內(nèi)鏡圖像的高光區(qū)域消除方法
【專利摘要】本發(fā)明提供了一種內(nèi)鏡圖像的高光區(qū)域消除方法，包括如下步驟：S10，對內(nèi)鏡圖像進(jìn)行預(yù)處理；S20，提供圖像融合操作所需的最終權(quán)重模板；S30，提供內(nèi)鏡圖像的細(xì)節(jié)弱化的無高光圖像；S40，以最終權(quán)重模板作為融合修復(fù)的權(quán)重因子，將細(xì)節(jié)弱化的無高光圖像和內(nèi)鏡圖像的原圖像進(jìn)行融合修復(fù)，獲得高光消除并保留圖像主要細(xì)節(jié)的無高光圖像。本發(fā)明的目的在于提供一種內(nèi)鏡圖像的高光區(qū)域消除方法，能夠在高光區(qū)域較大的時(shí)候?qū)崿F(xiàn)內(nèi)鏡圖像的自然修復(fù)。
【專利說明】
內(nèi)鏡圖像的高光區(qū)域消除方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種醫(yī)學(xué)內(nèi)鏡圖像高光消除方法，可用于醫(yī)學(xué)內(nèi)鏡成像診療過程中輔 助醫(yī)生更好的進(jìn)行觀察和病情診斷。
【背景技術(shù)】
[0002] 內(nèi)窺鏡成像過程中，人體器官表面發(fā)生的高光反射，通常表現(xiàn)為亮度飽和的高亮 區(qū)域，運(yùn)些高亮區(qū)域?qū)档蛨D像質(zhì)量并對手術(shù)過程的觀察W及病灶判斷造成較大的影 響，甚至成為許多基于視覺分析算法誤差的源頭，并對許多基于梯度的計(jì)算機(jī)視覺算法造 成消極影響。
[0003] 在過去的幾十年中，大量的算法被提出W檢測和修復(fù)內(nèi)鏡圖像中的高光反射。 ArnolcUet al.等基于全局非線性濾波和顏色闊值的方法進(jìn)行高光區(qū)域的檢測，使用距離 高光像素特定距離處像素的顏色信息作為該高光像素的顏色信息。該算法可有效的選擇出 圖像中的高光區(qū)域，并對高光區(qū)域進(jìn)行一定的修復(fù)。但基于全局闊值的方法對整幅圖像進(jìn) 行單一闊值的分割，在高光像素?fù)碛幸欢▌討B(tài)范圍的時(shí)候，很難精確做出精確的判斷。利用 高光像素臨近像素的顏色信息對高光區(qū)域進(jìn)行補(bǔ)色的方法，在高光區(qū)域較小時(shí)可W得到較 好的效果，但隨著高光區(qū)域的增大，由于高光中屯、區(qū)域難W找到適合的臨近像素信息，補(bǔ)色 結(jié)果將產(chǎn)生較大的人為痕跡。
[0004] 為解決眾多基于全局闊值的分割方法W及基于鄰近像素顏色傳遞的修復(fù)方法存 在的缺陷，從該算法中衍生出多種改進(jìn)算法。一些學(xué)者在全圖應(yīng)用一個(gè)固定大小的滑動窗 口，在窗口中應(yīng)用局部闊值的方法進(jìn)行高光區(qū)域的分割，并且利用基于自適應(yīng)窗口動態(tài)捜 索的方法，使得高光像素可W使用盡量多的非高光像素信息進(jìn)行顏色的修復(fù)。雖然目前提 出的算法可在一定程度上解決現(xiàn)存內(nèi)鏡圖像高光像素檢測和修復(fù)算法的缺陷，但反射高光 像素提取的效果有待提高，應(yīng)用鄰域信息進(jìn)行補(bǔ)色的算法，在高光區(qū)域較大的時(shí)候難W實(shí) 現(xiàn)自然修復(fù)的效果。
[0005] 因此本領(lǐng)域需要一種有效的內(nèi)鏡圖像的高光區(qū)域消除方法，解決在高光區(qū)域較大 的時(shí)候難W實(shí)現(xiàn)內(nèi)鏡圖像自然修復(fù)的問題難W實(shí)現(xiàn)自然修復(fù)內(nèi)鏡圖像的問題。

【發(fā)明內(nèi)容】

