TWI787134B - 一種用於快速雜訊抑制對比度增強的資料處理方法及包含其的影像採集和處理系統 - Google Patents
一種用於快速雜訊抑制對比度增強的資料處理方法及包含其的影像採集和處理系統 Download PDFInfo
- Publication number
- TWI787134B TWI787134B TW111119758A TW111119758A TWI787134B TW I787134 B TWI787134 B TW I787134B TW 111119758 A TW111119758 A TW 111119758A TW 111119758 A TW111119758 A TW 111119758A TW I787134 B TWI787134 B TW I787134B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- resized
- enlarged
- layer
- layer image
- Prior art date
Links
Images
Landscapes
- Image Processing (AREA)
- Details Of Television Scanning (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本揭露文件涉及一種資料處理方法,特別是涉及一種能夠在光學線性或非線性顯微成像應用中實現快速雜訊抑制對比度增強的數位影像處理方法。所揭露的方法透過數位模擬選擇性雷射開啟和雷射關閉狀態來數位地模仿基於硬體之反饋驅動的自適應或受控照明技術,從而在主要防止最明亮結構之飽和的同時,選擇性地最佳化信號強度,並因而最佳化弱強度形態的可見性。
Description
本揭露文件涉及一種資料處理方法,特別是涉及一種用於快速雜訊抑制對比度增強的數位影像處理方法。
光學神經元成像有助於研究人員研究各種神經系統疾病以及大腦之功能和功能障礙。神經元結構通常在結構紋理和信號強度分佈方面呈現出顯著的變化。舉例來說,在對神經元進行成像時,通常觀察到細胞體(即體細胞)比相鄰的纖維結構(即軸突和樹突)更明亮,後者可能比一微米更薄。事實上,神經元成像導致足夠寬的信號強度分佈。即使採用高等先進的採集和顯示系統,由於其有限的動態範圍,通常很難在不犧牲任何資訊的情況下數位化和可視化所有神經元細節。此外,各種光學上、電學上和其他環境等的因素導致嘈雜的背景,此顯著污染了從超精細神經元結構中出現的弱強度信號,並最終惡化了這種形態的信噪比(Signal-to-Noise Ratio,SNR)和對比度。
弱強度結構的傳統對比度增強通常會使最亮的
結構飽和,並且可能導致雜訊放大問題,此會進一步降低SNR。
自適應/受控照明是種很有前途的技術,其允許藉由調節雷射激發功率來即時局部最佳化信號強度。然而,自適應照明需要專用的硬體設置,並且由於電子回應較慢,可能會感測到較差的有效帶寬,因此會出現不可逆轉的數位解析度損失(混疊),尤其是在針對擴展的視野範圍內的高數位解析度時。此外,自適應照明在局部增強弱強度結構的同時,可能仍然會遇到雜訊放大。
US9639915B1公開了一種影像處理方法,包括基於對相應像素、像素之間、其他像素、與相應像素相鄰之像素間的雜訊影響之不同程度,根據影像的線性雜訊模型為影像中的每個像素配置降噪濾波器。此方法更包括對每個像素執行降噪濾波,對每個像素使用降噪濾波器,以獲得降噪的影像。
US8417050B1在信號(如靜止影像或視頻序列)內的多個尺度之每一尺度或解析度上採用穩健濾波(Robust Filtering)。在某些實施方式中,穩健濾波包括或包含每個尺度上的非線性鄰域操作,以便在每個尺度上產生去噪、銳化和對比度增強的信號以及校正信號。
儘管迄今為止已經提出了相當多的類比/數位信號處理方法,但現有之基於硬體的類比技術需要專用的硬體配置來操作,此增加了成本和複雜性。由於電子限制,回應速度較慢可能會導致有效帶寬較差,進而導致混疊。除了
基於硬體的方法外,現有之基於軟體的對比度增強演算法通常會導致不想要的雜訊放大,從而導致較差的信噪比,並且通常最終會使影像中最明亮的結構飽和。
因此有必要引入一種數位雜訊補償對比度增強技術,其可以應用於光學線性和非線性成像模態,以幫助提高弱信號結構的可見性,同時既不會使最明亮的結構飽和,亦不會放大背景雜訊。
本發明的目的在於提供一種無需專用硬體的數位方法,其可以模仿基於硬體的自適應/受控照明技術,並選擇性地提高光學顯微影像中弱強度結構的對比度,同時對具有較明亮強度的結構影響不大。此方法採用有效的背景雜訊抑制,接著進行局部強度增強。
在第一態樣,本發明提供一種用於快速雜訊抑制對比度增強的資料處理方法,包含配置圖形處理單元或中央處理單元以執行下列步驟:取得輸入影像,其中此輸入影像具有第一寬度和第一高度,並且包括多個像素或資料點,此等像素或資料點具有允許最大像素值或最大像素強度的特定位元深度,此最大像素強度是由2提高到位元深度減1的次方來獲得。對輸入影像執行第一像素合併或第一插值處理,以第一縮減因數重調輸入影像的大小,以生成第一重調大小影像,第一重調大小影像具有比第一寬度少第一縮減因數的第二寬度、和比第一高度少第一縮減因數的第二高度。
在第一重調大小影像上執行第一低通濾波處理,以獲得第一模糊影像。對第一模糊影像執行第二插值處理,使其從第二寬度和第二高度放大化,以獲得具有第一寬度和第一高度的第二重調大小影像。執行分割處理,將一第一特定數除以第二重調大小影像,以獲得第一分割層影像。執行門檻值處理,以在使用者定義門檻值處截斷第一分割層影像,以獲得第一放大層影像。對輸入影像執行第一放大處理,以將輸入影像乘以第一放大層影像,以產生第一放大影像。對第一放大影像進行第二像素合併或第三插值處理,以第二縮減因數重調第一放大影像的大小,以產生第三重調大小影像,第三重調大小影像具有比第一寬度少第二縮減因數的第三寬度、和比第一高度少第二縮減因數的第三高度。在第三重調大小影像上執行第二低通濾波處理,以獲得第二模糊影像。對第二模糊影像執行第四插值處理,使其從第三寬度和第三高度放大化,以獲得具有第一寬度和第一高度的第四重調大小影像。在第四重調大小影像和第一放大影像上執行第一減法處理,以從第四重調大小影像中減去第一放大影像,以生成第一減影影像。對第一減影影像執行第三低通濾波處理,以獲得第三模糊影像。對第一放大層影像執行第二減法處理,以將高於使用者定義門檻值的第二特定數減去第一放大層影像,以獲得第二減影影像或第二放大層影像。對第三模糊影像執行第二放大處理,以將第三模糊影像乘以第二放大層影像,以產生第二放大影像。對輸入影像和第二放大影像執行第三減法處理,以從輸入影像中減去第二放大影像,以獲得第三減
影影像。在第一放大層影像上執行一組算術處理,以獲得第三放大層影像。以及對第三減影影像執行第三放大處理,以將第三減影影像乘以第三放大層影像,以產生第三放大影像或雜訊抑制對比度增強輸出影像。
在較佳實施例中,第一插值處理、第二插值處理、第三插值處理和第四插值處理皆為雙線性。
在較佳實施例中,第一像素合併或第一插值處理中的第一縮減因數為10。
在較佳實施例中,第一低通濾波處理涉及使用第一核心大小為29×29的高斯核心來執行卷積的高斯模糊操作。
在較佳實施例中,在執行第二插值處理之前,對第一模糊影像執行加法處理,以將一非零數字加到第一模糊影像。
在較佳實施例中,此分割處理中的第一特定數為最大像素強度的90%。
在較佳實施例中,此門檻值處理中的使用者定義門檻值範圍為3.0至8.0,允許浮點數。
在較佳實施例中,在第二像素合併或第三插值處理中的第二縮減因數為3。
在較佳實施例中,第二低通濾波處理涉及使用第二核心大小為29×29的高斯核心來執行卷積的高斯模糊操作。
在較佳實施例中,第三低通濾波處理涉及使用
第三核心大小為7×7的高斯核心來執行卷積的高斯模糊操作。
在較佳實施例中,第二減法處理中的第二特定數為此使用者定義門檻值的1.25倍。
在較佳實施例中,在第一放大層影像執行此組算術處理以獲得第三放大層影像的步驟包含:第一,將此第一放大層影像除以4的分割因數,以獲得一第二分割層影像。第二,將此第二分割層影像提高到2的次方,以獲得一經修改分割層影像。第三,將此經修改分割層影像加上0.9的值,以獲得此第三放大層影像。
ADD:加法層
AMP1:第一放大影像
AMP2:第二放大影像
AMP3:第三放大影像
BLR1:第一模糊影像
BLR2:第二模糊影像
BLR3:第三模糊影像
DIV:第一分割層影像
INPUT:輸入影像
LAY1:第一放大層影像
LAY2:第二放大層影像
LAY3:第三放大層影像
OUTPUT:輸出影像
RES1:第一重調大小影像
RES2:第二重調大小影像
RES3:第三重調大小影像
RES4:第四重調大小影像
S01-S03:處理
SUB1:第一減影影像
SUB2:第二減影影像
SUB3:第三減影影像
100:影像採集和處理系統
110:計算機
120:光學線性或非線性顯微系統
A1-A18:步驟
圖1是示出了根據本發明的資料處理方法之排列的架構圖。
圖2是說明放大層製備處理的流程圖。
圖3是說明雜訊抑制處理的流程圖。
圖4是說明局部加強處理的流程圖。
圖5(a)-(d)是展示多個輸入影像和經各自處理之影像間的比較圖。
圖6是展示αmax的單參數控制圖。
圖7是示出了所揭露之資料處理方法的平均處理時間的時間複雜度圖。
圖8是展示影像採集和處理系統的架構圖。
圖9是示出了根據本發明的影像採集和處理系
統的詳細配置的架構圖。
為了使本領域技術人員更好地理解本發明,下面將結合本發明實施例中的附圖,對本發明實施例中的技術方案進行清楚、完整的描述。
本文使用的術語僅出於描述特定實施例的目的,並不旨在限制本發明。如本文所用,單數形式「一」、「一個」和「此」旨在也包括複數形式,除非上下文另有明確指示。將進一步理解的是,當在本說明書中使用時,術語「包括」和/或「包含」指定了所述特徵、整數、步驟、操作、元件和/或組件的存在,但不排除存在或添加一或多個其他特徵、整數、步驟、操作、元素、組件和/或其等的群組。
在描述附圖所示的示例實施例中,為了清楚起見,採用了特定的術語。然而,本揭露文件並非意在局限於如此選擇的具體術語,並且應當理解,每個特定要素包括具有相同結構、以類似方式操作和實現類似結果的所有技術等價物。
