CN111627077B - 一种医疗图像的处理方法及其压缩、还原系统 - Google Patents

Abstract

本发明公开了一种医疗图像的处理方法，用于将高空间占用量的图像文件压缩至低空间占用量文件行存储或传输，并将低空间占用量文件还原至原图像进行展示；通过在线字典学习方法将原色彩图像分解为稀疏表示的包含有用以完整表示图像文件的多个参数的一个或多个分解文件，并将分解文件进行存储或传输；将分解文件通过生成式对抗网络多次得到还原图像进行展示。其中还公开了一种采用上述方法进行压缩和还原的系统，其中包括字典学习压缩模块、存储模块和生成式对抗网络模块。本发明采用生成式对抗网络技术，能够最大化还原图片，并补充病理图像细节。

Description

一种医疗图像的处理方法及其压缩、还原系统

技术领域

本发明属于数据处理技术领域，具体涉及一种医疗图像的处理方法及其压缩、还原系统。

背景技术

图像的处理过程即是一种数据的处理过程，通过将图像信号数字化转换后并通过处理技术以达到提高清晰度、降低冗余等多种效果。其中图像压缩和还原实际是指以较少的比特有损或无损地表示原来的像素矩阵的技术，也称图像编。图像数据之所以能被压缩，就是因为数据中存在着冗余。图像数据的冗余主要表现为：图像中相邻像素间的相关性引起的空间冗余；图像序列中不同帧之间存在相关性引起的时间冗余；不同彩色平面或频谱带的相关性引起的频谱冗余。数据压缩的目的就是通过去除这些数据冗余来减少表示数据所需的比特数。由于图像数据量的庞大，在存储、传输、处理时非常困难，因此图像数据的压缩就显得非常重要。

其中图像压缩方法中，近年来的研究热点为压缩感知技术。压缩采样或稀疏采样，是一种寻找欠定线性系统的稀疏解的技术。压缩感知被应用于电子工程尤其是信号处理中，用于获取和重构稀疏或可压缩的信号。这个方法利用讯号稀疏的特性，相较于奈奎斯特理论，得以从较少的测量值还原出原来整个欲得知的讯号。其理论核心点在于如果信号是稀疏的，那么它可以由远低于采样定理要求的采样点重建恢复。由于其采用比奈奎斯特采样频率要求的采样密度更稀疏的密度对信号进行随机亚采样，由于频谱是均匀泄露的，而不是整体延拓的，因此可以通过特别的追踪方法将原信号恢复，从而相较于全采样的压缩方式具有更大的压缩比，且得到的还原图像较为精准。

但现有技术中采用压缩感知技术时，在还原过程中采用近似还原方式，无法遵循完整的逆过程步骤，导致还原图像无法稳定输出。特别针对于对图像还原精度有较高要求的应用领域，如医学病理图像处理中，现有技术无法在保证具有较高压缩效率的前提下同时达到较高的还原精度。

发明内容

为了解决现有技术存在的问题，本发明提供一种医疗图像的处理方法及其压缩、还原系统。

本发明所采用的技术方案为：

一种医疗图像的处理方法，用于将高空间占用量的图像文件压缩至低空间占用量文件行存储或传输，并将低空间占用量文件还原至原图像进行展示；

通过在线字典学习方法将原色彩图像分解为稀疏表示的包含有用以完整表示图像文件的多个参数的一个或多个分解文件，并将分解文件进行存储或传输；

将分解文件通过生成式对抗网络多次得到还原图像进行展示。

文件压缩是针对于较大的空间占用量的文件进行存储和传输的预处理方式，由于文件大小不同，对于存储和传输资源的占用量不一，但由于存储和传输资源有限，若较大的占用率会导致原本系统运行速度降低，并影响相关联的所有操作进程。

故为了降低文件的大小，但又能够完整或尽可能保留完整信息，通过文件压缩技术来形成中间文件，从而降低文件大小便于存储和传输。压缩技术可分为通用无损数据压缩与有损压缩两大类，但无论采用何种技术模型，其本质内容都是一样的，即通过某种特殊的编码方式将数据信息中存在的重复度、冗余度有效地降低，从而达到数据压缩的目的。

根据文件类型的不同，具体压缩方式不尽相同。其中针对类似图像、音频等模拟信号，需要通过采样得到数字信号文件进行处理。而文件都由代码组成，通过找寻字符串中的规律，并简化字符排列形成矩阵形式，则是文件压缩处理的初始步骤。再通过对矩阵的变换降维的方式在尽可能保留有原始数据的同时降低文件大小进行存储或传输，而解压过程则是压缩的逆过程，通过可逆的算法来实现解压操作，从而完整展示该文件。

但由于完整采样的压缩方法的压缩比较低，针对于具有较大空间占用量的文件需要限时传输或存储时，则无法满足要求。现有技术中通过字典算法来实现较高的压缩比，以解决大文件的存储、传输难点，所谓字典算法则是对高维矩阵通过具有许多列向量进行排序组合形成的字典进行稀疏表示，从而将高维矩阵变换为具有较低信息量的低维矩阵表达式，并通过机器学习的方式来适应和推理，通过对样本的学习训练从而具有较高的还原度，以便对输入的同类图像文件进行自适应处理，做到快速存储和传输的效果。

但现有的基于字典学习的压缩处理方法中，大都在还原过程中出现还原度降低或不稳定的问题，针对于医疗图像领域，一旦图像出现一定的损坏或变化，则会对医生的诊断带来严重影响。则为了在提高数据存储和传输速度的前提下尽可能得到无损或低损还原图像，本发明中提供一种方法，通过在图像的还原过程中采用生成对抗模型来实现较好的数据还原效果。

所谓的生成式对抗网络是属于深度学习的一种数学模型，其中包含有两个模型，一个生成模型，一个判别模型。其中判别模型用于判断一个给定的图片是不是真实的图片，该真实的图片从数据集里获取；而生成模型的任务是去创造一个与真实图片一样的图片。

而在开始的时候这两个模型都是没有经过训练的，这两个模型一起对抗训练，生成模型产生一张图片去欺骗判别模型，然后判别模型去判断这张图片是真是假，最终在这两个模型训练的过程中，两个模型的能力越来越强，最终达到稳态，生成模型和判别模型的互相博弈学习产生相当好的输出。

相较于现有的字典学习方法中常见的正交匹配追踪算法进行图像重建，通过生成对抗网络能够提高图像的精准度，通过不断的迭代对抗训练形成的稳态模型，并在有限的字典和稀疏表示系数的数据对图像进行特性填充，使得原本未被还原的像素特性能够模拟形成高还原度和低噪点图像。

进一步的，所述在线字典学习方法具体步骤如下：

G1.选取同类型的参考图像作为训练样本Y，并确定训练样本Y中用以完整代表该图像的n个特性；

G2.将训练样本Y的数据以n个特性分为n个列向量进行表示形成具有稀疏特性的矩阵Y_n；

G3.确定字典矩阵大小，并根据确定大小在矩阵Y_n中随机选取多个列向量构成初始字典D₁；

G4.通过训练样本Y对字典D进行训练得到训练字典D₂；

G5.将原色彩图像根据n个特性确定输入矩阵U_n，并将矩阵U_n通过训练字典D₂分解为数量≤n的多个稀疏表示的分解文件。

其中，在线字典学习的过程是通过将原始样本用矩阵Y进行表示，通过形成的字典矩阵D和稀疏矩阵X来进行数学表示，从而将原始样本的数据量降低并保留原本特性，达到压缩目的。

进一步的，所述原色彩图像根据RGB色彩模式分解为R、G、B三个特性。

进一步的，将原色彩图像在R、G、B三种色彩通道上的分量灰度图像作为特性确定对象，并将每个8bit的灰度图像切割为i个小块，其中相邻小块之间重叠至少两个单位的像素，则得到以下列向量：

L_R= [l_R1，l_R2，l_R3，…，l_Ri]

L_G= [l_G1，l_G2，l_G3，…，l_Gi]

L_B= [l_B1，l_B2，l_B3，…，l_Bi]；

而原色彩图像为y = [L_R，L_G，L_B]^T的矩阵进行在线字典学习，并获得三个对应的分解文件。

进一步的，所述原色彩图像为RGB真彩色图像文件，分为特征、亮度和颜色三种特性。

进一步的，将原色彩图像按照特征、亮度和颜色转换为y = [F，L，C]^T的矩阵，其中F表示特征信息，L表示亮度信息，C表示颜色信息；

并将原色彩图像分成i个小块，则其中：

F = [f₁，f₂，f₃，…，f_i]

L = [l₁，l₂，l₃，…，l_i]

C = [c₁，c₂，c₃，…，c_i]。

进一步的，将y = [F，L，C]^T的矩阵进行在线字典学习，并获得三个对应的分解文件进行存储；

或将得到的三个分解文件中的代表特征和亮度信息对应的矩阵合并作为灰度图像矩阵，所述灰度图像矩阵为u = [F，L]^T；

将灰度图像矩阵与包含颜色信息的矩阵进行存储。

进一步的，所述生成式对抗网络包括生成模型和判别模型，所述形成稳态的生成模型通过将分解文件进行匹配并填充形成类原图文件，将类原图文件通过形成稳态的判别模型判断相似度并最终输出还原图像。

进一步的，所述生成式对抗网络通过训练样本Y进行对抗训练，将由训练样本Y经过在线字典学习方法分解得到的分解文件输入生成模型中得到类原图文件，并将类原图文件与训练样本Y输入判别模型中进行区分；

若相似度低于阈值则再次由生成模型调整后得到改进类原图文件再次输入判别模型中，形成单次对抗训练；

经过多次对抗训练并在达到稳态后对原色彩图像进行图像还原处理。

值得说明的是，本发明中包含的方法是针对医疗图像的处理方法，旨在对医疗图像的传输过程中图像压缩和还原过程进行优化，从而实现具有较大数据量的图像信息能够快速传输并展示。而该方法中并未直接对有生命的人体或动物体为直接实施对象，也并未确定或消除病因或病灶。

一种医疗图像的压缩、还原系统，应用在上述的医疗图像的处理方法中，包括：

在线字典学习模块，通过训练用于接收原色彩图像并分解为多个分解文件；

存储模块，用于存储分解文件；

图像还原模块，通过形成稳态的生成模块和判别模型将分解文件逆向还原形成还原图像。

本发明的有益效果为：

（1）本发明使用了生成式对抗网络技术，并巧妙结合了字典学习和生成式对抗网络技术。若直接使用字典还原，得到的则是有损彩色图像。而采用生成式对抗网络技术，能够最大化还原图片，并补充病理图像细节；

（2）本发明根据不同的图像模式具有特殊的数据表示方式，通过不同的处理手段从而达到较好的适应效果，相较于现有技术中简单的采用灰度表示方式，通过针对不同模式图像具有较好的色彩还原效果。

附图说明

图1是本发明中图像完整压缩、还原处理的流程图；

图2是本发明中在生成式对抗网络中的具体数据流程图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步阐释。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

实施例1：

本实施例中具体公开一种针对于图像的处理方法，其目的是用于将高空间占用量的图像文件压缩至低空间占用量文件行存储或传输，并将低空间占用量文件还原至原图像进行展示。

首先，通过在线字典学习方法将原色彩图像分解为稀疏表示的包含有用以完整表示图像文件的多个参数的一个或多个分解文件，并将分解文件进行存储、传输。

其中，原色彩图像采用CMKY模式表示的图像文件，其具体为包含有青色、品红色、黄色和黑色四个分量的四维矩阵数据。其中每个分量的矩阵大小相同，而每个分量矩阵即为单色光灰度值，则每个分量所对应的灰度值不同，则通过在不同颜色通道中进行表达，将四个矩阵数据进行叠加从而得到原色彩图像。

在字典学习过程中，选取与原色彩图像同类型的参考图像作为训练样本Y，本实施例中采用的图像为彩色印刷图，则训练样本为具有相同颜色信息的图像。然后确定训练样本Y中用以完整代表该图像的四个特性，即四个颜色分量中对应的矩阵数据L_C，L_M，L_K，L_Y。

然后将原色彩图像在C、M、K、Y四种色彩通道上的分量灰度图像作为特性确定对象，并将每个的灰度图像切割为i个小块，其中相邻小块之间重叠至少两个单位的像素，则得到以下列向量：L_C= [l_C1，l_C2，l_C3，…，l_Ci]；L_M= [l_M1，l_M2，l_M3，…，l_Mi]；L_K= [l_K1，l_K2，l_K3，…，l_Ki]；L_Y= [l_Y1，l_Y2，l_Y3，…，l_Yi]。

再将训练样本Y的数据以上述四个列向量进行表示形成具有稀疏特性的矩阵Y₄，确定字典矩阵大小，并根据确定大小在矩阵Y₄中随机选取多个列向量构成初始字典D₁；通过训练样本Y对字典D进行训练得到训练字典D₂。

将原色彩图像根据四个特性确定输入矩阵U₄，并将矩阵U₄通过训练字典D₂分解为数量≤4的多个稀疏表示的分解文件。

本实施例中原色彩图像为y = [L_C，L_M，L_K，L_Y]^T，则获得四个对应的分解文件。

将分解文件通过生成式对抗网络多次得到还原图像进行展示，其中，生成式对抗网络包括生成模型和判别模型，而形成稳态的生成模型通过将分解文件进行匹配并填充形成类原图文件，将类原图文件通过形成稳态的判别模型判断相似度并最终输出还原图像。

生成式对抗网络通过训练样本Y进行对抗训练，将由训练样本Y经过在线字典学习方法分解得到的分解文件输入生成模型中得到类原图文件，并将类原图文件与训练样本Y输入判别模型中进行区分；若相似度低于阈值则再次由生成模型调整后得到改进类原图文件再次输入判别模型中，形成单次对抗训练；经过多次对抗训练并在达到稳态后对原色彩图像进行图像还原处理。

实施例2：

本实施例中具体公开一种针对于医疗图像的处理方法，其目的是用于将高空间占用量的图像文件压缩至低空间占用量文件行存储或传输，并将低空间占用量文件还原至原图像进行展示。

首先，通过在线字典学习方法将原色彩图像分解为稀疏表示的包含有用以完整表示图像文件的多个参数的一个或多个分解文件，并将分解文件进行存储、传输。

其中，原色彩图像采用RGB模式表示的图像文件，其具体为包含有红色、绿色和蓝色三个分量的三维矩阵数据。其中每个分量的矩阵大小相同，而每个分量矩阵即为单色光灰度值，则每个分量所对应的灰度值不同，则通过在不同颜色通道中进行表达，将三个矩阵数据进行叠加从而得到原色彩图像。

在字典学习过程中，选取与原色彩图像同类型的参考图像作为训练样本Y，本实施例中采用的图像为彩色病理图，则训练样本为同位置并具有相同颜色信息的图像。然后确定训练样本Y中用以完整代表该图像的三个特性，即三个颜色分量中对应的矩阵数据L_R，L_G，L_B。

然后将原色彩图像在R、G、B三种色彩通道上的分量灰度图像作为特性确定对象，并将每个8bit的灰度图像切割为i个小块，其中相邻小块之间重叠至少两个单位的像素，则得到以下列向量：L_R= [l_R1，l_R2，l_R3，…，l_Ri]；L_G= [l_G1，l_G2，l_G3，…，l_Gi]；L_B= [l_B1，l_B2，l_B3，…，l_Bi]。

再将训练样本Y的数据以上述三个列向量进行表示形成具有稀疏特性的矩阵Y₃，确定字典矩阵大小，并根据确定大小在矩阵Y₃中随机选取多个列向量构成初始字典D₁；通过训练样本Y对字典D进行训练得到训练字典D₂。

将原色彩图像根据三个特性确定输入矩阵U₃，并将矩阵U₃通过训练字典D₂分解为数量≤3的多个稀疏表示的分解文件。

本实施例中原色彩图像为y = [L_R，L_G，L_B]^T，则获得三个对应的分解文件。

将分解文件通过生成式对抗网络多次得到还原图像进行展示，其中，生成式对抗网络包括生成模型和判别模型，而形成稳态的生成模型通过将分解文件进行匹配并填充形成类原图文件，将类原图文件通过形成稳态的判别模型判断相似度并最终输出还原图像。

生成式对抗网络通过训练样本Y进行对抗训练，将由训练样本Y经过在线字典学习方法分解得到的分解文件输入生成模型中得到类原图文件，并将类原图文件与训练样本Y输入判别模型中进行区分；若相似度低于阈值则再次由生成模型调整后得到改进类原图文件再次输入判别模型中，形成单次对抗训练；经过多次对抗训练并在达到稳态后对原色彩图像进行图像还原处理。

实施例3：

本实施例中具体公开一种针对于医疗图像的处理方法，如图1和图2所示，其目的是用于将高空间占用量的图像文件压缩至低空间占用量文件行存储或传输，并将低空间占用量文件还原至原图像进行展示。

