CN109035172A - 一种基于深度学习的非局部均值超声图像去噪方法 - Google Patents
一种基于深度学习的非局部均值超声图像去噪方法 Download PDFInfo
- Publication number
- CN109035172A CN109035172A CN201810898888.3A CN201810898888A CN109035172A CN 109035172 A CN109035172 A CN 109035172A CN 201810898888 A CN201810898888 A CN 201810898888A CN 109035172 A CN109035172 A CN 109035172A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- pcanet
- local mean
- noise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013135 deep learning Methods 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000002604 ultrasonography Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 238000013136 deep learning model Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000011946 reduction process Methods 0.000 abstract description 2
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 230000000052 comparative effect Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 6
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于深度学习的非局部均值方法，用于实现医学超声图像的降噪处理。该方法包括：利用公共的医学超声图像数据库训练基于主成分分析网络PCANet的深度学习模型；对待降噪图像，采用优化的贝叶斯非局部均值方法进行预滤波，将预滤波结果输入训练好的PCANet，提取其深度特征；利用获得的深度特征计算预滤波图像中图像块间的相似度；基于获得的相似度，对预滤波图像进行非局部均值降噪，获得最终的去噪图像。本发明采用深度学习模型挖掘超声图像的高阶特征，利用该特征表征图像结构相似性，可克服传统非局部均值利用灰度信息表征图像结构相似性的不足，能在有效抑制图像中斑点噪声的同时，很好地保护图像细节信息。
Description
技术领域
本发明属于图像处理与分析中的图像去噪领域，更具体地，涉及一种深度学习与非局部均值相结合的医学超声图像去噪方法。
背景技术
医学影像技术是现代医学中的重要组成部分，对疾病的诊断和治疗有着革命性的意义。现有的成像技术虽然发展迅速，但由于其成像原理的限制，不可避免的会产生噪声，比如超声图像中就有许多斑点噪声。这些噪声导致了成像区域信息的不准确，进一步影响了医生对微小病变的判断。为此，对医学超声图像进行去噪处理就显得必不可少。
目前有代表性的斑点噪声去除方法是基于非局部均值的方法。该方法基本思想是：当前像素点的灰度值与图像中所有与其结构相似的像素点加权平均得到。为了衡量两个结构相似的像素点，一般通过以这两个像素点为中心的图像块的灰度信息来确定。传统的非局部均值方法对于去除高斯噪声有很好的效果，但对于斑点噪声却不适合，这是由于斑点噪声与高斯噪声在噪声分布上有很大不同。为了将非局部均值方法应用到斑点噪声去除中，Coupe等提出了一种优化的贝叶斯非局部均值(Optimized Bayesian NonlocalMeans，OBNLM)方法。与传统的非局部均值方法不同，OBNLM使用基于贝叶斯框架得到的皮尔森距离代替原来非局部均值中的欧几里得距离来度量两个图像块之间的相似性。这种处理对斑点的去除收到了很好的效果。此外，詹轶等提出了一种在低维的主成分分析子空间中计算形似度权值的改进型非局部均值方法，杨等提出了一种利用斑点噪声的局部统计信息对超声图像进行预滤波，然后在此基础上计算相似度的混合型非局部均值去噪方法。以上这些改进方法提高了非局部均值的应用领域，对斑点噪声的去除也提供了新的思路。然而，这些方法都只利用了斑点图像的灰度特征信息，这对于表征图像的内在结构特征是不精确的。如果能够使用图像的深度特征来衡量两个像素点间的结构相似性，这对于提高非局部均值方法的去斑效果将有很大帮助。
PCANet是近年来发展起来的一种简单而有效的深度学习模型，该模型只用少量(如三层)数据处理层，用于提取图像的深度特征。第一层的PCA层用于学习多层滤波器核，第二层的二值化哈希编码以及第三层的块直方图分别用来进行下采样和编码操作。相比于卷积神经网络(convolutional neural networks，CNN)或深度信念网络(deep beliefnetwork，DBN)，该模型结构简单、调参方便，在分类和识别领域取得了很好效果。但由于PCANet中二值化哈希编码以及块直方图会导致特征信息的丢失，这对于图像去噪是不利的。
发明内容
针对现有技术的上述缺陷或改进需求，本发明提供了一种基于PCANet的非局部均值方法用于实现医学超声图像的降噪处理。
为实现上述目的，本发明具体包括以下内容：
一种基于深度学习的非局部均值方法用于医学超声图像去噪方法，具体包括以下步骤：
步骤1利用医学超声图像数据集离线训练主成分分析网络深度学习模型PCANet，获得卷积模版；
步骤2对噪声图像进行预滤波，预滤波图像输入训练好的卷积模版，获得深度特征；
步骤3利用深度特征构造噪声图像中每个像素点对应的特征向量，利用该向量的欧式距离计算像素点间的相似性；
步骤4根据获得的相似性，采用非局部均值方法对医学超声图像进行去噪。
进一步地，所述步骤1利用医学超声图像数据集离线训练主成分分析网络深度学习模型PCANet，包含三个数据处理层：
(1)主成分分析：
假设有N张训练图片，对每幅图片的每个像素，在其周围进行一次k1×k2的块采样，将产生的采样块进行向量化处理；然后将得到的所有向量进行组合得到训练样本矩阵，计算该矩阵的特征向量，并将所述训练样本矩阵的特征值按从大到小进行排序，将前L1个特征值对应的特征向量进行矩阵化，得到第一层PCANet的L1个卷积模板。
将各卷积模板分别与训练图像进行卷积得到NL1幅图像，将产生的NL1幅图像输入到第二层PCANet中进行类似处理，得到第二层PCANet的L2个卷积模板，并得到NL1L2幅输出图像；
其中，k1×k2表示块的大小，L1为第一层PCANet选取的特征个数，L2为第二层PCANet选取的特征个数；
(2)二值化哈希编码：
对第二层得到的NL1L2张图像进行二值化处理，使其只包含1和0；在此基础上再进行哈希编码，使每个像素值都变为0-255之间的一个数，量化并加大各特征的差异；
(3)分块直方图：
对于第一层的每个输出矩阵，将其分为B块，计算统计每个块的直方图信息，然后再将各个块的直方图特征进行级联，最终得到块扩展直方图特征；
进一步地，采用参数化修正线性单元激活函数取代原来PCANet中的第2和3个数据处理层，作为该网络的输出层；PReLU的具体形式为：
其中a是可学习参数，x是输入数据通过卷积模板获得的深度特征，if表示如果。
进一步地，所述步骤2预滤波采用均值去噪方法、Kuan滤波方法或优化的贝叶斯非局部均值(Optimized Bayesian Nonlocal Means，OBNLM)方法。优选的，使用其中的OBNLM方法进行预处理。
进一步地，所述步骤3具体包括以下子步骤：
步骤3-1将噪声图中每个像素点所对应的所有特征图中相同位置的像素点级联起来，作为原像素点的特征向量；
步骤3-2计算噪声图中两个像素点的相似性ω(i,j,m,n)：
其中X(i,j)和X(m,n)分别是位置在(i,j)和(m,n)的像素点对应的特征向量；h是滤波参数，控制衰减的速度；e是数学常数，约为2.71828。
进一步地，所述步骤4具体包括以下操作：根据像素点间的相似性，通过非局部均值方法，对噪声图像的每个像素点进行复原，使用以下公式；
其中，NLM[I(i,j)]是复原之后图像在像素点(i,j)处的灰度值，Ω(i,j)是中心在像素点(i,j)的搜索窗，I(m,n)是原始噪声图像在像素点(m,n)处的灰度值。
本发明提出的上述技术方案与现有技术相比，由于使用了改进的PCANet提取图像的深度特征，由此构建非局部均值方法，相比原始的基于灰度信息的非局部均值方法，该方法可在克服图像存在噪声的情况下，更加精确的表征图像的内在结构信息，这为噪声的去除以及保留更多的图像细节提供了有效依据。
附图说明
图1为本发明实施改进的PCANet提取图像深度特征的结构示意图；
图2为本发明实施联合PCANet与非局部均值方法对医学超声图像去噪的流程示意图；
图3(a)为本发明实施例以及对比例1-2所用的基于Field2的仿真图像；
图3(b)为本发明实施例方法获得的去噪图像；
图3(c)为本发明对比例1方法获得的去噪图像；
图3(d)为本发明对比例2方法获得的去噪图像；
图4(a)为本发明实施例以及对比例1-2所用的临床真实超声图像；
图4(b)为本发明实施例方法获得的去噪图像；
图4(c)为本发明对比例1方法获得的去噪图像；
图4(d)为本发明对比例2方法获得的去噪图像；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于深度学习与非局部均值相结合的医学超声图像去噪方法及系统。该方法首先通过大量的医学超声图像训练PCANet，然后将噪声图像输入到训练好的PCANet中用于获取深度结构特征，接着利用此深度特征构建相应的特征向量用于改进图像块间的相似性权重，最后使用改进后的非局部均值方法实现超声图像去噪。
如图1所示为本发明实施例提供的一种改进的PCANet模型用于提取图像深度特征的流程示意图，包括：
(1)将原始的PCANet模型中的二值化哈希编码和分块直方图部分用PReLU函数代替，用于保留图像中更多的细节信息；
(2)将噪声图像输入到已训练好的PCANet网络中，获取其深度特征；
在本发明实施例中，如图2所示为联合PCANet与非局部均值方法对医学超声图像去噪的流程图，包括：
(1)将噪声图像经过OBNLM预滤波后输入训练好的PCANet模型中，获得深度特征；
(2)利用产生的深度特征构造噪声图像中每个像素点相应的特征向量，由该特征向量代替原来的图像块计算像素点间的相似性权重；
(3)根据获得的相似性权重，采用非局部均值方法对医学超声图像进行去噪；
(4)如果去噪效果不理想，可将获得的去噪图像再一次放入PCANet中提取其特征，继续改进相似性权重，直到达到要求为止；
以下结合具体实施例对本发明方法进行详细说明：
步骤1训练PCANet网络。输入N幅医学超声图像对于每幅图像的每个像素，无间隔的取k1×k2的块；将得到的块向量化，并进行去均值化。将得到的所有向量组合在一起，将得到一个矩阵。计算这个矩阵的特征向量，并将特征值按从大到小排序，取前L1个特征值对应的特征向量。将L1个特征向量矩阵化，将会得到第一层的L1个卷积模板。将卷积模板与输入图像进行卷积，将会得到NL1幅图像。将这NL1幅图像输入到第二层PCANet中，按照第一层的处理方法，将得到第二层PCANet的L2个卷积模板，并得到NL1L2幅图像。进一步的，将这NL1L2幅特征图像输入到PReLU函数中，得到该网络最终的输出图像；
步骤2根据改进的PCANet产生的NL1L2幅特征图像构建噪声图像中每个像素点对应的特征向量，由此计算像素点间的相似性权重：
步骤3根据得到的相似性权重，采用非局部均值方法，对噪声图像的每个像素点进行去噪，采用以下公式：
步骤4对于本发明方法，分别采用基于Field2的“囊肿”仿真图以及真实的医学超声图片进行测试，去噪结果通过定量和定性两方面综合评估；对比例1
按照(IEEE.CVPR.(2005)60-65.)里的NLM方法实现去噪。具体参数为：搜索窗大小选择为17×17，相似窗大小选择为7×7。
对比例2
按照(IEEE.Trans Image Proc.18(10)(2009)2221-2229.)里的OBNLM方法实现去噪。具体参数为：搜索窗大小选择为17×17，相似窗大小选择为7×7。
结果分析
为了进一步体现本发明的优点，我们将实施例与对比例1-2的去噪效果进行比较。定量比较采用ENL(equivalent number of looks，等效视数)和CNR(contrast-to-noiseratio，对比噪声比)进行评价，其中ENL和CNR分别定义如下：
这里，μb和μo分别是背景区域和目标区域的平均灰度值，σb和σo分别是背景区域和目标区域的标准差。
采用基于Field2的仿真超声图像和真实的超声图像进行去噪效果测试。表1和表2分别列出了各算法对仿真图像和真实的超声图像进行去噪的ENL和CNR值。从两个表均可看出，不论对那种类型的图片进行去噪时，在所有的感兴趣区，实施例提供的ENL和CNR值皆高于其它方法，这说明本发明提出的方法在所有比较的方法中具有最高的去噪精度。
表1各方法在Field2仿真图像去噪后的ENL和CNR值对比
表2各方法在真实的医学超声图像去噪后的ENL和CNR值对比
为更直观地显示本发明相对于其余方法的优越性，我们提供了实施例与对比例1-2对应去噪图像的视觉效果图，如图3和4所示。图3(a)为仿真图像，图3(b)为实施例方法获得的去噪图像，图3(c)为对比例1方法获得的去噪图像，图3(d)为对比例2方法获得的去噪图像。图4(a)为真实的临床超声图像，图4(b)为实施例方法获得的去噪图像，图4(c)为对比例1方法获得的去噪图像，图4(d)为对比例2方法获得的去噪图像。从视觉效果上来看，不论是哪种图像，本发明提供的方法相比于其他方法能够更好的保留图像的细节信息，加强边界的锐利程度，且具有良好的清晰度。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的非局部均值方法用于医学超声图像去噪方法，其特征在于，具体包括以下步骤：
步骤1利用医学超声图像数据集离线训练主成分分析网络深度学习模型PCANet，获得卷积模版；
步骤2对噪声图像进行预滤波，预滤波图像输入训练好的卷积模版，获得深度特征；
步骤3利用深度特征构造噪声图像中每个像素点对应的特征向量，利用该向量的欧式距离计算像素点间的相似性；
步骤4根据获得的相似性，采用非局部均值方法对医学超声图像进行去噪。
2.如权利要求1所述的去噪方法，其特征在于，所述步骤1利用医学超声图像数据集离线训练主成分分析网络深度学习模型PCANet，包含三个数据处理层：
(1)主成分分析：
假设有N张训练图片，对每幅图片的每个像素，在其周围进行一次k1×k2的块采样，将产生的采样块进行向量化处理；然后将得到的所有向量进行组合得到训练样本矩阵，计算该矩阵的特征向量，并将所述训练样本矩阵的特征值按从大到小进行排序，将前L1个特征值对应的特征向量进行矩阵化，得到第一层PCANet的L1个卷积模板；
将各卷积模板分别与训练图像进行卷积得到NL1幅图像，将产生的NL1幅图像输入到第二层PCANet中进行类似处理，得到第二层PCANet的L2个卷积模板，并得到NL1L2幅输出图像；
其中，k1×k2表示块的大小，L1为第一层PCANet选取的特征个数，L2为第二层PCANet选取的特征个数；
(2)二值化哈希编码：
对第二层得到的NL1L2张图像进行二值化处理，使其只包含1和0；在此基础上再进行哈希编码，使每个像素值都变为0-255之间的一个数，量化并加大各特征的差异；
(3)分块直方图：
对于第一层的每个输出矩阵，将其分为B块，计算统计每个块的直方图信息，然后再将各个块的直方图特征进行级联，最终得到块扩展直方图特征。
3.如权利要求2所述的去噪方法，其特征在于，采用参数化修正线性单元激活函数取代原来PCANet中的第2和3个数据处理层，作为该网络的输出层；PReLU的具体形式为：
其中a是可学习参数，x是输入数据通过卷积模板获得的深度特征，if表示如果。
4.如权利要求1所述的去噪方法，其特征在于，所述步骤2预滤波采用均值去噪方法、Kuan滤波方法或优化的贝叶斯非局部均值(Optimized Bayesian Nonlocal Means，OBNLM)中的任一一种。
5.如权利要求2所述的去噪方法，其特征在于，所述步骤3具体包括以下子步骤：
步骤3-1将噪声图中每个像素点所对应的所有特征图中相同位置的像素点级联起来，作为原像素点的特征向量；
步骤3-2计算噪声图中两个像素点的相似性ω(i,j,m,n)：
其中X(i,j)和X(m,n)分别是位置在(i,j)和(m,n)的像素点对应的特征向量；h是滤波参数，控制衰减的速度；e是数学常数，约为2.71828。
6.如权利要求1所述的去噪方法，其特征在于，所述步骤4具体包括以下操作：根据像素点间的相似性，通过非局部均值方法，对噪声图像的每个像素点进行复原，使用以下公式；
其中，NLM[I(i,j)]是复原之后图像在像素点(i,j)处的灰度值，Ω(i,j)是中心在像素点(i,j)的搜索窗，I(m,n)是原始噪声图像在像素点(m,n)处的灰度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810898888.3A CN109035172B (zh) | 2018-08-08 | 2018-08-08 | 一种基于深度学习的非局部均值超声图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810898888.3A CN109035172B (zh) | 2018-08-08 | 2018-08-08 | 一种基于深度学习的非局部均值超声图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109035172A true CN109035172A (zh) | 2018-12-18 |
| CN109035172B CN109035172B (zh) | 2021-08-03 |
Family
ID=64632383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810898888.3A Active CN109035172B (zh) | 2018-08-08 | 2018-08-08 | 一种基于深度学习的非局部均值超声图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109035172B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852963A (zh) * | 2019-10-29 | 2020-02-28 | 天津大学 | 一种基于相关最大性的湍流退化图像复原方法 |
| CN111091603A (zh) * | 2019-11-04 | 2020-05-01 | 深圳先进技术研究院 | 一种超声成像方法、装置、可读存储介质及终端设备 |
| CN111553860A (zh) * | 2020-04-29 | 2020-08-18 | 北京理工大学 | 水色遥感影像的深度学习非邻域均值化处理方法及系统 |
| CN112053291A (zh) * | 2020-07-20 | 2020-12-08 | 清华大学 | 基于深度学习的弱光视频降噪方法及装置 |
| CN112200763A (zh) * | 2020-08-24 | 2021-01-08 | 江苏科技大学 | 一种基于肝脏ct影像的肝功能分级方法 |
| CN112370078A (zh) * | 2020-11-10 | 2021-02-19 | 安徽理工大学 | 一种基于超声成像和贝叶斯优化的图像检测方法 |
| CN112990215A (zh) * | 2021-03-04 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 图像去噪方法、装置、设备及存储介质 |
| CN113822361A (zh) * | 2021-09-18 | 2021-12-21 | 重庆大学 | 一种基于汉明距离的sar图像相似程度度量方法和系统 |
| CN114533122A (zh) * | 2022-03-11 | 2022-05-27 | 清华大学 | 一种超声微血流成像的信号处理方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750675A (zh) * | 2012-05-31 | 2012-10-24 | 华中科技大学 | 一种斑点噪声污染图像的非局部均值滤波方法 |
| CN106204462A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 基于图像多特征融合的非局部均值去噪方法 |
| CN106778554A (zh) * | 2016-12-01 | 2017-05-31 | 广西师范大学 | 基于联合特征PCANet的宫颈细胞图像识别方法 |
-
2018
- 2018-08-08 CN CN201810898888.3A patent/CN109035172B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750675A (zh) * | 2012-05-31 | 2012-10-24 | 华中科技大学 | 一种斑点噪声污染图像的非局部均值滤波方法 |
| CN106204462A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 基于图像多特征融合的非局部均值去噪方法 |
| CN106778554A (zh) * | 2016-12-01 | 2017-05-31 | 广西师范大学 | 基于联合特征PCANet的宫颈细胞图像识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIAN YANG ET AL.: "Local statistics and non-local mean filter for speckle noise reduction in medical ultrasound image", 《NEUROCOMPUTING》 * |
| 蔡斌等: "一种改进的非局部均值去噪算法", 《模式识别与人工智能》 * |
| 闫俊: "基于特征学习的OCT视网膜病变图像分类技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852963A (zh) * | 2019-10-29 | 2020-02-28 | 天津大学 | 一种基于相关最大性的湍流退化图像复原方法 |
| CN111091603A (zh) * | 2019-11-04 | 2020-05-01 | 深圳先进技术研究院 | 一种超声成像方法、装置、可读存储介质及终端设备 |
| CN111553860A (zh) * | 2020-04-29 | 2020-08-18 | 北京理工大学 | 水色遥感影像的深度学习非邻域均值化处理方法及系统 |
| CN111553860B (zh) * | 2020-04-29 | 2023-04-28 | 北京理工大学 | 水色遥感影像的深度学习非邻域均值化处理方法及系统 |
| CN112053291B (zh) * | 2020-07-20 | 2023-04-18 | 清华大学 | 基于深度学习的弱光视频降噪方法及装置 |
| CN112053291A (zh) * | 2020-07-20 | 2020-12-08 | 清华大学 | 基于深度学习的弱光视频降噪方法及装置 |
| CN112200763A (zh) * | 2020-08-24 | 2021-01-08 | 江苏科技大学 | 一种基于肝脏ct影像的肝功能分级方法 |
| CN112370078A (zh) * | 2020-11-10 | 2021-02-19 | 安徽理工大学 | 一种基于超声成像和贝叶斯优化的图像检测方法 |
