CN111681168B - 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 - Google Patents
一种基于并行残差网络的低分辨率细胞超分辨率重建方法 Download PDFInfo
- Publication number
- CN111681168B CN111681168B CN202010509838.9A CN202010509838A CN111681168B CN 111681168 B CN111681168 B CN 111681168B CN 202010509838 A CN202010509838 A CN 202010509838A CN 111681168 B CN111681168 B CN 111681168B
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- low
- network
- cell
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000001965 increasing effect Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims abstract description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 32
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于并行残差网络的低分辨率细胞超分辨率重建方法。该方法包含:数据集获取,训练集的增强与预处理,训练集的特征提取,超分辨率重建。数据集获取是通过将一张含有多个细胞的图像,分割成多张含有单个细胞的图像。数据集增强的方法是旋转增加数据集数量的方法,预处理是将分割后的高分辨率细胞通过降采样得到低分辨率细胞图像。训练集的特征提取是基于残差块的串联网络和并联卷积网络的结合。超分辨率重建采用的是亚分辨率卷积层。经过测试,本网络对低分辨率(10*10到30*30)的细胞图像细节恢复较完整。
Description
技术领域
本发明涉及图像处理领域以及超分辨率领域,具体涉及一种基于并行残差网络的低像素细胞超分辨率重建方法。
背景技术
细胞在人体中是十分重要的,通常通过显微镜对细胞进行观测。显微镜由于价格高和体积大等缺点,在一些偏远地区无法使用。因此,使用小型廉价的无透镜微流控片上细胞成像是十分有必要的。无透镜成像获取的细胞图像的分辨率很低(10*10到30*30),有些细胞的细节严重缺失,对微流控采集的细胞进行超分辨率的重建,可以将低分辨率的细胞变为高分辨率的细胞,恢复更多细节方便观察和判断。
超分辨率处理是一种将低分辨率图像通过插值或是重建的方法变成高分辨率图像的方法。插值的方法一般有最邻近插值,线性插值,双线性插值以及双三次插值,这些插值方法是根据图像中分辨率点之间对应的关系进行插值,使图像的分辨率提升。自从2014年提出SRCNN算法,详见文献Dong,C.,et al.,Learning a Deep Convolutional Networkfor Image Super-Resolution,in Computer Vision-Eccv 2014,Pt Iv,D.Fleet,et al.,Editors.2014.p.184-199.对图像进行超分辨率重建后,应用深度学习的方法对图像进行超分辨率操作渐渐代替了插值的方法。该方法虽然相比于传统插值方法更加有效,但仅仅应用了三个卷积层,对于图像中特征值的提取是不够的。VDSR算法,详见文献Kim,J.,etal.,Accurate Image Super-Resolution Using Very Deep Convolutional Networks,in2016Ieee Conference on Computer Vision and Pattern Recognition.2016.p.1646-1654.不仅将卷积层从SRCNN的三层提升到了16层而且在其中加入了残差网络,结果比SRCNN算法有所改善,但存在着耗时长,对输入数据大小有具体限制等缺点。
现在提出的超分辨率方法,一般针对的都是自然风景建筑图像,这类图像的特点就分辨率较高,信息存储量也相对较大。自然风景建筑图像的分辨率一般在200*200以上,而低分辨率细胞的分辨率只有(10*10到30*30),因此以上方法对低分辨率细胞的超分辨率处理效果不理想。但对低分辨率细胞进行超分辨率处理却是十分重要的,经过超分辨率处理后细胞的细节得到良好的恢复,有利于辅助医生进行细胞的分析和种类的辨识。
发明内容
本发明旨在解决低分辨率细胞图像的超分辨率重建问题。通过12层残差网络以及一个并联卷积网络对低分辨率细胞图像进行特征值的提取,而后通过亚像素卷积层进行高分辨率图像的重建。本发明的技术方案如下:
一种基于并行残差网络的低分辨率细胞超分辨率重建方法,包含以下几个步骤:
步骤S1:通过对包含多个细胞的高分辨率图像进行自适应阈值分割来获取数据集,该数据集包含一系列分割后的大小为H*W的单细胞图像,作为超分辨率重建的原图。
步骤S2:数据集的增强与预处理。数据集的增强采用的是旋转增加数据集数量的方法,预处理是将分割后的原图通过降采样得到低分辨率图像,低分辨率图像的大小为(H/N)*(W/N),N为放大倍数,通常可以取3、4或5。
