CN109598704A - 一种基于bp神经网络的粪便显微图像清晰度评价方法 - Google Patents
一种基于bp神经网络的粪便显微图像清晰度评价方法 Download PDFInfo
- Publication number
- CN109598704A CN109598704A CN201811376071.6A CN201811376071A CN109598704A CN 109598704 A CN109598704 A CN 109598704A CN 201811376071 A CN201811376071 A CN 201811376071A CN 109598704 A CN109598704 A CN 109598704A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- layer
- pixel
- hidden layer
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
该发明公开了一种基于BP神经网络的粪便显微图像的清晰度评价方法,属于机器视觉技术领域,具体一种基于BP神经网络的粪便显微图像清晰度评价方法。通过人工判定出的粪便显微清晰图像和不清晰图像对一个四层的BP神经网络进行训练,获得完整的判定图像清晰程度的神经网络,该方法针对粪便显微图像分层厚、背景复杂的特点,适用于粪便显微图像的自动对焦。
Description
技术领域
本发明属于机器视觉技术领域,具体一种基于BP神经网络的粪便显微图像清晰度评价方法。本发明可用于医学检验、生物研究、精密仪器制造等领域。
背景技术
图像的清晰度评价是对图像的清晰程度进行量化的计算,在图像分析和识别中具有重要的意义,是整个机器视觉系统能否自动对焦的关键。图像清晰度评价在医学检验、生物研究、工业检测、精密仪器制造等领域获得众多应用。
为了使仪器实现自动对焦,通常情况采用的是选择一种清晰度评价函数,作为计算的指标,然后根据一种快速搜索算法如爬山搜索算法、深入优先搜索算法等进行搜索,得到最后的清晰度峰值。
粪便显微图像由于粪便样本的特殊性,难以实现完全离心,存在样本分层厚、图像背景复杂、亮度偏暗等特征,传统的清晰度评价方法很难完全使用粪便显微环境下的清晰度评价处理。如Tenegrad梯度法,虽然对比度很高,但是单峰性较差,难以应对样本分层厚度大的特点;而能量梯度法,虽然具有很好的单峰性,但是对比度相对较差,在复杂背景和光照环境下难以满足要求。
BP神经网络模型是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。它最大的特点是仅仅借助样本数据,无需建立系统的数学模型,就可以对系统实现高度非线性的映射。
由于传统的清晰度评价函数难以满足粪便显微复杂环境下的图像清晰度评价,需要一种清晰度评价方法,同时满足单峰性、对比度、鲁棒性等条件,并适用于粪便显微环境。如果可以用BP神经网络模型,结合多种清晰度评价方法的优点,这样就可以得到一种符合粪便显微环境要求下的新的清晰度评价方法,并且对接下来的粪便显微环境下自动对焦和细胞识别具有非常大的帮助。
发明内容
为了解决传统的图像清晰度评价方法无法满足粪便显微图像下的特殊环境,本发明的目的在于提供一种鲁棒性强、对比度高、单峰性好的针对粪便显微图像的清晰度评价方法。
本发明是一种基于BP神经网络的粪便显微图像的清晰度评价方法,采用的具体步骤如下:
步骤1:使显微镜对准粪便样本,将显微镜从上到下或从下至上匀速运动,以同样的时间间隔拍摄粪便显微图像对焦过程的一组图片,这组图片肯定包括模糊、清晰、模糊的变化过程,其中每组图片的图片数60>N>40;
步骤2:对每组图片进行逐一人工判断,找出每组图片中最清晰的10张图片,并分别对这10张清晰图片赋予0.5-1的清晰度值,其中最清晰的一张或两张图片赋值为1;其余图片根据清晰程度的不同,分别赋值为0-0.5,其中最不清晰的一张或两张图片赋值为0;
步骤3:重复步骤1、步骤2,得到M组粪便显微图像对焦过程图片,其中M>100,最终得到M*N张被赋予清晰度值的图片;
步骤4:对每张图像用基于边缘分析的Tenegrad梯度法求解清晰度评价函数,并保存为第一维数据;Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值,其定义如下:
