CN114418920A - 一种内窥镜多焦点图像融合方法 - Google Patents
一种内窥镜多焦点图像融合方法 Download PDFInfo
- Publication number
- CN114418920A CN114418920A CN202210320964.9A CN202210320964A CN114418920A CN 114418920 A CN114418920 A CN 114418920A CN 202210320964 A CN202210320964 A CN 202210320964A CN 114418920 A CN114418920 A CN 114418920A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- corrected
- color
- light
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000007499 fusion processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000844 transformation Methods 0.000 claims 2
- 238000003702 image correction Methods 0.000 claims 1
- 238000011426 transformation method Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000001575 pathological effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 210000001035 gastrointestinal tract Anatomy 0.000 description 2
- 230000008855 peristalsis Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/50—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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Endoscopes (AREA)
Abstract
本发明公开了一种内窥镜多焦点图像融合方法,属于图像数据处理技术领域,包括:图像采集步骤,分别在不同焦距下采集图像,得到多幅原始图像;特征点提取步骤,分别提取各原始图像的特征点;特征匹配步骤,得到原始图像两两之间的匹配点对;确定参考图像步骤,查找参考图像;图像纠正步骤,将所有原始图像纠正到参考图像的平面,得到若干幅纠正图像;匀光匀色处理步骤,得到匀光匀色后的纠正图像;图像融合步骤,将匀光匀色后的纠正图像进行融合处理,得到融合图像。本发明的内窥镜多焦点图像融合方法,通过对采集的多张不同对焦距离图像的融合,得到一张包含所有采集图像清晰位置的图像,方便用户观察。
Description
技术领域
本发明属于图像处理技术领域,具体地说,涉及一种内窥镜多焦点图像融合方法。
背景技术
内窥镜作为一种基于图像传感器的检测仪器,可以看到X射线不能显示的病变,在医疗领域有广泛的应用。现有内窥镜感光器件多为CCD或CMOS,成像原理为小孔成像,成像清晰范围受景深限制。
此外,内窥镜人体一些器官中进行成像时,需要发现具体的病理区域,但是由于人体内体肠道始终处于蠕动状态,因此会导致拍摄到的病理区域的图像分辨率极低,甚至随着肠道的蠕动,病理区域无法保持在图像的中部,不便于医生的查看。
由于上述图像采集设备自身缺陷或者图像采集环境差造成的内窥镜成像品质差,在图像采集设备以及图像采集环境无法改变的情况下,只能通过对已经获得的图像作进一步的处理,其目的是或者是使原来不够清晰的图像复原,或者是为了突出图像中的某些特征信息进行处理。
基于此,本发明提出了一种内窥镜多焦点图像融合方法,主要通过图像处理的方式解决医疗图像成像清晰范围小、清晰度差的技术问题。
本背景技术所公开的上述信息仅仅用于增加对本申请背景技术的理解,因此,其可能包括不构成本领域普通技术人员已知的现有技术。
发明内容
本发明针对现有技术中由于图像采集设备自身缺陷或者图像采集环境差造成的内窥镜成像品质差的技术问题,提出了一种内窥镜多焦点图像融合方法,用于提高内窥镜采集输出图像的品质。
为实现上述发明目的,本发明采用下述技术方案予以实现:
一种内窥镜多焦点图像融合方法,包括:
图像采集步骤,分别在不同焦距下采集图像,得到多幅原始图像;
特征点提取步骤,分别提取各原始图像的特征点;
特征匹配步骤,根据所述特征点对原始图像两两之间进行特征匹配,得到原始图像两两之间的匹配点对;
确定参考图像步骤,查找出与其他原始图像之间的匹配点对最多的原始图像作为参考图像;
图像纠正步骤,将所有原始图像纠正到所述参考图像的平面,得到若干幅纠正图像;
匀光匀色处理步骤,分别将所述纠正图像进行匀光匀色处理,得到匀光匀色后的纠正图像;
图像融合步骤,将匀光匀色后的纠正图像进行融合处理,得到融合图像。
进一步的,图像纠正步骤中,采用对错误匹配鲁棒的方法,计算参考图像之外的其他原始图像到所述参考图像的单应变换,使用单应变换把参考图像之外的其他原始图像纠正到所述参考图像的平面。
