CN110335217A - 一种基于3d残差编码解码的医学图像降噪方法 - Google Patents
一种基于3d残差编码解码的医学图像降噪方法 Download PDFInfo
- Publication number
- CN110335217A CN110335217A CN201910618003.4A CN201910618003A CN110335217A CN 110335217 A CN110335217 A CN 110335217A CN 201910618003 A CN201910618003 A CN 201910618003A CN 110335217 A CN110335217 A CN 110335217A
- Authority
- CN
- China
- Prior art keywords
- training
- data
- image
- residual coding
- decoded
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 238000003475 lamination Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000009877 rendering Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- 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
- 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
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
Abstract
本发明提供一种基于3D残差编码解码的医学图像降噪方法，步骤包括：对采集的训练数据进行预处理；采用处理后的数据训练基于3D残差编码解码的卷积神经网络，其中残差编码解码网络依次包括4个3D卷积层、4个2D卷积层、4个2D反卷积层和4个3D反卷积层；利用训练后的卷积神经网络对高噪图像降噪，得到高质量图像。本发明利用大数据深度学习解决图像去噪问题，模拟人类的信息处理过程，并通过分层网络框架从像素数据中有效地学习高级特征，进而建立训练样本和训练标签之间复杂的非线性映射。同时，在网络训练过程中采用3D图像，便于网络学习相邻切片的特征及关系，在尽可能保留图像特征的基础上进行降噪处理。
Description
技术领域
本发明涉及正电子发射计算机断层图像处理，具体而言，尤其涉及一种基于3D残差编码解码的医学图像降噪方法。
背景技术
18F-FDG作为常见的示踪剂被广泛应用于PET扫描领域。由于其具有放射性，所以注射剂量不宜过多。为了保证扫描图像的质量，需要对图像进行去噪、去伪影等处理。
随着深度学习技术的快速发展，卷积神经网络(CNNs)在低剂量示踪剂PET扫描图像去噪领域取得了显著的成绩。目前，基于深度学习的方法仅通过最小化定义的损失函数来学习从高噪声图像到低噪声对应的端到端映射从而辅助医师通过环绕相邻切片更准确地提取病理信息。对单独的PET图像进行降噪作用于2D图像空间，对连续的PET图像同时进行降噪则作用于3D图像空间。2D图像空间即横轴x与纵轴y。3D图像空间除横轴x与纵轴y外，还有时间轴z。由于人体各个组织都是连续的，不会发生突变，因此进行PET扫描过程中，各个图像的变化也是连续的。目前针对2D图像降噪的方法对连续的PET图像进行降噪时，没有考虑相邻的切片间的相互制约，也没有考虑互相提供的可用的先验信息，降噪后的图像的细节有所丢失，导致现边界模糊的现象，影响医生的判断。
发明内容
鉴于现有技术中存在的图像细节特征丢失严重的技术问题，本发明提供了一种基于3D残差编码解码的医学图像降噪方法，通过分层网络框架依据3D维度数据建立训练样本和训练标签之间复杂的非线性关系。
本发明的技术方案如下：
一种基于3D残差编码解码的医学图像降噪方法，其特征在于，步骤包括：
S100、对采集的训练数据进行预处理；
S200、采用处理后的数据训练基于3D残差编码解码的卷积神经网络，将经过预处理的低质量3D图像作为网络的训练输入、将经过预处理的高质量3D图像作为网络训练标签对模型进行训练，其中，所述残差编码解码网络依次包括4个3D卷积层、4个2D卷积层、4个2D反卷积层和4个3D反卷积层；
S300、利用训练后的卷积神经网络对高噪图像降噪，得到高质量图像。
进一步地，步骤S100所述对采集的训练数据进行预处理，包括：
S110、分类收集训练数据，所述训练数据包括低质量图像和高质量图像；
S120、对收集的分类数据进行格式转化，便于后续直接处理；
S130、对可处理的分类数据进行扩充。
进一步地，步骤S130所述对可处理的分类数据进行扩充，包括：对数据进行随机水平翻转、随机像素平移、随机旋转和裁剪的方法来扩充数据集。
本发明还提供了一种存储介质，其包括存储的程序，其中，所述程序执行上述任意一项所述的降噪方法。
本发明还提供了一种处理器，其用于运行程序，其中，所述程序执行上述任意一项所述的降噪方法。
较现有技术相比，本发明具有以下优点：
本发明利用大数据深度学习解决图像去噪问题，模拟人类的信息处理过程，并通过分层网络框架从像素数据中有效地学习高级特征，进而建立训练样本和训练标签之间复杂的非线性映射。同时，在网络训练过程中采用3D图像，便于网络学习相邻切片的特征及关系，在尽可能保留图像特征的基础上进行降噪处理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明降噪方法流程图。
图2为实施例中方法执行流程图。
图3a为输入的图像示意图。
图3b为提取的切片腹部图像。
图3c为提取的切片肺部图像。
图3d为提取的切片脑部图像。
图4为神经网络训练流程图。
图5a为实施例中输入的高噪声图像。
图5b为实施例中输入的低噪声图像。
图5c为实施例中输出的降噪后图像。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。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，本发明提供了一种基于3D残差编码解码的医学图像降噪方法，步骤包括：
S100、对采集的训练数据进行预处理，具体包括：
S110、分类收集训练数据，所述训练数据包括低质量图像和高质量图像；
S120、对收集的分类数据进行格式转化，便于后续直接处理。
S130、对可处理的分类数据进行扩充，以满足训练要求，具体包括：对数据进行随机水平翻转、随机像素平移、随机旋转和裁剪的方法来扩充数据集。
S200、采用处理后的数据训练基于3D残差编码解码的卷积神经网络，具体包括：将预处理后的低质量图像作为网络的训练输入、高质量图像作为网络训练标签，对模型进行训练。
S300、利用训练后的卷积神经网络对高噪图像降噪，得到高质量图像。
下面通过具体的实施例，对本发明的技术方案做进一步说明：
实施例1
如图2所示，本发明提供了一种基于3D残差编码解码的医学图像降噪方法，用于医学图像降噪，即本发明正电子发射计算机断层图像降噪，至少包括：对数据进行预处理。用处理完的数据训练具有残差编码解码的卷积神经网络。利用训练好的神经网络对高噪声图像进行降噪，得到高质量图像。
数据预处理包括：
步骤A：训练数据由东软医疗提供，如图3a所示包括扫描75s的低质量和150s的高质量全身扫描DICOM数据，如图3b-3d所示将这些数据分为头部、肺部和腹部三类。
步骤B：将这些DICOM数据应用pydicom包转化为npy格式的数组。
步骤C：将三类数据分别进行随机左右翻转、在*方向或y方向随机移动30个像素、随机±10度的旋转。用这些方式来扩充已有的数据集，避免巡线过程中出现过拟合问题。
模型训练包括：
步骤D：设计残差编码解码网络结构，将形状大小为N×64×64×1大小扫描为75s和150s的图像分别作为网络的训练数据和训练标签。其中64表示图像的大小，1表示灰度图像，通道数为1。N表示为数据图片个数。3D残差编码解码是一种网络结构，通过使用3D卷积可以利用图像在空间上的关联信息，进一步提高降噪的效果。这里的残差指的是不同层的的相互连接，在下文中所有提到与其他层的输出叠加后的输出都是残差的结果，引入残差的目的是防止网络层数过深导致的训练效果变差。其次，编码和解码指的就是在降噪过程中的卷积和反卷积过程，高噪图像经过卷积后将变为另一种形式，这称之为编码，反卷积将恢复出图像，这称之为解码。3D残差编码解码网络主要依靠使用了3D卷积，它将连续的图像进行统一卷积，得到的特征图将包含连续图像之间的关联信息，实验结果证明，这样做可以更好的保存降噪后图像的细节信息。
如图4所示，为网络结构训练过程，具体包括：
将3D残差解码编码网络设置为共包含4个3D卷积层、4个2D卷积层、4个2D反卷积层和4个3D反卷积层：第1层为3D卷积层，输入为125个大小为9*64*64的由原始图像裁剪得来的图像补丁，输出为64个大小为7*62*62的特征图，卷积核大小为3*3，步长为1；第2层为3D卷积层，输入为64个大小为7*62*62的特征图，输出为64个大小为5*60*60的特征图，卷积核大小为3*3，步长为1；第3层为3D卷积层，输入为64个大小5*60*60的特征图，输出为128个大小为3*58*58的特征图，卷积核大小为3*3，步长为1；第4层为3D卷积层，输入为128个大小为3*58*58的特征图，经过维度压缩后输出128个大小为56*56的特征图，卷积核大小为3*3，步长为1；第5层为2D卷积层，输入为128个大小为56*56的特征图，输出为256个大小为54*54的特征图，卷积核大小为3*3，步长为1；第6层为2D卷积层，输入为256个大小为54*54的特征图，输出为256个大小为52*52的特征图，卷积核大小为3*3，步长为1；第7层为2D卷积层，输入为256个大小为52*52的特征图，输出为512个大小为50*50的特征图，卷积核大小为3*3，步长为1；第8层为2D卷积层，输入为512个大小为50*50的特征图，输出为512个大小为48*48的特征图，卷积核大小为3*3，步长为1；第9层为2D反卷积层，输入为512大小为48*48的特征图，通过与第7层输出相叠加，最终输出512个大小为50*50的特征图，卷积核大小为3*3，步长为1；第10层为2D反卷积层，输入为512个大小为50*50的特征图，通过与第6层的输出相叠加，最终输出256个大小为52*52的特征图，卷积核大小为3*3，步长为1；第11层为2D反卷积层，输入为256个大小为52*52的特征图，通过与第5层的输出相叠加，最终输出256个大小为54*54的特征图，卷积核大小为3*3，步长为1；第12层为2D反卷积层，输入为256个大小为54*54的特征图，通过与第4层的输出相叠加，最终输出128个大小为56*56的特征图，卷积核大小为3*3，步长为1；第13层为3D反卷积层，输入为128个大小为56*56的特征图，通过与第3层的输出相叠加，最终输出为128个大小为3*58*58的特征图，卷积核大小为3*3，步长为1；第14层为3D反卷积层，输入为128个大小为3*58*58的特征图，通过与第2层的输出相叠加，最终输出为64个大小为5*60*60的特征图，卷积核大小为3*3，步长为1；第15层为3D反卷积层，输入为64个大小为5*60*60的特征图，通过与第1层的输出相叠加，最终输出为64个大小为7*62*62的特征图，卷积核大小为3*3，步长为1；第16层为3D反卷积层，输入为64个大小为7*62*62的特征图，通过与输入的125个大小为9*64*64的图像补丁进行叠加，得到125个9*64*64的降噪后图像，然后输出最中间的切片，即为降噪后的图像。所有的卷积层与反卷积层均使用了’VALID’填充方式，激活函数统一采用的是ReLU函数。
降噪过程包括：
步骤E：将步骤D训练好的网络参数用来对测试图像进行降噪，如图5a-5c所示。
本发明还提供了一种存储介质，其包括存储的程序，其中，所述程序执行上述降噪方法。
本发明还提供了一种处理器，其用于运行程序，其中，所述程序执行上述降噪方法。
对单独的PET图像进行降噪作用于2D图像空间，对连续的PET图像同时进行降噪则作用于3D图像空间。2D图像空间即横轴x与纵轴y。3D图像空间除横轴x与纵轴y外，还有时间轴z。由于人体各个组织都是连续的，不会发生突变，因此进行PET扫描过程中，各个图像的变化也是连续的。使用连续的PET图像进行降噪时，相邻的切片可以相互制约，互相提供可用的先验信息，确保降噪后的图像的细节更加清晰，以免出现边界模糊的现象，影响医生的判断。
3D残差编码与解码是将图像降噪由2D图像空间拓展到3D图像空间的工具。2D编码采用的平面的卷积核进行编码，编码过程中只涉及到平面内的相关信息，而3D编码利用的是立体的卷积核进行编码，编码过程不知包含平面内的信息，还包含连续图像中提供的空间信息。加噪和去噪是一对互逆的过程，编码与解码亦是如此。编码的目的是提取特征，然后再去最小化低剂量PET图像和正常剂量PET图像之间的差异，以实现降噪的目的。在编码的过程中会造成图像的分辨率的损失，这也就导致图像损失掉某些细节，对于医学图像而言这是不能被接受的。解码作为编码的逆过程，作用在于利用特征去重现图像，在重现图像的过程中可以恢复因编码而丢的细节。因此，编码与解码相结合，既能实现降噪，又能在降噪过程中保护图像的细节。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于3D残差编码解码的医学图像降噪方法，其特征在于，步骤包括：
S100、对采集的训练数据进行预处理；
S200、采用处理后的数据训练基于3D残差编码解码的卷积神经网络，将经过预处理的低质量3D图像作为网络的训练输入、将经过预处理的高质量3D图像作为网络训练标签对模型进行训练，其中，所述残差编码解码网络依次包括4个3D卷积层、4个2D卷积层、4个2D反卷积层和4个3D反卷积层；
S300、利用训练后的卷积神经网络对高噪图像降噪，得到高质量图像。
2.根据权利要求1所述的基于3D残差编码解码的医学图像降噪方法，其特征在于，步骤S100所述对采集的训练数据进行预处理，包括：
S110、分类收集训练数据，所述训练数据包括低质量图像和高质量图像；
S120、对收集的分类数据进行格式转化；
S130、对可处理的分类数据进行扩充。
3.根据权利要求2所述的基于3D残差编码解码的医学图像降噪方法，其特征在于，步骤S130所述对可处理的分类数据进行扩充，包括：对数据进行随机水平翻转、随机像素平移、随机旋转和裁剪的方法来扩充数据集。
4.一种存储介质，其包括存储的程序，其特征在于，所述程序执行权利要求1-3中任意一项所述的降噪方法。
5.一种处理器，其用于运行程序，其特征在于，所述程序执行权利要求1-3中任意一项所述的降噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910618003.4A CN110335217A (zh) | 2019-07-10 | 2019-07-10 | 一种基于3d残差编码解码的医学图像降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910618003.4A CN110335217A (zh) | 2019-07-10 | 2019-07-10 | 一种基于3d残差编码解码的医学图像降噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110335217A true CN110335217A (zh) | 2019-10-15 |
Family
ID=68145216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910618003.4A Pending CN110335217A (zh) | 2019-07-10 | 2019-07-10 | 一种基于3d残差编码解码的医学图像降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110335217A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112053285A (zh) * | 2020-09-01 | 2020-12-08 | 平安科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| CN114494442A (zh) * | 2022-04-02 | 2022-05-13 | 深圳市海清视讯科技有限公司 | 图像处理方法、装置及设备 |
| CN117041601A (zh) * | 2023-10-09 | 2023-11-10 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于isp神经网络模型的图像处理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035263A (zh) * | 2018-08-14 | 2018-12-18 | 电子科技大学 | 基于卷积神经网络的脑肿瘤图像自动分割方法 |
| US20190035078A1 (en) * | 2017-03-31 | 2019-01-31 | The Board Of Trustees Of The Leland Stanford Junior University | Quality of Medical Images Using Multi-Contrast and Deep Learning |
| CN109859210A (zh) * | 2018-12-25 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种医学数据处理装置及方法 |
| CN109872328A (zh) * | 2019-01-25 | 2019-06-11 | 腾讯科技（深圳）有限公司 | 一种脑部图像分割方法、装置和存储介质 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
-
2019
- 2019-07-10 CN CN201910618003.4A patent/CN110335217A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190035078A1 (en) * | 2017-03-31 | 2019-01-31 | The Board Of Trustees Of The Leland Stanford Junior University | Quality of Medical Images Using Multi-Contrast and Deep Learning |
| CN109035263A (zh) * | 2018-08-14 | 2018-12-18 | 电子科技大学 | 基于卷积神经网络的脑肿瘤图像自动分割方法 |
| CN109859210A (zh) * | 2018-12-25 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种医学数据处理装置及方法 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
| CN109872328A (zh) * | 2019-01-25 | 2019-06-11 | 腾讯科技（深圳）有限公司 | 一种脑部图像分割方法、装置和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| HU CHEN ET AL.: "Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| RAN MAOSONG ET AL.: "Denoising of 3D magnetic resonance images using a residual encoder–decoder Wasserstein generative adversarial network", 《MEDICAL IMAGE ANALYSIS》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112053285A (zh) * | 2020-09-01 | 2020-12-08 | 平安科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| CN112053285B (zh) * | 2020-09-01 | 2024-05-31 | 平安科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| CN114494442A (zh) * | 2022-04-02 | 2022-05-13 | 深圳市海清视讯科技有限公司 | 图像处理方法、装置及设备 |
| CN117041601A (zh) * | 2023-10-09 | 2023-11-10 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于isp神经网络模型的图像处理方法 |
| CN117041601B (zh) * | 2023-10-09 | 2024-01-12 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于isp神经网络模型的图像处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022047625A1 (zh) | 一种图像处理方法、系统和计算机存储介质 | |
| Sánchez et al. | Brain MRI super-resolution using 3D generative adversarial networks | |
| CN112085677B (zh) | 一种图像处理方法、系统和计算机存储介质 | |
| CN113658051B (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
| CN111062880B (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
| CN106683067B (zh) | 一种基于残差子图像的深度学习超分辨率重建方法 | |
| CN113379601B (zh) | 基于降质变分自编码器的真实世界图像超分辨方法及系统 | |
| CN110335217A (zh) | 一种基于3d残差编码解码的医学图像降噪方法 | |
| CN109727195B (zh) | 一种图像超分辨率重构方法 | |
| CN109146788A (zh) | 基于深度学习的超分辨率图像重建方法和装置 | |
| CN110298804A (zh) | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 | |
| CN106157244A (zh) | 一种基于稀疏表示的QR Code图像超分辨重建方法 | |
| CN110689495B (zh) | 一种深度学习的图像修复方法 | |
| US20230071559A1 (en) | Neural opacity point cloud | |
| CN109360148A (zh) | 基于混合随机降采样的遥感影像超分辨率重构方法和装置 | |
| CN113160380B (zh) | 三维磁共振影像超分辨重建方法、电子设备和存储介质 | |
| CN103763564B (zh) | 基于边缘无损压缩的深度图编码方法 | |
| CN114581347B (zh) | 无参考影像的光学遥感空谱融合方法、装置、设备及介质 | |
| CN110418139B (zh) | 一种视频超分辨修复方法、装置、设备及存储介质 | |
| Rivadeneira et al. | Thermal image super-resolution challenge-pbvs 2021 | |
| CN116091313A (zh) | 一种图像超分辨率网络模型和重建方法 | |
| CN112070752A (zh) | 一种医学图像的心耳分割方法、装置及存储介质 | |
| CN111754399A (zh) | 基于梯度的保持几何结构的图像超分辨率方法 | |
| CN114936977A (zh) | 一种基于通道注意力和跨尺度特征融合的图像去模糊方法 | |
| Sun et al. | Structure-guided virtual restoration for defective silk cultural relics |
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: 20191015 |
|
| RJ01 | Rejection of invention patent application after publication |