D(f)=∑y∑x|G(x,y)|(G(x,y)>T)
其中x代表图像中像素水平方向的位置,y代表图像中像素垂直方向的位置,T表示图像灰度平均值;
其中:Gx为Sobel算子水平方向的梯度值,而Gy为Sobel算子垂直方向的梯度值,I表示在该点(x,y)的梯度;
步骤5:对每张图像求基于快速小波变换的清晰度评价函数,并保存为第二维数据;
式中cLH,cHL和cHH分别表示水平高频系数矩阵、垂直高频系数矩阵和对焦高频系数矩阵,i代表图像中像素水平方向的位置,j代表图像中像素垂直方向的位置,E代表最后的运算结果值;
步骤6:对每张图像用基于能量的能量梯度法求解清晰度评价函数,并保存为第三维数据;其表达式为:
其中:M,N分别代表图像水平和垂直方向的像素数,x代表图像中像素水平方向的位置,y代表图像中像素垂直方向的位置,f(x,y)代表图像在(x,y)位置上的像素值大小;
步骤7:对每张图像用基于离散余弦变换(DCT)的清晰度评价函数,保存为第四维数据,其中二维离散余弦变换为:
其中:F(x,y)为M*N的数字图像矩阵,G代表最后的结果,v代表图像中像素水平方向的位置,u代表图像中像素垂直方向的位置,c(u)代表垂直系数,c(v)代表水平系数;
步骤8:对每张图像用基于像素灰度值统计信息的信息熵评价法求解清晰度评价函数,并保存为第五维数据,具体表达式为:
其中:M,N分别代表图像水平和垂直方向的像素数,x代表图像中像素水平方向的位置,y代表图像中像素垂直方向的位置,I(x,y)代表图像在(x,y)位置上的像素值大小;
步骤9:整合上述五个维度的样本输入数据和一个维度的样本输出数据,取其中N*M/2数量的图片数据作为输入样本;
步骤10:初始化BP网络,设计一个四层的BP神经网络,分别为输入层X,第一隐含层C1,第二隐含层C2,输出层Y;其中输入层X的节点数对应于五种清晰度评价函数,设置为5;第一隐含层和第二隐含层的节点数分别设置为5和2;而输出层Y的节点数设置为1;
步骤11:使用Sigmoid作为隐藏层激活函数,Purelin作为输出层激活函数,将输入层的数值通过网络计算传播到隐藏层,再以相同的方式从隐藏层传播到输出层,即为一次前向传播;
步骤12:采用梯度下降法和反向传导算法进行层与层之间连接值的更新,即为一次后向反馈,至此,网络架构阶段完成;
步骤13:对BP神经网络输入样本和期望输出,其中输入的样本为:X=(X1,,X2,,X3,,X4,,X5,),代表五个维度清晰度评价函数的输入;计算各层的输入和训练误差,再对权值进行修正;
步骤14:对每个样本都进行步骤13的处理,即完成一个训练周期;
步骤15:计算样本误差指标,误差指标E<ε,则停止训练;其中ε为事先设定的阈值为一个很小的正数;否则重复步骤10-13进行重复训练,直到满足误差为止。
进一步的,所述步骤12中学习路设置为0.01;步骤15中ε设置为0.01。
进一步的,所述步骤13的具体步骤如下:
步骤13-1:输入层的每个节点,都要与隐藏层1的每个节点做点对点的计算,计算的方式是加权求和+激活,其中激活函数采用Sigmoid;
步骤13-2:隐藏层1的每个节点需与隐藏层2的每个节点用相同的方式进行计算,逐层传播;
步骤13-3:利用隐藏层计算出的每个值,再用相同的方法,和输出层进行计算;其中激活函数采用Purelin;
步骤13-4:利用前向传播最后输出的结果来计算误差的偏导数;
步骤13-5:再用这个偏导数和前面的隐藏层进行加权求和;
步骤13-6:如此从后向前一层一层传递,直到输入层X;
步骤13-7:最后利用每个节点求出的偏导数来更新权重,至此为一次训练的过程。
本发明是一种基于BP神经网络的粪便显微图像清晰度评价方法,通过人工判定出的粪便显微清晰图像和不清晰图像对一个四层的BP神经网络进行训练,获得完整的判定图像清晰程度的神经网络,该方法针对粪便显微图像分层厚、背景复杂的特点,适用于粪便显微图像的自动对焦。
附图说明
图1是本发明提出的粪便显微图像清晰度评价方法获取的总体流程图。
图2是对粪便显微图像进行数据预处理的流程图。
图3是本发明中所使用的BP神经网络流程图。
具体实施方式
下面结合附图,对本发明的一种粪便显微图像清晰度评价方法进行详细说明:
步骤1:用搭建好的显微镜自动对焦平台,使电机匀速的从上到下,以同样的时间间隔拍摄一个粪便显微图像对焦过程中的一组图片,其中每组图片的图片数60>N>40;
步骤2:对每组图片进行逐一人工判断,找出每组图片中最清晰的十张图片,每组图片的像素大小为1600*1200,并分别赋予0.5-1的清晰度值,其中最清晰的图片赋值为1。其余图片根据清晰程度的不同,分别赋值为0-0.5,其中最不清晰的图片赋值为0;
步骤3:重复步骤1、2,得到M组粪便显微图像对焦过程图片,其中M>100,最终得到M﹡N张被赋予清晰度值的图片;
步骤4:对每张图像用基于边缘分析的Tenegrad梯度法求解清晰度评价函数,并保存为第二维数据。Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值,其定义如下:
D(f)=∑y∑x|G(x,y)|(G(x,y)>T)
其中
步骤5:对每张图像求基于快速小波变换的清晰度评价函数,并保存为第一维数据。对于二维静态图像,离散小波变换可以分别对图像数据的行和列做一维小波变换来实现:
式中cLH,cHL和cHH表示高频部分,这里除掉了低频系数cLL。
步骤6:对每张图像用基于能量的能量梯度法求解清晰度评价函数,并保存为第五维数据。其表达式为:
步骤7:对每张图像用基于离散余弦变换(DCT)的清晰度评价函数,其中二维DCT定义如下:设f(x,y)为M*N的数字图像矩阵,则:
步骤8:对每张图像用基于像素灰度值统计信息的信息熵评价法求解清晰度评价函数,并保存为第五维数据,具体表达式为:
步骤9:整合五个维度的样本输入数据和一个维度的样本输出数据,取其中N*M/2数量的图片数据作为输入样本;
步骤10:初始化BP网络,设计一个四层的BP神经网络,分别为输入层X,第一隐含层C1,第二隐含层C2,输出层Y;其中输入层X的节点数对应于五种清晰度评价函数,设置为5;第一隐含层和第二隐含层的节点数分别设置为5和2;而输出层Y的节点数设置为1。
步骤11:使用Sigmoid作为隐藏层激活函数,Purelin作为输出层激活函数,将输入层的数值通过网络计算传播到隐藏层,再以相同的方式从隐藏层传播到输出层,即为一次前向传播。
步骤12;学习率初步设为0.01,采用梯度下降法和反向传导算法进行层与层之间连接值的更新,即为一次后向反馈,至此,网络架构阶段完成;
步骤13:对BP神经网络输入样本和期望输出,其中输入的样本为:X=(X1,,X2,,X3,,X4,,X5,),代表五个维度清晰度评价函数的输入。计算各层的输入和训练误差,再对权值进行修正。
步骤13-1:输入层的每个节点,都要与隐藏层1的每个节点做点对点的计算,计算的方式是加权求和+激活,其中激活函数采用Sigmoid;
步骤13-2:隐藏层1的每个节点需与隐藏层2的每个节点用相同的方式进行计算,逐层传播;
步骤13-3:利用隐藏层计算出的每个值,再用相同的方法,和输出层进行计算。其中激活函数采用Purelin;
步骤13-4:利用前向传播最后输出的结果来计算误差的偏导数;
步骤13-5:再用这个偏导数和前面的隐藏层进行加权求和;
步骤13-6:如此从后向前一层一层传递,知道输入层X;
步骤13-7:最后利用每个节点求出的偏导数来更新权重,至此为一次训练的过程。
步骤14:对每个样本都进行步骤13的处理,即完成一个训练周期。
步骤15:计算样本误差指标,如误差指标E<ε,则停止训练。其中ε是一个很小的正数,可根据实际情况调整,这里取0.01。否则重复步骤10-13进行重复训练,直到满足误差为止。
Claims (3)
1.一种基于BP神经网络的粪便显微图像的清晰度评价方法,采用的具体步骤如下:
步骤1:使显微镜对准粪便样本,将显微镜从上到下或从下至上匀速运动,以同样的时间间隔拍摄粪便显微图像对焦过程的一组图片,这组图片肯定包括模糊、清晰、模糊的变化过程,其中每组图片的图片数60>N>40;
步骤2:对每组图片进行逐一人工判断,找出每组图片中最清晰的10张图片,并分别对这10张清晰图片赋予0.5-1的清晰度值,其中最清晰的一张或两张图片赋值为1;其余图片根据清晰程度的不同,分别赋值为0-0.5,其中最不清晰的一张或两张图片赋值为0;
步骤3:重复步骤1、步骤2,得到M组粪便显微图像对焦过程图片,其中M>100,最终得到M*N张被赋予清晰度值的图片;
步骤4:对每张图像用基于边缘分析的Tenegrad梯度法求解清晰度评价函数,并保存为第一维数据;Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值,其定义如下:
