一种二维图像灰度修正方法与流程

本公开关于图像检测技术的领域，更具体地，关于一种二维图形灰度修正方法。

背景技术：

在图像检测领域中经常需要通过光学成像或者显微成像的方法来对包括肉眼难以分辨的细微特征的检测物进行计算机辅助分析。因为图像检测经常在溶液，半透明或透明衬底，凝胶，化学混合物或专业的标定参照物上进行，使得背景中容易出现各种干扰物影响检测物的检测。而检测物本来的数量可能较少，在整幅图像中经常仅有少数几个像素点能够体现出检测物存在。为了将这些少量的检测物从图像中分辨出来，可能需要人工处理来进行筛选。

此外，因为干扰物造成的光学透明度不同、光源的特征、样品的反射和散射等，所拍摄的光学图像还会出现亮度、对比度等的不均匀，而使得同类的检测物在图像上具有明显不同的成像特征。对于这种情况，需要先对光学图像进行修正，最好使得检测物能够以相似的亮度和对比度分布在将干扰物进行过滤处理后的均匀背景中，从而能够利用计算机自动筛选出检测物。当前虽然有多种图像平滑和对比度增强算法可以利用，但仍缺少一种针对该情况的有效处理方法。

技术实现要素：

本公开的目的之一是解决现有技术中的上述问题，并提供一种二维图像灰度修正方法，其包括将二维图形分为多个包括相同数目像素点数目的方形子区域；在每个子区域中计算灰度平均值和标准差；将其中灰度值与平均值之间的差的绝对值大于标准差的两倍的像素点数目超过预定阈值的子区域选定为修正子区域；在所有非修正子区域的子区域中根据各个像素点的灰度拟合高斯分布曲线；以及在每个修正子区域中根据所拟合的高斯分布曲线进行修正，修正对于每个像素点的灰度按照执行，其中g为修正后的灰度，g为修正前的灰度，g0为根据所拟合的高斯分布曲线所确定的灰度，exp表示以自然常数e为底的指数函数，以及c1和c2分别为预先确定的不为零的常数。

该方法有助于将二维图像中包含背景以及包含检测物的区域做出分离，利用二维图像中包含背景的区域建立适合二维图像的高斯分布拟合背景函数，通过将该高斯分布拟合背景函数应用于包含检测物的区域进行像素灰度修正，可以使得检测物与背景之间具有更明显的对比，提高计算机从图像中自动检测检测物的准确性。

在一些实施例中，预定阈值为每个子区域中像素点数目的5％。

在一些实施例中，所拟合的高斯分布曲线为

其中c3、c4、σ1、σ2、μ1、μ2、ρ为需要拟合确定的参数，而x和y分别为以二维图像的中心为中点的坐标系中的横轴和纵轴的坐标。

在一些实施例中，需要拟合确定的参数使得对于非修正子区域中多个采样像素点的灰度与拟合的高斯分布曲线中该多个采样像素点灰度的偏差小于预定的偏差阈值。

在一些实施例中，需要拟合确定的参数使得作为所有非修正子区域中像素点灰度与拟合的高斯分布曲线中像素点灰度的标准差的目标函数最小。

在一些实施例中，对于每个修正子区域计算其周围8个最近邻子区域中所有非修正子区域的灰度平均值的平均，并且对该修正子区域中每个像素点的灰度减去灰度平均值的平均。

在一些实施例中，二维图像在光轴垂直于成像平面的光源照射下进行成像。

在一些实施例中，方形子区域为至少包括64个像素点的正方形。

本公开实施例的方法有助于减轻图像检测时杂乱的背景对检测物造成的干扰，使得检测物能够以更高的对比度出现在图像上，便于计算机以更高的准确度自动检测检测物。

附图说明

本公开提供了附图以便于进一步理解所公开的内容，附图构成本申请的一部分，但仅仅是用于图示出体现本发明概念的一些非限制性示例，而不是用于做出任何限制。

图1是根据本公开一些实施例的修正子区域和非修正子区域划分情况的示意图。

图2是根据本公开一些实施例的图像灰度修正方法的示意图。

具体实施方式

本领域技术人员将理解尽管术语第一、第二等可在本文中用于描述各种元素，但这些元素不应由这些术语限制。这些术语仅用于将各种元素彼此区分开。例如，第一元素可以称作第二元素，并且相似地，第二元素可以称作第一元素，而不偏离本发明的范围。如本文使用的，术语“和/或”包括关联的列出项目中的一个或多个中的任一个或全部组合。本文使用的术语仅是为了描述特定实施例目的并且不意在限制本发明。如本文使用的，单数形式“一”和“该”意在也包括复数形式，除非上下文另外明确指示其他意思。本领域技术人员将进一步理解术语“包括”和/或“包含”当在本文使用时，规定了陈述的特征、整体、步骤、操作、元素和/或部件的存在，但不排除一个或多个其它特征、整体、步骤、操作、元素、部件和/或其的组合的存在或增加。

