本发明专利技术涉及一种基于图像金字塔与NLM的冷冻电镜图像增强方法。针对冷冻电镜图像信噪比极低，从中挑选出颗粒图像困难的情况，本发明专利技术对图像循环使用NLM去噪、背景矫正、下采样形成图像金字塔，各级图像经过直方图变换与上采样后融合成为最终增强图像，提高了背景与颗粒的区分度。本发明专利技术提出的图像增强方法所得结果与其他方法相比，图像峰值信噪比和结构相似度均有明显提高。有明显提高。有明显提高。
【技术实现步骤摘要】
一种基于图像金字塔与NLM的冷冻电镜图像增强方法
[0001]本专利技术属于结构生物学分析
，具体涉及一种基于图像金字塔与 NLM的冷冻电镜图像增强方法。
技术介绍
[0002]冷冻电子显微镜(Cryogenic Electron Microscopy，Cryo
‑
EM)技术是目前测定生物大分子结构的强有力手段及主流方法之一。使用冷冻电镜技术重构生物分子三维结构的总体步骤大致可分为4步：样本纯化与制备、数据采集与分析、二维颗粒图像挑选与分类、三维结构重构。由于生物样本的制备技术和电子显微镜硬件系统的限制，使得冷冻电镜采集到的图像信噪比极低，且存在部分非样本颗粒干扰，导致自动挑选冷冻电镜图像中的样本颗粒较为困难。
[0003]目前常见的颗粒挑选方法包括模板匹配法、图像分割法、深度学习的方法等。模板匹配法通过计算模板与图像待检测窗口之间的相关分数，来判断区域是否为颗粒或背景噪声，其中模板可以是人工挑选或者模拟的颗粒和噪声。图像分割法一般使用图像分割技术从经过图像增强处理的冷冻电镜图像中分割背景与颗粒。由于近年来深度学习的卓越表现，大量深度学习方法被用于颗粒挑选，深度学习方法通过训练深度学习网络或模型，使其具有区分背景与颗粒的能力，实现颗粒挑选。
[0004]由于冷冻电镜图像信噪比极低的问题，导致图像特征难以提取，除了图像分割法对图像有预处理外，其他方法一般没有或者只有简单的预处理，图像中颗粒区域特征没有得到足够的增强，使得主流的颗粒挑选方法流程非常复杂，适应场景有限，颗粒挑选的整体精确度不够高。
技术实现思路
[0005]本专利技术针对现有技术的不足，提供一种基于图像金字塔与NLM的冷冻电镜图像增强方法，用于增强电镜图像的质量，降低噪声对颗粒区域的影响，使得边缘更加明晰，从而使后续颗粒挑选流程可以简化，并且可以提高挑选的整体效率。
[0006]为了达到上述目的，本专利技术提供的技术方案是一种基于图像金字塔与NLM 的冷冻电镜图像增强方法，包括以下步骤：
[0007]步骤1，输入冷冻电镜图像数据；
[0008]步骤2，对冷冻电镜图像使用非局部均值去噪算法去除图像噪声；
[0009]步骤3，对去除噪声的图像使用基于离散余弦变换的背景矫正算法，消减图像亮度不均现象；
[0010]步骤4，设定金字塔图像最小尺寸MinSize，复制背景矫正后的图像构建图像金字塔；
[0011]步骤5，判断背景矫正后图像尺寸是否小于设定值MinSize，若小于，则图像金字塔构建完成，并执行步骤6，否则对背景矫正后图像使用下采样技术，重新执行步骤2
‑
步骤4；
[0012]步骤6，对图像金字塔每一层使用图像直方图变换和上采样技术，使金字塔各级图像尺寸相同；
[0013]步骤7，将图像金字塔各级图像形成的相同尺寸图像累加取均值，获取融合图像。
[0014]而且，所述步骤2中非局部均值去噪算法计算公式如下：
[0015][0016]式中，v表示含噪声的图像，x为噪声图像v中的像素点，Ω
x
为像素点x的搜索窗口，w(x,y)为邻域内像素点x与像素点y之间的相似度权重，为去噪后的图像中像素点x的像素值。
[0017]w(x,y)的计算方式如下：
[0018][0019]式中，d2为两个相似度计算块的欧氏距离，σ为噪声的标准差，h为一个基于σ的滤波平滑参数。
[0020]d2的计算方式如下：
[0021]d2＝||V(x)
‑
V(y)||2ꢀꢀ
(3)
[0022]式中，V(x)，V(y)分别为像素点x与像素点y的相似度计算块。
[0023]而且，所述步骤3中对于尺寸为M
×
N图像f(x,y)，二维离散余弦变换 DCT的过程如下：
[0024][0025][0026][0027]式中，(x,y)、(u,v)均为像素坐标，C(u,v)为离散余弦变换后的DCT系数矩阵。
[0028]对系数矩阵C(u,v)使用一个低通滤波器，再经过离散余弦变换的逆变换过程得到图像的近似背景。
[0029]低通滤波器公式如下：
[0030][0031]式中，u
th
,v
th
分别为u,v方向的阈值，C
LP
(u,v)为低通滤波后的DCT系数矩阵。
[0032]使用二维离散余弦变换的逆变换IDCT获得图像背景的过程如下：
[0033][0034][0035][0036]式中，(x,y)、(u,v)均为像素坐标，f
B
(x,y)表示近似的背景图像， C
LP
(u,v)为低通滤波后的DCT系数矩阵。
[0037]根据原始图像f(x,y)与背景图像f
B
(x,y)进行图像矫正的公式如下：
[0038]f
sub
(x,y)＝f(x,y)
‑
f
B
(x,y)
ꢀꢀ
(11)
[0039][0040]式中，f
sub
(x,y)为原始图像减去背景后获得的矫正图像，f
norm
(x,y)是对矫正图像进行归一化处理后的图像。
[0041]而且，所述步骤6中直方图变换公式如下：
[0042][0043]式中，A为直方图变换后亮度的最高值，B为变换前背景像素分布的均值， k为控制变换函数图像的坡度的系数，f(x,y)表示直方图变换前的金字塔图像， f
HT
(x,y)表示直方图变换后的金字塔图像。
[0044]而且，所述步骤步骤7中图像最终融合方式如下：
[0045][0046]式中，upsampling(I
k
)表示对图像I
k
的上采样，k为金字塔图像的层数。
[0047]与现有技术相比，本专利技术具有如下优点：
[0048]1)使用了非局部均值去噪的方法，能够更有效地抑制图像中噪声，减小噪声对后续图像增强步骤和颗粒挑选步骤的负面影响；
[0049]2)使用了图像金字塔、图像背景矫正与图像直方图变换的方法，使得增强图像中颗粒的特征更为明显，颗粒与背景之间的区分度更高，更有利于对颗粒图像的提取与分割。
附图说明
[0050]图1为本专利技术实施例的技术流程图。
[0051]图2为本专利技术与其它两种图像增强方法的结果对比图，其中图2(a)为模拟电镜图像与三种图像增强方法得到的增强图，图2(b)为图2(a)的二值图，图2(c)为真实电镜图像与三种图像增强方法得到的增强图，图2(d)为图2 (c)的二值图。
[0052]图3为带噪图像(实线)与增强图像(虚线)的二值图像PSNR与SSIM 结果对比图，其中图3(a)为二值图像PSNR的对比图，图3(b)为二值图像 SSIM的对比图。
...
【技术保护点】
【技术特征摘要】
1.一种基于图像金字塔与NLM的冷冻电镜图像增强方法，其特征在于，包括以下步骤：步骤1，输入冷冻电镜图像数据；步骤2，对冷冻电镜图像使用非局部均值去噪算法去除图像噪声；步骤3，对去除噪声的图像使用基于离散余弦变换的背景矫正算法，消减图像亮度不均现象；步骤4，设定金字塔图像最小尺寸MinSize，复制背景矫正后的图像构建图像金字塔；步骤5，判断背景矫正后图像尺寸是否小于设定值MinSize，若小于，则图像金字塔构建完成，并执行步骤6，否则对背景矫正后图像使用下采样技术，重新执行步骤2
‑
步骤4；步骤6，对图像金字塔每一层使用图像直方图变换和上采样技术，使金字塔各级图像尺寸相同；步骤7，将图像金字塔各级图像形成的相同尺寸图像累加取均值，获取融合图像。2.如权利要求1所述的一种基于图像金字塔与NLM的冷冻电镜图像增强方法，其特征在于：步骤2中非局部均值去噪算法计算公式如下：式中，v表示含噪声的图像，x为噪声图像v中的像素点，Ω
x
为像素点x的搜索窗口，w(x,y)为邻域内像素点x与像素点y之间的相似度权重，为去噪后的图像中像素点x的像素值；w(x,y)的计算方式如下：式中，d2为两个相似度计算块的欧氏距离，σ为噪声的标准差，h为一个基于σ的滤波平滑参数；d2的计算方式如下：d2＝||V(x)
‑
V(y)||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，V(x)，V(y)分别为像素点x与像素点y的相似度计算块。3.如权利要求1所述的一种基于图像金字塔与NLM的冷冻电镜图像增强方法，其特征在于：步骤3中对于尺寸为M
×
N图像f(x,y)，二维离散余弦变换DCT的过程如下：二维离散余弦变换DCT的过程如下：二维离散余弦变换DCT的过程如下：式中，(x,y)、(u,v)均为像素坐标，C(u,v)为离散余弦变换后的DCT系数矩阵；对系数矩阵C(u,v)使用一个低通滤波器，再经过离散余弦变换的逆变换过程得到图像
...
【专利技术属性】
技术研发人员：李军，同乐，钮焱，郑新科，何睦，赵慧，王子壬，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。