进一步的,匀光匀色处理步骤包括:
把所述参考图像所在平面分割成若干个图像块;
根据所述变换系数,分别对各纠正图像进行匀光匀色计算。
a和b分别为变换系数。
进一步的,对各纠正图像进行匀光匀色的方法为:
表示纠正图像,表示匀光匀色后的纠正图像,(i,j)表示像素坐标,表示图像块的中心像素坐标,为权值,表示纠正图像块(p,q)的中心距离像素的距离,是图块的大小,是纠正图像第i行对应的图像块的行数,纠正图像第j列对应的图像块的列数。
进一步的,图像融合步骤中,采用加权和的方法将匀光匀色后的纠正图像进行融合处理。
进一步的,所述融合处理方法为:
使用拉普拉斯算子计算匀光匀色后的纠正图像中各像素的对比度:
使用匀光匀色后的纠正图像r,g,b三个通道标准差计算各像素的饱和度:
进一步的,特征点提取步骤中采用SIFT算法、HOG算法以及ORB算法的任一种。
进一步的,特征匹配步骤中采用相关系数特征匹配方法或者欧氏距离特征匹配方法进行特征匹配。
与现有技术相比,本发明的优点和积极效果是:
本发明的内窥镜多焦点图像融合方法,通过对采集的多张不同对焦距离图像的融合,得到一张包含所有采集图像清晰位置的图像,方便用户观察。
相比多张图像直接加权求和的方法,有效消除斑块效应,使融合后图像色调和亮度更加一致,图像整体更加自然。
相比金字塔或小波变换融合方法,在消除融合图像斑块效应的同时,显著降低计算量。
结合附图阅读本发明的具体实施方式后,本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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获得其他的附图。
图1是本发明提出的内窥镜多焦点图像融合方法的一种实施例的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
实施例一
本实施例提出了一种内窥镜多焦点图像融合方法,如图1所示,包括:
图像采集步骤,分别在不同焦距下采集图像,得到多幅原始图像。
首先,使用内窥镜采集不同对焦距离时的图像,并使用点特征提取方法提取每张图像的特征点,得到特征点的特征描述。
特征点提取步骤,分别提取各原始图像的特征点。
提取特征可以使用的方法包括但不限于SIFT算法、HOG算法以及ORB算法等。
特征匹配步骤,根据特征点对原始图像两两之间进行特征匹配,得到原始图像两两之间的匹配点对。
特征匹配步骤中可采用但不限于相关系数特征匹配方法或者欧氏距离特征匹配方法进行特征匹配。
确定参考图像步骤,查找出与其他原始图像之间的匹配点对最多的原始图像作为参考图像。
图像纠正步骤,将所有原始图像纠正到所述参考图像的平面,得到若干幅纠正图像。
匀光匀色处理步骤,分别将纠正图像进行匀光匀色处理,得到匀光匀色后的纠正图像。
图像融合步骤,将匀光匀色后的纠正图像进行融合处理,得到融合图像。
本实施例的内窥镜多焦点图像融合方法,提高内窥镜采集多张不同对焦距离图像,得到多张分别在不同位置的清晰图像,方便用户观察。
相比多张图像直接加权求和的方法,有效消除斑块效应,使融合后图像色调和亮度更加一致,图像整体更加自然。
相比金字塔或小波变换融合方法,在消除融合图像斑块效应的同时,显著降低计算量。
在一些实施例中,图像纠正步骤中,采用对错误匹配鲁棒的方法,计算参考图像之外的其他原始图像到所述参考图像的单应变换,使用单应变换把参考图像之外的其他原始图像纠正到参考图像的平面。通过本步骤,纠正后的图像同名点具有相同的纹理坐标,方便匀光匀色直方图统计和最后的图像融合快速找到同名点或同名区域。
在一些实施例中,可采用RANSAC算法计算其他影像到参考影像的单应变换,使用单应变换把其他影像纠正到参考影像的平面。
在一些实施例中,匀光匀色处理步骤包括:
把参考图像所在平面分割成若干个图像块。
为了提高计算速度,在一些实施例中,把参考图像所在平面分割成若干个大小相同的图像块。
根据变换系数,分别对各纠正图像进行匀光匀色计算。
通过线性变换,可以使匀光匀色后的图像亮度和色调基本一致,避免融合后图像颜色或亮度产生斑块效应。
a和b分别为变换系数。
一个图像块内同一图像的变换系数a值相同,b值不同。同一图像块内r、g、b通道a值相同比a值不同更加稳定。
在一些实施例中,对各纠正图像进行匀光匀色的方法为:
表示纠正图像,表示匀光匀色后的纠正图像,(i,j)表示像素坐标,表示图像块的中心像素坐标,为权值,表示纠正图像块(p,q)的中心距离像素的距离,是图块的大小,是纠正图像第i行对应的图像块的行数,纠正图像第j列对应的图像块的列数。
在一些实施例中,图像融合步骤中,采用加权和的方法将匀光匀色后的纠正图像进行融合处理。得到一张包含多张图像清晰位置的融合图像。
在一些实施例中,融合处理方法为:
使用拉普拉斯算子计算匀光匀色后的纠正图像中各像素的对比度:
本图像融合步骤能够对饱和度高、对比度高的像素分配更高的权重,使得融合后的图像包含各图像成像清晰、饱和度高的位置。
在一些实施例中可采用用3×3拉普拉斯算子算子计算匀光匀色后的纠正图像中各像素的对比度。
使用匀光匀色后的纠正图像r,g,b三个通道标准差计算各像素的饱和度:
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (10)
1.一种内窥镜多焦点图像融合方法,其特征在于,包括:
图像采集步骤,分别在不同焦距下采集图像,得到多幅原始图像;
特征点提取步骤,分别提取各原始图像的特征点;
特征匹配步骤,根据所述特征点对原始图像两两之间进行特征匹配,得到原始图像两两之间的匹配点对;
确定参考图像步骤,查找出与其他原始图像之间的匹配点对最多的原始图像作为参考图像;
图像纠正步骤,将所有原始图像纠正到所述参考图像的平面,得到若干幅纠正图像;
匀光匀色处理步骤,分别将所述纠正图像进行匀光匀色处理,得到匀光匀色后的纠正图像;
图像融合步骤,将匀光匀色后的纠正图像进行融合处理,得到融合图像。
2.根据权利要求1所述的内窥镜多焦点图像融合方法,其特征在于,图像纠正步骤中,采用对错误匹配鲁棒的方法,计算参考图像之外的其他原始图像到所述参考图像的单应变换,使用单应变换把参考图像之外的其他原始图像纠正到所述参考图像的平面。
6.根据权利要求5所述的内窥镜多焦点图像融合方法,其特征在于,图像融合步骤中,采用加权和的方法将匀光匀色后的纠正图像进行融合处理。
9.根据权利要求1-8任一项所述的内窥镜多焦点图像融合方法,其特征在于,特征点提取步骤中采用SIFT算法、HOG算法以及ORB算法的任一种。
10.根据权利要求1-8任一项所述的内窥镜多焦点图像融合方法,其特征在于,特征匹配步骤中采用相关系数特征匹配方法或者欧氏距离特征匹配方法进行特征匹配,并使用RANSAC方法对匹配结果进行过滤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210320964.9A CN114418920B (zh) | 2022-03-30 | 2022-03-30 | 一种内窥镜多焦点图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210320964.9A CN114418920B (zh) | 2022-03-30 | 2022-03-30 | 一种内窥镜多焦点图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418920A true CN114418920A (zh) | 2022-04-29 |
CN114418920B CN114418920B (zh) | 2022-06-28 |
Family
ID=81263403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210320964.9A Active CN114418920B (zh) | 2022-03-30 | 2022-03-30 | 一种内窥镜多焦点图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418920B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226822A (zh) * | 2013-05-15 | 2013-07-31 | 清华大学 | 医疗影像拼接方法 |
CN104182949A (zh) * | 2014-08-18 | 2014-12-03 | 武汉大学 | 基于直方图特征点配准的影像匀色与融合方法及*** |
US20150055886A1 (en) * | 2013-08-20 | 2015-02-26 | Samsung Techwin Co., Ltd. | Image fusion system and method |
CN106504194A (zh) * | 2016-11-03 | 2017-03-15 | 重庆邮电大学 | 一种基于最佳拼接平面和局部特征的图像拼接方法 |
CN107016647A (zh) * | 2017-04-26 | 2017-08-04 | 武汉大学 | 全景图像色调一致性纠正方法及*** |
CN109190460A (zh) * | 2018-07-23 | 2019-01-11 | 南京航空航天大学 | 基于累积匹配和等错误率的手形手臂静脉融合识别方法 |
KR102235127B1 (ko) * | 2019-12-18 | 2021-04-01 | 세종대학교산학협력단 | 멀티모달 영상의 적응적 융합 방법 및 그 장치 |
CN113570536A (zh) * | 2021-07-31 | 2021-10-29 | 中国人民解放军61646部队 | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 |
-
2022
- 2022-03-30 CN CN202210320964.9A patent/CN114418920B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226822A (zh) * | 2013-05-15 | 2013-07-31 | 清华大学 | 医疗影像拼接方法 |
US20150055886A1 (en) * | 2013-08-20 | 2015-02-26 | Samsung Techwin Co., Ltd. | Image fusion system and method |
CN104182949A (zh) * | 2014-08-18 | 2014-12-03 | 武汉大学 | 基于直方图特征点配准的影像匀色与融合方法及*** |
CN106504194A (zh) * | 2016-11-03 | 2017-03-15 | 重庆邮电大学 | 一种基于最佳拼接平面和局部特征的图像拼接方法 |
CN107016647A (zh) * | 2017-04-26 | 2017-08-04 | 武汉大学 | 全景图像色调一致性纠正方法及*** |
CN109190460A (zh) * | 2018-07-23 | 2019-01-11 | 南京航空航天大学 | 基于累积匹配和等错误率的手形手臂静脉融合识别方法 |
KR102235127B1 (ko) * | 2019-12-18 | 2021-04-01 | 세종대학교산학협력단 | 멀티모달 영상의 적응적 융합 방법 및 그 장치 |
CN113570536A (zh) * | 2021-07-31 | 2021-10-29 | 中国人民解放军61646部队 | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 |
Non-Patent Citations (3)
Title |
---|
CODRUTA O. ANCUTI ET AL: "Color Balance and Fusion for Underwater Image Enhancement", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
俞家勇: "移动测量***异构数据高精度融合方法研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
柴庆朋: "面向图像拼接的几何校准和颜色校正技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114418920B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5094036B2 (ja) | 内視鏡挿入方向検出装置 | |
US20220157047A1 (en) | Feature Point Detection | |
JP4104054B2 (ja) | 画像の位置合わせ装置および画像処理装置 | |
CN112804943B (zh) | 学习完成模型的制作方法、亮度调整方法以及图像处理装置 | |
CN109730683B (zh) | 内窥镜目标物大小计算方法及分析*** | |
JP2010512173A (ja) | 内視鏡からの映像を用いるコンピュータ支援解析 | |
US8666135B2 (en) | Image processing apparatus | |
US20220006981A1 (en) | Method of automatic image freezing of digestive endoscopy | |
CN111275041A (zh) | 内窥镜图像展示方法、装置、计算机设备及存储介质 | |
CN112446880B (zh) | 图像处理方法、电子设备及可读存储介质 | |
CN110751605A (zh) | 一种图像处理方法、装置和电子设备及可读存储介质 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN115223193B (zh) | 一种基于病灶特征重要性的胶囊内窥镜图像病灶识别方法 | |
CN114004969A (zh) | 一种内镜图像病灶区检测方法、装置、设备及存储介质 | |
CN111784686A (zh) | 一种内窥镜出血区域的动态智能检测方法、***及可读存储介质 | |
Huang et al. | Deep unsupervised endoscopic image enhancement based on multi-image fusion | |
CN111161852B (zh) | 一种内窥镜图像处理方法、电子设备及内窥镜*** | |
CN114418920B (zh) | 一种内窥镜多焦点图像融合方法 | |
CN112215878A (zh) | 一种基于surf特征点的x光图像配准方法 | |
CN116029934A (zh) | 一种低剂量dr图像和ct图像去噪方法 | |
Jimenez-Martin et al. | Specular reflections removal in colposcopic images based on neural networks: Supervised training with no ground truth previous knowledge | |
CN114387191B (zh) | 一种内窥镜图像增强方法及内窥镜装置 | |
AU2022230997B2 (en) | Method of image enhancement for distraction deduction in endoscopic procedures | |
Flores et al. | Identifying precursory cancer lesions using temporal texture analysis | |
CN117710233B (zh) | 一种内窥图像的景深扩展方法及装置 |
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 |