CN110992295A - 基于小波-red卷积神经网络的低剂量ct重建方法 - Google Patents
基于小波-red卷积神经网络的低剂量ct重建方法 Download PDFInfo
- Publication number
- CN110992295A CN110992295A CN201911335488.2A CN201911335488A CN110992295A CN 110992295 A CN110992295 A CN 110992295A CN 201911335488 A CN201911335488 A CN 201911335488A CN 110992295 A CN110992295 A CN 110992295A
- Authority
- CN
- China
- Prior art keywords
- dose
- image
- wavelet
- neural network
- red
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 title description 3
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 5
- 238000001914 filtration Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004379 similarity theory Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于小波‑RED卷积神经网络的低剂量CT重建方法,通过小波分解模块代替经典RED卷积神经网络中的编码器,利用小波分解模块的多尺度分析特性,在不同尺度上按频率段逐层提取噪声信息,然后在低剂量CT小波分解系数图像的基础上,利用可训练的解码器,层层提取噪声信息,生成低剂量CT的负噪声图像,最后与低剂量图像相加,获得重建图像,这样可以高效地去除低剂量CT图像上的噪声,同时保留图像的细节信息。
Description
技术领域
本发明属于图像处理技术领域,更为具体地讲,涉及一种基于小波-RED卷积神经网络的低剂量CT重建方法。
背景技术
目前,人们对CT辐射剂量对人体可能造成的潜在危害问题越来越重视。通过降低管电流强度(低剂量CT)和减少采样的次数(稀疏角度CT),能够实现降低辐射剂量。但这样破坏了投影数据的完备性,由传统重建算法直接重建出的图像质量会严重退化。因此,如何在降低辐射剂量的同时保证重建图像的质量成为近年来CT研究的一个热点。
近年来,为了去除低剂量CT图像噪声而出现的经典算法有很多,主要是是基于非局部相似性理论、稀疏表示和字典学习理论及其他理论的各种算法。其中,非局部均值(NLM)算法、匹配三维滤波方法和基于字典学习的稀疏表示方法—K-奇异值分解都是目前公认效果较好的低剂量CT图像降噪算法,但是这些降噪算法都存在去除噪声不完全或使图像过度模糊的缺点。
此外,基于变换滤波理论的降噪方法也被众多学者广泛研究。在变换域中对变换系数进行阈值滤波,然而阈值滤波过程中的阈值难以估计和调整,从而难以达到理想的去噪效果。
近年来,随着深度学习的发展,卷积神经网络已经在图像分类、语音识别、目标检测和文字识别等方面均取得了突破性研究。将将卷积神经网络应用于自然图像和LDCT图像降噪也引起了广大研究者的兴趣。用深度学习的方法学习噪声图像和去噪图像之间的映射关系,可以提高图像的信噪比并保留图像细节信息。其中,一种RED(Residual Encoder-Decoder)卷积神经网络用于低剂量CT图像降噪,可以有效地抑制噪声和伪影。然而,传统RED神经网络模型中,需要编码器对输入图像的特征进行层层提取,且需要训练大量的参数,这样导致模型训练难得加大,且耗时长。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于小波-RED卷积神经网络的低剂量CT重建方法,用小波分解模块代替经典RED卷积神经网络中的编码器,然后利用小波分解模块在不同频率尺度上提取图像的噪声信息,进而生成低剂量CT的负噪声图像,在图像重建时能够保留图像的细节信息。
为实现上述发明目的,本发明一种基于小波-RED卷积神经网络的低剂量CT重建方法,其特征在于,包括以下步骤:
(1)、构建训练样本
采集不同患者的标准剂量CT投影数据,再通过反投影重建得到标准剂量CT图像;
对同一标准剂量CT投影数据添加噪声,再通过反投影重建得到相应的低剂量CT图像;
将每一对低剂量CT图像与标准剂量CT图像构成一个训练样本,表示为{X,Y},其中,X为低剂量CT图像,Y为标准剂量CT图像;
(2)、构建小波-RED神经网络模型
用小波分解模块代替传统RED神经网络模型中的编码器,传统RED神经网络模型中的其余模块保持不变;
其中,小波分解模块与传统RED神经网络模型中的解码器的级数均为N;小波分解模块分解后的第n级小波系数Wn与解码器第N-n层反卷积层的输出En同尺寸,Wn与En进行通道拼接后,输入至第N-n+1层反卷积层,输出得到升维的特征图En-1,然后以此类推,直到第N层反卷积层,最后以W1与E1拼接后的多通道特征图为输入,经反卷积得到单通道特征图E0;
(3)、训练小波-RED神经网络模型
(3.1)、小波-RED神经网络模型初始化;
(3.2)、随机选取一个训练样本{X,Y},将X输入至小波-RED卷积神经网络模型;
先利用小波分解模块对X进行小波分解,得到各级小波系数Wn和对应的低频系数Ln,然后将最后一级小波系数WN连同低频系数LN构成特征图WN′,并输入到解码器,解码器逐层进行反卷积操作,得到单通道特征图E0,最后将E0与X相加得到重建图像Y′;
(3.3)、计算重建图像Y′与真实标准剂量图像Y之间像素误差平方和,记为Σ,判断Σ与预设阈值的大小,如果Σ小于预设阈值,则训练结束,得到训练好的小波-RED神经网络模型;否则,进入步骤(3.4);
(3.4)、利用随机梯度下降算法更新小波-RED神经网络模型中的权重参数,然后再返回步骤(3.2);
(4)、获取真实的低剂量CT图像,将其输入至训练好的小波-RED神经网络模型,从而输出重建后的标准剂量CT图像。
本发明的发明目的是这样实现的:
本发明基于小波-RED卷积神经网络的低剂量CT重建方法,通过小波分解模块代替经典RED卷积神经网络中的编码器,利用小波分解模块的多尺度分析特性,在不同尺度上按频率段逐层提取噪声信息,然后在低剂量CT小波分解系数图像的基础上,利用可训练的解码器,层层提取噪声信息,生成低剂量CT的负噪声图像,最后与低剂量图像相加,获得重建图像,这样可以高效地去除低剂量CT图像上的噪声,同时保留图像的细节信息。
同时,本发明基于小波-RED卷积神经网络的低剂量CT重建方法还具有以下有益效果:
(1)、本发明方法设计的小波-RED卷积神经网络模型中,用小波分解模块代替传统RED神经网络的编码器,小波分解模块中不包含需要训练的参数,整个网络模型中,仅解码器的参数需要训练。相当于大大减少了需要训练的参数个数,加速了模型的训练。
(2)、小波变换将低剂量图像进行了多尺度分解,利用小波的多尺度分析特性,在不同尺度上按频率段逐层提取噪声信息,解码器可以逐层提取噪声信息并合成负噪声图像,这样可以使训练和计算简单,容易实现;
(3)、本发明利用小波的多尺度分析特性,在不同尺度上按频率段逐层提取噪声信息,可以高效地去除低剂量CT图像上的噪声,同时保留图像的细节信息。
附图说明
图1是本发明基于小波-RED卷积神经网络的低剂量CT重建方法流程图;
图2是小波-RED神经网络模型一种具体实施方式结构图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
为了方便描述,先对具体实施方式中出现的相关专业术语进行说明:
RED(Residual Encoder-Decoder):残差编码解码器;
FBP(Filtered Back projection):滤波反投影重建算法;
图1是本发明基于小波-RED卷积神经网络的低剂量CT重建方法流程图。
在本实施例中,如图1所示,本发明一种基于小波-RED卷积神经网络的低剂量CT重建方法,包括以下步骤:
S1、构建训练样本
采集不同患者的标准剂量CT投影数据,再通过FBP算法进行反投影重建,得到标准剂量CT图像;
对同一标准剂量CT投影数据添加泊松噪声,再通过FBP算法进行反投影重建,得到相应的低剂量CT图像;
将每一对低剂量CT图像与标准剂量CT图像构成一个训练样本,表示为{X,Y},其中,X为低剂量CT图像,Y为标准剂量CT图像;
在本实施例中,设标准剂量和低剂CT图像大小均为512×512,共收集100对512×512大小的标准剂量和低剂量CT图像,每对CT图像构成一个训练样本,最终形成包含100个训练样本的训练集。
S2、构建小波-RED神经网络模型
用小波分解模块代替传统RED神经网络模型中的编码器,传统RED神经网络模型中的其余模块保持不变;
其中,小波分解模块与传统RED神经网络模型中的解码器的级数均为N;小波分解模块分解后的第n级小波系数Wn与解码器第N-n层反卷积层的输出En同尺寸,Wn与En进行通道拼接后,输入至第N-n+1层反卷积层,输出得到升维的特征图En-1,然后以此类推,直到第N层反卷积层,最后以W1与E1拼接后的多通道特征图为输入,经反卷积得到单通道特征图E0;
在本实施例中,如图2所示,小波分解模块采用三级小波分解,将输入图像X(512×512)分解为W1,W2,W3′,其中,W1是由第1级三个方向(水平方向低频垂直方向高频、水平方向高频垂直方向低频和水平方向高频垂直方向高频)的小波分解系数图像(256×256)组成的三通道特征图(256×256×3),W2是由第2级三个方向的小波分解系数图像(128×128)组成的3通道特征图(128×128×3),W3′是由最后一级三个方向的小波分解系数图像和低频图像(64×64)组成的4通道特征图(128×128×4)。
解码器也采用相应的三层结构。第一层反卷积层(DeConv1)将W3′通过上采样、卷积和非线性激活函数等操作提升为5通道的特征图E2(128×128×5);W2与E2通过通道拼接的方式组合成128×128×8的特征图,经第二层反卷积层(DeConv2)的提升,得到4通道的特征图E1(256×256×4);W1与E1通过通道拼接的方式组合成256×256×7的特征图,经最后一层反卷积层(DeConv3)的提升,得到单通道的特征图E0(512×512);
S3、训练小波-RED神经网络模型
S3.1、小波-RED神经网络模型初始化;
S3.2、随机选取一个训练样本{X,Y},将X输入至小波-RED卷积神经网络模型;
先利用小波分解模块对X进行小波分解,得到各级小波系数Wn和对应的低频系数Ln,然后将最后一级小波系数WN连同低频系数LN构成特征图WN′,并输入到解码器,解码器逐层进行反卷积操作,得到单通道特征图E0,最后将E0与X相加得到重建图像Y′;
S3.3、计算重建图像Y′与真实标准剂量图像Y之间像素误差平方和,记为Σ,判断Σ与预设阈值的大小,如果Σ小于预设阈值,则训练结束,得到训练好的小波-RED神经网络模型;否则,进入步骤S3.4;
S3.4、利用随机梯度下降算法更新小波-RED神经网络模型中的权重参数,然后再返回步骤S3.2;
在本实施例中,执行完50轮训练后(卷积核参数经过100×50次更新),验证100个真实标准剂量CT图像与实际输出图像像素误差平方和的总和,满足精度要求,结束训练。
S4、获取真实的低剂量CT图像,将其输入至训练好的小波-RED神经网络模型,从而输出重建后的标准剂量CT图像。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于小波-RED卷积神经网络的低剂量CT重建方法,其特征在于,包括以下步骤:
(1)、构建训练样本
采集不同患者的标准剂量CT投影数据,再通过反投影重建得到标准剂量CT图像;
对同一标准剂量CT投影数据添加噪声,再通过反投影重建得到相应的低剂量CT图像;
将每一对低剂量CT图像与标准剂量CT图像构成一个训练练样本,表示为{X,Y},其中,X为低剂量CT图像,Y为标准剂量CT图像;
(2)、构建小波-RED神经网络模型
用小波分解模块代替传统RED神经网络模型中的编码器,传统RED神经网络模型中的其余模块保持不变;
其中,小波分解模块与传统RED神经网络模型中的解码器的级数均为N;小波分解模块分解后的第n级小波系数Wn与解码器第N-n层反卷积层的输出En同尺寸,Wn与En进行通道拼接后,输入至第N-n+1层反卷积层,输出得到升维的特征图En-1,然后以此类推,直到第N层反卷积层,最后以W1与E1拼接后的多通道特征图为输入,经反卷积得到单通道特征图E0;
(3)、训练小波-RED神经网络模型
(3.1)、小波-RED神经网络模型初始化;
(3.2)、随机选取一个训练样本{X,Y},将X输入至小波-RED卷积神经网络模型;
先利用小波分解模块对X进行小波分解,得到各级小波系数Wn和对应的低频系数Ln,然后将最后一级小波系数WN连同低频系数LN构成特征图WN′,并输入到解码器,解码器逐层进行反卷积操作,得到单通道特征图E0,最后将E0与X相加得到重建图像Y′;
(3.3)、计算计算重建图像Y′与真实标准剂量图像Y之间像素误差平方和,记为Σ,判断Σ与预设阈值的大小,如果Σ小于预设阈值,则训练结束,得到训练好的小波-RED神经网络模型;否则,进入步骤(3.4);
(3.4)、利用随机梯度下降算法更新小波-RED神经网络模型中的权重参数,然后再返回步骤(3.2);
(4)、获取真实的低剂量CT图像,将其输入至训练好的小波-RED神经网络模型,从而输出重建后的标准剂量CT图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335488.2A CN110992295B (zh) | 2019-12-20 | 2019-12-20 | 基于小波-red卷积神经网络的低剂量ct重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335488.2A CN110992295B (zh) | 2019-12-20 | 2019-12-20 | 基于小波-red卷积神经网络的低剂量ct重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992295A true CN110992295A (zh) | 2020-04-10 |
CN110992295B CN110992295B (zh) | 2022-04-19 |
Family
ID=70074125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911335488.2A Active CN110992295B (zh) | 2019-12-20 | 2019-12-20 | 基于小波-red卷积神经网络的低剂量ct重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992295B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111839574A (zh) * | 2020-09-08 | 2020-10-30 | 南京安科医疗科技有限公司 | Ct超低剂量自动三维定位扫描方法及系统 |
CN112489156A (zh) * | 2020-12-17 | 2021-03-12 | 电子科技大学 | 一种基于插值卷积神经网络的低剂量ct重建方法 |
CN113256752A (zh) * | 2021-06-07 | 2021-08-13 | 太原理工大学 | 一种基于双域交织网络的低剂量ct重建方法 |
CN113538260A (zh) * | 2021-06-21 | 2021-10-22 | 复旦大学 | 自监督和有监督联合训练的ldct图像去噪与分类方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427269A (zh) * | 2015-12-09 | 2016-03-23 | 西安理工大学 | 一种基于wemd和pcnn的医学图像融合方法 |
CN108921785A (zh) * | 2018-06-14 | 2018-11-30 | 厦门大学 | 基于小波包的超分辨率重建方法 |
CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
CN110084862A (zh) * | 2019-04-04 | 2019-08-02 | 湖北工业大学 | 基于多尺度小波变换与深度学习的图像压缩感知算法 |
US20190266490A1 (en) * | 2016-12-15 | 2019-08-29 | WaveOne Inc. | Enhanced coding efficiency with progressive representation |
CN110223255A (zh) * | 2019-06-11 | 2019-09-10 | 太原科技大学 | 一种用于低剂量ct图像去噪的浅层残差编解码递归网络 |
CN110415180A (zh) * | 2019-06-10 | 2019-11-05 | 西安电子科技大学 | 一种基于小波卷积神经网络的sar图像去噪方法 |
KR20190135616A (ko) * | 2018-05-29 | 2019-12-09 | 한국과학기술원 | 뉴럴 네트워크를 이용한 희소 뷰 전산단층 촬영 영상 처리 방법 및 그 장치 |
-
2019
- 2019-12-20 CN CN201911335488.2A patent/CN110992295B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427269A (zh) * | 2015-12-09 | 2016-03-23 | 西安理工大学 | 一种基于wemd和pcnn的医学图像融合方法 |
US20190266490A1 (en) * | 2016-12-15 | 2019-08-29 | WaveOne Inc. | Enhanced coding efficiency with progressive representation |
KR20190135616A (ko) * | 2018-05-29 | 2019-12-09 | 한국과학기술원 | 뉴럴 네트워크를 이용한 희소 뷰 전산단층 촬영 영상 처리 방법 및 그 장치 |
CN108921785A (zh) * | 2018-06-14 | 2018-11-30 | 厦门大学 | 基于小波包的超分辨率重建方法 |
CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
CN110084862A (zh) * | 2019-04-04 | 2019-08-02 | 湖北工业大学 | 基于多尺度小波变换与深度学习的图像压缩感知算法 |
CN110415180A (zh) * | 2019-06-10 | 2019-11-05 | 西安电子科技大学 | 一种基于小波卷积神经网络的sar图像去噪方法 |
CN110223255A (zh) * | 2019-06-11 | 2019-09-10 | 太原科技大学 | 一种用于低剂量ct图像去噪的浅层残差编解码递归网络 |
Non-Patent Citations (5)
Title |
---|
EUNHEE KANG 等: "A deep convolutional neural network using directional wavelets for low-dose X-ray CT reconstruction", 《MEDICAL PHYSICS》 * |
EUNHEE KANG 等: "Deep Convolutional Framelet Denosing for Low-Dose CT via Wavelet Residual Network", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
SOHINI R. 等: "Blind analysis of CT image noise using residual denoised images", 《2015 IEEE NUCLEAR SCIENCE SYMPOSIUM AND MEDICAL IMAGING CONFERENCE》 * |
牛培昕: "基于深度学习的低剂量CT重建方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
魏雪琦: "基于残差学习的图像超分辨率重建", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111839574A (zh) * | 2020-09-08 | 2020-10-30 | 南京安科医疗科技有限公司 | Ct超低剂量自动三维定位扫描方法及系统 |
CN111839574B (zh) * | 2020-09-08 | 2023-10-31 | 南京安科医疗科技有限公司 | Ct超低剂量自动三维定位扫描方法及系统 |
CN112489156A (zh) * | 2020-12-17 | 2021-03-12 | 电子科技大学 | 一种基于插值卷积神经网络的低剂量ct重建方法 |
CN112489156B (zh) * | 2020-12-17 | 2023-04-18 | 电子科技大学 | 一种基于插值卷积神经网络的低剂量ct重建方法 |
CN113256752A (zh) * | 2021-06-07 | 2021-08-13 | 太原理工大学 | 一种基于双域交织网络的低剂量ct重建方法 |
CN113256752B (zh) * | 2021-06-07 | 2022-07-26 | 太原理工大学 | 一种基于双域交织网络的低剂量ct重建方法 |
CN113538260A (zh) * | 2021-06-21 | 2021-10-22 | 复旦大学 | 自监督和有监督联合训练的ldct图像去噪与分类方法 |
CN113538260B (zh) * | 2021-06-21 | 2022-04-12 | 复旦大学 | 自监督和有监督联合训练的ldct图像去噪与分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110992295B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992295B (zh) | 基于小波-red卷积神经网络的低剂量ct重建方法 | |
Tian et al. | Deep learning on image denoising: An overview | |
CN110738605B (zh) | 基于迁移学习的图像去噪方法、系统、设备及介质 | |
CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
CN110969124B (zh) | 基于轻量级多分支网络的二维人体姿态估计方法及系统 | |
CN108205803B (zh) | 图像处理方法、神经网络模型的训练方法及装置 | |
CN111028163A (zh) | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 | |
CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
CN113066025B (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 | |
CN112767279A (zh) | 一种基于离散小波集成生成对抗网络的水下图像增强方法 | |
CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
CN115631107A (zh) | 边缘引导的单幅图像噪声去除 | |
Zhang et al. | Enhanced visual perception for underwater images based on multistage generative adversarial network | |
CN115358952B (zh) | 一种基于元学习的图像增强方法、系统、设备和存储介质 | |
Li et al. | Deeplabv3+ vision transformer for visual bird sound denoising | |
CN116563554A (zh) | 基于混合表征学习的低剂量ct图像去噪方法 | |
Zhuge et al. | Single image denoising with a feature-enhanced network | |
CN112381725B (zh) | 基于深度卷积对抗生成网络的图像修复方法及装置 | |
CN115829870A (zh) | 一种基于可变尺度滤波的图像去噪方法 | |
CN115511722A (zh) | 基于深浅特征融合网络及联合损失函数的遥感图像去噪方法 | |
US20220398696A1 (en) | Image processing method and device, and computer-readable storage medium | |
Jia et al. | Three filters for the enhancement of the images acquired from fluorescence microscope and weak-light-sources and the image compression | |
Yang et al. | X-Ray Breast Images Denoising Method Based on the Convolutional Autoencoder | |
CN112967195A (zh) | 一种图像去噪方法、设备及计算机可读存储介质 | |
Kumar et al. | Image resolution enhancement using convolutional autoencoders |
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 |