[发明专利]一种应用于显微成像的图像高光去除方法

说明书

本发明公开了一种应用于显微成像的图像高光去除方法，包括：构建高光去除模型，高光去除模型包括生成器、判别器、及UNet网络，生成器通过随机噪声来产生近似无高光的图像，判别器对生成器产生的图像进行判别，并给出判别的可信度，UNet网络用于图像高光部分的去除；训练高光去除模型，对场景采集有高光图像序列A，对场景采集无高光的图像序列B，以序列A为输入，序列B为输出，对高光去除模型进行训练；高光去除，将存在高光的任一图像送入高光去除模型，获取任一图像的无高光图像。通过训练人工神经网络，从而实现了图像高光自动化去除。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种应用于显微成像的图像高光去除方法。

背景技术

在显微成像中，由于照明方向单一和场景几何复杂，最终的成像结果中常包含密集的点状高光，这些高光常会改变物体表面的颜色、破坏物体的轮廓、遮挡物体表面的纹理，饱和的高光更是直接导致了局部区域信息的丢失，给传统的计算机视觉、模式识别等方法带来较大的挑战，同时也在医疗显微图像场景中造成较大影响，因此利用方法有效的去除图像中密集点状高光是必不可少的。

为解决这一个问题，传统方法有一种是通过对单张图片像素的颜色空间关系进行分析进而分离出高光反射分量和漫反射分量，但由于单幅图像信息过少，因此对无法处理饱和高光或是区分高光与白色。为解决这一问题，业内提出了几种基于多图像的分析方法，但是图像苛刻的匹配条件对设备和方法都提出了很高的要求。

随着深度学习技术的发展，神经网络在图像处理中的运用越来越广泛。随着生成对抗网络的提出，利用GAN模型来进行风格迁移以达到去除高光的方法也变得可行。但是由于GAN模型通过随机变量生成图像以及网络存在平滑模糊的特点，且在Image to Image的转化中依旧需要图像的一一匹配，因此传统的GAN模型生成的图像质量并不是很好，难以适应显微成像高分辨率的需求，因此在这样的场景下，直接使用传统的GAN模型并不可行。而作为GAN模型的改进，cycle-GAN通过构建镜像对称的两个GAN网络形成环形网络，无需匹配图像对，能够更好的使用于这一工作场景。因此，如何通过调整cycle-GAN来使其完成高分辨率、高准确率的高光去除是显微图像去高光领域的一个重要的技术方向。

发明内容

鉴于此，本发明提出一种应用于显微成像的图像高光去除方法，引入人工神经网络，以缓解现有技术的不足。

根据一些实施例，本发明提供了一种应用于显微成像的图像高光去除方法，包括：构建高光去除模型，高光去除模型包括生成器、判别器、及UNet网络，生成器通过随机噪声来产生近似无高光的图像，判别器对生成器产生的图像进行判别，并给出判别的可信度，UNet网络用于图像高光部分的去除；训练高光去除模型，对场景采集有高光图像序列A，对场景采集无高光的图像序列B，以序列A为输入，序列B为输出，对高光去除模型进行训练；高光去除，将存在高光的任一图像送入高光去除模型，获取任一图像的无高光图像。

本发明的有益效果如下：

本发明提供的技术方案可以包括以下有益效果：提出了一种应用于显微成像的图像高光去除方法，利用人工神经网络实现了图像高光自动化去除。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一种实施方式，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为本发明实施例一种应用于显微成像的图像高光去除方法流程示意图。

具体实施方式