CN111862084A - 基于复杂网络的图像质量评价方法、装置及存储介质 - Google Patents
基于复杂网络的图像质量评价方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111862084A CN111862084A CN202010761522.9A CN202010761522A CN111862084A CN 111862084 A CN111862084 A CN 111862084A CN 202010761522 A CN202010761522 A CN 202010761522A CN 111862084 A CN111862084 A CN 111862084A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- pixels
- area
- distance
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 23
- 238000009825 accumulation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于复杂网络的图像质量评价方法、装置及存储介质，其中，先将待质量评价的图像快速转换为复杂网络，然后，在使用主流深度学习算法对图像进行特征提取的同时，结合了复杂网络的特征，最后，通过全连接网络对拼接后的信息进行处理，将两种不同方式提取的特征充分融合在一起，得到最终的质量评价结果。通过两种对图像不同的处理方式，更全面地挖掘图像信息，提高了图像质量评价的准确性，增强了图像质量评价的效果。
Description
技术领域
本发明属于软件行业图像处理领域，尤其涉及一种将图像快速转换为复杂网络进行图像质量评价的方法、装置及存储介质。
背景技术
随着现代数字化技术的不断发展，医疗影像在基础医学、临床医学等方面的重要性日益凸显。高质量、高水平影像是确保医学诊断专业性和准确性的重要依据，因此医疗影像质量评价可以最大程度做到低质量或错误影像及早发现并在前端控制，为临床诊断提供可信赖的影像信息。
目前，医疗影像质量评价主流方法是基于深度学习的，利用深度学习模型自动挖掘潜在信息，得到医疗影像的质量评价结果。但是在某些情况下，如医疗影像中伪影不明显的情况下，该方法的质量评价效果不理想。
发明内容
本发明提供了一种基于复杂网络的图像质量评价方法、装置及存储介质，解决了现有技术中质量评价效果不理想的问题。
本发明提供了如下技术方案：
一方面，本发明提供了一种基于复杂网络的图像质量评价方法，所述方法包括：
确定两个像素的位置距离的最大值，确定两个像素的累加距离的阈值，所述累加距离为两个像素的位置距离与像素值距离之和；
针对待评价图像中的每个像素，计算所述像素与所述像素的相邻像素的累加距离；如果所述累加距离小于所述阈值，则所述相邻像素与所述像素构成一条边，保存边信息；其中，所述相邻像素为所述像素周围相对其位置距离不超过最大值的像素；所述边信息包括：形成边的两个像素的坐标和累加距离；
基于所述边信息，形成以像素坐标为节点、节点间有边相连的复杂网络；
计算所述复杂网络对应的属性，所述属性至少包括度、度分布、幂率分布系数、聚类系数中的一项或多项；
利用深度学习网络，将所述图像转换成高维特征向量；
将所述高维特征向量与所述复杂网络对应的属性进行拼接，得到拼接后的高维向量；
利用多个全连接层对所述拼接后的高维特征向量进行处理，得到所述图像的质量评价结果。
优选地，针对所述待评价图像中的每个像素，计算所述像素与所述像素的相邻像素的累加距离；如果所述累加距离小于所述阈值，则所述相邻像素与所述像素构成一条边，保存边信息，包括：
创建保存坐标和距离信息的第一数组；
在第一相邻像素有效区域内，确定相对于第一像素的位置距离不超过所述最大值的多个整数位置的第二像素，计算所述第二像素与所述第一像素的距离，将各个所述第二像素与所述第一像素的距离以及各个所述第二像素的坐标偏移量保存到所述第一数组中；所述第一相邻像素有效区域为以所述第一像素为中心且边长为2倍最大值加1个像素的正方形的一半区域；
创建保存边信息的第二数组；
针对所述待评价图像中的每个像素，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离；
判断所述累加距离是否小于阈值；
如果所述累加距离小于所述阈值，将所述像素的坐标、所述相邻像素的坐标、所述像素和所述相邻像素的累加距离保存到所述第二数组中。
优选地，所述第一相邻像素有效区域为：x∈[1,R],y∈[-R,R]与x＝0,y∈[-R,-1]所形成的区域；所述第一像素的坐标为(0,0)；其中，x代表像素横坐标，y代表像素纵坐标，R代表所述最大值。
优选地，针对所述待评价图像中的每个像素，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离，包括：
当所述待评价图像的宽度大于所述最大值，高度大于2倍所述最大值时，将所述待评价图像分割成上下左右四个矩形区域，计算每个区域的边界位置；其中，上区域为以所述最大值为高，所述待评价图像的宽度为宽的矩形区域；下区域为以所述最大值为高，所述待评价图像的宽度为宽的矩形区域；左区域为以所述待评价图像的高度减去2倍所述最大值为高，所述待评价图像的宽度减去所述最大值为宽的矩形区域；右区域为以所述待评价图像的高减去2倍所述最大值为高，以所述最大值为宽的矩形区域；
基于各个区域的边界位置，对于上区域、下区域和右区域中的每一个像素，确定所述像素的相邻像素，判断所述相邻像素的坐标位置是否超出所述待评价图像的图像范围，在未超出的情况下，基于所述第一数组计算所述像素的相邻像素的累加距离；