图1是对二维图像进行分割的示意图。如图可见，二维图像可以分割为四个包含相同数目像素的方形子区域101、102、103和104。子区域的形状可以是正方形或者长方形，这可以根据显示器或者图片的尺寸进行选择。但这仅是示例，显然图像分割不限于分割为四个子区域，而是可以按照修正精度和图像大小分为任意多个子区域。在所分割的四个子区域101、102、103和104中例如仅有部分子区域102和103中可能包含待检测的检测物110，而其他子区域101和104中只存在背景和杂质。检测物110可能是在光学显微镜或其他仪器下难以用肉眼进行表征的尺寸，在所成的二维图像中可能仅占据十几个甚至几个像素点的大小。因此，在检测物的数量越少的情况下，将越容易产生检测误差。如果检测物110所对应的像素数目过少，如仅有数个像素，则可以将整幅图像适当按比例放大以避免与不同类型的图像噪点相混淆。反正如果检测物110尺寸过大而显示了较多其内部细节特征，则也可能造成检测误差，应将整幅图像适当按比例减小。

图2示出了根据本公开一些实施例的图像灰度修正方法的流程图。该方法首先将检测物所在的用于成像的平面定义为成像平面，接着在光轴垂直于成像屏幕的光源照射下对该成像平面进行成像，最后通过对该成像的分析来分辨检测物。成像平面例如可以是试纸，半透明均匀衬底，培养皿中的溶液，或者标定的坐标系等。

在步骤s201中，将二维图形分为多个包括相同数目像素点数目的方形子区域，在每个子区域中对每个像素点的灰度值计算平均值和标准差。该灰度值可以是灰度图像或从彩色图像所转换的灰度图像中的灰度值，也可以是彩色图像中每个像素的rgb通道各自的灰度值。在一个例子中，每个子区域可以是包括64，256或1024个像素的正方形或者长方形区域。因为检测物的密度较低，该平均值和标准差在每个子区域之间的差别将较小。

在步骤s202中，对于每个子区域进行像素灰度值与该子区域平均值的对比。如果一个子区域中灰度值与平均值之间的差的绝对值大于标准差的两倍的像素点数目超过预定阈值，则将该子区域选定为修正子区域。该预定阈值可以为每个子区域中总像素点数目的5％，10％，15％等，根据检测物分布的估算密度进行确定。例如，在每个子区域包括64个像素时，如果超过4个像素的灰度值与平均值之间的差大于标准差的两倍则认为其为修正子区域。

在步骤s203中，针对所有修正子区域以外的子区域，即非修正子区域进行高斯分布拟合。高斯分布拟合例如为：

而其中c3、c4、σ1、σ2、μ1、μ2、ρ为需要通过拟合确定的参数，x和y分别为以所述二维图像的中心为中点的坐标系中的横轴和纵轴的坐标。所拟合的参数可以通过多种不同的收敛条件而最终确定。例如，可以定义标准差阈值，在一定次数的拟合之后，对图像的非修正子区域中的随机的多个像素点进行采样。如果此时所确定的拟合参数使得对应于多个采样像素点的灰度与拟合的高斯分布曲线中相应采样像素点灰度的偏差均小于预定的偏差阈值，例如灰度值的差别均不超过10％，则可以结束拟合并使用当前的拟合参数。又例如可以进行固定数目次数的拟合，并在每次拟合之后计算实际像素点灰度值与拟合后像素点灰度值的标准差的目标函数。在拟合完成后，选择使得所有非修正子区域中像素点灰度与拟合的高斯分布曲线中像素点灰度的标准差的目标函数最小的一组拟合参数。

在步骤s204中，利用非修正子区域的拟合结果对修正子区域进行修正。修正可以根据执行，其中g为修正后的灰度，g为修正前的灰度，g0为根据所拟合的高斯分布曲线所确定的灰度，exp表示以自然常数e为底的指数函数，以及c1和c2分别为预先确定的不为零的常数。c1和c2的取值选择根据检测物的种类和密度进行。修正后的灰度使得修正区域中背景部分的灰度与非修正区域中的背景部分基本一致，而检测物的灰度得以修正。这可以使得检测物的对比度和检测的准确率得到提高，还可以有效避免杂质对于检测物检测的干扰。该修正包括将灰度指数修正部分和灰度线性修正部分，既可以使得背景分布均匀，明暗更为一致，也可以使检测物与背景具有更强的对比。在修正完成之后，可以利用人工或机器自动识别，得到整幅图像中检测物的分布情况。

在一些实施例中，可以对于每个修正子区域计算其周围8个最近邻子区域中所有非修正子区域的灰度平均值的平均，并且对该修正子区域中每个像素点的灰度减去该平均值。这可以进一步将背景变暗，从而使得检测物相对于背景更容易分辨。该8个最近邻子区域为包围方形子区域的8个子区域，若该8个子区域中不存在非修正子区域，则可以再查找次最近邻的子区域以得到背景值。

本领域技术人员在查看所示附图和描述时将明白依据于本发明概念和原则的实施例的其它各种虚拟现实视频投影装置和/或方法。所有此类另装置和/或方法都包括在本发明的公开范围内，并且在本发明概念和原则的范围内。