自适应光斑消除算法

1.本发明涉及计算机辅助医疗领域，具体涉及一种自适应光斑消除算法。


背景技术：

2.光斑消除算法主要分为传统技术方法与深度学习技术方法，基于深度学习的光斑消除算法需要较大的资源分配以及更长的处理时间，不适合大批量实时地进行光斑消除。基于传统方法的光斑去除算法主要在于光斑区域阈值的选取，在不同的环境下自动选取适合消除的光斑阈值是一个相对困难的问题。
3.传统方法的光斑消除方案主要分为两类，分别是全局光斑消除算法、局部光斑消除算法，其中全局光斑算法在消除大区域光斑方面有不错的效果，但是全局消除算法往往会将光斑附近的图像模糊化，造成图像信息的丢失；局部光斑消除算法在多区域光斑方面有不错的表现，但是由于影响区域过小，亮度过高的光斑往往不能消除彻底，本发明提出了一种结合了上述两种方法优点的光斑去除算法，实现了对区域光斑的精确消除，并且保留了更多的图像信息。


技术实现要素：

4.为了解决现有技术中存在的问题，本发明提供了一种自适应光斑消除算法，用以解决由照明设备引起的腹腔内壁镜面反射对腹腔镜影像的影响。
5.本发明解决技术问题所采用的技术方案如下：
6.一种自适应光斑消除算法，该算法包括如下步骤：
7.步骤一：图像增强；
8.以rgb图像为输入图像，通过增加像素对比度值对图像进行增强，使所述图像上的光斑区域与非光斑区域相比明暗对比度增大；
9.步骤二：颜色空间转换；
10.通过xyz色彩空间转换方法将步骤一中被增强的图像从rgb色彩空间转换为包含亮度特征的xyz色彩空间，进而确定光斑区域的大小，xyz色彩空间变换关系如下：
[0011][0012]
通过上述方法得到了一个基于xyz色彩空间的光斑增强图像，其中m矩阵为rgb色彩空间对应的转换矩阵，不同的rgb类型对应不同的m矩阵；
[0013]
步骤三：光斑区域分割；
[0014]
设xyz色彩空间的光斑增强图像的亮度值y为xyz色彩空间中的自适应阈值；当xyz色彩空间的光斑增强图像的亮度值大于阈值y时，认为该区域为光斑区域；当xyz色彩空间的光斑增强图像的亮度值小于阈值y时，认为该区域为非光斑区域，即正常光亮区域；
[0015]
步骤四：光斑区域消除；
[0016]
对步骤三所述的光斑区域的mask区域进行膨胀，获取光斑周围的纹理信息，形成新的mask区域；通过图像梯度变换的多尺度融合方法实现了对新的 mask光斑区域的消除。
[0017]
优选的，步骤a，对步骤一所述的原始图像通过卷积核的卷积求取梯度场，然后对步骤四所述的新的mask光斑区域进行梯度场的融合滤波处理，其中滤波处理结果为1的zeromask区域被标记为1，得以保留作为mask区域滤波后的梯度场；
[0018]
步骤b，实现原始图像梯度场和zeromask区域梯度场的融合；
[0019]
g＝srcgradient+maskgradient
[0020]
其中g是通过融合两个梯度场获得的梯度场，srcgradient是原始图像的梯度场，maskgradient是滤波后的zeromask区域的梯度场；
[0021]
步骤c，通过融合两个梯度场获得的融合场的散度反向对梯度场进行泊松重建的过程，使原始图像被消除了光斑区域的影响。
[0022]
优选的，步骤a中使用了roberts卷积核进行卷积，
[0023]
本发明的有益效果是：
[0024]
与其他去斑算法相比，本发明的算法相较于全局光斑去除算法在多区域小光斑场景下表现出色，保留了更多的纹理信息而全局光斑去除算法在去除光斑的同时模糊了大量的细节；相较于局部光斑去除算法，本算法在大区域高亮光斑场景下有更好的去除效果，图像中的光斑被去除的更加彻底。对于不同场景的光斑具有普适性，可以自适应的获取光斑分割阈值，从而获取精确地光斑区域，针对相应光斑区域与原图像进行梯度场的融合与泊松重建，相较于传统方法更具有针对性，光斑消除效果获得较大提升。综上所述，本发明的算法在全局与局部光斑区域去除效果上相比其他算法都有较大的提升。
附图说明
[0025]
图1本发明自适应光斑消除算法流程图。
具体实施方式
[0026]
下面结合附图和实施例对本发明做进一步详细说明。
[0027]
如图1所示，自适应光斑消除算法，该方法包括：
[0028]
步骤一：图像增强；
[0029]
以rgb图像为输入图像，通过计算机像素计算增加像素对比度值对图像进行增强，使所述图像上的光斑区域与非光斑区域相比更加明显。本发明将原始输入图像分为镜面反射与漫反射两部分，光斑区域主要来自组织光滑区域对光源的镜面反射，图像正常区域，即无光斑区域则来自于对照明设备光源的漫反射。图像增强部分通过计算rgb像素对比度最大值与最小值的比值，提高了明暗图像的对比度。使用上述非线性过滤方法，获取明暗对比度更强的图像，图像被增强形成对比更明显的反射和非反射区域。
[0030]
步骤二：颜色空间转换；
[0031]
传统的rgb色彩空间不适合计算机像素级计算，而xyz色彩空间中的y 值表示像素点的亮度，通过xyz色彩空间转换方法将被增强的图像从rgb色彩空间转换为包含亮度的xyz色彩空间，进而确定光斑区域的大小，xyz色彩空间变换关系如下：
[0032][0033]
其中m矩阵为rgb色彩空间对应的转换矩阵，不同的rgb类型对应不同的m矩阵。通过上述方法得到了一个基于xyz色彩空间的光斑增强图像。
[0034]
步骤三：光斑区域分割；
[0035]
光斑的分割是由自适应阈值完成，所述自适应阈值由xyz色彩空间中的亮度值y确定，进而获得更快的处理速度。当该区域的亮度值大于阈值y时，认为该区域为光斑区域；当该区域的亮度值小于阈值y时，认为该区域为非光斑区域，即正常光亮区域；由于步骤一图像增强过程增加了光斑区与正常光亮区域的对比度，所以光斑区域分割会更加的准确，上述内容实现了光斑区域与正常区域的精确分割。
[0036]
步骤四：光斑区域消除；
[0037]
光斑区域消除主要是在步骤三光斑区域分割的基础上进行的，首先需要对光斑区域的mask区域进行膨胀，以获取光斑周围的纹理信息，从而成为新的mask区域。对于新的mask光斑区域的消除，本发明采用了基于图像梯度变换的多尺度融合方法，达到了较好的处理效果。
[0038]
首先对步骤一所述的原始图像通过卷积核的卷积求取梯度场，这里使用了roberts卷积核进行卷积，原始图像梯度场求取后，需要对新的mask光斑区域进行梯度场的融合滤波处理，主要包括分别对新的mask光斑区域x和y 方向的求取偏导以获取新的mask光斑区域的散度，对新的mask光斑区域进行滤波处理并标记zeromask区域，其中滤波处理结果为1的区域被标记为1，得以保留作为mask区域滤波后的梯度场。
[0039]
其次实现原始图像梯度场和zeromask区域梯度场的融合；
[0040]
g＝srcgradient+maskgradient
[0041]
其中g是通过融合两个梯度场获得的梯度场，srcgradient是原始图像的梯度场，maskgradient是滤波后的zeromask区域的梯度场。为了对图像进行泊松重建，需要获得融合梯度场的散度。
[0042]
最后就是通过融合两个梯度场获得的融合场的散度反向对梯度场进行泊松重建的过程。通过上述融合与重建过程，原始图像被消除了光斑区域的影响，在腹腔镜环境下进行实验，得到了不错的效果。