在下文描述中,說明性實施例將參照操作的行為和符號表示(例如,以流程圖的形式)來描述,這些操作可以實現為程式模組或功能處理,包括例程、程式、物件、元件、資料結構等,其等執行特定任務或實現特定的抽象資料類型,並且可以使用現有網路元素或控制節點上的現有硬體
來實現。此種現有硬體可以包括一或多個中央處理單元(Central Processing Unit,CPU)、數位信號處理器(Digital Signal Processor,DSP)、特定應用積體電路(Application-Specific-Integrated-Circuit,ASIC)、現場可程式化邏輯閘陣列(Field Programmable Gate Array,FPGA)、計算機等等。這些術語通常可以統稱為處理器。
除非另有明確說明,或者從討論中可以明顯看出,諸如「處理」或「運算」或「計算」或「決定」或「顯示」等術語,是指計算機系統或類似電子計算設備的動作和處理,其操作和轉換在計算機系統的暫存器和記憶體中表示為物理、電子量的資料,並將其轉換為在計算機系統計記憶體或暫存器或其他此類資訊儲存、傳輸或顯示設備中類似地表示為物理量的其他資訊。
根據本發明,輸入影像是使用訂製開發的多光子光學顯微(Multiphoton Optical Microscopy,MPM)系統對多個激發波長處的大腦/神經元結構的大視野(Field-of-View,FOV)之滿足奈奎斯定理(無混疊)的雙光子螢光成像來獲得。本發明揭露的方法成功地取回了被強雜訊背景污染的弱強度超精細神經元結構。所揭露的方法能夠同時改進信噪比(Signal-to-Noise Ratio,SNR)、信號背景比(Signal-to-Background Ratio,SBR)和對比度。透過圖形處理單元(Graphics Processing Unit,GPU)輔助的NVIDIA計算統一設備架構(Compute Unified Device Architecture,CUDA)加速,所揭露的方法可為典型的1000
×1000大小的16位元無正負號影像實現低於3毫秒的時間複雜度。
本發明揭露的資料處理方法:圖1圖示了根據本揭露文件之實施例的資料處理方法的概述。圖2圖示了根據本揭露文件之實施例的獲得第一放大層影像的過程的流程圖。圖3圖示了根據本揭露文件之實施例的雜訊抑制處理的流程圖。圖4圖示了根據本揭露文件之實施例的局部加強處理的流程圖。
如圖1所示,輸入影像INPUT係用放大層製備處理S01進行,以得到第一放大層影像LAY1。第一放大層影像LAY1係用雜訊抑制處理S02進行,以得到雜訊抑制版本SUB3。雜訊抑制版本SUB3使用局部加強處理S03執行,以獲得經處理的影像作為輸出。
INPUT是一種受雜訊污染的低對比度16位元影像,可以用R×C像素表示為f(r,c),其中r和c分別代表列和行的位置。
根據處理S01,首先對f(r,c)施加10倍的縮小化,且第一重調大小影像f D (r / ,c /)是以一減少像素數量R/×C/來獲得。請參閱公式(1)和圖2中的第一重調大小影像RES1。對於所有R/×C/像素影像,r /和c /分別代表列和行的位置。f D (r / ,c /)由29×29的核心高斯模糊進行低通濾波,以產生第一模糊影像。請參閱圖2中的第一模糊影像BLR1。第一模糊影像BLR1的每個像素都加1.0,以避免在後續步驟中被零除。請參閱公式(2)中的l(r / ,c /)和圖2中的加法層ADD。
l(r / ,c /)透過雙線性插值重調回R×C像素,從而產生第二重調大小影像。請參閱公式(3)中的l U (r,c)和圖2中的第二重調大小影像RES2。每個l U (r,c)像素值的倒數乘以最大允許強度的90%,即16位元影像的0.9×(216-1),以產生第一分割層影像。請參閱公式(4)中的d(r,c)和圖2中的第一分割層影像DIV。d(r,c)中高於使用者定義門檻值α max 的像素值將被截斷至α max ,以產生第一放大層影像。請參閱公式(5)中的α(r,c)和圖2中的第一放大層影像LAY1。第一放大層影像LAY1將用於下列雜訊抑制處理S02。在實施例中,使用者定義門檻值α max 的範圍為3.0至8.0,允許浮點數。
根據處理S02,INPUT或f(r,c)首先與第一放大層影像LAY1或α(r,c)逐像素相乘,以產生第一放大影像。請參閱圖3中的第一放大影像AMP1和公式(6)中的g(r,c)。g(r,c)被施加3×的縮小化,以產生第三重調大小影像。請參閱圖3中的第三重調大小影像RES3以及公式(7)中的g D (r // ,c //),其中r //和c //分別代表列和行的位置。g D (r // ,c //)係具一減少像素數量R//×C//。g D (r // ,c //)係使用29×29核心
高斯模糊來進行低通濾波,以產生第二模糊影像BLR2。請參閱圖3中的第二模糊影像BLR2以及公式(8)中的L(r // ,c //)。L(r // ,c //)透過雙線性插值重調大小回到R×C像素,以產生第四重調大小影像。請參閱圖3中的第四重調大小影像RES4以及公式(9)中的L U (r,c)。從L U (r,c)中減去g(r,c)以產生第一減影影像SUB1。請參閱圖3中的第一減影影像SUB1。第一減影影像SUB1使用7×7核心高斯模糊來進行低通濾波,以產生第三模糊影像BLR3。請參閱圖3中的第三模糊影像BLR3以及公式(10)中的L /(r,c)。α(r,c)係使用減法運算,即[1.25×α max -α(r,c)]以得到第二減影影像SUB2或第二放大層影像LAY2。請參閱圖3中的第二減影影像SUB2或第二放大層影像LAY2。接著,L /(r,c)或第三模糊影像BLR3與第二減影影像SUB2或第二放大層影像LAY2逐像素相乘,以產生第二放大影像AMP2。請參閱圖3中的第二放大影像AMP2。從f(r,c)或INPUT中減去第二放大影像AMP2,以得到第三減影影像SUB3。請參閱圖3中的第三減影影像SUB3以及公式(11)中的S(r,c)。第三減影影像SUB3或S(r,c)是INPUT或f(r,c)的雜訊抑制版本,其將在隨後的局部加強處理S03中使用。
g(r,c)=f(r,c)×α(r,c) 公式(6)
S(r,c)=f(r,c)-L /(r,c)×[1.25×α max -α(r,c)] 公式(11)
根據處理S03,第一放大層影像LAY1或α(r,c)係透過一組算術操作執行,給出為[X+{α(r,c)/Y} n ],以生成第三放大層影像LAY3。請參閱圖4中的第三放大層影像LAY3。在一實施例中,X、Y和n的值分別選擇為0.9、4.0、2.0。第三減影影像SUB3(即S(r,c)),亦即第三減影影像SUB3逐像素乘以第三放大層影像LAY3,以產生第三放大影像AMP3或雜訊抑制對比度增強輸出影像。請參閱圖4中的OUTPUT和公式(12)中的F(r,c)。
F(r,c)=S(r,c)×[0.9+{α(r,c)/4.0}2.0] 公式(12)
INPUT中的高強度區域將導致第三放大層影像LAY3中相應區域的值接近1,從而在第三減影影像SUB3與第三放大層影像LAY3相乘時防止OUTPUT中的飽和。而INPUT中的低強度區域會導致第三放大層影像LAY3中相應區域的值大於1,從而當第三減影影像SUB3與第三放大層影像LAY3相乘時局部增強OUTPUT中的低強度區域。
所揭露之資料處理方法的應用係使用Nav1.8-tdTomato陽性老鼠背根神經節(Dorsal-Root-Ganglion,DRG)部分的雙光子激發螢光(Two-Photon Excitation Fluorescence,TPEF)影像和來自Thy1-GFP陽性老鼠大腦皮層區域的冠狀部分來證明的。DRG部分由明亮的體組織
和弱強度的細軸突纖維組成,而皮質部分由軸突、樹突和樹突棘組成。對於Nav1.8-tdTomato和Thy1-GFP陽性標本,TPEF成像分別在1070nm和919nm(70MHz、<60fs、<40mW平均激發功率)的中心激發波長下進行。
圖5(a)和5(c)分別描繪了Nav1.8-tdTomato和Thy1-GFP標本的兩個TPEF影像,各者都有一個150μm的比例尺。圖5(a)和5(c)都顯示了較差的SNR、SBR和對比度。應用本發明揭露的資料處理方法,圖5(a)中的影像的α max =8.0,圖5(c)中的影像的α max =6.0,而經處理影像分別顯示於圖5(b)和5(d)中。所揭露的資料處理方法在各個情況下都產生顯著的影像質量改進。
圖6提供了Nav1.8-tdTomato影像的兩個感興趣區域(Regions-of-Interest,ROI)和Thy1-GFP影像的兩個感興趣區域,分別取自圖5(a)和5(c),旨在定量地可視化α max 的影響。第一列(即圖6中的INP)描繪了未處理的感興趣區域。下一列描繪了從3.0到8.0依次變化的不同α max 值下經處理的感興趣區域。
圖7繪製了所揭露的資料處理方法相對於輸入影像大小(16位元無正負號格式)的平均處理時間(以毫秒為單位)。平均處理時間包括將未處理的輸入影像從主機上傳到GPU,在GPU中處理上傳的影像,並將經處理的輸出影像從GPU下載到主機。前述的第一條曲線(帶有方塊的曲線)透過傳統的CPU i7-9800X繪製了平均處理時間,對於10,000×10,000像素16位元輸入影像來說,最多消耗約2000毫秒。
第二條和第三條曲線(帶有三角形的曲線和帶有球形的曲線)透過兩個支援CUDA的GPU(分別為Quadro P1000和Quadro RTX 8000)繪製了平均處理時間,各自都顯示處理速度的顯著提高。Quadro RTX 8000在相同的10,000×10,000像素16位元輸入影像下消耗約111毫秒,指出了與i7-980X相比,性能提升了18倍。
在一實施例中,提供了一種用於快速雜訊抑制對比度增強的影像採集和處理系統,其透過圖形處理單元加速,在光學線性或非線性顯微應用中具有數位地實現基於硬體的自適應/受控照明效果,同時確保1000×1000像素16位元輸入影像的時間複雜度低於3毫秒。
圖8是展示影像採集和處理系統100的示意圖。影像採集和處理系統100包括具有支援計算統一設備架構(Compute Unified Device Architecture,CUDA)之顯示卡的計算機110,以及被配置為以高數位解析度獲取生物標本影像的光學線性或非線性顯微系統120。
圖9是示出影像採集和處理系統100的配置的框圖。由光學線性或非線性顯微系統120採集的影像提供作為輸入,並用專用於快速雜訊抑制對比度增強的資料處理方法進行處理,其中此資料處理方法以數位方式模仿基於硬體的自適應/受控照明技術。此資料處理方法包括配置計算機110之支援CUDA的圖形處理單元以執行以下步驟。
A1:從光學線性或非線性顯微系統獲得受雜訊影響的低對比度輸入影像,其中此輸入影像具有第一寬度和
第一高度,並且包括多個像素或資料點,像素或資料點具有允許最大像素值或最大像素強度的特定位元深度,此最大像素強度是由2提高到位元深度減1的次方來獲得。
放大層製備處理S01包括步驟A2~A7。
A2:對輸入影像執行第一雙線性插值處理,以第一縮減因數10來重調輸入影像的大小,以生成第一重調大小影像,此第一重調大小影像具有比第一寬度少第一縮減因數的第二寬度、和比第一高度少第一縮減因數的第二高度。
A3:藉由使用第一核心大小為29×29的高斯核心來對第一重調大小影像進行卷積運算,以對第一重調大小影像進行第一高斯模糊處理,以獲得第一模糊影像。
A4:執行加法處理以將非零數字(即1.0),添加到第一模糊影像,以獲得非零影像。
A5:對非零影像執行第二雙線性插值處理,以將其從第二寬度和第二高度放大化以獲得具有第一寬度和第一高度的第二重調大小影像。
A6:執行分割處理,將最大像素強度的90%除以第二重調大小影像,以獲得第一分割層影像。
A7:執行門檻值處理,以將第一分割層影像在3.0至8.0範圍內的使用者定義門檻值處截斷,以獲得第一放大層影像。
雜訊抑制處理S02包括步驟A8~A16。
A8:對輸入影像執行第一放大處理,以將輸入
影像與第一放大層影像相乘,並生成第一放大影像。
A9:對第一放大影像執行第三雙線性插值處理,以第二縮減因數3來重調第一放大影像的大小,以產生第三重調大小影像,此第三重調大小影像具有比第一寬度少第二縮減因數的第三寬度、和比第一高度少第二縮減因數的第三高度。
A10:藉由使用第二核心大小為29×29的高斯核心來對第三重調大小影像進行卷積運算,以對第三重調大小影像執行第二高斯模糊處理,以獲得第二模糊影像。
A11:對第二模糊影像進行第四雙線性插值處理,將其從第三寬度和第三高度放大化,以獲得具有第一寬度和第一高度的第四重調大小影像。
A12:對第四重調大小影像和第一放大影像進行第一減法處理,以從第四重調大小影像中減去第一放大影像,以產生第一減影影像。
A13:藉由使用第三核心大小為7×7的高斯核心來對第一減影影像進行卷積運算,以對第一減影影像執行第三高斯模糊處理,以獲得第三模糊影像。
A14:對第一放大層影像進行第二減法處理,以從1.25倍的使用者定義門檻值中減去第一放大層影像,以獲得第二減影影像或第二放大層影像。
A15:對第三模糊影像進行第二放大處理,以將第三模糊影像與第二放大層影像相乘,並生成第二放大影像。
A16:對輸入影像和第二放大影像進行第三減法處理,以從輸入影像中減去第二放大影像,以獲得第三減影影像。
局部加強處理S03包括步驟A17和A18。
A17:在第一放大層影像執行一組算術處理。第一,將第一放大層影像除以4的分割因數,以獲得第二分割層影像。第二,將第二分割層影像提高到2的次方,以獲得經修改分割層影像。以及第三,將此經修改分割層影像加上0.9的值,以獲得第三放大層影像。
A18:對第三減影影像執行第三放大處理,以將第三減影影像乘以第三放大層影像,並產生第三放大影像或具有增強對比度的輸出影像。
簡而言之,代替基於硬體的解決方案,本揭露文件在此報告了一種專用於快速雜訊抑制對比度增強的數位方法,其以數位方式模仿光學線性或非線性顯微應用中的反饋驅動的自適應/受控照明技術。
本發明中提及的所有文件透過引用方式併入本文,其程度如同每個單獨的文件被具體地和單獨地指示透過引用方式併入。此外,應當理解,在閱讀本發明所教示的內容後,本領域的技術人員可以對本發明進行各種修改和變化,而這些等同物也落入請求項所定義的範圍內。
S01-S03:處理
LAY1:第一放大層影像
SUB3:第三減影影像
Claims (13)
- 一種用於快速雜訊抑制對比度增強的資料處理方法,包含配置一圖形處理單元以執行下列步驟: 取得一輸入影像,其中該輸入影像具有一第一寬度和一第一高度,並且包括多個像素或資料點,該等像素或資料點具有允許一最大像素值或一最大像素強度的一特定位元深度; 對該輸入影像執行一第一像素合併或一第一插值處理,以一第一縮減因數重調該輸入影像的大小,以生成一第一重調大小影像,該第一重調大小影像具有比該第一寬度少該第一縮減因數的一第二寬度、和比該第一高度少該第一縮減因數的一第二高度; 在該第一重調大小影像上執行一第一低通濾波處理,以獲得一第一模糊影像; 對該第一模糊影像執行一第二插值處理,使其從該第二寬度和該第二高度放大化,以獲得具有該第一寬度和該第一高度的一第二重調大小影像; 執行一分割處理,將一第一特定數除以該第二重調大小影像,以獲得一第一分割層影像; 執行一門檻值處理,以在一使用者定義門檻值處截斷該第一分割層影像,以獲得一第一放大層影像; 對該輸入影像執行一第一放大處理,以將該輸入影像乘以該第一放大層影像,以產生一第一放大影像; 對該第一放大影像進行一第二像素合併或一第三插值處理,以一第二縮減因數重調該第一放大影像的大小,以產生一第三重調大小影像,該第三重調大小影像具有比該第一寬度少該第二縮減因數的一第三寬度、和比該第一高度少該第二縮減因數的一第三高度; 在該第三重調大小影像上執行一第二低通濾波處理,以獲得一第二模糊影像; 對該第二模糊影像執行一第四插值處理,使其從該第三寬度和該第三高度放大化,以獲得具有該第一寬度和該第一高度的一第四重調大小影像; 在該第四重調大小影像和該第一放大影像上執行一第一減法處理,以從該第四重調大小影像中減去該第一放大影像,以生成一第一減影影像; 對該第一減影影像執行一第三低通濾波處理,以獲得一第三模糊影像; 對該第一放大層影像執行一第二減法處理,以將高於該使用者定義門檻值的一第二特定數減去該第一放大層影像,以獲得一第二減影影像或一第二放大層影像; 對該第三模糊影像執行一第二放大處理,以將該第三模糊影像乘以該第二放大層影像,以產生一第二放大影像; 對該輸入影像和該第二放大影像執行一第三減法處理,以從該輸入影像中減去該第二放大影像,以獲得一第三減影影像; 在該第一放大層影像上執行一組算術處理,以獲得一第三放大層影像;以及對該第三減影影像執行一第三放大處理,以將該第三減影影像乘以該第三放大層影像,以產生一第三放大影像或一對比度優化輸出影像。
- 如請求項1所述的方法,其中該第一插值處理、該第二插值處理、該第三插值處理和該第四插值處理皆為雙線性。
- 如請求項1所述的方法,其中該第一像素合併或該第一插值處理中的該第一縮減因數為10。
- 如請求項1所述的方法,其中該第一低通濾波處理涉及使用一第一核心大小為29×29的一高斯核心來執行卷積的一高斯模糊操作。
- 如請求項1所述的方法,其中在執行該第二插值處理之前,對該第一模糊影像執行一加法處理,以將一非零數字加到該第一模糊影像。
- 如請求項1所述的方法,其中該分割處理中的該第一特定數為該最大像素強度的90%。
- 如請求項1所述的方法,其中該門檻值處理中的該使用者定義門檻值範圍為3.0至8.0,允許浮點數。
- 如請求項1所述的方法,其中在該第二像素合併或該第三插值處理中的該第二縮減因數為3。
- 如請求項1所述的方法,其中該第二低通濾波處理涉及使用一第二核心大小為29×29的一高斯核心來執行卷積的一高斯模糊操作。
- 如請求項1所述的方法,其中該第三低通濾波處理涉及使用一第三核心大小為7×7的一高斯核心來執行卷積的一高斯模糊操作。
- 如請求項1所述的方法,其中該第二減法處理中的該第二特定數為該使用者定義門檻值的1.25倍。
- 如請求項1所述的方法,其中在該第一放大層影像執行該組算術處理以獲得該第三放大層影像的步驟包含: 第一,將該第一放大層影像除以4的分割因數,以獲得一第二分割層影像; 第二,將該第二分割層影像提高到2的次方,以獲得一經修改分割層影像;以及 第三,將該經修改分割層影像加上0.9的值,以獲得該第三放大層影像。
- 一種影像採集和處理系統,包含用以執行如請求項1-11中任一項所述之方法的裝置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111119758A TWI787134B (zh) | 2022-05-26 | 2022-05-26 | 一種用於快速雜訊抑制對比度增強的資料處理方法及包含其的影像採集和處理系統 |
JP2022122533A JP7382090B1 (ja) | 2022-05-26 | 2022-08-01 | 迅速なノイズ抑制コントラスト強調のためのgpu高速化データ処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111119758A TWI787134B (zh) | 2022-05-26 | 2022-05-26 | 一種用於快速雜訊抑制對比度增強的資料處理方法及包含其的影像採集和處理系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI787134B true TWI787134B (zh) | 2022-12-11 |
TW202347249A TW202347249A (zh) | 2023-12-01 |
Family
ID=85795108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111119758A TWI787134B (zh) | 2022-05-26 | 2022-05-26 | 一種用於快速雜訊抑制對比度增強的資料處理方法及包含其的影像採集和處理系統 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7382090B1 (zh) |
TW (1) | TWI787134B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102138329A (zh) * | 2009-07-07 | 2011-07-27 | 索尼公司 | 图像处理设备、图像处理方法以及程序 |
CN104885187A (zh) * | 2012-10-30 | 2015-09-02 | 加州理工学院 | 傅立叶重叠关联成像***、设备和方法 |
TWI526066B (zh) * | 2010-09-30 | 2016-03-11 | 蘋果公司 | 用於處理影像信號的系統、方法及電子裝置 |
WO2019211459A1 (en) * | 2018-05-04 | 2019-11-07 | Five AI Limited | Stereo depth estimation |
TW201947530A (zh) * | 2018-05-08 | 2019-12-16 | 晨星半導體股份有限公司 | 影像裁剪裝置與影像裁剪方法 |
US20200029090A1 (en) * | 2017-01-04 | 2020-01-23 | Samsung Electronics Co., Ltd | Video decoding method and apparatus and video encoding method and apparatus |
TW202211682A (zh) * | 2019-04-22 | 2022-03-16 | 美商雷亞有限公司 | 使用多模式顯示器增強多視像影像品質的系統和方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1345172A1 (en) | 2002-02-26 | 2003-09-17 | Sony International (Europe) GmbH | Contrast enhancement for digital images |
EP1952344B1 (en) | 2005-11-23 | 2011-06-08 | Cedara Software Corp. | Method and system for enhancing digital images |
US20100142790A1 (en) | 2008-12-04 | 2010-06-10 | New Medical Co., Ltd. | Image processing method capable of enhancing contrast and reducing noise of digital image and image processing device using same |
EP2389660A1 (en) | 2009-01-20 | 2011-11-30 | Koninklijke Philips Electronics N.V. | Method and apparatus for generating enhanced images |
-
2022
- 2022-05-26 TW TW111119758A patent/TWI787134B/zh active
- 2022-08-01 JP JP2022122533A patent/JP7382090B1/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102138329A (zh) * | 2009-07-07 | 2011-07-27 | 索尼公司 | 图像处理设备、图像处理方法以及程序 |
TWI526066B (zh) * | 2010-09-30 | 2016-03-11 | 蘋果公司 | 用於處理影像信號的系統、方法及電子裝置 |
CN104885187A (zh) * | 2012-10-30 | 2015-09-02 | 加州理工学院 | 傅立叶重叠关联成像***、设备和方法 |
US20200029090A1 (en) * | 2017-01-04 | 2020-01-23 | Samsung Electronics Co., Ltd | Video decoding method and apparatus and video encoding method and apparatus |
WO2019211459A1 (en) * | 2018-05-04 | 2019-11-07 | Five AI Limited | Stereo depth estimation |
TW201947530A (zh) * | 2018-05-08 | 2019-12-16 | 晨星半導體股份有限公司 | 影像裁剪裝置與影像裁剪方法 |
TW202211682A (zh) * | 2019-04-22 | 2022-03-16 | 美商雷亞有限公司 | 使用多模式顯示器增強多視像影像品質的系統和方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7382090B1 (ja) | 2023-11-16 |
JP2023174439A (ja) | 2023-12-07 |
TW202347249A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105120130B (zh) | 一种图像升频***、其训练方法及图像升频方法 | |
CN111340744B (zh) | 基于注意力双流深度网络的低质量图像降采样方法及其*** | |
US8503811B2 (en) | Filters for denoising digital images with minimized blur and shape distortion and controlled deblurring | |
Li et al. | Sparse representation-based volumetric super-resolution algorithm for 3D CT images of reservoir rocks | |
Xie et al. | An improved method for single image super-resolution based on deep learning | |
CN106296608B (zh) | 一种基于映射表的鱼眼图像处理方法及*** | |
Song et al. | Gradual deep residual network for super-resolution | |
CN109949329A (zh) | 基于相位一致的相位拉伸变换pst图像边缘检测方法 | |
Qian et al. | Effective super-resolution methods for paired electron microscopic images | |
CN110111392B (zh) | 一种基于纳米颗粒标定的高分辨光学成像方法 | |
Li et al. | Blind image deblurring based on sparse prior of dictionary pair | |
TWI787134B (zh) | 一種用於快速雜訊抑制對比度增強的資料處理方法及包含其的影像採集和處理系統 | |
Xiao et al. | Detail enhancement of image super-resolution based on detail synthesis | |
DE112021006769T5 (de) | Schaltung zur kombinierten heruntertaktung und korrektur von bilddaten | |
JP2023532755A (ja) | 画像を処理するためのコンピュータ実装方法、コンピュータプログラム製品、およびシステム | |
Qin et al. | A novel fluorescence microscopy image deconvolution approach | |
Cheng et al. | Adaptive feature denoising based deep convolutional network for single image super-resolution | |
US20230385988A1 (en) | GPU-accelerated data processing method for rapid noise-suppressed contrast enhancement | |
Wu et al. | Convolutional neural network with Squeeze and Excitation modules for image blind deblurring | |
CN116091317A (zh) | 扫描电镜二次电子图像超分辨方法和*** | |
Xu et al. | Enhanced context attention network for image super resolution | |
US20210287339A1 (en) | Image processing apparatus using artificial intelligence super-resolution circuit and follow-up resize circuit for image resizing | |
EP3635677A1 (de) | Verfahren und vorrichtung zur bildkorrektur | |
Al-Ameen et al. | HLIPSCS: A rapid and efficient algorithm for image contrast enhancement | |
JP2006208340A (ja) | 欠陥検査装置 |