首先，通过在线字典学习方法将原色彩图像分解为稀疏表示的包含有用以完整表示图像文件的多个参数的一个或多个分解文件，并将分解文件进行存储、传输。

其中，原色彩图像采用RGB模式表示的图像文件，具体分为特征、亮度和颜色三种特性。将原色彩图像按照特征、亮度和颜色转换为y = [F，L，C]^T的矩阵，其中F表示特征信息，L表示亮度信息，C表示颜色信息；

并将原色彩图像分成i个小块，则其中F = [f₁，f₂，f₃，…，f_i]；L = [l₁，l₂，l₃，…，l_i]；C = [c₁，c₂，c₃，…，c_i]。

将y = [F，L，C]^T的矩阵进行在线字典学习，并获得三个对应的分解文件进行存储。

但本实施例中为了便于求解计算，则将得到的三个分解文件中的代表特征和亮度信息对应的矩阵合并作为灰度图像矩阵，灰度图像矩阵为u = [F，L]^T；将灰度图像矩阵与包含颜色信息的矩阵进行存储。

再将训练样本Y的数据以上述两个列向量进行表示形成具有稀疏特性的矩阵Y₃，确定字典矩阵大小，并根据确定大小在矩阵Y₃中随机选取多个列向量构成初始字典D₁；通过训练样本Y对字典D进行训练得到训练字典D₂。

将原色彩图像根据三个特性确定输入矩阵U₃，并将矩阵U₃通过训练字典D₂分解为两个稀疏表示的分解文件，即包含有结构和纹理信息的灰度图像，和包含有颜色信息的色彩分量矩阵。

其中，在线字典学习的过程是通过将原始样本用矩阵Y进行表示，通过形成的字典矩阵D和稀疏矩阵X来进行数学表示，从而将原始样本的数据量降低并保留原本特性，达到压缩目的。

其中，字典学习是利用包含K个原子d_k的字典矩阵D∈R^m×K，稀疏线性表示原始样本Y∈R^m×n（其中m表示样本数，n表示样本的属性），即有Y=DX（理想情况下），其中X∈R^K×n为稀疏矩阵，将上述问题用数学语言描述为如下优化问题：

上式中 X为稀疏编码的矩阵， X _i （i=1，2，⋯，K）为该矩阵中的行向量，代表字典矩阵的系数。

而由于在压缩过程中需要对字典D训练，其中的训练字典D的表达式为：

其中的α为稀疏系数，在压缩过程中，将样本的矩阵数据通过确定的随机字典分解为多个分解文件，其中包括每个分解文件对应包含有不同的特性信息，既为多个稀疏矩阵。而解压过程中，通过已知的字典数据、稀疏矩阵和稀疏编码，从而通过逆过程得到原始样本。

值得说明的是，现有的字典学习过程中，由于求解过程属于零范数的最小化问题而没有快速解法，则需要转换成一范数最小化求解或者近似估计算法，则获取到的还原图像必然是存在一定损失或不同，本发明中在压缩过程根据原始文件的具体特性分类，从而对应生成代表不同含义的稀疏表示的特征矩阵，并在还原过程采用生成式对抗网络模型进行自适应填充的方式，有效的提高了图像还原精度。

然后，经上述步骤中得到的分解文件通过生成式对抗网络多次得到还原图像进行展示。而生成式对抗网络包括生成模型和判别模型，而形成稳态的生成模型通过将分解文件进行匹配并填充形成类原图文件，将类原图文件通过形成稳态的判别模型判断相似度并最终输出还原图像。

生成式对抗网络通过训练样本Y进行对抗训练，将由训练样本Y经过在线字典学习方法分解得到的分解文件输入生成模型中得到类原图文件，并将类原图文件与训练样本Y输入判别模型中进行区分；若相似度低于阈值则再次由生成模型调整后得到改进类原图文件再次输入判别模型中，形成单次对抗训练；经过多次对抗训练并在达到稳态后对原色彩图像进行图像还原处理。

本实施例还公开一种医疗图像的压缩、还原系统，具体包括：

在线字典学习模块，通过训练用于接收原色彩图像并分解为多个分解文件；

存储模块，用于存储分解文件；

图像还原模块，通过形成稳态的生成模块和判别模型将分解文件逆向还原形成还原图像。

本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (9)

1.一种医疗图像的处理方法，用于将高空间占用量的图像文件压缩至低空间占用量文件行存储或传输，并将低空间占用量文件还原至原图像进行展示；其特征在于：

通过在线字典学习方法将原色彩图像分解为稀疏表示的包含有用以完整表示图像文件的多个参数的一个或多个分解文件，并将分解文件进行存储或传输；

将分解文件通过生成式对抗网络多次得到还原图像进行展示；

所述在线字典学习方法具体步骤如下：

G1.选取同类型的参考图像作为训练样本Y，并确定训练样本Y中用以完整代表该图像的n个特性；

G2.将训练样本Y的数据以n个特性分为n个列向量进行表示形成具有稀疏特性的矩阵Y_n；

G3.确定字典矩阵大小，并根据确定大小在矩阵Y_n中随机选取多个列向量构成初始字典D₁；

G4.通过训练样本Y对字典D进行训练得到训练字典D₂；

G5.将原色彩图像根据n个特性确定输入矩阵U_n，并将矩阵U_n通过训练字典D₂分解为数量≤n的多个稀疏表示的分解文件。

2.根据权利要求1所述的一种医疗图像的处理方法，其特征在于：所述原色彩图像根据RGB色彩模式分解为R、G、B三个特性。

3.根据权利要求2所述的一种医疗图像的处理方法，其特征在于：将原色彩图像在R、G、B三种色彩通道上的分量灰度图像作为特性确定对象，并将每个8bit的灰度图像切割为i个小块，其中相邻小块之间重叠至少两个单位的像素，则得到以下列向量：

L_R = [l_R1，l_R2，l_R3，…，l_Ri]

L_G = [l_G1，l_G2，l_G3，…，l_Gi]

L_B = [l_B1，l_B2，l_B3，…，l_Bi]；

而原色彩图像为y = [L_R，L_G，L_B]^T的矩阵进行在线字典学习，并获得三个对应的分解文件。

4.根据权利要求1所述的一种医疗图像的处理方法，其特征在于：所述原色彩图像为RGB真彩色图像文件，分为特征、亮度和颜色三种特性。

5.根据权利要求3所述的一种医疗图像的处理方法，其特征在于：将原色彩图像按照特征、亮度和颜色转换为y = [F，L，C]^T的矩阵，其中F表示特征信息，L表示亮度信息，C表示颜色信息；

并将原色彩图像分成i个小块，则其中：

F = [f₁，f₂，f₃，…，f_i]

L = [l₁，l₂，l₃，…，l_i]

C = [c₁，c₂，c₃，…，c_i]。

6.根据权利要求3所述的一种医疗图像的处理方法，其特征在于：将y = [F，L，C]^T的矩阵进行在线字典学习，并获得三个对应的分解文件进行存储；

或将得到的三个分解文件中的代表特征和亮度信息对应的矩阵合并作为灰度图像矩阵，所述灰度图像矩阵为u = [F，L]^T；

将灰度图像矩阵与包含颜色信息的矩阵进行存储。

7.根据权利要求1所述的一种医疗图像的处理方法，其特征在于：所述生成式对抗网络包括生成模型和判别模型，所述形成稳态的生成模型通过将分解文件进行匹配并填充形成类原图文件，将类原图文件通过形成稳态的判别模型判断相似度并最终输出还原图像。

8.根据权利要求7所述的一种医疗图像的处理方法，其特征在于：所述生成式对抗网络通过训练样本Y进行对抗训练，将由训练样本Y经过在线字典学习方法分解得到的分解文件输入生成模型中得到类原图文件，并将类原图文件与训练样本Y输入判别模型中进行区分；

若相似度低于阈值则再次由生成模型调整后得到改进类原图文件再次输入判别模型中，形成单次对抗训练；

经过多次对抗训练并在达到稳态后对原色彩图像进行图像还原处理。

9.一种医疗图像的压缩、还原系统，其特征在于：应用在上述权利要求8的医疗图像的处理方法中，包括：

在线字典学习模块，通过训练用于接收原色彩图像并分解为多个分解文件；

存储模块，用于存储分解文件；

图像还原模块，通过形成稳态的生成模块和判别模型将分解文件逆向还原形成还原图像。

Images