CN105241813A - 压缩采样光声显微成像方法及装置 - Google Patents
压缩采样光声显微成像方法及装置 Download PDFInfo
- Publication number
- CN105241813A CN105241813A CN201510607288.3A CN201510607288A CN105241813A CN 105241813 A CN105241813 A CN 105241813A CN 201510607288 A CN201510607288 A CN 201510607288A CN 105241813 A CN105241813 A CN 105241813A
- Authority
- CN
- China
- Prior art keywords
- matrix
- micro
- optoacoustic
- compression sampling
- sampling
- 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
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开一种压缩采样光声显微成像方法及装置,在不增加系统成本的同时,能够实现高分辨率的光声显微图像的快速采集。所述方法包括:根据预设的待采样目标的感兴趣区域的采样比、待采样目标的背景区域的采样比、水平方向采样点数和垂直方向采样点数,并基于边膨胀图理论产生压缩采样模板;利用所述压缩采样模板获取光声显微压缩采样数据矩阵;利用低秩矩阵填充方法对所述光声显微压缩采样数据矩阵进行恢复,得到光声显微图像。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种压缩采样光声显微成像方法及装置。
背景技术
光声显微镜成像技术(PhotoacousticMicroscopy,PAM)由于其能够对深层组织进行高分辨率成像受到广泛地关注,并被用于很多生物医学研究,如乳腺癌检测。
目前的光声显微镜成像技术一般是对成像区域逐点扫描实现的。为了获取更高分辨率的图像,就需要更密集的采样,这将大大增加PAM信号的采集和处理时间。目前为了实现该目的,大多是通过改进成像系统或成像原理来提高成像分辨率,这无疑会增加系统的成本。
发明内容
有鉴于此,本发明实施例提供一种压缩采样光声显微成像方法及装置,在不增加系统成本的同时,能够实现高分辨率的光声显微图像的快速采集。
为此目的,本发明提出一种压缩采样光声显微成像方法,包括:
根据预设的待采样目标的感兴趣区域的采样比、待采样目标的背景区域的采样比、水平方向采样点数和垂直方向采样点数,并基于边膨胀图理论生成压缩采样模板;
利用所述压缩采样模板获取光声显微压缩采样数据矩阵;
利用低秩矩阵填充方法对所述光声显微压缩采样数据矩阵进行恢复,得到光声显微图像。
另一方面,本发明提出一种压缩采样光声显微成像装置,包括:
压缩采样模板生成单元,用于根据预设的待采样目标的感兴趣区域的采样比、待采样目标的背景区域的采样比、水平方向采样点数和垂直方向采样点数,并基于边膨胀图理论产生压缩采样模板;
压缩采样数据获取单元,用于利用所述压缩采样模板获取光声显微压缩采样数据矩阵;
光声显微图像生成单元,用于利用低秩矩阵填充方法对所述光声显微压缩采样数据矩阵进行恢复,得到光声显微图像。
本发明实施例所述的压缩采样光声显微成像方法及装置,基于边膨胀图理论产生不同采样比压缩采样模板,利用该压缩采样模板获取光声显微压缩采样数据矩阵,直接在该压缩采样数据矩阵的基础上,采用低秩矩阵填充方法获得高分辨率的光声显微图像,不需要改进成像系统或成像原理,因而相较于现有技术,能够在不增加系统成本的基础上,实现光声显微图像的快速采集。
附图说明
图1为本发明压缩采样光声显微成像方法一实施例的流程示意图;
图2为一个传统光声显微图像;
图3为本发明得到的光声显微图像(图3与图2的待成像目标相同);
图4为本发明压缩采样光声显微成像装置一实施例的方框结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例公开一种压缩采样光声显微成像方法,包括:
S1、根据预设的待采样目标的感兴趣区域的采样比、待采样目标的背景区域的采样比、针对目标传统采样模式下的水平方向采样点数和垂直方向采样点数,并基于边膨胀图理论产生压缩采样模板;
S2、利用所述压缩采样模板获取光声显微压缩采样数据矩阵;
S3、利用低秩矩阵填充方法对所述光声显微压缩采样数据矩阵进行恢复,得到光声显微图像。
本发明实施例所述的压缩采样光声显微成像方法,基于边膨胀图理论产生不同采样比压缩采样模板,利用该压缩采样模板获取光声显微压缩采样数据矩阵,直接在该压缩采样数据矩阵的基础上,采用低秩矩阵填充方法获得高分辨率的光声显微图像,不需要改进成像系统或成像原理,因而相较于现有技术,能够在不增加系统成本的基础上,实现光声显微图像的快速采集。
可选地,在本发明压缩采样光声显微成像方法的另一实施例中,所述利用所述压缩采样模板获取光声显微压缩采样数据矩阵,包括:
对于每一个待采样位置,判断所述压缩采样模板在该位置处的值是否为1,若为1,则采集该位置处待成像目标的光声数据,并记录到光声显微压缩采样数据矩阵的相应位置。
本发明实施例中,所述压缩采样模板在每一个待采样位置处的值为1或者0,对于任一待采样位置,若所述压缩采样模板在该位置处的值为1,则采集光声数据,并记录到光声显微压缩采样数据矩阵的相应位置,否则,不进行采集,最后生成的光声显微压缩采样数据矩阵的值包含对待成像目标的光声数据进行选择采集的结果。
可选地,在本发明压缩采样光声显微成像方法的另一实施例中,所述利用低秩矩阵填充方法对所述光声显微压缩采样数据矩阵进行恢复,得到光声显微图像,包括:
基于低秩矩阵填充构建高分辨率光声显微图像恢复模型其中,τ为常数,||||*为矩阵的核范数,IE为所述光声显微压缩采样数据矩阵, Mij为矩阵M第i行第j列位置处的值,E(i,j)为所述压缩采样模板第i行第j列位置处的值,所述恢复模型的输入为IE,输出为所述光声显微图像的灰度值矩阵I;
利用凸优化方法求解所述恢复模型,得到所述光声显微图像。
本发明基于边膨胀图设计的压缩采样模板,直接利用压缩采样数据矩阵,使用低秩矩阵填充的方法获取高分辨率的光声显微图像,能够实现PAM数据的快速采集。
可选地,在本发明压缩采样光声显微成像方法的另一实施例中,所述利用凸优化方法求解所述恢复模型,得到所述光声显微图像,包括如下步骤:
S321、初始化Y=0,k=N1,其中,矩阵Y的行数为所述水平方向采样点数,矩阵Y的列数为所述垂直方向采样点数,N1为预设的整数;
S322、对Y做奇异值分解,得到矩阵U、Σ和V,其中,UΣVT=SVD(Y);
S323、计算对角矩阵其中,Σii为矩阵Σ第i行第i列位置处的值,为矩阵第i行第i列位置处的值;
S324、计算矩阵I,其中,
S325、更新Y的值为Y+δ(PE(IE)-PE(I)),其中,δ为常数;
S326、更新k的值为k-1;
S327、判断k是否为0,若k为0,则根据所述矩阵I生成所述光声显微图像,否则,重复执行步骤S322至S327直至k为0,并根据所述矩阵I生成所述光声显微图像(对于同一待成像目标,如图2所示为一个传统光声显微图像,图3所示为本发明得到的光声显微图像)。
可选地,在本发明压缩采样光声显微成像方法的另一实施例中,δ=N2||IE||2,N2为预设的整数。
本发明所述基于边膨胀图和低秩矩阵填充的压缩采样光声显微成像方法,该方法包括以下步骤:
步骤一:根据边膨胀图理论产生不同采样比的压缩采样模板E;步骤11:初始化以下参数:感兴趣区域采样比α1、其他背景区域采样比α2、全采样条件下水平方向采样点数M和垂直方向采样点数N。步骤12:根据边膨胀图理论产生压缩采样模板E,其中E为M行N列的0,1矩阵。
步骤二:利用压缩采样模板获取光声显微压缩采样数据矩阵IE;
步骤21:给定采样的初始位置,并初始化压缩采样数据矩阵IE为0。
步骤22:若该位置处E的值为1,则采集光声数据,并记录到IE的对应位置;若为0,则不进行采集。
步骤23:移动到下一个采样点处,重复步骤22,直到处理完所有的M*N个采样位置。
步骤三:利用低秩矩阵填充方法对压缩采样数据IE进行恢复,得到高分辨率的光声显微图像
步骤31:构建基于低秩矩阵填充的高分辨率光声显微图像恢复模型
其中||||*为矩阵的核范数,即矩阵的奇异值之和,
步骤32:利用凸优化方法求解上述模型,得到矩阵I。
步骤321:给定τ,δ,k参数值,并初始化Y=0;
步骤322:对Y做奇异值分解,UΣVT=SVD(Y);
步骤323:对分解得到的奇异值做阈值处理,
步骤324:用更新的奇异值得到
步骤325:更新Y,Y←Y+δ(PE(IE)-PE(I));
步骤326:更新k,k=k-1;
步骤326:若k=0,进行步骤327;否则回到步骤322;
步骤327:根据矩阵I生成最终图像。
如图4所示,本实施例公开一种压缩采样光声显微成像装置,包括:
压缩采样模板生成单元1,用于根据预设的待采样目标的感兴趣区域的采样比、待采样目标的背景区域的采样比、水平方向采样点数和垂直方向采样点数,并基于边膨胀图理论产生压缩采样模板;
压缩采样数据获取单元2,用于利用所述压缩采样模板获取光声显微压缩采样数据矩阵;
光声显微图像生成单元3,用于利用低秩矩阵填充方法对所述光声显微压缩采样数据矩阵进行恢复,得到光声显微图像。
本发明实施例所述的压缩采样光声显微成像装置,基于边膨胀图理论产生不同采样比压缩采样模板,利用该压缩采样模板获取光声显微压缩采样数据矩阵,直接在该压缩采样数据矩阵的基础上,采用低秩矩阵填充方法获得高分辨率的光声显微图像,不需要改进成像系统或成像原理,因而相较于现有技术,能够在不增加系统成本的基础上,实现光声显微图像的快速采集。
可选地,在本发明压缩采样光声显微成像装置的另一实施例中,所述压缩采样数据获取单元,用于对于每一个待采样位置,判断所述压缩采样模板在该位置处的值是否为1,若为1,则采集该位置处待成像目标的光声数据,并记录到光声显微压缩采样数据矩阵的相应位置。
可选地,在本发明压缩采样光声显微成像装置的另一实施例中,所述光声显微图像生成单元,包括:
模型建立子单元,用于基于低秩矩阵填充构建高分辨率光声显微图像恢复模型其中,τ为常数,||||*为矩阵的核范数,IE为所述光声显微压缩采样数据矩阵, Mij为矩阵M第i行第j列位置处的值,E(i,j)为所述压缩采样模板第i行第j列位置处的值,所述恢复模型的输入为IE,输出为所述光声显微图像的灰度值矩阵I;
计算子单元,用于利用凸优化方法求解所述恢复模型,得到所述光声显微图像。
可选地,在本发明压缩采样光声显微成像装置的另一实施例中,所述计算子单元,包括:
初始化模块,用于初始化Y=0,k=N1,其中,矩阵Y的行数为所述水平方向采样点数,矩阵Y的列数为所述垂直方向采样点数,N1为预设的整数;
奇异值分解模块,用于对Y做奇异值分解,得到矩阵U、Σ和V,其中,UΣVT=SVD(Y);
第一矩阵计算模块,用于计算对角矩阵其中,Σii为矩阵Σ第i行第i列位置处的值,为矩阵第i行第i列位置处的值;
第二矩阵计算模块,用于计算矩阵I,其中,
第一更新模块,用于更新Y的值为Y+δ(PE(IE)-PE(I)),其中,δ为常数;
第二更新模块,用于更新k的值为k-1;
判断模块,用于判断k是否为0,若k为0,则根据所述矩阵I生成所述光声显微图像,否则,则通知所述奇异值分解模块进行工作。
可选地,在本发明压缩采样光声显微成像装置的另一实施例中,δ=N2||IE||2,N2为预设的整数。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种压缩采样光声显微成像方法,其特征在于,包括:
根据预设的待采样目标的感兴趣区域的采样比、待采样目标的背景区域的采样比、水平方向采样点数和垂直方向采样点数,并基于边膨胀图理论产生压缩采样模板;
利用所述压缩采样模板获取光声显微压缩采样数据矩阵;
利用低秩矩阵填充方法对所述光声显微压缩采样数据矩阵进行恢复,得到光声显微图像。
2.根据权利要求1所述的压缩采样光声显微成像方法,其特征在于,所述利用所述压缩采样模板获取光声显微压缩采样数据矩阵,包括:
对于每一个待采样位置,判断所述压缩采样模板在该位置处的值是否为1,若为1,则采集该位置处待成像目标的光声数据,并记录到光声显微压缩采样数据矩阵的相应位置。
3.根据权利要求1所述的压缩采样光声显微成像方法,其特征在于,所述利用低秩矩阵填充方法对所述光声显微压缩采样数据矩阵进行恢复,得到光声显微图像,包括:
基于低秩矩阵填充构建高分辨率光声显微图像恢复模型 其中,τ为常数,||||*为矩阵的核范数,IE为所述光声显微压缩采样数据矩阵, Mij为矩阵M第i行第j列位置处的值,E(i,j)为所述压缩采样模板第i行第j列位置处的值,所述恢复模型的输入为IE,输出为所述光声显微图像的灰度值矩阵I;
利用凸优化方法求解所述恢复模型,得到所述光声显微图像。
4.根据权利要求3所述的压缩采样光声显微成像方法,其特征在于,所述利用凸优化方法求解所述恢复模型,得到所述光声显微图像,包括如下步骤:
S321、初始化Y=0,k=N1,其中,矩阵Y的行数为所述水平方向采样点数,矩阵Y的列数为所述垂直方向采样点数,N1为预设的整数;
S322、对Y做奇异值分解,得到矩阵U、Σ和V,其中,UΣVT=SVD(Y);
S323、计算对角矩阵其中,Σii为矩阵Σ第i行第i列位置处的值,为矩阵第i行第i列位置处的值;
S324、计算矩阵I,其中,
S325、更新Y的值为Y+δ(PE(IE)-PE(I)),其中,δ为常数;
S326、更新k的值为k-1;
S327、判断k是否为0,若k为0,则根据所述矩阵I生成所述光声显微图像,否则,重复执行步骤S322至S327直至k为0,并根据所述矩阵I生成所述光声显微图像。
5.根据权利要求4所述的压缩采样光声显微成像方法,其特征在于,δ=N2||IE||2,N2为预设的整数。
6.一种压缩采样光声显微成像装置,其特征在于,包括:
压缩采样模板生成单元,用于根据预设的待采样目标的感兴趣区域的采样比、待采样目标的背景区域的采样比、水平方向采样点数和垂直方向采样点数,并基于边膨胀图理论产生压缩采样模板;
压缩采样数据获取单元,用于利用所述压缩采样模板获取光声显微压缩采样数据矩阵;
光声显微图像生成单元,用于利用低秩矩阵填充方法对所述光声显微压缩采样数据矩阵进行恢复,得到光声显微图像。
7.根据权利要求6所述的压缩采样光声显微成像装置,其特征在于,所述压缩采样数据获取单元,用于对于每一个待采样位置,判断所述压缩采样模板在该位置处的值是否为1,若为1,则采集该位置处待成像目标的光声数据,并记录到光声显微压缩采样数据矩阵的相应位置。
8.根据权利要求6所述的压缩采样光声显微成像装置,其特征在于,所述光声显微图像生成单元,包括:
模型建立子单元,用于基于低秩矩阵填充构建高分辨率光声显微图像恢复模型 其中,τ为常数,||||*为矩阵的核范数,IE为所述光声显微压缩采样数据矩阵, Mij为矩阵M第i行第j列位置处的值,E(i,j)为所述压缩采样模板第i行第j列位置处的值,所述恢复模型的输入为IE,输出为所述光声显微图像的灰度值矩阵I;
计算子单元,用于利用凸优化方法求解所述恢复模型,得到所述光声显微图像。
9.根据权利要求8所述的压缩采样光声显微成像装置,其特征在于,所述计算子单元,包括:
初始化模块,用于初始化Y=0,k=N1,其中,矩阵Y的行数为所述水平方向采样点数,矩阵Y的列数为所述垂直方向采样点数,N1为预设的整数;
奇异值分解模块,用于对Y做奇异值分解,得到矩阵U、Σ和V,其中,UΣVT=SVD(Y);
第一矩阵计算模块,用于计算对角矩阵其中,Σii为矩阵Σ第i行第i列位置处的值,为矩阵第i行第i列位置处的值;
第二矩阵计算模块,用于计算矩阵I,其中,
第一更新模块,用于更新Y的值为Y+δ(PE(IE)-PE(I)),其中,δ为常数;
第二更新模块,用于更新k的值为k-1;
判断模块,用于判断k是否为0,若k为0,则根据所述矩阵I生成所述光声显微图像,否则,则通知所述奇异值分解模块进行工作。
10.根据权利要求9所述的压缩采样光声显微成像装置,其特征在于,δ=N2||IE||2,N2为预设的整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510607288.3A CN105241813B (zh) | 2015-09-22 | 2015-09-22 | 压缩采样光声显微成像方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510607288.3A CN105241813B (zh) | 2015-09-22 | 2015-09-22 | 压缩采样光声显微成像方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105241813A true CN105241813A (zh) | 2016-01-13 |
CN105241813B CN105241813B (zh) | 2017-12-19 |
Family
ID=55039535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510607288.3A Active CN105241813B (zh) | 2015-09-22 | 2015-09-22 | 压缩采样光声显微成像方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105241813B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719325A (zh) * | 2016-01-19 | 2016-06-29 | 哈尔滨工业大学(威海) | 基于低秩矩阵近似的光声显微成像方法及装置 |
CN107837069A (zh) * | 2016-09-18 | 2018-03-27 | 哈尔滨工业大学(威海) | 一种光声显微成像系统及方法 |
CN116033033A (zh) * | 2022-12-31 | 2023-04-28 | 西安电子科技大学 | 一种联合显微图像和rna的空间组学数据压缩和传输方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090141995A1 (en) * | 2007-11-02 | 2009-06-04 | Siemens Corporate Research, Inc. | System and Method for Fixed Point Continuation for Total Variation Based Compressed Sensing Imaging |
CN102608619A (zh) * | 2012-03-07 | 2012-07-25 | 北京航空航天大学 | 光子计数压缩采样相控阵激光三维成像方法 |
US20130156283A1 (en) * | 2010-08-31 | 2013-06-20 | Mirza Faisal Beg | System and method for rapid oct image acquisition using compressive sampling |
CN103337087A (zh) * | 2013-07-04 | 2013-10-02 | 西北工业大学 | 一种基于伪逆自适应算法的压缩感知图像重构方法 |
CN103364770A (zh) * | 2013-07-14 | 2013-10-23 | 西安电子科技大学 | 基于矩阵填充的雷达目标检测系统及其检测方法 |
CN103584835A (zh) * | 2013-09-24 | 2014-02-19 | 南京大学 | 一种基于压缩感知的光声图像重建方法 |
-
2015
- 2015-09-22 CN CN201510607288.3A patent/CN105241813B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090141995A1 (en) * | 2007-11-02 | 2009-06-04 | Siemens Corporate Research, Inc. | System and Method for Fixed Point Continuation for Total Variation Based Compressed Sensing Imaging |
US20130156283A1 (en) * | 2010-08-31 | 2013-06-20 | Mirza Faisal Beg | System and method for rapid oct image acquisition using compressive sampling |
CN102608619A (zh) * | 2012-03-07 | 2012-07-25 | 北京航空航天大学 | 光子计数压缩采样相控阵激光三维成像方法 |
CN103337087A (zh) * | 2013-07-04 | 2013-10-02 | 西北工业大学 | 一种基于伪逆自适应算法的压缩感知图像重构方法 |
CN103364770A (zh) * | 2013-07-14 | 2013-10-23 | 西安电子科技大学 | 基于矩阵填充的雷达目标检测系统及其检测方法 |
CN103584835A (zh) * | 2013-09-24 | 2014-02-19 | 南京大学 | 一种基于压缩感知的光声图像重建方法 |
Non-Patent Citations (8)
Title |
---|
JEAN PROVOST ET AL.: "The Application of Compressed Sensing for Photo-Acoustic Tomography", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
JING MENG ET AL.: "In vivo optical-resolution photoacoustic computed tomography with compressed sensing", 《OPTICS LETTERS》 * |
伍政华等: "基于边膨胀图的压缩感知理论", 《自动化学报》 * |
刘芳等: "结构化压缩感知研究进展", 《自动化学报》 * |
史加荣等: "低秩矩阵恢复算法综述", 《计算机应用研究》 * |
孙玉宝等: "联合低秩与稀疏先验的高光谱图像压缩感知重建", 《电子学报》 * |
孟静等: "基于压缩感知理论的光声成像方法研究现状", 《激光生物学报》 * |
彭义刚等: "从压缩传感到低秩矩阵恢复:理论与应用", 《自动化学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719325A (zh) * | 2016-01-19 | 2016-06-29 | 哈尔滨工业大学(威海) | 基于低秩矩阵近似的光声显微成像方法及装置 |
CN107837069A (zh) * | 2016-09-18 | 2018-03-27 | 哈尔滨工业大学(威海) | 一种光声显微成像系统及方法 |
CN116033033A (zh) * | 2022-12-31 | 2023-04-28 | 西安电子科技大学 | 一种联合显微图像和rna的空间组学数据压缩和传输方法 |
CN116033033B (zh) * | 2022-12-31 | 2024-05-17 | 西安电子科技大学 | 一种联合显微图像和rna的空间组学数据压缩和传输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105241813B (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544205B (zh) | 基于可见光与红外交叉输入的图像超分辨率重建方法 | |
US20190102605A1 (en) | Method and apparatus for generating information | |
CN104200449B (zh) | 一种基于压缩感知的fpm方法 | |
CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
CN101187975A (zh) | 一种具有光照鲁棒性的人脸特征提取方法 | |
JP2023044669A (ja) | グラフモデルに基づく脳機能レジストレーション方法 | |
CN105241813A (zh) | 压缩采样光声显微成像方法及装置 | |
CN110222784A (zh) | 融合短时和长时深度特征的太阳能电池片缺陷检测方法 | |
CN103295201A (zh) | 一种基于nsst域iicm的多传感器图像融合方法 | |
CN111860404A (zh) | 一种光伏板热斑定位方法及系统 | |
CN105517680A (zh) | 用于识别人脸的装置、系统、方法和计算机程序产品 | |
CN101865673A (zh) | 一种微观光场采集与三维重建方法及装置 | |
CN102663410B (zh) | 一种乳腺图像微钙化点的检测方法和系统 | |
CN103325105A (zh) | 一种高精度合成孔径雷达图像自动配准方法及设备 | |
CN104463785A (zh) | 一种超声图像的放大方法及装置 | |
Boruah et al. | Map-based cosmology inference with lognormal cosmic shear maps | |
CN111783719A (zh) | 一种肌电控制方法及装置 | |
CN115830592A (zh) | 一种重叠宫颈细胞分割方法及系统 | |
Jarabese et al. | Sign to speech convolutional neural network-based filipino sign language hand gesture recognition system | |
CN112699952B (zh) | 基于深度学习的列车故障图像扩增方法及系统 | |
CN101520318B (zh) | 基于影像的板料变形测量处理方法 | |
CN105956530A (zh) | 一种图像校正方法及装置 | |
CN107622476A (zh) | 基于概率生成模型的图像超分辨处理方法 | |
CN103530876B (zh) | 一种基于傅里叶变换的红外图像分析方法 | |
CN107122653A (zh) | 一种图片验证码处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |