CN111429351A - 一种图像插值处理方法及*** - Google Patents
一种图像插值处理方法及*** Download PDFInfo
- Publication number
- CN111429351A CN111429351A CN202010214137.2A CN202010214137A CN111429351A CN 111429351 A CN111429351 A CN 111429351A CN 202010214137 A CN202010214137 A CN 202010214137A CN 111429351 A CN111429351 A CN 111429351A
- Authority
- CN
- China
- Prior art keywords
- image
- blocks
- real
- time images
- images
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000001727 in vivo Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
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
本发明公开了一种图像插值处理方法及***，基于本发明所提供的方法，在通过内窥镜得到人体内的图像时，连续采集5张图像，并进行图像轮廓提取，然后将图像划分为小块，在小块中确定出灰度梯度值最大的块，并根据确定出的块组成新的合并图像，再将合并图像进行双线性以及立方卷积插值计算，最终输出清晰度较高的输出图像。通过该方法实现了精密的图像处理来更加精准的还原体内图像，最大程度的减小误差的效果。进而提升了内窥镜***采集到的人体内的图像的还原度。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种图像插值处理方法及***。
背景技术
随着医疗水平的提高，医疗界对一些医疗设备的需求越来越大，医生必须通过更高效并且深入的医疗检验及检查设备，才能更好的确定病人的实际病情，进而做出最合理的治疗。
内窥镜就是为了医生可以更准确的观察病人胃里的溃疡或肿瘤而设计的，同时将胃里的影像传输出来以供医生进行判断。因为要经病人的口腔进入体内，因此对内窥镜的体积以及影像的准确性就非常的重要。
由于体内的环境不稳定，因此图像处理的算法就相当的重要。
但是，当前的图像处理方法的复杂度较高，并且还原度也较低。
发明内容
本发明提供了一种图像插值处理方法及***，用以解决现有技术中内窥镜中图像处理方法的复杂度较高，并且还原度也较低的问题。
其具体的技术方案如下：
一种图像插值处理方法，所述方法包括：
在获取到图像采集指令时，连续采集N张实时图像，其中，N为大于等于2的正整数；
读取N张实时图像中每张实时图像的轮廓，并将每张图像划分为K块；
依次对比N张实时图像中对应的K块，并确定出K块中的M块，其中M块为灰度差最大的块；
将M块合并为一张合并图像，并对所述合并图像进行双线性插值计算以及立方卷积插值计算，得到输出图像。
可选的，读取N张实时图像中每张实时图像的轮廓，并将每张图像划分为K块，包括：
通过图像轮廓提取算法，提取出5张实时图像中的轮廓；
在5张实时图像中截取出每张实时图像中轮廓的灰度梯度值，并将每张图像划分为3*3的块。
可选的，依次对比N张实时图像中对应的K块，并确定出K块中的M块，包括：
在得到的3*3块中，确定出灰度梯度值最大的块；
将灰度梯度值最大的块筛选为重新组成合并图像的图块。
一种图像插值处理***，所述***包括：
采集模块，用于在获取到图像采集指令时，连续采集N张实时图像，其中，N为大于等于2的正整数；
读取模块，用于读取N张实时图像中每张实时图像的轮廓，并将每张图像划分为K块；
处理模块，用于依次对比N张实时图像中对应的K块，并确定出K块中的M块，其中M块为灰度差最大的块；将M块合并为一张合并图像，并对所述合并图像进行双线性插值计算以及立方卷积插值计算，得到输出图像。
可选的，所述读取模块，具体用于通过图像轮廓提取算法，提取出5张实时图像中的轮廓；在5张实时图像中截取出每张实时图像中轮廓的灰度梯度值，并将每张图像划分为3*3的块。
可选的，所述处理模块，具体用于在得到的3*3块中，确定出灰度梯度值最大的块；将灰度梯度值最大的块筛选为重新组成合并图像的图块。
基于本发明所提供的方法，在通过内窥镜得到人体内的图像时，连续采集5张图像，并进行图像轮廓提取，然后将图像划分为小块，在小块中确定出灰度梯度值最大的块，并根据确定出的块组成新的合并图像，再将合并图像进行双线性以及立方卷积插值计算，最终输出清晰度较高的输出图像。通过该方法实现了精密的图像处理来更加精准的还原体内图像，最大程度的减小误差的效果。进而提升了内窥镜***采集到的人体内的图像的还原度。
附图说明
图1为本发明实施例中一种图像插值处理方法的流程图；
图2为本发明实施例中一种图像插值处理***的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解，本发明实施例以及实施例中的具体技术特征只是对本发明技术方案的说明，而不是限定，在不冲突的情况下，本发明实施例以及实施例中的具体技术特征可以相互组合。
如图1所示为本发明实施例中一种图像插值处理方法的流程图，该方法包括：
S1，在获取到图像采集指令时，连续采集N张实时图像；
这里的N为大于等于2的正整数，在本发明实施例中N等于5，但是此处并不是限定N值。在实际的应用中N也可以是6或者7等正整数。
S2，读取N张实时图像中每张实时图像的轮廓，并将每张图像划分为K块；
这里的K为大于等于2的正整数，在本发明实施例中K等于3*3，但是此处并不是限定K值。在实际的应用中K也可以是4*4或者5*5等。
S3，依次对比N张实时图像中对应的K块，并确定出K块中的M块；
由于图像处于动态状态下拍摄，因此本算法会连续拍摄5张照片后先通过5张动态图片的分析合并一张图片后，再通过多种插值方式来增加图像的分辨率。
合并5张动态图像是为了确保图片的准确和清晰度。由于图像的信息点一般存在于图像的轮廓当中，因此本算法会先提取5张图像的轮廓，并截取每张图像中轮廓灰度梯度值，取用梯度值最大的部分，最后重新组合出最清晰的一张图像。也就是，在将实时图像划分为3*3的块之后，将确定出9块图像来重新拼接成合并图像。
S4，将M块合并为一张合并图像，并对所述合并图像进行双线性插值计算以及立方卷积插值计算，得到输出图像。
下面通过具体的实施例来本发明技术方案做详细的说明。
首先来讲，该的方法应用到一***中，该***可以的是内窥镜***，该***包括五部分：
1、负责采集图像的摄像头部分；
2、负责进行图像处理的中央处理部分；
3、负责处理按键进行人机交互的按键部分
4、负责换送气的电机控制部分；
5、负责结果展示的显示部分。
基于上述的内窥镜***，本发明方法的流程为，在用户按下采集图像按钮后，***将连续采集5张实时图像，然后读取5张实时图像的轮廓，将每张图像分为3*3的块，依次对比5张实时图像对应9块小图，找出灰度梯度差值最大的9块小图，将9块小图合并成一张合并图像，将合并图像进行双线性插值计算以及立方卷积插值计算，最终得到输出图像。
图像插值算法：
本***主要是通过插值算法来增加图像的分辨率，从而使图片更加清晰。
由于图像处于动态状态下拍摄，因此本算法会连续拍摄5张照片后先通过5张动态图片的分析合并一张图片后，再通过多种插值方式来增加图像的分辨率。
1)合并动态图片：
合并5张动态图像是为了确保图片的准确和清晰度。由于图像的信息点一般存在于图像的轮廓当中，因此本算法会先提取5张图像的轮廓，并截取每张图像中轮廓灰度梯度值，取用梯度值最大的部分，最后重新组合出最清晰的一张图像。
本算法中采用Canny边缘检测算子来对图像的轮廓进行识别。
Canny算子中采用的卷积算子如下：
上式为图像x和y方向偏导数计算模板，可用数学公式表达其每个点的梯度幅值为：
G[i，j]＝f[i，j]-f[i+1，j+1]|+|f[i+1，j]-f[i，j-1]|
其中x向、y向的一阶偏导数矩阵、梯度幅值以及梯度方向的数学表达式为：
P[i，j]＝(t[i，j+1]-f[i，j]+f[i+1，j+1]-f[i+1，j])/2
Q[i，j]＝(f[i，j]-f[i+1，j]+f[i，j+1]-f[i+1，j+1])/2
θ[i，j]＝arctan(Q[i，j]/P[i，j])
图像梯度幅值矩阵M[i，j]中的元素值越大，说明图像中该点的梯度值越大，也就说明该点就是边缘即图像的轮廓部分。
识别出图像的轮廓后，算法会将每张图像分成3*3的块，分别找出每块中轮廓的梯度值M[i，j]最大的图像，最后会分别取到9块最大的梯度值，组成我们要的初步图像。
2)双线性插值算法：
对于得到的初步图像，***通过先通过双线性插值算法来图像进行插值，进而对图片进行放大，它充分利用了原图像中虚拟点四周的四个真实存在的像素值共同决定目标图中的一个像素值。
对于一个目的像素，设置坐标通过反向变换得到的浮点坐标为(i+u，j+v)(其中i、j均为浮点坐标的整数部分，u、v为浮点坐标的小数部分，是取值[0，1)区间的浮点数)，则这个像素得值f(i+u，j+v)可由原图像中坐标为(i，j)、(i+1，j)、(i，j+1)、(i+1，j+1)所对应的周围四个像素的值决定，即：f(i+u，j+v)＝(1-u)(1-v)f(i，j)+(1-u)vf(i，j+1)+u(1-v)f(i+1，j)+uvf(i+1，j+1)
其中f(i，j)表示源图像(i，j)处的的像素值，以此类推。
在图像处理时，先根据：srcx＝dstx*(src.width/dstwidth)，srcy＝dsty*(src.height/dst.height)来计算目标像素在源图像中的位置，这里计算的srcx和srcy一般都是浮点数，比如f(1.2，3.4)这个像素点是虚拟的，先找到与她临近的四个实际存在的像素点
(1，3) (2，3)
(1，4) (2，4)
写成f(i+u，j+v)的形式，则u＝0.2，v＝0.4，i＝1，j＝3；
计算f(i+u，j+v)＝(1-u)(1-v)f(i，j)+(1-u)vf(i，j+1)+u(1-v)f(i+1，j)+uvf(i+1，j+1)。
3)立方卷积插值算法：
在经过双线性插值后，图像已经有了一定的放大，但是如果双线性放大的太大的话，图像的失真度就会很大，因此，经过简单的双线性放大后，我们会再通过立方卷积插值算法再次对图像进行一次放大。
立方卷积插值算法会考虑一个浮点坐标(i+u，j+v)周围的16个邻点，目的像素值f(i+u，j+v)可由如下插值公式得到：
f(i+u，j+v)＝[A]*[B]*[C]
其中：
[A]＝[S(u+1) S(u+0) S(u-1) S(u-2)]
基于本发明所提供的方法，在通过内窥镜得到人体内的图像时，连续采集5张图像，并进行图像轮廓提取，然后将图像划分为小块，在小块中确定出灰度梯度值最大的块，并根据确定出的块组成新的合并图像，再将合并图像进行双线性以及立方卷积插值计算，最终输出清晰度较高的输出图像。通过该方法实现了精密的图像处理来更加精准的还原体内图像，最大程度的减小误差的效果。进而提升了内窥镜***采集到的人体内的图像的还原度。
对应本发明所提供的方法，本发明实施例中还提供了一种图像插值处理***，如图2所示为本发明实施例中一种图像插值处理***的结构示意图，该***包括：
采集模块201，用于在获取到图像采集指令时，连续采集N张实时图像，其中，N为大于等于2的正整数；
读取模块202，用于读取N张实时图像中每张实时图像的轮廓，并将每张图像划分为K块；
处理模块203，用于依次对比N张实时图像中对应的K块，并确定出K块中的M块，其中M块为灰度差最大的块；将M块合并为一张合并图像，并对所述合并图像进行双线性插值计算以及立方卷积插值计算，得到输出图像。
进一步，在本发明实施例中，所述读取模块202，具体用于通过图像轮廓提取算法，提取出5张实时图像中的轮廓；在5张实时图像中截取出每张实时图像中轮廓的灰度梯度值，并将每张图像划分为3*3的块。
进一步，在本发明实施例中，所述处理模块203，具体用于在得到的3*3块中，确定出灰度梯度值最大的块；将灰度梯度值最大的块筛选为重新组成合并图像的图块。
尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改，包括采用特定符号、标记确定顶点等变更方式。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (6)
1.一种图像插值处理方法，其特征在于，所述方法包括：
在获取到图像采集指令时，连续采集N张实时图像，其中，N为大于等于2的正整数；
读取N张实时图像中每张实时图像的轮廓，并将每张图像划分为K块；
依次对比N张实时图像中对应的K块，并确定出K块中的M块，其中M块为灰度差最大的块；
将M块合并为一张合并图像，并对所述合并图像进行双线性插值计算以及立方卷积插值计算，得到输出图像。
2.如权利要求1所述的方法，其特征在于，读取N张实时图像中每张实时图像的轮廓，并将每张图像划分为K块，包括：
通过图像轮廓提取算法，提取出5张实时图像中的轮廓；
在5张实时图像中截取出每张实时图像中轮廓的灰度梯度值，并将每张图像划分为3*3的块。
3.如权利要求1所述的方法，其特征在于，依次对比N张实时图像中对应的K块，并确定出K块中的M块，包括：
在得到的3*3块中，确定出灰度梯度值最大的块；
将灰度梯度值最大的块筛选为重新组成合并图像的图块。
4.一种图像插值处理***，其特征在于，所述***包括：
采集模块，用于在获取到图像采集指令时，连续采集N张实时图像，其中，N为大于等于2的正整数；
读取模块，用于读取N张实时图像中每张实时图像的轮廓，并将每张图像划分为K块；
处理模块，用于依次对比N张实时图像中对应的K块，并确定出K块中的M块，其中M块为灰度差最大的块；将M块合并为一张合并图像，并对所述合并图像进行双线性插值计算以及立方卷积插值计算，得到输出图像。
5.如权利要求4所述的***，其特征在于，所述读取模块，具体用于通过图像轮廓提取算法，提取出5张实时图像中的轮廓；在5张实时图像中截取出每张实时图像中轮廓的灰度梯度值，并将每张图像划分为3*3的块。
6.如权利要求4所述的***，其特征在于，所述处理模块，具体用于在得到的3*3块中，确定出灰度梯度值最大的块；将灰度梯度值最大的块筛选为重新组成合并图像的图块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010214137.2A CN111429351A (zh) | 2020-03-24 | 2020-03-24 | 一种图像插值处理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010214137.2A CN111429351A (zh) | 2020-03-24 | 2020-03-24 | 一种图像插值处理方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111429351A true CN111429351A (zh) | 2020-07-17 |
Family
ID=71549426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010214137.2A Pending CN111429351A (zh) | 2020-03-24 | 2020-03-24 | 一种图像插值处理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111429351A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101191719A (zh) * | 2006-12-01 | 2008-06-04 | 鸿富锦精密工业（深圳）有限公司 | 影像焦点合成***及方法 |
| CN106127155A (zh) * | 2016-06-22 | 2016-11-16 | 广东工业大学 | 一种行车危险识别方法和*** |
| WO2017076040A1 (zh) * | 2015-11-06 | 2017-05-11 | 乐视控股（北京）有限公司 | 应用于连拍过程中的图像处理方法和装置 |
| CN107481252A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的分割方法、装置、介质和电子设备 |
| US20190096031A1 (en) * | 2017-09-25 | 2019-03-28 | Shanghai Zhaoxin Semiconductor Co., Ltd. | Image interpolation methods and related image interpolation devices thereof |
-
2020
- 2020-03-24 CN CN202010214137.2A patent/CN111429351A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101191719A (zh) * | 2006-12-01 | 2008-06-04 | 鸿富锦精密工业（深圳）有限公司 | 影像焦点合成***及方法 |
| WO2017076040A1 (zh) * | 2015-11-06 | 2017-05-11 | 乐视控股（北京）有限公司 | 应用于连拍过程中的图像处理方法和装置 |
| CN106127155A (zh) * | 2016-06-22 | 2016-11-16 | 广东工业大学 | 一种行车危险识别方法和*** |
| CN107481252A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的分割方法、装置、介质和电子设备 |
| US20190096031A1 (en) * | 2017-09-25 | 2019-03-28 | Shanghai Zhaoxin Semiconductor Co., Ltd. | Image interpolation methods and related image interpolation devices thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210174505A1 (en) | Method and system for imaging and analysis of anatomical features | |
| CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像*** | |
| US7324660B2 (en) | Image position matching apparatus and image processing apparatus | |
| US20220157047A1 (en) | Feature Point Detection | |
| CN102930534B (zh) | 人体背部穴位自动定位方法 | |
| Weibel et al. | Graph based construction of textured large field of view mosaics for bladder cancer diagnosis | |
| CN108171738B (zh) | 基于脑功能模板的多模态医学图像配准方法 | |
| CN109523551B (zh) | 一种获取机器人行走姿态的方法及*** | |
| Kajihara et al. | Non-rigid registration of serial section images by blending transforms for 3D reconstruction | |
| Figueiredo et al. | Hybrid multiscale affine and elastic image registration approach towards wireless capsule endoscope localization | |
| US20040114790A1 (en) | Projection conversion device and method and elapsed-time differential image preparation device and method | |
| Patias | Medical imaging challenges photogrammetry | |
| Riddle et al. | Characterizing changes in MR images with color-coded Jacobians | |
| KR20150105190A (ko) | 컬러-코드화된 구조를 사용하는 카메라 캘리브레이션 방법 및 장치 | |
| CN112508867A (zh) | 一种模拟化三维颅内血管狭窄分析模型的建立方法 | |
| JP4887491B2 (ja) | 医用画像処理方法及びその装置、プログラム | |
| JP2018000926A (ja) | 動態解析システム | |
| Stoyanov et al. | Intra-operative visualizations: Perceptual fidelity and human factors | |
| CN107808128B (zh) | 一种虚拟形象重建人体五官测量的方法及*** | |
| CN111429351A (zh) | 一种图像插值处理方法及*** | |
| Li et al. | Segmentation of brain tissue based on connected component labeling and mathematic morphology | |
| Bano et al. | Image mosaicking | |
| Chen et al. | Actual midline estimation from brain CT scan using multiple regions shape matching | |
| CN111340739A (zh) | 一种图像处理方法及*** | |
| Fan et al. | Texture-less surface reconstruction using shape-based image augmentation |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Sun Siyu Inventor after: Wang Nanbing Inventor after: He Jinxiong Inventor after: Zhao Yunyong Inventor after: Tao Fei Inventor after: Jin Xiwei Inventor before: Wang Nanbing Inventor before: He Jinxiong Inventor before: Zhao Yunyong Inventor before: Tao Fei Inventor before: Jin Xiwei |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |
|
| RJ01 | Rejection of invention patent application after publication |