D(f)=∑y∑x|G(x,y)|(G(x,y)>T)
其中x代表图像中像素水平方向的位置,y代表图像中像素垂直方向的位置,T表示图像灰度平均值;
其中:Gx为Sobel算子水平方向的梯度值,而Gy为Sobel算子垂直方向的梯度值,I表示在该点(x,y)的梯度;
步骤5:对每张图像求基于快速小波变换的清晰度评价函数,并保存为第二维数据;
式中cLH,cHL和cHH分别表示水平高频系数矩阵、垂直高频系数矩阵和对焦高频系数矩阵,i代表图像中像素水平方向的位置,j代表图像中像素垂直方向的位置,E代表最后的运算结果值;
步骤6:对每张图像用基于能量的能量梯度法求解清晰度评价函数,并保存为第三维数据;其表达式为:
其中:M,N分别代表图像水平和垂直方向的像素数,x代表图像中像素水平方向的位置,y代表图像中像素垂直方向的位置,f(x,y)代表图像在(x,y)位置上的像素值大小;
步骤7:对每张图像用基于离散余弦变换的清晰度评价函数,保存为第四维数据,其中二维离散余弦变换为:
其中:F(x,y)为M*N的数字图像矩阵,G代表最后的结果,v代表图像中像素水平方向的位置,u代表图像中像素垂直方向的位置,c(u)代表垂直系数,c(v)代表水平系数;
步骤8:对每张图像用基于像素灰度值统计信息的信息熵评价法求解清晰度评价函数,并保存为第五维数据,具体表达式为:
其中:M,N分别代表图像水平和垂直方向的像素数,x代表图像中像素水平方向的位置,y代表图像中像素垂直方向的位置,I(x,y)代表图像在(x,y)位置上的像素值大小;
步骤9:整合上述五个维度的样本输入数据和一个维度的样本输出数据,取其中N*M/2数量的图片数据作为输入样本;
步骤10:初始化BP网络,设计一个四层的BP神经网络,分别为输入层X,第一隐含层C1,第二隐含层C2,输出层Y;其中输入层X的节点数对应于五种清晰度评价函数,设置为5;第一隐含层和第二隐含层的节点数分别设置为5和2;而输出层Y的节点数设置为1;
步骤11:使用Sigmoid作为隐藏层激活函数,Purelin作为输出层激活函数,将输入层的数值通过网络计算传播到隐藏层,再以相同的方式从隐藏层传播到输出层,即为一次前向传播;
步骤12:采用梯度下降法和反向传导算法进行层与层之间连接值的更新,即为一次后向反馈,至此,网络架构阶段完成;
步骤13:对BP神经网络输入样本和期望输出,其中输入的样本为:X=(X1,,X2,,X3,,X4,,X5,),代表五个维度清晰度评价函数的输入;计算各层的输入和训练误差,再对权值进行修正;
步骤14:对每个样本都进行步骤13的处理,即完成一个训练周期;
步骤15:计算样本误差指标,误差指标E<ε,则停止训练;其中ε为事先设定的阈值为一个很小的正数;否则重复步骤10-13进行重复训练,直到满足误差为止。
2.如权利要求1所述的一种基于BP神经网络的粪便显微图像的清晰度评价方法,其特征在于所述步骤12中学习路设置为0.01;步骤15中ε设置为0.01。
3.如权利要求1所述的一种基于BP神经网络的粪便显微图像的清晰度评价方法,其特征在于所述步骤13的具体步骤如下:
步骤13-1:输入层的每个节点,都要与隐藏层1的每个节点做点对点的计算,计算的方式是加权求和+激活,其中激活函数采用Sigmoid;
步骤13-2:隐藏层1的每个节点需与隐藏层2的每个节点用相同的方式进行计算,逐层传播;
步骤13-3:利用隐藏层计算出的每个值,再用相同的方法,和输出层进行计算;其中激活函数采用Purelin;
步骤13-4:利用前向传播最后输出的结果来计算误差的偏导数;
步骤13-5:再用这个偏导数和前面的隐藏层进行加权求和;
步骤13-6:如此从后向前一层一层传递,直到输入层X;
步骤13-7:最后利用每个节点求出的偏导数来更新权重,至此为一次训练的过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811376071.6A CN109598704B (zh) | 2018-11-19 | 2018-11-19 | 一种基于bp神经网络的粪便显微图像清晰度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811376071.6A CN109598704B (zh) | 2018-11-19 | 2018-11-19 | 一种基于bp神经网络的粪便显微图像清晰度评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598704A true CN109598704A (zh) | 2019-04-09 |
CN109598704B CN109598704B (zh) | 2023-05-02 |
Family
ID=65958751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811376071.6A Active CN109598704B (zh) | 2018-11-19 | 2018-11-19 | 一种基于bp神经网络的粪便显微图像清晰度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598704B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110606227A (zh) * | 2019-08-05 | 2019-12-24 | 上海盛榕医疗器械科技有限公司 | 一种全自动核素分装系统及方法 |
CN111062887A (zh) * | 2019-12-14 | 2020-04-24 | 天津理工大学 | 基于改进的Retinex算法的图像清晰度判定方法 |
CN111147737A (zh) * | 2019-12-11 | 2020-05-12 | 广东工业大学 | 一种基于rbf神经网络的自动对焦方法及装置 |
WO2020215804A1 (zh) * | 2019-04-25 | 2020-10-29 | 天津御锦人工智能医疗科技有限公司 | 一种基于深度学习的结肠镜粪便粪水检测方法 |
CN112433339A (zh) * | 2020-12-10 | 2021-03-02 | 济南国科医工科技发展有限公司 | 基于随机森林的显微镜精细对焦方法 |
CN112540456A (zh) * | 2020-12-03 | 2021-03-23 | 重庆奥亚医疗器械有限公司 | 一种基于仿人清晰度判定的显微镜精密自动对焦方法 |
CN116563735A (zh) * | 2023-05-15 | 2023-08-08 | 国网电力空间技术有限公司 | 一种基于深度人工智能的输电杆塔巡检图像对焦判断方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
CN102750702A (zh) * | 2012-06-21 | 2012-10-24 | 东华大学 | 基于优化bp神经网络模型的单目红外图像深度估计方法 |
CN105897736A (zh) * | 2016-05-17 | 2016-08-24 | 北京邮电大学 | 一种tcp视频流业务用户体验质量评估方法及装置 |
CN106295715A (zh) * | 2016-08-22 | 2017-01-04 | 电子科技大学 | 一种基于bp神经网络分类器的白带清洁度自动分类方法 |
CN106651829A (zh) * | 2016-09-23 | 2017-05-10 | 中国传媒大学 | 一种基于能量和纹理分析的无参考图像客观质量评价方法 |
CN106951839A (zh) * | 2017-03-09 | 2017-07-14 | 电子科技大学 | 一种阴道清洁度自动划分的方法 |
CN106991531A (zh) * | 2017-03-30 | 2017-07-28 | 国家电网公司 | 基于bp神经网络的配电网项目建设效果后评价方法 |
CN107085644A (zh) * | 2017-04-24 | 2017-08-22 | 武汉理工大学 | 一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法 |
CN108460742A (zh) * | 2018-03-14 | 2018-08-28 | 日照职业技术学院 | 一种基于bp神经网络的图像复原方法 |
CN108615231A (zh) * | 2018-03-22 | 2018-10-02 | 浙江科技学院 | 一种基于神经网络学习融合的全参考图像质量客观评价方法 |
-
2018
- 2018-11-19 CN CN201811376071.6A patent/CN109598704B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
CN102750702A (zh) * | 2012-06-21 | 2012-10-24 | 东华大学 | 基于优化bp神经网络模型的单目红外图像深度估计方法 |
CN105897736A (zh) * | 2016-05-17 | 2016-08-24 | 北京邮电大学 | 一种tcp视频流业务用户体验质量评估方法及装置 |
CN106295715A (zh) * | 2016-08-22 | 2017-01-04 | 电子科技大学 | 一种基于bp神经网络分类器的白带清洁度自动分类方法 |
CN106651829A (zh) * | 2016-09-23 | 2017-05-10 | 中国传媒大学 | 一种基于能量和纹理分析的无参考图像客观质量评价方法 |
CN106951839A (zh) * | 2017-03-09 | 2017-07-14 | 电子科技大学 | 一种阴道清洁度自动划分的方法 |
CN106991531A (zh) * | 2017-03-30 | 2017-07-28 | 国家电网公司 | 基于bp神经网络的配电网项目建设效果后评价方法 |
CN107085644A (zh) * | 2017-04-24 | 2017-08-22 | 武汉理工大学 | 一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法 |
CN108460742A (zh) * | 2018-03-14 | 2018-08-28 | 日照职业技术学院 | 一种基于bp神经网络的图像复原方法 |
CN108615231A (zh) * | 2018-03-22 | 2018-10-02 | 浙江科技学院 | 一种基于神经网络学习融合的全参考图像质量客观评价方法 |
Non-Patent Citations (5)
Title |
---|
ER. AMANDEEP KAUR;ER. VIKAS WASSON: "A novel approach to no-reference image quality assessment using canny magnitude based upon neural network", 《2017 2ND IEEE INTERNATIONAL CONFERENCE ON RECENT TRENDS IN ELECTRONICS, INFORMATION & COMMUNICATION TECHNOLOGY (RTEICT)》 * |
徐敏霞: "手机照片质量评价算法研究与实现", 《中国优秀硕士学位论文全文电子期刊网 信息科技辑》 * |
邵南平等: "基于AdaBoost BP神经网络的无参考图像质量评价的研究", 《国外电子测量技术》 * |
陈国金等: "小波变换与神经网络复合的图像清晰度识别研究", 《红外技术》 * |
高强: "基于BP神经网络的图像识别方法", 《电子世界》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020215804A1 (zh) * | 2019-04-25 | 2020-10-29 | 天津御锦人工智能医疗科技有限公司 | 一种基于深度学习的结肠镜粪便粪水检测方法 |
CN110606227A (zh) * | 2019-08-05 | 2019-12-24 | 上海盛榕医疗器械科技有限公司 | 一种全自动核素分装系统及方法 |
CN110606227B (zh) * | 2019-08-05 | 2021-09-03 | 上海盛榕医疗器械科技有限公司 | 一种全自动核素分装系统及方法 |
CN111147737A (zh) * | 2019-12-11 | 2020-05-12 | 广东工业大学 | 一种基于rbf神经网络的自动对焦方法及装置 |
CN111062887A (zh) * | 2019-12-14 | 2020-04-24 | 天津理工大学 | 基于改进的Retinex算法的图像清晰度判定方法 |
CN111062887B (zh) * | 2019-12-14 | 2023-11-03 | 天津理工大学 | 基于改进的Retinex算法的图像清晰度判定方法 |
CN112540456A (zh) * | 2020-12-03 | 2021-03-23 | 重庆奥亚医疗器械有限公司 | 一种基于仿人清晰度判定的显微镜精密自动对焦方法 |
CN112433339A (zh) * | 2020-12-10 | 2021-03-02 | 济南国科医工科技发展有限公司 | 基于随机森林的显微镜精细对焦方法 |
CN112433339B (zh) * | 2020-12-10 | 2022-04-15 | 济南国科医工科技发展有限公司 | 基于随机森林的显微镜精细对焦方法 |
CN116563735A (zh) * | 2023-05-15 | 2023-08-08 | 国网电力空间技术有限公司 | 一种基于深度人工智能的输电杆塔巡检图像对焦判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109598704B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598704A (zh) | 一种基于bp神经网络的粪便显微图像清晰度评价方法 | |
CN108399362B (zh) | 一种快速行人检测方法及装置 | |
CN110441271B (zh) | 基于卷积神经网络的光场高分辨解卷积方法及系统 | |
CN109376611A (zh) | 一种基于3d卷积神经网络的视频显著性检测方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN111210435A (zh) | 一种基于局部和全局特征增强模块的图像语义分割方法 | |
CN111754446A (zh) | 一种基于生成对抗网络的图像融合方法、系统及存储介质 | |
CN107274378B (zh) | 一种融合记忆cnn的图像模糊类型识别及参数整定方法 | |
CN109873948A (zh) | 一种光学显微镜智能自动聚焦方法、设备及存储设备 | |
CN113780292A (zh) | 一种基于证据推理的语义分割网络模型不确定性量化方法 | |
CN112862774A (zh) | 一种遥感影像建筑物精确分割方法 | |
CN111666852A (zh) | 一种基于卷积神经网络的微表情双流网络识别方法 | |
CN113256772B (zh) | 一种基于视角转换的双角度光场高分辨重构系统及方法 | |
CN110322403A (zh) | 一种基于生成对抗网络的多监督图像超分辨重建方法 | |
CN110728666B (zh) | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 | |
CN107329233A (zh) | 一种基于神经网络的微滴式pcr仪自动对焦方法 | |
CN104408697B (zh) | 基于遗传算法和正则先验模型的图像超分辨重建方法 | |
CN113052755A (zh) | 一种基于深度学习的高分辨率图像智能化抠图方法 | |
CN114359631A (zh) | 基于编码-译码弱监督网络模型的目标分类与定位方法 | |
CN113989261A (zh) | 基于Unet改进的无人机视角下红外图像光伏板边界分割方法 | |
Christensen et al. | ML-SIM: a deep neural network for reconstruction of structured illumination microscopy images | |
CN114565628B (zh) | 一种基于边界感知注意的图像分割方法及系统 | |
Basak et al. | Monocular depth estimation using encoder-decoder architecture and transfer learning from single RGB image | |
CN114549318A (zh) | 基于亚体素卷积神经网络的超高分辨荧光显微成像方法 | |
CN114359873A (zh) | 一种融合道路空间先验和区域级特征的弱监督车辆可行域分割方法 |
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 |