基于UCM算法中直方图拉伸的水下图像增强研究

针对水下图像色彩失真,对比度低以及图像模糊不清等一系列问题,提出了一种基于色彩模型的水下图像增强算法,改进了现有的UCM算法的直方图线性拉伸,使用限制对比度自适应的方法对直方图进行非线性均衡化,使处理后的图片对比度增强效果更好,图像质量更高,更符合人类的视觉感知。通过搭建的水下海参场景和模拟海底图像偏蓝绿色的实验环境,拍摄了4组海参在不同姿态、工况下的水下图片并对其进行定性、定量分析,得出改进后的UCM算法在UIConM、UIQM、NIQE指标下的数值分别平均为0.63、4.30、3.30,相比较其他3种算法,该算法处理后的图像质量评估指标均为最优,由此证明了研究的算法相对于其他的传统算法显示出更好的可行性和优越性,并且能够适应不同的水下工况,拥有良好的鲁棒性。

基于色彩模型的水下海参图像增强方法研究

由于光在水介质中会发生折射和散射现象,会导致水下图像存在对比度低、图像模糊、光照不均匀等一系列问题。另外,由于不同波长的光线在水中的传播具有不同的衰减率,所以通常的海底图像背景大多以蓝色绿色为主。针对以上问题,提出了一种水下海参图像增强的方法,该算法基于RGB色彩模型的对比度校正和HSI色彩模型的对比度校正,在原模型的基础上研究并修改了颜色通道的倍增系数,得到了更好的增强效果。通过图像的评价指标:均方差(MSE),峰值信噪比(PSNR)和信息熵(entropy)来对使用了不同增强算法处理后的图像进行对比,认为该算法在提高图像质量和保持细节方面有更好的效果,并且在处理水下图像这一方面具有一定的实用性。

探讨70 kV联合深度学习重建算法对大体重患者CCTA图像质量的影响

目的:探讨70 kV联合深度学习重建算法(DLIR)对大体重患者冠状动脉CT血管成像(CCTA)图像质量的影响。方法:纳入2021年9月—2022年1月在我院采用Revolution Apex CT行低管电压(70 kV)行CCTA检查的患者96例,根据患者体重指数(BMI)平均分为2组,即标准体重组与大体重组。标准体重组图像采用基于多模型的自适应统计迭代重建-Veo (ASiR-V40%),大体重组图像分别进行ASiR-V40%及低、中、高三档深度学习图像重建(DLIR-L、DLIR-M、DLIR-H),对两组图像的冠状动脉主要节段进行主观评分,记录两组图像主动脉根部、各冠状动脉近段[包括右冠状动脉(RCA)、左主干(LMA)、左前降支(LAD)、左回旋支(LCX)]及竖脊肌的CT值及SD值以及有效辐射剂量,分析比较两组组内及组间不同重建算法的差异。结果:低管电压(70 kV) CCTA检查条件下,大体重组中DLIR重建图像噪声均低于常规临床检查的ASiR-V40%重建图像,信噪比(SNR)及对比噪声比(CNR)均高于ASiR-V40%重建图像,随着DLIR重建算法的降噪级别的递增,客观评分逐步提高,以DLIR-H为最著,差异均有统计学意义(均P<0.05);DLIR主观图像质量评价均明显高于ASiR-V40%重建图像(均P<0.05),DLIR-H主观图像评分最高。标准体重组和大体重组间ASiR-V40%重建图像主客观评分没有差异(P>0.05);两组有效辐射剂量(ED)分别为(1.36±0.42)mSv、(1.59±0.46)mSv,大体重组高于标准体重组,差异有统计学意义(P<0.05)。结论:低管电压(70 kV) CCTA检查条件下,大体重患者进行冠状动脉CT常规ASiR-V40%重建算法与标准体重者图像质量间未见差异,均可进行诊断;相较于ASiR-V40%重建算法,经DLIR重建可以进一步降低图像噪声,提升图像质量,提高诊断信心。