对左区域中的每一个像素，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离。
优选地，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离，包括：
在所述像素的相邻像素有效区域内，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离；所述像素的相邻像素有效区域为以所述像素为中心且边长为2倍最大值加1个像素的正方形的一半区域。
优选地，所述深度学习网络包括Mobilenet、GoogLeNet、ResNet中的任一项。
另一方面，本发明还提供了一种基于复杂网络的图像质量评价装置，所述装置包括：
图像转换复杂网络单元，用于确定两个像素的位置距离的最大值，确定两个像素的累加距离的阈值，所述累加距离为两个像素的位置距离与像素值距离之和；针对待评价图像中的每个像素，计算所述像素与所述像素的相邻像素的累加距离，如果所述累加距离小于所述阈值，则所述相邻像素与所述像素构成一条边，保存边信息；所述相邻像素为所述像素周围相对其位置距离不超过最大值的像素；所述边信息包括：形成边的两个像素的坐标和累加距离；基于所述边信息，形成以像素坐标为节点、节点间有边相连的复杂网络；
属性计算单元，用于计算所述图像转换复杂网络单元形成的复杂网络对应的属性，所述属性至少包括度、度分布、幂率分布系数、聚类系数中的一项或多项；
图像转换特征向量单元，用于利用深度学习网络，将所述图像转换成高维特征向量；
特征向量拼接单元，用于将所述图像转换特征向量单元得到的高维特征向量与所述属性计算单元计算出的复杂网络对应的属性进行拼接，得到拼接后的高维向量；
图像质量评价单元，用于利用多个全连接层对所述特征向量拼接单元拼接后的高维特征向量进行处理，得到所述图像的质量评价结果。
优选地，所述图像转换复杂网络单元保存边信息，具体包括：
创建保存坐标和距离信息的第一数组；
在第一相邻像素有效区域内，确定相对于第一像素的位置距离不超过所述最大值的多个整数位置的第二像素，计算所述第二像素与所述第一像素的距离，将各个所述第二像素与所述第一像素的距离以及各个所述第二像素的坐标偏移值保存到所述第一数组中；所述第一相邻像素有效区域为以所述第一像素为中心且边长为2倍最大值加1个像素的正方形的一半区域；
创建保存边信息的第二数组；
当所述待评价图像的宽度大于所述最大值，高度大于2倍所述最大值时，将所述待评价图像分割成上下左右四个矩形区域，计算每个区域的边界位置；其中，上区域为以所述最大值为高，所述待评价图像的宽度为宽的矩形区域；下区域为以所述最大值为高，所述待评价图像的宽度为宽的矩形区域；左区域为以所述待评价图像的高度减去2倍所述最大值为高，所述待评价图像的宽度减去所述最大值为宽的矩形区域；右区域为以所述待评价图像的高减去2倍所述最大值为高，以所述最大值为宽的矩形区域；
基于各个区域的边界位置，对于上区域、下区域和右区域中的每一个像素，在所述像素的相邻像素有效区域内，确定所述像素的相邻像素；所述像素的相邻像素有效区域为以所述像素为中心且边长为2倍最大值加1个像素的正方形的一半区域；判断所述相邻像素的坐标位置是否超出所述待评价图像的图像范围，在未超出的情况下，基于所述第一数组计算所述像素的相邻像素的累加距离，判断所述累加距离是否小于阈值；如果所述累加距离小于所述阈值，则将所述像素的坐标、所述相邻像素的坐标、所述像素和所述相邻像素的累加距离保存到所述第二数组中；
对左区域中的每一个像素，在所述像素的相邻像素有效区域内，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离，判断所述累加距离是否小于阈值；如果所述累加距离小于所述阈值，则将所述像素的坐标、所述相邻像素的坐标、所述像素和所述相邻像素的累加距离保存到所述第二数组中。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有包括计算机程序，其中，计算机程序运行时，执行上述基于复杂网络的图像质量评价方法。
本发明提供的基于复杂网络的图像质量评价方法中，先将待质量评价的图像快速转换为复杂网络，然后，在使用主流深度学习算法对图像进行特征提取的同时，结合了复杂网络的特征，最后，通过全连接网络对拼接后的信息进行处理，将两种不同方式提取的特征充分融合在一起，得到最终的质量评价结果。通过两种对图像不同的处理方式，更全面地挖掘图像信息，提高了图像质量评价的准确性，增强了图像质量评价的效果。
同时，本发明中在将待质量评价的图像转换为复杂网络时，对每一个有效边只计算一次，并且优化了判断次数，节省了转换所消耗的时间；在对所有像素遍历计算前，先计算出所有像素共同需要的信息，解决了遍历每个像素点时相同信息重复计算的问题，节约了计算时间；对每个像素，只对其特定部分的相邻像素进行计算，保证每个有效边都计算且仅计算一次，节约了计算时间；将图像划分成上下左右四个矩形区域，对某一个区域的相邻像素不判断是否超出图像范围，节约了计算时间。实现了快速将图像转换为复杂网络，进而提高了基于复杂网络进行图像质量评价的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例提供的基于复杂网络的图像质量评价方法的流程示意图；
图2为本发明一个实施例提供的将图像快速转换为复杂网络方法的流程示意图；
图3为本发明一个实施例提供的相邻像素有效区域划分示意图；
图4为本发明一个实施例提供的图像分割成四个区域的示意图。
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。
需要说明的是，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”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1，其示出了本发明实施例中基于复杂网络的图像质量评价方法流程示意图。该方法包括以下步骤：
S101、将待评价图像转换为复杂网络。
S102、计算该复杂网络对应的属性。
其中，复杂网络的属性至少包括度、度分布、幂率分布系数、聚类系数中的一项或多项。
S103、利用深度学习网络，将待评价图像转换成高维特征向量。
其中，深度学习网络可以是Mobilenet、GoogLeNet、ResNet中的任一项。
需要说明的是，步骤S101与步骤S103可以同时执行；也可以先执行步骤S101，再执行步骤S103；还可以先执行步骤S103，再执行步骤S101。此处不对步骤的执行顺序做出限定。
S104、将高维特征向量与复杂网络对应的属性进行拼接，得到拼接后的高维向量。
S105、利用多个全连接层对拼接后的高维特征向量进行处理，得到图像的质量评价结果。
本发明实施例提供的基于复杂网络的图像质量评价方法中，先将待质量评价的图像快速转换为复杂网络，然后，在使用主流深度学习算法对图像进行特征提取的同时，结合了复杂网络的特征，最后，通过全连接网络对拼接后的信息进行处理，将两种不同方式提取的特征充分融合在一起，得到最终的质量评价结果。通过两种对图像不同的处理方式，更全面地挖掘图像信息，提高了图像质量评价的准确性，增强了图像质量评价的效果。
参见图2，上述实施例中，步骤S101可以按照以下步骤实施：
S201、确定两个像素的位置距离的最大值R，确定两个像素的累加距离的阈值D；
其中，累加距离为两个像素的位置距离与像素值距离之和，两个像素的位置距离为两个像素对应的坐标点之间的距离，如两个坐标点之间的欧氏距离；两个像素的像素值距离为两个像素的灰度值之差的绝对值。
S202、对待评价图像中的每个像素，计算该像素与该像素的相邻像素的累加距离；如果累加距离小于所述阈值，则相邻像素与该像素构成一条边，保存边信息。
其中，相邻像素为当前像素周围相对其位置距离不超过R的像素；边信息包括：形成边的两个像素的坐标和累加距离。
在一种可能的实施方式中，在对所有像素遍历计算前，先计算出相对于一个像素位置距离不超过R的多个像素(即相邻像素)的坐标偏移值和距离，然后在像素遍历过程中直接使用。这样做消除了遍历每个像素点时，重复计算相邻像素距离的问题，节约了计算时间。如按照以下步骤实现步骤S202中的保存边信息：
S2021、创建保存坐标和距离信息的第一数组。
S2022、在第一相邻像素有效区域内，确定相对于第一像素的位置距离不超过R的多个整数位置的第二像素，计算第二像素与第一像素的距离，将各个第二像素与该第一像素的距离以及各个该第二像素的坐标偏移值保存到该第一数组中。
其中，第一相邻像素有效区域为以第一像素为中心且边长为2*R+1个像素的正方形的一半区域。第一像素可以是待评价图像中的任一像素。
由于任一像素与其相应位置的相邻像素之间的距离都是相同的，如坐标为(1,1)的像素与其向右偏移一个坐标位置的相邻像素(坐标为(2,1))的距离为1，坐标为(0,0)的像素与其向右偏移一个坐标位置的相邻像素(坐标为(1，0))的距离也为1。所以在对所有像素遍历计算前，先计算出相对于一个像素位置距离不超过R的相邻像素的坐标偏移量和距离，然后在像素遍历过程中直接使用，这样做消除了遍历每个像素点时，重复计算相邻像素位置和距离的问题，节约了计算时间。
为了便于计算，在一种可能的实施方式中，第一相邻像素有效区域为：x∈[1,R],y∈[-R,R]与x＝0,y∈[-R,-1]所形成的区域；第一像素的坐标为(0,0)；其中，x代表像素横坐标，y代表像素纵坐标，R代表步骤S201中确定的最大值。
S2023、创建保存边信息的第二数组。
S2024、针对待评价图像中的每个像素，确定该像素的相邻像素，并基于第一数组计算该像素的相邻像素的累加距离，判断该累加距离是否小于阈值；如果该累加距离小于所述阈值，将该像素的坐标、该像素的相邻像素的坐标、该像素和该像素的相邻像素的累加距离保存到第二数组中。
其中，为了进一步减少计算量，在一种可能的实施方式中，每个像素只在以该像素为中心且边长为2*R+1的正方形的一半区域内进行相邻像素计算，这个区域称作“相邻像素有效区域”。参见图3，其示出了R＝3时，相邻像素计算位置示意图，其中，黑色方块和白色方块代表像素，中间的白色方块是当前像素。对于当前像素，黑色方块是被认为与当前像素相邻并进行累加距离计算的像素。按这种方式遍历图像中每个像素，每个相距不超过3的两个像素对应的边都会被计算到。需要指出的是，该示意图对应了多种相邻像素有效区域划分中的一种，其他划分方式的相邻像素计算位置可以很容易的通过旋转该示意图得到。在一个实施例中，一半区域可以对应该像素右边R列像素和该像素上方同列的R个像素，但并不限于这种划分。这样做能够保证在遍历每个像素时，每个有效边(边对应的两个像素位置距离不大于R)都计算且仅计算一次，节约了计算时间。在具体实施时，如按照以下步骤执行：在该像素的相邻像素有效区域内，确定该像素的相邻像素，并基于第一数组计算该像素的相邻像素的累加距离；其中，该像素的相邻像素有效区域为以该像素为中心且边长为2*R+1个像素的正方形的一半区域。