[0006] 針對相關(guān)技術(shù)中存在的問題，本發(fā)明的目的在于提供一種內(nèi)鏡圖像的高光區(qū)域消 除方法，能夠在高光區(qū)域較大的時(shí)候可W實(shí)現(xiàn)內(nèi)鏡圖像的自然修復(fù)自然修復(fù)內(nèi)鏡圖像。
[0007] 本發(fā)明提供了一種內(nèi)鏡圖像的高光區(qū)域消除方法，包括如下步驟：
[000引 Sio，對內(nèi)鏡圖像進(jìn)行預(yù)處理；
[0009] S20,提供圖像融合操作所需的最終權(quán)重模板；
[0010] S30,提供內(nèi)鏡圖像的細(xì)節(jié)弱化的無高光圖像；
[0011] S40, W最終權(quán)重模板作為融合修復(fù)的權(quán)重因子，將細(xì)節(jié)弱化的無高光圖像和內(nèi)鏡 圖像的原圖像進(jìn)行融合修復(fù)，獲得高光消除并保留圖像主要細(xì)節(jié)的無高光圖像。
[001^ 根據(jù)本發(fā)明，步驟Sio包括如下子步驟：
[0013] SlOl，利用非線性濾波的方法增加圖像中高光和正常區(qū)域的對比，W獲得增強(qiáng)圖 像；
[0014] S102,將增強(qiáng)圖像進(jìn)行基于小波分析的降噪算法，濾除內(nèi)鏡圖像采集及處理過程 中的隨機(jī)噪聲，W獲得去噪圖像；
[001引 S103，將去噪圖像由RGB顏色空間轉(zhuǎn)換到服V顏色空間。
[0016]根據(jù)本發(fā)明，步驟S20包括如下子步驟：
[0017] S201，對內(nèi)鏡圖像進(jìn)行全局高光檢測，W得到粗分割的高光區(qū)域；
[0018] S202，對內(nèi)鏡圖像進(jìn)行局部高光檢測，W得到精細(xì)分割的高光區(qū)域；
[0019] S203,對粗分割的高光區(qū)域和精細(xì)分割的高光區(qū)域進(jìn)行融合，得到高光區(qū)域的二 值權(quán)重模板；
[0020] S204,對二值權(quán)重模板利用形態(tài)學(xué)操作和電勢場勢能圖理論，通過迭代求解拉普 拉斯方程實(shí)現(xiàn)二值權(quán)重模板邊緣的均勻漸變，W獲得最終權(quán)重模板。
[0021] 根據(jù)本發(fā)明，子步驟S201執(zhí)行為，聯(lián)合亮度和飽和度空間，利用基于直方圖的二值 化闊值算法進(jìn)行全局高光檢測。
[0022] 根據(jù)本發(fā)明，子步驟S202執(zhí)行為，基于超像素分割的方法，將高光像素粗略聚類到 同一超像素內(nèi)部，結(jié)合全局闊值W及OTSU二值化處理自適應(yīng)闊值的方法，在每一個(gè)超像素 內(nèi)部進(jìn)行高光像素的檢測和分割，得到精細(xì)分割的高光區(qū)域。
[0023] 根據(jù)本發(fā)明，二值權(quán)重模板為最終的高光區(qū)域的二值化圖像。
[0024] 根據(jù)本發(fā)明，子步驟S204執(zhí)行為，
[0025] S2041，對二值權(quán)重模板進(jìn)行形態(tài)學(xué)膨脹，得到膨脹模板；
[0026] S2042,用膨脹模板和原始的二值權(quán)重模板相減，得到膨脹環(huán)帶區(qū)域；
[0027] S2043，對膨脹環(huán)帶區(qū)域賦值為兩側(cè)均值；
[00%] S2044,迭代應(yīng)用如下方法，得到權(quán)重值均勻漸變的環(huán)帶區(qū)域，W此漸變模板作為 最終權(quán)重模板：
[0029] Ti+i(X，y) = [Ti(X+A x,y)巧i(x-A x,y)巧i(x,y+Ay)巧i(x,;y-A y)]/4。
[0030] 根據(jù)本發(fā)明，步驟S30包括如下子步驟：
[0031] S301，基于用戶反饋W及非線性擬合的RPCA獲得最優(yōu)參數(shù)估計(jì)經(jīng)驗(yàn)公式，可用于 估計(jì)內(nèi)鏡圖像應(yīng)用RPCA時(shí)的最優(yōu)權(quán)重參數(shù)；
