CN110289083A - 一种图像重构方法及装置 - Google Patents

一种图像重构方法及装置 Download PDF

Info

Publication number
CN110289083A
CN110289083A CN201910561039.3A CN201910561039A CN110289083A CN 110289083 A CN110289083 A CN 110289083A CN 201910561039 A CN201910561039 A CN 201910561039A CN 110289083 A CN110289083 A CN 110289083A
Authority
CN
China
Prior art keywords
image
sequence
dna
image data
subgraph
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.)
Pending
Application number
CN201910561039.3A
Other languages
English (en)
Inventor
吴婷婷
侯强波
蔡晓辉
杨平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Wang Xun Biological Polytron Technologies Inc
Original Assignee
Suzhou Wang Xun Biological Polytron Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Wang Xun Biological Polytron Technologies Inc filed Critical Suzhou Wang Xun Biological Polytron Technologies Inc
Priority to CN201910561039.3A priority Critical patent/CN110289083A/zh
Publication of CN110289083A publication Critical patent/CN110289083A/zh
Priority to PCT/CN2019/117157 priority patent/WO2020258647A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Abstract

本公开涉及一种图像重构方法及装置。包括：获取利用DNA存储的压缩图像对应的DNA碱基序列，所述DNA碱基序列中包括多个DNA碱基和/或碱基组合；根据DNA碱基和/或碱基组合与解压值的对应关系，将所述DNA碱基序列解压成第一图像数据；将所述第一图像数据输入至图像重构模型，经所述图像重构模型输出第二图像数据。本公开对所述第一图像数据重构出具有更高像素密度、更细腻的画质和更多细节的第二图像，从而满足较高画面质量的需求，为DNA图像存储的广泛应用提供了有力的技术保障。

Description

一种图像重构方法及装置
技术领域
本公开涉及信息处理技术领域，尤其涉及一种图像重构方法及装置。
背景技术
随着生命科学技术的发展，以及生命科学与其他科学技术的交叉发展，使得利用遗传物质脱氧核糖核酸(DNA)作为存储介质成为可能。数字化信息DNA存储指的是把数字化信息存储于DNA碱基序列中。此项技术利用DNA合成仪人工合成DNA进行存储，利用DNA测序仪来读取所存储的信息。随着互联网的发展，人们对高清图像的需求越来越高，尤其在一些特殊应用领域，如视频监控、医疗影像等，对图像精度的要求越来越高。利用DNA存储图像时，为减轻合成或测序的工作量，常需要对图像数据做一些压缩处理，在进行图像重构时，需要对经过压缩的图像数据对应的DNA碱基序列解码，解码难度大。且解码后的图像的分辨率较低，难以满足实际应用。
发明内容
为克服相关技术中存在的问题，本公开提供一种图像重构方法及装置。
根据本公开实施例的第一方面，提供一种图像重构方法，包括：
获取利用DNA存储的压缩图像对应的DNA碱基序列，所述DNA碱基序列中包括多个DNA碱基和/或碱基组合；
根据DNA碱基和/或碱基组合与解压值的对应关系，将所述DNA碱基序列解压成第一图像数据；
将所述第一图像数据输入至图像重构模型，经所述图像重构模型输出第二图像数据，所述第二图像的分辨率大于所述第一图像的分辨率。
在一种可能的实现方式中，所述DNA碱基序列包括多个子图像片段序列，所述多个子图像片段序列包括将所述压缩图像的原始图像的小波变换系数进行切割生成的序列。
在一种可能的实现方式中，所述子图像片段序列中还包括索引子序列，所述索引子序列用于存储所述子图像片段序列的索引信息。
在一种可能的实现方式中，所述索引信息包括下述中的至少一种：子图像级别、子图像的像素信息、子图像的种类、所述子图像片段序列在所述小波变换系数中的位置。
在一种可能的实现方式中，所述根据DNA碱基和/或碱基组合与解压值的对应关系，将所述DNA碱基序列解压成第一图像数据，包括：
解析所述索引子序列，获取所述子图像片段序列的索引信息；
根据DNA碱基和/或碱基组合与解压值的对应关系，确定所述子图像片段序列对应的解压值序列；
根据所述索引信息将所述多个子图像片段序列分别对应的解压值序列拼接成所述原始图像的小波变换系数；
对所述小波变换系数进行小波逆变换，得到所述第一图像数据。
在一种可能的实现方式中，所述根据所述索引信息将所述多个子图像片段序列分别对应的解压值序列拼接成所述原始图像的小波变换系数，包括：
根据所述索引信息，获取相同级别、相同像素信息、相同种类的子图像片段序列对应的解压值序列；
根据索引信息中子图像片段序列在所述小波变换系数中的位置，将所述多个子图像片段序列分别对应的解压值序列拼接成所述原始图像的小波变换系数。
在一种可能的实现方式中，在所述解析所述索引子序列，获取所述子图像片段序列的索引信息之前，还包括：
根据预设的所述索引子序列的长度，分别从所述DNA碱基序列的前后两端提取所述索引子序列；
若前端提取的索引子序列与后端提取的索引子序列碱基排列不同，则舍弃所述DNA碱基序列。
在一种可能的实现方式中，所述方法还包括：
若所述DNA碱基序列中出现连续N个相同的数字对应的预设碱基标记符，则将所述预设碱基标记符后续出现的DNA碱基序列解码成“N个所述数字”，(N≥2)。
在一种可能的实现方式中，所述图像重构模型被设置为利用多个第一样本图像数据和多个第二样本图像数据训练得到，所述第一图像和所述第二图像为同一图像的不同分辨率表示，所述第二图像的分辨率大于所述第一图像的分辨率。
在一种可能的实现方式中，所述图像重构模型被设置为利用多个第一样本图像数据和多个第二样本图像数据训练得到，包括：
获取所述第一样本图像数据和第二样本图像数据；
构建图像重构模型，所述图像重构模型中设置有训练参数；
分别将所述第一样本图像数据输入至所述图像重构模型中，生成预测结果；
基于所述预测结果与所述第二样本图像数据之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
在一种可能的实现方式中，所述图像重构模型包括对抗神经网络模型、卷积神经网络模型以及快速、精确的超分辨率技术(RAISR)图像重构模型中的至少一种。
根据本公开实施例的第二方面，提供一种图像重构装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行本公开任一实施例所述的方法。
根据本公开实施例的第三方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行根据本公开任一项所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：本公开通过获取利用DNA存储的压缩图像对应的DNA碱基序列，根据DNA碱基和/或碱基组合与解压值的对应关系，将所述DNA碱基序列解压成第一图像数据，并根据预先建立的图像重构模型，对所述第一图像数据重构出具有更高像素密度、更细腻的画质和更多细节的第二图像，从而满足较高画面质量的需求，为DNA图像存储的广泛应用提供了有力的技术保障。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像重构方法的流程图。
图2是根据一示例性实施例示出的图像一级分解示意图。
图3是根据一示例性实施例示出的图像三级分解示意图。
图4是根据一示例性实施例示出的一种图像重构方法的流程图。
图5是根据一示例性实施例示出的一种图像重构装置的框图。
图6是根据一示例性实施例示出的一种图像重构装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
为了方便本领域技术人员理解本公开实施例提供的技术方案，下面先对技术方案实现的技术环境进行说明。
DNA作为存储介质，与现有的磁带或硬盘存储介质相比，具有较多的优势：一是DNA体积极小，一个碱基对只有几十个原子大小，以DNA作为存储介质，数据整体的体积将远远小于传统的光盘或硬盘；二是DNA密度大，1克DNA不到指尖上一滴露珠的大小，却能存储700TB的数据，相当于1.4万张50GB容量的蓝光光盘，或233个3TB的硬盘，后者约151千克重；三是DNA稳定性极强，可以长期保存。DNA作为存储介质，也具有其特有的规则属性：
(1)受合成技术的限制，DNA序列的长度不能太长，太长的话给合成造成困难，且合成结果容易出错，因此，在DNA存储时需要对DNA碱基序列进行分割；
(2)图像尤其是高清图像的数据量大，若直接存储，加大了合成的工作量；
(3)DNA序列中若出现连续相同的碱基序列，也会给合成造成困难，合成结果容易出错。基于上述技术限制，利用DNA作为存储介质进行图像解码重构时，解码难度大，且图像分辨率低。
基于类似于上文所述的实际技术需求，本公开提出了一种图像重构方法及装置。
下面结合附图1对本公开所述的数据处理方法进行详细的说明。图1是本公开提供的一种图像重构方法的一种实施例的方法流程图。虽然本公开提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本公开实施例提供的执行顺序。
具体的，本公开提供的一种图像重构方法一种实施例如图1所示，所述方法可以应用于利用DNA作为存储介质的图像解码重构，包括：
步骤S11,获取利用DNA存储的压缩图像对应的DNA碱基序列，所述DNA碱基序列中包括多个DNA碱基和/或碱基组合。
本公开实施例中，所述DNA碱基/或碱基组合，包括:组成DNA的单个碱基，碱基腺嘌呤(A)、鸟嘌呤(G)、胞嘧啶(C)和胸腺嘧啶(T)；或任意的碱基组合，如AG、GCT，其中所述碱基组合中碱基的个数可以是两个或多个。所述压缩图像包括利用图像压缩算法如离散余弦变换(DCT，Discrete Cosine Transform)、小波变换等对带存储的原始图像进行处理，需要说明的是，所述压缩图像的设置方式不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。对压缩后的图像数据进行DNA编码存储，可得到压缩图像对应的DNA碱基序列，本公开可以利用DNA测序仪测出合成的DNA碱基序列中，DNA碱基和/或碱基组合的排列顺序。
步骤S12,根据DNA碱基和/或碱基组合与解压值的对应关系，将所述DNA碱基序列解压成第一图像数据。
本公开实施例中，所述解压值包括通过上述实施例中任一种图像压缩方法对原始图像进行压缩得到的数据，例如，通过小波变换对原始图像进行图像压缩得到的小波变换系数，或通过DCT变换对原始图像进行图像压缩得到的DCT系数等。所述DNA碱基和/或碱基组合与解压值的对应关系可以预先设置，所述DNA碱基和/或碱基组合与解压值的对应关系可以如表1所示的一一对应的关系，其中，为了便于计算，表1数字一栏均为小数点后的数字，在编码时，小波变换的有效数值保留了到两位。需要说明的是，所述DNA碱基和/或碱基组合与解压值的对应关系的设置方式不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。
本公开实施例中，根据DNA碱基和/或碱基组合与解压值的对应关系，将获取到的DNA碱基序列，解码成原始图像的压缩数据，对所述压缩数据进行相反的解压缩处理，得到第一图像数据，由于，原始图像在编码的时候，舍弃了部分数据，因此，解压后的第一图像数据分辨率低于所述原始图像。所述相反的解压缩处理包括：例如，采用小波变换对原始图像进行压缩处理，将小波变换系数编码成DNA碱基序列，解压时，对解码的小波变换系数进行小波逆变换，得到第一图像数据。
步骤S13,将所述第一图像数据输入至图像重构模型，经所述图像重构模型输出第二图像数据，所述第二图像的分辨率大于所述第一图像的分辨率。
本公开实施例中，所述图像重构模型包括通过下述方法预先建立：利用单帧图像的超分辨率(Single Image Super Resolution，SISR)技术和机器学习技术，对同一图像的低分辨率图像和高分辨率图像进行训练学习，得到图像重构模型。将第一图像数据输入至图像重构模型，经所述图像重构模型输出第二图像数据，所述第二图像数据分辨率高于第一图像数据。
本公开实施例，通过获取利用DNA存储的压缩图像对应的DNA碱基序列，根据DNA碱基和/或碱基组合与解压值的对应关系，将所述DNA碱基序列解压成第一图像数据，并根据预先建立的图像重构模型，对所述第一图像数据重构出具有更高像素密度、更细腻的画质和更多细节的第二图像，从而满足较高画面质量的需求，为DNA图像存储的广泛应用提供了有力的技术保障。
表1，数字与DNA碱基序列对应关系表
数字 DNA 数字 DNA 数字 DNA 数字 DNA 数字 DNA
0 TA 20 CAC 40 AACA 60 AGCG 80 CCGC
1 AA 21 CAG 41 AACC 61 AGGA 81 CCGG
2 AC 22 CCA 42 AACG 62 AGGC 82 CGAA
3 AG 23 GCCA 43 AAGA 63 AGGG 83 CGAC
4 CA 24 CCG 44 AAGC 64 CAAA 84 CGAG
5 CC 25 CGA 45 AAGG 65 CAAC 85 CGCA
6 CG 26 CGC 46 ACAA 66 CAAG 86 CGCC
7 GA 27 CGG 47 ACAC 67 CACA 87 CGCG
8 GC 28 GAA 48 ACAG 68 CACC 88 CGGA
9 GG 29 GAC 49 ACCA 69 CACG 89 CGGC
10 AAA 30 GAG 50 ACCC 70 CAGA 90 CGGG
11 AAC 31 GCA 51 ACCG 71 CAGC 91 GAAA
12 AAG 32 GCC 52 ACGA 72 CAGG 92 GAAC
13 ACA 33 GCG 53 ACGC 73 CCAA 93 GAAG
14 ACC 34 GGA 54 ACGG 74 CCAC 94 GACA
15 ACG 35 GGC 55 AGAA 75 CCAG 95 GACC
16 AGA 36 GCCG 56 AGAC 76 GCGA 96 GACG
17 AGC 37 GCAA 57 AGAG 77 GCAC 97 GAGA
18 AGG 38 AAAC 58 AGCA 78 GCGC 98 GAGC
19 CAA 39 AAAG 59 AGCC 79 CCGA 99 GAGG
注：整数“1”用“TCGCCA”表示，整数“-1”即“TGGCCA”
在一种可能的实现方式中，所述DNA碱基序列包括多个子图像片段序列，所述多个子图像片段序列包括将所述压缩图像的原始图像的小波变换系数进行切割生成的序列。
本公开实施例中，为了有效的存储DNA序列，压缩图像对应的碱基序列被分割成多个子图像片段序列，可以通过如下分割方法进行：对原始图像进行小波变变换，得到多级子图像，对同一子图像的同一行的目标小波变换系数对应的DNA碱基序列标记行号，在一个示例中，可采用连续编号的方式，例如，对于三级高频水平子图像，小波变换的系数矩阵大小是650×480，对于第一行的480个小波变换系数编码的DNA序列，行号标记1；第二行的480个小波变换系数编码DNA序列，行号标记2；以此类推，共有650行，行号最大是650。根据预设的长度值，对所述同一行号的DNA碱基序列进行切分，得到X段子图像片段序列(X≥1)，所述预设长度值和预设宽度值的选取不限于根据DNA合成工艺及合成工具的需求。在一个示例中，所述行号与DNA碱基序列的对应关系可以包括表2中的对应关系，所述段号与DNA碱基序列的对应关系可以包括表3中的对应关系。本公开实施例中，将同一子图像中相同行号不同段号的子图像片段序列按照段号顺序进行拼接，便可得到所述子图像的小波变换系数。
本公开实施例中，所述对原始图像进行小波变变换，得到多级子图像的过程可以包括：在一个示例中，可以利用小波变换中Mallat金字塔式分解算法对原始图像进行小波变换：如对于一幅m行n列的图像，Mallat金字塔式分解算法小波变换过程是，参考图2所示，先对所述图像的每一行做一维小波变换，得到低频系数L1和高频系数H1，然后对得到的LH图像(大小仍是m行n列)的每一列做一维小波变换，这样经过一级小波变换后的图像就可以分为LL1、HL1、LH1、HH1四个部分，其中，LL1为一级低频子图像，HL1为一级高频水平子图像，LH1为一级高频垂直子图像，HH1为一级高频对角线子图像。参考图3所示，二级、三级以至更高级的二维小波变换，则是对上一级小波变换图像低频子图像LL1部分再进行一级小波变换。图3中，1、2、3表示分解的级数，即子图像的级别，L表示低频系数，H表示高频系数。
表2索引标记中的“行号”的编码
行号 0 1 2 3 4 5 6 7 8 9
编码 TA TC TG AT AC AG CG CT GT GC
表3索引标记中“段号”的编码
段号 0 1 2 3 4 5 6 7 8 9
编码 TA TC TG AT AC AG CG CT GT GC
本公开实施例中考虑到受DNA合成技术的影响，采用小波变换的方式对原始图像进行压缩，并对小波变换系数按照子图像为单位进行切割存储，有利于解码时对零散存储的DNA碱基序列进行归类，降低了解码难度，提高解码效率。
在一种可能的实现方式中，所述子图像片段序列中还包括索引子序列，所述索引子序列用于存储所述子图像片段序列的索引信息。
本公开实施例中，所述索引子序列用于存储所述子图像片段序列的索引信息，所述索引信息可以包括所述子图像生成信息，如子图像的级别、子图像的种类等，还可以包括子图像在编码时相关的信息，如子图像中的亮度信息、色度信息等，建立所述索引子序列，有利于准确的获知子图像相关的信息，便于子图像的归类和拼接。
本公开实施例中，考虑到解码时，如何将零散存储的子图像片段序列准确归类，在所述子图像片段序列中加入了索引子序列，起到导读的作用，提高了解码效率。
在一种可能的实现方式中，所述索引信息包括下述中的至少一种：子图像级别、子图像的像素信息、子图像的种类、所述子图像片段序列在所述小波变换系数中的位置。
本公开实施例中，所述子图像级别包括上述实施例中，对原始图像进行小波变换，得到的不同级别的子图像，所述子图像的种类包括上述实施例中同一级别的子图像中有低频子图像、高频水平子图像、高频垂直子图像和高频对角线子图像，所述子图像片段序列在所述小波变换系数中的位置，如上述实施例中的子图像片段序列的行号和段号。
本公开实施例中，所述子图像的像素信息包括子图像的亮度信息、色度信息和饱和度信息，所述子图像的像素信息获得过程可以包括：根据原始图像的RGB颜色空间的矩阵数据，所述矩阵数据每个点值取值范围包括0～255，通过公式(1)、公式(2)和公式(3)，对所述RGB数据进行转换，可以实现对所述原始图像的数据压缩，得到所述原始图像的YUV颜色数据，所述公式(1)、公式(2)和公式(3)包括：
Y＝0.299R+0.587G+0.114B (1)
U＝-01687R-0.3313G+0.5B (2)
V＝0.5R-0.4187G-0.0813B (3)
其中，Y表示表示明亮度，也就是灰阶值；而U表示色度，V表示饱和度，作用是描述影像色彩及饱和度，用于指定像素的颜色。需要说明的是，所述子图像的像素信息的设置方式不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。
下面结合附图4对本公开所述的数据处理方法进行详细的说明。图4是本公开提供的一种图像重构方法的一种实施例的方法流程图。虽然本公开提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本公开实施例提供的执行顺序。
具体的，本公开提供的一种图像重构方法一种实施例如图4所示，所述步骤S12包括：
步骤S121，解析所述索引子序列，获取所述子图像片段序列的索引信息。
本公开实施例中，所述解析所述索引子序列可以包括根据预设的索引信息对应的DNA碱基序列，解析索引信息的内容。例如，所述索引信息与DNA碱基序列的对应关系可以包括如表4，其中，Y0表示明亮度的低频子图像，Y50表示明亮度的五级高频水平子图像，Y51表示明亮度的五级高频垂直子图像，Y52表示明亮度的五级高频对角线子图像，Y40表示明亮度的四级高频水平子图像，Y41表示明亮度的四级高频垂直子图像，Y42表示明亮度的四级高频对角线子图像。Y30表示明亮度的三级高频水平子图像，Y31表示明亮度的三级高频垂直子图像，Y32表示明亮度的三级高频对角线子图像。Y20表示明亮度的二级高频水平子图像，Y21表示明亮度的二级高频垂直子图像，Y22表示明亮度的二级高频对角线子图像。U0表示色彩的低频子图像，U50表示色彩的五级高频水平子图像，U51表示色彩的五级高频垂直子图像，U52表示色彩的五级高频对角线子图像，U40色彩的四级高频水平子图像，U41表示色彩的四级高频垂直子图像，U42表示色彩的四级高频对角线子图像。V0表示饱和度的低频子图像，V50表示饱和度的五级高频水平子图像，V51表示饱和度的五级高频垂直子图像，V52表示饱和度的五级高频对角线子图像，V40饱和度的四级高频水平子图像，V41是饱和度的四级高频垂直子图像，V42表示饱和度的四级高频对角线子图像。需要说明的是，所述索引信息与DNA碱基序列的对应关系的设置方式不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。
表4索引标记中“子图像信息”编码
Y Y0 Y51 Y51 Y52 Y40 Y41 Y42
Y的编码 AAT ACG AGA AGT ACA ACT ACC
Y Y30 Y31 Y32 Y20 Y21 Y22
Y的编码 TGA ATC ATG AAC AAG ATA
U U0 U50 U51 U52 U40 U41 U42
U的编码 AGC TAC TAG TTA AGG TGT TAT
V V0 V50 V51 V52 V40 V41 V42
V的编码 TGC TCT TCC TCG TTC TTG TCA
步骤S122，根据DNA碱基和/或碱基组合与解压值的对应关系，确定所述子图像片段序列对应的解压值序列；
本公开实施例中，可以按照上述实施例中的，所述DNA碱基和/或碱基组合与解压值的对应关系可以如表1所示的一一对应的关系，将所述子图像片段序列解码成解压值序列，在一种可能的实现方式中，为了减少对应关系的设置总量，以及为了区分不同的解压值，比如，若遇到DNA碱基序列为“GACG”，是将“GACG”解码成“96”，还是将“GACG”中的前半部分“GA”解码成7，“CG”解码成6，可以在不同的解压值之间添加预设的符号标记，所述符号标记优选包括正号和负号，如，当遇到“TG”时，表示“TG”后面跟的是负数，当遇到“TC”时，表示“TC”后面跟的是正数，且“TC”或“TG”后面跟的只能解码成同一个解压值。
步骤S123，根据所述索引信息将所述多个子图像片段序列分别对应的解压值序列拼接成所述原始图像的小波变换系数；
本公开实施例中，根据索引信息，一边解码一边将子图像片段序列进行归类，将同一属性的子图像片段序列对应的解压值放在一起，还可以先将所有的子图像片段序列进行统一解码，再将解码完成的数据根据索引信息进行归类，即将同一属性的子图像片段序列对应的解压值放在一起，并根据索引信息中，关于子图像片段序列对应的解压值在小波变换系数中的位置，将所述解压值对应到小波变换系数位置处。
步骤S124，对所述小波变换系数进行小波逆变换，得到所述第一图像数据。
本公开实施例中，对归类完成的小波变换系数进行小波逆变换处理，在一种示例中，若出现某一级的子图像数据丢失或未进行压缩，则对该级子图像的小波变换系数进行补零处理，并结合已解码的数据，进行小波逆变换处理，得到所述第一图像数据。
本公开实施例中，对所述索引信息建立了对应的DNA碱基序列的对应关系，解决了索引信息的编码问题，同时，基于索引信息与DNA碱基序列的对应关系，可以对索引子序列进行解码，构思巧妙，易于实现。在进行解码时，通过加入符号编码序列，既可以降低DNA碱基和/或碱基组合与解压值的对应关系的复杂度，又可以对每个解压值进行区分，降低了解码的复杂度。
在一种可能的实现方式中，所述步骤S123，根据所述索引信息将所述多个子图像片段序列分别对应的解压值序列拼接成所述原始图像的小波变换系数，包括步骤S1231和S1232，
步骤S1231，根据所述索引信息，获取相同级别、相同像素信息、相同种类的子图像片段序列对应的解压值序列；
步骤S1232，根据索引信息中子图像片段序列在所述小波变换系数中的位置，将所述多个子图像片段序列分别对应的解压值序列拼接成所述原始图像的小波变换系数。
本公开实施例中，可以根据索引信息中的级别信息，将同一级别的子图像片段序列对应的解压值放置在一起，进一步的，对相同级别，不同种类的子图像，按照所述子图像种类信息进行归类，进一步的，对于相同级别，相同种类，不同的像素信息的子图像按照像素信息进行归类，最后将相同级别、相同种类、相同像素信息、相同行号的子图像片段序列对应的解压值，按照段号的排列顺序进行拼接，并根据所述行号的排列顺序，将拼接完成的子图像片段序列对应的解压值序列组合成小波变换的系数。在一种示例中，若所述子图像片段序列对应的解压值丢失，则对对应位置的小波变换系数置零。
在一种可能的实现方式中，在步骤S121，解析所述索引子序列，获取所述子图像片段序列的索引信息。之前还包括步骤S125和步骤S126，
步骤S125，根据预设的所述索引子序列的长度，分别从所述DNA碱基序列的前后两端提取所述索引子序列；
步骤S126，若前端提取的索引子序列与后端提取的索引子序列碱基排列不同，则舍弃所述DNA碱基序列。
本公开实施例中，在所述DNA片段的前后两端分别添加相同的所述索引子序列。在进行图像解码时，首次读取所述DNA片段前端的所述索引子序列后，再次读取所述DNA片段后端的所述索引子序列时，如果发现两次读取的所述索引子序列不一致的话，则说明所述DNA片段合成过程中发生了错误。则这段DNA片段丢弃不用，寻找所述DNA片段的正确合成，一般DNA片段在合成时，对同一片段会合成多次。在一种可能的实现方式中，在所述DNA片段的前后两端分别添加所述索引标记对应的碱基序列，可以如表5所示。
表5核酸片段结构
本公开实施例，在在所述DNA片段的前后两端分别添加索引子序列，且索引子序列相同，可以起到校验的作用，保证了准确解码。
在一种可能的实现方式中，若所述DNA碱基序列中出现连续N个相同的数字对应的预设碱基标记符，则将所述预设碱基标记符后续出现的DNA碱基序列解码成“N个所述数字”，(N≥2)。
本公开实施例中，合成DNA序列中会出现同一个数字连续N次出现，如，高级别小波系数中，连续零出现的概率较大，而连续编码相同的DNA碱基序列会造成合成的困难，以及编码冗余，因此，可以采用下述格式“标记符+数值N对应的DNA碱基序列”进行编码。比如，标记符“TAA”表示“多个0”，小波系数“0000000000”可以表示成“TAA+AC”，即“TAAAC”，其中TAA表示多个0，AC在表1中表示10。在解码时，如读到预设碱基标记符“TAA”，根据预设含义，解读成多个0，再次读取“TAA”后面的序列“AC”，根据表1，表示10，最终解码成10个0，即“0000000000”。
本公开实施例考虑到连续相同碱基序列合成困难的问题，对于连续出现的数字，设计特定的标记符，避免了连续多个相同碱基的序列合成，且大大降低了DNA碱基序列的合成长度，使得能够快速解码。
在一种可能的实现方式中，所述图像重构模型被设置为利用多个第一样本图像数据和多个第二样本图像数据训练得到，所述第一图像和所述第二图像为同一图像的不同分辨率表示，所述第二图像的分辨率大于所述第一图像的分辨率。
本公开实施例中，在一个示例中，所述第二图像样本数据可以采用原始图像数据，对所述原始图像数据进行小波变换，如上述实施例，得到低频子图像，对所述低频子图像进行插值处理，直到和对应的第二图像大小相同，得到第一图像样本数据，在另一个示例中，所述第二图像样本数据可以采用原始图像数据，对所述第二图像采样，得到中间小图，再对所述中间小图进行插值处理得到第一图像样本数据。
本公开实施例中，利用多个第一样本图像数据和多个第二样本图像数据训练得到图像重构模型，可以包括：通过学习第一图像到第二图像的映射关系以建立所述图像重构模型，在一个示例中，所述图像重构模型包括三层，作用分别是：提取图像块、非线性映射和重建。关于提取图像块，可以采用一系列预先训练的滤波器去分别卷积输入的低分辨率的第一图像，得到对应的特征图，所述滤波器的功能不同，所述功能可以包括如对输入图像不同方向的边缘检测、纹理提取等，可以使用如PCA，Haar，DCT的任一种作为上述滤波器；关于非线性映射，将第一层中每块图像块的特征图非线性映射到高分辨率的图块中；关于重建，将高分辨率图像块聚合到一起，以形成与第二图像样本相似的高分辨率图像。
本公开实施例考虑到利用DNA解码的图像，清晰度下降的问题，通过增加图像重构模型，将低分辨率的图像数据重构成高分辨率的图像数据，为DNA存储的压缩图像能够得以应用提供了有力的技术支撑，提高了编码压缩率，降低了合成的工作量。
在一种可能的实现方式中，所述图像重构模型被设置为利用多个第一样本图像数据和多个第二样本图像数据训练得到，包括：
步骤S21，获取所述第一样本图像数据和第二样本图像数据；
步骤S22，构建图像重构模型，所述图像重构模型中设置有训练参数；
步骤S23，分别将所述第一样本图像数据输入至所述图像重构模型中，生成预测结果；
步骤S24，基于所述预测结果与所述第二样本图像数据之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
本公开实施例中，在步骤S21中，需要第二图像的分辨率大于所述第一图像的分辨率，因此，可以选取高清的原始图像作为第二样本图像数据{Xi}，并对所述原始图像进行处理，如小波变换、或DCT变换，以获得低分辨率的图像数据，作为第一样本图像数据{Yi}。在步骤S22中，构建图像重构模型F(Y；θ)，Y表示第一图像，θ表示训练参数，在一种示例中，利用卷积神经网络参数建立图像超分辨率重构模型，训练参数θ＝{W1,W2,W3,B1,B2,B3}，W1表示一层滤波器，B1表示偏差，W2表示二层滤波器，B2表示映射向量，W3表示三层滤波器，B3表示向量。将所述第一样本图像数据{Yi}输入至所述图像重构模型F(Y；θ)，得到的预测结果Z＝F(Y；θ)，当预测结果Z和其对应的第二图像X之间的损失最小时，我们就可以获得训练参数θ。
本公开实施例中，可以使用均方误差(MSE)来表示损失函数(Loss Function)，参照式(4)，n表示训练样本个数。
在一个示例中，为了使损失最小，我们在反向传播时将使用随机梯度下降，权重矩阵更新公式如式(5)、式(6)，其中，层数σ∈{1,2,3}；i为此层的迭代索引，δ为步长，每层的滤波器权重的初始化可以由均值为0，标准为0.001、偏差也为0的高斯分布随机给出。在一个示例中，由于在第三层中，步长越小，越容易收敛，所以在第一、二层里，δ设置为10-4，而在第三层里，δ设置为10-5。
在一种可能的实现方式中，所述图像重构模型包括对抗神经网络模型、卷积神经网络模型以及快速、精确的超分辨率技术(RAISR)图像重构模型中的至少一种。
本公开实施例中，所述对抗神经网络模型包括生成网络和判别网络，所述生成网络用于接收一个随机的噪声，通过这个噪声生成图像，记做G(Z)，所述判别网络用于判别一张图片真实性，输入一张图像X，输出D(X)，D(X)用于表示X为真实图像的概率，对所述生成网络和判别网路进行训练，直到D(G(Z))达到一个设定的阈值，当所述阈值时0.5的时候，表示理想状态。可以利用训练的对抗神经网络对所述低分辨率的第一图像进行图像重构，生成和高分辨率的第二图像；所述卷积神经网络模型可以包括基于深度学习的卷积神经网络与单帧图像超分辨重建(SISR)相结合的图像重构模型；所述精确的超分辨率技术(RAISR，Rapid and Accurate Super Image Resolution)模型可以包括利用一系列成对的低分辨率图像、高分辨率图像训练，以找出能选择性应用于低分辨率图片中每个像素的过滤器，生成高分辨率的图像。
图5是根据一示例性实施例示出的一种用于图像重构装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图6是根据一示例性实施例示出的一种用于图像重构装置1900的框图。例如，装置1900可以被提供为一服务器。参照图6，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1932，上述指令可由装置1900的处理组件1922执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种图像重构方法，其特征在于，包括：
获取利用DNA存储的压缩图像对应的DNA碱基序列，所述DNA碱基序列中包括多个DNA碱基和/或碱基组合；
根据DNA碱基和/或碱基组合与解压值的对应关系，将所述DNA碱基序列解压成第一图像数据；
将所述第一图像数据输入至图像重构模型，经所述图像重构模型输出第二图像数据，所述第二图像的分辨率大于所述第一图像的分辨率。
2.根据权利要求1所述的方法，其特征在于，所述DNA碱基序列包括多个子图像片段序列，所述多个子图像片段序列包括将所述压缩图像的原始图像的小波变换系数进行切割生成的序列。
3.根据权利要求2所述的方法，其特征在于，所述子图像片段序列中还包括索引子序列，所述索引子序列用于存储所述子图像片段序列的索引信息。
4.根据权利要求3所述的方法，其特征在于，所述索引信息包括下述中的至少一种：子图像级别、子图像的像素信息、子图像的种类、所述子图像片段序列在所述小波变换系数中的位置。
5.根据权利要求3所述的方法，其特征在于，所述根据DNA碱基和/或碱基组合与解压值的对应关系，将所述DNA碱基序列解压成第一图像数据，包括：
解析所述索引子序列，获取所述子图像片段序列的索引信息；
根据DNA碱基和/或碱基组合与解压值的对应关系，确定所述子图像片段序列对应的解压值序列；
根据所述索引信息将所述多个子图像片段序列分别对应的解压值序列拼接成所述原始图像的小波变换系数；
对所述小波变换系数进行小波逆变换，得到所述第一图像数据。
6.根据权利要求5所述的方法，其特征在于，所述根据所述索引信息将所述多个子图像片段序列分别对应的解压值序列拼接成所述原始图像的小波变换系数，包括：
根据所述索引信息，获取相同级别、相同像素信息、相同种类的子图像片段序列对应的解压值序列；
根据索引信息中子图像片段序列在所述小波变换系数中的位置，将所述多个子图像片段序列分别对应的解压值序列拼接成所述原始图像的小波变换系数。
7.根据权利要求5所述的方法，其特征在于，在所述解析所述索引子序列，获取所述子图像片段序列的索引信息之前，还包括：
根据预设的所述索引子序列的长度，分别从所述DNA碱基序列的前后两端提取所述索引子序列；
若前端提取的索引子序列与后端提取的索引子序列碱基排列不同，则舍弃所述DNA碱基序列。
8.根据权利要求7所述的方法，其特征在于，还包括：
若所述DNA碱基序列中出现连续N个相同的数字对应的预设碱基标记符，则将所述预设碱基标记符后续出现的DNA碱基序列解码成“N个所述数字”，(N≥2)。
9.根据权利要求1所述的方法，其特征在于，所述图像重构模型被设置为利用多个第一样本图像数据和多个第二样本图像数据训练得到，所述第一图像和所述第二图像为同一图像的不同分辨率表示，所述第二图像的分辨率大于所述第一图像的分辨率。
10.根据权利要求9所述的方法，其特征在于，所述图像重构模型被设置为利用多个第一样本图像数据和多个第二样本图像数据训练得到，包括：
获取所述第一样本图像数据和第二样本图像数据；
构建图像重构模型，所述图像重构模型中设置有训练参数；
分别将所述第一样本图像数据输入至所述图像重构模型中，生成预测结果；
基于所述预测结果与所述第二样本图像数据之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
11.根据权利要求1所述的方法，其特征在于，所述图像重构模型包括对抗神经网络模型、卷积神经网络模型以及快速、精确的超分辨率技术(RAISR)图像重构模型中的至少一种。
12.一种图像重构装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1至10中任一项所述的方法。
13.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行根据权利要求1至10中任一项所述的方法。
CN201910561039.3A 2019-06-26 2019-06-26 一种图像重构方法及装置 Pending CN110289083A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910561039.3A CN110289083A (zh) 2019-06-26 2019-06-26 一种图像重构方法及装置
PCT/CN2019/117157 WO2020258647A1 (zh) 2019-06-26 2019-11-11 一种图像重构方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910561039.3A CN110289083A (zh) 2019-06-26 2019-06-26 一种图像重构方法及装置

Publications (1)

Publication Number Publication Date
CN110289083A true CN110289083A (zh) 2019-09-27

Family

ID=68006105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910561039.3A Pending CN110289083A (zh) 2019-06-26 2019-06-26 一种图像重构方法及装置

Country Status (2)

Country Link
CN (1) CN110289083A (zh)
WO (1) WO2020258647A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020258647A1 (zh) * 2019-06-26 2020-12-30 苏州泓迅生物科技股份有限公司 一种图像重构方法及装置
CN113099234A (zh) * 2021-04-09 2021-07-09 中国矿业大学 基于预计算的dna快速编码方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102132495A (zh) * 2008-05-15 2011-07-20 皇家飞利浦电子股份有限公司 用于压缩和解压缩图像数据组的方法、设备和计算机程序产品
US20140326992A1 (en) * 2013-05-02 2014-11-06 Semiconductor Energy Laboratory Co., Ltd. Semiconductor device
CN104778671A (zh) * 2015-04-21 2015-07-15 重庆大学 一种基于sae和稀疏表示的图像超分辨率方法
CN104867107A (zh) * 2015-06-04 2015-08-26 清华大学深圳研究生院 一种图像超分辨方法
CN106845158A (zh) * 2017-02-17 2017-06-13 苏州泓迅生物科技股份有限公司 一种利用dna进行信息存储的方法
CN107067359A (zh) * 2016-06-08 2017-08-18 电子科技大学 基于布朗运动与DNA编码的Contourlet域图像共享方法
CN107437266A (zh) * 2017-07-11 2017-12-05 大连大学 基于混沌系统与dna链置换模型的图像加密方法
US20180144214A1 (en) * 2016-11-23 2018-05-24 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
CN109672885A (zh) * 2019-01-08 2019-04-23 中国矿业大学(北京) 一种用于矿井智能监控的视频图像编解码方法
CN109727195A (zh) * 2018-12-25 2019-05-07 成都元点智库科技有限公司 一种图像超分辨率重构方法
CN109803148A (zh) * 2019-03-13 2019-05-24 苏州泓迅生物科技股份有限公司 一种图像编码方法、解码方法、编码装置和解码装置
CN109801214A (zh) * 2018-05-29 2019-05-24 京东方科技集团股份有限公司 图像重构装置及方法、设备、计算机可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767386A (zh) * 2018-12-22 2019-05-17 昆明理工大学 一种基于深度学习的快速图像超分辨率重建方法
CN110289083A (zh) * 2019-06-26 2019-09-27 苏州泓迅生物科技股份有限公司 一种图像重构方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102132495A (zh) * 2008-05-15 2011-07-20 皇家飞利浦电子股份有限公司 用于压缩和解压缩图像数据组的方法、设备和计算机程序产品
US20140326992A1 (en) * 2013-05-02 2014-11-06 Semiconductor Energy Laboratory Co., Ltd. Semiconductor device
CN104778671A (zh) * 2015-04-21 2015-07-15 重庆大学 一种基于sae和稀疏表示的图像超分辨率方法
CN104867107A (zh) * 2015-06-04 2015-08-26 清华大学深圳研究生院 一种图像超分辨方法
CN107067359A (zh) * 2016-06-08 2017-08-18 电子科技大学 基于布朗运动与DNA编码的Contourlet域图像共享方法
US20180144214A1 (en) * 2016-11-23 2018-05-24 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
CN106845158A (zh) * 2017-02-17 2017-06-13 苏州泓迅生物科技股份有限公司 一种利用dna进行信息存储的方法
CN107437266A (zh) * 2017-07-11 2017-12-05 大连大学 基于混沌系统与dna链置换模型的图像加密方法
CN109801214A (zh) * 2018-05-29 2019-05-24 京东方科技集团股份有限公司 图像重构装置及方法、设备、计算机可读存储介质
CN109727195A (zh) * 2018-12-25 2019-05-07 成都元点智库科技有限公司 一种图像超分辨率重构方法
CN109672885A (zh) * 2019-01-08 2019-04-23 中国矿业大学(北京) 一种用于矿井智能监控的视频图像编解码方法
CN109803148A (zh) * 2019-03-13 2019-05-24 苏州泓迅生物科技股份有限公司 一种图像编码方法、解码方法、编码装置和解码装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020258647A1 (zh) * 2019-06-26 2020-12-30 苏州泓迅生物科技股份有限公司 一种图像重构方法及装置
CN113099234A (zh) * 2021-04-09 2021-07-09 中国矿业大学 基于预计算的dna快速编码方法
CN113099234B (zh) * 2021-04-09 2022-04-19 中国矿业大学 基于预计算的dna快速编码方法

Also Published As

Publication number Publication date
WO2020258647A1 (zh) 2020-12-30

Similar Documents

Publication Publication Date Title
Jayasankar et al. A survey on data compression techniques: From the perspective of data quality, coding schemes, data type and applications
WO2020258668A1 (zh) 基于对抗网络模型的人脸图像生成方法及装置、非易失性可读存储介质、计算机设备
CN106899861B (zh) 一种图片文件处理方法及其设备、系统
Abdellatif et al. EEG-based transceiver design with data decomposition for healthcare IoT applications
CN106170922B (zh) 数据的源编码和解码的设备和方法
CN109803148A (zh) 一种图像编码方法、解码方法、编码装置和解码装置
CN110113618A (zh) 一种图像存储方法、读取方法、存储装置和读取装置
CN110289083A (zh) 一种图像重构方法及装置
CN104428793B (zh) 用于转换基于梯度直方图的图像描述符的方法和相关图像处理设备
Duan et al. Optimizing JPEG quantization table for low bit rate mobile visual search
CN112584062B (zh) 背景音频构建方法及装置
CN116506073A (zh) 一种工业计算机平台数据快速传输方法及系统
Pęśko et al. Comixify: Transform video into comics
CN109075805A (zh) 实现极化码的设备和方法
CN112950640A (zh) 视频人像分割方法、装置、电子设备及存储介质
CN114731455A (zh) 使用与图像质量相关的ai元数据的设备和方法
CN106921869B (zh) 一种图片文件处理方法及其设备
Hsieh et al. Constructive image steganography using example-based weighted color transfer
CN106937127B (zh) 一种智能搜索准备的显示方法及其系统
CN100546386C (zh) 编码和解码坐标内插符的关键值数据的方法和装置
Puchala et al. Image statistics preserving encrypt-then-compress scheme dedicated for JPEG compression standard
Ghouse et al. Neural image compression with a diffusion-based decoder
CN113939016B (zh) 基于wifi双频融合的智能终端室内定位方法及系统
Rajesh et al. T2CI-GAN: Text to Compressed Image generation using Generative Adversarial Network
Zhang et al. A CNN-Based HEVC Video Steganalysis Against DCT/DST-Based Steganography

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190927

RJ01 Rejection of invention patent application after publication