骤一,对脑部荧光视频图像的灰度值归一化处理并采用总变分正则化方法逐帧去噪声;步骤二,针对视频图像进行形态学顶帽运算,并保存每帧图像的最大和最小像素值;步骤三,采用正向线性对比度拉伸方法,最大像素值映射到1,最小像素值映射到0;步骤四,设置参考帧,对视频图像进行相对运动补偿,得到配准后图像;步骤五,最后进行逆向对比度线性拉伸后,采用一致参数对视频图像逐帧进行正向对比度线性拉伸,得到最终修复的视频图像。本发明针对视频图像进行有效的去噪声、消除非均匀背景荧光、对比度拉伸和帧间相对运动补偿综合处理,显著改善视频质量,提升后续信号处理过程的准确性。
Description
技术领域
本发明涉及医学图像计算机处理技术领域,尤其涉及一种脑部医学荧光视频图像修复方 法。
背景技术
特异性钙敏感探针荧光标记与光学显微成像技术相结合的方法已被广泛应用于脑部神经 组织结构研究。以典型的小鼠脑部神经组织结构研究为例,在小鼠体内注射GCamp6病毒,其 体内就会产生对钙离子浓度变化十分敏感的荧光信号,在小鼠头颅微创开孔,***光纤并连 接小型显微镜,就能对小鼠脑部荧光信号的变化进行实时采集,基于所得的视频图像进行信 号分析,就能得到小鼠脑部钙离子的实时分布情况,从而为分析小鼠脑部神经组成结构及其 内部物质的流动特点提供依据。
然而,由于上述研究方法需要使用光纤采集小鼠脑部荧光信号并输入显微镜***,因此 成像***必须采用较小的数值孔径,极大限制了进入成像***的光通量,由于荧光信号较弱, 必须为成像器件设置较高的感光度,上述两方面原因使所得的视频图像极易受到噪声污染。 此外,由于钙离子在脑部的广泛分布,会产生非均匀的背景荧光,进入成像***后同样会降 低有用信号的辨识度。此外,由于进行的是活体实验,在信号采集过程中小鼠处于活动状态, 成像***极易发生颤振,造成视频中图像帧间的相对平移、旋转和缩放。
上述这些因素都会严重降低视频质量,影响到后续的信号分析处理。因此,采用数字图 像处理技术对所得的视频图像进行修复显得尤为必要。
发明内容
本发明的目的在于提供一种脑部医学荧光视频图像修复方法,利用它能够对视频图像进 行有效的去噪声、消除非均匀背景荧光、对比度拉伸和帧间相对运动补偿综合处理,显著改 善视频质量,提升后续信号处理过程的准确性。
为实现上述目的,本发明的技术方案如下:
一种脑部医学荧光视频图像修复方法,包括如下步骤:
步骤一,采集脑部荧光视频图像,并对视频图像的灰度值归一化处理后采用总变分正则 化方法对视频图像逐帧去噪声;
步骤二,基于步骤一得到的视频图像进行形态学顶帽运算,去除均匀背景荧光,并保存 每帧图像的最大像素值和最小像素值;
步骤三,采用正向线性对比度拉伸方法对图像进行对比度拉伸,使最大像素值映射到1, 最小像素值映射到0;
步骤四,设置参考帧,采用增强型互相关方法对步骤三所得的视频图像进行相对运动补 偿,得到配准后图像;
步骤五,针对配准后视频图像进行逆向对比度线性拉伸后,采用一致参数对视频图像逐 帧进行正向对比度线性拉伸,得到最终修复的视频图像。
根据权利要求1所述的脑部医学荧光视频图像修复方法,其特征在于:所述步骤二中视 频图像进行形态学顶帽运算的表达式为:其中,ht表示去除非均匀背景荧 光的视频图像;ut表示经总变分正则化方法去噪声后的视频图像;表示形态学开运算;b表 示执行顶帽操作所需的结构元,其形状为圆形,半径r的取值范围为1≤r≤100。
所述步骤三中正向线性对比度拉伸方法的表达式为:其中,ft表示正向 线性对比度拉伸后的所得的视频图像;vt和st分别表示ht中每帧图像的最大像素值和最小像 素值。
所述步骤五中逆向对比度线性拉伸的表达式为:ct=(vt-st)ft+st,其中,ct表示逆向对 比度拉伸后所得的视频图像;vt和st分别表示ht中每帧图像的最大像素值和最小像素值;
一致参数的计算方法为:vm=max(v1,v2,…,vT),sm=min(s1,s2,…,sT),其中,vm和sm为两个一致参数;max和min函数分别用于计算其输入的最大值和最小值;
采用一致参数对图像进行正向对比度线性拉伸的表达式为:其中,vt和st分别表示ht中每帧图像的最大像素值和最小像素值;xt表示最终修复的视频图像。
本发明的脑部医学荧光视频图像修复方法,通过对视频图像去噪声、形态学操作去除非 均匀背景荧光、增强型互相关方法以及对比度拉伸等方法综合应用,能够对脑部医学荧光视 频图像中存在的噪声污染、背景荧光、相对运动、对比度较低等问题进行综合处理,获得清 晰度高、无相对运动、对比度明显的视频图像,著改善视频质量,为保证后续信号处理过程 的准确性提供基础。
附图说明
图1为本发明脑部医学荧光视频图像修复方法的流程图;
图2为本发明实施例从小鼠脑部荧光视频中截取的原始视频图像;
图3为本发明实施例去噪声后的视频图像;
图4为本发明实施例去除非均匀背景荧光后的视频图像;
图5为本发明实施例经正向线性对比度拉伸后的视频图像;
图6为本发明实施例经增强互相关方法进行运动补偿后的视频图像;
图7为本发明实施例经逆向线性对比度拉伸后的视频图像;
图8为本发明实施例使用一致参数进行正向线性对比度拉伸后的最终修复视频图像。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的详细说明。
如图1,本发明的一种脑部医学荧光视频图像修复方法,包括如下步骤:
步骤一,采集脑部荧光视频图像,并对视频图像的灰度值归一化处理后采用总变分正则 化方法对视频图像逐帧去噪声;
步骤二,基于步骤一得到的视频图像进行形态学顶帽运算,去除均匀背景荧光,并保存 每帧图像的最大像素值vt和最小像素值st;
步骤三,采用正向线性对比度拉伸方法对图像进行对比度拉伸,使最大像素值vt映射到 1,最小像素值st映射到0;
步骤四,设置参考帧,采用增强型互相关方法对步骤三所得的视频图像进行相对运动补 偿,得到配准后图像;
步骤五,针对配准后视频图像进行逆向对比度线性拉伸后,采用一致参数对视频图像逐 帧进行正向对比度线性拉伸,得到最终修复的视频图像。
在小鼠头颅微创开孔,***光纤并连接小型显微镜,对小鼠脑部荧光信号的变化进行实 时采集,基于采集的视频图像进行信号分析,从而得到小鼠脑部钙离子的实时分布情况,如 图2所示为一幅从小鼠脑部荧光视频中截取的原始视频图像。
步骤一,首先将原始视频图像的灰度值范围由[0,255]归一化至[0,1],然后采用总变分正 则化方法对视频中的图像进行逐帧去噪声,得到图3为所示的结果,总变分正则化去噪方法 的表达式如下:
其中,gt和ut分别表示视频原始图像和去噪声后的视频图像;t表示视频图像中的帧索 引,取值范围为t=1,2,…,T,T表示视频中图像的总数;i表示每帧图像中的像素索引;N表 示像素总数;和分别表示水平和垂直方向的一阶梯度算子;λ表示去噪声正则化系数, 在范围为1≤λ≤1000,在本实施例中小鼠脑部视频图像λ的设置值为100。
步骤二,基于图3的视频图像进行形态学顶帽运算,去除均匀背景荧光,得到如图4所 示的视频图像,并保存每帧图像的最大像素值vt和最小像素值st;其中,顶帽运算的计算方 式为:
其中,ht表示去除非均匀背景荧光的图像;ut表示经总变分正则化方法去噪声后的视频 图像;表示形态学开运算;b表示执行顶帽操作所需的结构元,其形状为圆形,半径r的取 值范围为1≤r≤100,在本实施例中图3视频图像的r设置值为10。
步骤三,基于图4的视频图像,采用正向线性对比度拉伸方法,最大像素值vt映射到1, 最小像素值st映射到0,得到如图5所示的视图图像;正向线性对比拉伸的计算式为:
其中,f表示正向线性对比度拉伸后的所得的图像;vt和st分别表示ht中像素的最大值 和最小值。
步骤四,采用增强型互相关方法对图5进行相对运动补偿所得的结果,消除了相邻帧间 的相对位移、旋转和缩放,得到配准后视频图像,如图6所示,具体执行步骤为:
1)选定参考帧fm,其中m≥1,在本实施例中m=1;
2)当t=m时,rt=fm;
3)当t>m时,循环执行如下步骤直至t=T结束;
4)当t<m时,循环执行如下步骤直至t=1结束;
其中,r表示运动补偿后的图像,Pt表示相邻帧间的仿射算子。
步骤五,基于配准后视频图像进行逆向线性对比度拉伸,得到如图7所示的视频图像, 具体逆向线性对比度拉伸的表达式为:
ct=(vt-st)ft+st (6)
其中,c表示逆向对比度拉伸后所得的视频图像。
计算对比度拉伸的一致参数,表达式为:
vm=max(v1,v2,…,vT),sm=min(s1,s2,…,sT) (7)
其中,vm和sm是两个一致参数;max和min函数分别用于计算其输入变量的最大值和最 小值。
采用一致参数对图7的视频图像进行正向线性对比度拉伸,得到如图8所示的视频图像, 具体正向线性对比度拉伸的表达式为:
其中,vt和st分别表示ht中每帧图像的最大像素值和最小像素值;xt表示最终修复的视 频图像。
本发明的脑部荧光视频图像修复方法,利用它能够对视频图像进行有效的去噪声、消除 非均匀背景荧光、对比度拉伸和帧间相对运动补偿综合处理,显著改善视频质量,提升后续 信号处理过程的准确性。将图8的最终视频图像与图2的小鼠脑部采集的原始视频图像比较, 可图8的见对比度显著提升,图像细节得到了有效增强,大幅提高了图像质量。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说 明,所应理解的是,以上所述仅为本发明的具体实施方式,并不用于限定本发明的保护范围, 凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应含在本发明的保 护范围之内。
Claims (4)
1.一种脑部医学荧光视频图像修复方法,其特征在于,包括如下步骤:
步骤一,采集脑部荧光视频图像,并对视频图像的灰度值归一化处理后采用总变分正则化方法对视频图像逐帧去噪声;
步骤二,基于步骤一得到的视频图像进行形态学顶帽运算,去除均匀背景荧光,并保存每帧图像的最大像素值和最小像素值;
步骤三,采用正向线性对比度拉伸方法对图像对比度进行拉伸,使最大像素值映射到1,最小像素值映射到0;
步骤四,设置参考帧,采用增强型互相关方法对步骤三所得的视频图像进行相对运动补偿,得到配准后视频图像;
步骤五,针对配准后视频图像进行逆向对比度线性拉伸后,采用一致参数对视频图像逐帧进行正向对比度线性拉伸,得到最终修复的视频图像。
2.根据权利要求1所述的脑部医学荧光视频图像修复方法,其特征在于:所述步骤二中视频图像进行形态学顶帽运算的表达式为:其中,ht表示去除非均匀背景荧光的视频图像;ut表示经总变分正则化方法去噪声后的视频图像;表示形态学开运算;b表示执行顶帽操作所需的结构元,其形状为圆形,半径r的取值范围为1≤r≤100。
3.根据权利要求1所述的脑部医学荧光视频图像修复方法,其特征在于:所述步骤三中正向线性对比度拉伸方法的表达式为:其中,ft表示正向线性对比度拉伸后的所得的视频图像;vt和st分别表示ht中每帧图像的最大像素值和最小像素值。
4.根据权利要求1所述的脑部医学荧光视频图像修复方法,其特征在于:所述步骤五中逆向对比度线性拉伸的表达式为:ct=(vt-st)ft+st,其中,ct表示逆向对比度拉伸后所得的视频图像;vt和st分别表示ht中每帧图像的最大像素值和最小像素值;
一致参数的计算方法为:vm=max(v1,v2,…,vT),sm=min(s1,s2,…,sT),其中,vm和sm为两个一致参数;max和min函数分别用于计算其输入的最大值和最小值;
采用一致参数对图像进行正向对比度线性拉伸的表达式为:其中,vt和st分别表示ht中每帧图像的最大像素值和最小像素值;xt表示最终修复的视频图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910553524.6A CN110458761B (zh) | 2019-06-25 | 2019-06-25 | 一种脑部医学荧光视频图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910553524.6A CN110458761B (zh) | 2019-06-25 | 2019-06-25 | 一种脑部医学荧光视频图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458761A true CN110458761A (zh) | 2019-11-15 |
CN110458761B CN110458761B (zh) | 2023-05-23 |
Family
ID=68480829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910553524.6A Active CN110458761B (zh) | 2019-06-25 | 2019-06-25 | 一种脑部医学荧光视频图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458761B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456021A (zh) * | 2013-09-24 | 2013-12-18 | 苏州大学 | 一种基于形态学分析的布匹瑕疵检测方法 |
CN104933682A (zh) * | 2015-06-03 | 2015-09-23 | 浙江大学 | 一种碑类图像的集成去噪方法 |
CN105893960A (zh) * | 2016-03-31 | 2016-08-24 | 杭州电子科技大学 | 基于相位对称性的道路交通标志检测方法 |
CN106355584A (zh) * | 2016-08-30 | 2017-01-25 | 上海交通大学 | 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法 |
CN109685742A (zh) * | 2018-12-29 | 2019-04-26 | 哈尔滨理工大学 | 一种暗光环境下的图像增强方法 |
-
2019
- 2019-06-25 CN CN201910553524.6A patent/CN110458761B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456021A (zh) * | 2013-09-24 | 2013-12-18 | 苏州大学 | 一种基于形态学分析的布匹瑕疵检测方法 |
CN104933682A (zh) * | 2015-06-03 | 2015-09-23 | 浙江大学 | 一种碑类图像的集成去噪方法 |
CN105893960A (zh) * | 2016-03-31 | 2016-08-24 | 杭州电子科技大学 | 基于相位对称性的道路交通标志检测方法 |
CN106355584A (zh) * | 2016-08-30 | 2017-01-25 | 上海交通大学 | 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法 |
CN109685742A (zh) * | 2018-12-29 | 2019-04-26 | 哈尔滨理工大学 | 一种暗光环境下的图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110458761B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583227B (zh) | 一种荧光细胞自动计数方法、装置、设备和介质 | |
EP2188779B1 (en) | Extraction method of tongue region using graph-based approach and geometric properties | |
Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
US8351667B2 (en) | Methods of contrast enhancement for images having blood vessel structures | |
CN116645384B (zh) | 基于人工智能的干细胞区域快速分割方法 | |
CN107358612A (zh) | 一种基于分形维数与高斯滤波结合的视网膜血管分割***及方法 | |
CN109064468A (zh) | 一种应用matlab量化分析眼睑睑板腺形态及面积的方法 | |
CN112950737A (zh) | 基于深度学习的眼底荧光造影图像生成方法 | |
CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
Huo et al. | Recognition of parasite eggs in microscopic medical images based on YOLOv5 | |
CN110458761A (zh) | 一种脑部医学荧光视频图像修复方法 | |
Mantena et al. | Low-cost, smartphone-based specular imaging and automated analysis of the corneal endothelium | |
CN116485819A (zh) | 一种耳鼻喉检查图像分割方法及*** | |
CN111242014A (zh) | 尿沉渣细胞显微图像的液滴成像方法及装置 | |
Zhang et al. | Deep learning for three types of keratitis classification based on confocal microscopy images | |
Ji et al. | Research on high-accuracy biological microscopic imaging and cell counting system | |
Ye et al. | Segmentation and feature extraction of endoscopic images for making diagnosis of acute appendicitis | |
CN210776809U (zh) | 一种望诊图像质量评价***、设备及存储介质 | |
Shi et al. | A segmentation-oriented inter-class transfer method: Application to retinal vessel segmentation | |
Xie et al. | Endoscopic ultrasound image recognition based on data mining and deep learning | |
CN114494465B (zh) | 面向自动扫描的组织病理切片检测目标定位方法与装置 | |
CN117541800B (zh) | 基于喉镜影像的喉部异常部位分割方法 | |
Annunziata et al. | Combining efficient hand-crafted features with learned filters for fast and accurate corneal nerve fibre centreline detection | |
Lakhani et al. | A novel method using SOM for recognizing patterns in dental radiographs-a conceptual approach | |
Dai et al. | The Research of Multi-Modality Parkinson's Disease Image Based on Cross-Layer Convolutional Neural Network |
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 |