CN104123722A - 一种核磁图像超分辨率的系统及方法 - Google Patents
一种核磁图像超分辨率的系统及方法 Download PDFInfo
- Publication number
- CN104123722A CN104123722A CN201410321447.9A CN201410321447A CN104123722A CN 104123722 A CN104123722 A CN 104123722A CN 201410321447 A CN201410321447 A CN 201410321447A CN 104123722 A CN104123722 A CN 104123722A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- super
- characteristic
- parent magnetic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种核磁图像超分辨率的系统及方法,包括图像超分辨率训练单元、图像超分辨率单元和随机参数生成器,通过对原核磁图像进行降质、插值、特征图像提取,得到特征图像集,对特征图像集中的图像进行分割、向量化处理,得到图像超分辨率训练集的特征矩阵和图像超分辨率训练集的目标矩阵,利用ELM原理,计算出神经网络输出节点的权重向量参数,对神经网络输出节点的权重向量参数进行选择,选出最佳参数,完成图像超分辨率训练,将原核磁图像进行降质、分割、特征图像提取、分割和向量化处理,得到原核磁图像的特征矩阵,利用ELM原理和最佳参数,由原核磁图像的特征矩阵得到原始核磁图像的超分辨率图像。
Description
技术领域
本发明属于医学图像后处理技术领域,具体涉及一种核磁图像超分辨率的系统及方法。
背景技术
目前,核磁共振图像已经成为临床诊断的重要检测方式,核磁共振成像的质量直接影响着医生对疾病的诊断。然而受核磁共振硬件发展的制约,核磁图像超分辨的方法受到越来越多的关注,目前图像超分辨率的相关研究有很多,根据输入方式主要可以分成两大类,一类是基于单幅图像的超分辨率技术,另一类是基于多幅图像输入的技术。但是这两类技术中还没有一种切实有效的针对核磁图像的超分辨率技术。因此,如何获得一幅有着较高信噪比以及具有较多有效信息的高清核磁共振超分辨率图像成为了技术难点。
在现有的针对图像超分辨率算法的相关研究中,所处理的图像数据往往太过理想,受到噪声的干扰很小,使用传统的超分辨率方式就能进行处理;然而对于非光学方式形成的核磁共振图像,其所受到的噪声干扰较大,并且由于所采集个体数据的差异,以往的超分辨率方式无法在提升其分辨率的同时保持较高的信噪比。
发明内容
针对现有技术存在的不足,本发明提供一种核磁图像超分辨率的系统及方法。
本发明的技术方案是:
一种核磁图像超分辨率的系统,包括图像超分辨率训练单元、图像超分辨率单元和随机参数生成器;
图像超分辨率训练单元包括第一降质器、降质图像分配器、第一插值器、第一特征提取器、训练集分配器、第一分割器、第一向量器、第一剥离器、第一转换器、权向量参数生成器和参数选择器;
图像超分辨率单元包括第二降质器、第二插值器、第二特征提取器、第二分割器、第二向量器、第二剥离器、第二转换器和超分辨率器;
随机参数生成器:用于利用ELM原理,随机设定神经网络隐层节点个数L,生成用于计算神经网路输出节点的权重向量参数的随机参数,即神经网路输入节点的权重向量w1,w2,...,wL、神经网路隐层节点的阈值b1,b2,...,bL;
第一降质器:用于将原始核磁图像I0以同一降质原则进行i次降质处理,得到i个降质图像I-1,…,I-i,I-i-1,i个降质图像与原始核磁图像I0组成核磁图像集(I0,I-1,…,I-i,I-i-1);
降质图像分配器:用于将核磁图像集(I0,I-1,…,I-i,I-i-1)划分为目标图像集(I0,I-1,…,I-i+2,I-i+1)、预插值图像集(I-2,I-3,…,I-i,I-i-1)和预特征提取图像集(I-1,I-2,…,I-i+1,I-i),其中,目标图像集(I0,I-1,…,I-i+2,I-i+1)为核磁图像集(I0,I-1,…,I-i,I-i-1)中的前-i+1个图像构成的图像集,预特征提取图像集(I-1,I-2,…,I-i+1,I-i)为目标图像集(I0,I-1,…,I-i+2,I-i+1)中各图像分别降低一级分辨率的图像构成的图像集,预插值图像集(I-2,I-3,…,I-i,I-i-1)为预特征提取图像集(I-1,I-2,…,I-i+1,I-i)中各图像分别降低一级分辨率的图像构成的图像集;
第一插值器:用于分别对预插值图像集(I-2,I-3,…,I-i,I-i-1)中的图像进行插值处理,使插值后的图像提高一级分辨率,得到插值图像集(S-1,S-2,…,S-i+1,S-i);
第一特征提取器:用于对插值图像集(S-1,S-2,…,S-i+1,S-i)的图像和预特征提取图像集(I-1,I-2,…,I-i+1,I-i)中的与插值图像集的各图像分辨率相同的图像进行特征图像提取,得到特征图像集(F-1,F-2,…,F-i+1,F-i);
训练集分配器:用于将目标图像集(I0,I-1,…,I-i+2,I-i+1)中各图像与特征图像集(F-1,F-2,…,F-i+1,F-i)中低于目标图像集中的各图像一级分辨率的图像分配到一个超分辨率训练图像组,共得到i个超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1);
第一分割器:用于分别将超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1)中的F-1,F-2,…,F-i+1,F-i分割为分辨率为3*3的特征图像块,I0,I-1,…,I-i+2,I-i+1根据降质原则分割为比3*3分辨率高一级分辨率的超分辨目标图像块;
第一向量器:用于将分割后的特征图像块和超分辨目标图像块进行向量化处理,将每个特征图像块和超分辨目标图像块转换成向量的表示形式,即特征图像块的特征向量和超分辨目标图像块的目标向量,组成训练向量集;
第一剥离器:用于对特征图像块的特征向量和超分辨目标图像块的目标向量进行剥离,特征图像块的特征向量组成超分辨率训练图像组的特征矩阵,超分辨目标图像块的目标向量组成超分辨率训练图像组的目标矩阵;
第一转换器:用于根据随机参数生成器生成的神经网络输入节点的权重向量w1,w2,...,wL和神经网络隐层节点的阈值b1,b2,...,bL,将超分辨率训练图像组的特征矩阵转换成超分辨率训练图像组的ELM神经网络隐层输出矩阵;
权向量参数生成器:用于根据超分辨率训练图像组的ELM神经网络隐层输出矩阵和超分辨率训练图像组的目标矩阵,利用ELM原理,计算超分辨率训练图像组的ELM神经网络输出节点的权重向量参数;
参数选择器:用于对权向量参数生成器计算的超分辨率训练图像组的ELM输出节点的权重向量参数进行选择,选择出最佳参数;
第二降质器:用于对原始核磁图像I0按与第一降质器相同的降质原则进行降质处理,得到原始核磁图像的降质图像I-1;
第二插值器:用于对原始核磁图像的降质图像I-1进行插值处理,得到与原始核磁图像I0分辨率相同的原始核磁图像的插值图像S0;
第二特征提取器:用于对原始核磁图像I0和原始核磁图像的插值图像S0进行特征图像提取,得到原始核磁图像的特征图像F0;
第二分割器:用于对原始核磁图像的特征图像F0进行分割,将原始核磁图像的特征图像F0分割为分辨率为3*3的原始核磁图像特征图像块;
第二向量器:用于对原始核磁图像特征图像块进行向量化处理,得到原始核磁图像特征图像块的特征向量;
第二剥离器:用于将原始核磁图像特征图像块的特征向量组成原始核磁图像的特征矩阵X0;
第二转换器:用于根据随机参数生成器生成的神经网络输入节点的权重向量w1,w2,...,wL和神经网络隐层节点的阈值b1,b2,...,bL,将原始核磁图像的特征矩阵X0转换成原始核磁图像的ELM神经网络隐层输出矩阵H0;
超分辨率器:用于利用ELM原理,根据参数选择器选择得到的最佳参数和原始核磁图像的ELM神经网络隐层输出矩阵H0,得到原始核磁图像的超分辨率图像ISR。
降质原则为将当前图像降质为上一级图像的1/4分辨率。
第一分割器、第一向量器、第一剥离器、第一转换器和权向量参数生成器的个数均与超分辨率训练图像组的个数相同。
利用核磁图像超分辨率的系统进行核磁图像超分辨率的方法,包括以下步骤:
步骤1:核磁图像超分辨率训练图像组的准备;
步骤1.1:将原始核磁图像I0以同一降质原则进行i次降质处理,得到i个降质图像I-1,…,I-i,I-i-1,i个降质图像与原始核磁图像I0组成核磁图像集(I0,I-1,…,I-i,I-i-1);
步骤1.2:对核磁图像集(I0,I-1,…,I-i,I-i-1)进行分配,将核磁图像集(I0,I-1,…,I-i,I-i-1)划分为目标图像集(I0,I-1,…,I-i+2,I-i+1)、预插值图像集(I-2,I-3,…,I-i,I-i-1)和预特征提取图像集(I-1,I-2,…,I-i+1,I-i),其中,目标图像集(I0,I-1,…,I-i+2,I-i+1)为核磁图像集(I0,I-1,…,I-i,I-i-1)中的前-i+1个图像构成的图像集,预特征提取图像集(I-1,I-2,…,I-i+1,I-i)为目标图像集(I0,I-1,…,I-i+2,I-i+1)中各图像分别降低一级分辨率的图像构成的图像集,预插值图像集(I-2,I-3,…,I-i,I-i-1)为预特征提取图像集(I-1,I-2,…,I-i+1,I-i)中各图像分别降低一级分辨率的图像构成的图像集;
步骤1.3:分别对预插值图像集(I-2,I-3,…,I-i,I-i-1)中的图像进行插值处理,使插值后的图像提高一级分辨率,得到插值图像集(S-1,S-2,…,S-i+1,S-i);
步骤1.4:对插值图像集(S-1,S-2,…,S-i+1,S-i)的图像和预特征提取图像集(I-1,I-2,…,I-i+1,I-i)中的与插值图像集的各图像分辨率相同的图像进行特征图像提取,得到特征图像集(F-1,F-2,…,F-i+1,F-i);
步骤1.5:将目标图像集(I0,I-1,…,I-i+2,I-i+1)中各图像与特征图像集(F-1,F-2,…,F-i+1,F-i)中低于目标图像集中的各图像一级分辨率的图像分配到一个超分辨率训练图像组,共得到i个超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1);
步骤2:利用ELM原理,随机设定神经网络隐层节点个数L,生成用于计算神经网络输出节点的权重向量参数的随机参数,即神经网络输入节点的权重向量w1,w2,...,wL-1,wL和神经网络隐层节点的阈值b1,b2,...,bL-1,bL;
步骤3:对核磁图像超分辨率训练图像进行图像超分辨率训练;
步骤3.1:对i个超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1)进行向量化;
步骤3.1.1:分别将超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1)中的F-1,F-2,…,F-i+1,F-i分割为分辨率为3*3的特征图像块,I0,I-1,…,I-i+2,I-i+1根据降质原则分割为比3*3分辨率高一级分辨率的超分辨目标图像块;
步骤3.1.2:分别对分割后的特征图像块和超分辨目标图像块进行向量化处理,将每个特征图像块和超分辨目标图像块转换成向量的表示形式,即特征图像块的特征向量和超分辨目标图像块的目标向量,组成训练向量集;
步骤3.1.3:分别对特征图像块的特征向量和超分辨目标图像块的目标向量进行剥离,特征图像块的特征向量组成超分辨率训练图像组的特征矩阵X1,X2,…Xi-1,Xi,超分辨目标图像块的目标向量组成超分辨率训练图像组的目标矩阵T1,T2,…Ti-1,Ti;
步骤3.2:根据步骤2得到的神经网络输入节点的权重向量w1,w2,...,wL和神经网络隐层节点的阈值b1,b2,...,bL,将分别将超分辨率训练图像组的特征矩阵X1,X2,…Xi-1,Xi转换成超分辨率训练图像组的ELM神经网络隐层输出矩阵H1,H2,…Hi-1,Hi;
步骤3.3:利用ELM原理,分别根据超分辨率训练图像组的ELM神经网络隐层输出矩阵H1,H2,…Hi-1,Hi和超分辨率训练图像组的目标矩阵T1,T2,…Ti-1,Ti,计算出超分辨率训练图像组的ELM神经网络输出节点的权重向量参数β1,β2,…,βi-1,βi;
步骤3.4:将超分辨率训练图像组的ELM神经网络输出节点的权重向量参数β1,β2,…,βi-1,βi进行最优选择,选择出最佳参数β。
步骤4:根据最佳参数和原始核磁图像I0,利用ELM原理进行核磁图像的超分辨率;
步骤4.1:对原始核磁图像I0按步骤1.1中的降质原则进行降质处理,得到原始核磁图像的降质图像I-1;
步骤4.2:对原始核磁图像的降质图像I-1进行插值处理,得到与原始核磁图像I0分辨率相同的原始核磁图像的插值图像S0;
步骤4.3:对原始核磁图像I0和原始核磁图像的插值图像S0进行特征图像提取,得到原始核磁图像的特征图像F0;
步骤4.4:对原始核磁图像的特征图像F0进行分割,将原始核磁图像的特征图像F0为分辨率为3*3的原始核磁图像特征图像块;
步骤4.5:对原始核磁图像特征图像块进行向量化处理,得到原始核磁图像特征图像块的特征向量;
步骤4.6:将原始核磁图像特征图像块的特征向量组成原始核磁图像的特征矩阵X0;
步骤4.7:利用ELM原理,根据步骤2生成的神经网络输入节点的权重向量w1,w2,...,wL和神经网络隐层节点的阈值b1,b2,...,bL,将原始核磁图像的特征矩阵X0转换成原始核磁图像的ELM神经网络隐层输出矩阵H0;
步骤4.8:利用ELM原理,根据参数选择器得到的最佳参数和原始核磁图像的ELM神经网络隐层输出矩阵H0,得到原始核磁图像的超分辨率图像ISR。
本发明的有益效果是:本发明是一种单幅核磁图像超分辨率的方法,克服了以往的图像超分辨率方式无法适应核磁图像以及受制于训练集样本数目的缺陷,使得快速处理和提升核磁图像的分辨率成为可能,令使用核磁图像进行诊断的效用得到充分发挥,起到了更好的为医疗诊断服务的效果。
附图说明
图1为本发明具体实施方式的核磁图像超分辨率的系统的结构框图;
图2为本发明具体实施方式的核磁图像超分辨率的方法的流程图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明,如图1所示。
一种核磁图像超分辨率的系统,包括图像超分辨率训练单元、图像超分辨率单元和随机参数生成器。
图像超分辨率训练单元包括第一降质器、降质图像分配器、第一插值器、第一特征提取器、训练集分配器、第一分割器、第一向量器、第一剥离器、第一转换器、权向量参数生成器和参数选择器。
图像超分辨率单元包括第二降质器、第二插值器、第二特征提取器、第二分割器、第二向量器、第二剥离器、第二转换器和超分辨率器。
随机参数生成器:用于利用ELM原理,随机设定神经网络隐层节点个数L为100,生成用于计算神经网路输出节点的权重向量参数的随机参数,即神经网路输入节点的权重向量w1,w2,...,wL和神经网路隐层节点的阈值b1,b2,...,bL。
第一降质器:用于将原始核磁图像I0以同一降质原则进行i次降质处理,得到i个降质图像I-1,…,I-i,I-i-1,i个降质图像与原始核磁图像I0组成核磁图像集(I0,I-1,…,I-i,I-i-1)。本实施方式中,对原始核磁图像I0以每级图像降质为上一级图像的1/4分辨率的原则进行降质处理。
降质图像分配器:用于将核磁图像集(I0,I-1,…,I-i,I-i-1)划分为目标图像集(I0,I-1,…,I-i+2,I-i+1)、预插值图像集(I-2,I-3,…,I-i,I-i-1)和预特征提取图像集(I-1,I-2,…,I-i+1,I-i),其中,目标图像集(I0,I-1,…,I-i+2,I-i+1)为核磁图像集(I0,I-1,…,I-i,I-i-1)中的前-i+1个图像构成的图像集,预特征提取图像集(I-1,I-2,…,I-i+1,I-i)为目标图像集(I0,I-1,…,I-i+2,I-i+1)中各图像分别降低一级分辨率的图像构成的图像集,预插值图像集(I-2,I-3,…,I-i,I-i-1)为预特征提取图像集(I-1,I-2,…,I-i+1,I-i)中各图像分别降低一级分辨率的图像构成的图像集。
第一插值器:用于分别对预插值图像集(I-2,I-3,…,I-i,I-i-1)中的图像进行插值处理,使插值后的图像提高一级分辨率,得到插值图像集(S-1,S-2,…,S-i+1,S-i)。本实施方式中选用双三次插值法对图像进行插值处理。
第一特征提取器:用于对插值图像集(S-1,S-2,…,S-i+1,S-i)的图像和预特征提取图像集(I-1,I-2,…,I-i+1,I-i)中的与插值图像集的各图像分辨率相同的图像进行特征图像提取,得到特征图像集(F-1,F-2,…,F-i+1,F-i)。本实施方式中,选用稀疏表示法进行特征图像提取。
训练集分配器:用于将目标图像集(I0,I-1,…,I-i+2,I-i+1)中各图像与特征图像集(F-1,F-2,…,F-i+1,F-i)中低于目标图像集中的各图像一级分辨率的图像分配到一个超分辨率训练图像组,共得到i个超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1)。
第一分割器包括第一分割器1、第一分割器2、…第一分割器i,用于分别将超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1)中的F-1,F-2,…,F-i+1,F-i分割为分辨率为3*3的特征图像块,I0,I-1,…,I-i+2,I-i+1根据降质原则分割为比3*3分辨率高一级分辨率的超分辨目标图像块。
第一向量器包括第一向量器1、第一向量器2、…第一向量器i,用于将分割后的特征图像块和超分辨目标图像块进行向量化处理,将每个特征图像块和超分辨目标图像块转换成向量的表示形式,即特征图像块的特征向量和超分辨目标图像块的目标向量,组成训练向量集。
第一剥离器包括第一剥离器1、第一剥离器2、…第一剥离器i,用于对特征图像块的特征向量和超分辨目标图像块的目标向量进行剥离,特征图像块的特征向量组成超分辨率训练图像组的特征矩阵X1,X2,…Xi-1,Xi,超分辨目标图像块的目标向量组成超分辨率训练图像组的目标矩阵T1,T2,…Ti-1,Ti。
第一转换器包括第一转换器1、第一转换器2、…第一转换器i,用于根据随机参数生成器生成的w1,w2,...,wL和神经网络隐层节点的阈值b1,b2,...,bL,将超分辨率训练图像组的特征矩阵X1,X2,…Xi-1,Xi转换成超分辨率训练图像组的ELM神经网络隐层输出矩阵H1,H2,…Hi-1,Hi。
权向量参数生成器包括权向量参数生成器1、权向量参数生成器2、…权向量参数生成器i,用于根据超分辨率训练图像组的ELM神经网络隐层输出矩阵H1,H2…Hi和超分辨率训练图像组的目标矩阵T1,T2…Ti,利用ELM原理,计算超分辨率训练图像组的ELM神经网络输出节点的权重向量参数β1,β2,…,βi。
参数选择器:用于对权向量参数生成器计算的超分辨率训练图像组的ELM神经网络输出节点的权重向量参数β1,β2,…,βi进行选择,选择出最佳参数。
本实施方式中,采取了一种基于贝叶斯决策理论的最小错误率的分类规则作为最佳参数选择方法,贝叶斯决策理论是主观贝叶斯派归纳理论的重要组成部分,贝叶斯决策就是在不完全情报下,对部分未知的状态用主观概率估计,然后用贝叶斯公式对发生概率进行修正,最后再利用期望值和修正概率做出最优决策。
第二降质器:用于对原始核磁图像I0按与第一降质器相同的降质原则进行降质处理,得到原始核磁图像的降质图像I-1。
第二插值器:用于对原始核磁图像的降质图像I-1进行插值处理,得到与原始核磁图像I0分辨率相同的原始核磁图像的插值图像S0。
第二特征提取器:用于对原始核磁图像I0和原始核磁图像的插值图像S0进行特征图像提取,得到原始核磁图像的特征图像F0。
第二分割器:用于对原始核磁图像的特征图像F0进行分割,将原始核磁图像的特征图像F0分割为分辨率为3*3的原始核磁图像特征图像块。
第二向量器:用于对原始核磁图像特征图像块进行向量化处理,得到原始核磁图像特征图像块的特征向量。
第二剥离器:用于将原始核磁图像特征图像块的特征向量组成原始核磁图像的特征矩阵X0。
第二转换器:用于根据随机参数生成器生成的神经网络输入节点的权重向量w1,w2,...,wL和神经网络隐层节点的阈值b1,b2,...,bL,将原始核磁图像的特征矩阵X0转换成原始核磁图像的ELM神经网络隐层输出矩阵H0。
超分辨率器:用于利用ELM原理,根据参数选择器选择得到的最佳参数和原始核磁图像的ELM神经网络隐层输出矩阵H0,得到原始核磁图像的超分辨率图像ISR。
利用核磁图像超分辨率的系统进行核磁图像超分辨率的方法,本实施方式是对核磁共振图像进行超分辨率处理,如图2所示,包括以下步骤:
步骤1:核磁图像超分辨率训练图像组的准备。
步骤1.1:将分辨率为512×512的原始核磁图像I0以每级图像降质为上一级图像的1/4分辨率的原则进行降质处理,共进行4次降质处理,得到4个降质图像I-1,I-2,I-3,I-4,将降质图像I-1,I-2,I-3,I-4与原始核磁图像I0组成核磁图像集(I0,I-1,I-2,I-3,I-4)。其中I-1分辨率为256×256,I-2分辨率为128×128,I-3分辨率为64×64,I-4分辨率为32×32。
步骤1.2::对核磁图像集(I0,I-1,I-2,I-3,I-4)进行分配,将核磁图像集(I0,I-1,I-2,I-3,I-4)划分为目标图像集(I0,I-1,I-2)、预插值图像集(I-2,I-3,I-4)和预特征提取图像集(I-1,I-2,I-3),其中,目标图像集(I0,I-1,I-2)为核磁图像集(I0,I-1,I-2,I-3,I-4)中的前3个图像构成的图像集,预特征提取图像集(I-1,I-2,I-3)为目标图像集(I0,I-1,I-2)中各图像分别降低一级分辨率的图像构成的图像集,预插值图像集(I-2,I-3,I-4)为预特征提取图像集(I-1,I-2,I-3)中各图像分别降低一级分辨率的图像构成的图像集。
步骤1.3:分别对预插值图像集(I-2,I-3,I-4)中的图像运用双三次插值进行插值处理,使插值后的图像提高一级分辨率,得到插值图像集(S-1,S-2,S-3)。
步骤1.4:对插值图像集(S-1,S-2,S-3)的图像和预特征提取图像集(I-1,I-2,I-3)中的相同分辨率的图像(I-1,S-1),(I-2,S-2),(I-3,S-3)运用稀疏表示法进行特征图像提取,得到特征图像集(F-1,F-2,F-3)。
步骤1.5:将目标图像集(I0,I-1,I-2)中各图像与特征图像集(F-1,F-2,F-3)中低于目标图像集中的各图像一级分辨率的图像分配到一个超分辨率训练图像组,共得到3个超分辨率训练图像组(F-1,I0),(F-2,I-1),(F-3,I-2)。
步骤2:利用ELM原理,随机设定神经网络隐层节点个数L=100,生成用于计算神经网络输出节点的权重向量参数的随机参数,即神经网络输入节点的权重向量w1,w2,...,w99,w100和神经网络隐层节点的阈值b1,b2,...,b99,b100。
得到的神经网络输入节点的权重向量为:
w1=(-0.6233,0.8371,…,0.2845)
w2=(0.2461,0.3645,…,-0.3489) (1)
…
w100=(0.2693,0.1854,…,0.4246)
得到的神经网络隐层节点的阈值为:
b1=0.1377
b2=0.2456 (2)
…
b100=0.4715
步骤3:对核磁图像超分辨率训练图像进行图像超分辨率训练。
步骤3.1:对3个超分辨率训练图像组(F-1,I0),(F-2,I-1),(F-3,I-2)进行向量化。
步骤3.1.1:分别对3个将超分辨率训练图像组(F-1,I0),(F-2,I-1),(F-3,I-2)中的F-1,F-2,F-3分割为分辨率为3*3的特征图像块,I0,I-1,I-2根据降质原则分割为比3*3分辨率高一级分辨率的超分辨目标图像块,因降质原则为每一级图像为上一级图像分辨率的1/4,因此I0,I-1,I-2分割为分辨率为5*5的超分辨目标图像块。
得到的特征图像块和超分辨目标图像块分别为:
{(F-11,I01),(F-12,I02),…,(F-1n,I0n)},n=128×128;
{(F-21,I-11),(F-22,I-12),…,(F-2m,I-1m)},m=64×64;
{(F-31,I-21),(F-32,I-22),…,(F-3k,I-2k)},k=32×32。
步骤3.1.2:分别将分割后的特征图像块和超分辨目标图像块进行向量化处理,将每个特征图像块和超分辨目标图像块转换成向量的表示形式,即特征图像块的特征向量和超分辨目标图像块的目标向量,组成训练向量集。
得到的训练向量集1为:
{((33.3020,20.6154,...,37.1890),(185.0000,179.0000,…193.0000)),
((36.6783,21.2243,...,33.2679),(89.0000,153.0000,…172.0000)),;
…,((76.3652,19.0135,...,32.1683),(107.0000,121.0000,…223.0000))}
训练向量集2为:
{((31.2823,22.1256,...,34.5687),(125.0000,192.0000,…71.0000)),
((41.2313,23.3142,...,31.1790),(145.0000,19.0000,…113.0000)),;
…,((72.1059,18.9242,...,30.8662),(35.0000,16.0000,…152.0000))}
训练向量集3为:
{((29.4157,20.5143,...,38.1670),(164.0000,151.0000,…154.0000)),
((32.3791,20.1869,...,32.9649),(93.0000,161.0000,…157.0000)),。
…,((74.2452,19.2255,...,33.3597),(205.0000,47.0000,…128.0000))}
步骤3.1.3:分别对特征图像块的特征向量和超分辨目标图像块的目标向量进行剥离,特征图像块的特征向量组成超分辨率训练图像组的特征矩阵X1,X2,X3,超分辨目标图像块的目标向量组成超分辨率训练图像组的目标矩阵T1,T2,T3。
图像超分辨率训练集的特征矩阵X1和图像超分辨率训练集的目标矩阵T1为:
图像超分辨率训练集的特征矩阵X2和图像超分辨率训练集的目标矩阵T2为:
图像超分辨率训练集的特征矩阵X3和图像超分辨率训练集的目标矩阵T3为:
步骤3.2:根据步骤2得到的神经网络输入节点的权重向量w1,w2,...,w100和神经网络隐层节点的阈值b1,b2,...,b100,将分别将超分辨率训练图像组的特征矩阵X1,X2,X3转换成超分辨率训练图像组的ELM神经网络隐层输出矩阵H1,H2,H3。
设激励函数为g(h)。
得到超分辨率训练图像组的ELM神经网络隐层输出矩阵H1为:
超分辨率训练图像组的ELM神经网络隐层输出矩阵H2为:
超分辨率训练图像组的ELM神经网络隐层输出矩阵H3为:
其中,x1,x2…xn表示超分辨率训练图像组的ELM神经网络隐层输出矩阵X1中的向量,y1,y2…ym表示超分辨率训练图像组的ELM神经网络隐层输出矩阵X2中的向量,z1,z2…zk表示超分辨率训练图像组的ELM神经网络隐层输出矩阵X3中的向量。
步骤3.3:利用ELM原理,分别根据超分辨率训练图像组的ELM神经网络隐层输出矩阵H1,H2,H3和超分辨率训练图像组的目标矩阵T1,T2,T3,计算出超分辨率训练图像组的ELM神经网络输出节点的权重向量参数。
根据ELM原理:
其中,I是单位矩阵,λ是用户指定的参数。
得到超分辨率训练图像组的ELM神经网络输出节点的权重向量参数β1为:
超分辨率训练图像组的ELM神经网络输出节点的权重向量参数β2为:
超分辨率训练图像组的ELM神经网络输出节点的权重向量参数β3为:
步骤3.4:将超分辨率训练图像组的ELM神经网络输出节点的权重向量参数β1,β2,…,βi-1,βi进行最优选择,运用基于贝叶斯决策理论的最小错误率的分类规则作为最佳参数选择方法,选择出最佳参数β为:
步骤4:根据最佳参数和原始核磁图像I0,利用ELM原理进行核磁图像的超分辨率;
步骤4.1:对原始核磁图像I0按照降质为上一级图像的1/4分辨率的原则进行降质处理,得到原始核磁图像的降质图像I-1。
步骤4.2:对原始核磁图像的降质图像I-1运用双三次插值进行插值处理进行插值处理,得到与原始核磁图像I0相同分辨率的原始核磁图像的插值图像S0。
步骤4.3:对原始核磁图像I0和原始核磁图像的插值图像S0进行特征图像提取,得到原始核磁图像的特征图像F0。
步骤4.4:对原始核磁图像的特征图像F0进行分割,将原始核磁图像的特征图像F0为分辨率为3*3的原始核磁图像特征图像块。
得到原始核磁图像特征图像块为:
{F01,F02,…,F0n},n=128×128。
步骤4.5:对原始核磁图像特征图像块进行向量化处理,得到原始核磁图像特征图像块的特征向量。
得到原始核磁图像特征图像块的特征向量为:
{(30.7621,22.3144,...,47.2891),(33.5723,21.7289,...,45.3639),
…,(66.8613,21.0012,...,29.2652)}
步骤4.6:将原始核磁图像特征图像块的特征向量组成原始核磁图像的特征矩阵X0。
得到原始核磁图像的特征矩阵X0为:
步骤4.7:利用ELM原理,根据步骤2生成的神经网络输入节点的权重向量w1,w2,...,w100和神经网络隐层节点的阈值b1,b2,...,b100,将原始核磁图像的特征矩阵X0转换成转换成原始核磁图像的ELM神经网络隐层输出矩阵H0。
转换成原始核磁图像的ELM神经网络隐层输出矩阵H0为:
步骤4.8:利用ELM原理,根据参数选择器得到的最佳参数和原始核磁图像的ELM神经网络隐层输出矩阵H0,得到原始核磁图像的超分辨率图像ISR。
根据ELM原理,得到的原始核磁图像的超分辨率图像为:
ISR=H0β (19)
其中,ISR大小为1024*1024。
Claims (4)
1.一种核磁图像超分辨率的系统,其特征在于,包括图像超分辨率训练单元、图像超分辨率单元和随机参数生成器;
图像超分辨率训练单元包括第一降质器、降质图像分配器、第一插值器、第一特征提取器、训练集分配器、第一分割器、第一向量器、第一剥离器、第一转换器、权向量参数生成器和参数选择器;
图像超分辨率单元包括第二降质器、第二插值器、第二特征提取器、第二分割器、第二向量器、第二剥离器、第二转换器和超分辨率器;
随机参数生成器:用于利用ELM原理,随机设定神经网络隐层节点个数L,生成用于计算神经网路输出节点的权重向量参数的随机参数,即神经网路输入节点的权重向量w1,w2,...,wL和神经网路隐层节点的阈值b1,b2,...,bL;
第一降质器:用于将原始核磁图像I0以同一降质原则进行i次降质处理,得到i个降质图像I-1,…,I-i,I-i-1,i个降质图像与原始核磁图像I0组成核磁图像集(I0,I-1,…,I-i,I-i-1);
降质图像分配器:用于将核磁图像集(I0,I-1,…,I-i,I-i-1)划分为目标图像集(I0,I-1,…,I-i+2,I-i+1)、预插值图像集(I-2,I-3,…,I-i,I-i-1)和预特征提取图像集(I-1,I-2,…,I-i+1,I-i),其中,目标图像集(I0,I-1,…,I-i+2,I-i+1)为核磁图像集(I0,I-1,…,I-i,I-i-1)中的前-i+1个图像构成的图像集,预特征提取图像集(I-1,I-2,…,I-i+1,I-i)为目标图像集(I0,I-1,…,I-i+2,I-i+1)中各图像分别降低一级分辨率的图像构成的图像集,预插值图像集(I-2,I-3,…,I-i,I-i-1)为预特征提取图像集(I-1,I-2,…,I-i+1,I-i)中各图像分别降低一级分辨率的图像构成的图像集;
第一插值器:用于分别对预插值图像集(I-2,I-3,…,I-i,I-i-1)中的图像进行插值处理,使插值后的图像提高一级分辨率,得到插值图像集(S-1,S-2,…,S-i+1,S-i);
第一特征提取器:用于对插值图像集(S-1,S-2,…,S-i+1,S-i)的图像和预特征提取图像集(I-1,I-2,…,I-i+1,I-i)中的与插值图像集的各图像分辨率相同的图像进行特征图像提取,得到特征图像集(F-1,F-2,…,F-i+1,F-i);
训练集分配器:用于将目标图像集(I0,I-1,…,I-i+2,I-i+1)中各图像与特征图像集(F-1,F-2,…,F-i+1,F-i)中低于目标图像集中的各图像一级分辨率的图像分配到一个超分辨率训练图像组,共得到i个超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1);
第一分割器:用于分别将超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1)中的F-1,F-2,…,F-i+1,F-i分割为分辨率为3*3的特征图像块,I0,I-1,…,I-i+2,I-i+1根据降质原则分割为比3*3分辨率高一级分辨率的超分辨目标图像块;
第一向量器:用于将分割后的特征图像块和超分辨目标图像块进行向量化处理,将每个特征图像块和超分辨目标图像块转换成向量的表示形式,即特征图像块的特征向量和超分辨目标图像块的目标向量,组成训练向量集;
第一剥离器:用于对特征图像块的特征向量和超分辨目标图像块的目标向量进行剥离,特征图像块的特征向量组成超分辨率训练图像组的特征矩阵,超分辨目标图像块的目标向量组成超分辨率训练图像组的目标矩阵;
第一转换器:用于根据随机参数生成器生成的神经网络输入节点的权重向量w1,w2,...,wL和神经网络隐层节点的阈值b1,b2,...,bL,将超分辨率训练图像组的特征矩阵转换成超分辨率训练图像组的ELM神经网络隐层输出矩阵;
权向量参数生成器:用于根据超分辨率训练图像组的ELM神经网络隐层输出矩阵和超分辨率训练图像组的目标矩阵,利用ELM原理,计算超分辨率训练图像组的ELM神经网络输出节点的权重向量参数;
参数选择器:用于对权向量参数生成器计算的超分辨率训练图像组的ELM神经网络输出节点的权重向量参数进行选择,选择出最佳参数;
第二降质器:用于对原始核磁图像I0按与第一降质器相同的降质原则进行降质处理,得到原始核磁图像的降质图像I-1;
第二插值器:用于对原始核磁图像的降质图像I-1进行插值处理,得到与原始核磁图像I0分辨率相同的原始核磁图像的插值图像S0;
第二特征提取器:用于对原始核磁图像I0和原始核磁图像的插值图像S0进行特征图像提取,得到原始核磁图像的特征图像F0;
第二分割器:用于对原始核磁图像的特征图像F0进行分割,将原始核磁图像的特征图像F0分割为分辨率为3*3的原始核磁图像特征图像块;