步骤S3:数据集输入前的分块操作,将训练集的数据与原图别分割成每块为(H1/N)*(W1/N)和H1*W1,其中H1<H,W1<W。分割后的小块作为特征提取网络的输入值。
步骤S4:图像中特征值的提取,采用12层残差网络以及并行卷积网络。
步骤S5:高分辨率图像的重建,通过亚像素卷积层将低分辨率图像转化为高分辨率图像。
进一步的,所述S1图像分割方法,具体包括:
自适应阈值方法得到二值化图像,再对其进行开运算和闭运算。根据处理后的二值化图像找出每个细胞所对应的的坐标值。最后根据所得到的坐标值对原图像中的细胞进行分割提取,所得细胞图像分辨率为H*W。对在边界的和多个重叠的细胞图像进行剔除。
进一步的,所述S2图像预处理与增强的方法,具体包括:
1.通过双三次插值方法对分割后的原图降采样将低分辨率的图像,大小为(H/N)*(W/N)。现有的超分辨率方法一般是针对自然风景或者是任务来进行的,其低分辨率图像一般在200*200左右。本专利适合的低分辨率图像是10*10到30*30。
2.图像增强是对训练集较少的图片进行处理将图片的数量变多。数据增强包括:旋转,尺度变换,加入高斯噪声等等。但对于图片超分辨率来说,对图像进行尺度变换或者是加入噪声等操作会破坏原来图像的细节,所以只能做旋转变换。为了使旋转出来的图片没有黑边影响训练,旋转的角度采用90度的倍数(90度,180度,270度)。
进一步的,所述S3输入图像分块的方法,具体包括:
对低分辨率细胞图像和高分辨率细胞图像分别进行分块操作。将低分辨率细胞图像和高分辨率细胞图像分别分割成每块(H1/N)*(W1/N)和H1*W1,其中H1<H,W1<W,分割后的小块作为特征提取网络的输入值。一般网络是将低分辨率的整张图像输入到特征提取网络中,这里将图像分块可以的作用是更能细致的提取出每一块图像的特征值。
进一步的,所述对白细胞的特征值进行提取,具体包括:
1.先通过12层残差块串联网络进行特征值的提取,所采用的是基本的残差块。基本残差块由两层卷积层串联组成,在输入与输出之间有一条跳跃线连接。残差块的跳跃连接的模式可以让模型的适应性更加灵活,将得到将原来的信息融入到新信息中,得到的效果会更好。串联残差块的数量可以对不同的数据集模型具体的更改。
2.通过残差网络后,经过一层卷积融合后,再通过并联卷积层再次提取特征值,所用的并行卷积层是由一层卷积操作和两层串联卷积操作形成的(其中的卷积都是1*1的卷积),这种并联卷积操作可以增加网络的宽度,增加了网络对尺度的适应性,不同的支路的感受野是不同的,所以有多尺度的信息在里面。
3.残差块串联网络采用了滤波器数量增加的方法。滤波器的数量从最小值8开始,最后增加到196个,以1.5倍的速度增加。在并联网络中使用的滤波器的数量为64个。
4在迭代中获取权重值和偏差值时采用随机梯度下降算法,并在其中加入adma的优化方法。经过测试证明adma优化方法比起其他优化方法效果更好,公式为其中 其中,t为迭代的次数,θt表示在t次时模型中特征值,mt表示梯度均值,表示对mt的纠正(由于初始化为0导致初期训练偏向0),m0=0,Vt表示梯度平方的指数移动平均数,表示对Vt的纠正(由于初始化为0导致初期训练偏向0),V0=0。gt为迭代次数的梯度值,α表示默认学习率。设置参数β1=0.9,β2=0.999,ε=10-8。
5.采用学习率衰退的方法。训练中使用的初始学习率是0.001,每隔9个epoch(每个epoch中训练24000个数据)将学习下降到初始学习率的0.5倍。直到学习率衰减到10-5时结束训练,学习率中加入了最小平方误差。
进一步的,所述高分辨率图像的重建,具体包括:
通过亚分辨率卷积层对高分辨率的图像进行重建操作。亚分辨率卷积层会将高维低分辨率图像经过排列组合成低维高分辨率的图像。这样的好处是把每一层提取的特征(特征值存在高维通道中),经过亚分辨率卷积层后重建生成新的高清图片,生成的高清图片就包含每一层处理后得到的信息。因此这种亚分辨率卷积层比普通的重建层的效果更好。
本发明的有益效果在于:
1.设计了使用串联残差网络以及并行卷积网络对低分辨率的图像进行特征值的提取。并行卷积网络可以增加网络的宽度,增加了网络对尺度的适应性,不同的支路的感受野是不同的,所以有多尺度的信息在里面。
2.设计了一种针对于低分辨率细胞的超分辨率方法,解决了对低分辨率图像没有超分辨率方法的现状。
附图说明
图1是本发明的整体图像处理流程图。
图2是本发明中获取数据集的流程图
图3是本发明中特征提取网络的流程图
图4是本发明中的基本残差块图
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,下面结合附图说明本发明的具体实施方式。
本发明的基于并行残差网络的低像素细胞超分辨率重建方法,包括如下步骤:
步骤1:数据集的获取。通过图像分割来获取数据集,获取分割后的原图(高分辨率图像)的大小为H*W。这里图像分割的方法采用自适应阈值的方法。自适应阈值方法得到二值化图像,再对其进行开运算和闭运算。根据处理后的二值化图像找出每个细胞所对应的的坐标值。最后根据所得到的坐标值对原图像中的细胞进行分割提取,所得细胞图像分辨率为H*W。