当待评价图像的宽度大于R，高度大于2*R时，可以将图像划分成上下左右四个矩形区域，对每个像素的相邻位置判断是否超出图像范围，超出图像范围的位置是不应该被计算的。参见图4，其示出了图像分割成四个区域的示意图，其中，当图像高大于2*R且宽大于R时，将图像分割成上下左右四个区域，上区域为以R为高，待评价图像的宽度为宽的矩形区域；下区域为以R为高，待评价图像的宽度为宽的矩形区域；左区域为以待评价图像的高度减去2*R为高，待评价图像的宽度减去R为宽的矩形区域；右区域为以待评价图像的高减去2*R为高，以R为宽的矩形区域；其中，矩形中与水平面同方向的为宽，反之为高。需要指出的是，该示意图只对应多种相邻像素有效区域划分中的一种，其他划分方式对应的四区域分割方式可以很容易地通过该示意图的分割方式得到。
有些像素在以该像素为中心且边长为2*R+1的正方形的一半区域内的相邻像素都不会超出图像范围，这些像素在图像中形成一个矩形(如图4中左区域)，对这些像素遍历时，不判断相邻像素是否超出图像范围，可以节约计算时间。
如，步骤S2024可以按照以下步骤实施：
步骤一、当待评价图像的宽度大于最大值，高度大于2倍最大值时，将待评价图像分割成上下左右四个矩形区域，计算每个区域的边界位置；
步骤二、对于上区域、下区域和右区域中的每一个像素，确定该像素的相邻像素，判断该相邻像素的坐标位置是否超出待评价图像的图像范围，在未超出的情况下，基于第一数组计算该像素的相邻像素的累加距离，判断该累加距离是否小于阈值；如果该累加距离小于所述阈值，将该像素的坐标、该像素的相邻像素的坐标、该像素和该像素的相邻像素的累加距离保存到第二数组中；
步骤三、对左区域中的每一个像素，确定该像素的相邻像素，并基于第一数组计算该像素的相邻像素的累加距离，判断该累加距离是否小于阈值；如果该累加距离小于所述阈值，将该像素的坐标、该像素的相邻像素的坐标、该像素和该像素的相邻像素的累加距离保存到第二数组中。
S203、基于得到的边信息，形成以像素坐标为节点、节点间有边相连的复杂网络。
上述将图像快速转换为复杂网络的一个实施例的伪代码如下：
创建保存相邻像素信息的数组nearPts，每条信息为x,y,dist，分别为横坐标、纵坐标、距离；
本发明实施例中，在将待质量评价的图像转换为复杂网络时，对每一个有效边只计算一次，并且优化了判断次数，节省了转换所消耗的时间；在对所有像素遍历计算前，先计算出所有像素共同需要的信息，解决了遍历每个像素点时相同信息重复计算的问题，节约了计算时间；对每个像素，只对其特定部分的相邻像素进行计算，保证每个有效边都计算且仅计算一次，节约了计算时间；将图像划分成上下左右四个矩形区域，对某一个区域的相邻像素不判断是否超出图像范围，节约了计算时间。实现了快速将图像转换为复杂网络，进而提高了基于复杂网络进行图像质量评价的效率。
在一个实施例中，本发明提供的基于复杂网络的图像质量评价方法包括以下步骤：
S301、确定相邻像素位置距离的最大值R，确定两个像素位置距离与像素值距离和(累加距离)的阈值D；
S302、在x∈[1,R],y∈[-R,R]与x＝0,y∈[-R,-1]范围内，计算与坐标(0,0)的位置距离不超过R的多个整数位置(x,y)，将其坐标偏移值与相对(0,0)的位置距离保存到数组nearPts中；
其中，x代表像素横坐标，y代表像素纵坐标，R代表步骤S301中确定出的最大值；
S303、创建保存边信息的数组edges；
S304、将图像分割成上下左右四个矩形区域，计算每个区域的边界位置；
S305、基于区域的边界位置，对上下右三个区域的像素进行遍历，对于每一个像素，利用数组nearPts找出相邻像素位置，判断相邻位置是否超出图像范围，如果未超出，计算当前像素与当前相邻像素的累加距离，如果累加距离小于D，将当前像素坐标、当前相邻像素坐标、累加距离保存到数组edges中；
S306、基于区域的边界位置，对左区域的像素进行遍历，对每个像素的处理方式与上下右三个区域基本一致，唯一不同在于不需要对相邻位置进行是否超出图像范围的判断。
S307、遍历完所有像素，形成一个像素坐标为节点，节点间有边相连的复杂网络。
S308、计算该复杂网络对应的多个属性，包括度、度分布、幂率分布系数、聚类系数。
S309、利用深度学习，将图像转换成高维特征向量。
转换时使用的深度学习网络可以基于但不限于Mobilenet、GoogLeNet、ResNet；
S310、将高维特征向量与复杂网络提取到的属性进行拼接。高维特征向量和复杂网络提取到的属性都是浮点类型的高维向量，直接拼接成一个新的高维向量即可；
S311、利用多个全连接层对拼接后的特征向量进行处理，得到质量评价得分。
为了更好的理解本发明的技术方案，下面提供一应用实例。利用本发明上述实施例中的基于复杂网络的质量评价方法对人脑CT图像进行质量评价。
在做头部CT的时候，如果使用者在过程中有移动或者一些金属物体对设备产生影响，会导致生成的CT图像出现非脑部结构的影像，又叫做伪影。如果出现伪影，需要使用者重新进行CT扫描。生成的CT图像是否有伪影可以通过本发明上述实施例中的基于复杂网络的质量评价方法进行判断。
CT图片分辨率为512x512。将该图片输入到以Mobilenet为主干的神经网络中，最终输出一个512维的特征向量。将图片转换成复杂网络，并从中计算出度、度分布、幂率分布系数、聚类系数，将这些特征拼接成128维特征向量。将得到的两个特征向量拼接，得到640维的特征向量，并输入到两层全连接网络，第一层网络的输出为64维向量，使用Relu非线性激活函数进行处理。第二层网络输出为一个标量，通过sigmoid变为0～1间的浮点数，表示输入的CT图像的质量评分。如果评分大于0.7，说明图像清晰无伪影，否则说明图像效果差。
对应于本发明实施例提供的一种基于复杂网络的图像质量评价方法，本发明还提供了基于复杂网络的图像质量评价装置。该装置包括：
图像转换复杂网络单元，用于确定两个像素的位置距离的最大值，确定两个像素的累加距离的阈值，累加距离为两个像素的位置距离与像素值距离之和；针对待评价图像中的每个像素，计算该像素与该像素的相邻像素的累加距离，如果累加距离小于阈值，则该相邻像素与该像素构成一条边，保存边信息；相邻像素为该像素周围相对其位置距离不超过最大值的像素；边信息包括：形成边的两个像素的坐标和累加距离；基于边信息，形成以像素坐标为节点、节点间有边相连的复杂网络；
属性计算单元，用于计算图像转换复杂网络单元形成的复杂网络对应的属性，属性至少包括度、度分布、幂率分布系数、聚类系数中的一项或多项；
图像转换特征向量单元，用于利用深度学习网络，将待评价图像转换成高维特征向量；
特征向量拼接单元，用于将图像转换特征向量单元得到的高维特征向量与属性计算单元计算出的复杂网络对应的属性进行拼接，得到拼接后的高维向量；
图像质量评价单元，用于利用多个全连接层对特征向量拼接单元拼接后的高维特征向量进行处理，得到待评价图像的质量评价结果。
本发明实施例提供的基于复杂网络的图像质量评价装置中，先将待质量评价的图像快速转换为复杂网络，然后，在使用主流深度学习算法对图像进行特征提取的同时，结合了复杂网络的特征，最后，通过全连接网络对拼接后的信息进行处理，将两种不同方式提取的特征充分融合在一起，得到最终的质量评价结果。通过两种对图像不同的处理方式，更全面地挖掘图像信息，提高了图像质量评价的准确性，增强了图像质量评价的效果。
在一种可能的实施方式中，所述图像转换复杂网络单元保存边信息，具体包括：
创建保存坐标和距离信息的第一数组；
在第一相邻像素有效区域内，确定相对于第一像素的位置距离不超过最大值的多个整数位置的第二像素，计算第二像素与第一像素的距离，将各个第二像素与第一像素的距离以及各个第二像素的坐标偏移值保存到第一数组中；第一相邻像素有效区域为以第一像素为中心且边长为2倍最大值加1个像素的正方形的一半区域；
创建保存边信息的第二数组；
当待评价图像的宽度大于最大值，高度大于2倍最大值时，将待评价图像分割成上下左右四个矩形区域，计算每个区域的边界位置；其中，上区域为以最大值为高，待评价图像的宽度为宽的矩形区域；下区域为以最大值为高，待评价图像的宽度为宽的矩形区域；左区域为以待评价图像的高度减去2倍最大值为高，待评价图像的宽度减去最大值为宽的矩形区域；右区域为以待评价图像的高减去2倍最大值为高，以最大值为宽的矩形区域；
基于各个区域的边界位置，对于上区域、下区域和右区域中的每一个像素，在该像素的相邻像素有效区域内，确定该像素的相邻像素；该像素的相邻像素有效区域为以该像素为中心且边长为2倍最大值加1个像素的正方形的一半区域；判断该相邻像素的坐标位置是否超出待评价图像的图像范围，在未超出的情况下，基于第一数组计算该像素的相邻像素的累加距离，判断该累加距离是否小于阈值；如果该累加距离小于所述阈值，则将该像素的坐标、该相邻像素的坐标、该像素和该相邻像素的累加距离保存到第二数组中；
对左区域中的每一个像素，在该像素的相邻像素有效区域内，确定该像素的相邻像素，并基于第一数组计算该像素的相邻像素的累加距离，判断该累加距离是否小于阈值；如果该累加距离小于所述阈值，则将该像素的坐标、该相邻像素的坐标、该像素和该相邻像素的累加距离保存到第二数组中。
本发明实施例中，在将待质量评价的图像转换为复杂网络时，对每一个有效边只计算一次，并且优化了判断次数，节省了转换所消耗的时间；在对所有像素遍历计算前，先计算出所有像素共同需要的信息，解决了遍历每个像素点时相同信息重复计算的问题，节约了计算时间；对每个像素，只对其特定部分的相邻像素进行计算，保证每个有效边都计算且仅计算一次，节约了计算时间；将图像划分成上下左右四个矩形区域，对某一个区域的相邻像素不判断是否超出图像范围，节约了计算时间。实现了快速将图像转换为复杂网络，进而提高了基于复杂网络进行图像质量评价的效率。
对应于本发明实施例提供的一种基于复杂网络的图像质量评价方法，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有包括计算机程序，其中，计算机程序运行时，执行上述基于复杂网络的图像质量评价方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于复杂网络的图像质量评价方法，其特征在于，所述方法包括：
确定两个像素的位置距离的最大值，确定两个像素的累加距离的阈值，所述累加距离为两个像素的位置距离与像素值距离之和；
针对待评价图像中的每个像素，计算所述像素与所述像素的相邻像素的累加距离；如果所述累加距离小于所述阈值，则所述相邻像素与所述像素构成一条边，保存边信息；其中，所述相邻像素为所述像素周围相对其位置距离不超过最大值的像素；所述边信息包括：形成边的两个像素的坐标和累加距离；
基于所述边信息，形成以像素坐标为节点、节点间有边相连的复杂网络；
计算所述复杂网络对应的属性，所述属性至少包括度、度分布、幂率分布系数、聚类系数中的一项或多项；
利用深度学习网络，将所述图像转换成高维特征向量；
将所述高维特征向量与所述复杂网络对应的属性进行拼接，得到拼接后的高维向量；
利用多个全连接层对所述拼接后的高维特征向量进行处理，得到所述图像的质量评价结果。
2.根据权利要求1所述的方法，其特征在于，针对所述待评价图像中的每个像素，计算所述像素与所述像素的相邻像素的累加距离；如果所述累加距离小于所述阈值，则所述相邻像素与所述像素构成一条边，保存边信息，包括：
创建保存坐标和距离信息的第一数组；
在第一相邻像素有效区域内，确定相对于第一像素的位置距离不超过所述最大值的多个整数位置的第二像素，计算所述第二像素与所述第一像素的距离，将各个所述第二像素与所述第一像素的距离以及各个所述第二像素的坐标偏移量保存到所述第一数组中；所述第一相邻像素有效区域为以所述第一像素为中心且边长为2倍最大值加1个像素的正方形的一半区域；
创建保存边信息的第二数组；
针对所述待评价图像中的每个像素，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离；
判断所述累加距离是否小于阈值；如果所述累加距离小于所述阈值，将所述像素的坐标、所述相邻像素的坐标、所述像素和所述相邻像素的累加距离保存到所述第二数组中。
3.根据权利要求2所述的方法，其特征在于，所述第一相邻像素有效区域为：x∈[1,R],y∈[-R,R]与x＝0,y∈[-R,-1]所形成的区域；所述第一像素的坐标为(0,0)；其中，x代表像素横坐标，y代表像素纵坐标，R代表所述最大值。
4.根据权利要求3所述的方法，其特征在于，针对所述待评价图像中的每个像素，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离，包括：
当所述待评价图像的宽度大于所述最大值，高度大于2倍所述最大值时，将所述待评价图像分割成上下左右四个矩形区域，计算每个区域的边界位置；其中，上区域为以所述最大值为高，所述待评价图像的宽度为宽的矩形区域；下区域为以所述最大值为高，所述待评价图像的宽度为宽的矩形区域；左区域为以所述待评价图像的高度减去2倍所述最大值为高，所述待评价图像的宽度减去所述最大值为宽的矩形区域；右区域为以所述待评价图像的高减去2倍所述最大值为高，以所述最大值为宽的矩形区域；
基于各个区域的边界位置，对于上区域、下区域和右区域中的每一个像素，确定所述像素的相邻像素，判断所述相邻像素的坐标位置是否超出所述待评价图像的图像范围，在未超出的情况下，基于所述第一数组计算所述像素的相邻像素的累加距离；
对左区域中的每一个像素，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离。
5.根据权利要求4所述的方法，其特征在于，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离，包括：
在所述像素的相邻像素有效区域内，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离；所述像素的相邻像素有效区域为以所述像素为中心且边长为2倍最大值加1个像素的正方形的一半区域。
6.根据权利要求1所述的方法，其特征在于，所述深度学习网络包括Mobilenet、GoogLeNet、ResNet中的任一项。
7.一种基于复杂网络的图像质量评价装置，其特征在于，所述装置包括：
图像转换复杂网络单元，用于确定两个像素的位置距离的最大值，确定两个像素的累加距离的阈值，所述累加距离为两个像素的位置距离与像素值距离之和；针对待评价图像中的每个像素，计算所述像素与所述像素的相邻像素的累加距离，如果所述累加距离小于所述阈值，则所述相邻像素与所述像素构成一条边，保存边信息；所述相邻像素为所述像素周围相对其位置距离不超过最大值的像素；所述边信息包括：形成边的两个像素的坐标和累加距离；基于所述边信息，形成以像素坐标为节点、节点间有边相连的复杂网络；
属性计算单元，用于计算所述图像转换复杂网络单元形成的复杂网络对应的属性，所述属性至少包括度、度分布、幂率分布系数、聚类系数中的一项或多项；
图像转换特征向量单元，用于利用深度学习网络，将所述图像转换成高维特征向量；
特征向量拼接单元，用于将所述图像转换特征向量单元得到的高维特征向量与所述属性计算单元计算出的复杂网络对应的属性进行拼接，得到拼接后的高维向量；
图像质量评价单元，用于利用多个全连接层对所述特征向量拼接单元拼接后的高维特征向量进行处理，得到所述图像的质量评价结果。
8.根据权利要求7所述的装置，其特征在于，所述图像转换复杂网络单元保存边信息，具体包括：
创建保存坐标和距离信息的第一数组；
在第一相邻像素有效区域内，确定相对于第一像素的位置距离不超过所述最大值的多个整数位置的第二像素，计算所述第二像素与所述第一像素的距离，将各个所述第二像素与所述第一像素的距离以及各个所述第二像素的坐标偏移值保存到所述第一数组中；所述第一相邻像素有效区域为以所述第一像素为中心且边长为2倍最大值加1个像素的正方形的一半区域；
创建保存边信息的第二数组；
当所述待评价图像的宽度大于所述最大值，高度大于2倍所述最大值时，将所述待评价图像分割成上下左右四个矩形区域，计算每个区域的边界位置；其中，上区域为以所述最大值为高，所述待评价图像的宽度为宽的矩形区域；下区域为以所述最大值为高，所述待评价图像的宽度为宽的矩形区域；左区域为以所述待评价图像的高度减去2倍所述最大值为高，所述待评价图像的宽度减去所述最大值为宽的矩形区域；右区域为以所述待评价图像的高减去2倍所述最大值为高，以所述最大值为宽的矩形区域；
基于各个区域的边界位置，对于上区域、下区域和右区域中的每一个像素，在所述像素的相邻像素有效区域内，确定所述像素的相邻像素；所述像素的相邻像素有效区域为以所述像素为中心且边长为2倍最大值加1个像素的正方形的一半区域；判断所述相邻像素的坐标位置是否超出所述待评价图像的图像范围，在未超出的情况下，基于所述第一数组计算所述像素的相邻像素的累加距离，判断所述累加距离是否小于阈值；如果所述累加距离小于所述阈值，则将所述像素的坐标、所述相邻像素的坐标、所述像素和所述相邻像素的累加距离保存到所述第二数组中；
对左区域中的每一个像素，在所述像素的相邻像素有效区域内，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离，判断所述累加距离是否小于阈值；如果所述累加距离小于所述阈值，则将所述像素的坐标、所述相邻像素的坐标、所述像素和所述相邻像素的累加距离保存到所述第二数组中。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有包括计算机程序，其中，计算机程序运行时，执行如权利要求1-6任一项所述的基于复杂网络的图像质量评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010761522.9A CN111862084B (zh) | 2020-07-31 | 2020-07-31 | 基于复杂网络的图像质量评价方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010761522.9A CN111862084B (zh) | 2020-07-31 | 2020-07-31 | 基于复杂网络的图像质量评价方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111862084A true CN111862084A (zh) | 2020-10-30 |
| CN111862084B CN111862084B (zh) | 2024-02-02 |
Family
ID=72953920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010761522.9A Active CN111862084B (zh) | 2020-07-31 | 2020-07-31 | 基于复杂网络的图像质量评价方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111862084B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785618A (zh) * | 2020-11-16 | 2021-05-11 | 南京理工大学 | 基于像素确定性度的对象分割视觉质量评分方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105989594A (zh) * | 2015-02-12 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| WO2017023210A1 (en) * | 2015-08-06 | 2017-02-09 | Heptagon Micro Optics Pte. Ltd. | Generating a merged, fused three-dimensional point cloud based on captured images of a scene |
| CN107784657A (zh) * | 2017-09-29 | 2018-03-09 | 西安因诺航空科技有限公司 | 一种基于颜色空间分类的无人机遥感图像分割方法 |
| CN109255359A (zh) * | 2018-09-27 | 2019-01-22 | 南京邮电大学 | 一种基于复杂网络分析方法的视觉问答问题解决方法 |
| WO2020088029A1 (zh) * | 2018-10-29 | 2020-05-07 | 北京三快在线科技有限公司 | 活体检验方法、存储介质和电子设备 |
-
2020
- 2020-07-31 CN CN202010761522.9A patent/CN111862084B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105989594A (zh) * | 2015-02-12 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| WO2017023210A1 (en) * | 2015-08-06 | 2017-02-09 | Heptagon Micro Optics Pte. Ltd. | Generating a merged, fused three-dimensional point cloud based on captured images of a scene |
| CN107784657A (zh) * | 2017-09-29 | 2018-03-09 | 西安因诺航空科技有限公司 | 一种基于颜色空间分类的无人机遥感图像分割方法 |
| CN109255359A (zh) * | 2018-09-27 | 2019-01-22 | 南京邮电大学 | 一种基于复杂网络分析方法的视觉问答问题解决方法 |
| WO2020088029A1 (zh) * | 2018-10-29 | 2020-05-07 | 北京三快在线科技有限公司 | 活体检验方法、存储介质和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李泽荃: "复杂网络与机器学习融合的研究进展", 计算机应用与软件, vol. 36, no. 04, pages 10 - 28 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785618A (zh) * | 2020-11-16 | 2021-05-11 | 南京理工大学 | 基于像素确定性度的对象分割视觉质量评分方法 |
| CN112785618B (zh) * | 2020-11-16 | 2022-10-21 | 南京理工大学 | 基于像素确定性度的对象分割视觉质量评分方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111862084B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Joint image filtering with deep convolutional networks | |
| CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
| Tang et al. | Pixel convolutional neural network for multi-focus image fusion | |
| CN109949255B (zh) | 图像重建方法及设备 | |
| RU2424561C2 (ru) | Обучение сверточных нейронных сетей на графических процессорах | |
| Kimmel et al. | Global shape from shading | |
| CN109858487B (zh) | 基于分水岭算法和图像类别标签的弱监督语义分割方法 | |
| Masood | Optimized polygonal approximation by dominant point deletion | |
| JP5854802B2 (ja) | 画像処理装置、画像処理方法、及びコンピュータプログラム | |
| CN108764244B (zh) | 基于卷积神经网络和条件随机场的潜在目标区域检测方法 | |
| Prasad et al. | Vectorized image segmentation via trixel agglomeration | |
| CN110807110A (zh) | 结合局部和全局特征的图片搜索方法、装置及电子设备 | |
| CN111862084A (zh) | 基于复杂网络的图像质量评价方法、装置及存储介质 | |
| Liang et al. | Multi-scale hybrid attention graph convolution neural network for remote sensing images super-resolution | |
| Deng et al. | ELMGAN: A GAN-based efficient lightweight multi-scale-feature-fusion multi-task model | |
| CN113554656B (zh) | 基于图神经网络的光学遥感图像实例分割方法及装置 | |
| CN110555863A (zh) | 一种运动目标检测方法、装置和计算机可读存储介质 | |
| Qu et al. | An algorithm of image mosaic based on binary tree and eliminating distortion error | |
| CN117291790A (zh) | 一种sar图像配准方法、装置、设备及介质 | |
| Gupta et al. | A robust and efficient image de-fencing approach using conditional generative adversarial networks | |
| Merkurjev | A fast graph-based data classification method with applications to 3D sensory data in the form of point clouds | |
| US9035952B2 (en) | Image processing apparatus, image processing method, and computer-readable medium | |
| Chen et al. | Neural feature matching in implicit 3d representations | |
| JP7316771B2 (ja) | 学習装置、パラメータの作成方法、ニューラルネットワーク及びこれを用いた情報処理装置 | |
| US8643649B2 (en) | Image processing apparatus, image processing method, and computer-readable medium |
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 | ||
| CB02 | Change of applicant information |
Address after: 116000 room 206, no.8-9, software garden road, Ganjingzi District, Dalian City, Liaoning Province Applicant after: Neusoft Education Technology Group Co.,Ltd. Address before: 116000 room 206, no.8-9, software garden road, Ganjingzi District, Dalian City, Liaoning Province Applicant before: Dalian Neusoft Education Technology Group Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |