Nothing Special   »   [go: up one dir, main page]

CN112348807A - 一种基于轮廓像素统计的内窥镜高亮点修复方法及系统 - Google Patents

一种基于轮廓像素统计的内窥镜高亮点修复方法及系统 Download PDF

Info

Publication number
CN112348807A
CN112348807A CN202011363955.5A CN202011363955A CN112348807A CN 112348807 A CN112348807 A CN 112348807A CN 202011363955 A CN202011363955 A CN 202011363955A CN 112348807 A CN112348807 A CN 112348807A
Authority
CN
China
Prior art keywords
bright
image
point
contour
value
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
Application number
CN202011363955.5A
Other languages
English (en)
Other versions
CN112348807B (zh
Inventor
李正平
池月
徐超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN202011363955.5A priority Critical patent/CN112348807B/zh
Publication of CN112348807A publication Critical patent/CN112348807A/zh
Application granted granted Critical
Publication of CN112348807B publication Critical patent/CN112348807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T2207/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Endoscopes (AREA)

Abstract

本发明涉及一种基于轮廓像素统计的内窥镜高亮点修复方法及系统，属于图像处理技术领域。先提取输入帧图像在B通道的分量得到图像B，并对图像B进行两次复制得到图像B1和图像B2，再分别对图像B1和B2进行二值化处理，得到亮点图像L1和L2，并删除亮点图像L2中轮廓长度大于预设长度a的亮点轮廓所对应的亮点，得到亮点图像L3，以得到亮点融合图，再对亮点融合图进行轮廓检测，并采用颜色统计算法得到每一个亮点对应的填充像素值，最后根据填充像素值对与填充像素值对应的亮点进行填充，得到亮点修复图，进而通过简洁的修复过程，对内窥镜图像的高亮点进行快速填充，达到对内窥镜图像高亮点的快速修复，从而满足实时性的要求，适用于内窥镜手术。

Description

一种基于轮廓像素统计的内窥镜高亮点修复方法及系统
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于轮廓像素统计的内窥镜高亮点修复方法及系统。
背景技术
目前去除内窥镜高亮点的方法主要有：基于二色反射模型的方法、基于样本块的纹理合成的方法、基于机器学习的方法和基于RPCA的方法。以上方法在单一图片中能展现较好效果，但是对于连续的视频流，很难满足实时性的要求。
1、基于二色反射模型的方法
双色反射模型可以用来描述非匀质物体表面的物理光照现象，光线在经过物体表面反射后可能发生漫反射和镜面反射两种情况，反射光的光谱成分由这两部分光的光谱成分共同决定。漫反射是入射光线进入物体表面经过多次折反射吸收后返回物体表面的光，其光谱成分由物体材质的反射特性决定。镜面反射是入射光线在物体表面的直接反射，它与物体表面相对于光源位置的朝向以及粗糙程度有关，其光谱成分近似于光源的光谱成分。该方法首先计算全局的最大漫反射色度，然后估计出镜面反射分量，将镜面反射部分颜色减去该分量得到无镜图像。这种方法对自然图像修复效果较好，但是内窥镜图像内亮点为粘液的镜面反射，亮度过高，漫反射成分很低甚至没有，使用该方法的修复效果很差，而且由于这种方法需要对全图的像素进行数次访问，实时性差，无法适用于内窥镜手术。
2、基于样本块的纹理合成的方法
基于样例的图像修复算法的精髓在于采用小块填补的方法，相对于点填补的方法来说提高了填补速度和精度，使用小块的数据值和置信度值来定义各小块的优先级，从而使填补过程有序地进行，最终使填补出来的结构和纹理都不失流畅感。算法中选取的小块是一个n*n大小的块(其中n为像素的个数)，n值的大小影响着整个修复系统的功能与性能，当待修复的图片较小而选取的n值过大时，修复出来的效果会很粗糙，而当待修复的图片较大而选取的n值过小时，会使修复过程花费过长的时间。因此，小块的大小n应由待修复图片的大小来确定。内窥镜图像的亮点往往较大，而且由于图像分辨率较高，这种方法无法满足实时性的要求。
3、基于机器学习的方法
最近几年随着人工智能的兴起，使用深度学习对图像进行修复渐渐成为主流，其修复效果好，实时性好。但是对于内窥镜图像来说，很难找到足够的含有镜面反射以及对应的无镜面反射的图像来满足深度学习的训练要求，故基于机器学习的方法理论上可行，但是实际实施难度过大。
4、基于RPCA的方法
基于RPCA(Robust Principal components analysis，鲁棒性主成分分析)的方法中，RPCA用以解决含有高幅度尖锐噪声的数据，其基本假设是数据矩阵包含结构信息(该矩阵是低秩的)和噪声矩阵(该矩阵是稀疏的)，所以RPCA希望将原始矩阵分解为低秩矩阵和稀疏矩阵，内窥镜图像中高亮点属于尖锐噪声的一部分，可以经过数次的迭代将其分解入稀疏矩阵，对应的低秩矩阵则为无镜图像，但该方法涉及SVD分解(SingularValueDecomposition，奇异值分解)，时间复杂度为立方阶O(n3)，对于高分辨率图像，实时性很差。
基于上述分析，急需一种能够满足实时性要求的内窥镜高亮点修复方法。
发明内容
本发明的目的是提供一种基于轮廓像素统计的内窥镜高亮点修复方法及系统，通过简洁的修复过程，对内窥镜图像的高亮点进行快速填充，达到对内窥镜图像高亮点的快速修复，满足实时性的要求，适用于内窥镜手术。
为实现上述目的，本发明提供了如下方案：
一种基于轮廓像素统计的内窥镜高亮点修复方法，所述修复方法包括如下步骤：
提取输入帧图像在B通道的分量，得到图像B；对所述图像B进行两次复制，得到图像B1和图像B2；
根据预设阈值N1对所述图像B1进行二值化处理，得到亮点图像L1；根据预设阈值N2对所述图像B2进行二值化处理，得到亮点图像L2；
对所述亮点图像L2中所有的亮点进行轮廓检测，得到每一个亮点的亮点轮廓，删除轮廓长度大于预设长度a的亮点轮廓所对应的亮点，得到亮点图像L3；
提取所述亮点图像L1和所述亮点图像L3中的所有亮点，得到亮点融合图；
对所述亮点融合图进行轮廓检测，得到每一个亮点的轮廓点集合以及轮廓长度；根据每一个亮点的轮廓点集合和轮廓长度，采用颜色统计算法得到每一个亮点对应的填充像素值；
根据所述填充像素值对与所述填充像素值对应的亮点进行填充，得到亮点修复图。
一种基于轮廓像素统计的内窥镜高亮点修复系统，所述修复系统包括：
B通道分量图像获取模块，用于提取输入帧图像在B通道的分量，得到图像B；对所述图像B进行两次复制，得到图像B1和图像B2；
亮点图像获取模块，用于根据预设阈值N1对所述图像B1进行二值化处理，得到亮点图像L1；根据预设阈值N2对所述图像B2进行二值化处理，得到亮点图像L2；
亮点图像处理模块，用于对所述亮点图像L2中所有的亮点进行轮廓检测，得到每一个亮点的亮点轮廓，删除轮廓长度大于预设长度a的亮点轮廓所对应的亮点，得到亮点图像L3；
亮点融合图获取模块，用于提取所述亮点图像L1和所述亮点图像L3中的所有亮点，得到亮点融合图；
填充像素值确定模块，用于对所述亮点融合图进行轮廓检测，得到每一个亮点的轮廓点集合以及轮廓长度；根据每一个亮点的轮廓点集合和轮廓长度，采用颜色统计算法得到每一个亮点对应的填充像素值；
亮点修复图获取模块，用于根据所述填充像素值对与所述填充像素值对应的亮点进行填充，得到亮点修复图。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于轮廓像素统计的内窥镜高亮点修复方法及系统，先提取输入帧图像在B通道的分量，得到图像B，并对图像B进行两次复制，得到图像B1和图像B2，再根据预设阈值N1对图像B1进行二值化处理，得到亮点图像L1，根据预设阈值N2对图像B2进行二值化处理，得到亮点图像L2，对亮点图像L2中所有的亮点进行轮廓检测，得到每一个亮点的亮点轮廓，删除轮廓长度大于预设长度a的亮点轮廓所对应的亮点，得到亮点图像L3，提取亮点图像L1和亮点图像L3中的所有亮点，得到亮点融合图，再对亮点融合图进行轮廓检测，并采用颜色统计算法得到每一个亮点对应的填充像素值，最后根据填充像素值对与填充像素值对应的亮点进行填充，得到亮点修复图，进而通过简洁的修复过程，对内窥镜图像的高亮点进行快速填充，达到对内窥镜图像高亮点的快速修复，从而满足实时性的要求，适用于内窥镜手术。
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为本发明实施例1所提供的修复方法的方法流程图。
图2为本发明实施例1所提供的各颜色通道分布直方图。
图3为本发明实施例1所提供的获取亮点坐标图的具体流程图。
图4为本发明实施例1所提供的获取每一个亮点对应的填充像素值的具体流程图。
图5为本发明实施例1所提供的修复效果对比图。
图(a)为修复之前的图像；图(b)为修复之后的图像。
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。
本发明的目的是提供一种基于轮廓像素统计的内窥镜高亮点修复方法及系统，通过简洁的修复过程，对内窥镜图像的高亮点进行快速填充，达到对内窥镜图像高亮点的快速修复，满足实时性的要求，适用于内窥镜手术。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
本实施例用于提供一种基于轮廓像素统计的内窥镜高亮点修复方法，如图1、图3和图4所示，所述修复方法包括如下步骤：
步骤101：提取输入帧图像在B通道的分量，得到图像B；对所述图像B进行两次复制，得到图像B1和图像B2；
具体的，内窥镜高亮点分为两种亮点：绝对亮点和相对亮点。绝对亮点是因镜面反射或者过度曝光产生的亮点。相对亮点是跟周围点相比亮度比较高的点，其在人眼中表现为亮点。经观察图2可知，对于内窥镜图像而言，B通道颜色在漫反射和镜面反射之间具有较大区分度，所以选择B通道作为提取亮点的通道。
步骤102：根据预设阈值N1对所述图像B1进行二值化处理，得到亮点图像L1；根据预设阈值N2对所述图像B2进行二值化处理，得到亮点图像L2；
本实施例先通过两次取阈值的方法分别筛选出绝对亮点和相对亮点。所述亮点图像L1中的亮点为绝对亮点，所述绝对亮点为因镜面反射或过度曝光而产生的亮点；所述亮点图像L2中的亮点为相对亮点，所述相对亮点为与周围点相比亮度高的点。所述预设阈值N1减去所述预设阈值N2所得的差值为图像B可达到的最高灰度值的百分之三十。
步骤103：对所述亮点图像L2中所有的亮点进行轮廓检测，得到每一个亮点的亮点轮廓，删除轮廓长度大于预设长度a的亮点轮廓所对应的亮点，得到亮点图像L3；
其中，人为设定a的值，a的大小取决于多大的点可被认为是小亮点。
具体的，对亮点图像L2中所有的亮点进行轮廓检测，得到每一个亮点的亮点轮廓，进而获取亮点图像L2的轮廓集合。按照顺序读取轮廓集合中的第一个轮廓，判断这一轮廓的轮廓长度是否大于a，若是，则在亮点图像L2中删除与该轮廓对应的亮点，若否，则读取轮廓集合中的下一个轮廓，直至轮廓集合中的所有轮廓均已被读取。
步骤104：提取所述亮点图像L1和所述亮点图像L3中的所有亮点，得到亮点融合图；
具体的，所述提取所述亮点图像L1和所述亮点图像L3中的所有亮点，得到亮点融合图具体包括：
提取所述亮点图像L1和所述亮点图像L3中的所有亮点，得到亮点坐标图；
对所述亮点坐标图进行轮廓检测，得到每一个亮点的亮点轮廓；
创建一个与所述亮点坐标图相同的全黑图片；
根据每一个亮点的亮点轮廓在所述全黑图片中绘制亮点，并使每一个亮点均向外扩展两格像素，得到亮点融合图。
步骤105：对所述亮点融合图进行轮廓检测，得到每一个亮点的轮廓点集合以及轮廓长度；根据每一个亮点的轮廓点集合和轮廓长度，采用颜色统计算法得到每一个亮点对应的填充像素值；
具体的，对所述亮点融合图进行轮廓检测，得到每一个亮点的轮廓点集合以及轮廓长度，进而获取亮点融合图的轮廓集合，按顺序读取轮廓集合中的单个轮廓，一个轮廓则对应一个亮点，在确定亮点的填充像素值时，根据轮廓的长度采用不同的确定方法。具体而言，所述根据每一个亮点的轮廓点集合和轮廓长度，采用颜色统计算法得到每一个亮点对应的填充像素值具体包括：
对于每一个亮点，判断所述亮点的轮廓长度是否小于预设长度m，得到第一判断结果；根据所述亮点融合图的图片分辨率确定预设长度m。
当所述第一判断结果为是时，以所述亮点对应的轮廓点集合中第一个位置的像素值作为所述亮点对应的填充像素值；
当所述第一判断结果为否时，判断所述亮点的轮廓长度是否小于预设长度MaxLen，得到第二判断结果；
当所述第二判断结果为是时，将所述亮点对应的轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，再统计在B通道的数值等于b，G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)；
当所述第二判断结果为否时，以预设步长提取所述亮点对应的轮廓点集合中的部分轮廓点，得到部分轮廓点集合；所述预设步长等于所述轮廓长度与预设长度MaxLen的比值与1的和。将所述部分轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，再统计在B通道的数值等于b，G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)。
作为一种可选的实施方式，当所述第二判断结果为是时，将所述亮点对应的轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，将B通道中数值不等于b的轮廓点所对应的其他通道中的值置为0，再统计在G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)。
当所述第二判断结果为否时，以预设步长提取所述亮点对应的轮廓点集合中的部分轮廓点，得到部分轮廓点集合；所述预设步长等于所述轮廓长度与预设长度MaxLen的比值与1的和。将所述部分轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，将B通道中数值不等于b的轮廓点所对应的其他通道中的值置为0，再统计在G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)。
步骤106：根据所述填充像素值对与所述填充像素值对应的亮点进行填充，得到亮点修复图。
本实施例公开的一种基于轮廓像素统计的内窥镜高亮点修复方法，通过简洁的修复过程，对内窥镜图像的高亮点进行快速填充，在满足人眼舒适度的情况下，用极少的时间对亮点进行修复，达到对内窥镜图像高亮点的快速修复，从而满足实时性的要求，适用于内窥镜手术。如图5所示，其修复效果也十分优异。
实施例2：
本实施例用于提供一种基于轮廓像素统计的内窥镜高亮点修复系统，采用实施例1所述的修复方法进行工作，所述修复系统包括：
B通道分量图像获取模块，用于提取输入帧图像在B通道的分量，得到图像B；对所述图像B进行两次复制，得到图像B1和图像B2；
亮点图像获取模块，用于根据预设阈值N1对所述图像B1进行二值化处理，得到亮点图像L1；根据预设阈值N2对所述图像B2进行二值化处理，得到亮点图像L2；
亮点图像处理模块，用于对所述亮点图像L2中所有的亮点进行轮廓检测，得到每一个亮点的亮点轮廓，删除轮廓长度大于预设长度a的亮点轮廓所对应的亮点，得到亮点图像L3；
亮点融合图获取模块，用于提取所述亮点图像L1和所述亮点图像L3中的所有亮点，得到亮点融合图；
填充像素值确定模块，用于对所述亮点融合图进行轮廓检测，得到每一个亮点的轮廓点集合以及轮廓长度；根据每一个亮点的轮廓点集合和轮廓长度，采用颜色统计算法得到每一个亮点对应的填充像素值；
亮点修复图获取模块，用于根据所述填充像素值对与所述填充像素值对应的亮点进行填充，得到亮点修复图。
具体的，所述填充像素值确定模块具体包括：
第一判断子模块，用于对于每一个亮点，判断所述亮点的轮廓长度是否小于预设长度m，得到第一判断结果；
第一填充像素值确定子模块，用于当所述第一判断结果为是时，以所述亮点对应的轮廓点集合中第一个位置的像素值作为所述亮点对应的填充像素值；
第二判断子模块，用于当所述第一判断结果为否时，判断所述亮点的轮廓长度是否小于预设长度MaxLen，得到第二判断结果；
第二填充像素值确定子模块，用于当所述第二判断结果为是时，将所述亮点对应的轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，再统计在B通道的数值等于b，G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)；
第三填充像素值确定子模块，用于当所述第二判断结果为否时，以预设步长提取所述亮点对应的轮廓点集合中的部分轮廓点，得到部分轮廓点集合；将所述部分轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，再统计在B通道的数值等于b，G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)。
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。对于实施例公开的系统而言，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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于轮廓像素统计的内窥镜高亮点修复方法，其特征在于，所述修复方法包括如下步骤：
提取输入帧图像在B通道的分量，得到图像B；对所述图像B进行两次复制，得到图像B1和图像B2；
根据预设阈值N1对所述图像B1进行二值化处理，得到亮点图像L1；根据预设阈值N2对所述图像B2进行二值化处理，得到亮点图像L2；
对所述亮点图像L2中所有的亮点进行轮廓检测，得到每一个亮点的亮点轮廓，删除轮廓长度大于预设长度a的亮点轮廓所对应的亮点，得到亮点图像L3；
提取所述亮点图像L1和所述亮点图像L3中的所有亮点，得到亮点融合图；
对所述亮点融合图进行轮廓检测，得到每一个亮点的轮廓点集合以及轮廓长度；根据每一个亮点的轮廓点集合和轮廓长度，采用颜色统计算法得到每一个亮点对应的填充像素值；
根据所述填充像素值对与所述填充像素值对应的亮点进行填充，得到亮点修复图。
2.如权利要求1所述的一种基于轮廓像素统计的内窥镜高亮点修复方法，其特征在于，所述亮点图像L1中的亮点为绝对亮点，所述绝对亮点为因镜面反射或过度曝光而产生的亮点；所述亮点图像L2中的亮点为相对亮点，所述相对亮点为与周围点相比亮度高的点。
3.如权利要求1所述的一种基于轮廓像素统计的内窥镜高亮点修复方法，其特征在于，所述预设阈值N1与所述预设阈值N2的差值为所述图像B的最高灰度值的百分之三十。
4.如权利要求1所述的一种基于轮廓像素统计的内窥镜高亮点修复方法，其特征在于，所述提取所述亮点图像L1和所述亮点图像L3中的所有亮点，得到亮点融合图具体包括：
提取所述亮点图像L1和所述亮点图像L3中的所有亮点，得到亮点坐标图；
对所述亮点坐标图进行轮廓检测，得到每一个亮点的亮点轮廓；
创建一个与所述亮点坐标图相同的全黑图片；
根据每一个亮点的亮点轮廓在所述全黑图片中绘制亮点，并使每一个亮点均向外扩展两格像素，得到亮点融合图。
5.如权利要求1所述的一种基于轮廓像素统计的内窥镜高亮点修复方法，其特征在于，所述根据每一个亮点的轮廓点集合和轮廓长度，采用颜色统计算法得到每一个亮点对应的填充像素值具体包括：
对于每一个亮点，判断所述亮点的轮廓长度是否小于预设长度m，得到第一判断结果；
当所述第一判断结果为是时，以所述亮点对应的轮廓点集合中第一个位置的像素值作为所述亮点对应的填充像素值；
当所述第一判断结果为否时，判断所述亮点的轮廓长度是否小于预设长度MaxLen，得到第二判断结果；
当所述第二判断结果为是时，将所述亮点对应的轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，再统计在B通道的数值等于b，G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)；
当所述第二判断结果为否时，以预设步长提取所述亮点对应的轮廓点集合中的部分轮廓点，得到部分轮廓点集合；将所述部分轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，再统计在B通道的数值等于b，G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)。
6.如权利要求5所述的一种基于轮廓像素统计的内窥镜高亮点修复方法，其特征在于，根据所述亮点融合图的图片分辨率确定预设长度m。
7.如权利要求5所述的一种基于轮廓像素统计的内窥镜高亮点修复方法，其特征在于，所述预设步长等于所述轮廓长度与预设长度MaxLen的比值与1的和。
8.如权利要求5所述的一种基于轮廓像素统计的内窥镜高亮点修复方法，其特征在于，当所述第二判断结果为是时，将所述亮点对应的轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，将B通道中数值不等于b的轮廓点所对应的其他通道中的值置为0，再统计在G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)。
9.一种基于轮廓像素统计的内窥镜高亮点修复系统，采用如权利要求1-8任一项所述的修复方法进行工作，其特征在于，所述修复系统包括：
B通道分量图像获取模块，用于提取输入帧图像在B通道的分量，得到图像B；对所述图像B进行两次复制，得到图像B1和图像B2；
亮点图像获取模块，用于根据预设阈值N1对所述图像B1进行二值化处理，得到亮点图像L1；根据预设阈值N2对所述图像B2进行二值化处理，得到亮点图像L2；
亮点图像处理模块，用于对所述亮点图像L2中所有的亮点进行轮廓检测，得到每一个亮点的亮点轮廓，删除轮廓长度大于预设长度a的亮点轮廓所对应的亮点，得到亮点图像L3；
亮点融合图获取模块，用于提取所述亮点图像L1和所述亮点图像L3中的所有亮点，得到亮点融合图；
填充像素值确定模块，用于对所述亮点融合图进行轮廓检测，得到每一个亮点的轮廓点集合以及轮廓长度；根据每一个亮点的轮廓点集合和轮廓长度，采用颜色统计算法得到每一个亮点对应的填充像素值；
亮点修复图获取模块，用于根据所述填充像素值对与所述填充像素值对应的亮点进行填充，得到亮点修复图。
10.如权利要求9所述的一种基于轮廓像素统计的内窥镜高亮点修复系统，其特征在于，所述填充像素值确定模块具体包括：
第一判断子模块，用于对于每一个亮点，判断所述亮点的轮廓长度是否小于预设长度m，得到第一判断结果；
第一填充像素值确定子模块，用于当所述第一判断结果为是时，以所述亮点对应的轮廓点集合中第一个位置的像素值作为所述亮点对应的填充像素值；
第二判断子模块，用于当所述第一判断结果为否时，判断所述亮点的轮廓长度是否小于预设长度MaxLen，得到第二判断结果；
第二填充像素值确定子模块，用于当所述第二判断结果为是时，将所述亮点对应的轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，再统计在B通道的数值等于b，G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)；
第三填充像素值确定子模块，用于当所述第二判断结果为否时，以预设步长提取所述亮点对应的轮廓点集合中的部分轮廓点，得到部分轮廓点集合；将所述部分轮廓点集合中每一个轮廓点的像素值除以10，统计B通道中出现次数最多的数值b，并统计在B通道的数值等于b时，G通道中出现次数最多的数值g，再统计在B通道的数值等于b，G通道的数值等于g的情况下，R通道中出现次数最多的数值r，则所述亮点对应的填充像素值为(b*10，g*10，r*10)。
CN202011363955.5A 2020-11-27 2020-11-27 一种基于轮廓像素统计的内窥镜高亮点修复方法及系统 Active CN112348807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011363955.5A CN112348807B (zh) 2020-11-27 2020-11-27 一种基于轮廓像素统计的内窥镜高亮点修复方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011363955.5A CN112348807B (zh) 2020-11-27 2020-11-27 一种基于轮廓像素统计的内窥镜高亮点修复方法及系统

Publications (2)

Publication Number Publication Date
CN112348807A true CN112348807A (zh) 2021-02-09
CN112348807B CN112348807B (zh) 2022-11-18

Family

ID=74366129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011363955.5A Active CN112348807B (zh) 2020-11-27 2020-11-27 一种基于轮廓像素统计的内窥镜高亮点修复方法及系统

Country Status (1)

Country Link
CN (1) CN112348807B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724212A (zh) * 2021-08-16 2021-11-30 绍兴市北大信息技术科创中心 一种内窥镜图像息肉区域提取方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007086206A (ja) * 2005-09-20 2007-04-05 Sharp Corp 欠陥画素修復装置、欠陥画素修復システム及び欠陥画素修復方法
CN101299799A (zh) * 2008-06-13 2008-11-05 北京中星微电子有限公司 图像检测、修复方法和图像检测、修复装置
CN102411709A (zh) * 2011-12-02 2012-04-11 湖南大学 一种虹膜分割识别方法
CN202433311U (zh) * 2011-12-08 2012-09-12 长安大学 一种路面破损检测装置
CN104301637A (zh) * 2013-07-19 2015-01-21 浙江大华技术股份有限公司 一种图像修复的方法及装置
CN104486552A (zh) * 2014-12-29 2015-04-01 联想(北京)有限公司 一种获取图像的方法及电子设备
CN105976407A (zh) * 2016-05-20 2016-09-28 重庆大学 一种适用于遮挡条件下的餐盘形状识别方法
US20160371821A1 (en) * 2014-03-28 2016-12-22 Fujifilm Corporation Image processing device, imaging device, image processing method, and program
CN106353900A (zh) * 2016-08-30 2017-01-25 武汉精测电子技术股份有限公司 一种带有坐标获取功能的图像信号生成方法及装置
CN106768385A (zh) * 2016-12-13 2017-05-31 航天海鹰光电信息技术（天津）有限公司 一种探测器非均匀性退化修复方法
CN106791351A (zh) * 2015-11-24 2017-05-31 腾讯科技（深圳）有限公司 全景图像处理方法和装置
CN107256376A (zh) * 2017-03-22 2017-10-17 武汉布偶猫科技有限公司 一种基于序贯主分量分析的人脸高光区处理方法
CN108154485A (zh) * 2017-12-21 2018-06-12 北京工业大学 一种基于分层和笔画方向解析的古画修复方法
CN108198148A (zh) * 2017-12-07 2018-06-22 北京小米移动软件有限公司 图像处理的方法及装置
CN109409181A (zh) * 2018-07-04 2019-03-01 华南理工大学 一种用于低质量指静脉图像的手指上下边缘独立检测方法
CN109785248A (zh) * 2018-12-19 2019-05-21 新绎健康科技有限公司 一种用于对图像颜色进行校正的方法及系统
CN110596128A (zh) * 2018-05-25 2019-12-20 上海翌视信息技术有限公司 一种基于图像采集的片状玻璃边缘瑕疵检测系统
US20200143519A1 (en) * 2018-11-07 2020-05-07 Spectrum Optix Inc. Bright Spot Removal Using A Neural Network