[0032] S302,應(yīng)用RPCA理論，建立高光圖像中低秩特征成分與高光噪聲的能量函數(shù)，利用 最優(yōu)化理論迭代求解低秩成分的最優(yōu)解，W得到細(xì)節(jié)弱化的無高光圖像。
[0033] 根據(jù)本發(fā)明，步驟S301執(zhí)行為：
[0034] S3011，人工合成包含不同尺寸高光區(qū)域的測試圖像；
[0035] S3012，對RPCA權(quán)重參數(shù)在一定范圍內(nèi)采樣，獲得權(quán)重參數(shù)序列；
[0036] S3013,對原始圖像和合成圖像應(yīng)用參數(shù)序列中的權(quán)重參數(shù)，分別進(jìn)行圖像的低秩 特征分解，得到對應(yīng)的低秩本征圖像；
[0037] S3014,計(jì)算不同參數(shù)下，合成圖像低秩成分和原圖像本征成分的相似性值；
[0038] S3015,根據(jù)用戶選擇和視覺效果，確定不同高光尺寸情況下，得到細(xì)節(jié)保留和噪 聲去除效果平衡的權(quán)重參數(shù)值；
[0039] S3016,對最優(yōu)的權(quán)重參數(shù)和其對應(yīng)的高光尺寸進(jìn)行非線性擬合，W獲得內(nèi)鏡圖像 中的最大高光區(qū)域連通域面積在全圖所占比例和RPCA的最優(yōu)權(quán)重參數(shù)之間的量化公式；
[0040] S3017,對于給定一幅含高光圖像，計(jì)算其包含最大高光區(qū)域連通域占全圖面積比 例，帶入量化公式，便可W得到內(nèi)鏡圖像應(yīng)用RPCA時(shí)的最優(yōu)權(quán)重參數(shù)。
[0041] 根據(jù)本發(fā)明，步驟S40執(zhí)行為：
[0042] 通過勢能圖理論得到所述最終權(quán)重模板T并作為融合修復(fù)的權(quán)重因子Wi,進(jìn)而通 過RPCA獲得細(xì)節(jié)弱化的無高光圖像Id之后，結(jié)合原高光圖像I。，便可根據(jù)如下融合策略得到 高光消除并保留圖像主要細(xì)節(jié)的無高光圖像：
[0043] Isf=WiId+W2l〇,W2= I-Wio
[0044] 本發(fā)明的有益技術(shù)效果在于：
[0045] 本發(fā)明的內(nèi)鏡圖像的高光區(qū)域消除方法，首先對內(nèi)鏡圖像進(jìn)行預(yù)處理;然后提供 圖像融合操作的最終權(quán)重模板和內(nèi)鏡圖像的細(xì)節(jié)弱化的無高光圖像;最后W最終權(quán)重模板 作為融合修復(fù)的權(quán)重因子，將細(xì)節(jié)弱化的無高光圖像和內(nèi)鏡圖像的原圖像進(jìn)行融合修復(fù)， 獲得高光消除并保留圖像主要細(xì)節(jié)的無高光圖像。本方法能夠?qū)崿F(xiàn)：（1)高光反射區(qū)域的精 確檢測與分割；（2)反射高光區(qū)域的去除和自然修復(fù)。
【附圖說明】
[0046] 圖1是示出的本發(fā)明的內(nèi)鏡圖像的高光區(qū)域消除方法的流程圖。
[0047] 圖2是示出的本發(fā)明的內(nèi)鏡圖像的高光區(qū)域消除方法的詳細(xì)流程圖。
【具體實(shí)施方式】
[0048] 參考附圖公開示出的實(shí)施例。然而，應(yīng)當(dāng)理解，所公開的實(shí)施例僅為可W W各種和 替代形式顯示的實(shí)施例。附圖未必按比例繪制，并且可能放大或縮小一些特征來顯示特定 部件的細(xì)節(jié)。所公開的具體結(jié)構(gòu)和功能性細(xì)節(jié)不應(yīng)解釋為限制，而是作為用于教導(dǎo)本領(lǐng)域 技術(shù)人員如何實(shí)踐本公開的代表性基礎(chǔ)。
[0049] 為克服現(xiàn)有內(nèi)鏡圖像高光檢測修復(fù)算法中存在的不足，本發(fā)明提供一種基于超像 素和大津(OTSU)闊值的內(nèi)鏡圖像的高光區(qū)域消除方法，本方法是基于低秩特征融合的內(nèi)鏡 圖像高光區(qū)域消除方法，能夠?qū)崿F(xiàn)局部高光自適應(yīng)闊值的精確檢測分割;在本方法中運(yùn)用 一種基于用戶反饋和非線性擬合的方法，自動確定魯棒主成分分析(Robust Principal Component AnalysiS，RPCA)算法的最優(yōu)權(quán)重參數(shù)，然后利用RPCA和圖像融合的方法，得到 高光區(qū)域的自然修復(fù)。
[0050] 參照圖1，本發(fā)明提供了一種內(nèi)鏡圖像的高光區(qū)域消除方法，包括如下步驟：
[0化1] Sio，對內(nèi)鏡圖像進(jìn)行預(yù)處理；
[0052] S20,提供圖像融合操作所需的最終權(quán)重模板；
[0053] S30,提供內(nèi)鏡圖像的細(xì)節(jié)弱化的無高光圖像；
[0054] S40, W最終權(quán)重模板作為融合修復(fù)的權(quán)重因子，將細(xì)節(jié)弱化的無高光圖像和內(nèi)鏡 圖像的原圖像進(jìn)行融合修復(fù)，獲得高光消除并保留圖像主要細(xì)節(jié)的無高光圖像。
[0055] 具體而言，本方法在經(jīng)過預(yù)處理后的內(nèi)鏡圖像的基礎(chǔ)上，提供內(nèi)鏡圖像的最終權(quán) 重模板和內(nèi)鏡圖像的細(xì)節(jié)弱化的無高光圖像，最后進(jìn)行融合修復(fù)W獲得高光消除并保留圖 像主要細(xì)節(jié)的無高光圖像。本方法能夠?qū)崿F(xiàn)：（1)高光反射區(qū)域的精確檢測與分割；（2)反射 高光區(qū)域的去除和自然修復(fù)。
[0化6] 參照圖2,步驟SlO包括子步驟S101、S102、S103。
[0057]子步驟SlOl，利用非線性濾波的方法增加圖像中高光和正常區(qū)域的對比，增強(qiáng)高 光區(qū)域和淺色組織器官之間的差異性，W獲得增強(qiáng)圖像；
[0化引其中，在子步驟SlOl中，對于含有高光的內(nèi)鏡圖像 ，定義其飽和度
，則應(yīng)用W下非線性濾波增加圖像中高光和正常區(qū)域的對比，增強(qiáng)高 光區(qū)域和淺色組織器官之間的差異性：
[0059] 擬
[0060] S，B為圖像S通道強(qiáng)度值。
[0061] 子步驟S102,將增強(qiáng)圖像進(jìn)行基于小波分析的降噪算法，濾除內(nèi)鏡圖像采集及處 理過程中的隨機(jī)噪聲，W獲得去噪圖像，減弱隨機(jī)噪聲對高光區(qū)域分割的影響。
[0062] 子步驟S103,考慮到圖像中的高光區(qū)域具有高亮度低飽和度的特性，將去噪圖像 由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，分別在亮度通道和飽和度通道對高光區(qū)域進(jìn)行檢測提 取，W實(shí)現(xiàn)高光區(qū)域的精確檢測。
[0063] 根據(jù)本發(fā)明的方法，步驟S20包括子步驟S201、S202、S203、S204:
[0064] 子步驟S201，對內(nèi)鏡圖像進(jìn)行全局高光檢測，W得到粗分割的高光區(qū)域。具體而 言，子步驟S201執(zhí)行為，聯(lián)合亮度和飽和度空間，利用基于直方圖的二值化闊值算法進(jìn)行全 局高光檢測。也就是說，分別選取較高的亮度闊值和較低的飽和度闊值，對高光區(qū)域進(jìn)行初 步檢測提取，得到高光區(qū)域的粗分割結(jié)果。
[0065] 子步驟S202,對內(nèi)鏡圖像進(jìn)行局部高光檢測，W得到精細(xì)分割的高光區(qū)域。具體而 言，子步驟S202執(zhí)行為，基于超像素分割的方法，將高光像素粗略聚類到同一超像素內(nèi)部， 結(jié)合全局闊值W及OTSU二值化處理自適應(yīng)闊值的方法，在每一個(gè)超像素內(nèi)部進(jìn)行高光像素 的檢測和分割，得到精細(xì)分割的高光區(qū)域。在超像素內(nèi)部可W實(shí)現(xiàn)高光像素更為精確的檢 測J。也就是說，使用簡單線性迭代聚類（Simple Linear Iterative Clustering,SLIC)算法 對圖像進(jìn)行超像素分割，該算法基于K均值化-means)聚類的思想將圖像局部具有相似顏色 和亮度特征的像素聚類到同一超像素內(nèi)部。在超像素內(nèi)部，結(jié)合全局闊值和OTSU自適應(yīng)闊 值的方法對像素進(jìn)行可能的二值分類，精細(xì)分割出高光區(qū)域，OTSU算法使用聚類的思想，把 圖像的灰度數(shù)按灰度級分成兩個(gè)部分，使得兩個(gè)部分之間的灰度值差異最大，其中每個(gè)部 分內(nèi)部的各個(gè)像素之間的灰度值差異最小。采用該算法可W實(shí)現(xiàn)自動選取闊值進(jìn)行二值 化，類間方差最大的分割意味著錯(cuò)分概率最小。
[0066] 子步驟S203,對粗分割的高光區(qū)域和精細(xì)分割的高光區(qū)域進(jìn)行融合，得到高光區(qū) 域的二值權(quán)重模板;該二值權(quán)重模板為最終的高光區(qū)域的二值化圖像，并作為基于圖像融 合高光消除的權(quán)重模板。
[0067] 子步驟S204,對二值權(quán)重模板利用形態(tài)學(xué)操作和電勢場勢能圖理論，通過迭代求 解拉普拉斯化aplace)方程實(shí)現(xiàn)二值權(quán)重模板邊緣的均勻漸變，W獲得最終權(quán)重模板。該最 終權(quán)重模板作為圖像融合高光消除最終的權(quán)重模板，實(shí)現(xiàn)高光區(qū)域邊緣自然融合的效果。 本發(fā)明通過結(jié)合形態(tài)學(xué)操作和電勢場勢能圖理論，實(shí)現(xiàn)了高光區(qū)域邊緣的漸變衰減，可用 于圖像融合的權(quán)重模板，實(shí)現(xiàn)融合邊緣的自然過渡，得到更自然的視覺效果。
[0068] 具體而言，為消除二值權(quán)重邊緣的突變造成的不自然痕跡，本發(fā)明結(jié)合形態(tài)學(xué)操 作和電勢場理論中勢能圖的方法，在區(qū)域邊緣構(gòu)建Laplace方程，并迭代的求解其雅克比 (Jacobi)解，實(shí)現(xiàn)邊緣權(quán)重的平滑漸變衰減。
[0069] Ti+i(x,y) = [Ti(x+A x,y)巧i(x-A x,y)
[0070] +Ti(x,y+A y)巧i(x,;y-A y)]/4;
[0071] 其中，1'1^，7)，1'1+1^，7)分別為第1次和第1 + 1次迭代后，獲得二值權(quán)重模板的平 滑結(jié)果。
[0072] 更為具體地，在一個(gè)可能的實(shí)例中，子步驟S204執(zhí)行為：
[0073] S2041，對二值權(quán)重模板進(jìn)行形態(tài)學(xué)膨脹，得到膨脹模板；
[0074] S2042，用膨脹模板和原始的二值權(quán)重模板相減，得到膨脹環(huán)帶區(qū)域；
[00巧]S2043,對膨脹環(huán)帶區(qū)域賦值為兩側(cè)均值。例如，即：高光區(qū)域1，正常區(qū)域0,環(huán)帶區(qū) 域0.5;
[0076] S2044,迭代應(yīng)用如下方法，得到權(quán)重值均勻漸變的環(huán)帶區(qū)域，W此漸變模板作為 最終權(quán)重模板，此最終權(quán)重模板作為圖像融合權(quán)重，實(shí)現(xiàn)融合邊緣的自然過渡，得到更好的 視覺效果：
[0077] Ti+i(X，y) = [Ti(X+A x,y)巧i(x-A x,y)巧i(x,y+Ay)巧i(x,;y-A y)]/4。
[0078] 繼續(xù)參照圖2，步驟S30包括子步驟S301、S302:
[0079] 子步驟S301，基于用戶反饋W及非線性擬合的RPCA最優(yōu)參數(shù)估計(jì)經(jīng)驗(yàn)公式，估計(jì) 出內(nèi)鏡圖像應(yīng)用RPCA時(shí)的最優(yōu)權(quán)重參數(shù);具體而言，本發(fā)明通過基于用戶反饋和非線性擬 合的方法獲得圖像中最大高光連通域面積S對應(yīng)RPCA最優(yōu)參數(shù)A之間的關(guān)系，得到可用于自 動平衡RPCA過程中細(xì)節(jié)保留和噪聲去除效果的A-S量化關(guān)系曲線：
[0080] 入=a ? logio(b ? S)+c
[0081] 其中，a，b，c均為實(shí)數(shù)，對于輸入的內(nèi)鏡高光圖像，在分割出其高光區(qū)域后，只需計(jì) 算其高光部分最大連通區(qū)域的面積S，既可W根據(jù)W上關(guān)系確定RPCA過程的最優(yōu)權(quán)重參數(shù) 入。
[0082] 更為具體地，在一個(gè)可能的實(shí)例中，子步驟S301執(zhí)行為：
[0083] S3011，人工合成包含不同尺寸高光區(qū)域的測試圖像，該不同尺寸是指占全圖像面 積的不同尺寸；
[0084] S3012，對RPCA權(quán)重參數(shù)在一定范圍內(nèi)采樣，獲得權(quán)重參數(shù)序列；
[0085] S3013,對原始圖像和合成圖像應(yīng)用參數(shù)序列中的權(quán)重參數(shù)，分別進(jìn)行圖像的低秩 特征分解，得到對應(yīng)的低秩本征圖像；
[0086] S3014,計(jì)算不同參數(shù)下，合成圖像低秩成分和原圖像本征成分的相似性值；
[0087] S3015,根據(jù)用戶選擇和視覺效果，確定不同高光尺寸情況下，得到細(xì)節(jié)保留和噪 聲去除效果平衡的權(quán)重參數(shù)值；
[0088] S3016,對最優(yōu)的權(quán)重參數(shù)和其對應(yīng)的高光尺寸進(jìn)行非線性擬合，W獲得內(nèi)鏡圖像 中的高光區(qū)域面積在全圖所占比例和RPCA的最優(yōu)權(quán)重參數(shù)之間的量化公式；
[0089] S3017,對于給定一幅含高光圖像，計(jì)算其包含最大高光區(qū)域連通域占全圖面積， 帶入量化公式，便可W得到內(nèi)鏡圖像應(yīng)用RPCA時(shí)的最優(yōu)權(quán)重參數(shù)。本發(fā)明提出一種自動選 取RPCA過程權(quán)重參數(shù)的方法，可W實(shí)現(xiàn)噪聲去除效果和圖像細(xì)節(jié)保留之間的平衡。
[0090] 根據(jù)本發(fā)明的一個(gè)可能的實(shí)施例，子步驟S302,應(yīng)用RPCA理論，建立高光圖像中低 秩特征成分與高光噪聲的能量函數(shù)，利用最優(yōu)化理論迭代求解低秩成分的最優(yōu)解，W得到 細(xì)節(jié)弱化的無高光圖像，用于圖像的融合修復(fù)。本發(fā)明采用融合原圖像和無高光細(xì)節(jié)弱化 圖像的方法得到最終的高光修復(fù)圖像。為此，采用RPCA理論，對高光圖像進(jìn)行分解，得到相 應(yīng)的細(xì)節(jié)弱化的無高光主成分和噪聲分量。該過程可通過求解W下最優(yōu)化問題獲得：
[0091]
[0092] 其中，M All*為圖像主成分矩陣核范數(shù)(矩陣特征值的和），IlEl Ii為噪聲矩陣h范 數(shù)(矩陣元素絕對值的和），A是一個(gè)正值的權(quán)重因子。
[0093] 根據(jù)本發(fā)明的方法，步驟S40執(zhí)行為：
[0094] 通過勢能圖理論得到融合修復(fù)的權(quán)重因子WiW及通過RPCA獲得細(xì)節(jié)弱化的無高 光圖像Id之后，結(jié)合原高光圖像I。，便可根據(jù)如下融合策略得到高光消除并保留圖像主要細(xì) 節(jié)的無高光圖像：
[00巧]Isf=WiId+W2l〇，恥=1-胖1，其中胖1等于步驟82044中的1'。
[0096] W上僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人 員來說，本發(fā)明可W有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、 等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種內(nèi)鏡圖像的高光區(qū)域消除方法，其特征在于，包括如下步驟： S10,對所述內(nèi)鏡圖像進(jìn)行預(yù)處理； S20，提供圖像融合操作所需的最終權(quán)重模板； S30,提供所述內(nèi)鏡圖像的細(xì)節(jié)弱化的無高光圖像； S40,以所述最終權(quán)重模板作為融合修復(fù)的權(quán)重因子，將所述細(xì)節(jié)弱化的無高光圖像和 所述內(nèi)鏡圖像的原圖像進(jìn)行融合修復(fù)，獲得高光消除并保留圖像主要細(xì)節(jié)的無高光圖像。2. 根據(jù)權(quán)利要求1所述的內(nèi)鏡圖像的高光區(qū)域消除方法，其特征在于，所述步驟SlO包 括如下子步驟： SlOl，利用非線性濾波的方法增加圖像中高光和正常區(qū)域的對比，以獲得增強(qiáng)圖像； S102,將所述增強(qiáng)圖像進(jìn)行基于小波分析的降噪算法，濾除所述內(nèi)鏡圖像采集及處理 過程中的隨機(jī)噪聲，以獲得去噪圖像； S103，將所述去噪圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間。3. 根據(jù)權(quán)利要求1所述的內(nèi)鏡圖像的高光區(qū)域消除方法，其特征在于，所述步驟S20包 括如下子步驟： S201，對所述內(nèi)鏡圖像進(jìn)行全局高光檢測，以得到粗分割的高光區(qū)域； 5202, 對所述內(nèi)鏡圖像進(jìn)行局部高光檢測，以得到精細(xì)分割的高光區(qū)域； 5203, 對所述粗分割的高光區(qū)域和所述精細(xì)分割的高光區(qū)域進(jìn)行融合，得到所述高光 區(qū)域的二值權(quán)重模板； S204，對所述二值權(quán)重模板利用形態(tài)學(xué)操作和電勢場勢能圖理論，通過迭代求解拉普 拉斯方程實(shí)現(xiàn)所述二值權(quán)重模板邊緣的均勻漸變，以獲得所述最終權(quán)重模板。4. 根據(jù)權(quán)利要求3所述的內(nèi)鏡圖像的高光區(qū)域消除方法，其特征在于，所述子步驟S201 執(zhí)行為，聯(lián)合亮度和飽和度空間，利用基于直方圖的二值化閾值算法進(jìn)行全局高光檢測。5. 根據(jù)權(quán)利要求3所述的內(nèi)鏡圖像的高光區(qū)域消除方法，其特征在于，所述子步驟S202 執(zhí)行為，基于超像素分割的方法，將高光像素粗略聚類到同一超像素內(nèi)部，結(jié)合全局閾值以 及OTSU二值化處理自適應(yīng)閾值的方法，在每一個(gè)所述超像素內(nèi)部進(jìn)行高光像素的檢測和分 害J，得到所述精細(xì)分割的高光區(qū)域。6. 根據(jù)權(quán)利要求3所述的內(nèi)鏡圖像的高光區(qū)域消除方法，其特征在于，所述二值權(quán)重模 板為最終的高光區(qū)域的二值化圖像。7. 根據(jù)權(quán)利要求3所述的內(nèi)鏡圖像的高光區(qū)域消除方法，其特征在于，所述子步驟S204 執(zhí)行為， S2041，對所述二值權(quán)重模板進(jìn)行形態(tài)學(xué)膨脹，得到膨脹模板； S2042，用所述膨脹模板和原始的所述二值權(quán)重模板相減，得到膨脹環(huán)帶區(qū)域； 52043, 對所述膨脹環(huán)帶區(qū)域賦值為兩側(cè)均值； 52044, 迭代應(yīng)用如下方法，得到權(quán)重值均勻漸變的環(huán)帶區(qū)域，以此漸變模板作為所述 最終權(quán)重模板： Ti+i(x,y) = [Ti(x+A x,y)+Ti(x-A x,y)+Ti(x,y+A y)+Ti(x,y-A y)]/4〇8. 根據(jù)權(quán)利要求1所述的內(nèi)鏡圖像的高光區(qū)域消除方法，其特征在于，所述步驟S30包 括如下子步驟： S301，基于用戶反饋以及非線性擬合獲得RPCA最優(yōu)參數(shù)估計(jì)經(jīng)驗(yàn)公式，用于估計(jì)所述 內(nèi)鏡圖像應(yīng)用RPCA時(shí)的最優(yōu)權(quán)重參數(shù)； S302,應(yīng)用RPCA理論，建立高光圖像中低秩特征成分與高光噪聲的能量函數(shù)，利用最優(yōu) 化理論迭代求解低秩成分的最優(yōu)解，以得到所述細(xì)節(jié)弱化的無高光圖像。9. 根據(jù)權(quán)利要求8所述的內(nèi)鏡圖像的高光區(qū)域消除方法，其特征在于，所述步驟S301執(zhí) 行為： S3011，人工合成包含不同尺寸高光區(qū)域的測試圖像； 53012, 對RPCA權(quán)重參數(shù)在一定范圍內(nèi)采樣，獲得權(quán)重參數(shù)序列； 53013, 對原始圖像和合成圖像應(yīng)用所述參數(shù)序列中的權(quán)重參數(shù)，分別進(jìn)行圖像的低秩 特征分解，得到對應(yīng)的低秩本征圖像； 53014, 計(jì)算不同所述參數(shù)下，合成圖像低秩成分和原圖像本征成分的相似性值； 53015, 根據(jù)用戶選擇和視覺效果，確定不同高光尺寸情況下，得到細(xì)節(jié)保留和噪聲去 除效果平衡的權(quán)重參數(shù)值； 53016, 對最優(yōu)的所述權(quán)重參數(shù)和其對應(yīng)的高光尺寸進(jìn)行非線性擬合，以獲得所述內(nèi)鏡 圖像中的最大高光區(qū)域連通域面積在全圖所占比例和所述RPCA的最優(yōu)權(quán)重參數(shù)之間的量 化公式； 53017, 對于給定一幅含高光圖像，計(jì)算其包含最大高光區(qū)域連通域占全圖面積比例， 帶入所述量化公式，便可以得到所述內(nèi)鏡圖像應(yīng)用RPCA時(shí)的最優(yōu)權(quán)重參數(shù)。10. 根據(jù)權(quán)利要求1所述的內(nèi)鏡圖像的高光區(qū)域消除方法，其特征在于，所述步驟S40執(zhí) 行為： 通過勢能圖理論得到所述最終權(quán)重模板T并作為融合修復(fù)的權(quán)重因子W1，進(jìn)而通過RPCA 獲得細(xì)節(jié)弱化的無高光圖像Id之后，結(jié)合原高光圖像I。，便可根據(jù)如下融合策略得到所述高 光消除并保留圖像主要細(xì)節(jié)的無高光圖像： Isf = ffiId+ff2l〇,W2 = I-Wio
【文檔編號】G06T5/00GK105957042SQ201610397007
【公開日】2016年9月21日
【申請日】2016年6月7日
【發(fā)明人】楊健, 郜業(yè)飛, 王涌天, 艾丹妮, 叢偉建, 范敬凡
【申請人】北京理工大學(xué)