本發(fā)明涉及醫(yī)學圖像處理
技術(shù)領(lǐng)域：
，特別是涉及一種適應于醫(yī)學影像的單曝光高動態(tài)范圍圖像生成方法。
背景技術(shù)：
：醫(yī)學影像是指為了醫(yī)療或醫(yī)學研究，對人體或人體某部分，以非侵入方式取得內(nèi)部組織影像的技術(shù)與處理過程。它包含以下兩個相對獨立的研究方向:醫(yī)學成像系統(tǒng)和醫(yī)學圖像處理。前者是指圖像形成的過程，包括對成像機理、成像設(shè)備、成像系統(tǒng)分析等問題的研究；后者是指對已經(jīng)獲得的圖像作進一步的處理，其目的是或者是使原來不夠清晰的圖像復原，或者是為了突出圖像中的某些特征信息，或者是對圖像做模式分類等等。動態(tài)范圍指的是一個物理測量的最大值與最小值之比，由于傳統(tǒng)的圖片是在一定的曝光下拍攝出來的，因此對比度是有限制的，通過對曝光等級的設(shè)置，就會導致在過亮或者過暗區(qū)域場景細節(jié)的丟失，而這就達不到人眼所能觀察到的場景，因此一些細節(jié)就會被丟失，所獲取的信息就會減少。為了實現(xiàn)捕獲的場景更加貼近人眼觀察到的場景，并且提高捕獲的信息以及細節(jié)，這就需要提高動態(tài)范圍，即高動態(tài)范圍(HighDynamicRange，HDR)。高動態(tài)范圍圖像是將圖像變得更清晰、對比度更強、所包含的信息更多的圖像。高動態(tài)范圍圖片能夠更加準確的記錄真實場景的絕大部分色彩和光照信息，并能表現(xiàn)出豐富的色彩細節(jié)和明暗層次，而且能夠提供更高的對比度、更豐富的信息和更真實的視覺感受，能更好地匹配人眼對現(xiàn)實世界場景的認知特性。正因為如此，HDR技術(shù)可以被應用于對圖像質(zhì)量要求較高的領(lǐng)域，如醫(yī)學影像、視頻監(jiān)控、衛(wèi)星遙感和計算機視覺等領(lǐng)域中。目前，高動態(tài)范圍圖像生成方法的研究已經(jīng)有很多，例如：Mann和Picard首先使用多幅曝光時間不同的圖像來生成HDR圖像，Goshtasby等人提出了基于最優(yōu)塊的圖像融合算法，但是容易產(chǎn)生塊效應，Mertens等人提出了基于拉普拉斯金字塔的圖像融合算法，Li等人提出了基于離散小波的圖像融合算法。但是以上的方法都是利用多幅不同曝光的圖片，圖片的獲取上來說更復雜一些。對于醫(yī)學影像來說，使用單幅圖片來說，獲取更簡單一些，而且能夠更實時的合成HDR圖片。技術(shù)實現(xiàn)要素：基于上述現(xiàn)有技術(shù)，本發(fā)明提出了一種適應于醫(yī)學影像的單曝光高動態(tài)范圍圖像生成方法，基于拉普拉斯金字塔的圖像融合算法，求出合成的HDR圖像。本發(fā)明的一種適應于醫(yī)學影像的單曝光高動態(tài)范圍圖像生成方法，該方法包括以下步驟：第一步：基于逆色調(diào)映射生成不同曝光的圖像，將逆色調(diào)映射函數(shù)建模，公式如下：其中，Lk(i,j)表示第k幅偽曝光HDR圖像在像素(i,j)點處的亮度，Pk表示相鄰偽曝光之間的亮度差異控制參數(shù)，Ld(i,j)表示在像素(i,j)點處的輸入的LDR圖像的歸一化的亮度，Lsmax的取值為382.5，Lmax,k表示第k幅偽曝光HDR圖像中最大亮度，Lad,k表示第k幅偽曝光HDR圖像的平均亮度控制參數(shù)，公式如下：Lad,k＝1+exp(μEVk)(2)其中，EVk代表著第k幅偽曝光HDR圖像的曝光值，μ被設(shè)置為0.85，根據(jù)所給定的不同的(EVk，Pk)，就會產(chǎn)生不同的偽曝光HDR圖像，包括最暗圖像、暗圖像、正常圖像、亮圖像、最亮圖像；第二步、根據(jù)第一步產(chǎn)生的偽曝光HDR圖像的對比度測量因子C、飽和度測量因子S、曝光度測量因子E，基于金字塔分解的多曝光圖像融合算法得到圖像的權(quán)重圖，公式如下：其中，ij,k表示多曝光圖像序列中第k個圖像(i,j)處的像素點；ωC、ωS、ωE分別表示對比度測量因子C、飽和度測量因子S、曝光度測量因子E對標量權(quán)重圖W的影響程度的控制參數(shù)，該算法中取ωC＝ωS＝ωE＝1；將公式(3)進行歸一化，得到N幅多曝光圖像序列中第k幅圖像(i,j)處的像素點的權(quán)重為：第三步、將N幅多曝光圖像序列分別進行拉普拉斯金字塔分解，將N幅權(quán)重圖分別進行高斯金字塔分解，得到不同分辨率的圖像和權(quán)重圖，并記圖像A的第l層拉普拉斯金字塔分解為L{A}l，記圖像B的第l層高斯金字塔分解為G{B}l，得到融合公式如下：上式中N表示輸入的圖像總數(shù)，即生成的偽曝光圖像數(shù)，I表示輸入的偽曝光HDR圖像，即第一步生成的Lk，i,j表示像素點(i,j)處，l表示進行拉普拉斯金字塔分解或者高斯金字塔分解時的層，表示歸一化的權(quán)重圖。最后，將金字塔L{R}l進行拉普拉斯逆變換得到融合后的圖像R，至此，求出了對于輸入圖像的合成的HDR圖像。所述第二步中，對每幅圖像對應的灰度圖進行拉普拉斯濾波，將得到的結(jié)果的絕對值作為對比度測量因子C；將每幅圖像R、G、B通道的標準差作為飽和度測量因子S；使用高斯曲線：來衡量R、G、B通道各個像素值i的大小距離0.5的遠近程度，然后將三個通道的結(jié)果相乘得到曝光度測量因子，其中，σ＝0.2。與現(xiàn)有技術(shù)相比，本發(fā)明該算法不僅使得合成的HDR圖像與原圖像相比對比度提高，色彩更鮮明，一些細節(jié)更強化，而且由于該算法采用的是單幅曝光使得獲取曝光更簡易，而且該算法采用的是融合算法；，計算量小，能實時的實現(xiàn)高動態(tài)范圍圖像生成。附圖說明圖1是HDR圖像合成圖；圖2是實施例一圖示；圖3是實施例二圖示。具體實施方式下面結(jié)合附圖對本發(fā)明作進一步詳細描述：本發(fā)明是通過以下技術(shù)方案加以實現(xiàn)的：第一步：基于逆色調(diào)映射生成不同曝光的圖像由于S曲線能夠重建更高質(zhì)量的HDR圖像，能夠提供更好的對比度，為此將逆色調(diào)映射函數(shù)可以建模如下，目的就是將一個正常曝光的圖像轉(zhuǎn)化為有著不同亮度的偽曝光圖像，從而可以獲取更多的信息：其中，Lk代表著第k個偽曝光HDR圖像的亮度，而Pk控制著相鄰偽曝光之間的亮度差異，Ld(i,j)代表著在像素(i,j)點處的輸入LDR圖像的歸一化亮度，Lsmax的值被設(shè)置為382.5，Lad,k控制著第k幅偽曝光圖像的平均亮度，而其是通過以下方程進行調(diào)整：Lad,k＝1+exp(μEVk)(2)其中，EVk代表著第k幅圖像的曝光值，μ被設(shè)置為0.85。因此該逆色調(diào)映射函數(shù)受EVk、Pk控制，對于給定不同的(EVk，EVk)，就會產(chǎn)生不同的偽曝光圖像。第二步：權(quán)重圖計算在第一步生成多幅不同曝光的圖像，在此基礎(chǔ)上利用金字塔融合的方法，最終生成HDR圖像。所謂的基于金字塔分解的多曝光圖像融合算法是以多分辨率的方式來豐富圖像的亮度變化。該算法根據(jù)圖像的對比度、飽和度以及曝光度，利用多曝光圖像序列直接生成高質(zhì)量圖像。對于同一場景，由于生成的圖像有的曝光過度或者曝光不足，因此會形成平滑區(qū)域和不飽和區(qū)域，這些區(qū)域包含的信息較少，應給予較小的權(quán)重，而感興趣的區(qū)域應給予較大的權(quán)重。因此，首先根據(jù)圖像的對比度、飽和度以及曝光度，計算圖像的權(quán)重圖。對比度：對每幅圖像對應的灰度圖進行拉普拉斯濾波，將得到的結(jié)果的絕對值作為對比度測量因子C。飽和度：將每幅圖像R、G、B通道的標準差作為飽和度測量因子S。曝光度：使用高斯曲線：(其中，σ＝0.2)來衡量R、G、B通道各個像素值i的大小距離0.5的遠近程度(靠近0表示曝光不足，靠近1表示曝光過度)，然后將三個通道的結(jié)果相乘得到曝光度測量因子E。最終，得到圖像的標量權(quán)重圖W：其中，ij,k表示多曝光圖像序列中第k個圖像(i,j)處的像素點。ωC、ωS、ωE分別用于控制的對比度測量因子C、飽和度測量因子S、曝光度測量因子E對標量權(quán)重圖W的影響程度，該算法中取ωC＝ωS＝ωE＝1。將公式(3)進行歸一化，得到N個多曝光圖像序列中第k個圖像(i,j)處的像素點的權(quán)重為：第三步：圖像融合傳統(tǒng)的融合公式如下所示：但是該方法合成效果不好，因此該算法使用金字塔來分解圖像，以多分辨率的方式來融合圖像。首先，將N幅多曝光圖像序列分別進行拉普拉斯金字塔分解，將N幅權(quán)重圖分別進行高斯金字塔分解，得到不同分辨率的圖像和權(quán)重圖，并記圖像A的第l層拉普拉斯金字塔分解為L{A}l，記圖像B的第l層高斯金字塔分解為G{B}l。然后，類似公式(5)，得到融合公式如下：最后，將金字塔L{R}l進行拉普拉斯逆變換得到融合后的圖像R。至此，求出了對于輸入圖片的合成的HDR圖像。最佳實施方式1)采用生成5幅偽曝光的圖像，即：k＝0～4，Lsmax＝382.5，EVk＝(-1,-0.5,0,0.5,1)，Pk＝(1.6,1.3,1,0.85,0.75)，N＝5，σ＝0.2，ωC＝ωS＝ωE＝1。2)然后按照公式(1)到(6)，可以求出來當圖像是單曝光的圖像時，所生成的高動態(tài)范圍圖像。3)合成結(jié)果：表1、輸入輸出圖像指標附圖圖2(a)圖2(b)圖3(a)圖3(b)信息熵7.45017.34377.52137.8417圖2(a)和圖3(a)是輸入的圖像、醫(yī)學上的圖像，而圖2(b)和圖3(b)分別是通過該方法合成的高動態(tài)范圍的圖像，通過主觀上觀察，可以發(fā)現(xiàn)合成的高動態(tài)范圍的圖像與輸入的圖像相比，對比度有所提高，而且細節(jié)更清晰，色彩更明亮，更符合我們所觀察到的場景，圖3(a)和圖3(b)更說明，該方法不僅適用于通用的圖像中，而且適用于醫(yī)學圖像，可以發(fā)現(xiàn)細節(jié)更清晰，對比度更強，更有助于我們提取信息。從客觀上來說，通過表1，可以發(fā)現(xiàn)合成的高動態(tài)范圍的圖像信息熵更高，這說明高動態(tài)范圍圖像包含的信息更高。對于一個要求精準的醫(yī)學領(lǐng)域，高動態(tài)范圍圖像是該領(lǐng)域所需要的。當前第1頁1 2 3