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007086206A (ja) * 2005-09-20 2007-04-05 Sharp Corp 欠陥画素修復装置、欠陥画素修復システム及び欠陥画素修復方法
CN101299799A (zh) * 2008-06-13 2008-11-05 北京中星微电子有限公司 图像检测、修复方法和图像检测、修复装置
CN102411709A (zh) * 2011-12-02 2012-04-11 湖南大学 一种虹膜分割识别方法
CN202433311U (zh) * 2011-12-08 2012-09-12 长安大学 一种路面破损检测装置
CN104301637A (zh) * 2013-07-19 2015-01-21 浙江大华技术股份有限公司 一种图像修复的方法及装置
US20160371821A1 (en) * 2014-03-28 2016-12-22 Fujifilm Corporation Image processing device, imaging device, image processing method, and program
CN104486552A (zh) * 2014-12-29 2015-04-01 联想(北京)有限公司 一种获取图像的方法及电子设备
CN106791351A (zh) * 2015-11-24 2017-05-31 腾讯科技（深圳）有限公司 全景图像处理方法和装置
CN105976407A (zh) * 2016-05-20 2016-09-28 重庆大学 一种适用于遮挡条件下的餐盘形状识别方法
CN106353900A (zh) * 2016-08-30 2017-01-25 武汉精测电子技术股份有限公司 一种带有坐标获取功能的图像信号生成方法及装置
CN106768385A (zh) * 2016-12-13 2017-05-31 航天海鹰光电信息技术（天津）有限公司 一种探测器非均匀性退化修复方法
CN107256376A (zh) * 2017-03-22 2017-10-17 武汉布偶猫科技有限公司 一种基于序贯主分量分析的人脸高光区处理方法
CN108198148A (zh) * 2017-12-07 2018-06-22 北京小米移动软件有限公司 图像处理的方法及装置
CN108154485A (zh) * 2017-12-21 2018-06-12 北京工业大学 一种基于分层和笔画方向解析的古画修复方法
CN110596128A (zh) * 2018-05-25 2019-12-20 上海翌视信息技术有限公司 一种基于图像采集的片状玻璃边缘瑕疵检测系统
CN109409181A (zh) * 2018-07-04 2019-03-01 华南理工大学 一种用于低质量指静脉图像的手指上下边缘独立检测方法
US20200143519A1 (en) * 2018-11-07 2020-05-07 Spectrum Optix Inc. Bright Spot Removal Using A Neural Network
CN109785248A (zh) * 2018-12-19 2019-05-21 新绎健康科技有限公司 一种用于对图像颜色进行校正的方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
E. M. SGARBI ET AL: "Restoration of old document images using different color spaces restoration of old document images", 《VISAPP》 *
GANG XU ET AL: "Using Geodesic Active Contours for motion-blurred images contour detection", 《INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 *
P. BANNIGIDAD ET AL: "Restoration of degraded Kannada handwritten paper inscriptions (Hastaprati) using image enhancement techniques", 《ICCCI》 *
P. D. WAGH ET AL: "Text detection and removal from image using inpainting with smoothing", 《ICPC》 *
张婷曼: "基于小波阈值自适应修正的模糊图像修复算法", 《控制工程》 *
张学东等: "基于最小二乘法的印鉴缺损轮廓修补法", 《计算机工程与设计》 *
李志丹等: "结合梯度特征与色彩一致性的图像修复", 《光学精密工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724212A (zh) * 2021-08-16 2021-11-30 绍兴市北大信息技术科创中心 一种内窥镜图像息肉区域提取方法

Also Published As

Publication number Publication date
CN112348807B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
Yoshida et al. Perceptual evaluation of tone mapping operators with real-world scenes
CN102567727B (zh) 一种背景目标替换方法和装置
CN108074239B (zh) 一种基于先验感知质量特征图的无参考图像质量客观评价方法
CN114581432B (zh) 一种基于深度学习的舌象仪舌象分割方法
CN116503388A (zh) 缺陷检测方法、装置及存储介质
JP2013105245A (ja) 画像処理方法、装置及びプログラム
Fu et al. Multi-feature-based bilinear CNN for single image dehazing
CN115218798B (zh) 测量板材孔和/或槽尺寸的光学测量系统、方法及介质
CN112348807B (zh) 一种基于轮廓像素统计的内窥镜高亮点修复方法及系统
CN114298985B (zh) 缺陷检测方法、装置、设备及存储介质
CN115346126A (zh) 一种边坡裂纹识别方法
Yildirim et al. Simultaneously realization of image enhancement techniques on real-time FPGA
CN114529742A (zh) 图像相似度确定方法、装置、设备及计算机可读存储介质
CN111861943A (zh) 一种多尺度像素级深度优化的图像修复方法
Menon et al. A Hybrid Approach for Underwater Image Enhancement using CNN and GAN
Malinverni et al. Image enhancement comparison to improve underwater cultural heritage survey
CN106570928A (zh) 一种基于图像的重光照方法
CN117689550A (zh) 基于渐进式生成对抗网络的低光图像增强方法及装置
CN110827309A (zh) 一种基于超像素的偏光片外观缺陷分割方法
CN112837329B (zh) 一种藏文古籍文档图像二值化方法及系统
CN115797327A (zh) 一种缺陷检测方法、装置、终端设备及存储介质
de Torres et al. An efficient approach to automatic generation of time-lapse video sequences
CN116912149B (zh) 图像增强方法、装置及电子设备
CN111047595A (zh) 一种基于自适应阈值帧差法的实时海浪分割方法及装置
CN104809712A (zh) 一种基于粗糙集的图像快速修复方法

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