CN110852349A - 一种图像处理方法、检测方法、相关设备及存储介质 - Google Patents

一种图像处理方法、检测方法、相关设备及存储介质 Download PDF

Info

Publication number
CN110852349A
CN110852349A CN201910999903.8A CN201910999903A CN110852349A CN 110852349 A CN110852349 A CN 110852349A CN 201910999903 A CN201910999903 A CN 201910999903A CN 110852349 A CN110852349 A CN 110852349A
Authority
CN
China
Prior art keywords
feature map
feature
fusion
target
image
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
Application number
CN201910999903.8A
Other languages
English (en)
Other versions
CN110852349B (zh
Inventor
何志强
郑介志
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201910999903.8A priority Critical patent/CN110852349B/zh
Publication of CN110852349A publication Critical patent/CN110852349A/zh
Application granted granted Critical
Publication of CN110852349B publication Critical patent/CN110852349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21348—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis overcoming non-stationarity or permutations
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种图像处理方法、检测方法、相关设备及存储介质，其中，所述图像处理方法包括：获取待处理图像；对所述待处理图像进行特征提取，得到不同尺度的多个第一特征图；对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图；对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图。本发明法结合多感受野分支技术和特征金字塔网络结构，能够对图像特征进行不同尺度的处理。

Description

一种图像处理方法、检测方法、相关设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、检测方法、相关设备及存储介质。
背景技术
传统的图像目标检测算法通常分为特征提取和训练分类器两步。在特征提取阶段，需要人为地在各种不同的特征中进行选择；在训练分类器阶段，可以使用传统的机器学习方法如随机森林,迭代算法,支持向量机等对选出的特征进行训练，得到最终的检测模型。基于深度学习技术的图像目标检测算法，无需人工进行特征的选择，而是通过神经网络自动学习图像特征，因此对不同的检测任务具有极高的通用性，并且相较于传统图像目标检测算法有更高的速度和精度。
识别不同尺度大小的物体是计算机视觉中的一个基本挑战，目前使用发方法不能很好地兼顾各种尺度大小的目标物体，在各尺度大小的目标物体的检测精度上也不高，特别是在医学图像检测领域，在根据医学图像检测不同尺度的疾病病灶时，检测的精度对疾病病灶预测的可靠性和准确性影响很大。
发明内容
为进一步提高图像目标检测的精度，本发明公开了一种图像处理方法、检测方法、相关设备及存储介质：
第一方面，本发明提供了一种图像处理方法，所述图像处理方法包括：
获取待处理图像；
对所述待处理图像进行特征提取，得到不同尺度的多个第一特征图；
对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图；
对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图。
进一步地，所述对所述待处理图像进行特征提取，得到不同尺度的多个第一特征图包括：
通过特征金字塔网络，对所述待处理图像进行特征提取，得到所述不同尺度的多个第一特征图。
优选地，所述预设空洞卷积包括不同尺度的空洞卷积层，所述不同尺度的空洞卷积层共享卷积核参数。
进一步地，所述对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图包括：
将所述多个第一特征图中的每个第一特征图输入至不同尺度的空洞卷积层中分别进行空洞卷积，得到对应所述每个第一特征图的空洞卷积特征图；
将对应所述每个第一特征图的空洞卷积特征图作为所述第二特征图。
进一步地，所述对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图包括：
确定最小尺度的第一特征图对应的第二特征图，得到第一目标特征图；
对所述第一目标特征图进行卷积，得到第一融合特征图；
遍历剩余尺度的所述第一特征图，确定第一尺度的第一特征图对应的第二特征图，得到第二目标特征图；
对所述第一融合特征图和所述第二目标特征图进行融合处理，得到第二融合特征图；
确定第二尺度的第一特征图对应的第二特征图，得到第三目标特征图；所述第二尺度大于所述第一尺度；
对所述第二融合特征图和所述第三目标特征图进行融合处理，得到第三融合特征图；
按照确定第三目标特征图的步骤得到第N融合特征图，N≥3；
将第一融合特征图，以及遍历过程中得到的第二融合特征图到第N融合特征图作为所述融合特征图。
优选地，所述对所述第一融合特征图和所述第二目标特征图进行融合处理，得到第二融合特征图包括：
对所述第一融合特征图进行上采样，对所述第二目标特征图进行卷积；将所述上采样后的第一融合特征图和所述卷积后的第二目标特征图进行元素相加以及卷积得到所述第二融合特征图；
优选地，所述对所述第二融合特征图和所述第三目标特征图进行融合处理，得到第三融合特征图包括：
对所述第二融合特征图进行上采样，对所述第三目标特征图进行卷积，将所述上采样后的第二融合特征图和卷积后的第三目标特征图进行元素相加以及卷积得到所述第三融合特征图。
第二方面，本发明提供了一种医学图像检测方法，所述医学图像检测方法包括：
将待检测医学图像按照如第一方面所述的一种图像处理方法进行处理，得到所述待检测医学图像的融合特征图；
根据所述融合特征图对所述待检测医学图像进行病灶检测。
进一步地，所述根据所述融合特征图对所述待检测医学图像进行病灶检测包括：
对所述融合特征图中的每个融合特征图进行边界框检测得到所述每个融合特征图的病灶检测结果；
对所述每个融合特征图的病灶检测结果进行非极大值抑制处理，得到目标病灶检测结果。
第三方面，本发明提供了一种图像处理装置，所述图像处理装置包括：
图像获取模块：用于获取待处理图像；
特征提取模块：用于对所述待处理图像进行特征提取，得到不同尺度的多个第一特征图；
空洞卷积模块：用于对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图；
特征融合模块：用于对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图。
第四方面，提供了一种医学图像检测系统，所述系统包括本发明第三方面提供的图像处理装置以及病灶检测模块，所述病灶检测模块用于根据图像处理装置针对待检测医学图像输出的融合特征图对所述待检测医学图像进行病灶检测。
第五方面，本发明提供了一种计算机设备，所述设备包括：处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述的一种图像处理方法或者一种医学图像检测方法。
第六方面，本发明提供了一种计算机存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行上述的一种图像处理方法或者一种医学图像检测方法。
采用上述技术方案，本发明所述的一种图像处理方法、检测方法、相关设备及存储介质具有如下有益效果：
本发明结合了多感受野分支技术和特征金字塔网络结构，能够对图像中不同尺度的目标物体都有非常好的检测效果。应用在医学图像的检测时，能够提高医学图像中不同尺度的疾病病灶的检测精度。此外，本发明提供的方法具有可移植性，能够应用到不同的检测网络中，并提升检测的性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种图像处理方法的流程示意图；
图2(a)、2(b)、2(c)是本发明实施例提供的不同尺度的空洞卷积示意图；
图3是本发明实施例提供的对所述第一融合特征图和所述第二目标特征图进行融合处理，得到第二融合特征图的示意图；
图4是本发明实施例提供的医学图像检测网络的结构示意图；
图5是本发明实施例提供的医学图像检测方法与现有技术中的检测方法的检测结果对比表；
图6是本发明实施例提供的一种图像处理装置的结构示意图；
图7是本发明实施例提供的一种计算机设备的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。
此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，对本发明公开的实施例中涉及的关键术语和缩略语进行定义。
卷积神经网络(Convolutional Neural Network,CNN)：是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，包括卷积层、池化层和全连接层。
特征金字塔网络(Feature Pyramid Network，FPN)：是一种利用常规卷积神经网络模型来高效提取图片中各尺度特征的方法，同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到提升预测效果的作用。特征金字塔的基本过程包括自底向上的线路、自顶向下的线路和横向连接三部分。
三叉戟网络(Trident Network)：一种适应于多尺度的目标检测框架网络，包括三个分支，分支的区别仅在空洞卷积的尺度不同，并且三个分支共享卷积核参数。
空洞卷积(Dilated Convolution)：在标准的卷积中注入空洞，以此来增加感受野，让每个卷积输出包含较大范围的信息，同时不增加卷积参数数量，空洞卷积也叫做膨胀卷积或扩张卷积。
Faster R-CNN(Region with CNN feature，R-CNN)：基于深度学习的两阶段目标检测模型，由R-CNN和Fast R-CNN发展而来，目标检测需要的四个步骤即候选区域生成、特征提取、分类器分类和回归器回归都由深度神经网络完成并且在图像处理器上完成。Faster R-CNN主要由两个模块组成：区域生成候选框提取模块和Fast R-CNN检测模块。
病灶检测(Lesion Detection)：疾病检测技术，是指检测出医学图像中的疑似病灶区域，并给出置信度。
图1是本发明实施例提供的一种图像处理方法的流程示意图，本说明书提供了如实施例或流程示意图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述图像处理方法可以包括：
S110：获取待处理图像。
可以理解的是，所述待处理图像可以是对原始图像经过处理后得到的，一般处理操作可以但不限于包括灰度化、几何变换和图像增强。具体的实施中，该处理过程可以在卷积神经网络中进行。
S130：对所述待处理图像进行特征提取，得到不同尺度的多个第一特征图。
在一些可行的实施方式中，通过特征金字塔网络，对所述待处理图像进行特征提取，得到所述不同尺度的多个第一特征图。
可以理解的是，所述不同尺度的多个第一特征图可以是所述待处理图像经过特征金字塔网络中自底向上的线路得到的，所述自底向上的线路是卷积网络的前馈计算。在前馈计算过程中，特征图的大小在经过某些层后会改变，而在经过其他一些层的时候不会改变，将不改变特征图大小的层归为一个网络阶段，一个网络阶段定义为一个金字塔等级，然后抽取每个阶段的最后一层的输出作为最后的不同尺度的多个第一特征图。
S150：对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图。
在一些可行的实施方式中，所述预设空洞卷积可以包括不同尺度的空洞卷积层，所述不同尺度的空洞卷积层共享卷积核参数。
如图2所示，空洞卷积是在标准的卷积中注入空洞来增加感受野。假设空洞卷积的空洞卷积率为K，原始的卷积核大小为3*3，当K＝1时，感受野大小为3*3，如图2(a)所示；当K＝2时，感受野大小为7*7，如图2(b)所示；当K＝4时，感受野大小为15*15，如图2(c)所示。随着感受野的增大，小尺度目标的检测精度开始下降但是大尺度目标的检测精度会开始上升。因而，采用多感受野分支能够兼具对不同尺度目标的检测高精度，并且不会产生额外的参数。
在一些可行的实施方式中，所述对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图可以包括以下步骤：
将所述多个第一特征图中的每个第一特征图输入至不同尺度的空洞卷积层中分别进行空洞卷积，得到对应所述每个第一特征图的空洞卷积特征图；
将对应所述每个第一特征图的空洞卷积特征图作为所述第二特征图。
可以理解的是，所述第二特征图包含多个不同尺度的空洞卷积特征图。
S170：对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图。
在一些可行的实施方式中，步骤S170可以包括以下步骤：
S171：确定最小尺度的第一特征图对应的第二特征图，得到第一目标特征图。
可以理解的是，所述最小尺度的第一特征图对应的第二特征图位于特征金字塔网络自底向上的线路的最上层。
S172：对所述第一目标特征图进行卷积，得到第一融合特征图。
在一些可行的实施方式中，对所述第一目标特征图进行1*1的卷积以改变所述第一目标特征图的通道数，即减少第一目标特征图的个数但不改变第一目标特征图的尺寸大小。
S173：遍历剩余尺度的所述第一特征图，确定第一尺度的第一特征图对应的第二特征图，得到第二目标特征图。
其中，剩余尺度的第一特征图为除上述最小尺度的第一特征图之外的第一特征图；第一尺度的第一特征图可以为剩余尺度的第一特征图中的任一第一特征图。
在一些可行的实施方式中，按照由上至下的顺序，该第一尺度的第一特征图可以处于特征金字塔第二层的位置。
S174：对所述第一融合特征图和所述第二目标特征图进行融合处理，得到第二融合特征图。
在一些可行的实施方式中，如图3所示，步骤S174可以包括以下步骤：
S1741：对所述第一融合特征图进行2倍上采样。
可以理解的是，所述上采样的目的是改变第一融合特征图的尺寸大小。
在一些可行的实施方式中，可以根据特征金字塔自底向上线路的缩放步长和自顶向下的融合方式确定采样频率，此处为了简单起见，采用最邻近上采样法，对所述第二特征图逐层进行特征融合。
S1742：对所述第二目标特征图进行1*1卷积。
可以理解的是，对所述第二目标特征图进行1*1的卷积以改变所述第二目标特征图的维数，即减少第二目标特征图的个数但不改变第二目标特征图的尺寸大小。
可以理解的是，对所述第二目标特征图进行1*1卷积是通过特征金字塔横向连接的部分完成的。
S1743：将所述上采样后的第一融合特征图和所述卷积后的第二目标特征图进行元素相加以及卷积得到所述第二融合特征图。
可以理解的是，所述上采样后的第一融合特征图和所述卷积后的第二目标特征图的尺寸大小相同，可以直接进行元素相加。
可以理解的是，元素相加后还可以再采用3*3的卷积核进行卷积的，目的是减少上采样的混叠效应，此处的卷积未在图3中标出。
在一些可行的实施方式中，在所述上采样后的第一融合特征图和所述卷积后的第二目标特征图的尺寸大小相同或称通道数相同，且后面有卷积的情况下，所述元素相加是指将所述上采样后的第一融合特征图和所述卷积后的第二目标特征图直接相加，得到的所述第二融合特征图通道数没有增加或称维度没有增加，但是每个维度下的信息量增加了。
S175：确定第二尺度的第一特征图对应的第二特征图，得到第三目标特征图；所述第二尺度大于所述第一尺度。
在一个可行的实施方式中，按照由上至下的顺序，所述第二尺度的第一特征图可以位于特征金字塔第三层的位置。
S176：对所述第二融合特征图和所述第三目标特征图进行融合处理，得到第三融合特征图。
在一些可行的实施方式中，步骤S176可以包括以下步骤：
对所述第二融合特征图进行2倍上采样；
对所述第三目标特征图进行1*1卷积；
将所述上采样后的第二融合特征图和所述卷积后的第三目标特征图进行元素相加以及卷积得到所述第三融合特征图。
可以理解的是，步骤S176与步骤S174类似，在此不再赘述。
S177：按照确定第三目标特征图的步骤得到第N融合特征图，N≥3；
具体的实施中，确定第N-1尺度的第一特征图对应的第二特征图，得到第N目标特征图；对所述第N-1融合特征图和所述第N目标特征图进行融合处理，得到第N融合特征图。
可以理解是，步骤S177具体实施的操作与S176类似，在此不再赘述。
S178：将第一融合特征图，以及遍历过程中得到的第二融合特征图到第N(N≥3)融合特征图作为所述融合特征图。
可以理解的是，本发明实施例采用特征金字塔结构进行特征提取和特征融合，能够利用浅层的特征将简单的目标区分开来，利用深层的特征将复杂的目标区分开来，并且它通过融合神经网络中低层和高层的特征，解决了底层的特征语义信息比较少和高层的特征目标位置比较粗略的问题。同样针对多尺度目标的检测问题，同时使用不同尺度的空洞卷积实现多感受野分支，并通过在不同的分支上对不同尺度的目标物体进行检测。在本发明实施例中，所有的特征图中均具有多个感受野，除了能进一步提高对不同尺度的目标的检测精度，还能包括更多目标周围的信息。
本发明实施例还提供了一种医学图像检测方法，本说明书提供了如实施例或流程示意图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。所述医学图像检测方法可以包括：
S210：将待检测医学图像按照如实施例所述的图像处理方法进行处理，得到所述待检测医学图像的融合特征图。
本发明实施例中，所述医学图像可以是胸部X光片，但本发明并不限定于此，本发明实施例提供的医学图像检测方法可以应用于任意的医学图像。在实施例中，以胸部X光片进行举例说明。
在本发明实施例中，步骤S210可以包括以下步骤：
S211：获取待处理医学图像。
S212：对所述待处理医学图像进行特征提取，得到不同尺度的多个第一特征图。
在一个具体的实施方式中，如图4所示，可以从特征金字塔中抽取三种尺度的第一特征图，从而得到三个不同尺度的第一特征图。
可以理解的是，步骤S212可以采用实施例中步骤S130所述的操作。
S213：对所述多个第一特征图进行预设空洞卷积，得到对应每个第一特征图的第二特征图。
以图4为例，对应每个第一特征图的第二特征图为图4中的F1、F2、F3。其中，各F1、F2、F3均含有三种感受野大小的空洞卷积特征图，F1、F2、F3对应的第一特征图的尺度依次减小，F3对应的第一特征图为特征金字塔的最上层输出的特征图，也就是最小尺度的第一特征图。
S214：对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图。
以图4为例，根据F1、F2、F3可以得到的融合特征图为P1、P2、P3，下面结合图4对上述的融合过程进行说明：
对第二特征图F3进行1*1卷积得到融合特征图P3；对第二特征图F2进行1*1卷积，对融合特征图P3进行2倍上采样，再将二者进行元素相加和3*3卷积，得到融合特征图P2；
对第二特征图F1进行1*1卷积，对融合特征图P2进行2倍上采样，再将二者进行元素相加和3*3卷积，得到融合特征图P1。
可以理解的，图4中示出了三种尺度的第一特征图对应的融合，实际应用中可以根据需要抽取更多尺度或者更少尺度的第一特征图，本发明对此不作具体限定。
S230：根据所述融合特征图对所述待检测医学图像进行病灶检测。
在本发明实施例中，如图4所示，步骤S230可以包括以下步骤：
S231：对所述融合特征图中的每个融合特征图进行边界框检测得到所述每个融合特征图的病灶检测结果。
可以理解的是，每个融合特征图都具有三个感受野分支，因此，在对每个融合特征图进行边界框检测的时候要对三个感受野分支都进行检测，每个融合特征图产生三个检测结果，每个感受野分支可以单独进行检测得到各自的检测结果。
S232：对所述每个融合特征图的病灶检测结果进行非极大值抑制处理，得到目标病灶检测结果。
在一些可行的实施方式中，所述病灶可以包括以下至少之一：肺不张、心肌肿大、胸腔积液、肺气肿、肺炎、气胸，本发明不做具体限定。
在一些可行的实施方式中，还可以采用其他方法处理病灶检测结果，不限定于非极大值抑制处理(Non Maximum Suppression，NMS)。
以医学图像为胸部X光片，检测装置包括Faster-RCNN、特征金字塔网络(FeaturePyramid Network，FPN)和三叉戟网络(Trident Network)为例。其中将Faster-RCNN作为目标检测算法的基本框架，实现对胸部X光片的特征提取和检测，Faster-RCNN中特征提取子网络可以为视觉几何组网络(Visual Geometry Group Network，VGGNet)或残差神经网络(Residual Neural Network，ResNet)。通过在特征提取子网络中加入特征金字塔网络或者三叉戟网络，作为特征提取子网络的附加组件，得到胸部X光片的多尺度的特征图，从而可以实现对不同尺度的病灶目标的检测。
图5是本发明实施例提供的医学图像检测方法与现有技术中的检测方法的的检测结果对比表，对同一批包含患有肿块和肺结节的胸部X光片数据使用不同的检测方法，对比在Faster-RCNN的特征提取子网络中加入特征金字塔网络或三叉戟网络后对不同尺度的病灶的检测结果。检测指标使用AP50(Average Precision，平均精度)，其中
Figure BDA0002240968300000131
表示对肿块(大尺度目标)的检测结果，
Figure BDA0002240968300000132
表示对肺结节(小尺度目标)的检测结果，表示对总体的检测结果。
如图5所示，采用本发明提供的医学图像检测方法中的检测网络结构即Faster-RCNN+FPN+TridentNetwork，对大尺度目标、小尺度目标以及总体目标的检测精度都高于其它三种检测方法，也就说明本发明实施例提供的医学图像检测方法提高了图像特征提取、识别和检测的精度，能够帮助医生提高阅片效率。
本发明实施例还提供了一种图像处理装置，如图6所示，所述图像处理装置包括：
图像获取模块101：用于获取待处理图像。
特征提取模块102：用于对所述待处理图像进行特征提取，得到不同尺度的多个第一特征图。
进一步地，所述特征提取模块102采用特征金字塔的网络结构对所述待处理图像进行特征提取，得到所述不同尺度的多个第一特征图，所述不同尺度的多个第一特征图作为所述特征提取模块102的输出。
空洞卷积模块103：用于对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图。
优选地，所述空洞卷积模块103预设的空洞卷积包括不同尺度的空洞卷积层，所述不同尺度的空洞卷积层共享卷积核参数。
进一步地，所述对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图包括：
将所述特征提取模块102输出的所述不同尺度的多个第一特征图中的每个第一特征图输入至不同尺度的空洞卷积层中分别进行空洞卷积，得到对应所述每个第一特征图的空洞卷积特征图；
将对应所述每个第一特征图的空洞卷积特征图图作为所述第二特征图，所述第二特征图作为所述空洞卷积模块103的输出。
特征融合模块104：用于对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图。
可以理解的是，所述特征融合模块104的输入是所述多个第一特征图中每个第一特征图对应的第二特征图。
进一步地，所述对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图包括：
确定最小尺度的第一特征图对应的第二特征图，得到第一目标特征图；
对所述第一目标特征图进行卷积，得到第一融合特征图；
遍历剩余尺度的所述第一特征图，确定第一尺度的第一特征图对应的第二特征图，得到第二目标特征图；
对所述第一融合特征图和所述第二目标特征图进行融合处理，得到第二融合特征图；
确定第二尺度的第一特征图对应的第二特征图，得到第三目标特征图；所述第二尺度大于所述第一尺度；
对所述第二融合特征图和所述第三目标特征图进行融合处理，得到第三融合特征图；
按照确定第三目标特征图的步骤得到第N融合特征图，N≥3；
将第一融合特征图，以及遍历过程中得到的第二融合特征图到第N融合特征图作为所述融合特征图，所述融合特征图作为所述特征融合模块104的输出。
优选地，所述对所述第一融合特征图和所述第二目标特征图进行融合处理，得到第二融合特征图包括：
对所述第一融合特征图进行上采样，对所述第二目标特征图进行卷积；将所述上采样后的第一融合特征图和所述卷积后的第二目标特征图进行元素相加以及卷积得到所述第二融合特征图；
优选地，所述对所述第二融合特征图和所述第三目标特征图进行融合处理，得到第三融合特征图包括：
对所述第二融合特征图进行上采样，对所述第三目标特征图进行卷积，将所述上采样后的第二融合特征图和卷积后的第三目标特征图进行元素相加以及卷积得到所述第三融合特征图。
本发明实施例所述的一种图像处理装置与方法实施例基于相同的发明构思，详情请参考方法实施例，在此不再赘述。
本发明实施例还提供了一种医学图像检测系统，所述系统包括本发明实施例所提供的图像处理装置以及病灶检测模块，所述病灶检测模块用于根据图像处理装置针对待检测医学图像输出的融合特征图对所述待检测医学图像精心病灶检测。
本发明实施例还提供了一种计算机设备，所述设备包括：处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如本发明实施例的一种图像处理方法或者一种医学图像检测方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本发明实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行，即上述计算机设备可以包括计算机终端、服务器或者类似的运算装置。图7是本发明实施例提供的运行一种图像处理方法或者一种医学图像检测方法的计算机设备的硬件结构框图，如图7所示，该计算机设备的内部结构可包括但不限于：处理器、网络接口及存储器。其中，计算机设备内的处理器、网络接口及存储器可通过总线或其他方式连接，在本说明书实施例所示图7中以通过总线连接为例。
其中，处理器(或称CPU(Central Processing Unit，中央处理器))是计算机设备的计算核心以及控制核心。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI、移动通信接口等)。存储器(Memory)是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的存储器可以是高速RAM存储设备，也可以是非不稳定的存储设备(non-volatile memory)，例如至少一个磁盘存储设备；可选的还可以是至少一个位于远离前述处理器的存储装置。存储器提供存储空间，该存储空间存储了电子设备的操作系统，可包括但不限于：Windows系统(一种操作系统)，Linux(一种操作系统)，Android(安卓，一种移动操作系统)系统、IOS(一种移动操作系统)系统等等，本发明对此并不作限定；并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。在本说明书实施例中，处理器加载并执行存储器中存放的一条或一条以上指令，以实现上述方法实施例提供的图像处理方法。
本发明实施例还提供了一种计算机存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行如本发明实施例所述的一种图像处理方法或一种医学图像检测方法。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、系统和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
获取待处理图像；
对所述待处理图像进行特征提取，得到不同尺度的多个第一特征图；
对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图；
对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图。
2.根据权利要求1所述的图像处理方法，其特征在于，所述对所述待处理图像进行特征提取，得到不同尺度的多个第一特征图包括：
通过特征金字塔网络，对所述待处理图像进行特征提取，得到所述不同尺度的多个第一特征图。
3.根据权利要求1所述的图像处理方法，其特征在于，所述预设空洞卷积包括不同尺度的空洞卷积层，所述不同尺度的空洞卷积层共享卷积核参数；
所述对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图包括：
将所述多个第一特征图中的每个第一特征图输入至不同尺度的空洞卷积层中分别进行空洞卷积，得到对应所述每个第一特征图的空洞卷积特征图；
将对应所述每个第一特征图的空洞卷积特征图作为所述第二特征图。
4.根据权利要求1所述的图像处理方法，其特征在于，所述对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图包括：
确定最小尺度的第一特征图对应的第二特征图，得到第一目标特征图；
对所述第一目标特征图进行卷积，得到第一融合特征图；
遍历剩余尺度的所述第一特征图，确定第一尺度的第一特征图对应的第二特征图，得到第二目标特征图；
对所述第一融合特征图和所述第二目标特征图进行融合处理，得到第二融合特征图；
确定第二尺度的第一特征图对应的第二特征图，得到第三目标特征图；所述第二尺度大于所述第一尺度；
对所述第二融合特征图和所述第三目标特征图进行融合处理，得到第三融合特征图；
按照确定第三目标特征图的步骤得到第N融合特征图，N≥3；
将第一融合特征图，以及遍历过程中得到的第二融合特征图到第N融合特征图作为所述融合特征图。
5.根据权利要求4所述的图像处理方法，其特征在于，
所述对所述第一融合特征图和所述第二目标特征图进行融合处理，得到第二融合特征图包括：
对所述第一融合特征图进行上采样，对所述第二目标特征图进行卷积；将所述上采样后的第一融合特征图和所述卷积后的第二目标特征图进行元素相加以及卷积得到所述第二融合特征图；
所述对所述第二融合特征图和所述第三目标特征图进行融合处理，得到第三融合特征图包括：
对所述第二融合特征图进行上采样，对所述第三目标特征图进行卷积，将所述上采样后的第二融合特征图和卷积后的第三目标特征图进行元素相加以及卷积得到所述第三融合特征图。
6.一种医学图像检测方法，其特征在于，所述方法包括：
将待检测医学图像按照权利要求1至5中任一项所述的图像处理方法进行处理，得到所述待检测医学图像的融合特征图；
根据所述融合特征图对所述待检测医学图像进行病灶检测。
7.根据权利要求6所述的医学图像检测方法，其特征在于，所述根据所述融合特征图对所述待检测医学图像进行病灶检测包括：
对所述融合特征图中的每个融合特征图进行边界框检测得到所述每个融合特征图的病灶检测结果；
对所述每个融合特征图的病灶检测结果进行非极大值抑制处理，得到目标病灶检测结果。
8.一种图像处理装置，其特征在于，所述装置包括：
图像获取模块：用于获取待处理图像；
特征提取模块：用于对所述待处理图像进行特征提取，得到不同尺度的多个第一特征图；
空洞卷积模块：用于对所述多个第一特征图中的每个第一特征图进行预设空洞卷积，得到对应所述每个第一特征图的第二特征图；
特征融合模块：用于对所述多个第一特征图中每个第一特征图对应的第二特征图进行融合，得到融合特征图。
9.一种计算机设备，其特征在于，包括：处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至5任一项所述的一种图像处理方法。
10.一种计算机存储介质，其特征于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至5任一项所述的图像处理方法。
CN201910999903.8A 2019-10-21 2019-10-21 一种图像处理方法、检测方法、相关设备及存储介质 Active CN110852349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910999903.8A CN110852349B (zh) 2019-10-21 2019-10-21 一种图像处理方法、检测方法、相关设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910999903.8A CN110852349B (zh) 2019-10-21 2019-10-21 一种图像处理方法、检测方法、相关设备及存储介质

Publications (2)

Publication Number Publication Date
CN110852349A true CN110852349A (zh) 2020-02-28
CN110852349B CN110852349B (zh) 2024-02-20

Family

ID=69596906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910999903.8A Active CN110852349B (zh) 2019-10-21 2019-10-21 一种图像处理方法、检测方法、相关设备及存储介质

Country Status (1)

Country Link
CN (1) CN110852349B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507408A (zh) * 2020-04-17 2020-08-07 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN112200201A (zh) * 2020-10-13 2021-01-08 上海商汤智能科技有限公司 一种目标检测方法及装置、电子设备和存储介质
CN112232361A (zh) * 2020-10-13 2021-01-15 国网电子商务有限公司 图像处理的方法及装置、电子设备及计算机可读存储介质
CN112365497A (zh) * 2020-12-02 2021-02-12 上海卓繁信息技术股份有限公司 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
CN112614107A (zh) * 2020-12-23 2021-04-06 北京澎思科技有限公司 一种图像处理方法、装置、电子设备及存储介质
CN112633156A (zh) * 2020-12-22 2021-04-09 浙江大华技术股份有限公司 车辆检测方法、图像处理装置以及计算机可读存储介质
CN112906814A (zh) * 2021-03-10 2021-06-04 江苏禹空间科技有限公司 基于nas网络的目标检测方法及系统
CN113486951A (zh) * 2021-07-05 2021-10-08 哈尔滨市科佳通用机电股份有限公司 风挡击打变形故障识别检测方法、存储介质及设备
CN113516116A (zh) * 2021-05-19 2021-10-19 西安建筑科技大学 一种适用于复杂自然场景的文本检测方法、系统和介质
CN114495042A (zh) * 2022-01-27 2022-05-13 北京百度网讯科技有限公司 目标检测方法和装置
CN115209150A (zh) * 2022-09-16 2022-10-18 沐曦科技(成都)有限公司 一种视频编码参数获取方法、装置、网络模型及电子设备
CN112906814B (zh) * 2021-03-10 2024-05-28 无锡禹空间智能科技有限公司 基于nas网络的目标检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886286A (zh) * 2019-01-03 2019-06-14 武汉精测电子集团股份有限公司 基于级联检测器的目标检测方法、目标检测模型及系统
CN110111313A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
CN110263732A (zh) * 2019-06-24 2019-09-20 京东方科技集团股份有限公司 多尺度目标检测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886286A (zh) * 2019-01-03 2019-06-14 武汉精测电子集团股份有限公司 基于级联检测器的目标检测方法、目标检测模型及系统
CN110111313A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
CN110263732A (zh) * 2019-06-24 2019-09-20 京东方科技集团股份有限公司 多尺度目标检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANGHAO LI ET AL.: "Scale-Aware Trident Networks for Object Detection", 《ARXIV:1901.01892V2》, pages 1 - 10 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI782480B (zh) * 2020-04-17 2022-11-01 大陸商深圳市商湯科技有限公司 圖像處理方法及電子設備和電腦可讀儲存介質
WO2021208667A1 (zh) * 2020-04-17 2021-10-21 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN111507408A (zh) * 2020-04-17 2020-08-07 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN111507408B (zh) * 2020-04-17 2022-11-04 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN112200201A (zh) * 2020-10-13 2021-01-08 上海商汤智能科技有限公司 一种目标检测方法及装置、电子设备和存储介质
CN112232361A (zh) * 2020-10-13 2021-01-15 国网电子商务有限公司 图像处理的方法及装置、电子设备及计算机可读存储介质
CN112365497A (zh) * 2020-12-02 2021-02-12 上海卓繁信息技术股份有限公司 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
CN112633156A (zh) * 2020-12-22 2021-04-09 浙江大华技术股份有限公司 车辆检测方法、图像处理装置以及计算机可读存储介质
CN112633156B (zh) * 2020-12-22 2024-05-31 浙江大华技术股份有限公司 车辆检测方法、图像处理装置以及计算机可读存储介质
CN112614107A (zh) * 2020-12-23 2021-04-06 北京澎思科技有限公司 一种图像处理方法、装置、电子设备及存储介质
CN112906814A (zh) * 2021-03-10 2021-06-04 江苏禹空间科技有限公司 基于nas网络的目标检测方法及系统
CN112906814B (zh) * 2021-03-10 2024-05-28 无锡禹空间智能科技有限公司 基于nas网络的目标检测方法及系统
CN113516116B (zh) * 2021-05-19 2022-11-22 西安建筑科技大学 一种适用于复杂自然场景的文本检测方法、系统和介质
CN113516116A (zh) * 2021-05-19 2021-10-19 西安建筑科技大学 一种适用于复杂自然场景的文本检测方法、系统和介质
CN113486951B (zh) * 2021-07-05 2022-02-01 哈尔滨市科佳通用机电股份有限公司 风挡击打变形故障识别检测方法、存储介质及设备
CN113486951A (zh) * 2021-07-05 2021-10-08 哈尔滨市科佳通用机电股份有限公司 风挡击打变形故障识别检测方法、存储介质及设备
CN114495042A (zh) * 2022-01-27 2022-05-13 北京百度网讯科技有限公司 目标检测方法和装置
CN114495042B (zh) * 2022-01-27 2023-08-29 北京百度网讯科技有限公司 目标检测方法和装置
CN115209150A (zh) * 2022-09-16 2022-10-18 沐曦科技(成都)有限公司 一种视频编码参数获取方法、装置、网络模型及电子设备
CN115209150B (zh) * 2022-09-16 2022-12-27 沐曦科技(成都)有限公司 一种视频编码参数获取方法、装置及电子设备

Also Published As

Publication number Publication date
CN110852349B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN110852349B (zh) 一种图像处理方法、检测方法、相关设备及存储介质
US10936911B2 (en) Logo detection
US20200311871A1 (en) Image reconstruction method and device
CN110738207B (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
US9542621B2 (en) Spatial pyramid pooling networks for image processing
Zhang et al. Feature reintegration over differential treatment: A top-down and adaptive fusion network for RGB-D salient object detection
WO2019075130A1 (en) IMAGE PROCESSING DEVICE AND METHOD
WO2014205231A1 (en) Deep learning framework for generic object detection
CN110415250B (zh) 一种基于深度学习的重叠染色体分割方法及装置
US11030750B2 (en) Multi-level convolutional LSTM model for the segmentation of MR images
EP3869385A1 (en) Method for extracting structural data from image, apparatus and device
CN111444807B (zh) 目标检测方法、装置、电子设备和计算机可读介质
CN111292377B (zh) 目标检测方法、装置、计算机设备和存储介质
US10769784B2 (en) Image analyzing method and electrical device
JP6597914B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN111767750A (zh) 图像处理方法和装置
Dong et al. Learning regional purity for instance segmentation on 3d point clouds
CN108960247B (zh) 图像显著性检测方法、装置以及电子设备
CN112101386A (zh) 文本检测方法、装置、计算机设备和存储介质
Cai et al. IOS-Net: An inside-to-outside supervision network for scale robust text detection in the wild
CN114581918A (zh) 一种文本识别模型训练方法及装置
Gu et al. The effect of pulmonary vessel suppression on computerized detection of nodules in chest CT scans
Tan et al. Local context attention for salient object segmentation
CN116798041A (zh) 图像识别方法、装置和电子设备
US20200372280A1 (en) Apparatus and method for image processing for machine learning

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