CN113240606A - 中医望诊图像颜色校正方法及*** - Google Patents
中医望诊图像颜色校正方法及*** Download PDFInfo
- Publication number
- CN113240606A CN113240606A CN202110566849.5A CN202110566849A CN113240606A CN 113240606 A CN113240606 A CN 113240606A CN 202110566849 A CN202110566849 A CN 202110566849A CN 113240606 A CN113240606 A CN 113240606A
- Authority
- CN
- China
- Prior art keywords
- image
- corrected
- frequency information
- inspection
- low
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 136
- 238000007689 inspection Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000003814 drug Substances 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000007499 fusion processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012552 review Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000015654 memory Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000002558 medical inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Alternative & Traditional Medicine (AREA)
- Pharmacology & Pharmacy (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种中医望诊图像颜色校正方法及***,包括获取待校正的望诊图像;将所述待校正的望诊图像输入至颜色校正模型,获得初始校正图像;分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息;对所述高频信息和所述低频信息进行融合处理,获得目标校正图像。本发明实现了通过颜色校正模型生成的图像基础上,利用信息融合进行待校正图像与模型生成图之间的融合校正,得到了校正图像在精度及颜色内容上均能满足中医望诊的要求,从而提升了校正图像的精准度。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种中医望诊图像颜色校正方法及***。
背景技术
中医望诊经过了长时间的发展,已通过丰富的实践案例验证了其合理性与有效性。随着智能化中医望诊的发展,望诊图像采集设备的种类越来越多,然而不同望诊图像采集设备的光学镜头、光电传感器件之间存在的差异,不同采集环境之间存在的差异导致了采集得到的望诊图像存在不同程度的颜色失真,而这些最终影响了望诊结果的准确性。
目前,基于传统的颜色校正算法,例如,基于映射的颜色校正算法,这类算法往往需要大量的标准色块数据或者配对的结果一致的参考数据,否则难以达到高精度的颜色还原效果;而基于图像分析的颜色校正方法虽然计算简单,但是存在一定的局限性,比如灰度世界算法,当图像中出现大区域单一颜色时往往无法完成颜色校正的任务。
可见,传统的颜色校正方法均存在一定的局限性,若直接应用在望诊图像的校正处理过程中,会降低校正后的图像精度。
发明内容
针对于上述问题,本发明提供一种中医望诊图像颜色校正方法及***,实现了提升了望诊图像颜色校正后的精度。
为了实现上述目的,本发明提供了如下技术方案:
一种中医望诊图像颜色校正方法,包括:
获取待校正的望诊图像;
将所述待校正的望诊图像输入至颜色校正模型,获得初始校正图像;
分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息;
对所述高频信息和所述低频信息进行融合处理,获得目标校正图像。
可选地,所述颜色校正模型包括生成对抗网络,其中,所述生成对抗网络通过以下步骤训练得到:
将第一样本图像集输入至第一生成网络,得到第一样本输出图像,所述第一样本图像集为待校正图像数据集;
将所述第一样本输出图像输入至第一判别网络,得到第一判别结果;
根据所述第一判别结果对所述第一生成网络进行修正,得到修正后的第一生成网络;
将第二样本图像集输入至第二生成网络,得到第二样本输出图像,所述第二样本图像集为标准图像数据集;
将所述第二样本输出图像输入至第二判别网络,得到第二判别结果;
根据所述第二判别结果对所述第二生成网络进行修正,得到修正后的第二生成网络;
对所述修正后的第一生成网络和所述修正后的第二生成网络进行融合,获得所述生成对抗网络。
可选地,所述分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息,包括:
对所述待校正的望诊图像和所述初始校正图像进行小波分解,分别获得所述待校正图像和所述初始校正图像的高频信息和低频信息。
可选地,所述对所述高频信息和所述低频信息进行融合处理,获得目标校正图像,包括:
基于所述低频信息,分别对所述待校正的望诊图像和所述初始校正图像进行遍历,提取图像中低频分量中最小值得到的融合后的低频分量;
遍历所述待校正的望诊图像和所述初始校正图像的高频信息,并基于所述低频分量,确定清晰度参数;
基于所述清晰度参数,对所述高频信息进行融合,获得融合后的高频分量;
基于所述融合后的低频分量和所述融合后的高频分量,生成目标校正图像。
可选地,所述获取待校正的望诊图像,包括:
获取基于图像采集设备采集的望诊图像;
提取所述望诊图像中满足图像失真条件的图像,将所述图像确定为待校正的望诊图像。
一种中医望诊图像颜色校正***,包括:
获取单元,用于获取待校正的望诊图像;
模型处理单元,用于将所述待校正的望诊图像输入至颜色校正模型,获得初始校正图像;
提取单元,用于分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息;
处理单元,用于对所述高频信息和所述低频信息进行融合处理,获得目标校正图像。
可选地,所述颜色校正模型包括生成对抗网络,其中,所述***还包括模型训练单元,所述模型训练单元具体用于:
将第一样本图像集输入至第一生成网络,得到第一样本输出图像,所述第一样本图像集为待校正图像数据集;
将所述第一样本输出图像输入至第一判别网络,得到第一判别结果;
根据所述第一判别结果对所述第一生成网络进行修正,得到修正后的第一生成网络;
将第二样本图像集输入至第二生成网络,得到第二样本输出图像,所述第二样本图像集为标准图像数据集;
将所述第二样本输出图像输入至第二判别网络,得到第二判别结果;
根据所述第二判别结果对所述第二生成网络进行修正,得到修正后的第二生成网络;
对所述修正后的第一生成网络和所述修正后的第二生成网络进行融合,获得所述生成对抗网络。
可选地,所述提取单元具体用于:
对所述待校正的望诊图像和所述初始校正图像进行小波分解,分别获得所述待校正图像和所述初始校正图像的高频信息和低频信息。
可选地,所述处理单元包括:
第一遍历子单元,用于基于所述低频信息,分别对所述待校正的望诊图像和所述初始校正图像进行遍历,提取图像中低频分量中最小值得到的融合后的低频分量;
第二遍历子单元,用于遍历所述待校正的望诊图像和所述初始校正图像的高频信息,并基于所述低频分量,确定清晰度参数;
融合子单元,用于基于所述清晰度参数,对所述高频信息进行融合,获得融合后的高频分量;
生成子单元,用于基于所述融合后的低频分量和所述融合后的高频分量,生成目标校正图像。
可选地,所述获取单元包括:
获取子单元,用于获取基于图像采集设备采集的望诊图像;
图像提取子单元,用于提取所述望诊图像中满足图像失真条件的图像,将所述图像确定为待校正的望诊图像。
相较于现有技术,本发明提供了一种中医望诊图像颜色校正方法及***,包括获取待校正的望诊图像;将所述待校正的望诊图像输入至颜色校正模型,获得初始校正图像;分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息;对所述高频信息和所述低频信息进行融合处理,获得目标校正图像。本发明实现了通过颜色校正模型生成的图像基础上,利用信息融合进行待校正图像与模型生成图之间的融合校正,得到了校正图像在精度及颜色内容上均能满足中医望诊的要求,从而提升了校正图像的精准度。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种中医望诊图像颜色校正方法的流程示意图;
图2为本发明实施例提供的一种眼象图颜色校正结果示意图;
图3为本发明实施例提供的一种中医望诊图像颜色校正***的结构示意图。
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做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。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在本发明实施例中提供了一种中医望诊图像颜色校正方法,该方法可以应用于进行中医望诊图像的处理装置,也可以应用于中医望诊图像的采集装置,即通过对采集获得的不满足需求的望诊图像进行颜色校正。参见图1,其示出了本发明实施例提供的一种中医望诊图像颜色校正方法的流程示意图,该方法可以包括以下步骤:
S101、获取待校正的望诊图像。
其中,待校正的望诊图像可以是确定的不满足中医诊断需求的图像,如颜色失真的图像,主要可以包括漏光、偏色等情况下产生的望诊图像。也可以是自动对望诊图像采集设备采集得到的图像进行自动筛选获得的满足图像失真的图像,即所述获取待校正的望诊图像包括:获取基于图像采集设备采集的望诊图像;提取所述望诊图像中满足图像失真条件的图像,将所述图像确定为待校正的望诊图像。基于诊断部位的不同,望诊图像可以不同,如可以是面部图像、舌诊图像也可以是眼象图等。由于望目诊断要求需要的精度较高,因此,为了便于描述在本申请实施例中待校正的望诊图像以待校正的目诊图像数据进行说明。
S102、将所述待校正的望诊图像输入至颜色校正模型,获得初始校正图像。
在本发明实施例中对待校正的望诊图像进行颜色校正时是基于深度学习神将网络为基础实现的。但是,由于传统的利用机器学习算法进行颜色校正系数的回归预测或利用深度学习神经网络进行待校正图像的拟合生成,会受限于训练数据量的规模。因此,在本发明实施例中颜色校正模型优选通过生成对抗网络实现,利用生成对抗网络拟合学习待校正图像数据集与颜色正常图像集,生成具有正确颜色信息的校正后图像,具体的生成对抗网络的训练过程在本发明后续的实施例中会进行详细说明,此处不进行详述。
S103、分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息。
S104、对所述高频信息和所述低频信息进行融合处理,获得目标校正图像。
由于数据量引起的过校正以及网络结构引起的图像精度损失,本发明实施例在网络生成的图像基础上,即在获得了经过颜色校正模型输出的初始校正图像之后,利用小波图像融合算法进行待校正的望诊图像与初始校正图像之间的融合校正,使最终得到的目标校正图像在精度及颜色内容上均能满足中医望目诊断的要求,确保中医望目诊断的正确实施。其中,图像的频率是灰度值变化剧烈程度的指标,是灰度在平面空间上的梯度。低频就是颜色缓慢地变化,也就是灰度缓慢地变化,就代表着那是连续渐变的一块区域,这部分就是图像的低频信息。高频信息就是图像中频率变化快的区域,即高频信息是指图像中细节比较丰富的区域,低频信息是指图像中细节较少的区域。小波变换的特点是通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移对信号(函数)逐步进行多尺度细化,最终达到高频出时间细分,低频处频率细分,能自动适应时频信号分析的要求。
在本发明的可能的实现方式中,首先要进行生成对抗网络训练数据集的生成。以具体的操作为例进行说明,可以从单人10张眼象图中筛选出颜色失真图像,并从中筛选出结构较为一致的颜色正常图像,从而生成对抗网络训练所需待校正图像数据集及标准图像数据集,例如,选取的待校正图像数据集共3960张,标准图像数据集共6176张。然后将这些数据集送入审查各行对抗网络进行颜色校正模型的训练,需要说明的是,数据尽量保证标准图像数据集中包含待校正图像数据中某张图像比较一致的结构信息,但是图像结构信息不需要完全一致。采用两个生成器和两个判别器,保证了待校正图像数据集在转换生成标准图像数据集后还能再次转换回来,从而避免待校正图像数据集最终只能生成标准数据集中同一张图片的错误的情况,最终得到颜色校正模型。
下面为了描述方便,生成对抗网络包括两个生成器和两个判别器,其中,两个生成器以第一生成网络和第二生成网络进行表示,两个判别器以第一判别网络和第二判别网络进行表示,第一样本图像集为待校正图像数据集,第二样本图像集为标准图像数据集,所述生成对抗网络通过以下步骤训练得到:
将第一样本图像集输入至第一生成网络,得到第一样本输出图像;
将所述第一样本输出图像输入至第一判别网络,得到第一判别结果;
根据所述第一判别结果对所述第一生成网络进行修正,得到修正后的第一生成网络;
将第二样本图像集输入至第二生成网络,得到第二样本输出图像;
将所述第二样本输出图像输入至第二判别网络,得到第二判别结果;
根据所述第二判别结果对所述第二生成网络进行修正,得到修正后的第二生成网络;
对所述修正后的第一生成网络和所述修正后的第二生成网络进行融合,获得所述生成对抗网络。
需要说明的是,当第一样本输出图像的风格为第二样本风格时,第一判别结果对应第一判别值;当第一样本输出图像的风格不为第二样本风格时,第一判别结果对应第二判别值。对应的,第一判别网络还用于将第一样本输出图像与预设输出图像比较,得到第一损失结果,其中,预设输出图像可以是用户对样本图像进行人工校正处理后得到的。即第一判别网络是永凯判断输出的第一样本输出图像是否是真实的输出图像,于是生成的第一样本输出图像和原始的真实的输出图像都会输入到第一判别网络里面。当第一判别结果为第一判别值时,表明第一样本输出图像与预设输出图像之间的性四度较高,当第一判别结果为第二判别值时,表明第一样本输出图像与预设输出图像之间的相似度较低。可以根据上述的相似度,对第一生成网络进行修正,直至第一生成网络输出的第一样本输出图像与预设输出图像之间的相似度满足预设条件,将对应的第一生成网络确定为训练好的第一生成网络。对于第二生成网络的处理过程可以参见上述第一生成网络的处理过程。
针对生成对抗网络由于训练数据集规模带来的对校正效果的影响,以及网络最后生成图像精度可能无法还原原图精度的情况,在本发明实施例中将待校正图像与模型处理后的初始校正图像利用小波变化进行二次融合校正,当然也可以利用其它的处理方式实现融合校正。具体的,本发明实施例中对所述待校正的望诊图像和所述初始校正图像进行小波分解,分别获得所述待校正图像和所述初始校正图像的高频信息和低频信息。对应的,所述对所述高频信息和所述低频信息进行融合处理,获得目标校正图像,包括:基于所述低频信息,分别对所述待校正的望诊图像和所述初始校正图像进行遍历,提取图像中低频分量中最小值得到的融合后的低频分量;遍历所述待校正的望诊图像和所述初始校正图像的高频信息,并基于所述低频分量,确定清晰度参数;基于所述清晰度参数,对所述高频信息进行融合,获得融合后的高频分量;基于所述融合后的低频分量和所述融合后的高频分量,生成目标校正图像。
举例说明,获取了待校正的望诊图像,以及通过颜色校正模型获得初始校正图像之后,利用4层小波变换对待校正图像和初始校正图像进行小波分解,生成一层低频分量及四层高频分量。针对待校正图像及初始校正图像低频分量,进行图像遍历,并通过获取低频分量中的最小值得到融合后低频分量。针对待校正图像以及初始校正图像的高频分量,首先进行图像真题清晰度矩阵的计算,其中,计算清晰度的方法依据图像对比度概念,如式(1)所示:
C=(LP-LB)/LB=LH/LB 式(1)
其中,LP为图像局部灰度,LB为图像局部背景灰度,图像局部背景灰度相当于图像经过小波分解后的低频分量,由此可知,LH为图像经过小波分解后的高频分量,即减去图像低频分量后剩余的图像边缘、纹理等细节信息,C为对比度。在本发明实施例将局部灰度定义为9*9大小的矩阵窗口,并遍历待校正图像及模型校正后图像高频分量,求取窗口内高频分量与低频分量比值的平方和最为最终清晰度衡量指标,即清晰度参数。然后在生成的清晰度矩阵基础上,比较待校正图像和模型校正后图像清晰度,并取清晰度较大图像的高频分量进行高频分量的融合。最终,将融合后的低频分量与高频分量通过小波逆变换融合生成最终的目标校正图像。
参见图2,其示出了本发明实施例提供的一种眼象图颜色校正结果示意图,在图2中第一排图像为待校正图像,第二排图像为目标校正图像。由图2可知,本发明在保证校正后图像精度的前提下,通过生成对抗网络与小波变换相结合方法,实现了对望目诊断多类颜色失真图像的通用颜色校正算法,该方法无需图像配准等预处理,且对多类颜色失真,如图像偏色、偏亮、漏光等情况都有较好的颜色校正效果,最终生成的颜色校正图像符合中医专家对于望目诊断的要求,确保了望目诊断的正确实施。
参见图3,在本发明实施例中提供了一种中医望诊图像颜色校正***,包括:
获取单元10,用于获取待校正的望诊图像;
模型处理单元20,用于将所述待校正的望诊图像输入至颜色校正模型,获得初始校正图像;
提取单元30,用于分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息;
处理单元40,用于对所述高频信息和所述低频信息进行融合处理,获得目标校正图像。
在上述实施例的基础上,所述颜色校正模型包括生成对抗网络,其中,所述***还包括模型训练单元,所述模型训练单元具体用于:
将第一样本图像集输入至第一生成网络,得到第一样本输出图像,所述第一样本图像集为待校正图像数据集;
将所述第一样本输出图像输入至第一判别网络,得到第一判别结果;
根据所述第一判别结果对所述第一生成网络进行修正,得到修正后的第一生成网络;
将第二样本图像集输入至第二生成网络,得到第二样本输出图像,所述第二样本图像集为标准图像数据集;
将所述第二样本输出图像输入至第二判别网络,得到第二判别结果;
根据所述第二判别结果对所述第二生成网络进行修正,得到修正后的第二生成网络;
对所述修正后的第一生成网络和所述修正后的第二生成网络进行融合,获得所述生成对抗网络。
在上述实施例的基础上,所述提取单元具体用于:
对所述待校正的望诊图像和所述初始校正图像进行小波分解,分别获得所述待校正图像和所述初始校正图像的高频信息和低频信息。
可选地,所述处理单元包括:
第一遍历子单元,用于基于所述低频信息,分别对所述待校正的望诊图像和所述初始校正图像进行遍历,提取图像中低频分量中最小值得到的融合后的低频分量;
第二遍历子单元,用于遍历所述待校正的望诊图像和所述初始校正图像的高频信息,并基于所述低频分量,确定清晰度参数;
融合子单元,用于基于所述清晰度参数,对所述高频信息进行融合,获得融合后的高频分量;
生成子单元,用于基于所述融合后的低频分量和所述融合后的高频分量,生成目标校正图像。
在上述实施例的基础上,所述获取单元包括:
获取子单元,用于获取基于图像采集设备采集的望诊图像;
图像提取子单元,用于提取所述望诊图像中满足图像失真条件的图像,将所述图像确定为待校正的望诊图像。
本发明提供了一种中医望诊图像颜色校正***,包括获取待校正的望诊图像;将所述待校正的望诊图像输入至颜色校正模型,获得初始校正图像;分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息;对所述高频信息和所述低频信息进行融合处理,获得目标校正图像。本发明实现了通过颜色校正模型生成的图像基础上,利用信息融合进行待校正图像与模型生成图之间的融合校正,得到了校正图像在精度及颜色内容上均能满足中医望诊的要求,从而提升了校正图像的精准度。
基于前述实施例,本申请的实施例提供一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一项的中医望诊图像颜色校正方法的步骤。
本发明实施例还提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现的中医望诊图像颜色校正方法的步骤。
需要说明的是,上述处理器或CPU可以为特定用途集成电路(ApplicationSpecific Integrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(Field Programmable GateArray,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
需要说明的是,上述计算机存储介质/存储器可以是只读存储器(Read OnlyMemory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理模块中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种中医望诊图像颜色校正方法,其特征在于,包括:
获取待校正的望诊图像;
将所述待校正的望诊图像输入至颜色校正模型,获得初始校正图像;
分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息;
对所述高频信息和所述低频信息进行融合处理,获得目标校正图像。
2.根据权利要求1所述的方法,其特征在于,所述颜色校正模型包括生成对抗网络,其中,所述生成对抗网络通过以下步骤训练得到:
将第一样本图像集输入至第一生成网络,得到第一样本输出图像,所述第一样本图像集为待校正图像数据集;
将所述第一样本输出图像输入至第一判别网络,得到第一判别结果;
根据所述第一判别结果对所述第一生成网络进行修正,得到修正后的第一生成网络;
将第二样本图像集输入至第二生成网络,得到第二样本输出图像,所述第二样本图像集为标准图像数据集;
将所述第二样本输出图像输入至第二判别网络,得到第二判别结果;
根据所述第二判别结果对所述第二生成网络进行修正,得到修正后的第二生成网络;
对所述修正后的第一生成网络和所述修正后的第二生成网络进行融合,获得所述生成对抗网络。
3.根据权利要求1所述的方法,其特征在于,所述分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息,包括:
对所述待校正的望诊图像和所述初始校正图像进行小波分解,分别获得所述待校正图像和所述初始校正图像的高频信息和低频信息。
4.根据权利要求3所述的方法,其特征在于,所述对所述高频信息和所述低频信息进行融合处理,获得目标校正图像,包括:
基于所述低频信息,分别对所述待校正的望诊图像和所述初始校正图像进行遍历,提取图像中低频分量中最小值得到的融合后的低频分量;
遍历所述待校正的望诊图像和所述初始校正图像的高频信息,并基于所述低频分量,确定清晰度参数;
基于所述清晰度参数,对所述高频信息进行融合,获得融合后的高频分量;
基于所述融合后的低频分量和所述融合后的高频分量,生成目标校正图像。
5.根据权利要求1所述的方法,其特征在于,所述获取待校正的望诊图像,包括:
获取基于图像采集设备采集的望诊图像;
提取所述望诊图像中满足图像失真条件的图像,将所述图像确定为待校正的望诊图像。
6.一种中医望诊图像颜色校正***,其特征在于,包括:
获取单元,用于获取待校正的望诊图像;
模型处理单元,用于将所述待校正的望诊图像输入至颜色校正模型,获得初始校正图像;
提取单元,用于分别提取所述待校正的望诊图像和所述初始校正图像的高频信息和低频信息;
处理单元,用于对所述高频信息和所述低频信息进行融合处理,获得目标校正图像。
7.根据权利要求6所述的***,其特征在于,所述颜色校正模型包括生成对抗网络,其中,所述***还包括模型训练单元,所述模型训练单元具体用于:
将第一样本图像集输入至第一生成网络,得到第一样本输出图像,所述第一样本图像集为待校正图像数据集;
将所述第一样本输出图像输入至第一判别网络,得到第一判别结果;
根据所述第一判别结果对所述第一生成网络进行修正,得到修正后的第一生成网络;
将第二样本图像集输入至第二生成网络,得到第二样本输出图像,所述第二样本图像集为标准图像数据集;
将所述第二样本输出图像输入至第二判别网络,得到第二判别结果;
根据所述第二判别结果对所述第二生成网络进行修正,得到修正后的第二生成网络;
对所述修正后的第一生成网络和所述修正后的第二生成网络进行融合,获得所述生成对抗网络。
8.根据权利要求6所述的***,其特征在于,所述提取单元具体用于:
对所述待校正的望诊图像和所述初始校正图像进行小波分解,分别获得所述待校正图像和所述初始校正图像的高频信息和低频信息。
9.根据权利要求8所述的***,其特征在于,所述处理单元包括:
第一遍历子单元,用于基于所述低频信息,分别对所述待校正的望诊图像和所述初始校正图像进行遍历,提取图像中低频分量中最小值得到的融合后的低频分量;
第二遍历子单元,用于遍历所述待校正的望诊图像和所述初始校正图像的高频信息,并基于所述低频分量,确定清晰度参数;
融合子单元,用于基于所述清晰度参数,对所述高频信息进行融合,获得融合后的高频分量;
生成子单元,用于基于所述融合后的低频分量和所述融合后的高频分量,生成目标校正图像。
10.根据权利要求6所述的***,其特征在于,所述获取单元包括:
获取子单元,用于获取基于图像采集设备采集的望诊图像;
图像提取子单元,用于提取所述望诊图像中满足图像失真条件的图像,将所述图像确定为待校正的望诊图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566849.5A CN113240606B (zh) | 2021-05-24 | 2021-05-24 | 中医望诊图像颜色校正方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566849.5A CN113240606B (zh) | 2021-05-24 | 2021-05-24 | 中医望诊图像颜色校正方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240606A true CN113240606A (zh) | 2021-08-10 |
CN113240606B CN113240606B (zh) | 2024-06-21 |
Family
ID=77138499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110566849.5A Active CN113240606B (zh) | 2021-05-24 | 2021-05-24 | 中医望诊图像颜色校正方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240606B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114157815A (zh) * | 2022-02-10 | 2022-03-08 | 博奥生物集团有限公司 | 一种望诊成像***及望诊图像采集方法 |
CN115314604A (zh) * | 2022-10-12 | 2022-11-08 | 杭州魔点科技有限公司 | 色彩校正矩阵的生成方法、***、电子装置和存储介质 |
CN118037609A (zh) * | 2024-04-11 | 2024-05-14 | 康亲(厦门)控股有限公司 | 一种面诊图像的颜色校正方法、装置、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004153473A (ja) * | 2002-10-30 | 2004-05-27 | Fuji Photo Film Co Ltd | 画像データ補正装置および方法 |
US20110043603A1 (en) * | 2006-01-18 | 2011-02-24 | Technion Research & Development Foundation Ltd. | System And Method For Dehazing |
US20110206289A1 (en) * | 2010-02-22 | 2011-08-25 | Salih Dikbas | Guaranteed-Rate Tiled Image Data Compression |
CN110148095A (zh) * | 2019-05-14 | 2019-08-20 | 北京科技大学 | 一种水下图像增强方法及增强装置 |
CN110660038A (zh) * | 2019-09-09 | 2020-01-07 | 山东工商学院 | 一种基于生成对抗网络的多光谱图像与全色图像融合方法 |
CN111383299A (zh) * | 2018-12-28 | 2020-07-07 | Tcl集团股份有限公司 | 图像的处理方法、装置及计算机可读存储介质 |
CN111739077A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 基于深度神经网络单目水下图像深度估计和颜色矫正方法 |
WO2020258668A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | 基于对抗网络模型的人脸图像生成方法及装置、非易失性可读存储介质、计算机设备 |
CN112164005A (zh) * | 2020-09-24 | 2021-01-01 | Oppo(重庆)智能科技有限公司 | 图像颜色校正方法、装置、设备及存储介质 |
CN112488971A (zh) * | 2020-11-23 | 2021-03-12 | 石家庄铁路职业技术学院 | 基于空间注意力机制和深度卷积生成对抗网络的医学图像融合方法 |
CN112598582A (zh) * | 2020-05-28 | 2021-04-02 | 西安诺瓦星云科技股份有限公司 | 图像校正及校正数据产生方法、装置及***和显示方法 |
CN112750531A (zh) * | 2021-01-21 | 2021-05-04 | 广东工业大学 | 一种中医自动化望诊***、方法、设备和介质 |
CN112767279A (zh) * | 2021-02-01 | 2021-05-07 | 福州大学 | 一种基于离散小波集成生成对抗网络的水下图像增强方法 |
-
2021
- 2021-05-24 CN CN202110566849.5A patent/CN113240606B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004153473A (ja) * | 2002-10-30 | 2004-05-27 | Fuji Photo Film Co Ltd | 画像データ補正装置および方法 |
US20110043603A1 (en) * | 2006-01-18 | 2011-02-24 | Technion Research & Development Foundation Ltd. | System And Method For Dehazing |
US20110206289A1 (en) * | 2010-02-22 | 2011-08-25 | Salih Dikbas | Guaranteed-Rate Tiled Image Data Compression |
CN111383299A (zh) * | 2018-12-28 | 2020-07-07 | Tcl集团股份有限公司 | 图像的处理方法、装置及计算机可读存储介质 |
CN110148095A (zh) * | 2019-05-14 | 2019-08-20 | 北京科技大学 | 一种水下图像增强方法及增强装置 |
WO2020258668A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | 基于对抗网络模型的人脸图像生成方法及装置、非易失性可读存储介质、计算机设备 |
CN110660038A (zh) * | 2019-09-09 | 2020-01-07 | 山东工商学院 | 一种基于生成对抗网络的多光谱图像与全色图像融合方法 |
CN112598582A (zh) * | 2020-05-28 | 2021-04-02 | 西安诺瓦星云科技股份有限公司 | 图像校正及校正数据产生方法、装置及***和显示方法 |
CN111739077A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 基于深度神经网络单目水下图像深度估计和颜色矫正方法 |
CN112164005A (zh) * | 2020-09-24 | 2021-01-01 | Oppo(重庆)智能科技有限公司 | 图像颜色校正方法、装置、设备及存储介质 |
CN112488971A (zh) * | 2020-11-23 | 2021-03-12 | 石家庄铁路职业技术学院 | 基于空间注意力机制和深度卷积生成对抗网络的医学图像融合方法 |
CN112750531A (zh) * | 2021-01-21 | 2021-05-04 | 广东工业大学 | 一种中医自动化望诊***、方法、设备和介质 |
CN112767279A (zh) * | 2021-02-01 | 2021-05-07 | 福州大学 | 一种基于离散小波集成生成对抗网络的水下图像增强方法 |
Non-Patent Citations (1)
Title |
---|
陈梦竹;岑翼刚;许家佗;崔龙涛;王文强;屠立平;黄景斌;荆聪聪;张建峰;: "基于图像处理的望诊面色自动识别研究", 中国中医药信息杂志, no. 12 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114157815A (zh) * | 2022-02-10 | 2022-03-08 | 博奥生物集团有限公司 | 一种望诊成像***及望诊图像采集方法 |
CN115314604A (zh) * | 2022-10-12 | 2022-11-08 | 杭州魔点科技有限公司 | 色彩校正矩阵的生成方法、***、电子装置和存储介质 |
CN118037609A (zh) * | 2024-04-11 | 2024-05-14 | 康亲(厦门)控股有限公司 | 一种面诊图像的颜色校正方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113240606B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wan et al. | CoRRN: Cooperative reflection removal network | |
CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
CN113240606A (zh) | 中医望诊图像颜色校正方法及*** | |
Li et al. | Multifocus image fusion via fixed window technique of multiscale images and non-local means filtering | |
CN105917353B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
CN112017198A (zh) | 基于自注意力机制多尺度特征的右心室分割方法及装置 | |
CN115311186B (zh) | 一种红外与可见光图像跨尺度注意力对抗融合方法及终端 | |
CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
Xie et al. | Semantics lead all: Towards unified image registration and fusion from a semantic perspective | |
CN111738265A (zh) | Rgb-d图像的语义分割方法、***、介质及电子设备 | |
CN111784665B (zh) | 基于傅里叶变换的oct图像质量评估方法、***及装置 | |
Zhang et al. | Pixel‐wise dense detector for image inpainting | |
Ma et al. | Dynamic gesture contour feature extraction method using residual network transfer learning | |
Liang et al. | Scale-invariant structure saliency selection for fast image fusion | |
CN117191816B (zh) | 基于多光谱融合的电子元器件表面缺陷检测方法和装置 | |
CN105574844B (zh) | 辐射响应函数估计方法和装置 | |
CN116883303A (zh) | 基于特征差分补偿与融合的红外与可见光图像融合方法 | |
CN115115900A (zh) | 图像重建模型的训练方法、装置、设备、介质及程序产品 | |
Yang et al. | Progressive image dehazing network based on dual feature extraction modules | |
CN103955610B (zh) | 一种医学影像计算机辅助分析方法 | |
CN110517239A (zh) | 一种医学影像检测方法及装置 | |
Dong et al. | ICIF: Image fusion via information clustering and image features | |
CN116129206B (zh) | 图像解耦表征学习的处理方法、装置及电子设备 | |
Xu | Image Fusion and Stylization Processing Based on Multiscale Transformation and Convolutional Neural Network | |
Liu et al. | Depth awakens: A depth-perceptual attention fusion network for RGB-D camouflaged object detection |
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 |