第二向量器:用于对原始核磁图像特征图像块进行向量化处理,得到原始核磁图像特征图像块的特征向量;
第二剥离器:用于将原始核磁图像特征图像块的特征向量组成原始核磁图像的特征矩阵X0;
第二转换器:用于根据随机参数生成器生成的神经网络输入节点的权重向量w1,w2,...,wL和神经网络隐层节点的阈值b1,b2,...,bL,将原始核磁图像的特征矩阵X0转换成原始核磁图像的ELM神经网络隐层输出矩阵H0;
超分辨率器:用于利用ELM原理,根据参数选择器选择得到的最佳参数和原始核磁图像的ELM神经网络隐层输出矩阵H0,得到原始核磁图像的超分辨率图像ISR。
2.根据权利要求1所述的核磁图像超分辨率的系统,其特征在于,所述的降质原则为将当前图像降质为上一级图像的1/4分辨率。
3.根据权利要求1所述的核磁图像超分辨率的系统,其特征在于,所述的第一分割器、第一向量器、第一剥离器、第一转换器和权向量参数生成器的个数均与超分辨率训练图像组的个数相同。
4.利用权利要求1所述的核磁图像超分辨率的系统进行核磁图像超分辨率的方法,其特征在于,包括以下步骤:
步骤1:核磁图像超分辨率训练图像组的准备;
步骤1.1:将原始核磁图像I0以同一降质原则进行i次降质处理,得到i个降质图像I-1,…,I-i,I-i-1,i个降质图像与原始核磁图像I0组成核磁图像集(I0,I-1,…,I-i,I-i-1);
步骤1.2:对核磁图像集(I0,I-1,…,I-i,I-i-1)进行分配,将核磁图像集(I0,I-1,…,I-i,I-i-1)划分为目标图像集(I0,I-1,…,I-i+2,I-i+1)、预插值图像集(I-2,I-3,…,I-i,I-i-1)和预特征提取图像集(I-1,I-2,…,I-i+1,I-i),其中,目标图像集(I0,I-1,…,I-i+2,I-i+1)为核磁图像集(I0,I-1,…,I-i,I-i-1)中的前-i+1个图像构成的图像集,预特征提取图像集(I-1,I-2,…,I-i+1,I-i)为目标图像集(I0,I-1,…,I-i+2,I-i+1)中各图像分别降低一级分辨率的图像构成的图像集,预插值图像集(I-2,I-3,…,I-i,I-i-1)为预特征提取图像集(I-1,I-2,…,I-i+1,I-i)中各图像分别降低一级分辨率的图像构成的图像集;
步骤1.3:分别对预插值图像集(I-2,I-3,…,I-i,I-i-1)中的图像进行插值处理,使插值后的图像提高一级分辨率,得到插值图像集(S-1,S-2,…,S-i+1,S-i);
步骤1.4:对插值图像集(S-1,S-2,…,S-i+1,S-i)的图像和预特征提取图像集(I-1,I-2,…,I-i+1,I-i)中的与插值图像集的各图像分辨率相同的图像进行特征图像提取,得到特征图像集(F-1,F-2,…,F-i+1,F-i);
步骤1.5:将目标图像集(I0,I-1,…,I-i+2,I-i+1)中各图像与特征图像集(F-1,F-2,…,F-i+1,F-i)中低于目标图像集中的各图像一级分辨率的图像分配到一个超分辨率训练图像组,共得到i个超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1);
步骤2:利用ELM原理,随机设定神经网络隐层节点个数L,生成用于计算神经网络输出节点的权重向量参数的随机参数,即神经网络输入节点的权重向量w1,w2,...,wL-1,wL和神经网络隐层节点的阈值b1,b2,...,bL-1,bL;
步骤3:对核磁图像超分辨率训练图像进行图像超分辨率训练;
步骤3.1:对i个超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1)进行向量化;
步骤3.1.1:分别将超分辨率训练图像组(F-1,I0),(F-2,I-1),…,(F-i+1,I-i+2),(F-i,I-i+1)中的F-1,F-2,…,F-i+1,F-i分割为分辨率为3*3的特征图像块,I0,I-1,…,I-i+2,I-i+1根据降质原则分割为比3*3分辨率高一级分辨率的超分辨目标图像块;
步骤3.1.2:分别对分割后的特征图像块和超分辨目标图像块进行向量化处理,将每个特征图像块和超分辨目标图像块转换成向量的表示形式,即特征图像块的特征向量和超分辨目标图像块的目标向量,组成训练向量集;
步骤3.1.3:分别对特征图像块的特征向量和超分辨目标图像块的目标向量进行剥离,特征图像块的特征向量组成超分辨率训练图像组的特征矩阵X1,X2,…Xi-1,Xi,超分辨目标图像块的目标向量组成超分辨率训练图像组的目标矩阵T1,T2,…Ti-1,Ti;
步骤3.2:根据步骤2得到的神经网络输入节点的权重向量w1,w2,...,wL和神经网络隐层节点的阈值b1,b2,...,bL,将分别将超分辨率训练图像组的特征矩阵X1,X2,…Xi-1,Xi转换成超分辨率训练图像组的ELM神经网络隐层输出矩阵H1,H2,…Hi-1,Hi;
步骤3.3:利用ELM原理,分别根据超分辨率训练图像组的ELM神经网络隐层输出矩阵H1,H2,…Hi-1,Hi和超分辨率训练图像组的目标矩阵T1,T2,…Ti-1,Ti,计算出超分辨率训练图像组的ELM神经网络输出节点的权重向量参数β1,β2,…,βi-1,βi;
步骤3.4:将超分辨率训练图像组的ELM神经网络输出节点的权重向量参数β1,β2,…,βi-1,βi进行最优选择,选择出最佳参数β。
步骤4:根据最佳参数和原始核磁图像I0,利用ELM原理进行核磁图像的超分辨率;
步骤4.1:对原始核磁图像I0按步骤1.1中的降质原则进行降质处理,得到原始核磁图像的降质图像I-1;
步骤4.2:对原始核磁图像的降质图像I-1进行插值处理,得到与原始核磁图像I0分辨率相同的原始核磁图像的插值图像S0;
步骤4.3:对原始核磁图像I0和原始核磁图像的插值图像S0进行特征图像提取,得到原始核磁图像的特征图像F0;
步骤4.4:对原始核磁图像的特征图像F0进行分割,将原始核磁图像的特征图像F0为分辨率为3*3的原始核磁图像特征图像块;
步骤4.5:对原始核磁图像特征图像块进行向量化处理,得到原始核磁图像特征图像块的特征向量;
步骤4.6:将原始核磁图像特征图像块的特征向量组成原始核磁图像的特征矩阵X0;
步骤4.7:利用ELM原理,根据步骤2生成的神经网络输入节点的权重向量w1,w2,...,wL和神经网络隐层节点的阈值b1,b2,...,bL,将原始核磁图像的特征矩阵X0转换成原始核磁图像的ELM神经网络隐层输出矩阵H0;
步骤4.8:利用ELM原理,根据参数选择器得到的最佳参数和原始核磁图像的ELM神经网络隐层输出矩阵H0,得到原始核磁图像的超分辨率图像ISR。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321447.9A CN104123722B (zh) | 2014-07-08 | 2014-07-08 | 一种核磁图像超分辨率的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321447.9A CN104123722B (zh) | 2014-07-08 | 2014-07-08 | 一种核磁图像超分辨率的系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104123722A true CN104123722A (zh) | 2014-10-29 |
CN104123722B CN104123722B (zh) | 2017-02-01 |
Family
ID=51769119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410321447.9A Active CN104123722B (zh) | 2014-07-08 | 2014-07-08 | 一种核磁图像超分辨率的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123722B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202930A (zh) * | 2016-07-12 | 2016-12-07 | 东北大学 | 一种基于ss‑elm的肺结节患病风险预测系统及方法 |
CN107464217A (zh) * | 2017-08-16 | 2017-12-12 | 清华-伯克利深圳学院筹备办公室 | 一种图像处理方法及装置 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
WO2019038651A1 (ja) * | 2017-08-24 | 2019-02-28 | 株式会社半導体エネルギー研究所 | 画像処理方法 |
CN109427049A (zh) * | 2017-08-22 | 2019-03-05 | 成都飞机工业(集团)有限责任公司 | 一种涂层缺陷的检测方法 |
CN109870729A (zh) * | 2019-01-31 | 2019-06-11 | 吉林大学 | 基于离散余弦变换的深度神经网络磁共振信号消噪方法 |
CN112686807A (zh) * | 2021-01-12 | 2021-04-20 | 中国科学院长春光学精密机械与物理研究所 | 一种图像超分辨率重构方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477684A (zh) * | 2008-12-11 | 2009-07-08 | 西安交通大学 | 一种利用位置图像块重建的人脸图像超分辨率方法 |
CN101872472A (zh) * | 2010-06-02 | 2010-10-27 | 中国科学院自动化研究所 | 一种基于样本学习的人脸图像超分辨率重建方法 |
CN102142136A (zh) * | 2011-03-05 | 2011-08-03 | 河海大学常州校区 | 基于神经网络的声纳图像的超分辨率重建方法 |
GB2475716B (en) * | 2009-11-27 | 2011-11-02 | Canon Kk | Method and device for providing a super-resolution image |
EP2662825A1 (en) * | 2012-05-10 | 2013-11-13 | Thomson Licensing | Method and device for generating a super-resolution version of a low resolution input data structure |
-
2014
- 2014-07-08 CN CN201410321447.9A patent/CN104123722B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477684A (zh) * | 2008-12-11 | 2009-07-08 | 西安交通大学 | 一种利用位置图像块重建的人脸图像超分辨率方法 |
GB2475716B (en) * | 2009-11-27 | 2011-11-02 | Canon Kk | Method and device for providing a super-resolution image |
CN101872472A (zh) * | 2010-06-02 | 2010-10-27 | 中国科学院自动化研究所 | 一种基于样本学习的人脸图像超分辨率重建方法 |
CN102142136A (zh) * | 2011-03-05 | 2011-08-03 | 河海大学常州校区 | 基于神经网络的声纳图像的超分辨率重建方法 |
EP2662825A1 (en) * | 2012-05-10 | 2013-11-13 | Thomson Licensing | Method and device for generating a super-resolution version of a low resolution input data structure |
Non-Patent Citations (2)
Title |
---|
TOMER PELEG 等: "A Statistical Prediction Model Based on Sparse Representations for Single Image Super-Resolution", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
龚卫国 等: "用双层重建法实现单幅图像的超分辨率重建", 《光学 精密工程》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202930B (zh) * | 2016-07-12 | 2018-08-28 | 东北大学 | 一种基于ss-elm的肺结节患病风险预测系统 |
CN106202930A (zh) * | 2016-07-12 | 2016-12-07 | 东北大学 | 一种基于ss‑elm的肺结节患病风险预测系统及方法 |
CN107464217A (zh) * | 2017-08-16 | 2017-12-12 | 清华-伯克利深圳学院筹备办公室 | 一种图像处理方法及装置 |
CN107464217B (zh) * | 2017-08-16 | 2020-12-29 | 清华-伯克利深圳学院筹备办公室 | 一种图像处理方法及装置 |
CN109427049A (zh) * | 2017-08-22 | 2019-03-05 | 成都飞机工业(集团)有限责任公司 | 一种涂层缺陷的检测方法 |
JPWO2019038651A1 (ja) * | 2017-08-24 | 2020-10-01 | 株式会社半導体エネルギー研究所 | 画像処理方法 |
CN110998703A (zh) * | 2017-08-24 | 2020-04-10 | 株式会社半导体能源研究所 | 图像处理方法 |
WO2019038651A1 (ja) * | 2017-08-24 | 2019-02-28 | 株式会社半導体エネルギー研究所 | 画像処理方法 |
US11502003B2 (en) | 2017-08-24 | 2022-11-15 | Semiconductor Energy Laboratory Co., Ltd. | Image processing method |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN107492099B (zh) * | 2017-08-28 | 2021-08-20 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN109870729A (zh) * | 2019-01-31 | 2019-06-11 | 吉林大学 | 基于离散余弦变换的深度神经网络磁共振信号消噪方法 |
CN109870729B (zh) * | 2019-01-31 | 2020-01-24 | 吉林大学 | 基于离散余弦变换的深度神经网络磁共振信号消噪方法 |
CN112686807A (zh) * | 2021-01-12 | 2021-04-20 | 中国科学院长春光学精密机械与物理研究所 | 一种图像超分辨率重构方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104123722B (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123722A (zh) | 一种核磁图像超分辨率的系统及方法 | |
Xue et al. | Selective synthetic augmentation with HistoGAN for improved histopathology image classification | |
Van Veen et al. | Compressed sensing with deep image prior and learned regularization | |
US20190087730A1 (en) | Non-transitory computer-readable storage medium storing improved generative adversarial network implementation program, improved generative adversarial network implementation apparatus, and learned model generation method | |
CN111539467A (zh) | 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法 | |
CN109165735B (zh) | 基于生成对抗网络与自适应比例生成样本图片的方法 | |
EP3555850B1 (en) | System and method for image segmentation using a joint deep learning model | |
Playout et al. | Focused attention in transformers for interpretable classification of retinal images | |
EP4281908A1 (en) | Cross-domain adaptive learning | |
Feng et al. | A self-adaptive network for multiple sclerosis lesion segmentation from multi-contrast mri with various imaging protocols | |
Castro et al. | LHC EFT WG Report: Experimental Measurements and Observables | |
JP2021089493A (ja) | 情報処理装置およびその学習方法 | |
Aue et al. | Two-sample tests for relevant differences in the eigenfunctions of covariance operators | |
Thurnhofer-Hemsi et al. | Deep learning networks with p-norm loss layers for spatial resolution enhancement of 3D medical images | |
EP4044109A1 (en) | Contrast boost by machine learning | |
Godaliyadda et al. | A framework for dynamic image sampling based on supervised learning (slads) | |
Roth et al. | Mask mining for improved liver lesion segmentation | |
Wang et al. | A super-atomic norm minimization approach to identifying sparse dynamical graphical models | |
Young et al. | Supervision by denoising | |
Huang et al. | Measure Anatomical Thickness from Cardiac MRI with Deep Neural Networks | |
CN112529772B (zh) | 一种零样本设置下的无监督图像转换方法 | |
Yan et al. | ESU-P-Net: Cascading network for full quantification of left ventricle from cine mri | |
Li et al. | Learning Quantum Distributions Based on Normalizing Flow | |
Hartley et al. | Gradient weighted superpixels for interpretability in cnns | |
Tivnan et al. | Task-driven CT image quality optimization for low-contrast lesion detectability with tunable neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |