CN110390679B - 图像处理方法、计算机设备和可读存储介质 - Google Patents
图像处理方法、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN110390679B CN110390679B CN201910592555.2A CN201910592555A CN110390679B CN 110390679 B CN110390679 B CN 110390679B CN 201910592555 A CN201910592555 A CN 201910592555A CN 110390679 B CN110390679 B CN 110390679B
- Authority
- CN
- China
- Prior art keywords
- test image
- image
- test
- blocks
- block
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
Abstract
本申请涉及一种图像处理方法、装置、计算机设备和可读存储介质，该方法包括：根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目；根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块；将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。该方法充分利用了GPU资源，进而提高了测试性能。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种图像处理方法、装置、计算机设备和可读存储介质。
背景技术
目前，深度学习网络在医学影像领域的应用越来越广泛，比如图像分割、图像检测、图像分类等方面。在使用深度学习网络的过程中，通常要对训练完成的网络进行测试，由于输入深度学习网络的图像尺寸大小不一，以及用户所使用的图形处理器(GraphicsProcessing Unit，GPU)配置不同，因此可能会出现测试时GPU内存溢出的问题。
为解决GPU内存溢出的问题，通常在图像输入深度学习网络之前将原始图像分为各个图像子块，然后将各个图像子块输入网络进行测试，再将各个图像子块的测试结果合并为原始图像的测试结果。传统技术采用的分块测试方法为：预先设置一个分块数目，然后将每个图像都分割为预设数目的子块，再使用各个图像子块输入深度学习网络进行测试。
但是，传统技术中的分块数目一般由较大的图像尺寸来确定，不能充分利用GPU资源，导致测试性能不佳。
发明内容
基于此，有必要针对传统技术不能充分利用GPU资源，导致测试性能不佳的问题，提供一种图像处理方法、装置、计算机设备和可读存储介质。
第一方面，本申请实施例提供一种图像处理方法，包括：
根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目；
根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块；
将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。
在其中一个实施例中，上述根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，包括：
根据系统可用内存值、对应关系，计算系统可用内存值能够处理的最大图像尺寸；
判断测试图像的图像尺寸是否小于或者等于最大图像尺寸，若是，则测试图像不需要分块；若否，则测试图像需要分块。
在其中一个实施例中，在测试图像需要分块时，确定测试图像的分块数目，包括：
根据测试图像的图像尺寸以及系统可用内存值能够处理的最大图像尺寸，确定测试图像的分块数目为
块，其中，M为测试图像的图像尺寸，Mmax为系统可用内存值能够处理的最大图像尺寸。
在其中一个实施例中，根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，包括：
根据测试图像的图像尺寸、对应关系，计算处理测试图像所需的系统内存值；
判断处理测试图像所需的系统内存值是否小于或者等于系统可用内存值，若是，则测试图像不需要分块；若否，则测试图像需要分块。
在其中一个实施例中，在测试图像需要分块时，确定测试图像的分块数目，包括：
根据处理测试图像所需的系统内存值以及系统可用内存值，确定测试图像的分块数目为
块，其中，G为处理测试图像所需的系统内存值，Gfr为系统可用内存值。
在其中一个实施例中，上述根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块，包括：
根据测试图像的分块数目，将测试图像按预设的重叠比例或重叠尺寸进行分块处理，得到多个测试图像块；多个测试图像块中每两个相邻测试图像块具有重叠比例或重叠尺寸对应的重叠区域。
在其中一个实施例中，在根据测试图像的分块数目，将测试图像按预设的重叠比例或重叠尺寸进行分块处理，得到多个测试图像块之后，上述方法还包括：
根据深度学习网络模型对应的参考图像尺寸，对多个测试图像块进行边缘填充处理，得到多个具有参考图像尺寸的测试图像块。
在其中一个实施例中，上述将多个测试图像块的测试结果合并处理得到测试图像的测试结果，包括：
将每两个相邻测试图像块的重叠区域的测试结果进行加权平均处理，得到重叠区域的测试结果；
将多个测试图像块对应的重叠区域的测试结果与多个测试图像块中非重叠区域的测试结果进行合并，得到测试图像的测试结果。
第二方面，本申请实施例提供一种图像处理装置，包括：
确定模块，用于根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目；
分块模块，用于根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块；
测试模块，用于将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目；
根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块；
将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目；
根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块；
将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。
上述图像处理方法、装置、计算机设备和可读存储介质，根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目；并根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块；然后将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。该方法中，计算机设备通过图像尺寸和系统可用内存值以及预设的对应关系，判断测试图像是否需要分块，当不需要分块时，直接将测试图像输入深度学习网络模型中进行测试，当需要分块时，针对不同的测试图像确定不同的分块数目，并根据系统可用内存值的大小，使得分块后的测试图像块充分利用系统可用内存值，由此充分利用了GPU资源，进而提高了测试性能。
附图说明
图1为一个实施例提供的一种计算机设备的内部结构示意图；
图2为一个实施例提供的图像处理方法的流程示意图；
图2a为一个实施例提供的不同图像尺寸与处理不同尺寸的图像所需系统内存值的对应关系图；
图2b为一个实施例提供的测试图像的一种分块结果示意图；
图3为另一个实施例提供的图像处理方法的流程示意图；
图4为又一个实施例提供的图像处理方法的流程示意图；
图5a为另一个实施例提供的测试图像的一种分块结果示意图；
图5b为另一个实施例提供的测试图像的另一种分块结果示意图；
图6为又一个实施例提供的图像处理方法的流程示意图；
图7为一个实施例提供的图像处理装置结构示意图；
图8为另一个实施例提供的图像处理装置结构示意图。
具体实施方式
本申请实施例提供的图像处理方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机(personal computer，简称PC)，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑(portableandroid device，简称PAD)、手机等等，还可以是云端或者远程服务器，本发明实施例对计算机设备的具体形式并不做限定。
传统技术在进行图像分块测试时，通常是预先设置一个分块数目，然后将每个图像都分割为预设数目的子块，再将各个图像子块输入深度学习网络进行测试。但是传统技术中设置的分块数目，通常是由最大的图像的图像尺寸决定的，那么对于图像尺寸较小的图像，如果也要分为这么多块，会导致每个子块的尺寸非常小，影响其测试效果，并且对图像尺寸较小的图像也分块时，还会导致GPU资源利用率较低。本申请实施例提供的图像处理方法、装置、计算机设备和可读存储介质，旨在解决传统技术的如上技术问题。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本申请实施例提供的图像处理方法，其执行主体可以是图像处理装置，该图像处理装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体是计算机设备为例来进行说明。
图2为一个实施例提供的图像处理方法的流程示意图。本实施例涉及的是计算机根据测试图像的图像尺寸和系统可用内存值，及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，确定是否需要对测试图像进行分块，并在需要分块时，利用得到的测试图像块得到测试结果的具体过程。如图2所示，该方法可以包括：
S101，根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目。
具体的，测试图像可以为包括肋骨或皮肤等较大器官的图像，也可以为包括心脏或肾等较小器官的图像，还可以为其它包括感兴趣区域的图像，其中，处理较大器官的图像时通常需要较多的系统内存值；进一步的，测试图像可以为二维图像，也可以为三维图像，本实施例对此并不做限定。
上述系统可用内存值可以为用户输入计算机设备的GPU内存值，也可以为计算机设备可以根据当前系统的最大GPU内存值和系统中其他应用程序需要的最大GPU内存值的差值所确定的GPU内存值，例如，当前系统的最大GPU内存值为8192MB，系统中其他应用程序运行时所需的最大GPU内存值为3072MB，即系统为其他应用程序预留的GPU内存值为3072MB，则系统可用内存值可以为二者的差值，即5120MB。
通常情况下，利用不同深度学习网络处理不同尺寸的图像会需要不同的系统内存值。对于同一个深度学习网络，不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系可以为不同图像尺寸和处理不同尺寸的图像所需系统内存值对应的散点图，也可以为不同图像尺寸和处理不同尺寸的图像所需系统内存值对应的表格。可选的，上述深度学习网络可以为神经网络，也可以为其他学习网络，以VBNet网络为例，其中，VBNet网络为VNet网络的改进网络，其加入了bottleneck瓶颈结构，主要用于图像分割领域，VBNet网络中不同图像尺寸和处理不同尺寸的图像所需系统内存值对应的散点图可以如图2a所示，其中，x轴表示图像尺寸大小，y轴表示处理不同尺寸的图像所需系统内存值，单位为MB；若图像为三维图像，则x轴的值还可以为一个维度上的图像尺寸大小，例如，若图像尺寸为256×256×256，对应在x轴上的值为256。
在获得测试图像的图像尺寸、系统可用内存值以及预设的对应关系后，计算机设备可以确定处理测试图像所需的系统内存值，进而根据确定的处理测试图像所需系统内存值与系统可用内存值的比较结果，判断测试图像是否需要分块；计算机设备还可以根据系统可用内存值确定其可以处理的图像尺寸，进而根据确定的系统可用内存值可以处理的图像尺寸与测试图像的图像尺寸的比较结果，判断测试图像是否需要分块。当测试图像不需要分块时，计算机设备可以不对测试图像进行分块处理，而直接将测试图像输入深度学习网络模型中，从而减少处理过程，提高图像测试速度和测试性能；当测试图像需要分块时，计算机设备可以按照预设的分块条件确定测试图像的分块数目，其中，预设的分块条件可以为分块后的测试图像块所需系统内存值不大于系统可用内存值。
S102，根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块。
具体的，预设的分块规则可以为对测试图像按照上述确定的分块数目平均分块，也可以为对测试图像按照上述确定的分块数目和预设的分块尺寸进行分块，还可以按照下述实施例中的分块方法进行分块，本实施例对测试图像的分块处理方式并不做限定。进一步的，预设的分块规则还可以包括预设的分块方向，比如对于三维图像按照X、Y或Z方向进行分块。
S103，将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。
具体的，计算机设备按照预设的分块规则对测试图像进行分块处理得到多个测试图像块后，可以将该多个测试图像块输入待测试的深度学习网络模型中进行处理，进而得到多个测试图像块的测试结果。可选的，计算机设备可以将得到的多个测试图像块的测试结果直接合并处理得到测试图像的测试结果，以图2b为例，得到了两个测试图像块A和B的测试结果之后，计算机设备只需要根据测试图像块A和B的测试结果以及测试图像块A和B在测试图像上的位置，将测试图像块A和B的测试结果进行直接合并，即可得到测试图像的测试结果。
本实施例提供的图像处理方法，计算机设备可以根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目；并根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块；然后将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。该方法中，计算机设备通过图像尺寸和系统可用内存值以及预设的对应关系，判断测试图像是否需要分块，当不需要分块时，直接将测试图像输入深度学习网络模型中进行测试，当需要分块时，针对不同的测试图像确定不同的分块数目，并根据系统可用内存值的大小，使得分块后的测试图像块充分利用系统可用内存值，由此充分利用了GPU资源，进而提高了测试性能。
在上述图2所示实施例的基础上，上述S102中的“根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块”可以包括以下两种判断方式：图3为另一个实施例提供的图像处理方法的流程示意图，图4为又一个实施例提供的图像处理方法的流程示意图。
先对图3所示实施例进行说明，如图3所示，S102可以包括：
S201，根据系统可用内存值、对应关系，计算系统可用内存值能够处理的最大图像尺寸。
具体的，计算机设备可以根据预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，确定系统可用内存值对应的图像尺寸，该图像尺寸即为系统可用内存值能够处理的最大图像尺寸。例如，假设待检测的深度学习网络模型为VBNet网络，系统可用内存值为5120MB，测试图像为三维图像，如图2a所示，计算机设备可以根据散点图中与5120MB相邻的两个y值5020MB和6973MB，及5020MB和6973MB分别对应的x值为256和288(256对应的图像尺寸为256×256×256＝16777216，288对应的图像尺寸为288×288×288＝23887872)，利用线性插值方法确定系统可用内存值为5120MB能够处理的图像尺寸为16813655，即系统可用内存值5120MB能够处理的最大图像尺寸为16813655。
S202，判断测试图像的图像尺寸是否小于或者等于最大图像尺寸，若是，则测试图像不需要分块；若否，则测试图像需要分块。
具体的，确定了系统可用内存值能够处理的最大图像尺寸后，计算机设备可以根据确定的最大图像尺寸与测试图像的图像尺寸的比较结果确定测试图像是否需要分块，当测试图像的图像尺寸小于或者等于最大图像尺寸时，可以判定测试图像不需要分块，此时，可以直接将测试图像输入待检测的深度学习网络模型进行测试；当测试图像的图像尺寸大于最大图像尺寸时，可以判定测试图像需要分块。例如，系统可用内存值能够处理的最大图像尺寸为16813655，测试图像的图像尺寸为256×320×224＝14680064，该值小于系统可用内存值能够处理的最大图像尺寸16813655，因此，该测试图像不需要分块；若测试图像的图像尺寸为312×312×344＝33486336，该值大于系统可用内存值能够处理的最大图像尺寸16813655，则测试图像需要分块。
可选的，分块方法可以为：根据测试图像的图像尺寸以及系统可用内存值能够处理的最大图像尺寸，确定测试图像的分块数目为
块，其中，M为测试图像的图像尺寸，Mmax为系统可用内存值能够处理的最大图像尺寸；
表示对M除以Mmax得到的商取上整，例如利用该方法可以确定对测试图像的分块数目为33486336/16813655＝1.99，即测试图像的分块数目为2。
再对图4所示实施例进行说明，如图4所示，S102可以包括
S301，根据测试图像的图像尺寸、对应关系，计算处理测试图像所需的系统内存值。
具体的，计算机设备可以根据预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，确定测试图像的图像尺寸所需的系统内存值。参考图2a所示，测试图像的图像尺寸为256×256×256＝16777216，根据图2a所示的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，可以确定图像尺寸为256×256×256＝16777216的测试图像所需的系统内存值为5020MB。
S302，判断处理测试图像所需的系统内存值是否小于或者等于系统可用内存值，若是，则测试图像不需要分块；若否，则测试图像需要分块。
具体的，确定了处理测试图像所需的系统内存值后，计算机设备可以根据确定的测试图像所需的系统内存值与系统可用内存值的比较结果确定测试图像是否需要分块，当测试图像所需的系统内存值小于或者等于系统可用内存值时，可以判定测试图像不需要分块，此时，可以直接将测试图像输入待检测的深度学习网络模型进行测试；当测试图像所需的系统内存值大于系统可用内存值时，可以判定测试图像需要分块。例如，系统可用内存值为5120MB，测试图像所需的系统内存值为5020MB，该值小于系统可用内存值5120MB，因此，测试图像不需要分块；假设测试图像的系统内存值为9800MB时，该值大于系统可用内存值5120MB，则测试图像需要分块。
可选的，分块方法可以为：根据处理测试图像所需的系统内存值以及系统可用内存值，确定测试图像的分块数目为
块，其中，G为处理测试图像所需的系统内存值，Gfr为系统可用内存值，其中
表示对G除以Gfr得到的商取上整，例如利用该方法可以确定对测试图像的分块数目为9800/5120＝1.91，即测试图像的分块数目为2。
本实施例提供的图像处理方法中，计算机设备可以判定测试图像是否需要分块。当测试图像不需要分块时，可以直接将测试图像输入待检测的深度学习网络模型进行测试，从而减少处理过程，提高图像测试速度和测试性能；当测试图像需要分块时，可以针对不同的测试图像进行不同块数的分块处理，避免了分块数目仅根据某一个测试图像(比如最大尺寸的测试图像)进行分块导致的不能充分利用GPU资源的问题，实现了对不同的测试图像进行不同分块数目的处理，从而充分利用GPU资源，提高测试性能。
可选的，在其中一些实施例中，上述S201可以包括：根据测试图像的分块数目，将测试图像按预设的重叠比例或重叠尺寸进行分块处理，得到多个测试图像块；其中，多个测试图像块中每两个相邻测试图像块具有重叠比例或重叠尺寸对应的重叠区域。
具体的，预设的重叠比例或重叠尺寸可以为测试图像块中每两个相邻测试块重叠的比例或重叠的尺寸，该预设的重叠比例或重叠尺寸可以为用户根据需要输入的重叠比例或重叠尺寸，可选的，重叠比例可以为得到的测试图像块的尺寸的10％或者其他比例，重叠尺寸可以按照测试图像块的尺寸设置一个固定值。计算机设备可以根据预设的重叠比例或重叠尺寸，按照测试图像的分块数目对测试图像进行分块处理以得到多个测试图像块。
示例性的，假设测试图像的分块数目为2，对测试图像进行均分时，可以将测试图像分成如图5a所示的两部分，其中A+B＝C+D，也即，此时重叠比例或重叠尺寸为0；当重叠比例或重叠尺寸不为0时，如图5b所示，第一测试图像块包括A、B和C三个区域，第二测试图像块包括B、C和D三个区域，对于第一测试图像块而言，C区域即为第一测试图像块与第二测试图像块重叠的区域；对于第二测试图像块而言，B区域即为第一测试图像块与第二测试图像块重叠的区域；对第一测试图像块和第二测试图像块而言，B+C区域即为二者的重叠区域。
进一步的，在根据测试图像的分块数目，将测试图像按预设的重叠比例或重叠尺寸进行分块处理，得到多个测试图像块之后，计算机设备还可以根据深度学习网络模型对应的参考图像尺寸，对多个测试图像块进行边缘填充处理，得到多个具有参考图像尺寸的测试图像块。
具体的，由于分块后的图像需要输入特定的深度学习网络模型进行测试，而不同的深度学习网络模型会要求输入的测试图像对应的参考图像尺寸是某个数的倍数，比如，对于VBNet网络，其要求输入的测试图像对应的参考图像尺寸是16的倍数，对于VBBNet网络(该VBBNet网络为一种VBNet网络的扩大改进网络，第一个B为Big的缩写)，其要求输入的测试图像对应的参考图像尺寸是32的倍数；因此，当输入深度学习网络模型的测试图像块不满足该深度学习网络模型对应的参考图像尺寸要求时，计算机设备会根据深度学习网络模型对应的参考图像尺寸，对上述多个测试图像块进行边缘填充处理，以得到具有参考尺寸的测试图像块。
可选的，当得到的测试图像块需要进行边缘填充处理时，若其需要填充的边缘部分在原测试图像中有对应的图像区域，则可以将原测试图像中对应区域的图像填充到该测试图像块的边缘；若测试图像块需要填充的边缘部分在原测试图像中没有对应的图像区域，则可以将预设的图像值填充到该测试图像块的边缘。
本实施例提供的图像处理方法中，计算机设备可以根据测试图像的分块数目，将测试图像按预设的重叠比例或重叠尺寸进行分块处理，以得到多个测试图像块。由于相邻测试图像块间设置一定重叠比例或重叠尺寸的重叠区域，从而减少了直接利用划分的测试图像块输入深度学习网络模型进行测试导致的边缘部分测试结果不准确影响，进一步提高测试图像的测试性能。
图6为又一个实施例提供的图像处理方法的流程示意图，本实施例涉及的是计算机设备将多个测试图像块的测试结果合并处理得到测试图像的测试结果的具体过程，在上述实施例的基础上，可选的，S103可以包括：
S401，将每两个相邻测试图像块的重叠区域的测试结果进行加权平均处理，得到重叠区域的测试结果。
S402，将多个测试图像块对应的重叠区域的测试结果与多个测试图像块中非重叠区域的测试结果进行合并，得到测试图像的测试结果。
具体的，在对每两个相邻测试图像块的重叠区域的测试结果进行加权平均处理时，重叠区域的权重值可以相等，也可以不等。参考图5b所示，对于重叠区域B的测试结果，计算机设备可以将第一测试图像块中B区域对应的权重值和第二测试图像块中B区域对应的权重值均设置为0.5，也可以根据用户输入的设置条件将第一测试图像块中B区域对应的权重值和第二测试图像块中B区域对应的权重值分别设置为0.6和0.4或着其它权重值。由此，计算机设备可以将重叠区域对应的权重值和其测试结果进行加权处理，得到重叠区域的测试结果，然后再将重叠区域的测试结果和非重叠区域的测试结果进行合并，即得到测试图像的测试结果。
本实施例提供的图像处理方法中，计算机设备可以将每两个相邻测试图像块的重叠区域的测试结果进行加权平均处理，得到重叠区域的测试结果，再将重叠区域的测试结果和非重叠区域的测试结果进行合并，得到测试图像的测试结果，进一步提高了测试图像的测试结果的准确性。
应该理解的是，虽然图2至图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图7为一个实施例提供的图像处理装置结构示意图。如图7所示，该装置包括：确定模块11、分块模块12和测试模块13。
确定模块11，用于根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目；
分块模块12，用于根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块；
测试模块13，用于将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。
本实施例提供的图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，上述确定模块11，具体用于根据系统可用内存值、对应关系，计算系统可用内存值能够处理的最大图像尺寸；以及判断测试图像的图像尺寸是否小于或者等于最大图像尺寸，若是，则确定测试图像不需要分块；若否，则确定测试图像需要分块。
在其中一个实施例中，上述确定模块11，具体用于根据测试图像的图像尺寸以及系统可用内存值能够处理的最大图像尺寸，确定测试图像的分块数目为
块，其中，M为测试图像的图像尺寸，Mmax为系统可用内存值能够处理的最大图像尺寸。
在其中一个实施例中，上述确定模块11，具体用于根据测试图像的图像尺寸、对应关系，计算处理测试图像所需的系统内存值；以及判断处理测试图像所需的系统内存值是否小于或者等于系统可用内存值，若是，则确定测试图像不需要分块；若否，则确定测试图像需要分块。
在其中一个实施例中，上述确定模块11，具体用于根据处理测试图像所需的系统内存值以及系统可用内存值，确定测试图像的分块数目为
块，其中，G为处理测试图像所需的系统内存值，Gfr为系统可用内存值。
在其中一个实施例中，上述分块模块12，具体用于根据测试图像的分块数目，将测试图像按预设的重叠比例或重叠尺寸进行分块处理，得到多个测试图像块；多个测试图像块中每两个相邻测试图像块具有重叠比例或重叠尺寸对应的重叠区域。
图8为另一个实施例提供的图像处理装置结构示意图。在上述图7所示实施例的基础上，如图8所示，该装置还包括：填充模块14。
具体的，填充模块14，用于根据深度学习网络模型对应的参考图像尺寸，对多个测试图像块进行边缘填充处理，得到多个具有参考图像尺寸的测试图像块。
本实施例提供的图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，上述测试模块13，具体用于将每两个相邻测试图像块的重叠区域的测试结果进行加权平均处理，得到重叠区域的测试结果；以及将多个测试图像块对应的重叠区域的测试结果与多个测试图像块中非重叠区域的测试结果进行合并，得到测试图像的测试结果。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目；
根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块；
将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据系统可用内存值、对应关系，计算系统可用内存值能够处理的最大图像尺寸；
判断测试图像的图像尺寸是否小于或者等于最大图像尺寸，若是，则测试图像不需要分块；若否，则测试图像需要分块。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据测试图像的图像尺寸以及系统可用内存值能够处理的最大图像尺寸，确定测试图像的分块数目为
块，其中，M为测试图像的图像尺寸，Mmax为系统可用内存值能够处理的最大图像尺寸。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据测试图像的图像尺寸、对应关系，计算处理测试图像所需的系统内存值；
判断处理测试图像所需的系统内存值是否小于或者等于系统可用内存值，若是，则测试图像不需要分块；若否，则测试图像需要分块。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据处理测试图像所需的系统内存值以及系统可用内存值，确定测试图像的分块数目为
块，其中，G为处理测试图像所需的系统内存值，Gfr为系统可用内存值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据测试图像的分块数目，将测试图像按预设的重叠比例或重叠尺寸进行分块处理，得到多个测试图像块；多个测试图像块中每两个相邻测试图像块具有重叠比例或重叠尺寸对应的重叠区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据深度学习网络模型对应的参考图像尺寸，对多个测试图像块进行边缘填充处理，得到多个具有参考图像尺寸的测试图像块。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将每两个相邻测试图像块的重叠区域的测试结果进行加权平均处理，得到重叠区域的测试结果；
将多个测试图像块对应的重叠区域的测试结果与多个测试图像块中非重叠区域的测试结果进行合并，得到测试图像的测试结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值的对应关系，判断测试图像是否需要分块，以及在测试图像需要分块时，确定测试图像的分块数目；
根据测试图像的分块数目，将测试图像按预设的分块规则进行分块处理，得到多个测试图像块；
将多个测试图像块输入深度学习网络模型中，得到多个测试图像块的测试结果，并将多个测试图像块的测试结果合并处理得到测试图像的测试结果。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据系统可用内存值、对应关系，计算系统可用内存值能够处理的最大图像尺寸；
判断测试图像的图像尺寸是否小于或者等于最大图像尺寸，若是，则测试图像不需要分块；若否，则测试图像需要分块。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据测试图像的图像尺寸以及系统可用内存值能够处理的最大图像尺寸，确定测试图像的分块数目为
块，其中，M为测试图像的图像尺寸，Mmax为系统可用内存值能够处理的最大图像尺寸。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据测试图像的图像尺寸、对应关系，计算处理测试图像所需的系统内存值；
判断处理测试图像所需的系统内存值是否小于或者等于系统可用内存值，若是，则测试图像不需要分块；若否，则测试图像需要分块。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据处理测试图像所需的系统内存值以及系统可用内存值，确定测试图像的分块数目为
块，其中，G为处理测试图像所需的系统内存值，Gfr为系统可用内存值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据测试图像的分块数目，将测试图像按预设的重叠比例或重叠尺寸进行分块处理，得到多个测试图像块；多个测试图像块中每两个相邻测试图像块具有重叠比例或重叠尺寸对应的重叠区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据深度学习网络模型对应的参考图像尺寸，对多个测试图像块进行边缘填充处理，得到多个具有参考图像尺寸的测试图像块。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将每两个相邻测试图像块的重叠区域的测试结果进行加权平均处理，得到重叠区域的测试结果；
将多个测试图像块对应的重叠区域的测试结果与多个测试图像块中非重叠区域的测试结果进行合并，得到测试图像的测试结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像处理方法，其特征在于，包括：
根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值对应的散点图，并利用线性插值方法对所述散点图进行线性插值，以判断所述测试图像是否需要分块，以及在所述测试图像需要分块时，确定所述测试图像的分块数目；
根据所述测试图像的分块数目，将所述测试图像按预设的分块规则进行分块处理，得到多个测试图像块；
若各所述测试图像块的尺寸不满足深度学习网络模型的参考图像尺寸要求，确定各所述测试图像块需要边缘填充处理，得到多个填充后的测试图像块；
其中，对各所述测试图像块进行边缘填充处理包括：若各所述测试图像块需要填充的边缘部分在测试图像中存在对应的图像区域，则将所述测试图像中对应区域的图像填充至各所述测试图像块的边缘；若各所述测试图像块需要填充的边缘部分在所述测试图像中不存在对应的图像区域，则将预设的图像值填充至所述测试图像块的边缘；
将各所述测试图像块或者各所述填充后的测试图像块输入所述深度学习网络模型中，得到所述多个测试图像块的测试结果，并将所述多个测试图像块的测试结果合并处理得到所述测试图像的测试结果。
2.根据权利要求1所述的方法，其特征在于，所述根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值对应的散点图，并利用线性插值方法对所述散点图进行线性插值，以判断所述测试图像是否需要分块，包括：
根据所述系统可用内存值、线性插值后的散点图，计算所述系统可用内存值能够处理的最大图像尺寸；
判断所述测试图像的图像尺寸是否小于或者等于所述最大图像尺寸，若是，则所述测试图像不需要分块；若否，则所述测试图像需要分块。
3.根据权利要求2所述的方法，其特征在于，所述在所述测试图像需要分块时，确定所述测试图像的分块数目，包括：
根据所述测试图像的图像尺寸以及所述系统可用内存值能够处理的最大图像尺寸，确定所述测试图像的分块数目为
块，其中，所述M为所述测试图像的图像尺寸，所述Mmax为所述系统可用内存值能够处理的最大图像尺寸。
4.根据权利要求1所述的方法，其特征在于，所述根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值对应的散点图，并利用线性插值方法对所述散点图进行线性插值，以判断所述测试图像是否需要分块，包括：
根据所述测试图像的图像尺寸、线性插值后的散点图，计算处理所述测试图像所需的系统内存值；
判断处理所述测试图像所需的系统内存值是否小于或者等于所述系统可用内存值，若是，则所述测试图像不需要分块；若否，则所述测试图像需要分块。
5.根据权利要求4所述的方法，其特征在于，所述在所述测试图像需要分块时，确定所述测试图像的分块数目，包括：
根据处理所述测试图像所需的系统内存值以及所述系统可用内存值，确定所述测试图像的分块数目为
块，其中，所述G为处理所述测试图像所需的系统内存值，所述Gfr为所述系统可用内存值。
6.根据权利要求1所述的方法，其特征在于，所述根据所述测试图像的分块数目，将所述测试图像按预设的分块规则进行分块处理，得到多个测试图像块，包括：
根据所述测试图像的分块数目，将所述测试图像按预设的重叠比例或重叠尺寸进行分块处理，得到多个测试图像块；所述多个测试图像块中每两个相邻测试图像块具有所述重叠比例或重叠尺寸对应的重叠区域。
7.根据权利要求6所述的方法，其特征在于，所述将所述多个测试图像块的测试结果合并处理得到所述测试图像的测试结果，包括：
将每两个相邻测试图像块的重叠区域的测试结果进行加权平均处理，得到所述重叠区域的测试结果；
将所述多个测试图像块对应的重叠区域的测试结果与所述多个测试图像块中非重叠区域的测试结果进行合并，得到所述测试图像的测试结果。
8.一种图像处理装置，其特征在于，所述装置包括：
确定模块，用于根据测试图像的图像尺寸和系统可用内存值，以及预设的不同图像尺寸和处理不同尺寸的图像所需系统内存值对应的散点图，并利用线性插值方法对所述散点图进行线性插值，以判断所述测试图像是否需要分块，以及在所述测试图像需要分块时，确定所述测试图像的分块数目；
分块模块，用于根据所述测试图像的分块数目，将所述测试图像按预设的分块规则进行分块处理，得到多个测试图像块，
测试模块，用于若各所述测试图像块的尺寸不满足深度学习网络模型的参考图像尺寸要求，确定各所述测试图像块需要边缘填充处理，得到多个填充后的测试图像块；其中，对各所述测试图像块进行边缘填充处理包括：若各所述测试图像块需要填充的边缘部分在测试图像中存在对应的图像区域，则将所述测试图像中对应区域的图像填充至各所述测试图像块的边缘；若各所述测试图像块需要填充的边缘部分在所述测试图像中不存在对应的图像区域，则将预设的图像值填充至所述测试图像块的边缘；将各所述测试图像块或者各所述填充后的测试图像块输入所述深度学习网络模型中，得到所述多个测试图像块的测试结果，并将所述多个测试图像块的测试结果合并处理得到所述测试图像的测试结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910592555.2A CN110390679B (zh) | 2019-07-03 | 2019-07-03 | 图像处理方法、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910592555.2A CN110390679B (zh) | 2019-07-03 | 2019-07-03 | 图像处理方法、计算机设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110390679A CN110390679A (zh) | 2019-10-29 |
| CN110390679B true CN110390679B (zh) | 2022-04-26 |
Family
ID=68286119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910592555.2A Active CN110390679B (zh) | 2019-07-03 | 2019-07-03 | 图像处理方法、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110390679B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796652B (zh) * | 2019-10-30 | 2023-03-21 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和存储介质 |
| CN110941399A (zh) * | 2019-12-05 | 2020-03-31 | 北京金山云网络技术有限公司 | 数据处理方法、装置和电子设备 |
| CN111143076A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种磁共振重建内存预估方法、装置、电子设备及介质 |
| CN112288685A (zh) * | 2020-07-20 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 抗酸杆菌的检测方法、装置、终端设备及可读存储介质 |
| CN112835759A (zh) * | 2021-02-01 | 2021-05-25 | 百度在线网络技术（北京）有限公司 | 测试数据处理方法、装置、电子设备以及存储介质 |
| CN113506304A (zh) * | 2021-04-30 | 2021-10-15 | 艾酷软件技术(上海)有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430789A (zh) * | 2008-11-19 | 2009-05-13 | 西安电子科技大学 | 基于Fast Slant Stack变换的图像边缘检测方法 |
| CN102663759A (zh) * | 2012-04-20 | 2012-09-12 | 中国科学院遥感应用研究所 | 一种遥感影像快速处理方法 |
| CN103413273A (zh) * | 2013-07-22 | 2013-11-27 | 中国资源卫星应用中心 | 一种基于gpu加速实现图像复原处理方法 |
| CN105005985A (zh) * | 2015-06-19 | 2015-10-28 | 沈阳工业大学 | 背光图像微米级边缘检测方法 |
| CN106327421A (zh) * | 2016-09-13 | 2017-01-11 | 首都师范大学 | 一种图像数据存储方法及装置 |
| CN106611401A (zh) * | 2015-10-22 | 2017-05-03 | 阿里巴巴集团控股有限公司 | 一种在纹理内存中存储图像的方法及装置 |
| CN106934354A (zh) * | 2017-02-28 | 2017-07-07 | 厦门瑞为信息技术有限公司 | 一种fpga实现人脸检测的方法 |
| CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
| CN108830869A (zh) * | 2018-05-11 | 2018-11-16 | 西安电子科技大学 | 基于超像素的遥感图像并行分割方法 |
| CN109886967A (zh) * | 2019-01-16 | 2019-06-14 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺部解剖学位置定位算法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6384828B1 (en) * | 1999-10-22 | 2002-05-07 | Northshore Laboratories, Inc. | Digital processing apparatus and method for use in enlarging the size of an image displayed on a 2D fixed-pixel screen |
| CN102436584B (zh) * | 2011-11-04 | 2013-09-25 | 西安电子科技大学 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
| CN104809425B (zh) * | 2014-01-24 | 2020-06-26 | 上海联影医疗科技有限公司 | 手部兴趣区域的提取方法及装置 |
| CN109598723B (zh) * | 2018-12-11 | 2021-09-07 | 讯飞智元信息科技有限公司 | 一种图像噪声检测方法及装置 |
| CN109816615B (zh) * | 2019-03-06 | 2022-12-16 | 腾讯科技（深圳）有限公司 | 图像修复方法、装置、设备以及存储介质 |
| CN111862124A (zh) * | 2020-07-29 | 2020-10-30 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
| CN117173050A (zh) * | 2021-03-17 | 2023-12-05 | 武汉联影智融医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
-
2019
- 2019-07-03 CN CN201910592555.2A patent/CN110390679B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430789A (zh) * | 2008-11-19 | 2009-05-13 | 西安电子科技大学 | 基于Fast Slant Stack变换的图像边缘检测方法 |
| CN102663759A (zh) * | 2012-04-20 | 2012-09-12 | 中国科学院遥感应用研究所 | 一种遥感影像快速处理方法 |
| CN103413273A (zh) * | 2013-07-22 | 2013-11-27 | 中国资源卫星应用中心 | 一种基于gpu加速实现图像复原处理方法 |
| CN105005985A (zh) * | 2015-06-19 | 2015-10-28 | 沈阳工业大学 | 背光图像微米级边缘检测方法 |
| CN106611401A (zh) * | 2015-10-22 | 2017-05-03 | 阿里巴巴集团控股有限公司 | 一种在纹理内存中存储图像的方法及装置 |
| CN106327421A (zh) * | 2016-09-13 | 2017-01-11 | 首都师范大学 | 一种图像数据存储方法及装置 |
| CN106934354A (zh) * | 2017-02-28 | 2017-07-07 | 厦门瑞为信息技术有限公司 | 一种fpga实现人脸检测的方法 |
| CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
| CN108830869A (zh) * | 2018-05-11 | 2018-11-16 | 西安电子科技大学 | 基于超像素的遥感图像并行分割方法 |
| CN109886967A (zh) * | 2019-01-16 | 2019-06-14 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺部解剖学位置定位算法 |
Non-Patent Citations (4)
| Title |
|---|
| Automatic MR kidney segmentation for autosomal dominant polycystic kidney disease;Guangrui MU等;《SPIE Medical Imaging》;20190313;1-9 * |
| Segmentation of kidney tumor by multi-resolution VB-nets;G MU等;《2019 Kidney Tumor Segmentation Challenge: KiTS19》;20190101;1-5 * |
| 稀疏矩阵文档图像处理;储开颜等;《上海大学学报(自然科学版)》;20020830;第8卷(第4期);摘要，正文第1.1节 * |
| 面向灾害信息提取的SAR图像并行算法设计与实现;吴龙辉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315(第03期);I136-2392 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110390679A (zh) | 2019-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390679B (zh) | 图像处理方法、计算机设备和可读存储介质 | |
| CN108830900B (zh) | 关键点的抖动处理方法和装置 | |
| CN110991649A (zh) | 深度学习模型搭建方法、装置、设备和存储介质 | |
| CN111598779B (zh) | 图像超分辨率处理方法和装置、电子设备及存储介质 | |
| CN108875519B (zh) | 对象检测方法、装置和系统及存储介质 | |
| CN111192352B (zh) | 地图的渲染方法、装置、计算机设备和存储介质 | |
| CN110751175A (zh) | 损失函数的优化方法、装置、计算机设备和存储介质 | |
| CN110414570B (zh) | 图像分类模型生成方法、装置、设备和存储介质 | |
| CN111176853A (zh) | 数据量化方法、装置、计算机设备和存储介质 | |
| CN111062324A (zh) | 人脸检测方法、装置、计算机设备和存储介质 | |
| CN108537820B (zh) | 动态预测方法、系统及所适用的设备 | |
| CN109697733A (zh) | 点云空间寻点方法、装置、计算机设备和存储介质 | |
| CN110796652B (zh) | 图像处理方法、计算机设备和存储介质 | |
| CN111160394A (zh) | 分类网络的训练方法、装置、计算机设备和存储介质 | |
| CN111754429A (zh) | 运动矢量后处理方法和装置、电子设备及存储介质 | |
| EP3438936A1 (en) | Method and apparatus for managing graphics layers within a data processing system | |
| CN114549849A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN110889432B (zh) | 特征点匹配方法、装置、计算机设备和存储介质 | |
| CN110824496B (zh) | 运动估计方法、装置、计算机设备和存储介质 | |
| CN111985439A (zh) | 人脸检测方法、装置、设备和存储介质 | |
| CN111079523A (zh) | 物体检测方法、装置、计算机设备和存储介质 | |
| CN108986031B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN110705513A (zh) | 视频特征提取方法、装置、可读存储介质和计算机设备 | |
| CN113807330B (zh) | 面向资源受限场景的三维视线估计方法及装置 | |
| CN111028323B (zh) | 地图中水波纹的模拟方法、装置、设备和可读存储介质 |
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 |