| CN112370078B (zh) * | 2020-11-10 | 2024-01-26 | 安徽理工大学 | 一种基于超声成像和贝叶斯优化的图像检测方法 |
| CN112990215A (zh) * | 2021-03-04 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 图像去噪方法、装置、设备及存储介质 |
| CN112990215B (zh) * | 2021-03-04 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 图像去噪方法、装置、设备及存储介质 |
| CN113822361A (zh) * | 2021-09-18 | 2021-12-21 | 重庆大学 | 一种基于汉明距离的sar图像相似程度度量方法和系统 |
| CN113822361B (zh) * | 2021-09-18 | 2024-02-02 | 重庆大学 | 一种基于汉明距离的sar图像相似程度度量方法和系统 |
| CN114533122A (zh) * | 2022-03-11 | 2022-05-27 | 清华大学 | 一种超声微血流成像的信号处理方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109035172B (zh) | 2021-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035172A (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
| CN107977932B (zh) | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 | |
| CN108520503B (zh) | 一种基于自编码器和生成对抗网络修复人脸缺损图像的方法 | |
| CN106339998B (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
| CN109615582B (zh) | 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法 | |
| CN108764041B (zh) | 用于下部遮挡人脸图像的人脸识别方法 | |
| CN111274921B (zh) | 一种利用姿态掩模进行人体行为识别的方法 | |
| CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
| CN104408700A (zh) | 基于形态学和pca的轮廓波红外与可见光图像融合方法 | |
| CN110853051A (zh) | 基于多注意密集连接生成对抗网络的脑血管影像分割方法 | |
| CN110751636B (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
| CN108932536A (zh) | 基于深度神经网络的人脸姿态重建方法 | |
| CN113012172A (zh) | 一种基于AS-UNet的医学图像分割方法及系统 | |
| CN112507617B (zh) | 一种SRFlow超分辨率模型的训练方法及人脸识别方法 | |
| CN110796622B (zh) | 一种基于串联神经网络多层特征的图像比特增强方法 | |
| CN111507334B (zh) | 一种基于关键点的实例分割方法 | |
| CN110674824A (zh) | 基于R2U-Net的手指静脉分割方法、装置和存储介质 | |
| CN113658040A (zh) | 一种基于先验信息和注意力融合机制的人脸超分辨方法 | |
| CN111340758A (zh) | 一种基于深度神经网络的高效虹膜图像质量评价新方法 | |
| CN114266939A (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
| Luo et al. | Bi-GANs-ST for perceptual image super-resolution | |
| Lu et al. | Image-specific prior adaptation for denoising | |
| CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
| CN113592843B (zh) | 基于改进的U-Net眼底视网膜血管图像分割方法及装置 | |
| CN112967295A (zh) | 一种基于残差网络和注意力机制的图像处理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |