CN111223110B - 一种显微图像增强方法、装置及计算机设备 - Google Patents
一种显微图像增强方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN111223110B CN111223110B CN202010009215.5A CN202010009215A CN111223110B CN 111223110 B CN111223110 B CN 111223110B CN 202010009215 A CN202010009215 A CN 202010009215A CN 111223110 B CN111223110 B CN 111223110B
- Authority
- CN
- China
- Prior art keywords
- image
- microscopic image
- interest
- region
- color space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims 1
- 210000004027 cell Anatomy 0.000 abstract description 8
- 210000003855 cell nucleus Anatomy 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 210000001519 tissue Anatomy 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000001000 micrograph Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
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
本发明公开一种显微图像增强方法,该方法通过对显微图像中细胞或组织切片特征的分析,将显微图像分割成感兴趣区域和背景区域,然后采取自适应策略对图像中感兴趣区域和背景区域分别进行图像均衡化处理,进而使得显微图像中细胞核、以及细胞轮廓等特征突显出来,同时大幅度抑制背景区域噪声。通过本发明方法得到的显微图像背景通透、对比度强,尤其是细胞轮廓更加分明、细胞核更加清晰可辨,更适合病理医生进行观察判断。
Description
技术领域
本发明涉及医学显微图像处理技术领域,尤其是一种显微图像增强方法、装置及计算机设备。
背景技术
医学显微图像以直观的形式给医生提供辅助诊断和治疗的信息,对医学显微图像而言,其对显微图像中的细节要求严格,单一显微图像包含大量数据。然而在成像过程中,经常存在一些退化因素,导致最终的显微图像细节模糊、质量下降。
医学显微图像增强技术作为一大类基本的医学显微图像处理技术,主要是解决图像边缘模糊、对比度差等缺点,对医学显微图像进行加工,进而提高图像的有效性和使用性,为医生诊断提供更为丰富和准确的信息。常用的医学显微图像增强方法主要有:(1)对比度增强、锐化增强等空域方法。每种方法都有其明显的不足,对比度增强方法并不能完全解决直方图均衡化存在的问题,而锐化方法则只适用于对比度较好细节模糊图像的锐化,单独用在医学图像上增强效果不明显。(2)变换域方法。小波变换是最为常见的变换域方法。变换域方法通常需要在空域上做后处理。(3)与统计方法相结合。统计学习方法一般能得到较好的增强效果,但是其处理速度不能满足实时要求。(4)利用模糊理论的算法及组合优化算法。将图像看成是模糊集,利用模糊理论读图像进行处理,借助“模糊对比度增强算子(INT)”实现修改像素以达到对比度增强的目的。
现有技术中,如中国专利CN107481206中提出了一种显微镜图像背景均衡处理算法,该方法将采集到的RGB显微图像转换到HSV颜色空间,对HSV颜色空间的明度分量V处理,判断明度分量V是否含有椒盐噪声,并对明度分量V进行线性映射变换,对变换后的图像进行图像均衡化处理,最后将HSV颜色空间的图像转换到RGB颜色空间。此发明采用对明度分量V进行增强处理,不改变图像的色调和饱和度,提高了图像整体的亮度,但是没有凸显图像局部细节及对比度变化差异。如中国专利CN106780379中提出了一种计量显微镜的彩色图像增强方法,该方法将采集到的RGB显微图像转换到HSI颜色空间,使用Retinex算法改变原始亮度分量I和原始饱和度分量S,最后将HSI颜色空间的图像转换到RGB颜色空间,对处理后的RGB图像进行灰度拉伸。此发明解决了对彩色图像进行增强时,造成彩色图像颜色失真的问题,但是对获取的显微图像细节不清晰问题改善不大。
发明内容
本发明提供一种显微图像增强方法、装置及计算机设备,用于克服现有技术中出现图像细节不够清晰以及图像模糊、对比度差等缺陷,实现处理得到的显微图像背景通透、对比度强。
为实现上述目的,本发明提出一种显微图像增强方法,包括:
S1:获取彩色显微图像;
S2:将显微图像由RGB颜色空间转换到HSV颜色空间;
S3:首先基于HSV颜色空间的饱和度值,得到一系列候选感兴趣区域;再基于HSV颜色空间的色调、明度和饱和度,计算候选感兴趣区域的特征值并根据特征值的相似度,获得显微图像的感兴趣区域;
S4:采取自适应策略对显微图像中感兴趣区域和背景区域分别进行图像均衡化处理;
S5:将经处理的显微图像转换到RGB颜色空间,得到增强后的显微图像。
为实现上述目的,本发明还提出一种显微图像增强装置,包括:
图像采集模块,用于获取彩色显微图像;
图像转换模块,用于将显微图像由RGB颜色空间转换到HSV颜色空间;
图像处理模块,用于首先基于HSV颜色空间的饱和度值,得到一系列候选感兴趣区域;再基于HSV颜色空间的色调、明度和饱和度,计算候选感兴趣区域的特征值并根据特征值的相似度,获得显微图像的感兴趣区域;
图像增强模块,用于采取自适应策略对显微图像中感兴趣区域和背景区域分别进行图像均衡化处理;
图像输出模块,用于将经处理的显微图像转换到RGB颜色空间,得到增强后的显微图像。
为实现上述目的,本发明还提出一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述方法的步骤。
与现有技术相比,本发明的有益效果有:
本发明提供的显微图像增强方法通过对显微图像中细胞或组织切片特征的分析,将显微图像分割成感兴趣区域和背景区域,然后采取自适应策略对图像中感兴趣区域和背景区域分别进行图像均衡化处理,进而使得显微图像中细胞核、以及细胞轮廓等特征突显出来,同时大幅度抑制背景区域噪声。通过本发明方法得到的显微图像背景通透、对比度强,尤其是细胞轮廓更加分明、细胞核更加清晰可辨,更适合病理医生进行观察判断。
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示出的结构获得其他的附图。
图1为本发明提供的显微图像增强方法流程图;
图2为显微图像示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
无特殊说明,所使用的药品/试剂均为市售。
本发明提出一种显微图像增强方法,如图1所示,包括:
S1:获取彩色显微图像;
S2:将显微图像由RGB颜色空间转换到HSV颜色空间;
S3:首先基于HSV颜色空间的饱和度值,得到一系列候选感兴趣区域;再基于HSV颜色空间的色调、明度和饱和度,计算候选感兴趣区域的特征值并根据特征值的相似度,获得显微图像的感兴趣区域;
S4:采取自适应策略对显微图像中感兴趣区域和背景区域分别进行图像均衡化处理;
S5:将经处理的显微图像转换到RGB颜色空间,得到增强后的显微图像。
在S1中,显微图像是指在显微镜里观察到的图像,如图2所示。
显微图像包括医学显微图像、生物显微图像等。医学显微图像通过医学显微镜采集得到,生物显微图像通过生物显微镜采集得到。
在S2中,RGB颜色空间是一种常见的色彩表示法,但是RGB颜色空间与人眼的感知差异很大,其空间的相似不代表实际颜色的相似。考虑到RGB颜色空间转换到HSV颜色空间是一个简单且快速的非线性变换,本发明首先将显微镜采集到的RGB原始显微图像转换到符合人眼感知特性的HSV颜色空间。
HSV颜色空间是一种比较直观,且更适合人眼观察的颜色模型,这个模型中颜色的参数分别是:色调H,饱和度S,明度V。色调H是色彩的基本属性,就是平常说的颜色的名称,如红色、黄色等。饱和度S是指色彩的纯度,饱和度的值越高色彩越纯,饱和度的值越低则色彩逐渐变淡。明度V表示颜色明亮的程度。
步骤S2具体为:
S21:在显微图像RGB颜色空间内取一点P(r,g,b),并对P点进行归一化处理,得到点P'(r',g',b');r、g、b分别表示P点在RGB颜色空间中红、绿、蓝三个颜色值,r',g',b'分别表示P点在RGB颜色空间中红、绿、蓝三个颜色值经归一化处理后的值;
本实施例中采用的归一化处理为:将P点的三个颜色值除以255,归一化到0~1的数值范围,得到点P'(r',g',b'),
r'=r/255g'=g/255b'=b/255 (8);
S22:通过计算获得P'(r',g',b')中三个颜色值的最大值Cmax和最小值Cmix,并求出最大值Cmax和最小值Cmix的差值Δ;
Cmax=max(r',g',b')Cmix=mix(r',g',b') (9);
Δ=Cmax-Cmix (10);
式中,max为最大值计算函数;mix为最小值计算函数。
S23:基于步骤S21和S22,计算P点对应的HSV颜色空间中的色调H、饱和度S和明度V的值,从而完成显微图像由RGB颜色空间到HSV颜色空间的转换。
色调H、饱和度S和明度V的计算公式为:
V=Cmax (3);
式中,Δ表示最大值Cmax和最小值Cmix的差值;r',g',b'分别表示P点在RGB颜色空间中红、绿、蓝三个颜色值经归一化处理后的值;mod表示求余函数。mod就是一个运算操作,例如3mod2=1。
在S3中,通过分析大量显微图像(例如:细胞显微图像),发现:显微图像中感兴趣的目标(例如:细胞核)其饱和度远高于背景区域,因此通过图像HSV颜色空间中饱和度值,可分割出显微图像中感兴趣区域。
步骤S3具体为:
S31:在HSV颜色空间,将显微图像细分为N个子图像,然后对每个子图像分别设置不同的饱和度阈值,并提取每个子图像中饱和度值高于各自饱和度阈值的目标区域,得到一系列候选感兴趣区域,N为正整数;计算公式如下所示:
式中,ROI表示一个候选感兴趣区域;Tm表示第m个子图像的饱和度阈值;Im表示第m个子图像;表示第m个子图像中坐标为(x,y)像素点的饱和度值;∪表示第m个子图像中饱和度值大于阈值的像素点的并集,该并集构成一个候选感兴趣区域。
一个子图像中可包含若干个候选感兴趣区域。
S32:通过计算每个候选感兴趣区域的特征值来进行候选感兴趣区域的合并,从而得到显微图像的感兴趣区域,显微图像的其他区域则为背景区域。
在本实施例中,步骤S32具体为:
S321:选取候选感兴趣区域的特征均值和特征方差为所述候选感兴趣区域的特征值;
S322:通过判断相邻两个候选感兴趣区域的特征值是否相似来判断是否对两者进行合并,相似,则合并;不相似,则不合并;
S323:计算合并后形成的新的候选感兴趣区域的特征值,并重复步骤S322;
S324:重复步骤S323,直至所有的候选感兴趣区域处理完成,得到显微图像的感兴趣区域,显微图像的其他区域则为背景区域。
在S321中,特征均值和特征方差的计算公式为:
式中,Mean和Variance分别表示特征均值和特征方差;qi,j(H,S,V)表示候选感兴趣区域中(i,j)位置上像素的色调H、明度V和饱和度S的值;P和Q分别表示显微图像的行数和列数。
在S322中,判断相邻两个候选感兴趣区域的特征值是否相似的具体过程为:
对第t个候选感兴趣区域,计算该区域的特征均值Meant和特征方差Variancet;
对第h个候选感兴趣区域,计算该区域的特征均值Meanh和特征方差Varianceh;
计算t,h候选感兴趣区域的特征值相似性,如下所示:
式中,Disth表示两个特征值之间的欧式距离,Simth表示两个特征值之间的相似度,取值范围为0~1。
当Simth≥T时,合并两个候选感兴趣区域;
当Simth<T时,不合并;T表示设置的相似度阈值。
在S4中,基于人眼视觉模型实现对感兴趣区域显微图像的增强,即利用伽玛校正(Gamma Correction)进行灰度拉伸,使得显微图像中偏白的像素区域更白、偏黑的像素区域更黑,以提高感兴趣区域的对比度。
伽玛校正(Gamma Correction)是指对图像的伽玛曲线进行编辑,以对图像进行非线性色调编辑的方法,检测出图像信号中的深色部分和浅色部分,并使两者比例增大,从而提高图像对比度的效果。伽马校正对于图像对比度偏低,并且整体亮度值偏高情况下的图像增强效果明显。伽玛校正的变换公式就是对图像上每一个像素值做乘积运算。
伽玛校正表达式如下:
f(I)=cIγI∈[0,1] (6)
式中,f(I)表示在显微图像不同灰度值下伽玛曲线对应的函数值;c表示常量,γ表示伽玛值,I表示显微图像的灰度值;
在伽玛校正过程中,当伽玛值γ小于1时,在低灰度值区域内动态范围变大,在高灰度值区域内动态范围变化小,即拉伸图像中灰度级较低的区域,同时会压缩灰度级较高的部分,进而使图像的对比度增强,同时使得图像整体的灰度值变大;当伽玛值γ大于1时,在低灰度值区域内的动态范围变小,在高灰度值区域的动态范围变大,即降低了低灰度值区域图像的对比度,提高了高灰度值区域图像的对比度,同时图像整体的灰度值变小。γ可以为1,取1实际上就是输入输出的线性变换,但是伽玛校正为非线性变换,因此γ一般不取1。
基于非局部均值降噪方法对背景区域进行去噪,具体为:对一个给定的像素Y,N(Y)是以Y为中心大小为m×m的图像块,N(Z)是N(Y)邻域内的图像块,利用图像块N(Y)与N(Z)之间的高斯加权欧氏距离度量Y和Z之间的相似性,计算公式如下:
式中,表示像素Y降噪后的灰度值;Y和Z分别表示像素;Ω表示以像素Y为中心的一个搜索邻域;ω(Y,Z)表示加权平均,是像素Z对应的权重;F(Z)表示像素Z的灰度值。Ω理论上应该是整个图像空间,为了降低算法的计算量,本发明将其设置为以像素Y为中心的一个较大范围的搜索邻域。
N(Y)与N(Z)之间的距离越小,说明像素Z与Y越相似,即像素Z对应的权重值越大。
非局部均值降噪(Non-Local-Means Denoise)是对传统邻域滤波方法的一个改进,该方法充分利用了图像中的冗余信息,在去噪的同时能最大程度地保持图像的细节特征。
在S5中,HSV颜色空间转换到RGB颜色空间的计算方法如下:
C=V×S (13);
D=V-C (15);
(r,g,b)=((r'+D)×255,(g'+D)×255,(b'+D)×255) (17);
式中,C、X、D均为计算过程的中间变量,无特别的含义;V表示明度;S表示饱和度;H表示色调;mod表示求余函数;r、g、b分别表示P点在RGB颜色空间中红、绿、蓝三个颜色值,r',g',b'分别表示P点在RGB颜色空间中红、绿、蓝三个颜色值经归一化处理后的值。
本实施例中提出的一种显微图像增强方法,利用显微图像HSV颜色空间中的饱和度S值来分割显微图像成感兴趣区域和背景区域,并对不同区域采取不同的图像均衡化方法,即感兴趣区域采用基于人眼视觉模型的图像增强方法(利用gamma曲线校正进行灰度拉伸,进而提高图像的对比度),对背景区域采用基于非局部均值降噪(Non-Local-MeansDenoise)的方法进行去噪处理。采用本实施例方法处理得到的显微图像背景通透、对比度强,尤其是细胞轮廓更加分明、细胞核更加清晰可辨,更适合病理医生进行观察判断。
本实施例还提供一种显微图像增强装置,包括:
图像采集模块,用于获取彩色显微图像;
图像转换模块,用于将显微图像由RGB颜色空间转换到HSV颜色空间;
图像处理模块,用于首先基于HSV颜色空间的饱和度值,得到一系列候选感兴趣区域;再基于HSV颜色空间的色调、明度和饱和度,计算候选感兴趣区域的特征值并根据特征值的相似度,获得显微图像的感兴趣区域;
图像增强模块,用于采取自适应策略对显微图像中感兴趣区域和背景区域分别进行图像均衡化处理;
图像输出模块,用于将经处理的显微图像转换到RGB颜色空间,得到增强后的显微图像。
本实施例还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述方法的步骤。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (6)
1.一种显微图像增强方法,其特征在于,包括:
步骤S1:获取彩色显微图像;
步骤S2:将显微图像由RGB颜色空间转换到HSV颜色空间;
步骤S3:首先基于HSV颜色空间的饱和度值,得到一系列候选感兴趣区域;再基于HSV颜色空间的色调、明度和饱和度,计算候选感兴趣区域的特征值并根据特征值的相似度,获得显微图像的感兴趣区域;
步骤S4:采取自适应策略对显微图像中感兴趣区域和背景区域分别进行图像均衡化处理;
步骤S5:将经处理的显微图像转换到RGB颜色空间,得到增强后的显微图像;
所述步骤S3具体为:
S31:在HSV颜色空间,将显微图像细分为N个子图像,然后对每个子图像分别设置不同的饱和度阈值,并提取每个子图像中饱和度值高于各自饱和度阈值的目标区域,得到一系列候选感兴趣区域,N为正整数;
S32:通过计算每个候选感兴趣区域的特征值来进行候选感兴趣区域的合并,从而得到显微图像的感兴趣区域,显微图像的其他区域则为背景区域;
所述步骤S32具体为:
S321:选取候选感兴趣区域的特征均值和特征方差为所述候选感兴趣区域的特征值;
S322:通过判断相邻两个候选感兴趣区域的特征值是否相似来判断是否对两者进行合并,相似,则合并;不相似,则不合并;
S323:计算合并后形成的新的候选感兴趣区域的特征值,并重复步骤S322;
S324:重复步骤S323,直至所有的候选感兴趣区域处理完成,得到显微图像的感兴趣区域,显微图像的其他区域则为背景区域;
所述步骤S4中,基于人眼视觉模型实现对感兴趣区域显微图像的增强;基于非局部均值降噪方法对背景区域进行去噪;
所述基于人眼视觉模型实现对感兴趣区域显微图像增强具体为:
利用伽玛校正进行灰度拉伸,以提高感兴趣区域的对比度;伽玛校正表达式如下:
;
式中,表示在显微图像不同灰度值下伽玛曲线对应的函数值;c表示常量,/>表示伽玛值,I表示显微图像的灰度值;
所述基于非局部均值降噪方法对背景区域进行去噪具体为:对一个给定的像素Y,N(Y)是以Y为中心大小为m×m的图像块,N(Z)是N(Y)邻域内的图像块,利用图像块N(Y)与N(Z)之间的高斯加权欧氏距离度量Y和Z之间的相似性,计算公式如下:
;
式中,表示像素Y降噪后的灰度值;Y和Z分别表示像素;/>表示以像素Y为中心的一个搜索邻域;/>表示加权平均,是像素Z对应的权重;/>表示像素Z的灰度值。
2.如权利要求1所述的显微图像增强方法,其特征在于,所述步骤S2具体为:
S21:在显微图像RGB颜色空间内取一点,并对P点进行归一化处理,得到点;r、g、b分别表示P点在RGB颜色空间中红、绿、蓝三个颜色值,/>分别表示P点在RGB颜色空间中红、绿、蓝三个颜色值经归一化处理后的值;
S22:通过计算获得中三个颜色值的最大值/>和最小值/>,并求出最大值/>和最小值/>的差值/>;
S23:基于步骤S21和S22,计算P点对应的HSV颜色空间中的色调H、饱和度S和明度V的值,从而完成显微图像由RGB颜色空间到HSV颜色空间的转换。
3.如权利要求2所述的显微图像增强方法,其特征在于,所述步骤S23中,色调H、饱和度S和明度V的计算公式为:
;
;
;
式中,表示最大值/>和最小值/>的差值;/>分别表示P点在RGB颜色空间中红、绿、蓝三个颜色值经归一化处理后的值;mod表示求余函数。
4.如权利要求1所述的显微图像增强方法,其特征在于,所述特征均值和特征方差的计算公式为:
;
;
式中,Mean和Variance分别表示特征均值和特征方差;表示候选感兴趣区域中(i,j)位置上像素的色调H、明度V和饱和度S的值;P和Q分别表示显微图像的行数和列数。
5.一种显微图像增强装置,其特征在于,包括:
图像采集模块,用于获取彩色显微图像;
图像转换模块,用于将显微图像由RGB颜色空间转换到HSV颜色空间;
图像处理模块,用于首先基于HSV颜色空间的饱和度值,得到一系列候选感兴趣区域;再基于HSV颜色空间的色调、明度和饱和度,计算候选感兴趣区域的特征值并根据特征值的相似度,获得显微图像的感兴趣区域;
图像增强模块,用于采取自适应策略对显微图像中感兴趣区域和背景区域分别进行图像均衡化处理;
图像输出模块,用于将经处理的显微图像转换到RGB颜色空间,得到增强后的显微图像;
图像处理模块还用于执行如下步骤:S31:在HSV颜色空间,将显微图像细分为N个子图像,然后对每个子图像分别设置不同的饱和度阈值,并提取每个子图像中饱和度值高于各自饱和度阈值的目标区域,得到一系列候选感兴趣区域,N为正整数;S32:通过计算每个候选感兴趣区域的特征值来进行候选感兴趣区域的合并,从而得到显微图像的感兴趣区域,显微图像的其他区域则为背景区域;
图像处理模块还用于执行如下步骤:S321:选取候选感兴趣区域的特征均值和特征方差为所述候选感兴趣区域的特征值;
S322:通过判断相邻两个候选感兴趣区域的特征值是否相似来判断是否对两者进行合并,相似,则合并;不相似,则不合并;
S323:计算合并后形成的新的候选感兴趣区域的特征值,并重复步骤S322;
S324:重复步骤S323,直至所有的候选感兴趣区域处理完成,得到显微图像的感兴趣区域,显微图像的其他区域则为背景区域;
图像增强模块还用于执行如下步骤:基于人眼视觉模型实现对感兴趣区域显微图像的增强;基于非局部均值降噪方法对背景区域进行去噪;
所述基于人眼视觉模型实现对感兴趣区域显微图像增强具体为:
利用伽玛校正进行灰度拉伸,以提高感兴趣区域的对比度;伽玛校正表达式如下:
;
式中,表示在显微图像不同灰度值下伽玛曲线对应的函数值;c表示常量,/>表示伽玛值,I表示显微图像的灰度值;
所述基于非局部均值降噪方法对背景区域进行去噪具体为:对一个给定的像素Y,N(Y)是以Y为中心大小为m×m的图像块,N(Z)是N(Y)邻域内的图像块,利用图像块N(Y)与N(Z)之间的高斯加权欧氏距离度量Y和Z之间的相似性,计算公式如下:
;
式中,表示像素Y降噪后的灰度值;Y和Z分别表示像素;/>表示以像素Y为中心的一个搜索邻域;/>表示加权平均,是像素Z对应的权重;/>表示像素Z的灰度值。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009215.5A CN111223110B (zh) | 2020-01-06 | 2020-01-06 | 一种显微图像增强方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009215.5A CN111223110B (zh) | 2020-01-06 | 2020-01-06 | 一种显微图像增强方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223110A CN111223110A (zh) | 2020-06-02 |
CN111223110B true CN111223110B (zh) | 2023-07-18 |
Family
ID=70831243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010009215.5A Active CN111223110B (zh) | 2020-01-06 | 2020-01-06 | 一种显微图像增强方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223110B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100077B (zh) * | 2022-07-25 | 2022-11-04 | 深圳市安科讯实业有限公司 | 一种图像增强方法与装置 |
CN115797225B (zh) * | 2023-01-06 | 2023-04-21 | 山东环宇地理信息工程有限公司 | 一种水下地形测量用无人船采集图像增强方法 |
CN116934755B (zh) * | 2023-09-18 | 2023-12-01 | 中国人民解放军总医院第八医学中心 | 基于直方图均衡化的肺结核ct图像增强*** |
CN117372308B (zh) * | 2023-12-04 | 2024-03-12 | 华侨大学 | 一种相衬细胞显微图像清晰度增强方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205804A (zh) * | 2015-08-18 | 2015-12-30 | 爱威科技股份有限公司 | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 |
CN105913096A (zh) * | 2016-06-29 | 2016-08-31 | 广西大学 | 一种无序图像关键帧的提取方法 |
WO2017132858A1 (en) * | 2016-02-03 | 2017-08-10 | Chongqing University Of Posts And Telecommunications | Methods, systems, and media for image processing |
CN107369145A (zh) * | 2017-06-16 | 2017-11-21 | 广东欧珀移动通信有限公司 | 图像处理方法、装置及终端设备 |
CN107481206A (zh) * | 2017-08-28 | 2017-12-15 | 湖南友哲科技有限公司 | 显微镜图像背景均衡处理算法 |
CN107578383A (zh) * | 2017-08-29 | 2018-01-12 | 北京华易明新科技有限公司 | 一种低照度图像增强处理方法 |
CN107609537A (zh) * | 2017-10-09 | 2018-01-19 | 上海海事大学 | 一种基于hsv空间水面图像特征的水岸线检测方法 |
CN110189293A (zh) * | 2019-04-15 | 2019-08-30 | 广州锟元方青医疗科技有限公司 | 细胞图像处理方法、装置、存储介质及计算机设备 |
CN110598560A (zh) * | 2019-08-15 | 2019-12-20 | 重庆特斯联智慧科技股份有限公司 | 基于神经网络增强的夜间监控识别方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150146032A1 (en) * | 2013-11-22 | 2015-05-28 | Vidinoti Sa | Light field processing method |
-
2020
- 2020-01-06 CN CN202010009215.5A patent/CN111223110B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205804A (zh) * | 2015-08-18 | 2015-12-30 | 爱威科技股份有限公司 | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 |
WO2017132858A1 (en) * | 2016-02-03 | 2017-08-10 | Chongqing University Of Posts And Telecommunications | Methods, systems, and media for image processing |
CN105913096A (zh) * | 2016-06-29 | 2016-08-31 | 广西大学 | 一种无序图像关键帧的提取方法 |
CN107369145A (zh) * | 2017-06-16 | 2017-11-21 | 广东欧珀移动通信有限公司 | 图像处理方法、装置及终端设备 |
CN107481206A (zh) * | 2017-08-28 | 2017-12-15 | 湖南友哲科技有限公司 | 显微镜图像背景均衡处理算法 |
CN107578383A (zh) * | 2017-08-29 | 2018-01-12 | 北京华易明新科技有限公司 | 一种低照度图像增强处理方法 |
CN107609537A (zh) * | 2017-10-09 | 2018-01-19 | 上海海事大学 | 一种基于hsv空间水面图像特征的水岸线检测方法 |
CN110189293A (zh) * | 2019-04-15 | 2019-08-30 | 广州锟元方青医疗科技有限公司 | 细胞图像处理方法、装置、存储介质及计算机设备 |
CN110598560A (zh) * | 2019-08-15 | 2019-12-20 | 重庆特斯联智慧科技股份有限公司 | 基于神经网络增强的夜间监控识别方法和*** |
Non-Patent Citations (3)
Title |
---|
Marzia Hoque Tania 等.Advances in automated tongue diagnosis techniques.《Integrative Medicine Research》.2019,第8卷(第1期),全文. * |
毛本清 等.自适应直方图均衡化算法在图像增强处理的应用.《河北北方学院学报(自然科学版)》.2010,第26卷(第5期),全文. * |
魏德志 等.基于改进的CLAHE显微细胞图像增强算法.《计算机技术与发展》.2018,第28卷(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111223110A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223110B (zh) | 一种显微图像增强方法、装置及计算机设备 | |
Du et al. | Union Laplacian pyramid with multiple features for medical image fusion | |
CN105654436B (zh) | 一种基于前景背景分离的背光图像增强去噪方法 | |
CN109191390A (zh) | 一种基于不同颜色空间多算法融合的图像增强算法 | |
CN104463804B (zh) | 一种基于直觉模糊集的图像增强方法 | |
CN106558031B (zh) | 一种基于成像模型的彩色眼底图的图像增强方法 | |
CN104794708A (zh) | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 | |
CN110570360A (zh) | 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法 | |
CN110298796B (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
Chen et al. | Blood vessel enhancement via multi-dictionary and sparse coding: Application to retinal vessel enhancing | |
CN112287765B (zh) | 人脸活体检测方法、装置、设备及可读存储介质 | |
CN106157266A (zh) | 一种果园果实图像获取方法 | |
CN105976309B (zh) | 一种高效且易于并行实现的美颜移动终端 | |
CN103489168A (zh) | 一种红外图像自适应转伪彩增强方法及*** | |
CN112330613A (zh) | 一种细胞病理数字图像质量的评价方法及*** | |
CN105976308B (zh) | 一种基于gpu的移动端高质量美颜的实时处理方法 | |
CN113298763B (zh) | 一种基于显著性窗口策略的图像质量评估方法 | |
CN117197064A (zh) | 一种无接触眼红程度自动分析方法 | |
CN116630198A (zh) | 一种结合自适应伽马校正的多尺度融合水下图像增强方法 | |
CN116468627A (zh) | 一种基于二次加权快速导向滤波的内窥镜图像增强方法 | |
CN114862706B (zh) | 一种保持图像梯度方向的色阶映射方法 | |
Dolly et al. | Various methods of enhancement in colored images: a review | |
Parihar et al. | UndarkGAN: Low-light Image Enhancement with Cycle-consistent Adversarial Networks | |
CN110647843A (zh) | 一种人脸面部图像处理方法 | |
CN116664462B (zh) | 一种基于ms-dsc和i_cbam的红外和可见光图像融合方法 |
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 |