步骤2:数据集的增强与预处理。数据集的增强采用的是旋转增加数据集数量的方法,预处理是将分割后的原图通过降采样得到低分辨率图像,低分辨率图像的大小为(H/N)*(W/N),N为放大倍数,通常可以取3、4或5。
步骤3:图像分块操作。将训练集的数据与原图别分割成每块为(H1/N)*(W1/N)和H1*W1,其中H1<H,W1<W。分割后的小块作为特征提取网络的输入值。
步骤4:搭建特征提取网络。先通过12层残差块串联网络进行特征值的提取,所采用的是基本的残差块。基本残差块由两层卷积层串联组成,在输入与输出之间有一条跳跃线连接。
4.1所采用的语言是python 3.6,所用的框架为Tensorflow。
4.2残差串联网络采用了滤波器数量增加的方法。滤波器的数量从最小值8开始,最后增加到196个,以1.5倍的速度增加。在并联网络中使用的滤波器的数量为64个。
4.3使用的卷积核的大小是3*3。
4.4在训练过程中使用dropout率为0.8。
4.5在迭代中获取权重值和偏差值时采用随机梯度下降算法,并在其中加入adma的优化方法。经过测试证明adma优化方法比起其他优化方法效果更好,公式为其中 其中,t为迭代的次数,θt表示在t次时模型中特征值,mt表示梯度均值,表示对mt的纠正(由于初始化为0导致初期训练偏向0),m0=0,Vt表示梯度平方的指数移动平均数,表示对Vt的纠正(由于初始化为0导致初期训练偏向0),V0=0。gt为迭代次数的梯度值,α表示默认学习率。设置参数β1=0.9,β2=0.999,ε=10-8。
4.7采用的激活函数是pRelu,权重初始化采用与pRelu函数相互配合的HeKaiming方法。
4.8采用学习率衰退的方法。训练中使用的初始学习率是0.001,每隔9个epoch(每个epoch中训练24000个数据)将学习下降到初始学习率的0.5倍。直到学习率衰减到10-5时结束训练,学习率中加入学习率中加入了最小平方误差。
4.9采用loss值和PSNR值作为训练过程的展示,经过一段时间的训练后,PSNR值有着明显的增高。
步骤5:高分辨率图像的重建。通过亚分辨率卷积层将深度低分辨率图像转化为高分辨率图像。
Claims (5)
1.一种基于并行残差网络的低分辨率细胞超分辨率重建方法,其特征在于包括如下步骤:
步骤S1:通过对包含多个细胞的高分辨率图像进行自适应阈值分割来获取数据集,该数据集包含一系列分割后的大小为H*W的单细胞图像,作为超分辨率重建的原图;
步骤S2:数据集的增强与预处理:数据集的增强采用的是旋转增加数据集数量的方法,预处理是将分割后的原图通过降采样得到低分辨率图像,低分辨率图像的大小为(H/N)*(W/N),N为放大倍数,取3、4或5;
步骤S3:数据集输入前的分块操作,将训练集的数据与原图分别分割成每块为(H1/N)*(W1/N)和H1*W1,其中H1<H,W1<W,分割后的小块作为特征提取网络的输入值;
步骤S4:图像中特征值的提取,采用12层残差网络以及并行卷积网络;
步骤S5:高分辨率图像的重建,通过亚像素卷积层将低分辨率图像转化为高分辨率图像;
步骤S4中对图像中特征值的提取,具体包括:
5.1先通过12层残差块串联网络进行特征值的提取,所采用的是基本的残差块;基本残差块由两层卷积层串联组成,在输入与输出之间有一条跳跃线连接;
5.2通过残差网络后,经过一层卷积融合后,再通过并联卷积层再次提取特征值,所用的并行卷积层是由一层卷积操作和两层串联卷积操作形成的,其中的卷积都是1*1的卷积;
5.3残差块串联网络采用了滤波器数量增加的方法;滤波器的数量从最小值8开始,最后增加到196个,以1.5倍的速度增加;在并联网络中使用的滤波器的数量为64个;
5.4在迭代中获取权重值和偏差值时采用随机梯度下降算法,并在其中加入adma的优化方法,公式为其中 其中,t为迭代的次数,θt表示在t次时模型中特征值,mt表示梯度均值,表示对mt的纠正,m0=0,Vt表示梯度平方的指数移动平均数,表示对Vt的纠正,V0=0;gt为迭代次数的梯度值,α表示默认学习率;设置参数β1=0.9,β2=0.999,ε=10-8;
5.5在训练损失函数时采用学习率衰退的方法;训练中使用的初始学习率是0.001,每隔9个epoch将学习下降到初始学习率的0.5倍,每个epoch中训练24000个数据;直到学习率衰减到10-5时结束训练,学习率中加入了最小平方误差。
2.根据权利要求1所述的一种基于并行残差网络的低分辨率细胞超分辨率重建方法,其特征在于,步骤S1中对整张细胞图像进行分割,具体包括:
自适应阈值方法得到二值化图像,再对其进行开运算和闭运算,根据处理后的二值化图像找出每个细胞所对应的的坐标值,最后根据所得到的坐标值对原图像中的细胞进行分割提取,所得细胞图像分辨率为H*W,对在边界的和多个重叠的细胞图像进行剔除。
3.根据权利要求1所述的一种基于并行残差网络的低分辨率细胞超分辨率重建方法,其特征在于,步骤S2中对数据集做增强和预处理操作,具体包括:
3.1通过双三次插值方法对分割后的原图降采样成低分辨率的图像,大小为(H/N)*(W/N);
3.2图像增强采用旋转变换;为了使旋转出来的图片没有黑边影响训练,旋转的角度采用90度的倍数,即90度,180度和270度。
4.根据权利要求1所述的一种基于并行残差网络的低分辨率细胞超分辨率重建方法,其特征在于,步骤S3中对数据集输入前的分块操作,具体包括:
对低分辨率细胞图像和高分辨率细胞图像分别进行分块操作;将低分辨率细胞图像和高分辨率细胞图像分别分割成每块(H1/N)*(W1/N)和H1*W1,其中H1<H,W1<W,分割后的小块作为特征提取网络的输入值。
5.根据权利要求1所述的一种基于并行残差网络的低分辨率细胞超分辨率重建方法,其特征在于,步骤S5中高分辨率图像的重建是通过亚像素卷积层将高维低分辨率图像经过排列组合成低维高分辨率的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010509838.9A CN111681168B (zh) | 2020-06-05 | 2020-06-05 | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010509838.9A CN111681168B (zh) | 2020-06-05 | 2020-06-05 | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681168A CN111681168A (zh) | 2020-09-18 |
CN111681168B true CN111681168B (zh) | 2023-03-21 |
Family
ID=72435741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010509838.9A Active CN111681168B (zh) | 2020-06-05 | 2020-06-05 | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681168B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968064B (zh) * | 2020-10-22 | 2021-01-15 | 成都睿沿科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113269672B (zh) * | 2021-04-14 | 2023-02-24 | 佛山科学技术学院 | 一种超分辨率的细胞图像构建方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722876A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于残差的图像超分辨率重建方法 |
CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
CN109255755A (zh) * | 2018-10-24 | 2019-01-22 | 上海大学 | 基于多列卷积神经网络的图像超分辨率重建方法 |
CN109767386A (zh) * | 2018-12-22 | 2019-05-17 | 昆明理工大学 | 一种基于深度学习的快速图像超分辨率重建方法 |
CN109978763A (zh) * | 2019-03-01 | 2019-07-05 | 昆明理工大学 | 一种基于跳跃连接残差网络的图像超分辨率重建算法 |
EP3576049A2 (en) * | 2018-05-31 | 2019-12-04 | Canon Medical Systems Corporation | An apparatus for denoising an image, a method for denosing an image and a computer readable storage medium |
CN110675321A (zh) * | 2019-09-26 | 2020-01-10 | 兰州理工大学 | 一种基于渐进式的深度残差网络的超分辨率图像重建方法 |
-
2020
- 2020-06-05 CN CN202010509838.9A patent/CN111681168B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722876A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于残差的图像超分辨率重建方法 |
CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
EP3576049A2 (en) * | 2018-05-31 | 2019-12-04 | Canon Medical Systems Corporation | An apparatus for denoising an image, a method for denosing an image and a computer readable storage medium |
CN109255755A (zh) * | 2018-10-24 | 2019-01-22 | 上海大学 | 基于多列卷积神经网络的图像超分辨率重建方法 |
CN109767386A (zh) * | 2018-12-22 | 2019-05-17 | 昆明理工大学 | 一种基于深度学习的快速图像超分辨率重建方法 |
CN109978763A (zh) * | 2019-03-01 | 2019-07-05 | 昆明理工大学 | 一种基于跳跃连接残差网络的图像超分辨率重建算法 |
CN110675321A (zh) * | 2019-09-26 | 2020-01-10 | 兰州理工大学 | 一种基于渐进式的深度残差网络的超分辨率图像重建方法 |
Non-Patent Citations (3)
Title |
---|
PRED: A Parallel Network for Handling Multiple Degradations via Single Model in Single Image Super-Resolution;Guangyang Wu, et al.;《2019 IEEE International Conference on Image Processing (ICIP)》;全文 * |
利用多尺度卷积神经网络的图像超分辨率算法;陈书贞等;《信号处理》(第09期);全文 * |
基于并行映射卷积网络的超分辨率重建算法;毕笃彦等;《系统工程与电子技术》(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111681168A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191476B (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
CN109389552B (zh) | 一种基于上下文相关多任务深度学习的图像超分辨算法 | |
Dong et al. | Learning a deep convolutional network for image super-resolution | |
Zhang et al. | Adaptive residual networks for high-quality image restoration | |
Feng et al. | Suppressing model overfitting for image super-resolution networks | |
CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
Zhao et al. | Unsupervised degradation learning for single image super-resolution | |
Su et al. | Global learnable attention for single image super-resolution | |
CN111275686B (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
CN109214989A (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN111681168B (zh) | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 | |
CN104899835B (zh) | 基于盲模糊估计与锚定空间映射的图像超分辨处理方法 | |
CN111080591A (zh) | 基于编码解码结构结合残差模块的医学图像分割方法 | |
CN112862805B (zh) | 听神经瘤图像自动化分割方法及系统 | |
CN111899165A (zh) | 一种基于功能模块的多任务图像重建卷积网络模型 | |
Zhang et al. | An unsupervised remote sensing single-image super-resolution method based on generative adversarial network | |
CN113298718A (zh) | 一种单幅图像超分辨率重建方法及系统 | |
CN113936011A (zh) | 基于注意力机制的ct影像肺叶图像分割系统 | |
CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
Liu et al. | Single image super resolution techniques based on deep learning: Status, applications and future directions | |
CN116563100A (zh) | 一种基于内核引导网络的盲超分辨率重建方法 | |
CN115936992A (zh) | 一种轻量级Transformer的垃圾图像超分辨方法及系统 | |
CN113269672B (zh) | 一种超分辨率的细胞图像构建方法和系统 | |
CN116188272B (zh) | 适用于多模糊核的两阶段深度网络图像超分辨率重建方法 | |
Albluwi et al. | Super-resolution on degraded low-resolution images using convolutional neural networks |
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 |